CN113802227A - 一种面向环锭纺细纱在线检测的视觉***校准方法 - Google Patents
一种面向环锭纺细纱在线检测的视觉***校准方法 Download PDFInfo
- Publication number
- CN113802227A CN113802227A CN202110848442.1A CN202110848442A CN113802227A CN 113802227 A CN113802227 A CN 113802227A CN 202110848442 A CN202110848442 A CN 202110848442A CN 113802227 A CN113802227 A CN 113802227A
- Authority
- CN
- China
- Prior art keywords
- image
- yarn
- boundary
- focal plane
- coordinates
- 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.)
- Granted
Links
Images
Classifications
-
- D—TEXTILES; PAPER
- D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
- D01H—SPINNING OR TWISTING
- D01H13/00—Other common constructional features, details or accessories
- D01H13/32—Counting, measuring, recording or registering devices
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Textile Engineering (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及一种面向环锭纺细纱在线检测的视觉***校准方法,该方法利用大津法和清晰度评价函数对图像进行处理,获取每张图像的清晰度及对应的纱线位置;通过热力图对二者相关性进行分析,计算得到最佳焦平面位置参数并校准视觉***。本发明提供的方法结合对纱线的运动学分析,针对纱线运动导致的离焦模糊问题,对视觉***的参数进行优化校准,大大提高了采集图像的质量,为环锭纺细纱在线检测奠定了基础。
Description
技术领域
本发明涉及一种面向环锭纺细纱在线检测的视觉***校准方法,属于机器视觉***校准领域,特别是涉及图形图像处理领域
背景技术
环锭纺纱的质量检测及生产监控等问题对提高纺织品的质量有着重要的意义,机器视觉是常用的技术手段,而使用细纱图像采集***实现稳定的在线观测则是其重要的应用基础。环锭纺细纱机运转时,纱线运动脱离焦平面使得图像出现离焦模糊,导致***采集的图像质量较差。如何提高在线采集图像的质量亟待解决。
离焦模糊问题产生的根本原因是物距、像距、焦距三者间关系不再满足高斯成像公式。对于此类问题的解决有两个思路:一是研究去模糊算法,将离焦模糊图像恢复成清晰图像;二是采集时随动调节物距,从根源上消除离焦模糊。去模糊算法不可避免得存在图像失真,相比之下第二个思路更具优势。
随动拍摄的核心在于准确建立描述待拍摄物体的运动的模型,根据运动模型计算最佳焦平面位置并校准视觉***。对于纺纱段纱线而言,其难点在于纱线为柔性体,受张力变化的影响自身存在振动。且环锭纺细纱机的锭速在12000r/min 以上,无法快速精确地跟踪每一个位置进行校准拍摄。如何建立纱线运动模型,并据此建立视觉***校准模型,快速、精确搜索最佳焦平面位置,是提高***采集的图像质量的关键。
发明内容
本发明的目的是:针对纱线运动导致的离焦模糊问题,优化校准***参数,提高***采集图像的质量。
为了达到上述目的,本发明的技术方案是提供了一种面向环锭纺细纱在线检测的视觉***校准方法,其特征在于,包括以下步骤:
S000、在一个采样周期T内,利用正面摄像头及侧面摄像头同时采集同一根纱线的N组正面图像及侧面图像,共采集得到2N张图像;
S100、对N组正面图像及侧面图像进行处理获得N个纱线位置坐标,其中,对任意一组正面图像及侧面图像进行处理包括以下步骤:
S101、从正面图像及侧面图像中分割出纱线条干,获得正面纱线条干图像以及侧面纱线条干图像;
S102、去除正面纱线条干图像以及侧面纱线条干图像的噪点、平滑边界、填补区域空洞;
S103、获取纱线轮廓角点坐标:(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4),剪裁经过步骤S102处理的正面纱线条干图像以及侧面纱线条干图像获取正面ROI区域以及侧面ROI区域,选定公式为:
上式中,RangeH为正面ROI区域或侧面ROI区域的高度,RangeW为正面 ROI区域或侧面ROI区域的宽度,H为正面纱线条干图像或侧面纱线条干图像的高度,X1为正面ROI区域或侧面ROI区域的左边界坐标,X2为正面ROI区域或侧面ROI区域的右边界坐标;以上变量的单位均为pixel;
S104、以正面ROI区域及侧面ROI区域的中心代表纱线在图像中的位置,则有:
由此得到纱线的空间位置坐标为(x,y);
S200、去除通过步骤S100得到的N个空间位置坐标数据点中的离群点,基于最小二乘法拟合纱线运动边界模型,具体包括以下步骤:
S201、去除N个空间位置坐标数据点中的离群点;
S202、扫描剩余空间位置坐标数据点中的边界点并基于最小二乘拟合边界函数,目标函数F(A,B,C,D,E)为:
式中,A、B、C、D、E为未知参数,N′为边界点的数量,(Xi,Yi)为第i个边界点的坐标;
S300、针对图像的梯度信息对步骤S103中剪裁获得的正面ROI区域的清晰度进行评价,结合坐标数据进行图像清晰度与纱线位置的关联分析,具体步骤为:
S301、使用如下清晰度函数D(f)对步骤S103中剪裁获得的正面ROI区域进行评价:
式中,n、m分别为正面ROI区域像素行数和列数,f(xi,yi)为正面ROI区域中第(i,j)位像素点的灰度值,u为正面ROI区域灰度均值;
S302、以纱线位置坐标为圆心固定长度为半径画圆,该位置纱线图像清晰度函数值映射为填充色,基于步骤S202中求得的纱线运动边界函数确定热力图边界,绘制出表示图像清晰度分布的热力图;
S400、确定热力图中的最佳图像清晰度分布区域,根据该最佳图像清晰度分布区域确定可采集清晰图像的最大离焦范围R,以宽度为2R的搜索框搜索计算出用于拍摄正面图像的CMOS相机的最佳焦平面的位置参数,搜索流程为:
S401、设焦平面初始位置为P0,P0=ymin+R,ymin为纱线运动边界最小纵坐标,即除离群点后所有空间位置坐标数据点的最小纵坐标值,沿Y轴移动搜索框使焦平面与搜索框的水平中线重合,根据步骤S102的空间位置坐标,计算剔除离群点后所有空间位置坐标数据点落入搜索框内的点数以及根据焦平面当前所处的Y轴坐标计算步骤S302得到热力图位于搜索框内部分的清晰度平均值,分别记为n0和D0;
S402、沿Y轴向上移动搜索框,步长为L,在不同焦平面位置分别计算点数及清晰度平均值,直至焦平面位置为ymax-R,ymax为纱线运动边界最大纵坐标,即除离群点后所有空间位置坐标数据点的最大纵坐标值;
设第i个焦平面位置为Pi,Pi=ymin+R+i*L,i=0,1,……,计算得到的像素点数及清晰度平均值分别记为ni、Di;
S403、计算每个焦平面位置所对应的V值,其中,第i个焦平面位置对应的V值为Vi,Vi=ni×Q+Di×(1-Q),式中,Q为权重,由不同纺纱参数下,纱线振动决定,振动频率越高,Q越小;所有V值中的最大值Vmax对应的焦平面位置为最佳焦平面位置;
S500、根据最佳焦平面位置调节用于拍摄正面图像的CMOS相机的位置,完成该相机的校准过程。
优选的,步骤S101中,采用Python将所述正面图像及所述侧面图像转化为正面二维矩阵图像以及侧面二维矩阵图像,随后基于大津法对正面二维矩阵图像以及侧面二维矩阵图像进行二值化处理,分割出纱线条干,获得所述正面纱线条干图像以及所述侧面纱线条干图像。
优选的,步骤S102中,通过开、闭运算处理所述正面纱线条干图像以及所述侧面纱线条干图像,以去除噪点、平滑边界、填补区域空洞。
优选的,步骤S201中,使用LOF算法计算局部异常因子去除N个空间位置坐标数据点中的离群点。
本发明结合在环锭纺细纱机运转时,对纺纱段纱线的运动学分析,计算最佳焦平面的位置参数。与现有技术相比,本发明具有如下优点:
(1)评价清晰度的对象为剪裁的纱线条干图像,排除背景对函数值的干扰。
(2)所使用的清晰度评价函数为Variance函数与图像像素个数的比值,排除了图像尺寸对结果的干扰。
(3)结合对纺纱段纱线的动力学分析,计算最佳焦平面的位置参数,提高了其准确性。
附图说明
图1是本发明提供的面向环锭纺细纱在线检测的视觉***校准方法流程图;
图2是采集图像使用的视觉***硬件平台;
图3是采集的纱线正、侧面原始图像;
图4是剪裁纱线条干区域图像;
图5是坐标数据离群点检测图;
图6是纱线图像清晰度热力图;
图7是最佳焦平面搜索示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
如图1所示,本实施例公开的一种面向环锭纺细纱在线检测的视觉***校准方法包括以下步骤:
S000、搭建硬件平台,在一个采样周期T内,同时采集同一根纱线的N组正面图像及侧面图像,共采集得到2N张图像。本实施例中,所使用的硬件平台如图2所示,包括两台相同型号的CMOS相机,分别于纺纱段纱线的正面和侧面进行图像采集,采集到的图像如图3所示。相机的安装高度和参数设置完全相同,通过外部触发信号控制,同时进行图像采集。
S100、对N组正面图像及侧面图像进行处理获得N个纱线位置坐标,其中,对任意一组正面图像及侧面图像进行处理包括以下步骤:
S101、采用Python将正面图像及侧面图像转化为正面二维矩阵图像以及侧面二维矩阵图像,随后基于大津法对正面二维矩阵图像以及侧面二维矩阵图像进行二值化处理,分割出纱线条干,获得正面纱线条干图像以及侧面纱线条干图像;
S102、通过开、闭运算处理正面纱线条干图像以及侧面纱线条干图像,以去除噪点、平滑边界、填补区域空洞,其中,闭运算使用的核大小为2×2,开运算使用的核大小为30×30;
S103、获取纱线轮廓角点坐标:(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4),剪裁经过开、闭运算处理的正面纱线条干图像以及侧面纱线条干图像获取正面ROI 区域以及侧面ROI区域,选定公式为:
上式中,RangeH为正面ROI区域或侧面ROI区域的高度,RangeW为正面 ROI区域或侧面ROI区域的宽度,H为正面纱线条干图像或侧面纱线条干图像的高度,X1为正面ROI区域或侧面ROI区域的左边界坐标,X2为正面ROI区域或侧面ROI区域的右边界坐标;以上变量的单位均为pixel;
S104、以正面ROI区域及侧面ROI区域的中心代表纱线在图像中的位置,则有:
由此得到纱线的空间位置坐标为(x,y)。
上述步骤中,剪裁出的纱线条干图像如图4所示。在此选用的开、闭运算的核的大小可根据环锭纺细纱机的不同型号、工艺参数所采集图像中纱线毛羽、条干差异进行调整,以获得更准确的纱线条干轮廓坐标。
S200、去除通过步骤S100得到的N个空间位置坐标数据点中的离群点,基于最小二乘法拟合纱线运动边界模型,具体包括以下步骤:
S201、使用LOF算法计算局部异常因子去除N个空间位置坐标数据点中的离群点,离群点比例为7.5%;
S202、扫描剩余空间位置坐标数据点中的边界点并基于最小二乘拟合边界函数,目标函数F(A,B,C,D,E)为:
式中,A、B、C、D、E为未知参数,N′为边界点的数量,(Xi,Yi)为第i个边界点的坐标;
离群点检测结果如图5所示,根据对纱线的运动学分析可以得到其运动轮廓为前后移动的椭圆,依此基于最小二乘法拟合椭圆获得纱线运动的整体边界函数。本实施例中共采集正、侧面图像各1137张,获得坐标数据1137组,离群点占比7.5%。
S300、针对图像的梯度信息对步骤S103中剪裁获得的正面ROI区域的清晰度进行评价,结合坐标数据进行图像清晰度与纱线位置的关联分析,具体步骤为:
S301、使用如下清晰度函数D(f)对步骤S103中剪裁获得的正面ROI区域进行评价:
式中,n、m分别为正面ROI区域像素行数和列数,f(xi,yi)为正面ROI区域中第(i,j)位像素点的灰度值,u为正面ROI区域灰度均值;
S302、以纱线位置坐标为圆心,150pixel为半径画圆,该位置纱线图像清晰度函数值映射为填充色,基于步骤S202中求得的纱线运动边界函数确定热力图边界,绘制出表示图像清晰度分布的热力图。
本实施例提出的清晰度评价函数是Variance函数与待评价图像像素点个数的比值,Variance函数通过计算图像灰度变化来衡量图像的清晰度,但其值大小还会受到图像尺寸的影响,对于本实施例中待评价图像为正面ROI区域,大小受纱线条干影响并不相同,为去除图像尺寸的影响计算Variance函数与像素点个数的比值评价图像清晰度。
热力图如图6所示,此热力图表示纱线在实际三维空间的位置即对应采集图像的清晰度,颜色越亮表明该区域图像清晰度值越大。
S400、根据热力图中红色区域(即最佳图像清晰度分布区域)确定可采集清晰图像的最大离焦范围R,以宽度为2R的搜索框搜索计算出用于拍摄正面图像的CMOS相机的最佳焦平面的位置参数,搜索流程为:
S401、设焦平面初始位置为P0,P0=ymin+R,ymin为纱线运动边界最小纵坐标,即除离群点后所有空间位置坐标数据点的最小纵坐标值,沿Y轴移动搜索框使焦平面与搜索框的水平中线重合,根据步骤S102的空间位置坐标,计算剔除离群点后所有空间位置坐标数据点落入搜索框内的点数以及根据焦平面当前所处的Y轴坐标计算步骤S302得到热力图位于搜索框内部分的清晰度平均值,分别记为n0和D0;
S402、沿Y轴向上移动搜索框,步长为L,在不同焦平面位置分别计算点数及清晰度平均值,直至焦平面位置为ymax-R,ymax为纱线运动边界最大纵坐标,即除离群点后所有空间位置坐标数据点的最大纵坐标值;
设第i个焦平面位置为Pi,Pi=ymin+R+i*L,i=0,1,……,计算得到的像素点数及清晰度平均值分别记为ni、Di;
S403、计算每个焦平面位置所对应的V值,其中,第i个焦平面位置对应的V值为Vi,Vi=ni×Q+Qi×(1-Q),式中,Q为权重,由不同纺纱参数下,纱线振动决定,振动频率越高,Q越小;所有V值中的最大值Vmax对应的焦平面位置为最佳焦平面位置。
S500、根据最佳焦平面位置调节用于拍摄正面图像的CMOS相机的位置,完成该相机的校准过程。
搜索计算的示意图如图7所示,搜索框的宽度与所选用相机的性能有关,不同性能相机采集清晰图像的最大离焦范围不同。正面相机为主要工作相机,故本发明提供的校准方法针对正面相机所设计。
Claims (4)
1.一种面向环锭纺细纱在线检测的视觉***校准方法,其特征在于,包括以下步骤:
S000、在一个采样周期T内,利用正面摄像头及侧面摄像头同时采集同一根纱线的N组正面图像及侧面图像,共采集得到2N张图像;
S100、对N组正面图像及侧面图像进行处理获得N个纱线位置坐标,其中,对任意一组正面图像及侧面图像进行处理包括以下步骤:
S101、从正面图像及侧面图像中分割出纱线条干,获得正面纱线条干图像以及侧面纱线条干图像;
S102、去除正面纱线条干图像以及侧面纱线条干图像的噪点、平滑边界、填补区域空洞;
S103、获取纱线轮廓角点坐标:(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4),剪裁经过步骤S102处理的正面纱线条干图像以及侧面纱线条干图像获取正面ROI区域以及侧面ROI区域,选定公式为:
上式中,RangeH为正面ROI区域或侧面ROI区域的高度,RangeW为正面ROI区域或侧面ROI区域的宽度,H为正面纱线条干图像或侧面纱线条干图像的高度,X1为正面ROI区域或侧面ROI区域的左边界坐标,X2为正面ROI区域或侧面ROI区域的右边界坐标;以上变量的单位均为pixel;
S104、以正面ROI区域及侧面ROI区域的中心代表纱线在图像中的位置,则有:
由此得到纱线的空间位置坐标为(x,y);
S200、去除通过步骤S100得到的N个空间位置坐标数据点中的离群点,基于最小二乘法拟合纱线运动边界模型,具体包括以下步骤:
S201、去除N个空间位置坐标数据点中的离群点;
S202、扫描剩余空间位置坐标数据点中的边界点并基于最小二乘拟合边界函数,目标函数F(A,B,C,D,E)为:
式中,A、B、C、D、E为未知参数,N′为边界点的数量,(Xi,Yi)为第i个边界点的坐标;
S300、针对图像的梯度信息对步骤S103中剪裁获得的正面ROI区域的清晰度进行评价,结合坐标数据进行图像清晰度与纱线位置的关联分析,具体步骤为:
S301、使用如下清晰度函数D(f)对步骤S103中剪裁获得的正面ROI区域进行评价:
式中,n、m分别为正面ROI区域像素行数和列数,f(xi,yi)为正面ROI区域中第(i,j)位像素点的灰度值,u为正面ROI区域灰度均值;
S302、以纱线位置坐标为圆心固定长度为半径画圆,该位置纱线图像清晰度函数值映射为填充色,基于步骤S202中求得的纱线运动边界函数确定热力图边界,绘制出表示图像清晰度分布的热力图;
S400、确定热力图中的最佳图像清晰度分布区域,根据该最佳图像清晰度分布区域确定可采集清晰图像的最大离焦范围R,以宽度为2R的搜索框搜索计算出用于拍摄正面图像的CMOS相机的最佳焦平面的位置参数,搜索流程为:
S401、设焦平面初始位置为P0,P0=ymin+R,ymin为纱线运动边界最小纵坐标,即除离群点后所有空间位置坐标数据点的最小纵坐标值,沿Y轴移动搜索框使焦平面与搜索框的水平中线重合,根据步骤S102的空间位置坐标,计算剔除离群点后所有空间位置坐标数据点落入搜索框内的点数以及根据焦平面当前所处的Y轴坐标计算步骤S302得到热力图位于搜索框内部分的清晰度平均值,分别记为n0和D0;
S402、沿Y轴向上移动搜索框,步长为L,在不同焦平面位置分别计算点数及清晰度平均值,直至焦平面位置为ymax-R,ymax为纱线运动边界最大纵坐标,即除离群点后所有空间位置坐标数据点的最大纵坐标值;
设第i个焦平面位置为Pi,Pi=ymin+R+i*L,i=0,1,......,计算得到的像素点数及清晰度平均值分别记为ni、Di;
S403、计算每个焦平面位置所对应的V值,其中,第i个焦平面位置对应的V值为Vi,Vi=ni×Q+Di×(1-Q),式中,Q为权重,由不同纺纱参数下,纱线振动决定,振动频率越高,Q越小;所有V值中的最大值Vmax对应的焦平面位置为最佳焦平面位置;
S500、根据最佳焦平面位置调节用于拍摄正面图像的CMOS相机的位置,完成该相机的校准过程。
