CN116563276B - 一种化纤长丝在线缺陷检测方法及检测*** - Google Patents

一种化纤长丝在线缺陷检测方法及检测*** Download PDF

Info

Publication number
CN116563276B
CN116563276B CN202310813505.9A CN202310813505A CN116563276B CN 116563276 B CN116563276 B CN 116563276B CN 202310813505 A CN202310813505 A CN 202310813505A CN 116563276 B CN116563276 B CN 116563276B
Authority
CN
China
Prior art keywords
image
defect
chemical fiber
fiber filaments
defects
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
CN202310813505.9A
Other languages
English (en)
Other versions
CN116563276A (zh
Inventor
符星豪
曹彬
胡江洪
陈立名
袁帅鹏
杨旭
赵超
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.)
Fitow Tianjin Detection Technology Co Ltd
Original Assignee
Fitow Tianjin Detection Technology Co Ltd
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 Fitow Tianjin Detection Technology Co Ltd filed Critical Fitow Tianjin Detection Technology Co Ltd
Priority to CN202310813505.9A priority Critical patent/CN116563276B/zh
Publication of CN116563276A publication Critical patent/CN116563276A/zh
Application granted granted Critical
Publication of CN116563276B publication Critical patent/CN116563276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种化纤长丝在线缺陷检测方法及检测***，属于图像处理技术领域，包括：S1、构建机器学习模型；S101、收集化纤长丝的缺陷图像；S102、训练缺陷图像：首先将收集到的缺陷图像逐张进行特征求解，得到A个灰度特征和B个形状特征，然后将每张缺陷图像的A个灰度特征和B个形状特征组成特征向量；最后将特征向量作为机器学习模型的输入层，缺陷类别作为输出层结果，对机器学习模型进行训练；S2、获取待检测图像；S3、图像标定；S4、缺陷检测；首先对待检测图像进行图像预处理；然后将图像预处理结果导入机器学习模型，获得每种缺陷的概率，选择概率最高值作为该缺陷的分类。

