CN117670872A - 一种筒纱纸管花纹快速识别方法 - Google Patents
一种筒纱纸管花纹快速识别方法 Download PDFInfo
- Publication number
- CN117670872A CN117670872A CN202410115801.6A CN202410115801A CN117670872A CN 117670872 A CN117670872 A CN 117670872A CN 202410115801 A CN202410115801 A CN 202410115801A CN 117670872 A CN117670872 A CN 117670872A
- Authority
- CN
- China
- Prior art keywords
- paper tube
- image
- pattern
- bobbin
- cross
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 16
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000004804 winding Methods 0.000 description 4
- 240000002129 Malva sylvestris Species 0.000 description 3
- 235000006770 Malva sylvestris Nutrition 0.000 description 3
- 235000013351 cheese Nutrition 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000009987 spinning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012536 packaging technology Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009941 weaving 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种筒纱纸管花纹快速识别方法,采集不同品种筒纱的横切面图像,分别对图像中的纸管环形区域进行定位,接着分别提取纸管环形区域的花纹颜色特征和花纹结构特征,最后将要识别的筒纱的横切面图像中的纸管环形区域的花纹颜色特征和花纹结构特征分别与采集的不同品种筒纱的横切面图像中的纸管环形区域的花纹颜色特征和花纹结构特征进行比较,从而实现筒纱纸管花纹快速识别。本发明的一种筒纱纸管花纹快速识别方法,先采用高斯滤波对图像进行处理以消除纱线纹理,再进行阈值分割等操作实现纸管环形区域的准确定位,且直接在纸管环形区域进行特征提取,操作简单,运算速度快。
Description
技术领域
本发明属于织物智能技术领域,涉及一种筒纱纸管花纹快速识别方法。
背景技术
筒纱是纺纱流程中络筒工序的产品,可以直接用于坯布织造或打包成一定质量进行对外销售。在当前小批量、多品种的纱线加工背景下,在多品种纱线同时加工的情况下,络筒工序所生产的筒纱,从其外观是无法区分纱线品种的,打包时非常容易出现不同品种筒纱混装情况,进而引发大量后续产品质量问题。为此,为方便区分筒纱品种,纺纱厂在络筒工序采用不同花纹特征纸管来对不同品种的筒纱进行区分,即同一时间内生产的筒纱品种与其所采用的纸管花纹一一对应。随着自动化筒纱运输及打包技术的广泛应用,传统采用人工识别筒纱纸管花纹的方式已经无法满足当前筒纱自动化运输和打包的需求,为此,利用机器视觉技术取代人眼快速区分纸管花纹已成为现在纺纱企业自动化及智能化生产的必然发展趋势。
文献(基于机器视觉的筒纱纸管自动检测研究[D]. 江南大学, 2022. DOI:10.27169/d.cnki.gwqgu.2022.002186)研究了纸管花纹的颜色特征,包括量化直方图、颜色矩和颜色分量标准差,纹理特征,包括GLCM、LBP和小波变换,采用的分类器为支持向量机,最终认为CIEL*a*b*颜色矩特征和旋转不变等价LBP纹理特征的效果最好。由于该文献所提取的特征维度较多及分类器需要提前调优训练,难以应对工业场合高实时性及稳定性的要求。
