基于机器视觉的锦纶丝饼油污等级评定方法
技术领域
本发明属于检测
技术领域
，特别是指一种基于机器视觉的锦纶丝饼油污检测及等级评定方法。背景技术
锦纶是尼龙的一种别称，作为三大合成纤维之一，锦纶的耐磨性高于其他所有纤维，比棉花耐磨性高10倍，比羊毛高20倍，目前广泛地应用于各种医疗及针织品，比如制作医用缝线、制作服装、蚊帐等床上用品，由于其耐磨性，锦纶甚至被应用于代替铜等金属在机械、化工等工业中的零件。
锦纶丝通常需要缠绕在纸管上形成锦纶丝饼，以方便存放和运输。在锦纶丝饼的生产过程中，由于加工工艺、设备故障以及运输过程中的人为接触等问题会导致丝饼出现油污丝、网丝、毛丝、断头丝和丝饼成型不良等多种缺陷。丝饼上的油污不仅会影响丝饼的外观质量，而且会对后续再加工成纺织品产生影响。目前国内大多数锦纶生产企业的丝饼油污缺陷检测及评定环节都是采用人工质检的方式，不仅会有人为因素干扰，而且效率很低。此外，采用人工质检的方式使得整个企业的自动化生产程度降低，无法完成从生产到检测再到包装出库的全流程自动化。因此迫切地需要一种满足自动化生产需求的油污等级评定方法。
发明内容
本发明的目的在于针对目前很多企业仍采用人工方式对锦纶丝饼进行油污等级评定，提供一种基于机器视觉的油污等级评定方法。
本发明的技术方案在于通过对锦纶丝饼的采集图像进行一系列处理，实现自动化地油污等级评定，具体是：
步骤(1)、首先通过相机标定的方式得到丝饼图像中像素点与实际面积的换算比例，并存入计算机。
步骤(2)、通过图像采集平台从丝饼上方获得带有油污的丝饼图像。
步骤(3)、将工业相机中采集到的丝饼图像通过搭建好的传输器传到计算机。
步骤(4)、在计算机上首先将图像转化为单通道图像，即灰度化，然后对灰度化后的丝饼图像进行对比度增强，再采用滤波去除噪声。
步骤(5)、通过随机霍夫圆检测算法获取丝饼图像的内外圆区域，中间环形区域设定为感兴趣区域。
步骤(6)、通过自适应阈值法处理感兴趣区域，从而提取油污区域，计算所有油污区域中油污的像素点个数，通过步骤(1)得到的换算比例将油污的像素点个数换算成实际锦纶丝饼的油污面积。
步骤(7)、根据《化学纤维长丝卷装外观在线智能检测》行业标准，输出不同的油污缺陷等级AA级、A级、B级，输出后开始下一个丝饼的油污等级评定。
进一步的，步骤1所述的相机标定具体实现如下：
1-1.首先调整工业相机2的位置及光圈环和焦环、环形光源4的亮度，使得丝饼5在图像里清晰完整可见且亮度合适
1-2.固定工业相机2和环形光源4的位置，使得的工业相机2的相机镜头到传送带8的高度H保持不变。由于油污丝饼的高度h是不变的，则相机镜头到丝饼顶部的距离d保持不变，这样就能保证在后续等级评定的过程中，单位像素点所表示的实际丝饼上的面积Sp保持不变。
1-3.计算机对接收到的丝饼图像使用霍夫圆检测算法，获得丝饼直径所表示的像素点个数Dpx，再通过已知的丝饼实际直径D，得到单位像素点所表示的实际丝饼上的面积Sp，并存入计算机中。
进一步的，步骤2所述的图像采集平台包括暗箱、环形光源、工业相机、调节装置、传输器和固定支架；暗箱、工业相机、环形光源均设置在固定支架上，且从上到下依次固定；工业相机通过调节装置活动固定在固定支架上，可上下调节高度；工业相机用于对油污丝饼进行图像采集获得丝饼图像；传输器用于将工业相机的成像图片传输给计算机，整个图像采集平台安装在传送带上。
进一步的，步骤(6)所述的油污面积计算如下：
根据步骤(1)中相机标定过程需要预先调整好相机位置，保持镜头至丝饼顶部的距离d保持不变，从而通过以下公式得到单位像素点表示的实际面积Sp：
Sp＝(D/Dpx)2
其中，Dpx表示丝饼直径所表示的像素点个数；D表示丝饼的直径。然后通过该换算比例Sp将油污点像素数换算为油污面积。
本发明的有益效果是：
本发明通过对油污丝饼图像进行一系列图像处理方法，实现自动化的锦纶油污等级评定，能够有效替代目前人工油污等级评定方法，有利于提高锦纶企业的自动化程度。本发明通过对锦纶丝饼进行油污缺陷检测及等级评定，排除了人为因素，提高了锦纶企业自动化的程度，促进了智能制造的发展。
附图说明
图1是本发明的油污丝饼的油污等级评定流程图；
图2是本发明的采集丝饼样本的示例图；
图3是本发明的油污丝饼的油污等级评定平台侧视图；
图4是本发明的相机标定原理图；
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示，是油污丝饼的油污等级评定流程图。
首先通过预先搭建好的图像采集平台使用工业相机从丝饼上方获取带有油污的丝饼图像，并通过传输器传到计算机，并且由于油污与周围的像素点差异极大，进一步灰度化，即转换为单通道图像。采集得到的丝饼带有纹理，需要进一步处理，本发明采用的方式是先对比度增强，后进行滤波处理。
本发明采取的对比度增强方法是伽马变换，并且为了保留丝饼图像的边缘信息，采用的滤波处理方式是双边滤波。接着需要提取油污等级判定的区域，即ROI，由于从丝饼上方采集到的图像的丝饼有效区域为环形区域，所以本发明用随机霍夫圆检测的方式获取内外圆的圆心和半径。随机霍夫圆检测是传统霍夫圆检测的改进，传统霍夫圆检测需要把点(x,y)投射到三维空间(a,b,r)(其中a和b表示圆心位置，r表示半径)，累加器需要很大的空间，运算量不符合工业检测的实时性需求，而随机霍夫圆检测采用随机方式选择三个点，三个点可以确定一个圆，减少内存消耗并且节省计算时间。该方式将得到内外圆的圆心与半径，确定环形的检测区域。由于油污的像素点差异很大，本发明采用阈值分割的方式，即像素值大于某阈值的像素点输出为255，低于某阈值的像素点输出为0。由于处理后的丝饼图像像素值分布不均匀，本发明使用自适应阈值法进行阈值分割，根据不同区域的局部均值进行分割。阈值分割处理后就可以对环形检测区域统计油污点(像素值为255)，并通过计算机中保存的油污面积换算比例转换为实际的面积，计算机通过油污面积给出油污等级并输出。
如图2所示，是采集丝饼样本的示例图。该图即为通过工业相机采集到的丝饼图像样本，步骤(1)中相机标定过程需要预先调整好相机位置，保持镜头至丝饼顶部的距离d保持不变，从而通过以下公式得到单位像素点表示的实际面积Sp：
Sp＝(D/Dpx)2
其中丝饼直径所表示的像素点个数A3记为Dpx，丝饼的直径记为D。
采集到的丝饼图像将会是2个同心圆，故可以在步骤(5)中使用随机霍夫圆检测获取内外圆的圆心和半径，且在步骤(6)丝饼的实际检测区域为环形区域A1，无关区域A2中的像素点在像素点统计的过程中会被忽略。
图3是油污丝饼的油污等级评定平台侧视图，由于光照对于图像采集的影响很大，因此整个油污等级评定平台装置由隔音的暗箱1封装减少环境光和环境噪声的影响，并且光照用环形光源4替代，在图像采集之前，需要用工业相机位置调节装置3调节工业相机的位置使得丝饼5在图像中完整可见，然后需要调节工业相机2的光圈环和焦环使得丝饼5在图像里清晰并且亮度合适；调节完工业相机2和其位置之后，固定支架7上的旋钮并在之后的图像采集中不再进行调节。接着整个油污等级评定平台就可以通过传输器6连接外部计算机，对于每一个在传送带8上的丝饼5需要通过工业相机2采集到丝饼上方的图像并通过传输器发送到外部的计算机，外部计算机通过图1所表示的流程最终输出一个丝饼的油污等级评定结果。
图4是油污丝饼的相机标定原理图。在图像测量过程以及机器视觉应用中，为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，必须建立相机成像的集合模型，这些集合模型参数就是相机参数。在大多数条件下这些参数必须通过实验与计算才能得到，这个求解参数的过程就称之为相机标定。在开始对一批油污丝饼进行等级评定之前，必须进行相机标定，选用标定丝饼，首先使用调节装置3调整工业相机2的位置及光圈环和焦环、环形光源4的亮度使得丝饼5在图像里清晰完整可见且亮度合适，接着固定工业相机2和环形光源4的位置，即图中的相机镜头到传送带8的高度H保持不变。由于油污丝饼的高度h是不变的，则相机镜头到丝饼5顶部的距离d保持不变，这样就能保证在后续等级评定的过程中，单位像素点所表示的实际丝饼上的面积Sp保持不变。因此本发明可以将该丝饼图像从暗箱1中通过传输器7传回外部计算机C1，计算机C1可以使用霍夫圆检测寻找图像中的最大圆半径，测出丝饼直径所表示的像素点个数Dpx，再通过工人给定该丝饼实际直径D就可以通过本发明中所述方式计算出Sp，并存入计算机中。后续等级评定过程中不管丝饼的实际直径是否变化，只要相机镜头到丝饼顶部的距离d保持不变，单位像素点表示的实际丝饼上的面积Sp仍然适用。
实施例1：
经测量标定丝饼直径为280mm，通过霍夫圆检测算法测得该丝饼在图像中的直径为1900px，带入本发明所给式中可得丝饼在图像上的1px长度对应实际中的0.147368mm，即1px的油污约代表实际的0.0217mm2的油污面积。比如对某个油污丝饼，通过本发明的方法统计感兴趣区域中判定为油污的像素点一共有565个，换算后得油污面积为0.1227cm2，根据《化学纤维长丝卷装外观在线智能检测》行业标准，每筒油污面积小于1cm2的丝饼为A级缺陷，因此该丝饼为油污A级。
