CN210864814U - 织物对边装置 - Google Patents
织物对边装置 Download PDFInfo
- Publication number
- CN210864814U CN210864814U CN201921977555.6U CN201921977555U CN210864814U CN 210864814 U CN210864814 U CN 210864814U CN 201921977555 U CN201921977555 U CN 201921977555U CN 210864814 U CN210864814 U CN 210864814U
- Authority
- CN
- China
- Prior art keywords
- fabric
- image
- edge
- opposite side
- image acquisition
- 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
Links
Images
Landscapes
- Treatment Of Fiber Materials (AREA)
Abstract
本实用新型涉及一种织物对边装置。装置包括:支架;滑轨,所述滑轨安装于所述支架上;图像采集设备,与对边机连接,且所述图像采集设备与所述滑轨配合且可沿所述滑轨移动;动力机构,所述动力机构与所述图像采集设备连接,用于驱动所述图像采集设备。实现了通过动力机构自动调节图像采集设备的位置,提高了对织物进行对边的效率。
Description
技术领域
本申请涉及印染设备技术领域,特别是涉及一种织物对边装置。
背景技术
随着社会的进步与发展,人们对纺织品的种类以及质量要求越来越高。但是对纺织品进行印染等处理的之前必须对纺织品进行对边操作,以保证纺织品在传送的过程中偏斜,进而影响印染等纺织品的质量。
传统技术中是预先在对边机上安装多个光电检测管,但是光电检测管为固定在对边机上,并且当织物更改时,需要人工再次对光电检测管的位置进行调整,操作复杂,位置调节的效率低下。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高位置调节效率的的织物对边装置。
一种织物对边装置,所述装置包括:
支架;
滑轨,所述滑轨安装于所述支架上;
图像采集设备,与对边机连接,且所述图像采集设备与所述滑轨配合且可沿所述滑轨移动;
动力机构,所述动力机构与所述图像采集设备连接,用于驱动所述图像采集设备。
在一个实施例中,所述图像采集设备通过高度调节机构与所述滑轨连接。
在一个实施例中,所述滑轨的长度可调节。
在一个实施例中,所述图像采集设备的数量为两个。
在一个实施例中,所述动力机构为电机。
在一个实施例中,所述图像采集设备为数码摄像机。
在一个实施例中,所述织物对边装置还与织物张力控制机构连接,所述张力控制机构控制织物连续性保持张力不变传送,所述织物对边装置控制所述织物对边整齐传送。
在一个实施例中,所述装置还包括:
控制机构,所述控制机构的输入端与所述图像采集连接,所述控制机构用于接收所述图像采集设备采集的织物图像;
所述控制机构的输出端与对边机连接,所述控制机构用于根据织物图像获取的控制参数驱动所述对边机对织物进行对边。
在一个实施例中,所述装置还包括报警机构,所述报警机构与所述控制机构的输出端连接,所述报警机构用于当所述织物对边装置发生异常时,所述报警机构发出报警指示。
在一个实施例中,所述装置还包括显示界面,所述显示界面用于显示控制参数以及结果参数。
上述织物对边装置,包括支架;滑轨,所述滑轨安装于所述支架上;图像采集设备,与对边机连接,且所述图像采集设备与所述滑轨配合且可沿所述滑轨移动;动力机构,所述动力机构与所述图像采集设备连接,用于驱动所述图像采集设备。实现了通过动力机构自动调节图像采集设备的位置,提高了对织物进行对边的效率。
附图说明
图1为本实用新型一实施例中织物对边装置安装到送布机上的结构示意图;
图2为图1的A-A向剖视图;
图3为本实用新型一个实施例中织物对边方法的应用场景图;
图4为本实用新型一个实施例中织物对边方法的流程示意图;
图5为本实用新型一个实施例中获取织物图像的特征向量的流程示意图;
图6为本实用新型一个实施例中获取织物图像边缘线的流程示意图;
图7为一个实施例中织物对边装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
1、送布机;10、送布辊;20、引导辊;2、织物;30、图像采集设备;31、滑轨。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
下面结合附图对本实用新型作进一步说明。
