EP0920617A1 - Verfahren und vorrichtung zur erkennung von fehlern in textilen flächengebilden - Google Patents

Verfahren und vorrichtung zur erkennung von fehlern in textilen flächengebilden

Info

Publication number
EP0920617A1
EP0920617A1 EP97933613A EP97933613A EP0920617A1 EP 0920617 A1 EP0920617 A1 EP 0920617A1 EP 97933613 A EP97933613 A EP 97933613A EP 97933613 A EP97933613 A EP 97933613A EP 0920617 A1 EP0920617 A1 EP 0920617A1
Authority
EP
European Patent Office
Prior art keywords
areas
values
filter
memory
area
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.)
Withdrawn
Application number
EP97933613A
Other languages
English (en)
French (fr)
Inventor
Rolf Leuenberger
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.)
Uster Technologies AG
Original Assignee
Zellweger Luwa AG
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 Zellweger Luwa AG filed Critical Zellweger Luwa AG
Publication of EP0920617A1 publication Critical patent/EP0920617A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06H—MARKING, INSPECTING, SEAMING OR SEVERING TEXTILE MATERIALS
    • D06H3/00—Inspecting textile materials
    • D06H3/08—Inspecting textile materials by photo-electric or television means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G01N21/898—Irregularities in textured or patterned surfaces, e.g. textiles, wood
    • G01N21/8983—Irregularities in textured or patterned surfaces, e.g. textiles, wood for testing textile webs, i.e. woven material