Description

一种化纤长丝在线缺陷检测方法及检测***
技术领域
本发明属于图像处理技术领域，尤其是涉及一种化纤长丝在线缺陷检测方法及检测***。
背景技术
化纤长丝生产过程中，一根化纤长丝通过不断的缠绕形成丝锭。在化纤长丝生产完成以后，一般是通过人眼观察的方式确定丝锭外观是否存在缺陷。当前，常见的长丝缺陷主要包括粗毛、滴液、毛团和细毛丝；其中：粗毛、滴液和毛团属于比较严重的缺陷，粗毛和毛团缺陷从形状上是多簇丝打结在一块，滴液是由于丝没有展开而形成的块状。当前人眼观察检测主要是对长丝缠绕在丝锭之后的检测，因化纤长丝是多层缠绕在丝锭上，因此仅能进行表面的检测，对于缠绕在丝锭内部的化纤长丝，如存在缺陷则很难被发现，因此，通过观察丝锭进行长丝等级的判定是非常不准确的。
随着计算机视觉技术的发展，当前通过相机拍照、视觉检测等技术使长丝缺陷通过机器视觉检测成为可能。传统用于机器视觉的检测分为基于像素的检测方式、基于AI模型的检测方式。其中：AI模型是根据收集的缺陷图像，在缺陷处进行标注，将标注缺陷放入深度学习框架中进行训练得到AI模型，检测时，只需要向AI模型输入一张新的图像，便能得到缺陷的类型以及缺陷在图像中的具***置，AI模型的优点是：训练的图像数据越多，则准确率越高，缺点是：在线检测的应用场景中，要求的检测时间特别短，AI模型暂时无法达到在线检测的速度要求；基于像素的检测方式是通过对像素进行处理，从而得到缺陷的位置，优点是：检测速度快，且使用的硬件成本低，缺点是：对成像环境的稳定性要求高，且难以实现缺陷的自动分类。
目前，随着工业自动化的快速发展，化纤长丝的生产速度最高能达到7.5m/s，显然，化纤长丝的运动速度非常快，按照此生产速度，要求相机的帧率不低于34帧/s，即每张图像的算法耗时在30ms以内，如采用AI模型，由于每张图像使用深度学习的方式，虽然随着数据集越来越大，准确率会越来越高，但AI模型会产生较大的硬件成本，进而会降低产品的竞争力，而采用传统基于像素的检测方式则难以满足检测要求。因此制约了机器视觉技术在长丝方面的检测应用。
发明内容
本发明针对现有技术存在的不足，提供一种化纤长丝在线缺陷检测方法及检测***，将传统图像处理技术和机器视觉检测技术相结合，在满足检测精度的前提下，提高检测的效率，进而满足化纤长丝的在线缺陷检测需求。
本发明的第一目的是提供一种化纤长丝在线缺陷检测方法，包括：
S1、构建机器学习模型；具体为：
S101、收集化纤长丝的缺陷图像：首先依次通过图像二值化、开运算得到包含有缺陷的缺陷图像；然后通过面积阈值筛选出目标图像；最后根据缺陷类别将目标图像划分为若干类缺陷图像；
S102、训练缺陷图像：首先将收集到的缺陷图像逐张进行特征求解，得到A个灰度特征和B个形状特征，然后将每张缺陷图像的A个灰度特征和B个形状特征组成特征向量；最后将特征向量作为机器学习模型的输入层，缺陷类别作为输出层结果，对机器学习模型进行训练；A和B均为大于0的自然数；
S2、图像采集，获取待检测图像，所述待检测图像包括M根不相交的化纤长丝，M为大于1的自然数；
S3、图像标定：在相邻两根化纤长丝之间构建中心线，得到M-1根中心线，M-1根中心线将待检测图像划分为M个区域，每个区域对应一根化纤长丝的所属范围；
S4、缺陷检测；具体为：
S401、对待检测图像进行图像预处理；
S402、将图像预处理结果导入机器学习模型，获得每个缺陷在每类缺陷中的概率，选择概率最高值对应的缺陷类别作为缺陷的分类结果；
S403、计算每个缺陷的中心点坐标，将中心点坐标和M个区域进行匹配，获取每个缺陷与具体化纤长丝的所属关系。
优选地，在S2中，相机帧数=产线速度/（视野大小*P）；P为相邻两帧图像重叠区域的调节参数。
优选地，S101中，所述缺陷类别包括多丝缺陷、单丝缺陷和散丝缺陷。