为了便于理解本实用新型,下面将参照相关附图对本实用新型进行更全面的描述。附图中给出了本实用新型的较佳实施例。但是,本实用新型可以以许多不同的形式来实现,并不限于本文所描述的实施例。本领域普通技术人员将认识到,在不背离由随附的权利要求所限定的本实用新型的范围的情况下,可以对本文所描述的各种实施例作出变化和改进。此外,为了清楚和简洁起见,可能省略对熟知的功能和构造的描述。
应当理解的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件;当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义,本文所使用的所有的技术和科学术语与属于本实用新型的技术领域的技术人员通常理解的含义相同。本文中在本实用新型的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本实用新型。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
参考图1,为本实用新型一实施例中提供的织物对边装置安装到送布机上的结构示意图,参考图2,为图1的A-A向剖视图。具体地,送布机1对织物2进行传送,包括利用送布辊10以及引导辊20对织物2进行传送,更加具体地,织物2通过送布辊10的传输到达引导辊2,然后设于织物2上的图像采集设备30对织物2进行拍摄得到织物图像。
继续参考图1以及图2,在一个实施例中,织物对边装置包括支架,图像采集设备可移动地设置在支架上,并且当图像采集设备的位置确定之后,还可以被固定在支架上。如支架可为水平方向设置,可以调整图像采集设备在支架上的水平方向上的位置。支架上还可设有滑轨31,具体地,滑轨31可固定地设置于支架上,此时滑轨31的位置不可调节,或者滑轨31还可以可移动的设置于支架上,此时滑轨31在支架上的位置可调节。图像采集设备30与滑轨31配合且可沿滑轨31移动;动力机构,动力机构与图像采集设备30连接,用于驱动图像采集设备30。
在本实施例中,在动力机构的驱动下,图像采集设备可在滑轨上移动,实现了对图像采集设备位置的自动调整,特别是当更换织物时,无需人工进行干预位置的调整,不仅简化了操作,解放了人力,并且,通过机器自动调节还能提高调节的准确率以及调节的效率,同时也提高了对织物进行对边的效率。
在一个实施例中,图像采集设备通过高度调节机构与滑轨连接。
图像采集设备30可织物的上方,在对织物实时传送的过程中,图像采集设备30在织物的上方实时采集织物对应的织物图像。织物对边装置还包括高度调节机构,可用于调节图像采集设备的高度,以根据不同的织物选择适应的高度,进一步提高了织物对边机的灵活性。如高度调节机构可为可伸缩机构,可以通过旋转连接等方式调整图像采集设备与织物之间的距离。
在一个实施例中,滑轨31的长度可调节,可根据不同织物,适应性地调整滑轨31的尺寸,以提高对不同织物的适应能力。
在本申请中对图像采集设备30的个数不做限制,可以为一个或多个,具体地,可根据实际的情况进行选择。
继续参考图1,在一个实施例中,图像采集设备30的数量为两个。控制机构与各图像采集设备30连接,根据获取的控制参数如尺寸参数控制动力机构,以调整各图像采集设备30的位置。
图像采集设备的数量为两个,在对织物进行对边操作的过程中还可以根据织物的特征选择图像采集设备的数量,当选择两个图像采集设备时,两个图像采集设备分别与控制机构连接,以使得控制机构能够对两个图像采集设备的位置分别进行控制。控制机构获取织物的特征,如尺寸特征或者织物的类型特征,根据这些特征选择图像采集设备的数量以及图像采集设备的采集参数。
当控制机构获取织物的尺寸参数时,还将尺寸参数发送至动力机构,以使动力机构调整图像采集设备在滑轨上的位置。
在本实施例中,通过设置两个图像采集设备,提高了对边机对织物的适应能力。在一方面,当织物的尺寸较小时,如两种织布的宽度之和不大于织物传送辊的宽度时,此时在对边机的送布辊以及引导辊上可以同时传送至少两批织物,可以将两个图像采集设备分别采集不同织物对应的织物图像,实现同时对两种织布的对边调整,不仅提高了对边机对织布尺寸的适应性,提高了对边机的使用灵活性,提高了对边机的利用率,同时也节约了成本。
在另一个方面,当要实现对织物进行对中操作时,通过双摄像头分别检测织布在宽度方向上的两个边缘,根据两个边缘计算得到织布的中间位置参数,将中间位置参数于标准参数进行比对,得到偏移值,该偏移值为宽度方向上的调整值。其中,对中适用于需要按照中间路线进步的织布场景。
进一步地,动力机构为电机,在其他是实施例中还可以为气动机构等,再此不做限制。
