EP1570255A1 - Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden - Google Patents

Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden

Info

Publication number
EP1570255A1
EP1570255A1 EP03757617A EP03757617A EP1570255A1 EP 1570255 A1 EP1570255 A1 EP 1570255A1 EP 03757617 A EP03757617 A EP 03757617A EP 03757617 A EP03757617 A EP 03757617A EP 1570255 A1 EP1570255 A1 EP 1570255A1
Authority
EP
European Patent Office
Prior art keywords
pixels
errors
intensity
values
classification matrix
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Withdrawn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
EP03757617A
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
Uster Technologies 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 Uster Technologies AG filed Critical Uster Technologies AG
Publication of EP1570255A1 publication Critical patent/EP1570255A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/89Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G01N21/898Irregularities in textured or patterned surfaces, e.g. textiles, wood
    • G01N21/8983Irregularities in textured or patterned surfaces, e.g. textiles, wood for testing textile webs, i.e. woven material
    • DTEXTILES; PAPER
    • D06TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06HMARKING, INSPECTING, SEAMING OR SEVERING TEXTILE MATERIALS
    • D06H3/00Inspecting textile materials
    • D06H3/08Inspecting textile materials by photo-electric or television means
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection

Definitions

  • the invention relates to a method and a device for assessing defects in textile fabrics.
  • WO00 / 06823 a method and a device are known which allow a repeatable and unambiguous assessment of faults in textile fabrics.
  • An image of a flat structure is generated, at least two representations of defects in the flat structure appearing in the image, which are different in terms of length and contrast or intensity of the defect.
  • the admissibility and inadmissibility of an error in the fabric is decided on the basis of the visual impression. For this purpose, a table or matrix-like arrangement of representations of errors of different types is created.
  • An image of the flawless fabric is used as the background. Sensitivity curves built into the image can serve as an additional aid in distinguishing impermissible errors from admissible errors.
  • this method or this device can lead to an unnecessary flood of recorded data if all possible errors that can be classified are recorded. This hinders a rapid assessment of the errors and leads to an unnecessarily generous design of the elements from which the device is to consist.
  • the classification matrix is divided into at least two areas, for example for permissible and impermissible errors.
  • the defects in the fabric are to be recorded according to a known method and values for the two aforementioned parameters are to be determined.
  • the detected errors are assigned to the fields or classes in the classification matrix according to the values of the parameters measured for them.
  • a classification scheme or a classification matrix in which pixels and defects of a fabric represented by pixels can be ordered or classified according to their intensity and extent.
  • values for the intensity along an axis are to be plotted in an area which is independent of an existing fabric and can apply to all possible fabrics.
  • the zero point of this axis or the lower limit of this area can optionally be set so that irregularities in the image cannot be considered errors in very homogeneous flat structures.
  • image points are to be recorded which, for example, belong to the normal tissue structure in the case of a tissue. Events with intensity values above this limit are either only counted, or are evaluated as errors that are unacceptable from a predeterminable intensity.
  • Pixels that do not reach the limit are no longer processed and therefore do not burden the system.
  • This limit is calculated for light pixels and dark pixels separately in a learning step, namely from a group of the brightest pixels for dark fabrics and a group of the darkest pixels for light fabrics or from the brightest and darkest pixels in the same fabric, e.g. a fabric always has 50% gray pixels.
  • the advantages achieved by the invention can be seen in particular in the fact that the defects in the textile fabrics can be assessed independently of properties that can change from fabrics to fabrics and thus usually complicate or falsify the assessment. In this way, all errors are recorded according to the same specifications.
  • the detection of non-disturbing defects is automatically adapted to the existing textile fabric.
  • the method according to the invention makes it possible to automate the evaluation of tested fabrics and to have them carried out without human intervention.
  • Figure 3 illustrates another classification matrix
  • Fig. 4 shows an example of a fine fabric
  • Fig. 5 shows an example of a coarser fabric
  • Fig. 7 is a schematic representation of gray or color values
  • a classification matrix 1 shows a first example of a classification matrix 1 for two parameters from a flat structure, for which values along axes 2 and 3 are to be plotted.
  • Such parameters are, for example, the length and the intensity of an error in the textile fabric.
  • Values for the length are, for example, between 10 "1 and 10 4 mm.
  • Values for the intensity of the error are, for example, between 0 or X% and 100%.
  • a comparatively thick stair line 16 further divides the classification matrix 1 into a lower area 17 and an upper area 18.
  • Individual errors 19 to 23 are also entered in the classification matrix 1 and shown schematically in such a way that they show errors, for example, as they belong in the class in question
  • the stair line 16, for example represents an upper limit for an area 17 in which there are permissible errors.
  • a further error 25 relates here, for example, to a plurality of warp threads lying next to one another or concerns an undesired inclusion in the fabric, which is why it is relatively wide.
  • FIG. 3 shows a further example of a classification matrix 26, the fields or classes 27 of which may have unequal sizes or dimensions.
  • a stair line 28 also divides the classification matrix into a lower area 29 and an upper area 30. The lower area 29 is obviously larger than the lower area 17 of FIG. 1, which is due to the higher stair line 28.
  • this classification matrix 26 is provided for a flat structure which, for example, consists of thicker yarn and which may additionally also have less tight bonds between the yarns than is the case for the flat structure for which the classification matrix 1 is intended. Accordingly, in comparison to FIG. 1, events with higher intensity values are also classified below the stair line 28, since such events are not to be assessed as errors in the roughly structured fabric.
  • Fig. 4 shows an example of fine fabrics
  • Fig. 5 shows an example of a comparatively coarse fabrics.
  • the same errors are built into both figures. A comparison of the two figures shows that the errors in FIG. 4 are more noticeable than in FIG. 5 and that certain errors that can be found immediately in FIG. 4 can no longer be seen in FIG. 5. This applies in particular to errors that are in the left half of the picture.
  • the camera line 32 corresponds to that part of the flat structure that a camera that covers the flat structure records.
  • the camera line 32 comprises a number of lines 33 - 36, each of which consists of a row of pixels, such as e.g. Pixels 37, 38 exist, which are shown here greatly enlarged and shown schematically.
  • the camera line 32 is the electronic image of a section of the flat structure, this section already being divided into pixels with associated gray or color values.
  • FIG. 7 shows a schematic representation of a stage in the processing that can take place on the basis of the captured camera line 32.
  • the gray or color values of the captured pixels 37, 38 etc. are to be applied in an orderly manner according to their intensity or brightness. This results in a representation with a horizontal axis 39, along which a position is provided for each captured pixel and a vertical axis 40 for values of the intensity or brightness of the pixels. These pixels are recorded according to their intensity or brightness or the size of the values for the intensity or brightness. So the brightest or least intense colored pixels on the left and the darkest or most colored pixels on the right.
  • An average value 48 is represented by a broken line.
  • 8 shows an illustration of a method with which a measure of the visually perceptible intensity of the error can be determined from the measurable quantities such as error width and contrast of the error.
  • 8 shows a conical surface 42 in a three-dimensional space, which is represented by horizontal axes 43, 44 and a vertical axis 45.
  • axis 43 are values for the contrast in percent
  • axis 44 are values for the width of an error in mm
  • axis 45 values for the intensity of the error are also given in percent.
  • the intensity of an error can be determined with this representation, as will be explained below.
  • the intensity is a measure of how much an error is noticed by the viewer when viewing the flat fabric.
  • a high intensity error is more disturbing to the viewer than a low intensity error.
  • a high-intensity error can be recognized much faster and it reduces the value of a fabric much more.
  • We are talking here about the intensity because it should summarize the effect of the contrast and the width of an error. This makes it easier to compare errors of different widths and with different contrast levels. This also results in massive data reduction.
  • the mode of operation of the invention can be explained in two parts, namely firstly the formation of a suitable classification matrix and secondly the classification of the errors recorded in the fabric using this classification matrix.
  • a horizontal axis 2 is specified, along which values for the lengths of possible defects are recorded, as can generally be expected for a flat fabric or textile fabric. Such values can be between a tenth of a millimeter and several meters.
  • a vertical axis 3 is then specified for values of the intensity from 0 or X% - 100%. Then you have to decide how many classes you want to have. This results in the number of lines 4 to 15. However, it is recommended to use a single and always the same classification matrix for all fabrics to be assessed. This makes it much easier to compare the effects of the errors in different fabrics.
  • Another, more complex and precise way of automatically determining the upper limit or stair line 16, 28 can be done as follows. First a minimum intensity has to be defined, which is assigned to the lowest intensity class (eg 0 or X%). This limit must be set so low that even weak defects can be detected in very homogeneous fabrics. Since the intensity coincides approximately with the gray-scale value of the pixels in the case of small, punctiform errors, the intensity scale can be aligned with the gray-scale range of the existing pixels. The intensity scale can be, for example, between +/- 64.128, 256 etc., depending on the number of bits used in the calculation. The intensity is assigned 100% to the maximum gray value, which corresponds to 64, 128 or 256, for example.
  • a value of 5% of this can be useful as a minimum intensity. This can be used, for example, to prevent the lower limit for very homogeneous tissues from being reduced to such an extent that normal irregularities in the image lead to pseudo errors.
  • the stair lines 16, 28 are to be determined such that only a few events in the fault-free tissue image are recognized as so conspicuous that they exceed the stair line and are counted.
  • the stair line 16, 28 must be determined for an existing fabric. You can do this as follows.
  • a camera captures the flat structure and images it in pixels in the camera line 32.
  • the pixels recorded by the camera are assigned intensity or brightness values according to the predefined scale. From a representative set of pixels from an error-free section of the fabric, these values are to be recorded in order of their size or stored in a memory, as illustrated in FIG. 7. This can also be done, for example, by determining an average of the gray values of the pixels in the column for each column 46, 47, etc. in the camera line 32, only the mean values being ordered and stored. Thus, there is only one pixel pattern with pixels per camera line 32, the values of which are arranged as indicated above.
  • a group 51 (FIG. 7) with pixels is then formed, this group comprising those pixels which have the highest or the lowest intensity or brightness, or which have the greatest positive or negative deviation from the mean value 48 (FIG. 7) exhibit.
  • This group can comprise, for example, 10, 15, 20 or another number of pixels, the pixels with the lowest intensity for dark fabrics and the pixels with the highest intensity for bright fabrics.
  • a value in a group 51 can be taken as the upper limit for areas 17, 29.
  • the median value of the brightness, the intensity or the deviation can also be determined for the upper limit. This median value can then indicate a value for the intensity for the stair line 16, 28 in its central region with regard to the length of the errors. It applies to rather long mistakes. If one starts from the deviation, this must be related to the mean value 48 in order to obtain a value for the stair line 16, 28. However, this median value still has to be converted into a% value that matches the scaling on axis 3
  • a further step is desirable for the stair line in the area of short errors.
  • known methods for the detection of defects in textile fabrics such as are known from WO98 / 08080 and must also be used in this context, experience has shown that short defects are evaluated differently than longer defects. This is given by the device or the method with which the image points are recorded and which can have special properties which lead to such a differentiated treatment of errors. It is therefore appropriate to provide a correction that increases the value for the stair line 16, 28 for short errors.
  • the properties mentioned can be represented by a characteristic such as can be represented by curve 49 in FIG. 3. Such a characteristic, as represented by curve 49, is either already known or has to be determined by tests with the given device.
  • curve 49 indicates how far the stair line in the left half of FIG. 3 is would increase. It applies that fields or classes in which curve 49 falls should fall as a whole below the stair line 28. This also takes into account the easily understandable fact that short defects in the fabric are more likely to be hidden by the structure of the fabric, so that such short errors must be noticed by a stronger contrast to the fabric in order to be recognizable.
  • FIG. 8 shows one possibility of how the intensity could be determined from the width and the contrast with the aid of a model.
  • the model is represented and thus predefined by the surface of a cone, that is to say the cone surface 42, on which values for the intensity lie.
  • each camera line is represented by its pixels and it is now possible to store these pixels in the classification matrix 1, 26 according to their intensity or brightness. Since new camera lines are constantly being scanned, there can be several assignments for certain fields or classes in succession, so that these can also be counted, a count value being able to be entered in the class in question.
  • the stair lines 16, 28 thus represent limits that depend on the fabric or knitted fabric presented. Pixels in the fabric that do not reach these limits are ignored by the system for processing them.
  • Pixels that are above these limits do not necessarily have to indicate errors. However, they indicate particularly clear irregularities. From a textile point of view, these can also be interesting and therefore it can make sense to count them as events. For such reasons, the classification matrix can therefore even have three zones.
  • the lowest zone like the areas 17 and 29, extend from the lowest intensity limit or axis 2 to the stair lines 16, 28. Above that is a zone of mere event counting and the error zone is even higher.
  • the areas 18, 30 are subdivided by the user as desired, while the stair lines 16, 28 can be determined automatically.
  • Fig. 3 shows with a further staircase line 50 such a division into three zones.

