CN115294100A - 一种基于数据处理的织布机停车控制方法及*** - Google Patents
一种基于数据处理的织布机停车控制方法及*** Download PDFInfo
- Publication number
- CN115294100A CN115294100A CN202211169712.7A CN202211169712A CN115294100A CN 115294100 A CN115294100 A CN 115294100A CN 202211169712 A CN202211169712 A CN 202211169712A CN 115294100 A CN115294100 A CN 115294100A
- Authority
- CN
- China
- Prior art keywords
- target image
- calculating
- image
- gray level
- weft
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 135
- 230000007547 defect Effects 0.000 claims abstract description 132
- 239000004744 fabric Substances 0.000 claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000009941 weaving Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 4
- 238000004043 dyeing Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010409 ironing Methods 0.000 description 1
Images
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
- G06T7/0004—Industrial image inspection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/30—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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Looms (AREA)
Abstract
本发明涉及一种基于数据处理的织布机停车控制方法及***,属于数据处理技术领域,该方法步骤包括:获取织布机生产过程中的布面图像,利用滑窗在布面图像上进行滑动,将滑窗内的布匹图像作为目标图像,对目标图像中全部像素点的灰度值进行分级得到分级后图像;利用由分级后图像内沿经纱延伸方向构建的第一灰度共生矩阵和沿纬纱延伸方向构建的第二灰度共生矩阵计算出纱数偏向度;利用由分级后图像内沿经纱延伸方向构建的第一灰度游程矩阵和沿纬纱延伸方向构建的第二灰度游程矩阵计算出纱径偏向度;利用纱数偏向度和纱径偏向度确定缺陷类型;本发明提供一种能准确识别出稀路、密路、连续细纬以及连续粗纬缺陷,并控制织布机停车的方法。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种基于数据处理的织布机停车控制方法及***。
背景技术
纺织行业是我国的主要制造产业之一,随着国内工业化进程的发展,纺织行业生产设备的自动化已经越来越普及,产品生产的效率大大提高,随着产量的提高,生产的产品不可避免的会因各种各样的原因而产生瑕疵,而为了及时排除瑕疵,需要及时控制设备停机以进行瑕疵的排除,保证生产的布料的质量。
布料的生产可大致分为三个阶段,第一阶段是纺纱即将各类纤维纺成可用于织布的线,第二阶段为织造即将纱线织成布料,第三阶段为印染整理即对布料进行染色、印花、熨烫整理等后处理工序。而织布机作为织造阶段的主要生产设备,当织造过程中出现布面瑕疵时需要及时控制织布机停机并进行疵点的排除,而现有技术中,对织布机的停机控制大多数仅停留在对断纱,破洞等缺陷的检测后停机控制上,或由人工发现织造过程中的问题后由人工控制停机。但是在织造工序中不仅仅存在断纱,破洞等严重疵点,稀路、密路、细纬、粗纬等瑕疵也会严重影响布面质量,这些瑕疵出现后也需要对织布机进行停车操作,以便进行疵点排除。而稀密路是指纬线在布面上以较正常布面稀疏或密集排列时产生的布面疵点,而细纬、粗纬为纬线本身比正常纬线较细或较粗织成布面产生的疵点,对瑕疵种类进行准确的判断有助于疵点排除。但是现有技术中并不能准确的识别出稀路、密路、细纬、粗纬的瑕疵类型,因此,在出现稀路、密路、细纬、粗纬瑕疵时也不能准确的控制织布机停机,从而影响织造后布匹质量。
发明内容
本发明提供一种基于数据处理的织布机停车控制方法及***,结合灰度共生矩阵和灰度游程矩阵对布面图像上各像素点灰度值进行统计学特征的构建,通过稀路缺陷、密路缺陷、连续细纬缺陷以及连续粗纬缺陷形成机理来对这四种缺陷类型进行识别,在识别到缺陷类型后控制织布机停车。