CN202210012667.8提供了一种利用纸管图案识别并校验筒子纱品种的方法及装置,该发明首先采用霍夫变换确定筒纱纸管花纹位置,然后提取纸管花纹图像的颜色矩特征,最后通过与预先存储的数据记录对比求出纸管所属的类别,实现筒纱品种识别。由于工业检测场景光线干扰较大,仅采用颜色特征容易造成对对颜色相近的纸管花纹误判。
为此,针对现有纸管花纹识别的不足,本发明提供一种纯纹理特征的快速筒纱花纹识别方法,为筒纱品种自动分类及自动打包应用提供基础。
发明内容
本发明的目的是解决现有技术中存在的问题,提供一种筒纱纸管花纹快速识别方法。
为达到上述目的,本发明采用的技术方案如下:
一种筒纱纸管花纹快速识别方法,采集不同品种筒纱的横切面(即沿垂直于轴向的切面)图像,分别对图像中的纸管环形区域进行定位,接着分别提取纸管环形区域的花纹颜色特征和花纹结构特征,最后将要识别的筒纱的横切面图像中的纸管环形区域的花纹颜色特征和花纹结构特征分别与采集的不同品种筒纱的横切面图像中的纸管环形区域的花纹颜色特征和花纹结构特征进行比较,从而实现筒纱纸管花纹快速识别。
本发明从工业检测场景出发,针对筒纱纸管特征,设计快速的纸管区域定位方法,简化了特征维数;在纸管花纹定位上,采用了两步策略,即先匹配颜色,然后再匹配特征,将颜色和纹理特征分开,有利于提升特征的区别性能。
作为优选的技术方案:
如上所述的一种筒纱纸管花纹快速识别方法,任一品种筒纱的横切面图像中纸管环形区域的定位步骤,具体如下:
(1)采集筒纱的横切面图像,尺寸为M×M像素,记为图像A;
(2)将图像A转化为8位灰度图像,然后截取图像中包含纸管的正方形区域(拍照的位置是固定的,纸管的大体位置可以提前估计的,因此可以截取图像中包含纸管的正方形区域,但不知道纸管准确位置,所以还需要在此基础上利用算法进行准确定位),最后将截取后的图像的尺寸等比例缩小一半,记为图像B;将将截取后的图像尺寸等比例缩小一半,其目的是为了提高计算速度;截取图像中包含纸管的正方形区域的目的也是提高运算速度和剔除无关图像的干扰;
(3)将图像B进行高斯滤波操作,记滤波后的图像为B1;
(4)将图像B除以图像B1,得到图像B2,并对图像B2进行阈值分割,得到二值图像,记为图像C;其中,采用的阈值为B2的灰度平均值(小于阈值设置为1,否则设置为0);
(5)对图像C先进行开运算,再进行闭运算,得到图像C1;其中,开运算采用结构模板为直径为4像素的圆形,闭运算采用结构模板为直径为6像素的圆形,进而去除C中的噪点同时平滑边缘;
(6)提取图像C1中像素点值为1区域的最小外接矩形,并记录最小外接矩形的左下角和右上角的坐标分别为(x1,y1)和(x2,y2),得到筒纱纸管内圆的圆心坐标为((x2+x1)/2,(y2+y1)/2),半径为(x2-x1+y2-y1)/4,同时也得到筒纱纸管外圆的圆心坐标为((x2+x1)/2,(y2+y1)/2),半径为(x2-x1+y2-y1)/4+d,进而实现筒纱纸管环形区域的定位;其中,d为筒纱纸管预设的厚度,单位为像素;
由于纸管区域灰度值介于周围背景,所以直接采用阈值分割很难将纸管区域进行完整分割,本发明利用纸管厚度较小的特点,先采用较大滤波器对其进行处理,达到充分模糊纸管区域的效果,然后用原图除以这个模糊纸管区域后的图像,由于纸管区域灰度变化大,所得的图像像B2中纸管区域的灰度值会变得显著低于周围背景,这时候采用阈值分割就能取得较好的效果,同时根据噪音干扰情况,采用开闭运算进行消除,最后利用其几何关系就能实现纸管环形区域的准确定位。
如上所述的一种筒纱纸管花纹快速识别方法,将图像B进行高斯滤波操作,是指采用尺寸为M/30×M/30像素、方差为M/60的高斯滤波器对B进行滤波操作,其目的是消除纱线纹理,得到图像B背景(背景是相对目标而言,此处的目标的纸管区域,因此除了该区域其它区域都可以叫背景),便于后续的图像B光照不匀的消除及提高阈值分割精度。
如上所述的一种筒纱纸管花纹快速识别方法,任一品种筒纱的横切面图像中纸管环形区域的花纹颜色特征提取步骤,具体如下:
(1)实现筒纱纸管环形区域的定位后,提取图像A对应的环形区域,记为RA;
(2)由于纸管背景颜色分布均匀,并与其上面的花纹有显著差异,为此本发明直接对RA其进行聚类分析,提取花纹颜色均值,具体为:将RA图像的RGB转为HSV颜色空间,令RA每个像素的颜色值为{hi, si},采用K-means聚类算法对颜色值{hi, si}进行聚类,聚类时类别设置为2,即将RA中像素分背景和花纹区域两类,最后将K-means聚类结果中对应花纹颜色的聚类中心作为任一品种筒纱的横切面图像中纸管环形区域的花纹颜色特征,记为H={hm, sm}。
