[发明专利]一种基于卷积神经网络的化纤飘丝质量检测方法及系统

说明书

本发明属于化纤工业技术领域，具体涉及一种基于卷积神经网络的化纤飘丝质量检测方法及系统，包括图像获取和传输模块、零件检测定位模块、参数反馈模块、零件识别判断模块以及综合判定模块；其使用CNN深度学习的方案进行飘丝异常的检测，并且提出了“关键零件异常检测”的飘丝异常检测技术。采用了动态反馈机制和综合评定机制；使用机器人巡逻摄像头抓拍后台分析的方式代替人工进行飘丝等异常情况的检测。

技术领域

本发明属于化纤工业技术领域，具体涉及一种基于卷积神经网络的化纤飘丝质量检测方法及系统。

背景技术

化纤产品主要是长丝丝饼。这种长丝只有头发丝粗细并且以每秒60米的下丝速度盘卷成长丝丝饼。这种高精尖的生产工艺对环境的要求是严苛的，有恒温恒湿恒风的“三恒”要求。环境条件的细微变化容易导致细丝飘离预定轨道，如果细丝飘到相邻轨道，就形成飘杂现象，如果细丝飘到其他地方，就形成飘丝现象。

目前先有的技术方案有主要的两种：

(1).使用人工肉眼的方式进行飘丝的检查并且预警：即让工人到机器车间进行巡逻检测预警，如果看到了出现了化纤飘丝堆积等异常情况就进行预警。这种方式的缺点就是成本高，耗时，耗费人力，整体系统的运行效率不高。

(2).使用传统的图像处理：使用高清摄像头拍摄每个油嘴或者挂钩的照片(在一个或者两个零件的位置假设摄像机采集对应的图片)，结合例如阈值分割和线条检测等传统图像处理的方法进行飘丝堆积等异常情况的检测判断。这种方式虽然解放了人力成本，但是带来了新的问题就是检测精度受到环境的影响很大，传统图像处理的方式鲁棒性较差，并且需要部署的装置也较多，成本高。

上述使用图像处理的方法虽然能够减少人力成本，但是其异常检测的能力收到光照环境的影响十分大，十分容易产生误检或是漏检，并且部署的硬件数量庞大，硬件成本较高。

发明内容

针对上述问题，本发明提供一种基于卷积神经网络的化纤飘丝质量检测方法及系统，用于化纤机械的飘丝等质量不合格的场景进行检测和预警。

本发明通过以下技术方案实现：

一种基于卷积神经网络的化纤飘丝质量检测方法，包括步骤：

S1、机器人以指预先设定的路线和参数巡逻并通过摄像头获取化纤机器的高清视频，将高清视频解帧成为原始图片；

S2、通过网络传输的方式将所述原始图片传送到后台计算服务器；

S3、使用CNN检测模型对所述原始图片中的油嘴和挂钩进行定位；

S4、根据S3的信息计算得到油嘴、挂钩对应的参数，所述参数包括模糊度、光亮度和大小比例值，判断这些参数值是否在预定的阈值范围内，若是执行步骤S5，若否，则执行步骤6；

S5、根据S4得到的参数通过反馈方程计算出调整量，并且基于该调整量调整摄像头的对焦和补光灯参数，返回步骤S1；

S6、抠出所述原始图片中的零件部分图片，使用CNN识别模型判断是否产生飘丝异常；

S7、结合多帧的识别判断结果得出最终结果，返回步骤S1。

进一步地，在所述的步骤S2中，所述网络为互联局域网。

进一步地，在所述的步骤S3中的根据显示比例和效果调整摄像头的对焦和补光灯参数具体为：根据图片定位出来的零件框的大小和零件清晰度以及零件的亮度进行摄像头的焦距和曝光动态调整。

进一步地，所述零件的亮度计算公式如下：

v＝max；

亮度计算将RGB转换成HSV通道使用v通道的值表示；