优选地，S102中，所述灰度特征包括灰度均值、灰度方差、灰度能量、灰度相关性、灰度同质性、灰度对比性；所述形状特征包括圆度、矩形度、凸度、紧凑度、蓬松度。
优选地，S2具体为，首先确定图像采集的基础参数，然后采集化纤长丝的待检测图像，所述基础参数包括单像素精度、视野、相机帧数。
优选地，通过标定板计算出相机的单像素精度，根据图像大小计算相机的视野。
优选地，所述图像预处理包括：
S4011、图像增强：首先对待检测图像中每个像素的灰度值进行均值滤波得到滤波图像的灰度值，然后对待检测图像的灰度值和滤波图像的灰度值进行差值运算得到差值，随后差值乘上增强因子得到需要增强的灰度值，最后待检测图像的灰度值加上需要增强的灰度值得到增强图像的灰度值；
S4012、图像二值化：对增强图像进行二值化得到二值化图像；
S4013、形态学处理：采用开运算对二值化图像进行处理得到开运算图像；
S4014、区域做差：使用二值化图像与开运算图像进行差值操作，得出缺陷。
优选地，S402具体为，针对S401检出的缺陷，首先逐个计算出每个缺陷的灰度特征以及形状特征，然后将灰度特征以及形状特征组成特征向量输入机器学习模型中，获得每个缺陷在每类缺陷中的概率，最后选择概率最高值对应的缺陷类别作为缺陷的分类结果。
本发明的第二目的是提供一种化纤长丝在线缺陷检测***，用于实现上述的化纤长丝在线缺陷检测方法，所述化纤长丝在线缺陷检测***包括：
图像采集部，用于获取化纤长丝在线状态下的待检测图像；
图像处理部，接收图像采集部的待检测图像，并对待检测图像进行缺陷分类；所述图像处理部包括机器学习模型。
优选地，所述图像采集部包括：
位于化纤长丝上方的面阵相机；
位于相机和化纤长丝之间带频闪功能的开孔面光源；
以及位于化纤长丝下方的背景板。
与现有技术相比，本发明的有益效果是：
1、本发明将传统图像处理技术和机器视觉检测技术相融合，对光学环境进行了创新性布局，在长丝生产过程中，能够实现缺陷的实时检测，在满足检测精度的前提下，能够满足化纤长丝在线缺陷检测的高速检测需求。
2、本发明利用视觉检测代替人工检测，由于随着工时的增加，人工检测存在疲劳、注意力不集中的客观缺陷；本发明能够克服人工检测的缺陷，进而稳定地进行在线连续检测，实践证明，缺陷检出率能够达到98%，缺陷分类准确率，多丝缺陷：90%，单丝缺陷：95%，散丝缺陷：95%，且通过本申请的技术方案，能够将检测数据进行长久保存，用于产品追溯，且能跟包装线对接，实现产品的分级。
3、本发明通过合理的光学环境设计，配合图像处理技术和机器视觉检测技术的机器学习模型进行缺陷分类，保证长丝缺陷的实时检出，使长丝缺陷自动检测成为现实。
附图说明
图1为本发明实施例中图像采集部的工作状态图；
图2为本发明实施例中构建机器学习模型的流程图；
图3为本发明实施例中缺陷检测的流程图；
图4为本发明实施例中图像预处理的流程图；
图5为本发明实施例中待检测图像的示例图；
图6为本发明实施例中图像标定界面示意图；
图7为本发明实施例中原始图像的示例图；
图8为本发明实施例中二值化图像的示例图；
图9为本发明实施例中开运算图像的示例图；
图10为本发明实施例中得到的缺陷图。
具体实施方式
为了使本发明的上述目的、设计的技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明用于在化纤长丝生产线中，即不停机状态下对化纤长丝进行实时检测，以便能够及时发现具有缺陷的化纤长丝；具体的技术方案为：
请参阅图1至图10，一种化纤长丝在线缺陷检测方法，包括：
S1、构建机器学习模型；具体为：
S101、收集化纤长丝的缺陷图像，用于对缺陷进行训练，进而得到不同类别的缺陷；首先依次通过图像二值化、开运算得到包含有缺陷的缺陷图像；然后通过面积阈值筛选出目标图像；最后根据缺陷类别将目标图像划分为若干类缺陷图像；