Definitions

  • the invention relates to a method and a device for the detection of defects in textile fabrics
  • the fabric is scanned in a known manner, for example line by line, by a camera that feeds a memory. Then values for the brightness or intensity of pixels or partial areas of a surface area are now stored.
  • the memory thus contains an image of a section of the fabric over time. Values from contiguous areas are now taken in parallel from this memory and fed in parallel to a neural network which was previously trained for error detection. As a result, the neural network indicates whether there is an error in the area under investigation. This result is read into a further memory, which stores this result taking into account the position of the area on the fabric.
  • a neural classifier known per se is used as a non-linear filter and instead of using additional measurement variables, brightness values from a relatively large environment (for example 10 ⁇ 100 pixels) are used directly as input values for the neural network. The environment is shifted pixel by pixel on the surface of the fabric so that filtering is carried out. At the output of the classifier, a filtered binary image is created, in which errors in the fabric appear clearly. Both the filter structure and the filter parameters are automatically determined by a lem process and thus adapted to any structured to small-patterned surfaces.
  • the learning process can be carried out by submitting approx. 20 to 100 image samples that contain errors and just as many image samples that contain no errors.
  • warp and weft defects can be further promoted by dividing the filter into two neural networks for input environments which are oriented in the warp or weft direction in the case of fabrics.
  • the advantages achieved by the invention can be seen, in particular, in the fact that such a device can be constructed from inexpensive, simple, parallel computers that are optimized for neural networks. Due to the parallel processing of all input values, very high computing power (e.g. some Giga MAC (multipy accumulate)) is achieved, so that the result of the examination can be continuously determined even at high web speeds.
  • Computers of this type can largely be integrated on a single silicon chip and are used in the form of additional boards in personal computers.
  • Examples of such boards are the PALM PC board from Neuoptic Technologies, Ine and the CNAPS PC board from Adaptive Solutions. This enables high inspection performance of, for example, 120 m / min
  • the leming process can be carried out very simply with the aid of a section recognized by the eye, for example, as error-free and of defective sections of the fabric.
  • the sensitivity of error detection can be increased by the special shape and orientation of the areas from which input values are taken. Due to the simple learning process, the ability to adapt to different structures of the fabric is great. No specially trained specialist personnel are required for simple operation.
  • the invention can be used for textured and patterned surfaces
  • FIG. 1 shows a part of a textile fabric on which various features are indicated schematically
  • FIG. 2 shows a schematic illustration of a nonlinear filter operation
  • FIG. 3 shows an image of the fabric with error markings
  • Figure 4 is a schematic representation of a device according to the invention.
  • Figure 5 is a schematic representation of part of the device
  • a flat structure 1 shows a part of a flat structure 1, here, for example, a fabric which is composed of warp threads 2 and weft threads 3, of which only a few are shown here.
  • a few lines 4 are shown, such as those captured by a line camera be able to cover the fabric 1 so that the entire fabric is detected.
  • Such lines 4 can also be arranged to overlap in order not to leave any gaps between the lines.
  • areas 5 and 6 can be seen which each consist of 72 partial areas 7 and 56 partial areas 8. Such areas 5, 6 are only defined for a certain period of time and are thus defined for other times in the same form and size in a different position.
  • 5a, 5b and 6a, 6b denote further such areas in a different position, with a plurality of areas 5, 5a, 5b and 6, 6a, 6b defined for successive time periods overlapping. These areas preferably propagate over time in the direction of an arrow 9 over the width of the fabric 1 such that successive areas 5, 5a, 5b and 6, 6a, 6b are offset from one another by a partial area 7, 8.
  • Fig. 2 shows schematically and arranged in a plane 13, a spoke content with input values 14a, 14b, 14c, etc., which represent the brightness or a gray value of the surface structure as it is detected by a sensor or a camera.
  • signals are shown as output values or results, of which only one signal 16 can be seen here, which can preferably indicate two possible states, namely an error or no error.
  • There is a nonlinear filter operation between levels 13 and 15 if this representation is functionally understood . However, this representation can also be understood in terms of the construction of a device.
  • 17 is an intermediate computer and 16 an output computer.
  • the input values 14 can also be called input neurons
  • Intermediate computers 17 as hidden neurons
  • the output computers 16 as output neurons of a neural network
  • FIG. 3 shows an image 10 of a section of the fabric 1 in an enlarged representation.
  • Two regions 11 and 12 are marked on it, which are flawed.
  • These regions 11, 12 are composed of partial areas according to FIG. 1, so that, as can be seen here, several partial areas are also included are assigned an error signal and thus result in regions 11 and 12.
  • FIG. 4 schematically shows the structure of a device according to the invention.
  • This has a camera 21 arranged directly next to the flat structure 20, for example a CCD camera or generally a photoelectrical converter, which is connected to a memory 22.
  • the signals from several adjacent lines 4 are stored in this for a certain time. These signals and lines are then managed according to the FIFO principle.
  • the memory 22 is connected to a non-linear filter 23, which can be designed, for example, as a computer in which a corresponding filter program is loaded.
  • the filter program is constructed according to the principles of a neural network, so that the filter 23 functions as a classifier.
  • This is connected to a memory 24 in which error signals (or just non-error signals) with assignments to areas on the fabric are stored.
  • the memory 24 is connected to a distance meter or length encoder 26 via a connection 25, so that an indication of the current position of the camera 21 along the flat structure 20 can be recorded in the memory 24.
  • a display unit 27 is connected to the memory 24, which can be designed, for example, as a printer or as a screen.
  • a processing unit for example a computer, which subjects the contents of the memory 24 to a further classification, in the sense that error regions such as the regions 11 and 12 of FIG.
  • the defects can be classified into weft defects and warp defects.
  • region 11 would represent a weft error and region 12 a warp error.
  • FIG. 5 shows a section of a nonlinear filter 23 (FIG. 4), the filter here being constructed as a neural network. It contains processors 30 arranged in a first layer and processors 35 arranged in a second layer. In comparison to FIG. 2, the processors 30 are to be regarded as exemplary designs for the intermediate computers 17 and the processors 35 for the output computers or output neurons 16.
  • the processors 30 are constructed from a plurality of multipliers 31 with associated memories 32, all of which are connected to an adder 33. This in turn is connected with its output to a processing stage 34, which has a non-linear characteristic.
  • the multipliers 31 are connected to the memory 24 for receiving input values 14a, 14b, 14c, etc.
  • the processors 35 are constructed in the same way, but the processing stages 34 of the processors 30 are connected to the multipliers 31 of the processors 35. These have an output 16 for output values.
  • the arrangement shown, in which the processors 30 of the first layer are acted upon with all input values of an area, is realized here as a parallel computer which consists of all processors 30, 35 of the same type.
  • regions 5, 6 are first defined in the memory 22 by specifying instructions in this or in the filter 23 connected to it, which determine from which memory locations in the memory 22 Values are taken and fed as input values for the filter 23.
  • such areas should have 5, 6 sides which are parallel to the lines 4 which the camera 21 records from the flat structure 1.
  • the areas should preferably also have a main direction, which is aligned parallel to structural features of the fabric 1. In this case the area is 5 aligned in its main direction parallel to the weft threads 3 and the area 6 parallel to the warp threads 2.
  • the camera 21 is alternately directed to areas that do not contain an error and to areas that contain an error.
  • the result that the filter 23 is intended to display is also specified each time.
  • the computer that forms the filter is operated in a mode in which it does not output results, but rather adapts its coefficients and parameters from the results and the input values. These are initially given as output values, for example as values in the memories 32 or as parameters of the non-linear characteristic of the processing stage 34, and are adapted by the learning process according to predetermined rules, so that the filter receives a specific transfer function. This process is preferably not repeated once and for all, but each time a new sheet 1, 20 is spanned.
  • the mode is changed in the computer and the detection of the errors can be carried out on a sheet 1 moving in a direction perpendicular to the arrow 9.
  • the detected values for the brightness or color intensity are delivered to the memory 22, which also stores them line by line, for example. From the memory 22, the values for all partial areas 7, 8 from areas 5, 5a, 5b, 6, 6a, 6b etc. are fed in parallel to the filter 23, which has one for each area 5, 5a, 5b, 6, 6a, 6b Output value, result or signal 16 (Fig. 3).
  • This signal which is preferably of a binary type, is read into the memory 24 together with an indication of the location of the area from which it originates, and is stored during a time which the camera 21 needs to capture several lines 4.
  • Such signals 16 can be seen therein, since they are usually not isolated, but occur in groups to regions 11, 12 are summarized, which indicate an error in the fabric 1.
  • This image 10 can also be made visible in a display unit 27.
  • a processing unit is provided instead of the display unit 27, this is designed as a computer which can carry out image segmentation in accordance with suitable methods, as described, for example, in "Rafael C. Gonzalez and Paul Wintz: Digital Image Processing, Addison-Wesley Publishing Company, Reading Massachusetts, 1987 "to combine individual pixels into regions.
  • the input values 14a, 14b, 14c, etc. selected according to the areas 5, 6 are all supplied to each processor 30 of the first layer.
  • Each processor 30 thus has as many multipliers as the area has partial areas.
  • the input values 14 are multiplied by factors which are stored in the memories 32 and then summed in the adder, so that a mixed value is formed which is composed of all input values of a range.
  • This mixed value is further changed by the nonlinear characteristic of the processing stage 34.
  • the changed mixed values are in turn fed to the processors 35 of the second layer, where they are processed in the same way as in the processors 30. This results in an output value at output 16 for each area.
  • These output values are supplied to memory 24 and stored there as shown in FIG. 3.

