CN117078652A - 一种基于图像数据处理的手术衣生产质量检验方法 - Google Patents
一种基于图像数据处理的手术衣生产质量检验方法 Download PDFInfo
- Publication number
- CN117078652A CN117078652A CN202311110796.1A CN202311110796A CN117078652A CN 117078652 A CN117078652 A CN 117078652A CN 202311110796 A CN202311110796 A CN 202311110796A CN 117078652 A CN117078652 A CN 117078652A
- Authority
- CN
- China
- Prior art keywords
- image data
- standard
- discrimination
- size
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 title claims abstract description 24
- 238000007689 inspection Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000003993 interaction Effects 0.000 claims description 17
- 230000004075 alteration Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000003825 pressing Methods 0.000 claims description 4
- 230000037303 wrinkles Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 239000003292 glue Substances 0.000 claims description 3
- 238000003706 image smoothing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000009958 sewing Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域，且公开了一种基于图像数据处理的手术衣生产质量检验方法，包括以下步骤：步骤S01：设置采集点与采集设备；步骤S02：对步骤S01中采集的数据进行预处理；步骤S03：对步骤S02中的图像数据进行标记；步骤S04：进行尺寸判别与色差判别；步骤S05：进行平整度检测；步骤S06：进行瑕疵检测；步骤S07：进行性能检测；步骤S08：进行优化；通过设有步骤S04、步骤S05以及步骤S06，有利于通过分别对手术衣制作过程中的三道工序进行产品检测，保证了手术衣制作过程中的工作效率，不会产生无用劳动，将人工质检作为辅助手段，节约了人力资源与时间，同时防止了机器程序出现误差导致误判。
Description
技术领域
本发明涉及图像数据处理技术领域，更具体地涉及一种基于图像数据处理的手术衣生产质量检验方法。
背景技术
手术衣是医护人员在为患者进行手术时所必须穿戴的衣物，手术衣需要材质天然健康、穿着舒适、防静电、减少细菌吸附以及保护医护人员和患者，同时耐磨耐洗并且透气性强，因为透气感能够提升舒适性，国家对于手术衣的性能具有严格标准，手术衣的生产需要严格符合国家标准。
现有的手术衣对成品进行质量检验与性能检验，大多通过人工方式进行成品质量检验，小部分通过对生产设备的工艺参数进行检测从而达到检测成衣质量的目的，质量检验通过后采用专用设备进行性能检验，采用人工方式进行成衣质量检验较为耗费人力资源与时间，人工质检的方式难以把握准确度并且无法保证工作效率，无法及时发现成衣在生产制作过程中存在的质量问题，进而无法及时止损，而对生产设备工艺参数进行检测的过程中，存在各类影响因素，例如环境因素与人为因素等误差，因此无法简单地认为某参数发生变动就会导致成品手术衣产生对应缺陷，因此此种检测方式无法保证质量检验结果的准确性。
发明内容
为了克服现有技术的上述缺陷，本发明提供了一种基于图像数据处理的手术衣生产质量检验方法，以解决上述背景技术中存在的问题。
本发明提供如下技术方案：一种基于图像数据处理的手术衣生产质量检验方法，包括以下步骤：