图7为一个实施例中织物对边装置的结构框图,参考图1、图2以及图7,图像采集设备30,用于采集织物对应的织物图像;动力机构520,与图像采集设备30连接,用于调节图像采集设备30的位置;控制机构530,与动力机构520连接,获取织物对应的控制参数如尺寸参数,根据尺寸参数控制动力机构520,以调整图像采集设备30的位置;以及,控制机构530与图像采集设备30连接,根据图像采集设备30采集的织物图像获取织物对应的位置校准值,根据位置校准值控制对边机130,以对织物的位置进行调整,实现对织布的对边。
动力机构520与图像采集设备30连接,动力机构520提供的动力可用于调整图像采集设备30的位置,并且,当图像采集设备30的位置调整完成后,还包括利用固定装置对图像采集设备30进行固定操作,以在对织物进行图像采集的过程中,保证图像采集设备30处于稳定的状态,进而保证图像采集的质量。其中图像采集设备30可为摄像机等其他具有图像采集功能的设备。
控制机构530可对图像采集设备30采集的织物图像进行分析,得到织物的特征参数如织物的尺寸参数,进而根据获取的尺寸参数控制动力机构520调整图像采集设备30的位置,以使图像采集设备30能够在合适的位置实时采集织物对应的织物图像。控制机构530还能实时获取图像采集设备30对织物进行实时图像采集得到的织物图像,并根据织物图像获取位置校准值,根据位置校准值控制对边机130调整织物的位置,实现对织物的对边。具体地,获取位置校准值的方法可参考本申请提供的织物对边方法中提供的实施例。
在本实施例中,通过将图像采集设备实时采集织物图像,并通过控制机构实时计算织物对应的位置校准值,以实时控制对边机对织物进行对边,实现了在传送织物的过程中不断对织物进行位置调整的功能。并且通过图像采集设备采集织物图像,使得对边机能够适应所有类型的织物进行对边调整,进一步地,还能够通过织物的特点,如织物的类型、织物的尺寸等灵活调整图像采集设备的位置,进一步地提高了对边机对织物进行对边的灵活性以及适应性。
具体地,控制机构还包括显示界面,用于显示控制参数以及结果参数。控制机构将获取的织物特征、图像采集设备的数量以及采集参数等信息进行输出显示,以供工作人员根据参数进行适应性地调整。通过显示界面实时显示,友好的显示界面,提高了织物对边的效率。
在一个实施例中,装置还包括报警机构,当织物对边装置发生异常时,报警机构发出报警指示。报警指示可为声音提示或者指示灯提示,或者也可以为推送消息的指示灯,在此不做限制。通过报警指示可以实时监控对边装置的工作状态,特别是当对边装置发生故障时,更是能够及时得到故障的提示,及时对故障进行处理,提高了对故障处理的效率。
在一个实施例中,织物对边装置还与织物张力控制机构连接,张力控制机构控制织物连续性保持张力不变传送,织物对边装置控制织物对边整齐传送。将对边装置与张力控制机构进行连接,使得对织物进行传送的过程中,即实现了对织物的张力控制又实现了对织物的对边控制,大大提高了对织物的打印质量。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本实用新型的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对实用新型专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本实用新型构思的前提下,还可以做出若干变形和改进,这些都属于本实用新型的保护范围。因此,本实用新型专利的保护范围应以所附权利要求为准。
本申请提供的织物对边装置,可以应用于如图3所示的应用环境中。其中,图像采集设备30、对边机130通过网络与服务器120进行通信。服务器120获取图像采集设备30采集的织物图像;提取织物图像对应的织物特征,根据织物特征获取织物对应的对边参考线以及对边参考线对应的对边参考位置;获取对边比对位置;根据对边参考位置以及对边比对位置得到对边位置校准值;将对边位置校准值输送至对边机130,以对织物进行对边。
其中,服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。当服务器120为独立的服务器时,服务器120中可以部署多个数据库,每个数据库中可以存储特定类型的织物图像;当服务器120为多个服务器组成的服务器集群时,每个服务器中部署的数据库中可以存储特定类型的织物图像库。
在一个实施例中,如图4所示,提供了一种织物对边方法,以该方法应用于图3中的服务器120为例进行说明,在其他实施例中,该方法也可以应用于终端,方法包括以下步骤:
步骤410,获取图像采集设备采集的织物图像。
图像采集设备可为工业相机,织物是由细小柔长物通过交叉,绕结,连接构成的平软片块物,包括纺织物、编织物、毛巾等布料。当服务器检测到织物时,触发图像采集设备对织物进行拍摄得到织物图像。其中,图像采集设备的数量可为多个,多个图像采集设备依次设置在织物上方或者下方,对织物进行拍摄,并且图像采集设备的个数可根据织物的尺寸进行调整,当织物的宽度较大时,图像采集设备的数量也较多。