Landscapes

  • Engineering & Computer Science (AREA)
  • Textile Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Wood Science & Technology (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Materials Engineering (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Erkennung von Fehlern in textilen Flächengebilden. Um solche Vorrichtungen an verschiedenste textile Flächengebilde schnell anpassen und einfach bedienen zu können, sollen vom Flächengebilde Helligkeitswerte erfasst und direkt einem als neuronales Netzwerk ausgebildeten Filter zugeführt werden.

Description

VERFAHREN UND VORRICHTUNG ZUR ERKENNUNG VON FEHLERN IN TEXTILEN FLACHENGEBILDEN
Die Erfindung betnfft ein Verfahren und eine Vomchtung zur Erkennung von Fehlem in textilen Flächengebilden
Aus dem Textile Research Journal 63(4), Seiten 244-246 (1993) und 66(7), Seiten 474-482 (1996) sind unter dem Titel "Assessment of Set Marks by Means of Neurai Nets" und "Automatic Inspection of Fabπc Defects Usmg an Artificial Neurai Network Technique" Vorschlage bekannt, gemass denen neuronale Netzwerke für die Erkennung von Fehlem in Textilien verwendet werden können Dabei wird so verfahren, dass zuerst bestimmte Eingangswerte für das Netzwerk ermittelt werden Solche Eingangswerte sind beispielsweise der Abstand zwischen Faden im Gewebe an einer vorgegebenen Stelle oder der Mittelwert dieses Abstandes über das ganze Gewebe, die Standard Abweichung von Werten für den genannten Abstand, die Gammasse oder Intensitätswerte, die aus einem Gewebebild stammen, das einer Fouπer- transformation unterzogen wurde Dies sind alles Messgrossen, die aus Grossen aus dem Gewebe durch mehr oder weniger umfangreiche Berechnungen zuerst gewonnen werden müssen
Ein Nachteil solcher Verfahren besteht dann, dass diese nicht sehr flexibel sind, so dass die Erkennung von Fehlem in verschiedenen Geweben Berechnungen voraussetzt, die vorausgehend durchgeführt werden müssen. Damit ist es nicht möglich aus dem Flachengebilde Eingangswerte für ein Fehlererkennungssystem zu entnehmen oder abzuleiten, welche für alle möglichen Arten von Oberflächenstrukturen des Flächengebildes hinreichend sind Soll dies trotzdem näherungsweise erreicht werden, so sind sehr viele verschiedene Messgrόssen zu bestimmen, die einen entsprechend grossen Berechnungsaufwand verursachen Dazu sind sehr schnelle und teure Rechner einzusetzen Die Erfindung, wie sie in den Patentansprüchen gekennzeichnet ist, löst deshalb die Aufgabe, ein Verfahren und eine Vorrichtung zu schaffen, die an verschiedenste textile Flächengebilde schnell anpassbar und einfach zu bedienen ist.
Dies wird durch geschickte Nutzung modemer, kostengünstiger und parallel arbeitender Rechner erreicht. Das Flächengebilde wird in zwar bekannter Weise beispielsweise zeilenweise durch eine Kamera abgetastet, die einen Speicher speist. Dann werden nun Werte für die Helligkeit oder Intensität von Bildpunkten oder Teilbereichen eines Flächengebiides gespeichert. Damit enthält der Speicher mit der Zeit ein Bild eines Ausschnittes des Flächengebildes. Aus diesem Speicher werden nun Werte aus zusammenhängenden Bereichen parallel entnommen und parallel einem neuronalen Netz zugeführt, das vorausgehend auf Fehlererkennung trainiert wurde. Das neuronale Netz gibt als Resultat an, ob im untersuchten Bereich ein Fehler vorliegt. Dieses Resultat wird in einen weiteren Speicher eingelesen, der dieses Resultat unter Berücksichtigung der Lage des Bereiches auf dem Flächengebilde speichert. Haben die untersuchten Bereiche nach und nach die ganze Breite des Flächengebildes und damit das Flächengebilde auch über einen Abschnitt in seiner Längsrichtung zeilenweise erfasst, so liegt eine abschliessende Angabe über Fehler im untersuchten Abschnitt vor. Gemass der Erfindung wird ein an sich bekannter neuronaler Klassifikator als nichtlineares Filter benutzt und statt mit zusätzlichen Messgrössen, direkt mit Helligkeitswerten aus einer relativ grossen Umgebung (z.B. 10 x 100 Pixel) als Eingangswerte für das neuronale Netz gearbeitet. Die Umgebung wird auf der Oberfläche des Flächengebildes pixelweise verschoben, so dass eine Filterung ausgeführt wird. Am Ausgang des Klassifikators entsteht ein gefiltertes Binärbild, in dem Fehler im Flächengebilde deutlich aufscheinen. Durch einen Lemprozess werden sowohl die Filterstruktur wie auch die Filterparameter automatisch ermittelt und so an beliebige, strukturierte bis kleingemusterte Oberflächen angepasst. Der Lemprozess kann durch Vorlage von