Landscapes

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

Abstract

Die Erfindung betrifft ein Verfahren zur Erkennung von Fehlern in einem textilen Gebilde (2) bei dem Signale vom textilen Gebilde abgeleitet und die Signale vom textilen Gebilde mindestens mit vorgegebenen Parametern verarbeitet werden, sowie eine Vorrichtung (3) zur Erkennung von Fehlern in einem textilen Gebilde mit einem Sensor, einer Verarbeitungseinheit und einer Ein/Ausgabeeinheit, wobei die Verarbeitungseinheit mit dem Sensor und mit der Ein/Ausgabeeinheit verbunden und zur Verarbeitung von Signalen, die durch den Sensor am textilen Gebilde erfasst werden, mindestens mit vorgegebenen Parametern ausgebildet und angeordnet ist, und ein Ausgangssignal erzeugt, das vorhandene Fehler im textilen Gebilde anzeigt. Um Parameter des Verfahrens und der Vorrichtung zur Erkennung von Fehlern in einem textilen Gebilde besonders einfach und schnell an ein bestimmtes, zur Fehlererkennung vorgelegtes textiles Gebilde anzupassen, soll ein fester Datenträger (26) der vorgegebene Parameter einem Sensor vorlegt und ein Sensor zum Lesen der vorgegebenen Parameter vom festen Datenträger ausgebildet und angeordnet sein.

