CN117474907B - 出丝状态的检测方法、装置、设备及存储介质 - Google Patents

出丝状态的检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117474907B
CN117474907B CN202311806732.5A CN202311806732A CN117474907B CN 117474907 B CN117474907 B CN 117474907B CN 202311806732 A CN202311806732 A CN 202311806732A CN 117474907 B CN117474907 B CN 117474907B
Authority
CN
China
Prior art keywords
image
laser
target
wire
obtaining
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.)
Active
Application number
CN202311806732.5A
Other languages
English (en)
Other versions
CN117474907A (zh
Inventor
刘明义
彭先涛
王鹏
吴璇
李大可
徐峰
盛建军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Hengyi Petrochemical Co ltd
Original Assignee
Zhejiang Hengyi Petrochemical Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Hengyi Petrochemical Co ltd filed Critical Zhejiang Hengyi Petrochemical Co ltd
Priority to CN202311806732.5A priority Critical patent/CN117474907B/zh
Publication of CN117474907A publication Critical patent/CN117474907A/zh
Application granted granted Critical
Publication of CN117474907B publication Critical patent/CN117474907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本公开提供了出丝状态的检测方法、装置、设备以及存储介质，涉及计算机领域，尤其涉及检测技术、人工智能技术、神经网络模型技术领域。其中，该方法包括：采集纺丝箱体中目标丝路的第一图像和激光反射数据；根据第一图像，得到目标丝路的图像特征；根据激光反射数据，得到目标丝路的激光特征；以及利用出丝状态检测模型，根据图像特征和激光特征，得到目标丝路的出丝状态。根据本公开的方案，可以有效提高丝线状态检测的准确度和效率，提升整个纺丝过程的稳定性和产品质量。

Description

出丝状态的检测方法、装置、设备及存储介质
技术领域
本公开涉及计算机领域，尤其涉及一种出丝状态的检测方法、装置、设备及存储介质。
背景技术
在化纤行业中，熔体纺丝箱体出丝的速度非常快，加上从喷丝板挤出的纤维丝极细，在视觉上是条状的虚影，现有技术难以准确通过视觉确认丝线状态。仅能在出现断丝、飘丝等异常情况后，或是以固定周期对喷丝板进行铲板清理，保证出丝质量。
发明内容
本公开提供了一种出丝状态的检测方法、装置、设备以及存储介质，以解决或缓解现有技术中的一项或更多项技术问题。
第一方面，本公开提供了一种出丝状态的检测方法，包括：
采集纺丝箱体中目标丝路的第一图像和激光反射数据；
根据所述第一图像，得到所述目标丝路的图像特征；
根据所述激光反射数据，得到所述目标丝路的激光特征；以及
利用出丝状态检测模型，根据所述图像特征和所述激光特征，得到所述目标丝路的出丝状态。
第二方面，本公开提供了一种出丝状态的检测装置，包括：
采集模块，用于采集纺丝箱体中目标丝路的第一图像和激光反射数据；
图像特征确定模块，用于根据所述第一图像，得到所述目标丝路的图像特征；
激光特征确定模块，用于根据所述激光反射数据，得到所述目标丝路的激光特征；以及
检测模块，用于利用出丝状态检测模型，根据所述图像特征和所述激光特征，得到所述目标丝路的出丝状态。
第三方面，提供了一种出丝状态检测模型的训练方法，包括：
根据目标丝路的样本图像，得到目标丝路的训练图像特征；
根据目标丝路的激光样本数据，得到目标丝路的训练激光特征；
利用第一检测模型，根据训练图像特征和训练激光特征，得到目标丝路的出丝状态的预测结果；
根据目标丝路的出丝状态的预测结果和真实结果，确定损失函数；以及
基于损失函数，对第一检测模型的参数进行更新，以得到训练好的出丝状态检测模型。
第四方面，提供了一种出丝状态检测模型的训练装置，包括：
图像特征提取模块，用于根据目标丝路的样本图像，得到目标丝路的训练图像特征；
激光特征提取模块，用于根据目标丝路的激光样本数据，得到目标丝路的训练激光特征；
预测模块，用于利用第一检测模型，根据训练图像特征和训练激光特征，得到目标丝路的出丝状态的预测结果；
损失函数确定模块，用于根据目标丝路的出丝状态的预测结果和真实结果，确定损失函数；
训练模块，用于基于损失函数，对第一检测模型的参数进行更新，以得到训练好的出丝状态检测模型。
第五方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开实施例中任一的方法。
第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使该计算机执行根据本公开实施例中任一的方法。
本公开提供的技术方案的有益效果至少包括：
综合应用图像处理和激光扫描技术，可以有效提高丝线状态检测的准确度和效率，同时，采用先进的机器学习方法，可以使系统具备更好的适应性和智能性，提前检测出异常状态，提升整个纺丝过程的稳定性和产品质量。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本公开提供的一些实施方式，而不应将其视为是对本公开范围的限制。