步骤420,提取织物图像对应的织物特征,根据织物特征获取织物对应的对边参考线以及对边参考线对应的对边参考位置。
织物的类别多种多样,如可按照原料类型分为纯纺织物、混纺织物以及交织织物等,按照花纹类型可分为横条花纹织物、格子花纹织物等。不同类别的织物具有不同的织物特征,并且对不同类型的织物进行对边处理时,服务器根据织物的类型可以自适应选择最佳的对边参考线。为了识别织物的类型,图像采集设备对织物进行拍摄得到织物图像,实现对织物的数字化转换,然后服务器调用图像处理算法提取织物图像对应的特征向量,特征向量是用于表征织物特征的向量,可用于识别织物,进而可以根据特征向量实现对织物类型的识别。具体地,服务器可提取织物图像对应的花纹特征向量,利用花纹特征向量识别织物的类别,然后根据织物的类别匹配到与该织物对应的对边参考线信息。
对边参考线信息中可包含对边参考线的类型以及各类型的对边参考线的特征等信息。对边参考线的类型可包括织物的边缘线或者预先在织物上标定的标定线。当对边参考线是预先标定的标定线时,还包括标定线的特征,如颜色、形状等信息。然后服务器根据获取到的对边参考线信息从织物图像中提取对边参考线的位置,如可获取对边参考线的位置坐标。需要说明的是,服务器可获取对边参考线上的一个位置处的位置坐标,例如为中间位置处的坐标,也可以获取对边参考线上多个位置处对应的多个位置坐标。
步骤430,获取对边比对位置。
对边比对位置是预先设定的该织物在传送过程中应该所在的位置,织物的对边参考线在传送过程中应该与对边比对位置重合或者接近重合,以保证织物在传送过程中始终在预设的轨迹上传输,如对边比对位置可以为坐标位置。
步骤440,根据对边参考位置以及对边比对位置得到对边位置校准值。
服务器获取对边参考位置对应的位置坐标,以及对边比对位置对应的位置坐标,将坐标进行比对,得到对边位置校准值。如服务器获取对边参考位置中心处对应的位置坐标,将该中心处的位置坐标与对边比对位置进行比对,得到对边位置校准值。
当服务器获取的对边参考位置对应的位置坐标包括多个时,还包括对多个位置坐标进行加权计算,得到一个综合的位置坐标,将该综合的位置坐标与对边比对位置坐标进行比对,得到对边位置校准值。
步骤450,根据对边位置校准值对织物进行对边。
织物在传送的过程中很容易因为速度,拉力或者织物的厚薄不均匀及各类机械损害,造成织物在生产线上左右移动及单向偏离的现象,对后续织物的印染等处理造成较大的影响,影响织物产品的质量。为了保证织物产品的质量,在对织物进行印染等处理之前需要将织物通过对边机,实时检测织物在传送过程中产生的偏移,获取该偏移对应的对边位置校准值,将该校准值输入对边机以驱动对边机实时对织物进行对边,实现实时检测、调整织物在传送过程中的位置,以保证对织物进行印染等处理的产品质量。
在本实施例中,在织物传送过程中,实时采集织物图像,检测织物图像中的对边参考位置,并根据对边参考位置与对边比对位置进行比对,得到对边位置校准值,根据对边位置校准值实时控制对边机对织物的位置进行调整,实现实时的织物对边。在对织物对边的整个过程中,采用自动化的处理流程,实时采集织物图像,实时进行织物图像的对边参考位置的提取,实现对织物的实时对边处理。图像处理算法的应用适应各种类型的织物,不仅提高了对织物类型的全适应,并且也提高了对织物对边操作的效率与准确率。
在一个实施例中,提取织物图像对应的织物特征,根据织物特征获取织物对应的对边参考线以及对边参考线对应的对边参考位置,包括:提取织物图像对应的纹理特征;根据纹理特征得到织物的类型;根据类型获取织物关联的对边参考线类型;从织物图像中提取与对边参考线类型匹配的对边参考线;根据对边参考线获取对应的对边参考位置。
纹理特征可以识别织物的花纹类型,根据纹理特征也可以识别织物的纹理角度。具体地,可以利用空间域的处理算法如局部二值模式(LBP-Local Binary Pattern)提取织物图像的局部纹理特征,也可以利用频率域的处理算法如傅里叶变换等算法提取织物的纹理特征,进而可以根据织物的纹理特征得到纹理角度以及纬纱角度。需要说明的是,在本申请中对织物纹理的提取方式不做限制。
服务器中预先存储了织物的类别与对边参考线的对应的关系,当服务器根据织物的纹理特征获取织物的类别时,可以从存储器中匹配该类别的织物对应的对边参考线的类型,然后再执行从织物图像中提取与对边参考线的类别匹配的对边参考线;根据对边参考线获取对应的对边参考位置。
需要说明的是,在对织物图像进行织物纹理特征提取之前,还可以包括对织物图像进行预处理,然后对预处理后的织物图像进行纹理特征提取。其中,预处理可包括:对织物图像进行灰度化处理得到灰度图,或者进行二值化处理得到二值织物图像,或者对织物图像进行滤波处理,去除织物图像中的不利于进行纹理特征提取的像素信息,或者对织物图像进行增强处理等等,在此不作限制。