Description

VERFAHREN UND VORRICHTUNG ZUR BEURTEILUNG VON FEHLERN IN TEXTILEN
FLÄCHENGEBILDEN
Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Beurteilung von Fehlern in textilen Flächengebilden.
Aus der WO00/06823 ist ein Verfahren und eine Vorrichtung bekannt, die es erlauben, eine wiederholbare und eindeutige Beurteilung von Fehlern in textilen Flächengebilden vorzunehmen. Dabei wird ein Bild eines Flächengebildes erzeugt, wobei in dem Bild mindestens zwei Darstellungen von Fehlern im Flächengebilde erscheinen, die in Bezug auf Länge und Kontrast oder Intensität des Fehlers unterschiedlich sind. Ausgehend von diesen Darstellungen wird die Zulässigkeit und Unzulässigkeit eines Fehlers im Flächengebilde anhand des visuellen Eindrucks entschieden. Dazu wird eine tabellen- oder matrixförmige Anordnung von Darstellungen von Fehlern unterschiedlicher Ausprägung erstellt. Ein Bild des fehlerlosen Flächengebildes dient dabei als Hintergrund. In das Bild eingebaute Empfindlichkeitskurven können als zusätzliches Hilfsmittel dienen, um unzulässige Fehler von zulässigen Fehlern zu unterscheiden.
Bei diesem Verfahren oder dieser Vorrichtung kann es technisch gesehen zu einer unnötigen Flut an erfassten Daten führen, wenn man alle möglichen Fehler, die klassiert werden können, erfasst. Dies behindert eine rasche Beurteilung der Fehler und führt zu einer unnötigerweise grosszügigen Auslegung der Elemente, aus denen die Vorrichtung bestehen soll.
Es ist deshalb eine Aufgabe der Erfindung, ein Verfahren und eine Vorrichtung zur Beurteilung von Fehlern in Flächengebilden zu schaffen, die eine rasche und einheitliche Beurteilung der Fehler auch in verschiedenartigen Flächengebilden erlaubt und damit auch einen Vergleich der Qualität von verschiedenartigen Flächengebilden untereinander ermöglicht.
Dies wird dadurch erreicht, dass ausgehend von zwei gewählten Parametern, eine Klassiermatrix für die Fehler gebildet wird, bei der Klassengrenzen die Klassiermatrix in Felder aufteilen und Werte zweier Parameter, wie beispielsweise die Ausdehnung und die Intensität der Fehler, die Klassengrenzen bestimmen. Zusätzlich wird die Klassiermatrix in mindestens zwei Bereiche, beispielsweise für zulässige und unzulässige Fehler aufgeteilt. Die Fehler im Flächengebilde sollen gemäss einem bekannten Verfahren erfasst werden und dabei sollen Werte für die zwei vorgenannten Parameter ermittelt werden. Die erfassten Fehler werden entsprechend Werten der für sie gemessenen Parameter den Feldern oder Klassen in der Klassiermatrix zugewiesen.
Es wird damit insbesondere vorgeschlagen, ein Klassierschema oder eine Klassiermatrix zu wählen, in der Bildpunkte und durch Bildpunkte dargestellte Fehler eines Flächengebildes gemäss ihrer Intensität und Ausdehnung geordnet oder klassiert werden können. Dabei sollen Werte für die Intensität längs einer Achse in einem Bereiche aufgetragen werden, der von einem vorliegenden Flächengebilde unabhängig ist und für möglichst alle möglichen Flächengebilde gelten kann. Der Nullpunkt dieser Achse oder die untere Begrenzung dieses Bereiches kann wahlweise so gelegt sein, dass bei sehr homogenen Flächengebilden Unregelmässigkeiten bei der Abbildung nicht bereits als Fehler gelten können. Zwischen diesem Nullpunkt und einer oberen Grenze, die von dem betreffenden zu untersuchenden Flächengebilde abhängt, sollen Bildpunkte erfasst werden, die beispielsweise bei einem Gewebe zur normalen Gewebestruktur gehören. Ereignisse mit Intensitätswerten über dieser Grenze werden entweder nur gezählt, oder ab einer vorgebbaren Intensität als Fehler gewertet, die unannehmbar sind. Bildpunkte, die die Grenze nicht erreichen, werden beispielsweise nicht weiter verarbeitet und belasten somit das System auch nicht. Die Berechnung dieser Grenze erfolgt für helle Bildpunkte und dunkle Bildpunkte in einem Lernschritt getrennt und zwar aus einer Gruppe der hellsten Bildpunkte für dunkle Flächengebilde und einer Gruppe der dunkelsten Bildpunkte für helle Flächengebilde oder aus den hellsten und dunkelsten Bildpunkten im selben Flächengebilde, da z.B. ein Gewebe immer 50% graue Bildpunkte aufweist.
Die durch die Erfindung erreichten Vorteile sind insbesondere darin zu sehen, dass die Fehler in den textilen Flächengebilden unabhängig von Eigenschaften bewertet werden können, die von Flächengebilde zu Flächengebilde sich verändern können und damit üblicherweise die Beurteilung erschweren oder verfälschen. So werden alle Fehler nach denselben Vorgaben erfasst. Die Erfassung nichtstörender Fehler wird automatisch an das vorliegende textile Flächengebilde angepasst. Zudem erlaubt es das erfindungsgemässe Verfahren, die Bewertung geprüfter Flächengebilde zu automatisieren und ohne menschlichen Eingriff durchführenzulassen. 0716
Im folgenden wird die Erfindung anhand eines Beispiels und mit Bezug auf die beiliegenden Zeichnungen näher erläutert. Es zeigen:
Fig. 1 eine Darstellung einer Klassiermatrix.
Fig. 2 eine schematische Darstellung eines textilen Flächengebildes mit Fehlern,
Fig. 3 eine Darstellung einerweiteren Klassiermatrix
Fig. 4 ein Beispiel eines feinen Gewebes
Fig. 5 ein Beispiel eines gröberen Gewebes
Fig. 6 einen vereinfachten Aussschnitt aus einem Flächengebilde,
Fig. 7 eine schematische Darstellung von Grau- oder Farbwerten und
Fig. 8 eine dreidimensionale Darstellung einer hilfreichen Funktion.
