CN117218117A - 一种玻璃纤维纱检测方法及系统 - Google Patents
一种玻璃纤维纱检测方法及系统 Download PDFInfo
- Publication number
- CN117218117A CN117218117A CN202311467542.5A CN202311467542A CN117218117A CN 117218117 A CN117218117 A CN 117218117A CN 202311467542 A CN202311467542 A CN 202311467542A CN 117218117 A CN117218117 A CN 117218117A
- Authority
- CN
- China
- Prior art keywords
- glass fiber
- fiber bundle
- pixel point
- pixel
- image
- 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.)
- Granted
Links
- 239000003365 glass fiber Substances 0.000 title claims abstract description 267
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000000295 complement effect Effects 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000012937 correction Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 239000011521 glass Substances 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000007704 transition Effects 0.000 description 5
- 230000005484 gravity Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了一种玻璃纤维纱检测方法及系统,包括:采集玻璃纤维束图像,获取玻璃纤维束图像中像素点的长轴、短轴和法向量;获取玻璃纤维束图像中像素点的修正短轴;获取像素点的决策长轴值和决策短轴值,进而获取像素点的决策坐标,根据像素点的决策坐标获取像素点的第一决策坐标;获取像素点的长轴权重因子和短轴权重因子,进而获取改进优先权,根据改进优先权对玻璃纤维束图像进行补全,获取玻璃纤维束补全图像,根据玻璃纤维束补全图像获取玻璃纤维束的质量检测结果,进而实现玻璃纤维纱的检测。本发明解决玻璃纤维纱检测过程中由于玻璃纤维束伪断裂导致的玻璃纤维束检测不准确的问题。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种玻璃纤维纱检测方法及系统。
背景技术
玻璃纤维纱是一种由玻璃纤维制成的纱线,具有强度高、耐腐蚀、质量轻、绝缘好、耐高温等优异性能,因此,玻璃纤维纱被广泛用于建筑、航天、电子等领域。对于玻璃纤维纱的制造厂家来说,玻璃纤维纱的质量决定着工厂的未来,所以确保玻璃纤维纱质量的一致性和可靠性非常重要,对玻璃纤维纱的质量进行检测是生产玻璃纤维纱的重要步骤。
玻璃纤维纱在制造时,是通过对玻璃纤维束进行捻合、烧组获取玻璃纤维纱的,所以,玻璃纤维束的质量决定着玻璃纤维纱的质量。为保障玻璃纤维纱的质量,可以通过机器学习对玻璃纤维束进行检测。但是,由于玻璃纤维束的尺寸过细,常常导致拍摄的玻璃纤维束图像中出现玻璃纤维束伪断裂,即现实中纱线未断裂,但拍摄图像中呈现出的纱线出现断裂,进而导致玻璃纤维束的检测不准确,需要对玻璃纤维束信息进行补全。
发明内容
本发明提供一种玻璃纤维纱检测方法及系统,以解决玻璃纤维纱检测过程中由于玻璃纤维束伪断裂导致的玻璃纤维束检测不准确的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种玻璃纤维纱检测方法,该方法包括以下步骤:
采集玻璃纤维束图像,根据玻璃纤维束图像获取边缘像素点的长轴、短轴和法向量,对玻璃纤维束图像中非边缘像素点的长轴、短轴和法向量进行赋值;