图1是根据本公开一实施例提供的出丝状态的检测方法的流程示意图；
图2是根据本公开一实施例提供的多条丝路的结构示意图；
图3是根据本公开一实施例提供的滑动窗口的结构示意图；
图4是根据本公开一实施例提供的出丝状态检测模型的训练方法的流程示意图；
图5是根据本公开一实施例提供的出丝状态的检测装置的结构示意图；
图6是根据本公开一实施例提供的出丝状态检测模型的训练装置的结构示意图；
图7是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
下面将参考附图对本公开作进一步地详细描述。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路等未作详细描述，以便于凸显本公开的主旨。
相关技术中，聚酯熔体从喷丝板挤出后冷却固化形成初生纤维，初生纤维通过油嘴上油集束后，再经导丝钩送往卷绕机卷装成形。经过一段时间的工作后，喷丝板的出丝孔周围会有残留的聚酯材料逐渐累积，残留的聚酯材料硬化后会阻挡出丝孔，可能改变熔体细流的截面形状，造成纤维丝的刮伤，导致出丝变细、飘丝、断头等情况。传统的做法是以固定周期对喷丝板进行铲板清理，保证喷丝板上各出丝孔的洁净，这种定期维护策略缺乏灵活性，可能在某些情况下过于频繁，从而浪费资源和时间，或者在某些情况下不够频繁，而一旦出现断丝会导致整杆丝锭报废。
由于出丝的速度极快，丝线的状态难以被准确捕捉，这种高速运动导致的模糊不仅影响了图像质量，而且也降低了故障检测的准确性。现有技术只能在出现飘丝、断丝等明显的异常情况下才能通过视觉发现。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个问题，本公开的实施方式提供一种出丝状态的检测方法，结合视觉检测和激光扫描，并对图像数据和激光反射数据通过算法增强，准确地检测出丝线的状态，利用本公开的实施方式的技术方案，可以有效提高丝线状态检测的准确度和效率，提前检测出异常状态，提升整个纺丝过程的稳定性和产品质量。
图1是根据本公开一实施例提供的出丝状态的检测方法的流程示意图。如图1所示，该方法至少包括以下步骤：
S110、采集纺丝箱体中目标丝路的第一图像和激光反射数据。
本公开实施例中，纺丝箱体具有多个喷丝板以及相同数量的丝路，丝路可以理解为每个喷丝板对应的一组纤维丝束的移动路径。具体而言，如图2所示，图中三个第一喷丝板210位于前排，两个第二喷丝板220位于后排，丝路是指从一个喷丝板挤出的一组纤维丝230经油嘴240上油集束，再经导丝钩250进入纺丝甬道过程中的一段可直接观测的纤维丝束的移动路径，进入纺丝甬道后不便观测。纤维丝230在集束之前为虚影状。需要说明的是，导丝钩可能包括上导丝钩和下导丝钩，上导丝钩位于油嘴上方。
目标丝路的第一图像是指通过相机装置对至少一条丝路进行拍摄得到的图像。可以一次性拍摄多条丝路，然后从中裁切出目标丝路的第一图像。也可以分别对每条目标丝路进行拍摄，以获得更好的图像质量和更好的拍摄角度。相机装置可以是高速相机，使用高速摄影技术捕捉丝路图像。高速摄影相机能够以极高的帧率捕捉图像，从而减少或消除因丝束快速运动造成的虚影。通过适当的光照和摄影角度，可以提高丝线状态的可视性。
激光反射数据是指使用激光扫描技术对目标丝路的丝束进行照射后得到的反射信号数据。激光束照射到移动的丝线上时，会发生散射、反射或折射现象。这些光学交互产生的信号可以提供有关丝线的重要信息，通过算法处理收集到的反射信号数据，提取出有关丝线状态的关键参数。
S120、根据第一图像，得到目标丝路的图像特征。
利用图像处理算法（如边缘检测、对比度增强）从第一图像中可以提取得到目标丝路上丝线的图像特征，例如丝线的宽度、形态、丝束间距等。
S130、根据激光反射数据，得到目标丝路的激光特征。
对激光反射数据进行特征提取，可以得到目标丝路的激光特征，例如，直径、速度、表面粗糙度以及由激光散射和反射产生的光学特性。通过分析反射强度的分布，可以推断出丝线的直径和表面状况。
S140、利用出丝状态检测模型，根据图像特征和激光特征，得到目标丝路的出丝状态。
使用预先训练好的机器学习或深度学习模型（如卷积神经网络、支持向量机等）来处理图像特征和激光特征，从而输出丝路的出丝状态。在一种示例中，出丝状态检测模型可以使用卷积神经网络（CNN）模型，因为它擅长处理图像数据并可以通过概率输出提供详细的预测。
出丝状态可以包括根据丝线可能出现的不同状况和风险等级定义的多种状态类别。这些状态类别不仅描述了丝线的当前状况，而且还暗示了可能导致断线的风险程度。以下是一组示例状态：
状态1-正常：
描述：丝线运行正常，没有可见的异常。
风险程度：低。几乎没有断线风险。
状态2-轻微波动：
描述：丝线出现轻微的波动或振动，但未超出正常范围。
风险程度：低到中等。可能表示机器运行条件需要小幅调整。
状态3-明显波动：
描述：丝线波动明显，可能影响丝线质量。
风险程度：中等。长期运行可能导致质量问题或小概率断线。
状态4-扭曲：
描述：丝线表面出现扭曲或粗糙，丝线的运行路径不规则。
风险程度：中等到高。这种情况更有可能导致断线或生产停止。
状态5-张力异常：
描述：丝线张力显著不正常，可能表现为过松或过紧。
风险程度：高。很可能导致断线。
状态6-明显损伤：
描述：丝线出现明显的物理损伤，如磨损、断裂迹象等。
风险程度：非常高。极有可能立即导致断线或严重的产品质量问题。
得到出丝状态的检测结果后，可以进一步根据人员情况和生产节拍，及时安排对风险程度较高的丝路所对应的纺丝箱体进行铲板作业。
根据本公开实施例的方案，综合应用图像处理和激光扫描技术，可以有效提高丝线状态检测的准确度和效率，同时，采用先进的机器学习方法，可以使系统具备更好的适应性和智能性，提前检测出异常状态，提升整个纺丝过程的稳定性和产品质量。
在一种可能的实现方式中，S110采集纺丝箱体中目标丝路的第一图像和激光反射数据，进一步包括步骤：
S111、控制巡检设备移动至待检测的纺丝箱体前。
本公开实施例中，巡检设备可以是按预设路线或指令运行的AGV（AutomatedGuided Vehicle），也可以是在固定轨道上移动的巡检设备，在此不作限定。使用巡检设备的好处是可以用一套采集设备逐一地对多个相邻通道的多个纺丝箱体进行检测，同时，可移动的巡检设备可以调整拍摄角度，以便于采集到质量更好的检测数据。
S112、触发巡检设备的相机装置和激光扫描装置，同时采集纺丝箱体中目标丝路的第一图像和激光反射数据，目标丝路包括从一个喷丝板喷出的多根丝束经导丝钩汇聚为一股而形成的移动路径。
