新闻中心

EEPW首页 > 设计应用 > 基于机器视觉的纱线管颜色和纱线量识别研究

基于机器视觉的纱线管颜色和纱线量识别研究

作者:卢萌萌 安俊峰 孙丽萍 崔英英时间:2018-06-27来源:电子产品世界收藏
编者按: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工具进行计算机算法设计,分为两个主要部分:第一部分为纱线管颜色识别,包括训练集的搜集:将所收集的图片分成红色、黄色、黑色和蓝色四类;求解每一类图片的颜色特征;输入一张纱线管图片,通过svm算法来判断纱线管颜色。第二部分是判断纱线管的纱线量,具体做法是将图像先进行图像预处理工作;对纱线管分别进行滤波、阈值分割、灰度投影,

作者 卢萌萌1 安俊峰2 孙丽萍1 崔英英1 1.山东劳动职业技术学院(山东 济南 250000)2.济南轨道交通集团有限公司(山东 济南 250000)

本文引用地址:http://www.eepw.com.cn/article/201806/382303.htm

  卢萌萌(1989-),女,硕士,研究方向:电力电子与电力传动、模式识别及图像处理。

摘要: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和纱线量多少的研究是本文的重点。采用工具进行计算机算法设计,分为两个主要部分:第一部分为纱线管,包括训练集的搜集:将所收集的图片分成红色、黄色、黑色和蓝色四类;求解每一类图片的颜色特征;输入一张纱线管图片,通过svm算法来判断纱线管颜色。第二部分是判断纱线管的纱线量,具体做法是将图像先进行图像预处理工作;对纱线管分别进行滤波、,对的曲线进行,这样就可以得到纱线管的纱线位置,进而通过比例计算得到纱线量。研究的算法可以运用到纺纱生产中,提高自动化程度。

0 前言

  纺织行业是轻工业的范畴,近些年来应用计算机技术进行数字化纺织的研究成为一种主流,对纺织业的发展起到了巨大的作用,促进了经济的发展。工业程度的重视既是机遇,又是挑战,通过应用计算机技术、物联网技术、大数据、人工智能等技术进行纺织行业的更新和研究必将取得重大的突破。

  纺织生产装备的数字化、网络化和自动化是必然趋势,机器视觉、先进制造技术、大数据技术、智能和图像处理技术经常被应用于纺织生产的各个环节中并产生重大的价值。其中纱线管是本文研究的重点,图1为纱线管的图像。

   高质量纺织产品的诞生离不开纱线研究,织物结构参数分析尤其重要,实现纺纱管的自动识别和纱线量多少的识别,满足纺织行业高效率的技术要求。纺纱自动化已经紧密结合计算机视觉和计算机技术成为一种主流技术。如果借助计算机来实现纺纱自动化,将纱线管的颜色和纱线量进行分析,利用摄像头观察识别,并在发现纱线量过低或者纱线管颜色错误的时候进行警报,这样就降低了人力的投入,提高了自动化程度,对于以后批量生产纺织品有着重大意义[1-5]

1 主框架设计

  图2是纺纱识别系统的示意图。通过图2总体构架可以看出,进行颜色分类和纺纱量多少的确定是最主要的部分。

  1.1 颜色识别过程中主要注意事项

  颜色的确定。纱线管的颜色较多,可能有赤橙黄绿青蓝紫七种颜色,本文主要研究四种,红色、黄色、黑色和蓝色。用这四种来做研究说明。

  (1)每一种颜色的纱线管数目要多,有一定的典型性和代表性,便于后面处理算法。

  (2)采用的纱线管上都含有纱线,一般纱线管的两端是漏出的,在两端可以看出颜色,因此选择纱线管训练样本时候尽可能选择能够清晰辨别出纱线管颜色的样本。

  (3)每一种纱线管图像采集时,摄像头的拍摄位置、角度、方位和光照强度保持一致。使得后期分类正确率提高。

  1.2 纱线管含量确定主要注意事项

  (1)固定目标位置,选择优质图片,便于识别

  该部分主要是定位到纱线量最佳视角,找到拍摄的好角度。遇到拍摄的图像对纱线管定位模糊,纱线特征不直观的情况下,快速、准确地找出定位目标尤为重要。首先纱线是存在的,不可能是单一点。把所有纱线的位置统计出来,进行大范围检测。总有几个角度适合,分别保存选择图像效果最好的进行图像处理。将拍摄的初始图像输进计算机,然后处理该图像,将所需部分单独分割处理,然后结合数字图像处理技术,对比分析如果纱线量含量过低,就进行预警。

  (2)目标纱线部分的分割

  利用图像分割的操作手段,实现将纱线管和其纱线部分分割成独立部分。主要的算法有法,气泡法等,结合本文实际,选择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像比较突出以及本身体积较小,灰度投影法的效果较好,误差小。

  (3)目标纱线部分含量的识别

  经过对纱线图像的预处理以及灰度投影法的分割处理,来实现突出纱线的特征,常用方法有统计法、模型法、几何法等。这个部分为了得到纱线特征尤为重要。通过算法设计,利用比例法将拍摄图像的尺寸进行统计,便于比较。

2 颜色分类的具体算法

  颜色分类的算法设计如图3所示。

  锁定纱线管图。首先确定纱线管的图,找到合适的图形,尽量让纱线管的两端露出纱线管的颜色。

  训练集的搜集。找到四类颜色:红色、黑色、蓝色和黄色。每一个库里面包含20张图片,一共80张图片,组成训练集。

  训练集特征提取和SVM训练。对每一类颜色的每一张图片取1个10*10的正方形范围大小的图片样本。

  如图4,首先确定原始图像的大小,然后找到原始图像的对称轴,对称轴的上下5个像素共10个像素作为样本的长,右侧边缘的后50到后40个像素作为样本的宽,那么就组成了样本的10x10矩阵大小的新图像。所有80个样本都按照这个方法进行实验和处理。80个新样本组成集合B。

  对于新样本集合B采取提取特征,每一个10x10的矩阵图作为一个RGB图像,分别提取r、g、b分量的均值,方差、标准差、最大值、最小值和中值特征,每个样本有共计18个特征;80个新样本组成一个80*18的特征矩阵,对于特征矩阵进行SVM训练,保存网络。

  求解特征的方法是:首先提取r分量,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分量采取相同的措施,得到共计18个特征。

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

  另外,最大值、最小值和中值特征用自带的函数计算较为方便。

  SVM是一个典型的分类算法,可以实现多分类的过程,这里采用台湾大学林教授编写的libsvm工具箱进行分类研究,安装好工具箱后,配置一定的环境,然后选择合适的参数c、g的数值,进行训练集的分类,将SVM网络保存供后期的测试使用。

  输入测试图像并且进行SVM识别,对于待检测图像,首先获取样本图像,然后提取样本图像的特征,进而进行SVM识别操作,得到相关的类别标签,也就是判定测试图像属于什么颜色[6-10]

  本文采用多次试验进行测试,得到的SVM识别结果如图5及表1所示。

3 纱线量的确定算法

  纱线量确定的算法设计如图6所示。

  本文部分采用图像处理技术进行处理,主要涵盖基本操作等基本内容,实现了最后纱线含量的确定[7-11]

  (1)锁定纱线管图,首先确定纱线管的图,找到合适的图形,尽量让纱线部分区分明显。

  (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,灰度变换以后的图片如图7所示。

  (3)为了让图像中的纱线部分突出,采用算法,求出图像的最大灰度数值和最小灰度数值,应用迭代阈值最佳算法进行,输出效果如图8,为了去除噪声,一般采用中值滤波进行滤波处理。

  其中中值滤波采用的指令为:b=medfilt2(a,[m,n])。

  (4)灰度投影法确定纱线部分的位置

  采用图像的灰度投影 采用的指令为:ss=sum(b);其中b为中值滤波后的图像;采用方法对灰度投影曲线进行,指令为:smooth(ss,32,'sgolay',11),平滑后的曲线更容易得到纺纱量的数据信息。如图9所示。

  通过分析得知,图9右侧的图两个箭头所指的位置就是纱线的左侧和右侧边缘。

  (5)比例法求解纱线量的多少。

  通过图9,求解两个拐点a、b,圈出纱线的位置,总长度为d。

  根据公式(4)求解出纱线量的含量:

(4)

  其中标记处纱线含量的指令为:rectangle('Position',[a,c,abs(b-a),cc],'LineWidth',2,'LineStyle','-','EdgeColor','r')。其中a是纱线的左侧边缘,c是上侧边缘,cc是上侧边缘和下侧边缘的距离。

  根据公式4求解纱线含量的比重为:45.75%,与真实的数值差距不大,在允许的误差范围内,证明方法具有可行性,本文采用该方法验证测试样本100个,相对误差都在5%以内。

4 结论

  本文浅谈了纺纱工业的形势,主要介绍了颜色分类和纱线量多少的算法设计,纺纱管图像输入以后可以判断出纱管的颜色以及纱线量,根据系统的算法结果具有可行性和有效性。

  实现纺纱自动化的研究离不开机器视觉,未来将是人工智能的时代,在以后的研究过程中,着重提高几个方面:(1)系统能够满足更复杂图片的识别,使得识别的结果更加精确;(2)争取使用较多样本的数据库,有效的解决大量图像处理问题,设计出一个软件体系;(3)提高图像识别的速度,鲁棒性;(4)采用C语言嵌入到linux系统,结合硬件设备。实现软硬件结合的高级系统。

  参考文献:

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

  [2]付荣.机器视觉技术农业生产中的应用[J]呼伦贝尔职业技术学院,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.机器视觉技术在农作物种子质量检测中的应用研究发展[J]农业工程学报2011,17(6):175-179

  [6]杨红珍,张建伟,李湘涛,等.基于图像的昆虫远程自动识别系统的研究[J].农业工程学报,2008,24(1):188-192.

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

  [8]邬书跃.基于支持向量机和贝叶斯分析技术的入侵检测方法研究[D].中南大学,2012.

  [9]朱鑫.基于图像处理的植物根系分割及定量分析系统的研究与实现[D].重庆大学,2014.

  [10]魏晓丽,殷健.物体形状位置图像处理算法[J].计算机应用,2000,09.

  [11]褚文涛.基于复合图像处理方法的路表面裂缝类破损自动识别方法研究[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,欢迎您写论文时引用,并注明出处。



评论


相关推荐

技术专区

关闭