ca. 20 bis 100 Bildmustem, die Fehler enthalten und von ebensovielen Bildmustem die keine Fehler enthalten, erfolgen. Durch eine Aufteilung des Filters in zwei neuronale Netze für Eingangsumgebungen, die bei Geweben in Kett- oder Schussrichtung orientiert sind, kann die Unterscheidung zwischen Kett- und Schussfehlem weiter gefördert werden. Die durch die Erfindung erreichten Vorteile sind insbesondere darin zu sehen, dass eine solche Vomchtung aus kostengünstigen, einfachen, parallel arbeitenden und für neuronale Netzwerke optimierte Rechenr aufgebaut werden kann. Durch die parallele Verarbeitung aller Eingangswerte werden sehr hohe Rechenleistungen (z.B einige Giga MAC (multipy accumulate)) erzielt, so dass das Resultat der Untersuchung auch bei hohen Warenbahngeschwindigkeiten laufend emriittelt werden kann Rechner dieser Art können weitgehend auf einem einzigen Silizium-Chip integriert werden und in Form von Zusatzplatten in Personal Computern eingesetzt werden Als Beispiele für solche Leiterplatten seien hier das PALM PC Board der Firma Neuoptic Technologies, Ine und das CNAPS PC Board der Firma Adaptive Solutions genannt. So sind hohe Inspektionsleistungen von z.B 120 m/min möglich
Der Lemvorgang kann ganz einfach mit Hilfe eines beispielsweise von Auge als fehlerfrei erkannten Abschnittes und von fehlerbehafteten Abschnitten des Flächengebildes durchgeführt werden. Zudem kann die Sensitivität der Fehlererkennung durch die besondere Form und Orientierung der Bereiche, aus denen Eingangswerte entnommen werden, gesteigert werden. Durch den einfachen Lemvorgang ist die Fähigkeit zur Anpassung an verschiedene Strukturen des Flächengebildes gross. Für die einfache Bedienung braucht es kein speziell geschultes Fachpersonal. Die Erfindung kann für struktunerte und gemusterte Oberflächen verwendet werden
Im folgenden wird die Erfindung anhand eines Beispiels und mit Bezug auf die beiliegenden Zeichnungen näher erläutert. Es zeigen:
Figur 1 einen Teil eines textilen Flächengebildes auf dem verschiedene Merkmale schematisch angedeutet sind,
Figur 2 eine schematische Darstellung einer nichtlinearen Filteroperation,
Figur 3 ein Bild des Flächengebildes mit Fehlermarkierungen, Figur 4 eine schematische Darstellung einer erfindungsgemässen Vomchtung und
Figur 5 eine schematische Darstellung eines Teils der Vomchtung
Fig. 1 zeigt einen Teil eines Flächengebildes 1, hier beispielsweise eines Gewebes, das aus Kettfäden 2 und Schussfäden 3 aufgebaut ist, von denen aber hier nur einige wenige dargestellt sind Weiter sind einige Zeilen 4 dargestellt, wie sie beispielsweise von einer Zeilenkame- ra erfasst werden können, die das Flächengebilde 1 so überstreicht, dass das ganze Flächengebilde erfasst wird. Solche Zeilen 4, können auch überlappend angeordnet sein, um keine Lücken zwischen den Zeilen frei zu lassen Weiter erkennt man Bereiche 5 und 6 die je aus 72 Teilbereichen 7 und 56 Teilbereichen 8 bestehen Solche Bereiche 5, 6 sind nur für eine bestimmte Zeitdauer definiert und werden damit für andere Zeiten zwar in gleicher Form und Grosse doch in anderer Lage definiert. Mit 5a, 5b und 6a, 6b sind weitere solche Bereiche in anderer Lage bezeichnet, wobei sich mehrere für aufeinanderfolgende Zeitdauern definierte Bereiche 5, 5a, 5b und 6, 6a, 6b überlappen. Vorzugsweise pflanzen sich diese Bereiche mit der Zeit in Richtung eines Pfeiles 9 über die Breite des Flächengebildes 1 so fort, dass aufeinanderfolgende Bereiche 5, 5a, 5b und 6, 6a, 6b um einen Teilbereich 7, 8 zueinander versetzt sind.
Fig. 2 zeigt schematisch und in einer Ebene 13 angeordnet, einen Speichennhalt mit Eingangswerten 14a, 14b, 14c usw. die die Helligkeit oder einen Grauwert des Flächengebildes darstellen, wie er von einem Sensor oder einer Kamera erfasst wird. In einer Ebene 15 sind als Ausgangswerte oder Resultate Signale dargestellt von denen hier nur ein Signal 16 ersichtlich ist, das vorzugsweise zwei mögliche Zustände anzeigen kann nämlich Fehler oder kein Fehler Zwischen den Ebenen 13 und 15 liegt eine nichtlineare Filteroperation, wenn man diese Darstellung funktionsmässig auffasst. Diese Darstellung kann aber auch im Sinne eines Aufbaus einer Vorrichtung aufgefasst werden. Dann ist mit 17 ein Zwischenrechner und mit 16 ein Ausgangsrechner bezeichnet. Man kann die Eingangswerte 14 auch als Eingangsneuronen, die Zwischenrechner 17 als versteckte Neuronen und die Ausgangsrechner 16 als Ausgangsneuron eines neuronalen Netzwerkes auffassen
