機器視覺識別在紡織工業(yè)的應(yīng)用實現(xiàn)方法
在布匹的生產(chǎn)過程中,像布匹質(zhì)量檢測這種有高度重復(fù)性和智能性的工作只能靠人工檢測來完成,在現(xiàn)代化流水線后面常常可看到很多的檢測工人來執(zhí)行這道工序,給企業(yè)增加巨大的人工成本和管理成本的同時,卻仍然不能保證100 %的檢驗合格率(即“零缺陷”)。對布匹質(zhì)量的檢測是重復(fù)性勞動,容易出錯且效率低。
流水線進行自動化的改造,使布匹生產(chǎn)流水線變成快速、實時、準確、高效的流水線。在流水線上,所有布匹的顏色、及數(shù)量都要進行自動確認(以下簡稱“布匹檢測”)?,F(xiàn)在采用機器視覺的自動識別技術(shù)完成以前由人工來完成的工作。在大批量的布匹檢測中,用人工檢查產(chǎn)品質(zhì)量效率低且精度不高,用機器視覺檢測方法可以大大提高生產(chǎn)效率和生產(chǎn)的自動化程度。
特征提取辨識
一般布匹檢測(自動識別)先利用高清晰度、高速攝像鏡頭拍攝標準圖像,在此基礎(chǔ)上設(shè)定一定標準;然后拍攝被檢測的圖像,再將兩者進行對比。但是在布匹質(zhì)量檢測工程中要復(fù)雜一些:
1. 圖像的內(nèi)容不是單一的圖像,每塊被測區(qū)域存在的雜質(zhì)的數(shù)量、大小、顏色、位置不一定一致。
2. 雜質(zhì)的形狀難以事先確定。
3. 由于布匹快速運動對光線產(chǎn)生反射,圖像中可能會存在大量的噪聲。
4. 在流水線上,對布匹進行檢測,有實時性的要求。
由于上述原因,圖像識別處理時應(yīng)采取相應(yīng)的算法,提取雜質(zhì)的特征,進行模式識別,實現(xiàn)智能分析。
Color檢測
一般而言,從彩色CCD相機中獲取的圖像都是RGB圖像。也就是說每一個像素都由紅(R)綠(G)籃(B)三個成分組成,來表示RGB色彩空間中的一個點。問題在于這些色差不同于人眼的感覺。即使很小的噪聲也會改變顏色空間中的位置。所以無論我們?nèi)搜鄹杏X有多么的近似,在顏色空間中也不盡相同。基于上述原因,我們需要將RGB像素轉(zhuǎn)換成為另一種顏色空間CIELAB。目的就是使我們?nèi)搜鄣母杏X盡可能的與顏色空間中的色差相近。
Blob檢測
根據(jù)上面得到的處理圖像,根據(jù)需求,在純色背景下檢測雜質(zhì)色斑,并且要計算出色斑的面積,以確定是否在檢測范圍之內(nèi)。因此圖像處理軟件要具有分離目標,檢測目標,并且計算出其面積的功能。
Blob分析(Blob Analysis)是對圖像中相同像素的連通域進行分析,該連通域稱為Blob。經(jīng)二值化(Binary Thresholding)處理后的圖像中色斑可認為是blob。Blob分析工具可以從背景中分離出目標,并可計算出目標的數(shù)量、位置、形狀、方向和大小,還可以提供相關(guān)斑點間的拓撲結(jié)構(gòu)。在處理過程中不是采用單個的像素逐一分析,而是對圖形的行進行操作。圖像的每一行都用游程長度編碼(RLE)來表示相鄰的目標范圍。這種算法與基于象素的算法相比,大大提高處理速度。
結(jié)果處理和控制
應(yīng)用程序把返回的結(jié)果存入數(shù)據(jù)庫或用戶指定的位置,并根據(jù)結(jié)果控制機械部分做相應(yīng)的運動。
根據(jù)識別的結(jié)果,存入數(shù)據(jù)庫進行信息管理。以后可以隨時對信息進行檢索查詢,管理者可以獲知某段時間內(nèi)流水線的忙閑,為下一步的工作作出安排;可以獲知近期內(nèi)布匹的質(zhì)量情況等等。
評論