基于卷积滤波的纱筒定位检测算法

纱筒定位检测是自动换筒算法中的首要任务，针对纱筒图像背景复杂、分割困难的问题，本文提出一种基于卷积滤波的纱筒定位算法。首先对图像进行直方图均衡化，增强区域特征，再对传统扩散滤波模型进行优化，抑制纹理等高频信息，接着设计圆形卷积核对图像进行卷积滤波，抑制图像背景，最后对卷积图像进行Blob分析，通过区域特征筛选得到内筒轮廓。在自主搭建的检测平台上使用本文方法进行实验，实验结果证明纱线余量的检测精度在1.5%以内，满足实际生产要求，为纺织产业自动化生产提供一定的依据。

筒子纱作为纺织生产过程中重要的生产原材料，目前仍然采用人工巡检更换方式进行，这种方式用工成本高，不利于规模化生产。换筒机器人可以有效提高生产效率，开发换筒机器人的首要工作是设计纱筒定位算法，针对企业实际生产中纱筒架上的不同类型纱筒，本文开发了一种基于机器视觉的纱筒定位算法。

在纺织企业中，纱筒区域一般包含20 到30 排纱筒架，每排包括5 组纱筒架，每个纱筒架按列分为A、B 架，每个架子分为四层并且每层装有一个纱筒，即每排纱筒架装有40 个纱筒如图1(a)，每组纱筒架装有八个纱筒，且纱筒角度关于加强度对称，如图1(b)所示。这种纱筒安装方法导致在自动检测中出现了几个需要解决的问题：1) 同一个纱筒架上的每个纱筒相对于相机的空间位置不同，最终导致其成像结果存在较大差异；2) 受实际生产情况的限制，打光光源只能采用单一方向上的光源，但每个纱筒存在轴方向上的旋转，因此难以取得较好的打光效果；3) 获取目标纱筒架上的纱筒图像时，会同时获取到后排多排纱筒架以及生产设备，对纱筒图像分割产生较大干扰。

Figure 1. (a) Image of yarn bobbin; (b) Cone yarn bobbin; (c) Cylinder yarn bobbin; (d) Background yarn bobbin; (e) Back-ground equipment 图1. (a) 纱筒图像；(b) 圆锥形纱筒；(c) 圆柱形纱筒；(d) 背景区域后排纱筒；(e) 背景区域中的生产设备