一种织布机运行状态异常监测方法与流程

1.本发明涉及织布机技术领域，具体涉及一种织布机运行状态异常监测方法。


背景技术：

2.纺织行业是我国的主要制造产业之一，随着国内工业化进程的发展，纺织行业生产设备的自动化已经越来越普及，产品生产的效率得到了有效提升，随着产量提高，设备是否正常运行影响着厂家的生产效率和产品质量，因此，如何准确、高效地监测设备的运行状态成为了诸多厂家的关注方向。
3.织布机作为纺织行业的主要生产设备，主要的作用是将纱线织成布料；目前，大多数厂家利用图像处理技术通过检测织布机织出布面的缺陷达到监测织布机运行状态的目的，即利用图像阈值分割方法将缺陷处检测出来并将其直接作为疵点，与此同时，直接判断织布机的运行状态发生异常，这种检测方法无法区分布面的缺陷类型，不能准确监测到织布机的运行状态，当检测到一些非织布机运行异常引起的布面缺陷时会被误判成由织布机引起的，进而对织布机进行不必要的检修维护，耽误生产进度；造成资源浪费；以粗节织入缺陷为例，粗节织入为非织布机运行异常引起的布面缺陷，是由于纱线本身含有粗节在织布机正常运行时被织布机织入布面形成的，属于纺纱阶段的缺陷。因此，亟需要一种能够准确监测设备运行状态的方法。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种织布机运行状态异常监测方法，所采用的技术方案具体如下：采集布料表面的图像信息并对其进行灰度化处理，得到灰度图像；根据所述灰度图像中各像素点的灰度值，获取灰度图像中的各瑕疵点；随机选取一个瑕疵点作为中心瑕疵点，将所述中心瑕疵点的8邻域范围作为所述中心瑕疵点的起始搜索域，获取起始搜索域中的各瑕疵点，然后以一个像素点为单位对起始搜索域依次向外进行扩张，每扩张一次得到一个增加的搜索域，将第一次扩张增加的搜索域记为第一增加域，获取第一增加域中与起始搜索域中的各瑕疵点在对应8邻域范围相邻的瑕疵点，依次类推，直至第n增加域中不存在与第n-1增加域中的各瑕疵点在8邻域范围相邻的瑕疵点，停止扩张，将第n-1次扩张后得到的区域作为所述中心瑕疵点的最终搜索域；得到所述最终搜索域中获取的各瑕疵点；进而得到灰度图像中的各瑕疵点对应的最终搜索域以及最终搜索域中获取的各瑕疵点；根据最终搜索域中获取的瑕疵点的个数，计算灰度图像中各瑕疵点的连接程度；计算最终搜索域中获取的各瑕疵点的延伸角度，基于所述延伸角度，计算灰度图像中各瑕疵点的延伸平直度；基于所述延伸平直度与连接程度，计算灰度图像中各瑕疵点属于不同缺陷类型的概率；
根据所述灰度图像中各瑕疵点属于不同缺陷类型的概率，计算布料整体缺陷属于不同缺陷类型的概率；进而对织布机的运行状态进行监测。
5.进一步地，所述获取灰度图像中的各瑕疵点的方法为：获取灰度图像对应的灰度直方图，利用高斯混合模型对所述灰度直方图进行拟合，所述高斯混合模型具有2个子高斯模型，第1个子高斯模型代表瑕疵点，第2个子高斯模型代表正常点；根据所述子高斯模型分别计算灰度图像中各像素点属于正常点和瑕疵点的概率，比较同一像素点属于正常点的概率与属于瑕疵点的概率的大小，当属于正常点的概率大于属于瑕疵点的概率时，判断该像素点为正常点；当属于正常点的概率小于属于瑕疵点的概率时，判断该像素点为瑕疵点。
6.进一步地，所述连接程度为：
7.其中，为瑕疵点j的连接程度，为瑕疵点j对应的最终搜索域中获取的瑕疵点的总个数。
