CN117773357A - 一种标签缺陷鉴别、裁切和收集方法以及系统 - Google Patents

Abstract

本发明公开了一种标签缺陷鉴别、裁切和收集方法和系统，将布料放置到裁切机的放料卷筒中并将布料固定，设置需要裁切的标签外轮廓，将布料张开保持预定的张力，控制激光头移动到目标标签的起始位置，对目标标签进行图像拍摄，获得目标标签图像，通过对目标标签图像轮廓线提取后，对目标标签进行标签识别和鉴定；控制激光头对布料进行裁切，将合格标签裁切下来，将废品标签保留，对合格标签对应的合格布料进行整齐罗列和收集。通过结合机器视觉和人工智能对裁切的标签进行定位和鉴别，控制二维激光只对合格标签进行裁切，可快速避开有缺陷的标签，对合格布料进行收集和整齐排列。

Description

一种标签缺陷鉴别、裁切和收集方法以及系统

技术领域

本发明涉及标签鉴别技术领域，特别是涉及一种标签缺陷鉴别、裁切和收集方法以及系统。

背景技术

将整张布匹中所有的小标签裁切出来，主要采用激光裁切机。然而，目前公开的激光裁切机大多只能实现布料的裁切，随后需要人工对裁切出的布料进行鉴别、收集，并对下一张布匹进行更换。

此外，最新的布料激光裁切机技术使用传送带或牵引装置进行布料更换，也可通过震动或吹气方式来收集切割的布料。

虽然这些技术实现了小标签的半自动化裁切，但仍然需要人工进行布料排列和堆叠，并通过肉眼检查并捡出不良品。

发明内容

本发明的目的是提供了一种标签缺陷鉴别、裁切和收集方法以及系统，实现对布料的标签的自动化识别和裁剪，并进行分类处理。

为解决上述技术问题，本发明实施例提供了一种标签缺陷鉴别、裁切和收集方法，包括：

S1，将布料放置到裁切机的放料卷筒中并将所述布料固定；

S2，设置需要裁切的标签外轮廓；

S3，将所述布料张开，并使得所述布料保持预定的张力；

S4，控制激光头进行对准操作，通过控制所述激光头在所述布料上全方位移动，结合视觉检测，将所述激光头移动到目标标签的起始位置；

S5，对所述目标标签进行图像拍摄，获得目标标签图像，通过对所述目标标签图像轮廓线提取后，对所述目标标签进行标签识别和鉴定；

S6，重复所述S3-S5，得到一列或多列标签的平滑轨迹线和识别结果，并对合格标签的轨迹线进行合并，控制所述激光头对所述布料进行裁切，将合格标签裁切下来，将废品标签保留；