本发明的一种基于数据处理的织布机停车控制方法采用如下技术方案:该方法包括:
获取织布机生产过程中的布面图像,并根据布面图像尺寸确定滑窗尺寸;
利用确定滑窗尺寸的滑窗在布面图像中进行遍历,将滑窗内的布匹图像作为目标图像,得到所有目标图像;
对每一个目标图像中全部像素点的灰度值进行分级得到分级后图像;
以分级后图像内沿经纱延伸方向的相邻两个像素点的灰度值级别作为像素对,按照像素对出现的次数构建出第一灰度共生矩阵,利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征,同理计算出目标图像中经纱纱数特征;利用目标图像中纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度;
构建分级后图像内沿经纱延伸方向的第一灰度游程矩阵,利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征,同理计算出目标图像中经纱纱径特征;利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度;
将纱数偏向度和纱径偏向度分别作为横坐标和纵坐标确定出目标点的坐标,将目标点对应在二维坐标系中;
当目标点与二维坐标系原点之间的距离大于预设距离阈值时,根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离,确定目标图像中是否存在缺陷;
当所有目标图像中任意一目标图像存在缺陷时,控制织布机停车。
进一步地,所述利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征的步骤包括:
获取第一灰度共生矩阵中每个像素对的出现概率;
计算出第一灰度共生矩阵中每个像素对内包含的两个像素点的灰度值级别的第一差值,将该第一差值与分级后图像中灰度级数量的第一比值作为每个像素对的出现概率的权重;
将第一灰度共生矩阵中每个像素对出现概率对应的权重相乘,得到第一灰度共生矩阵中每个像素对的加权后出现概率;
利用第一灰度共生矩阵中全部像素对的加权后出现概率,计算出目标图像中纬纱纱数特征。
进一步地,所述同理计算出经纱纱数特征的步骤包括:
以分级后图像内沿纬纱延伸方向的相邻两个像素点的灰度值级别作为像素对,按照像素对出现的次数构建出第二灰度共生矩阵,利用第二灰度共生矩阵中全部元素值计算出目标图像中经纱纱数特征。
进一步地,所述利用第二灰度共生矩阵中全部元素值计算出目标图像中经纱纱数特征的步骤包括:
获取第二灰度共生矩阵中每个像素对的出现概率;
计算出第二灰度共生矩阵中每个像素对内包含的两个像素点的灰度值级别的第二差值,将该第二差值与分级后图像中灰度级数量的第二比值作为每个像素对的出现概率的权重;
将第二灰度共生矩阵中每个像素对出现概率对应的权重相乘,得到第二灰度共生矩阵中每个像素对的加权后出现概率;
利用第二灰度共生矩阵中全部像素对的加权后出现概率计算出目标图像中经纱纱数特征。
进一步地,所述利用纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度的步骤包括:
计算出目标图像中纬纱纱数特征与目标图像中经纱纱数特征的第三差值;
计算出目标图像中纬纱纱数特征与目标图像中经纱纱数特征的第三和值;
将获取的第三差值与第三和值的比值作为目标图像中纱数偏向度。
进一步地,所述利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征的计算公式为:
其中,表示沿经纱延伸方向获取的第一灰度游程矩阵中第a行第列上的元素值;表示将乘以对应的游程长度;表示滑窗尺寸;表示关注长度小的游程;表示沿经纱延伸方向获取的第一灰度游程矩阵中第a行的灰度级;表示沿经纱延伸方向获取的第一灰度游程矩阵中第列的游程长度;表示分级后图像中灰度级的数量;表示目标图像中纬纱纱径特征。
进一步地,所述同理计算出经纱纱径特征的步骤为:
构建分级后图像内沿纬纱延伸方向的第二灰度游程矩阵,利用第二灰度游程矩阵中全部元素值计算出经纱纱径特征;
利用第二灰度游程矩阵中全部元素值计算出经纱纱径特征的计算公式为:
其中,表示沿纬纱延伸方向获取的第二灰度游程矩阵中第a行第列上的元素值;表示将乘以对应的游程长度;表示滑窗尺寸;表示关注长度小的游程;表示沿纬纱延伸方向获取的第二灰度游程矩阵中第a行的灰度级;表示沿纬纱延伸方向获取的第二灰度游程矩阵中第列的游程长度;表示分级后图像中灰度级的数量;表示目标图像中经纱纱径特征。
进一步地,所述利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度的步骤包括:
计算出目标图像中纬纱纱径特征与目标图像中经纱纱径特征的第四差值;
计算出目标图像中纬纱纱径特征与目标图像中经纱纱径特征的第四和值;
将获取的第四差值与第四和值的比值作为目标图像中纱径偏向度。