获取玻璃纤维束图像中像素列的长轴第一个数,根据长轴第一个数获取长短轴跳变系数,根据像素列的长轴跳变系数获取像素列的修正长轴跳变系数,获取像素列的偏离因子,根据像素点的长轴、像素列的偏离因子和修正长轴跳变系数获取像素点的修正长轴,获取玻璃纤维束图像中像素点的修正短轴;
获取像素点的决策因子,根据像素点的决策因子和修正长轴获取像素点的决策长轴值,获取像素点的决策短轴值,根据像素点的决策长轴值和决策短轴值获取像素点的决策坐标,根据像素点的决策坐标获取像素点的第一决策坐标;
获取玻璃纤维束图像中像素点的中点邻域,获取像素点的中点邻域内每个像素点的编号,进而获取像素点的长轴权重因子,获取像素点的短轴权重因子,根据像素点的长轴权重因子、短轴权重因子、法向量和第一决策坐标获取改进优先权,根据改进优先权对玻璃纤维束图像进行补全,获取玻璃纤维束补全图像,根据玻璃纤维束补全图像获取玻璃纤维束的质量检测结果,通过玻璃纤维束的质量检测结果实现玻璃纤维纱的检测。
进一步,所述根据玻璃纤维束图像获取边缘像素点的长轴、短轴和法向量,对玻璃纤维束图像中非边缘像素点的长轴、短轴和法向量进行赋值的获取方法为:
将玻璃纤维束图像转化为灰度图像并进行锐化,获取玻璃纤维束灰度图像,对玻璃纤维束灰度图像进行边缘检测,获取玻璃纤维束边缘图像;
将玻璃纤维束边缘图像中每个边缘像素点分别记为一级边缘像素点,获取玻璃纤维束边缘图像中一级边缘像素点所在边缘,选取一级边缘像素点所在边缘上、一级边缘像素点两侧各第一预设阈值个边缘像素点,将一级边缘像素点与选取的边缘像素点记为一级边缘像素点的边缘组,当一级边缘像素点两侧不足第一预设阈值个边缘像素点时,则仅选取边缘像素点两侧包含的边缘像素点数量;
将一级边缘像素点的边缘组与椭圆进行拟合,获取拟合椭圆的长轴和短轴,获取一级边缘像素点在拟合椭圆的法向量;
分别将拟合椭圆的长轴和短轴记为一级边缘像素点的长轴和短轴,将一级边缘像素点在拟合椭圆的法向量记为一级边缘像素点的法向量;
将玻璃纤维束图像中非边缘像素点的长轴和短轴赋值为第二预设阈值,将非边缘像素点的法向量赋值为零向量。
进一步,所述获取玻璃纤维束图像中像素列的长轴第一个数的获取方法为:
将玻璃纤维束图像中像素列包含的像素点的长轴不为第二预设阈值的像素点个数记为像素列的长轴第一个数;当像素列的长轴第一个数为第二预设阈值时,将所述像素列的长轴第一个数更新为像素列左右相邻列的长轴第一个数的均值。
进一步,所述获取像素列的偏离因子的获取方法为:
将玻璃纤维束图像中像素列内包含的像素点的长轴的偏度记为像素列的偏离因子。
进一步,所述获取像素点的决策因子的方法为:
将玻璃纤维束图像中像素点所在的像素列内包含的像素点的修正长轴的信息熵记为像素点的决策因子。
进一步,所述根据像素点的决策长轴值和决策短轴值获取像素点的决策坐标,根据像素点的决策坐标获取像素点的第一决策坐标的方法为:
将像素点的决策长轴值作为横坐标,将像素点的决策短轴值作为纵坐标,获取像素点的决策坐标;对像素点的决策坐标进行归一化,获取像素点的第一决策坐标。
进一步,所述取玻璃纤维束图像中像素点的中点邻域,获取像素点的中点邻域内每个像素点的编号的方法为:
将玻璃纤维束图像中每个像素点分别作为一级像素点,以一级像素点为中心像素点,建立边长为第四预设阈值的窗口,将边长为第四预设阈值的窗口记为一级像素点的中点邻域;
在像素点的中点邻域内,从像素点的中点邻域内最左上方的像素点开始,按照从上到下、从左到右的顺序,对像素点的中点邻域内除一级像素点之外的像素点进行编号。
进一步,所述根据改进优先权对玻璃纤维束图像进行补全,获取玻璃纤维束补全图像的方法为:
以改进优先权作为图像补全算法的优先权,对玻璃纤维束图像进行图像补全,获取玻璃纤维束补全图像。
进一步,所述根据玻璃纤维束补全图像获取玻璃纤维束的质量检测结果,通过玻璃纤维束的质量检测结果实现玻璃纤维纱的检测的方法为:
收集玻璃纤维束图像,获取所有玻璃纤维束图像对应的玻璃纤维束补全图像;
将所有玻璃纤维束补全图像组成的集合作为训练集,使用人工对训练集中的玻璃纤维束补全图像进行标注,将玻璃纤维束补全图像中存在玻璃纤维束缺陷的图像标记为1,无缺陷的图像标记为0,使用训练集对ResNet神经网络模型进行训练,采用交叉熵损失作为网络的损失函数,使用Adam优化器对训练过程进行优化,获取训练完成的ResNet神经网络;
将需要进行质量检测的玻璃纤维束对应的玻璃纤维束补全图像输入训练完成的ResNet神经网络中,获取玻璃纤维束补全图像的标记结果,标记结果为数字0或者数字1;
当玻璃纤维束补全图像的标记结果为数字1时,认为玻璃纤维束的质量存在问题;
当玻璃纤维束补全图像的标记结果为数字0时,认为玻璃纤维束的质量良好;