如上所述的一种筒纱纸管花纹快速识别方法,经观察研究发现,由于纸管花纹信息主要是一些连续重复的简单几何图形构成,例如矩形、三角形、五角星及简单曲线构成,为此,采用不同Gabor滤波器更有利于区分其结构,达到花纹识别的目的,任一品种筒纱的横切面图像中纸管环形区域的花纹结构特征提取步骤,具体如下:
(1)根据筒纱纸管预设的厚度d,构建Gabor滤波器;其中,Gabor滤波器参数设置为:波长分别取u=(2,2+d/9,2+d/6,2+d/3),方向分别取v=(0°,45°,90°,135°),滤波器尺寸为33×33像素,合计16个滤波器,记为g(u,v);
(2)通过构建的Gabor滤波器对图像B进行滤波(因为RA是不规则区域,滤波处理不方便,所以直接在B上处理,然后再提取RA区域),其输出为:
;
(3)合并同一方向v、不同波长的滤波结果,合并结果如下:
;
(4)计算Gv中环形区域RA内的平均值,分别记为{f1, f2, f3, f4},同理计算Gv中环形区域RA内的标准差,分别记为{f5, f6, f7, f8},进而得到任一品种筒纱的横切面图像中纸管环形区域的花纹结构特征,记为F={f1, f2, f3, f4, f5, f6, f7, f8}。
如上所述的一种筒纱纸管花纹快速识别方法,将要识别的筒纱的横切面图像中纸管环形区域的花纹颜色特征和花纹结构特征与任一品种筒纱的横切面图像中纸管环形区域的花纹颜色特征和花纹结构特征进行比较,具体步骤如下:
(1)记要识别的筒纱的横切面图像为图像X,分别采用如权利要求4中所述的方法采集图像X中纸管环形区域的花纹颜色特征,以及采用如权利要求5中所述的方法采集图像X中纸管环形区域的花纹结构特征;
(2)记图像X中纸管环形区域的花纹颜色特征为H1,花纹结构特征为Y={y1, y2,y3, y4, y5, y6, y7, y8},计算H与H1之间的欧式距离,如果欧式距离小于0.15,则计算F与Y之间的相关系数,若相关系数大于0.75,则图像X与图像A属于同类型纸管花纹,即属于同一品种筒纱,否则图像X与图像A属于不同类型纸管花纹。
有益效果:
(1)本发明的一种筒纱纸管花纹快速识别方法,先采用高斯滤波对图像进行处理以消除纱线纹理,再进行阈值分割等操作实现纸管环形区域的准确定位,操作简单;
(2)本发明的一种筒纱纸管花纹快速识别方法,将纸管环形区域的花纹作为一个整体,直接在纸管环形区域进行特征提取,避免将环形区域展开为矩形所带来的图像变形问题;另外,所提取的特征维数少,且分别对纸管环形区域的花纹颜色特征和结构特征进行匹配,运算速度快。
附图说明
图1是本发明采集的某一品种筒纱的横切面图像;
图2是本发明对图1截取的纸管的正方形区域图像;
图3是本发明对图2进行高斯滤波后的图像;
图4是本发明对图3进行二值化后的二值图像;
图5是本发明从图2中提取的纸管环形区域图像;
图6是本发明要识别的筒纱的横切面图像。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种筒纱纸管花纹快速识别方法,具体步骤如下:
(1)采集不同品种筒纱的横切面图像,分别对图像中的纸管环形区域进行定位;任一品种筒纱的横切面图像中纸管环形区域的定位步骤,具体如下:
(1.1)采集筒纱的横切面图像,尺寸为M×M像素,记为图像A;
(1.2)将图像A转化为8位灰度图像,然后截取图像中包含纸管的正方形区域,最后将截取后的图像的尺寸等比例缩小一半,记为图像B;
(1.3)采用尺寸为M/30×M/30像素、方差为M/60的高斯滤波器对B进行滤波操作,记滤波后的图像为B1;
(1.4)将图像B除以图像B1,得到图像B2,并对图像B2进行阈值分割,得到二值图像,记为图像C;其中,采用的阈值为B2的灰度平均值;
(1.5)对图像C先进行开运算,再进行闭运算,得到图像C1;其中,开运算采用结构模板为直径为4像素的圆形,闭运算采用结构模板为直径为6像素的圆形;
(1.6)提取图像C1中像素点值为1区域的最小外接矩形,并记录最小外接矩形的左下角和右上角的坐标分别为(x1,y1)和(x2,y2),得到筒纱纸管内圆的圆心坐标为((x2+x1)/2, (y2+y1)/2),半径为(x2-x1+y2-y1)/4,同时也得到筒纱纸管外圆的圆心坐标为((x2+x1)/2, (y2+y1)/2),半径为(x2-x1+y2-y1)/4+d,进而实现筒纱纸管环形区域的定位;其中,d为筒纱纸管预设的厚度,单位为像素;