进一步地,所述根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离,确定目标图像中是否存在缺陷的步骤包括:
分别计算出目标点与预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离;
从获取的全部距离数值中选取距离最小值,确定距离最小值对应的缺陷极限点,并将该缺陷极限点的类型作为目标图像中缺陷类型。
一种基于数据处理的织布机停车控制***,包括:
图像获取模块,用于获取织布机生产过程中的布面图像,并根据布面图像尺寸确定滑窗尺寸;用于利用确定滑窗尺寸的滑窗在布面图像中进行遍历,将滑窗内的布匹图像作为目标图像,得到所有目标图像;用于对每一个目标图像中全部像素点的灰度值进行分级得到分级后图像;
纱数偏向度计算模块,用于以分级后图像内沿经纱延伸方向的相邻两个像素点的灰度值级别作为像素对,按照像素对出现的次数构建出第一灰度共生矩阵,利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征,同理计算出目标图像中经纱纱数特征;利用目标图像中纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度;
纱径偏向度计算模块,用于构建分级后图像内沿经纱延伸方向的第一灰度游程矩阵,利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征,同理计算出目标图像中经纱纱径特征;利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度;
二维坐标系建立模块,用于将纱数偏向度和纱径偏向度分别作为横坐标和纵坐标确定出目标点的坐标,将目标点对应在二维坐标系中;
缺陷类型识别模块,用于当目标点与二维坐标系原点之间的距离大于预设距离阈值时,根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离,确定目标图像中是否存在缺陷;
织布机停车控制模块,用于当所有目标图像中任意一目标图像存在缺陷时,控制织布机停车。
本发明的有益效果是:
本发明提供一种基于数据处理的织布机停车控制方法及***,利用灰度共生矩阵,同时结合灰度游程矩阵对布面图像上各像素点灰度值进行统计学特征的构建,通过瑕疵点形成机理的分析来对特征进行分类识别,有效的避免了现有技术对稀路、密路、细纬、粗纬瑕疵点的识别混淆情况,使整个停车控制***具有稀路、密路、细纬、粗纬瑕疵点排除指导的作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于数据处理的织布机停车控制方法的实施例总体步骤的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种基于数据处理的织布机停车控制方法的实施例,如图1所示,该方法包括:
S1、获取织布机生产过程中的布面图像,并根据布面图像尺寸确定滑窗尺寸。
本发明利用工业相机获取织布机生产过程中的布面图像并将其灰度化,布面图像尺寸为。根据布面图像尺寸确定滑窗尺寸,滑窗尺寸规格由操作人员设定,滑窗尺寸需要根据工业相机本身采集图像的大小而设定,一个推荐的比例为,滑窗长宽相等即内部像素个数为,在确定滑窗的大小后利用滑窗内部的布面图像信息进行缺陷检测。
本发明主要是用于识别布面图像中是否存在稀路、密路、连续细纬、或连续粗纬中任一种缺陷。对于稀路瑕疵是指纬线排列密度小于经线排列密度(称为稀路),对于密路瑕疵是指纬线排列密度大于经线排列密度(称为密路),而对于连续细纬是指纬线比经线要细(称为连续细纬),而对于连续粗纬是指纬线比经线要粗(称为连续粗纬)。由于稀路、密路、连续细纬以及连续粗纬瑕疵的特殊性,仅仅根据布面图像像素点的分布密度去判断瑕疵种类就会导致连续细/粗纬瑕疵与稀/密路瑕疵混淆,而要想区分稀密路与连续细/粗纬缺陷就需要判断滑窗内布面图像上纱线的经纱与纬纱的纱数是否出现偏向,以及检测纬纱的纱径与经纱的纱径是否存在偏差,而要想识别出上述二者,就需要在不同的统计方向进行对滑窗内布面图像的灰度共生矩阵以及灰度游程矩阵进行统计。
S2、利用确定滑窗尺寸的滑窗在布面图像中进行遍历,将滑窗内的布匹图像作为目标图像,得到所有目标图像。
在确定出滑窗尺寸后,利用确定了滑窗尺寸的滑窗在获取的布面图像上进行滑动检测,滑窗每次滑动到一个位置都会获取一个滑窗内布面图像,将滑窗内的布匹图像作为目标图像,得到所有目标图像。
S3、对每一个目标图像中全部像素点的灰度值进行分级得到分级后图像。
本发明将目标图像中全部像素点的灰度值归一化,并将0-1的归一化灰度值取值范围均分为10份,按各份范围在数轴上从小到大分别记为级别1,2,…,10,将目标图像中全部像素点的灰度值用灰度级代替后得到分级后图像。
S4、以分级后图像内沿经纱延伸方向的相邻两个像素点的灰度值级别作为像素对,按照像素对出现的次数构建出第一灰度共生矩阵,利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征,同理计算出目标图像中经纱纱数特征;利用目标图像中纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度。