当玻璃纤维束的质量存在问题时,认为玻璃纤维束制造出的玻璃纤维纱质量存在问题;
当玻璃纤维束的质量良好时,认为玻璃纤维束制造出的玻璃纤维纱质量良好。
第二方面,本发明实施例还提供了一种玻璃纤维纱检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明的有益效果是:
本发明为实现玻璃纤维纱的质量检测,根据玻璃纤维束的质量决定玻璃纤维纱的质量的原理,对玻璃纤维束的质量进行检测,首先,根据采集的玻璃纤维束图像获取图像中像素点的长轴、短轴和法向量;其次,根据重力的原因使得图像中的玻璃纤维束具有一定的弧度,相同品质质量的玻璃纤维束对应的像素点的长、短轴一致的特征获取像素点的长短轴跳变系数;接着,根据玻璃纤维束图像中出现伪断裂时,位于出现伪断裂位置的像素点的长短轴跳变系数会因为未断裂现象出现变化,根据像素点所在列的相邻列对像素点的长短轴跳变系数进行校正,获取修正长轴跳变系数,进而获取修正长轴,同理,获取修正短轴;然后,根据玻璃纤维束图像中伪断裂位置会出现纹理上的模糊,获取像素点的决策长轴值和决策短轴值,根据像素点的决策长轴值和决策短轴值获取第一决策坐标;最后,根据像素点的第一决策坐标和像素列的长轴跳变系数、像素点的法向量改进图像补全算法,获取改进优先权,实现对玻璃纤维束图像的图像补全,获取玻璃纤维束补全图像,根据玻璃纤维束补全图像获取玻璃纤维束的质量检测结果,通过玻璃纤维束的质量检测结果实现玻璃纤维纱的检测,解决玻璃纤维纱检测过程中由于玻璃纤维束伪断裂导致的玻璃纤维束检测不准确的问题,提升玻璃纤维纱检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种玻璃纤维纱检测方法的流程示意图;
图2为相机安装位置示意图;
图3为边缘像素点的边缘组获取示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的一种玻璃纤维纱检测方法流程图,该方法包括以下步骤:
步骤S001,采集玻璃纤维束图像,根据玻璃纤维束图像获取边缘像素点的长轴、短轴和法向量,对玻璃纤维束图像中非边缘像素点的长轴、短轴和法向量进行赋值。
在生产玻璃纤维束的机器的水平方向斜上方45度安装CCD相机,相机安装位置示意图如图2所示。使用CCD相机拍摄玻璃纤维束,将获取的图像记为玻璃纤维束图像,玻璃纤维束图像为RGB图像。在玻璃纤维束图像中,每根玻璃纤维束由于重力的原因会产生一个弧,由于受到的重力相同,所以正常的玻璃纤维束的弧是类同的。
通过加权平均法将玻璃纤维束图像转化为灰度图像,对灰度图像使用拉普拉斯算子进行锐化,使得拍摄的玻璃纤维束信息更为清晰,获取玻璃纤维束灰度图像。对玻璃纤维束灰度图像采用canny边缘检测算子,获取玻璃纤维束边缘图像,玻璃纤维束边缘图像为二值图像。
选取玻璃纤维束边缘图像中的边缘像素点进行分析。获取边缘像素点所在的边缘,选取边缘像素点所在边缘上、边缘像素点两侧各第一预设阈值个边缘像素点,将边缘像素点与选取的边缘像素点记为边缘像素点的边缘组。当边缘像素点两侧不足第一预设阈值个边缘像素点时,则仅选取边缘像素点两侧包含的边缘像素点数量。其中,第一预设阈值的经验值为3。其中,边缘像素点的边缘组获取示意图如图3所示。
对边缘像素点的边缘组使用最小二乘法与椭圆进行拟合,获取拟合椭圆的长轴和短轴,获取边缘像素点在拟合椭圆的法向量。分别将拟合椭圆的长轴和短轴记为边缘像素点的长轴和短轴,将边缘像素点在拟合椭圆的法向量记为边缘像素点的法向量。
将玻璃纤维束图像中非边缘像素点的长轴和短轴赋值为第二预设阈值,将非边缘像素点的法向量赋值为零向量。其中,第二预设阈值的经验值为0。
至此,获取玻璃纤维束图像中所有像素点的长轴、短轴和法向量。
步骤S002,获取玻璃纤维束图像中像素列的长轴第一个数,根据长轴第一个数获取长短轴跳变系数,根据像素列的长轴跳变系数获取像素列的修正长轴跳变系数,获取像素列的偏离因子,根据像素点的长轴、像素列的偏离因子和修正长轴跳变系数获取像素点的修正长轴,获取玻璃纤维束图像中像素点的修正短轴。
记录玻璃纤维束图像的每一列包含的像素点的长轴不为第二预设阈值的像素点个数,将其记为像素列的长轴第一个数。为保证下述计算和分析有意义,当玻璃纤维束图像的某一列的长轴第一个数为第二预设阈值时,将该列的长轴第一个数更新为其左右相邻列的长轴第一个数的均值。
玻璃纤维束图像中像素列的长轴第一个数反映像素列的纹理情况,由于重力的原因使得拍摄的玻璃纤维束的图像有着一定的弧度,具有相同品质质量的玻璃纤维束对应的像素点的长、短轴应该一致,所以,可以根据玻璃纤维束图像中像素列的长轴第一个数获取长短轴跳变系数。