本公开实施例中，可以在纺丝箱体前预设多个检测工位，以避免前排丝路遮挡后排丝路，也便于以合适的角度拍摄到位于后排不同位置的丝路。也就是说，每个检测工位可以用于采集多条丝路的数据。到达检测工位后，将该检测工位对应的丝路作为多个目标丝路，触发巡检设备的相机装置和激光扫描装置，依次对每个目标丝路采集第一图像和激光反射数据。
根据本公开实施例的方案，采用可移动的巡检设备在多个检测工位采集目标丝路的数据，可以采集到质量更好的检测数据。
在一种可能的实现方式中，S120根据第一图像，得到目标丝路的图像特征，进一步包括步骤：
S121、对第一图像进行形态学处理，得到第二图像。
S122、根据第二图像，得到目标丝路的图像特征。
本公开实施例中，利用形态学变换（如腐蚀、膨胀）来改善丝线的图像结构，使得到的第二图像中的丝线状态特征更容易被模型识别。
在一种可能的实现方式中，S121对第一图像进行形态学处理，得到第二图像，进一步包括步骤：
使用第一滑动窗口遍历第一图像，每次滑动时进行膨胀运算，得到膨胀图像。
使用第二滑动窗口遍历第一图像，每次滑动时进行腐蚀运算，得到腐蚀图像。
根据膨胀图像和腐蚀图像的形态学梯度，得到第二图像。
本公开实施例中，膨胀运算是一种形态学操作，效果是将图像中的对象扩大。具体而言，可以将一个结构元素作为滑动窗口在图像上移动，如果其与对象（丝线）的任何部分重叠，则在该结构元素的中心位置增加像素。结果是对象的边界向外扩展，突出更大的结构。
腐蚀是与膨胀相反的操作，效果是缩小图像中的对象。同样使用“滑动窗口”，但规则是只有当窗口内的所有像素都是对象的一部分时，该窗口的中心像素才保持不变。结果是对象边界向内缩减，细节和小对象可能被消除。
形态学梯度是通过从膨胀后的图像中减去腐蚀后的图像来计算得到的。因为膨胀扩大了对象的边缘，而腐蚀则缩小了它们，所以两者之差会突出这些边缘。这种方法特别适用于突出细线和细节，如丝线图像中的纤维边缘。
根据本公开实施例的方案，在丝线图像中应用形态学梯度可以使丝线的边缘更加清晰和明显。这对于后续的特征提取和模型预测非常有帮助，因为它提供了更清晰的丝线轮廓，使得算法更容易区分丝线和背景。这种边缘强化技术特别有利于处理高速运动或低对比度条件下产生的丝线图像，增强模型对丝线状态的识别能力。
在一种可能的实现方式中，第一滑动窗口和第二滑动窗口采用不同的结构元素，结构元素（或核）的邻域和形状取决于希望从图像中提取或强调的特定特征。纤维丝束由喷丝板挤出后是由上至下逐渐汇集为一束，即丝路是近似竖直方向的，形态学处理时，应当突出丝线的粗细和表面粗糙程度。为此，腐蚀和膨胀所使用的结构元素需要根据丝线的具体特性来设计。考虑到丝线是近似竖直方向的，以及需要强调水平方向的飞羽、毛边，可以采用以下策略设计结构元素：
对于腐蚀的结构元素，为了强调丝线的纵向特性并减少毛边的影响，可以使用垂直方向较长的矩形结构元素。在尺寸上，结构元素的高度应该大于宽度，这样可以在腐蚀过程中更多地影响丝线的水平特征。由此得到的结构元素在腐蚀时会去除丝线边缘的小的水平突出部分，从而有助于减少毛边的影响。
对于膨胀的结构元素，可以使用类似的矩形结构元素，为了恢复因腐蚀而失去的丝线纵向信息，膨胀的结构元素可能稍微宽一些，但仍保持垂直方向较长。由此得到的结构元素在膨胀过程中将帮助恢复丝线的原始厚度，同时避免过度放大水平方向的毛边。
在一种具体的示例中，第一滑动窗口为长宽比为3~5比2的矩形结构元素，第二滑动窗口为长宽比为2~5比1的矩形结构元素，例如，如图3所示，第一滑动窗口的长为9*X个像素，宽为5*X个像素。第二滑动窗口的长为9*X个像素，宽为3*X个像素。两者均为垂直方向是长边方向，X为大于0的正整数。
在另一种示例中，第一滑动窗口为纵横比为3~5比2且上宽下窄的倒梯形结构元素，其中上下宽度比例为1.1~1.3比1。第二滑动窗口为纵横比为2~5比1的倒梯形结构元素，其中上下宽度比例为1.1~1.3比1。倒梯形结构用于提供接近于丝路上宽下窄的形态。
需要说明的是，结构元素的选择需要根据具体的应用场景和期望的结果进行调整。可能需要通过试验来确定最佳的尺寸和形状。
根据本公开实施例的方案，通过上述方式设计的结构元素可以有效地突出丝线的粗细和表面粗糙程度，同时减少水平方向毛边的影响。这种定制化的结构元素设计是形态学处理的关键部分，可以显著提高丝线图像处理的效果。
在一种可能的实现方式中，S122根据第二图像，得到目标丝路的图像特征，进一步包括步骤：
S122-1、将第二图像沿目标丝路的长度方向切分为多段，得到多段子图像。
S122-2、对多段子图像进行特征提取，得到多个第一图像特征。
S122-3、根据多个第一图像特征和对应的权重值，得到目标丝路的图像特征。
本公开实施例中，由于丝路由上至下逐渐汇聚收窄，最终集合为一股，从而导致越接近底部，每根纤维丝束之间的间距越小，更难以准确识别出每根丝束的粗细和表面粗糙程度。因此，可以沿丝路方向，为各段子图像对应的第一图像特征，依次设置由高到低权重值。即，对从丝路上部的数个子图像提取到的第一图像特征赋予更高的权重值，降低从丝路下部的子图像提取到的第一图像特征的权重值。
根据本公开实施例的方案，根据丝路的形态特征，为从每段子图像提取得到的第一图像特征赋予对应的权重值，从而便于模型更加关注丝路上部区域的图像特征。
在激光扫描检测中，不同出丝状态的丝线会在激光反射或散射数据中表现出一些明显的差异。这些差异主要源于丝线的物理特性和运动状态的变化，具体包括：
（一）丝线直径：不同规格的丝的直径可能有所不同，所用的喷丝板微孔孔径不同。例如，正常状态的丝线直径应该是均匀一致的，而随着出丝孔逐渐被堵塞，丝线的直径可能出现异常变化。
（二）表面粗糙度：正常状态的丝线通常具有较平滑的表面，而问题丝线可能显示出较高的表面粗糙度，这会影响激光光束的散射模式。
（三）散射强度：散射强度会随着丝线表面特性的变化而变化。平滑表面的散射信号较弱且均匀，而粗糙或不规则表面会导致散射信号增强和模式变化。
（四）散射角度：不同状态的丝线在激光扫描时，由于表面特性和形状的不同，其散射角度可能会有所差异。例如，正常丝线的散射角度可能相对稳定，而异常丝线（如表面粗糙或截面形状被改变）的散射角度可能不规则。
（五）光谱特性：激光与丝线相互作用时产生的光谱特性也可能因丝线状态而异。不同的物理状态可能导致激光光谱的轻微变化。