本发明中以经纱延伸方向作为0°方向、以纬纱延伸方向作为90°方向。以滑窗内布面图像0°方向上相邻两个像素点的灰度值级别作为该像素对出现次数在灰度共生矩阵中的位置统计灰度共生矩阵,可获取0°方向的灰度共生矩阵,将0°方向的灰度共生矩阵记作第一灰度共生矩阵。以滑窗内布面图像90°方向上相邻两个像素点的灰度值级别作为该像素对出现次数在灰度共生矩阵中的位置统计灰度共生矩阵,可获取90°方向的灰度共生矩,将90°方向的灰度共生矩记作第二灰度共生矩阵。因此,通过0°方向的灰度共生矩阵和90°方向的灰度共生矩,可以检测出作为纱线边缘的像素对的个数。
对于0°(或90°)灰度共生矩阵,其上第a行第b列上的元素值表示的是在0°(或90°)方向上(0°为从上至下,90°为从左到右)相邻的两个像素灰度值级别分别为a、b的像素对在滑窗内图像上出现的概率,而当a、b差异较大时,说明此像素对上一个点属于纱线点,另一个点属于纱线后的背景点。
因此,这些a、b差异较大的点出现的概率就表示了经纱或纬纱的纱支特征,在经纱延伸方向下获得的灰度共生矩阵中像素对灰度值级别差异较大的点的出现概率表示了纬纱的纱支特征,也即这个出现概率越大,越说明纬纱的纱书越密集。在纬纱延伸方向下获得的灰度共生矩阵中像素对灰度值级别差异较大的点的出现概率表示了经纱的纱数特征,也即这个出现概率越大,越说明经纱的纱数越密集。因此,以上述逻辑计算滑窗内的纱数偏向度,方式如下:
利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征的步骤包括:获取第一灰度共生矩阵中每个像素对的出现概率;计算出第一灰度共生矩阵中每个像素对内包含的两个像素点的灰度值级别的第一差值,将该第一差值与分级后图像中灰度级数量的第一比值作为每个像素对的出现概率的权重;将第一灰度共生矩阵中每个像素对出现概率对应的权重相乘,得到第一灰度共生矩阵中每个像素对的加权后出现概率;利用第一灰度共生矩阵中全部像素对的加权后出现概率,计算出目标图像中纬纱纱数特征。
利用第一灰度共生矩阵中全部元素值计算出纬纱纱数特征的计算公式为:
其中,表示沿经纱延伸方向的相邻两个像素点的灰度值级别分别为、的像素对在分级后图像中出现的概率;表示分级后图像中灰度级的数量;表示的权重;表示纬纱纱数特征;和的差异越大,的关注权重越大,说明为边缘特征像素对,这样的像素对出现的概率越高,说明纬纱纱数越多。
同理计算出经纱纱数特征的步骤包括:以分级后图像内沿纬纱延伸方向的相邻两个像素点的灰度值级别作为像素对,按照像素对出现的次数构建出第二灰度共生矩阵,利用第二灰度共生矩阵中全部元素值计算出目标图像中经纱纱数特征。
利用第二灰度共生矩阵中全部元素值计算出目标图像中经纱纱数特征的步骤包括:获取第二灰度共生矩阵中每个像素对的出现概率;计算出第二灰度共生矩阵中每个像素对内包含的两个像素点的灰度值级别的第二差值,将该第二差值与分级后图像中灰度级数量的第二比值作为每个像素对的出现概率的权重;将第二灰度共生矩阵中每个像素对出现概率对应的权重相乘,得到第二灰度共生矩阵中每个像素对的加权后出现概率;利用第二灰度共生矩阵中全部像素对的加权后出现概率计算出目标图像中经纱纱数特征。
利用第二灰度共生矩阵中全部元素值计算出经纱纱数特征的计算公式为:
其中,表示沿纬纱延伸方向的相邻两个像素点的灰度值级别分别为、的像素对在分级后图像中出现的概率;表示分级后图像中灰度级的数量;表示的权重;表示经纱纱数特征;和的差异越大,的关注权重越大,说明为边缘特征像素对,这样的像素对出现的概率越高,说明经纱纱数越多。
利用纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度的步骤包括:计算出目标图像中纬纱纱数特征与目标图像中经纱纱数特征的第三差值;计算出目标图像中纬纱纱数特征与目标图像中经纱纱数特征的第三和值;将获取的第三差值与第三和值的比值作为目标图像中纱数偏向度。
利用纬纱纱数特征和经纱纱数特征计算出纱数偏向度的计算公式为:
其中,表示纬纱纱数特征;表示经纱纱数特征;表示纱数偏向度。的取值范围为。其越趋近于-1,越说明远远小于,说明纬纱纱数远小于经纱,反之越趋近于1,越说明远远大于,说明纬纱纱支数远大于经纱。而趋近于0时说明二者相差不多,也即纬纱与经纱纱支数相近。
S5、构建分级后图像内沿经纱延伸方向的第一灰度游程矩阵,利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征,同理计算出目标图像中经纱纱径特征;利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度。
本发明中以经纱延伸方向作为0°方向、以纬纱延伸方向作为90°方向。构建分级后图像内沿经纱延伸方向的第一灰度游程矩阵,也即构建0°方向的第一灰度游程矩阵。构建分级后图像内沿纬纱延伸方向的第二灰度游程矩阵,也即构建90°方向的第二灰度游程矩阵。灰度游程矩阵可检测出同级别灰度值在统计方向上连续出现的次数,因此,可以获取出经纱纬纱的纱径信息。
