首页    产品列表    纺织瑕疵检测系统(在研) Textile Defect Vision Inspection System (mechanical part under development)
WechatIMG270

纺织瑕疵检测系统(在研) Textile Defect Vision Inspection System (mechanical part under development)

纺织瑕疵检测系统由高精度线阵相机、高亮LED光源、编码器、高性能计算机构成。系统由正面检测和背面检测两工位构成,以检出不同形态的瑕疵;检测幅宽为0.5至1.5米,检测精度可定制,例如在0.1mm辨识精度上,实现60米/分钟高速检测或在0.3mm精度上提供200米/分钟检测;本系统适用于素色针织布,可以检测各种纱线级瑕疵及表面破损,例如断经断纬、缺经缺纬、粗结、稀经稀纬、飞花织入、破洞、色点(如图所示)以及破边、门幅异常等常规缺陷。本系统通过结合传统纹理分析技术和大数据深度学习、可以识别95%以上的布面瑕疵,并可对瑕疵进行分类报警和瑕疵明显度设置灵活调节检测灵敏度。系统参数简单操作简便,误判率低;发现瑕疵后可显示瑕疵位置和瑕疵类型并停机报警,供人工确认修复布面。
本系统可以大大提高验布效率和检测精度,减少品质异常流入后续环节造成的损失,同时降低人工成本,最终提升产品品质和竞争力。
本系统视觉检测系统已基本完成,送布系统在研发中。

    

1

断疵  b 粗结飞花织入  d 弱断疵色点缺经稀密路  h 缺纬  i 异纤  j 破洞

 

  • 系统功能介绍

2

1.硬件参数部分:

  • 相机分辨率8192
  • 编码器精度2000 P/R
  • 高性能计算机: 酷睿i5 8600K8GB DDR3GTX1050显卡、1TB硬盘

(升级硬件可提供更快的检测速度)

  • 最高检测速度60/分钟@精度0.1mm200/分钟@精度0.3mm

 

2.检测工位介绍:

  • 正面检测工位:

采用正面打光技术,拍摄正面容易成像的瑕疵,例如飞花织入、粗结、色点、脏污等

  • 背面检测工位:

采用背光照明技术,检测透射容易成像的瑕疵,例如稀密路、缺经缺纬、断经断纬等

 

3.软件功能部分

  • 纱线级瑕疵检测

可识别断经断纬、缺经缺纬、粗结、稀经稀纬、飞花织入等不同种类的纱线级(纹理级)瑕疵并进行分类提醒和瑕疵位置信息显示。

  • 一般瑕疵检测

识别破洞、色点、门幅异常等较为明显缺陷进行分类提醒和瑕疵位置信息显示。

  • 破边检测

对于布匹边缘发生的破损进行检测,可识别大于3mm的边缘缺损(边缘整齐的情况下)或边缘超过10mm的有毛边的缺损。

  • 幅宽检测

对布匹逐段测量幅宽,根据用户设定的阈值,对幅宽超出范围的部分做报警提示。

  • 停机报警

当符合用户设置的严重缺陷出现时,系统自动停机并声音报警,提醒工人进行处理。

  • 瑕疵报告

对于不同程度的瑕疵,系统在电脑进行记录,检测完成后生成一份瑕疵检测报告。

  • 米数统计

借助编码器的高精度脉冲信号,系统可以准确计算出被测布匹的长度,方便统计产量。

 

4.关键技术介绍

  • 纹理分析技术

纹理分析是识别纱线级瑕疵的关键。织物是由经线纬线编制而成,在图案上呈现出规则的图案,而瑕疵的出现打破了这种规律。因此要识别这种瑕疵就要学习正常图案的模式,对正常织物的图案进行建模,然后对被测物进行模式识别,找出与模型差异超过阈值的部分,即为可疑缺陷。

由于实际拍摄的图像与理论上的图案存在若干差异,造成了识别上的困难。这些差异主要包括由于光照和布面材质的不均匀性,成像可能出现的随机反光;镜头边缘部分成像清晰度较差,造成图案的模式提取难度增加;行进过程中张力的变化使布匹发生拉伸或收缩导致纹理发生变化。另外不同批次种类的织物在纺线粗细和织物密度上也存在差异,综上所述,建立一个通用的纹理检测模型有很大难度。

另外在实际检测过程中,由于精度高数据量大,如果算法过于复杂,势必导致检测速度难以满足要求,因此一个好的算法需要在鲁棒性、精度和速度之间找到平衡点。

本系统经过研究经典的十几种纹理分析方法,以统计类方法为基础,针对以上问题进行了多处改进,实现了比较好的综合效果。

  • 显卡加速技术

由于验布系统检测精度高、计算量是非常大。要实现高速检测,需要很高的计算能力,即使目前最高的i7 单处理器也无法满足高速验布的要求。在计算领域,显卡由于其特殊的架构设计,在矩阵计算性能上远大于CPU。目前主流显卡有700-2000个核心可以同时进行计算,速度是同等级CPU的几十倍上百倍。但是由于显卡计算架构的特殊性,在计算调度和显存分配方面都尤其独特性,需要特殊优化设计,普通程序无法直接在显卡上运行;而且由于其特殊性,如果程序架构设计不当,则计算能力得不到充分发挥,甚至低于同等级CPU速度。

本系统采用成熟的CUDA显卡加速计算框架,经过深入研究显卡计算架构,在纹理检测算法上精心优化,充分利用GPU各种计算资源,保证了检测速度。

 

  • CPU并行处理技术

由于CPU架构的通用性,一般任务均采用CPU处理,例如图像采集、图像拼接、幅宽检测等。由于这些任务量不大,所以除此任务外,CPU基本处于闲置。单纯依靠显卡计算而闲置CPU则造成较大的资源浪费,因此CPU计算需要与显卡配合,达到硬件性能的最大化。

本系统采用OpenMP计算框架,主线程(顺序的执行指令)生成一系列的子线程,并将任务划分给这些子线程进行执行。这些子线程并行的运行,由运行时环境将线程分配给不同的处理器,将检测任务分配给CPU的多个核,同时计算,实现了CPU计算速度最大化。

 

  • 深度学习技术

深度学习技术已经在自动驾驶、人脸识别、安防监控等领域得以应用,其核心在于通过多层卷积提取目标形态和材质的特征,从而达到准确识别的目标;在最新的深度学习架构下,可以实现超过人眼的识别能力。但一个大的架构复杂度高,计算时间长直接应用难以满足检测速度的要求,因此需要实验找到一个精度和速度平衡点。

织物在检测过程中难免出现拉伸或收缩,导致织物成像出现扭曲变形;另外不同种类的布匹材质不同,反光容易不均匀;布匹表面轻微褶皱也容易造成误检误报,降低设备可靠性。本系统采用高度优化定制的神经网络,通过大样本收集各种形态的织物和缺陷,识别不同种类的缺陷,并能区分褶皱和扭曲、不均匀反光等干扰,达到接近人眼的准确度。

深度学习在纺织领域的检测上主要难点在缺陷面积小,形态特征简单,给识别工作造成不少困难,本系统通过多分辨率样本训练和多分辨率特征提取使得神经网络可以准确识别各种大小的缺陷。

 

  • 布边定位检测技术

设备实际使用中,被测布匹在拍摄视野中难免左右晃动,检测区域需要同步调整才能保证检测区域准确。本系统采用黑色背景板,使布面与背景有较高的对比度,通过扫描、投影和边缘拟合等技术准确找出布匹边缘,实现实时布边跟踪与破边检测,布边定位准确度达到5mm(布边整齐情况下)。

 

  • 异步检测技术

检测系统使用线阵相机对行进中的布匹拍摄成像,被测布行进一定长度后相机完成扫描生成一张完整的图像;同步检测是成像完成后进行数据拷贝和检测,相机扫描成像和数据拷贝的时间内,系统是不检测的,大约浪费30%的时间。为解决这个问题,将成像和检测设计成异步模式,在成像和数据拷贝的同时计算上一帧图像。数据拷贝完成后,计算当前图像。异步检测技术的使用提高了时间利用率,实现了硬件的使用效率。

 

  • 线阵相机成像技术

由于被摄物体在行进中的成像,速度快,幅宽较大,如果采用常见的面阵相机进行拍摄,将面临拖影问题、打光问题以及相机成本过高等问题。因此本系统采用线阵相机进行拍摄,通过编码器产生同步脉冲,使相机可以对布匹逐行成像,经过规定的行数之后拼接形成一张完整图像。线阵相机的使用降低了图像采集的难度,提高了图像质量。

 

5.系统截图

3 检测系统界面