CN110298840B - 一种基于图像的纱线缺陷检测方法 - Google Patents

一种基于图像的纱线缺陷检测方法 Download PDF

Info

Publication number
CN110298840B
CN110298840B CN201910621954.7A CN201910621954A CN110298840B CN 110298840 B CN110298840 B CN 110298840B CN 201910621954 A CN201910621954 A CN 201910621954A CN 110298840 B CN110298840 B CN 110298840B
Authority
CN
China
Prior art keywords
image
yarn
gray
pixel points
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910621954.7A
Other languages
English (en)
Other versions
CN110298840A (zh
Inventor
李东洁
郭帅
杨柳
荣伟彬
尤波
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.)
Hadao Technology Harbin Co ltd
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN201910621954.7A priority Critical patent/CN110298840B/zh
Publication of CN110298840A publication Critical patent/CN110298840A/zh
Application granted granted Critical
Publication of CN110298840B publication Critical patent/CN110298840B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

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

Abstract

一种基于图像的纱线缺陷检测方法，本发明涉及纱线缺陷检测方法。本发明的目的是为了解决现有人工检测方法存在着的检测效率低下，工作强度大，精度低，以及基于传感器的检测方法成本高，不利于大规模使用的问题。一种基于图像的纱线缺陷检测方法过程为：步骤一、对相机进行标定，得到标定好的相机；步骤二、采用标定好的相机采集纱线图像；步骤三、采用图像处理方法对步骤二采集的纱线图像进行处理，得到处理后的纱线图像；步骤四、对步骤三得到的处理后的纱线图像进行缺陷判定，完成纱线缺陷检测。本发明用于纱线缺陷检测领域。

Description

一种基于图像的纱线缺陷检测方法
技术领域
本发明涉及纱线缺陷检测方法。
背景技术
随着纺织业的不断发展，对于纱线生产效率的提升也变得越来越重要，而纱线质量作为纱线生产的一个重要环节也变得越来越受到重视，在此过程中，纱线的质量则会直接影响到产品的质量，因此，采用合适的纱线质量检测手段则变得尤为重要。传统人工检测方法存在着的检测效率低下，工作强度大，精度低等弊端，另外一些研究人员使用基于传感器的检测方法，匀速运动的纱线通过极板会导致其中的电荷量发生变化，通过电荷量的大小来判断纱线是否具有缺陷。这类方法的优点是可以进行快速的检测并且实时性好，但是缺点是成本太高，不利于大规模使用。
近年来，随着图像处理算法的进一步丰富以及机器视觉的发展，使图像处理应用在纱线缺陷检测上成为了可能，目前图像处理是一种正在兴起的处理方式。许多论文里已经开始运用图像处理技术在线处理一些图像，并且取得不错的成绩。
发明内容
本发明的目的是为了解决现有人工检测方法存在着的检测效率低下，工作强度大，精度低，以及基于传感器的检测方法成本高，不利于大规模使用的问题，而提出一种基于图像的纱线缺陷检测方法。
一种基于图像的纱线缺陷检测方法具体过程为：
步骤一、对相机进行标定，得到标定好的相机；
步骤二、采用标定好的相机采集纱线图像；
步骤三、采用图像处理方法对步骤二采集的纱线图像进行处理，得到处理后的纱线图像；
步骤四、对步骤三得到的处理后的纱线图像进行缺陷判定，完成纱线缺陷检测。
本发明的有益效果为：
本发明一种基于图像的纱线缺陷检测方法，对相机进行标定，得到标定好的相机；采用标定好的相机采集纱线图像；采用图像处理方法对采集的纱线图像进行处理，得到处理后的纱线图像；对得到的处理后的纱线图像进行缺陷判定，完成纱线缺陷检测。相比于基于极板进行纱线直径检测的方法价格较低并且能大规模使用，同时相比于传统人工检测，提高了检测自动化程度和效率，并减少人为因素对检测过程的影响以及工人的劳动强度。
14.6tex的纯棉纱标准直径为0.146mm，通过本发明检测后的直径为0.1394mm，误差率是4.73％。处理后的纱线图边缘图像更加清晰，提高了检测精度。
本发明通过图像处理进行缺陷判断可以使得判断结果准确性好，提高了生产效率，缩减了劳动成本，利于大规模使用。有利于厂家提高生产品质，进一步改进其工艺水平。
附图说明
图1为本发明流程图；
图2为本发明纱线缺陷检测操作平台结构图；
图3为本发明的缺陷判断流程图。
具体实施方式
具体实施方式一：本实施方式一种基于图像的纱线缺陷检测方法具体过程为：
步骤一、对相机进行标定，得到标定好的相机；
步骤二、采用标定好的相机采集纱线图像；
步骤三、采用图像处理方法对步骤二采集的纱线图像进行处理，得到处理后的纱线图像；
步骤四、对步骤三得到的处理后的纱线图像进行缺陷判定，完成纱线缺陷检测。
综上所述，本发明提供的图像检测方法效率高，能够有效提高缺陷检测的准确性和效率。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一中对相机进行标定，得到标定好的相机；具体过程为：
步骤一一、纱线缺陷检测操作平台依次设置：纱架、导纱管、工作台和纱轮；
相机固定于工作台之上；
步骤一二、在不同位置、不同角度、不同姿态使用相机拍摄15张放在标定板上的标定纸图像；
步骤一三、通过张正友相机标定程序对标定纸图像进行角点及亚像素点信息提取并进行相机内参外参的求取，从而进行相机标定。
本发明采用相机模块来代替传统人工检测中人眼的工作，CCD相机固定于背景为黑色的操作平台上可以实现对纱线清晰的采集，保证检测的可靠性，提高检测过程的自动化程度，同时减少人为因素所带来的误差。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤二中采用标定好的相机采集纱线图像；具体过程为：
步骤二一、纱线依次通过纱架、导纱管、纱轮相对稳定的在操作平台上运动；
步骤二二、在导纱管和纱轮之间放有黑色背景纸的工作台，纱线经过放有黑色背景纸的工作台时采用标定好的相机进行拍摄，从而增加对比度；
步骤二三、将拍摄完成的纱线图像传入计算机中进行处理。
本发明采用的纱线图像采集***，使匀速运动的纱线通过导纱架和纱轮，从而使得纱线在经过操作平台时是稳定且匀速的运动，在操作平台上有黑色的背景板，从而增加采集到的图像的对比度，从而使得检测更加智能化。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤三中采用图像处理方法对步骤二采集的纱线图像进行处理，得到处理后的纱线图像信息；具体过程为：
步骤三一、首先对步骤二采集的纱线图像进行离散傅里叶变换，得到离散傅里叶频谱；
对离散傅里叶频谱进行霍夫直线检测，得到纱线偏转角度，从而进行图像偏转角度矫正；
步骤三二、对步骤三一矫正后的图像进行灰度变换，对灰度变换后的图像进行双边滤波去噪，通过考虑像素空间距离的关系和像素相似程度的关系，得到滤波去噪后的图像；
采用Otsu二值化对滤波去噪后的图像计算类间方差；
比较计算得到的类间方差，找到类间方差最大时的T值，然后将所有像素点灰度值小于或者等于T的灰度值全部置0，所有像素点灰度值大于T的灰度值全部置1，完成二值化分割，得到阈值分割后的图像；
步骤三三、使用数学形态学处理步骤三二得到的阈值分割后的图像的边缘，使得断裂的部分相互连接，并且对于图像中的毛刺进行腐蚀消除。
通过图像处理后的纱线图像大大缩减处理的数据量，使得最后得到的图像与刚采集的图像相比，在边缘的处理上更加清晰，处理速度也得到了提高。对于最后的纱线判断其准确性得到了提高。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述步骤三一中首先对步骤二采集的纱线图像进行离散傅里叶变换，得到离散傅里叶频谱；离散傅里叶变换公式为：
Figure BDA0002125786610000041
其中，M是图像的行分辨率，N是图像列分辨率，F(k,l)是离散傅里叶变换后的结果，k、l为频率变量，f(i,j)是空间域中某一点的灰度值，i、j为空间域变量。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述步骤三二中对步骤三一矫正后的图像进行灰度变换，对灰度变换后的图像进行双边滤波去噪，通过考虑像素空间距离的关系和像素相似程度的关系，得到滤波去噪后的图像；采用Otsu二值化对滤波去噪后的图像计算类间方差；比较计算得到的类间方差，找到类间方差最大时的T值，然后将所有像素点灰度值小于或者等于T的灰度值全部置0，所有像素点灰度值大于T的灰度值全部置1，完成二值化分割，得到阈值分割后的图像；具体过程为：
对步骤三一矫正后的图像进行灰度变换Gray＝0.299*R+0.587*G+0.114*B
其中，R、G、B是三个颜色分量的值；
对灰度变换后的图像进行双边滤波去噪，通过考虑像素空间距离的关系和像素相似程度的关系，得到去噪后的图像，计算公式为：
滤波去噪后输出的像素值为
Figure BDA0002125786610000042
其中，ω(i1,j1,k1,l1)为权重系数；k1l1是灰度变换后的图像中一像素点的行列坐标；i1,j1是灰度变换后的图像中一像素点的行列坐标；f(k1,l1)为空间域中像素点(k1,l1)的灰度值；
权重系数
Figure BDA0002125786610000051
由于双边滤波考虑到了像素之间的颜色的相关性，从而使得图像的边缘更加适于处理；
其中，
Figure BDA0002125786610000052
为空间域中高斯函数的标准差；
Figure BDA0002125786610000053
为值域中高斯函数的标准差；f(i1,j1)为空间域中像素点(i1,j1)的灰度值；
采用Otsu二值化对滤波去噪后的图像进行总体像素点个数的统计，计算公式为：
Figure BDA0002125786610000054
其中，
Figure BDA0002125786610000055
为灰度值为i2时的图像像素点个数，N1为图像总体像素点个数，L为变量，取值为256；
计算图像各种灰度值出现的概率，计算公式为：
Figure BDA0002125786610000056
其中，
Figure BDA0002125786610000057
是像素灰度值为i2时的出现概率；
Figure BDA0002125786610000058
其中，T为滤波去噪后图像中最小的灰度值，p0为像素点灰度值在区域0的概率，p1为像素点在区域1的概率；
Figure BDA0002125786610000059
其中，μ0为区域0的平均灰度，μ1为区域1的平均灰度；μ为区域的平均灰度；
计算类间方差σ2＝p0p1(μ0-μ1)2，记录分割阈值为T时的类间方差，然后T的值+1，重新计算记录p0、p1、μ0、μ1、σ2，直至T＝255；
比较计算得到的类间方差，找到类间方差最大时的T值，然后将所有像素点灰度值小于或者等于T的灰度值全部置0，所有像素点灰度值大于T的灰度值全部置1，完成二值化分割，得到阈值分割后的图像。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述步骤四中对步骤三得到的处理后的纱线图像进行缺陷判定，完成纱线缺陷检测；具体过程为：
步骤四一、采集步骤三得到的处理后的纱线图像的列像素点灰度值；记录列像素点的位置信息，判断列像素点是否搜索完毕，并设置变量p＝1，o＝1；若是，执行步骤四二；若否，继续采集步骤三得到的处理后的纱线图像的列像素点灰度值；
步骤四二、判断步骤四一中搜索到的第p列的列像素点中第o个列像素点灰度值是否大于阈值，若是，执行步骤四三；若否，执行步骤四四；
步骤四三、从第p列第o个像素点开始记录连续的列像素点个数，并判断连续列像素点个数是否大于步骤三得到的处理后的纱线图像列像素点个数的四十分之一，若是，执行步骤四六；若否，判断变量o的取值是否大于等于步骤三得到的处理后的纱线图像的该列像素点个数，若是，执行步骤四五；若否执行步骤四四；
步骤四四、变量o的值+1，执行步骤四二；
步骤四五、输出细节(纱线直径小于主体直径的一半，根据纱线型号不同，每种纱线的标准直径范围都不同，纱线本体就是检测的纱线的标准直径)，变量p的值+1，变量o的值重新赋值为1，并执行步骤四二；
步骤四六、基于符合条件的连续的列像素点个数，通过相机焦距以及步骤一三中得到的相机标定的内参计算出一个列像素点对应的实际大小，通过符合条件的列像素点个数与计算出的一个列像素点对应的真实大小的乘积计算纱线直径；
步骤四七、判断符合条件的连续列像素点位置的灰度值连续的行像素点个数是否达到步骤三得到的处理后的纱线图像行像素点个数的三十分之一，若是，输出纱线直径；若否，执行步骤四八；
步骤四八、变量p的值+1，执行步骤四二。
本发明的缺陷判定模块可以根据处理后的图像对缺陷进行判定，便于对纱线是否具有缺陷进行及时的统计与反馈。
其它步骤及参数与具体实施方式一至六之一相同。
采用以下实施例验证本发明的有益效果：
实施例一：
本实施例具体是按照以下步骤制备的：
请参阅附图1、附图2、附图3，本发明提供一种***方案：一种基于图像的纱线缺陷检测***。下面结合附图与具体实施方式对本发明作进一步详细描述：其中附图1为***整体流程图，附图2为***整体结构图，附图3为***缺陷判断流程图：
包括以下步骤：
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (4)

