CN102567745A - 一种光纤熔接质量的自动检测方法 - Google Patents

Abstract

一种光纤熔接质量的自动检测方法，在光纤熔接过程中获取光纤熔接图像；将上述光纤熔接图像分割为熔接区域图像和字符显示区域图像；采用字符识别算法，将分割后的字符识别出来；对所述熔接区域图像进行前景和背景分离得到分割后的光纤熔接区域，将分割后的光纤熔接区域作为熔接点识别的目标区域；提取出熔接点附近的光纤熔接图像，确定熔接是否成功；如果熔接不成功，根据熔接点附近的光纤熔接图像进行熔接故障模式识别，并向用户进行报警；如果熔接成功，根据所提取出的字符信息判断熔接是否满足工艺要求，如果满足工艺要求，则光纤熔接质量合格，结束熔接过程；如果不满足工艺要求，则向用户进行报警。

Description

一种光纤熔接质量的自动检测方法

技术领域

本发明涉及一种光纤熔接质量的自动检测方法。

背景技术

随着光纤陀螺技术在国内的迅速发展，光纤陀螺仪已经应用于包括宇航产品在内的多领域中，宇航产品对光纤陀螺的可靠性提出了很高的要求，而光纤熔接点的可靠性直接影响着光纤陀螺的可靠性，所以必须提高光纤熔接的可靠性。目前，光纤熔接机的光纤熔接质量检测方法大多是基于光纤熔接图像利用人工肉眼完成对参数和图像的判断，人眼判别存在主观意识的偏差，在精度和效率上无法满足产品生产的要求。如果不对光纤熔接的检测技术加以改进，很难继续提高光纤陀螺的可靠性，成为光纤陀螺的可靠性瓶颈。

目前，光纤熔接操作主要由光纤熔接机完成，光纤熔接机适用于熔接各种通信及数据传输和传感用途的单模和多模光纤，色散位移光纤和饵光纤等，包括各种紧套管或松套管光纤；涂层着色或不着色的光纤。光纤熔接机的基本工作原理如下：(1)清洁：通过电弧放电清洁光纤表面的石英残渣等多余物，使得光纤外轮廓适当软化变得圆滑；(2)对轴：目前的光纤熔接机都是两根光纤的纤芯对准，通过CCD镜头以端面对轴方式或侧面对轴方式找到光纤的纤芯；(3)放电：由于光纤的材质是二氧化硅，很容易在两根电极棒释放瞬间高压产生高温时达到融化状态，将已经对准的两条光纤的前端融化，然后两条光纤稍微向前推进，于是两条光纤就粘在一起了；(4)检测：估算光纤熔接参数，显示光纤熔接点图像。

光纤熔接质量的自动检测技术是基于光纤熔接机的熔接图像自动提取熔接图像区域特征和熔接参数，用以判别光纤熔接的质量。由于光纤熔接机所采集的熔接图像的分辨率低，利用传统图像识别软件和算法，往往算法和软件本身对于图像分辨率的要求很高，算法的运算时间成本高；难以满足光纤熔接图像识别的需要。

发明内容

本发明所要解决的技术问题是：提供一种光纤熔接质量的自动检测方法，能够发现更多的缺陷模式，准确判断熔接点质量。

本发明包括如下技术方案：

一种光纤熔接质量的自动检测方法，包括如下步骤：

(1)在光纤熔接过程中获取光纤熔接图像；

(2)对所述光纤熔接图像采用动态阈值滤波算法进行预处理；

(3)将预处理后的光纤熔接图像分割为熔接图片区域和字符显示区域；

(4)对字符显示区域图像进行前景和背景分离，得到分割后的字符图像；

(5)采用基于机器学习的字符识别算法，从分割后的字符图像提取出字符信息；

(6)对所述熔接图片区域进行前景和背景分离得到分割后的光纤熔接区域；

(7)提取出熔接点附近的光纤熔接图像，根据上述光纤熔接图像确定熔接是否成功；

如果熔接不成功，根据熔接点附近的光纤熔接图像进行熔接故障模式识别，并向用户进行报警；

如果熔接成功，根据步骤(5)所提取出的字符信息判断熔接是否满足工艺要求，如果满足工艺要求，则光纤熔接质量合格，结束熔接过程；如果不满足工艺要求，则向用户进行报警。

所述步骤(7)根据识别出的消光比和损耗数值来判断熔接是否满足工艺要求。

所述步骤(7)中的熔接故障模式识别方法，包括如下步骤：

(a)首先利用SIFT算法检测故障模式库图像的关键点的位置、尺度空间、方向以确定SIFT特征区域，获取关键点特征向量；建立起故障模式库图像的特征向量与故障模式类型之间对应的关系模型；

