[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113344923B - 化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质 - Google Patents

化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113344923B
CN113344923B CN202110893697.XA CN202110893697A CN113344923B CN 113344923 B CN113344923 B CN 113344923B CN 202110893697 A CN202110893697 A CN 202110893697A CN 113344923 B CN113344923 B CN 113344923B
Authority
CN
China
Prior art keywords
tripwire
point
point sets
sets
surface area
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
CN202110893697.XA
Other languages
English (en)
Other versions
CN113344923A (zh
Inventor
樊龙飞
黄虎
周璐
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.)
Zhejiang Huaray Technology Co Ltd
Original Assignee
Zhejiang Huaray 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 Zhejiang Huaray Technology Co Ltd filed Critical Zhejiang Huaray Technology Co Ltd
Priority to CN202110893697.XA priority Critical patent/CN113344923B/zh
Publication of CN113344923A publication Critical patent/CN113344923A/zh
Application granted granted Critical
Publication of CN113344923B publication Critical patent/CN113344923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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]
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质。所述方法包括以下步骤：获取输入图片中的丝锭表面区域，对所述丝锭表面区域进行分割处理，获得分割结果图；对所述分割结果图进行轮廓分析，得到输入图片中绊丝的所有候选轨迹；提取所有相互连通的候选轨迹的点集作为一段绊丝的点集；根据点集的长度和位置对点集进行结果筛选整合，包括：对每一个点集进行线段拟合，并记录拟合线段的斜率、中心点、端点；遍历所有点集，将相近似的点集进行合并处理，整合为同一条绊丝。本发明实施例提高了绊丝数量和轨迹统计的准确率。

Description

化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质
技术领域
本发明涉及纺织技术领域，尤其涉及一种化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质。
背景技术
化纤工业是我国具有国际竞争优势的产业，化纤产量占全球三分之二以上；化纤丝锭是化纤工业的重要产品，如图1A所示，图1A为现有技术中一个典型的化纤丝锭立体图。化纤工业通常以单个丝锭为最小的管理单元，在正常化纤丝锭生产过程中，丝锭的表面是光滑均匀的（如图1B正常丝锭俯视图所示），但受到生产工艺或者后期运输等因素的影响，导致丝锭表面出现绊丝等缺陷(如图1C带绊丝缺陷的丝锭俯视图示例一和图1D带绊丝缺陷的丝锭俯视图示例二)所示，绊丝直接影响产品质量，降低工厂产线的生产良品率。