Fig. 3 zeigt ein Bild 10 eines Abschnittes des Flächengebildes 1 in vergrόsserter Darstellung Darauf sind zwei Regionen 11 und 12 markiert, die fehlerbehaftet sind Diese Regionen 11 , 12 sind aus Teilbereichen gemass Fig 1 zusammengesetzt, so dass, wie hier ersichtlich, mehrere Teilbereiche mit einem Fehlersignal belegt sind und so zusammen die Regionen 11 und 12 ergeben.
Fig. 4 zeigt schematisch den Aufbau einer erfindungsgemassen Vomchtung Diese weist eine unmittelbar neben dem Flächengebilde 20 angeordnete Kamera 21 , z B eine CCD-Kamera oder allgemein einen photo-elektπschen Wandler auf, der an einen Speicher 22 angeschlossen ist. In diesem sind die Signale aus mehreren nebeneinanderliegenden Zeilen 4 für eine bestimmte Zeit gespeichert. Diese Signale und Zeilen werden dann nach dem FIFO-Prinzip bewirtschaftet. Der Speicher 22 ist an ein nichtlineares Filter 23 angeschlossen, das beispielsweise als Rechner ausgebildet sein kann, in dem ein entsprechendes Filterprogramm geladen ist. Das Filterprogramm ist nach den Grundsätzen eines neuronalen Netzes aufgebaut, so dass das Filter 23 die Funktion eines Klassifikators ausübt. Dieser ist an einen Speicher 24 angeschlossen, in dem Fehlersignale (oder eben Nichtfehlersignale) mit Zuordnungen zu Bereichen auf dem Flächengebilde gespeichert sind. Auch hier bleiben die Fehlersignale für eine bestimmte Zeitdauer im Speicher 24 gespeichert und die Fehlersignale werden ebenfalls nach dem FIFO-Pπnzip bewirtschaftet. Über eine Verbindung 25 ist der Speicher 24 mit einem Wegmesser oder Längenkodierer 26 verbunden, so dass eine Angabe über die augenblickliche Lage der Kamera 21 längs des Flächengebildes 20 im Speicher 24 aufgenommen werden kann. Zur Anzeige der Resultate der Untersuchungen am textilen Flächengebilde 20 ist eine Anzeigeeinheit 27 an den Speicher 24 angeschlossen, die beispielsweise als Drucker oder als Bildschirm ausgebildet sein kann. Anstelle der Anzeigeeinheit 27 kann aber auch eine Verarbeitungseinheit, z.B. ein Rechner vorgesehen sein, welche den Inhalt des Speichers 24 einer weiteren Klassierung unterzieht, und zwar in dem Sinne, dass Fehlerregionen wie die Regionen 11 und 12 aus Fig. 3 mit vorgegebenen Kriterien verglichen werden, so dass sie verschiedenen Arten von Fehlem zugeordnet werden können. Bei Geweben können sich die Fehler so beispielsweise in Schussfehler und Kettfehler klassieren lassen. In Fig. 3 würde damit die Region 11 einen Schussfehler und die Region 12 einen Kettfehler darstellen.
Fig. 5 zeigt einen Ausschnitt eines nichtlinearen Filters 23 (Fig. 4), wobei das Filter hier als neuronales Netz aufgebaut ist. Es enthält in einer ersten Schicht angeordnete Prozessoren 30 und in einer zweiten Schicht angeordnete Prozessoren 35. Im Vergleich zur Fig. 2 sind die Prozessoren 30 als beispielhafte Ausführungen für die Zwischenrechner 17 und die Prozessoren 35 für die Ausgangsrechner oder Ausgangsneuronen 16 aufzufassen. Die Prozessoren 30 sind aus mehreren Multiplikatoren 31 mit zugeordneten Speichern 32 aufgebaut, die alle an einen Addierer 33 angeschlossen sind. Dieser ist wiederum mit seinem Ausgang an eine Verarbeitungsstufe 34 angeschlossen, die eine nichtlineare Kennlinie aufweist. Die Multiplikatoren 31 sind mit dem Speicher 24 für die Aufnahme von Eingangswerten 14a, 14b, 14c usw. verbunden. Die Prozessoren 35 sind in gleicher Art aufgebaut, wobei aber die Verarbeitungsstufen 34 der Prozessoren 30 mit den Multiplikatoren 31 der Prozessoren 35 verbunden sind. Diese weisen einen Ausgang 16 für Ausgangswerte auf. Die gezeigte Anordnung, bei der die Prozessoren 30 der ersten Schicht mit allen Eingangswerten eines Bereiches beaufschlagt werden, ist hier als Parallelrechner realisiert, der aus lauter gleichartigen Prozessoren 30, 35 besteht.
Die Wirkungsweise des erfindungsgemässen Verfahrens und der Vorrichtung ist wie folgt: In bezug auf das Flächengebilde 1 werden zuerst Bereiche 5, 6 im Speicher 22 definiert, indem in diesem oder im daran angeschlossenen Filter 23 Instruktionen vorgegeben werden, die Bestimmen aus welchen Speicherplätzen im Speicher 22 Werte entnommen und als Eingangswerte für das Filter 23 zugeführt werden. Einerseits sollen solche Bereiche 5, 6 Seiten aufweisen, die parallel zu den Zeilen 4 liegen, die die Kamera 21 vom Flächengebilde 1 aufnimmt. Andererseits sollen die Bereiche vorzugsweise auch eine Hauptrichtung aufweisen, die parallel zu Strukturmerkmalen des Flächengebildes 1 ausgerichtet ist. In diesem Falle ist der Bereich 5 in seiner Hauptrichtung parallel zu den Schussfäden 3 und der Bereich 6 parallel zu den Kettfäden 2 ausgerichtet.
