Research on Yarn Diameter and Unevenness Based on an Adaptive Median Filter Denoising Algorithm

• Autorzy: Wang Xiao , Hou Ru-Meng , Gao Xiao-Yan , Xin Bin-Jie

Identyfikatory

DOI

10.5604/01.3001.0013.5856

Warianty tytułu

PL

Badanie średnicy i nierówności przędzy w oparciu o algorytm odszumiania z adaptacyjnym filtrem medianowym (AMF)

• Języki publikacji: EN

Abstrakty

EN

In this paper an adaptive median filtering denoising algorithm is proposed to measure yarn diameter and its unevenness. Images of nine different yarn samples were captured using one set of a self-developed yarn image acquisition system. Image separation of the background and yarn sections was conducted using a combination of adaptive median filtering, adaptive threshold segmentation and morphological processing. The noise-free yarn image was used for diameter detection of the subsequent yarn image and the discrimination of the yarn unevenness. Experimental results show that the testing data of yarn unevenness detection based on the adaptive median filter denoising algorithm is very consistent with the data using the traditional method. It is proved that the yarn detection method proposed, based on an adaptive median filter denoising algorithm, is feasible. It can be used to calculate yarn diameter accurately and measure yarn unevenness efficiently, so as to determine the quality of yarn appearance objectively.

PL

W artykule zaproponowano algorytm odszumiania z adaptacyjnym filtrem medianowym (AMF) do pomiaru średnicy przędzy i jej nierówności. Obrazy dziewięciu różnych próbek przędzy zostały przechwycone przy użyciu jednego zestawu samodzielnie opracowanego systemu akwizycji obrazów przędzy. Rozdzielenie obrazu tła i odcinków przędzy przeprowadzono przy użyciu kombinacji AMF, adaptacyjnej segmentacji progowej i przetwarzania morfologicznego. Bezszumowy obraz przędzy wykorzystano do wykrywania średnicy przędzy i rozróżnienia nierówności przędzy. Wyniki eksperymentalne pokazały, że dane testowe dotyczące wykrywania nierówności przędzy w oparciu o zaproponowany algorytm miały wysoką zgodność z danymi uzyskanymi przy użyciu tradycyjnej metody. Algorytmu tego można użyć do dokładnego obliczenia średnicy przędzy i skutecznego pomiaru nierówności przędzy, aby obiektywnie określić jakość wyglądu przędzy.

Słowa kluczowe

EN

adaptive median filtering; algorithm; denoising; yarn diameter; unevenness; image processing

PL

adaptacyjny filtr medianowy; algorytm; odszumianie; średnica przędzy; nierówności; przetwarzanie obrazu

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2020
• Tom: Vol. 28, no. 1 (139)
• Strony: 36--41
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Wang Xiao

• Yantai Nanshan University, Nanshan Middle Road, Yantai City, Shandong, 265713, China

autor

Hou Ru-Meng

• Yantai Nanshan University, Nanshan Middle Road, Yantai City, Shandong, 265713, China

autor

Gao Xiao-Yan

• Yantai Nanshan University, Nanshan Middle Road, Yantai City, Shandong, 265713, China

autor

Xin Bin-Jie

• Yantai Nanshan University, Nanshan Middle Road, Yantai City, Shandong, 265713, China

Bibliografia

• 1. Hong ZQ. Generating Reasons and Control of Yarn Hairiness[J]. Cotton Textile Technology 2006; 34(5): 1-4.
• 2. Lang J, Lin LT, Zhou J. The Distribution of Yarn Hairiness and the Influence of the Winding on Yarn Hairiness[J]. Shanghai Textile Science &Technology 2002; 30(6): 17-19.
• 3. Li XL. The influence of the yarn hairiness on fabric properties[J]. Cotton Textile Technology 2003; 31(4): 63-64.
• 4. Carvalho V, Cardoso P, Beasley M. Vasconcelos, RM., Soares, FO. Yam hairiness parameterization using a coherent signal processing technique[J]. Sensors and Actuators A. Physical 2008; 142(1): 217-224.
• 5. Fan Y. The Digital Measurement and Analytic Study of Yarn Appearance [D]. Shanghai University of Engineering Science, 2015.
• 6. Dai YP. The Comparative Study of the Newest Capacitance Evenness Testing Method and Sight Inspection Method about Short Fiber Yarn[D]. Donghua University, 2015.
• 7. Chen T, Zhang D. An Improved Adaptive Image De – Noising Algorithm and its Implementation[J]. Information Technology 2017; (11): 9-12.
• 8. Lu JF, Zhang YX. Testing Yarn Evenness of Blackboard using Image Analysis[J]. Wool Textile Journal 2003; (4): 53-55.
• 9. Tang FH, Yu JY, Zhang RY. The Yarn Analysis System Based on Computer Visual Technology[J]. Journal of Zhongyuan Institute of Technology 2003;14(1): 15-18.
• 10. Song XP, Chang T. Study on Computer Recognition of Features of Cotton Yarn Seri plane[J]. Journal of Xinjiang University 2004; 21(1): 69-72.
• 11. Li DB. Image Enhancement Technology in the Application of Security Monitor System. Super Science 2017; (7).
• 12. Design and Implementation of Processing and Analysis in Mammograms Based on OpenCV[D]. Beijing Jiaotong university.
• 13. Su ZB, Huang MY, Jing JF. Image Processing of Yarn Harness Based on Parametric Kernel Graph Cut Method[J]. Journal of Xi’an Polytechnic University, 2017, 31(4): 486-494.
• 14. Liang HW. Study of Method of Reducing and Image Technology Detection Yarn Hairiness[D]. Hebei University of Science and Technology, 2011.
• 15. Huang MY. The Research on Yarn Hairiness Detection Algorithm Based on Image Processing. [D]. Xi’an Polytechnic University, 2017.
• 16. Chen Y, Liu XY, Jiang Z. Capsule Yinan Defect Recognition Based on RGB and HSV Color Space. Computer Engineering and Design 2014; 35(11): 3888-3892.
• 17. Sun YY, Pan RR, Gao WD. Detection of Yarn Hairiness Based on Digital Image Processing[J]. Journal of Textile Research 2013; 34(6): 102-106.
• 18. Lu M, Liu YP. Binarization Disposal of Image Of Yarn Hairiness and its MATLAB Realization[J]. Shandong Textile Science &Technology 2009; (2): 37-39.
• 19. Xu YF. Image Segmentation Based on the Genetic Fuzzy C-Mean Algorithm[J]. Journal of Northwestern Polytechnical University 2002; (04): 549-53.
• 20. Chi KL. Detection of Yarn Evenness by Means of Digital Image Processing. Jiang nan university, 2012.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).