从图1C及图1D带绊丝缺陷的丝锭俯视图可见，绊丝缺陷在丝锭表面表现为异于正常纹理的纵横交错状丝条，整体看起来比较杂乱，有些较为严重的绊丝缺陷会在端面呈现网状结构。绊丝的成因可能是多方面的，例如源头的丝路不正，卷绕过程中的纸管跳动以及生产线上的设备故障。后期直接影响下游厂商的退绕效率，甚至又在加工过程中引入毛丝和断线缺陷。所以，绊丝缺陷检测在化纤丝锭生产领域具有重大意义。
现有技术下，通常采用以下两种方式检测绊丝缺陷：
方式一：人工观察挑选。该方式费时费力不仅劳动密集，而且效率低下，受人主观因素影响很容易造成漏检和误检；并且因为中间环节的人为接触和搬运极大可能又造成新的缺陷。
方式二：使用传统的图像处理技术对待检测区域进行二值化，进行背景分离得到绊丝缺陷区域轮廓信息，再利用区域生长法得到大致的绊丝数量。生产现场复杂多变，传统的二值化处理方法很难兼顾现场的光线变化，抗干扰性差，导致提取到的轮廓信息不准确。而且部分特殊批次（雪花丝）的丝锭内侧绊丝短而且浅，固定阈值二值化对丝锭图像进行分割处理时，会丢失图像中像素值较小的绊丝，造成绊丝漏检。在现有技术中，也有采用将连通域的长度作为绊丝长度、连通域的数目作为绊丝数目的处理方法。在丝锭表面绊丝多根相互交错、或者相互交织成网状时，造成连通域提取不准确，可能存在绊丝数量统计误差。
发明内容
本发明提供一种化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质，提高检测绊丝数量和轨迹的准确率。
本发明一方面提供一种化纤丝锭表面缺陷检测方法，所述方法包括以下步骤：
获取输入图片中的丝锭表面区域，对所述丝锭表面区域进行分割处理，获得分割结果图；
对所述分割结果图进行轮廓分析，得到输入图片中绊丝的所有候选轨迹；
提取所有相互连通的候选轨迹的点集作为一段绊丝的点集；
根据点集的长度和位置对点集进行结果筛选整合，包括：
对每一个点集进行线段拟合，并记录拟合线段的斜率、中心点、端点；
遍历所有点集，将相近似的点集进行合并处理，整合为同一条绊丝。
可选的，所述将相近似的点集进行合并处理，整合为同一条绊丝，包括：
当两个点集斜率相近度满足第一设定斜率阈值，两个点集的端点相近满足设定距离阈值，且中心点连线斜率与待合并的两个点集的拟合线段斜率相近度满足第二设定斜率阈值，则将两个点集进行合并处理；
所述方法还包括：
合并后的点集数量作为输入图片中绊丝的数量，每一个点集中点的数量作为该绊丝的长度。
可选的，所述遍历所有点集的步骤之前，还包括：对所有点集按包含点的数量进行递减排序。
可选的，对所述分割结果图进行轮廓分析，得到输入图片中绊丝的所有候选轨迹，包括：
对绊丝掩模图进行细化，得到每根绊丝中心线形成的绊丝骨架图；
提取绊丝骨架图中的交点和拐点；
将绊丝骨架图中进行交点断开，确保掩模图中每一段绊丝都彼此独立、互不相交；
遍历所有像素，以每个点的八邻域或者四邻域为搜索范围，得到输入图片中绊丝的候选轨迹。
可选的，所述方法还包括：
将已遍历的点置为0；
当判断到所有点均置为0时，遍历结束，得到输入图片中绊丝的所有候选轨迹。
可选的，所述将绊丝骨架图中进行交点断开，确保掩模图中每一段绊丝都彼此独立、互不相交，包括：以找到的交点和拐点坐标为中心、将设定半径的区域像素值置为0。
可选的，对所述丝锭表面区域进行分割处理，获得分割结果图，包括：
对丝锭表面区域进行预处理后构建训练数据集；
构建语义分割网络；
使用构建的训练数据集对所述语义分割网络进行训练；
将待检测图像输入训练好的语义分割网络进行推理，得到存在绊丝缺陷的分割结果图。
可选的，所述对丝锭表面区域进行预处理后构建训练数据集，包括：
对丝锭表面区域进行有重叠的滑窗取图，得到图像数据块；
计算所有图像数据块的均值和方差，并对每一个图像数据块进行标准化处理，得到训练数据集。
本发明另一方面提供一种化纤丝锭表面缺陷检测装置，其特征在于，所述装置包括：
表面区域处理模块，用于获取输入图片中的丝锭表面区域，对所述丝锭表面区域进行分割处理，获得分割结果图；
轮廓分析模块，用于对所述分割结果图进行轮廓分析，得到输入图片中绊丝的所有候选轨迹；
点集提取模块，用于提取所有相互连通的候选轨迹的点集作为一段绊丝的点集；
结果筛选整合模块，用于根据点集的长度和位置对点集进行结果筛选整合，包括：对每一个点集进行线段拟合，并记录拟合线段的斜率、中心点、端点；遍历所有点集，将相近似的点集进行合并处理，整合为同一条绊丝。
本发明另一方面还提供一种电子设备，包括：处理器和存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现上述的化纤丝锭表面缺陷检测方法。
本发明另一方面还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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的化纤丝锭表面缺陷检测方法。
本发明实施例通过判断绊丝候选轨迹点集的斜率、中心点、端点是否满足设定条件的方法对绊丝缺陷进行检测，能够准确地提取绊丝缺陷区域，特别是由于采用中心点连线斜率判断的方法，排除了两根绊丝平行时错误将其合并的情况，提高了检测准确率，并能快速的进行绊丝数量和轨迹的统计。本发明实施例能够提高检测绊丝数量和轨迹的准确率，能达到99%以上准确率；绊丝数量检测的准确率很重要，因为绊丝生产企业会根据最终检测出来的绊丝数量对丝锭进行分级，并根据分级进行定价。本发明可以在线分析处理绊丝缺陷，调整产线的工艺和设备运行状态，减少绊丝缺陷的出现，提高产线的良品率。本发明实施例通过深度学习技术构建simple-Unet语义分割网络，直接对绊丝缺陷特征进行建模学习，对环境光变化和丝锭表面纹理变化具有一定的鲁棒性，可以提取到更加准确的绊丝缺陷区域轮廓信息；本发明能够实现对细小绊丝缺陷的精确定位。本发明实施例进行轮廓分析，通过将绊丝轮廓按照交点、拐点进行分割，解决丝锭表面绊丝相互交错时，绊丝数量统计不准确的问题。本发明实施例克服了现有技术中存在的人工检测化纤丝锭表面绊丝缺陷劳动密集、效率低、漏检高以及现有方法鲁棒性差、绊丝数量和轨迹统计失准等问题。
附图说明
图1A为现有技术中一个典型的化纤丝锭立体图；
图1B为正常丝锭俯视图；
图1C为带绊丝缺陷的丝锭俯视图示例一；
图1D为带绊丝缺陷的丝锭俯视图示例二；
图2为本发明第一实施例提供的化纤丝锭表面缺陷检测方法流程图；
图3为本发明实施例搭建的simple-Unet网络结构图；
图4为本发明实施例的绊丝区域轮廓图；
图5为本发明实施例中对绊丝区域掩模图进行细化后得到的绊丝区域骨架图；
图6A为同一根绊丝不同部分采用中心点连线斜率判断的示意图；
图6B为两根平行绊丝采用中心点连线斜率判断的示意图；
图7为本发明实施例得到的绊丝缺陷检测结果图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂，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，而非全部实施例。基于本发明中的实施例，本领域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。
参照图2所示，为本发明第一实施例提供的化纤丝锭表面缺陷检测方法流程图。所述方法包括以下步骤：
步骤101：获取输入图片中的丝锭表面区域；
步骤102：对丝锭表面区域进行预处理后构建训练数据集；
步骤103：构建simple-Unet语义分割网络；
步骤104: 使用训练数据集对分割网络进行训练;
步骤105：将待检测图像输入训练好的网络进行推理，得到存在绊丝缺陷的分割结果图；
步骤106：对分割结果图进行轮廓分析，得到候选绊丝的数量和轨迹；
步骤107：根据预设规则进行结果筛选整合；
步骤108：输出绊丝根数和轨迹。
在本申请的一个优选实施例中，步骤101中获取输入图片中的丝锭表面区域，包括：
（B1）已知丝锭表面区域的外侧为圆形，通过找圆工具得到丝锭表面区域的圆心和半径；
（B2）由圆心和半径换算得到丝锭表面区域的外接矩形的位置信息，该矩形区域即为丝锭表面区域。
在本申请的一个优选实施例中，步骤102中对丝锭表面区域进行预处理后构建训练数据集，包括：
（C1）对丝锭表面区域进行有重叠的滑窗取图。具体，用窗口大小为512×512×3，且步长为480×480×3的滑窗，对丝锭表面区域图像数据进行切割，得到多个大小为512×512×3的图像数据块；因为丝锭表面区域的图比较大，不便于处理，所以分割成小图处理。
（C2）计算所有图像数据块的均值和方差，并对每一个图像数据块进行标准化处理，得到训练数据集。
在本申请的一个优选实施例中，步骤103中构建simple-Unet语义分割网络并进行训练，其技术方案步骤如下：
（D1）搭建编码器，用于提取输入图片中的高级语义信息，主要包括10个卷积、4个最大池化层和1个空洞卷积层，如图3左侧所示。
（D2）搭建解码器，用于将低分辨率编码器特征映射到与输入图片分辨率相同的特征，以便进行像素级分类。主要包括12个卷积层、4个反卷积层、3个特征级联层，如图3右侧所示。
（D3）损失函数，该模型采用了常用softmax分类器的加权交叉熵损失函数，基于梯 度下降和余弦退火学习率更新策略对模型进行优化。假设网络的输出
Figure DEST_PATH_IMAGE001
，样本 的标签信息为
Figure 52059DEST_PATH_IMAGE002
，经过softmax分类器的每个维度输出结果为
Figure 500358DEST_PATH_IMAGE004
则softmax分类器的输出结果为
Figure DEST_PATH_IMAGE005
，模型最终的损失函数
Figure 421041DEST_PATH_IMAGE006
为
Figure 612988DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
，
Figure 365043DEST_PATH_IMAGE010
为在原始交叉熵损失函数基础上添加的权重因子，
Figure DEST_PATH_IMAGE011
为总的像 素个数，
Figure 623724DEST_PATH_IMAGE012
为标签类别为
Figure DEST_PATH_IMAGE013
的像素个数。从而使模型更加关注数量较少的样本，以缓解图像 中存在的类别不均衡问题。
（D4）使用训练数据集对搭建好的语义分割网络进行训练。具体，使用随机梯度下降（SGD）进行模型优化，初始学习率设为0.01，采用余弦退火学习率更新策略，使网络加快收敛，模型总共迭代10000代。
本发明实施例采用了深度学习语义分割网络，选用具有学习能力的反卷积模块进行上采样有效避免了常规上采样边界特征丢失严重的问题，而且使用残差连接引入浅层特征中细节信息，同时使用空洞卷积进一步扩大感受野，使得到的分割结果绊丝边缘更加准确，不但能够使得模型更加易于收敛，而且能够有效地提取细小绊丝缺陷的特征。
在本申请的一个优选实施例中，步骤105中将待检测图片输入预训练好的语义分割网络进行推理，其技术方案步骤如下：
（E1）对待检测图片进行与（C1）和（C2）步骤相同的处理，得到待检测子图，并记录每张子图的坐标信息；
（E2）使用（C2）计算得到的均值和方差对（E1）得到的待检测子图进行标准化操作，得到测试数据；
（E3）将测试数据输入已经训练好的网络进行前向推导，得到每张子图对应的绊丝区域的轮廓信息的掩模图；
（E4）根据其坐标信息对每张子图的掩模图进行拼接，得到丝锭表面区域对应的绊丝掩模图，如图4所示。图中上半部分为拍摄的原始图片，下半部分为本发明实施例获得的绊丝掩模图。
在本申请的一个优选实施方式中，步骤106中对所述分割结果图进行轮廓分析，包括如下步骤：
（F1）使用K3M算法对绊丝掩模图进行细化，得到每根绊丝区域中心线形成的骨架；细化后的结果如图5所示：图5中上半部分为拍摄的原始图片，图5中下半部分为对绊丝掩模图进行细化得到的骨架图；
（F2）使用Harris角点检测算法提取绊丝骨架图中的交点和拐点；
（F3）将绊丝骨架图中进行交点断开，确保掩模图中每一段绊丝都是彼此独立、互不相交的。具体，将以找到的交点和拐点坐标为中心、半径为N个像素的区域像素值置为0。N的取值可以根据掩模图线宽决定。
（F4）遍历所有像素，以每个点的八邻域或者四邻域为搜索范围，提取所有相互连通的轨迹的点集作为一段绊丝骨架的轨迹点集，已遍历的点置为0。当所有点全为0时，遍历结束，得到输入图片中绊丝的所有候选轨迹；
在本申请的一个优选实施方式中，结果筛选整合方法，其技术方案步骤如下：
（G1）对每一个点集进行线段拟合，并记录拟合线段的斜率、中心点、端点；
（G2）对所有点集按包含点的数量进行递减排序，由于越长的线段越可靠（越可能为一根绊丝），越短的线段越有可能是干扰，因此才进行降序排列。
遍历所有点集，当两个点集的斜率相近（满足
Figure 828440DEST_PATH_IMAGE014
）、两个点集的两个端点 距离相近（满足
Figure DEST_PATH_IMAGE015
，
Figure 168286DEST_PATH_IMAGE016
为设定距离阈值）且中心点连线斜率与待合并的两处点集的拟 合线段斜率接近（满足
Figure DEST_PATH_IMAGE017
），则将两个点集合并，即认为这两个点 集是同一条绊丝的不同部分；
具体参照图6A及图6B所示。图6A为同一根绊丝不同部分采用中心点连线斜率判断的示意图；图中示出了第一段绊丝的第一端点603及第二段绊丝的第一端点604，图中还示出了第一段绊丝的中心点601、第二段绊丝的中心点602、第一段绊丝的中心点601及第二段绊丝的中心点602的中心点连线605，通过判断到所述第一段绊丝斜率、第二段绊丝斜率、以及中心点连线605斜率相近，判断两段绊丝为同一根绊丝。
图6B为两根平行绊丝采用中心点连线斜率判断的示意图。图中示出了第三段绊丝的第一端点606及第四段绊丝的第一端点607，图中还示出了第三段绊丝的中心点608、第四段绊丝的中心点609、第三段绊丝的中心点608及第四段绊丝的中心点609的中心点连线610，通过判断到所述第三段绊丝斜率、第四段绊丝斜率、以及中心点连线610斜率不相近，判断两段绊丝不是同一根绊丝。
可见，本发明实施例排除了两根绊丝平行时错误将其合并的情况，提高了绊丝检测准确率。
其中， k 1 为第一点集的斜率，k 2 为第二点集的斜率，
Figure 774848DEST_PATH_IMAGE018
为第一设定斜率阈值；
（G3）合并后剩余的点集数量作为输入图片中绊丝的数量，每一个点集中点的数量作为该绊丝的长度；结果如图7所示，图7中上半部分为原始绊丝拍摄图片，图7中下半部分为本发明的缺陷检测方法获得的绊丝最终结果展示图。图中不同的灰度代表不同的绊丝，左上角的数字代表图中找到的绊丝数目。
本发明的实施例还提供了一种化纤丝锭表面缺陷检测装置，所述装置包括：
表面区域处理模块，用于获取输入图片中的丝锭表面区域，对所述丝锭表面区域进行分割处理，获得分割结果图；
轮廓分析模块，用于对所述分割结果图进行轮廓分析，得到输入图片中绊丝的所有候选轨迹；
点集提取模块，用于提取所有相互连通的候选轨迹的点集作为一段绊丝的点集；
结果筛选整合模块，用于根据点集的长度和位置对点集进行结果筛选整合，包括：对每一个点集进行线段拟合，并记录拟合线段的斜率、中心点、端点；遍历所有点集，将相近似的点集进行合并处理，整合为同一条绊丝。
其中，在具体的实施方式中，
表面区域处理模块，通过找圆工具确定丝锭表面区域，输入后续模块进行处理；对丝锭表面区域进行预处理后构建训练数据集；搭建simple-Unet语义分割网络并进行训练；将待检测的图片输入预训练好的网络中的进行前向推理得到绊丝缺陷区域轮廓信息的掩膜图。
轮廓分析模块，根据绊丝的缺陷特性，正常的丝线为圆弧形态，且以丝锭中心为圆心，当丝线变为直线形态，即为绊丝缺陷。因此对掩膜图进行细化后，查找图片中存在的交点、拐点将掩模图中的相交直线分割成一段段彼此独立、不相交的线段，进行像素遍历，得到每一条线段的点集。
结果筛选整合模块，按照绊丝的长度、位置等预定规则对候选点集进行合并，根据这些点集拟合出来的线段的斜率、端点距、中心距对点集进行合并，最终得到输入图片中绊丝的候选点集，得到最终的绊丝数量和轨迹。
本发明实施例提出了一种绊丝轨迹点集筛选整合方法；通过判断绊丝候选轨迹点集的斜率、中心点、端点是否满足设定条件的方法对绊丝缺陷进行检测，能够准确地提取绊丝缺陷区域，特别是由于采用中心点连线斜率判断的方法，排除了两根绊丝平行时错误将其合并的情况，提高了检测准确率，本发明实施例进行轮廓分析，通过将绊丝轮廓按照交点、拐点进行分割，解决丝锭表面绊丝相互交错时，绊丝数量统计不准确的问题。本申请实施例中的技术方案构建一个simple-Unet语义分割网络，并且提出了一种轮廓分析方法；本发明实施例通过深度学习技术构建simple-Unet语义分割网络，直接对绊丝缺陷特征进行建模学习，对环境光变化和丝锭表面纹理变化具有一定的鲁棒性，可以提取到更加准确的绊丝缺陷区域轮廓信息；本发明能够实现对细小绊丝缺陷的精确定位。
本发明实施例另一方面还提供一种电子设备，包括：处理器和存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现上述的化纤丝锭表面缺陷检测方法。
本发明实施例另一方面还提供一种计算机可读存储介质，所述计算机可读存储介质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的化纤丝锭表面缺陷检测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种化纤丝锭表面缺陷检测方法，其特征在于，所述方法包括以下步骤：
获取输入图片中的丝锭表面区域，对所述丝锭表面区域进行分割处理，获得分割结果图；
对所述分割结果图进行轮廓分析，得到输入图片中绊丝的所有候选轨迹；
提取所有相互连通的候选轨迹的点集作为一段绊丝的点集；
根据点集的长度和位置对点集进行结果筛选整合，包括：
对每一个点集进行线段拟合，并记录拟合线段的斜率、中心点、端点；
遍历所有点集，将相近似的点集进行合并处理，整合为同一条绊丝；
其中，所述对所述丝锭表面区域进行分割处理，获得分割结果图，包括：
对丝锭表面区域进行预处理后构建训练数据集；
构建语义分割网络；
使用构建的训练数据集对所述语义分割网络进行训练；
将待检测图像输入训练好的语义分割网络进行推理，得到存在绊丝缺陷的分割结果图。
2.根据权利要求1所述的方法，其特征在于，所述将相近似的点集进行合并处理，整合为同一条绊丝，包括：
当两个点集斜率相近度满足第一设定斜率阈值，两个点集的端点相近满足设定距离阈值，且中心点连线斜率与待合并的两个点集的拟合线段斜率相近度满足第二设定斜率阈值，则将两个点集进行合并处理；
所述方法还包括：
合并后的点集数量作为输入图片中绊丝的数量，每一个点集中点的数量作为该绊丝的长度。
3.根据权利要求1所述的方法，其特征在于，所述遍历所有点集的步骤之前，还包括：对所有点集按包含点的数量进行递减排序。
4.根据权利要求1所述的方法，其特征在于，对所述分割结果图进行轮廓分析，得到输入图片中绊丝的所有候选轨迹，包括：
对绊丝掩模图进行细化，得到每根绊丝中心线形成的绊丝骨架图；
提取绊丝骨架图中的交点和拐点；
将绊丝骨架图中进行交点断开，确保掩模图中每一段绊丝都彼此独立、互不相交；
遍历所有像素，以每个点的八邻域或者四邻域为搜索范围，得到输入图片中绊丝的候选轨迹。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
将已遍历的点置为0；
当判断到所有点均置为0时，遍历结束，得到输入图片中绊丝的所有候选轨迹。
6.根据权利要求4所述的方法，其特征在于，所述将绊丝骨架图中进行交点断开，确保掩模图中每一段绊丝都彼此独立、互不相交，包括：以找到的交点和拐点坐标为中心、将设定半径的区域像素值置为0。
7.根据权利要求1所述的方法，其特征在于，所述对丝锭表面区域进行预处理后构建训练数据集，包括：
对丝锭表面区域进行有重叠的滑窗取图，得到图像数据块；
计算所有图像数据块的均值和方差，并对每一个图像数据块进行标准化处理，得到训练数据集。
8.一种化纤丝锭表面缺陷检测装置，其特征在于，所述装置包括：
表面区域处理模块，用于获取输入图片中的丝锭表面区域，对丝锭表面区域进行预处理后构建训练数据集；构建语义分割网络；使用构建的训练数据集对所述语义分割网络进行训练；将待检测图像输入训练好的语义分割网络进行推理，得到存在绊丝缺陷的分割结果图；
轮廓分析模块，用于对所述分割结果图进行轮廓分析，得到输入图片中绊丝的所有候选轨迹；
点集提取模块，用于提取所有相互连通的候选轨迹的点集作为一段绊丝的点集；
结果筛选整合模块，用于根据点集的长度和位置对点集进行结果筛选整合，包括：对每一个点集进行线段拟合，并记录拟合线段的斜率、中心点、端点；遍历所有点集，将相近似的点集进行合并处理，整合为同一条绊丝。
9.一种电子设备，包括：处理器和存储器，其特征在于，所述存储器存储有计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现如权利要求1至7中任一项所述的化纤丝锭表面缺陷检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至7中任一项所述的化纤丝锭表面缺陷检测方法。
CN202110893697.XA 2021-08-05 2021-08-05 化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质 Active CN113344923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110893697.XA CN113344923B (zh) 2021-08-05 2021-08-05 化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110893697.XA CN113344923B (zh) 2021-08-05 2021-08-05 化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113344923A CN113344923A (zh) 2021-09-03
CN113344923B true CN113344923B (zh) 2021-11-23

Family

ID=77480787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110893697.XA Active CN113344923B (zh) 2021-08-05 2021-08-05 化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113344923B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113989220A (zh) * 2021-10-25 2022-01-28 无锡闻泰信息技术有限公司 产品运动轨迹计算方法、装置、设备及存储介质
CN114299065B (zh) * 2022-03-03 2022-06-17 科大智能物联技术股份有限公司 丝锭外观成型不良缺陷检测与分级方法、存储介质及设备
CN116563276B (zh) * 2023-07-05 2023-09-01 菲特（天津）检测技术有限公司 一种化纤长丝在线缺陷检测方法及检测系统
