基于紧压纤维的杂质混合清除运行系统的制作方法

摘要: 本发明属于纺纱杂质识别,具体的,涉及基于紧压纤维的杂质混合清除运行系统。背景技术:1、纺织制造业持续加大自动化投入,纤维加工生产线逐步向高速连续化作业模式演进,...
基于紧压纤维的杂质混合清除运行系统的制作方法

本发明属于纺纱杂质识别,具体的,涉及基于紧压纤维的杂质混合清除运行系统。

背景技术:

1、纺织制造业持续加大自动化投入,纤维加工生产线逐步向高速连续化作业模式演进,在传送速度显著提升的同时,对杂质检测与清除的实时性、精准性提出了更高要求。

2、现有技术在紧压纤维杂质检测与清除领域存在诸多结构性缺陷,传统方案多依赖单一光谱的可见光成像或近红外扫描,单光谱检测技术成像的局限性十分突出,无法同时获取纤维在不同波段下的反射与吸收特性,当杂质的声学阻抗或光学特性与纤维基体相近时易造成漏检;且对紧压纤维表面纹理方向的主动感知与自适应照明调节能力,照明光场无法与纤维纹理方向匹配,导致背景纹理干扰严重,缺陷目标的特征响应被淹没在复杂的纤维纹理之中;

3、其次,传统yolo模型在处理织物表面复杂纹理和小尺度缺陷时检测准确率低,小目标漏检问题突出;因为现有检测模型多针对单一疵点场景设计,当多类疵点共存时漏检与误检率上升,即便引入注意力机制的改进方案已有探索,但现有方法仍普遍缺乏对浅层高分辨率特征与深层语义特征的有效双向融合,难以兼顾小目标缺陷的定位精度与大尺度缺陷的语义判别能力;

4、为了解决上述问题,本发明提出了基于紧压纤维的杂质混合清除运行系统。

技术实现思路

1、针对现有技术的不足,本发明提供了基于紧压纤维的杂质混合清除运行系统,解决现有技术中成像单一、检测不准、追踪不稳、评估缺失与清除滞后的问题。

2、本发明的目的可以通过以下技术方案实现:

3、基于紧压纤维的杂质混合清除运行系统,所述系统包括:

4、缺陷检测端,获取目标紧压纤维在传送过程中的连续帧图像序列,并利用改进yolo目标检测模型结合当前帧图像执行多尺度缺陷检测,锁定缺陷目标的位置坐标及尺度级别;

5、跨帧关联追踪端,将当前帧图像的缺陷目标与历史帧图像中的缺陷目标执行帧间特征匹配,基于缺陷目标的位置坐标、尺度级别和光谱特征向量计算帧间相似度,建立当前帧图像缺陷目标与历史帧图像缺陷目标间的时空关联关系,完成跨帧关联追踪;

6、缺陷状态评估端,确定跨帧关联追踪成功的所有缺陷目标,取其在连续帧图像序列中的位置坐标序列、尺度级别序列和光谱特征向量序列执行帧间差异分析,评估各缺陷目标的缺陷状态;

7、预测决策端,对真性杂质的缺陷目标,据其在连续帧图像序列中的位置坐标变化趋势和尺度级别变化趋势,执行清除运行操作

8、作为本发明的进一步方案,所述缺陷检测端中,获取目标紧压纤维在传送过程中的连续帧图像序列的具体方式为:

9、在紧压纤维传送通道的上方设置环形多角度led阵列及多光谱同步成像模组;

10、环形多角度led阵列呈同心圆环状布设并配有可独立旋转的偏振片组;

11、通过预采集图像进行方向梯度直方图分析,提取紧压纤维表面的主纹理方向角及纹理密度分布生成照明控制参数;

12、依据照明控制参数驱动环形多角度led阵列中各角度led的发光强度并调节偏振片的偏振角度,使照明光场方向与紧压纤维的纹理方向相匹配;

13、照明光场方向与紧压纤维的纹理方向匹配成功后,触发可见光成像单元以预设的采集频率对紧压纤维进行图像采集,并按采集时间先后顺序,生成连续帧图像序列p1,p2,...,pj,其中,j为所采集的图像总帧数。

14、作为本发明的进一步方案,所述缺陷检测端中的改进yolo目标检测模型还包括注意力机制模块和多尺度特征融合支路;

15、所述注意力机制模块采用通道注意力与空间注意力串联的cbam结构,分别设置于改进yolo目标检测模型主干网络的各残差块之后,用于沿通道维度和空间维度依次对当前帧图像进行自适应重标定,生成当前帧图像的浅层高分辨率特征图与深层语义特征图,增强缺陷目标的特征响应并抑制紧压纤维背景纹理的干扰响应;

16、所述多尺度特征融合支路设置于改进yolo目标检测模型的颈部网络中,将浅层高分辨率特征图与深层语义特征图进行双向跨尺度连接,形成特征金字塔结构。

17、作为本发明的进一步方案,所述缺陷检测端中,执行多尺度缺陷检测,锁定缺陷目标的位置坐标及尺度级别的具体方式为:

18、所述可见光成像单元还集成了近红外成像单元和紫外成像单元,以相同采集频率采集目标紧压纤维的近红外图像和紫外图像,并将相同采集时刻的近红外图像和紫外图像执行关联,以相同采集时刻的可见光成像单元采集的帧图像为基准进行像素级互信息配准,配准后按操作人员预设的通道权重进行加权融合,生成多光谱融合图像序列dp1,dp2,...,dpj;

19、实时将多光谱融合图像序列dp1,dp2,...,dpj中当前帧的多光谱融合图像输入改进yolo目标检测模型进行多尺度缺陷检测,输出当前帧图像中各缺陷目标的位置坐标及尺度级别,其中,尺度级别根据缺陷目标在图像中所占像素面积比例依次划分为小级、中级和大级三个等级,小级∈(0,α%],中级∈(α%,β%],大级∈(β%,100%],α%、β%均为预设百分比。

20、作为本发明的进一步方案,所述跨帧关联追踪端中,基于缺陷目标的位置坐标、尺度级别和光谱特征向量计算帧间相似度的具体方式为:

21、确定当前帧图像pi中的任意一个缺陷目标,记为ti,其中,i为计数索引,1≤i≤j;

22、获取当前帧图像pi的前一帧图像pk及其中的任意一个缺陷目标,记为tk,k=i-1;

23、采用s(i,k)=w1×ag(i,k)+w2×bg(i,k)+w3×cg(i,k)计算当前帧图像pi与前一帧图像pk的帧间相似度s(i,k);

24、其中,a(i,k)为位置坐标欧氏距离,a(i,k)=√(xi-xk)2+(yi-yk)2,其中,(xi,yi)为缺陷目标ti的质心的位置坐标,(xk,yk)为缺陷目标tk的质心的位置坐标,ag(i,k)为a(i,k)经过最小最大归一化至零一区间的归一化位置坐标欧氏距离;

25、b(i,k)为缺陷目标ti与缺陷目标tk的尺度级别所对应的所占像素面积比例之间的比值,bg(i,k)为b(i,k)经对数压缩后归一化所得的归一化比值;

26、c(i,k)为当前帧图像pi及前一帧图像pk所关联的多光谱融合图像dpi与dpk中所确定的可见光、近红外波段、紫外波段的平均反射率和lbp纹理的余弦相似度,cg(i,k)为c(i,k)直接取值于零一区间的归一化余弦相似度;

27、w1、w2、w3分别为位置坐标、尺度级别和光谱特征向量的预设的计算权重,且w1+w2+w3=1,w1>w2>w3>0。

28、作为本发明的进一步方案,所述跨帧关联追踪端中,建立当前帧图像缺陷目标与历史帧图像缺陷目标间的时空关联关系,完成跨帧关联追踪的具体方式为:

29、若当前帧图像pi中存在任意一个缺陷目标ti与前一帧图像pk中的任意一个缺陷目标tk的帧间相似度大于或等于预设的帧间相似度阈值θ,则判定ti与tk为同一缺陷目标的跨帧关联追踪匹配;

30、同理,确定所有历史帧图像中同一缺陷目标的跨帧关联追踪匹配,更新跨帧关联跟踪轨迹;

31、若缺陷目标ti与缺陷目标tk的帧间相似度小于帧间相似度阈值θ则将缺陷目标ti标记为新增缺陷目标,并为其初始化跨帧关联跟踪轨迹。

32、作为本发明的进一步方案,所述缺陷状态评估端中,评估各缺陷目标的缺陷状态的具体方式为:

33、实时确定跨帧关联追踪成功的跨帧关联跟踪轨迹中的任意一个缺陷目标ti,统计跨帧关联追踪成功的总帧数,记为m;

34、按时间先后顺序提取缺陷目标ti在m帧图像中的位置坐标,将m个位置坐标组成待评估位置坐标序列;

35、同理,确定尺度级别对应的待评估像素面积比例序列及待评估多光谱特征向量序列;

36、基于待评估位置坐标序列计算缺陷目标ti在相邻帧图像间的位置坐标的欧氏距离,作为帧间的位置偏移量;

37、基于待评估多光谱特征向量序列计算缺陷目标ti在相邻两帧图像的像素面积比例的绝对值差值与前一帧图像面积比例的比值,作为帧间的尺度变化量;

38、基于待评估多光谱特征向量序列计算缺陷目标ti在相邻两帧图像的多光谱特征向量的余弦相似度,并以数值一减去计算所得的余弦相似度,作为帧间的光谱特征差异;

39、对m帧图像连续处理,分别求取所有相邻帧图像的位置偏移量、尺度变化量和光谱特征差异各自的算术平均值,依次记为δd、δs、δc;

40、采用ei=λd×δd+λs×δs+λc×δc计算缺陷目标ti的缺陷综合变化指数ei,其中,λd、λs、λc为预设计算权重,均大于0,且λd+λs+λc=1;

41、若ei≥预设真性杂质判定阈值eth,则判定缺陷目标ti为真性杂质,否则判定为假性杂质;

42、同理,评估所有缺陷目标的缺陷状态。

43、作为本发明的进一步方案,所述预测决策端中,执行清除运行操作的具体方式为:

44、实时获取被判定为真性杂质的缺陷目标在跨帧关联跟踪轨迹中最近n帧图像的位置坐标序列{(xo,xo)|o=1,2,...,n}和尺度级别序列{so|o=1,2,...,n},其中,n为预设正整数,n≥3;

45、对位置坐标序列{(xo,xo)|o=1,2,...,n}采用最小二乘法进行线性拟合,得到缺陷目标在图像平面上的水平运动速度v1和垂直运动速度v2,据此预测缺陷目标在未来第u帧时刻的预测位置坐标(x',y')=(xn+t×v1,yn+t×v2),其中,t为预设的预测步长,根据传送速度和图像采集频率确定;

46、同时,对尺度级别序列{so|o=1,2,...,n}进行线性趋势分析,计算尺度变化斜率ks=(sn-s1)/(n-1),若ks>0则表示缺陷目标在传送过程中逐渐膨胀或靠近镜头,若ks<0则表示逐渐收缩或远离镜头,根据ks的绝对值大小确定清除操作的响应优先级,优先级与|ks|成正比;

47、将预测位置坐标(x',y')映射至紧压纤维传送通道的实际物理坐标系,得到缺陷目标的预测到达位置p'和预测到达时间t',其中t'=t/采集频率+当前时刻;

48、根据预测到达位置p'和预测到达时间t',生成清除执行指令。

49、作为本发明的进一步方案,所述预测决策端中,清除执行指令包含启动时刻、作用持续时长和喷射方向;

50、所述清除执行指令发送至设置在紧压纤维传送通道下游的清除装置,以预测到达时间t'作为启动时刻,在所述预测到达位置p'处执行定点清除操作;

51、同时,根据所述尺度变化斜率ks的绝对值动态调节清除装置的喷射压力:

52、当|ks|>预设的急剧变化阈值时,以预设调控步长增大喷射压力;

53、当|ks|≤急剧变化阈值时,维持预设的标准清除力度;

54、执行清除操作后,对预测到达位置p'对应的实际物理区域进行复核成像,将复核图像与清除前缺陷目标的历史帧图像进行特征比对;

55、若复核图像中仍存在与缺陷目标具有相同位置坐标、尺度级别和光谱特征的目标,判定清除失败,发出告警信号,触发增强清除模式,在下一预测到达位置p'和预测到达时间t'以增大后的喷射压力再次执行清除操作;

56、若复核图像中未检测到相同特征的缺陷目标,则判定清除成功,更新缺陷目标的跨帧关联跟踪轨迹状态为已清除。

57、本发明的有益效果:

58、本发明通过改进yolo模型实现多尺度缺陷检测,提升了对紧压纤维中微小或异形杂质的识别精度与召回率,降低漏检与误报;借助跨帧关联追踪与光谱特征匹配,稳定锁定同一缺陷目标在时序上的运动轨迹,避免目标丢失或重复计数;最终基于位置与尺度变化趋势的预测决策,区分真性杂质与暂时性干扰,并主动触发清除操作,提高清除效率与产线自动化水平,减少人工干预成本,保障纤维品质的连续稳定性;

59、本发明通过环形多角度led阵列与偏振片组的自适应调控,实现了照明光场方向与纤维纹理的精准匹配,提升了图像采集的对比度与纹理清晰度;结合多光谱同步成像与像素级配准融合,有效扩展了缺陷的可辨识光谱范围,增强了不同材质缺陷的显现能力;通过改进yolo模型中cbam注意力机制与多尺度特征融合支路的协同设计,抑制了背景纹理干扰,强化了跨尺度缺陷的响应灵敏度,最终实现从大尺度宏观缺陷到小尺度细微瑕疵的精准定位与分类,提高检测的鲁棒性、实时性与适应复杂生产工况的能力;

60、本发明通过加权融合位置坐标、尺度比例及多光谱特征余弦相似度构建帧间匹配准则,提升了缺陷目标在复杂背景下的跟踪鲁棒性;其中,尺度比例经对数压缩归一化可有效抑制目标尺度突变带来的干扰,而多光谱特征融合则充分利用了多维信息,增强了目标表征的区分度;权重分配优先位置和尺度,兼顾光谱,既保证了空间连续性,避免了过度依赖易受光照影响的特征,从而降低误匹配率;同时,基于阈值判决的关联策略能自适应区分同一目标与新增目标,实现轨迹的稳定延续与动态更新;

61、本发明通过构建缺陷综合变化指数,将位置偏移、尺度变化与光谱差异进行加权融合,提升了真伪杂质的判别精度,避免因单一特征波动导致的误判;同时结合最小二乘拟合与尺度斜率分析,实现缺陷运动轨迹与尺寸演变的双重预测,为清除装置提供时空定位依据,依据变化剧烈程度自适应调节喷射压力,保障清除可靠性;清除后的复核比对机制进一步形成闭环验证,确保了清除成效的可追溯性,提高了杂质清除的智能化水平与运行稳定性。