S7，对合格标签对应的合格布料进行整齐罗列和收集。

其中，所述S3包括：

通过对所述布料的两端通过夹紧装置加装进行夹持；

通过推杆电机控制两个滚筒间的间距以实现控制两个所述夹紧装置之间间距，从而控制所述布料的张力。

其中，所述S3还包括：

S31，获取当前的所述长卷布料的张紧图片；

S32，对张紧图片进行增强处理，所述增强处理包括去噪、二值化和形态学处理；

S33，使用Canny算子进行边缘检测，提取当前摄像头下所述标签的外轮廓；

S34，将所述外轮廓的轮廓点通过笛卡尔坐标系转换形成笛卡尔轮廓点；

S35，通过傅里叶级数将所述笛卡尔轮廓点转换为傅里叶描述符；

S36，从所述傅里叶描述符中提取特征，所述特征包括平均半径、凹凸性和对称性；

S37，将所述特征与标准轮廓描述符进行对比，评估相似性和差异，并通过计算欧式距离以得到差异的哈希值；

S38，重复所述步骤S31-S37，实现对多个所述标签的识别，并使用最小二乘法计算平均值，判断并输出布料处于松弛状态或紧绷状态。

其中，所述S4包括；

控制所述激光头的X轴电机和Y轴电机，将所述激光头在所述补料上全方位移动，结合视觉检测，利用PID控制算法将所述激光头移动到目标标签的起始位置。

其中，所述S5包括：

拍摄并获得所述目标标签图像，并通过Canny算子提取轮廓；

将所述轮廓的轮廓线转换为笛卡尔坐标值后，形成连贯的轨迹线，并移除轨迹线中的尖点；

使用样条曲线对所述轨迹线进行插值操作，使所述轨迹线成为平滑曲线；

对所述轮廓线内的标签进行视觉检测和鉴定，通过深度学习和图像检测识别标签异常，所述标签异常包括线头开裂、污渍、纱线断裂、错梭。

其中，所述目标标签为小型标签，对所述小型标签进行检测还包括：

对目标标签图像增强，对颜色进行白平衡，增加对比度；

对所述目标标签图像处理得到对所述目标标签图像的傅里叶描述符；

对所述目标标签图像的傅里叶描述符进行池化，保留图像特征并减少图像体积；

使用灰度共生矩阵，归一化生成共生概率矩阵后，计算出所述目标标签图在对应通道及方向下的均匀程度和纹理粗细度；

将所述目标标签图像放入已经训练好的深度学习神经网络推理，通过目标检测得到训练过的缺陷总类；

合并检测，重复上述步骤，对多行的标签进行收集统计，根据所述傅里叶描述符，以及所述共生概率矩阵进行统计计算，得到差异最大的一组后与标准标签进行对比，在小于阈值后，判定所有列均为合格标签，否则，将最后一个标记为废品，继续找差异第二大的标签，重复上述的合格判定过程。

