CN114638779B - 纺织物质检***、方法、装置、计算机设备和存储介质 - Google Patents
纺织物质检***、方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114638779B CN114638779B CN202110865072.2A CN202110865072A CN114638779B CN 114638779 B CN114638779 B CN 114638779B CN 202110865072 A CN202110865072 A CN 202110865072A CN 114638779 B CN114638779 B CN 114638779B
- Authority
- CN
- China
- Prior art keywords
- textile
- quality inspection
- image
- inspected
- loom
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000004753 textile Substances 0.000 title claims abstract description 408
- 238000007689 inspection Methods 0.000 title claims abstract description 364
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000009987 spinning Methods 0.000 claims abstract description 10
- 239000004744 fabric Substances 0.000 claims description 46
- 230000007547 defect Effects 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 230000002950 deficient Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000012372 quality testing Methods 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 abstract description 35
- 230000008569 process Effects 0.000 abstract description 13
- 238000009941 weaving Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000001960 triggered effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 235000014676 Phragmites communis Nutrition 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 1
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 235000005607 chanvre indien Nutrition 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011487 hemp Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本申请涉及一种纺织物质检***、方法、装置、计算机设备和存储介质。所述***包括:质检设备、大数据服务器、学习服务器和图像采集设备;学习服务器用于从大数据服务器获取质检学习样本,根据质检学习样本生成质检模型,并将质检模型发送至质检设备;图像采集设备用于在纺织过程中采集待质检纺织物图像,并将待质检纺织物图像传输至质检设备;质检设备用于在纺织过程中获取实时运行数据;质检设备,还用于在纺织过程中将待质检纺织物图像和实时运行数据输入至质检模型,得到质检模型输出的工况环境;工况环境包括待质检纺织物的瑕疵识别结果以及第二织机的运行状态识别结果。采用本***能够提升了纺织物生产质量的同时,提升了纺织物生产的效率。
Description
技术领域
本申请涉及纺织物质量检测技术领域,特别是涉及纺织物质检***、纺织物质检方法、纺织物质检装置、计算机设备和计算机可读存储介质。
背景技术
在纺织物加工产能的提升的同时,行业对质量要求也在提高,因此,在纺织物生产过程中,用户对快速准确的发现质量污点的需求越来越强。然而,传统的纺织物生产线主要是通过人工质检的方式判断纺织物瑕疵。
传统的人工质检的方式过于依赖用户个人经验,经常会出现误差、漏检的情况,导致大规模的纺织物生产质量的稳定性无法得到有效地保证,从而也无法保证日益提高的纺织物生产质量标准。此外,人工质检该环节需要耗费较多的时间,因此也会较大地影响纺织物生产效率。
因此,传统的纺织物质检方式存在着无法保证纺织物生产质量、且影响纺织物生产效率的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种纺织物质检***、一种纺织物质检方法和装置、一种计算机设备和一种计算机可读存储介质。
第一方面,本发明提供了一种纺织物质检***,包括:
质检设备、大数据服务器、学习服务器和图像采集设备;所述大数据服务器用于收集质检学习样本;所述质检学习样本包括样本瑕疵图像和样本运行数据;所述样本瑕疵图像至少包括对第一织机产出的瑕疵纺织物进行拍摄得到的图像;所述样本运行数据用于反映所述第一织机产出所述瑕疵纺织物时的运行状态;
所述学习服务器,用于从所述大数据服务器获取所述质检学习样本,根据所述质检学习样本生成质检模型,并将所述质检模型发送至所述质检设备;
所述图像采集设备,用于在纺织过程中采集待质检纺织物图像,并将所述待质检纺织物图像传输至所述质检设备;所述待质检纺织物图像为对第二织机产出的待质检纺织物进行拍摄得到的图像;
所述质检设备,用于在纺织过程中获取实时运行数据;所述实时运行数据用于反映所述第二织机产出所述待质检纺织物时的运行状态;
所述质检设备,还用于在纺织过程中将所述待质检纺织物图像和所述实时运行数据输入至所述质检模型,得到所述质检模型输出的工况环境;所述工况环境包括所述待质检纺织物的瑕疵识别结果以及所述第二织机的运行状态识别结果;所述运行状态识别结果包括所述第二织机是否处于异常运行状态的判断结果。
第二方面,本发明提供了一种纺织物质检方法,包括:
接收学习服务器下发的质检模型;所述学习服务器用于从大数据服务器获取质检学习样本,并根据所述质检学习样本生成所述质检模型;所述大数据服务器用于收集所述质检学习样本;所述质检学习样本包括样本瑕疵图像和样本运行数据;所述样本瑕疵图像至少包括对第一织机产出的瑕疵纺织物进行拍摄得到的图像;所述样本运行数据用于反映所述第一织机产出所述瑕疵纺织物时的运行状态;
接收图像采集设备采集到的待质检纺织物图像,以及,获取实时运行数据;所述待质检纺织物图像为对第二织机产出的待质检纺织物进行拍摄得到的图像;所述实时运行数据用于反映所述第二织机产出所述待质检纺织物时的运行状态;
将所述待质检纺织物图像和所述实时运行数据输入至所述质检模型,得到所述质检模型输出的工况环境;所述工况环境包括所述待质检纺织物的瑕疵识别结果以及所述第二织机的运行状态识别结果;所述运行状态识别结果包括所述第二织机是否处于异常运行状态的判断结果。
第三方面,本发明提供了一种纺织物质检装置,包括:
模型接收模块,用于接收学习服务器下发的质检模型;所述学习服务器用于从大数据服务器获取质检学习样本,并根据所述质检学习样本生成所述质检模型;所述大数据服务器用于收集所述质检学习样本;所述质检学习样本包括样本瑕疵图像和样本运行数据;所述样本瑕疵图像至少包括对第一织机产出的瑕疵纺织物进行拍摄得到的图像;所述样本运行数据用于反映所述第一织机产出所述瑕疵纺织物时的运行状态;
图像接收模块,用于接收图像采集设备采集到的待质检纺织物图像,以及,获取实时运行数据;所述待质检纺织物图像为对第二织机产出的待质检纺织物进行拍摄得到的图像;所述实时运行数据用于反映所述第二织机产出所述待质检纺织物时的运行状态;
工况获取模块,用于将所述待质检纺织物图像和所述实时运行数据输入至所述质检模型,得到所述质检模型输出的工况环境;所述工况环境包括所述待质检纺织物的瑕疵识别结果以及所述第二织机的运行状态识别结果;所述运行状态识别结果包括所述第二织机是否处于异常运行状态的判断结果。
第四方面,本发明提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第二方面的纺织物质检方法。
第五方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第二方面的纺织物质检方法。
上述纺织物质检***、方法、装置、计算机设备和计算机可读存储介质,由大数据服务器收集质检学习样本,并由学习服务器基于质检学习样本训练质检模型,质检设备将从图像采集设备采集得到的待质检纺织物图像和从织机得到的实时运行数据输入至质检模型,由此得到工况环境,从而用户可以得知织机产出的纺织物的质量情况以及是否存在严重瑕疵问题的瑕疵识别结果,整个质检过程中由于无须依赖于人工质检,从而避免了人工质检中常见的误差、漏检等的问题,同时也提升了质检速度。由此,在提升了纺织物生产质量的同时,提升了纺织物生产的效率。而且,本申请将织机的运行数据和相应的瑕疵图像融合作为质检学习样本,从而基于设备状态数据和视觉识别数据两种性质不同的数据对模型进行训练,相比起仅依赖于数据分析或者仅依赖于视觉识别的传统技术,本申请的纺织物质检***可以大幅提升模型的识别准确率。再者,本申请的纺织物质检***在纺织过程中对织机产出的纺织物进行实时质检,通过在纺织物生产的同时进行质检该边织边检的方式,在保证所产出的纺织物的质量的同时,又避免了质检对生产效率的影响。
附图说明
图1是一个实施例的一种纺织物质检***的结构框图;
图2是一个实施例中一种示例性的纺织物质检***的示意图;
图3是一个实施例一种部署多个图像采集设备的纺织物质检***的示意图;
图4是一个实施例的一种连续瑕疵报警流程示例的示意图;
图5是一个实施例的一种纺织物质检方法的流程示意图;
图6是一个实施例的一种纺织物质检装置的结构框图;
图7是一个实施例的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种纺织物质检***100,该纺织物质检***100可以包括质检设备110、大数据服务器120、学习服务器130和图像采集设备140。实际应用中,上述的大数据服务器120和学习服务器130可以为单个服务器,也可以为服务器集群。
其中,质检设备110可以为用于部署在织机上的具备一定数据处理能力、数据通信能力的设备。图2为一个实施例中一种示例性的纺织物质检***的示意图。如图所示,质检设备110可以与图像采集设备140、大数据服务器120、学习服务器130进行通信,以进行数据交互、接收指令、数据同步等的处理。实际应用中,质检设备110的具体形态可以为具备移动能力的机器人,也可以固定在特定位置的计算机设备。对于采用机器人形态的质检设备110,可以在各个织机之间移动,从而可以针对各个织机分别进行纺织物质检。本领域技术人员可以根据实际需要采用不同形态的设备作为上述的质检设备110。其中,纺织物可以为通过织造方式所生产的物品,其材料可以具体是棉花、毛、丝、麻等。在生产过程中通常以布匹形态出现,因此也被称为布匹或者布料。
大数据服务器120可以为用于收集、存储大量的关于纺织物和设备运行的数据的服务器。学习服务器130可以为用于进行机器学习的服务器,学习服务器130可以与大数据服务器120进行通信,以从大数据服务器120获取到用于进行机器学习的数据。
图像采集设备140可以为具备图像拍摄功能的设备,例如,亿级像素超高清工业用的图像采集设备。
上述的质检学习样本可以包括样本瑕疵图像和样本运行数据,样本瑕疵图像可以为对第一织机产出的瑕疵纺织物进行拍摄得到的图像;样本运行数据用于反映第一织机产出瑕疵纺织物时的运行状态。
需要说明的是,大数据服务器120可以与多个织机进行通信。在织机生产纺织物的过程中,部署在织机周边的图像采集设备140可以针对织机所产出的纺织物进行拍摄,并将拍摄得到的纺织物图像传输给质检设备110。此外,质检设备110可以与织机进行通信,以检测织机在生产纺织物时的运行状态,形成运行数据。质检设备110可以将接收到的纺织物图像和对织机进行检测所得到的运行数据,上传至大数据服务器120。大数据服务器120可以对纺织物图像和运行数据进行清洗、分类等的处理,得到反映瑕疵纺织物的纺织物图像作为质检学习样本,即上述的样本瑕疵图像,以及,得到了样本瑕疵图像对应的运行数据作为质检学习样本,即上述的样本运行数据。由此,大数据服务器120可以从多个的第一织机收集到大量的学习样本。
在一个实施例中,大数据服务器120可以通过与质检设备110通信,从而收集到过万台织机的上亿个运行数据和数亿个瑕疵图像,通过对上亿个运行数据和数亿个瑕疵图像进行数据清洗、数据分类等的处理,得到大量的样本运行数据和样本瑕疵图像,形成预测性维护数据库和样本瑕疵图像数据库,供学习服务器130进行机器学习。
其中,纺织物的瑕疵可以包括有断经、错筘、双经、筘路、布边不良、错综、紧经、松经、异经经条、油污、破洞、断纬、纬缩、双纬、密路、跳花、浪纹等。运行数据则可以具体为织机的转数、压力等的数据。
为了区分说明,将样本瑕疵图像和样本运行数据所对应的织机,命名为第一织机。
学习服务器130,用于从大数据服务器120获取质检学习样本,根据质检学习样本生成质检模型,并将质检模型发送至质检设备110。
具体地,学习服务器130可以从大数据服务器120获取到大量的包括样本瑕疵图像和样本运行数据的质检学习样本,并采用该质检学习样本中样本瑕疵图像和样本运行数据之间的关联关系对质检模型进行训练,然后将训练出的质检模型下发至质检设备110。
图像采集设备140,用于在纺织过程中采集待质检纺织物图像,并将待质检纺织物图像传输至质检设备110;待质检纺织物图像为对第二织机产出的待质检纺织物进行拍摄得到的图像。
其中,区别于第一织机,第二织机为当前进行纺织物质检处理质检设备110所对应的织机。
具体地,可以在第二织机周边部署一个或多个的图像采集设备140。在质检设备110进行质检的过程中,图像采集设备140可以对第二织机生产出的待质检纺织物进行拍摄,得到上述的待质检纺织物图像,并将待质检纺织物图像传输给质检设备110。
质检设备110,用于在纺织过程中获取实时运行数据;实时运行数据用于反映第二织机产出所述待质检纺织物时的运行状态。
具体地,在质检设备110进行质检的过程中,质检设备110可以对运行中的第二织机进行检测,得到反映第二织机的运行状态的运行数据,作为上述的实时运行数据。由此,质检设备110得到了图像采集设备140传输的待质检纺织物图像及其对应的实时运行数据。
质检设备110,还用于在纺织过程中将待质检纺织物图像和实时运行数据输入至质检模型,得到质检模型输出的工况环境;工况环境包括所述待质检纺织物的瑕疵识别结果以及所述第二织机的运行状态识别结果;所述运行状态识别结果包括所述第二织机是否处于异常运行状态的判断结果。
具体地,质检设备110可以将待质检纺织物图像和实时运行数据输入至质检模型,质检模型可以相应输出工况环境,该工况环境可以具体包括第二织机产出的待质检纺织物是否存在瑕疵问题以及第二织机中可能导致该瑕疵问题的部件。用户可以基于依据工况环境判断是否需要对第二织机中导致瑕疵问题的部件进行维修或更换等的维护措施。
例如,如档子、缩维等的瑕疵,可能是由织机的机械故障或异常运作状态而造成的,因此需要对织机进行及时的维护,否则将会导致产出大量的瑕疵纺织物。因此,当工况环境指示出待质检纺织物存在某个瑕疵,而且是由于织机的某个部件的机械故障所导致的,用户则可以根据该工况环境对第二织机的相关部件进行维修或更换。
在实际应用中,质检设备110还可以根据工况环境判断当前是否因为第二织机中存在严重故障的部件而导致将会继续出现较为严重的瑕疵问题,如是则可以控制第二织机停止运作,避免继续产出大量的瑕疵纺织物。
在实际应用中,如图2所示,纺织物质检***100的质检设备110还可以与制造执行***(Manufacturing Execution Systems,MES)进行通信。其中,MES能通过信息传递对从订单下达到产品完成的整个生产过程进行优化管理。MES还通过双向的直接通讯在企业内部和整个产品供应链中提供有关产品行为的关键任务信息。通过质检设备110与MES进行通信,可以为制造生成过程提供数字化生产数据的支撑,结合纺织物生产过程中的MES数据可以不断提高各个设备之间的协同运作能力,提高设备产能,降低内部损耗。
需要说明的是,一方面,在纺织物生产线上,在生产出纺织物后的质检流程中,需要较长时间实时地识别出纺织物的颜色是否合格、纺织物针织是否合格,对质检人员而言是非常繁重的工作。当纺织物生产线的运行速度较快时,人工质检的速度需要在15-20米纺织物/分钟,而质检人员的目测范围有限,平均只能完成0.8-1米宽幅的质检,在所有的生产环节中,人工质检环节最容易成为纺织物生产流程的瓶颈。另一方面,人工质检的方式极度依赖质检人员的质检经验,即使是熟练的质检人员,仍然会时常出现误差、漏检的情况,质检稳定性较差,导致影响产出纺织物的质量。
基于上述的两方面问题,发明人提出了上述的基于物联网技术构建的纺织物质检***,通过将大数据服务器、学习服务器、质检设备、图像采集设备的互联,并利用大数据服务器收集、处理大数据的能力,结合学习服务器进行机器学习能力以生成质检模型,由质检设备将图像采集设备实时采集的纺织物图像和织机实时检测得到的运行数据输入质检模型,得到工况环境。质检人员可以依据工况环境了解到纺织物生产情况和是否需要对织机进行维护等的信息。
上述的纺织物质检***中,由大数据服务器收集质检学习样本,并由学习服务器基于质检学习样本训练质检模型,质检设备将从图像采集设备采集得到的待质检纺织物图像和从织机得到的实时运行数据输入至质检模型,由此得到工况环境,从而用户可以得知织机产出的纺织物的质量情况以及是否存在严重瑕疵问题的瑕疵识别结果,整个质检过程中由于无须依赖于人工质检,从而避免了人工质检中常见的误差、漏检等的问题,同时也提升了质检速度。由此,在提升了纺织物生产质量的同时,提升了纺织物生产的效率。而且,本申请将织机的运行数据和相应的瑕疵图像融合作为质检学习样本,从而基于设备状态数据和视觉识别数据两种性质不同的数据对模型进行训练,相比起仅依赖于数据分析或者仅依赖于视觉识别的传统技术,本申请的纺织物质检***可以大幅提升模型的识别准确率。再者,本申请的纺织物质检***在纺织过程中对织机产出的纺织物进行实时质检,通过在纺织物生产的同时进行质检该边织边检的方式,在保证所产出的纺织物的质量的同时,又避免了质检对生产效率的影响。
进一步地,通过基于大量质检学习样本训练得到的质检模型进行质检,不仅可以稳定、准确地识别出各种的瑕疵,还可以基于瑕疵与织机的运行状况之间的关联关系得到织机的运行状态识别结果,用户可以根据运行状态识别结果相应地对织机进行维护,由于无须依赖于用户的主观经验即可以准确地判断瑕疵的成因并进行及时的维护,从而可以提升纺织物生产效率和生产质量。
进一步地,由于可以通过大数据服务器收集到大量的质检学习样本,从而使得生成的质检模型可以准确地识别出各种类型的瑕疵,提升了质检的准确率。
在一个实施例中,质检设备110还用于判断工况环境是否存在异常,当判定所述工况环境存在异常时,进行工况异常报警和/或控制第二织机停止运作。
具体地,质检设备110还可以根据工况环境自动地执行工况异常报警的操作和/或控制第二织机停止运作的操作。
质检设备110可以判断工况环境中的运行状态识别结果是否属于会继续导致更多瑕疵纺织物的严重异常运行状况,例如,如果运行状态识别结果是织机的定位部件出现故障,则会使得后续产出的纺织物均存在同样的瑕疵,因此质检设备110可以进行工况异常报警,以通知用户进行及时的处理。质检设备110还可以直接控制第二织机停止运作,避免继续产出更多存在严重瑕疵问题的纺织物。
上述的纺织物质检***,通过质检设备在工况环境存在异常的情况下自动地进行工况异常报警和/或控制第二织机停止运作,从而避免异常的织机继续产出严重瑕疵问题的纺织物。而且,通过控制织机停止运作,可减少停经片的使用,节约生产成本。
在一个实施例中,质检模型具有多个,多个质检模型分别对应不同的纺织物面料;质检设备110具体用于从待质检纺织物图像中识别出目标纺织物面料,确定与目标纺织物面料对应的质检模型,并将待质检纺织物图像和实时运行数据输入至与目标纺织物面料对应的质检模型。
具体地,针对于不同的纺织物面料,学习服务器130可以相应地训练出对应的质检模型,质检设备110可以根据第二织机当前产出纺织物的纺织物面料,采用相应的质检模型进行质检,从而可以更针对性和更准确地进行纺织物质检。
在一个实施例中,图像采集设备140可以包括第一图像采集设141、第二图像采集设备142、第三图像采集设备143;第一图像采集设备141用于拍摄纺织物的正面,得到纺织物正面图像;第二图像采集设备142用于拍摄纺织物的背面,得到纺织物背面图像;第三图像采集设备143用于拍摄纺织物的边缘,得到纺织物边缘图像;待质检纺织物图像包括纺织物正面图像、纺织物背面图像、纺织物边缘图像。
具体地,在纺织物质检***110中,可以在织机周边部署有一个或多个的图像采集设备140。图3为一个实施例一种纺织物质检***的多个图像采集设备的示意图。如图所示,部署有三个图像采集设备140,分别为第一图像采集设备141、第二图像采集设备142和第三图像采集设备143。其中,第一图像采集设备141拍摄织机产出的布匹的正面,得到的图像为纺织物正面图像。第二图像采集设备142拍摄织机产出的布匹的背面,得到的图像为纺织物背面图像。第三图像采集设备143拍摄织机产出的布匹的边缘,得到的图像为纺织物边缘图像。
当然,本领域技术人员也可以根据实际需要,部署上述三个图像采集设备中的至少一个。例如,只部署第一图像采集设备141和第三图像采集设备143,分别用于拍摄布匹的正面和边缘。
需要说明的是,纺织物的边缘经常会出现容易遗漏的瑕疵,因此,通过增设第三图像采集设备143拍摄纺织物的边缘得到纺织物边缘图像,从而更全面地对纺织物进行质检,避免遗漏瑕疵。
上述的纺织物质检***,通过部署第一图像采集设备、第二图像采集设备和第三图像采集设备,分别拍摄纺织物的正面、背面和边缘,由此,质检设备可以针对纺织物正面图像、纺织物背面图像和纺织物边缘图像进行全面的质检,避免遗漏瑕疵。
在一个实施例中,纺织物质检***100可以还包括远程数据中心;质检设备110,还用于在纺织物正面图像、纺织物背面图像、纺织物边缘图像中的至少一个中识别出瑕疵时,记录瑕疵位置,并将瑕疵位置和实时运行数据上传至远程数据中心;远程数据中心用于根据瑕疵位置和实时运行数据生成质检报告。
具体地,纺织物质检***100还可以部署用于生成质检报告的远程数据中心。质检设备110在进行纺织物质检时,当从纺织物正面图像、纺织物背面图像、纺织物边缘图像中的至少一个纺织物图像中识别出瑕疵时,可以进一步定位瑕疵在纺织物中的位置,并记录作为瑕疵位置。质检设备110可以将记录的瑕疵位置和对应的实时运行数据上传至远程数据中心,远程数据中心则可以生成记录有瑕疵位置和对应的实时运行数据的质检报告,供用户从远程数据中心下载并查阅。
上述的纺织物质检***中,质检设备可以在纺织物正面图像、纺织物背面图像、纺织物边缘图像中的至少一个纺织物图像中识别出瑕疵时定位并记录瑕疵位置,将瑕疵位置和相应的实时运行数据上传至远程数据中心以生成质检报告,用户可以通过该质检报告了解到出现织机出现瑕疵问题时的相关运行状态,由此用户可以通过上述的纺织物质检***获得了更多的关于质检结果的有价值信息。
在一个实施例中,学习服务器130还用于生成决策模型,并将决策模型发送至质检设备110;质检设备110,还具体用于将工况环境输入至决策模型,得到目标执行决策;目标执行决策包括进行工况异常报警和/或控制所述第二织机停止运作。
具体地,学习服务器130还可以根据各种工况环境和各种候选决策之间的关联关系生成决策模型,并将决策模型下发至质检设备110。质检设备110可以将输入至决策模型,得到决策模型输出的与所输入的工况环境适配的目标执行决策,质检设备110可以执行该目标执行决策,例如,向用户进行工况异常报警或者直接控制第二织机停止运作。从而,纺织物质检***可以针对于不同的工况环境采用相应的决策以保证纺织物生产质量,提升了质检的灵活性。
在一个实施例中,纺织物质检***100还包括报警设备;报警设备包括警示灯、警示扩音器中的至少一种;图像采集设备140,还用于对同一个检测位置采集连续多帧待质检纺织物图像;待质检纺织物图像具有对应的检测位置;质检设备110具体用于:
将识别出纺织物瑕疵的待质检纺织物图像确定为第一瑕疵图像;将所述第一瑕疵图像对应的检测位置记录为瑕疵位置;当检测出所述检测位置已经被记录为所述瑕疵位置的第二瑕疵图像时,触发所述报警设备进行报警。
其中,检测位置即纺织物中待检测的位置。图像采集设备140可以针对纺织物中特定的位置进行图像采集,以采集得到检测位置对应的待质检纺织物图像。
具体地,纺织物质检***100可以设置有报警设备,该报警设备可以与质检设备进行有线/无线通信,报警设备可以根据质检设备的指示进行报警,以提醒用户在出现质检问题时进行及时处理。报警设备可以具体为警示灯、警示扩音器或其组合。警示灯可以亮灯进行报警,警示扩音器可以发出警报声进行警报。
图像采集设备140可以针对同一个检测位置连续进行多帧图像的采集,以得到连续多帧的待质检纺织物图像。可以针对待质检纺织物图像记录其对应的检测位置。
需要说明的是,在纺织行业中,如果在经向方向产生连续瑕疵,可能会导致生产出的整一卷成品(例如,300米一卷的布匹)均为不合格品。因此,如何提高连续瑕疵的检出率和降低连续瑕疵漏报率成为纺织行业中亟待解决的问题。
为了避免连续瑕疵影响产品质量,质检设备110可以基于一定的质量鉴别算法触发报警设备进行报警。质检设备110在进行质检时,当在其中一帧待质检纺织物图像识别出纺织物瑕疵时,可以将该待质检纺织物图像作为上述的瑕疵图像。为了区分说明,将其命名为第一瑕疵图像。然后,可以将该第一瑕疵图像对应的检测位置记录为瑕疵位置,但可以不触发报警设备进行报警。此时,质检设备110可以继续对其他待质检纺织物图像进行质检。
质检设备110继续对其他待质检纺织物图像进行质检的过程中,当发现在另一待质检纺织物图像中识别出纺织物瑕疵时,可以首先获取其对应的检测位置,判断该检测位置是否已被记录为瑕疵位置,若是,说明在该目标检测位置上重复出现瑕疵,该待质检纺织物图像即为上述的第二瑕疵图像,目前可能存在连续瑕疵的异常状况,因此,质检设备110可以触发报警设备进行报警。
质检设备110触发报警设备进行报警之后,继续对其他待质检纺织物图像进行质检。
上述的纺织物质检***,图像采集设备对同一个检测位置采集连续多帧待质检纺织物图像,当在待质检纺织物图像中识别出纺织物瑕疵时,将该待质检纺织物图像确定为第一瑕疵图像,并将第一瑕疵图像对应的检测位置记录为瑕疵位置,当发现在同一个检测位置出现第二瑕疵图像时,则触发报警设备进行报警。由此,保证潜在的连续瑕疵得到及时的报警,提高了连续瑕疵的检出率和降低了连续瑕疵漏报率。
而且,通过警示灯、警示扩音器进行报警,保证了报警可以及时传达至用户,避免用户遗漏重要的连续瑕疵的报警。
在一个实施例中,在触发所述报警设备进行报警之后,质检设备110还具体用于:
当在与所述第一瑕疵图像连续的N帧待质检纺织物图像中,识别出纺织物瑕疵的待质检纺织物图像不超过M帧时,触发所述报警设备停止报警;N>M;
当在与所述第一瑕疵图像连续的N帧待质检纺织物图像中被识别出纺织物瑕疵的待质检纺织物图像超过M帧时,所述质检设备还具体用于:
当在与所述第一瑕疵图像连续P帧待质检纺织物图像中,识别出纺织物瑕疵的、且连续的待质检纺织物图像不超过Q帧时,触发所述报警设备停止报警;P>N,M≥Q。
需要说明的是,在针对连续瑕疵的报警中,不仅要求降低连续瑕疵漏报率,还需要降低连续瑕疵误报率,避免因误报影响生产效率。为了在降低连续瑕疵漏报率的同时降低连续瑕疵误报率,质检设备110可以基于一定的质量鉴别算法触发报警设备进行报警。
具体地,在触发报警设备进行报警之后,质检设备110可以继续跟踪瑕疵位置的待质检纺织物图像的瑕疵识别情况。质检设备110可以获取与所述第一瑕疵图像连续的N帧待质检纺织物图像,当在该N帧待质检纺织物图像中,被识别出纺织物瑕疵的待质检纺织物图像不超过M帧时,说明在该瑕疵位置的连续瑕疵消失,因此可以触发报警设备停止报警。此外,质检设备110可以生成报警记录,以供用户参考。
当在该N帧待质检纺织物图像中超过M帧待质检纺织物图像被识别出纺织物瑕疵时,报警设备持续报警。质检设备110继续跟踪瑕疵位置的待质检纺织物图像的瑕疵识别情况,当在与第一瑕疵图像连续P帧待质检纺织物图像中,识别出纺织物瑕疵的、且连续的待质检纺织物图像不超过Q帧时,触发报警设备停止报警,此外,质检设备110可以生成报警记录,以供用户参考。
相应地,当在与第一瑕疵图像连续P帧待质检纺织物图像中,识别出纺织物瑕疵的、且连续的待质检纺织物图像超过Q帧时,报警设备持续报警。
从上述报警处理过程可见,整个质检和报警处理处于动态更新中,在出现连续性瑕疵的情况下则会触发报警,在连续性瑕疵的情况消失后则停止报警,从而,可以保证异常情况得到及时的报警,同时可以在异常情况消失后及时停止报警,避免因为误报影响正常的生产效率。
实际应用中,M、N、P、Q的具体数值,可以由本领域技术人员根据实际需要而设定。
图4是一个实施例的一种连续瑕疵报警流程示例的示意图。如图所示,首先,当质检设备110在图像采集设备140针对某个检测位置所采集的图像中发现纺织物瑕疵时,针对该检测位置进行记录。当在同一个检测位置的下一帧图像中再次发现纺织物瑕疵,则触发报警设备报警,并持续对该检测位置的后续的若干帧图像进行检测。当在该检测位置的连续4帧图像中存在纺织物瑕疵的图像不超过3帧,则触发报警设备停止警报;反之,则持续对该检测位置的后续的若干帧图像进行检测,并判断在该检测位置的连续7帧图像中存在纺织物瑕疵的图像是否超过3帧且为连续帧,若否,则触发报警设备停止警报。
在实际应用中,还可以设置处理确认按钮,用户得到警报后可以点击该处理确认按钮,以触发报警设备停止报警。
上述的纺织物质检***,在触发报警之后继续对瑕疵位置的连续N帧待质检纺织物图像进行检测,在识别出纺织物瑕疵的待质检纺织物图像不超过M帧时则停止报警,否则则继续报警;在报警状态下,质检设备继续对瑕疵位置的连续P帧待质检纺织物图像进行检测,当识别出纺织物瑕疵的、且连续的待质检纺织物图像不超过Q帧时停止报警,否则则继续报警。由此,保证连续瑕疵得到及时的报警,降低了连续瑕疵漏报率,同时,在特定条件下停止报警,避免在非连续瑕疵或者连续瑕疵消失的情况下继续报警,降低了连续瑕疵误报率。
在一个实施例中,如图5所示,提供了一种纺织物质检方法,以该方法应用于图1中的质检设备110为例进行说明,包括以下步骤:
S502,接收学习服务器下发的质检模型;所述学习服务器用于从大数据服务器获取质检学习样本,并根据所述质检学习样本生成所述质检模型;所述大数据服务器用于收集所述质检学习样本;所述质检学习样本包括样本瑕疵图像和样本运行数据;所述样本瑕疵图像至少包括对第一织机产出的瑕疵纺织物进行拍摄得到的图像;所述样本运行数据用于反映所述第一织机产出所述瑕疵纺织物时的运行状态;
S504,接收图像采集设备采集到的待质检纺织物图像,以及,获取实时运行数据;所述待质检纺织物图像为对第二织机产出的待质检纺织物进行拍摄得到的图像;所述实时运行数据用于反映所述第二织机产出所述待质检纺织物时的运行状态;
S506,将所述待质检纺织物图像和所述实时运行数据输入至所述质检模型,得到所述质检模型输出的工况环境;所述工况环境包括所述待质检纺织物的瑕疵识别结果以及所述第二织机的运行状态识别结果;所述运行状态识别结果包括所述第二织机是否处于异常运行状态的判断结果。
由于质检设备110的相关步骤已经在上述实施例中已有详细说明,在此不再赘述。
上述的纺织物质检方法中,由大数据服务器收集质检学习样本,并由学习服务器基于质检学习样本训练质检模型,质检设备将从图像采集设备采集得到的待质检纺织物图像和从织机得到的实时运行数据输入至质检模型,由此得到工况环境,从而用户可以得知织机产出的纺织物的质量情况以及是否存在严重瑕疵问题的瑕疵识别结果,整个质检过程中由于无须依赖于人工质检,从而避免了人工质检中常见的误差、漏检等的问题,同时也提升了质检速度。由此,在提升了纺织物生产质量的同时,提升了纺织物生产的效率。而且,本申请将织机的运行数据和相应的瑕疵图像融合作为质检学习样本,从而基于设备状态数据和视觉识别数据两种性质不同的数据对模型进行训练,相比起仅依赖于数据分析或者仅依赖于视觉识别的传统技术,本申请可以大幅提升模型的识别准确率。再者,本申请的纺织物质检***在纺织过程中对织机产出的纺织物进行实时质检,通过在纺织物生产的同时进行质检该边织边检的方式,在保证所产出的纺织物的质量的同时,又避免了质检对生产效率的影响。
进一步地,通过基于大量质检学习样本训练得到的质检模型进行质检,不仅可以稳定、准确地识别出各种的瑕疵,还可以基于瑕疵与织机的运行状况之间的关联关系得到织机的运行状态识别结果,用户可以相应地对织机进行维护,由于无须依赖于用户的主观经验即可以准确地判断瑕疵的成因并进行及时的维护,从而可以提升纺织物生产效率和生产质量。
在一个实施例中,上述的纺织物质检方法可以还包括以下步骤:
判断所述工况环境是否存在异常;当判定所述工况环境存在异常时,进行工况异常报警和/或控制所述第二织机停止运作。
在一个实施例中,步骤S506可以具体包括以下步骤:
从所述待质检纺织物图像中识别出目标纺织物面料;确定与所述目标纺织物面料对应的质检模型;将所述待质检纺织物图像和所述实时运行数据输入至与所述目标纺织物面料对应的质检模型,得到所述质检模型输出的工况环境。
在一个实施例中,所述图像采集设备包括第一图像采集设备、第二图像采集设备和第三图像采集设备;所述第一图像采集设备用于拍摄纺织物的正面,得到纺织物正面图像;所述第二图像采集设备用于拍摄纺织物的背面,得到纺织物背面图像;所述第三图像采集设备用于拍摄纺织物的边缘,得到纺织物边缘图像;所述待质检纺织物图像包括所述纺织物正面图像、所述纺织物背面图像、所述纺织物边缘图像,上述的纺织物质检方法可以还包括以下步骤:
在所述纺织物正面图像、所述纺织物背面图像、所述纺织物边缘图像中的至少一个中识别出纺织物瑕疵时,记录瑕疵位置;将所述瑕疵位置和所述实时运行数据上传至远程数据中心;所述远程数据中心,用于根据所述瑕疵位置和所述实时运行数据生成质检报告。
在一个实施例中,上述的纺织物质检方法可以还包括以下步骤:
接收所述学习服务器发送的决策模型;将所述工况环境输入至所述决策模型,得到目标执行决策;所述目标执行决策包括进行工况异常报警和/或控制所述第二织机停止运作。
由于质检设备110上述的相关步骤已经在上述实施例中已有详细说明,在此不再赘述。
应该理解的是,虽然图5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种纺织物质检装置,包括:
模型接收模块602,用于接收学习服务器下发的质检模型;所述学习服务器用于从大数据服务器获取质检学习样本,并根据所述质检学习样本生成所述质检模型;所述大数据服务器用于收集所述质检学习样本;所述质检学习样本包括样本瑕疵图像和样本运行数据;所述样本瑕疵图像至少包括对第一织机产出的瑕疵纺织物进行拍摄得到的图像;所述样本运行数据用于反映所述第一织机产出所述瑕疵纺织物时的运行状态;
图像接收模块604,用于接收图像采集设备采集到的待质检纺织物图像,以及,获取实时运行数据;所述待质检纺织物图像为对第二织机产出的待质检纺织物进行拍摄得到的图像;所述实时运行数据用于反映所述第二织机产出所述待质检纺织物时的运行状态;
工况获取模块606,用于将所述待质检纺织物图像和所述实时运行数据输入至所述质检模型,得到所述质检模型输出的工况环境;所述工况环境包括所述待质检纺织物的瑕疵识别结果以及所述第二织机的运行状态识别结果;所述运行状态识别结果包括所述第二织机是否处于异常运行状态的判断结果。
关于纺织物质检装置的具体限定可以参见上文中对于纺织物质检方法的限定,在此不再赘述。上述纺织物质检装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
上述提供的纺织物质检装置可用于执行上述任意实施例提供的纺织物质检方法,具备相应的功能和有益效果。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种空气传感器的室内定位方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
接收学习服务器下发的质检模型;所述学习服务器用于从大数据服务器获取质检学习样本,并根据所述质检学习样本生成所述质检模型;所述大数据服务器用于收集所述质检学习样本;所述质检学习样本包括样本瑕疵图像和样本运行数据;所述样本瑕疵图像至少包括对第一织机产出的瑕疵纺织物进行拍摄得到的图像;所述样本运行数据用于反映所述第一织机产出所述瑕疵纺织物时的运行状态;
接收图像采集设备采集到的待质检纺织物图像,以及,获取实时运行数据;所述待质检纺织物图像为对第二织机产出的待质检纺织物进行拍摄得到的图像;所述实时运行数据用于反映所述第二织机产出所述待质检纺织物时的运行状态;
将所述待质检纺织物图像和所述实时运行数据输入至所述质检模型,得到所述质检模型输出的工况环境;所述工况环境包括所述待质检纺织物的瑕疵识别结果以及所述第二织机的运行状态识别结果;所述运行状态识别结果包括所述第二织机是否处于异常运行状态的判断结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
接收学习服务器下发的质检模型;所述学习服务器用于从大数据服务器获取质检学习样本,并根据所述质检学习样本生成所述质检模型;所述大数据服务器用于收集所述质检学习样本;所述质检学习样本包括样本瑕疵图像和样本运行数据;所述样本瑕疵图像至少包括对第一织机产出的瑕疵纺织物进行拍摄得到的图像;所述样本运行数据用于反映所述第一织机产出所述瑕疵纺织物时的运行状态;
接收图像采集设备采集到的待质检纺织物图像,以及,获取实时运行数据;所述待质检纺织物图像为对第二织机产出的待质检纺织物进行拍摄得到的图像;所述实时运行数据用于反映所述第二织机产出所述待质检纺织物时的运行状态;
将所述待质检纺织物图像和所述实时运行数据输入至所述质检模型,得到所述质检模型输出的工况环境;所述工况环境包括所述待质检纺织物的瑕疵识别结果以及所述第二织机的运行状态识别结果;所述运行状态识别结果包括所述第二织机是否处于异常运行状态的判断结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种纺织物质检***,其特征在于,包括:
质检设备、大数据服务器、学习服务器和图像采集设备;所述大数据服务器用于收集质检学习样本;所述质检学习样本包括样本瑕疵图像和样本运行数据;所述样本瑕疵图像至少包括对第一织机产出的瑕疵纺织物进行拍摄得到的图像;所述样本运行数据用于反映所述第一织机产出所述瑕疵纺织物时的运行状态;
所述学习服务器,用于从所述大数据服务器获取所述质检学习样本,根据所述质检学习样本生成质检模型,并将所述质检模型发送至所述质检设备;
所述图像采集设备,用于在纺织过程中采集待质检纺织物图像,并将所述待质检纺织物图像传输至所述质检设备;所述待质检纺织物图像为对第二织机产出的待质检纺织物进行拍摄得到的图像;
所述质检设备,用于在纺织过程中获取实时运行数据;所述实时运行数据用于反映所述第二织机产出所述待质检纺织物时的运行状态;
所述质检设备,还用于在纺织过程中将所述待质检纺织物图像和所述实时运行数据输入至所述质检模型,得到所述质检模型输出的工况环境;所述工况环境包括所述待质检纺织物的瑕疵识别结果以及所述第二织机的运行状态识别结果;所述运行状态识别结果包括所述第二织机是否处于异常运行状态的判断结果;所述***还包括报警设备;所述报警设备包括警示灯、警示扩音器中的至少一种;所述图像采集设备,还用于对同一个检测位置采集连续多帧所述待质检纺织物图像;所述待质检纺织物图像具有对应的检测位置;所述质检设备具体用于:
将识别出纺织物瑕疵的待质检纺织物图像确定为第一瑕疵图像;
将所述第一瑕疵图像对应的检测位置记录为瑕疵位置;
当检测出所述检测位置已经被记录为所述瑕疵位置的第二瑕疵图像时,触发所述报警设备进行报警;
在触发所述报警设备进行报警之后,所述质检设备还具体用于:
当在与所述第一瑕疵图像连续的N帧待质检纺织物图像中,识别出纺织物瑕疵的待质检纺织物图像不超过M帧时,触发所述报警设备停止报警;N>M;
当在与所述第一瑕疵图像连续的N帧待质检纺织物图像中被识别出纺织物瑕疵的待质检纺织物图像超过M帧时,所述质检设备还具体用于:
当在与所述第一瑕疵图像连续P帧待质检纺织物图像中,识别出纺织物瑕疵的、且连续的待质检纺织物图像不超过Q帧时,触发所述报警设备停止报警;P>N,M≥Q。
2.根据权利要求1所述的纺织物质检***,其特征在于,所述质检设备,还用于判断所述工况环境是否存在异常,当判定所述工况环境存在异常时,进行工况异常报警和/或控制所述第二织机停止运作。
3.根据权利要求1所述的纺织物质检***,其特征在于,所述质检模型具有多个,多个所述质检模型分别对应不同的纺织物面料;所述质检设备,具体用于从所述待质检纺织物图像中识别出目标纺织物面料,确定与所述目标纺织物面料对应的质检模型,并将所述待质检纺织物图像和所述实时运行数据输入至与所述目标纺织物面料对应的质检模型。
4.根据权利要求1所述的纺织物质检***,其特征在于,所述图像采集设备包括第一图像采集设备、第二图像采集设备和第三图像采集设备;所述第一图像采集设备用于拍摄纺织物的正面,得到纺织物正面图像;所述第二图像采集设备用于拍摄纺织物的背面,得到纺织物背面图像;所述第三图像采集设备用于拍摄纺织物的边缘,得到纺织物边缘图像;所述待质检纺织物图像包括所述纺织物正面图像、所述纺织物背面图像、所述纺织物边缘图像。
5.根据权利要求4所述的纺织物质检***,其特征在于,所述***还包括远程数据中心;
所述质检设备,还用于在所述纺织物正面图像、所述纺织物背面图像、所述纺织物边缘图像中的至少一个中识别出纺织物瑕疵时,记录瑕疵位置,并将所述瑕疵位置和所述实时运行数据上传至所述远程数据中心;
所述远程数据中心,用于根据所述瑕疵位置和所述实时运行数据生成质检报告。
6.根据权利要求2所述的纺织物质检***,其特征在于,所述学习服务器还用于生成决策模型,并将所述决策模型发送至所述质检设备;
所述质检设备,还具体用于将所述工况环境输入至所述决策模型,得到目标执行决策;所述目标执行决策包括进行工况异常报警和/或控制所述第二织机停止运作。
7.一种基于权利要求1-6任一项所述的纺织物质检***的纺织物质检方法,其特征在于,包括:
接收学习服务器下发的质检模型;所述学习服务器用于从大数据服务器获取质检学习样本,并根据所述质检学习样本生成所述质检模型;所述大数据服务器用于收集所述质检学习样本;所述质检学习样本包括样本瑕疵图像和样本运行数据;所述样本瑕疵图像至少包括对第一织机产出的瑕疵纺织物进行拍摄得到的图像;所述样本运行数据用于反映所述第一织机产出所述瑕疵纺织物时的运行状态;
接收图像采集设备采集到的待质检纺织物图像,以及,获取实时运行数据;所述待质检纺织物图像为对第二织机产出的待质检纺织物进行拍摄得到的图像;所述实时运行数据用于反映所述第二织机产出所述待质检纺织物时的运行状态;
将所述待质检纺织物图像和所述实时运行数据输入至所述质检模型,得到所述质检模型输出的工况环境;所述工况环境包括所述待质检纺织物的瑕疵识别结果以及所述第二织机的运行状态识别结果;所述运行状态识别结果包括所述第二织机是否处于异常运行状态的判断结果。
8.根据权利要求7所述的纺织物质检方法,其特征在于,还包括:
判断所述工况环境是否存在异常;
当判定所述工况环境存在异常时,进行工况异常报警和/或控制所述第二织机停止运作。
9.根据权利要求8所述的纺织物质检方法,其特征在于,所述将所述待质检纺织物图像和所述实时运行数据输入至所述质检模型,得到所述质检模型输出的工况环境,包括:
从所述待质检纺织物图像中识别出目标纺织物面料;
确定与所述目标纺织物面料对应的质检模型;
将所述待质检纺织物图像和所述实时运行数据输入至与所述目标纺织物面料对应的质检模型,得到所述质检模型输出的工况环境。
10.根据权利要求7所述的纺织物质检方法,其特征在于,所述图像采集设备包括第一图像采集设备、第二图像采集设备和第三图像采集设备;所述第一图像采集设备用于拍摄纺织物的正面,得到纺织物正面图像;所述第二图像采集设备用于拍摄纺织物的背面,得到纺织物背面图像;所述第三图像采集设备用于拍摄纺织物的边缘,得到纺织物边缘图像;所述待质检纺织物图像包括所述纺织物正面图像、所述纺织物背面图像、所述纺织物边缘图像,所述方法还包括:
在所述纺织物正面图像、所述纺织物背面图像、所述纺织物边缘图像中的至少一个中识别出纺织物瑕疵时,记录瑕疵位置;
将所述瑕疵位置和所述实时运行数据上传至远程数据中心;所述远程数据中心,用于根据所述瑕疵位置和所述实时运行数据生成质检报告。
11.根据权利要求8所述的纺织物质检方法,其特征在于,还包括:
接收所述学习服务器发送的决策模型;
将所述工况环境输入至所述决策模型,得到目标执行决策;所述目标执行决策包括进行工况异常报警和/或控制所述第二织机停止运作。
12.一种基于权利要求1-6任一项所述的纺织物质检***的纺织物质检装置,其特征在于,包括:
模型接收模块,用于接收学习服务器下发的质检模型;所述学习服务器用于从大数据服务器获取质检学习样本,并根据所述质检学习样本生成所述质检模型;所述大数据服务器用于收集所述质检学习样本;所述质检学习样本包括样本瑕疵图像和样本运行数据;所述样本瑕疵图像至少包括对第一织机产出的瑕疵纺织物进行拍摄得到的图像;所述样本运行数据用于反映所述第一织机产出所述瑕疵纺织物时的运行状态;
图像接收模块,用于接收图像采集设备采集到的待质检纺织物图像,以及,获取实时运行数据;所述待质检纺织物图像为对第二织机产出的待质检纺织物进行拍摄得到的图像;所述实时运行数据用于反映所述第二织机产出所述待质检纺织物时的运行状态;
工况获取模块,用于将所述待质检纺织物图像和所述实时运行数据输入至所述质检模型,得到所述质检模型输出的工况环境;所述工况环境包括所述待质检纺织物的瑕疵识别结果以及所述第二织机的运行状态识别结果;所述运行状态识别结果包括所述第二织机是否处于异常运行状态的判断结果。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求7所述的纺织物质检方法的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求7所述的纺织物质检方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110865072.2A CN114638779B (zh) | 2021-07-29 | 2021-07-29 | 纺织物质检***、方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110865072.2A CN114638779B (zh) | 2021-07-29 | 2021-07-29 | 纺织物质检***、方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114638779A CN114638779A (zh) | 2022-06-17 |
CN114638779B true CN114638779B (zh) | 2023-09-29 |
Family
ID=81946057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110865072.2A Active CN114638779B (zh) | 2021-07-29 | 2021-07-29 | 纺织物质检***、方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638779B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661113B (zh) * | 2022-11-09 | 2023-05-09 | 浙江酷趣智能科技有限公司 | 吸湿排汗的面料及其制备工艺 |
CN116076421B (zh) * | 2022-11-21 | 2024-04-16 | 广州机智云物联网科技有限公司 | 一种通过投料工人的行为视觉分析得到精准投喂量的方法 |
CN116542956B (zh) * | 2023-05-25 | 2023-11-17 | 广州机智云物联网科技有限公司 | 一种织物组分自动检测方法、***及可读存储介质 |
CN116740541A (zh) * | 2023-06-25 | 2023-09-12 | 广州机智云物联网科技有限公司 | 在非实时操作***上的位置控制方法、***和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110123331A (zh) * | 2019-04-17 | 2019-08-16 | 平安科技(深圳)有限公司 | 人体形体及体质数据采集方法、装置及存储介质 |
CN110363756A (zh) * | 2019-07-18 | 2019-10-22 | 佛山市高明金石建材有限公司 | 一种用于磨头的磨损检测***及检测方法 |
CN110490874A (zh) * | 2019-09-04 | 2019-11-22 | 河海大学常州校区 | 基于yolo神经网络的纺织布匹表面瑕疵检测方法 |
CN111815177A (zh) * | 2020-07-10 | 2020-10-23 | 杭州海康消防科技有限公司 | 消防安全评估方法、服务器、***及存储介质 |
CN112115287A (zh) * | 2020-08-17 | 2020-12-22 | 联通(广东)产业互联网有限公司 | 一种基于ai质检与工业大数据分析的方法、***及介质 |
-
2021
- 2021-07-29 CN CN202110865072.2A patent/CN114638779B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110123331A (zh) * | 2019-04-17 | 2019-08-16 | 平安科技(深圳)有限公司 | 人体形体及体质数据采集方法、装置及存储介质 |
CN110363756A (zh) * | 2019-07-18 | 2019-10-22 | 佛山市高明金石建材有限公司 | 一种用于磨头的磨损检测***及检测方法 |
CN110490874A (zh) * | 2019-09-04 | 2019-11-22 | 河海大学常州校区 | 基于yolo神经网络的纺织布匹表面瑕疵检测方法 |
CN111815177A (zh) * | 2020-07-10 | 2020-10-23 | 杭州海康消防科技有限公司 | 消防安全评估方法、服务器、***及存储介质 |
CN112115287A (zh) * | 2020-08-17 | 2020-12-22 | 联通(广东)产业互联网有限公司 | 一种基于ai质检与工业大数据分析的方法、***及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114638779A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114638779B (zh) | 纺织物质检***、方法、装置、计算机设备和存储介质 | |
US11449980B2 (en) | System and method for combined automatic and manual inspection | |
US9499926B2 (en) | On-loom fabric inspection system and method | |
EP3717685B1 (en) | Methods and systems for triggered on-loom fabric inspection | |
CN113406092B (zh) | 数字化生产检测***、方法、装置、设备及存储介质 | |
KR102182000B1 (ko) | 자동 레시피 안정성 모니터링 및 리포팅 | |
CN105044121A (zh) | 一种针织圆机在线疵点检测装置和检测方法 | |
KR102445162B1 (ko) | 비전센서를 활용한 데이터 추출 및 딥러닝과 머신러닝 알고리즘에 기반한 제직 원단의 결점 검출 자동화시스템 | |
JP6715282B2 (ja) | 品質監視システム | |
CN104928837A (zh) | 具有断线检测功能的经编机及该经编机断线检测方法 | |
KR102666787B1 (ko) | 인공지능을 이용한 결함 검사방법, 장치 및 프로그램 | |
CN112840070B (zh) | 用于逐行检查一维织物的方法和*** | |
Divyadevi et al. | Survey of automated fabric inspection in textile industries | |
JP2009538530A (ja) | 電子機器組立て機のための組込み検査画像アーカイブ | |
CN117313019B (zh) | 一种基于深度强化学习的数据异常检测方法 | |
CN204759441U (zh) | 一种二维码检测设备及相应检测*** | |
CN1209874A (zh) | 用于自动检验织物表面的设备 | |
JP2023018016A (ja) | 管理システムおよび原因分析システム | |
CN115508282A (zh) | 一种在线智能验布检测*** | |
JP2010127809A (ja) | 外観検査装置及び外観検査システム並びにプログラム | |
CN114187250A (zh) | 用于布料的实时检测方法、装置、***及处理器 | |
JP2014126360A (ja) | 周期欠点検出方法 | |
CN117268759B (zh) | 一种纺织机械设备轴承平衡测试***、方法及介质 | |
JP2013026678A (ja) | 画像処理装置 | |
Babu et al. | Online sewing defect monitoring for SNLS machine by Image Processing Technique |
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 |