步骤S01：设置采集点与采集设备：在手术衣制作的第一道工序与第二道工序之间设置第一采集点，在手术衣制作的第二道工序与第三道工序之间设置第二采集点，在手术衣制作的第三道工序后设置第三采集点，所述第一采集点、第二采集点以及第三采集点处均设有图像采集设备；
步骤S02：对步骤S01中采集的数据进行预处理：对第一采集设备、第二采集设备以及第三采集设备采集的图像数据进行清洗去噪，并进行图像平滑处理，并依次标记为一组图像数据、二组图像数据以及三组图像数据；
步骤S03：对步骤S02中的图像数据进行标记，将一组图像数据依次标记为F1、F2、F3……Fn，将二组图像数据依次标记为S1、S2、S3……Sn，将三组图像数据依次标记为T1、T2、T3……Tn；
步骤S04：对步骤S02中的一组图像数据F1、F2、F3……Fn进行尺寸判别与色差判别，所述尺寸判别的结果包括达标与不达标，若尺寸判别结果为不达标，则将尺寸判别结果实时传输至人机交互端进行预警，所述色差判别的结果包括达标与不达标，若色差判别结果为不达标，则将色差判别结果实时传输至人机交互端进行预警；
步骤S05：对步骤S02中的二组图像数据S1、S2、S3……Sn进行平整度检测，基于褶皱面积计算公式对Si进行平整度判别，所述平整度判别的结果包括达标与不达标，若平整度判别的结果为不达标，则将平整度判别的结果传输至人机交互端进行预警；
步骤S06：对步骤S02中的三组图像数据T1、T2、T3……Tn进行瑕疵检测，通过图像识别技术对三组图像数据T1进行异物与污渍识别，若识别成功则判定为不达标，若识别失败则判定为达标；
步骤S07：对步骤S06中达标的产品进行性能检测；
步骤S08：进行优化：所述人机交互端接收到预警信息后，对预警信息进行反馈，基于反馈的信息进行准确率计算，若准确率低于设定阈值，则发出优化指令对系统程序进行优化训练，若准确率高于设定阈值，则不发出任何指令。
优选的，所述第一道工序为裁剪工序，所述第二道工序为缝合压胶工序，所述第三道工序为拉链安装，所述第一采集点的图像采集设备标记为第一采集设备，所述第二采集点的图像采集设备标记为第二采集设备，所述第三采集点的图像采集设备标记为第三采集设备。
优选的，所述尺寸判别包括以下步骤：
步骤S11：对一组图像数据Fi进行灰度处理，并对像素边缘进行提取，用二维函数fi(x，y，λ)表示Fi，其中，x、y是图像数据Fi的像素点的平面二维坐标，λ为图像数据Fi的颜色波长，fi(x，y)为像素点(x，y)的灰度值，其中，i＝1、2、3……n；
步骤S12：用矩阵的形式对灰度值fi(x，y)进行表示：其中，fi(x，y)按等间隔进行像素点采样，为一个M×N的矩阵；
步骤S13：通过尺寸计算公式计算得出Fi的图像尺寸值αi，其中，i＝1、2、3……n，所述Fi与αi一一对应，所述尺寸计算公式为：
步骤S14：将步骤S13中的图像尺寸值αi进行换算得到实际尺寸值Ci；
步骤S15：进行尺寸判别：利用尺寸判别公式将步骤S14中的实际尺寸值Ci与标准值进行比较，所述尺寸判别公式为：ΔCi＝φ-|Ci-Pi|，其中，Pi为标准尺寸值，φ为衣物尺寸的允许公差，ΔCi为产品尺寸与标准尺寸的偏离值，若ΔCi≥0，则判别为尺寸达标，若ΔCi＜0，则判别为尺寸不达标。
优选的，所述色差判别包括以下步骤：
步骤S21：提取一组图像数据Fi的像素点与RGB值，并将RGB值转换为CIE XYZ色彩空间，得出Fi的明度值Mi、彩度值Ci以及色调角Si，其中，i＝1、2、3……n；
步骤S22：通过色差计算公式计算得出Fi的色差度Δρ；
步骤S23：进行色差判别：利用色差判别公式将步骤S22中的色差度Δρ与容错色差值进行比较，所述色差判别公式为：ΔS＝|ρ*|-|Δρ|，其中，ΔS为产品色差与标准色差的偏离值，ρ*为容错色差值，若ΔS≥0，则判别为色差度达标，若ΔS＜0，则判别为色差度不达标。
优选的，所述褶皱判别包括以下步骤：
步骤S31：构建三维模型：建立三维坐标系，用(x，y)表示二组图像数据的X轴与Y轴的坐标点，用Z(x，y)表示(x，y)坐标点在Z轴所对应的坐标值，将X轴的总坐标点数记为X，将Y轴的总坐标点数记为Y；
步骤S32：计算褶皱面积：基于步骤S31，通过褶皱面积计算公式计算出褶皱面积Mi，所述褶皱面积计算公式为：其中，Mi为二组图像数据Si的褶皱面积，其中，i＝1、2、3……n；