8.进一步地，所述计算最终搜索域中获取的各瑕疵点的延伸角度的方法为：连接最终搜索域中获取的每一个瑕疵点与所述中心瑕疵点得到对应的连线，过所述中心瑕疵点做一条竖线，所述竖线被所述中心瑕疵点分为上方竖线与下方竖线；对处于竖线右侧的连线，将顺时针旋转所述上方竖线得到对应连线的角度记为对应瑕疵点的延伸角度；对处于竖线左侧的连线，将顺时针旋转所述下方竖线得到对应连线的角度记为对应瑕疵点的延伸角度。
9.进一步地，所述延伸平直度的获取方法为：最终搜索域中获取的一个瑕疵点对应一个延伸角度，将最终搜索域中的所有延伸角度划分为多个等级，一个等级中包括0个或至少一个延伸角度，根据每个等级中延伸角度的总个数与所有延伸角度的总个数的比值，计算所述中心瑕疵点的延伸平直度；所述延伸平直度为：，其中，为瑕疵点j的延伸平直度，为第个等级中延伸角度的总个数与瑕疵点j对应的最终搜索域中所有延伸角度的总个数的比值；m为等级的总个数。
10.进一步地，所述缺陷类型包括松经纬缺陷、粗节织入缺陷和经纬缩缺陷。
11.进一步地，所述计算灰度图像中各瑕疵点属于不同缺陷类型的概率的方法为：根据所述延伸平直度与连接程度，分别计算瑕疵点对松经纬缺陷、粗节织入缺陷和经纬缩缺陷的趋近特征值；基于所述趋近特征值，分别计算瑕疵点属于松经纬缺陷、粗节织入缺陷和经纬缩缺陷的概率；瑕疵点j对松经纬缺陷的趋近特征值为：，其中，为瑕疵j的连接程度，为瑕疵点j的延伸平直度；瑕疵点j对粗节织入缺陷的趋近特征值为：，其中，为
瑕疵j的连接程度，为瑕疵点j的延伸平直度；瑕疵点j对经纬缩缺陷的趋近特征值为：，其中，为瑕疵j的连接程度，为瑕疵点j的延伸平直度；瑕疵点j属于松经纬缺陷的概率为：，式中，为瑕疵点j对松经纬缺陷的趋近特征值；为瑕疵点j对粗节织入缺陷的趋近特征值，为瑕疵点j对经纬缩缺陷的趋近特征值；瑕疵点j属于粗节织入缺陷的概率为：，式中，为瑕疵点j对松经纬缺陷的趋近特征值；为瑕疵点j对粗节织入缺陷的趋近特征值，为瑕疵点j对经纬缩缺陷的趋近特征值；瑕疵点j属于经纬缩缺陷的概率为：，式中，为瑕疵点j对经纬缩缺陷的趋近特征值；为瑕疵点j对粗节织入缺陷的趋近特征值，为瑕疵点j对经纬缩缺陷的趋近特征值。
12.进一步地，所述计算布料整体缺陷属于不同缺陷类型的概率的方法为：布料整体缺陷由灰度图像中的所有瑕疵点构成；布料整体缺陷属于松经纬缺陷的概率为：，式中，为瑕疵点j属于松经纬缺陷的概率，j为灰度图像中瑕疵点的总个数；布料整体缺陷属于粗节织入缺陷的概率为：，式中，为瑕疵点j属于粗节织入缺陷的概率，j为灰度图像中瑕疵点的总个数；布料整体缺陷属于经纬缩缺陷的概率为：，式中，为瑕疵点j属于经纬缩缺陷的概率，j为灰度图像中瑕疵点的总个数。
13.进一步地，所述对织布机的运行状态进行监测的方法为：计算布料整体缺陷属于松经纬缺陷的概率与属于经纬缩缺陷的概率的和，比较所述和与异常阈值的大小，当所述和小于异常阈值时，织布机的运行状态为正常，当所述和大于异常阈值时，织布机的运行状态为异常。
14.本发明实施例至少具有如下有益效果：本发明通过计算布料表面对应灰度图像中的各瑕疵点的连接程度与延伸平直度，基于所述连接程度与延伸平直度计算布料整体缺陷属于不同缺陷类型的概率；根据概率对织布机的运行状态进行监测，本发明考虑到了有些缺陷类型并不是由织布机异常引起的，本发明通过连接程度与延伸平直度将不是由织布机异常引起的缺陷类型单独筛选出来，不参与监测织布机的运行状态；使得织布机运行状态的监测更准确，减少了对织布机进行不必要检修维护的次数，提高了织布机的生产速率。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