（六）反射光束的连续性：正常丝线在激光扫描下的反射应该是连续且均匀的，而不连续的丝线可能导致反射的中断或不规则性。
综上所述，通过分析这些激光扫描数据的差异，可以有效地识别和区分纤维的异常特征，从而为纺丝过程的监控和质量控制提供重要信息。
在一种可能的实现方式中，S122-3根据多个第一图像特征和对应的权重值，得到目标丝路的图像特征，进一步包括步骤：
根据多段子图像所包含的丝路的宽度值，确定多段子图像的权重值。
根据多段子图像的权重值和第一图像特征，得到多段子图像的第二图像特征。
根据多段子图像的第二图像特征，得到目标丝路的图像特征。
本公开实施例中，可以根据每段子图像中丝路的宽度值，设置对应的权重值。宽度值可以是最大宽度、最小宽度或平均宽度。将第一图像特征乘以权重值后，得到第二图像特征。再综合多段子图像的第二图像特征，最终得到目标丝路的图像特征。
在一种可能的实现方式中，S130根据激光反射数据，得到目标丝路的激光特征，进一步包括步骤：
S131、对激光反射数据进行短时傅里叶变换，得到时频表示结果。
本公开实施例中，对激光反射数据进行短时傅里叶变换（STFT），通过在信号上应用滑动窗口，然后对每个窗口内的信号进行傅里叶变换，从而得到信号的时频表示。保证了时间局部性，允许观察信号随时间变化的频率成分。
S132、根据时频表示结果，确定时频特征。
使用STFT的结果，即时频图，分析激光反射数据的时频特征。时频图显示了信号中不同频率成分随时间的变化，提供了信号在不同时间点的频率信息，需要识别的时频特征具体包括：
识别时频图中频率成分的分布，包括查看哪些频率在信号中占主导地位，以及这些频率是如何随时间变化的。例如，在丝线激光扫描数据中，某些频率的显著性可能表明特定的物理状态或变化。
分析能量分布，评估不同时间点的频率成分的能量。在时频图中，能量较高的区域通常表现为更亮的区域。能量分布可以揭示信号的动态特性，如丝线的稳定性或异常状态的出现。
观察时间变化，注意频率成分随时间的变化。例如，频率的突然变化可能指示了丝线状态的改变或某种异常。
S133、根据时频特征，得到目标丝路的激光特征。
本公开实施例中，对从时频图中获得的时频特征进行进一步的操作和分析，以提取关键信息，得到目标丝路的激光特征。具体可能包括识别特定频率范围内的能量峰值、计算不同频率成分的持续时间等。
根据本公开实施例的方案，可以从时频图中提取出丰富的信息，有助于准确识别出丝线在激光扫描过程中的行为和状态，以实现质量控制。
在一种可能的实现方式中，S133根据时频特征，得到目标丝路的激光特征，进一步包括步骤：
从根据时频特征中提取出主频率特征、能量峰值特征、动态变化特征。
根据主频率特征、能量峰值特征、动态变化特征，得到目标丝路的激光特征。
本公开实施例中，对时频特征进一步进行特征提取，从而提取的特征应该捕捉信号的关键属性，具体步骤包括：
提取主要频率成分，确认主要频率的具体值，以及它们在整个信号中的持续时间和强度。
在时频图中识别能量峰值，能量峰值表示在特定时间和频率下信号的强度特别高。记录该峰值的位置（时间和频率）和大小，有助于识别信号的特定特征或异常。
分析频率成分随时间的变化模式。关注频率成分如何随着时间的推移而增加、减少或保持稳定。识别频率的任何突然变化或不规则模式，这可能表明丝线的异常状态。
通过以上步骤，可以从激光信号中提取出得到多种有效的时频特征，作为激光特征。
在一种可能的实现方式中，S140利用出丝状态检测模型，根据图像特征和激光特征，得到目标丝路的出丝状态，进一步包括步骤：
S141、根据图像特征和激光特征，融合得到目标丝路的出丝状态特征。
S142、利用出丝状态检测模型，根据出丝状态特征，得到目标丝路的出丝状态。
本公开实施例中，通过数据融合技术综合图像特征和激光特征，以便整合来自两个不同源的数据集，可以将两组特征结合成一个单一的特征向量。出丝状态检测模型是预先训练过的，通过训练机器学习模型，识别丝线状态的各种状态类别。这需要一定数量的丝路图像数据来训练模型，训练完成的出丝状态检测模型可以快速准确地识别丝线状态，甚至在复杂或变化的条件下也能保持高准确性。
本公开实施例的方案中涉及的丝的主要类型可以包括预取向丝（PartiallyOriented Yarns，POY）、全牵伸丝（Fully Drawn Yarns，FDY）、拉伸变形丝（Draw TexturedYarns，DTY）（或称为低弹丝）等的一种或多种。例如，丝的类型具体可以包括涤纶预取向丝（Polyester Partially Oriented Yarns）、涤纶全牵伸丝（Polyester Fully DrawnYarns）、涤纶牵伸丝（Polyester Drawn Yarns）、涤纶低弹丝（Polyester Draw TexturedYarns）等。
本公开还提供一种出丝状态检测模型的训练方法，图4是一种出丝状态检测模型的训练方法的流程示意图。如图4所示，该方法包括：
S410、根据目标丝路的样本图像，得到目标丝路的训练图像特征。
S420、根据目标丝路的激光样本数据，得到目标丝路的训练激光特征。
S430、利用第一检测模型，根据训练图像特征和训练激光特征，得到目标丝路的出丝状态的预测结果。
S440、根据目标丝路的出丝状态的预测结果和真实结果，确定损失函数。
S450、基于损失函数，对第一检测模型的参数进行更新，以得到训练好的出丝状态检测模型。
在一种示例中，第一检测模型的结构包括：
输入层，输入层接受处理后的图像数据和激光反射数据，上述数据可能需要适当的转换和标准化，以适应网络输入。
卷积层，多个卷积层可以有效地提取图像中的空间特征。每个卷积层通过一组可学习的滤波器来提取不同层次的特征。使用激活函数（如ReLU）增加网络的非线性。
池化层，在卷积层之后添加池化层（如最大池化层），以减少特征图的空间尺寸，从而减少参数数量和计算量。
融合层，在卷积和池化之后，设置一个融合层来结合来自图像和激光数据的特征。这可以通过拼接或其他融合技术实现。
全连接层，在网络的末端，使用一个或多个全连接层来整合前面提取的特征。在全连接层中，网络模型学习如何根据提取的特征进行分类。
输出层，输出层使用softmax激活函数，可以提供多个状态等级的概率分布。每个神经元的输出代表丝线处于特定状态等级的概率。
在一种可能的实现方式中，目标丝路的样本图像和激光样本数据可以是预先采集并由人工进行标注得到的。也可以是由巡检设备在日常巡检过程中采集的常规图像和激光反射数据，在卷绕机发生断线或丝锭在后续外观检测流程中发现质量问题而降低等级后，回溯巡检时采集的对应的图像数据和激光数据，将其作为存在异常问题的样本数据。