2.如权利要求1所述的一种面向环锭纺细纱在线检测的视觉***校准方法,其特征在于,步骤S101中,采用Python将所述正面图像及所述侧面图像转化为正面二维矩阵图像以及侧面二维矩阵图像,随后基于大津法对正面二维矩阵图像以及侧面二维矩阵图像进行二值化处理,分割出纱线条干,获得所述正面纱线条干图像以及所述侧面纱线条干图像。
3.如权利要求1所述的一种面向环锭纺细纱在线检测的视觉***校准方法,其特征在于,步骤S102中,通过开、闭运算处理所述正面纱线条干图像以及所述侧面纱线条干图像,以去除噪点、平滑边界、填补区域空洞。
4.如权利要求1所述的一种面向环锭纺细纱在线检测的视觉***校准方法,其特征在于,步骤S201中,使用LOF算法计算局部异常因子去除N个空间位置坐标数据点中的离群点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848442.1A CN113802227B (zh) | 2021-07-27 | 2021-07-27 | 一种面向环锭纺细纱在线检测的视觉***校准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848442.1A CN113802227B (zh) | 2021-07-27 | 2021-07-27 | 一种面向环锭纺细纱在线检测的视觉***校准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113802227A true CN113802227A (zh) | 2021-12-17 |
CN113802227B CN113802227B (zh) | 2022-10-18 |
Family
ID=78893194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110848442.1A Active CN113802227B (zh) | 2021-07-27 | 2021-07-27 | 一种面向环锭纺细纱在线检测的视觉***校准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113802227B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114293297A (zh) * | 2022-03-10 | 2022-04-08 | 江苏格颖纺织有限公司 | 一种降低纱线张力波动的纺织***及方法 |
CN114923629A (zh) * | 2022-04-29 | 2022-08-19 | 海门市苏洋机械制造有限公司 | 一种纺织高速锭子旋转时振动幅值检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004016578A1 (de) * | 2004-03-31 | 2005-12-15 | Siemens Ag | Verfahren und Vorrichtung zur Verarbeitung von Daten sowie medizinisches Gerätesystem zur Verarbeitung von Daten |
CN103292718A (zh) * | 2012-02-29 | 2013-09-11 | 江南大学 | 基于机器视觉的环锭纺纱线质量在线检测方法 |
CN108320280A (zh) * | 2018-01-16 | 2018-07-24 | 南京理工大学 | 基于视觉清晰度与轮廓提取的熔池图像异常检测方法 |
CN111058131A (zh) * | 2019-12-31 | 2020-04-24 | 杭州晶一智能科技有限公司 | 基于移动距离分析的纺机纱线监测方法 |
CN112669394A (zh) * | 2020-12-30 | 2021-04-16 | 凌云光技术股份有限公司 | 一种用于视觉检测***的自动标定方法 |
CN113160122A (zh) * | 2021-02-08 | 2021-07-23 | 武汉纺织大学 | 基于图像处理的纱线条干不匀度的检测方法 |
-
2021
- 2021-07-27 CN CN202110848442.1A patent/CN113802227B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004016578A1 (de) * | 2004-03-31 | 2005-12-15 | Siemens Ag | Verfahren und Vorrichtung zur Verarbeitung von Daten sowie medizinisches Gerätesystem zur Verarbeitung von Daten |