(2)分别提取纸管环形区域的花纹颜色特征;任一品种筒纱的横切面图像中纸管环形区域的花纹颜色特征提取步骤,具体如下:
(2.1)实现筒纱纸管环形区域的定位后,提取图像A对应的环形区域,记为RA;
(2.2)将RA的RGB转为HSV颜色空间,令RA每个像素的颜色值为{hi, si},采用K-means聚类算法对颜色值{hi, si}进行聚类,聚类时类别设置为2,即将RA中像素分背景和花纹区域两类,最后将K-means聚类结果中对应花纹颜色的聚类中心作为任一品种筒纱的横切面图像中纸管环形区域的花纹颜色特征,记为H={hm, sm};
(3)分别提取纸管环形区域的花纹结构特征;任一品种筒纱的横切面图像中纸管环形区域的花纹结构特征提取步骤,具体如下:
(3.1)根据筒纱纸管预设的厚度d,构建Gabor滤波器;其中,Gabor滤波器参数设置为:波长分别取u=(2,2+d/9,2+d/6,2+d/3),方向分别取v=(0°,45°,90°,135°),滤波器尺寸为33×33像素,合计16个滤波器,记为g(u,v);
(3.2)通过构建的Gabor滤波器对图像B进行滤波,其输出为:
;
(3.3)合并同一方向v、不同波长的滤波结果,合并结果如下:
;
(3.4)计算Gv中环形区域RA内的平均值,分别记为{f1, f2, f3, f4},同理计算Gv中环形区域RA内的标准差,分别记为{f5, f6, f7, f8},进而得到任一品种筒纱的横切面图像中纸管环形区域的花纹结构特征,记为F={f1, f2, f3, f4, f5, f6, f7, f8};
(4)将要识别的筒纱的横切面图像中的纸管环形区域的花纹颜色特征和花纹结构特征分别与采集的不同品种筒纱的横切面图像中的纸管环形区域的花纹颜色特征和花纹结构特征进行比较,从而实现筒纱纸管花纹快速识别;其中,将要识别的筒纱的横切面图像中纸管环形区域的花纹颜色特征和花纹结构特征与任一品种筒纱的横切面图像中纸管环形区域的花纹颜色特征和花纹结构特征进行比较的具体步骤如下:
(4.1)记要识别的筒纱的横切面图像为图像X,分别采用步骤(2)中所述的方法采集图像X中纸管环形区域的花纹颜色特征,以及采用步骤(3)中所述的方法采集图像X中纸管环形区域的花纹结构特征;
(4.2)记图像X中纸管环形区域的花纹颜色特征为H1,花纹结构特征为Y={y1, y2,y3, y4, y5, y6, y7, y8},计算H与H1之间的欧式距离,如果欧式距离小于0.15,则计算F与Y之间的相关系数,若相关系数大于0.75,则图像X与图像A属于同类型纸管花纹,否则图像X与图像A属于不同类型纸管花纹。
下面采用具体的实施例对本发明的方案中要识别的筒纱与某一品种的筒纱比较识别的过程进行解释说明,具体如下:
(1)某一品种筒纱的横切面图像中纸管环形区域的定位;
(1.1)如图1所示,采集筒纱的横切面图像,尺寸为1024×1024像素,记为图像A;
(1.2)将图像A转化为8位灰度图像,然后截取图像中包含纸管的正方形区域,最后将如图2所示的截取后的图像的尺寸等比例缩小一半,记为图像B,尺寸为256×256像素;
(1.3)采用尺寸为34×34像素、方差为17的高斯滤波器对B进行滤波操作,记滤波后的图像为B1,B1如图3所示;
(1.4)将图像B除以图像B1,得到图像B2,并采用B2的灰度平均值(为0.47)作为阈值对图像B2进行阈值分割,得到二值图像,记为图像C,如图4所示;
(1.5)对图像C先进行开运算,再进行闭运算,得到图像C1;其中,开运算采用结构模板为直径为4像素的圆形,闭运算采用结构模板为直径为6像素的圆形;
(1.6)提取图像C1中像素点值为1区域的最小外接矩形,并记录最小外接矩形的左下角和右上角的坐标分别为(94,81)和(175,164),得到筒纱纸管内圆的圆心坐标为(135,123),半径为41像素,同时也得到筒纱纸管外圆的圆心坐标为(135,123),半径为56像素,进而实现筒纱纸管环形区域的定位;其中,筒纱纸管预设的厚度d为15像素;
(2)提取纸管环形区域的花纹颜色特征;
(2.1)如图5所示,实现筒纱纸管环形区域的定位后,提取图像A对应的环形区域,记为RA;
(2.2)将RA的RGB转为HSV颜色空间,令RA每个像素的颜色值为{hi, si},采用K-means聚类算法对颜色值进行聚类,聚类时类别设置为2,即将RA中像素分背景和花纹区域两类,最后将K-means聚类结果中对应花纹颜色的聚类中心作为任一品种筒纱的横切面图像中纸管环形区域的花纹颜色特征,记为H={0.0504, 0.3949};
