CN103917987B - 通过光栅图像的边缘检测的带磨损的测量 - Google Patents

通过光栅图像的边缘检测的带磨损的测量 Download PDF

Info

Publication number
CN103917987B
CN103917987B CN201280054451.2A CN201280054451A CN103917987B CN 103917987 B CN103917987 B CN 103917987B CN 201280054451 A CN201280054451 A CN 201280054451A CN 103917987 B CN103917987 B CN 103917987B
Authority
CN
China
Prior art keywords
band
image
rib
loop
pixel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201280054451.2A
Other languages
English (en)
Other versions
CN103917987A (zh
Inventor
F.M.索布克扎克
J.H.西利
D.R.赛德拉塞克
M.E.斯图姆基
J.L.阿什布伦纳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gates Corp
Original Assignee
Gates Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Gates Corp filed Critical Gates Corp
Publication of CN103917987A publication Critical patent/CN103917987A/zh
Application granted granted Critical
Publication of CN103917987B publication Critical patent/CN103917987B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2207/00—Indexing codes relating to constructional details, configuration and additional features of a handling device, e.g. Conveyors
    • B65G2207/48—Wear protection or indication features
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
    • B65G43/02—Control devices, e.g. for safety, warning or fault-correcting detecting dangerous physical condition of load carriers, e.g. for interrupting the drive in the event of overheating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Control Or Security For Electrophotography (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

提供用于确定带磨损的工具。具体地，描述了基于非接触的系统和处理，其实现带磨损的快速和精确测量。基于带磨损的测量，可以确定带的磨损情况。然后关于磨损情况的信息可以用于确定用于响应于确定的磨损情况的适当补救措施。

Description

通过光栅图像的边缘检测的带磨损的测量
技术领域
本公开一般地涉及测量带磨损，并且更具体地涉及使用图像以识别带磨损特性并且预测带寿命。
背景技术
蛇形驱动带由于三元乙丙橡胶(EPDM)材料的使用正变得越来越耐用。结果，带磨损的历史上的可靠指标(裂缝)不频繁出现，尽管带随着时间持续磨损。由于使用这些先进材料而存在的一个问题在于越来越难以量化故障前磨损检测。换句话说，由EPDM材料制造的蛇形驱动带通常仅在带的完全故障之后被诊断为过度磨损。
处理上述问题的最近进展要求与被测带接触的物理工具。在同属于Smith等人的美国专利No.7946047和美国专利公开No.2010/0307221中描述了这样的工具的示例，在此通过引用从而全文并入它们中的每一个。这些解决方案依赖于测量工具和被测带之间的物理接触。
有用的是开发一种带测量解决方案，其不依赖于工具和被测带之间的物理接触，并且可以迅速和有效地识别带磨损。
发明内容
针对于上述问题和其他问题，构思了在此呈现的实施例。特别地，在此呈现的实施例的至少一些提供了一种带测量解决方案，其不需要测量工具和被测量带之间的物理接触。更具体地，本公开的实施例构思了基于图像的测量解决方案，其中可以捕获带的一个或多个图像。然后可以分析带的捕获图像，并且与带图像数据的数据库比较。在一些实施例中，这种分析和比较得到磨损测量计算，其随后可以用于量化带已经经历的磨损量。此外，带图像数据可以用于精细调节和优化运行带的装置，以便改进装置性能。
在一些实施例中，通过光栅图像的罗纹宽度(rib width)的边缘检测实现带磨损的测量。
在一些实施例中，边缘检测和/或罗纹宽度检测包括以下处理，捕获被测量的带的一个或多个图像，对一个或多个图像执行高斯模糊运算，然后执行一个或多个图像的灰度级转换，然后执行一个或多个图像的二进制转换，以及然后执行一个或多个图像的Canny边缘检测操作。
在一些实施例中，对于单股V带，对于二进制转换确定自动阈值设置，其通过在灰度阈值的离散级别采样，或者可替代地在红色/绿色/蓝色(RGB)值以及检测一个边缘区域的所有阈值的中间值采样，生成一个区域。在其他实施例中，对于在灰度强度的离散级别或者可替代地在RGB值采样的多罗纹带(其中罗纹平行于或垂直于带的移动蔓延)，通过检测到的边缘区域的模式的排序序列的中间值，确定(多个)图像中的罗纹的数目。在其他实施例中，可以通过将特定带的已知罗纹间隔乘以检测到的罗纹区域计数和带的外部检测区域，确定带宽度和像素到物理比率(例如，像素/mm或者像素/英寸比率)。在进一步的实施例中，罗纹区域可以包括检测到的罗纹区域的四边缘外部包络，如由Canny边缘检测算法和其他边缘检测算法确定的。
在一些实施例中，提供了一种方法，通过确定(i)检测到的罗纹的数目、(ii)带宽度和/或(iii)图像中的像素/mm或者像素/英寸比率与这样的度量的理想阈值不一致，识别带为过度磨损或出故障。特别地，用于带的这些度量可以由丢弃/验证算法处理，其包括具有用于相同类型的带的已知或优选度量和这些度量，并且如果比较显示测量的带不在理想阈值的预定范围内，那么可以丢弃测量的带。