Fig. 1 zeigt ein erstes Beispiel einer Klassiermatrix 1 für zwei Parameter aus einem Flächengebilde, für die Werte längs Achsen 2 und 3 aufgetragen sein sollen. Solche Parameter sind beispielsweise die Länge und die Intensität eines Fehlers im textilen Flächengebilde. Werte für die Länge liegen beispielsweise zwischen 10"1 und 104 mm. Werte für die Intensität des Fehlers liegen beispielsweise zwischen 0 oder X% und 100%. Durch vertikale Linien 4 bis 8 und horizontale Linien 9 bis 15, die Klassengrenzen bilden, wird die Klassiermatrix 1 in Felder oder Klassen unterteilt. Eine vergleichsweise dick eingezeichnete Treppenlinie 16 teilt die Klassiermatrix 1 weiter in einen unteren Bereich 17 und einen oberen Bereich 18 auf. In die Klassiermatrix 1 sind weiter einzelne Fehler 19 bis 23 eingetragen und schematisch so dargestellt, dass sie etwa Fehler zeigen, wie sie in die betreffende Klasse gehören. Die Treppenlinie 16 stellt beispielsweise eine obere Grenze für einen Bereich 17 dar, in dem zulässige Fehler liegen.
Fig. 2 zeigt ein Beispiel eines textilen Flächengebildes wie z.B. ein Gewebe 24 das Fehler aufweist. Die hier schematisch eingezeichneten Fehler sind ebenfalls in den Klassen der Klassiermatrix 1 eingetragen und soweit dort schon gezeigt auch mit denselben Bezugszeichen 19 - 23 versehen. Da es sich hier um ein Gewebe handeln soll, ist damit zu rechnen, dass die meisten Fehler sich in der Richtung der Kettfäden oder der Richtung der Schussfäden bemerkbar machen. Deshalb liegen sie hier etwa rechtwinklig zueinander. Ein weiterer Fehler 25 betrifft hier beispielsweise gleich mehrere nebeneinanderliegende Kettfäden oder betrifft einen unerwünschten Einschluss im Gewebe, weshalb er relativ breit ist. Im Falle eines Gewirkes ist aber damit zu rechnen, dass die häufigsten Fehler eine andere, hier nicht gezeigte Richtung zueinander haben. Dies hängt dann von der für das Gewirke gewählten Bindungsart oder dem Aufbau ab. Bei sogenannten „non-wovens" sind die Fehler überwiegend beliebig ausgerichtet. Fig. 3 zeigt ein weiteres Beispiel einer Klassiermatrix 26, deren Felder oder Klassen 27 ungleiche Grosse oder Ausdehnung haben können. Eine Treppenlinie 28 teilt die Klassiermatrix ebenfalls in einen unteren Bereich 29 und einen oberen Bereich 30 auf. Der untere Bereich 29 ist hier offensichtlich grösser als der untere Bereich 17 der Fig. 1, was auf die höherliegende Treppenlinie 28 zurückzuführen ist. Das bedeutet, dass diese Klassiermatrix 26 für ein Flächengebilde vorgesehen ist, das beispielsweise aus dickerem Garn besteht und das möglicherweise zusätzlich auch weniger enge Bindungen zwischen den Garnen aufweist, als dies für das Flächengebilde zutrifft, für das die Klassiermatrix 1 vorgesehen ist. Demzufolge werden im Vergleich zu Fig. 1 auch Ereignisse mit höheren Intensitätswerten unterhalb der Treppenlinie 28 eingeordnet, da solche Ereignisse im grob strukturierten Flächengebilde nicht als Fehler zu bewerten sind.
Fig. 4 zeigt ein Beispiel für feines Flächengebilde, während Fig. 5 ein Beispiel für ein vergleichsweise grobes Flächengebilde zeigt. In beiden Figuren sind etwa dieselben Fehler eingebaut. Ein Vergleich der beiden Figuren zeigt, dass die Fehler in der Fig. 4 stärker auffallen als in der Fig. 5 und dass man in der Fig. 5 gewisse Fehler gar nicht mehr erkennen kann, die man in der Fig. 4 sofort findet. Dies gilt insbesondere für Fehler, die in der linken Bildhälfte liegen.
Fig. 6 zeigt einen Ausschnitt 31 aus einem Flächengebilde mit einer sogenannten Kamerazeile 32. Die Kamerazeile 32 entspricht demjenigen Teil des Flächengebildes, das eine Kamera, die das Flächengebilde überstreicht, aufnimmt. Die Kamerazeile 32 umfasst mehrere Zeilen 33 - 36, die je aus einer Reihe aneinandergereihter Bildpunkte, wie z.B. Bildpunkten 37, 38, bestehen, die hier stark vergrössert und schematisiert dargestellt sind. Die Kamerazeile 32 ist das elektronische Abbild eines Ausschnittes des Flächengebildes, wobei dieser Ausschnitt eben bereits in Bildpunkte mit dazugehörenden Grau- oder Farbwerten aufgeteilt ist.
Fig. 7 zeigt eine schematische Darstellung einer Stufe in der Verarbeitung, die ausgehend von der erfassten Kamerazeile 32 erfolgen kann. Für jede Kamerazeile 32 sollen die Grauoder Farbwerte der erfassten Bildpunkte 37, 38 usw. gemäss ihrer Intensität oder Helligkeit geordnet aufgetragen werden. Dies ergibt eine Darstellung mit einer horizontalen Achse 39, längs der für jeden erfassten Bildpunkt eine Position vorgesehen ist und eine vertikale Achse 40 für Werte der Intensität oder Helligkeit der Bildpunkte. Diese Bildpunkte sind gemäss ihrer Intensität oder Helligkeit bzw. der Grosse der Werte für die Intensität oder Helligkeit geordnet aufgezeichnet. So sind die hellsten oder am wenigsten intensiv gefärbten Bildpunkte links und die dunkelsten oder am stärksten gefärbten Bildpunkte rechts zu finden. Ein Mittelwert 48 ist durch eine unterbrochene Linie dargestellt.
Fig. 8 zeigt eine Darstellung eines Verfahrens mit dem aus den messbaren Grossen wie Fehlerbreite und Kontrast des Fehlers ein Mass für die visuell wahrnehmbare Intensität des Fehlers bestimmt werden kann. So zeigt Fig. 8 eine Kegelfläche 42 in einem dreidimensionalen Raum, der durch horizontale Achsen 43, 44 und eine vertikale Achse 45 dargestellt wird. Längs der Achse 43 sind Werte für den Kontrast in Prozenten, längs der Achse 44 sind Werte für die Breite eines Fehlers in mm und längs der Achse 45 sind Werte für die Intensität des Fehlers ebenfalls in Prozenten angegeben. Ausgehend von der gemessenen Breite eines Fehlers und von dem festgestellten Kontrast des Fehlers kann man mit dieser Darstellung, wie nachfolgend noch zu erklären ist, die Intensität eines Fehlers bestimmen. Die Intensität ist ein Mass dafür, wie stark ein Fehler beim Betrachten des Flächengewebes dem Betrachter auffällt. Ein Fehler mit hoher Intensität wirkt für den Betrachter störender als ein Fehler mit geringer Intensität. Einen Fehler hoher Intensität erkennt man viel schneller und er mindert den Wert eines Flächengebildes viel stärker. Es ist hier die Rede von der Intensität, weil sie die Wirkung des Kontrastes und der Breite eines Fehlers zusammenfassen soll. So lassen sich Fehler verschiedener Breite und mit verschiedenen Kontraststufen besser vergleichen. Daraus ergibt sich auch eine massive Datenreduktion.