化纤长丝生产线中，相机帧率较快，一般情况为34帧/s，一分钟能够拍摄34*60=2040张图像，每张图像的像素大小为2500*3000，本实施例中，图像需要在化纤长丝生产过程中进行拍摄；要想获得不同类别的缺陷图像，可以采用人工检查的方式，即通过人工对一张张图像进行检查，找出存在缺陷的缺陷图像，并根据经验对缺陷图像进行分类，由于此种人工检查的方法费时费力，效率比较低；因此，本实施例采用图像处理技术，具体是采用基于像素的检测方法，首先找出面积较大的缺陷；具体步骤如下：
步骤a，将图像二值化，图7为原始图像，图8为二值化后的图像；
步骤b，因为化纤长丝在图像中的显示特征是比较大的长条结构，缺陷是长条结构的上边和/或下边的凹槽或者凸起，所以可以做开运算，得到大部分缺陷；开运算的结果如图9所示；
步骤c，缺陷筛分，通过计算每个缺陷所占的像素个数，提前设定一个面积阈值，满足阈值条件的则判定为存在缺陷，不满足阈值条件的则判定为正常（即不存在缺陷）。较大的缺陷如多丝，可以将面积阈值设大一些。然后根据对应的每张缺陷图像，通过人工的方式找出对应的缺陷进行缺陷分类，比如多丝缺陷、单丝缺陷（断丝）、散丝缺陷。
通过上述基于像素的检测方法，能够快捷方便的获取到缺陷图像，同时对筛选出的缺陷图像进行人工分类，得到若干类缺陷图像；上述收集缺陷图像的效率快，准确度高。
S102、训练缺陷图像：框出缺陷的位置，在该位置下获取到缺陷，首先将收集到的缺陷图像逐张进行特征求解，得到A个灰度特征和B个形状特征，然后将每张缺陷图像的A个灰度特征和B个形状特征放入一个数组中组成一个特征向量；最后将特征向量作为机器学习模型的输入层，缺陷类别作为输出层结果，对机器学习模型进行训练；A和B均为大于0的自然数；
基于S101中获取到的缺陷图像以及缺陷类别，采用机器学习模型对缺陷图像和缺陷类别进行训练，从而得到机器学习模型；本实施例中，机器学习模型选择的是多层感知机（MLP）。
本实施例提供的一种具体实施方式中，首先框出缺陷的位置，在该位置下获取到缺陷，然后选择灰度特征及形状特征共计35个，灰度特征包括：灰度均值、灰度方差、灰度能量、灰度相关性、灰度同质性、灰度对比性；形状特征包括：圆度、矩形度、凸度、紧凑度、蓬松度、孔洞数、孔洞面积、区域连接数、平均距离、平均距离的偏差、多边形块的数量、平均距离与平均距离偏差的关系、结构因子、等距和区域几何矩；区域几何矩包括：M21、M12、M03、M30、M11、M20、M02、PSI1、PSI2、PSI3、PSI4、I1、I2、I3、I4，通过以上灰度特征以及形状特征组成特征向量作为输入层，输出层结果为3种缺陷：多丝缺陷、单丝缺陷、散丝缺陷，设置标签：0代表多丝缺陷，1代表单丝缺陷，2代表散丝缺陷，将特征向量和缺陷类别放入机器学习模型中进行训练，得到一个机器学习模型。
在本实施例中，因化纤长丝可能存在的缺陷较多，基于行业经验及大量的试验研究，确定了能够保证分类结果准确度的上述35个灰度特征及形状特征，以上灰度特征及形状特征针对化纤长丝实际图像情况设计，能够从各方面反映出化纤长丝实际情况，满足化纤长丝的缺陷检出需求，同时保证了计算速度以及精度。同时，将化纤长丝的各种缺陷统一分类为多丝缺陷、单丝缺陷以及散丝缺陷三种情况，以方便实现化纤长丝质量等级的判定。
S2、图像采集，获取待检测图像，所述待检测图像包括M根不相交的化纤长丝，M为大于1的自然数；具体为：首先确定图像采集的基础参数，然后采集化纤长丝的待检测图像，所述基础参数包括单像素精度、视野、相机帧数；
在高速生产化纤长丝中，目前，化纤长丝生产速度最高能达到7.5m/s，传统的光学方案设计难以满足如此高速度下化纤长丝图像的采集。因此，在本实施例中，首先设计了图像采集部，以满足高速生产条件下，化纤长丝的图像拍照需求。由于化纤长丝生产的速度较快，为了满足拍照的亮度需求，本实施例中，将光源设置为频闪光源，搭配高速面阵相机进行拍照，按照目前的生产速度，要求相机的帧率需达到34帧/s，故而，光学方案中，需要对相机的帧数进行计算设定；
