电容式条干均匀度仪测试的注意事项

电容式条干均匀度仪在不同试验室测试同一纱线时的检测结果会不相同,导致纱线贸易摩擦;试验室在应用GB/T3292.1-2008进行条干均匀度测试检验时,没有严格地按检测程序操作,忽略了一些细节对测试结果的影响,导致检验结果差异明显.引起电容式条干均匀度仪测量不确定度的因素很多,文章分析了试验室温湿度、纱条在电容极板中的不同位置和管纱与简纱的条干均匀度差异3因素对测试结果的影响.     

应用显著性算法的纱线条干均匀度检测

针对运用图像方法进行纱线条干均匀度检测时,背景黑板、纱线毛羽以及图像噪声等对检测结果影响较大的问题,借鉴人的视觉感知机制,提出一种应用显著性算法检测纱线条干均匀度的方法。对采集到的纱线图像提取颜色和亮度特征,进行显著性分析,突出纱线条干区域,然后利用迭代阈值分割算法和区域滤波,得到准确清晰的纱线条干二值图像,基于此进行直径计算、均匀度分析和纱线疵点判定。通过边缘准确性评价可知,采用所提方法分割得到的纱线条干二值图像有着较高的分割精度。通过与Uster Classimat 5的均匀度检测结果进行比较,证明这种方法可得到准确的结果,与Used Classimat 5 的测量结果有着较好的一致性。     

纱线条干均匀性序列图像测量方法

为了更精确、连续地评价纱线的外观条干均匀性,提出一种基于序列图像的纱线条干均匀性测量方法。通过图像采集系统获取连续的纱线序列图像;根据模糊C-均值（FCM）聚类算法将图像进行阈值分割,得到纱线条干的二值图像;设定阈值去除图像中的孤立点、毛刺点,获得清晰的纱线条干图像,并计算图像中每行纱线直径。 为验证方法的准确性,对７ 种线密度的紧密纺纯棉纱进行了条干测试,并将结果与USTER® Tester 5-S800 条干测试仪的测试结果进行了对比。结果表明：序列图像方法测得的纱线条干均匀性与USTER 条干仪的测试结果高度正相关,证明本文的方法是准确可行的。     

基于多视角图像的纱线条干均匀度测量方法

为能更精确地表征纱线条干三维特征,实现纱线条干均匀度的质量评估,采用多视角图像对纱线条干均匀度的测量进行研究。首先选择5种不同线密度的环锭纺纯棉纱,通过搭建多视角纱线图像获取装置,实现纱线多个角度的图像采集;其次对获取的4个方向的纱线图像进行自动阈值分割、图像自动裁剪、毛羽快速清除以及孤立区域去除等处理,得到清晰、无噪点的纱线主干图像;最后求得纱线主干的单视角与多视角直径、CV值,并提出新的表征纱线条干不匀的多视角不匀均值(CV_n)指标和三维条干变异系数(S)指标。其数据结果与乌斯特条干仪的测试结果对比表明：2种测试方法检测的纱线直径相差不大,都随着线密度的减小而减小;单视角和多视角下,0.3 mm片段长度下纱线直径CV值、8 mm片段长度下纱线直径CV值与乌斯特条干仪测得的结果趋势变化一致;提出的三维条干变异系数S虽大于乌斯特条干仪测得的CV值,但总体趋势保持一致。     

两种评定纱线条干均匀度技术的分析

分析了电容式条干均匀度仪和EIB光电式纱线外观测试分析仪的测试原理 ,指出 :电容式条干均匀度仪测试的是测量区内一段纱条的体积或质量的平均值 ,而EIB光电式纱线外观测试分析仪测试的是纱线某一投影面上的直径变异。两者反映了纱线条干均匀度不同的内容 ,不完全一致     

基于计算机纱线仿真的纱线条干检测系统

纱线的条干均匀度对纺织品的质量有很大影响。通过对现有纱线条干均匀度检测方法的对比和研究,提出一种基于计算机纱线仿真的纱线条干检测系统。该系统的原理是结合黑板检测法和乌斯特条干检测法的优点,通过乌斯特条干仪获取纱线的电容值并转化为电压值,然后再转化为纱线的细度值,最后通过纱线仿真建模方法进行纱线黑板模拟,直观反映纱线质量,并结合乌斯特仪检测的结果,可以具体反映纱线条干的外观质量和质量分布不匀率。     