在一个实施例中,在对织物进行类别识别的过程中,为了提高了对织物类别的识别鲁棒性,能够实现当织物在不同状态下仍然能够正确识别出织物的类别,服务器提取织物图像的多个特征,根据织物图像的多个特征生成特征向量。其中提取到的织物特征应该具有的性能为:能识别出织物的类别,特别是当获取的织物图像为在变形、拉伸、光照以及扭曲等状态下,仍能识别出织物的类别。具体地,服务器获取织物在不同状态下的织物图像,根据不同状态下的织物图像获取织物的特征向量,根据多个特征生成特征向量。
如图5所示,提供了一种获取织物图像的特征向量的流程示意图。具体地,提取织物图像对应的多个特征,根据多个特征生成特征向量,包括:
步骤510,提取织物图像的局部纹理特征。
织物图像的纹理特征可用于识别织物类别。如可以利用局部二值模式(LBP-LocalBinary Pattern)提取织物图像的局部纹理特征,其中LBP是一种用来描述图像局部特征的算子,LBP特征具有灰度不变性和旋转不变性等显著优点,可以应对光照的变化,即在不同光照变化下仍能识别出织物类别。
步骤520,获取织物图像在多个尺度下的多尺度图像,根据多尺度图像提取织物图像的多尺度特征。
为应对织物的变形、拉伸以及扭曲,可以采用一种方向梯度直方图(HOG-histogram of oriented gradient)和LBP多特征融合的算法。首先,对输入的织物图像进行裁剪和缩放得到多个尺度的织物图像,然后根据多尺度图像提取织物图像的多尺度特征。
步骤530,根据局部纹理特征以及多尺度特征生成特征向量。
服务器将多尺度的LBP特征和一个HOG特征构成的一维向量来表示织物图像的特征向量。将织物类型与特征向量进行关联绑定,建立特征模板。进一步地,获取每个类别的织布对应的预设参数,将预设参数、织物类别以及特征向量进行关联绑定,建立织物模板。
在本实施例中,通过获取织物图像的多尺度特征,实现对织物类别的识别,并且多尺度特征具有抗干扰能力,能够实现对不同状态下的织物进行识别。
在一个实施例中,提取织物图像对应的多个特征,根据多个特征生成特征向量,包括:将织物图像输入分类模型,以通过分类模型根据预先训练好的花纹特征参数,对织物图像进行识别得到各织物图像的花纹对应的特征向量。
图像分类模型可以是预先训练好的机器学习模型,机器学习模型已经学习了对织物图像进行分类的分类参数,根据分类参数实现对织物图像类别的识别。具体地,服务器将获取的多种状态下的织物图像输入预先训练好的织物图像分类模型,织物图像分类模型根据预先学习的分类参数,提取织物图像的特征向量,根据特征向量实现对织物图像的分类。进一步地,织物图像中的花纹特征可用于表征各织物的类别,织物图像分类模型通过提取各织物图像中的花纹对应的花纹特征向量,根据花纹特征向量实现对各织物图像的类别识别。
织物图像分类模型可以为预先训练好的深度学习模型,对织物图像分类模型的训练过程可包括:将不同状态下的织物图像,以及各类型的织物图像中的花纹对应的花纹类别作为训练样本,输入深度学习模型,利用深度学习模型学习织物图像与花纹类别之间的关系,得到织物图像分类模型。
例如,深度学习模型可为CNN网络模型,具体地可为VGG16模型,在VGG16模型中使用损失函数驱动模型进行训练。进一步地,服务器将获取的织物图像依次经过训练好的VGG16模型,得到织物的类别。
在本实施例中,通过图织物像分类模型实现花纹特征向量的自动提取,实现了快速、准确地获取织物图像的特征向量,并对织物进行类别的识别。
在一个实施例中,从织物图像中提取对边参考线,包括:检测织物图像中是否存在预设标线;当存在预设标线时,将预设标线提取为对边参考线。
服务器不仅检测织物图像的织物特征,根据织物特征获取关联的对边参考线,然后从织物图像中提取对边参考线。服务器还可以利用图像检测技术直接检测织物图像中是否存在预设标线,当织物图像中存在预设标线时,将预设标线提取为对边参考线。
服务器利用图像检测技术直接检测织物图像中是否存在预设标线时,不仅可以利用常规的图像处理算法进行检测,如检测织物图像中是否存在线条特征等,服务器还可以根据深度学习算法检测织物图像中是否存在预设标线,其中深度学习模型可以为事先训练得到的模型,如事先利用多种预设标线训练机器学习模型,以使机器学习模型学习各预设标线的特征,生成识别模型,然后将织物图像输入训练好的识别模型中,识别出织物图像中的预设标线。更进一步地,当预设标线的类型更新时,还可以实时对识别模型进行更新,提高识别模型的识别能力。
进一步地,识别模型还可以识别织物的边缘,当识别模型识别到织物的边缘时,还可以将织物的边缘提取为对边参考线。
在本实施例中,可以在不知织物类型的场景下,通过自动检测技术自动检测织物图像中是否存在预设标线,并且还可以利用深度学习算法识别织物图像中的预设标线,进一步提高了对预设标线识别的准确率,并且扩大了识别的适应范围。