对于目标图像的0°方向的第一灰度游程矩阵,灰度游程矩阵上第a行第列上的数值表示的是目标图像灰度值级别为a的灰度值在0°方向上连续出现次的游程出现概率次数。则灰度值级别越高且游程长度越短的游程越能表现纬纱纱径特征。
对于目标图像的90°方向的第二灰度游程矩阵,灰度游程矩阵上第a行第列上的数值表示的是目标图像灰度值级别为a的灰度值在90°方向上连续出现次的游程出现概率次数。则灰度值级别越高且游程长度越短的游程越能表现经纱纱径特征。基于上述逻辑,计算出目标图像的纱径偏向度,方式如下:
利用第一灰度游程矩阵中全部元素值计算出纬纱纱径特征的计算公式为:
其中,表示沿经纱延伸方向获取的第一灰度游程矩阵中第a行第列上的元素值;表示将乘以对应的游程长度;表示滑窗尺寸;表示关注长度小的游程;表示沿经纱延伸方向获取的第一灰度游程矩阵中第a行的灰度级;表示沿经纱延伸方向获取的第一灰度游程矩阵中第列的游程长度;表示分级后图像中灰度级的数量;表示目标图像中纬纱纱径特征;由于布面图像中纱线较细,而纱线之间的区域一般宽于纱经,长度越小的游程越有可能对应为纱径,对长度小的游程赋予较大的权重,因此,越大表示纬纱的纱径越细。
同理计算出经纱纱径特征的步骤为:构建分级后图像内沿纬纱延伸方向的第二灰度游程矩阵,利用第二灰度游程矩阵中全部元素值计算出经纱纱径特征;
利用第二灰度游程矩阵中全部元素值计算出经纱纱径特征的计算公式为:
其中,表示沿纬纱延伸方向获取的第二灰度游程矩阵中第a行第列上的元素值;表示将乘以对应的游程长度;表示滑窗尺寸;表示关注长度小的游程;表示沿纬纱延伸方向获取的第二灰度游程矩阵中第a行的灰度级;表示沿纬纱延伸方向获取的第二灰度游程矩阵中第列的游程长度;表示分级后图像中灰度级的数量;表示目标图像中经纱纱径特征;由于布面图像中纱线较细,而纱线之间的区域一般宽于纱经,长度越小的游程越有可能对应为纱径,对长度小的游程赋予较大的权重,因此,越大表示经纱的纱径越细。
其中,利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度的步骤包括:计算出目标图像中纬纱纱径特征与目标图像中经纱纱径特征的第四差值;计算出目标图像中纬纱纱径特征与目标图像中经纱纱径特征的第四和值;将获取的第四差值与第四和值的比值作为目标图像中纱径偏向度。
利用纬纱纱径特征和经纱纱径特征计算出纱径偏向度的计算公式为:
其中,表示纬纱纱径特征;表示经纱纱径特征;表示纱径偏向度对于灰度游程矩阵。的取值范围为。其越趋近于-1,越说明远远小于,说明纬纱纱径远大于经纱,反之越趋近于1,越说明远远大于,说明纬纱纱径远小于经纱。而趋近于0时说明二者相差不多,也即纬纱纱径与经纱纱径相近。
S6、将纱数偏向度和纱径偏向度分别作为横坐标和纵坐标确定出目标点的坐标,将目标点对应在二维坐标系中。
在计算出目标图像对应的纱数偏向度和纱径偏向度后,将纱数偏向度作为横坐标、将纱径偏向度作为纵坐标对应在二维坐标系中,因此,每个滑窗内布面图像对应的纱数偏向度和纱径偏向度都会在二维坐标系中对应一个点。
S7、当目标点与二维坐标系原点之间的距离大于预设距离阈值时,根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离,确定目标图像中是否存在缺陷。
以目标图像为例,将目标图像对应的纱数偏向度和纱径偏向度分别作为横坐标和纵坐标确定出目标点的坐标。计算出目标点的坐标与二维坐标系原点之间的距离记为,则值越趋近于,越说明瑕疵明显。设置预设距离阈值,当D大于预设距离阈值时,说明识别到目标图像存在稀路、密路、连续细纬、或连续粗纬中任一种缺陷,同时控制织布机停车。
根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离,确定目标图像中是否存在缺陷的步骤包括:分别计算出目标点与预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离;从获取的全部距离数值中选取距离最小值,确定距离最小值对应的缺陷极限点,并将该缺陷极限点的类型作为目标图像中缺陷类型。
对于稀路缺陷,其表现为纬纱密度小于经纱密度,也即纱数偏向度趋近于-1,而纬纱纱径与经纱纱径应一致,也即纱径偏向度趋近于0。
对于密路缺陷,其表现为纬纱密度大于经纱密度,也即纱数偏向度趋近于1,而纬纱纱径与经纱纱径应一致,也即纱径偏向度趋近于0。
对于连续细纬缺陷,其表现为纬纱密度与经纱密度相似,也即纱数偏向度趋近于0,而纬纱纱径应小于经纱纱径,也即纱径偏向度趋近于1。
对于连续粗纬缺陷,其表现为纬纱密度与经纱密度相似,也即纱数偏向度趋近于0,而纬纱纱径应大于经纱纱径,也即纱径偏向度趋近于-1。
S8、当所有目标图像中任意一目标图像存在缺陷时,控制织布机停车。
一种基于数据处理的织布机停车控制***,包括:
图像获取模块,用于获取织布机生产过程中的布面图像,并根据布面图像尺寸确定滑窗尺寸;用于利用确定滑窗尺寸的滑窗在布面图像中进行遍历,将滑窗内的布匹图像作为目标图像,得到所有目标图像;用于对每一个目标图像中全部像素点的灰度值进行分级得到分级后图像;
