(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211146781.6 (22)申请日 2022.09.21 (65)同一申请的已公布的文献号 申请公布号 CN 115240144 A (43)申请公布日 2022.10.25 (73)专利权人 青岛宏大 纺织机械有限责任公司 地址 266101 山东省青岛市崂山区深圳路 17号 专利权人 东华大学 (72)发明人 季霞　吕伽奇　贾坤　丁佳明　 闫红霞　 (74)专利代理 机构 重庆律知诚专利代理事务所 (普通合伙) 50281 专利代理师 殷兴旺　王俊超 (51)Int.Cl. G06V 20/52(2022.01)G06V 10/82(2022.01) G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 112465810 A,2021.0 3.09 CN 112541458 A,2021.0 3.23 CN 113869379 A,2021.12.31 CN 115035024 A,202 2.09.09 EP 1148332 A2,2001.10.24 程银宗.基 于融合传感的纱线瑕疵检测系统 的研究. 《知网》 .202 2, Noman Hale em et al. .A computer visi on based online quality control system for textile yarns. 《Computers i n Industry》 .2021, 审查员 郭晓坤 (54)发明名称 一种纺纱 捻线智能识别瑕疵方法及系统 (57)摘要 本发明涉及纺织行业中智能识别空气捻接 器捻接的纺线瑕疵领域， 尤其是一种纺纱捻线智 能识别瑕疵方法及系统。 本发明提供的方法， 包 括如下步骤： 获取空气捻接器在正常工作时的捻 线画面； 根据所述捻线画面捕捉通过所述空气捻 接器捻接的待测纱线图像； 利用卷积神经网络构 建CNN‑SVN模型； 通过所述CNN ‑SVN模型识别所述 待测纱线图像的瑕疵存在状况； 根据所述瑕疵存 在状况处置待测纱线。 本发明利用卷积神经网络 在纺织流水作业上对空气捻接器的纺线瑕疵进 行实时识别与监控， 从而代替人工检测， 不仅具 有较高的准确度， 同时也提升了检测的效率， 极 大减少了 人力用工成本， 保证了空气捻接器捻线 的质量。 权利要求书3页 说明书7页 附图6页 CN 115240144 B 2022.12.27 CN 115240144 B 1.一种纺纱 捻线智能识别瑕疵方法， 其特 征在于， 包括如下步骤： 获取空气捻接器在正常工作时的捻线画面， 所述捻线画面中所述空气捻接器与待测纱 线可区分； 根据所述捻线画面捕捉通过所述空气捻接器捻接的待测纱线图像， 所述根据 所述捻线 画面捕捉 通过所述空气捻接器捻接的待测纱线图像， 包括如下步骤： 通过所述捻线画面识别所述空气捻接器的捻接动作， 所述捻接动作表示在所述空气捻 接器上放置待捻接的两条纱线； 将所述捻接动作完成时刻标记为预 备捕捉时刻 ； 根据所述空气捻接器的捻接时间设定待定时差 ； 从 时刻开始以一固定频率捕捉多帧纱线图像； 将每帧纱线图像二 通道去色处 理获得黑白纱线图像； 提取所述黑白纱线图像中的最小灰度值 和最大灰度值 ； 将符合 的黑白纱线图像作为待测纱线图像； 利用卷积神经网络构建CN N‑SVN模型， 包括如下步骤： 收集瑕疵纺纱图片生成训练集； 收集无瑕疵纺纱图片生成验证集； 利用训练集和验证集搭建CN N模型， 包括如下步骤： 利用训练集和验证集搭建输入层； 在所述输入层的基础上， 采用3*3的卷积核搭建第一卷积层， 并在所述第一卷积层内设 