基于视觉的本白色超细旦织物自动验布方法与流程

1.本发明涉及布匹检测方法技术领域，特别涉及基于视觉的本白色超细旦织物自动验布方法。


背景技术：

2.通常织机是指通过经纱和纬纱的反复交织织造织物的装置，且为了预防织造的织物疵点，安装使用感应断经的断经感应器和感应纬纱流入与否的纬纱感应器。在生产线的过程中，利用原料进行熔融、吐出、纺纱、牵伸、卷取等各种工艺时，因长纱打结、散开、断纱、异物流入等原因发生各种形态的疵点，而且经过所述工序发生的各种疵点未被检测出的状态下直接用于捻纱工艺生产而导致产品不合格率增加的问题。
3.目前布匹疵点检测采用半自动化的验布机，即自动传动、切割、人工视验、人工标记的方式，检测速度慢，并且由于人工检测严重依赖验布人员的经验和熟练程度，导致评价标准不稳定不一致，因而经常会产生误检和漏检，布匹疵点检测枯燥乏味，严重损害验布工人的视力，因超细旦轻薄面料布面较松软，白坯的时候手一摸就易纰掉，经染缸预缩、拉幅热定型后，难免会产生一些纰点和污渍，但这些纰点和污渍因面料薄且透光，肉眼不易发现和识别，其次由于工人长期用肉眼观察白色面料，容易造成视觉疲劳，无法真正实时发现问题，另外所验面料门幅越宽,人工视验越容易漏检，从而造成产品质量等级不高，由此带来一定的经济损失。
4.例如，一种在中国专利文献上公开的“疵点检测装置”，其公告号：cn107850551a，其申请日：2017年06月09日，该发明结构简单、成本低廉的装置，但是不能提高检测效率、节省人力成本、减轻工人劳动强度。


技术实现要素：

5.针对现有技术不能提高检测效率、节省人力成本、减轻工人劳动强度的不足，本发明提出了基于视觉的本白色超细旦织物自动验布方法，能提高检测效率、节省人力成本、减轻工人劳动强度。
6.以下是本发明的技术方案，基于视觉的本白色超细旦织物自动验布方法，包括以下步骤：
7.s1:确定灯光、相机和光照方式；
8.s2:疵点检测；
9.s3:设计图像识别模型和实验；
10.s4:识别图像疵点。
11.本方案中，影响图像成像效果的因素包括光源颜色、光源位置、光照强度、光照方式、成像精度、分辨率和检测行频等，确定灯光、相机和光照方式为实验前置条件，布匹疵点检测获取像素的能量特征信息并对融合后的图像进行疵点分割，利于识别布匹疵点，构建自主学习的图像识别模型，对布匹疵点分类识别，规避人工干扰的影响，能提高检测效率、
节省人力成本、减轻工人劳动强度。
12.作为优选，步骤s1中，采用控制变量法做对照实验确定灯光、相机和光照方式，包括以下步骤：
13.s11:设定影响因素集合m＝{m1,m2,...,mn}；
14.s12:选择影响因素集合中单个因素m1并保证其他因素不变；
15.s13:预设选中因素m1的取值a1,a2,...,an，设计若干组实验a1,a2,...,an，选中因素取值a1＜a2＜...＜an，进行对照实验；
16.s14:辨别实验成像效果e1,e2,...,en，优化选中因素取值范围：若e1＞e2＞...＞en，则新的因素取值都小于a1；若e1＜e2＜...＜en，则新的因素取值都大于a3；若成像效果非e1＞e2＞...＞en和e1＜e2＜...＜en，则新的因素取值介于成像效果最好和成像效果第二好的因素值之间；
17.s15:重复步骤s13-s14，获得最佳实验成像效果取值b，更换影响因素为m2；
18.s16:重复步骤s12-s15，得到最佳因素取值集合{b1,b2,...,bn}。
19.本方案中，采用控制变量法做对照实验确定影响图像成像效果的因素的具体关系和取值，排除人工取值的影响，提高疵点检测的准确性和效率。
20.作为优选，灯光为白色线扫led条光,相机为线扫相机，光照方式为面光照射。
21.本方案中，采用白色线扫led条光、功率为217w、行频为26khz的光源，实验相机确定为线扫相机，成像精度为0.2mm/pixel、分辨率为4000pixel、检测行频3415.3hz，4台相机并列式排布，预留15mm的重叠扫描区域，工作距离为660mm。通过对照实验获取最优的实验准备，提高疵点检测的准确性和效率。
22.作为优选，步骤s2中，采用gabor小波检测疵点，包括以下步骤：
23.s21:将原图像切分成若干正方形子图像；
24.s22:对子图像进行预处理；
25.s23:预处理后的子图像经过gabor滤波器组进行特征提取，获得图像中各个像素的能量特征信息；
26.s24:能量特征信息降维后融合成为单个图像，对疵点进行描述；
27.s25:处理融合后的图像，分割疵点部分。
28.本方案中，将原图像切分成若干正方形子图像，减少计算量；对子图像进行预处理，消除光照不均和噪声的影响；获取像素的能量特征信息并对融合后的图像进行疵点分割，利于识别布匹疵点；规避人工干扰的影响，能提高检测效率、节省人力成本、减轻工人劳动强度。
29.作为优选，步骤s25中，处理融合后的图像的方法为图像二值化方法，扫描图像的每个像素值，像素值大于阈值t，像素值设为白色；像素值小于等于阈值t，像素值设为黑色。
30.本方案中，采用图像二值化方法处理图像，处理效率高。
31.作为优选，所述图像二值化方法的阈值求解，包括以下步骤：
32.s251:初始化阈值t1；
33.s252:根据阈值图每个像素数据p(n,m)，分为对象像素数据g1与背景像素数据g2；
34.s253:计算g1的平均值m1,g2的平均值m2；
35.s254:计算新的阈值t2,
36.s255:当t1不等于t2时，将t2值赋予t1，重复步骤s252-s254，直至计算出来t1等于t2，t2为阈值。
37.本方案中，迭代计算阈值t，规避人工取值的影响，提高图像二值化方法处理准确性。
38.作为优选，步骤s25中，定义结构元素在二值图像上进行滑动操作，对比二值图像对应的像素点与结构元素的像素，交集为腐蚀后的图像像素，图像边缘区域变得平滑，区域的像素减少。
39.本方案中，使用一个自定义的结构元素，如矩形、圆形等，在二值图像上进行滑动操作，将二值图像对应的像素点与结构元素的像素进行对比，得到的交集即为腐蚀后的图像像素，图像边缘区域变得平滑，区域的像素减少，便于疵点检测。
40.作为优选，步骤s3中，构建卷积神经网络模型对疵点进行自主学习，包括以下步骤：
41.s31:设置输入层，对数据进行均值化处理和归一化处理；
42.s32:设置卷积计算层，窗口滑动处理，相邻的窗口有局部重叠的部分，神经元计算局部数据；
43.s33:设置池化层，减小表征的空间尺寸和网络计算量；
44.s34:设置批处理层，修正神经元的输出；
45.s35:设置全连接层，将输出的特征重新组合成一张完整的图像；
46.s36:设置输出层，输出结果。
47.本方案中，构建卷积神经网络模型对疵点进行自主学习，对布匹图像疵点进行分类识别，降低窗口与窗口之间的边缘不平滑的特性，每个神经元只关注一个特性，减少需要计算的权重个数，压缩图像，减小过拟合，能够系统的分类布匹图像疵点，能提高检测效率、节省人力成本。
48.作为优选，所述卷积神经网络模型使用多gpu进行训练，使用随机梯度下降算法。
49.本方案中，使用多gpu和随机梯度下降算法提高卷积神经网络模型自主学习效率。
50.作为优选，所述随机梯度下降算法为：每次随机从列表中选出一个值，计算完成后从列表中删除掉该值，再进行下一次迭代，更新回归系数。
51.本方案中，对传统随机梯度下降算法进行改进，有利于缓解数据的波动。
52.本发明的有益效果是：能提高检测效率、节省人力成本、减轻工人劳动强度。
附图说明
53.图1本发明基于视觉的本白色超细旦织物自动验布方法的流程图。
具体实施方式
54.下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
55.实施例：如图1所示，基于视觉的本白色超细旦织物自动验布方法，包括以下步骤：
56.步骤1：确定灯光、相机和光照方式；
57.步骤2：疵点检测；
58.步骤3：设计图像识别模型和实验；
59.步骤4：识别图像疵点。
60.步骤1中，影响图像成像效果的因素包括光源颜色、光源位置、光照强度、光照方式、成像精度、分辨率和检测行频等，为明确单一因素的影响，采用控制变量法进行对照实验，包括以下步骤：
61.步骤11：设定影响因素集合m＝{m1,m2,...,mn}。
62.步骤12：选择影响因素集合中单个因素m1并保证其他因素不变。
63.步骤13：预设选中因素m1的取值a1,a2,a3，设计三组实验a1,a2,a3，选中因素取值a1＜a2＜a3，进行对照实验。
64.步骤14：辨别实验成像效果e1,e2,e3，优化选中因素取值范围：若e1＞e2＞e3，则新的因素取值都小于a1；若e1＜e2＜e3，则新的因素取值都大于a3；若成像效果非e1＞e2＞e3和e1＜e2＜e3，则新的因素取值介于成像效果最好和成像效果第二好的因素值之间。
65.步骤15：重复步骤13-14，获得最佳实验成像效果取值b，更换影响因素为m2。
66.步骤16：重复步骤12-15，得到最佳因素取值集合{b1,b2,...,bn}。
67.经过一系列分辨率成像，尝试在不同位置成像和用不同的打光方式成像进行大量的成像实验，比较多种光源成像效果，最终确定采用线扫描专用条光，面光照射的最佳成像方式。采用白色线扫led条光、功率为217w、行频为26khz的光源。实验相机确定为线扫相机，成像精度为0.2mm/pixel、分辨率为4000pixel、检测行频3415.3hz，4台相机并列式排布，预留15mm的重叠扫描区域，工作距离为660mm。
68.步骤2中，通过gabor小波自适应地检测布匹存在的各类疵点，包括以下步骤：
69.步骤21：对4096
×
1024的图像分解为256
×
256大小的子图像。减少计算量。
70.步骤22：对子图像进行预处理。消除光照不均和噪声的影响。
71.步骤23：预处理后的图像经过一个3尺度6方向的gabor滤波器组进行特征提取，求取滤波后图像中各个像素的能量特征信息。
72.步骤24：能量特征信息降维后将各滤波器图像融合成为单个图像，对疵点进行完整的描述。
73.步骤25：对融合后的图像二值化和形态学处理，将疵点部分分割出来。
74.步骤25中，图像二值化方法为扫描图像的每个像素值，如像素值大于阈值t，像素值设为白色；像素值小于等于阈值t像素值设为黑色，二值化阈值求解步骤如下：
75.步骤251：初始化阈值t1。
76.步骤252：根据阈值图每个像素数据p(n,m)，分为对象像素数据g1与背景像素数据g2。
77.步骤253：计算g1的平均值m1,g2的平均值m2。
78.步骤254：计算新的阈值t2,
79.步骤255：当t1不等于t2时，将t2值赋予t1，重复步骤252-254，直至计算出来t1等于t2，t2为阈值。
80.步骤25中，形态学处理主要为图像腐蚀，使用一个自定义的结构元素，如矩形、圆
形等，在二值图像上进行滑动操作，将二值图像对应的像素点与结构元素的像素进行对比，得到的交集即为腐蚀后的图像像素，图像边缘区域变得平滑，区域的像素减少，便于疵点检测。
81.步骤3中，采用具备良好的特征学习能力和更强的鲁棒性的卷积神经网络对各种类型的疵点进行自主学习，规避人工干扰的影响，通过构建卷积神经网络模型和实验，对布匹图像疵点进行分类识别，步骤如下：
82.步骤31：设置第一层为输入层，对数据进行均值化处理和归一化处理，输入为3通道图像。
83.步骤32：设置第二层、第四层和第六次为卷积计算层，窗口滑动处理，相邻的窗口有局部重叠的部分，神经元对局部数据进行计算。降低窗口与窗口之间的边缘不平滑的特性。每个神经元只关注一个特性，减少需要计算的权重个数。
84.步骤33：设置第三层、第五层和第八层为池化层，逐步减小表征的空间尺寸来减小参数量和网络计算量，池化层在每个特征图上独立操作。压缩图像，减小过拟合。
85.步骤34：设置第七层为批处理层(batch normalization layer)，对神经元的输出进行修正。
86.步骤35：设置第九层、第十层和第十一层为全连接层，通过全连接结构,将前面输出的特征重新组合成一张完整的图像。
87.步骤36：设置第十二层为输出层，输出结果。
88.本训练模型采用使用多gpu进行训练，使用的激活函数为relu函数，使用随机梯度下降算法，计算网络训练误差函数为交叉熵损失函数。随机梯度下降算法为每次随机从列表中选出一个值，计算完成后从列表中删除掉该值，再进行下一次迭代，更新回归系数。有利于缓解数据的波动。