[发明专利]一种光纤编织层的实时缺陷识别系统及其方法

权利要求书

1.一种光纤编织层的实时缺陷识别系统，其特征是应用于由n台缺陷检测仪和n台光纤编织机所构成的光纤编织的生产作业中；

所述缺陷检测仪是通过检测仪架子设置在每一台光纤编织机上，在所述检测仪架子上按照圆周方向均匀布置有三台工业面阵相机，在三台工业面阵相机所围成的圆形拍摄区域中设置有环形光源，在所述环形光源的中心设置有纳入光纤编织层的开口结构，在所述开口结构中放置有光纤编织层，用于光纤编织层的缺陷识别；

所述实时缺陷识别系统包括：成像模块、计算机控制模块、图像预处理模块、缺陷检测模块、缺陷分类模块；

所述计算机控制模块对所述环形光源的光强和三台工业面阵相机的帧率、图像大小、曝光时间参数进行自动化配置，使得三台工业面阵相机能在一定的光强下同步成像；

在所述光纤编织机的编织过程中，所述计算机控制模块发出脉冲控制信号，用于定时触发三台工业面阵相机获取所述开口结构中光纤编织层的实时图像；

所述图像预处理模块对三台工业面阵相机所获取的光纤编织层的实时图像进行预处理；

所述缺陷检测模块利用神经网络模型对预处理后的图像信息进行处理，筛选出与标准光纤编织层参数不一致的光纤编织层图像，并作为缺陷图像，从而识别出光纤编织层的缺陷信息后反馈给所述计算机控制模块；

所述缺陷分类模块采用特征提取和阈值分割算法对所筛选出的缺陷图像进行分类，得到缺陷类型并进行显示；

所述计算机控制模块根据反馈的缺陷信息，采用光信号进行报警，从而提示按照缺陷类型对光纤编织层进行修补，使得光纤编织机能恢复正常工作。

2.一种光纤编织层的实时缺陷识别方法，其特征应用于由n台缺陷检测仪、一台主机以及n台光纤编织机所组成的光纤编织的生产作业中；所述缺陷检测仪是通过检测仪架子设置在每一台光纤编织机上，在所述检测仪架子上按照圆周方向均匀布置有三台工业面阵相机，在三台工业面阵相机所围成的圆形拍摄区域中设置有环形光源，在所述环形光源的中心设置有纳入光纤编织层的开口结构，在所述开口结构中放置有光纤编织层，用于光纤编织层的缺陷识别；所述实时缺陷识别方法是按如下步骤进行：

步骤1：所述主机对所述环形光源的光强和三台工业面阵相机的光圈、物距参数进行参数配置；使得三台工业面阵相机能在一定的光强下同步成像；

步骤2：在所述光纤编织机的编织过程中，所述主机输出脉冲控制信号，定时触发三台工业面阵相机获取所述开口结构中光纤编织层的实时图像；

步骤3：对所述实时图像进行灰度化、增强、降噪、旋转、裁剪的预处理，得到预处理后的光纤编织层图像；

步骤4：构建训练数据集；

步骤4.1：对所有预处理后的光纤编织层图像，采用sobel算子进行边缘特征的提取，得到预处理后图像的边缘图像；

步骤4.2：将图像的边缘图像与其对应的图像在各自的像素位置上相加，从而得到图像的边缘强化图像；

步骤5：构建基于神经网络模型的缺陷检测模型：

所述边缘强化图像输入到依次由卷积层F₀、卷积模块M₁、卷积模块M₂、卷积模块M₃、卷积模块M₄和全连接层C₀连接而成的神经网络模型中；

其中，所述卷积层F₀是由卷积层大小为x₁×x₁，通道为Ks₁的卷积核构成，所述边缘强化图像通过所述卷积层F₀得到特征图MF₀；

所述特征图MF₀输入到由N₀个卷积层组成，且每个卷积层中包含两个均为X₁×X₁、且卷积通道为Ks₁的卷积核所构成的卷积模块M₁中，并得到卷积通道数为Ks₁的特征图MF₁；

所述特征图MF₁输入到由N₀个卷积层组成，且每个卷积层中包含两个大小分别为X₁×X₁和X₂×X₂，且卷积通道为Ks₂的卷积核所构成的卷积模块M₂，并得到卷积通道数为Ks₂的特征图MF₂；

所述特征图MF₂输入到由N₀个卷积层组成，且每个卷积层中包含两个大小分别为X₂×X₂和X₃×X₃，且卷积通道为Ks₂的卷积核所构成的卷积模块M₃，并得到卷积通道数为Ks₂的特征图MF₃；

所述特征图MF₃输入到由N₀个卷积层组成，且每个卷积层中包含三个大小分别为X₁×X₁、X₂×X₂、X₃×X₃，且卷积通道为Ks₃的卷积所构成的卷积模块M₄，并得到卷积通道数为Ks₃的特征图MF₄；

所述特征图MF₄输入到所述全连接层C₀中，输出边缘强化图像为缺陷图像的概率，并将概率大于阈值T的图像记为缺陷图像；

步骤6、采用阈值分割算法对光纤编织层的缺陷图像进行分类：

步骤6.1：将缺陷图像中像素值大于像素阈值TP₀、小于像素阈值TP₁的标记为区域A，计算所述区域A的面积S_A，若面积S_A小于标准光纤编织层图像中的光纤面积，则表示缺陷类型为边缘油污；否则，执行步骤6.2；

步骤6.2：计算区域A的宽度W_A，若宽度W_A大于标准光纤编织层图像的光纤宽度阈值TW₀，则表示缺陷类型为异物或边缘毛丝，并执行步骤6.3，否则，表示为正常图像，则执行步骤6.5；

步骤6.3：利用开运算将区域A中突出的块或条状物进行腐蚀，从而得到区域B；利用区域相减法计算区域A与区域B之间的差异区域，并作为所提取的异物和边缘毛丝部分；

步骤6.4：计算异物和边缘毛丝部分的个数和面积参数，若个数小于数量阈值TN₀且面积参数大于面积阈值TS₀，则表示缺陷类型为异物，反之则为边缘毛丝，完成缺陷分类；否则，继续执行步骤6.5；

步骤6.5：选取区域A周边的高亮部分，并利用动态阈值相减法计算高亮部分的像素位置，若像素位置为均匀分布，且像素位置的个数大于数量阈值TN₁、高亮部分的面积大于面积阈值TS₁，则表示缺陷类型为小节距，从而完成缺陷分类；若像素位置为条状随机分布，则继续执行步骤6.6；

步骤6.6：计算高亮部分的内部毛丝的个数，若个数大于数量阈值TS₂，则表示缺陷类型为内部毛丝，从而完成缺陷分类；否则继续执行步骤6.7；

步骤6.7：补全区域A中的孔洞，并得到区域C，将区域C和区域A进行区域相减，得到差异部分D，再计算差异部分D中孔洞的长度、宽度、个数、面积；

步骤6.8：如果差异部分D中的孔洞个数大于数量阈值TN₃且面积大于面积阈值TS₃，则执行步骤6.9；否则表示为正常图像，从而完成缺陷分类；

步骤6.9：如果差异部分D中的孔洞长度大于长度阈值TW₁且宽度小于宽度阈值TW₂，则表示缺陷类型为露纤，从而完成缺陷分类；否则，则表示缺陷类型为油污；从而完成缺陷分类。