为了对于布料进行裁剪位置检测，一个实施例中，使用灰度共生矩阵，计算出所述目标标签图在对应通道及方向下的均匀程度和纹理粗细度，包括：

将所述目标标签图转变为单通道图像；

根据所述布料的织唛方向，选择与所述织唛方向垂直的方向和像素间的距离来计算共生矩阵；

将像素值分为25个级别，对每个像素统计与方向和相邻像素之间的单通道级别的共生频数；

建立一个25x25的共生矩阵，其中每个元素CLCM(i,j)表示在选择方向和距离下，像素级别i和j成对出现的次数；

对所述共生矩阵进行归一化处理，得到共生概率矩阵，每个所述元素CLCM(i,j)代表了i和j成对出现的概率；

根据所述共生概率矩阵带入以下公式计算出图像能量，反映出所述目标标签图在所述通道及方向下的均匀程度和纹理粗细度，

重复上述步骤对红，绿，蓝三通道进行计算，并得到三组缓存数据。

本申请中对于布料的罗列过程不做限定，一个实施例中，所述S7包括：

将所述布料向前移动，移动到罗列装置处，所述罗列装置由X轴电机、Y轴电机和Z轴电机控制，所述罗列装置的头部装有与每行标签数量相匹配的空气泵；

根据所述布料的位置信息以及废品位置，控制所述空气泵移动到目标点；

向下移动，启动所有合格标签位置的空气泵阀门开关，以吸附和移动合格标签到罗列区域，所述罗列区域放置包装盒或需要存放的篮子；

打开所述空气泵，在标签掉落后，再向下移动以将标签压紧。

通过罗列装置以及空气泵的设置，实现对于布料、标签的吸附和释放，将其放置到指定位置，实现了裁剪自动化以及标签自动布置。

本申请对于空气泵的控制不做限定，一个实施例中，控制所述空气泵移动到目标点为控制所述空气泵在滑动导轨上进行位置调节，包括：

根据每行的标签数量向所述滑动导轨上添加数量一致的所述空气泵；

根据标签间的间隔设置相邻所述空气泵之间的间距；

当裁切后的标签移动到所述罗列区域后，所述空气泵下移，吸起裁切好的标签，然后抬起；

所述空气泵的Y轴电机带动吸附上的标签移动到盒子上端；

下移所述空气泵，将吸附的所述标签压入所述盒子中；

回到初始位置完成一整行标签的收集与罗列。

除此之外，本申请的实施例还提供了一种标签缺陷鉴别、裁切和收集系统，包括：

布料固定装置，包括放料卷筒和夹紧部件，所述放料卷筒用于存储布料，所述夹紧部件对所述布料进行夹紧；

张力调整装置，用于对所述布料夹紧的所述夹紧部件之间的间距进行调整，实现对所述布料的张力进行调整；

对准装置，用于控制激光头的X轴电机和Y轴电机，使得所述激光头在所述补料上全方位移动，结合视觉检测，利用PID控制算法将所述激光头移动到目标标签的起始位置；

识别装置，用于对所述目标标签进行图像拍摄，获得目标标签图像，通过对所述目标标签图像轮廓线提取后，对所述目标标签进行标签识别和鉴定；

裁切装置，用于将所述识别装置鉴定出的合格标签对应的所述布料通过所述激光头进行裁切，将合格标签裁切下来，将废品标签保留；

罗列装置，用于对合格标签对应的合格布料进行整齐罗列和收集。

本发明实施例所提供的标签缺陷鉴别、裁切和收集方法和系统，与现有技术相比，具有以下优点：

本发明实施例提供的标签缺陷鉴别、裁切和收集方法和系统，将布料放置到裁切机的放料卷筒中并将布料固定，设置需要裁切的标签外轮廓，将布料张开保持预定的张力，控制激光头移动到目标标签的起始位置，对目标标签进行图像拍摄，获得目标标签图像，通过对目标标签图像轮廓线提取后，对目标标签进行标签识别和鉴定；控制激光头对布料进行裁切，将合格标签裁切下来，将废品标签保留，对合格标签对应的合格布料进行整齐罗列和收集。通过结合机器视觉和人工智能对裁切的标签进行定位和鉴别，控制二维激光只对合格标签进行裁切，可快速避开有缺陷的标签，对合格布料进行收集和整齐排列，实现了从更换布料、鉴别、裁切到收集和排列的全自动裁切过程，可减少对缺陷标签的裁切、收集及后期对标签的人工辨别缺陷工作，大大提高生产效率。

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为本发明提供的标签缺陷鉴别、裁切和收集方法的一个实施例中的步骤流程结构示意图；

图2为本发明提供的标签缺陷鉴别、裁切和收集方法的一个实施例中的布料张紧状态检测的步骤流程结构示意图；

图3为本发明提供的标签缺陷鉴别、裁切和收集系统的一个实施例中的结构示意图；

图4为本发明提供的标签缺陷鉴别、裁切和收集系统的一个实施例中的实物的第一视角结构示意图；

图5为本发明提供的标签缺陷鉴别、裁切和收集系统的一个实施例的实物的第二视角的结构示意图；

其中，放料卷筒-1，牵拉装置-2、10，激光头-13，激光头X轴电机-4，激光头Y轴电机-5，摄像头-3，空气泵X轴电机-6，空气泵Y轴电机7，空气泵吸头-8，导向轮-9，收料滚筒-11，夹紧装置-12，放料端设置夹紧装置-14，末端放置堆料区-15，需要放入的包装盒-16，滑动导轨-17，显示屏控制器-18。

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。

请参考图1-5，图1为本发明提供的标签缺陷鉴别、裁切和收集方法的一个实施例中的步骤流程结构示意图；图2为本发明提供的标签缺陷鉴别、裁切和收集方法的一个实施例中的布料张紧状态检测的步骤流程结构示意图；图3为本发明提供的标签缺陷鉴别、裁切和收集系统的一个实施例中的结构示意图；图4为本发明提供的标签缺陷鉴别、裁切和收集系统的一个实施例中的实物的第一视角结构示意图图5为本发明提供的标签缺陷鉴别、裁切和收集系统的一个实施例的实物的第二视角的结构示意图。

在一种具体实施方式中，所述标签缺陷鉴别、裁切和收集方法，包括：

S1，将布料放置到裁切机的放料卷筒中并将所述布料固定；

S2，设置需要裁切的标签外轮廓；

S3，将所述布料张开，并使得所述布料保持预定的张力；

S4，控制激光头进行对准操作，通过控制所述激光头在所述布料上全方位移动，结合视觉检测，将所述激光头移动到目标标签的起始位置；

S5，对所述目标标签进行图像拍摄，获得目标标签图像，通过对所述目标标签图像轮廓线提取后，对所述目标标签进行标签识别和鉴定；

S6，重复所述S3-S5，得到一列或多列标签的平滑轨迹线和识别结果，并对合格标签的轨迹线进行合并，控制所述激光头对所述布料进行裁切，将合格标签裁切下来，将废品标签保留；

S7，对合格标签对应的合格布料进行整齐罗列和收集。

将布料放置到裁切机的放料卷筒中并将布料固定，设置需要裁切的标签外轮廓，将布料张开保持预定的张力，控制激光头移动到目标标签的起始位置，对目标标签进行图像拍摄，获得目标标签图像，通过对目标标签图像轮廓线提取后，对目标标签进行标签识别和鉴定；控制激光头对布料进行裁切，将合格标签裁切下来，将废品标签保留，对合格标签对应的合格布料进行整齐罗列和收集。通过结合机器视觉和人工智能对裁切的标签进行定位和鉴别，控制二维激光只对合格标签进行裁切，可快速避开有缺陷的标签，对合格布料进行收集和整齐排列，实现了从更换布料、鉴别、裁切到收集和排列的全自动裁切过程，可减少对缺陷标签的裁切、收集及后期对标签的人工辨别缺陷工作，大大提高生产效率。