(3)提取纸管环形区域的花纹结构特征;
(3.1)根据筒纱纸管预设的厚度d,构建Gabor滤波器;其中,Gabor滤波器参数设置为:波长分别取u=(2,2+d/9,2+d/6,2+d/3),方向分别取v=(0°,45°,90°,135°),滤波器尺寸为33×33像素,合计16个滤波器,记为g(u,v);
(3.2)通过构建的Gabor滤波器对图像B进行滤波,其输出为:
;
(3.3)合并同一方向v、不同波长的滤波结果,合并结果如下:
;
(3.4)计算Gv中环形区域RA内的平均值,分别记为{f1, f2, f3, f4},同理计算Gv中环形区域RA内的标准差,分别记为{f5, f6, f7, f8},进而得到任一品种筒纱的横切面图像中纸管环形区域的花纹结构特征,记为F={0.805,0.781,0.697,0.768,0.748,0.566,0.427,0.531};
(4)将要识别的筒纱的横切面图像中的纸管环形区域的花纹颜色特征和花纹结构特征与上述某一品种筒纱的横切面图像中的纸管环形区域的花纹颜色特征和花纹结构特征进行比较,从而实现筒纱纸管花纹快速比较识别;
(4.1)记如图6所示的要识别的筒纱的横切面图像为图像X,分别采用步骤(2)中所述的方法采集图像X中纸管环形区域的花纹颜色特征,以及采用步骤(3)中所述的方法采集图像X中纸管环形区域的花纹结构特征;
(4.2)记图像X中纸管环形区域的花纹颜色特征为H1={0.413, 0.297},花纹结构特征为Y={0.807,0.935,0.906,0.987,0.632,0.734,0.852,0.828},计算H与H1之间的欧式距离为0.376,其距离大于0.15,则图像X与图像A不属于同类型纸管花纹。
为进一步验证本发明对不同纸管花纹的识别准确率,对8种不同类型纸管花纹进行测试(每类花纹包含15张样本),其测试结果如表1所示。从表1可以看出,本发明对不同类型纸管花纹的识别准确率基本都能达到100%。
表1 本发明对不同类型纸管花纹的识别准确率
Claims (6)
1.一种筒纱纸管花纹快速识别方法,其特征在于,采集不同品种筒纱的横切面图像,分别对图像中的纸管环形区域进行定位,接着分别提取纸管环形区域的花纹颜色特征和花纹结构特征,最后将要识别的筒纱的横切面图像中的纸管环形区域的花纹颜色特征和花纹结构特征分别与采集的不同品种筒纱的横切面图像中的纸管环形区域的花纹颜色特征和花纹结构特征进行比较,从而实现筒纱纸管花纹快速识别。
2.根据权利要求1所述的一种筒纱纸管花纹快速识别方法,其特征在于,任一品种筒纱的横切面图像中纸管环形区域的定位步骤,具体如下:
(1)采集筒纱的横切面图像,尺寸为M×M像素,记为图像A;
(2)将图像A转化为8位灰度图像,然后截取图像中包含纸管的正方形区域,最后将截取后的图像的尺寸等比例缩小一半,记为图像B;
(3)将图像B进行高斯滤波操作,记滤波后的图像为B 1;
(4)将图像B除以图像B 1,得到图像B 2,并对图像B 2进行阈值分割,得到二值图像,记为图像C;其中,采用的阈值为B 2的灰度平均值;
(5)对图像C先进行开运算,再进行闭运算,得到图像C 1;其中,开运算采用结构模板为直径为4像素的圆形,闭运算采用结构模板为直径为6像素的圆形;
(6)提取图像C 1中像素点值为1区域的最小外接矩形,并记录最小外接矩形的左下角和右上角的坐标分别为(x1,y1)和(x2,y2),得到筒纱纸管内圆的圆心坐标为((x2+x1)/2, (y2+y1)/2),半径为(x2-x1+y2-y1)/4,同时也得到筒纱纸管外圆的圆心坐标为((x2+x1)/2, (y2+y1)/2),半径为(x2-x1+y2-y1)/4+d,进而实现筒纱纸管环形区域的定位;其中,d为筒纱纸管预设的厚度,单位为像素。
3.根据权利要求2所述的一种筒纱纸管花纹快速识别方法,其特征在于,将图像B进行高斯滤波操作,是指采用尺寸为M/30×M/30像素、方差为M/60的高斯滤波器对B进行滤波操作。
4.根据权利要求2所述的一种筒纱纸管花纹快速识别方法,其特征在于,任一品种筒纱的横切面图像中纸管环形区域的花纹颜色特征提取步骤,具体如下:
(1)实现筒纱纸管环形区域的定位后,提取图像A对应的环形区域,记为R A;
(2)将R A的RGB转为HSV颜色空间,令R A每个像素的颜色值为{h i , s i },采用K-means聚类算法对颜色值{h i , s i }进行聚类,聚类时类别设置为2,即将R A中像素分背景和花纹区域两类,最后将K-means聚类结果中对应花纹颜色的聚类中心作为任一品种筒纱的横切面图像中纸管环形区域的花纹颜色特征,记为H={h m , s m }。