在一种可能的实现方式中，S410根据样本图像，得到目标丝路的图像特征，包括：
对样本图像进行形态学处理，得到第三图像。
根据第三图像，得到目标丝路的训练图像特征。
在一种可能的实现方式中，对样本图像进行形态学处理，得到第三图像，包括：
使用第一滑动窗口遍历样本图像，每次滑动时进行膨胀运算，得到膨胀图像。
使用第二滑动窗口遍历样本图像，每次滑动时进行腐蚀运算，得到腐蚀图像。
根据膨胀图像和腐蚀图像的形态学梯度，得到第三图像。
在一种可能的实现方式中，根据第三图像，得到目标丝路的训练图像特征，包括：
将第三图像沿目标丝路的长度方向切分为多段，得到多段样本子图像。
对多段样本子图像进行特征提取，得到多个样本子图像特征。
根据多个样本子图像特征和对应的权重值，得到目标丝路的第一训练图像特征。
在一种可能的实现方式中，根据多个样本子图像特征和对应的权重值，得到目标丝路的第一训练图像特征，包括：
根据多段样本子图像所包含的丝路的宽度值，确定多段样本子图像的权重值。
根据多段样本子图像的权重值和训练图像特征，得到多段样本子图像的第二训练图像特征。
根据多段子图像的第二训练图像特征，得到目标丝路的训练图像特征。
在一种可能的实现方式中，S420根据目标丝路的激光样本数据，得到目标丝路的训练激光特征，包括：
对激光样本数据进行短时傅里叶变换，得到时频表示结果。
根据时频表示结果，确定时频特征。
根据时频特征，得到目标丝路的训练激光特征。
在一种可能的实现方式中，根据时频特征，得到目标丝路的训练激光特征，包括：
从根据时频特征中提取出主频率特征、能量峰值特征、动态变化特征。
根据主频率特征、能量峰值特征、动态变化特征，得到目标丝路的训练激光特征。
在一种可能的实现方式中，S430利用第一检测模型，根据训练图像特征和训练激光特征，得到目标丝路的出丝状态的预测结果，包括：
根据训练图像特征和训练激光特征，融合得到目标丝路的训练状态特征。
利用第一检测模型，根据训练状态特征，得到目标丝路的出丝状态的预测结果。
在一种可能的实现方式中，S440根据目标丝路的出丝状态的预测结果和真实结果，确定损失函数，包括：
在每次迭代中，第一检测模型对输入的训练图像特征和训练激光特征进行预测，输出每种丝线状态的概率。
将模型的预测结果与实际的丝线状态（真实标签）进行比较，根据损失函数计算损失值。
对于多类分类问题，通常使用交叉熵损失函数（Cross-Entropy Loss）。
交叉熵损失函数能够量化模型预测的概率分布与真实标签之间的差异。
在一种可能的实现方式中，S450基于损失函数，对第一检测模型的参数进行更新，以得到训练好的出丝状态检测模型，包括：
将整个训练数据集分成多个批次（Batch），对于每个批次，利用优化器根据损失函数的梯度更新模型的参数。
这个过程通常会重复多个Epoch（完整数据集的遍历次数）。在每个Epoch后，模型的性能通常会提高。
通过上述过程，可以得到训练好的出丝状态检测模型，该模型能够根据图像特征和激光特征预测丝线的状态。
图5为本公开一实施例提供的出丝状态的检测装置的结构示意图。如图5所示，该装置至少包括：
采集模块501，用于采集纺丝箱体中目标丝路的第一图像和激光反射数据。
图像特征确定模块502，用于根据第一图像，得到目标丝路的图像特征。
激光特征确定模块503，用于根据激光反射数据，得到目标丝路的激光特征。
检测模块504，用于利用出丝状态检测模型，根据图像特征和激光特征，得到目标丝路的出丝状态。
在一种可能的实现方式中，采集模块501用于：
控制巡检设备移动至待检测的纺丝箱体前。
触发巡检设备的相机装置和激光扫描装置，同时采集纺丝箱体中目标丝路的第一图像和激光反射数据，目标丝路包括从一个喷丝板喷出的多根丝束经导丝钩汇聚为一股而形成的移动路径。
在一种可能的实现方式中，图像特征确定模块502用于：
对第一图像进行形态学处理，得到第二图像。
根据第二图像，得到目标丝路的图像特征。
在一种可能的实现方式中，图像特征确定模块502用于：
使用第一滑动窗口遍历第一图像，每次滑动时进行膨胀运算，得到膨胀图像。
使用第二滑动窗口遍历第一图像，每次滑动时进行腐蚀运算，得到腐蚀图像。
根据膨胀图像和腐蚀图像的形态学梯度，得到第二图像。
在一种可能的实现方式中，图像特征确定模块502用于：
将第二图像沿目标丝路的长度方向切分为多段，得到多段子图像。
对多段子图像进行特征提取，得到多个第一图像特征。
根据多个第一图像特征和对应的权重值，得到目标丝路的图像特征。
在一种可能的实现方式中，图像特征确定模块502用于：
根据多段子图像所包含的丝路的宽度值，确定多段子图像的权重值。
根据多段子图像的权重值和第一图像特征，得到多段子图像的第二图像特征。
根据多段子图像的第二图像特征，得到目标丝路的图像特征。
在一种可能的实现方式中，激光特征确定模块503用于：
对激光反射数据进行短时傅里叶变换，得到时频表示结果。
根据时频表示结果，确定时频特征。
根据时频特征，得到目标丝路的激光特征。
在一种可能的实现方式中，激光特征确定模块503用于：
从根据时频特征中提取出主频率特征、能量峰值特征、动态变化特征。
根据主频率特征、能量峰值特征、动态变化特征，得到目标丝路的激光特征。
在一种可能的实现方式中，检测模块504用于：
根据图像特征和激光特征，融合得到目标丝路的出丝状态特征。
利用出丝状态检测模型，根据出丝状态特征，得到目标丝路的出丝状态。
本公开实施例的装置的各模块、子模块的具体功能和示例的描述，可以参见上述方法实施例中对应步骤的相关描述，在此不再赘述。
图6是一种出丝状态检测模型的训练装置的结构示意图。如图6所示，该装置包括：
图像特征提取模块601，用于根据目标丝路的样本图像，得到目标丝路的训练图像特征。
激光特征提取模块602，用于根据目标丝路的激光样本数据，得到目标丝路的训练激光特征。
预测模块603，用于利用第一检测模型，根据训练图像特征和训练激光特征，得到目标丝路的出丝状态的预测结果。
损失函数确定模块604，用于根据目标丝路的出丝状态的预测结果和真实结果，确定损失函数。
训练模块605，用于基于损失函数，对第一检测模型的参数进行更新，以得到训练好的出丝状态检测模型。
本公开实施例的装置的各模块、子模块的具体功能和示例的描述，可以参见上述方法实施例中对应步骤的相关描述，在此不再赘述。