纱数偏向度计算模块,用于以分级后图像内沿经纱延伸方向的相邻两个像素点的灰度值级别作为像素对,按照像素对出现的次数构建出第一灰度共生矩阵,利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征,同理计算出目标图像中经纱纱数特征;利用目标图像中纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度;
纱径偏向度计算模块,用于构建分级后图像内沿经纱延伸方向的第一灰度游程矩阵,利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征,同理计算出目标图像中经纱纱径特征;利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度;
二维坐标系建立模块,用于将纱数偏向度和纱径偏向度分别作为横坐标和纵坐标确定出目标点的坐标,将目标点对应在二维坐标系中;
缺陷类型识别模块,用于当目标点与二维坐标系原点之间的距离大于预设距离阈值时,根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离,确定目标图像中是否存在缺陷;
织布机停车控制模块,用于当所有目标图像中任意一目标图像存在缺陷时,控制织布机停车。
综上所述,本发明提供一种基于数据处理的织布机停车控制方法及***,结合灰度共生矩阵和灰度游程矩阵对布面图像上各像素点灰度值进行统计学特征的构建。通过稀路缺陷、密路缺陷、连续细纬缺陷以及连续粗纬缺陷形成机理来对特征进行分类识别,有效的避免了现有技术中对于上述四种缺陷类型识别混淆情况,在识别到缺陷类型后控制织布机停车,使整个停车控制***具有疵点排除指导的作用。
Claims (10)
1.一种基于数据处理的织布机停车控制方法,其特征在于,该方法包括:
获取织布机生产过程中的布面图像,并根据布面图像尺寸确定滑窗尺寸;
利用确定滑窗尺寸的滑窗在布面图像中进行遍历,将滑窗内的布匹图像作为目标图像,得到所有目标图像;
对每一个目标图像中全部像素点的灰度值进行分级得到分级后图像;
以分级后图像内沿经纱延伸方向的相邻两个像素点的灰度值级别作为像素对,按照像素对出现的次数构建出第一灰度共生矩阵,利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征,同理计算出目标图像中经纱纱数特征;利用目标图像中纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度;
构建分级后图像内沿经纱延伸方向的第一灰度游程矩阵,利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征,同理计算出目标图像中经纱纱径特征;利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度;
将纱数偏向度和纱径偏向度分别作为横坐标和纵坐标确定出目标点的坐标,将目标点对应在二维坐标系中;
当目标点与二维坐标系原点之间的距离大于预设距离阈值时,根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离,确定目标图像中是否存在缺陷;
当所有目标图像中任意一目标图像存在缺陷时,控制织布机停车。
2.根据权利要求1所述的一种基于数据处理的织布机停车控制方法,其特征在于,所述利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征的步骤包括:
获取第一灰度共生矩阵中每个像素对的出现概率;
计算出第一灰度共生矩阵中每个像素对内包含的两个像素点的灰度值级别的第一差值,将该第一差值与分级后图像中灰度级数量的第一比值作为每个像素对的出现概率的权重;
将第一灰度共生矩阵中每个像素对出现概率对应的权重相乘,得到第一灰度共生矩阵中每个像素对的加权后出现概率;
利用第一灰度共生矩阵中全部像素对的加权后出现概率,计算出目标图像中纬纱纱数特征。
3.根据权利要求1所述的一种基于数据处理的织布机停车控制方法,其特征在于,所述同理计算出目标图像中经纱纱数特征的步骤包括:
以分级后图像内沿纬纱延伸方向的相邻两个像素点的灰度值级别作为像素对,按照像素对出现的次数构建出第二灰度共生矩阵,利用第二灰度共生矩阵中全部元素值计算出目标图像中经纱纱数特征。
4.根据权利要求3所述的一种基于数据处理的织布机停车控制方法,其特征在于,所述利用第二灰度共生矩阵中全部元素值计算出目标图像中经纱纱数特征的步骤包括:
获取第二灰度共生矩阵中每个像素对的出现概率;
计算出第二灰度共生矩阵中每个像素对内包含的两个像素点的灰度值级别的第二差值,将该第二差值与分级后图像中灰度级数量的第二比值作为每个像素对的出现概率的权重;
将第二灰度共生矩阵中每个像素对出现概率对应的权重相乘,得到第二灰度共生矩阵中每个像素对的加权后出现概率;
利用第二灰度共生矩阵中全部像素对的加权后出现概率计算出目标图像中经纱纱数特征。
