基于机器视觉的玻璃纤维合股纱缺陷检测系统设计

为解决玻璃纤维合股纱制造过程中人工检测效率低和漏检率高的问题,提出一种基于机器视觉的合股纱缺陷检测方法。本文方法结合了传统算法和深度学习算法,使用传统算法对图像进行阈值分割、开运算和轮廓提取来进行预处理,然后通过计算轮廓的矩形度和高度是否在正常范围内,对图像做初步判断;采用YOLOv5深度学习算法,并使用TensorRT框架优化加速,对图像进行二次判断和缺陷定位。以合股纱缺陷检测方法为核心设计了合股纱缺陷检测系统,以Jetson Nano B01作为硬件平台,使用工业相机实时采集合股纱图像,并用继电器控制络纱机和报警灯电路的通断;软件部分包含参数设置和日志查看功能,便于在实际生产过程中调整图像清晰度以及管理检测日志。实验结果表明,本文系统的检测准确率为99.07%,相机采集和检测处理的速度满足实时检测的需求,能够有效地提高检测效率,实现合股纱缺陷的自动化检测。

面向纺织生产环境的移动机器人定位方法

纺织行业的智能化、绿色化是“双碳”战略中必须进行升级的内容,移动机器人的大量应用将是未来趋势,但是各类纺机中的电动机、传动机构等在生产过程中产生的电磁环境不利于机器人定位。为解决上述问题,提出一种多传感器混合滤波方法,通过结合基于自适应蒙特卡洛定位(adaptive Mentcarto localization, AMCL)方法和无迹卡尔曼滤波(unscented Kalman filter, UKF)融合定位来保证定位的精度;将AMCL与轮式里程计、惯性导航、激光里程计结合使用,根据惯性导航数据对各传感器数据进行预处理减少误差的引入;并通过UKF滤波器进行局部姿态估计。最后,基于机器人操作系统(ROS)框架,利用Gazebo仿真软件构建无、有电磁干扰的纺织车间环境进行试验。结果表明:在无电磁干扰的仿真环境中,AMCL-UKF混合滤波算法定位精度相较于扩展卡尔曼(extended Kalman filter, EKF)融合定位算法、UKF融合定位算法,精度分别提升26.9%、26.0%。在有电磁干扰环境中引入误差减小36.7%。提出的定位方法能够有效提高移动机器人室内定位的精度,对于纺织生产电磁环境下具有较好的稳定性。

基于自适应特征融合的小样本细粒度图像分类

现有的小样本学习算法未能充分提取细粒度图像的特征,导致细粒度图像分类准确率较低。为了更好地对基于度量的小样本细粒度图像分类算法中提取的特征进行建模,提出了一种基于自适应特征融合的小样本细粒度图像分类算法。在特征提取网络上设计了一种自适应特征融合嵌入网络,可以同时提取深层的强语义特征和浅层的位置结构特征,并使用自适应算法和注意力机制提取关键特征。在训练特征提取网络上采用单图训练和多图训练方法先后训练,在提取样本特征的同时关注样本之间的联系。为了使得同一类的特征向量在特征空间中的距离更加接近,不同类的特征向量的距离更大,对所提取的特征向量做特征分布转换、正交三角分解和归一化处理。提出的算法与其他9种算法进行实验对比,在多个细粒度数据集上评估了5 way 1 shot的准确率和5 way 5 shot的准确率。在Stanford Dogs数据集上的准确率提升了5.27和2.90个百分点,在Stanford Cars数据集上的准确率提升了3.29和4.23个百分点,在CUB-200数据集上的5 way 1 shot的准确率只比DLG略低0.82个百分点,但是5 way5 shot上提升了1.55个百分点。

基于改进YOLOv5的玻璃纤维管纱缺陷检测方法

针对玻璃纤维管纱缺陷检测中存在的抗干扰能力差、检测精度低和检测速度慢的问题,提出了一种基于改进YOLOv5的玻璃纤维管纱缺陷检测方法(BY-YOLO)。首先建立了高效重参数网络(ER-Net)作为主干网络对管纱缺陷特征进行优化提取,利用结构重参数化技术和精确金字塔池化模块(R-SPP)提升检测速度,减弱特征噪声信息对检测效果的影响;其次提出了深度注意力路径聚合网络(DA-PANet)作为颈部网络对管纱的多尺度特征进行融合,通过特征增强模块Depth-Mixer和注意力机制模块增强管纱缺陷特征的语义信息,提高模型对多尺度缺陷的检测能力。试验结果表明:该方法能够将玻璃纤维管纱缺陷检测的mAP值提高至94.43%,同时将其检测速度提升到103帧/s。与其他主流的检测模型相比,该研究提出的方法拥有更高的鲁棒性、准确性和实时性。

应用深度卷积神经网络的色织物缺陷检测

针对织物缺陷检测时传统人工的误检率、漏检率较高问题,提出一种应用深度卷积神经网络的色织物缺陷检测算法。因织物图像采集过程中含有较多噪声且信噪比较低,先对缺陷织物进行最优尺寸高斯滤波,有效滤除细节噪声;再根据织物图像特征建立深度卷积神经网络,利用径向基神经网络的非线性映射能力作用于卷积神经网络,并通过反向传播算法调整权值参数,获取无缺陷样本与训练样本之间的映射函数;最后,利用映射函数及特征字典重构图像并提取特征,根据Meanshift算法分割缺陷,确定缺陷位置。结果表明:应用深度卷积神经网络的缺陷检测算法对色织物图像库中的缺陷图像可实现提高检测效率、缩短检测时间,获取准确缺陷位置的目的。

基于改进SAE网络的织物疵点检测算法

针对传统织物缺陷检测手工提取特征困难,疵点样本有限的问题,结合卷积自编码器(CAE),提出一种基于Fisher准则的栈式去噪自编码器算法(FSDAE)。首先从原始图像中截取若干小块图像,采用稀疏自编码器(SAE)训练,得到小块图像的稀疏性特征;其次利用该特征,初始化CAE网络参数,提取原始图像的低维特征;最后将该特征数据送入FSDAE网络进行疵点检测分类。分别对3类织物进行测试,实验结果表明,算法能够有效地提取织物图像的分类特征,且通过加入Fisher准则,提高了织物疵点的检测率。

基于小波域多尺度Markov随机场的织物印花图案分割

为提高纺织印花图案的分色精度,采用小波域的多尺度Markov随机场模型实现了织物印花图案的分割。首先对图像进行预处理,然后对图像进行小波金字塔分解,在每个尺度的分割过程中利用了各尺度上的有关信息:特征场建模通过描述小波系数之间的相关性反映每个像素位置的特征属性,标记场建模通过考虑邻域标记间的相互作用反映图像分割的区域性。2种随机场建模以联合概率乘积的形式相互约束,共同作用于该尺度的分割过程。在分割过程中,从最低分辨率尺度到原始分辨率尺度逐次进行图像分割,低分辨率尺度的分割结果通过直接投影作为相邻的更高分辨率尺度的初始分割,最高分辨率尺度上的分割结果作为该方法的分割结果。

LBP和Tamura纹理特征方法融合的织物疵点分类算法

为了找出织物在生产过程中易产生疵点的类型,并反馈到生产工序中以提高织物质量,提出一种基于局部二进制模式与Tamura纹理特征方法相结合的织物疵点分类算法。该算法主要完成的任务是对织物特征向量的提取,局部二进制模式从局部或像素邻域描述纹理的特征,Tamura纹理特征方法从全局描述疵点纹理特征,两者结合能更好地描述疵点纹理特征。完成特征向量提取后,选用共轭梯度BP算法来处理特征向量。共轭梯度BP算法收敛性较好,提高了训练速度和训练精度。实验结果表明,提出的算法对疵点分类具有较高的分类准确率。

LBP和GLCM融合的织物组织结构分类

为实现织物组织结构的自动分类,提出一种基于局部二进制模式(LBP)与灰度共生矩阵(GLCM)相结合的织物组织分类算法。首先,采用中值滤波、双峰高斯函数规定化等算法对织物图像进行预处理,滤除图像噪声并提高对比度。进而用局部二进制模式和灰度共生矩阵两种方法获取图像的局部及全局纹理特征信息。最后,利用基于Levenberg-Marquardt(L-M)算法的BP神经网络分类器对特征向量进行训练和测试,实现对3种基本组织(平纹、斜纹和缎纹组织)的自动分类。实验结果表明,基于L-M算法的BP神经网络具有较快的训练速度能够对织物组织结构进行准确有效的分类。此外,与灰度共生矩阵和局部二进制模式方法进行对比,两者融合的特征信息能得到最好的分类结果(99.33%)。

改进型奇异值分解在织物疵点检测上的应用

为识别不同织物表面多种类型的疵点,提出一种基于矩阵奇异值分解(SVD)的疵点检测方法。首先采用自动识别技术提取织物图像中包含疵点的感兴趣区域(ROI),其次将包含疵点的ROI部分继续分割成若干小的不重叠的子图像,并对其作奇异值分解。通过去除表征织物纹理背景能量的奇异值,以余下的奇异值重组子图像,从而增加疵点区域与纹理背景的能量差异。最后再对ROI区域进行复原时,会出现子图像重构过程不完全连接的情况,采用二值化阈值处理可以消除影响,完成检测目的。实验证明,所提出的改进型奇异值分解技术,耗时短,效率高,对于选取7种纹理结构不同的织物中大多数疵点均能够识别其形状和位置。

应用Gussian回代交替方向图像分解算法的色织物疵点检测

针对传统的人工织物检测方法效率低,稳定性差,处理速度慢的问题,提出了基于Gaussian回代交替方向(ADMG)图像分解的色织物疵点检测算法。首先对疵点织物进行直方图均衡化的预处理操作,以减少织物背景纹理信息对织物疵点检测产生的影响。然后采用总方差范数与Sobolev空间中的半范数相结合的Gaussian回代交替方向的图像分解算法,将色织物图像分解为疵点部分u和纹理部分v。最后,应用二维Otsu阈值方法将图像的疵点部分u分割,识别织物图像上的疵点。实验结果表明:通过基于ADMG图像分解算法对包括星型、方格型和圆点型在内的色织物图像疵点检测是可行、有效的,可得到满意的识别结果。

基于方法库的织物图像疵点检测

为准确检测织物在生产过程产生的疵点,提出一种基于改进的Gabor滤波方法、数学形态学处理法和多尺度小波检测的方法库的系统检测法.首先采用改进的Gabor滤波方法,选出最优滤波结果,进行高斯平滑,确定正常织物图像的两个阈值门限,进而分割出织物的疵点图像;其次采用数学形态学处理法对织物图像进行检测;最后采用多尺度小波检测的方法,检测最终结果.由于织物的纹理不同,在生产过程中产生疵点的种类众多,算法采用级联检测,保证了检测疵点的准确有效性.试验证明,所提出的算法检测结果较好,能准确定位疵点的位置.

基于微波技术的织物含水率测量方法

介绍了微波技术在纺织品水分测量中的应用,对其湿度测量原理进行了分析。基于微波技术设计出一种非接触式织物含水率的测量系统,并以PLC为处理器对织物的含水率进行了测量,同时用传统的称重法对织物的含水率进行了测量。通过对实验数据的处理,拟合出不同织物含水率的拟合直线,并对所出现的误差进行了分析。结果表明,该系统对于棉麻布,牛仔布和细棉布含水率的有效测量范围分别在30%～50%、30%～55%、35%～70%。棉麻布的测量误差最小,在±1%以内。

基于模糊C均值聚类的纺织品印花图像分割

针对纺织品印花精度检测的关键技术问题,主要围绕纺织品印花图像的有效分割展开研究工作,提出了基于距离修正和隶属度修正的FCM算法。为了确保FCM算法的有效性和精确性,对其参数的选取和算法结构进行了深入的研究,结合参数的自适应初始化方法和FCM算法的修正方法,给出该算法对纺织品印花图像的分割效果图。结果表明,该算法对纺织品印花图像有良好的分割效果,并且对由光和织物纹理引起的干扰有一定的抑制作用。