式中,表示玻璃纤维束图像中第/>列像素列的长轴跳变系数,/>;/>表示第/>列像素列的长轴第一个数;/>表示第/>列像素列的长轴第一个数;/>表示第列像素列的长轴第一个数;/>表示平衡调节因子,经验值取3;/>表示玻璃纤维束图像中坐标为/>的像素点的长轴;/>表示第/>列像素列中长轴不为第二预设阈值的像素点的长轴的方差;/>表示第/>列像素列中长轴不为第二预设阈值的像素点的长轴的均值;/>表示玻璃纤维束图像的像素点行数;/>表示玻璃纤维束图像的像素点行数;/>表示图像中第/>列像素列中长轴不为0的像素点数量;/>和/>的经验值为第二预设阈值;/>表示第三预设阈值,经验值为1。
当玻璃纤维束图像中的像素列未发生伪断裂时,像素列的左、右相邻的像素列的长轴第一个数较为接近,的取值越接近于1;当玻璃纤维束图像中的像素列未发生伪断裂时,像素列中长轴不为第二预设阈值的像素点的长轴的方差较小、像素列中长轴不为第二预设阈值的像素点的长轴与像素列中像素点的长轴均值越为接近,的取值越接近于0;所以,当玻璃纤维束图像中的像素列未发生伪断裂时,像素列的长轴跳变系数越接近于1。
像素列的长轴跳变系数可以根据像素列的左、右相邻的像素列的长轴值,将每个像素列对应的评价值进行调整,为图像的复原提供良好的基础。
当玻璃纤维束图像中出现伪断裂时,位于出现伪断裂位置的像素点的边缘组获取的拟合椭圆会变小,使得像素点的长、短轴减小。由于每个像素列的长轴跳变系数都影响到相邻的像素列的长轴跳变系数,同时,也被相邻的像素列的长轴跳变系数所影响,所以,为了更好地完成图像的复原,根据像素列的长轴跳变系数获取像素列的修正长轴跳变系数。
式中,表示玻璃纤维束图像中第/>列像素列的修正长轴跳变系数;/>表示玻璃纤维束图像中第/>列像素列的长轴跳变系数,/>表示图像中第/>列像素列中长轴不为0的像素点数量;/>表示玻璃纤维束图像中坐标为/>的像素点到像素点对应的拟合椭圆的质心的欧氏距离;/>表示玻璃纤维束图像的像素点行数;/>表示第/>列像素列中包含的所有像素点到像素点对应的拟合椭圆的质心的欧氏距离的最大值。
当玻璃纤维束图像中的玻璃纤维束出现伪断裂时,在出现伪断裂的端点附近,像素点的拟合椭圆变小,使像素点到拟合椭圆质心的距离减小,使的取值增大。为了使像素列的修正长轴跳变系数接近于未发生伪断裂时获取的修正长轴跳变系数,使用对长轴跳变系数进行调整,获取修正长轴跳变系数。
将玻璃纤维束图像中像素列内包含的像素点的长轴的偏度记为像素列的偏离因子。
为了进一步提高对玻璃纤维束图像补全的准确性,通过玻璃纤维束图像中像素点的长轴、像素列的偏离因子和修正长轴跳变系数获取修正长轴。
式中,表示玻璃纤维束图像中坐标为/>的像素点的修正长轴;/>表示第/>列像素列的偏离因子;/>表示自然常数;/>表示玻璃纤维束图像中第/>列像素列的修正长轴跳变系数;/>表示玻璃纤维束图像中坐标为/>的像素点的长轴。
当玻璃纤维束图像中未出现伪断裂时,玻璃纤维束图像中同一列像素点的长轴会趋近于同一个值,使得像素列的偏离因子趋近于0;当玻璃纤维束图像中出现伪断裂时,玻璃纤维束图像中同一列像素点的长轴差异较大,使得像素列的偏离因子偏向于-1或1。
当玻璃纤维束图像中出现伪断裂时,像素点的长轴会比未出现伪断裂的像素点的长轴小,所以使用偏离因子和修正长轴跳变系数对像素点的长轴进行调整,获取修正后的长轴,即修正长轴。
同理,获取玻璃纤维束图像中像素点的修正短轴。
至此,获取玻璃纤维束图像中像素点的修正长轴和修正短轴。
步骤S003,获取像素点的决策因子,根据像素点的决策因子和修正长轴获取像素点的决策长轴值,获取像素点的决策短轴值,根据像素点的决策长轴值和决策短轴值获取像素点的决策坐标,根据像素点的决策坐标获取像素点的第一决策坐标。
当玻璃纤维束图像中出现伪断裂时,玻璃纤维束图像中伪断裂位置会出现纹理上的模糊,将图像纹理复原即可将图像伪断裂情况去除。图像纹理可以提供物体的重要细节与特征,所以携带的信息含量也越高。
根据所有像素列内包含的像素点的修正长轴获取每个像素点的修正长轴的信息熵,将像素点的修正长轴的信息熵记为像素点的决策因子。
根据像素点的决策因子和修正长轴获取像素点的决策长轴值。
式中,表示玻璃纤维束图像中坐标为/>的像素点的决策长轴值;/>表示坐标为/>的像素点的修正长轴;/>表示坐标为/>的像素点的决策因子。
当像素点所在位置出现伪断裂时,像素点的决策因子较大,所以像素点的决策长轴值越大。
同理,获取像素点的决策短轴值。