16.图1为本发明的一种织布机运行状态异常监测方法实施例的步骤流程图。
17.图2为起始搜索域的扩张示意图。
18.图3为获取延伸角度的示意图。
实施方式
19.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
20.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
21.本发明针对的具体场景为：织布机作为织造阶段的主要生产设备，主要的作用是将纱线织成布料；因为织布机处于织造阶段，由纺纱阶段产生的缺陷也可能被继承到织造工序中，这样一来，对织布机运行异常的监测就需要分辨布料的缺陷是否是由织布机本身运行异常导致的，进而判定是否需要对织布机进行停机维护，本发明通过分别计算布料整体缺陷属于松经纬缺陷、粗节织入缺陷与经纬缩缺陷的概率；进而对织布机的运行状态进行监测，能够准确地对织布机的运行状态进行监测。
22.请参阅图1，其示出了本发明一个实施例提供的一种织布机运行状态异常监测方法的步骤流程图，该方法包括以下步骤：步骤1，采集布料表面的图像信息并对其进行灰度化处理，得到灰度图像；根据像素点的灰度值，获取灰度图像中的各瑕疵点。
23.具体地，在布料正下方设置平行光源，使平行光源照射布料，在布料正上方设置工业相机，利用工业相机采集布料表面的图像信息，获取的图像信息为rgb格式，为了减少计算量，本实施例利用平均值法对图像信息进行灰度化处理，得到灰度图像；作为其他实施方式，实者可利用最大值法、分量法以及加权平均法中的任意一种方法对图像信息进行灰度化处理。
24.上述中获取灰度图像中的各瑕疵点的方法为：获取灰度图像对应的灰度直方图，灰度直方图表示每个灰度值在整张灰度图像上出现的概率，将灰度图像中所有灰度值和各灰度值对应的概率作为样本数据，利用em算法对样本数据进行拟合，得到高斯混合模型，其中，em算法为公知技术，不再赘述；设定高斯混合模型中的子高斯模型的个数为2，本实施例利用高斯混合模型描述每个灰度值在整张灰度图像上出现的概率，此概率为所有子高斯模型的计算结果乘以其对应权重的累加和，将子高斯模型按照均值大小从小到大进行排序，分别记为序号1,2；则第1个子高斯模型代表瑕疵点，第2个子高斯模型代表正常点；将任意
一灰度值输入高斯混合模型中，高斯混合模型的输出结果为：，其中，为输入的像素点i的灰度值，为灰度值在灰度图像上出现的概率，表示第k个子高斯模型的输出值对应的权重，为灰度值在第k个子高斯模型的输出值；根据子高斯模型分别计算灰度图像中各像素点属于瑕疵点和正常点的概率，比较同一像素点属于正常点的概率与属于瑕疵点的概率的大小，当属于正常点的概率大于属于瑕疵点的概率时，判断该像素点为正常点；当属于正常点的概率为小于属于瑕疵点的概率时，判断该像素点为瑕疵点。
25.以像素点i为例进行说明，像素点i属于瑕疵点的概率为第1个子高斯模型的输出结果与其对应权重的乘积，即，像素点i属于正常点的概率为2个子高斯模型的输出结果与其对应权重的乘积，即，比较和的大小，当大于时，像素点i为瑕疵点，当小于时，像素点i为正常点。
26.需要说明的是，上述中的子高斯模型按照均值大小从小到大进行了排序，分别记为序号1,2；第1个子高斯模型代表瑕疵点，第2个子高斯模型代表正常点；本实施例中灰度值较低的像素点表示瑕疵点，灰度值较高的像素点表示正常点，这是因为本实施例中的缺陷，即松经纬缺陷、粗节织入缺陷以及经纬缩缺陷，这些瑕疵部分相较正常布料而言，瑕疵部分的厚度比正常布料的厚度要厚一些，所以瑕疵部分的透光性较差，因此表征在灰度图像中灰度值较低。