在一个实施例中,检测织物图像中是否存在预设标线之后,还包括:当不存在预设标线时,对织物图像进行边缘检测得到边缘线;将边缘线提取为对边参考线。
织物的边缘线可为织物的边边界形成的轮廓线。当服务器从织物图像中不能检测到预设标线时,服务器还包括对织物图像进行边缘检测,得到边缘图像,然后根据边缘图像得到织物图像的边缘线,进而将边缘线提取为对边参考线。
在本实施例中,通过对织物图像进行检测,不仅可以检测织物图像中的预设标线还可以检测织物图像中的边缘线,并且将两者之一提取为对边参考线,以保证可以准确地从织物图像中提取对边参考线。
如图6所示,提供了一种获取织物图像边缘线的流程示意图。对织物图像进行边缘检测得到边缘线,包括:
步骤610,对织物图像进行边缘检测得到边缘图像。
为了从织物图像中提取参考线,包括对织物图像进行边缘检测,得到边缘图像。边缘检测算法可为Sobel算子,Laplacian算子,Canny算子等。
进一步地,对织物图像进行边缘检测之前还可以包括对织物图像进行预处理,然后对预处理后的织物图像进行边缘检测,得到边缘图像。其中预处理包括但不限于对织物图像进行灰度化处理、对织物图像进行滤波处理、对织物图像进行锐化处理,或者对织物图像的大小进行处理等。
步骤620,当边缘图像中存在毛边时,对边缘图像进行滤波处理。
毛边可以是织物的边缘处存在的不规则的毛状物,相比于织物的真实边缘而言,毛边可以当作织物的伪边缘。当服务器检测到织物图像中存在毛边时,需要对织物的边缘图像进行去毛边处理,以防止对边机对织物进行对边时,将毛边误判为织物的真实边缘,降低对织物进行对边操作的准确性。
服务器检测边缘图像中是否存在毛边,当存在毛边时,对边缘图像进行滤波处理,以使得织物图像中的毛边对织物的边缘的影响降到最低。对边缘图像进行滤波处理可以包括对边缘图像进行膨胀处理,或者对边缘图像进行腐蚀操作等,在此不做限定。
步骤630,从滤波后的边缘图像中提取边缘线。
滤波后的边缘图像消除了伪边缘如毛边对织物图像的影响,服务器从滤波后的边缘图像中提取边缘线能够提高对边缘提取的准确性。
在本实施例中,对织物图像进行边缘提取之前包括对其进行滤波操作,去除了边缘图像中对边缘提取的不利像素信息,进而提高了对边缘线提取的准确率。
在一个实施例中,根据对边参考位置以及比边比对位置得到对边位置校准值,包括:获取对边参考线对应的多个对边参考位置;对各对边参考位置进行加权计算,得到综合的对边参考位置;根据综合的对边参考位置以及对边比对位置,得到对边位置校准值。
服务器可以从获取的对边参考线中提取多个位置处的坐标位置,然后对获取的多个坐标位置进行加权计算,得到综合的对边参考位置,然后利用综合的参考位置与对边比对位置进行比对,得到对边位置校准值。
在本实施例中,通过获取多个位置处的位置坐标,然后根据多个位置坐标计算得到综合的位置坐标,考虑到了多个位置处的偏差值,进而得到的综合位置坐标更能代表织物目前偏离标准位置处的程度,然后利用综合的位置坐标进行织物对边处理,提高了对织物对边的准确性。
应该理解的是,虽然图3-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图3-6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于搜索应用数据处理相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种织物对边方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取图像采集设备采集的织物图像;提取织物图像对应的织物特征,根据织物特征获取织物对应的对边参考线以及对边参考线对应的对边参考位置;获取对边比对位置;根据对边参考位置以及对边比对位置得到对边位置校准值;根据对边位置校准值对织物进行对边。
在一个实施例中,处理器执行计算机程序实现提取织物图像对应的织物特征,根据织物特征获取织物对应的对边参考线以及对边参考线对应的对边参考位置时还实现以下步骤:提取织物图像对应的纹理特征;根据纹理特征得到织物的类型;根据类型获取织物关联的对边参考线;从织物图像中提取对边参考线,以及获取预设的对边参考线的对边参考位置。
在一个实施例中,处理器执行计算机程序实现从织物图像中提取对边参考线时还实现以下步骤:检测织物图像中是否存在预设标线;当存在预设标线时,将预设标线提取为对边参考线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当不存在预设标线时,对织物图像进行边缘检测得到边缘线;将边缘线提取为对边参考线。