步骤S33：进行褶皱判别：根据步骤S32中计算得出的褶皱面积进行平整度判别，所述平整度判别的标准为：当褶皱面积Mi＝0时，判别为达标，当褶皱面积Mi≠0时，判别为不达标。
优选的，所述进行准确率计算的公式为：其中，f为系统程序的判别准确率，c1为反馈结果为同意的数量，c2为反馈结果为不同意的数量。
优选的，所述色差计算公式为：其中，M为一组图像数据Fi的横向像素点数量总数，N为一组图像数据Fi的纵向像素点数量总数，a为横向像素点中第a个像素点，b为纵向像素点中第b个像素点，Mab为标准图像在(a，b)点的明度值，Cab为标准图像在(a，b)点的彩度值，Sab为标准图像在(a，b)点的色调角，Miab为Fi在(a，b)点的明度值，Ciab为Fi在(a，b)点的彩度值，Siab为Fi在(a，b)点的色调角。
本发明的技术效果和优点：
本发明通过设有步骤S04、步骤S05以及步骤S06，有利于通过对第一道工序后的产品进行尺寸判别与色差判别，判断产品是否达标，达标的则进入第二道工序，通过对第二道工序后的产品进行平整度判别，判断产品是否达标，达标的则进入第三道工序，通过对第三道工序后的成品进行瑕疵检测，判断手术衣成品存在拉链外露的情况或沾有污渍，达标的则进行最终的性能检测，通过分别对手术衣制作过程中的三道工序进行产品检测，对每道工序所制作的产品进行检测从而确保不达标的产品不会进入下一道工序，保证了手术衣制作过程中的工作效率，不会产生无用劳动，将人工质检作为辅助手段，节约了人力资源与时间，同时防止了机器程序出现误差导致误判，有效地保证了质量检验结果的准确性。
附图说明
图1为本发明的基于图像数据处理的手术衣生产质量检验方法流程图。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，另外，在以下的实施方式中记载的各结构的形态只不过是例示，本发明所涉及的一种基于图像数据处理的手术衣生产质量检验方法并不限定于在以下的实施方式中记载的各结构，在本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式都属于本发明保护的范围。
本发明提供了一种基于图像数据处理的手术衣生产质量检验方法，包括以下步骤：
步骤S01：设置采集点与采集设备：在手术衣制作的第一道工序与第二道工序之间设置第一采集点，所述第一道工序为裁剪工序，将手术衣制作布料裁剪成特定的尺寸，所述第二道工序为缝合压胶工序，将裁剪后的布料进行缝合并压胶，同时进行收袖工作，在手术衣制作的第二道工序与第三道工序之间设置第二采集点，所述第三道工序为拉链安装，为手术衣安装拉链，在手术衣制作的第三道工序后设置第三采集点，所述第一采集点、第二采集点以及第三采集点处均设有图像采集设备，所述第一采集点的图像采集设备标记为第一采集设备，所述第二采集点的图像采集设备标记为第二采集设备，所述第三采集点的图像采集设备标记为第三采集设备，所述第一图像采集设备包括但不限于摄像头、图像传感器以及工业相机，所述第二图像采集设备为三维扫描仪，所述第三图像采集设备包括但不限于摄像头、图像传感器以及工业相机，所述第一采集点的位置位于手术衣从第一道工序产出之后进入第二道工序之前，所述第二采集点的位置位于手术衣从第二道工序产出之后进入第三道工序之前，所述第三采集点的位置位于手术衣从第三道工序产出之后；
步骤S02：对步骤S01中采集的数据进行预处理：对第一采集设备、第二采集设备以及第三采集设备采集的图像数据进行清洗去噪，并进行图像平滑处理，得到能够直接使用的图像数据，并依次标记为一组图像数据、二组图像数据以及三组图像数据；
步骤S03：对步骤S02中的图像数据进行标记，将一组图像数据依次标记为F1、F2、F3……Fn，所述F1为从第一道工序产出之后进入第二道工序之前的第一件产品，F2为从第一道工序产出之后进入第二道工序之前的第二件产品……Fn为从第一道工序产出之后进入第二道工序之前的第n件产品；将二组图像数据依次标记为S1、S2、S3……Sn，所述S1为从第二道工序产出之后进入第三道工序之前的第一件产品，S2为从第二道工序产出之后进入第三道工序之前的第二件产品……Sn为从第二道工序产出之后进入第三道工序之前的第n件产品；将三组图像数据依次标记为T1、T2、T3……Tn，所述T1为从第三道工序产出之后的第一件产品，T2为从第三道工序产出之后的第二件产品……Tn为从第三道工序产出之后的第n件产品；