27.步骤2，随机选取一个瑕疵点作为中心瑕疵点，将所述中心瑕疵点的8邻域范围作为所述中心瑕疵点的起始搜索域，获取起始搜索域中的各瑕疵点，然后以一个像素点为单位对起始搜索域依次向外进行扩张，每扩张一次得到一个增加的搜索域，将第一次扩张增加的搜索域记为第一增加域，获取第一增加域中与起始搜索域中的各瑕疵点在对应8邻域范围相邻的瑕疵点，依次类推，直至第n增加域中不存在与第n-1增加域中的各瑕疵点在8邻域范围相邻的瑕疵点，停止扩张，将第n-1次扩张后得到的区域作为所述中心瑕疵点的最终搜索域；得到所述最终搜索域中获取的各瑕疵点；进而得到灰度图像中的各瑕疵点对应的最终搜索域以及最终搜索域中获取的各瑕疵点。
28.具体地，随机选取一个瑕疵点作为中心瑕疵点，将所述中心瑕疵点的8邻域范围作为所述中心瑕疵点的起始搜索域，以一个像素点为单位对起始搜索域依次向外进行扩张，起始搜索域的扩张示意图如图2所示，图2中一个方格代表一个像素点，白色方格代表正常点，灰色方格与黑色方格代表瑕疵点，灰色方格为中心瑕疵点及其对应最终搜索域中获取的瑕疵点，黑色方格虽然为瑕疵点，但是本实施例并不将其归入最终搜索域中获取的瑕疵点中，不将黑色方格归入的原因为：黑色方格处于第一增加域中，但是黑色方格不与在起始搜索域中的各瑕疵点在对应8邻域范围相邻，即黑色方格对应8邻域范围的像素点在起始搜索域中均为正常点。
29.需要说明的是，起始搜索域中的各瑕疵点与中心瑕疵点直接相邻，第一至n-1增加域中获取的瑕疵点与中心瑕疵点间接相邻，在对起始搜索域进行扩张得到最终搜索域时，不获取黑色方格代表的瑕疵点，因为黑色方格代表的瑕疵点并未与中心瑕疵点直接或间接
相邻，黑色方格代表的瑕疵点与中心瑕疵点之间具有正常点，正常点将黑色方格代表的瑕疵点与中心瑕疵点隔离开了；所以在后续计算中心瑕疵点对应的连接程度时，黑色方格代表的瑕疵点不能参与计算，因此，本实施例中最终搜索域中获取的各瑕疵点均是与中心瑕疵点直接或间接相邻的瑕疵点，使得连接程度的计算更准确。
30.步骤3，根据最终搜索域中获取的瑕疵点的个数，计算灰度图像中各瑕疵点的连接程度。
31.具体地，最终搜索域中包括三种类型的像素点，即正常点、与中心瑕疵点直接或间接相邻的瑕疵点以及不与中心瑕疵点直接或间接相邻的瑕疵点；利用与中心瑕疵点直接或间接相邻的瑕疵点的个数，也即最终搜索域中获取的瑕疵点的个数，计算中心瑕疵点的连接程度。
32.所述连接程度为：
33.其中，为瑕疵点j的连接程度，为瑕疵点j对应的最终搜索域中获取的瑕疵点的总个数。
34.本实施例中，连接程度表征该瑕疵点与其他瑕疵点的连接性，越大，瑕疵点j的连接程度越趋近于1，瑕疵点j与其他瑕疵点的连接性越强；越小，瑕疵点j的连接程度越趋近于0，瑕疵点j与其他瑕疵点的连接性越强。
35.需要说明的是，不同缺陷类型对应瑕疵点的连接程度不一样，本实施例中的缺陷类型包括松经纬缺陷、粗节织入缺陷以及经纬缩缺陷，其中松经纬缺陷包括松经和松纬两种缺陷，因产生松经和松纬的原因相似，且松经和松纬的特征一致，本实施例将松经和松纬统称为松经纬缺陷；产生松经的原因为单独一根经纱在织造时所受的张力较小；产生松纬的原因为单独一根纬纱在织造时所受的张力较小；松经和松纬体现在布面上均为交织点部位较正常者凸出布面，有向上拱起的现象；且松经纬缺陷几乎不可能出现较长连续的纱线凸出布面。因此，松经纬缺陷对应瑕疵点的连接程度较小；粗节织入缺陷为一小段纱线比正常纱线的直径要粗，将这一小段纱线织入了布面，即粗节织入缺陷对应瑕疵点的连接程度较大；经纬缩缺陷包括经缩和纬缩两种缺陷，因经缩和纬缩的特征一致，本实施例将经缩和纬缩统称为松经纬缺陷；经缩和纬缩均为一小段纱线卷缩缠扭在一起被织入布面，因此，经纬缩缺陷对应瑕疵点的连接程度较大。基于上述逻辑，本实施例计算了各瑕疵点的连接程度，以便后续区分各瑕疵点所属的缺陷类型。