在一个实施例中,处理器执行计算机程序实现对织物图像进行边缘检测得到边缘线时还实现以下步骤:对织物图像进行边缘检测得到边缘图像;当边缘图像中存在毛边时,对边缘图像进行滤波处理;从滤波后的边缘图像中提取边缘线。
在一个实施例中,处理器执行计算机程序实现根据对边参考位置以及比边比对位置得到对边位置校准值时还实现以下步骤:获取对边参考线对应的多个对边参考位置;对各对边参考位置进行加权计算,得到综合的对边参考位置;根据综合的对边参考位置以及对边比对位置,得到对边位置校准值。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取图像采集设备采集的织物图像;提取织物图像对应的织物特征,根据织物特征获取织物对应的对边参考线以及对边参考线对应的对边参考位置;获取对边比对位置;根据对边参考位置以及对边比对位置得到对边位置校准值;根据对边位置校准值对织物进行对边。
在一个实施例中,计算机程序被处理器执行时实现提取织物图像对应的织物特征,根据织物特征获取织物对应的对边参考线以及对边参考线对应的对边参考位置时还实现以下步骤:提取织物图像对应的纹理特征;根据纹理特征得到织物的类型;根据类型获取织物关联的对边参考线;从织物图像中提取对边参考线,以及获取预设的对边参考线的对边参考位置。
在一个实施例中,计算机程序被处理器执行时实现从织物图像中提取对边参考线时还实现以下步骤:检测织物图像中是否存在预设标线;当存在预设标线时,将预设标线提取为对边参考线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当不存在预设标线时,对织物图像进行边缘检测得到边缘线;将边缘线提取为对边参考线。
在一个实施例中,计算机程序被处理器执行时实现对织物图像进行边缘检测得到边缘线时还实现以下步骤:对织物图像进行边缘检测得到边缘图像;当边缘图像中存在毛边时,对边缘图像进行滤波处理;从滤波后的边缘图像中提取边缘线。
在一个实施例中,计算机程序被处理器执行时实现根据对边参考位置以及比边比对位置得到对边位置校准值时还实现以下步骤:获取对边参考线对应的多个对边参考位置;对各对边参考位置进行加权计算,得到综合的对边参考位置;根据综合的对边参考位置以及对边比对位置,得到对边位置校准值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种织物对边装置,所述装置包括:
支架;
滑轨,所述滑轨安装于所述支架上;
图像采集设备,与对边机连接,且所述图像采集设备与所述滑轨配合且可沿所述滑轨移动;
动力机构,所述动力机构与所述图像采集设备连接,用于驱动所述图像采集设备。
2.根据权利要求1所述的装置,其特征在于,所述图像采集设备通过高度调节机构与所述滑轨连接。
3.根据权利要求1或2所述的装置,其特征在于,所述滑轨的长度可调节。
4.根据权利要求1所述的装置,其特征在于,所述图像采集设备的数量为两个。
5.根据权利要求1所述的装置,其特征在于,所述动力机构为电机。
6.根据权利要求1所述的装置,其特征在于,所述图像采集设备为数码摄像机。
7.根据权利要求1所述的装置,其特征在于,所述织物对边装置还与织物张力控制机构连接,所述张力控制机构控制织物连续性保持张力不变传送,所述织物对边装置控制所述织物对边整齐传送。
8.根据权利要求1所述的装置,其特征在于,所述装置还包括:
控制机构,所述控制机构的输入端与所述图像采集连接,所述控制机构用于接收所述图像采集设备采集的织物图像;
所述控制机构的输出端与对边机连接,所述控制机构用于根据织物图像获取的控制参数驱动所述对边机对织物进行对边。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括报警机构,所述报警机构与所述控制机构的输出端连接,所述报警机构用于当所述织物对边装置发生异常时,所述报警机构发出报警指示。
10.根据权利要求1所述的装置,其特征在于,所述装置还包括显示界面,所述显示界面用于显示控制参数以及结果参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201921977555.6U CN210864814U (zh) | 2019-11-15 | 2019-11-15 | 织物对边装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201921977555.6U CN210864814U (zh) | 2019-11-15 | 2019-11-15 | 织物对边装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN210864814U true CN210864814U (zh) | 2020-06-26 |
Family