如在此使用的，术语“自动的”及其变体指当执行处理或操作时，在没有物质人为输入的情况下进行的任何处理或操作。然而，如果输入是在处理或操作的执行之前接收的，即使处理或操作的执行使用了物质或非物质人为输入，处理或操作也可以是自动的。如果这样的输入影响处理或操作将如何执行，那么人为输入被视为物质的。准许处理或操作的执行的人为输入不视为“物质的”。
如在此使用的术语“计算机可读介质”指任何有形存储，其参与提供指令给处理器用于执行。这样的介质可以采用许多形式，包括但不限于非易失性介质、易失性介质以及传输介质。非易失性介质包括例如NVRAM、或者磁或光盘。易失性介质包括动态存储器，诸如主存储器。计算机可读介质的共同形式包括例如软盘、柔性盘、硬盘、磁带或任何其他磁介质、磁光介质、CD-ROM、任何其他光介质、打孔卡、纸带、具有孔的图案的任何其他物理介质、RAM、PROM、EPROM、闪速EPROM、如存储卡的固态介质、任何其他存储器芯片或卡带、或者计算机可以从其读取的任何其他介质。当计算机可读介质配置为数据库时，要理解的是数据库可以是任何类型的数据库，诸如关系的、分层的、面向对象的等。因此，考虑本公开包括有形存储介质以及现有技术已知的等价物和后继介质，其中存储本公开的软件实施。
如在此使用的术语“确定”、“计算(calculate)”和“计算(compute)”及其变体可互换地使用，并且包括任何类型的方法、处理、数学运算或技术。
如在此使用的术语“模块”指任何已知或之后开发的硬件、软件、固件、人工智能、模糊逻辑或能够执行与该元件相关联的功能的硬件和软件的组合。此外，尽管根据示例性实施例描述了本公开，但是应该理解，可以分别要求保护本公开的个别方面。
附图说明
结合附图描述实施例：
图1是描绘根据本公开的实施例的测量系统的框图；
图2是描绘根据本公开的实施例的通信系统的框图；
图3是描绘根据本公开的实施例使用的数据结构的示例的框图；
图4是描绘根据本公开的实施例的用于确定带磨损的处理的流程图；
图5是描绘根据本公开的实施例的对照阈值的图；
图6描绘根据本公开的实施例的图像的组成；
图7A描绘根据本公开的实施例的第一图像；
图7B描绘根据本公开的实施例的第二图像；
图7C描绘根据本公开的实施例的第三图像；
图7D描绘根据本公开的实施例的第四图像；
图8描绘根据本公开的实施例的用于带测量应用的用户界面；
图9描绘作为阈值水平的函数的指示来自带图像的检测到的罗纹(rib)的数目的数据样本；
图10描绘示出每个罗纹计数的出现的数目的来自图9的数据样本的直方图；以及
图11描绘确定可用阈值水平时使用的来自最高频率的罗纹计数的数据的过滤数据集。
具体实施方式
以下描述仅仅提供实施例，并且不旨在限制权利要求的范围、可应用性或配置。更精确地说，以下描述将给本领域的技术人员提供用于实施描述的实施例的使能描述。要理解可以在各元素的功能和安排上进行各种改变而不背离所附权利要求的精神和范围。
尽管本公开的各方面结合带磨损的测量并且特别是具有一个或多个罗纹的蛇形带来讨论，但是本领域的普通技术人员将理解的是本公开的实施例不限于此。特别地，在测量任何设备或设备的集合的摩擦引起的磨损和非摩擦引起的磨损时，可以采用在此描述的算法、步骤、过程或系统组件的一些或所有。例如，预期在此描述的技术可以有效地用于在包括齿轮、轮子、轴承等的任何移动部分中的磨损。
例如，本公开的实施例可以用于捕获经历由于热波动导致的膨胀和/或收缩的对象的一个或多个图像。这些膨胀和/或收缩可能导致对象变得疲劳，并且最终出故障。在此公开的基于图像的测量处理可以用于分析经历这种热膨胀和/或收缩的对象，并且如果需要，识别对象为好的(例如，不需要替换)或坏的(例如，需要替换)。
此外，在此描述的实施例可以用于对于任何类型的带确定摩擦引起的磨损状况。作为示例，分析的带可以由任何材料或材料的组合构造，材料包括但不限于橡胶、聚合物、聚乙烯、碳纤维、凯夫拉Kevlar、金属、聚氯乙烯、和/或泡沫材料。
现在参照图1，将描述根据本公开实施例的测量系统100。测量系统100可以包括一个或多个组件，用于分析测试下的对象104并且将测试下的对象104分类为好的(例如，不需要替换)或坏的(例如，需要替换)。对于测试下的对象104可以进行其他确定而不背离本公开的范围；例如，测试下的对象104可以识别为故障的(例如，马上需要替换)或者异常的(例如，不遵循预期的磨损模式，并且因此需要进一步的调查和/或替换)。
在一些实施例中，测量系统100包括图像捕获设备108、图像转换模块112、分析模块116、对象数据库120、报告模块124和用户接口128。在一些实施例中，系统100的每个组件可以包括在由用户132拥有和操作的单个计算设备中。作为一个示例，测量系统100的每个组件可以包括在诸如蜂窝电话、智能电话、个人计算机(PC)、膝上型计算机、上网本、平板电脑等的用户设备中。在其他实施例中，测量系统100的组件可以在两个或多个不同计算设备中分布。
在一些实施例中，图像捕获设备108配置为捕获测试下的对象104的一个或多个图像。作为非限制性示例，测试下的对象104可以包括带，具体地为由EPDM材料制造的蛇形带。带可以位于操作位置(例如，安装在采用带的车辆或其他设备上)或者它可以处于非操作位置(例如，从采用带的车辆或其他设备移除)。图像捕获设备108可能能够捕获一个或多个静态图像。可替代地，或者此外，图像捕获设备108可能能够捕获视频图像(例如，可以或不可以与音频输入同步的顺序大量图像帧)。由图像捕获设备108捕获的(多个)图像可以包括彩色(例如，其中每个像素包括红、绿和蓝(RGB)像素值的像素图像)、灰度级(例如，其中每个像素包括0和预定数字(诸如255)之间灰度级像素值的像素图像)、黑白(例如，其中每个像素包括对应于黑或白的二进制值的像素图像)、红外(例如，其中每个像素包括红外像素值的像素图像)、紫外(例如，其中每个像素包括紫外值的像素图像)、或者任何其他已知类型的图像。图像捕获设备108的非限制性示例是相机(静态或视频)，其是独立设备或者并入诸如智能电话的用户设备。
取决于图像的属性，可能需要在处理图像并且分析测试下的对象104的特征之前，重新格式化图像(例如，将它从一个图像类型转换为另一图像类型)。在一些实施例中，提供图像转换模块112以便在由分析模块116分析(多个)图像之前，执行由图像捕获设备108捕获的(多个)图像的图像转换。在一些实施例中，图像转换模块112可以包括一个或多个图像滤波器和/或处理算法，用于检测(多个)图像中测试下的对象104的轮廓边缘。作为非限制性示例，图像转换模块112配置为通过执行一个或多个边缘检测处理，将灰度级和/或RGB图像转换为黑白图像。