置第一归一 化层， 所述第一卷积层的激活函数为Relu函数； 在所述第一卷积层的基础上 搭建平均池化层， 所述平均池化层的池化核为2*2； 在所述平均池化层的基础上， 采用3*3的卷积核搭建第二卷积层， 并在所述第二卷积层 内设置第二归一 化层， 所述第二卷积层的激活函数为Relu函数； 在所述第二卷积层的基础上 搭建最大池化层， 所述 最大池化层的池化核为2*2； 在所述最大池化层的基础上， 采用3*3的卷积核搭建第三卷积层， 并在所述第三卷积层 内设置第三归一化层， 所述第三卷积层的激活函数为 Relu函数， 其中， 所述第二归一化层和 所述第三归一 化层均包括归一 化函数， 所述归一 化函数满足如下公式： ， 其中， 表示归一化后的样本数据， 表示输入的样本数据， m表示样本数据的数量， 表示修正常数， 表示尺度变化 参数， 表示偏移参数； 在所述第三卷积层的基础上 搭建全连接层； 利用PCA算法对所述全连接层提取的图像特 征降维处 理； 通过降维处 理后的全连接层上 搭建输出层， 获得 所述CNN模型；权　利　要　求　书 1/3 页 2 CN 115240144 B 2将所述CNN模型中全连接层替换为支撑向量机构建CNN ‑SVN模型， 所述CNN ‑SVN模型的 最优化超平面分类决策函数满足如下公式： ； 其中， m表示样本数据的数量， 表示拉格朗日乘数， 表示支持向量机的核函数， 表示偏置项， 表示输入参数， z表示训练参数， 表示经验参数； 利用卷积神经网络构建CN N‑SVN模型； 通过所述CNN ‑SVN模型识别所述待测纱线图像的瑕疵存在状况， 所述瑕疵存在状况包 括所述待测纱线存在瑕疵和所述待测纱线不存在瑕疵； 根据所述瑕疵存在状况处置待测纱线。 2.根据权利要求1所述的纺纱捻线智能识别 瑕疵方法， 其特征在于， 所述获取空气捻接 器在正常工作时的捻线画面， 包括如下步骤： 提供照明光源； 调试照明光源 对空气捻接器的照射角度和亮度； 拍摄空气捻接器在正常工作时的捻线画面。 3.根据权利要求1所述的纺纱捻线智能识别瑕疵方法， 其特征在于， 所述通过所述CNN ‑ SVN模型识别所述待测纱线的瑕疵存在状况， 包括如下步骤： 获取空气捻接器的背景图像， 所述背景图像中空气捻接器内没有纱线； 将所述背景图像二 通道去色处 理后获得黑白背景图像； 对所述待测纱线图像中值滤波； 利于所述 黑白背景图像， 对中值滤波后的待测纱线图像阈值处 理； 将阈值处 理后的待测纱线图像进行开 运算后获得捻接纱线图像； 根据待测纱线的面积特征、 宽度特征和长度特征， 从所述捻接纱线图像中切割出捻接 处的待测纱线图像； 将捻接处的待测纱线图像导入所述CNN ‑SVN模型中识别所述待测纱线图像的瑕疵存在 状况。 4.根据权利要求1所述的纺纱捻线智能识别 瑕疵方法， 其特征在于， 所述根据 所述瑕疵 存在状况处置待测纱线， 包括如下步骤： 根据所述瑕疵存在状况生成合格信号或者 不合格信号； 生成合格信号时， 将所述待测纱线投入后续使用； 生成不合格信号时， 将所述待测纱线切断， 并重新 捻接。 5.一种纺纱捻线智能识别 瑕疵系统， 所述纺纱捻线智能识别 瑕疵系统适用于权利要求 1‑4任意一项所述的纺纱 捻线智能识别瑕疵方法， 其特 征在于， 包括： 捻线监视模块， 所述 捻线监视模块用于获取空气捻接器在正常工作时的捻线画面； 纱线捕捉模块， 所述纱线捕捉模块用于根据 所述捻线画面捕捉通过所述空气捻接器捻 接的待测纱线图像； 瑕疵识别模块， 所述瑕疵识别 模块用于利用卷积神经网络构建CNN ‑SVN模型， 并通过所 述CNN‑SVN模型识别所述待测纱线图像的瑕疵存在状况；权　利　要　求　书 2/3 页 3 CN 115240144 B 3