本具体实施方式中，首先通过标定板计算出相机的单像素精度，根据图像大小计算出相机的视野，相机帧数=产线速度/（视野大小*P）；其中：P为相邻两帧图像重叠区域的调节参数；产线速度的单位为mm/s；现实中，产线速度的单位一般采用的是m/s，所以需要进行单位换算，即，相机帧数=（产线速度*1000）/（视野大小*P）；为了避免漏检，相邻两帧图像需要有一部分重叠区域，通过调节P的大小，即可实现对重叠区域大小的调节，P越大，则重叠区域越大，此时图像张数增加，会造成检测的效率会降低，通过实验检测，当P=1.03时，检测的效果较好；图像采集前，将相机帧数设置到相机中，开孔面光源的频闪光源连接频闪光源控制器，频闪光源控制器连接到相机，相机每拍一张后光源频闪一次，相机将拍摄到的图像传给图像处理部，进行分析处理。如图5所示，为相机拍照后的图像示例；
S3、图像标定：在相邻两根化纤长丝之间构建中心线，得到M-1根中心线，M-1根中心线将图像划分为M个区域，每个区域对应一根化纤长丝的所属范围；
因为本检测方法中，所检测的化纤长丝为12根（根据实际的需要，也可以是多于12根或者是少于12根），当检测缺陷时，并不能直接确定具体是哪根化纤长丝上存在缺陷，因此为了对缺陷位置进行确定，需要进行图像标定，以便于确定检测出的缺陷属于哪根化纤长丝；
具体实施方式中，将待检测图像导入图像标定软件，在标定界面画出每根化纤长丝所属的范围；如图6所示，为标定界面的显示，稍微粗一些，具有一些弯曲的为化纤长丝；白色的直线为两根化纤长丝的中心线，总计11根中心线，11根中心线将图像划分为12个区域范围，每个区域范围对应一根化纤长丝的所属范围；将鼠标放置在两条线的中心线处，能够得到在标定界面中对应的行数数据，依次将线的行数参数输入***中，在实际缺陷检测过程中，当检测到缺陷时，计算中心线出现在哪根化纤长丝所属的范围上，则判定该缺陷属于哪根化纤长丝上。
S4、缺陷检测；通过训练好的机器学习模型能够对长丝的缺陷进行实时检出；具体为：
S401、对待检测图像进行图像预处理；
因为化纤长丝在快速的运行场景下，即1秒34帧的处理速度，缺陷形态相差不多，且缺陷等级分类较为困难，将面阵相机实时拍摄的图像直接送入机器学习模型中去分类难以满足生产的需求，对硬件成本要求也极高，因此，本实施例中对待检测图像首先进行像素处理，之后再送入机器学习模型进行分类处理，实现对缺陷的检出和分类，保证检测效率和精度。
其中，对图像的像素处理主要包括：图像增强、图像二值化、形态学处理、图像区域做差等方法实现缺陷的检出。
图像增强：首先对待检测图像中每个像素的灰度值进行均值滤波得到滤波图像的灰度值，然后对待检测图像的灰度值和滤波图像的灰度值进行差值运算得到差值，随后差值乘上增强因子得到需要增强的灰度值，最后待检测图像的灰度值加上需要增强的灰度值得到增强图像的灰度值；其中：滤波图像的灰度值为mean，待检测图像的灰度值为orig，增强因子为Factor，增强图像的灰度值为res，公式如下：
；
；
其中：round为均值滤波函数。
2）图像二值化：对增强图像进行二值化得到二值化图像；
output(x,y)为输出的像素值，img(x,y)为增强图像中的像素值，T(x,y)为设定的阈值，由下面公式可知，原图像中的灰度值大于等于设定的阈值，则输出的灰度值为255，小于设定值为0。
3）形态学处理：采用开运算对二值化图像进行处理得到开运算图像；形态学处理方式有腐蚀、膨胀、开运算、闭运算、顶帽运算、黑帽运算，本实施例中，使用开运算，开运算为：先腐蚀后膨胀。二值化后，大于设定阈值的像素都为255，以3*3的矩形为例，腐蚀过程为：将3*3的矩形放置在像素灰度值为255的像素上，3*3的中间位置放在像素上，若3*3的区域内没有全部是255灰度值的像素，则将该像素去除，膨胀：若3*3的区域内无255像素灰度值，则将其补全；