在一些实施例中，分析模块116配置为分析测试下的对象104的(多个)图像，以便确定测试下的对象104的一个或多个物理特征。在一些实施例中，分析模块116可以参考对象数据库120，以便确定测试下的对象104的物理特征。具体地，对象数据库120可以包括用于多个不同类型的对象(例如，蛇形带)的数据，并且不同类型的对象的每个可以具有用于该类型的好的对象和该类型的坏的对象的示例图像。在一些实施例中，分析模块116可以比较由图像捕获设备108捕获的(多个)图像与对象数据库120中的图像，以便确定测试下的对象104更类似于好的对象还是坏的对象。可替代地，或者此外，对象数据库120可以包括一个或多个度量和阈值，其定义对于不同类型的对象的每个的可接受的(或不可接受的)测量。在这样的实施例中，不是比较实际图像，分析模块116可以从(多个)图像提取物理维度数据和其他物理度量，并且比较测试下的对象104的物理维度数据与对象数据库120中的度量和阈值。该比较可以用于确定测试下的对象104是好的对象还是坏的对象。
由分析模块116获得的结果可以提供到报告模块124，其配置为准备给用户132的分析结果的报告。在一些实施例中，报告模块124可以包括用于格式化识别测试下的对象104已经识别为好的或坏的并且结合这样的确定是否应该采取任何进一步的步骤的报告的功能。报告模块124还可以包括将报告传输到用户接口128的功能。作为非限制性示例，报告模块124可以包括准备报告(或者报告统计)并且经由任何类型的通信协议将报告传输给用户接口128的功能。
用户接口128可以包括用户输入和/或用户输出设备。在一些实施例中，用户接口128包括使得用户132能够看到由报告模块124生成的报告的结果的用户输出。
现在参照图2，将根据本公开的实施例描述其中可以并入测量系统100的通信系统200。通信系统200可以包括合并测量系统100的组件的一个或多个设备。尽管测量系统100的特定组件描述为包括在通信系统200的特定组件中，但是通信领域的技术人员将理解测量系统100的各种组件可以以任何方式在通信系统200的一个或多个设备之间分布。例如，测量系统100的所有组件可以包括在单个用户设备208中。可替代地，测量系统100的一个或多个组件可以提供在一个或多个其他用户设备、一个或多个服务器240、服务器的集合、或者任何其他类似设备上。
在一些实施例中，通信系统200包括经由通信网络204与一个或多个服务器240通信的用户设备208。在一些实施例中，用户设备208包括任何类型的已知通信设备或通信设备的集合。适合的用户设备208的示例包括但不限于个人计算机(PC)、膝上型计算机、上网本、个人数字助理(PDA)、蜂窝电话、智能电话、电话或其组合。通常，用户设备208可以适于支持与其他用户设备以及服务器240的视频、图像、音频和/或数据通信。由用户设备208用于与其他用户设备或服务器240通信的介质的类型取决于在用户设备208上可用的通信模块228的属性。
服务器240可以包括专用于执行在此描述的特定功能的任何类型的处理资源。作为非限制性示例，服务器240可以包括具有硬件和软件的网络服务器，其帮助通过通信网络204传递可以评估的内容。网络服务器的一个功能是传递关于请求的网页给客户端(例如，用户设备208)。这意味着经由任何类型的标记语言(例如，超文本标记语言(HTML)、可扩展标记语言(XML)等)一个或多个文档到用户设备208以及可以由文档包括的任何额外内容(诸如图像、样式表和脚本)的传递。在一些实施例中，服务器240可以包括从用户设备208接收请求或其他数据的能力，其中根据相互同意的协议(例如，超文本传输协议(HTTP)、实时传输协议(RTP)、其安全变体等)格式化请求。请求可以包括使用HTTP对于具体资源的请求，并且它可以进一步包括在提供对其响应之前执行一个或多个操作的请求。在接收请求时，服务器240可以定位请求的资源和/或在通过使用相同或不同类型的协议返回对于请求用户设备208的响应之前，执行一个或多个操作。可以通过通信模块228、244便利服务器240和用户设备208之间的通信。
用户设备208的通信模块228可以包括网络浏览应用(例如，InternetMozilla Firefox,Google等)，其使得用户设备208能够格式化一个或多个请求，并且发送请求到服务器240。服务器240的通信模块244可以包括需要来执行一个或多个脚本并且响应于来自用户设备208的请求的功能。在一些实施例中，通信模块244可以提供在专用网络服务器上，而服务器240的其他组件(例如，分析模块116和报告模块124)可以提供在连接到网络服务器的不同服务器上。在任一配置中，可以使得分析模块116和报告模块124经由通信模块244对于用户设备208可用，并且报告模块124可以配置为经由通信模块244发送报告或报告结果回到用户设备208。
通信网络204可以包括有线和/或无线通信技术。因特网是通信网络204的示例，其构成包括通过许多电话系统或其他手段连接的位于遍布世界的许多计算机、计算网络和其他通信设备的因特网协议(IP)网络。通信网络204的其他示例包括但不限于标准普通老式电话系统(POTS)、综合业务数字网(ISDN)、公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、会话发起协议(SIP)网络、蜂窝网络和现有技术中已知的任何其他类型的分组交换或电路交换网络。此外，可以理解的是，通信网络204不需要限于任何一个网络类型，并且替代地可以由多个不同网络和/或网络类型构成。
用户设备208的通信模块228可以与其他指令、脚本等(其可以统称为应用)一起存储在存储器216中。在一些实施例中，操作系统(O/S)220和测试应用224可以提供为存储器216中的指令，并且这些指令可以由用户设备208的处理器212执行。在一些实施例中，处理器212可以包括一个或多个集成电路(IC)、数字信号处理器(DSP)、专用IC(ASIC)、控制器、可编程逻辑器件(PLD)、逻辑电路等。特别地，处理器212可以包括用于执行存储器216中存储的应用程序或指令的通用可编程处理器控制器。根据至少一个实施例，处理器212可以包括多个处理器核心和/或实现多个虚拟处理器。在一些实施例中，处理器212可以包括多个物理上不同的处理器。
存储器216可以包括配置为用于信息(例如，指令、数据等)的短期或长期存储的任何设备或设备的集合。作为一些非限制性示例，存储器216可以包括随机存取存储器(RAM)、RAM的任何已知变体、固态存储器、固态存储器的任何已知变体、只读存储器(ROM)、ROM的任何已知变体、或者这些的组合。如可以理解的，存储器216不但可以用于存储用于由处理器212执行的应用，而且可以由处理器212用作处理存储器(例如，高速缓存、RAM等)。可替代地，或者此外，存储器216可以包括硬盘驱动器等。
O/S220可以对应于任何类型的已知操作系统或系统平台。在一些实施例中，使用的O/S220的类型可能取决于用户设备208的属性。O/S220代表允许用户浏览和访问存储器216中存储的各种其他应用的高级应用。O/S220还可以包括一个或多个应用编程接口(API)或类似API规则，其允许应用访问和/或控制用户设备208的各种其他软件和/或硬件组件。
