一种应用深度学习图像处理的分布式异性纤维分检系统的制作方法

本实用新型涉及一种纺织装置，尤其是涉及一种应用深度学习图像处理的分布式异性纤维分检系统。

背景技术：

目前异性纤维分检机的设计中，广泛应用传统的图像处理或者算法处理系统，面对日益增长的纺纱厂、轧花厂、化纤厂、人造棉厂等对纤维中分检异性纤维的需求，缺点越来越突出。例如，由于人工费用升高，分检设备落杂一般无人分检或者低价出售，造成资金浪费，落棉效率非常关键；纤维中会有叶梗、叶屑等一些无需过检的异物，会被大量带出，降低了分检效率；关键的异性纤维分检率不能满足后序纱线、或布匹的质量要求；再有国内许多异纤设备制造商采用基于pc-based的处理架构进行图像处理完成对纤维分检，在面对工厂里高温、高湿、高粉尘的环境下，尽管采用空调、水冷等方式，并不能降低处理系统的故障率。

技术实现要素：

本实用新型提供了一种应用深度学习图像处理的分布式异性纤维分检系统，用于解决上述问题。其技术方案如下所述：

一种应用深度学习图像处理的分布式异性纤维分检系统，包括分布式的图像采集系统、嵌入式的图像处理系统、电磁阀控制系统，所述图像处理系统与图像采集系统、电磁阀控制系统分别相连接，所述电磁阀控制系统和图像采集系统安装在物料输送通道上；所述图像处理系统内设置有学习模块、检测模块和辅助模块，所述检测模块和辅助模块应用深度神经网络，都与图像采集系统、电磁阀控制系统相连接，所述学习模块和检测模块相连接。

所述图像采集系统也能够包括一部或多部嵌入式处理架构或处理板，应用分布式的深度学习算法处理。

所述图像采集系统包括安装在物料输送通道两侧拍摄位的高速相机，从物料两侧或单侧获取图像。

所述图像采集系统还包括与高速相机相连接的预处理板，所述高速相机采集的图像数据传送到预处理板，每部高速相机配备预处理板或者多部高速相机共用一个预处理板。预处理板应用fpga或dsp架构，对从相机采集来的数据进行图像预处理，将预处理结果输送到嵌入式的图像处理系统。

预处理板也能够将预处理结果输送到一部或多部嵌入式处理架构或处理板，进而完成简单的图像处理。该预处理板可以与相机做成一体，构成智能化相机。

所述图像处理系统通过千兆网或高速数据协议线缆链接预处理板。

所述图像处理系统与触摸显示系统相连接，用于收发001指令或显示状态。

所述学习模块用于对高速实时流水线中异性纤维的特征要素应用基于深度神经网络的深度学习，所述异性纤维的特征要素包括异性纤维的分类情况、位置、坐标、大小、流速。

所述检测模块用于应用训练出的神经网络，对高速拍摄到的图像进行分析，获取异性纤维在图中的坐标位置，进行图片分析时，建立智能构图深度神经网络的训练数据集，根据高速工业相机拍摄到的图片，提取需要检出的异性纤维的坐标。

所述辅助模块对应高速流动的纤维图片进行算法处理，得到流动的速度。

所述图像处理系统使用基于pc-based的图像处理系统，可以采用gpu处理架构，或者处理板和图像采集板的结合，插在计算机或工控机的pcie插槽上、使用gpu配套的指令集、应用深度学习图像采集和算法分析处理。

所述分检图片的深度神经网络是根据初步人工选取异性纤维样品的方式，构建初始的深度神经网络，并进行训练、人工取样等循环操作，进而得到。

所述应用深度学习图像处理的分布式异性纤维分检系统采用无风扇的分布式图像采集处理系统。嵌入式的图像处理架构采用基于fpga的并行处理架构、gpu处理架构或者是处理板。单部嵌入式的图像处理架构，结合采集系统、存储部件、电源部件等，构成简单的图像采集、应用深度学习算法处理的系统。多部嵌入式的图像处理架构相互协作，构成分布式图像采集系统，并在该系统上应用深度学习的算法分布式处理系统，对生产流程中的纤维进行分检，构成精准分类、稳定可靠、落杂量的、分检效率高的一套分检系统。

本实用新型根据运用的场景或者流水线、收集到的样本越多，深度神经网络越趋于稳定，能够以人工智能的方式高速获取异性纤维的分类情况、位置、坐标、大小、流速，通知控制系统进行分检喷出。

本实用新型根据最终分检出异性纤维的特征信息，包括分类情况、流速变化、含量分布等信息提供给用户，便于生产工艺管理与控制纤维的质量。

附图说明

图1是所述高速相机分布及并装在异性纤维分检设备的示意图；

图2是所述应用深度学习图像处理的分布式异性纤维分检系统的结构示意图；

图3是所述应用深度学习图像处理的分布式异性纤维分检系统的作业步骤示意图。

具体实施方式

为了能够进一步了解本实用新型的特征、技术手段以及所达到的具体目的、功能、效果，下面结合附图与具体实施方式对本实用新型作进一步详细描述。

所述应用深度学习图像处理的分布式异性纤维分检系统，包括以下部分：

一、分布式的图像采集系统：利用高速相机，用于拍摄在工厂工艺流程中高速流动的含有异性纤维图片。

每部相机配备预处理板或者多部相机共用一个预处理板。

如图1所示，在异性纤维分检设备的物料输送通道1上，两侧安装有高速相机3，所述高速相机3分布、并装在异性纤维分检设备的拍摄位上，分别从物料两侧或单侧获取图片。

在物料输送通道1的末端安装有高速电子喷阀2，用于吹出异性纤维。

所述高速相机3设置有4台，分别是ccd0#、ccd1#、ccd2#和ccd3#。所述ccd0#和ccd2#位于物料输送通道1的右侧，所述ccd1#和ccd3#位于物料输送通道1的左侧。

所述高速相机3采集的图像数据，首先传送到预处理板4，优选的方案是预处理板分布在每个相机上，也可以集中布置在一块处理板上。

二、嵌入式的图像处理系统5：如图2所示，其通过千兆网或类似高速数据协议线缆链接高速相机3后端的预处理板4，预处理板4与嵌入式的图像处理系统5链接。所述无风扇、嵌入式的图像处理系统5可以使用基于pc-based的图像处理系统，多个嵌入式的图像处理系统5构成分布式的图像处理系统。

所述图像处理系统5与触摸显示系统7相连接，用于接收指令或显示状态。

所述图像处理系统5应用基于神经网络的深度学习，完成当前画面的图片分析，根据构图中特征分析情况，向高速电磁阀控制系统6发出控制指令，将对应坐标位置的异性纤维吹送到杂质收集装置内。

所述图像处理系统5中设置有学习模块、检测模块和辅助模块。所述检测模块和辅助模块都与电磁阀控制系统6相连接，所述检测模块和辅助模块都与图像采集系统相连接，所述学习模块和检测模块相连接。

学习模块：用于对高速实时流水线中异性纤维的特征要素，应用基于深度神经网络的深度学习。所述目标的特征要素包括异性纤维的分类情况、位置、坐标、大小、流速。

检测模块：用于应用训练出的神经网络，对高速拍摄到的图像进行分析，获取异性纤维在图中的坐标位置。所述图片分析时，建立智能构图深度神经网络的训练数据集，根据高速工业相机拍摄到的图片，提取需要检出的异性纤维的坐标。

辅助模块：对应高速流动的纤维图片进行算法处理，得到流动的速度。

其中，所述深度神经网络是根据初步人工选取异性纤维样品的方式，构建初始的深度神经网络，并进行训练、人工取样等循环操作，进而得到分检图片的深度神经网络。将设备上实时采集到的图片输入到得到的深度神经网络，就能得到所需分检异性纤维的坐标位置，并将此信息传送给电磁阀控制系统6。

三、电磁阀控制系统6：控制高速电子喷阀2，根据流速、将对应坐标位置的异性纤维喷出到杂质收集装置内。

如图3所示，所述应用深度学习图像处理的分布式异性纤维分检系统的工作如下所述：

s1：分布式的图像采集系统，由多部嵌入式图像处理系统5分布处理，使分布在各拍摄位的高速相机3拍摄，拍摄高速流动纤维；高速相机3也可采用高速工业相机。

s2：嵌入式图像处理系统5对拍摄到的图片进行分析，获得纤维中异性纤维的特征要素。该特征要素包括异性纤维的分类情况、位置、坐标、大小、流速。分类即指对异性纤维的种类区别，比如棉花纤维中的头发丝、丙纶丝、麻绳、地膜、油棉、色棉等分类，便于用户后序纤维质量的跟踪管理。位置、坐标、大小、以及测量出的流动速度，为了能够在高速运动中利用高速喷阀精准将异性纤维喷出到收集装置。

s3：对高速相机3拍摄到的图片利用训练得到的深度神经网络，进行异性纤维分检，将获得的纤维中异性纤维的特征，包括分类情况、位置、坐标、大小、流速等信息传送给预处理板(喷阀控制板)4上，控制电磁阀控制系统6的高速电子喷阀2动作，将异性纤维喷出到收集装置内。

其中，根据初步人工选取异性纤维样品的方式，构建初始的深度神经网络，并进行训练、人工取样等循环操作，得到分检图片的深度神经网络。在实际生产过程中，纤维的种类，以及用户生产工艺、流程，纤维的配方不同，随着深度神经网络的迭代训练，适应鲁棒性增加。

此外，嵌入式图像处理系统5能够根据分检情况，为用户提供纤维质量建议。

本实用新型根据运用的场景或者流水线、收集到的样本越多，深度神经网络越趋于稳定，能够以人工智能的方式高速获取异性纤维的分类情况、位置、坐标、大小、流速，通知控制系统进行分检喷出。

本实用新型根据最终分检出异性纤维的特征信息，包括分类情况、流速变化、含量分布等信息提供给用户，便于生产工艺管理与控制纤维的质量。

需要说明的是，以上仅为本实用新型的优选实施例而已，并不用于限制本实用新型，尽管参照实施例对本实用新型进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中技术特征进行等同替换，但是凡在本实用新型的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实用新型的保护范围之内。