步骤S04：对步骤S02中的一组图像数据F1、F2、F3……Fn进行尺寸判别与色差判别，从而判断第一道工序后的产品在尺寸与色差方面是否达标，所述尺寸判别的结果包括达标与不达标，若尺寸判别结果为不达标，则将尺寸判别结果实时传输至人机交互端进行预警，所述色差判别的结果包括达标与不达标，若色差判别结果为不达标，则将色差判别结果实时传输至人机交互端进行预警，尺寸判别结果与色差判别结果为不达标的产品均不进入第二道工序；
步骤S05：对步骤S02中的二组图像数据S1、S2、S3……Sn进行平整度检测，从而判断第二道工序后的产品在平整度方面是否达标，基于褶皱面积计算公式对Si进行平整度判别，从而判断第二道工序后的产品在缝合压胶后是否存在褶皱现象，所述平整度判别的结果包括达标与不达标，若平整度判别的结果为不达标，则将平整度判别的结果传输至人机交互端进行预警，平整度判别结果为不达标的产品不进入第三道工序；
步骤S06：对步骤S02中的三组图像数据T1、T2、T3……Tn进行瑕疵检测，从而判断第三工序后的产品是否达标，所述第三道工序后的产品为手术衣成品，通过图像识别技术对三组图像数据T1进行异物与污渍识别，若识别成功则说明T1所对应的产品存在污渍或存在异物，判定手术衣成品为不达标，所述存在异物包括但不限于产品拉链外露情况，此种情况会导致手术衣不合格，若识别失败则说明T1所对应的产品不存在污渍且不存在异物，判定手术衣成品为达标；
步骤S07：对步骤S06中达标的产品进行性能检测，所述性能检测采用常规性能检测手段进行，本实施例不对具体检测方式做具体限定；
步骤S08：进行优化：所述人机交互端接收到预警信息后，对预警信息进行反馈，基于反馈的信息进行准确率计算，若准确率低于设定阈值，则发出优化指令对系统程序进行优化训练，若准确率高于设定阈值，则不发出任何指令，所述预警信息显示内容为：“k组图像数据Xi不达标”，其中，k＝1、2、3，X＝F、S、T，所述反馈结果包括同意与不同意，所述对预警信息进行反馈的方式为：在人机交互端出现预警信息后，点击“同意”或“不同意”。
本实施例中，需要具体说明的是，所述尺寸判别包括以下步骤：
步骤S11：对一组图像数据Fi进行灰度处理，并对像素边缘进行提取，用二维函数fi(x，y，λ)表示Fi，其中，x、y是图像数据Fi的像素点的平面二维坐标，λ为图像数据Fi的颜色波长，fi(x，y)为像素点(x，y)的灰度值，其中，i＝1、2、3……n；
步骤S12：用矩阵的形式对灰度值fi(x，y)进行表示：其中，fi(x，y)按等间隔进行像素点采样，因此所述fi(x，y)为一个M×N的矩阵；
步骤S13：通过尺寸计算公式计算得出Fi的图像尺寸值αi，其中，i＝1、2、3……n，所述Fi与αi一一对应，所述尺寸计算公式为：
步骤S14：将步骤S13中的图像尺寸值αi进行换算得到实际尺寸值Ci，所述尺寸值αi与实际尺寸值进行换算为现有技术，本实施例不对具体换算方式进行具体限定；
步骤S15：进行尺寸判别：利用尺寸判别公式将步骤S14中的实际尺寸值Ci与标准值进行比较，所述尺寸判别公式为：ΔCi＝φ-|Ci-Pi|，其中，Pi为标准尺寸值，所述标准尺寸值根据手术衣的制作尺寸设定，本实施例不对具体数值做具体限定，φ为衣物尺寸的允许公差，ΔCi为产品尺寸与标准尺寸的偏离值，若ΔCi≥0，则判别为尺寸达标，若ΔCi＜0，则判别为尺寸不达标。
本实施例中，需要具体说明的是，所述色差判别包括以下步骤：
步骤S21：提取一组图像数据Fi的像素点与RGB值，并将RGB值转换为CIE XYZ色彩空间，得出Fi的明度值Mi、彩度值Ci以及色调角Si，其中，i＝1、2、3……n；
步骤S22：通过色差计算公式计算得出Fi的色差度Δρ，所述色差计算公式为：其中，M为一组图像数据Fi的横向像素点数量总数，N为一组图像数据Fi的纵向像素点数量总数，a为横向像素点中第a个像素点，b为纵向像素点中第b个像素点，若将像素点以坐标形式表示，则Mab为标准图像在(a，b)点的明度值，Cab为标准图像在(a，b)点的彩度值，Sab为标准图像在(a，b)点的色调角，Miab为Fi在(a，b)点的明度值，Ciab为Fi在(a，b)点的彩度值，Siab为Fi在(a，b)点的色调角；
步骤S23：进行色差判别：利用色差判别公式将步骤S22中的色差度Δρ与容错色差值进行比较，所述色差判别公式为：ΔS＝|ρ*|-|Δρ|，其中，ΔS为产品色差与标准色差的偏离值，ρ*为容错色差值，所述容错色差值依据国际标准色差范围设定，本实施例不对具体数值做具体限定，若ΔS≥0，则判别为色差度达标，说明产品颜色与标准颜色不存在色差或者色差在允许范围内，若ΔS＜0，则判别为色差度不达标，说明产品颜色与标准颜色存在色差且色差超出允许范围。