测试应用224可以使得用户设备208能够结合测试下的对象104执行一个或多个功能。作为非限制性实施例，测试应用224可以包括类似于图像转换模块112、分析模块和/或报告模块124的功能。更具体地，测试应用224可以包括用户设备208上的应用，其允许用户132操作图像捕获设备108，并且捕获测试下的对象104的一个或多个图像。测试应用224还可以配置为格式化由图像捕获设备108捕获的图像，用于传输到服务器240和/或由分析模块116分析。在一些实施例中，分析模块116还可以包括在测试应用224中。因此，测试应用224还可以配置为基于获得的测试下的对象104的图像，确定关于测试下的对象104的物理度量。
除了上述组件，用户设备208还可以包括用户接口128、电源232和网络接口236。在一些实施例中，用户接口128可以包括一个或多个用户输入(例如，麦克风、相机、按钮、键、扫描器等)、一个或多个用户输出(例如，扬声器、灯、显示屏等)、以及一个或多个组合的用户输入/输出设备(例如，触敏显示屏、发光按钮等)。
电源232可以包括用于用户设备208的专用电源，诸如电池、一个或多个电容器等。电源232可以另外地或可替代地包括电源适配器，用于将来自外部电源的A/C电力转换为可由用户设备208的各种组件可使用的DC电力。
网络接口236可以包括一个或多个设备、端口、控制器、驱动器等，其使得用户设备208能够与通信网络204连接和经由通信网络204通信。在一些实施例中，网络接口236可以包括便于与通信网络204的有线和/或无线连接的组件。作为一些非限制性示例，网络接口236可以包括一个或多个无线接口，其便于与蜂窝通信网络、服从802.11X的接口、以太网端口等的蜂窝通信。
除了便于与通信模块244的通信，用户设备208的通信模块228可以便于与其他用户设备的其他类型的通信，诸如语音、视频、电子邮件、多媒体等。作为示例，通信模块228可以包括使得用户设备208执行语音呼叫、视频呼叫、发送/接收短消息服务(SMS)消息、发送/接收多媒体服务(MMS)消息等的功能。
现在参照图3，将根据本公开的实施例描述可以保持在对象数据库120中的数据结构300的细节。应该理解，数据结构300可以完全保持在对象数据库120中，并且可以从其检索。在一些实施例中，诸如结构化查询语言(SQL)的结构化语言可以由分析模块116遵循以执行数据库查询和从数据结构300检索信息。可替代地，或者此外，数据结构300可以保持在服务器240的存储器中和/或用户设备208的存储器216中。
在一些实施例中，数据结构300可以包括多个数据字段，其可以由分析模块116用于分析测试下的对象104(或者其图像)，并且确定测试下的对象104是好的、坏的或者具有一些可能影响其操作的其他特征。可以包括在数据结构300中的字段可以包括但不限于带标识符字段304、罗纹计数字段308、罗纹简档字段312、图像覆盖数据字段316、阈值字段320、磨损历史字段324和替换历史字段328。
带标识符字段304可以用于存储用于识别任何类型的测试下的对象104的信息。如果测试下的对象104是带(诸如蛇形带)，那么带标识符字段304可以包括零件号、模型号、通用购买代码(UPC)、零件名称、模型名称和可以用于识别带的任何其他信息中的一个或多个。如可以理解的，如果测试下的对象104不是带，那么专用于该对象的任何其他信息可以存储在带标识符字段304中。
继续带是测试下的对象104的示例，罗纹计数字段308可以用于存储识别特定带类型上罗纹的数目的信息。可替代地，或者此外，罗纹计数字段308可以存储识别带上槽(groove)的数目或者带保持在正常操作位置的任何其他特征的信息。
罗纹简档字段312可以用于存储识别带上(多个)罗纹的物理特征或罗纹之间的间隔的信息。例如，罗纹简档字段312可以存储识别带是v形、正方形、圆形等的信息。罗纹简档字段312还可以存储与带之间的制造距离相关的信息等。识别带的好的(希望的)简档或坏的(不希望的)简档的任何信息可以保持在罗纹简档字段312中。
图像覆盖数据字段316可以用于存储用于覆盖目的的任何图像数据。例如，图像覆盖数据字段316可以包括特定类型的带的图像的数目。图像可以从好的带的图像到坏的带的图像而变化。图像覆盖数据字段316还可以包括测试下的对象104的一个或多个图像。图像覆盖数据字段316还可以包括测试下的对象104的图像与具有已知物理特性的示例带的一个或多个存储图像比较之后的图像覆盖处理的结果。更具体地，图像覆盖数据字段316可以用于存储识别图像覆盖处理的结果的数据(例如，测试下的对象104的图像最类似于多个存储的示例图像中的哪个，以及最类似于测试下的对象104的图像的存储的示例图像的物理特性)。
阈值数据字段320可以包括用于确定测试下的对象104是好的、坏的或一些其他状态的一个或多个阈值。特别地，阈值字段320可以包括关于一个或多个带物理特性的信息，如果测试下的对象104满足、超过等一个或多个带物理特性，导致测试下的对象104是好的、坏的等的确定。
磨损历史数据字段324可以用于存储用于特定测试下的对象104或类似类型的其他对象的历史磨损观察有关的信息。例如，如果观察特定类型的带在一个或多个具体罗纹(例如，内部罗纹、外部罗纹、特别地一个罗纹、外部边缘等)上具有过度磨损量，那么这样的信息可以保持在磨损历史字段324中。磨损历史字段324对于类似于测试下的对象104的对象的制造商有用，使得磨损历史字段可以被保持、分析和有希望地用于在未来生产更好的对象。可替代地，或者此外，磨损历史字段中的数据可以用于操作中使用带的微调设备，从而允许设备(例如，车辆、马达、机器等)在带磨损时继续最佳地运行。
替换历史字段328可以用于存储关于特定测试下的对象104或与测试下的对象类似类型的对象的替换历史的信息。在一些实施例中，替换历史字段328可以识别特定测试下的对象104在接收坏的分级并且不得不被替换之前已经经历的使用量。该信息可以在测试下的对象104的制造商和测试下的对象104的顾客之间共享。此外，该信息可以用于通知维护人员如果特定类型的对象已经经历一定使用量，则其可能至少是使该对象经受在此描述的一个或多个测试过程的时间。
现在参照图4，将描述根据本公开实施例的测试过程的细节。在此描述的方法将指向其中带是测试下的对象104的特定情况；然而，本领域的普通技术人员将理解，在此描述的一个或多个步骤可以用于对于其他类型的对象测试任何类型的磨损。
在带测试方法中，第一步骤可以是用一个或多个指示符标记带，该指示符在带的一个或多个特征上创建可见对照(步骤404)。在一些实施例中，可以在带的制造期间在一个或多个预定位置标记带，并且这可能是在带标记步骤期间要求的全部。在其他实施例中，可以不制造具有将用于带的测试的任何特定标记的带。而是仅在取得带的一个或多个图像之前标记带。在一些实施例中，可以用用于在带上创建一个或多个对照对象的荧光笔、钢笔、标识物等标记带。标记的带的特征的类型可以依赖于正在带上测试的磨损的类型。如果带设计为在其罗纹磨损，那么可以用标识物等在带上的公共点处标记带的一个、两个、三个、四个或者所有罗纹。可替代地，可以在带上的其凹部(valley)或其他预定位置标记带。在其他实施例中，带可以具有仅随着带磨损而变得可见的制造前特征。具体地，带可以包括多层EPDM材料，并且哪些层之一可以包括与带中的其他层不同的着色。因此，根据本公开的实施例，随着带磨损，其他颜色的层可能变得暴露，并且这可能足以标记带。