5.根据权利要求4所述的一种基于数据处理的织布机停车控制方法,其特征在于,所述利用目标图像中纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度的步骤包括:
计算出目标图像中纬纱纱数特征与目标图像中经纱纱数特征的第三差值;
计算出目标图像中纬纱纱数特征与目标图像中经纱纱数特征的第三和值;
将获取的第三差值与第三和值的比值作为目标图像中纱数偏向度。
8.根据权利要求1所述的一种基于数据处理的织布机停车控制方法,其特征在于,所述利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度的步骤包括:
计算出目标图像中纬纱纱径特征与目标图像中经纱纱径特征的第四差值;
计算出目标图像中纬纱纱径特征与目标图像中经纱纱径特征的第四和值;
将获取的第四差值与第四和值的比值作为目标图像中纱径偏向度。
9.根据权利要求1所述的一种基于数据处理的织布机停车控制方法,其特征在于,所述根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离,确定目标图像中是否存在缺陷的步骤包括:
分别计算出目标点与预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离;
从获取的全部距离数值中选取距离最小值,确定距离最小值对应的缺陷极限点,并将该缺陷极限点的类型作为目标图像中缺陷类型。
10.一种基于数据处理的织布机停车控制***,其特征在于,包括:
图像获取模块,用于获取织布机生产过程中的布面图像,并根据布面图像尺寸确定滑窗尺寸;用于利用确定滑窗尺寸的滑窗在布面图像中进行遍历,将滑窗内的布匹图像作为目标图像,得到所有目标图像;用于对每一个目标图像中全部像素点的灰度值进行分级得到分级后图像;
纱数偏向度计算模块,用于以分级后图像内沿经纱延伸方向的相邻两个像素点的灰度值级别作为像素对,按照像素对出现的次数构建出第一灰度共生矩阵,利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征,同理计算出目标图像中经纱纱数特征;利用目标图像中纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度;
纱径偏向度计算模块,用于构建分级后图像内沿经纱延伸方向的第一灰度游程矩阵,利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征,同理计算出目标图像中经纱纱径特征;利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度;
二维坐标系建立模块,用于将纱数偏向度和纱径偏向度分别作为横坐标和纵坐标确定出目标点的坐标,将目标点对应在二维坐标系中;
缺陷类型识别模块,用于当目标点与二维坐标系原点之间的距离大于预设距离阈值时,根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离,确定目标图像中是否存在缺陷;
织布机停车控制模块,用于当所有目标图像中任意一目标图像存在缺陷时,控制织布机停车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169712.7A CN115294100A (zh) | 2022-09-26 | 2022-09-26 | 一种基于数据处理的织布机停车控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169712.7A CN115294100A (zh) | 2022-09-26 | 2022-09-26 | 一种基于数据处理的织布机停车控制方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115294100A true CN115294100A (zh) | 2022-11-04 |
Family
ID=83834613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211169712.7A Pending CN115294100A (zh) | 2022-09-26 | 2022-09-26 | 一种基于数据处理的织布机停车控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294100A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116949732A (zh) * | 2023-09-20 | 2023-10-27 | 济宁华晟服装股份有限公司 | 一种用于服装生产的高效熨烫方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210343002A1 (en) * | 2020-07-28 | 2021-11-04 | Jiangnan University | Online Detection Method of Circular Weft Knitting Stripe Defects Based on Gray Gradient Method |
