本發(fā)明涉及一種絲錠外觀缺陷檢測技術(shù)，尤其是涉及一種自動分類式的絲錠外觀檢測系統(tǒng)及方法。

背景技術(shù)：

化纖絲錠上存在的瑕疵不但影響絲錠的外觀，同時也影響到絲錠的等級，更甚會出現(xiàn)斷絲的現(xiàn)象，影響下游環(huán)節(jié)的生產(chǎn)。目前一般通過人工方式對存在外觀缺陷的絲錠進行分類，然而使用人工的方法無疑是巨大的人力、物力、財力的浪費。若想使用高自動化的檢測方法，就需要使用到精密的控制系統(tǒng)、高效的檢測算法和精準的分類技術(shù)。

已有的絲錠檢測方法，只是在特定情況下，針對絲錠的單一品種做檢測，而且檢測的結(jié)果無法自動分類。而絲錠在流水線上高速的運動，在檢測出問題后，需要精準的進行分類，該問題的難點就更加突出。另外目前一些自動檢測系統(tǒng)在圖像采集過程中缺少對于拍攝位置及光源的控制，導(dǎo)致拍攝效果不理想，對后續(xù)外觀檢測造成影響。

申請?zhí)枮?01110157427.9，名稱為“絲束污點信息采集裝置”的專利說明書中公開了一種絲束信息采集裝置，該發(fā)明的采集裝置就缺少對光源的選擇和控制，拍攝效果不夠理想，對后續(xù)算法對檢測結(jié)果的判斷影響很大。

申請?zhí)枮?01210049619.2，名稱為“絲束外觀質(zhì)量檢測系統(tǒng)”的專利說明書中公開了一種絲束外觀檢測系統(tǒng)，該發(fā)明檢測系統(tǒng)，缺少了對光源的控制，在高精度的檢測算法中，該類方法的光源很容易互相干擾。另外本發(fā)明沒有對檢測的問題絲束進行分類，后續(xù)使用人工的分類的方法，工作量大，效率欠佳。該系統(tǒng)的自動化程度還有提高的空間。

技術(shù)實現(xiàn)要素：

本發(fā)明主要是解決現(xiàn)有技術(shù)中采用人工方式對外觀缺陷絲錠進行分揀存在人力、物力、財力浪費，自動檢測系統(tǒng)缺少位置和光源控制影響拍攝效果，進而影響后續(xù)對外觀缺陷檢測結(jié)果，以及對絲錠外觀缺陷檢測不夠高效精確的問題，提供了一種控制精密、精確分類、外觀缺陷檢測高效的基于大數(shù)據(jù)自學(xué)習(xí)化纖絲錠智能外觀檢測系統(tǒng)及方法。

本發(fā)明的上述技術(shù)問題主要是通過下述技術(shù)方案得以解決的：基于大數(shù)據(jù)自學(xué)習(xí)化纖絲錠智能外觀檢測系統(tǒng)，包括

裝載絲錠的托盤；

對托盤進行運輸?shù)膫魉蛦卧趥魉蛦卧显O(shè)置有暗箱，在暗箱后的傳送單元上設(shè)置有分揀單元，在暗箱中設(shè)置有對絲錠頂面、側(cè)面、底面分別進行圖像采集的圖像采集單元，圖像采集單元將采集信息發(fā)送給系統(tǒng)的圖像處理單元進行缺陷分析；

分揀單元接收缺陷分析結(jié)果對輸出的絲錠進行分揀；

其中圖像處理單元對采集圖像采用差分方法進行絲線檢測區(qū)域定位，對檢測區(qū)域進行油污檢測。

本發(fā)明通過采集絲錠各個面的圖像對絲錠外觀缺陷進行分析，根據(jù)分析結(jié)果對絲錠進行自動分類，相比采用人工的方式節(jié)省了大量的人力、物力和財力。同時相比一般檢查系統(tǒng)增加了對問題絲錠進行自動分類功能，無需后續(xù)由人工進行分類，減少了工作量，提高了工作效率。本發(fā)明中的絲錠為化纖絲錠，后面一絲錠進行簡稱。

作為一種優(yōu)選方案，在托盤上設(shè)置有記錄絲錠信息的電子標簽，在傳送單元上設(shè)置有圖像分析前對電子標簽進行讀取的第一讀卡單元、將分析結(jié)果寫入電子標簽的寫卡單元、分揀前對電子標簽進行讀取的第二讀卡單元，第一讀卡單元、寫卡單元、第二讀卡單元分別與進入其感應(yīng)范圍內(nèi)的電子標簽進行連接，第一讀卡單元與圖像處理單元輸入端相連，寫卡單元與圖像處理單元輸出端相連，第二讀卡單元與分揀單元相連。本方案采用RFID技術(shù)對信息進行讀寫，每個運輸絲錠的托盤通過電子標簽?zāi)苡涗洰斍敖z錠的質(zhì)量信息，方便對每個絲錠質(zhì)量進行實時記錄和讀取，并能根據(jù)電子標簽記錄信息使分揀單元有效對絲錠進行分類。第一讀卡單元安裝在暗箱內(nèi)，圖像采集單元之前，在圖像采集單元工作前進行讀取電子標簽信息。寫卡單元安裝在圖像采集單元之后，將圖像處理單元分析后的結(jié)果寫入到電子標簽。第二讀卡單元安裝在分揀單元之前，在托盤到達分揀單元前讀取電子標簽信息給分揀單元，分揀單元根據(jù)信息對存在外觀缺陷的絲錠進行分揀。

作為一種優(yōu)選方案，還包括定位單元，定位單元包括對絲錠到達三個圖像采集位置分別進行檢測的第一紅外單元、第二紅外單元、第三紅外單元，所述圖像采集單元包括對絲錠底部進行圖像采集的底部攝像單元和底部照明單元，對絲錠側(cè)面進行圖像采集的側(cè)面攝像單元和側(cè)面照明單元，對絲錠頂部進行圖像采集的頂部攝像單元和頂部照明單元，第一紅外單元分別與頂部攝像單元、頂部照明單元相連，第二紅外單元分別與側(cè)面攝像單元、側(cè)面照明單元相連，第三紅外單元分別與底部攝像單元相連、底部照明單元相連，頂部攝像單元、側(cè)面攝像單元、底部攝像單元分別與圖像處理單元相連。本方案中采用紅外傳感技術(shù)對絲錠圖像采集的攝像頭和照明光源進行控制，分別選擇對絲錠頂部、側(cè)面、底部進行圖像采集，系統(tǒng)控制更加精密，有效防止了照明光源相互干擾，提高了拍攝效果，提高了后續(xù)分析結(jié)果的準確性。

作為一種優(yōu)選方案，所述托盤包括底盤，在底盤中間豎直設(shè)置有支撐桿，在支撐桿上端連接頭，絲錠插在連接頭上，所述傳送單元為若干輥筒傳動連接構(gòu)成傳送裝置，在傳送單元的兩側(cè)上分別設(shè)置有限位擋沿，托盤的底盤兩側(cè)邊緣部分分別壓在限位擋沿下。本方案中由托盤帶動絲錠進行移動，絲錠插在支撐桿上端的連接頭上。限位擋沿防止了托盤在傳送過程中翻倒或脫離出傳送單元，保證了托盤在傳送單元沿正確方向前進。所述傳送單元后端分岔形成缺陷產(chǎn)品輸送通道和優(yōu)良產(chǎn)品輸送通道，優(yōu)良產(chǎn)品輸送通道與傳送單元前部同向，缺陷產(chǎn)品輸送通道垂直優(yōu)良產(chǎn)品輸送通道，所述分揀單元安裝在傳送單元分岔處，分揀單元包括導(dǎo)向條和氣缸，所述導(dǎo)向條為圓弧結(jié)構(gòu)，導(dǎo)向條固定在擺桿一端，擺桿另一端鉸接在傳送單元一側(cè)，所述氣缸固定在傳送單元同側(cè)，氣缸的活塞桿前端鉸接在擺桿近導(dǎo)向條一側(cè)上，氣缸拉伸時，推送導(dǎo)向條擋在優(yōu)良產(chǎn)品通道前。本方案中分揀單元將檢測存在缺陷的絲錠引導(dǎo)入缺陷產(chǎn)品輸送通道，完成自動分類。擺桿和氣缸安裝在同側(cè)，兩者之間成八字形設(shè)置，氣缸的活塞桿伸縮帶動擺桿擺動，氣缸收縮時擺桿縮入在傳送單元外側(cè)，則托盤在傳送單元輸送下進入優(yōu)良產(chǎn)品通道，當分揀單元檢測到絲錠缺陷信息時控制氣缸伸展，則擺桿進入傳送單元內(nèi)，并擋在優(yōu)良產(chǎn)品通道前，則托盤在導(dǎo)向條的引導(dǎo)下進入缺陷產(chǎn)品通道，然后氣缸恢復(fù)到收縮狀態(tài)。

一種自動分類式的絲錠外觀檢測控制方法，包括以下步驟：

S1.讀取當前將進行圖像采集操作的絲錠的電子標簽信息；

S2.檢測到當前絲錠進入圖像采集工位時，控制圖像采集單元分別對絲錠頂部、側(cè)面、底部進行圖像采集；

S3.圖像處理單元分別對采集的絲錠三面的圖像信息進行污點檢測，污點檢測包括：

S31.對采集圖像進行預(yù)處理；通過預(yù)處理對圖像噪聲進行抑制，以方便對油污的檢測。

S32.通過背景差分技術(shù)對絲錠檢測區(qū)域進行定位；

由于絲線油污的灰度與紋理和絲錠的背景圖像即暗箱體部分圖像十分相似。為了減少油污的誤報必須將絲線的區(qū)域定位出來。由于設(shè)備原因，絲錠在每幀圖像上的位置是不固定的，給絲線的定位帶來了一定的難度?？紤]到絲錠的顏色與檢測箱體有比較大的差別，本方案采用背景差分的方法來提取前景區(qū)域，來輔助油污檢測區(qū)域的定位。

S33.對絲線檢測區(qū)域分別進行塊狀油污檢測和斑點油污檢測；

最后將所有采集圖像檢測結(jié)果寫入當前絲錠的電子標簽內(nèi)；

S4.讀取當前經(jīng)過絲錠的電子標簽信息，控制分揀單元將存在污點缺陷的絲錠分離出來。

作為一種優(yōu)選方案，步驟S2中圖像采集包括以下控制過程：

S21.當?shù)谌t外單元檢測到被絲錠遮蔽時，打開底部照明單元，同時控制頂部攝像單元延時0.1s后進行圖像抓拍；

S22.當?shù)谝患t外單元檢測到被絲錠遮蔽時，關(guān)閉底部照明單元，打開頂部照明單元，同時控制頂部攝像單元延時0.1s后進行圖像抓拍；

S23.當?shù)诙t外單元檢測到被絲錠遮蔽時，關(guān)閉底部照明單元，打開側(cè)面照明單元，同時控制側(cè)面攝像單元延時0.1s后進行圖像抓拍。本方案中通過三個紅外單元有效將絲錠的外觀檢測分開，有利于外觀檢測專項性和拓展。

作為一種優(yōu)選方案，步驟S31具體包括以下過程：

S311.對采集圖像進行灰度化處理；由于待檢測的絲錠是白色，如果圖像采集單元獲取的是彩色圖像，可以根據(jù)公式Y(jié)＝(R+B+G)/3，將RGB圖像轉(zhuǎn)化為灰度圖像。其中Y表示處理后圖像灰度值，R、B、G分別表示紅、藍、綠三個通道顏色值。

S312.對采集圖像進行中值濾波；中值濾波可以有效消除攝像設(shè)備感光不充分帶來的噪聲，同時對于絲錠表面的灰度不均勻具有一定的抑制作用。

S313.對采集圖像進行多尺度小波變換，獲得一個低分辨率的低頻分量的增強圖像數(shù)據(jù)。多尺度小波變換將圖像分解成多個方向的邊緣信息分量以及低頻分量，本發(fā)明取多尺度下的低頻分量用于后續(xù)的油污檢測。相對與原始采集圖像，在增強圖像數(shù)據(jù)中由成像系統(tǒng)引入的噪聲和絲錠的紋理干擾都在一定程度上得到抑制，有助于降低后續(xù)油污檢測的難度。本步驟中圖像經(jīng)過3個尺度的小波分解后，得到一個低分辨率的低頻分量圖像數(shù)據(jù)。本發(fā)明的多尺度小波變換可以采用haar小波變換。

作為一種優(yōu)選方案，步驟S32具體過程包括：

對側(cè)部圖像進行絲錠檢測區(qū)域定位步驟，其包括：

S3211.拍攝一張圖像作為固定背景圖像；拍攝暗箱內(nèi)部分作為背景圖像。由于暗箱內(nèi)光源相對固定，在工位上沒有絲錠的情況下，拍攝一種圖形作為暗箱的背景圖像。

S3212.對背景圖像與增強圖像數(shù)據(jù)圖像進行灰度差分，采用公式

F_i＝abs(I-B)/I＞thre

進行前景判斷，其中Fi為灰度差分的前景二值圖像，thre為閾值，abs為絕對值函數(shù)，I為待檢測圖像，B為背景圖像；根據(jù)韋伯定理，人眼能夠感測到的圖像的灰度值的變化在低灰度值區(qū)間和高灰度值區(qū)間是不同的，因此采用本步驟進行判斷。其中thre為預(yù)設(shè)，預(yù)設(shè)值根據(jù)經(jīng)驗設(shè)定。

S3213.對背景圖像與增強圖像數(shù)據(jù)圖像進行梯度差分，計算增強數(shù)據(jù)圖像和背景圖像的x和y軸方向的梯度，分別記為I_X、I_y、B_X、B_y，采用公式

F_g＝(abs(I_x-B_x)＞thre1|abs(I_y-B_y)＞thre2)

進行前景判斷，其中Fg為經(jīng)過梯度差分得到的前景二值圖像，thre1和thre2分別為x軸方向和y軸方向梯度的差分閾值，“|”表示x軸方向和y軸方向梯度差分的前景進行合并；

S3214.將獲得的前景圖像Fi和前景圖像Fg采用或操作進行前景融合，獲得完整前景圖像；通過灰度差分和梯度差分獲得的兩個前景圖像都是不完整的，會在檢測區(qū)域發(fā)生孔洞或在檢測區(qū)域出現(xiàn)缺失，將兩個前景圖像融合起來，就能得到比較完整的前景圖像。

S3215.對完整前景圖像進行x軸方向投影，然后進行直方圖掃描，分析上下兩個端面出現(xiàn)的直方圖突變點，定位絲錠y軸方向的上下兩個邊緣坐標；由于線錠是相對于圖像原點是平行擺放的，所以y軸方向上的上下兩個邊緣是近似水平的。

S3216.對前景二值圖像Fg進行距離變換，得到距離變換圖像Fe，距離變換圖像的每個像素點的值為從該點觸發(fā)到最近前景點的歐式距離；對于二值圖像的形狀匹配，通過距離變換可以精確的獲得匹配結(jié)果。

S3217.預(yù)先設(shè)計圓弧模板數(shù)據(jù)，遍歷距離變換圖像，計算模板圖像所覆蓋的距離的和，獲得距離最小的點作為做種的匹配位置，計算公式如下，

其中X為最佳匹配點的坐標，T為圓弧模板，N表示模板T可以在Fe中遍歷的范圍，S為模板T的坐標范圍，m表示模板的id，c為移動窗口的左上頂點坐標；然后利用預(yù)設(shè)模板匹配求得絲錠x軸方向的兩個端面的邊界坐標；由于圖像中絲錠的左右兩端面是圓弧形狀的，所以前面的直方圖掃描方法對于定位絲錠x軸方向的邊界不適用。本方案采用基于圓弧模板的匹配方法，在圖像中搜索與預(yù)設(shè)的模板相似度最佳的位置作為線錠x軸方向的邊緣。預(yù)先設(shè)計多個絲錠左右兩端圓弧模板數(shù)據(jù)。本發(fā)明中要定義的左右兩個端面是不同的，所以設(shè)計了兩個不同的圓弧模板，此時m＝0，1。

S3218.根據(jù)定位絲錠y軸方向的上下兩個邊緣坐標、絲錠x軸方向的兩個端面的邊界坐標進行定位獲得檢測區(qū)域；

其中對頂部、底部圖像進行絲錠檢測區(qū)域定位步驟，其包括：

S3221.拍攝一張圖像作為固定背景圖像；

S3222.對背景圖像與增強圖像數(shù)據(jù)圖像進行灰度差分，采用公式

F_i＝abs(I-B)/I＞thre

進行前景判斷，得到灰度差分的前景二值圖像Fi，其中thre為閾值，abs為絕對值函數(shù)，I為待檢測圖像，B為背景圖像；

S3223.利用連通域檢測算法，將前景二值圖Fi中邊緣輪廓提取出來，作為絲錠的油污檢測區(qū)域。

作為一種優(yōu)選方案，步驟S33包括塊狀油污檢測步驟和斑點油污檢測步驟，任一步驟中檢測到存在油污則判斷所檢測的采集圖像存在油污；

塊狀油污檢測步驟包括：

S3311.將增強數(shù)據(jù)圖像進行多尺度小波變換，獲得一個低頻信息大尺度圖像；

S3312.在該大尺度圖像上通過邊緣檢測提取圖像的有無候選區(qū)域；在低頻信息圖像上塊狀油污呈現(xiàn)出明顯的邊緣信息。此時的候選區(qū)域除了塊狀油污外，還包括了由于光照在絲錠上的反射差異造成的邊緣信息。

S3313.利用連通域檢測算法，將候選區(qū)域分割成一個個獨立的歧義區(qū)域；本步驟中采用8鄰域連通域分析方法。

S3314.對歧義區(qū)域進行形狀分析，形狀呈現(xiàn)長條形的歧義區(qū)域不符合條件，為非塊狀油污區(qū)域，進行丟棄，形狀非呈現(xiàn)長條形的歧義區(qū)域則符合條件，為塊狀油污區(qū)域，若最后獲得塊狀油污區(qū)域，判斷存在油污，若最后沒有獲得符合條件的歧義區(qū)域，判斷不存在油污；

塊狀油污在圖像上呈現(xiàn)的特性是油污灰度不均勻，油污的形狀不規(guī)則，油污與絲線的邊界逐漸過渡，沒有明顯邊界?；谝陨系姆治觯苯釉谠鰪姅?shù)據(jù)圖像上做灰度或者邊緣的分割很難得到好的效果。因此，本方案中提出了基于二維小波變換的方法，在大尺度圖像上提取歧義區(qū)域，然后根據(jù)提取到的歧義區(qū)域進行形狀分析，進一步把油污與檢測噪聲區(qū)分開來。

斑點油污檢測步驟包括：

S3321.設(shè)定一個待測斑點油污的窗口大小，用這個窗口在檢測區(qū)域內(nèi)遍歷整個增強數(shù)據(jù)圖像；

S3322.對于每個遍歷的窗口，利用otsu算法求得二值化閾值t，對窗口內(nèi)的圖像塊進行二值化處理，得到二值化圖像a；

S3323.利用比閾值t小些的閾值t1再對窗口內(nèi)的圖像塊進行二值化處理，得到二值化圖像b；

S3324.保持閾值t不變，改變窗口面積，利用閾值t對新的窗口內(nèi)圖像塊進行二值化處理，得到二值化圖像c；

S3325.根據(jù)公式分別分析二值化圖像a、二值化圖像b、二值化圖像c的穩(wěn)定性，其中p為，s為二值化圖像的面積，t為閾值，a為窗口面積，THRE1和THRE2分別為預(yù)先人為設(shè)定的兩個閾值；若有窗口滿足上述公式的條件，則認為其是灰度穩(wěn)定的窗口，作為斑點油污的候選點；

S3326.遍歷所有窗口，得到所有候選點，對所有候選點的灰度均值分別與預(yù)先設(shè)定的閾值H進行比較，判斷候選點灰度均值是否小于閾值H，若是則認為該候選點為斑點油污，若否則丟棄該候選點；斑點油污的灰度值一般比較低，本方案利用二值化圖像的灰度均值進行判斷，閾值H為預(yù)先設(shè)定的值。

S3327.最后若獲得作為斑點油污的候選點，則判斷存在油污，若沒有獲得作為斑點油污的候選點，則判斷不存在油污。

斑點油污在圖像中呈現(xiàn)的特征是油污區(qū)域灰度值比較低，油污的面積相對比較小，油污與絲線的邊界比較清晰。但是由于油污面積相對比較小，如果利用傳統(tǒng)的分割方法，很容易與絲線紋理相混淆，尤其在絲線的紋理之間存在陰影的時候，會導(dǎo)致很多誤檢?；谏厦嬖?，本方案提供一種基于相對灰度閾值變換和空域變換的灰度穩(wěn)定區(qū)域檢測方法。

作為一種優(yōu)選方案，步驟S3314中對歧義區(qū)域進行形狀分析還包括自學(xué)習(xí)方法，包括以下步驟：

a.收集塊狀油污區(qū)域作為油污樣本進行儲存，收集非塊狀油污區(qū)域作為非油污樣本進行儲存；

b.當存儲的油污樣本和非油污樣本達到設(shè)定數(shù)量后，根據(jù)收集的油污和非油污樣本自動訓(xùn)練一個油污分類器；

c.將油污分類器取代形狀分析中之前的判斷方法。

由于塊狀油污的產(chǎn)生的原因很多，塊狀油污呈現(xiàn)的形狀也各不相同，步驟S3314中形狀分析僅僅通過傳統(tǒng)方法的定義形狀的統(tǒng)計規(guī)則的方法來做出判斷準確率達不到實際生產(chǎn)的要求。由于缺少樣本，采用大規(guī)模的機器學(xué)習(xí)的方法也不適合，因為需要設(shè)計自己學(xué)習(xí)的模塊，通過自學(xué)習(xí)，不斷更新迭代，從而使形狀分析更加有效，準確率達到生產(chǎn)要求。在生產(chǎn)過程的初期，通過流程不斷的積累油污樣本和非油污樣本。當達到一定數(shù)量后，系統(tǒng)將利用模式識別中分離器的方法，根據(jù)搜集的油污與非油污樣本自動訓(xùn)練一個油污分類器，將學(xué)習(xí)到的分類器取代形狀分析中預(yù)先定義的判斷規(guī)則。從而進一步提升油污檢測的準確率，使得樣本的搜集也更加準確，這樣使得整個系統(tǒng)形成正反饋，對塊狀油污的檢測率也將越來越高。新的訓(xùn)練結(jié)果相對于舊的分類器學(xué)習(xí)到了更多的樣本的共性特征，從而具有更好的油污檢測能力，這樣搜集的油污樣本和非油污樣本更加準確。當達到下一次訓(xùn)練標準時，會將現(xiàn)有分類器更新為更加準確的分類器。從而達到正反饋，使得系統(tǒng)運行不斷變好，從而達到實際應(yīng)用的要求。

因此，本發(fā)明的優(yōu)點是：提供了一種大數(shù)據(jù)智能的絲錠表面缺陷檢測系統(tǒng)及方法，通過采集絲錠各個面的圖像對絲錠外觀缺陷進行分析，根據(jù)分析結(jié)果對絲錠進行自動分類，相比采用人工的方式節(jié)省了大量的人力、物力和財力。同時相比一般檢查系統(tǒng)增加了對問題絲錠進行自動分類功能，無需后續(xù)由人工進行分類，減少了工作量，提高了工作效率。包括自學(xué)習(xí)功能，進一步提升了油污檢測的準確率。

1.本發(fā)明為絲錠油污檢測的總體流程。

2.本發(fā)明基于中值濾波器與多尺度小波分解的絲錠圖像預(yù)處理算法

3.本發(fā)明基本韋伯算子的灰度圖像與梯度圖像差分的絲錠圖像前景檢測方法。

4.本發(fā)明基于距離變換的絲錠邊緣圓弧的定位算法。

5.本發(fā)明基于小波變換與邊緣檢測的塊狀油污檢測方法。

6.本發(fā)明基于相對灰度閾值變換和空域變換的圖像灰度穩(wěn)定分析算法。

7.本發(fā)明基于6算法的斑點油污檢測方法。

8.本發(fā)明具有在線自動學(xué)習(xí)的塊狀油污檢測方法。

附圖說明

附圖1是本發(fā)明系統(tǒng)的一種結(jié)構(gòu)示意圖；

附圖2是本發(fā)明中托盤的一種結(jié)構(gòu)示意圖；

附圖3是本發(fā)明的一種控制結(jié)構(gòu)框圖；

附圖4是本發(fā)明方法的流程示意圖；

附圖5是本發(fā)明中絲錠側(cè)面圖像檢測區(qū)域定位的一種流程示意圖；

附圖6是本發(fā)明中絲錠頂部、底部圖像檢測區(qū)域定位的一種流程示意圖；

附圖7本發(fā)明中塊狀油污檢測的一種流程示意圖；

附圖8是本發(fā)明中斑點油污檢測的一種流程示意圖。

1-托盤 2-傳送單元 3-暗箱 4-分揀單元 5-圖像采集單元 6-圖像處理單元 7-定位單元 8-第一紅外單元 9-第二紅外單元 10-第三紅外單元 11-頂部攝像單元 12-頂部照明單元 13-側(cè)面攝像單元 14-側(cè)面照明單元 15-底部攝像單元 16-底部照明單元 17-電子標簽 18-第一讀卡單元 19-寫卡單元 20-第二讀卡單元 21-底盤 22-支撐桿 23-連接頭 24-絲錠 25-限位擋沿 26-導(dǎo)向條 27-擺桿 28-氣缸 29-優(yōu)良產(chǎn)品輸送通道 30-缺陷產(chǎn)品輸送通道。