36.步骤4，计算最终搜索域中获取的各瑕疵点的延伸角度，基于所述延伸角度，计算灰度图像中各瑕疵点的延伸平直度。
37.所述计算最终搜索域中获取的各瑕疵点的延伸角度的方法为：连接最终搜索域中获取的每一个瑕疵点与所述中心瑕疵点，得到对应的连线，过所述中心瑕疵点做一条竖线，所述竖线被所述中心瑕疵点分为上方竖线与下方竖线；对处于竖线右侧的连线，将顺时针旋转所述上方竖线得到对应连线的角度记为对应瑕疵点的延伸角度；对处于竖线左侧的连线，将顺时针旋转所述下方竖线得到对应连线的角度记为对应瑕疵点的延伸角度。
38.延伸角度的获取示意图如图3所示，图3中的虚线为过中心瑕疵点的竖线，中心瑕疵点将竖线分为了两部分，一部分竖线在中心瑕疵点的上方为上方竖线，一部分竖线在中
心瑕疵点的下方为下方竖线；对处于竖线右侧的连线，将顺时针旋转所述上方竖线得到对应连线的角度记为对应瑕疵点的延伸角度，对处于竖线左侧的连线，将顺时针旋转所述下方竖线得到对应连线的角度记为对应瑕疵点的延伸角度；进一步地，将与上方竖线重合的直线对应瑕疵点的延伸角度记为0
°
，将与下方竖线重合的直线对应瑕疵点的延伸角度记为180
°
；得到最终搜索域中获取的各瑕疵点的延伸角度。
39.进一步地，基于所述延伸角度，计算灰度图像中各瑕疵点的延伸平直度。
40.所述延伸平直度的获取方法为：最终搜索域中获取的一个瑕疵点对应一个延伸角度，将最终搜索域中的所有延伸角度划分为多个等级，一个等级中包括0个或至少一个延伸角度，根据每个等级中延伸角度的总个数与所有延伸角度的总个数的比值，计算所述中心瑕疵点的延伸平直度；所述延伸平直度为：，其中，为瑕疵点j的延伸平直度，为第个等级中延伸角度的总个数与瑕疵点j对应的最终搜索域中所有延伸角度的总个数的比值；m为等级的总个数。
41.本实施例中等级的总个数为180，第1个等级的取值范围为，第2个等级的取值范围为，第3个等级的取值范围为，依次类推，第180个等级的取值范围为。在实际操作过程中，实施者可根据实际情况调整等级的个数，并基于等级的个数调整每个等级的取值范围。
42.上述中的延伸平直度能够表征最终搜索域中的所有延伸角度是否趋于相同，即延伸角度是否集中分布，延伸平直度越趋近于1，表征所有延伸角度是趋于相同的，即延伸角度集中分布；反之，表征延伸角度离散分布，各个等级中均具有延伸角度。
43.本实施例中不同缺陷类型对应瑕疵点的延伸平直度不同，即松经纬缺陷是由单独一根经纱或纬纱在织造时所受的张力较小造成的，松经纬缺陷发生在单根纱线上，所以松经纬缺陷对应瑕疵点的延伸平直度较大，粗节织入缺陷是单独一根纱线中出现一小段纱线比正常纱线的直径要粗，并将这一小段纱线织入了布面产生的，粗节织入缺陷也是在单根纱线上发生的缺陷，因此粗节织入缺陷对应瑕疵点的延伸平直度较大；经纬缩缺陷由一小段纱线卷缩缠扭在一起被织入布面产生的，卷缩缠扭本身就是弯曲的、不平直的，因此经纬缩缺陷对应瑕疵点的延伸平直度较小。
44.步骤5，基于所述延伸平直度与连接程度，计算灰度图像中各瑕疵点属于不同缺陷类型的概率。
45.所述计算灰度图像中各瑕疵点属于不同缺陷类型的概率的方法为：根据所述延伸平直度与连接程度，分别计算瑕疵点对松经纬缺陷、粗节织入缺陷和经纬缩缺陷的趋近特征值；基于所述趋近特征值，分别计算各瑕疵点属于松经纬缺陷、粗节织入缺陷和经纬缩缺陷的概率。
46.以瑕疵点j为例，瑕疵点j对松经纬缺陷、粗节织入缺陷和经纬缩缺陷的趋近特征值的计算公式如下：（1）瑕疵点j对松经纬缺陷的趋近特征值为：
47.其中，为瑕疵j的连接程度，为瑕疵点j的延伸平直度。
48.（2）瑕疵点j对粗节织入缺陷的趋近特征值为：
49.其中，为瑕疵j的连接程度，为瑕疵点j的延伸平直度。
50.（3）瑕疵点j对经纬缩缺陷的趋近特征值为：
51.其中，为瑕疵j的连接程度，为瑕疵点j的延伸平直度。
52.同样的，以瑕疵点j为例，瑕疵点j属于松经纬缺陷、粗节织入缺陷和经纬缩缺陷的概率的计算公式如下：（1）瑕疵点j属于松经纬缺陷的概率为：
53.式中，为瑕疵点j对松经纬缺陷的趋近特征值；为瑕疵点j对粗节织入缺陷的趋近特征值，为瑕疵点j对经纬缩缺陷的趋近特征值；（2）瑕疵点j属于粗节织入缺陷的概率为：
54.式中，为瑕疵点j对松经纬缺陷的趋近特征值；为瑕疵点j对粗节织入缺陷的趋近特征值，为瑕疵点j对经纬缩缺陷的趋近特征值。
55.（3）瑕疵点j属于经纬缩缺陷的概率为：
56.式中，为瑕疵点j对松经纬缺陷的趋近特征值；为瑕疵点j对粗节织入缺陷的趋近特征值，为瑕疵点j对经纬缩缺陷的趋近特征值。
57.需要说明的是，趋近特征值的计算公式是根据不同缺陷特征对应的连接程度与延伸平直度的不同进行设计的，松经纬缺陷对应瑕疵点的连接程度较小，延伸平直度较大，即松经纬缺陷对应的连接程度趋近于0，延伸平直度趋近于1。粗节织入缺陷对应瑕疵点的连接程度较大，延伸平直度较大，即粗节织入缺陷对应瑕疵点的连接程度趋近于1，延伸平直度趋近于1；经纬缩缺陷对应瑕疵点的连接程度较大，延伸平直度较小，即经纬缩缺陷对应瑕疵点的连接程度趋近于1，延伸平直度趋近于0；基于此，得到一个瑕疵点对不同缺陷类型的趋近特征值。
58.步骤6，根据所述灰度图像中各瑕疵点属于不同缺陷类型的概率，计算布料整体缺陷属于不同缺陷类型的概率；进而对织布机的运行状态进行监测。
59.具体地，灰度图像中的所有瑕疵点构成布料整体缺陷，布料整体缺陷属于不同缺陷类型的概率的计算公式为：布料整体缺陷属于松经纬缺陷的概率为：，式中，为瑕疵点j属于松经纬缺陷的概率，j为灰度图像中瑕疵点的总个数。
60.布料整体缺陷属于粗节织入缺陷的概率为：，式中，为瑕疵点j属于粗节织入缺陷的概率，j为灰度图像中瑕疵点的总个数。
61.布料整体缺陷属于经纬缩缺陷的概率为：，式中，为瑕疵点j属于经纬缩缺陷的概率，j为灰度图像中瑕疵点的总个数。
62.优选的，根据布料整体缺陷属于不同缺陷类型的概率；对织布机的运行状态进行监测，监测的方法为：计算布料整体缺陷属于松经纬缺陷的概率与属于经纬缩缺陷的概率的和，比较所述和与异常阈值的大小，当所述和小于异常阈值时，织布机的运行状态为正常，当所述和大于异常阈值时，织布机的运行状态为异常。本实施例中异常阈值为0.2，在实际操作过程中，实施者可根据布料质量要求的标准对异常阈值进行调整。
63.需要说明的是，粗节织入缺陷并不是由织布机异常引起的，因此在对织布机的运行状态进行监测时，布料整体缺陷属于粗节织入缺陷的概率不参与监测织布机的运行状态。
