您的位置 首页 动态

根据机器视觉的纱线管色彩和纱线量辨认研讨

机器视觉能帮助解决较繁琐工作,实现自动化流程,节约人力物力。纱线管的颜色识别和纱线量的多少确定是流水线上重要的问题,对纺纱管的图像进行颜色识别和纱线量多少的研究是本文的重点。采用MATLAB工具进行计

作者 卢萌萌1 安俊峰2 孙丽萍1 崔英英1 1.山东劳作作业技能学院(山东 济南 250000)2.济南轨道交通集团有限公司(山东 济南 250000)

  卢萌萌(1989-),女,硕士,研讨方向:电力电子与电力传动、模式辨认及图画处理。

摘要:机器视觉能协助处理较繁琐作业,完成主动化流程,节约人力物力。纱线管的色彩辨认和纱线量的多少确认是流水线上重要的问题,对纺纱管的图画进行色彩辨认和纱线量多少的研讨是本文的要点。选用MATLAB东西进行核算机算法规划,分为两个首要部分:第一部分为纱线管色彩辨认,包括练习集的收集:将所收集的图片分红赤色、黄色、黑色和蓝色四类;求解每一类图片的色彩特征;输入一张纱线管图片,经过svm算法来判别纱线管色彩。第二部分是判别纱线管的纱线量,详细做法是将图画先进行图画预处理作业;对纱线管别离进行滤波、阈值切割灰度投影,对灰度投影的曲线进行滑润处理,这样就可以得到纱线管的纱线方位,从而经过份额核算得到纱线量。研讨的算法可以运用到纺纱出产中,进步主动化程度。

0 前语

  纺织工作是轻工业的领域,近些年来运用核算机技能进行数字化纺织的研讨成为一种干流,对纺织业的开展起到了巨大的作用,促进了经济的开展。工业程度的注重既是机会,又是应战,经过运用核算机技能、物联网技能、大数据、人工智能等技能进行纺织工作的更新和研讨必将获得严重的打破。

  纺织出产配备的数字化、网络化和主动化是必然趋势,机器视觉、先进制作技能、大数据技能、智能和图画处理技能经常被运用于纺织出产的各个环节中并发生严重的价值。其间纱线管是本文研讨的要点,图1为纱线管的图画。

   高质量纺织产品的诞生离不开纱线研讨,织物结构参数剖析特别重要,完成纺纱管的主动辨认和纱线量多少的辨认,满意纺织工作高效率的技能要求。纺纱主动化现已紧密结合核算机视觉和核算机技能成为一种干流技能。假如凭借核算机来完成纺纱主动化,将纱线管的色彩和纱线量进行剖析,运用摄像头调查辨认,并在发现纱线量过低或许纱线管色彩过错的时分进行警报,这样就降低了人力的投入,进步了主动化程度,关于今后批量出产纺织品有着严重意义[1-5]

1 主结构规划

  图2是纺纱辨认体系的示意图。经过图2整体构架可以看出,进行色彩分类和纺纱量多少确实定是最首要的部分。

  1.1 色彩辨认进程中首要注意事项

  色彩确实定。纱线管的色彩较多,可能有赤橙黄绿青蓝紫七种色彩,本文首要研讨四种,赤色、黄色、黑色和蓝色。用这四种来做研讨阐明。

  (1)每一种色彩的纱线管数目要多,有必定的典型性和代表性,便于后边处理算法。

  (2)选用的纱线管上都含有纱线,一般纱线管的两头是漏出的,在两头可以看出色彩,因而挑选纱线管练习样本时分尽可能挑选可以明晰辨别出纱线管色彩的样本。

  (3)每一种纱线管图画收集时,摄像头的拍照方位、视点、方位和光照强度保持一致。使得后期分类正确率进步。

  1.2 纱线管含量确认首要注意事项

  (1)固定方针方位,挑选优质图片,便于辨认

  该部分首要是定位到纱线量最佳视角,找到拍照的好视点。遇到拍照的图画对纱线管定位含糊,纱线特征不直观的情况下,快速、准确地找出定位方针尤为重要。首要纱线是存在的,不可能是单一点。把一切纱线的方位核算出来,进行大规模检测。总有几个视点适宜,别离保存挑选图画作用最好的进行图画处理。将拍照的初始图画输进核算机,然后处理该图画,将所需部分独自切割处理,然后结合数字图画处理技能,比照剖析假如纱线量含量过低,就进行预警。

  (2)方针纱线部分的切割

  运用图画切割的操作手法,完成将纱线管和其纱线部分切割成独立部分。首要的算法有灰度投影法,气泡法等,结合本文实践,挑选最为直接的灰度投影法,原因是纱线管中纱线的含量部分图画比较杰出以及自身体积较小,灰度投影法的作用较好,差错小。

  (3)方针纱线部分含量的辨认

  经过对纱线图画的预处理以及灰度投影法的切割处理,来完成杰出纱线的特征,常用办法有核算法、模型法、几许法等。这个部分为了得到纱线特征尤为重要。经过算法规划,运用份额法将拍照图画的尺度进行核算,便于比较。

2 色彩分类的详细算法

  色彩分类的算法规划如图3所示。

  确认纱线管图。首要确认纱线管的图,找到适宜的图形,尽量让纱线管的两头显露纱线管的色彩。

  练习集的收集。找到四类色彩:赤色、黑色、蓝色和黄色。每一个库里面包括20张图片,总共80张图片,组成练习集。

  练习集特征提取和SVM练习。对每一类色彩的每一张图片取1个10*10的正方形规模巨细的图片样本。

  如图4,首要确认原始图画的巨细,然后找到原始图画的对称轴,对称轴的上下5个像素共10个像素作为样本的长,右侧边际的后50到后40个像素作为样本的宽,那么就组成了样本的10×10矩阵巨细的新图画。一切80个样本都依照这个办法进行实验和处理。80个新样本组成调集B。

  关于新样本调集B采纳提取特征,每一个10×10的矩阵图作为一个RGB图画,别离提取r、g、b重量的均值,方差、标准差、最大值、最小值和中值特征,每个样本有合计18个特征;80个新样本组成一个80*18的特征矩阵,关于特征矩阵进行SVM练习,保存网络。

  求解特征的办法是:首要提取r重量,是一个10*10的矩阵,转换成一个1*100的向量,再求解它的6个特征;然后对g,b重量采纳相同的办法,得到合计18个特征。

  其间均值、方差、标准差的公式如式(1)~式(3),其间,a是1*100的向量。

  别的,最大值、最小值和中值特征用MATLAB自带的函数核算较为便利。

  SVM是一个典型的分类算法,可以完成多分类的进程,这儿选用台湾大学林教授编写的libsvm东西箱进行分类研讨,安装好东西箱后,装备必定的环境,然后挑选适宜的参数c、g的数值,进行练习集的分类,将SVM网络保存供后期的测验运用。

  输入测验图画而且进行SVM辨认,关于待检测图画,首要获取样本图画,然后提取样本图画的特征,从而进行SVM辨认操作,得到相关的类别标签,也便是断定测验图画归于什么色彩[6-10]

  本文选用屡次实验进行测验,得到的SVM辨认成果如图5及表1所示。

3 纱线量确实定算法

  纱线量确认的算法规划如图6所示。

  本文部分选用图画处理技能进行处理,首要包括根本操作等根本内容,完成了最终纱线含量确实定[7-11]

  (1)确认纱线管图,首要确认纱线管的图,找到适宜的图形,尽量让纱线部分区别显着。

  (2)输入原图之后,对图片进行灰度变换,进行灰度变换的代码指令为rgb2gray,灰度变换今后的图片如图7所示。

  (3)为了让图画中的纱线部分杰出,选用阈值切割算法,求出图画的最大灰度数值和最小灰度数值,运用迭代阈值最佳算法进行,输出作用如图8,为了去除噪声,一般选用中值滤波进行滤波处理。

  其间中值滤波选用的指令为:b=medfilt2(a,[m,n])。

  (4)灰度投影法确认纱线部分的方位

  选用图画的灰度投影 选用的指令为:ss=sum(b);其间b为中值滤波后的图画;选用滑润处理办法对灰度投影曲线进行滑润处理,指令为:smooth(ss,32,'sgolay',11),滑润后的曲线更简单得到纺纱量的数据信息。如图9所示。

  经过剖析得知,图9右侧的图两个箭头所指的方位便是纱线的左边和右侧边际。

  (5)份额法求解纱线量的多少。

  经过图9,求解两个拐点a、b,圈出纱线的方位,总长度为d。

  依据公式(4)求解出纱线量的含量:

(4)

  其间符号处纱线含量的指令为:rectangle('Position',[a,c,abs(b-a),cc],'LineWidth',2,'LineStyle','-','EdgeColor','r')。其间a是纱线的左边边际,c是上侧边际,cc是上侧边际和下侧边际的间隔。

  依据公式4求解纱线含量的比重为:45.75%,与实在的数值距离不大,在答应的差错规模内,证明办法具有可行性,本文选用该办法验证测验样本100个,相对差错都在5%以内。

4 定论

  本文浅谈了纺纱工业的局势,首要介绍了色彩分类和纱线量多少的算法规划,纺纱管图画输入今后可以判别出纱管的色彩以及纱线量,依据体系的算法成果具有可行性和有用性。

  完成纺纱主动化的研讨离不开机器视觉,未来将是人工智能的年代,在今后的研讨进程中,侧重进步几个方面:(1)体系可以满意更杂乱图片的辨认,使得辨认的成果愈加准确;(2)争夺运用较多样本的数据库,有用的处理很多图画处理问题,规划出一个软件体系;(3)进步图画辨认的速度,鲁棒性;(4)选用C言语嵌入到linux体系,结合硬件设备。完成软硬件结合的高档体系。

  参考文献:

  [1]李兰女.纱线质量日常办理中的问题及其改善[J].上海纺织科技, 2008 , 36 (6):37-39.

  [2]付荣.机器视觉技能农业出产中的运用[J]呼伦贝尔作业技能学院,2011,(208):6-7.

  [3]Zhao J H, Luo X W, Liu M H, et al. Application of BP Neural Network to Sugarcane Diseased Spots Classification[A]. Second International Symposium on Intelligent Information Technology Application[C], IEEE Transations,2008:422-425.

  [4]Li J H, Gao L W, Shen Z R. Extraction and analysis of digital images feature of three kinds of wheat diseases[A]. 2010 3rd International Congress on Image and Signal Processing (CISP2010) [C], IEEE Transations,2010:2543-2548.

  [5]成芳,应义斌.机器视觉技能在农作物种子质量检测中的运用研讨开展[J]农业工程学报2011,17(6):175-179

  [6]杨红珍,张建伟,李湘涛,等.依据图画的昆虫长途主动辨认体系的研讨[J].农业工程学报,2008,24(1):188-192.

  [7]邬啸,魏延,吴瑕.依据混合核函数的支撑向量机[J];重庆理工大学学报(自然科学);2011,10.

  [8]邬书跃.依据支撑向量机和贝叶斯剖析技能的侵略检测办法研讨[D].中南大学,2012.

  [9]朱鑫.依据图画处理的植物根系切割及定量剖析体系的研讨与完成[D].重庆大学,2014.

  [10]魏晓丽,殷健.物体形状方位图画处理算法[J].核算机运用,2000,09.

  [11]褚文涛.依据复合图画处理办法的路外表裂缝类破损主动辨认办法研讨[D].上海交通大学,2013.

  本文来源于《电子产品世界》2018年第7期第45页,欢迎您写论文时引证,并注明出处。

声明:本文内容来自网络转载或用户投稿,文章版权归原作者和原出处所有。文中观点,不代表本站立场。若有侵权请联系本站删除(kf@86ic.com)https://www.86ic.net/news/dongtai/157565.html

为您推荐

联系我们

联系我们

在线咨询: QQ交谈

邮箱: kf@86ic.com

关注微信
微信扫一扫关注我们

微信扫一扫关注我们

返回顶部