应用机器视觉的鞋面数量统计与尺寸测量

针对鞋面数量统计和尺寸测量过程中人工检测方法效率低、成本高的问题,提出利用机器视觉的鞋面数量统计与尺寸测量方法。采用基于边缘方向的模板匹配算法对鞋面进行数量统计。运用最小外接矩形(MER)算法对鞋面进行尺寸测量。为验证方法的可靠性,对3种鞋面分别在光照变化、混乱和遮挡条件下进行了检测实验,并与绝对误差和算法、归一化相关系数法和Hausdorff距离匹配算法的检测结果进行对比。将MER测量结果和人工测量结果进行对比,结果表明:基于边缘方向的模板匹配算法在复杂环境下的鲁棒性更高,可完成鞋面数量统计;MER方法和人工测量的相对误差在0.67%以内,满足工业生产中的实际需求。

电阻式织物回潮率在线测量装置的设计

探讨所设计织物回潮率在线测量装置的测试效果。依据电阻法测量回潮率的原理设计了硬件电路,将织物的回潮率转变为微处理器可检测的电信号;然后通过电阻箱模拟织物回潮率的变化,对硬件电路进行测试;再通过试验获取了纯棉、涤棉、麻、牛仔4种织物的回潮率-电压标定曲线;最后,设计开发了织物回潮率在线测量装置的软件程序,根据标定好的曲线计算出织物的回潮率。测试结果表明:所设计的测量装置的测量精度达到了6%。认为通过进一步改进测试精度,该装置可以作为织物回潮率在线测量装置。

应用显著性算法的纱线条干均匀度检测

针对运用图像方法进行纱线条干均匀度检测时,背景黑板、纱线毛羽以及图像噪声等对检测结果影响较大的问题,借鉴人的视觉感知机制,提出一种应用显著性算法检测纱线条干均匀度的方法。对采集到的纱线图像提取颜色和亮度特征,进行显著性分析,突出纱线条干区域,然后利用迭代阈值分割算法和区域滤波,得到准确清晰的纱线条干二值图像,基于此进行直径计算、均匀度分析和纱线疵点判定。通过边缘准确性评价可知,采用所提方法分割得到的纱线条干二值图像有着较高的分割精度。通过与Uster Classimat 5的均匀度检测结果进行比较,证明这种方法可得到准确的结果,与Uster Classimat 5的测量结果有着较好的一致性。

梯度空间下的丝饼表面缺陷检测

为解决工业生产中人工检测丝饼表面缺陷效率低、漏检率高的问题,提出了一种在梯度空间下根据图像信息熵变化和能量分布的差异来检测丝饼表面缺陷的方法。首先设计一套基于机器视觉的丝饼图像采集装置,用于获取传输过程中的丝饼表面图像;然后将丝饼图像转换到梯度空间域,构建一个信息熵和能量的组合特征用来表征缺陷,选择适当的临界阈值区分丝饼缺陷区域与正常区域;最后对分割出的丝饼缺陷利用形态学处理得到最终的检测结果。实验结果表明,该方法对丝饼表面污渍、压痕、起毛等缺陷具有较好的检测效果,缺陷识别准确率高、速度快,可满足工厂对检测准确性和实时性的要求,实现丝饼表面缺陷的自动化检测。

基于微波透射法测量织物含水率

织物的含水率是染整生产过程中的重要指标;应用微波技术检测织物的含水率,能在线实时准确测量,且可靠性好,抗干扰能力强,不易受到织物的颜色、结构等影响,并可检测织物内部的含水率,结果更具代表性;为了快速、准确地检测织物中的水分含量,基于微波透射法,设计了一套织物含水率在线检测系统,实现了对织物含水率在线无损检测;重点讨论微波测湿原理及方法,采用最小二乘法拟合直线,获得织物湿度与衰减量之间相互关系的标定曲线;实验结果表明;设计的装置可对含水率为30%~70%的织物进行有效的测量;测量精度高于±1%。

基于Mean Shift滤波的织物疵点检测方法

为了实现自动织物疵点检测,提出了一种基于Mean Shift滤波的织物疵点检测方法。该算法首先求取织物样本的熵图像,反映原始图像信息的变化程度,然后对熵图像进行Mean Shift平滑滤波,达到去除噪声和增强织物疵点部分的目的,从而利于疵点的分割,最后对滤波后的图像进行阈值分割,得到二值化检测结果。对6种纹理织物进行处理,共检测出18种疵点,92.5%的疵点可以被成功检测并定位。另外,实验中还将Mean Shift滤波与Gabor滤波的检测结果进行了比较,结果表明Mean Shift滤波对某些类型的疵点的检测效果更为理想。