根据像素点的决策长轴值和决策短轴值获取像素点的决策坐标。每一条玻璃纤维束边缘像素点的决策长短轴值代表玻璃纤维束的变化趋势。对像素点的决策坐标进行归一化,获取像素点的第一决策坐标/>。其中,归一化方法可采用线性归一化方法,线性归一化方法为公知技术,不再赘述。
至此,获取玻璃纤维束图像中像素点的第一决策坐标。
步骤S004,获取玻璃纤维束图像中像素点的中点邻域,获取像素点的中点邻域内每个像素点的编号,进而获取像素点的长轴权重因子,获取像素点的短轴权重因子,根据像素点的长轴权重因子、短轴权重因子、法向量和第一决策坐标获取改进优先权,根据改进优先权对玻璃纤维束图像进行补全,获取玻璃纤维束补全图像,根据玻璃纤维束补全图像获取玻璃纤维束的质量检测结果,通过玻璃纤维束的质量检测结果实现玻璃纤维纱的检测。
Criminisi算法可通过对图像中的修补边界点计算优先权,实现对图像补全。所以,可以通过像素点的第一决策坐标对玻璃纤维束图像进行补全。
以玻璃纤维束图像中每个像素点为中心,建立边长为第四预设阈值的窗口,将窗口记为中心像素点的中点邻域。在像素点的中点邻域内,按照从上到下、从左到右的顺序,从像素点的中点邻域内最左上方的像素点开始进行编号,获取像素点的中点邻域内每个像素点的编号。其中,第四预设阈值的经验值为3;像素点的中点邻域内窗口中心像素点不参与编号。
根据像素点的第一决策坐标、像素列的长轴跳变系数和像素点的中点邻域内每个像素点的编号获取长轴权重因子。
式中,表示玻璃纤维束图像中坐标为/>的像素点的中点邻域内,编号为/>的像素点的长轴权重因子;/>表示玻璃纤维束图像中坐标为/>的像素点的中点邻域内,编号为/>的像素点的决策长轴值;/>表示玻璃纤维束图像中坐标为/>的像素点的决策长轴值。
当中心点周围像素点的决策长轴值与为中心像素点的决策长轴值/>越符合分布规律,像素点的长轴权重因子越大,在使用Criminisi算法计算优先权时,像素点的优先权会越大。
同理,获取像素点的短轴权重因子。
根据像素点的长轴权重因子、短轴权重因子、法向量和第一决策坐标获取改进优先权。
式中,表示玻璃纤维束图像中坐标为/>的像素点的改进优先权;/>表示坐标为/>的像素点的第一决策坐标;/>表示坐标为/>的像素点的法向量;/>表示坐标为/>的像素点的中点邻域内,编号为/>的像素点的长轴权重因子;/>表示坐标为的像素点的中点邻域内,编号为/>的像素点的短轴权重因子;/>表示坐标为/>的像素点的中点邻域内包含的不同编号像素点的数量;/>表示进行内积运算。
以改进优先权作为Criminisi图像补全算法的优先权,使用Criminisi算法实现对玻璃纤维束图像的补全,获取玻璃纤维束补全图像。其中,Criminisi算法为公知技术,不在赘述。
玻璃纤维束的质量决定着玻璃纤维纱的质量,如果玻璃纤维束出现断裂、粗细不均、结节等情况,会使得生产后的玻璃纤维纱出现严重的质量问题。品质好的玻璃纤维束可以制造生产出品质好的玻璃纤维纱。
收集大量玻璃纤维束图像,可获取大量玻璃纤维束补全图像。将所有玻璃纤维束补全图像组成的集合作为训练集,使用人工对训练集中的玻璃纤维束补全图像进行标注,将玻璃纤维束补全图像中存在玻璃纤维束缺陷的图像标记为1,无缺陷的图像标记为0。使用训练集对ResNet神经网络模型进行训练,采用交叉熵损失作为网络的损失函数,使用Adam优化器对训练过程进行优化。
将需要进行质量检测的玻璃纤维束对应的玻璃纤维束补全图像输入训练完成的ResNet神经网络中,获取玻璃纤维束补全图像的标记结果,标记结果为0或者1。根据标记结果判断玻璃纤维束的质量,当标记结果为1时,认为玻璃纤维束的质量存在问题;当标记结果为0时,认为玻璃纤维束的质量良好。
通过玻璃纤维束的质量,实现玻璃纤维纱的检测,当玻璃纤维束的质量存在问题时,认为玻璃纤维束制造出的玻璃纤维纱质量存在问题;当玻璃纤维束的质量良好时,认为玻璃纤维束制造出的玻璃纤维纱质量良好。
至此,实现玻璃纤维纱的质量检测。
基于与上述方法相同的发明构思,本发明实施例还提供了一种玻璃纤维纱检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种玻璃纤维纱检测方法中任意一项所述方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种玻璃纤维纱检测方法,其特征在于,该方法包括以下步骤:
采集玻璃纤维束图像,根据玻璃纤维束图像获取边缘像素点的长轴、短轴和法向量,对玻璃纤维束图像中非边缘像素点的长轴、短轴和法向量进行赋值;