64.进一步地，虽然粗节织入缺陷并不是由织布机运行异常引起的，但是粗节织入缺陷的存在会影响布料的质量，为了保证织布机生产出的布料能够达到高标准、高质量的要求，本实施例计算布料整体缺陷属于松经纬缺陷的概率、属于经纬缩缺陷的概率以及属于粗节织入缺陷的概率这三者的概率和，比较概率和与缺陷阈值的大小，当概率和大于缺陷阈值时，织布机停止运行，然后比较所述和与异常阈值的大小，当所述和大于异常阈值时，织布机的运行状态为异常，由相关工作人员对织布机进行检修；其中，缺陷阈值为0.3，实施者可根据具体情况调整缺陷阈值。
65.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种织布机运行状态异常监测方法，其特征在于，该方法包括以下步骤：采集布料表面的图像信息并对其进行灰度化处理，得到灰度图像；基于像素点的灰度值，获取灰度图像中的各瑕疵点；随机选取一个瑕疵点作为中心瑕疵点，将所述中心瑕疵点的8邻域范围作为所述中心瑕疵点的起始搜索域，获取起始搜索域中的各瑕疵点，然后以一个像素点为单位对起始搜索域依次向外进行扩张，每扩张一次得到一个增加的搜索域，将第一次扩张增加的搜索域记为第一增加域，获取第一增加域中与起始搜索域中的各瑕疵点在对应8邻域范围相邻的瑕疵点，依次类推，直至第n增加域中不存在与第n-1增加域中的各瑕疵点在8邻域范围相邻的瑕疵点，停止扩张，将第n-1次扩张后得到的区域作为所述中心瑕疵点的最终搜索域；得到所述最终搜索域中获取的各瑕疵点；进而得到灰度图像中的各瑕疵点对应的最终搜索域以及最终搜索域中获取的各瑕疵点；根据最终搜索域中获取的瑕疵点的个数，计算灰度图像中各瑕疵点的连接程度；计算最终搜索域中获取的各瑕疵点的延伸角度，基于所述延伸角度，计算灰度图像中各瑕疵点的延伸平直度；基于所述延伸平直度与连接程度，计算灰度图像中各瑕疵点属于不同缺陷类型的概率；根据所述灰度图像中各瑕疵点属于不同缺陷类型的概率，计算布料整体缺陷属于不同缺陷类型的概率；进而对织布机的运行状态进行监测。2.根据权利要求1所述的一种织布机运行状态异常监测方法，其特征在于，所述获取灰度图像中的各瑕疵点的方法为：获取灰度图像对应的灰度直方图，利用高斯混合模型对所述灰度直方图进行拟合，所述高斯混合模型具有2个子高斯模型，第1个子高斯模型代表瑕疵点，第2个子高斯模型代表正常点；根据所述子高斯模型分别计算灰度图像中各像素点属于正常点和瑕疵点的概率，比较同一像素点属于正常点的概率与属于瑕疵点的概率的大小，当属于正常点的概率大于属于瑕疵点的概率时，判断该像素点为正常点；当属于正常点的概率小于属于瑕疵点的概率时，判断该像素点为瑕疵点。3.根据权利要求1所述的一种织布机运行状态异常监测方法，其特征在于，所述连接程度为：，其中，为瑕疵点j的连接程度，为瑕疵点j对应的最终搜索域中获取的瑕疵点的总个数。4.根据权利要求1所述的一种织布机运行状态异常监测方法，其特征在于，所述计算最终搜索域中获取的各瑕疵点的延伸角度的方法为：连接最终搜索域中获取的每一个瑕疵点与所述中心瑕疵点得到对应的连线，过所述中心瑕疵点做一条竖线，所述竖线被所述中心瑕疵点分为上方竖线与下方竖线；对处于竖线右侧的连线，将顺时针旋转所述上方竖线得到对应连线的角度记为对应瑕疵点的延伸角度；对处于竖线左侧的连线，将顺时针旋转所述下方竖线得到对应连线的角度记为对应瑕疵点的延伸角度。5.根据权利要求1所述的一种织布机运行状态异常监测方法，其特征在于，所述延伸平直度的获取方法为：最终搜索域中获取的一个瑕疵点对应一个延伸角度，将最终搜索域中