CN114842027A (zh) * | 2022-04-24 | 2022-08-02 | 南通真馨家纺有限公司 | 基于灰度共生矩阵的织物疵点分割方法和*** |
CN115082458A (zh) * | 2022-08-18 | 2022-09-20 | 南通睿谷纺织科技有限公司 | 一种基于灰度游程矩阵的纺织材料疵点分析方法 |
-
2022
- 2022-09-26 CN CN202211169712.7A patent/CN115294100A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210343002A1 (en) * | 2020-07-28 | 2021-11-04 | Jiangnan University | Online Detection Method of Circular Weft Knitting Stripe Defects Based on Gray Gradient Method |
CN114842027A (zh) * | 2022-04-24 | 2022-08-02 | 南通真馨家纺有限公司 | 基于灰度共生矩阵的织物疵点分割方法和*** |
CN115082458A (zh) * | 2022-08-18 | 2022-09-20 | 南通睿谷纺织科技有限公司 | 一种基于灰度游程矩阵的纺织材料疵点分析方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116949732A (zh) * | 2023-09-20 | 2023-10-27 | 济宁华晟服装股份有限公司 | 一种用于服装生产的高效熨烫方法 |
CN116949732B (zh) * | 2023-09-20 | 2023-12-08 | 济宁华晟服装股份有限公司 | 一种用于服装生产的高效熨烫方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115115615B (zh) | 一种基于图像识别的纺织面料质量评估方法及*** | |
CN108364291A (zh) | 基于计算机视觉技术的原坯布快速检测方法 | |
CN115131348B (zh) | 一种纺织品表面缺陷的检测方法及*** | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN114677376B (zh) | 一种基于光照预处理的织带生产瑕疵测试方法及*** | |
CN116309671B (zh) | 一种土工合成织物质量检测*** | |
CN114693677B (zh) | 一种针织面料轧染工艺异常检测方法 | |
CN111861996A (zh) | 一种印花织物疵点检测方法 | |
CN115311298B (zh) | 一种纺织品质量检测方法 | |
CN115082458B (zh) | 一种基于灰度游程矩阵的纺织材料疵点分析方法 | |
CN115861310A (zh) | 一种床单表面纺织缺陷检测方法 | |
CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及*** | |
CN115294100A (zh) | 一种基于数据处理的织布机停车控制方法及*** | |
CN115187597B (zh) | 一种纺织品缺陷检测方法 | |
CN115311279A (zh) | 一种织物经纬瑕疵的机器视觉识别方法 | |
CN116523899A (zh) | 一种基于机器视觉的纺织品瑕疵检测方法及*** | |
CN110458809B (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
CN113936001B (zh) | 一种基于图像处理技术的纺织品表面瑕疵点检测方法 | |
Anila et al. | Fabric texture analysis and weave pattern recognition by intelligent processing | |
CN111402225B (zh) | 一种布匹折叠误检疵点判别方法 | |
CN116894840B (zh) | 纺纱打样机产品质量检测方法及*** | |
CN115082460B (zh) | 一种织布生产线质量监控方法及*** | |
CN111784691A (zh) | 一种纺织品瑕疵检测方法 | |
CN114782426A (zh) | 基于人工智能***的针织布料断纱缺陷检测方法 |
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 |