获取玻璃纤维束图像中像素列的长轴第一个数,根据长轴第一个数获取长短轴跳变系数,根据像素列的长轴跳变系数获取像素列的修正长轴跳变系数,获取像素列的偏离因子,根据像素点的长轴、像素列的偏离因子和修正长轴跳变系数获取像素点的修正长轴,获取玻璃纤维束图像中像素点的修正短轴;
获取像素点的决策因子,根据像素点的决策因子和修正长轴获取像素点的决策长轴值,获取像素点的决策短轴值,根据像素点的决策长轴值和决策短轴值获取像素点的决策坐标,根据像素点的决策坐标获取像素点的第一决策坐标;
获取玻璃纤维束图像中像素点的中点邻域,获取像素点的中点邻域内每个像素点的编号,进而获取像素点的长轴权重因子,获取像素点的短轴权重因子,根据像素点的长轴权重因子、短轴权重因子、法向量和第一决策坐标获取改进优先权,根据改进优先权对玻璃纤维束图像进行补全,获取玻璃纤维束补全图像,根据玻璃纤维束补全图像获取玻璃纤维束的质量检测结果,通过玻璃纤维束的质量检测结果实现玻璃纤维纱的检测。
2.根据权利要求1所述的一种玻璃纤维纱检测方法,其特征在于,所述根据玻璃纤维束图像获取边缘像素点的长轴、短轴和法向量,对玻璃纤维束图像中非边缘像素点的长轴、短轴和法向量进行赋值的获取方法为:
将玻璃纤维束图像转化为灰度图像并进行锐化,获取玻璃纤维束灰度图像,对玻璃纤维束灰度图像进行边缘检测,获取玻璃纤维束边缘图像;
将玻璃纤维束边缘图像中每个边缘像素点分别记为一级边缘像素点,获取玻璃纤维束边缘图像中一级边缘像素点所在边缘,选取一级边缘像素点所在边缘上、一级边缘像素点两侧各第一预设阈值个边缘像素点,将一级边缘像素点与选取的边缘像素点记为一级边缘像素点的边缘组,当一级边缘像素点两侧不足第一预设阈值个边缘像素点时,则仅选取边缘像素点两侧包含的边缘像素点数量;
将一级边缘像素点的边缘组与椭圆进行拟合,获取拟合椭圆的长轴和短轴,获取一级边缘像素点在拟合椭圆的法向量;
分别将拟合椭圆的长轴和短轴记为一级边缘像素点的长轴和短轴,将一级边缘像素点在拟合椭圆的法向量记为一级边缘像素点的法向量;
将玻璃纤维束图像中非边缘像素点的长轴和短轴赋值为第二预设阈值,将非边缘像素点的法向量赋值为零向量。
3.根据权利要求2所述的一种玻璃纤维纱检测方法,其特征在于,所述获取玻璃纤维束图像中像素列的长轴第一个数的获取方法为:
将玻璃纤维束图像中像素列包含的像素点的长轴不为第二预设阈值的像素点个数记为像素列的长轴第一个数;当像素列的长轴第一个数为第二预设阈值时,将所述像素列的长轴第一个数更新为像素列左右相邻列的长轴第一个数的均值。
4.根据权利要求2所述的一种玻璃纤维纱检测方法,其特征在于,所述获取像素列的偏离因子的获取方法为:
将玻璃纤维束图像中像素列内包含的像素点的长轴的偏度记为像素列的偏离因子。
5.根据权利要求1所述的一种玻璃纤维纱检测方法,其特征在于,所述获取像素点的决策因子的方法为:
将玻璃纤维束图像中像素点所在的像素列内包含的像素点的修正长轴的信息熵记为像素点的决策因子。
6.根据权利要求1所述的一种玻璃纤维纱检测方法,其特征在于,所述根据像素点的决策长轴值和决策短轴值获取像素点的决策坐标,根据像素点的决策坐标获取像素点的第一决策坐标的方法为:
将像素点的决策长轴值作为横坐标,将像素点的决策短轴值作为纵坐标,获取像素点的决策坐标;对像素点的决策坐标进行归一化,获取像素点的第一决策坐标。
7.根据权利要求2所述的一种玻璃纤维纱检测方法,其特征在于,所述取玻璃纤维束图像中像素点的中点邻域,获取像素点的中点邻域内每个像素点的编号的方法为:
将玻璃纤维束图像中每个像素点分别作为一级像素点,以一级像素点为中心像素点,建立边长为第四预设阈值的窗口,将边长为第四预设阈值的窗口记为一级像素点的中点邻域;
在像素点的中点邻域内,从像素点的中点邻域内最左上方的像素点开始,按照从上到下、从左到右的顺序,对像素点的中点邻域内除一级像素点之外的像素点进行编号。
8.根据权利要求1所述的一种玻璃纤维纱检测方法,其特征在于,所述根据改进优先权对玻璃纤维束图像进行补全,获取玻璃纤维束补全图像的方法为:
以改进优先权作为图像补全算法的优先权,对玻璃纤维束图像进行图像补全,获取玻璃纤维束补全图像。
9.根据权利要求1所述的一种玻璃纤维纱检测方法,其特征在于,所述根据玻璃纤维束补全图像获取玻璃纤维束的质量检测结果,通过玻璃纤维束的质量检测结果实现玻璃纤维纱的检测的方法为:
收集玻璃纤维束图像,获取所有玻璃纤维束图像对应的玻璃纤维束补全图像;