Die Wirkungsweise der Erfindung lässt sich in zwei Teilen erklären, nämlich erstens der Bildung einer geeigneten Klassiermatrix und zweitens der Klassierung der im Flächengebilde erfassten Fehler mit Hilfe dieser Klassiermatrix.
Zunächst soll nun die Bildung einer Klassiermatrix oder eines Klassierschemas gemäss den Figuren 1 und 3 beschrieben werden. Zuerst gibt man eine horizontale Achse 2 vor, längs der man Werte für die Längen von möglichen Fehlern aufzeichnet, wie sie für ein vorliegendes Flächengebilde oder textile Flächengebilde allgemein etwa erwartet werden können. Solche Werte können zwischen einem Zehntelsmillimeter und mehreren Metern liegen. Dann gibt man eine vertikale Achse 3 für Werte der Intensität von 0 oder X% - 100% vor. Anschliessend muss man entscheiden, wieviele Klassen man haben will. Daraus ergibt sich dann die Zahl der Linien 4 bis 15. Es ist aber zu empfehlen für alle Flächengebilde die man beurteilen will eine einzige und immer gleiche Klassiermatrix zu verwenden. So wird es viel leichter, die Wirkung der Fehler in verschiedenen Flächengebilden miteinander zu vergleichen. In einem weiteren Schritt geht es darum, den unteren und den oberen Bereich 17, 18 oder 29, 30 zu definieren, was durch die Form und die Lage der Treppenlinie 16, 28 sowie der Zuordnung eines Grundwertes entsprechend 0 oder X% für die untere Begrenzung oder die Lage der Achse 2 geschehen soll. Nachdem ja jedes Feld oder jede Klasse der Klassiermatrix 1 für eine Gruppe möglicher Fehler steht, geht es nun darum zu entscheiden, welche Fehler oder Ereignisse aufgrund ihrer Länge und ihrer Intensität in einem gegebenen Flächengebilde störend wirken werden und welche Fehler tolerierbar sind und somit auch bloss als Ereignisse ohne Wirkung zu werten sind. Es ist bekannt, dass ein gegebener Fehler beispielsweise im Flächengebilde gemäss Fig. 5 gar nicht erkennbar ist, dass er aber im Flächengebilde gemäss Fig. 4 störend wirken müsste. Es gibt auch Ereignisse, die aus besonders deutlichen Unregelmässigkeiten im Flächengebilde bestehen, aber nicht als Fehler gelten können. Diesen Umständen muss nun die Treppenlinie 16, 28 oder die obere Grenze der Bereiche 17, 29 Rechnung tragen.
Um tolerierbare Fehler von nicht tolerierbaren Fehlern zu unterscheiden, kann man verschiedene Vorgehensweisen wählen. Das einfachste Vorgehen wäre, eine grössere Anzahl Referenzfehler zu bilden und jeden dieser Fehler vor dem Hintergrund des gegebenen und zu beurteilenden wirklichen Flächengebildes zu betrachten, zu vergleichen und eventuell zu klassieren und dabei subjektiv zu entscheiden, welche Fehler gar nicht stören oder welche Fehler sicher stören. Hat man soviele Referenzfehler wie Felder oder Klassen in der Klassiermatrix 1 , so kann man durch den obengenannten subjektiven Vergleich direkt jene Klassen bestimmen, deren Fehler stören oder nicht stören. Daraus ergibt sich dann eine Grenzlinie zwischen Klassen störender Fehler und Klassen nicht störender Fehler und dies ist die Treppenlinie 16, 28. Da in feinen Flächengebilden auch kleinere, weniger kontrastreiche Fehler auffallen, liegt die Treppenlinie 16 gemäss Fig. 1 tiefer als die Treppenlinie 28 gemäss Fig. 3, die für stärker strukturierte Flächengebilde wie etwa gemäss Fig. 5, vorgesehen ist.
Eine weitere, aufwendigere und präzisere Art die obere Grenze oder Treppenlinie 16, 28 auch automatisch zu bestimmen kann wie folgt geschehen. Zuerst ist eine minimale Intensität festzulegen, welche der untersten Intensitätsklasse zugeordnet wird (z.B. 0 oder X%). Diese Grenze ist so tief anzulegen, dass auch schwache Fehler in sehr homogenen Flächengebilden erfasst werden können. Da bei kleinen, punktförmigen Fehlern die Intensität etwa mit dem Grauwert der Bildpunkte übereinstimmt, kann die Intensitätsskala am Grauwertbereich der vorhandenen Bildpunkte ausgerichtet werden. Die Intensitätsskala kann beispielsweise zwischen +/- 64,128, 256 usw. liegen, je nach Anzahl der in der Verrechnung verwendeten Bit. Dem maximalen Grauwert, welcher beispielsweise 64, 128 oder 256 entspricht, wird die Intensität 100% zugeteilt. Als minimale Intensität kann ein Wert von 5% davon sinnvoll sein. Damit kann beispielsweise verhindert werden, dass bei sehr homogenen Geweben der untere Grenzwert soweit reduziert wird, dass normale Unregelmässigkeiten der Abbildung zu Pseudofehlern führen. Nachdem nun eine Skalierung für die Werte der Intensität und der Länge der Fehler bestimmt ist, sollen die Treppenlinien 16, 28 so festgelegt werden, dass nur einige wenige Ereignisse im fehlerfreien Gewebebild als so auffällig erkannt werden, dass diese die Treppenline übersteigen und gezählt werden. Die Treppenlinie 16, 28 muss für ein vorliegendes Flächengebilde bestimmt werden. Dabei kann man wie folgt vorgehen.
1) Beispielsweise eine Kamera erfasst das Flächengebilde und bildet es durch Bildpunkte in der Kamerazeile 32 ab. Den durch die Kamera erfassten Bildpunkten werden Intensitäts- oder Helligkeitswerte gemäss der vorgegebenen Skala zugeordnet. Aus einer repräsentativen Menge von Bildpunkten aus einem fehlerfreien Abschnitt des Flächengebildes sollen diese Werte ihrer Grosse nach geordnet aufgezeichnet oder in einem Speicher abgelegt werden, wie dies die Fig. 7 veranschaulicht. Das kann beispielsweise auch so geschehen, dass in der Kamerazeile 32 zu jeder Kolonne 46, 47 usw. ein Mittelwert der Grauwerte der Bildpunkte in der Kolonne ermittelt wird, wobei nur die Mittelwerte geordnet und gespeichert werden. So gibt es pro Kamerazeile 32 nur noch ein Bildpunktmuster mit Bildpunkten, deren Werte wie oben angegeben geordnet werden.