5.根据权利要求4所述的一种筒纱纸管花纹快速识别方法,其特征在于,任一品种筒纱的横切面图像中纸管环形区域的花纹结构特征提取步骤,具体如下:
(1)根据筒纱纸管预设的厚度d,构建Gabor滤波器;其中,Gabor滤波器参数设置为:波长分别取u=(2,2+d/9,2+d/6,2+d/3),方向分别取v=(0°,45°,90°,135°),滤波器尺寸为33×33像素,合计16个滤波器,记为g(u,v);
(2)通过构建的Gabor滤波器对图像B进行滤波,其输出为:
;
(3)合并同一方向v、不同波长的滤波结果,合并结果如下:
;
(4)计算G v 中环形区域R A内的平均值,分别记为{f1, f2, f3, f4},同理计算G v 中环形区域R A内的标准差,分别记为{f5, f6, f7, f8},进而得到任一品种筒纱的横切面图像中纸管环形区域的花纹结构特征,记为F={f1, f2, f3, f4, f5, f6, f7, f8}。
6.根据权利要求5所述的一种筒纱纸管花纹快速识别方法,其特征在于,将要识别的筒纱的横切面图像中纸管环形区域的花纹颜色特征和花纹结构特征与任一品种筒纱的横切面图像中纸管环形区域的花纹颜色特征和花纹结构特征进行比较,具体步骤如下:
(1)记要识别的筒纱的横切面图像为图像X,分别采用如权利要求4中所述的方法采集图像X中纸管环形区域的花纹颜色特征,以及采用如权利要求5中所述的方法采集图像X中纸管环形区域的花纹结构特征;
(2)记图像X中纸管环形区域的花纹颜色特征为H1,花纹结构特征为Y={y1, y2, y3, y4,y5, y6, y7, y8},计算H与H1之间的欧式距离,如果欧式距离小于0.15,则计算F与Y之间的相关系数,若相关系数大于0.75,则图像X与图像A属于同类型纸管花纹,否则图像X与图像A属于不同类型纸管花纹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410115801.6A CN117670872B (zh) | 2024-01-29 | 2024-01-29 | 一种筒纱纸管花纹快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410115801.6A CN117670872B (zh) | 2024-01-29 | 2024-01-29 | 一种筒纱纸管花纹快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117670872A true CN117670872A (zh) | 2024-03-08 |
CN117670872B CN117670872B (zh) | 2024-06-18 |
Family
ID=90064301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410115801.6A Active CN117670872B (zh) | 2024-01-29 | 2024-01-29 | 一种筒纱纸管花纹快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117670872B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324032A (zh) * | 2011-09-08 | 2012-01-18 | 北京林业大学 | 一种基于极坐标系下灰度共生矩阵的纹理特征提取方法 |
CN104964980A (zh) * | 2015-06-05 | 2015-10-07 | 电子科技大学 | 一种基于机器视觉的火花塞端面缺陷检测方法 |
CN109993755A (zh) * | 2019-04-02 | 2019-07-09 | 浙江大学 | 一种提花织物图像组织结构分割方法 |
CN110749598A (zh) * | 2019-11-05 | 2020-02-04 | 中国计量大学 | 一种融合颜色、形状和纹理特征的蚕茧表面缺陷检测方法 |
CN111428814A (zh) * | 2020-04-16 | 2020-07-17 | 安徽农业大学 | 一种混纺纱颜色自动识别匹配方法 |