在已经标记带之后，并且不管已经以何种方式标记，本方法进到图像捕获设备108获得其中在已经标记带的(多个)位置的带的一个或多个图像(步骤408)。如上讨论的，可以使用静态相机、摄像机等获得(多个)图像。
来自一个或多个图像的数据(例如，像素数据)然后传输到分析模块116用于由此分析(步骤412)。在一些实施例中，图像数据可以包括作为组织和存储数字图像的标准化机制的任何类型的已知图像文件格式。(多个)图像文件可以包括任何像素、矢量(几何)数据或两者的组合。无论什么格式，当在大多数图形显示器上显示时，文件栅格化为像素。构成图像的像素排序为网格(列和行)；每个像素包括代表用于图像内的具体位置的亮度和颜色的大小的数字。应该理解，任何类型的图像文件可以用于将图像数据传送到分析模块。这样的图像文件的非限制性示例包括JPEG、Exif、TIFF、RAW、PNG、GIF、BMP、PPM、PGM、PBM、PNM、WEBP、CGM、Gerber格式(RS-274X)、SVG、PNS、JPS或任何其他类型的已知或待开发的图像格式。
传输步骤还可以包括格式化(多个)图像文件，使得图像数据可以经由通信网络204通信到分析模块116。因此，(多个)图像文件可以分组化并且格式化用于跨越通信网络204(例如，在经由因特网传输的一个或多个通信分组中)传输。
在进行到分析模块116的同时，(多个)图像可以由图像可以由图像转换模块112格式化用于边缘检测(步骤416)。取决于图像转换模块112的位置，该步骤可以在图像数据传输之前或之后执行。例如，如果图像转换模块112和分析模块116驻留在相同设备上，那么传输可以在格式化之前出现。然而，如果图像转换模块112和分析模块116驻留在不同设备上，那么传输可以在格式化之后出现。
在该格式化步骤中，可以采用一个或多个图像处理技术。作为一些示例，图像数据可以转换为灰度级(如果原始获得图像为彩色图像)，一个或多个滤波可以应用到图像数据(例如，高斯模糊的应用以消除任何图像噪声并且过滤掉其他不想要的图像数据)，图像数据可以转换为二进制数据，诸如黑白图像(例如，通过应用二进制阈值算法到灰度级图像，以将阈值之上的任何像素转换为一种颜色(例如，黑色)，并且将等于或低于阈值的任何像素转换为另一颜色(例如，白色))。
在图像被适当地格式化之后，本方法继续，其中分析模块116定位图像数据中的一个或多个轮廓(例如，识别对象)(步骤420)。在一些实施例中，分析模块116可以配置为执行Canny边缘检测处理。可以采用其他类型的边缘或团迹检测(blob-detection)技术，而不背离本公开的范围。这样的技术的示例包括但不限于Canny-Deriche、差分(Differential)、索贝尔(Sobel)、蒲瑞维特(Prewitt)、罗伯特交叉、兴趣点检测、角检测、Harris算子、Shi-Tomasi、水平曲线曲率(Level curve curvature)、SUSAN、FAST、高斯-拉普拉斯(LoG)、高斯差分(DoG)、Hessian行列式(DoH)、最大稳定外部区域(Maximally stable externalregions)、PCBR、霍夫变换、结构张量、仿射不变特征检测、仿射形态适应(Affine shapeadaptation)、Harris仿射、Hessian仿射等。
在步骤424中，可以确定是否需要任何阈值调整。具体地，基于步骤420的轮廓检测的结果，可以定位图像数据内所有的轮廓。如果检测到特征(例如，罗纹)的数目，并且该检测到的特征的数目不等于特征的预期数目，那么可能需要调整在图像格式化期间使用的一个或多个阈值(步骤428)。作为示例，通过使用用于产生预期数目的特征(例如，罗纹)的双向解算器，可以调整用于将图像转换为黑白图像的(多个)阈值。
在已经调整阈值，并且在图像中检测到预期数目的特征之后，然后本方法可以允许离开阈值调整循环到其中按比例缩放并且检查错误的步骤(步骤432)。特别地，该步骤可以是分析模块116将图像的像素数据转换为物理维度信息(例如，基于图像中带的尺寸确定的带的实际尺寸，基于图像中特征的尺寸确定的特征(例如，罗纹)的实际尺寸等)。
在一些实施例中，带上标记区域(例如，罗纹顶点)的尺寸可以以物理单位(例如，面积、线性维度等)确定(步骤436)。在该步骤中，在带上检测到的顶端和底端边缘可以用于确定缩放比例。在许多情况中可以确定该缩放比例，因为测试的带的类型将是已知的并且通信到分析模块116，该类型的带的宽度可以是经由对象数据库120对于分析模块116已知。来自对象数据库120的带的已知长度可以等于图像中带的检测到的宽度(以像素为单位)，并且该物理单位到像素单位的比率可以用作对于图像中其他对象的像素到物理单位转换比率。可替代地，不同于使用来自对象数据库120的已知带宽度数据，获得带的图像的用户132还可以获得测试的带的宽度测量，并且可以提供该数据到分析模块116，用于转换像素值到物理值的目的。在另一替代或额外实施方式中，图像可以是捕获的已知或标准尺寸的对象(例如，标尺、美分、25美分、美元钞票等)，并且已知或标准尺寸的对象的图像可以用于将像素单位转换为物理单元。已知或标准尺寸的对象可以包括在带的图像中，或者可以在与带的图像分离的图像中获得。
可以由分析模块116执行的另一分析步骤是图像覆盖步骤，其中相对于具有已知物理维度的带的一个或多个图像覆盖测试的带的图像(步骤440)。可替代的图像覆盖数据可以涉及分析模块116相对于原始图像覆盖标记特征的计算维度(例如，罗纹宽度维度)，使得用户132可以检查以确保分析模块116已经从图像精确地识别带的特征。由分析模块116分析的特征可以包括带的标记部分尺寸、形状和/或之间的距离、和/或带的未标记部分的尺寸、形状和/或之间的距离。在图6中描绘了可以作为根据本公开的实施例可以使用的覆盖图像的示例，其中相对于实际图像覆盖特定特征的计算区域。
取决于(多个)图像的分析结果，分析模块116可以确定对象(例如，带)是好的、坏的等，并且基于该确定，分析模块116可以生成关于对象的情况的一个或多个警告情况(步骤444)。可替代地，或者此外，分析模块116可以生成关于带的其他统计数据，诸如基于检测到的磨损的预测使用历史、建议的接下来的步骤(例如，在X时间内重新检查带、在Y时间内替换带并且检查新的带、检测到异常磨损因此检查与带接口的其他组件等)。
警告情况或分析的其他结果然后可以报告回用户132(步骤448)。分析的报告可以在通信网络204上在一个或多个通信分组中传输，除非分析模块116驻留在用户设备208或与用户接口128位于一处的一些其他设备上。
现在参照图5，将描述根据本公开实施例的对照阈值解决例程的一个示例。具体地，步骤424和428的阈值调整循环中分析模块116可以自动执行该特定例程。在图5描绘的示例中，分析的图像可以包括256值灰度级图像，其中图像中的每个像素包括范围从0到255的值(例如，其中0＝黑色并且255＝白色)。存在最佳阈值(0和255之间某处的灰度级值)，其导致通过分析模块116的最佳边缘检测。在一些实施例中，其可能从白色到黑色的两个方向求解。存在罗纹计数等于目标的阈值(灰度级)。Tmin等于最接近黑色的点，其中检测到的罗纹计数＝目标罗纹计数。Tmax等于最接近黑白色的点，其中检测到的罗纹计数＝目标罗纹计数。在一些实施例中，可以使用二进制方法求解Tmin和Tmax的值。一旦求解，Tmin和Tmax的值可以用于确定等于Tmin和Tmax的平均灰度级值的最佳阈值。替代或可能补充，将参照图9-11进一步详细描述用于确定阈值的算法。
现在参照图6，将描述根据本公开实施例的带600的示例覆盖图像的额外细节。带600的图像可以转换为二进制图像并且由分析模块116分析。基于该分析，检测到的边缘或轮廓可以覆盖在实际图像上，以便产生覆盖图像600。如可以见到的，可以由分析模块116检测的特征的类型包括带的罗纹612a-N上的一个或多个标记608a-N、带的第一边缘616(例如，顶端边缘)和带的第二边缘620(例如，底端边缘)。标记608a-N可以在识别图像中感兴趣的区域的缩放窗口604中检测到。在一些实施例中，缩放窗口可以自动生成并且关于多个标记608a-N定位。在其他实施例中，用户132可以与测试应用224交互，以便手动识别缩放窗口604，以帮助分析模块116将其分析聚焦于缩放窗口604中的轮廓。
具体地，测试应用224操作的部分可以指示用户132选择缩放窗口604的区域，使得多个标记608a-N在缩放窗口604内，并且第一和第二边缘616、620也在缩放窗口604内。这可以帮助分析模块116创建像素值到物理值的更精确转换。特别地，边缘616、620可以变得相对容易与标记608a-N区分，因为边缘616、620横穿缩放窗口604的整个宽度，而标记608a-N不是。因此，分析模块116可以使用该事实以及简单规则，其规定如果检测到轮廓横穿缩放窗口604的整个宽度，那么该轮廓可以被视为边缘616、620之一，而如果检测到轮廓没有横穿缩放窗口604的整个宽度，那么该轮廓可以被视为标记608。
在一些实施例中，分析模块116可以以像素为单元计算带的顶部和底部Y值(例如，带宽度)，然后基于从对象数据库120获得的至少一些信息从罗纹计数和罗纹间隔计算理想宽度。此后，以下等式可以用于计算用于将像素值转换为物理值的缩放因子：
在一些实施例中，以下等式也可以用于基于计算的罗纹中心之间的罗纹间隔和距离，确定带宽度：
此后，可以执行错误检查步骤(例如，步骤432)，其中根据以下等式确定从顶部起第n个罗纹的像素位置：
然后可以根据上面的等式计算每个检测到的罗纹的中心，并且如果检测到的罗纹位置和预期的罗纹位置之间的差别太大(例如，超过预定阈值)，则丢弃该图像。
图7A-D描绘在图像分析的各种阶段期间测试下的对象104的图像的示例。具体地，图7A描绘带的原始图像，其可以已经原始地为灰度级或彩色。图7B描绘如果图7A中的图像原始地为彩色，则图7A中的图像的灰度级转换。图7C描绘过滤(例如，高斯模糊)已经应用到图7B的图像之后的图像。图7D描绘图像已经转换为黑白图像之后图7C的图像。该图像是可以由分析模块116分析以检测图像中的边缘(例如，带的标记特征)的图像。
图8描绘在已经由分析模块116分析图像之后，可以提供给用户132的用户界面呈现的一个示例。具体地，呈现可以提供在用户设备208的用户接口128上，并且呈现可以包括其中描绘缩放窗口604中的原始图像的第一呈现区域808、其中描绘分析的黑白图像(或者可能其中描绘覆盖图像)的第二呈现区域812、提交按钮816、结果显示部分820、图像捕获按钮824、分析按钮828以及设置按钮832。
如可以理解的，提交按钮816可以使得用户设备208将来自第一呈现区域808的图像传输到分析模块116，并且可以在第二呈现区域812中呈现覆盖图像600。
结果显示部分820可以用于显示统计结果、推荐的补救动作、历史磨损数据和从图像的分析获得的其他数据和/或从对象数据库120获得的数据。结果显示部分820还可以显示在分析测试下的对象104时由分析模块116作出的任何假设。
按钮824、828、832可以用于使得测试应用224执行与按钮相关联的一个或多个动作。具体地，图像捕获按钮824可以使得用户设备208激活图像捕获设备108并且捕获测试下的对象104的图像。分析按钮828可以使得用户设备208格式化并且发送捕获的图像到分析模块116用于测试。设置按钮832可以使得用户132能够配置测试应用224的设置，并且执行其他管理任务。
尽管没有描绘，界面还可以包括允许用户提供反馈信息(例如，与测试下的对象104的磨损相关的其他评论、关于分析的精度的评论、关于假设的精度的评论等)到分析模块116的区域。还可以存在对话框，其使得用户132能够直接访问对象数据库120。还可以存在在捕获测试下的对象104的图像之后呈现给用户132的窗口，并且在该窗口内，可以允许用户132选择缩放窗口604相对于图像的尺寸和取向。还可以使得其他类型的对话框、按钮等对于用户132可用而不背离本公开的范围。
现在参照图9-11，将描述根据本公开实施例用于确定阈值的可替代算法。该特定算法可以用作对于结合图5讨论的算法的替代，或者可以用作补充结合图5讨论的算法。具体地，阈值选择算法通过使用两个极值(例如，0到256或两个二进制颜色之间的任何其他离散的级别)之间的灰度阈值，采样带(或者其他类型的对象)的图像开始。在每个采样的阈值，检测带上的罗纹的数目(图9)。分析模块116可以配置为步进每个候选阈值，并且在每个候选阈值确定检测到的罗纹的数目，直到创建图9的整个绘图。
在已经对于每个阈值级别记录罗纹的数目之后，分析模块116可以发现模式罗纹计数(例如，从图9中概述的从测试集合获得最常出现的罗纹计数值)。罗纹计数数据然后可以并入另一数据集合，其将罗纹计数与对于该罗纹计数的出现数目相关(图10)。
在在此描绘的示例中，确定6个罗纹具有任何其他罗纹计数的最大出现。因此，来自图9的数据集合然后可以用来自图10的最频繁罗纹计数过滤，以导致图11中描绘的过滤数据集合。图11中的阈值仅代表对于6个罗纹计数(例如，最频繁出现的罗纹计数)获得的阈值。分析模块116可以使用来自图11的过滤数据集合以确定用于将灰度级图像转换为黑白图像的更精确的阈值。具体地，分析模块116可以从过滤的数据确定中值或平均阈值。通过分析过滤的数据，分析模块116将配置为忽略特定异常值(例如，导致15个罗纹的检测的阈值)，并且因此获得更有用的阈值。
应该理解，用于确定阈值的上述算法可以在确定灰度级阈值、彩色阈值或对于任何其他类型的像素数据的阈值时使用。换句话说，上述算法不旨在限制为灰度级图像到黑白图像的转换。
