一种筒纱菊花芯缺陷检测方法

摘要

本发明涉及一种筒纱菊花芯缺陷检测方法，属于筒纱缺陷检测领域。方法包括以下步骤：获取筒纱上表面RGB图像，对筒纱上表面RGB图像进行灰度化处理，得到筒纱上表面灰度图像；根据筒纱上表面灰度图像中各像素点的灰度梯度得到筒纱上表面灰度图像中的异常像素点；根据各异常像素点的梯度方向计算各异常像素点的方向相似性指标；根据各异常像素点的灰度值计算各异常像素点的周期性指标；根据各异常像素点的方向相似性指标与周期性指标计算筒纱为菊花芯缺陷的概率。本发明实现了对筒纱存在的菊花芯缺陷的自动检测。

权利要求

1.一种筒纱菊花芯缺陷检测方法，其特征在于，包括以下步骤：获取筒纱上表面RGB图像，对筒纱上表面RGB图像进行灰度化处理，得到筒纱上表面灰度图像；

根据筒纱上表面灰度图像中各像素点的灰度梯度得到筒纱上表面灰度图像中的异常像素点；

根据各异常像素点的梯度方向计算各异常像素点的方向相似性指标；根据各异常像素点的灰度值计算各异常像素点的周期性指标；

根据各异常像素点的方向相似性指标与周期性指标计算筒纱为菊花芯缺陷的概率；

所述根据各异常像素点的梯度方向计算各异常像素点的方向相似性指标，包括：对于任一异常像素点：

获取以该异常像素点为起点，以筒纱上表面灰度图像中心像素点为终点的连线的方向；

根据该异常像素点的梯度方向与所述连线的方向计算该异常像素点的方向相似性指标；

利用如下计算公式计算各异常像素点的方向相似性指标：其中， 为第i个异常像素点的方向相似性指标， 为第i个异常像素点的梯度方向，为第i个异常像素点对应的连线的方向；

所述根据各异常像素点的灰度值计算各异常像素点的周期性指标，包括：计算筒纱上表面灰度图像对应的正常像素点灰度级；

对于任一异常像素点：以该异常像素点为中心点构建设定长度的像素点灰度值序列，根据像素点灰度值序列中各灰度值是否大于正常像素点灰度级构建像素点灰度值序列对应的重构序列，统计重构序列的跳变次数；根据所述跳变次数计算该异常像素点的周期性指标；

所述根据像素点灰度值序列中各灰度值是否大于正常像素点灰度级构建像素点灰度值序列对应的重构序列，统计重构序列的跳变次数，包括：依次判断当像素点灰度值序列中各灰度值是否大于正常像素点灰度级，若大于，则将重构序列中对应元素记为1；若不大于，则将重构序列中对应元素记为0；

统计重构序列中元素由1变为0以及由0变为1的总次数，将该总次数记为重构序列的跳变次数；

所述根据所述跳变次数计算该异常像素点的周期性指标，包括：其中，为该异常像素点的周期性指标，tanh为双曲线正切函数，为超参数，为该异常像素点对应的重构序列的跳变次数；

利用如下公式计算筒纱为菊花芯缺陷的概率，包括：其中，N表示异常像素点的个数, 表示第n个异常像素点的周期性指标， 表示第n个异常像素点的方向相似性指标，为筒纱为菊花芯缺陷的概率。

2.根据权利要求1所述的筒纱菊花芯缺陷检测方法，其特征在于，所述根据筒纱上表面灰度图像中各像素点的灰度梯度得到筒纱上表面灰度图像中的异常像素点，包括：利用sobel算子计算筒纱灰度图像中各像素点 和 方向的梯度；

根据各像素点 和 方向的梯度计算各像素点的梯度幅值；

判断各像素点的梯度幅值是否大于等于设定梯度阈值，若是，则将对应像素点判定为异常像素点。

说明书

一种筒纱菊花芯缺陷检测方法

技术领域

[0001] 本发明涉及筒纱缺陷检测领域，具体涉及一种筒纱菊花芯缺陷检测方法。

背景技术

[0002] 络筒工序是纺织厂纺纱的最后一道工序，络筒的任务是将管纱卷成筒子，在改变卷装形式的基础上增加卷装容量，同时也为了适应后续工序的高速退绕，提高生产效率。筒纱是络筒加工工序的产物，其质量的优劣直接影响后续工序的生产并最终影响纺织成品的质量。由于生产中的多种因素，筒纱在成型过程中可能产生各种缺陷。比较常见且对生产影响较大的筒纱缺陷有多层台筒纱、网纱、多源纱等。传统的生产线上，针对筒纱的各种缺陷，主要采用人工检测的方法来进行筛选。人工检测主要存在以下弊端：一是检测准确率低， 即准确率依赖工人受训水平和经验，存在误检和漏检情况；二是检测速度慢；三是人工疲劳周期较长。

[0003] 对于上述缺陷，其瑕疵区域在颜色、纹理、空间等图像特征上与正常区域具有不一致性，通过正常的纺织品建立模板，将待检测产品与模板进行比对以实现缺陷检测。但模板匹配的方法泛化能力差，特别是对于菊花芯缺陷难以建立有效的模板。

[0004] 现有依赖人工对筒纱存在的菊花芯缺陷进行检测的方法检测效率较低，如何提高对筒纱存在的菊花芯缺陷的检测效率是筒纱生产厂商需要解决的问题。

发明内容

[0005] 为了解决现有依赖人工对筒纱存在的菊花芯缺陷进行检测的方法存在的检测效率较低的问题，本发明提供了一种筒纱菊花芯缺陷检测方法的技术方案，包括以下步骤：

[0006] 获取筒纱上表面RGB图像，对筒纱上表面RGB图像进行灰度化处理，得到筒纱上表面灰度图像；

[0007] 根据筒纱上表面灰度图像中各像素点的灰度梯度得到筒纱上表面灰度图像中的异常像素点；

[0008] 根据各异常像素点的梯度方向计算各异常像素点的方向相似性指标；根据各异常像素点的灰度值计算各异常像素点的周期性指标；

[0009] 根据各异常像素点的方向相似性指标与周期性指标计算筒纱为菊花芯缺陷的概率。

[0010] 有益效果：本发明根据筒纱上表面灰度图像中像素点的灰度梯度大小判定得到筒纱上表面灰度图像中的异常像素点，考虑到这些异常像素点若是菊花芯缺陷像素点那么其梯度方向通常是垂直于指向圆环中心的方向，且菊花芯缺陷部位的像素点存在一定的规律性，因此本发明根据各异常像素点的方向相似性指标和周期性指标计算了筒纱为菊花芯缺陷的概率，实现了对筒纱存在的菊花芯缺陷的自动检测，解决现有依赖人工对筒纱存在的菊花芯缺陷进行检测的方法存在的检测效率较低的问题。

[0011] 进一步地，所述根据各异常像素点的梯度方向计算各异常像素点的方向相似性指标，包括：

[0012] 对于任一异常像素点：

[0013] 获取以该异常像素点为起点，以筒纱上表面灰度图像中心像素点为终点的连线的方向；

[0014] 根据该异常像素点的梯度方向与所述连线的方向计算该异常像素点的方向相似性指标。

[0015] 进一步地，利用如下计算公式计算各异常像素点的方向相似性指标：

[0016]

[0017] 其中，  为第i个异常像素点的方向相似性指标， 为第i个异常像素点的梯度方向， 为第i个异常像素点对应的连线的方向。

[0018] 进一步地，所述根据各异常像素点的灰度值计算各异常像素点的周期性指标，包括：

[0019] 计算筒纱上表面灰度图像对应的正常像素点灰度级；

[0020] 对于任一异常像素点：以该异常像素点为中心点构建设定长度的像素点灰度值序列，根据像素点灰度值序列中各灰度值是否大于正常像素点灰度级构建像素点灰度值序列对应的重构序列，统计重构序列的跳变次数；根据所述跳变次数计算该异常像素点的周期性指标。

[0021] 进一步地，所述根据像素点灰度值序列中各灰度值是否大于正常像素点灰度级构建像素点灰度值序列对应的重构序列，统计重构序列的跳变次数，包括：

[0022] 依次判断当像素点灰度值序列中各灰度值是否大于正常像素点灰度级，若大于，则将重构序列中对应元素记为1；若不大于，则将重构序列中对应元素记为0；

[0023] 统计重构序列中元素由1变为0以及由0变为1的总次数，将该总次数记为重构序列的跳变次数。

[0024] 进一步地，所述根据所述跳变次数计算该异常像素点的周期性指标，包括：

[0025]

[0026] 其中，  为该异常像素点的周期性指标，tanh为双曲线正切函数，为超参数，为该异常像素点对应的重构序列的跳变次数。

[0027] 进一步地，利用如下公式计算筒纱为菊花芯缺陷的概率，包括：

[0028]

[0029] 其中，N表示异常像素点的个数, 表示第n个异常像素点的周期性指标， 表示第n个异常像素点的方向相似性指标，为筒纱为菊花芯缺陷的概率。

[0030] 进一步地，所述根据筒纱上表面灰度图像中各像素点的灰度梯度得到筒纱上表面灰度图像中的异常像素点，包括：

[0031] 利用sobel算子计算筒纱灰度图像中各像素点 和 方向的梯度；

[0032] 根据各像素点 和 方向的梯度计算各像素点的梯度幅值；

[0033] 判断各像素点的梯度幅值是否大于等于设定梯度阈值，若是，则将对应像素点判定为异常像素点。

附图说明

[0034] 图1是筒纱菊花芯缺陷示意图；

[0035] 图2是合格筒纱示意图；

[0036] 图3是本发明的筒纱菊花芯缺陷检测方法流程图；

[0037] 图4是本发明的图像采集示意图。

具体实施方式

[0038] 为使本发明实施例的目的、技术方案和优点更清楚，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介绍。

[0039] 本发明的目的在于利用计算机视觉技术对采集的筒纱RGB图像进行处理，进行特征不明显的菊花芯缺陷的检测。合格筒纱如图1所示，存在菊花芯缺陷的筒纱如图2所示，菊花芯缺陷表现为一种特定的纹理，是一种立体形变缺陷，它是由围绕在筒纱管周围的纱线层以筒纱管为中心形成的径向凸起和凹陷现象；其主要形成原因是由于生产时的机械原因使外层纱线产生较大的压力，进而导致内层纱线层受到挤压产生形变，在筒纱的两端靠近筒芯的区域内形成类似“菊花的芯”的形状。菊花芯缺陷会使纱线层的排列紊乱，致使某一层的纱线嵌入别的纱线层，对后续工序的高速退绕带来影响，影响生产效率，同时筒纱质量的优劣还会影响纺织成品的质量。

[0040] 具体地，如图3所示，本实施例的筒纱菊花芯缺陷检测方法包括以下步骤：

[0041] （1）获取筒纱上表面RGB图像，对筒纱上表面RGB图像进行灰度化处理，得到筒纱上表面灰度图像；

[0042] 本实施例的目的在于检测筒纱上表面的菊花芯缺陷，需要先采集筒纱上表面图像。为了采集筒纱上表面图像，如图4所示，布置相机处于筒纱的正上方，俯视采集筒纱表面图像，光源采用LED白光条形光源，布置光源位于筒纱斜上方。

[0043] 采集得到的筒纱上表面图像中不但有筒纱，还有背景。为了避免背景对筒纱上表面缺陷检测的影响，本实施例首先采用DNN技术来识别图像中的筒纱。对DNN网络训练时使用的数据集为多种多样的筒纱上表面图像数据集；需要分割的像素共分为两类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于筒纱的标注为1；DNN网络的任务是分类，所有使用的loss函数为交叉熵损失函数。

[0044] 本实施例相机采集得到的图像为RGB图像，采用DNN网络分类得到只包括筒纱不包括背景的筒纱上表面RGB图像，利用灰度处理方法将筒纱上表面RGB图像转化为筒纱上表面灰度图像。

[0045] （2）根据筒纱上表面灰度图像中各像素点的灰度梯度得到筒纱上表面灰度图像中的异常像素点；

[0046] 菊花芯缺陷并非如多层台筒纱、多源纱等缺陷一样在图像中具有非常鲜明的特征。本实施例判断菊花芯缺陷的过程更多的是通过灰度的变化。由于在采集筒纱顶面的纹理图像时利用的是斜向光源的主动光照，所以筒纱菊花芯中的凸起部分受到的光照较强，灰度值较高；而菊花芯中的凹陷部分则会产生阴影，灰度值较低。若将环形图像展开为矩形图像，菊花芯部分会变为垂直条纹在水平方向上按照颜色深浅（即灰度值的高低）依次交错周期性排列，而正常筒纱在展开后的纹理较为均匀，并没有周期性的条纹图像出现。由于菊花芯缺陷带有光影变化，空间上存在凸起与凹陷，故缺陷区域的像素点存在灰度梯度，且菊花芯缺陷部位的像素点存在一定的规律性，故图像中灰度梯度幅值较大的像素点数量越多、像素点灰度变化存在周期性且像素点间符合特定规则时为菊花芯缺陷的概率较大。

[0047] 由于合格的筒纱上表面较为平整，存在较大梯度差异的像素点占比较少，又由于筒纱为圆环状，故存在梯度较大的像素点其梯度方向通常是指向圆环中心的；而存在菊花芯缺陷的筒纱，是由围绕在筒纱管周围的纱线层以筒纱管为中心形成的径向凸起和凹陷，故存在梯度较大的像素点其梯度方向通常是垂直于指向圆环中心的方向。

[0048] 本实施例利用sobel算子计算筒纱灰度图像中各个像素点 和 方向的梯度，分别记为 和 。则像素点的梯度幅值为 ，其对应的梯度方向为 。

[0049] 根据像素点的梯度幅值对像素点进行标记分类，由于合格的筒纱上表面较为平整，故像素点的灰度值相近，故存在较小的梯度。当某像素点的梯度幅值较大时，此像素点可能为噪声，也可能为属于菊花芯缺陷的像素点，故对此类像素点进行筛选，设定梯度幅值阈值 ，当 时（本实施例设置 ，实际应用中可根据实际情况进行调整），对像素点进行标记，判定该类像素点为异常像素点；当 时，判定像素点为正常像素点。

[0050] （3）根据各异常像素点的梯度方向计算各异常像素点的方向相似性指标；根据各异常像素点的灰度值计算各异常像素点的周期性指标；

[0051] 上述步骤获得了筒纱上表面灰度图像中的异常像素点，这些异常像素点并不一定都是菊花芯缺陷的像素点，还有可能是噪声；但是，菊花芯缺陷的像素点的梯度方向通常是垂直于指向圆环中心的方向且菊花芯缺陷部位的像素点存在一定的规律性，因此本实施例还计算了各异常像素点的方向相似性指标和周期性指标，具体过程如下。

[0052] Ⅰ.各异常像素点的方向相似性指标

[0053] 计算异常像素点的梯度方向 与该像素点和中心像素点连线方向 的方向相似性，菊花芯缺陷是由围绕在筒纱管周围的纱线层以筒纱管为中心形成的径向凸起和凹陷，故缺陷像素点的梯度方向通常是垂直于指向圆环中心的方向；若筒纱为合格产品，其上表面存在的纹理梯度方向通常平行于指向圆环中心的方向。本实施例利用如下公式计算异常像素点的方向相似性指标 ：

[0054]

[0055] 式中， 表示第i个异常像素点的方向相似性指标， 表示第i个异常像素点的梯度方向， 表示第i个异常像素点指向圆环中心的方向(即该像素点与圆环中心点的连线方向)；当异常像素点的梯度方向与像素点指向圆环中心的方向越平行时， 的值越大，越趋近于1；当异常像素点的梯度方向与像素点指向圆环中心的方向越垂直时， 的值越小，越趋近于0。 的值越大，说明第i个异常像素点越可能是菊花芯缺陷的像素点，越不可能是噪声。

[0056] Ⅱ. 各异常像素点的周期性指标

[0057] 由于筒纱顶面呈现为圆环状，按照极坐标展开方式将圆环展开成笛卡尔坐标系的矩形图像，将环形图像转换为矩形图像一方面可以避免异形区域给周期性计算带来的负担；另一方面可以将正常纹理展开成水平线，简化后续处理。将环形图像转换为矩形图像的方法为现有技术，此处不再赘述。

[0058] 为了计算异常像素点的周期性指标，先计算正常像素点灰度级，再获取以异常像素点为中心点长度为L的连续的像素点灰度值序列，对灰度值序列进行编码，计算其周期性指标。

[0059] 本实施例计算正常像素点灰度级的方法如下：

[0060] 如上所述，本实施例中筒纱上表面灰度图像只包括筒纱，不包括背景；对于筒纱上表面灰度图像，建立灰度直方图，计算每个灰度级的频率，即：

[0061]

[0062] 式中 表示第j个灰度级出现的频率， 表示第j个灰度级对应像素点出现的频数，B表示图像像素点的总个数。

[0063] 计算正常像素点的灰度级时，利用灰度直方图的频数最大值或灰度均值代表正常像素点的灰度级存在较大的偏差（当缺陷较为严重时频数最大的灰度级可能为缺陷），但所需要的较为理想的正常像素点的灰度级是位于灰度直方图的频数最大值与灰度均值之间，故建立高斯分布，高斯分布的均值与方差为以频数最大灰度值 与灰度值均值 之间灰度值的均值为均值 ，以频数最大灰度值 与灰度值均值 之间灰度值的方差为方差 ，相关计算公式为：

[0064]

[0065]

[0066]

[0067] 灰度级属于正常像素点灰度级的概率计算公式为：

[0068]

[0069] 选取 最大值所对应的灰度级 为正常像素点灰度级。

[0070] 在得到了正常像素点灰度级以后，以正常像素点灰度级 为阈值，将以异常像素点为中心点长度为L的连续的像素点灰度值序列的灰度值与之进行比较，将其灰度值大于阈值 的像素点位置记为1，否则记为0。

[0071] 由此可以得到该以异常像素点为中心点长度为L的连续的像素点灰度值序列的重构序列，形如 。对此重构序列再次进行跳变次数计数，0到1或1到0的跳变可以代表一个周期，计算重构序列的跳变次数，如000000包含0次跳变，00001111包含1次0到1的跳变，100011包含1次1到0和1次0到1的跳变，跳变次数记为2。将跳变次数记为，计算以异常像素点为中心点长度为L的连续的像素点灰度值序列的周期性指标，将其周期性的值赋值给异常像素点，即：

[0072]

[0073] 式中 表示异常像素点的周期性指标，tanh表示双曲线正切函数，其起归一化作用，为超参数。异常像素点的周期性指标 的值越趋近于1，表示该异常像素点为菊花芯缺陷像素点的概率越大。

[0074] 本实施例中筒纱上表面灰度图形为环形图像，为了简化计算各异常像素点的周期性指标的计算量，本实施例将筒纱上表面灰度图形转换为矩形图像，对应获取的以异常像素点为中心点的连续的像素点是同一行上的像素点；作为其它实施方式，不对筒纱上表面灰度图形进行转换为矩形图像的处理，那么对应获取的以异常像素点为中心点的连续的像素点是同一圆上的像素点。

[0075] （4）根据各异常像素点的方向相似性指标与周期性指标计算筒纱为菊花芯缺陷的概率。

[0076] 异常像素点的方向相似性指标与周期性指标均与该异常像素点为菊花芯缺陷的概率成正相关关系。本实施例计算筒纱为菊花芯的缺陷的概率p的公式如下：

[0077]

[0078] 式中N表示异常像素点的个数， 表示第n个异常像素点的周期性指标， 表示第n个异常像素点的方向相似性指标。对于第n个异常像素点，若其方向相似性指标 越小，周期性指标越大，那么该异常像素点为菊花芯缺陷像素点的概率越大，其对应的的值越大；若第n个异常像素点为噪声，那么其符合方向相似性指标越小且周期性指标越大的可能性比较小，对应的 的值也较小。因此，当异常像素点的数量越多，且异常像素点中的大多数的像素点的方向相似性指标越小且周期性指标越大时，说明该筒纱存在菊花芯的概率越大。根据经验值设定菊花芯缺陷判断阈值，当 时，判定筒纱为存在菊花芯缺陷。

[0079] 本实施例根据缺陷概率的大小确定筒纱的质量与菊花芯缺陷的严重程度，具体为：

[0080] 当 时说明异常像素点为噪声点或正常筒纱纹理，此时筒纱为合格品，不予以处理。

[0081]   当时说明异常像素点中存在菊花芯缺陷，此时缺陷为轻微的缺陷，通过调整可继续投入使用。

[0082] 当 时说明筒纱的菊花芯缺陷为严重缺陷，该筒纱会影响后续生产效率与纺织品的质量，此类产品被标记为残次品，需回收重造。

[0083] 本实施例设置菊花芯缺陷判断阈值为 ，作为其它实施方式，可以根据实际需要对阈值进行调整。本实施例在 时对筒纱调整后继续投入使用，在 时对筒纱进行回收重造；作为其它实施方式，可以对不同情况下的筒纱的处理方式进行调整，比如直接在 时对筒纱进行回收重造。

[0084] 本实施例根据筒纱上表面灰度图像中像素点的灰度梯度大小判定得到筒纱上表面灰度图像中的异常像素点，考虑到这些异常像素点若是菊花芯缺陷像素点那么其梯度方向通常是垂直于指向圆环中心的方向，且菊花芯缺陷部位的像素点存在一定的规律性，因此本实施例根据各异常像素点的方向相似性指标和周期性指标计算了筒纱为菊花芯缺陷的概率，实现了对筒纱存在的菊花芯缺陷的自动检测，解决现有依赖人工对筒纱存在的菊花芯缺陷进行检测的方法存在的检测效率较低的问题。

[0085] 需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。