Zum Einstellen der Filterkoeffizienten oder Filterparameter erfolgt anschliessend eine Lemphase. In dieser wird die Kamera 21 abwechslungsweise auf Bereiche, die keinen Fehler enthalten und auf Bereiche die einen Fehler enthalten gerichtet. Dabei wird auch jedesmal das Resultat, das das Filter 23 anzeigen soll vorgegeben. Dabei wird der Rechner, der das Filter bildet, in einem Modus betrieben, in dem er nicht Resultate ausgibt, sondern aus den Resultaten und den Eingangswerten seine Koeffizienten und Parameter adaptiert. Diese sind als Ausgangswerte zunächst beliebig beispielsweise als Werte in den Speichern 32 oder als Parameter der nichtlinearen Kennlinie der Verarbeitungsstufe 34 vorgegeben und werden durch den Lemprozess nach vorbestimmten Regeln adaptiert, so dass das Filter eine bestimmte Übertragungsfunktion erhält. Dieser Vorgang wird vorzugsweise nicht ein für alle mal sondern jedesmal wiederholt, wenn ein neues Flächengebilde 1 , 20 aufgespannt wird.
Ist die Lemphase abgeschlossen, so wird im Rechner der Modus umgestellt und die Erkennung der Fehler kann an einem in einer Richtung senkrecht zum Pfeil 9 bewegten Flächengebilde 1 vorgenommen werden. Das bedeutet, dass nun die Kamera in an sich bekannter und deshalb hier nicht näher dargestellter Weise in Richtung des Pfeiles 9 über das Flächengebilde 1 streicht und dabei Zeilen 4 optisch abtastet. Dabei werden die erfassten Werte für die Helligkeit oder Farbintensität an den Speicher 22 geliefert, der diese beispielsweise ebenfalls zeilenweise speichert. Aus dem Speicher 22 werden die Werte für alle Teilbereiche 7, 8 aus Bereichen 5, 5a, 5b, 6, 6a, 6b usw. parallel dem Filter 23 zugeführt, der für jeden Bereich 5, 5a, 5b, 6, 6a, 6b einen Ausgangswert, Resultat oder Signal 16 (Fig. 3) abgibt. Dieses Signal, das vorzugsweise binärer Art ist, wird zusammen mit einer Angabe über die Lage des Bereiches von dem es stammt, in den Speicher 24 eingelesen und während einer Zeit gespeichert, die die Kamera 21 benötigt, um mehrere Zeilen 4 zu erfassen. So entsteht im Speicher 24 eine Belegung von Speicherplätzen mit Signalen, die einem Bild 10 entsprechen kann wie es aus der Fig. 3 bekannt ist. Darin sind solche Signale 16 erkennbar, die, da sie meistens nicht isoliert, sondern gruppenweise auftreten zu Regionen 11 , 12 zusammengefasst sind, die einen Fehler im Flächengebilde 1 anzeigen. Dieses Bild 10 kann in einer Anzeigeeinheit 27 auch sichtbar gemacht werden.
Ist statt der Anzeigeeinheit 27 eine Verarbeitungseinheit vorgesehen, so ist diese als Rechner ausgebildet, der eine Bildsegmentation vornehmen kann, um gemass geeigneten Verfahren, wie sie beispielsweise in "Rafael C. Gonzalez und Paul Wintz: Digital Image Processing, Addison-Wesley Publishing Company, Reading Massachusetts, 1987" beschrieben sind, einzelne Pixel zu Regionen zusammenzufassen.
Hat das nichtlineare Filter 23 einen Aufbau gemass Fig. 5, so werden entsprechend den Bereichen 5, 6 ausgewählte Eingangswerte 14a, 14b, 14c usw. alle jedem Prozessor 30 der ersten Schicht zugeführt. Jeder Prozessor 30 weist somit soviele Multiplikatoren auf wie der Bereich Teilbereiche aufweist. In den Multiplikatoren werden die Eingangswerte 14 mit Faktoren Multipliziert, die in den Speichem 32 gespeichert sind und anschliessend im Addierer Summiert, so dass ein Mischwert entsteht, der aus allen Eingangswerten eines Bereiches zusammengesetzt ist. Dieser Mischwert wird weiter durch die nichtlineare Kennlinie der Verarbeitungsstufe 34 verändert. Die veränderten Mischwerte werden wiederum den Prozessoren 35 der zweiten Schicht zugeleitet, wo sie in gleicher Weise wie in den Prozessoren 30 verarbeitet werden. Daraus entsteht für jeden Bereich ein Ausgangswert am Ausgang 16. Diese Ausgangswerte werden dem Speicher 24 zugeführt und dort wie in Fig. 3 gezeigt abgelegt.
Obwohl die Erfindung hier insbesondere am Beispiel eines Gewebes erläutert ist, ist es genausogut möglich, diese bei gestrickten oder ähnlich strukturierten Flächengebilden anzuwenden. Dann ist insbesondere darauf zu achten, dass die Bereiche 5 und 6 mit ihren Hauptachsen so ausgerichtet werden, dass sie parallel zu herausragenden Linien des Musters oder Gestrickes ausgerichtet sind. Dabei ist es auch möglich die Hauptachsen der Bereiche 5, 6 beliebig (nicht rechtwinklig) anzuordnen und eine andere Richtung für die Fortpflanzung oder Verschiebung der Bereiche zu wählen als entsprechend dem Pfeil 9.