在前述描述中，为了说明的目的，以特定顺序描述了方法。应该理解，在替代实施例中，可以以不同于描述的顺序执行方法。还应该理解，上面描述的方法可以由硬件组件执行，或者可以以机器可执行的指令的序列体现，其可以用于使得诸如通用或专用处理器(GPU或CPU)或者用指令编程的逻辑电路的机器执行方法(FPGA)。这些机器可执行指令可以存储在一个或多个机器可读介质上，诸如CD-ROM或其他类型的光盘、软盘、ROM、RAM、EPROM、磁或光卡、闪速存储器或适于存储电子指令的其他类型的机器可读介质。可替代地，可以由硬件和软件的组合执行方法。
在说明书中给出了具体细节以提供实施例的彻底理解。然而，本领域的普通技术人员将理解，可以实践各实施例而没有这些具体细节。例如，可以在框图中示出电路，以便不以非必要细节使实施例模糊。在其他实例中，可以示出公知电路、处理、算法、结构和技术而没有非必要细节，以便避免使实施例模糊。
此外，注意实施例描述为处理，其描绘为流程图(flowchart)、流程图(flowdiagram)、数据流程图、结构图或框图。尽管流程图可以将操作描述为顺序处理，但是许多操作可以并行或同时执行。此外，可以重新安排操作的顺序。当处理的操作完成时终止处理，但是可以具有没有包括在图中的额外步骤。处理可以对应于方法、功能、过程、子例程、子程序等。当处理对应于功能时，其终止对应于功能返回到调用功能或主功能。
此外，可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或其任何组合实施实施例。当以软件、固件、中间件或微代码实施时，用于执行必要任务的程序代码或代码段可以存储在诸如存储介质的机器可读介质中。(多个)处理器可以执行必要的任务。代码段可以代表过程、功能、子程序、程序、例程、子例程、模块、软件包、类、或者指令、数据结构或程序表述的任何组合。代码段可以通过传递和/或接收信息、数据、变量、参数或存储器内容耦合到其他代码段或硬件电路。信息、变量、参数、数据等可以经由任何适当的手段(包括存储器共享、消息传递、信标传递、网络传输等)传递、转发或传输。
尽管在此已经详细描述了本公开的说明性实施例，但是应该理解发明概念可以以其他方式多种地体现和采用，并且所附权利要求旨在理解为包括这样的变化，除了如由现有技术所限制的外。

Claims (22)

1.一种用于确定适于机械使用的带的磨损情况的系统，所述系统包括：
图像捕获设备，配置为捕获所述带的第一图像，所述第一图像包括灰度级和彩色图像的至少一个，其包括用于所述带的顶部和底部边缘以及所述带的顶部和底部边缘之间的至少一个标记特征的图像数据；
图像转换模块，配置为接收所述带的第一图像，并且将所述第一图像转换为第二图像，其中所述第二图像包括黑白图像，其中所述图像转换模块通过确定应用于所述第一图像中像素的对照阈值，将所述第一图像转换为所述第二图像，其中具有小于或等于所述对照阈值的像素值的所述第一图像中的像素被分配所述第二图像中的第一二进制像素值，并且其中具有大于所述对照阈值的像素值的所述第一图像中的像素被分配所述第二图像中的第二二进制像素值，并且其中通过用多个不同候选阈值分析所述第一图像、将候选阈值的每个与确定的罗纹计数相关、从所述多个不同候选阈值识别最频繁出现的罗纹计数、并且作为来自已经与最频繁出现的罗纹计数相关的阈值的平均阈值确定所述对照阈值，来确定所述对照阈值；
分析模块，配置为分析所述第二图像并且检测其中的轮廓，其中所述分析模块进一步配置为将像素转换为物理维度，并且基于这样的转换，确定至少一个标记特征的物理尺寸以及至少一个标记特征与所述带的顶部和底部的一个或者两者之间的物理距离，并且其中所述分析模块进一步配置为基于至少一个标记特征与所述带的顶部和底部的一个或者两者之间的确定物理距离，确定所述带的磨损情况；以及
报告模块，配置为生成并且传输包括所述带的确定的磨损情况的报告给用户。
2.如权利要求1所述的系统，其中所述带包括从包含橡胶、聚合物、聚乙烯、碳纤维、凯夫拉、金属、聚氯乙烯和泡沫材料的组选择的材料。
3.一种测量带的磨损情况的方法，包括：
获得所述带的光栅图像，所述光栅图像包括用于所述带的至少一个特征的图像数据；
分析所述带的光栅图像；
基于所述带的光栅图像的分析，确定所述带的至少一个特征的物理维度；
基于所述带的至少一个特征的确定的物理维度，确定所述带的磨损情况；
准备包括所述带的光栅图像的分析结果以及所述带的确定的磨损情况的报告；以及
将所述报告传输到由至少一个感兴趣方操作的用户设备；
其中，所述带的至少一个特征包括一个或多个带罗纹，其中，分析所述带的光栅图像包括将所述带的第一图像转换为所述带的二进制像素数据图像，其中，通过以下步骤执行第一图像到黑白图像的转换：
确定最小阈值，所述最小阈值对应于其中带罗纹的确定数目等于带罗纹的预期数目的最小像素值；
确定最大阈值，所述最大阈值对应于其中带罗纹的确定数目等于带罗纹的预期数目的最大像素值；以及
确定所述最小阈值和最大阈值的平均值，并且使用确定的平均值作为用于将所述第一图像转换为所述二进制像素数据图像的阈值。
4.如权利要求3所述的方法，其中所述报告传输到的用户设备是捕获所述带的光栅图像的相同设备。
5.如权利要求3所述的方法，其中所述第一图像包括彩色图像，并且其中用于将所述第一图像转换为所述二进制像素数据图像的确定阈值对应于用于红色、绿色和蓝色像素颜色值的阈值。
6.如权利要求3所述的方法，其中所述第一图像包括灰度级图像，并且其中用于将所述第一图像转换为所述二进制像素数据图像的确定阈值对应于灰度级像素值。
7.如权利要求3所述的方法，其中通过确定当乘以像素的数目时对应于物理维度的转换值，确定所述带的至少一个特征的物理维度，其中通过计算所述带的检测到的第一边缘和所述带的检测到的第二边缘之间的像素的数目，确定所述转换值。
8.如权利要求7所述的方法，其中检测所述检测到的第一边缘和检测到的第二边缘作为横穿缩放窗口的整个长度的轮廓，所述缩放窗口位于所述带的至少一个特征和所述带的第一和第二边缘的周围。
9.如权利要求5所述的方法，其中通过确定当乘以像素的数目时对应于物理维度的转换值，确定所述带的至少一个特征的物理维度，其中通过计算相邻罗纹之间的平均像素的数目，确定所述转换值。
10.如权利要求5所述的方法，其中检测所述检测到的第一边缘和检测到的第二边缘作为最外面区域的内部边缘。
11.如权利要求3所述的方法，其中所述带的磨损情况包括好的、坏的和有问题的中的至少一个，并且其中通过比较所述带的第一特征和所述带的第二特征之间检测到的距离，以及比较所述检测到的距离与预期距离，确定所述带的磨损情况。
12.如权利要求11所述的方法，其中从包括关于多个不同类型的带的数据的对象数据库检索所述预期距离，其中用于所述多个不同类型的带的每个的数据包括带标识符、罗纹计数、罗纹简档、阈值、磨损历史和替换历史的一个或多个。
13.如权利要求3所述的方法，还包括基于所述带的磨损数据，修改使用所述带的装置的操作参数。