具體實施方式

下面通過實施例，并結(jié)合附圖，對本發(fā)明的技術(shù)方案作進一步具體的說明。

實施例：

本實施例一種基于大數(shù)據(jù)自學(xué)習(xí)化纖絲錠智能外觀檢測系統(tǒng)，如圖1所示，包括裝載絲錠的托盤1，對托盤進行運輸?shù)膫魉蛦卧?。在傳送單元上設(shè)置有暗箱3，暗箱設(shè)置有入口和出口，傳送單元有入口進入出口出去，在暗箱后的傳送單元上設(shè)置有分揀單元4，在暗箱中設(shè)置有對絲錠頂面、側(cè)面、底面分別進行圖像采集的圖像采集單元5，圖像采集單元將采集信息發(fā)送給系統(tǒng)的圖像處理單元6進行缺陷分析，對絲錠拍攝位置進行定位的定位單元。其中分揀單元接收缺陷分析結(jié)果對輸出的絲錠進行分揀；圖像處理單元對采集圖像采用差分方法進行絲線檢測區(qū)域定位，對檢測區(qū)域進行油污檢測。

如圖1和圖3所示，在托盤上設(shè)置有記錄絲錠信息的電子標簽17，該信息最初包括編號。在傳送單元上設(shè)置有圖像分析前對電子標簽進行讀取的第一讀卡單元18、將分析結(jié)果寫入電子標簽的寫卡單元19、分揀前對電子標簽進行讀取的第二讀卡單元20。第一讀卡單元、寫卡單元、第二讀卡單元分別與進入其感應(yīng)范圍內(nèi)的電子標簽17進行連接。第一讀卡單元與圖像處理單元輸入端相連，寫卡單元與圖像處理單元輸出端相連，第二讀卡單元與分揀單元相連。第一讀卡單元、寫卡單元和第二讀卡單元分別依次排列安裝在傳送單元上，托盤上的電子標簽在經(jīng)過它們感應(yīng)區(qū)域時分別與其連接。

定位單元包括對絲錠到達三個圖像采集位置分別進行檢測的第一紅外單元8、第二紅外單元9、第三紅外單元10。圖像采集單元包括對絲錠底部進行圖像采集的底部攝像單元15和底部照明單元16，對絲錠側(cè)面進行圖像采集的側(cè)面攝像單元13和側(cè)面照明單元14，對絲錠頂部進行圖像采集的頂部攝像單元11和頂部照明單元12。第一紅外單元分別與頂部攝像單元、頂部照明單元相連，第二紅外單元分別與側(cè)面攝像單元、側(cè)面照明單元相連，第三紅外單元分別與底部攝像單元相連、底部照明單元相連，頂部攝像單元、側(cè)面攝像單元、底部攝像單元分別與圖像處理單元相連。

如圖2所示，托盤包括底盤21，在底盤中間豎直設(shè)置有支撐桿22，在支撐桿上端連接頭23，絲錠24插在連接頭上。傳送單元為若干輥筒傳動連接構(gòu)成傳送裝置。如圖1所示，在傳送單元的兩側(cè)上分別設(shè)置有限位擋沿25，托盤的底盤兩側(cè)邊緣部分分別壓在限位擋沿下。

傳送單元后端分岔形成缺陷產(chǎn)品輸送通道30和優(yōu)良產(chǎn)品輸送通道29，優(yōu)良產(chǎn)品輸送通道與傳送單元前部同向，缺陷產(chǎn)品輸送通道垂直優(yōu)良產(chǎn)品輸送通道。

分揀單元安裝在傳送單元分岔處，分揀單元包括導(dǎo)向條26和氣缸28，導(dǎo)向條為圓弧結(jié)構(gòu)，導(dǎo)向條固定在擺桿27一端，擺桿另一端鉸接在傳送單元一側(cè)，氣缸固定在傳送單元同側(cè)，氣缸的活塞桿前端鉸接在擺桿近導(dǎo)向條一側(cè)上，氣缸拉伸時，推送導(dǎo)向條擋在優(yōu)良產(chǎn)品通道前。

一種基于大數(shù)據(jù)自學(xué)習(xí)化纖絲錠智能外觀檢測方法，包括以下步驟：

S1.讀取當前將進行圖像采集操作的絲錠的電子標簽信息；

在系統(tǒng)開始工作時，傳送單元將按照有絲錠的托盤送入暗箱內(nèi)，當其中托盤移動至第一讀卡單元處時，電子標簽進入第一讀卡單元感應(yīng)范圍，第一讀卡單元讀取電子標簽的信息并發(fā)送給圖像處理單元，讀取的信息包括編號即待檢測絲錠的編號。

S2.檢測到當前絲錠進入圖像采集工位時，控制圖像采集單元分別對絲錠頂部、側(cè)面、底部進行圖像采集；

托盤繼續(xù)前進進入圖像采集工位，圖像采集包括以下控制過程：

S21.當?shù)谌t外單元檢測到被絲錠遮蔽時，打開底部照明單元，同時控制頂部攝像單元延時0.1s后進行圖像抓拍；

S22.當?shù)谝患t外單元檢測到被絲錠遮蔽時，關(guān)閉底部照明單元，打開頂部照明單元，同時控制頂部攝像單元延時0.1s后進行圖像抓拍；

S23.當?shù)诙t外單元檢測到被絲錠遮蔽時，關(guān)閉底部照明單元，打開側(cè)面照明單元，同時控制側(cè)面攝像單元延時0.1s后進行圖像抓拍。

圖像采集單元將采集的三個面圖像發(fā)送至圖像處理單元。

S3.圖像處理單元分別對采集的絲錠三面的圖像信息進行污點檢測；如圖4所示，污點檢測的過程包括：

S31.對采集圖像進行預(yù)處理；預(yù)處理的過程為：

S311.對采集圖像進行灰度化處理；由于待檢測的絲錠是白色，如果圖像采集單元獲取的是彩色圖像，可以根據(jù)公式Y(jié)＝(R+B+G)/3，將RGB圖像轉(zhuǎn)化為灰度圖像。其中Y表示處理后圖像灰度值，R、B、G分別表示紅、藍、綠三個通道顏色值。

S312.對采集圖像進行中值濾波；

S313.對采集圖像進行多尺度小波變換，獲得一個低分辨率的低頻分量的增強圖像數(shù)據(jù)。

S32.通過背景差分技術(shù)對絲錠檢測區(qū)域進行定位；由于絲錠側(cè)面拍攝的圖像和頂部、底部拍攝的圖像不相同，其檢測區(qū)域定位的方法各不相同；

其中對側(cè)部圖像進行絲錠檢測區(qū)域定位步驟，如圖5所示，其包括：

S3211.拍攝一張圖像作為固定背景圖像；由于暗箱內(nèi)光源相對固定，在工位上沒有絲錠的情況下，拍攝一種圖形作為暗箱的背景圖像。

S3212.對背景圖像與增強圖像數(shù)據(jù)圖像進行灰度差分，采用公式

F_i＝abs(I-B)/I＞thre

進行前景判斷，其中Fi為灰度差分的前景二值圖像，thre為閾值，abs為絕對值函數(shù)，I為待檢測圖像，B為背景圖像；

S3213.對背景圖像與增強圖像數(shù)據(jù)圖像進行梯度差分，計算增強數(shù)據(jù)圖像和背景圖像的x和y軸方向的梯度，分別記為I_X、I_y、B_X、B_y，采用公式

F_g＝(abs(I_x-B_x)＞thre1|abs(I_y-B_y)＞thre2)

進行前景判斷，其中Fg為經(jīng)過梯度差分得到的前景二值圖像，thre1和thre2分別為x軸方向和y軸方向梯度的差分閾值，“|”表示x軸方向和y軸方向梯度差分的前景進行合并；

S3214.將獲得的前景圖像Fi和前景圖像Fg采用或操作進行前景融合，獲得完整前景圖像；

S3215.對完整前景圖像進行x軸方向投影，然后進行直方圖掃描，分析上下兩個端面出現(xiàn)的直方圖突變點，定位絲錠y軸方向的上下兩個邊緣坐標；

S3216.對前景二值圖像Fg進行距離變換，得到距離變換圖像Fe，距離變換圖像的每個像素點的值為從該點觸發(fā)到最近前景點的歐式距離；

S3217.預(yù)先設(shè)計圓弧模板數(shù)據(jù)，遍歷距離變換圖像，計算模板圖像所覆蓋的距離的和，獲得距離最小的點作為做種的匹配位置，計算公式如下，

其中X為最佳匹配點的坐標，T為圓弧模板，N表示模板T可以在Fe中遍歷的范圍，S為模板T的坐標范圍，m表示模板的id，c為移動窗口的左上頂點坐標；然后利用預(yù)設(shè)模板匹配求得絲錠x軸方向的兩個端面的邊界坐標；由于圖像中絲錠的左右兩端面是圓弧形狀的，所以前面的直方圖掃描方法對于定位絲錠x軸方向的邊界不適用。本實施例采用基于圓弧模板的匹配方法，在圖像中搜索與預(yù)設(shè)的模板相似度最佳的位置作為線錠x軸方向的邊緣。預(yù)先設(shè)計多個絲錠左右兩端圓弧模板數(shù)據(jù)。本實施例中要定義的左右兩個端面是不同的，所以設(shè)計了兩個不同的圓弧模板，此時m＝0，1。

S3218.根據(jù)定位絲錠y軸方向的上下兩個邊緣坐標、絲錠x軸方向的兩個端面的邊界坐標進行定位獲得檢測區(qū)域；

其中對頂部、底部圖像進行絲錠檢測區(qū)域定位步驟，如圖6所示，其包括：

S3221.拍攝一張圖像作為固定背景圖像；

S3222.對背景圖像與增強圖像數(shù)據(jù)圖像進行灰度差分，采用公式

F_i＝abs(I-B)/I＞thre

進行前景判斷，得到灰度差分的前景二值圖像Fi，其中thre為閾值，abs為絕對值函數(shù)，I為待檢測圖像，B為背景圖像；

S3223.利用連通域檢測算法，將前景二值圖Fi中邊緣輪廓提取出來，作為絲錠的油污檢測區(qū)域。

S33.圖像檢測區(qū)域定位后，對絲線檢測區(qū)域分別進行油污檢測；油污檢測包括塊狀油污檢測步驟和斑點油污檢測步驟，每張圖像均要經(jīng)過塊狀油污檢測和斑點油污檢測。

塊狀油污檢測步驟如圖7所示，包括以下步驟：

S3311.將增強數(shù)據(jù)圖像進行多尺度小波變換，獲得一個低頻信息大尺度圖像；

S3312.在該大尺度圖像上通過邊緣檢測提取圖像的有無候選區(qū)域；

S3313.利用連通域檢測算法，將候選區(qū)域分割成一個個獨立的歧義區(qū)域；本步驟中采用8鄰域連通域分析方法。

S3314.對歧義區(qū)域進行形狀分析，形狀呈現(xiàn)長條形的歧義區(qū)域不符合條件，為非塊狀油污區(qū)域，進行丟棄，形狀非呈現(xiàn)長條形的歧義區(qū)域則符合條件，為塊狀油污區(qū)域，若最后獲得塊狀油污區(qū)域，判斷存在油污，若最后沒有獲得符合條件的歧義區(qū)域，判斷不存在油污；

其中對歧義區(qū)域進行形狀分析還包括自學(xué)習(xí)方法，包括以下步驟：

a.收集塊狀油污區(qū)域作為油污樣本進行儲存，收集非塊狀油污區(qū)域作為非油污樣本進行儲存；

b.當存儲的油污樣本和非油污樣本達到設(shè)定數(shù)量后，根據(jù)收集的油污和非油污樣本自動訓(xùn)練一個油污分類器；本實施例中當油污樣本和非油污樣本的數(shù)量達到500個的時候，就進行訓(xùn)練油污分類器。采用基于回歸的深度神經(jīng)網(wǎng)絡(luò)作為油污判斷的分類器。將油污樣本和非油污樣本一起作為神經(jīng)網(wǎng)絡(luò)的輸入，將樣本的類別(0表示非油污樣本類，1表示油污樣本類)作為神經(jīng)網(wǎng)絡(luò)的回歸標簽。Batchsize(批處理樣本個數(shù))設(shè)為48。通過SGD(隨機梯度下降)方法不斷迭代訓(xùn)練網(wǎng)絡(luò)，直到訓(xùn)練誤差基于穩(wěn)定。

c.將油污分類器取代形狀分析中之前的判斷方法。將訓(xùn)練得到的分類器更新到形狀分析中，作為后續(xù)的塊狀油污檢測的判斷依據(jù)。

斑點油污檢測步驟如圖8所示，包括以下步驟：

S3321.設(shè)定一個待測斑點油污的窗口大小，用這個窗口在檢測區(qū)域內(nèi)遍歷整個增強數(shù)據(jù)圖像；

S3322.對于每個遍歷的窗口，利用otsu算法求得二值化閾值t，對窗口內(nèi)的圖像塊進行二值化處理，得到二值化圖像a；

S3323.利用比閾值t小些的閾值t1再對窗口內(nèi)的圖像塊進行二值化處理，得到二值化圖像b；

S3324.保持閾值t不變，改變窗口面積，利用閾值t對新的窗口內(nèi)圖像塊進行二值化處理，得到二值化圖像c；

S3325.根據(jù)公式分別分析二值化圖像a、二值化圖像b、二值化圖像c的穩(wěn)定性，其中p為，s為二值化圖像的面積，t為閾值，a為窗口面積，THRE1和THRE2分別為預(yù)先人為設(shè)定的兩個閾值；若有窗口滿足上述公式的條件，則認為其是灰度穩(wěn)定的窗口，作為斑點油污的候選點；

S3326.遍歷所有窗口，得到所有候選點，對所有候選點的灰度均值分別與預(yù)先設(shè)定的閾值H進行比較，判斷候選點灰度均值是否小于閾值H，若是則認為該候選點為斑點油污，若否則丟棄該候選點；斑點油污的灰度值一般比較低，本方案利用二值化圖像的灰度均值進行判斷，閾值H為預(yù)先設(shè)定的值。

S3327.最后若獲得作為斑點油污的候選點，則判斷存在油污，若沒有獲得作為斑點油污的候選點，則判斷不存在油污。

在絲錠所有采集的圖像都經(jīng)過油污檢測后，檢測信息與編號相綁定形成該編號絲錠的油污檢測信息。托盤繼續(xù)前進，當托盤前進到寫卡單元處時，電子標簽進入寫卡單元感應(yīng)范圍，此時寫卡單元將編號以及檢測油污信息寫入到托盤的電子標簽內(nèi)。

S4.托盤繼續(xù)前進，當進入到第二讀卡單元感應(yīng)范圍內(nèi)時，第二讀卡單元讀取當前經(jīng)過絲錠的電子標簽信息，發(fā)送給分揀單元，控制分揀單元將存在污點缺陷的絲錠分離出來。分離過程包括：

分揀單元判斷收到的信息是否包含油污缺陷，即是否包含塊狀油污缺陷或斑點油污缺陷，若是則控制氣缸動作，氣缸推動擺桿擺動，將導(dǎo)向條推入到分叉口內(nèi)，擋在優(yōu)良產(chǎn)品通道前，此時托盤前進，托盤的支撐桿受到導(dǎo)向條阻擋，隨著導(dǎo)向桿的引導(dǎo)，將托盤帶人到缺陷產(chǎn)品通道內(nèi)，完成自動分揀。

本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。

盡管本文較多地使用了托盤、傳送單元、暗箱、分揀單元、圖像采集單元等術(shù)語，但并不排除使用其它術(shù)語的可能性。使用這些術(shù)語僅僅是為了更方便地描述和解釋本發(fā)明的本質(zhì)；把它們解釋成任何一種附加的限制都是與本發(fā)明精神相違背的。