图7为根据本公开一实施例的电子设备的结构框图。如图7所示，该电子设备包括：存储器710和处理器720，存储器710内存储有可在处理器720上运行的计算机程序。存储器710和处理器720的数量可以为一个或多个。存储器710可以存储一个或多个计算机程序，当该一个或多个计算机程序被该电子设备执行时，使得该电子设备执行上述方法实施例提供的方法。该电子设备还可以包括：通信接口730，用于与外界设备进行通信，进行数据交互传输。
如果存储器710、处理器720和通信接口730独立实现，则存储器710、处理器720和通信接口730可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器710、处理器720及通信接口730集成在一块芯片上，则存储器710、处理器720及通信接口730可以通过内部接口完成相互间的通信。
应理解的是，上述处理器可以是中央处理器(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是，处理器可以是支持进阶精简指令集机器(Advanced RISC Machines，ARM)架构的处理器。
进一步地，可选的，上述存储器可以包括只读存储器和随机存取存储器，还可以包括非易失性随机存取存储器。该存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以包括只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以包括随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用。例如，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic Random Access Memory ，DRAM) 、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct RAMBUS RAM，DR RAM)。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络或其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如：同轴电缆、光纤、数据用户线(Digital Subscriber Line，DSL))或无线(例如：红外、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质，或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如：软盘、硬盘、磁带)、光介质(例如：数字通用光盘(Digital Versatile Disc，DVD))或半导体介质(例如：固态硬盘(Solid State Disk，SSD))等。值得注意的是，本公开提到的计算机可读存储介质可以为非易失性存储介质，换句话说，可以是非瞬时性存储介质。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本公开实施例的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本公开的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本公开实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
在本公开实施例的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
以上所述仅为本公开的示例性实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (16)

1.一种出丝状态的检测方法，包括：
采集纺丝箱体中目标丝路的第一图像和激光反射数据；
对所述第一图像进行形态学处理，得到第二图像；
将所述第二图像沿所述目标丝路的长度方向切分为多段，得到多段子图像；
对所述多段子图像进行特征提取，得到多个第一图像特征；
根据所述多个第一图像特征和对应的权重值，得到所述目标丝路的图像特征；其中，所述权重值根据所述多段子图像所包含的丝路的宽度值确定；
对所述激光反射数据进行短时傅里叶变换，得到时频表示结果；
根据所述时频表示结果，确定时频特征；
根据所述时频特征，得到所述目标丝路的激光特征；以及
利用出丝状态检测模型，根据所述图像特征和所述激光特征，得到所述目标丝路的状态类别。
2.根据权利要求1所述的方法，其中，采集纺丝箱体中目标丝路的第一图像和激光反射数据，包括：
控制巡检设备移动至待检测的纺丝箱体前；
触发所述巡检设备的相机装置和激光扫描装置，同时采集所述纺丝箱体中目标丝路的第一图像和激光反射数据，所述目标丝路包括从一个喷丝板喷出的多根丝束经导丝钩汇聚为一股而形成的移动路径。
3.根据权利要求1所述的方法，其中，对所述第一图像进行形态学处理，得到第二图像，包括：
使用第一滑动窗口遍历所述第一图像，每次滑动时进行膨胀运算，得到膨胀图像；
使用第二滑动窗口遍历所述第一图像，每次滑动时进行腐蚀运算，得到腐蚀图像；
根据所述膨胀图像和所述腐蚀图像的形态学梯度，得到第二图像。
4.根据权利要求1所述的方法，其中，根据所述多个第一图像特征和对应的权重值，得到所述目标丝路的图像特征，包括：
根据所述多段子图像所包含的丝路的宽度值，确定所述多段子图像的权重值；
根据所述多段子图像的权重值和所述第一图像特征，得到所述多段子图像的第二图像特征；
根据所述多段子图像的第二图像特征，得到所述目标丝路的图像特征。
5.根据权利要求1所述的方法，其中，根据所述时频特征，得到所述目标丝路的激光特征，包括：
从根据所述时频特征中提取出主频率特征、能量峰值特征、动态变化特征；
根据所述主频率特征、所述能量峰值特征、所述动态变化特征，得到所述目标丝路的激光特征。
6.根据权利要求1所述的方法，其中，利用出丝状态检测模型，根据所述图像特征和所述激光特征，得到所述目标丝路的出丝状态，包括：
根据所述图像特征和所述激光特征，融合得到所述目标丝路的出丝状态特征；
利用出丝状态检测模型，根据所述出丝状态特征，得到所述目标丝路的出丝状态。
7.一种出丝状态检测模型的训练方法，包括：
对样本图像进行形态学处理，得到第三图像；
将所述第三图像沿目标丝路的长度方向切分为多段，得到多段样本子图像；