本实施例中，需要具体说明的是，所述褶皱判别包括以下步骤：
步骤S31：构建三维模型：建立三维坐标系，用(x，y)表示二组图像数据的X轴与Y轴的坐标点，用Z(x，y)表示(x，y)坐标点在Z轴所对应的坐标值，将X轴的总坐标点数记为X，将Y轴的总坐标点数记为Y；
步骤S32：计算褶皱面积：基于步骤S31，通过褶皱面积计算公式计算出褶皱面积Mi，所述褶皱面积计算公式为：其中，Mi为二组图像数据Si的褶皱面积，其中，i＝1、2、3……n；
步骤S33：进行褶皱判别：根据步骤S32中计算得出的褶皱面积进行平整度判别，所述平整度判别的标准为：当褶皱面积Mi＝0时，判别为达标，当褶皱面积Mi≠0时，判别为不达标。
本实施例中，需要具体说明的是，所述人机交互端接收到预警信息后，根据图像数据编号找到相对应的产品，进行人工识别，若人工识别结果同样为不达标，则在人机交互端点击“同意”，并将不达标的产品取出，防止其进入下一道工序，若人工识别结果为达标，则在人机交互端点击“不同意”，并对产品进行二次检验。
本实施例中，需要具体说明的是，所述进行准确率计算的公式为：其中，f为系统程序的判别准确率，c1为反馈结果为同意的数量，c2为反馈结果为不同意的数量。
本实施例中，需要具体说明的是，本实施与现有技术的区别主要在于本实施例具备步骤S04、步骤S05以及步骤S06，通过对第一道工序后的产品进行尺寸判别与色差判别，判断产品是否达标，达标的则进入第二道工序，通过对第二道工序后的产品进行平整度判别，判断产品是否达标，达标的则进入第三道工序，通过对第三道工序后的成品进行瑕疵检测，判断手术衣成品存在拉链外露的情况或沾有污渍，达标的则进行最终的性能检测，通过分别对手术衣制作过程中的三道工序进行产品检测，对每道工序所制作的产品进行检测从而确保不达标的产品不会进入下一道工序，保证了手术衣制作过程中的工作效率，不会产生无用劳动，将人工质检作为辅助手段，节约了人力资源与时间，同时防止了机器程序出现误差导致误判，有效地保证了质量检验结果的准确性。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于图像数据处理的手术衣生产质量检验方法，其特征在于：包括以下步骤：
步骤S01：设置采集点与采集设备：在手术衣制作的第一道工序与第二道工序之间设置第一采集点，在手术衣制作的第二道工序与第三道工序之间设置第二采集点，在手术衣制作的第三道工序后设置第三采集点，所述第一采集点、第二采集点以及第三采集点处均设有图像采集设备；
步骤S02：对步骤S01中采集的数据进行预处理：对第一采集设备、第二采集设备以及第三采集设备采集的图像数据进行清洗去噪，并进行图像平滑处理，并依次标记为一组图像数据、二组图像数据以及三组图像数据；
步骤S03：对步骤S02中的图像数据进行标记，将一组图像数据依次标记为F1、F2、F3……Fn，将二组图像数据依次标记为S1、S2、S3……Sn，将三组图像数据依次标记为T1、T2、T3……Tn；
步骤S04：对步骤S02中的一组图像数据F1、F2、F3……Fn进行尺寸判别与色差判别，所述尺寸判别的结果包括达标与不达标，若尺寸判别结果为不达标，则将尺寸判别结果实时传输至人机交互端进行预警，所述色差判别的结果包括达标与不达标，若色差判别结果为不达标，则将色差判别结果实时传输至人机交互端进行预警；
步骤S05：对步骤S02中的二组图像数据S1、S2、S3……Sn进行平整度检测，基于褶皱面积计算公式对Si进行平整度判别，所述平整度判别的结果包括达标与不达标，若平整度判别的结果为不达标，则将平整度判别的结果传输至人机交互端进行预警；
步骤S06：对步骤S02中的三组图像数据T1、T2、T3……Tn进行瑕疵检测，通过图像识别技术对三组图像数据T1进行异物与污渍识别，若识别成功则判定为不达标，若识别失败则判定为达标；
步骤S07：对步骤S06中达标的产品进行性能检测；
步骤S08：进行优化：所述人机交互端接收到预警信息后，对预警信息进行反馈，基于反馈的信息进行准确率计算，若准确率低于设定阈值，则发出优化指令对系统程序进行优化训练，若准确率高于设定阈值，则不发出任何指令。
2.根据权利要求1所述的一种基于图像数据处理的手术衣生产质量检验方法，其特征在于：所述第一道工序为裁剪工序，所述第二道工序为缝合压胶工序，所述第三道工序为拉链安装，所述第一采集点的图像采集设备标记为第一采集设备，所述第二采集点的图像采集设备标记为第二采集设备，所述第三采集点的图像采集设备标记为第三采集设备。
3.根据权利要求1所述的一种基于图像数据处理的手术衣生产质量检验方法，其特征在于：所述尺寸判别包括以下步骤：
步骤S11：对一组图像数据Fi进行灰度处理，并对像素边缘进行提取，用二维函数fi(x，y，λ)表示Fi，其中，x、y是图像数据Fi的像素点的平面二维坐标，λ为图像数据Fi的颜色波长，fi(x，y)为像素点(x，y)的灰度值，其中，i＝1、2、3……n；
步骤S12：用矩阵的形式对灰度值fi(x，y)进行表示：其中，fi(x，y)按等间隔进行像素点采样，为一个M×N的矩阵；
步骤S13：通过尺寸计算公式计算得出Fi的图像尺寸值αi，其中，i＝1、2、3……n，所述Fi与αi一一对应，所述尺寸计算公式为：
步骤S14：将步骤S13中的图像尺寸值αi进行换算得到实际尺寸值Ci；
步骤S15：进行尺寸判别：利用尺寸判别公式将步骤S14中的实际尺寸值Ci与标准值进行比较，所述尺寸判别公式为：ΔCi＝φ-|Ci-Pi|，其中，Pi为标准尺寸值，φ为衣物尺寸的允许公差，ΔCi为产品尺寸与标准尺寸的偏离值，若ΔCi≥0，则判别为尺寸达标，若ΔCi＜0，则判别为尺寸不达标。
4.根据权利要求1所述的一种基于图像数据处理的手术衣生产质量检验方法，其特征在于：所述色差判别包括以下步骤：
步骤S21：提取一组图像数据Fi的像素点与RGB值，并将RGB值转换为CIE XYZ色彩空间，得出Fi的明度值Mi、彩度值Ci以及色调角Si，其中，i＝1、2、3……n；
步骤S22：通过色差计算公式计算得出Fi的色差度Δρ；
步骤S23：进行色差判别：利用色差判别公式将步骤S22中的色差度Δρ与容错色差值进行比较，所述色差判别公式为：ΔS＝|ρ*|-|Δρ|，其中，ΔS为产品色差与标准色差的偏离值，ρ*为容错色差值，若ΔS≥0，则判别为色差度达标，若ΔS＜0，则判别为色差度不达标。
5.根据权利要求1所述的一种基于图像数据处理的手术衣生产质量检验方法，其特征在于：所述褶皱判别包括以下步骤：
步骤S31：构建三维模型：建立三维坐标系，用(x，y)表示二组图像数据的X轴与Y轴的坐标点，用Z(x，y)表示(x，y)坐标点在Z轴所对应的坐标值，将X轴的总坐标点数记为X，将Y轴的总坐标点数记为Y；
步骤S32：计算褶皱面积：基于步骤S31，通过褶皱面积计算公式计算出褶皱面积Mi，所述褶皱面积计算公式为：其中，Mi为二组图像数据Si的褶皱面积，其中，i＝1、2、3……n；
步骤S33：进行褶皱判别：根据步骤S32中计算得出的褶皱面积进行平整度判别，所述平整度判别的标准为：当褶皱面积Mi＝0时，判别为达标，当褶皱面积Mi≠0时，判别为不达标。
6.根据权利要求1所述的一种基于图像数据处理的手术衣生产质量检验方法，其特征在于：所述进行准确率计算的公式为：其中，f为系统程序的判别准确率，c1为反馈结果为同意的数量，c2为反馈结果为不同意的数量。
7.根据权利要求4所述的一种基于图像数据处理的手术衣生产质量检验方法，其特征在于：所述色差计算公式为：其中，M为一组图像数据Fi的横向像素点数量总数，N为一组图像数据Fi的纵向像素点数量总数，a为横向像素点中第a个像素点，b为纵向像素点中第b个像素点，Mab为标准图像在(a，b)点的明度值，Cab为标准图像在(a，b)点的彩度值，Sab为标准图像在(a，b)点的色调角，Miab为Fi在(a，b)点的明度值，Ciab为Fi在(a，b)点的彩度值，Siab为Fi在(a，b)点的色调角。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311110796.1A CN117078652A (zh) | 2023-08-29 | 2023-08-29 | 一种基于图像数据处理的手术衣生产质量检验方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311110796.1A CN117078652A (zh) | 2023-08-29 | 2023-08-29 | 一种基于图像数据处理的手术衣生产质量检验方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117078652A true CN117078652A (zh) | 2023-11-17 |
Family
ID=88703979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311110796.1A Pending CN117078652A (zh) | 2023-08-29 | 2023-08-29 | 一种基于图像数据处理的手术衣生产质量检验方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117078652A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118333464A (zh) * | 2024-06-03 | 2024-07-12 | 深圳市德艺科技实业有限公司 | 基于多维数据的手袋生产智能数据处理系统 |
-
2023
- 2023-08-29 CN CN202311110796.1A patent/CN117078652A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118333464A (zh) * | 2024-06-03 | 2024-07-12 | 深圳市德艺科技实业有限公司 | 基于多维数据的手袋生产智能数据处理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108355987B (zh) | 一种基于分块模板匹配的电池丝印质量检测方法 | |
| CN117078652A (zh) | 一种基于图像数据处理的手术衣生产质量检验方法 | |
| EP3396359B1 (en) | Damage information processing device and damage information processing method | |
| CN103868935A (zh) | 基于计算机视觉的烟支外观质量检测方法 | |
| CN109916913A (zh) | 一种基于机器视觉的智能制造产品识别与检测方法 | |
| CN107607540B (zh) | 一种基于机器视觉的t恤在线检测及分选方法 | |
| CN111062934B (zh) | 一种织物图像缺陷实时检测方法 | |
| Jiang et al. | Dual-camera-based method for identification and location of scattered self-plugging rivets for robot grasping | |
| CN106383121B (zh) | 一种可自适应多品牌的视觉检测方法及系统 | |
| CN102171531B (zh) | 工件形状推定装置及工件形状推定方法 | |
| CN113870267B (zh) | 缺陷检测方法、装置、计算机设备及可读存储介质 | |
| CN110096980A (zh) | 字符检测识别系统 | |
| CN114357591B (zh) | 一种基于bim技术的建筑物建造质量追踪分析管理系统 | |
| CN102074031A (zh) | 一种印刷电路板外观检查机的建标方法 | |
| CN106093055A (zh) | 一种单张菲林质量检测方法及复数张菲林质量检测方法 | |
| CN106903075A (zh) | 一种鞋面logo多方位视觉检测方法及系统 | |
| CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 | |
| CN110322395B (zh) | 基于图像处理与仿射变换的零件轮廓形状检测方法及装置 | |
| CN113269234B (zh) | 一种基于目标检测的连接件装配检测方法和系统 | |
| CN113469991B (zh) | 一种锂电池极耳激光焊点视觉在线检测方法 | |
| CN117670857A (zh) | 校服智能生产线及方法 | |
| CN101853393A (zh) | 机器视觉系统检测算法的自动产生和自动学习方法 | |
| CN110243475B (zh) | 一种基于机器视觉识别技术的织物色差检测方法 | |
| CN208155893U (zh) | 基于高速相机的双目视觉划痕检测系统 | |
| CN116485795A (zh) | 一种卷料涂布生产线瑕疵检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |