[发明专利]一种纺纱捻线智能识别瑕疵方法及系统

权利要求书

1.一种纺纱捻线智能识别瑕疵方法，其特征在于，包括如下步骤：

获取空气捻接器在正常工作时的捻线画面，所述捻线画面中所述空气捻接器与待测纱线可区分；

根据所述捻线画面捕捉通过所述空气捻接器捻接的待测纱线图像，所述根据所述捻线画面捕捉通过所述空气捻接器捻接的待测纱线图像，包括如下步骤：

通过所述捻线画面识别所述空气捻接器的捻接动作，所述捻接动作表示在所述空气捻接器上放置待捻接的两条纱线；

将所述捻接动作完成时刻标记为预备捕捉时刻；

根据所述空气捻接器的捻接时间设定待定时差；

从时刻开始以一固定频率捕捉多帧纱线图像；

将每帧纱线图像二通道去色处理获得黑白纱线图像；

提取所述黑白纱线图像中的最小灰度值和最大灰度值；

将符合的黑白纱线图像作为待测纱线图像；

利用卷积神经网络构建CNN-SVN模型，包括如下步骤：

收集瑕疵纺纱图片生成训练集；

收集无瑕疵纺纱图片生成验证集；

利用训练集和验证集搭建CNN模型，包括如下步骤：

利用训练集和验证集搭建输入层；

在所述输入层的基础上，采用3*3的卷积核搭建第一卷积层，并在所述第一卷积层内设置第一归一化层，所述第一卷积层的激活函数为Relu函数；

在所述第一卷积层的基础上搭建平均池化层，所述平均池化层的池化核为2*2；

在所述平均池化层的基础上，采用3*3的卷积核搭建第二卷积层，并在所述第二卷积层内设置第二归一化层，所述第二卷积层的激活函数为Relu函数；

在所述第二卷积层的基础上搭建最大池化层，所述最大池化层的池化核为2*2；

在所述最大池化层的基础上，采用3*3的卷积核搭建第三卷积层，并在所述第三卷积层内设置第三归一化层，所述第三卷积层的激活函数为Relu函数，其中，所述第二归一化层和所述第三归一化层均包括归一化函数，所述归一化函数满足如下公式：

，

其中，表示归一化后的样本数据，表示输入的样本数据，m表示样本数据的数量，表示修正常数，表示尺度变化参数，表示偏移参数；

在所述第三卷积层的基础上搭建全连接层；

利用PCA算法对所述全连接层提取的图像特征降维处理；

通过降维处理后的全连接层上搭建输出层，获得所述CNN模型；

将所述CNN模型中全连接层替换为支撑向量机构建CNN-SVN模型，所述CNN-SVN模型的最优化超平面分类决策函数满足如下公式：

；

其中，m表示样本数据的数量，表示拉格朗日乘数，表示支持向量机的核函数，表示偏置项，表示输入参数，z表示训练参数，表示经验参数；

利用卷积神经网络构建CNN-SVN模型；

通过所述CNN-SVN模型识别所述待测纱线图像的瑕疵存在状况，所述瑕疵存在状况包括所述待测纱线存在瑕疵和所述待测纱线不存在瑕疵；

根据所述瑕疵存在状况处置待测纱线。

2.根据权利要求1所述的纺纱捻线智能识别瑕疵方法，其特征在于，所述获取空气捻接器在正常工作时的捻线画面，包括如下步骤：

提供照明光源；

调试照明光源对空气捻接器的照射角度和亮度；

拍摄空气捻接器在正常工作时的捻线画面。

3.根据权利要求1所述的纺纱捻线智能识别瑕疵方法，其特征在于，所述通过所述CNN-SVN模型识别所述待测纱线的瑕疵存在状况，包括如下步骤：

获取空气捻接器的背景图像，所述背景图像中空气捻接器内没有纱线；

将所述背景图像二通道去色处理后获得黑白背景图像；

对所述待测纱线图像中值滤波；

利于所述黑白背景图像，对中值滤波后的待测纱线图像阈值处理；

将阈值处理后的待测纱线图像进行开运算后获得捻接纱线图像；

根据待测纱线的面积特征、宽度特征和长度特征，从所述捻接纱线图像中切割出捻接处的待测纱线图像；

将捻接处的待测纱线图像导入所述CNN-SVN模型中识别所述待测纱线图像的瑕疵存在状况。