本申请中对于控制布料的张力过程不做限定，一个实施例中，所述S3包括：

通过对所述布料的两端通过夹紧装置加装进行夹持；

通过推杆电机控制两个滚筒间的间距以实现控制两个所述夹紧装置之间间距，从而控制所述布料的张力。

一个实施例中，自动换料过程由两端夹紧装置和视觉检测松紧程度组成。两个夹紧装置通过推杆电机控制两个滚筒间的间距以控制布料的张力。当张力过高时，分离收料端夹紧装置关闭，放料端夹紧装置向后移动，实现布料的松弛。当张力过低时，两端夹紧装置关闭，通过控制单侧滚筒进行收料，以保持张力适中。

对于其中的张紧程度的判断不做限定，为了避免由于仅仅人工判定造成的误差，为了提高对于张紧程度的精准化、标准化判定，降低误差，一个实施例中，所述S3还包括：

S31，获取当前的所述长卷布料的张紧图片；

S32，对张紧图片进行增强处理，所述增强处理包括去噪、二值化和形态学处理；

S33，使用Canny算子进行边缘检测，提取当前摄像头下所述标签的外轮廓；

S34，将所述外轮廓的轮廓点通过笛卡尔坐标系转换形成笛卡尔轮廓点；

S35，通过傅里叶级数将所述笛卡尔轮廓点转换为傅里叶描述符；

S36，从所述傅里叶描述符中提取特征，所述特征包括平均半径、凹凸性和对称性；

S37，将所述特征与标准轮廓描述符进行对比，评估相似性和差异，并通过计算欧式距离以得到差异的哈希值；

S38，重复所述步骤S31-S37，实现对多个所述标签的识别，并使用最小二乘法计算平均值，判断并输出布料处于松弛状态或紧绷状态。

本申请中包括但是不局限于上述的布料状态检测，还可以采用其它方式进行检测，比如直接采集夹紧装置对布料的拉力，只是针对不同布料实现不同的拉力，实现不同的张紧状态。

本申请对于激光头的定位控制不做限定，为了提高精准度，一个实施例中，所述S4包括；

控制所述激光头的X轴电机和Y轴电机，将所述激光头在所述补料上全方位移动，结合视觉检测，利用PID控制算法将所述激光头移动到目标标签的起始位置。

本申请中对于控制激光头的电机包括但是不局限于二维控制，还可以是三位控制，对于位置控制，除了可以采用PID控制算法，还可以采用其它算法。

本申请中需要对于标签进行检测，包括位置检测、破损检测等，对于具体检测过程不做限定，一个实施例中，所述S5包括：

拍摄并获得所述目标标签图像，并通过Canny算子提取轮廓；

将所述轮廓的轮廓线转换为笛卡尔坐标值后，形成连贯的轨迹线，并移除轨迹线中的尖点；

使用样条曲线对所述轨迹线进行插值操作，使所述轨迹线成为平滑曲线；

对所述轮廓线内的标签进行视觉检测和鉴定，通过深度学习和图像检测识别标签异常，所述标签异常包括线头开裂、污渍、纱线断裂、错梭。

为进一步实现对于特定标签的检测，一个实施例中，所述目标标签为小型标签，对所述小型标签进行检测还包括：

对目标标签图像增强，对颜色进行白平衡，增加对比度；

对所述目标标签图像处理得到对所述目标标签图像的傅里叶描述符；

对所述目标标签图像的傅里叶描述符进行池化，保留图像特征并减少图像体积；

使用灰度共生矩阵，归一化生成共生概率矩阵后，计算出所述目标标签图在对应通道及方向下的均匀程度和纹理粗细度；

将所述目标标签图像放入已经训练好的深度学习神经网络推理，通过目标检测得到训练过的缺陷总类；

合并检测，重复上述步骤，对多行的标签进行收集统计，根据所述傅里叶描述符，以及所述共生概率矩阵进行统计计算，得到差异最大的一组后与标准标签进行对比，在小于阈值后，判定所有列均为合格标签，否则，将最后一个标记为废品，继续找差异第二大的标签，重复上述的合格判定过程。