将所有玻璃纤维束补全图像组成的集合作为训练集,使用人工对训练集中的玻璃纤维束补全图像进行标注,将玻璃纤维束补全图像中存在玻璃纤维束缺陷的图像标记为1,无缺陷的图像标记为0,使用训练集对ResNet神经网络模型进行训练,采用交叉熵损失作为网络的损失函数,使用Adam优化器对训练过程进行优化,获取训练完成的ResNet神经网络;
将需要进行质量检测的玻璃纤维束对应的玻璃纤维束补全图像输入训练完成的ResNet神经网络中,获取玻璃纤维束补全图像的标记结果,标记结果为数字0或者数字1;
当玻璃纤维束补全图像的标记结果为数字1时,认为玻璃纤维束的质量存在问题;
当玻璃纤维束补全图像的标记结果为数字0时,认为玻璃纤维束的质量良好;
当玻璃纤维束的质量存在问题时,认为玻璃纤维束制造出的玻璃纤维纱质量存在问题;
当玻璃纤维束的质量良好时,认为玻璃纤维束制造出的玻璃纤维纱质量良好。
10.一种玻璃纤维纱检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述一种玻璃纤维纱检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311467542.5A CN117218117B (zh) | 2023-11-07 | 2023-11-07 | 一种玻璃纤维纱检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311467542.5A CN117218117B (zh) | 2023-11-07 | 2023-11-07 | 一种玻璃纤维纱检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117218117A true CN117218117A (zh) | 2023-12-12 |
CN117218117B CN117218117B (zh) | 2024-01-26 |
Family
ID=89042900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311467542.5A Active CN117218117B (zh) | 2023-11-07 | 2023-11-07 | 一种玻璃纤维纱检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117218117B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996173A (zh) * | 2014-05-09 | 2014-08-20 | 东北大学 | 一种基于变长轴椭圆拟合的鱼眼图像校正方法 |
CN107689033A (zh) * | 2017-07-21 | 2018-02-13 | 哈尔滨工程大学 | 一种基于椭圆分割的鱼眼图像畸变校正方法 |
WO2020125813A1 (zh) * | 2018-12-18 | 2020-06-25 | 中材科技股份有限公司 | 一种玻璃纤维织物及其制备方法 |
US20210118172A1 (en) * | 2019-05-31 | 2021-04-22 | SZ DJI Technology Co., Ltd. | Target detection method, target detection apparatus, and unmanned aerial vehicle |
CN112834524A (zh) * | 2021-01-08 | 2021-05-25 | 西安获德图像技术有限公司 | 一种基于机器视觉的玻璃纤维纱线在线检测设备及方法 |
CN114998187A (zh) * | 2022-03-31 | 2022-09-02 | 江苏仙岳材料科技有限公司 | 一种玻璃纤维隔板缺陷检测方法及系统 |
CN115082483A (zh) * | 2022-08-23 | 2022-09-20 | 启东金耀億华玻纤材料有限公司 | 基于光学相机的玻璃纤维板表面缺陷识别方法 |
CN115311284A (zh) * | 2022-10-12 | 2022-11-08 | 南通嘉鹏家居用品有限公司 | 用于玻璃纤维毡的生产质量检测方法 |
-
2023
- 2023-11-07 CN CN202311467542.5A patent/CN117218117B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996173A (zh) * | 2014-05-09 | 2014-08-20 | 东北大学 | 一种基于变长轴椭圆拟合的鱼眼图像校正方法 |
