本发明涉及智能控制领域，尤其涉及一种基于图像分析的胶带自动化卷绕机优化控制方法。
背景技术：
1、在卷胶带制造业中，胶带的卷绕过程是一个极其重要的环节，直接影响到胶带的质量和使用性能。传统胶带卷绕机通常依赖于固定的机械结构和人工经验进行控制，这种方式不仅效率低下，而且难以保证产品的一致性和质量。在实际生产过程中，卷绕过程中经常会出现诸如厚度不均匀、气泡、褶皱、松散等缺陷，这些缺陷不仅影响胶带的外观质量，还会在使用过程中导致重大问题，最终影响到产品的市场竞争力。
2、为了提高胶带卷绕过程的自动化程度和产品质量，近年来，基于图像分析技术的自动化卷绕控制方法逐渐受到业界的关注。然而，尽管图像处理技术在其他领域已取得了显著的成效，但如何将其应用于胶带卷绕过程，仍存在许多问题，包括采集图像的噪声干扰、图像边缘识别的精度问题、卷绕层分割的有效性以及缺陷检测的准确性等。此外，如何将图像分析结果有效地转换为参数调整策略，并通过精确的pid控制算法实现实时的卷绕参数调整，确保整个过程的高效、稳定和可靠，也是一个亟待解决的关键问题。
技术实现思路
1、为了解决上述问题，本发明的目的在于提供一种基于图像分析的胶带自动化卷绕机优化控制方法，能够显著提高卷绕过程的精确度和稳定性，通过图像分析技术智能检测和实时反馈，自动调整和优化卷绕参数，大大提升了胶带生产效率和产品质量。
2、为实现上述目的，本发明采用以下技术方案：
3、一种基于图像分析的胶带自动化卷绕机优化控制方法，包括以下步骤：
4、s1:通过高分辨率工业相机采集卷绕区域图像；
5、s2: 使用高斯滤波处理采集到的图像，去除噪声，并对图像进行直方图均衡化，增强卷绕层的对比度，得到预处理后的图像数据；
6、s3: 对预处理后的图像数据，采用canny边缘检测出卷绕层的边缘；
7、s4:采用k-means聚类将图像中的卷绕层分割出来， 计算每一层卷绕的厚度和宽度，并评估卷绕均匀性；
8、s5: 基于缺陷检测分类模型，自动检测和分类卷绕缺陷（如气泡、褶皱、松散等），并对检测到的缺陷进行定位和标记，生成缺陷信息；
9、s6: 将图像分析结果实时反馈到卷绕控制系统，根据卷绕层的均匀性和缺陷信息，使用pid控制算法调节卷绕速度和张力，确保卷绕过程的稳定性。
10、进一步的，s1具体为：
11、在卷绕机的正上方和侧面安装高分辨率工业相机，并配置同轴光源，确保摄像图像的亮度和对比度满足图像采集要求；
12、通过gige接口连接高分辨率工业相机到图像采集系统，使用图像采集卡进行图像数据传输；
13、并使用触发模式（硬件/软件触发）在预设时刻（如完成一圈卷绕时）采集图像。
14、进一步的，s2具体为:
15、s21:使用高斯滤波处理采集到的图像，去除噪声，包括：
16、(1)使用二维高斯函数生成高斯核：
17、；
18、其中，为图像坐标；是标准差，控制平滑度；
19、 (2)将高斯核与图像进行卷积操作：
20、；
21、其中，为原始图像像素值,为滤波后的图像像素值;为卷积核边长的一半;
22、s22:统计梯度幅值图像中每个灰度级出现的频率，得到直方图, 其中表示灰度级，并计算灰度累积分布函数 ：
23、；
24、其中，为滤波后的图像的灰度级别数；
25、利用累积分布函数对图像进行灰度映射，得到均衡化后的图像：
26、;
27、其中，为均衡化后的图像；为累积分布函数的最小值；m 和 n 分别为图像的宽度和高度。
28、进一步的，s3具体为：
29、对预处理后的图像数据，使用sobel算子计算图像在水平方向和垂直方向的梯度：
30、
31、其中，和分别是图像在水平方向和垂直方向的梯度；
32、根据水平和垂直梯度，计算梯度幅值和方向：
33、；
34、；
35、根据梯度方向 θ(x,y)，对梯度幅值进行非极大值抑制：
36、将梯度方向分为八个方向（0°, 45°, 90°, 135°等）对每个像素点，比较梯度幅值在梯度方向上的相邻像素梯度幅值，并仅保留局部极大值点gmax(x,y)；
37、将梯度幅值图像作为输入，利用otsu方法确定高阈值thigh，通过双对数映射法利用图像的对比度信息来确定低阈值tlow，并基于高低阈值，进行边缘连接：
38、；
39、对于梯度幅值介于 tlow 和 thigh之间的区域，如果与大于thigh的点相连接，则被标记为边缘，否则被抑制为0。
40、进一步的，利用otsu方法确定高阈值thigh，具体如下：
41、统计梯度幅值图像中每个灰度级出现的频率，得到直方图, 其中表示灰度级;
42、分别计算小于等于灰度级 k的像素的累积概率 p1(k)和平均灰度 m1(k)，以及大于灰度级 k 的像素的累积概率 p2(k)和平均灰度 m2(k);
43、对于每个灰度级 k，计算类间方差:
44、;
45、其中，m为图像的平均灰度值；
46、选择使得类间方差最大化的灰度级 k作为高阈值 thigh：
47、。
48、进一步的，通过双对数映射法利用图像的对比度信息来确定低阈值tlow，具体如下：
49、将低阈值设置为高阈值的预设比例，即：
50、；
51、其中， α 为比例系数；
52、对高低阈值进行双对数映射，增强低对比度区域的边缘信息:
53、
54、将映射后的阈值线性映射到原始灰度范围:
55、；
56、其中，最终得到的 和即为自适应确定的低阈值和高阈值。
57、进一步的，s4具体为：
58、s41：将边缘检测后的图像转换为二维数据，每个像素为一个数据点，并使用图像分割算法u-net将图像中的卷绕层分割出来;
59、s42:对分割图像进行骨架提取和距离变换来计算厚度和宽度;
60、s43:通过计算厚度和宽度的标准差来评估卷绕层的均匀性。
61、进一步的，对分割图像进行骨架提取和距离变换来计算厚度和宽度，具体如下：
62、使用形态学细化算法提取骨架：
63、;
64、其中，a为分割出的卷绕层的二值图像，为第个结构元素；n表示使用的结构元素的数量；表示形态学腐蚀操作；表示形态学击中变换；表示对使用不同结构元素得到的结果取交集；
65、对于二值图像a，通过欧式距离变换d(a) 计算图像中每个背景像素到最近前景像素的距离；
66、每个骨架点距离图像边界的距离即为该点所在处的卷绕层厚度，该距离是欧式距离变换的直接结果，即：
67、；
68、卷绕层的平均宽度通过计算区域像素数与骨架长度的比值得到。
69、进一步的，缺陷检测分类模型利用yolov5进行卷绕缺陷的自动检测和分类，构建过程具体如下：
70、采集包括气泡、褶皱、松散缺陷的历史图像，使用labelimg标注工具标注图像中的缺陷，生成包含缺陷类别和边界框坐标的标注文件；
71、对图像进行裁剪、旋转、缩放、翻转处理，增加训练样本的多样性，得到训练数据集；
72、选择预训练的yolov5模型作为基础模型，并使用训练数据集对yolov5模型进行微调，更新模型权重，得到缺陷检测分类模型。
73、进一步的，根据卷绕层的均匀性和缺陷信息，使用pid控制算法调节卷绕速度和张力，具体如下：
74、根据步骤s3获取当前位置卷绕层的均匀性，记为 thickness(t)；预设目标均匀性为 thicknesstarget；
75、则均匀性误差：
76、 ethickness(t) = thicknesstarget - thickness(t)；
77、通过调整张力来控制厚度，则张力调整量 δt(t) 的计算公式如下：
78、
79、其中，t(t)表示 t 时刻的卷绕张力；, , : 张力调整pid控制器的比例、积分、微分系数；为张力积分累积误差项，是对从初始时刻到当前时刻 t之间的误差进行积分，τ 是积分变量；
80、则新的张力t(t)new：
81、t(t)new=t(t)+δt(t)；
82、为避免张力调整过大，同时对速度进行微调，速度调整量 δv(t) 的计算公式如下：
83、;
84、其中，为速度调整的比例系数；
85、若检测到缺陷，则根据缺陷信息，计算缺陷面积 defectarea(t) 和当前图像帧的总面积 totalarea(t)，并计算缺陷面积占比 edefect(t)：
86、；
87、根据图像分析结果，调整卷绕速度和张力以最小化缺陷面积占比 edefect(t)，则速度调整量为：
88、；
89、其中， 和分别是速度调整pi控制器的比例、积分系数，为速度积分累积误差项。
90、本发明具有如下有益效果：
91、1、本发明通过实时图像分析及基于pid控制算法的实时反馈控制，对卷绕过程中的速度和张力进行精确调节，提高了卷绕过程的稳定性和产品质量。通过结合缺陷信息和均匀性指标，方案实现了全流程的智能化监控和反馈控制，能够有效应对卷绕过程中出现的各种缺陷；
92、2、本发明结合otsu方法和双对数映射法，实现了canny边缘检测算法中高低阈值的自动确定，提高了算法的自适应性和边缘检测的精度；
93、3、本发明能够实时监测和分析卷绕过程中的每一层胶带，准确检测出厚度不均、气泡、褶皱和松散等缺陷，并基于实时分析结果，采用pid控制算法动态调整卷绕速度和张力，确保卷绕的均匀性和稳定性，从而显著提高胶带的整体质量。
1.基于图像分析的胶带自动化卷绕机优化控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图像分析的胶带自动化卷绕机优化控制方法，其特征在于，所述s1具体为：
3.根据权利要求1所述的基于图像分析的胶带自动化卷绕机优化控制方法，其特征在于，所述s2具体为:
4.根据权利要求3所述的基于图像分析的胶带自动化卷绕机优化控制方法，其特征在于，所述s3具体为：
5.根据权利要求4所述的基于图像分析的胶带自动化卷绕机优化控制方法，其特征在于，所述利用otsu方法确定高阈值thigh，具体如下：
6.根据权利要求5所述的基于图像分析的胶带自动化卷绕机优化控制方法，其特征在于，所述通过双对数映射法利用图像的对比度信息来确定低阈值tlow，具体如下：
7.根据权利要求1所述的基于图像分析的胶带自动化卷绕机优化控制方法，其特征在于，所述s4具体为：
8.根据权利要求7所述的基于图像分析的胶带自动化卷绕机优化控制方法，其特征在于，所述对分割图像进行骨架提取和距离变换来计算厚度和宽度，具体如下：
9.根据权利要求1所述的基于图像分析的胶带自动化卷绕机优化控制方法，其特征在于，所述缺陷检测分类模型利用yolov5进行卷绕缺陷的自动检测和分类，构建过程具体如下：