(b)获得熔接点附近的光纤熔接图像的SIFT关键点特征向量，输入所述关系模型进行匹配，利用关键点特征向量的欧氏距离作为待测图像与故障模式库图像中关键点的相似性判定度量，计算出匹配结果的相似度；只有相似度超过95％的识别结果认为是匹配成功。

利用所述关系模型，建立Hopfield神经网络，进行故障模式识别。

所述步骤(7)中确定熔接是否成功包括如下步骤：

(a)针对熔接点附近的光纤熔接图像，采用区域连接算法进行区域连通；判断连通区域的数量；如果连通区域数量为1，则说明该区域是连续的，否则说明该区域有断点，进而认为熔接过程有气泡产生；

(b)如果该区域是连续的，采用边缘提取算法，将图像边缘提取出来，针对提取的图像边缘像素点，进行线性拟合，计算出该区域的斜率，当斜率小于设定的阈值时，认为该区域是水平的，光纤熔接正常；否则认为光纤熔接时有错位。

所述方法适用于单模光纤、多模光纤和保偏光纤的熔接质量判断。

所述光纤的直径125μm或80μm。

所述光纤为熊猫型、领结型、老虎型保偏光纤。

所述步骤(4)和(6)采用动态阈值分割算法进行前景和背景分离。

本发明与现有技术相比，具有如下优点：

(1)现有的光纤熔接机对光纤进行熔接操作后会对熔接质量进行检测，但是其缺陷识别模式简单，只能识别大裂缝、大气泡等缺陷，对小气泡、微裂纹等缺陷不能有效识别，这就会使带有缺陷的光纤熔接点被装入光纤陀螺。本发明提出一种基于图像识别的光纤熔接质量的自动检测方法，该方法能够判定光纤熔接点附近的图像质量，同时判断光纤熔接参数的正确性，从而能够发现更多的缺陷模式，准确判断熔接点质量，并且第一时间向用户报警，从而保证光纤熔接点的质量。

(2)本发明基于机器学习的图像识别方法避免了传统算法建立模型的复杂过程，基于机器学习的图像识别算法通过图像滤波预处理，消除了算法本身对于良好抗噪能力的依赖，同时简化了一般检测技术在获得像素边缘参数确定的繁琐步骤。

(3)为了满足多种光纤熔接图像的熔接点图像识别和字符提取，提出了动态阈值的自适应分割算法，提高了分割识别系统的泛化能力。

(4)本发明的熔接故障模式识别方法采用SIFT算法进行特征向量提取，同时，与欧氏距离配合使用，提高了故障模式识别的准确度。

附图说明

图1基于图像识别的光纤熔接质量的自动检测过程；

图2熔接正常时的光纤熔接图像；

图3熔接过程中出现气泡的光纤熔接图像；

图4利用SIFT算法建立故障模式特征向量图像；

图5a熔接过程光纤发生移位故障的光纤熔接图像；

图5b熔接过程光纤发生裂纹故障的光纤熔接图像；

图6a为黑白转换的二值化分割后的光纤移位故障的8方向特征向量图像；

图6b为黑白转换的二值化分割后的光纤裂纹故障的8方向特征向量图像。

具体实施方式

下面结合附图对本发明的实施方式进行详细说明：

如图1所示，光纤熔接质量的自动检测过程主要包括如下步骤：

(1)将光纤熔接机与控制系统进行连接，使用光纤熔接机进行光纤的熔接操作。控制系统用于控制光纤熔接机的开启、关闭和进行故障报警。光纤熔接机熔接光纤的步骤主要分为4个过程，产生7个关乎熔接质量的关键参数，和一组可旋转360度的熔接点局部图像，该组图像可显示出熔接点是否存在气泡等缺陷。光纤熔接的第一个过程是电弧清洁过程，该过程通过短促、微弱的脉冲电弧，将光纤表面的石英残渣等多余物清除，并且使得光纤外轮廓适当软化变得圆滑，在该过程中会产生4个关键参数，分别是左端光纤摆放角度、右端光纤摆放角度、左端光纤切割角度和右端光纤切割角度；光纤熔接的第二个过程是左右端光纤对轴，目前光纤熔接机的对轴方式有两种：端面对轴方式和侧面对轴方式；第三个过程是光纤熔接过程，采用较大放电量，使光纤软化，并在光纤上配合适当的轴向运动，将两根光纤熔接在一起；第四个过程是光纤熔接质量的判定阶段，该阶段会对光纤熔接点的损耗、消光比、对轴角等三个重要参数进行估算，并显示在屏幕上，在估算消光比的过程中，光纤熔接点会进行360度旋转，产生熔接点的局部全景图像，该图像可以显示光纤熔接点是否存在缺陷。

(2)获取光纤熔接图像；图2-3显示的是所获取的光纤熔接图像，其中图2是熔接正常的图像，图3是熔接过程中出现气泡的图像。从图2-3中可以看出，所述光纤熔接图像分为灰色背景区域，被黑色区域包围的白色光纤区域，和字符区域，其中背景区域的像素为190，白色光纤区域的像素为215，字符区域的像素为200。

(3)图像预处理：采用动态阈值滤波算法对光纤熔接图像进行滤波，剔除图像中的干扰信息。动态阈值滤波算法采用的门限像素值为背景190，熔接图片光纤区域为215，字符区域为200。

(4)进行图像分割：以检测到的各个区域的像素值为门限将图像区域分割为光纤熔接区域和字符显示区域。针对字符显示区域，由于在图像中的位置较为固定，因此在设置好的固定区域中将字符识别区域直接分割出来。针对光纤熔接区域，由于位置不固定，不能采用指定区域分割的算法，需要在图像中找出待分割区域的特点进行分割。由于该区域特点为一层黑色的区域包裹了光纤熔接图像，因此只要确定外层黑色区域即可将该区域进行分割，使用简单的阈值分割算法即可完成黑色区域的定位，进而分割出熔接区域。如图5a为分割出的熔接过程光纤发生移位故障的光纤熔接图像；图5b熔接过程光纤发生裂纹故障的光纤熔接图像。

(5)字符分割：对滤波后的字符显示区域图像采用Halcon软件下的动态阈值分割算法进行前景和背景分离，利用区域联通的方法，通过判断其联通区域大小和位置信息来定位需要识别的字符区域。

(6)字符识别：采用基于机器学习的字符识别算法，从分割后的字符图像提取出字符信息。字符信息包括消光比及其数值；损耗及其数值。

(7)熔接段分割：从光纤熔接区域中分割出白色的光纤熔接线性区域，由于该区域灰度图像对比较为明显，使用阈值分割法进行图像分割即可将白色的光纤熔接区域分割出来，将分割出的白色光纤熔接区域作为熔接点识别的目标区域。

(8)熔接点图像分割：利用Halcon软件下的动态阈值分割算法对分割出的熔接段图像利用像素和区域大小等特征，将熔接点图像区域的前景与背景分割。对于分割好的二值图像进行区域联通并标号，记录区域特征，包括大小，中心点位置等信息。对于联通好的区域，按区域大小和位置，进行一次筛选，只有大小和位置满足要求的区域才认为是需要识别的熔接点区域。

(9)熔接点图像识别：利用边缘提取算法提取出熔接点附近的熔接图像。

根据熔接点附近的熔接图像，通过判断熔点像素值是否均匀，连接线是否连通，熔接区域是否平滑来确定光纤熔接是否成功。判断光纤熔接是否成功有两点要素：第一，连接光纤必须是连续的，否则认为连接过程中有气泡，未成功熔接。第二，连接光纤必须是光滑平整的，否则认为是熔点发生了移位，熔接不成功。具体步骤如下：

(a)针对熔接点附近的光纤熔接图像，采用区域连接算法进行区域连通；判断连通区域的数量；如果连通区域数量为1，则说明该区域是连续的，否则说明该区域有断点，进而认为焊接过程有气泡产生；

(b)如果该区域是连续的，采用边缘提取算法，将图像边缘提取出来，针对提取的图像边缘像素点，进行线性拟合，计算出该区域的斜率，当斜率小于设定的阈值时，认为该区域是水平的，光纤连接正常；否则认为光纤熔接时有错位。

(10)熔接质量判断：判断光纤熔接是否成功，如果熔接不成功，根据熔接点附近的光纤熔接图像，进行故障模式识别，并转入步骤(11)。如果熔接成功，配合步骤(6)提取出的消光比数值和损耗数值来判断熔接是否满足工艺要求，如果满足工艺要求，则通过控制系统结束光纤熔接过程；如果不满足工艺要求，则转入步骤(11)。优选地，当消光比大于30dB时，损耗小于1dB时认为熔接满足工艺要求。

(11)通过控制系统向用户报警，报警信息包括光纤熔接故障模式、所提取出的字符信息等。

其中步骤(5)、(8)的动态阈值分割算法如下面两式所示：

$\▿F=\left[\begin{array}{c}{G}_x\\ G_y\end{array}\right]=\left[\begin{array}{c}\frac{\∂f}{\∂x}\\ \frac{\∂f}{\∂y}\end{array}\right]---\left(1\right)$

${\▿}^{2}F=\frac{{\∂}^{2}f}{{\∂}^{2}x}+\frac{{\∂}^{2}f}{{\∂}^{2}y}---\left(2\right)$

其中，f(x，y)为图像中第x行，第y个像素点的灰度值。首先对匹配图像之间分别用sobel算子计算梯度的方法进行运算，将特征向量的匹配范围缩小，在得到边缘图像后采用边缘的Laplacian值提高匹配精度。