纤维混合不匀对电容式条干均匀度仪检测结果的影响

电容式条干均匀度仪最初的检测机理是建立在纯纺纱线的基础上,随着混纺产品的比重越来越大,就必须考虑纱线中不同成分纤维的混合均匀度对纱线条干检测结果的影响.文章根据电容式条干均匀度仪的检测机理,计算了混纺纱线纤维混合不匀对纱线条干均匀度检测结果的影响.     

基于数字图像处理的纱线条干均匀度检测初探

本文以四种不同规格的纯棉纱线为例,提出一种基于数字图像处理技术来检测纱线条干不匀率的方法。采用MRS-4800M48U型扫描仪采集纱线图像,然后对纱线图像进行维纳滤波、阈值分割、形态学开运算处理,得到条干清晰、无噪声的纱线图像,最后基于经处理后的图像计算纱线的直径和纱线的条干CV值,图像法检测出的纱线条干CV值与乌斯特条干仪检测出的结果非常接近,这表明,本文提出的纱线条干均匀度检测方法是可行的,能准确高效地检测出的纱线条干CV值,客观地反映纱线的外观质量。     

电容式与光电式测量纱线条干均匀度的相关性研究

通过对电容式与光电式测量纱线条干均匀度的原理、方法及测量结果的对比分析，指出两者各自的特点及相关性。     

基于平面镜成像的纱线条干三维合成校准方法

针对二维图像纱线条干均匀度检测存在信息缺失、纱线条干三维合成准确度不高等问题,在平面镜成像的三维检测系统基础上提出一种纱线条干三维合成校准方法。选用4种不同粗细的纯棉集聚纺纱线,用相机在一幅图像中采集各个纱线的多视角图像,分别用校准方法对xoz平面和xoy平面校准,再进行二值化、形态学开运算处理,得到清晰的纱线条干二值图像,根据平面镜成像系统几何关系合成纱线条干三维模型,计算纱线条干各截面上像素点个数及其变异系数,与Uster TESTER 5测得的二维直径及纱线二维直径CV值对比评价纱线条干建模精度。结果表明,三维模型纱线各截面像素点个数与二维直径相关系数在0.987以上,条干均匀度CV值与Uster法结果的极差在2.36 %以内,证明校准方法可行。     

基于机器视觉的细纱接头机器人纱线断头定位方法

为实现通过机器视觉方式对细纱接头机器人的纱线断头进行定位,并简化机械结构,根据断头纱线图像特点,提出针对纱线特征的识别与定位算法。利用工业相机采集纱线被吸入吸嘴的图像,通过改进灰度增强方法增大纱线特征与背景对比度,利用Canny算子进行边缘检测,最后通过划分上下感兴趣区域以及优化的霍夫直线检测获取纱线的图像特征并利用定位算法提取所需的位置信息。结果表明:本文算法提取的位置信息精度较高,坐标点误差为1.42像素,角度误差为0.60°;相较于传统检测算法,程序运行时间得到了缩短,识别时间在10^-1 s数量级上,实时性好;研究成果可应用于细纱接头机器人产品开发中。     

基于视觉校准的环锭纺细纱条干特征在线提取方法

针对纱线高速回转、毛羽条干交织导致的条干轮廓特征难以准确提取的问题,提出了深度学习与形态学运算融合的在线提取方法,设计了图像在线采集系统与校准定焦方法,为轮廓特征提取提供高质量输入,构建了基于整体嵌套边缘检测神经网络和形态学运算的细纱条干轮廓特征提取重构模型,实现毛羽干扰下的条干轮廓在线准确提取。实验结果表明,所提方法的轮廓提取准度指标OIS-F(optimal image scale)、ODS-F(optimal dataset scale)达到了0.91,平均准确率AP达到了0.89,相对于当前方法提高了7%以上。基于提取的轮廓特征计算的条干不匀CV值,与CT3000均匀度检测仪的平均误差小于4%。     

应用纱线序列图像的电子织物构建

为检测纱线条干均匀性对织物外观的影响,在纱线条干图像测量的基础上,提出了一种基于纱线序列图像的电子织物的构建方法。通过建立织物组织变化模型和光照模型,将纱线直径值与基元组织点外观灰度纹理分布相结合,构建电子织物外观数学模型。实验中通过将采集的纱线序列图像进行图像分割和形态学运算等处理,获取纱线直径数据,代入到构建的织物外观数学模型中,实现基于纱线序列图像的电子织物的模拟并且相关参数可调。通过选择合理的织物结构参数,提出的电子织物模型能够真实的反映纱线条干均匀性对织物外观的影响,准确预测布面效果。     

Automatic measurement of yarn hairiness based on the improved MRMRF segmentation algorithm

In order to determine the yarn hairiness characteristic index more accurately, a new yarn hairiness testing strategy based on a combination of image acquisition technology is proposed. Firstly, the captured yarn images are processed with gray-scale conversion and skew correction. Secondly, yarn segmentation is implemented using a multi-resolution Markov Random Field (MRMRF) model with a variable weight in the wavelet domain and yarn stem separation is realized through iterative threshold segmentation algorithm. Thirdly, the image of yarn hairiness is extracted. Finally, the total number and actual number of yarn hairiness of different length are counted sequentially based on the segmentation lines and baseline of yarn stem edge. The baseline is obtained by calculating the average distance between yarn stem edge and yarn axis. Furthermore, the feature is analyzed. Experimental results show that, compared with visual observation method, the maximum deviation of proposed image processing algorithm is 3.88%. The proposed approach can make the results of yarn hairiness segmentation more precisely, and then the more reliable results of hairiness feature detection are obtained.     

纱线毛羽骨架及长度的跟踪测量

针对现有图像法毛羽测量存在的缺陷,提出了一种用于毛羽分析和长度测量的纱线毛羽骨架跟踪算法。首先以10像素为步长,作纱线条干边缘曲线对毛羽骨架的分割线,得到毛羽起点;接着在毛羽延伸方向上对毛羽起点的上5?邻域点或下5?邻域点进行判断,得到新的毛羽路径点,进行邻域点的重复判断,直到没有毛羽路径点存在,依次记录所有毛羽点生成毛羽路径,并提出了多毛羽路径点和交叉毛羽的解决方案;最后根据2点间的距离计算出毛羽路径中相邻毛羽路径点的像素,从而得到毛羽的测量长度。对长毛羽的跟踪测量和固定分割长度测量的结果显示,毛羽骨架及长度的跟踪测量算法可将测量长度提高24.3%∽666%,测量结果较为精确。     

基于数字图像处理的纱线毛羽检测

为了更准确地检测出纱线毛羽长度及其根数,在结合视频显微镜和图像处理技术的基础上,提出一种新的毛羽检测方法。首先采用MOTIC SME-140视频显微镜采集纱线图像,然后经过灰度变换、图像分割、形态学开运算、图像细化处理,得到完整的纱线条干图像和细化后的毛羽图像,接着以纱线条干边缘为基准线,对毛羽分割点进行判断,最后得出不同长度的毛羽根数。图像法检测结果表明各纱线片段的毛羽根数值较为稳定,并且检测结果与目测图像计数的结果非常接近。因此,本文所提出的毛羽检测方法较现有的光电检测方法更为准确、可靠。     

基于毛羽图像检测的浆纱抗起毛性能评价

为准确检测织造载荷作用前后浆纱的毛羽及有效表征浆纱的抗起毛性能,提出一种基于毛羽量图像检测的浆纱抗起毛性能评价方法.对纯棉14.5 tex的原纱和3种不同上浆率的浆纱,在JN-01浆纱耐磨性能测试仪上模拟织造载荷,并进行不同载荷次数的摩擦起毛实验.起毛后的纱线经图像采集、纱线主干分割、毛羽分割和主摩擦区间定位等处理后,...