ID=71306981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201921977555.6U Active CN210864814U (zh) | 2019-11-15 | 2019-11-15 | 织物对边装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN210864814U (zh) |
-
2019
- 2019-11-15 CN CN201921977555.6U patent/CN210864814U/zh active Active
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN106127780B (zh) | 一种曲面表面缺陷自动检测方法及其装置 | |
CN106529602B (zh) | 一种毫米波图像自动目标识别方法及装置 | |
CN106846313B (zh) | 工件表面缺陷检测方法和装置 | |
Kim et al. | Wavelet analysis to fabric defects detection in weaving processes | |
WO2013148566A1 (en) | Image blur detection | |
Bodmarova et al. | Suitability analysis of techniques for flaw detection in textiles using texture analysis | |
CN109344766A (zh) | 基于巡检机器人的滑块式断路器识别方法 | |
CN110791944B (zh) | 整纬机控制方法、装置、计算机设备和存储介质 | |
CN110969193B (zh) | 织物图像获取方法、装置、计算机设备和存储介质 | |
CN210864814U (zh) | 织物对边装置 | |
WO2015030689A2 (en) | A tool and method for robust, scale and orientation invariant object detection and classification | |
CN113145473A (zh) | 一种水果智能分拣系统及方法 | |
Tolba et al. | A self-organizing feature map for automated visual inspection of textile products | |
CN110796658A (zh) | 织物对边方法、装置、计算机设备和存储介质 | |
Ma et al. | An algorithm for fabric defect detection based on adaptive canny operator | |
EP3967414A1 (en) | Method for recovering a posteriori information about the operation of a plant for automatic classification and sorting of fruit | |
CN113705487B (zh) | 精密工件识别及工艺参数关联系统以及识别方法 | |
CN115311248A (zh) | 基于坯布纹理的缺陷模型匹配方法、介质以及电子设备 | |
CN210442821U (zh) | 一种人脸识别装置 | |
Strokina et al. | Detection of curvilinear structures by tensor voting applied to fiber characterization | |
KR20230082346A (ko) | 오토인코더 및 합성곱 심층 신경망을 활용한 고해상도 영상 기반 제조품 결함 탐지 방법 | |
CN113139946A (zh) | 一种基于视觉的衬衫污渍定位设备 | |
Kopaczka et al. | Fully Automatic Faulty Weft Thread Detection using a Camera System and Feature-based Pattern Recognition. | |
Bennamoun et al. | Digital image processing techniques for automatic textile quality control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |