DE112021005995T5

DE112021005995T5 - Vorrichtung und Verfahren zur kontinuierlichen Erkennung von Fehlern in einem Garn in einer Spinnmaschine

Info

Publication number: DE112021005995T5
Application number: DE112021005995.5T
Authority: DE
Inventors: Matteo Giavarini; Rosario Assenza; Renato Ghilardi; Luca Brescianini; Noman Haleem; Matteo Bustreo; Alessio Del Bue
Original assignee: Marzoli Machines Textile SRL
Current assignee: Marzoli Machines Textile It Srl
Priority date: 2020-11-16
Filing date: 2021-10-18
Publication date: 2023-09-07
Also published as: JP2023552680A; WO2022101714A1; CN116507908A; IT202000027360A1

Abstract

Eine Vorrichtung zum Erkennen von Fehlern in einem gestreckten Vorgarn (R), das in einer Spinnmaschine verarbeitet wird, umfasst Erfassungsmittel (60) und Verarbeitungsmittel (70) zur digitalen Verarbeitung erfasster Bilder (I) und zur Erkennung von Fehlern mittels eines für maschinell lernenden Erkennungsalgorithmus.

Description

Diese Erfindung ist aus dem Gebiet der Textilfaserverarbeitung und insbesondere aus dem Gebiet der Instrumente und Verfahren zum Erkennen von Fehlern in den Produkten von Spinnereivorbereitungsprozessen. Insbesondere sind Gegenstände der vorliegenden Erfindung ein Verfahren und eine Vorrichtung zum Erkennen von üblicherweise als „Nissen“ bezeichneten Verfilzungen oder Knoten in dem Garn, das in einer Ringspinnmaschine hergestellt wird.
Bekanntermaßen ist eine Spinnmaschine in der Lage, Flyer- bzw. Vorgarnspulen zu Garnspulen zu verarbeiten, nachdem das Vorgarn gestreckt und verzwirnt wurde.
Zu diesem Zweck besteht die Spinnmaschine aus einem Rahmen, der sich entlang einer Längsachse erstreckt und ein Gatter stützt bzw. trägt, von dem die Vorgarnspulen aufgehängt sind, einer durch den Rahmen gestützten bzw. getragenen Streckvorrichtung, die aus einem Satz gekoppelter Zylinder mit einer Längserstreckung besteht, zwischen denen das zu streckende Vorgarn hindurchläuft, und einer Schiene, die die Spindeln trägt, und zwar in einer Reihe entlang der Längsachse, sich um ihre vertikale Achse drehend, von der das gestreckte und verzwirnte Garn aufgewickelt wird.
Es ist wohl bekannt, wie bzw. dass Mängel in dem Garn insbesondere bei farbigen Stoffen unangenehme Auswirkungen auf das Erscheinungsbild des Stoffes haben. Aus diesem Grund besteht in der Industrie großer Bedarf, das Ausmaß und die Häufigkeit von Mängeln und insbesondere Faserverfilzungen zu überwachen.
Bisher gibt es zwei industrielle Methoden zum Erkennen von Garnfehlern.
Eine erste Methode sieht vor, im Labor eine Probe zu analysieren, die aus dem Garn einiger Spulen besteht, die aus der Spinnmaschine entfernt werden, und zwar im Allgemeinen mittels kapazitiver Sensoren, die in der Lage sind, die Massenveränderung entlang des Garns zu erkennen und somit die Art und Häufigkeit von Verfilzungen zu bestimmen; diese Methode ist im Allgemeinen zuverlässig, ermöglicht jedoch kein Ansetzen an den Verarbeitungsparametern zur Verbesserung der Garnqualität oder zum Verständnis der Ursachen gefundener Fehler, da sie nach Abschluss der Garnproduktion durchgeführt wird. Beispielsweise wird häufig der USTER® Tester 5-S800 verwendet, der von der Uster Technologies AG hergestellt und vertrieben wird.
Eine zweite Methode beinhaltet die Verwendung von Erkennungsmodulen, die auf kapazitiven oder optischen Sensoren basieren, die an den Spindeln zum Aufwickeln des Garns angeordnet sind und mit Klingen ausgestattet sind, die in der Lage sind, Verfilzungen physikalisch aus dem Garn zu entfernen. Auch in diesem Fall ist es nicht möglich, die Ursache des Fehlers nachzuvollziehen und entsprechend einzugreifen.
Andere Methoden werden in der Garnwickelphase angewendet, einem Prozess, der stromabwärts der Spinnmaschinen stattfindet; beispielsweise sind der auf kapazitiven Sensoren basierende Uster® Quantum 3-Tester, der von Uster Technologies AG hergestellt und vertrieben wird, und der YarnMaster Prisma-Tester, der auf optischen Sensoren basiert und von Loepfe Brothers Ltd. hergestellt und vertrieben wird, weit verbreitet.
Eine erste Aufgabe dieser Erfindung ist es zudem, Fehler in einem Garn in einer Spinnmaschine zu erkennen, um die Verarbeitungsparameter der Spinnmaschine oder anderer stromabwärtiger Maschinen oder Wartungsvorgänge zu modifizieren, um ein Garn von besserer Qualität zu erhalten.
Die oben genannten Methoden sind für diese Aufgabe nicht geeignet, unter anderem weil sie kapazitive oder optische Sensoren verwenden, die eine regelmäßige Garnzufuhr erfordern.
Zwischen der Streckvorrichtung und der Wickelvorrichtung der Spinnmaschine erfährt das Garn jedoch starke Schwingungen aufgrund der Wickel- und Zwirnvorgänge, die stromabwärts stattfinden.
Einige Studien beinhalten auch die Verwendung einer Bilderfassung über eine Videokamera und das anschließende Verarbeiten der Bilder, um Verfilzungen zu erkennen. Einige Methoden werden beispielsweise in den folgenden Artikeln beschrieben:

- Li Z, Pan R and Gao W. Formation of digital yarn black board using sequence images. Textile Research Journal. 2016; 86: 593-603;
- Eldessouki M, Ibrahim S and Militky J. A dynamic and robust image processing based method for measuring the yarn diameter and its variation. Textile Research Journal. 2014; 84: 1948-60;
- Ling C, Lianying Z, Li C and Xuanli Z. Digital image processing of cotton yarn seriplane. 2010 International Conference on Computer and Information Application. 2010, S. 274-7;
- Li Z, Xiong N, Wang J, Pan R, Gao W and Zhang N. An intelligent computer method for automatic mosaic of sequential slub yarn images based on image processing. Textile Research Journal. 2018; 88: 2854-66;
- Carvalho V, Soares Fand Vasconcelos R. Artificial intelligence and image processing based techniques: A tool for yarns parameterization and fabrics prediction. 2009 IEEE Conference on Emerging Technologies & Factory Automation. 2009, S. 1-4.

Diese Verfahren sind jedoch für die beabsichtigten industriellen Zwecke nicht geeignet, da sie die Verwendung eines vorgespannten Garns mit gleichmäßiger Zufuhr erfordern.
Schließlich werden einige Lösungen beispielsweise in den Patentdokumenten CN-A-111235709, CN-A-109389583, CN-A-105386174, DE102018111648A1 , WO2019130209A3 , JP2018178282A und DE102016121662A1 dargestellt.
Darüber hinaus sind die heute bekannten Lösungen auch hinsichtlich der Zuverlässigkeit der Ergebnisse unbefriedigend. Tatsächlich werden häufig leichte Unregelmäßigkeiten der Fasern, wie z. B. eine leichte Vergrößerung der Fasern in einem Bereich, fälschlicherweise als Verfilzung oder anderer Fehler identifiziert.
Es ist die Aufgabe dieser Erfindung, ein Verfahren und eine Vorrichtung zum Erkennen von Fehlern in einem Garn, das in einer Spinnmaschine verarbeitet wird, bereitzustellen, das den Anforderungen der Industrie genügt und die oben mit Bezug auf den Stand der Technik erörterten Nachteile überwindet.
Diese Aufgabe wird durch ein Verfahren nach Anspruch 1 und eine Vorrichtung nach Anspruch 17 gelöst. Die davon abhängigen Ansprüche identifizieren weitere vorteilhafte Ausführungsformen der Erfindung.
Die Merkmale und Vorteile des Verfahrens und der Vorrichtung gemäß dieser Erfindung werden aus der folgenden Beschreibung deutlich, die als nicht einschränkendes Beispiel gemäß den Figuren in den beigefügten Zeichnungen abgegeben wird, wobei:

- 1 eine Spinnmaschine zeigt, die mit einer Erkennungsvorrichtung gemäß dieser Erfindung ausgestattet ist;
- 2 ein Diagramm der Spinnmaschine in 1 ist;
- 3a und 3b Positivbilder von ursprünglichen Nissen mit entsprechendem Pixelprofil zeigen;
- 4 einen Satz von Positivbildern von synthetischen Nissen zeigt.

Zur Klarheit der Beschreibung wird im Folgenden auf ein Verfahren und eine Vorrichtung zum Erkennen von Nissen Bezug genommen; es versteht sich jedoch, dass die Erfindung auf die Fehlererkennung im Allgemeinen anwendbar ist.
Mit Bezug auf die beigefügten Figuren bezeichnet 1 insgesamt eine Spinnmaschine einer Spinnstraße zum Erhalten von Garnspulen aus Vorgarnspulen, die eine Erstreckung entlang einer Längsachse X aufweisen.
Die Spinnmaschine 1 umfasst einen Rahmen 2 zum Stützen bzw. Tragen von Komponenten, die in einem oder mehreren Teilen gemacht sind, die Seite an Seite angeordnet sind, und ein Gatter 4, das durch den Rahmen 2 gestützt bzw. getragen ist.
Das Gatter 4 umfasst vertikale Pfosten 6 und eine Mehrzahl von Längsquergliedern 8, die durch die Pfosten 6 auf einer vorbestimmten Höhe gestützt bzw. getragen sind. Die Querstangen 8 sind dazu bestimmt, eine Mehrzahl von hängenden Vorgarnspulen B zu stützen bzw. zu tragen.
Unterhalb der Querstangen 8, also stromabwärts der Spulen B, umfasst die Spinnmaschine 1 eine Streckvorrichtung 10, die durch den Rahmen 2 gestützt bzw. getragen ist.
Die Streckvorrichtung 10 umfasst eine Mehrzahl von unterer Streckzylinder 12a-12d, typischerweise drei oder vier an der Zahl, die motorisiert sind und sich longitudinal erstrecken und aus einem Stück oder aus mehreren, strukturell unterschiedlichen, Seite an Seite angeordneten und ausgerichteten Segmenten bestehen.
Die Streckvorrichtung 10 umfasst ferner eine Mehrzahl von Druckarmen 14, die Seite an Seite longitudinal angeordnet sind. Jeder Druckarm trägt obere Leerlaufdruckrollen 16.
In Kopplung mit den Druckzylindern 12a-12d bilden die Druckrollen 16 Streckpaare, durch die das Vorgarn läuft, das durch die Umfangsgeschwindigkeit jedes Streckpaars gezogen wird, und zwar von stromaufwärts nach stromabwärts zunehmend.
Die Spinnmaschine 1 umfasst ferner eine Wickelvorrichtung 17, die unterhalb der Streckvorrichtung 10 unmittelbar stromabwärts des ersten Streckzylinders 12a, angeordnet ist.
Die Wickelvorrichtung 17 umfasst eine Garnführungsanordnung 18, die eine mit dem Rahmen 2 verbundene Stütze bzw. Träger 20 und eine Mehrzahl von Garnführern 22 umfasst, die durch den Träger 20 gestützt bzw. getragen und Seite an Seite longitudinal angeordnet sind.
Die Wickelvorrichtung 17 umfasst ferner eine Schiene 23, die sich unterhalb der Garnführungsanordnung 18 befindet, d. h. stromabwärts der Garnführungen 22. Die Schiene 23 ist durch den Rahmen 2 gestützt bzw. getragen und ist mit einer Hin- und Herbewegung vertikal verschiebbar.
Die Wickelvorrichtung 17 umfasst ferner eine Mehrzahl von Spindeln 24, die Seite an Seite longitudinal entlang der Schiene 23 angeordnet und jeweils um eine jeweilige vertikale Achse drehbar sind.
Im Normalbetrieb der Spinnmaschine 1 durchläuft das auf eine vordefinierte Spule B aufgewickelte Vorgarn ein erstes Wegsegment, um in die Streckvorrichtung 10 zu gelangen, aus der es gestreckt austritt; das gestreckte Vorgarn R durchläuft ein zweites Wegsegment S2 zwischen der Streckvorrichtung und einer entsprechenden Spindel 24 und verläuft durch einen jeweiligen Garnführer 22. Das durch das Strecken und Verzwirnen des Vorgarns erhaltene Garn wird auf ein Rohr gewickelt, das auf die Spindel aufgebracht ist, um eine Garnrolle zu formen.
Gemäß der Erfindung ist zwischen der Streckvorrichtung 10 und der Wickelvorrichtung 17 ein Erkennungsbereich 50 definiert, der von dem zweiten Wegsegment S2 des gestreckten Vorgarns R gekreuzt wird.
Das gestreckte Vorgarn, das den Erkennungsbereich 50 durchläuft, wird einem Prozess zur Fehlererkennung und insbesondere zur Erkennung von Verfilzungen oder Knoten, im Allgemeinen als „Nissen“ bezeichnet, unterzogen.
Der Erkennungsprozess umfasst einen Erfassungsschritt, in dem Bilder von zumindest einem Segment R* des Vorgarns R beim Durchlauf durch den Erkennungsbereich 50 erfasst werden.
Zu diesem Zweck umfasst die Spinnmaschine 1 Erfassungsmittel 60, z. B. digital, z. B. umfassend eine Videokamera, die angepasst sind, Bilder I von zumindest einem Segment R* des Vorgarns R beim Durchlauf durch den Erkennungsbereich 50 zu erfassen.
Vorzugsweise umfasst die Spinnmaschine 1 zudem Beleuchtungsmittel 62, die angepasst sind, zumindest eine Zone des Erkennungsbereichs 50, die bzw. der das Segment R* des Vorgarns R umfasst, zu beleuchten, beispielsweise mittels warmem oder kaltem Licht oder in einer Ausführungsvariante durch Infrarotstrahlen.
Der Erkennungsprozess umfasst ferner einen Schritt des Verarbeitens der von den Erfassungsmitteln 60 erfassten Bilder I, der von den Verarbeitungsmitteln 70 ausgeführt wird.
Die Verarbeitungsmittel 70 sind konfiguriert, Nissen mittels eines adaptiven oder maschinell lernenden Erkennungsalgorithmus zu erkennen, insbesondere vom Haar-Kaskaden-Typ, vorzugsweise basierend auf der Viola-Jones-Methode. Letzteres wird in der Arbeit „Rapid Object Detection Using a Boosted Cascade of Simple Features“ veranschaulicht, die auf der Conference on Computer Vision and Pattern Recognition (2001) von Paul Viola und Michael Jones vorgestellt wurde und deren Lehre zur Implementierung des Algorithmus ausdrücklich hierin aufgenommen ist.
Das Erlernen des Erkennungsalgorithmus basiert auf einem Satz Positivbilder Ip, d. h. Bildern, in denen das Segment R* des gestreckten Vorgarns R Nissen aufweist, und einem Satz Negativbilder In, in denen das Segment R* des gestreckten Vorgarns R keine Nissen aufweist.
Gemäß einer ersten Ausführungsform (als „mit ursprünglichen Nissen“ bezeichnet) werden ausgehend von Bildern eines gestreckten Vorgarns zum Lernen, die z. B. während der normalen Verwendung einer vordefinierten Spinnmaschine erfasst werden und daher Segmente mit Nissen und Segmente ohne Nissen zeigen, die Positivbilder Ip des Positivbildsatzes durch Verarbeiten eines Pixelprofils für jedes Bild bestimmt, wobei das Pixelprofil erhalten wird durch Addieren der hellen Pixel in jeder Zeile des Bildes und Auswählen derjenigen als Positivbilder, für die zumindest ein Peak des Pixelprofils einen Schwellenwert überschreitet, z.B. bestimmt anhand eines Mittelwerts und einer Standardabweichung (3a und 3b).
Vorzugsweise werden die Positivbilder zudem einer weiteren Auswahl unterzogen, wobei die Bilder eliminiert werden, bei denen der Peak durch einzelne ausgefranste Haare gegeben ist; die weitere Auswahl erfolgt mittels eines zusätzlichen Auswahlalgorithmus oder manuell.
Gemäß einer weiteren Ausführungsform (als „mit synthetischen Nissen“ bezeichnet) werden Positivbilder Ip digital konstruiert und bestehen aus Bildern von Halbkreisen oder Halbellipsen, vorzugsweise vertikal (4), die sich beispielsweise voneinander in der Länge der Nebenachse und der Hauptachse unterscheiden.
Gemäß noch einer weiteren Ausführungsform (als „Hybrid“ bezeichnet) umfassen Positivbilder Ip Positivbilder mit ursprünglichen Nissen und Positivbilder mit synthetischen Nissen, d. h. eine Kombination der beiden oben genannten Ausführungsformen.
Gemäß einer weiteren Ausführungsform der Erfindung sind die Verarbeitungsmittel konfiguriert, sie Nissen mittels eines adaptiven oder maschinell lernenden Erkennungsalgorithmus vom Typ Convolutional Neural Networks (CNN) und/oder Recurrent Neural Networks (RNN) zu erkennen.
Im Normalbetrieb der Spinnmaschine erfassen die Erfassungsmittel 60 kontinuierlich Bilder I eines Segments R* des Vorgarns R, während sich das Vorgarn R durch den Erkennungsbereich 50 bewegt.
Die Bilder I werden von den Verarbeitungsmitteln 70 verarbeitet, um die Häufigkeit der Nissen und vorzugsweise ihre Form zu erkennen und sie so mithilfe des maschinell lernenden Erkennungsalgorithmus nach Typ zu klassifizieren, insbesondere auf Basis des Haar-Kaskaden-Typs vorzugsweise basierend auf der Viola-Jones-Methode oder mittels Convolutional Neural Networks (CNN) und/oder Recurrent Neural Networks (RNN).
Auf der Basis dieser Erkenntnisse werden im Rahmen eines Verfahrens zum Verwalten der Spinnmaschine oder einer Spinnstraße, welche die Spinnmaschine und stromabwärtige Maschinen wie Karden, Kämmmaschinen, Streckrahmen und Flyer umfasst, die Verarbeitungsparameter der Spinnmaschine, wie Verzwirnen des Garns, Strecken und/oder Vorstrecken des Vorgarns, Typ und Gewicht des Rings, Härte der Achsgummis, Zylinderstärke, Druck auf die Achsen und Produktionsgeschwindigkeit, eingestellt,um die Qualität des Vorgarns zu verbessern, oder die Parameter werden für die Prozesse angepasst, die stromaufwärts der Spinnmaschine durchgeführt werden, wie Verzwirnen, Strecken und/oder Vorstrecken, Härte der Achsgummis, Zylinderdicke, Druck auf die Achsen, Produktionsgeschwindigkeit in einem Flyer, Produktionsgeschwindigkeit und Streckwerksstärke in einem Streckrahmen, Prozentsatz an Ausschuss, Anzahl der Hübe und Streckeinheitsstärke in einer Kämmaschine, Produktionsgeschwindigkeit, Nissen- und Schmutzentfernung in einer Karde und in einer Putzereistraße, oder Wartungsarbeiten werden an der Spinnmaschine oder an ihren stromaufwärtigen Maschinen durchgeführt.
Innovativ erfüllen die Vorrichtung und das Verfahren zur Erkennung von Fehlern in einer Spinnmaschine gemäß dieser Erfindung die Anforderungen der Industrie und überwinden die oben genannten Nachteile.
Da die Erkennung kontinuierlich an dem in der Spinnmaschine verarbeiteten Vorgarn erfolgt, ist es tatsächlich möglich, dahingehend einzugreifen, die Verarbeitungsparameter an der Spinnmaschine oder an den Maschinen stromaufwärts zu modifizieren, oder Wartungseingriffe vorzunehmen, um die Qualität des Garns zu verbessern.
Zudem gewährleistet diese Erfindung vorteilhafterweise eine gute Zuverlässigkeit der Ergebnisse, da sie eine industriell akzeptable Unterscheidung zwischen größeren Fehlern und anderen kleineren Unregelmäßigkeiten ermöglicht.
Darüber hinaus haben die durchgeführten Tests eine gute Übereinstimmung zwischen den mittels der Vorrichtung dieser Erfindung erhaltenen Messwerten und den Tests gezeigt, die auf den heute üblicherweise verwendeten Testern basieren, wie in der Einleitung erwähnt.
Vorteilhafterweise ist die Bildverarbeitung gemäß der Erfindung zudem hinaus sehr schnell und ermöglicht eine kontinuierliche Erkennung von Fehlern und ein schnelles Handeln zur Verbesserung der Produktion.
Es ist klar, dass ein Fachmann, um eventuelle Anforderungen zu erfüllen, Modifikationen an dem oben beschriebenen Verfahren und der oben beschriebenen Vorrichtung vornehmen kann, wobei diese Modifikationen alle innerhalb des Schutzbereichs liegen, wie er in den folgenden Ansprüchen definiert ist.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

DE 102018111648 A1 [0014]
WO 2019130209 A3 [0014]
JP 2018178282 A [0014]
DE 102016121662 A1 [0014]

Zitierte Nicht-Patentliteratur

Li Z, Pan R and Gao W. Formation of digital yarn black board using sequence images. Textile Research Journal. 2016; 86: 593-603 [0012]
Eldessouki M, Ibrahim S and Militky J. A dynamic and robust image processing based method for measuring the yarn diameter and its variation. Textile Research Journal. 2014; 84: 1948-60 [0012]
Ling C, Lianying Z, Li C and Xuanli Z. Digital image processing of cotton yarn seriplane. 2010 International Conference on Computer and Information Application. 2010, S. 274-7 [0012]
Li Z, Xiong N, Wang J, Pan R, Gao W and Zhang N. An intelligent computer method for automatic mosaic of sequential slub yarn images based on image processing. Textile Research Journal. 2018; 88: 2854-66 [0012]
- Carvalho V, Soares Fand Vasconcelos R. Artificial intelligence and image processing based techniques: A tool for yarns parameterization and fabrics prediction. 2009 IEEE Conference on Emerging Technologies & Factory Automation. 2009, S. 1-4 [0012]

Claims

Verfahren zum Erkennen von Fehlern in einem gestreckten Vorgarn (R), das in einer Spinnmaschine verarbeitet wird, umfassend den Schritt des Erfassens von Bildern (I) des gestreckten Vorgarns (R) beim Durchlauf in einem Segment (Sr) eines Wegs (S2) und den Schritt des digitalen Verarbeitens der Bilder (I), um die Defekte zu erkennen, wobei der Bildverarbeitungsschritt (I) ein Erkennen von Fehlern unter Verwendung eines maschinell lernenden Erkennungsalgorithmus beinhaltet, wobei das Lernen des Erkennungsalgorithmus auf einem Satz von Positivbildern (Ip), auf denen ein abgebildetes Vorgarnsegment Fehler aufweist, und einem Satz von Negativbildern (In) basiert, auf denen ein abgebildetes Vorgarnsegment die Fehler nicht aufweist.
Verfahren nach Anspruch 1, wobei der Verarbeitungsschritt den Schritt des Erkennes der Häufigkeit der Fehler entlang des Vorgarns (R) vorsieht.
Verfahren nach Anspruch 1 oder 2, wobei der Verarbeitungsschritt den Schritt des Erkennens des Typs von Fehlern vorsieht.
Verfahren nach einem der vorhergehenden Ansprüche, wobei ausgehend von Bildern eines gestreckten Vorgarns zum Lernen, das Segmente mit Fehlern und Segmente ohne Fehler aufweist, die Positivbilder (Ip) durch Verarbeiten eines Pixelprofils für jedes Bild bestimmt werden, wobei das Pixelprofil erhalten wird durch Addieren von hellen Pixeln an bzw. in jeder Zeile des Bildes und Auswählen diejenigen, bei denen zumindest ein Peak des Pixelprofils einen Schwellenwert überschreitet, als Positivbilder.
Verfahren nach Anspruch 4, wobei der Schwellenwert mittels eines Durchschnittswerts des Profils und einer Standardabweichung bestimmt wird.
Verfahren nach Anspruch 4 oder 5, wobei die Lernbilder des Vorgarns während der normalen Verwendung einer vordefinierten Spinnmaschine erfasst werden.
Verfahren nach einem der Ansprüche 4 bis 6, wobei die Positivbilder einer weiteren Selektion unterzogen werden, indem die Bilder eliminiert werden, in denen der Peak durch einzelne gezogene Haare gegeben ist.
Verfahren nach Anspruch 7, wobei die weitere Auswahl mittels eines weiteren Auswahlalgorithmus durchgeführt wird.
Verfahren nach Anspruch 7, wobei die weitere Auswahl manuell durchgeführt wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Positivbilder (Ip) digital aufgebaut und durch Bilder von vorzugsweise vertikalen Halbkreisen oder Halbellipsen gebildet werden, die sich beispielsweise in der Länge der Nebenachse und der Hauptachse voneinander unterscheiden.
Verfahren nach einem der Ansprüche 1 bis 9, wobei - ein Teil der Positivbilder (Ip) mittels eines maschinell lernenden Erkennungsalgorithmus erhalten wird; und - ein verbleibender Teil der Positivbilder (Ip) mittels digitaler Konstruktion erhalten wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei der Erkennungsalgorithmus vom Haar-Kaskaden-Typ ist.
Verfahren nach Anspruch 12, wobei der Erkennungsalgorithmus vom Haar-Kaskaden-Typ auf der Viola-Jones-Methode basiert.
Verfahren nach einem der Ansprüche 1 bis 11, wobei der Algorithmus vom Typ Convolutional Neural Networks (CNN) und/oder Recurrent Neural Networks (RNN) ist.
Verfahren zum Verwalten einer Spinnmaschine (1) einer Spinnstraße, umfassend: - ein Verfahren zum Erkennen von Fehlern in einem gestreckten Vorgarn (R) nach einem der vorhergehenden Ansprüche, und - einen darauffolgenden Schritt des Variierens von Bearbeitungsparametern der Spinnmaschine oder des Durchführens von Wartungsarbeiten an der Spinnmaschine.
Verfahren zum Verwalten einer Spinnstraße umfassend eine Spinnmaschine (1) und Maschinen zur Textilverarbeitung stromaufwärts der Spinnmaschine, umfassend - ein Verfahren zum Erkennen von Fehlern an der Spinnmaschine (1) nach einem der Ansprüche 1 bis 14, und - einen darauffolgenden Schritt des Variierens der Verarbeitungsparameter zumindest einer der Maschinen stromaufwärts der Spinnmaschine oder des Durchführens von Wartungsarbeiten an zumindest einer der Maschinen stromaufwärts der Spinnmaschine.
Vorrichtung zum Erkennen von Fehlern in einem gestreckten Vorgarn (R), das in einer Spinnmaschine verarbeitet wird, umfassend: - Erfassungsmittel (60), die angepasst sind, Bilder (I) des gestreckten Vorgarns (R) aus einem Erkennungsbereich (50) zu erfassen, der sich zwischen einer Streckvorrichtung (10) und einer Wickelvorrichtung (17) der Spinnmaschine befindet, wobei der Erkennungsbereich (50) von einem Segment (Sr) eines Wegs (S2) des Vorgarns (R) gekreuzt wird; - Verarbeitungsmittel (70), die operativ mit den Erfassungsmitteln verbunden sind, um die Bilder (I) digital zu verarbeiten und die Fehler zu erkennen; wobei die Verarbeitungsmittel (70) konfiguriert sind, die Fehler mittels eines maschinell lernenden Erkennungsalgorithmus zu erkennen, wobei das Lernen des Erkennungsalgorithmus auf einem Satz von Positivbildern (Ip), auf denen ein dargestelltes Segment des Vorgarns Fehler aufweist, und einem Satz von Negativbildern (In) basiert, auf denen ein dargestelltes Segment des gestreckten Vorgarns diese Fehler nicht aufweist.