4）区域做差：使用二值化图像与开运算图像进行差值操作，得出缺陷，如图10所示；开运算之后能够将远离主线（12根化纤长丝中任选的一根）的缺陷都给消除了，之后使用二值化图像与开运算图像进行相减，便得出之前消除的缺陷区域。
S402、将图像预处理结果导入机器学习模型，获得每个缺陷在每类缺陷中的概率，选择概率最高值对应的缺陷类别作为缺陷的分类结果；
通过像素处理检出缺陷图像后，将检出的缺陷，每个缺陷逐个求出35个特征向量（灰度特征：灰度均值、灰度方差、灰度能量、灰度相关性、灰度同质性、灰度对比性；形状特征：圆度、矩形度、凸度、紧凑度、蓬松度、孔洞数、孔洞面积、区域连接数、平均距离、平均距离的偏差、多边形块的数量、平均距离与平均距离偏差的关系、结构因子、等距、区域几何矩：M21、M12、M03、M30、M11、M20、M02、PSI1、PSI2、PSI3、PSI4、I1、I2、I3、I4），然后将每个缺陷的特征向量输入训练好的机器学习模型中，便可以得到每个缺陷是哪种缺陷的概率，选择概率最高的一个作为该缺陷的分类。实际检测过程中，每个缺陷对应到分类缺陷都有一个概率，如多丝缺陷的概率为98%，断丝缺陷的概率为1%，散丝缺陷的概率为1%；概率总和为100%，则该缺陷属于多丝缺陷。
通过本实施例提供的上述方案，能够检测出化纤长丝生产过程中所存在的所有缺陷，统计数据表示：缺陷检出率能达到98%，缺陷分类准确率，多丝缺陷为90%，单丝缺陷为95%，散丝缺陷为95%。
S403、计算每个缺陷的中心点坐标，将中心点坐标和M个区域范围进行匹配，获取每个缺陷与具体化纤长丝的所属关系。
一种化纤长丝在线缺陷检测***，用于实现上述的化纤长丝在线缺陷检测方法，所述化纤长丝在线缺陷检测***包括：图像采集部和图像处理部；图像采集部用于获取化纤长丝在线状态下的待检测图像；图像处理部用于接收图像采集部的待检测图像，并对待检测图像进行缺陷检测；其中：所述图像采集部包括：位于化纤长丝3上方的相机2、位于相机和化纤长丝之间带频闪功能的开孔面光源1以及位于化纤长丝3下方的背景板4；所述图像处理部包括机器学习模型，相机2选择的是面阵相机；
如图1所示，在本实施例中，化纤长丝生产过程中的具体图像采集部设计，化纤长丝的生产是12根化纤长丝同步运动，缺陷检测即是针对持续高速同步运动的12根化纤长丝。图像采集部中，在12根化纤长丝下方设置黑色背景，化纤长丝上方设置开孔面光源，并配合面阵相机进行实时拍照，面阵相机每拍照一次，可以获取一个12根化纤长丝的检测图像，通过频闪的方式实时拍照，可对化纤长丝的图像实时获取，满足高速运动情况下化纤长丝缺陷的有效检出。
在本实施例提供的另一种具体实施方式中，上述的开孔面光源以及面阵相机可以由线阵相机以及线扫光源代替，但相比于本面阵相机以及开孔面光源的方式硬件要求更高、成本更好，图像拍摄效果也略有不如。在本实施例提供的一种优选方案中，因为化纤长丝的运动速度较快，为了拍清楚化纤长丝，所以曝光时间设置较低，需要光源亮度较亮，因此采用高帧率的面阵相机以及频闪光源，频闪光源能够提高亮度3倍。
因相机的帧率要求较高，每频闪一次采集的图像需要送入图像处理部进行缺陷识别，因此按照生产速度7.5m/s计算，每帧图像的算法识别耗时需要小于30ms，该计算识别速度制约了传统机器视觉识别在化纤长丝中的应用。
综上所述，AI模型检测中，由于每张图像使用深度学习的方式，虽然随着数据集越来越大，准确率会越来越高，但是AI模型会产生较大的硬件成本，会降低产品的竞争力；因此，本实施例使用传统图像处理技术和机器视觉检测技术相融合，在化纤长丝缺陷检测的应用场景中，具有很强的竞争力，也能够满足高速生产条件下长丝的缺陷检出需求。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (10)