CN116912260B (zh) * 2023-09-15 2023-11-28 沂水友邦养殖服务有限公司 基于人工智能的肉鸡养殖健康状态检测方法
CN118411700B (zh) * 2024-06-27 2024-09-13 浙江恒逸石化有限公司 检测方法、装置、设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255787B (zh) * 2018-10-15 2021-02-26 杭州慧知连科技有限公司 基于深度学习和图像处理技术的丝锭划痕检测系统及方法
CN111815564B (zh) * 2020-06-09 2024-03-29 浙江华睿科技股份有限公司 一种检测丝锭的方法、装置及丝锭分拣系统
CN112330595B (zh) * 2020-10-13 2024-04-02 浙江华睿科技股份有限公司 一种绊丝检测方法、装置、电子设备及存储介质
CN112330598B (zh) * 2020-10-14 2023-07-25 浙江华睿科技股份有限公司 一种化纤表面僵丝缺陷检测的方法、装置及存储介质

Also Published As

Publication number Publication date
CN113344923A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN113344923B (zh) 化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质
CN110084095B (zh) 车道线检测方法、车道线检测装置和计算机存储介质
WO2018107939A1 (zh) 一种基于边缘完备度的图像分割最优识别方法
EP3660784B1 (en) Segmentation of an image based on color and color differences
CN109242864B (zh) 基于多分支网络的图像分割结果质量评价方法
CN111815564B (zh) 一种检测丝锭的方法、装置及丝锭分拣系统
CN111191628B (zh) 基于决策树与特征优化的遥感影像震害建筑物识别方法
CN109034245A (zh) 一种利用特征图融合的目标检测方法
CN109615604A (zh) 基于图像重构卷积神经网络的零件外观瑕疵检测方法
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN114923912A (zh) 一种基于机器视觉的锦纶丝饼外表面缺陷检测方法
CN107169961A (zh) 一种基于cis图像采集的条烟分拣检测系统和方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN118429341B (zh) 渐变纹理织物的瑕疵检测方法
Lee A Study on Fruit Quality Identification Using YOLO V2 Algorithm
CN114092462A (zh) 基于语义分割和目标检测融合模型的复合缺陷检测方法
CN113673534A (zh) 一种基于Faster RCNN的RGB-D图像果实检测方法
Jeffrey Kuo et al. Self-organizing map network for automatically recognizing color texture fabric nature
CN114078106A (zh) 基于改进Faster R-CNN的疵点检测方法
CN114022442B (zh) 一种基于无监督学习的织物疵点检测算法
Shabankareh et al. Improvement of edge-tracking methods using genetic algorithm and neural network
CN114972359B (zh) 基于对称性分析的网状织物缺陷快速检测方法
CN114267052A (zh) 一种基于yolov5的行人检测方法
JP2005346222A (ja) 汗腺口除去装置、汗腺口除去方法及び汗腺口除去プログラム
Haverkamp et al. Complementary methods for extracting road centerlines from IKONOS imagery

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