[发明专利]一种纺纱捻线智能识别瑕疵方法及系统

说明书

本发明涉及纺织行业中智能识别空气捻接器捻接的纺线瑕疵领域，尤其是一种纺纱捻线智能识别瑕疵方法及系统。本发明提供的方法，包括如下步骤：获取空气捻接器在正常工作时的捻线画面；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；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；根据所述瑕疵存在状况处置待测纱线。本发明利用卷积神经网络在纺织流水作业上对空气捻接器的纺线瑕疵进行实时识别与监控，从而代替人工检测，不仅具有较高的准确度，同时也提升了检测的效率，极大减少了人力用工成本，保证了空气捻接器捻线的质量。

技术领域

本发明涉及纺织行业中智能识别空气捻接器捻接的纺线瑕疵领域，尤其是一种纺纱捻线智能识别瑕疵方法及系统。

背景技术

随着智能化、现代化、科技化的理念不断提升，纺织行业机械现代化的改装进程也在不断推进。目前，针对现有技术中空气捻接器捻接的纺线瑕疵识别，主要还是以人工肉眼检测为主，对于一个普通工人来说一般注意力在半个小时左右，人工检测的效率低，准确度也不高。同时，由空气捻接器捻接的纱线接头的质量好坏对后续工序的影响是极大的，因此识别空气捻接器纱线捻接时由于纱尾过长而与相邻纱线缠绕而导致的飞梭或跳花、纱尾过短而一松开导致的脱结以及结头粗大等瑕疵是必不可少地纺织作业。同时在所以本发明采用计算机视觉系统自动对无纺布的表面瑕疵进行识别，能够快速准确的识别出无纺布中的瑕疵部位。卷积神经网络作为当前智能算法的核心算法之一，多应用于图像识别领域，并在学习数据充足时，在对图像进行高效识别、学习、分类具有稳定的表现，但是使用卷积神经网络学习分类纺线瑕疵，并对纺线瑕疵进行实时识别，进而代替人工检测纺线瑕疵，尚未见有解决方案。

发明内容

针对现有技术中的缺陷和不足，第一方面，本发明提供了一种纺纱捻线智能识别瑕疵方法，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；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。本发明利用卷积神经网络在纺织流水作业上对空气捻接器的纺线瑕疵进行实时识别与监控，从而代替人工检测，不仅具有较高的准确度，同时也提升了检测的效率，极大减少了人力用工成本，保证了空气捻接器捻线的质量。

可选地，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。本发明通过照明光源与空气捻接器的配合应尽可能地突出待测纱线的特征，在待测纱线需要检测的部分与不重要部分之间应尽可能地产生了明显的区别，增加对比度的同时也应保证足够的整体亮度。

可选地，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。

可选地，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；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。本发明通过将CNN模型中的全连接层替换为支撑向量机进行数据分类，使得高维空间映射时没有增加计算的复杂度，并使得改进CNN模型后获得的CNN-SVN模型具有更加优越的分类性能。