[发明专利]一种离线自动检测长丝丝卷尾巴丝的方法

说明书

本发明涉及一种离线自动检测长丝丝卷尾巴丝的方法，将丝卷的表面分为多个区域，采集各区域的外观图像后，将其分别输入到各区域对应的分类模型中，由分类模型输出表征有无尾巴丝疵点的标签，多个区域为n个区域，i＝1,2,...,n，区域i对应的分类模型为数据库训练后的LeNet卷积神经网络，数据库包含多张外观图像及其对应的标签，多张外观图像为多个丝卷表面区域i的外观图像，训练时分别以外观图像和标签为输入项和目标输出项，多个丝卷为表面区域i无尾巴丝疵点的丝卷和表面区域i有尾巴丝疵点的丝卷的集合。本发明方法检测效率高，准确率高，有着极好的推广价值。

技术领域

本发明属于化纤检测技术领域，涉及一种离线自动检测长丝丝卷尾巴丝的方法。

背景技术

尾巴丝为长丝丝卷的顶端和尾端出现的独立可见的单根或多根脱离于丝卷主体的长丝，其是长丝丝卷中常见的一种疵点，会很大程度地影响丝卷的外观和质量，例如在后道工序中经常会因为尾巴丝的存在而导致产品生产的中断，故长丝丝卷在打包前要进行卷装外观的尾巴丝检测。

现阶段尾巴丝的检测多是采用人工肉眼进行检测，需要人为的对每一个丝卷卷装进行检查以确定丝卷是否具有尾巴丝，这样不仅会耗费大量的人工和时间，影响生产效率，而且人眼的疲劳以及人的主观性也会一定程度影响尾巴丝检测的准确率。

因此，研究一种检测效率高的离线自动检测长丝丝卷尾巴丝的方法具有十分重要的意义。

发明内容

本发明的目的是为了克服上述现有技术中存在的问题，提供一种检测效率高的离线自动检测长丝丝卷尾巴丝的方法。

一种离线检测长丝丝卷尾巴丝的方法，将丝卷的表面(即容易出现尾巴丝的表面，因为尾巴丝是在丝卷的局部表面出现的，因此不用将丝卷的整体表面划分为多个区域，只需要将可能出现尾巴丝的局部表面划分为多个区域，这样有利于提高检测效率)分为多个区域，采集各区域的外观图像后，将其分别输入到各区域对应的分类模型中，由分类模型输出表征有无尾巴丝疵点的标签；

多个区域为n个区域，i＝1,2,...,n，区域i对应的分类模型为数据库训练后的LeNet卷积神经网络，数据库包含多张外观图像及其对应的标签，多张外观图像为多个丝卷表面区域i的外观图像，训练时分别以外观图像和标签为输入项和目标输出项对LeNet卷积神经网络进行训练；LeNet卷积神经网络是最早期的卷积神经网络形式，其结构简单，训练成本低，用时少，尾巴丝一般都是很明显地独立于丝卷之外的疵点，相对容易判断，利用LeNet卷积神经网络进行训练可以快速地进行识别，大大缩短用时时间；

所述多个丝卷为表面区域i无尾巴丝疵点的丝卷和表面区域i有尾巴丝疵点的丝卷的集合。

本发明的图像检测方法作为一种无接触式的检测手段可以很好的对长丝丝卷的外观进行分析处理而又不会因为接触长丝丝卷而对丝卷外观造成二次影响，而利用数据库图像训练后的LeNet卷积神经网络作为分类模型，可达到对长丝丝卷的正常卷装和含有尾巴丝的卷装的快速智能识别，此外，检测过程中所获得的外观图像亦可以不断地加入至训练样本中以不断地完善相应分类模型。

作为优选的技术方案：

如上所述的一种离线检测长丝丝卷尾巴丝的方法，建立不同的分类模型时使用的多个丝卷相同或不同。

如上所述的一种离线检测长丝丝卷尾巴丝的方法，所述多个丝卷的总数大于2000。

如上所述的一种离线检测长丝丝卷尾巴丝的方法，所述多个丝卷中表面区域i无尾巴丝疵点的丝卷与表面区域i有尾巴丝疵点的丝卷的数量比为1:1。本发明将多个丝卷中表面区域i无尾巴丝疵点的丝卷与表面区域i有尾巴丝疵点的丝卷的数量比设置为1:1是为了消除正负样本的不平衡对后续神经网络的训练和评价所带来的影响，能够很好的用准确率指标对所构建的神经网络进行评价。