的所有延伸角度划分为多个等级，一个等级中包括0个或至少一个延伸角度，根据每个等级中延伸角度的总个数与所有延伸角度的总个数的比值，计算所述中心瑕疵点的延伸平直度；所述延伸平直度为：，其中，为瑕疵点j的延伸平直度，为第个等级中延伸角度的总个数与瑕疵点j对应的最终搜索域中所有延伸角度的总个数的比值；m为等级的总个数。6.根据权利要求1所述的一种织布机运行状态异常监测方法，其特征在于，所述缺陷类型包括松经纬缺陷、粗节织入缺陷和经纬缩缺陷。7.根据权利要求6所述的一种织布机运行状态异常监测方法，其特征在于，所述计算灰度图像中各瑕疵点属于不同缺陷类型的概率的方法为：根据所述延伸平直度与连接程度，分别计算瑕疵点对松经纬缺陷、粗节织入缺陷和经纬缩缺陷的趋近特征值；基于所述趋近特征值，分别计算瑕疵点属于松经纬缺陷、粗节织入缺陷和经纬缩缺陷的概率；瑕疵点j对松经纬缺陷的趋近特征值为：，其中，为瑕疵j的连接程度，为瑕疵点j的延伸平直度；瑕疵点j对粗节织入缺陷的趋近特征值为：，其中，为瑕疵j的连接程度，为瑕疵点j的延伸平直度；瑕疵点j对经纬缩缺陷的趋近特征值为：，其中，为瑕疵j的连接程度，为瑕疵点j的延伸平直度；瑕疵点j属于松经纬缺陷的概率为：，式中，为瑕疵点j对松经纬缺陷的趋近特征值；为瑕疵点j对粗节织入缺陷的趋近特征值，为瑕疵点j对经纬缩缺陷的趋近特征值；瑕疵点j属于粗节织入缺陷的概率为：，式中，为瑕疵点j对松经纬缺陷的趋近特征值；为瑕疵点j对粗节织入缺陷的趋近特征值，为瑕疵点j对经纬缩缺陷的趋近特征值；瑕疵点j属于经纬缩缺陷的概率为：，式中，为瑕疵点j对经纬缩缺陷的趋近特征值；为瑕疵点j对粗节织入缺陷的趋近特征值，为瑕疵点j对经纬缩缺陷的趋近特征值。8.根据权利要求6所述的一种织布机运行状态异常监测方法，其特征在于，所述计算布料整体缺陷属于不同缺陷类型的概率的方法为：布料整体缺陷由灰度图像中的所有瑕疵点
构成；布料整体缺陷属于松经纬缺陷的概率为：，式中，为瑕疵点j属于松经纬缺陷的概率，j为灰度图像中瑕疵点的总个数；布料整体缺陷属于粗节织入缺陷的概率为：，式中，为瑕疵点j属于粗节织入缺陷的概率，j为灰度图像中瑕疵点的总个数；布料整体缺陷属于经纬缩缺陷的概率为：，式中，为瑕疵点j属于经纬缩缺陷的概率，j为灰度图像中瑕疵点的总个数。9.根据权利要求6所述的一种织布机运行状态异常监测方法，其特征在于，所述对织布机的运行状态进行监测的方法为：计算布料整体缺陷属于松经纬缺陷的概率与属于经纬缩缺陷的概率的和，比较所述和与异常阈值的大小，当所述和小于异常阈值时，织布机的运行状态为正常，当所述和大于异常阈值时，织布机的运行状态为异常。

技术总结
本发明涉及织布机技术领域，具体涉及一种织布机运行状态异常监测方法，获取布料表面的图像信息对应灰度图像中的各瑕疵点；随机选取一个瑕疵点作为中心瑕疵点，将中心瑕疵点的8邻域范围作为起始搜索域，然后以一个像素点为单位对起始搜索域依次向外进行扩张，直至第n增加域中不存在与第n-1增加域中的各瑕疵点相邻的瑕疵点停止扩张，获取最终搜索域，得到最终搜索域中获取的各瑕疵点；进而计算各瑕疵点的连接程度；计算最终搜索域中获取的各瑕疵点的延伸角度，根据延伸角度计算灰度图像中各瑕疵点的延伸平直度；基于延伸平直度与连接程度计算布料整体缺陷属于不同缺陷类型的概率；进而对织布机进行监测。本发明能够准确地对织布机进行监测。机进行监测。机进行监测。


技术研发人员：沈拥军
受保护的技术使用者：江苏祥顺布业有限公司
技术研发日：2023.04.24
技术公布日：2023/7/22