1.一种化纤长丝在线缺陷检测方法，其特征在于，包括：
S1、构建机器学习模型；具体为：
S101、收集化纤长丝的缺陷图像：首先依次通过图像二值化、开运算得到包含有缺陷的缺陷图像；然后通过面积阈值筛选出目标图像；最后根据缺陷类别将目标图像划分为若干类缺陷图像；
S102、训练缺陷图像：首先将收集到的缺陷图像逐张进行特征求解，得到A个灰度特征和B个形状特征，然后将每张缺陷图像的A个灰度特征和B个形状特征组成特征向量；最后将特征向量作为机器学习模型的输入层，缺陷类别作为输出层结果，对机器学习模型进行训练；A和B均为大于0的自然数；
S2、图像采集，获取待检测图像，所述待检测图像包括M根不相交的化纤长丝，M为大于1的自然数；
S3、图像标定：在相邻两根化纤长丝之间构建中心线，得到M-1根中心线，M-1根中心线将待检测图像划分为M个区域，每个区域对应一根化纤长丝的所属范围；
S4、缺陷检测；具体为：
S401、对待检测图像进行图像预处理；
S402、将图像预处理结果导入机器学习模型，获得每个缺陷在每类缺陷中的概率，选择概率最高值对应的缺陷类别作为缺陷的分类结果；
S403、计算每个缺陷的中心点坐标，将中心点坐标和M个区域进行匹配，获取每个缺陷与具体化纤长丝的所属关系。
2.根据权利要求1所述的化纤长丝在线缺陷检测方法，其特征在于，在S2中，相机帧数=产线速度/（视野大小*P）；P为相邻两帧图像重叠区域的调节参数。
3.根据权利要求1所述的化纤长丝在线缺陷检测方法，其特征在于，S101中，所述缺陷类别包括多丝缺陷、单丝缺陷和散丝缺陷。
4.根据权利要求1所述的化纤长丝在线缺陷检测方法，其特征在于，S102中，所述灰度特征包括灰度均值、灰度方差、灰度能量、灰度相关性、灰度同质性、灰度对比性；所述形状特征包括圆度、矩形度、凸度、紧凑度、蓬松度。
5.根据权利要求1所述的化纤长丝在线缺陷检测方法，其特征在于，S2具体为，首先确定图像采集的基础参数，然后采集化纤长丝的待检测图像，所述基础参数包括单像素精度、视野、相机帧数。
6.根据权利要求5所述的化纤长丝在线缺陷检测方法，其特征在于，通过标定板计算出相机的单像素精度，根据图像大小计算相机的视野。
7.根据权利要求1所述的化纤长丝在线缺陷检测方法，其特征在于，所述图像预处理包括：
S4011、图像增强：首先对待检测图像中每个像素的灰度值进行均值滤波得到滤波图像的灰度值，然后对待检测图像的灰度值和滤波图像的灰度值进行差值运算得到差值，随后差值乘上增强因子得到需要增强的灰度值，最后待检测图像的灰度值加上需要增强的灰度值得到增强图像的灰度值；
S4012、图像二值化：对增强图像进行二值化得到二值化图像；
S4013、形态学处理：采用开运算对二值化图像进行处理得到开运算图像；
S4014、区域做差：使用二值化图像与开运算图像进行差值操作，得出缺陷。
8.根据权利要求7所述的化纤长丝在线缺陷检测方法，其特征在于，S402具体为，针对S401检出的缺陷，首先逐个计算出每个缺陷的灰度特征以及形状特征，然后将灰度特征以及形状特征组成特征向量输入机器学习模型中，获得每个缺陷在每类缺陷中的概率，最后选择概率最高值对应的缺陷类别作为缺陷的分类结果。
9.一种化纤长丝在线缺陷检测***，其特征在于，用于实现权利要求1-8任一项所述的化纤长丝在线缺陷检测方法，所述化纤长丝在线缺陷检测***包括：
图像采集部，用于获取化纤长丝在线状态下的待检测图像；
图像处理部，接收图像采集部的待检测图像，并对待检测图像进行缺陷分类；所述图像处理部包括机器学习模型。
10.根据权利要求9所述的化纤长丝在线缺陷检测***，其特征在于，所述图像采集部包括：
位于化纤长丝上方的面阵相机；
位于相机和化纤长丝之间带频闪功能的开孔面光源；
以及位于化纤长丝下方的背景板。
CN202310813505.9A 2023-07-05 2023-07-05 一种化纤长丝在线缺陷检测方法及检测*** Active CN116563276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310813505.9A CN116563276B (zh) 2023-07-05 2023-07-05 一种化纤长丝在线缺陷检测方法及检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310813505.9A CN116563276B (zh) 2023-07-05 2023-07-05 一种化纤长丝在线缺陷检测方法及检测***