CN107689033A (zh) * | 2017-07-21 | 2018-02-13 | 哈尔滨工程大学 | 一种基于椭圆分割的鱼眼图像畸变校正方法 |
WO2020125813A1 (zh) * | 2018-12-18 | 2020-06-25 | 中材科技股份有限公司 | 一种玻璃纤维织物及其制备方法 |
US20210118172A1 (en) * | 2019-05-31 | 2021-04-22 | SZ DJI Technology Co., Ltd. | Target detection method, target detection apparatus, and unmanned aerial vehicle |
CN112834524A (zh) * | 2021-01-08 | 2021-05-25 | 西安获德图像技术有限公司 | 一种基于机器视觉的玻璃纤维纱线在线检测设备及方法 |
CN114998187A (zh) * | 2022-03-31 | 2022-09-02 | 江苏仙岳材料科技有限公司 | 一种玻璃纤维隔板缺陷检测方法及系统 |
CN115082483A (zh) * | 2022-08-23 | 2022-09-20 | 启东金耀億华玻纤材料有限公司 | 基于光学相机的玻璃纤维板表面缺陷识别方法 |
CN115311284A (zh) * | 2022-10-12 | 2022-11-08 | 南通嘉鹏家居用品有限公司 | 用于玻璃纤维毡的生产质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117218117B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070531B (zh) | 用于检测眼底图片的模型训练方法、眼底图片的检测方法及装置 | |
CN115633259A (zh) | 基于人工智能的智能摄像头自动调控方法及系统 | |
CN109540917B (zh) | 一种多角度模式下纱线外观特征参数提取与分析方法 | |
CN112579823B (zh) | 基于特征融合和增量滑动窗口的视频摘要生成方法及系统 | |
CN116934749B (zh) | 基于图像特征的纺织物瑕疵快速检测方法 | |
CN104730083B (zh) | 钢丝绳芯输送带接头抽动自动检测方法 | |
CN115187602A (zh) | 基于图像处理的注塑件缺陷检测方法及系统 | |
CN114943848B (zh) | 镍网激光熔覆过程中的裂纹识别方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN114998341B (zh) | 一种基于模板匹配的齿轮缺陷检测方法及系统 | |
CN113610852A (zh) | 基于图像处理的纱线牵伸质量监测方法 | |
CN110570418B (zh) | 一种织唛缺陷检测方法和装置 | |
CN117152163A (zh) | 一种桥梁施工质量视觉检测方法 | |
CN117218117B (zh) | 一种玻璃纤维纱检测方法及系统 | |
CN117237354B (zh) | 一种纺织衣物疵点视觉检测方法 | |
CN109472779A (zh) | 一种基于形态结构的纱线外观特征参数提取与分析方法 | |
CN116433667B (zh) | 一种配电物联低压智能开关检测方法 | |
CN117173168B (zh) | 基于人工智能的oled显示屏质量检测方法 | |
CN117314899B (zh) | 基于图像特征的碳纤维板质量检测方法 | |
CN117952960B (zh) | 基于人工智能的电力铁塔部件缺陷检测方法 | |
CN117876380B (zh) | 一种烟叶环境温湿度、微层差预测方法及系统 | |
CN117474999B (zh) | 一种微型片式电感双线绕线异常定位方法及系统 | |
CN116958136B (zh) | 基于图像处理的丝杆螺纹生产缺陷检测方法 | |
CN116485789B (zh) | 一种碳纤维劈丝缺陷检测方法、设备及存储介质 | |
CN117745730B (zh) | 一种基于图像处理技术的涤纶长丝毛丝检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |