JP2023552680A - 紡績機における糸の欠陥を連続的に検出する、装置および方法 - Google Patents

Abstract

紡績機において処理されている延伸粗糸（Ｒ）の欠陥を検出するための装置は、取得手段（６０）と、取得した画像（Ｉ）をデジタル的に処理し、機械学習型の検出アルゴリズムによって欠陥を検出するための処理手段（７０）とを備える。

Description

本発明は、織物繊維処理の分野に関し、特には、紡績準備工程の生産物における欠陥を検出するための機械および方法に関する。特には、本発明の保護対象は、リング紡績機において生産された糸から、一般的に「ネップ」と呼ばれるもつれ（ｔａｎｇｌｅ）または結び目（ｋｎｏｔ）を検出する方法および装置である。

知られているように、紡績機は、粗糸を延伸させて撚った後、粗糸のボビンを処理して糸の糸巻き（ｓｐｏｏｌ）を得ることができる。

この目的を達成するために、紡績機は、フレームと、延伸装置（ｄｒａｗｉｎｇ ｄｅｖｉｃｅ）と、レールとで構成される。フレームは、長手方向軸に沿って延びており、粗糸のボビンが吊り下げられるクリールを支持する。延伸装置は、フレームによって支持されており、長手方向に延びた連結された一組のシリンダで構成され、粗糸が当該一組のシリンダの間を通って延伸される。レールは、長軸に沿って一列のスピンドルを担持し、スピンドルはその垂直軸の周りを回転し、スピンドルから延伸され撚られた糸が巻き取られる。

糸の欠陥が、特に色付きの織物の場合、織物の外観に好ましくない影響を与えることは周知である。このため、業界では欠陥の範囲および頻度、特に繊維のもつれの範囲および頻度を監視することが強く求められている。

今までに、糸から欠陥を検出するための２つの工業的方法がある。

１つ目の方法では、紡績機から取り出したいくつかの糸巻きの糸からなるサンプルが実験室で分析され、分析は一般的には、糸に沿って質量の変化を検出できる容量型センサを使用して、もつれの種類と頻度を定義することによって行われる。この方法は一般に信頼性があるが、糸の生産終了後に実行されるため、糸の品質を向上させるために処理パラメータに介入したり、欠陥の原因を解明したりすることはできない。例えば、Ｕｓｔｅｒ Ｔｅｃｈｎｏｌｏｇｉｅｓ ＡＧ社によって製造および販売されているＵＳＴＥＲ（登録商標）Ｔｅｓｔｅｒ ５－Ｓ８００がよく使用される。

２つ目の方法では、検出モジュールが使用され、検出モジュールは、糸を巻くためのスピンドルに配置された容量センサまたは光学センサに基づくものであり、糸のもつれを物理的に取り除くことができるブレードを備える。この場合でも、欠陥を発生させた原因を追跡し、原因に応じて介入することはできない。

他の方法では、紡績機の下流で行われる処理である、糸の巻き取り段階に適用される。例えば、Ｕｓｔｅｒ Ｔｅｃｈｎｏｌｏｇｉｅｓ ＡＧ社が製造および販売する、容量性センサに基づくＵｓｔｅｒ（登録商標） Ｑｕａｎｔｕｍ ３ ｔｅｓｔｅｒ、および、Ｌｏｅｐｆｅ Ｂｒｏｔｈｅｒｓ社が製造および販売する、光学センサに基づくＹａｒｎＭａｓｔｅｒ Ｐｒｉｓｍａ ｔｅｓｔｅｒは広く使用されている。

さらに、本発明の第１の目的は、紡績機内の糸から欠陥を検出し、紡績機または他の上流の機械の処理パラメータまたは保守手順を変更して、より高品質の糸を得ることにある。

前述した方法は、定期的な糸供給を必要とする容量センサや光学センサを使用するため、この目的には適していない。

しかしながら、紡績機の延伸装置と巻取装置（ｗｉｎｄｉｎｇ ｄｅｖｉｃｅ）との間では、下流で行われる巻き取りと撚りの動作により、糸は強い振動を受ける。

一部の研究では、ビデオカメラを介して画像を取得してから、もつれを検出するために画像を処理する。例えば、いくつかの方法が次の論文らで説明されている。
－ Ｌｉ Ｚ，Ｐａｎ Ｒ ａｎｄ Ｇａｏ Ｗ．，「一連の画像を用いたデジタル糸黒板（ｄｉｇｉｔａｌ ｙａｒｎ ｂｌａｃｋ ｂｏａｒｄ）の生成」，Ｔｅｘｔｉｌｅ Ｒｅｓｅａｒｃｈ Ｊｏｕｒｎａｌ，２０１６，８６：５９３－６０３
－ Ｅｌｄｅｓｓｏｕｋｉ Ｍ，Ｉｂｒａｈｉｍ Ｓ ａｎｄ Ｍｉｌｉｔｋｙ Ｊ． Ａ，「動的かつロバストな画像処理に基づいた、糸の直径およびその変動を測定する方法」，Ｔｅｘｔｉｌｅ Ｒｅｓｅａｒｃｈ Ｊｏｕｒｎａｌ，２０１４，８４：１９４８－６０
－ Ｌｉｎｇ Ｃ， Ｌｉａｎｙｉｎｇ Ｚ， Ｌｉ Ｃ ａｎｄ Ｘｕａｎｌｉ Ｚ．，「綿糸セリプレーンのデジタル画像処理」，２０１０，Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ａｐｐｌｉｃａｔｉｏｎ，２０１０，ｐ．２７４－７
－ Ｌｉ Ｚ， Ｘｉｏｎｇ Ｎ， Ｗａｎｇ Ｊ， Ｐａｎ Ｒ， Ｇａｏ Ｗ ａｎｄ Ｚｈａｎｇ Ｎ，「画像処理に基づいて連続スラブ糸（ｓｌｕｂ ｙａｒｎ）画像を自動的にモザイク化する知能型処理方法」，Ｔｅｘｔｉｌｅ Ｒｅｓｅａｒｃｈ Ｊｏｕｒｎａｌ，２０１８，８８：２８５４－６６
－ Ｃａｒｖａｌｈｏ Ｖ， Ｓｏａｒｅｓ Ｆ ａｎｄ Ｖａｓｃｏｎｃｅｌｏｓ Ｒ，「人工知能および画像処理ベースの技術: 糸のパラメータ化および織物の予測のためのツール」，２００９ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｍｅｒｇｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ ＆ Ｆａｃｔｏｒｙ Ａｕｔｏｍａｔｉｏｎ，２００９，ｐ．１－４

しかしながら、これらの方法は、予め張力を与えた糸の定期的供給を必要とするため、意図した工業目的には適していない。

最後に、いくつかの解決案は、例えば、中国特許出願公開第１１１２３５７０９号明細書、中国特許出願公開第１０９３８９５８３号明細書、中国特許出願公開第１０５３８６１７４号明細書、独国特許出願公開第１０２０１８１１１６４８号明細書、国際公開第２０１９/１３０２０９号、特開２０１８－１７８２８２号公報、および、独国特許出願公開第１０２０１６１２１６６２号明細書に説明されている。

さらに、現に知られている解決策は、結果の信頼性の点においても満足のいくものではない。実際、ある領域の繊維の僅かな拡幅（（英）enlargement、（伊）allargamento）などの、繊維の僅かな不規則性は、もつれまたは別の欠陥としてよく誤認される。

本発明の目的は、業界の要求を満たし、従来技術に関して上述した欠点を克服する、紡績機において処理糸内の欠陥を検出する方法および装置を提供することである。

この目的は、請求項１に係る方法および請求項１７に係る装置によって達成される。それらに従属する請求項は、本発明の更なる有利な実施形態を特定する。

本発明に係る方法および装置の特徴および利点は、添付図面の図に従って非限定的な例として与えられる以下の説明から明らかになるであろう。

本発明に係る検出装置を備える紡績機を示す図 図１における紡績機のダイアグラム 対応する画素分布（ｐｉｘｅｌ ｐｒｏｆｉｌｅ）と共に示された本来のネップのポジティブ画像 対応する画素分布と共に示された本来のネップのポジティブ画像 合成のネップのポジティブ画像

説明の明確性のために、ネップを検出する方法および装置について以下に説明する。しかしながら、本発明は欠陥の検出にも普通に適用できることが理解される。

添付図面を参照すると、符号１は、紡績ライン（ｓｐｉｎｎｉｎｇ ｌｉｎｅ）の紡績機を集合的に示し、紡績機は、長手方向軸Ｘに沿った延長部を有し、粗糸のボビンから糸巻きの糸を得るためのものである。

紡績機１は、並設した１つ以上の部品から構成された要素を支持するためのフレーム２と、フレーム２に支持されたクリール４とを備える。

クリール４は、垂直ポスト６と、所定の高さでポスト６によって支持される複数の長手方向横材８とを備える。横材８は、複数の吊り下げた、粗糸Ｂのボビンを支持するためのものである。

横材８の下、すなわちボビンＢの下流では、紡績機１は、フレーム２によって支持された延伸装置１０を備える。

延伸装置１０は、複数の下部延伸シリンダ１２ａ～１２ｄを備え、シリンダは通常は３つまたは４つである。シリンダは、電動であって長手方向に延在し、一体型の部品または複数の部品として作られ、構造的に別個で、並列して整列したセグメントとして作られる。

延伸装置１０は、長手方向に並設された複数の加圧アーム１４をさらに備える。それぞれの加圧アームは上部アイドル加圧ローラ１６を担持する。

加圧ローラ１６は、加圧シリンダ１２ａ～１２ｄと連結して、延伸対（drawing pairs）を形成し、粗糸は、延伸対の中を通って、各延伸対の周速度が上流から下流に向かって増大することにより延伸される。

紡績機１は、延伸装置１０の下、かつ第１の延伸シリンダ１２ａの下流のすぐに配置された巻取装置１７をさらに備える。

巻取装置１７は糸ガイドアセンブリ１８を備え、糸ガイドアセンブリ１８は、フレーム２に接続された支持体２０と、支持体２０によって支持されて長手方向に並設された複数の糸ガイド２２とを備える。

巻取装置１７はレール２３をさらに備え、レール２３は、糸ガイドアセンブリ１８の下、すなわち、糸ガイド２２の下流に位置する。レール２３は、フレーム２に支持されており、往復運動により上下に移動可能である。

巻取装置１７は、レール２３に沿って長手方向に並設された複数のスピンドル２４をさらに備え、各スピンドル２４はそれぞれの垂直軸の周りを回転可能である。

紡績機１の通常使用中では、所定のボビンＢに巻かれた粗糸は、第１の経路セグメント（ｐａｔｈ ｓｅｇｍｅｎｔ）を通って延伸装置１０に入り、そこから引き出される。延伸粗糸Ｒは、延伸装置と対応するスピンドル２４との間にある第２の経路セグメントＳ２を通って、かつ、対応する糸ガイド２２を通る。粗糸の延伸および撚りから得られた糸は、糸巻きの糸を形成するように、スピンドルに取り付けられたチューブに巻き取られる。

本発明によれば、検出領域５０は、延伸装置１０と巻取装置１７との間に、延伸粗糸Ｒの第２経路セグメントＳ２に横切られる領域として規定されている。

検出領域５０を通る延伸粗糸は、欠陥検出のための処理を受け、特に、一般に「ネップ」と呼ばれるもつれや結び目の検出のための処理を受ける。

検出処理は、検出領域５０を移動中の粗糸Ｒの少なくとも１つのセグメントＲ＊の画像を取得する取得ステップを含む。

この目的のために、紡績機は、検出領域５０を移動中の粗糸Ｒの少なくとも１つのセグメントＲ＊の画像Ｉを取得するように適用された取得手段６０を備え、取得手段は、例えば、デジタルや、ビデオカメラなどを備える。

さらに、好ましくは、紡績機１は照明手段６２を備え、照明手段６２は、粗糸ＲのセグメントＲ＊を含む検出領域５０の少なくとも１つのゾーンを照明するように適用される。照明手段６２は、例えば、温光または冷光によって、あるいは変形実施形態では赤外線によって、照明する。

検出処理は、処理手段７０によって実行される、取得手段６０によって取得された画像Ｉを処理するステップをさらに含む。

前記処理手段７０は、適応型または機械学習型の検出アルゴリズムによってネップを検出するように構成されており、検出アルゴリズムは、特にＨａａｒ－ｃａｓｃａｄｅ型のアルゴリズムである場合、好ましくはＶｉｏｌａ－Ｊｏｎｅｓ法に基づくアルゴリズムである。Ｖｉｏｌａ－Ｊｏｎｅｓ法に基づくアルゴリズムは、Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ （２００１）で、Ｐａｕｌ ＶｉｏｌａおよびＭｉｃｈａｅｌ Ｊｏｎｅｓによって発表された「シンプルな機能が強化されたカスケードを使用した迅速な物体検出」という論文において説明されており、当該論文における、アルゴリズムの実装に関する教示は本開示に明示的に援用する。

検出アルゴリズムの学習は、延伸粗糸ＲのセグメントＲ＊がネップを有すること示した画像などのポジティブ画像（Ｉｐ）のセットと、延伸粗糸ＲのセグメントＲ＊がネップを有しないこと示した画像などのネガティブ画像（Ｉｎ）のセットとに基づいたものである。

第１の実施形態（「本来のネップを有する」と呼ばれる）によれば、ポジティブ画像のセット内のポジティブ画像Ｉｐは、ネップを有するセグメントと、ネップを有しないセグメントとが描かれた学習用の延伸粗糸の画像、例えば、所定の紡績機の通常使用中から取得された画像から始め、各画像の画素分布（ｐｉｘｅｌ ｐｒｏｆｉｌｅ）を処理することによって決定される。当該画素分布は、画像の各行に明るい画素を追加し、画素分布の少なくとも１つのピークが閾値を超える画像をポジティブ画像として選択することによって得られ、当該閾値は、例えば、標準偏差および平均値によって決定される（図３ａおよび図３ｂ）。

さらに、好ましくは、ポジティブ画像は、単一のほつれた繊維によってピークが生じる画像を除外することで、さらに選択される。当該さらに選択されることは、追加の選択アルゴリズムまたは手動によって行われる。

さらなる実施形態（「合成ネップを有する」と呼ばれる）によれば、ポジティブ画像のＩｐは、デジタル的に構成され、半円または半楕円の画像によって形成される。ポジティブ画像のＩｐは、好ましくは、縦の半円または縦の半楕円の画像によって形成され（図４）、例えば、長軸と短軸との長さが異なる縦の半楕円の画像によって形成される。

さらに別の実施形態（「ハイブリッド」と呼ばれる）によれば、ポジティブ画像Ｉｐは、本来のネップを有するポジティブ画像と合成ネップを有するポジティブ画像とを含み、すなわち、前述した２つの実施形態を組み合わせている。

本発明のさらに別の実施形態によれば、処理手段７０は、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＣＮＮ）型および／または回帰型ニューラルネットワーク（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＲＮＮ）型の適応型または機械学習型の検出アルゴリズムを使用してネップを検出するように構成される。

紡績機の通常使用中では、粗糸Ｒが検知エリア５０を移動しているとき、取得手段６０は粗糸ＲのセグメントＲ＊の画像Ｉを連続的に取得する。

当該画像Ｉは、ネップの発生頻度、好ましくはネップの形状も検出するように、処理手段７０によって処理され、ネップを種類別に分類する。当該検出は、機械学習型の検出アルゴリズム、特に好ましくはＶｉｏｌａ－Ｊｏｎｅｓ法に基づくＨａａｒ－ｃａｓｃａｄｅ型の検出アルゴリズムによって、または、畳み込みニューラルネットワーク（ＣＮＮ）型および／または回帰型ニューラルネットワーク（ＲＮＮ）型の方法によって行われる。

これらの知見に基づいて、紡績機、または、紡績機とその上流の機器とを含む紡績ラインを管理する方法の一部として、紡績機の処理パラメータが、粗糸の品質のために、もしくは、紡績機の上流の機器によって行われる処理のために、変更され、または、紡績機、または、紡績機の上流の機器に保守作業が行われる。紡績機の上流の機器は、例えば、カード、コーマ機、延伸フレーム、および粗糸フレームである。紡績機の処理パラメータは、例えば、糸の撚り、粗糸の延伸および／または予備延伸、リングの種類と重量、軸ゴムの硬さ、シリンダゲージ、軸にかかる圧力、および生産速度である。また、紡績機の上流の機器の処理パラメータは、例えば、撚り、延伸および／または予備延伸、軸ゴムの硬さ、シリンダゲージ、軸にかかる圧力、粗糸フレームでの生産速度、延伸フレームでの生産速度および延伸アセンブリゲージ、不良品の割合、精梳綿機（ｃｏｍｂｉｎｇ ｍａｃｈｉｎｅ）におけるストロークと延伸ユニットゲージとの数、生産速度、カードおよび混打ライン（ｂｌｏｗ ｒｏｏｍ ｌｉｎｅ）内のネップおよびゴミの除去である。

革新的には、本発明による紡績機において欠陥を検出するための装置および方法は、業界のニーズを満たし、前述した欠点を克服する。

実際、検出は紡績機において処理されている粗糸に継続的に行われるため、糸の品質を改善するために、紡績機または上流の機械の処理パラメータを変更するように介入したり、保守に介入したりすることができる。

また、有利なことに、本発明は、工業的に受け入れられる程度で重大な欠陥と他の軽微な瑕疵とを識別することを可能にするので、結果の良好な信頼性を保証する。

さらに、行われたテストは、本発明の装置によって得られた測定値と、冒頭で述べたような、現に通常使用されているテスター（ｔｅｓｔｅｒ）に基づくテストとの間の良好な一致を示した。

さらに、有利なことに、本発明に係る画像処理は非常に高速であり、生産を改善するための、欠陥の連続的な検出および迅速な処置を可能にする。

当業者が、不定のニーズを満たすために、上述の方法および装置に変更を加えることができることは明らかであり、当該変更はすべて、特許請求の範囲に規定された保護の範囲に含まれる。

Claims (17)

1. 紡績機において処理されている延伸粗糸（Ｒ）の欠陥を検出する方法であって、
   経路（Ｓ２）のセグメント（Ｓｒ）内を移動する前記延伸粗糸（Ｒ）の画像（Ｉ）を取得するステップと、
   前記画像（Ｉ）をデジタル処理して前記欠陥を検出するステップと、
   を含み、
   前記画像処理ステップ（Ｉ）は、機械学習型の検出アルゴリズムを用いて欠陥を検出することを含み、
   前記検出アルゴリズムの学習は、描かれた粗糸セグメントに欠陥があるポジティブ画像（Ｉｐ）のセットと、描かれた粗糸セグメントに欠陥がないネガティブ画像（Ｉｎ）のセットとに基づいたものである、
   方法。
2. 前記処理ステップは、
   前記粗糸（Ｒ）に沿って前記欠陥の発生頻度を検出するステップ
   を含む、
   請求項１に記載の方法。
3. 前記処理ステップは、
   欠陥の種類を検出するステップ
   を含む、
   請求項１または２に記載の方法。
4. 学習用で、かつ欠陥があるセグメントと欠陥がないセグメントとを有する、延伸粗糸の画像から始め、各画像の画素分布を処理することによってポジティブ画像（Ｉｐ）が決定され、
   前記画素分布は、画像の各行に明るい画素を追加し、画素分布の少なくとも１つのピークが閾値を超える画像をポジティブ画像として選択することによって得られる、
   請求項１から３のいずれか一項に記載の方法。
5. 前記閾値は、標準偏差、および前記分布の平均値によって決定される、
   請求項４に記載の方法。
6. 前記学習用の粗糸の画像は、既定の紡績機の通常使用中から取得される、
   請求項４または５に記載の方法。
7. ポジティブ画像は、単一のほつれた繊維によってピークが生じる画像を除外することで、さらに選択される、
   請求項４から６のいずれか一項に記載の方法。
8. 前記さらに選択されることは、更なる選択アルゴリズムによって行われる、
   請求項７に記載の方法。
9. 前記さらに選択されることは、手動によって行われる、
   請求項７に記載の方法。
10. 前記ポジティブ画像（Ｉｐ）は、デジタル的に生成され、縦の半円または縦の半楕円の画像によって形成され、例えば、長軸と短軸との長さが異なる縦の半楕円の画像によって形成される、
    請求項１から９のいずれか一項に記載の方法。
11. 前記ポジティブ画像（Ｉｐ）の一部は、機械学習型の検出アルゴリズムによって取得され、
    前記ポジティブ画像（Ｉｐ）の残り部分は、デジタル構成（ｄｉｇｉｔａｌ ｃｏｎｓｔｒｕｃｔｉｏｎ）によって取得される、
    請求項１から９のいずれか一項に記載の方法。
12. 前記検出アルゴリズムは、Ｈａａｒ－ｃａｓｃａｄｅ型の検出アルゴリズムである、
    請求項１から１１のいずれか一項に記載の方法。
13. 前記Ｈａａｒ－ｃａｓｃａｄｅ型の検出アルゴリズムは、Ｖｉｏｌａ－Ｊｏｎｅｓ法に基づいたものである、
    請求項１２に記載の方法。
14. 前記アルゴリズムは、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＣＮＮ）型および／または回帰型ニューラルネットワーク（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ＲＮＮ）型のアルゴリズムである、
    請求項１から１１のいずれか一項に記載の方法。
15. 紡績ラインの紡績機（１）を管理する方法であって、
    請求項１から１４のいずれか一項に記載の、延伸粗糸（Ｒ）の欠陥を検出する方法と、
    前記紡績機の処理パラメータを変更する、または、前記紡績機に保守作業を行う後続ステップと、
    を含む、
    方法。
16. 紡績機（１）と紡績機の上流で繊維処理を行う機器とを含む紡績ラインを管理する方法であって、
    請求項１から１４のいずれか一項に記載の、前記紡績機（１）において欠陥を検出する方法と、
    前記紡績機の上流の少なくとも１つの前記機器の処理パラメータを変更するか、または前記紡績機の上流の少なくとも１つの前記機器で保守作業を行う後続ステップと
    を含む、
    方法。
17. 紡績機において処理されている延伸粗糸（Ｒ）の欠陥を検出するための装置であって、
    紡績機の延伸装置（１０）と巻取装置（１７）との間に位置する検出領域（５０）から延伸粗糸（Ｒ）の画像（Ｉ）を取得するように構成された取得手段（６０）であって、前記検出領域（５０）が粗糸（Ｒ）の経路（Ｓ２）のセグメント（Ｓｒ）に横切られる、前記取得手段（６０）と、
    前記画像（Ｉ）をデジタル処理して前記欠陥を検出するように取得手段と動作可能に接続された処理手段（７０）と、
    を含み、
    前記処理手段（７０）は、機械学習型の検出アルゴリズムを用いて欠陥を検出するように構成されており、前記検出アルゴリズムの学習は、描かれた粗糸セグメントに欠陥があるポジティブ画像（Ｉｐ）のセットと、描かれた延伸粗糸セグメントに欠陥がないネガティブ画像（Ｉｎ）のセット に基づいたものである、
    装置。

Images