1.一种基于图像的纱线缺陷检测方法，其特征在于：所述方法具体过程为：
步骤一、对相机进行标定，得到标定好的相机；
步骤二、采用标定好的相机采集纱线图像；
步骤三、采用图像处理方法对步骤二采集的纱线图像进行处理，得到处理后的纱线图像；
步骤四、对步骤三得到的处理后的纱线图像进行缺陷判定，完成纱线缺陷检测；
所述步骤一中对相机进行标定，得到标定好的相机；具体过程为：
步骤一一、纱线缺陷检测操作平台依次设置：纱架、导纱管、工作台和纱轮；
相机固定于工作台之上；
步骤一二、在不同位置、不同角度、不同姿态使用相机拍摄15张放在标定板上的标定纸图像；
步骤一三、对标定纸图像进行角点及亚像素点信息提取并进行相机内参外参的求取，从而进行相机标定；
所述步骤二中采用标定好的相机采集纱线图像；具体过程为：
步骤二一、纱线依次通过纱架、导纱管、纱轮运动；
步骤二二、在导纱管和纱轮之间放有黑色背景纸的工作台，纱线经过放有黑色背景纸的工作台时采用标定好的相机进行拍摄；
步骤二三、将拍摄完成的纱线图像传入计算机中；
所述步骤三中采用图像处理方法对步骤二采集的纱线图像进行处理，得到处理后的纱线图像信息；具体过程为：
步骤三一、首先对步骤二采集的纱线图像进行离散傅里叶变换，得到离散傅里叶频谱；
对离散傅里叶频谱进行霍夫直线检测，得到纱线偏转角度，从而进行图像偏转角度矫正；
步骤三二、对步骤三一矫正后的图像进行灰度变换，对灰度变换后的图像进行双边滤波去噪，得到滤波去噪后的图像；
采用Otsu二值化对滤波去噪后的图像计算类间方差；
比较计算得到的类间方差，找到类间方差最大时的T值，然后将所有像素点灰度值小于或者等于T的灰度值全部置0，所有像素点灰度值大于T的灰度值全部置1，完成二值化分割，得到阈值分割后的图像；
步骤三三、使用数学形态学处理步骤三二得到的阈值分割后的图像的边缘，使得断裂的部分相互连接，并且对于图像中的毛刺进行腐蚀消除。
2.根据权利要求1所述一种基于图像的纱线缺陷检测方法，其特征在于：所述步骤三一中首先对步骤二采集的纱线图像进行离散傅里叶变换，得到离散傅里叶频谱；离散傅里叶变换公式为：
Figure FDA0002832115790000021
其中，M是图像的行分辨率，N是图像列分辨率，F(k,l)是离散傅里叶变换后的结果，k、l为频率变量，f(i,j)是空间域中某一点的灰度值，i、j为空间域变量。
3.根据权利要求2所述一种基于图像的纱线缺陷检测方法，其特征在于：所述步骤三二中对步骤三一矫正后的图像进行灰度变换，对灰度变换后的图像进行双边滤波去噪，得到滤波去噪后的图像；采用Otsu二值化对滤波去噪后的图像计算类间方差；比较计算得到的类间方差，找到类间方差最大时的T值，然后将所有像素点灰度值小于或者等于T的灰度值全部置0，所有像素点灰度值大于T的灰度值全部置1，完成二值化分割，得到阈值分割后的图像；具体过程为：
对步骤三一矫正后的图像进行灰度变换Gray＝0.299*R+0.587*G+0.114*B
其中，R、G、B是三个颜色分量的值；
对灰度变换后的图像进行双边滤波去噪，得到去噪后的图像，计算公式为：
滤波去噪后输出的像素值为
Figure FDA0002832115790000022
其中，ω(i1,j1,k1,l1)为权重系数；k1 l1是灰度变换后的图像中一像素点的行列坐标；i1,j1是灰度变换后的图像中一像素点的行列坐标；f(k1,l1)为空间域中像素点(k1,l1)的灰度值；
权重系数
Figure FDA0002832115790000031
其中，
Figure FDA0002832115790000032
为空间域中高斯函数的标准差；
Figure FDA0002832115790000033
为值域中高斯函数的标准差；f(i1,j1)为空间域中像素点(i1,j1)的灰度值；
采用Otsu二值化对滤波去噪后的图像进行总体像素点个数的统计，计算公式为：
Figure FDA0002832115790000034
其中，
Figure FDA0002832115790000035
为灰度值为i2时的图像像素点个数，N1为图像总体像素点个数，L为变量，取值为256；
计算图像各种灰度值出现的概率，计算公式为：
Figure FDA0002832115790000036
其中，
Figure FDA0002832115790000037
是像素灰度值为i2时的出现概率；
Figure FDA0002832115790000038
其中，T为滤波去噪后图像中最小的灰度值，p0为像素点灰度值在区域0的概率，p1为像素点在区域1的概率；
Figure FDA0002832115790000039
其中，μ0为区域0的平均灰度，μ1为区域1的平均灰度；μ为区域的平均灰度；
计算类间方差σ2＝p0p1(μ0-μ1)2，记录分割阈值为T时的类间方差，然后T的值+1，重新计算记录p0、p1、μ0、μ1、σ2，直至T＝255；
比较计算得到的类间方差，找到类间方差最大时的T值，然后将所有像素点灰度值小于或者等于T的灰度值全部置0，所有像素点灰度值大于T的灰度值全部置1，完成二值化分割，得到阈值分割后的图像。
4.根据权利要求3所述一种基于图像的纱线缺陷检测方法，其特征在于：所述步骤四中对步骤三得到的处理后的纱线图像进行缺陷判定，完成纱线缺陷检测；具体过程为：
步骤四一、采集步骤三得到的处理后的纱线图像的列像素点灰度值；记录列像素点的位置信息，判断列像素点是否搜索完毕，并设置变量p＝1，o＝1；若是，执行步骤四二；若否，继续采集步骤三得到的处理后的纱线图像的列像素点灰度值；
步骤四二、判断步骤四一中搜索到的第p列的列像素点中第o个列像素点灰度值是否大于阈值，若是，执行步骤四三；若否，执行步骤四四；
步骤四三、从第p列第o个像素点开始记录连续的列像素点个数，并判断连续列像素点个数是否大于步骤三得到的处理后的纱线图像列像素点个数的四十分之一，若是，执行步骤四六；若否，判断变量o的取值是否大于等于步骤三得到的处理后的纱线图像的该列像素点个数，若是，执行步骤四五；若否执行步骤四四；
步骤四四、变量o的值+1，执行步骤四二；
步骤四五、输出细节，变量p的值+1，变量o的值重新赋值为1，并执行步骤四二；
步骤四六、基于符合条件的连续的列像素点个数，通过相机焦距以及步骤一三中得到的相机标定的内参计算出一个列像素点对应的实际大小，通过符合条件的列像素点个数与计算出的一个列像素点对应的真实大小的乘积计算纱线直径；
步骤四七、判断符合条件的连续列像素点位置的灰度值连续的行像素点个数是否达到步骤三得到的处理后的纱线图像行像素点个数的三十分之一，若是，输出纱线直径；若否，执行步骤四八；
步骤四八、变量p的值+1，执行步骤四二。
CN201910621954.7A 2019-07-10 2019-07-10 一种基于图像的纱线缺陷检测方法 Active CN110298840B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910621954.7A CN110298840B (zh) 2019-07-10 2019-07-10 一种基于图像的纱线缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910621954.7A CN110298840B (zh) 2019-07-10 2019-07-10 一种基于图像的纱线缺陷检测方法