通过对小型标签进行检测，提高了效率以及适用性。

本申请中对于使用灰度共生矩阵的具体计算过程不做限定，一个实施例总，使用灰度共生矩阵，计算出所述目标标签图在对应通道及方向下的均匀程度和纹理粗细度，包括：

将所述目标标签图转变为单通道图像；

根据所述布料的织唛方向，选择与所述织唛方向垂直的方向和像素间的距离来计算共生矩阵；

将像素值分为25个级别，对每个像素统计与方向和相邻像素之间的单通道级别的共生频数；

建立一个25x25的共生矩阵，其中每个元素CLCM(i,j)表示在选择方向和距离下，像素级别i和j成对出现的次数；

对所述共生矩阵进行归一化处理，得到共生概率矩阵，每个所述元素CLCM(i,j)代表了i和j成对出现的概率；

根据所述共生概率矩阵带入以下公式计算出图像能量，反映出所述目标标签图在所述通道及方向下的均匀程度和纹理粗细度，

重复上述步骤对红，绿，蓝三通道进行计算，并得到三组缓存数据。

本申请中对于其中的对布料的罗列过程不做限定，在一个实施例中，所述S7包括：

将所述布料向前移动，移动到罗列装置处，所述罗列装置由X轴电机、Y轴电机和Z轴电机控制，所述罗列装置的头部装有与每行标签数量相匹配的空气泵；

根据所述布料的位置信息以及废品位置，控制所述空气泵移动到目标点；

向下移动，启动所有合格标签位置的空气泵阀门开关，以吸附和移动合格标签到罗列区域，所述罗列区域放置包装盒或需要存放的篮子；

打开所述空气泵，在标签掉落后，再向下移动以将标签压紧。

本申请中包括但是不局限于上述的对于布料的罗列方式。

本申请中对于空气泵的具体控制结构以及控制方式不做限定，一个实施例中，控制所述空气泵移动到目标点为控制所述空气泵在滑动导轨上进行位置调节，包括：

根据每行的标签数量向所述滑动导轨上添加数量一致的所述空气泵；

根据标签间的间隔设置相邻所述空气泵之间的间距；

当裁切后的标签移动到所述罗列区域后，所述空气泵下移，吸起裁切好的标签，然后抬起；

所述空气泵的Y轴电机带动吸附上的标签移动到盒子上端；

下移所述空气泵，将吸附的所述标签压入所述盒子中；

回到初始位置完成一整行标签的收集与罗列。

一个实施例中，所述签缺陷鉴别、裁切和收集方法，包括：

布料放置。人工将长卷布料放置到裁切机的放料卷筒中，并通过夹紧装置、切割台和后端夹紧装置与收料卷筒固定。

标签轮廓设定。在软件上设置需要裁切的标签外轮廓。设定标签的长宽像素，确定初始位置，然后点击运行。装置自动开始裁切。

布料放料与更换。自动换料过程由两端夹紧装置和视觉检测松紧程度组成。两个夹紧装置通过推杆电机控制两个滚筒间的间距以控制布料的张力。当张力过高时，分离收料端夹紧装置关闭，放料端夹紧装置向后移动，实现布料的松弛。当张力过低时，两端夹紧装置关闭，通过控制单侧滚筒进行收料，以保持张力适中。

同时，提出了一种视觉方法来评估布料的松紧程度。

1)首先对图像进行增强处理，包括去噪、二值化和形态学处理，以降低噪声并提高准确性。

2)使用Canny算子进行边缘检测，提取当前摄像头下标签的外轮廓。

3)将轮廓点转换为笛卡尔坐标系表示。

4)通过傅里叶级数将这些轮廓点转换为傅里叶描述符，使用以下公式进行计算。

其中F(n)是第n个傅里叶级数，N是轮廓点总数，x_k和y_k是轮廓上的笛卡尔点。

6)从傅里叶描述符中提取特征，如平均半径、凹凸性和对称性。

7)将提取的特征与标准轮廓描述符进行对比，评估相似性和差异，并计算欧式距离以得到差异的哈希值。

8)重复步骤1-7，以识别多个标签，并使用最小二乘法计算平均值，从而判断布料是否处于松弛状态或紧绷状态。

根据视觉判断的松紧程度，控制两端夹紧装置进行松开或紧绷操作。同时，根据与标准轮廓描述符的差异，判断是否存在大面积错误标签。

激光头的对准。通过控制激光头的X和Y轴电机，将激光头在布匹上全方位移动，结合视觉检测，利用PID控制算法将激光头移动到目标标签的起始位置。

标签识别和鉴定以及轮廓线提取规划。使用摄像头拍摄图像，并通过Canny算子提取轮廓。将轮廓线转换为笛卡尔坐标值，然后形成连贯的轨迹线，并移除轨迹线中的尖点。使用样条曲线对轨迹线进行插值，使其更加平滑。同时，对轮廓线内的标签进行视觉检测和鉴定，通过深度学习和图像检测来识别线头开裂、污渍、纱线断裂、错梭等问题。

提出针对小型标签的检测方法，具体方法如下：

第一步：图像增强，对颜色进行白平衡，增加对比度。利用高斯核函数对图像进行滤波，平滑图像降低噪声点。

第二步：使用步骤三中的视觉检测方法，得到图像的傅里叶描述符。初步锁定标签所在区域，是否存在与标准标签差异过大的缺陷。筛选出利于大面积缺损，错误，遮挡等大型缺陷。

第三步：引入图像池化算法，对输入图像进行池化，保留图像特征并减少图像体积。

使用平均池化的方法。采用中心提取的卷积核，按照2个单位的步长进行池化。

第四步：使用灰度共生矩阵(Gray-Level Co-occurrence Matrix，GLCM)

计算步骤如下：

1)将图像转变为单通道图像,

2)根据布料的织唛方向，选择与之垂直的方向和像素间的距离来计算共生矩阵。

3)将像素值分为25个级别。对每个像素统计与方向和相邻像素之间的单通道级别的共生频数。

4)建立一个25x25的共生矩阵，其中每个元素CLCM(i,j)表示在选择方向和距离下，像素级别i和j成对出现的次数。

5)然后对其进行归一化处理，得到共生概率矩阵，每个元素CLCM(i,j)代表了i和j成对出现的概率

6)根据矩阵带入以下公式计算出图像能量，反映出图像在该通道及方向下的均匀程度和纹理粗细度。

7)重复上述步骤对红，绿，蓝三通道进行计算，并得到三组缓存数据。

第五步：将图像放入已经训练好的深度学习神经网络推理，通过目标检测得到训练过的缺陷总类，例如脏污，错梭，开线等。

使用focal loss函数改进过后的YOLO模型。focal loss函数是通过改进交叉熵损失函数形成的，其具体形式为：

其中p_t是类别y的接近程度，p_t越大，分类越准确；γ>0是调节因子；为预测概率大小；y为label对应1、0；

第六步：合并检测，重复1-5步，对多行的标签进行收集统计，根据轮廓的傅里叶描述符，以及共生概率矩阵进行统计计算。得到差异最大的一组，将差异最大的一个与标准标签进行对比如果小于阈值，则所有列均为合格标签。否则将最后一个标记为废品，继续找差异第二大的标签如果差异过大则标记为废品，继续操作，直到符合要求。

选择性裁切。重复上述步骤，得到一列或多列标签的平滑轨迹线和识别结果。根据识别结果，仅对合格标签的轨迹线进行合并。

通过控制激光头进行裁切，将合格标签裁切下来，而废品标签保留。

对合格布料进行整齐罗列和收集。通过牵引装置将布料向前移动，移动到罗列装置处。罗列装置由X、Y和Z轴电机控制，其头部装有与每行标签数量相匹配的空气泵。通过步骤三和步骤四得到布料的位置信息以及废品位置。控制空气泵移动到目标点，然后向下移动，启动所有合格标签位置的空气泵阀门开关，以吸附和移动合格标签到罗列区域。在罗列区域，放置包装盒或需要存放的篮子。然后打开空气泵，待标签掉落后，再向下移动以将标签压紧。

空气泵可以在滑动导轨上移动调节之间的间距。具体的详细步骤方法如下：

1.根据每行的标签数量向滑动导轨上添加数量一致的空气泵。

2.根据标签间的间隔设置每个空气泵之间的间隔。

3.当裁切后的标签移动到罗列区后，空气泵下移，吸起裁切好的标签。然后抬起。

4.空气泵的Y轴电机带动吸附上的标签移动到盒子上端。

5.下移空气泵，将标签压入盒子中。

6.回到初始位置完成一整行标签的收集与罗列。

重复步骤二至五，直到整卷布料完成鉴别、裁切、筛选、罗列和收集的全自动化过程。

除此之外，本申请的实施例还提供了一种标签缺陷鉴别、裁切和收集系统，包括：

布料固定装置100，包括放料卷筒和夹紧部件，所述放料卷筒用于存储布料，所述夹紧部件对所述布料进行夹紧；

张力调整装置200，用于对所述布料夹紧的所述夹紧部件之间的间距进行调整，实现对所述布料的张力进行调整；

对准装置300，用于控制激光头的X轴电机和Y轴电机，使得所述激光头在所述补料上全方位移动，结合视觉检测，利用PID控制算法将所述激光头移动到目标标签的起始位置；

识别装置400，用于对所述目标标签进行图像拍摄，获得目标标签图像，通过对所述目标标签图像轮廓线提取后，对所述目标标签进行标签识别和鉴定；

裁切装置500，用于将所述识别装置鉴定出的合格标签对应的所述布料通过所述激光头进行裁切，将合格标签裁切下来，将废品标签保留；

罗列装置600，用于对合格标签对应的合格布料进行整齐罗列和收集。

由于所述标签缺陷鉴别、裁切和收集系统为上述的标签缺陷鉴别、裁切和收集方法对应的系统，具有相同的有益效果。

一个实施例中，如图4和图5，布料固定装置，包括放料卷筒1和夹紧部件，还包括用于布料移动的设置在放料端的牵拉装置2、10，激光头13设置有激光头X轴电机4、激光头Y轴电机5，设置摄像头3进行图片拍摄，空气泵通过空气泵X轴电机6、空气泵Y轴电机7，通过空气泵吸头8进行物料吸附，通过设置的导向轮9进行物料的移动导向，收料滚筒11，夹紧装置12，放料端设置夹紧装置14，末端放置堆料区15，需要放入的包装盒16，通过滑动导轨17控制空气泵移动，通过显示屏控制器18进行状态显示以及器件状态控制。

综上所述，本发明实施例提供的标签缺陷鉴别、裁切和收集方法和系统，将布料放置到裁切机的放料卷筒中并将布料固定，设置需要裁切的标签外轮廓，将布料张开保持预定的张力，控制激光头移动到目标标签的起始位置，对目标标签进行图像拍摄，获得目标标签图像，通过对目标标签图像轮廓线提取后，对目标标签进行标签识别和鉴定；控制激光头对布料进行裁切，将合格标签裁切下来，将废品标签保留，对合格标签对应的合格布料进行整齐罗列和收集。通过结合机器视觉和人工智能对裁切的标签进行定位和鉴别，控制二维激光只对合格标签进行裁切，可快速避开有缺陷的标签，对合格布料进行收集和整齐排列，实现了从更换布料、鉴别、裁切到收集和排列的全自动裁切过程，可减少对缺陷标签的裁切、收集及后期对标签的人工辨别缺陷工作，大大提高生产效率。

以上对本发明所提供的标签缺陷鉴别、裁切和收集方法和系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种标签缺陷鉴别、裁切和收集方法，其特征在于，包括：

S1，将布料放置到裁切机的放料卷筒中并将所述布料固定；

S2，设置需要裁切的标签外轮廓；

S3，将所述布料张开，并使得所述布料保持预定的张力；

S4，控制激光头进行对准操作，通过控制所述激光头在所述布料上全方位移动，结合视觉检测，将所述激光头移动到目标标签的起始位置；

S5，对所述目标标签进行图像拍摄，获得目标标签图像，通过对所述目标标签图像轮廓线提取后，对所述目标标签进行标签识别和鉴定；

S6，重复所述S3-S5，得到一列或多列标签的平滑轨迹线和识别结果，并对合格标签的轨迹线进行合并，控制所述激光头对所述布料进行裁切，将合格标签裁切下来，将废品标签保留；

S7，对合格标签对应的合格布料进行整齐罗列和收集。

2.如权利要求1所述标签缺陷鉴别、裁切和收集方法，其特征在于，所述S3包括：

通过对所述布料的两端通过夹紧装置加装进行夹持；

通过推杆电机控制两个滚筒间的间距以实现控制两个所述夹紧装置之间间距，从而控制所述布料的张力。

3.如权利要求2所述标签缺陷鉴别、裁切和收集方法，其特征在于，所述S3还包括：

S31，获取当前的所述长卷布料的张紧图片；

S32，对张紧图片进行增强处理，所述增强处理包括去噪、二值化和形态学处理；

S33，使用Canny算子进行边缘检测，提取当前摄像头下所述标签的外轮廓；

S34，将所述外轮廓的轮廓点通过笛卡尔坐标系转换形成笛卡尔轮廓点；

S35，通过傅里叶级数将所述笛卡尔轮廓点转换为傅里叶描述符；

S36，从所述傅里叶描述符中提取特征，所述特征包括平均半径、凹凸性和对称性；

S37，将所述特征与标准轮廓描述符进行对比，评估相似性和差异，并通过计算欧式距离以得到差异的哈希值；

S38，重复所述步骤S31-S37，实现对多个所述标签的识别，并使用最小二乘法计算平均值，判断并输出布料处于松弛状态或紧绷状态。

4.如权利要求1所述标签缺陷鉴别、裁切和收集方法，其特征在于，所述S4包括；

控制所述激光头的X轴电机和Y轴电机，将所述激光头在所述补料上全方位移动，结合视觉检测，利用PID控制算法将所述激光头移动到目标标签的起始位置。

5.如权利要求1所述标签缺陷鉴别、裁切和收集方法，其特征在于，所述S5包括：

拍摄并获得所述目标标签图像，并通过Canny算子提取轮廓；

将所述轮廓的轮廓线转换为笛卡尔坐标值后，形成连贯的轨迹线，并移除轨迹线中的尖点；

使用样条曲线对所述轨迹线进行插值操作，使所述轨迹线成为平滑曲线；

对所述轮廓线内的标签进行视觉检测和鉴定，通过深度学习和图像检测识别标签异常，所述标签异常包括线头开裂、污渍、纱线断裂、错梭。

6.如权利要求5所述标签缺陷鉴别、裁切和收集方法，其特征在于，所述目标标签为小型标签，对所述小型标签进行检测还包括：

对目标标签图像增强，对颜色进行白平衡，增加对比度；

对所述目标标签图像处理得到对所述目标标签图像的傅里叶描述符；

对所述目标标签图像的傅里叶描述符进行池化，保留图像特征并减少图像体积；

使用灰度共生矩阵，归一化生成共生概率矩阵后，计算出所述目标标签图在对应通道及方向下的均匀程度和纹理粗细度；

将所述目标标签图像放入已经训练好的深度学习神经网络推理，通过目标检测得到训练过的缺陷总类；

合并检测，重复上述步骤，对多行的标签进行收集统计，根据所述傅里叶描述符，以及所述共生概率矩阵进行统计计算，得到差异最大的一组后与标准标签进行对比，在小于阈值后，判定所有列均为合格标签，否则，将最后一个标记为废品，继续找差异第二大的标签，重复上述的合格判定过程。

7.如权利要求6所述标签缺陷鉴别、裁切和收集方法，其特征在于，使用灰度共生矩阵，计算出所述目标标签图在对应通道及方向下的均匀程度和纹理粗细度，包括：

将所述目标标签图转变为单通道图像；

根据所述布料的织唛方向，选择与所述织唛方向垂直的方向和像素间的距离来计算共生矩阵；

将像素值分为25个级别，对每个像素统计与方向和相邻像素之间的单通道级别的共生频数；

建立一个25x25的共生矩阵，其中每个元素CLCM(i,j)表示在选择方向和距离下，像素级别i和j成对出现的次数；

对所述共生矩阵进行归一化处理，得到共生概率矩阵，每个所述元素CLCM(i,j)代表了i和j成对出现的概率；

根据所述共生概率矩阵带入以下公式计算出图像能量，反映出所述目标标签图在所述通道及方向下的均匀程度和纹理粗细度，

重复上述步骤对红，绿，蓝三通道进行计算，并得到三组缓存数据。

8.如权利要求1所述标签缺陷鉴别、裁切和收集方法，其特征在于，所述S7包括：

将所述布料向前移动，移动到罗列装置处，所述罗列装置由X轴电机、Y轴电机和Z轴电机控制，所述罗列装置的头部装有与每行标签数量相匹配的空气泵；

根据所述布料的位置信息以及废品位置，控制所述空气泵移动到目标点；

向下移动，启动所有合格标签位置的空气泵阀门开关，以吸附和移动合格标签到罗列区域，所述罗列区域放置包装盒或需要存放的篮子；

打开所述空气泵，在标签掉落后，再向下移动以将标签压紧。

9.如权利要求8所述标签缺陷鉴别、裁切和收集方法，其特征在于，控制所述空气泵移动到目标点为控制所述空气泵在滑动导轨上进行位置调节，包括：

根据每行的标签数量向所述滑动导轨上添加数量一致的所述空气泵；

根据标签间的间隔设置相邻所述空气泵之间的间距；

当裁切后的标签移动到所述罗列区域后，所述空气泵下移，吸起裁切好的标签，然后抬起；

所述空气泵的Y轴电机带动吸附上的标签移动到盒子上端；

下移所述空气泵，将吸附的所述标签压入所述盒子中；

回到初始位置完成一整行标签的收集与罗列。

10.一种标签缺陷鉴别、裁切和收集系统，其特征在于，

布料固定装置，包括放料卷筒和夹紧部件，所述放料卷筒用于存储布料，所述夹紧部件对所述布料进行夹紧；

张力调整装置，用于对所述布料夹紧的所述夹紧部件之间的间距进行调整，实现对所述布料的张力进行调整；

对准装置，用于控制激光头的X轴电机和Y轴电机，使得所述激光头在所述补料上全方位移动，结合视觉检测，利用PID控制算法将所述激光头移动到目标标签的起始位置；

识别装置，用于对所述目标标签进行图像拍摄，获得目标标签图像，通过对所述目标标签图像轮廓线提取后，对所述目标标签进行标签识别和鉴定；

裁切装置，用于将所述识别装置鉴定出的合格标签对应的所述布料通过所述激光头进行裁切，将合格标签裁切下来，将废品标签保留；

罗列装置，用于对合格标签对应的合格布料进行整齐罗列和收集。