其中，步骤(10)中的熔接故障模式识别方法具体包括如下步骤：

(a)利用SIFT算法检测故障模式库图像的关键点的位置、尺度空间、方向以确定SIFT特征区域，获取关键点特征向量；建立起故障模式库图像的特征向量与故障模式类型之间对应的关系模型；

(b)获得熔接点附近的光纤熔接图像的SIFT关键点特征向量，输入所述关系模型进行匹配，利用关键点特征向量的欧氏距离作为待测图像与故障模式库图像中关键点的相似性判定度量，计算出匹配结果的相似度；只有相似度超过95％的识别结果认为是匹配成功。

本发明优选采用Hopfield神经网络进行故障模式识别：将待检测图像作为输入，输出为故障类型，Hopfield神经网络利用故障模式库图像与目标熔接点图像的关系模型，进行故障模式识别。

本发明采用Halcon软件下的SIFT(尺度不变特征提取)算法得到熔接点图像关键点特征向量信息。如图4所示，在特征点附近2*2的小块上计算每个小块特征向量的8个梯度方向的累加值，以得到一个关键点的特征向量。图6为黑白转换的二值化分割后的光纤移位与裂纹故障的8方向特征向量图像。

本发明采用较先进的机器视觉软件训练低图像分辨率下的样本图像，通过建立大量的熔接故障模式数据库，并学习样本特征实现图像故障模式特征与待识别图像的熔接模式特征的比对，达到熔接故障模式的准确判断。

本发明的方法可以适用于熊猫型、领结型、老虎型、椭圆包层型保偏光纤。

本发明的方法适用于对轴方式为端面对轴方式的熔接机或侧面对轴方式的熔接机。

本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (9)

1.一种光纤熔接质量的自动检测方法，其特征在于，包括如下步骤：

(1)在光纤熔接过程中获取光纤熔接图像；

(2)对所述光纤熔接图像采用动态阈值滤波算法进行预处理；

(3)将预处理后的光纤熔接图像分割为熔接图片区域和字符显示区域；

(4)对字符显示区域图像进行前景和背景分离，得到分割后的字符图像；

(5)采用基于机器学习的字符识别算法，从分割后的字符图像提取出字符信息；

(6)对所述熔接图片区域进行前景和背景分离得到分割后的光纤熔接区域；

(7)提取出熔接点附近的光纤熔接图像，根据上述光纤熔接图像确定熔接是否成功

如果熔接不成功，根据熔接点附近的光纤熔接图像进行熔接故障模式识别，并向用户进行报警；

如果熔接成功，根据步骤(5)所提取出的字符信息判断熔接是否满足工艺要求，如果满足工艺要求，则光纤熔接质量合格，结束熔接过程；如果不满足工艺要求，则向用户进行报警。

2.根据权利要求1所述的方法，其特征在于：所述步骤(7)根据识别出的消光比和损耗数值来判断熔接是否满足工艺要求。

3.根据权利要求1所述的方法，其特征在于：所述步骤(7)中的熔接故障模式识别方法，包括如下步骤：

(a)利用SIFT算法检测故障模式库图像的关键点的位置、尺度空间、方向以确定SIFT特征区域，获取关键点特征向量；建立起故障模式库图像的特征向量与故障模式类型之间对应的关系模型；

(b)获得熔接点附近的光纤熔接图像的SIFT关键点特征向量，输入所述关系模型进行匹配，利用关键点特征向量的欧氏距离作为待测图像与故障模式库图像中关键点的相似性判定度量，计算出匹配结果的相似度；只有相似度超过95％的识别结果认为是匹配成功。

4.根据权利要求3所述的方法，其特征在于：利用所述关系模型，建立Hopfield神经网络，进行故障模式识别。

5.根据权利要求1所述的方法，其特征在于：所述步骤(7)中确定熔接是否成功包括如下步骤：

(a)针对熔接点附近的光纤熔接图像，采用区域连接算法进行区域连通；判断连通区域的数量；如果连通区域数量为1，则说明该区域是连续的，否则说明该区域有断点，进而认为熔接不成功；

(b)如果该区域是连续的，采用边缘提取算法，将图像边缘提取出来，针对提取的图像边缘像素点，进行线性拟合，计算出该区域的斜率，当斜率小于设定的阈值时，认为该区域是水平的，光纤熔接成功；否则认为光纤熔接不成功。

6.根据权利要求1所述的方法，其特征在于：所述方法适用于单模光纤、多模光纤和保偏光纤的熔接质量判断。

7.根据权利要求1所述的方法，其特征在于：所述光纤的直径为125μm或80μm。

8.根据权利要求1所述的方法，其特征在于：所述光纤为熊猫型、领结型、老虎型保偏光纤。

9.根据权利要求1所述的方法，其特征在于：所述步骤(4)和(6)采用动态阈值分割算法进行前景和背景分离。

Images