Publications (2)

Publication Number Publication Date
CN110298840A CN110298840A (zh) 2019-10-01
CN110298840B true CN110298840B (zh) 2021-05-18

Family

ID=68030974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910621954.7A Active CN110298840B (zh) 2019-07-10 2019-07-10 一种基于图像的纱线缺陷检测方法

Country Status (1)

Country Link
CN (1) CN110298840B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598852B (zh) * 2020-04-29 2023-03-14 广东工业大学 一种取线检测方法及其装置
CN112270652A (zh) * 2020-10-19 2021-01-26 西安工程大学 一种纱库式络筒机中有无纱管的检测方法
CN112680872B (zh) * 2020-12-17 2022-03-08 常州市新创智能科技有限公司 一种经纱绕罗拉断纱检测方法
CN113186627A (zh) * 2021-04-21 2021-07-30 哈尔滨理工大学 一种竹短纤维加捻连续化自动制备方法
CN113808121A (zh) * 2021-09-24 2021-12-17 济宁职业技术学院 一种纱线亚像素级直径测量方法及***
CN113837126B (zh) * 2021-09-28 2022-08-02 常州市宏发纵横新材料科技股份有限公司 一种db类纬纱纱线检测方法
CN114581404B (zh) * 2022-03-03 2022-08-30 常州市宏发纵横新材料科技股份有限公司 一种用于交织捆绑纱的断丝检测方法
CN117670843B (zh) * 2023-12-07 2024-05-24 常州市宏发纵横新材料科技股份有限公司 一种彩色纱线断纱检测方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102331425A (zh) * 2011-06-28 2012-01-25 合肥工业大学 基于缺陷增强的纺织品缺陷检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101872475B (zh) * 2009-04-22 2012-03-28 中国科学院自动化研究所 一种扫描文档图像自动配准方法
CN106053479B (zh) * 2016-07-21 2018-09-11 湘潭大学 一种基于图像处理的工件外观缺陷的视觉检测***
US10430955B2 (en) * 2016-08-31 2019-10-01 The Regents Of The University Of California High content screening workflows for microscope imaging
CN106596568A (zh) * 2016-12-13 2017-04-26 青岛大学 一种基于线激光的实时非接触纱线断头检测方法
CN109712120A (zh) * 2018-12-13 2019-05-03 哈尔滨理工大学 一种基于图像处理的纱线毛羽缺陷检测方法
CN109668520B (zh) * 2019-01-15 2020-11-27 东莞复熵智能科技有限公司 一种机器视觉提取物料轮廓的***及方法
CN109919939B (zh) * 2019-03-27 2023-09-29 王合山 一种基于遗传算法的纱线缺陷检测方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102331425A (zh) * 2011-06-28 2012-01-25 合肥工业大学 基于缺陷增强的纺织品缺陷检测方法

Also Published As

Publication number Publication date
CN110298840A (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
CN110298840B (zh) 一种基于图像的纱线缺陷检测方法
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN106709950B (zh) 一种基于双目视觉的巡线机器人跨越障碍导线定位方法
CN114494210B (zh) 基于图像处理的塑料膜生产缺陷检测方法及***
CN109489566B (zh) 锂电池隔膜材料分切宽度检测方法、检测***及装置
CN108921819B (zh) 一种基于机器视觉的验布装置及方法
CN106529559A (zh) 一种指针式圆形多仪表盘实时读数识别方法
CN109993154B (zh) 变电站单指针式六氟化硫型仪表智能识别方法
CN112686920A (zh) 一种圆形零件几何尺寸参数视觉测量方法及***
CN111179233B (zh) 基于激光切割二维零部件的自适应纠偏方法
CN102974551A (zh) 一种基于机器视觉的多晶硅太阳能检测分选的方法
CN112613429A (zh) 一种基于机器视觉适用于多视角图像指针式仪表读数方法
CN116704516B (zh) 一种用于水溶肥料包装的视觉检测方法
CN110634128A (zh) 一种球头销尺寸检测方法、装置、计算机设备及存储介质
CN114170165A (zh) 一种芯片表面缺陷检测方法和装置
CN110738644A (zh) 一种基于深度学习的汽车涂装表面缺陷检测方法及***
CN111563896A (zh) 一种用于接触网异常检测的图像处理方法
CN115661161A (zh) 零件的缺陷检测方法、装置、存储介质、设备及程序产品
CN116416268A (zh) 基于递归二分法的锂电池极片边缘位置检测方法及装置
CN111578838A (zh) 一种齿轮尺寸视觉测量装置及测量方法
CN115512381A (zh) 文本识别方法、装置、设备、存储介质及作业机械
CN114972339A (zh) 用于推土机结构件生产异常检测的数据增强***
CN108805854B (zh) 一种复杂环境下药片快速计数与完整性检测方法
CN111815580A (zh) 一种图像边缘识别方法及小模数齿轮模数检测方法
CN116880353A (zh) 一种基于两点间隙的机床对刀方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240122

Address after: Room 111-100, Floor 1, Building 2, Science and Technology Innovation Headquarters, Shenzhen (Harbin) Industrial Park, No. 288, Zhigu Street, Songbei District, Harbin, Heilongjiang 150028

Patentee after: Hadao Technology (Harbin) Co.,Ltd.

Country or region after: China

Address before: 150080 No. 52, Xuefu Road, Nangang District, Heilongjiang, Harbin

Patentee before: HARBIN University OF SCIENCE AND TECHNOLOGY

Country or region before: China

TR01 Transfer of patent right