CN112288734A (zh) * | 2020-11-06 | 2021-01-29 | 西安工程大学 | 一种基于图像处理的印花织物表面缺陷检测方法 |
-
2024
- 2024-01-29 CN CN202410115801.6A patent/CN117670872B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324032A (zh) * | 2011-09-08 | 2012-01-18 | 北京林业大学 | 一种基于极坐标系下灰度共生矩阵的纹理特征提取方法 |
CN104964980A (zh) * | 2015-06-05 | 2015-10-07 | 电子科技大学 | 一种基于机器视觉的火花塞端面缺陷检测方法 |
CN109993755A (zh) * | 2019-04-02 | 2019-07-09 | 浙江大学 | 一种提花织物图像组织结构分割方法 |
CN110749598A (zh) * | 2019-11-05 | 2020-02-04 | 中国计量大学 | 一种融合颜色、形状和纹理特征的蚕茧表面缺陷检测方法 |
CN111428814A (zh) * | 2020-04-16 | 2020-07-17 | 安徽农业大学 | 一种混纺纱颜色自动识别匹配方法 |
CN112288734A (zh) * | 2020-11-06 | 2021-01-29 | 西安工程大学 | 一种基于图像处理的印花织物表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117670872B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN114820627B (zh) | 一种基于光学手段的纺织品质量检测方法 | |
CN112464942B (zh) | 基于计算机视觉的重叠烟叶智能化分级方法 | |
CN108647706B (zh) | 基于机器视觉的物品识别分类与瑕疵检测方法 | |
CN102426649A (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN110889837A (zh) | 一种具有瑕疵分级功能的布匹瑕疵检测方法 | |
CN115330795B (zh) | 布匹毛刺缺陷检测方法 | |
CN110348461A (zh) | 一种工件表面缺陷特征提取方法 | |
CN110415222A (zh) | 一种基于纹理特征的丝饼侧面缺陷识别方法 | |
CN111667475A (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN112435272B (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
CN112541889A (zh) | 一种多层级模型的复杂纹理对象表面缺陷检测方法 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
CN112802074A (zh) | 一种基于光照校正与视觉显著特征的纺织品瑕疵检测方法 | |
CN104992448B (zh) | 机器人防损伤采摘葡萄的自动定位方法 | |
CN115620075A (zh) | 白细胞分类模型用数据集的生成方法、系统及设备 | |
CN111768455A (zh) | 一种基于图像的木材区域和主色提取方法 | |
CN115187852A (zh) | 一种藏医尿诊悬浮物识别方法及装置 | |
CN117670872B (zh) | 一种筒纱纸管花纹快速识别方法 | |
CN113392819A (zh) | 一种批量化学术图像自动分割标注装置和方法 | |
Hua et al. | Image segmentation algorithm based on improved visual attention model and region growing | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
CN114820533B (zh) | 家具板表面耐磨花纹保留率分析计算方法 |
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 |