对所述多段样本子图像进行特征提取，得到多个样本子图像特征；
根据所述多个样本子图像特征和对应的权重值，得到所述目标丝路的训练图像特征；其中，所述权重值根据所述多段子图像所包含的丝路的宽度值确定；
对激光样本数据进行短时傅里叶变换，得到时频表示结果；
根据所述时频表示结果，确定时频特征；
根据所述时频特征，得到所述目标丝路的训练激光特征；
利用第一检测模型，根据所述训练图像特征和所述训练激光特征，得到所述目标丝路的状态类别的预测结果；
根据所述目标丝路的状态类别的预测结果和真实结果，确定损失函数；以及
基于所述损失函数，对所述第一检测模型的参数进行更新，以得到训练好的出丝状态检测模型。
8.一种出丝状态的检测装置，包括：
采集模块，用于采集纺丝箱体中目标丝路的第一图像和激光反射数据；
图像特征确定模块，用于对所述第一图像进行形态学处理，得到第二图像；
将所述第二图像沿所述目标丝路的长度方向切分为多段，得到多段子图像；
对所述多段子图像进行特征提取，得到多个第一图像特征；
根据所述多个第一图像特征和对应的权重值，得到所述目标丝路的图像特征；其中，所述权重值根据所述多段子图像所包含的丝路的宽度值确定；
激光特征确定模块，用于对所述激光反射数据进行短时傅里叶变换，得到时频表示结果；
根据所述时频表示结果，确定时频特征；
根据所述时频特征，得到所述目标丝路的激光特征；以及
检测模块，用于利用出丝状态检测模型，根据所述图像特征和所述激光特征，得到所述目标丝路的状态类别。
9.根据权利要求8所述的装置，其中，所述采集模块用于：
控制巡检设备移动至待检测的纺丝箱体前；
触发所述巡检设备的相机装置和激光扫描装置，同时采集所述纺丝箱体中目标丝路的第一图像和激光反射数据，所述目标丝路包括从一个喷丝板喷出的多根丝束经导丝钩汇聚为一股而形成的移动路径。
10.根据权利要求8所述的装置，其中，所述图像特征确定模块用于：
使用第一滑动窗口遍历所述第一图像，每次滑动时进行膨胀运算，得到膨胀图像；
使用第二滑动窗口遍历所述第一图像，每次滑动时进行腐蚀运算，得到腐蚀图像；
根据所述膨胀图像和所述腐蚀图像的形态学梯度，得到第二图像。
11.根据权利要求8所述的装置，其中，所述图像特征确定模块用于：
根据所述多段子图像所包含的丝路的宽度值，确定所述多段子图像的权重值；
根据所述多段子图像的权重值和所述第一图像特征，得到所述多段子图像的第二图像特征；
根据所述多段子图像的第二图像特征，得到所述目标丝路的图像特征。
12.根据权利要求8所述的装置，其中，所述激光特征确定模块用于：
从根据所述时频特征中提取出主频率特征、能量峰值特征、动态变化特征；
根据所述主频率特征、所述能量峰值特征、所述动态变化特征，得到所述目标丝路的激光特征。
13.根据权利要求8所述的装置，其中，所述检测模块用于：
根据所述图像特征和所述激光特征，融合得到所述目标丝路的出丝状态特征；
利用出丝状态检测模型，根据所述出丝状态特征，得到所述目标丝路的出丝状态。
14.一种出丝状态检测模型的训练装置，包括：
图像特征提取模块，用于对样本图像进行形态学处理，得到第三图像；
将所述第三图像沿目标丝路的长度方向切分为多段，得到多段样本子图像；
对所述多段样本子图像进行特征提取，得到多个样本子图像特征；
根据所述多个样本子图像特征和对应的权重值，得到所述目标丝路的训练图像特征；其中，所述权重值根据所述多段子图像所包含的丝路的宽度值确定；
激光特征提取模块，用于对激光样本数据进行短时傅里叶变换，得到时频表示结果；
根据所述时频表示结果，确定时频特征；
根据所述时频特征，得到所述目标丝路的训练激光特征；
预测模块，用于利用第一检测模型，根据所述训练图像特征和所述训练激光特征，得到所述目标丝路的状态类别的预测结果；
损失函数确定模块，用于根据所述目标丝路的状态类别的预测结果和真实结果，确定损失函数；
训练模块，用于基于所述损失函数，对所述第一检测模型的参数进行更新，以得到训练好的出丝状态检测模型。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
CN202311806732.5A 2023-12-25 2023-12-25 出丝状态的检测方法、装置、设备及存储介质 Active CN117474907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311806732.5A CN117474907B (zh) 2023-12-25 2023-12-25 出丝状态的检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311806732.5A CN117474907B (zh) 2023-12-25 2023-12-25 出丝状态的检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117474907A CN117474907A (zh) 2024-01-30
CN117474907B true CN117474907B (zh) 2024-03-22

Family

ID=89639929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311806732.5A Active CN117474907B (zh) 2023-12-25 2023-12-25 出丝状态的检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117474907B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110308147A (zh) * 2019-05-31 2019-10-08 吴江朗科化纤有限公司 一种化纤纺丝工艺丝路的智能检查方法
CN110992343A (zh) * 2019-10-18 2020-04-10 中国移动通信集团浙江有限公司嘉兴分公司 一种基于机器人的飘丝飘杂视检方法、存储介质及电子设备
CN112111824A (zh) * 2019-06-19 2020-12-22 里特机械公司 光学监测纺织机的方法以及监测装置和计算机程序
CN112505051A (zh) * 2020-11-27 2021-03-16 广州高新兴机器人有限公司 一种基于激光射线的高精准化纤飘丝质量检测方法
