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。