Claims

Patentansprüche
1. Verfahren zur Erkennung von Fehlem in textilen Flächengebilden (1) dadurch gekennzeichnet, dass jeweils für mehrere Teilbereiche (7, 8) eines Bereiches (5, 6) Werte für die Helligkeit in jedem Teilbereich erfasst werden, dass diese als Eingangswerte (14) parallel einer nichtlinearen Filteroperation zugeführt werden und dass als Resultat der Filteroperation ein Signal (16) ausgegeben wird, das angibt ob im Bereiche ein Fehler vorliegt.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass alle Teilbereiche (7) eines Bereiches (5) Eingangswerte bilden und dass in zeitlichen Abstanden weitere Bereiche (5a, 5b) gebildet werden, die sich mit vorausgehend gebildeten Bereichen (5) überdek- ken
3. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass die Filteroperation in einem lemfähigen neuronalen Netzwerk durchgeführt wird.
4. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Bereiche (5, 6) eine Hauptrichtung aufweisen, die parallel zu Strukturmerkmalen (2, 3) des Flächengebildes ausgerichtet ist.
5. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass Eingangswerte aus mehreren, unterschiedlich ausgerichteten Bereichen (5, 6) erfasst werden.
6. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass Filterkoeffizienten für die Filteroperation einmalig und zufällig vorgegeben und anschliessend in einem Lemprozess modifiziert werden.
7. Vorrichtung zur Durchführung des Verfahrens nach Anspruch 1 , gekennzeichnet durch, eine Serieschaltung einer Bildaufnahmevorrichtung (21), eines Speichers (22) für Werte mehrerer Teilbereiche, eines nichtlinearen Filters (23) und eines Speichers (24) für Fehlem zugeordnete Werte.
8. Vorrichtung nach Anspruch 7, dadurch gekennzeichnet, dass als nichtlineares Filter (23) ein neuronales Netzwerk vorgesehen ist, das als Klassifikator arbeitet
9. Vorrichtung nach Anspruch 8, dadurch gekennzeichnet, dass das neuronale Netzwerk als Parallelrechner ausgebildet ist.
10. Vorrichtung nach Anspruch 9, dadurch gekennzeichnet, dass der Paralleirechner aus mehreren gleichartigen Prozessoren (30, 35) besteht.
EP97933613A 1996-08-20 1997-08-14 Verfahren und vorrichtung zur erkennung von fehlern in textilen flächengebilden Withdrawn EP0920617A1 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CH202996 1996-08-20
CH202996 1996-08-20
PCT/CH1997/000301 WO1998008080A1 (de) 1996-08-20 1997-08-14 Verfahren und vorrichtung zur erkennung von fehlern in textilen flächengebilden

Publications (1)

Publication Number Publication Date
EP0920617A1 true EP0920617A1 (de) 1999-06-09

Family

ID=4224262

Family Applications (1)

Application Number Title Priority Date Filing Date
EP97933613A Withdrawn EP0920617A1 (de) 1996-08-20 1997-08-14 Verfahren und vorrichtung zur erkennung von fehlern in textilen flächengebilden

Country Status (6)

Country Link
US (1) US6100989A (de)
EP (1) EP0920617A1 (de)
JP (1) JP3975408B2 (de)
CN (1) CN1149393C (de)
TW (1) TW384329B (de)
WO (1) WO1998008080A1 (de)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999014580A1 (de) * 1997-09-15 1999-03-25 Zellweger Luwa Ag Verfahren zur auswertung von daten aus textilen flächengebilden
DE59905213D1 (de) * 1998-07-24 2003-05-28 Zellweger Luwa Ag Uster Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden
FI110343B (fi) 1999-02-25 2002-12-31 Honeywell Oy Paperikoneen ratakatkojen monitorointijärjestelmä
US7052483B2 (en) * 2000-12-19 2006-05-30 Animas Corporation Transcutaneous inserter for low-profile infusion sets
US6894262B2 (en) * 2002-01-15 2005-05-17 Hewlett-Packard Development Company L.P. Cluster-weighted modeling for media classification
WO2004042379A1 (de) * 2002-11-06 2004-05-21 Uster Technologies Ag Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden
CN1735722A (zh) * 2003-01-08 2006-02-15 乌斯特技术股份公司 用于识别织物组织瑕疵的方法和装置
US7027934B2 (en) * 2003-09-24 2006-04-11 3M Innovative Properties Company Apparatus and method for automated web inspection
US7030400B2 (en) * 2003-12-30 2006-04-18 Xerox Corporation Real-time web inspection method and apparatus using combined reflected and transmitted light images
JP2007517232A (ja) * 2003-12-31 2007-06-28 スリーエム イノベイティブ プロパティズ カンパニー ウェブに基づく物品の歩留まりの最大化
KR101203325B1 (ko) * 2003-12-31 2012-11-20 쓰리엠 이노베이티브 프로퍼티즈 컴파니 시트-기반 물품에 대한 재고품 제어
SE0400318D0 (sv) * 2004-02-12 2004-02-12 Carl Henrik Grunditz Inspektion av kartografiska bilder genom multilager, neuralhybrid klassificering
US7623699B2 (en) 2004-04-19 2009-11-24 3M Innovative Properties Company Apparatus and method for the automated marking of defects on webs of material
EP1867979B1 (de) * 2006-06-13 2009-03-11 ABB Oy Verfahren und Vorrichtung zur Erkennung von sich wiederholenden Mustern
US20090028417A1 (en) * 2007-07-26 2009-01-29 3M Innovative Properties Company Fiducial marking for multi-unit process spatial synchronization
US8175739B2 (en) * 2007-07-26 2012-05-08 3M Innovative Properties Company Multi-unit process spatial synchronization
US7542821B2 (en) * 2007-07-26 2009-06-02 3M Innovative Properties Company Multi-unit process spatial synchronization of image inspection systems
US7797133B2 (en) * 2008-09-10 2010-09-14 3M Innovative Properties Company Multi-roller registered repeat defect detection of a web process line
AT507266B1 (de) 2008-09-11 2011-05-15 Software Competence Ct Hagenberg Gmbh Verfahren zum automatischen erkennen eines defekts in einer elektronischen darstellung
DE102009051426A1 (de) * 2009-10-30 2011-05-05 Sgl Carbon Se Verfahren zum Erfassen der Struktur eine textilen Multifilamenterzeugnisses und Verfahren zum Verarbeiten eines textilen Multifilamenterzeugnisses
CN102031688A (zh) * 2010-11-03 2011-04-27 北京经纬纺机新技术有限公司 验布机疵点标记方法及其装置
CN105308440A (zh) * 2012-12-10 2016-02-03 乌斯特技术股份公司 在移动伸长织物材料中的周期性结构的检测
TW201926024A (zh) * 2017-11-22 2019-07-01 財團法人資訊工業策進會 紡織機台的調整方法及其系統
US10623694B2 (en) * 2018-03-16 2020-04-14 Lenovo (Singapore) Pte Ltd Appropriate modification of video call images
IT202000004072A1 (it) * 2020-02-27 2021-08-27 Orox Group Srl Sistema di identificazione di difetti su tessuti, relativa apparecchiatura e relativo metodo
US11205262B2 (en) * 2020-07-28 2021-12-21 Jiangnan University Online detection method of circular weft knitting stripe defects based on gray gradient method