CN116934308A (zh) * 2023-09-15 2023-10-24 浙江恒逸石化有限公司 丝路巡检设备的控制方法、装置、设备以及存储介质
CN116993710A (zh) * 2023-08-17 2023-11-03 浙江恒逸石化有限公司 纺丝工艺的检测方法、装置、电子设备及存储介质
CN117115135A (zh) * 2023-09-15 2023-11-24 延安大学 一种基于机器视觉的混凝土裂纹检测系统及方法
CN117197087A (zh) * 2023-09-11 2023-12-08 浙江恒逸石化有限公司 样本数据的处理方法、装置、电子设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110942060B (zh) * 2019-10-22 2023-05-23 清华大学 基于激光散斑和模态融合的材质识别方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110308147A (zh) * 2019-05-31 2019-10-08 吴江朗科化纤有限公司 一种化纤纺丝工艺丝路的智能检查方法
CN112111824A (zh) * 2019-06-19 2020-12-22 里特机械公司 光学监测纺织机的方法以及监测装置和计算机程序
CN110992343A (zh) * 2019-10-18 2020-04-10 中国移动通信集团浙江有限公司嘉兴分公司 一种基于机器人的飘丝飘杂视检方法、存储介质及电子设备
CN112505051A (zh) * 2020-11-27 2021-03-16 广州高新兴机器人有限公司 一种基于激光射线的高精准化纤飘丝质量检测方法
CN116993710A (zh) * 2023-08-17 2023-11-03 浙江恒逸石化有限公司 纺丝工艺的检测方法、装置、电子设备及存储介质
CN117197087A (zh) * 2023-09-11 2023-12-08 浙江恒逸石化有限公司 样本数据的处理方法、装置、电子设备和存储介质
CN116934308A (zh) * 2023-09-15 2023-10-24 浙江恒逸石化有限公司 丝路巡检设备的控制方法、装置、设备以及存储介质
CN117115135A (zh) * 2023-09-15 2023-11-24 延安大学 一种基于机器视觉的混凝土裂纹检测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Operational modal analysis of rotating structure using image-baded tracking continuously scanning laser dopper vibrometry via a novel edge detection method;L.F.Lyu 等;ELSEVIER;20220122;1-14 *
可见光谱图与深度神经网络的垩白大米检测方法;林萍;张华哲;何坚强;邹志勇;陈永明;;光谱学与光谱分析;20200115(01);239-244 *

Also Published As

Publication number Publication date
CN117474907A (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
CN107194323A (zh) 车辆定损图像获取方法、装置、服务器和终端设备
CN110266938B (zh) 基于深度学习的变电站设备智能拍摄方法及装置
CN104966304A (zh) 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法
CN115330790B (zh) 基于图像的电缆绞线质量检测方法及系统
CN107945523A (zh) 一种道路车辆检测方法、交通参数检测方法及装置
CN105139397A (zh) 一种pcb板检测方法及装置
CN109850518B (zh) 一种基于红外图像的实时矿用胶带预警撕裂检测方法
JP3920535B2 (ja) 車両検出方法及び車両検出装置
CN109954854B (zh) 连铸机结晶器漏钢监测方法、装置、存储介质及电子终端
CN117474907B (zh) 出丝状态的检测方法、装置、设备及存储介质
CN116109642A (zh) 一种碳纤维断丝缺陷检测方法、设备及存储介质
CN110308147B (zh) 一种化纤纺丝工艺丝路的智能检查方法
CN111489341B (zh) 丝盘绕丝的乱丝检测的方法、装置、设备及存储介质
JP2001516457A (ja) 検出された表面の不整の前分類により移動するストリップの表面を検査する方法
CN116563276B (zh) 一种化纤长丝在线缺陷检测方法及检测系统
CN116993710A (zh) 纺丝工艺的检测方法、装置、电子设备及存储介质
CN114663416B (zh) 基于计算机视觉的铜排冷隔缺陷检测方法及系统
CN112505051A (zh) 一种基于激光射线的高精准化纤飘丝质量检测方法
CN117197087A (zh) 样本数据的处理方法、装置、电子设备和存储介质
JP2022181167A (ja) 鋼板の形状判別方法、形状測定方法、形状制御方法、製造方法、形状判別モデルの生成方法、及び形状判別装置
CN117974609A (zh) 纺丝箱体的检测方法、装置、设备以及存储介质
Purusothaman et al. Vehicular traffic density state estimation using Support Vector Machine
CN116563521B (zh) 目标检测的检测框处理方法及其装置、电子设备
Matveev et al. Automatic Defect Recognition in Glass Rod Production Using Machine Vision and Deep Learning
CN117496454A (zh) 基于图像识别的斑马线检测方法及系统

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