2) Dann wird eine Gruppe 51 (Fig. 7) mit Bildpunkten gebildet, wobei diese Gruppe diejenigen Bildpunkte umfasst, die die höchste oder die niedrigste Intensität oder Helligkeit aufweisen, oder die die grösste positive oder negative Abweichung zum Mittelwert 48 (Fig. 7) aufweisen. Diese Gruppe kann beispielsweise 10, 15, 20 oder eine andere Anzahl Bildpunkte umfassen, wobei die Bildpunkte mit der niedrigsten Intensität für dunkle Flächengebilde und die Bildpunkte mit der höchsten Intensität für helle Flächengebilde gelten. Als obere Grenze für Bereiche 17, 29 kann ein Wert in einer Gruppe 51 genommen werden.
3) Aus der Gruppe 51 kann aber für die obere Grenze auch der Medianwert der Helligkeit, der Intensität oder der Abweichung bestimmt werden. Dieser Medianwert kann dann einen Wert für die Intensität für die Treppenlinie 16, 28 in ihrem mittleren Bereich bezüglich der Länge der Fehler angeben. Sie gilt für eher längere Fehler. Geht man von der Abweichung aus, so muss man diese auf den Mittelwert 48 beziehen um einen Wert für die Treppenlinie 16, 28 zu erhalten. Dieser Medianwert muss allerdings noch in einen %-Wert umgerechnet werden, der zu der Skalierung auf der Achse 3 passt
4) Für die Treppenlinie im Bereiche kurzer Fehler ist ein weiterer Schritt wünschbar. Bei bekannten Verfahren für die Erkennung von Fehlern in textilen Flächengebilden, wie sie beispielsweise aus der WO98/08080 bekannt sind und in diesem Zusammenhang auch angewendet werden müssen, werden erfahrungsgemäss kurze Fehler anders bewertet als längere Fehler. Dies ist durch die Vorrichtung oder das Verfahren gegeben mit dem die Bildpunkte erfasst werden und das besondere Eigenschaften aufweisen kann, die zu einer solchen differenzierten Behandlung von Fehlern führt. Deshalb ist es angebracht, eine Korrektur vorzusehen, die den Wert für die Treppenlinie 16, 28 für kurze Fehler erhöht. Die genannten Eigenschaften lassen sich durch eine Charakteristik darstellen, wie sie in der Fig. 3 durch die Kurve 49 darstellbar ist. Eine solche Charakteristik wie sie die Kurve 49 darstellt ist entweder schon bekannt, oder muss durch Versuche mit der gegebenen Vorrichtung ermittelt werden. Geht man davon aus, dass durch das obengenannte Verfahren Werte für die Treppenlinie 28 ermittelt werden, die auf der Achse 2 etwa für die rechte Hälfte gelten, so gibt die Kurve 49 an, wie weit die Treppenlinie in der linken Hälfte der Fig. 3 zu erhöhen wäre. Dabei gilt, dass Felder oder Klassen, in die die Kurve 49 fällt als ganze unterhalb die Treppenlinie 28 fallen sollen. Damit wird auch der leicht verständliche Umstand berücksichtigt, wonach kurze Fehler im Flächengebilde eher durch die Struktur des Flächengebildes verdeckt werden, so dass solche kurzen Fehler durch stärkeren Kontrast zum Flächengebilde auffallen müssen, um erkennbar zu sein.
Um ein Mass und auch eine Skalierung für die Intensität eines Bildpunktes oder Fehlers zu finden, kann man beispielsweise davon ausgehen, dass die Intensität in diesem Falle von der Breite und vom Kontrast eines Fehlers beeinflusst wird. Die Fig. 8 zeigt dabei eine Möglichkeit auf, wie mit Hilfe eines Modells, aus der Breite und dem Kontrast die Intensität bestimmt werden könnte. Das Modell wird durch die Oberfläche eines Kegels, also die Kegelfläche 42 dargestellt und somit vorgegeben, auf der Werte für die Intensität liegen. Aus dem Wert für die Breite eines Fehlers, die durch die Anzahl Bildpunkte gegeben ist, und aus dem Kontrast, der aus den Helligkeitswerten der Bildpunkte ermittelt wird, kann nun ein Wert für die Intensität gefunden werden, indem man die Werte für Breite und Kontrast auf den betreffenden Achsen 44, 43 aufträgt und dann auf dem Schnittpunkt in der Ebene der beiden Achsen 43, 44 eine Senkrechte aufrichtet. Der Durchstosspunkt 52 dieser Senkrechten mit der Kegelfläche 42 ergibt die gesuchte Intensität, die durch die Höhe der Kegelfläche 42 über der Ebene gegeben ist.
Ist die Klassiermatrix 1, 26 mit der Treppenlinie 16, 28 einmal festgelegt, so geht es anschliessend darum, in einem vorgegebenen Flächengebilde die Fehler zu erkennen und gemäss der Klassiermatrix zu klassieren. Dazu verwendet man beispielsweise ein Verfahren, wie es in der WO98/08080 beschrieben ist. Dabei wird jede Kamerazeile durch ihre Bildpunkte dargestellt und es ist nun möglich, diese Bildpunkte gemäss ihrer Intensität oder Helligkeit in der Klassiermatrix 1, 26 abzulegen. Da immer neue Kamerazeilen abgetastet werden, kann es für gewisse Felder oder Klassen nacheinander mehrere Belegungen geben, so dass diese auch gezählt werden können, wobei in der betreffenden Klasse ein Zählwert eingetragen werden kann. Die Treppenlinien 16, 28 stellen somit Grenzen dar, die vom vorgelegten Gewebe oder Gewirke abhängen. Bildpunkte im Flächengebilde, welche diese Grenzen nicht erreichen, werden vom System zu deren Verarbeitung ignoriert. Bildpunkte, welche oberhalb dieser Grenzen liegen, müssen nicht unbedingt Fehler anzeigen. Sie weisen aber auf besonders deutliche Unregelmässigkeiten hin. Textiltechnisch gesehen können diese ebenfalls interessant sein und deshalb kann es sinnvoll sein, diese als Ereignisse zu zählen. Die Klassiermatrix kann aus solchen Gründen somit sogar drei Zonen aufweisen. Die unterste Zone, wie die Bereiche 17 und 29 reichen von der untersten Intensitätsgrenze oder Achse 2 bis zu den Treppenlinien 16, 28. Darüber liegt eine Zone der blossen Ereigniszählung und noch höher liegt die Fehlerzone. Die Unterteilung der Bereiche 18, 30 erfolgt durch den Anwender beliebig während die Treppenlinien 16, 28 automatisch bestimmt werden können. Fig. 3 zeigt mit einerweiteren Treppenlinie 50 eine solche Unterteilung in drei Zonen.