Publications (2)

Publication Number Publication Date
CN116563276A CN116563276A (zh) 2023-08-08
CN116563276B true CN116563276B (zh) 2023-09-01

Family

ID=87495011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310813505.9A Active CN116563276B (zh) 2023-07-05 2023-07-05 一种化纤长丝在线缺陷检测方法及检测***

Country Status (1)

Country Link
CN (1) CN116563276B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117351005B (zh) * 2023-12-01 2024-02-06 四川纳拓新材料技术有限公司 一种涂炭箔涂布缺陷检测方法和***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854191A (zh) * 2012-07-18 2013-01-02 湖南大学 高速铁轨表面缺陷的实时视觉检测与识别方法
CN110858395A (zh) * 2018-08-24 2020-03-03 东华大学 一种卷装长丝的污丝缺陷检测方法
CN113344923A (zh) * 2021-08-05 2021-09-03 浙江华睿科技股份有限公司 化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质
CN113592853A (zh) * 2021-08-16 2021-11-02 南京耘瞳科技有限公司 一种基于深度学习的原丝纤维表面缺陷检测方法
CN114820453A (zh) * 2022-03-30 2022-07-29 浙江工业大学 一种基于深度学习的卷装长丝表面瑕疵检测方法
CN114923912A (zh) * 2022-04-26 2022-08-19 闽江学院 一种基于机器视觉的锦纶丝饼外表面缺陷检测方法
CN115222705A (zh) * 2022-07-22 2022-10-21 杭州电子科技大学 基于改进yolov5的化纤丝饼外观缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7137487B2 (ja) * 2019-01-22 2022-09-14 株式会社日立ハイテク 画像評価装置及び方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854191A (zh) * 2012-07-18 2013-01-02 湖南大学 高速铁轨表面缺陷的实时视觉检测与识别方法
CN110858395A (zh) * 2018-08-24 2020-03-03 东华大学 一种卷装长丝的污丝缺陷检测方法
CN113344923A (zh) * 2021-08-05 2021-09-03 浙江华睿科技股份有限公司 化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质
CN113592853A (zh) * 2021-08-16 2021-11-02 南京耘瞳科技有限公司 一种基于深度学习的原丝纤维表面缺陷检测方法
CN114820453A (zh) * 2022-03-30 2022-07-29 浙江工业大学 一种基于深度学习的卷装长丝表面瑕疵检测方法
CN114923912A (zh) * 2022-04-26 2022-08-19 闽江学院 一种基于机器视觉的锦纶丝饼外表面缺陷检测方法
CN115222705A (zh) * 2022-07-22 2022-10-21 杭州电子科技大学 基于改进yolov5的化纤丝饼外观缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进Faster RCNN的化纤丝缺陷检测;郭磊 等;《毛纺科技》;第51卷(第3期);第74-79页 *

Also Published As

Publication number Publication date
CN116563276A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
Çelik et al. Development of a machine vision system: real-time fabric defect detection and classification with neural networks
CN102221559B (zh) 基于机器视觉的织物疵点在线自动检测方法及其装置
CN111047655B (zh) 基于卷积神经网络的高清摄像机布料疵点检测方法
CN104597057B (zh) 一种基于机器视觉的柱状二极管表面缺陷检测装置
CN107895362B (zh) 一种微型接线端子质量检测的机器视觉方法
CN116563276B (zh) 一种化纤长丝在线缺陷检测方法及检测***
CN109242853A (zh) 一种基于图像处理的pcb缺陷智能检测方法
CN113592867B (zh) 一种基于碳纤维布面残留捆绑纱的检测方法
CN116559183B (zh) 一种提高缺陷判定效率的方法及***
CN115184359A (zh) 一种自动调参的表面缺陷检测***与方法
CN109509171A (zh) 一种基于gmm和图像金字塔的布匹疵点检测方法
CN112819844B (zh) 一种图像边缘检测方法及装置
CN113222926B (zh) 基于深度支持向量数据描述模型的拉链异常检测方法
CN114119591A (zh) 一种显示屏画面质量检测方法
CN111739012A (zh) 基于转盘的摄像头模组白斑检测***
CN115205209A (zh) 一种基于弱监督学习的单色布匹瑕疵检测方法
CN114331961A (zh) 用于对象的缺陷检测的方法
CN113145473A (zh) 一种水果智能分拣***及方法
JP4018092B2 (ja) 検査対象物の所定の表面状態の原因を自動的に求める装置
CN116106319A (zh) 一种合成革瑕疵自动化检测方法及***
JP4157507B2 (ja) 表面状態判定装置およびプログラム
CN111815705A (zh) 激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备
JP4018089B2 (ja) 表面状態を判定するためのデータマップを生成する方法および判定方法
JP4018091B2 (ja) 表面状態を判定するための装置およびプログラム
CN108898590B (zh) 一种应用于产品外形视觉检测的自身特征提取方法

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