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5325443A (en) * 1990-07-06 1994-06-28 Westinghouse Electric Corporation Vision system for inspecting a part having a substantially flat reflective surface
DE4129126A1 (de) * 1991-09-02 1993-03-04 Memminger Iro Gmbh Verfahren zum feststellen von fehlern in einer textilen warenbahn
FR2726299A1 (fr) * 1994-11-02 1996-05-03 Scanera Sc Dispositif d'inspection de textiles
US5847834A (en) * 1997-09-11 1998-12-08 Webview, Inc. Expandable, continuous illumination source for a web inspection assembly and method

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO9808080A1 *

Also Published As

Publication number Publication date
US6100989A (en) 2000-08-08
CN1234115A (zh) 1999-11-03
JP3975408B2 (ja) 2007-09-12
TW384329B (en) 2000-03-11
WO1998008080A1 (de) 1998-02-26
CN1149393C (zh) 2004-05-12
JP2000516715A (ja) 2000-12-12

Similar Documents

Publication Publication Date Title
WO1998008080A1 (de) Verfahren und vorrichtung zur erkennung von fehlern in textilen flächengebilden
DE19812055C2 (de) Bildverarbeitung zur Materialerkennung mittels Röntgenstrahlungen
DE69818438T2 (de) Verfahren zur kontrolle der oberfläche einer laufenden materialbahn mit bildsegmentierung zur umgrenzung von defektbereichen
CH660920A5 (de) Verfahren und vorrichtung zur automatischen erkennung von fehlern in geweben und aehnlichen textilen flaechengebilden.
EP0160895B1 (de) Verfahren und Anordnung zur kontinuierlichen berührungslosen Messung der Schrumpfung von Textilien
DE4136461A1 (de) Verfahren und vorrichtung zur grossflaechigen bildinspektion
DE69921021T2 (de) Verfahren zum Unterscheiden von Produkteinheiten und Vorrichtung dazu
EP1100989B1 (de) Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden
EP1015874B1 (de) Verfahren zur auswertung von fehlern von textilen flächengebilden
DD152870A1 (de) Verfahren und vorrichtung zum klassieren in bewegung befindlichen stueckgutes
EP0685580A1 (de) Verfahren und Vorrichtung zur Ermittlung von Ursachen für Fehler in Garnen, Vorgarnen und Bändern
EP3108461B1 (de) Verfahren zum untersuchen eines wertdokuments und mittel zur durchführung des verfahrens
DE69821225T2 (de) Verfahren zur kontrolle der oberfläche einer laufenden materialbahn mit vorklassifikation von ermittelten unregelmässigkeiten
EP0876600B1 (de) Vorrichtung zur automatischen überwachung von textilen flächengebilden
DD273505A5 (de) Verfahren zur automatischen Erkennung von Fehlern in bewegten Warenbahnen
EP3050032B1 (de) Verfahren zum prüfen eines wertdokuments mit einem polymersubstrat und einem durchsichtsfenster und mittel zur durchführung des verfahrens
EP0257395B1 (de) Verfahren zum Überwachen der Breite eines bandförmigen Gutes
EP0444737B1 (de) Anordnung zum Abtasten einer Röntgenaufnahme
DE4407376A1 (de) Echtzeit-Bildverarbeitungssystem, insbesondere als PC-Zusatzsystem
EP1092055B1 (de) Verfahren zur bestimmung des verzugswinkels einer textilbahn und vorrichtung zur durchführung dieses verfahrens
DD298158A5 (de) Verfahren zur schnellen automatischen erkennung von fehlern in unifarbenen, ungemusterten oder schwach gemusterten warenbahnen
DE3819183A1 (de) Verfahren zur fehlererkennung bei laufenden materialbahnen
AT507266B1 (de) Verfahren zum automatischen erkennen eines defekts in einer elektronischen darstellung
EP1570255A1 (de) Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden
DE102021001256B3 (de) Verfahren zum Erkennen eines Objekts in einem Suchbild, und Verwendung eines Verfahrens zur Bestimmung einer Position und/oder Orientierung eines Sicherheitselements einer Banknote

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 19990322

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): BE CH DE FR GB IT LI

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: USTER TECHNOLOGIES AG

17Q First examination report despatched

Effective date: 20031125

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN WITHDRAWN

18W Application withdrawn

Effective date: 20081208

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: USTER TECHNOLOGIES AG