Claims

Patentansprüche:
1. Verfahren zur Beurteilung von Fehlern in textilen Flächengebilden, dadurch gekennzeichnet, dass für die Beurteilung zwei Parameter gewählt werden, dass eine Klassiermatrix (1 , 26) gebildet wird, bei der Werte der Parameter Klassengrenzen bestimmen und Klassengrenzen (4 - 19) die Klassiermatrix in Felder aufteilen, dass die Klassiermatrix weiter in mindestens zwei Bereiche (17, 18 bzw. 29, 30) dadurch aufgeteilt wird, dass für Bildpunkte aus dem fehlerfreien Flächengebilde für den einen Parameter ein Mittelwert ermittelt und in Abhängigkeit einer Gruppe von Bildpunkten mit grösster Abweichung des Parameters zum Mittelwert, eine Grenze zwischen zwei Bereichen festgelegt wird, dass die Aufteilung in mindestens zwei Bereiche entlang den Klassengrenzen erfolgt, dass Werte im Flächengebilde aus Bildpunkten (37,38), die dieses darstellen, erfasst und die Werte gemäss den zwei gewählten Parametern in der Klassiermatrix eingeordnet werden und dass Bildpunkte, die in dem einen Bereich der Klassiermatrix eingeordnet sind, einen möglichen Fehler im Flächengebilde anzeigen.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass als Parameter die Intensität der Bildpunkte und deren Ausdehnung erfasst wird, wobei die Ausdehnung durch mehrere benachbarte Bildpunkte bewirkt wird.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass als Ausdehnung die Länge gemessen wird, die durch mehrere benachbarte Bildpunkte ähnlicher, aber von einem Referenzwert abweichender Intensität gebildet wird.
4. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass der Bereich für mögliche Fehler weiter in einen ersten Bereich für zulässige Fehler und einen zweiten Bereich für unzulässige Fehler aufgeteilt wird.
5. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass die Grenze zwischen den beiden Bereichen automatisch bestimmt wird.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass die automatische Bestimmung der oberen Grenze mit Hilfe von Heiligkeits- oder Intensitätswerten erfolgt, die aufgezeichnet und nach der Grosse geordnet werden, wobei als obere Grenze ein Wert festgelegt wird, der in einer Gruppe (51) liegt, die durch eine vorgegebene Anzahl der extremsten Werte gebildet wird.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass innerhalb der Gruppe der Medianwert der Heiligkeits- oder Intensitätswerte als oberer Grenzwert bestimmt wird.
8. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass die obere Grenze für einen Wertebereich des einen Parameters verändert wird.
EP03757617A 2002-11-06 2003-11-03 Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden Withdrawn EP1570255A1 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CH186202 2002-11-06
CH18622002 2002-11-06
PCT/CH2003/000716 WO2004042379A1 (de) 2002-11-06 2003-11-03 Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden

Publications (1)

Publication Number Publication Date
EP1570255A1 true EP1570255A1 (de) 2005-09-07

Family

ID=32304035

Family Applications (1)

Application Number Title Priority Date Filing Date
EP03757617A Withdrawn EP1570255A1 (de) 2002-11-06 2003-11-03 Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden

Country Status (5)

Country Link
US (1) US20060251295A1 (de)
EP (1) EP1570255A1 (de)
JP (1) JP2006504965A (de)
CN (1) CN1708682A (de)
WO (1) WO2004042379A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3882393A1 (de) 2020-03-17 2021-09-22 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung und verfahren zur analyse von textilien

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807289B (zh) * 2010-03-15 2012-10-10 深圳市中钞科信金融科技有限公司 一种用于分布式图像处理系统的建模方法
CN108896570B (zh) * 2018-07-06 2020-11-24 湖南工程学院 织物检测控制系统
CN109801261A (zh) * 2018-12-20 2019-05-24 深圳灵图慧视科技有限公司 行进中的长产品的表面疵点检测方法和设备
CN112215791A (zh) * 2019-07-12 2021-01-12 宝洁公司 一种提供纺织品信息和将其可视化的系统及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3975408B2 (ja) * 1996-08-20 2007-09-12 ウステル・テヒノロジーズ・アクチエンゲゼルシヤフト 繊維面組織における欠陥を認識する方法及び装置
JP2001516909A (ja) * 1997-09-15 2001-10-02 ツエルヴエーゲル・ルーヴア・アクチエンゲゼルシヤフト 繊維面組織からのデータを評価する方法
EP1100989B1 (de) * 1998-07-24 2003-04-23 Zellweger Luwa Ag Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2004042379A1 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3882393A1 (de) 2020-03-17 2021-09-22 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung und verfahren zur analyse von textilien

Also Published As

Publication number Publication date
JP2006504965A (ja) 2006-02-09
US20060251295A1 (en) 2006-11-09
CN1708682A (zh) 2005-12-14
WO2004042379A1 (de) 2004-05-21

Similar Documents

Publication Publication Date Title
EP2275813B1 (de) Verfahren zur Charakterisierung von Effektgarn
DE102006000946B4 (de) Verfahren und System zur Inspektion einer periodischen Struktur
DE19821611A1 (de) Verfahren zur Erfassung der räumlichen Struktur einer dreidimensionalen Oberfläche
EP1100989B1 (de) Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden
EP1015874B2 (de) Verfahren zur auswertung von fehlern von textilen flächengebilden
EP1187786B1 (de) Verfahren und vorrichtung zum reinigen von garn
DE19940879A1 (de) Verfahren und Vorrichtung zum automatisierten Vergleich von Druckbildern an Druckmaschinen
EP0876600B1 (de) Vorrichtung zur automatischen überwachung von textilen flächengebilden
DE69810528T2 (de) Verfahren und Vorrichtung zur Überprüfung von Wert- oder Sicherheitsgegenständen, insbesondere Banknoten
EP1570255A1 (de) Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden
DD273505A5 (de) Verfahren zur automatischen Erkennung von Fehlern in bewegten Warenbahnen
EP1606612A1 (de) Verfahren zur überfrüfung der qualitätskriterien von flächigen, mehrlagig konturbezogen gefertigten textilen gebilden
DE10261221A1 (de) Verfahren und Vorrichtung zur Echtzeitkontrolle von Druckbildern
DE10110650A1 (de) Automatisches Prüfverfahren
WO2008077680A1 (de) Verfahren und vorrichtung zur optischen prüfung von objekten
EP4149688A1 (de) Verfahren zur staubniederhaltung bei brechern mit sprüheinrichtungen
AT502069B1 (de) Verfahren und einrichtung zum prüfen von gegenständen
DE19527446A1 (de) Verfahren und Vorrichtung zur optischen Oberflächenprüfung von Werkstücken
DE202018107309U1 (de) Kettenwirkmaschine
AT507266B1 (de) Verfahren zum automatischen erkennen eines defekts in einer elektronischen darstellung
EP1590520A1 (de) Verfahren und vorrrichtung zur erkennung von fehlern in textilen gebilden
DD298158A5 (de) Verfahren zur schnellen automatischen erkennung von fehlern in unifarbenen, ungemusterten oder schwach gemusterten warenbahnen
DE69424664T2 (de) Verfahren zur Gewinnung und Verarbeitung des Bilds eines flachen Artikels sowie Gewebestoff für die Feststellung von Herstellungsdefekten
DE102019209818A1 (de) Missing Nozzle Detektion mit Negativ-Muster
WO2005005708A1 (de) Verfahren und vorrichtung zur überwachung einer bewegten warenbahn

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: 20050606

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IT LI LU MC NL PT RO SE SI SK TR

AX Request for extension of the european patent

Extension state: AL LT LV MK

DAX Request for extension of the european patent (deleted)
RBV Designated contracting states (corrected)

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

17Q First examination report despatched

Effective date: 20070925

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