CN103292718A (zh) * | 2012-02-29 | 2013-09-11 | 江南大学 | 基于机器视觉的环锭纺纱线质量在线检测方法 |
CN108320280A (zh) * | 2018-01-16 | 2018-07-24 | 南京理工大学 | 基于视觉清晰度与轮廓提取的熔池图像异常检测方法 |
CN111058131A (zh) * | 2019-12-31 | 2020-04-24 | 杭州晶一智能科技有限公司 | 基于移动距离分析的纺机纱线监测方法 |
CN112669394A (zh) * | 2020-12-30 | 2021-04-16 | 凌云光技术股份有限公司 | 一种用于视觉检测***的自动标定方法 |
CN113160122A (zh) * | 2021-02-08 | 2021-07-23 | 武汉纺织大学 | 基于图像处理的纱线条干不匀度的检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114293297A (zh) * | 2022-03-10 | 2022-04-08 | 江苏格颖纺织有限公司 | 一种降低纱线张力波动的纺织***及方法 |
CN114923629A (zh) * | 2022-04-29 | 2022-08-19 | 海门市苏洋机械制造有限公司 | 一种纺织高速锭子旋转时振动幅值检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113802227B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN113802227B (zh) | 一种面向环锭纺细纱在线检测的视觉***校准方法 | |
US8508605B2 (en) | Method and apparatus for image stabilization | |
CN111083365B (zh) | 一种最佳焦平面位置快速检测方法及装置 | |
CN109447939B (zh) | 基于混合光谱视觉的熔池成形前焊缝宽度预测方法 | |
CN115482195B (zh) | 一种基于三维点云的列车部件变形检测方法 | |
CN109483887B (zh) | 激光选区熔化过程中成形层轮廓精度在线检测方法 | |
CN107392849A (zh) | 基于图像细分的靶标识别与定位方法 | |
CN110261069B (zh) | 一种用于光学镜头的检测方法 | |
CN114252449B (zh) | 一种基于线结构光的铝合金焊缝表面质量检测***及方法 | |
CN108510544B (zh) | 一种基于特征聚类的光条定位方法 | |
CN107358628A (zh) | 基于靶标的线阵图像处理方法 | |
CN114693659B (zh) | 基于图像处理的铜管表面清洗效果评估方法及*** | |
CN111127613A (zh) | 基于扫描电子显微镜的图像序列三维重构方法及*** | |
CN115760893A (zh) | 一种基于核相关滤波算法的单雾滴粒径和速度测量方法 | |
CN109671084B (zh) | 一种工件形状的测量方法 | |
CN116912329A (zh) | 一种双目视觉最佳精度测量方法 | |
CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 | |
CN116645418A (zh) | 基于2d和3d相机的屏幕按钮检测方法、装置及其相关介质 | |
TW201520669A (zh) | 斜軸式顯微自動對焦系統及方法 | |
CN113805304B (zh) | 一种用于线阵相机的自动调焦***及方法 | |
CN112839168B (zh) | 一种自动调整aoi检测***中相机成像分辨率的方法 | |
CN117392127B (zh) | 一种显示面板边框的检测方法、装置和电子设备 | |
Lang et al. | Adaptive Normalization Gradient-Based Autofocusing Algorithm for Industrial Measurement | |
JP7447874B2 (ja) | 鋼板の蛇行量推定モデルの生成方法、鋼板の蛇行量推定方法、鋼板の蛇行制御方法、及び鋼板の製造方法 |
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 |