14.一种非暂时计算机可读介质，在其上存储指令，所述指令在被处理器执行时执行测量带的磨损情况的方法，所述方法包括：
分析带的光栅图像，所述光栅图像包括用于所述带的至少一个特征的图像数据；
确定所述带的至少一个特征的物理维度；以及
基于所述带的至少一个特征的确定的物理维度，确定所述带的磨损情况；
其中，所述带的至少一个特征包括一个或多个带罗纹，其中，分析所述带的光栅图像包括将所述带的第一图像转换为所述带的二进制像素数据图像，其中，通过以下步骤执行第一图像到黑白图像的转换：
确定最小阈值，所述最小阈值对应于其中带罗纹的确定数目等于带罗纹的预期数目的最小像素值；
确定最大阈值，所述最大阈值对应于其中带罗纹的确定数目等于带罗纹的预期数目的最大像素值；以及
确定所述最小阈值和最大阈值的平均值，并且使用确定的平均值作为用于将所述第一图像转换为所述二进制像素数据图像的阈值。
15.如权利要求14所述的非暂时计算机可读介质，其中，所述方法还包括：
执行对象数据库中的数据库预先建立值查找，以比较所述带的至少一个特征的图像数据与类似类型的带的阈值数据。
16.如权利要求14所述的非暂时计算机可读介质，其中所述带包括单股V带，并且其中所述至少一个特征包括所述V的脊上的标记。
17.如权利要求14所述的非暂时计算机可读介质，其中所述带包括多罗纹带，并且其中所述至少一个特征包括所述带的多个罗纹上的标记。
18.如权利要求17所述的非暂时计算机可读介质，其中所述带的多个罗纹上的标记包括创建罗纹的顶部和罗纹之间的凹槽之间的对照的标记，并且其中在已经使用所述带之后以及在取得所述带的光栅图像之前，将标记放置在所述带上。
19.如权利要求14所述的非暂时计算机可读介质，其中所述带包括单股V带，并且其中所述至少一个特征包括所述V的脊上的未标记部分。
20.如权利要求14所述的非暂时计算机可读介质，其中所述带包括多罗纹带，并且其中所述至少一个特征包括所述带的至少两个罗纹之间的未标记部分。
21.如权利要求14所述的非暂时计算机可读介质，其中，所述方法还包括：
生成包括所述带的确定的磨损情况的报告。
22.如权利要求21所述的非暂时计算机可读介质，其中，所述方法还包括：
经由基于分组的通信网络将所述报告传输给用户设备。
CN201280054451.2A 2011-09-06 2012-09-06 通过光栅图像的边缘检测的带磨损的测量 Active CN103917987B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/226,266 US8755589B2 (en) 2011-09-06 2011-09-06 Measurement of belt wear through edge detection of a raster image
US13/226,266 2011-09-06
PCT/US2012/053818 WO2013036547A1 (en) 2011-09-06 2012-09-06 Measurement of belt wear through edge detection of a raster image

Publications (2)

Publication Number Publication Date
CN103917987A CN103917987A (zh) 2014-07-09
CN103917987B true CN103917987B (zh) 2017-08-29

Family

ID=47753223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280054451.2A Active CN103917987B (zh) 2011-09-06 2012-09-06 通过光栅图像的边缘检测的带磨损的测量

Country Status (11)

Country Link
US (1) US8755589B2 (zh)
EP (1) EP2754091B1 (zh)
JP (1) JP6121425B2 (zh)
KR (1) KR101928833B1 (zh)
CN (1) CN103917987B (zh)
AU (1) AU2012304678B2 (zh)
BR (1) BR112014005078B1 (zh)
CA (1) CA2847825C (zh)
MX (1) MX2014002692A (zh)
RU (1) RU2582067C2 (zh)
WO (1) WO2013036547A1 (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5957215B2 (ja) * 2011-12-02 2016-07-27 株式会社ブリヂストン コンベヤベルト装置
US9589184B1 (en) 2012-08-16 2017-03-07 Groupon, Inc. Method, apparatus, and computer program product for classification of documents
US20140153789A1 (en) * 2012-11-30 2014-06-05 Qualcomm Incorporated Building boundary detection for indoor maps
US9098914B2 (en) 2013-03-11 2015-08-04 Gates Corporation Enhanced analysis for image-based serpentine belt wear evaluation
US9436661B2 (en) * 2014-01-31 2016-09-06 Dayco Ip Holdings, Llc System and method for generating an interactive endless belt routing diagram
US9619899B2 (en) 2014-12-23 2017-04-11 Ricoh Co., Ltd. Distinguishing between stock keeping units using hough voting methodology
US9569851B2 (en) 2014-12-23 2017-02-14 Ricoh Co., Ltd. Sequencing products recognized in a shelf image
US9342900B1 (en) * 2014-12-23 2016-05-17 Ricoh Co., Ltd. Distinguishing between stock keeping units using marker based methodology
US9915338B2 (en) * 2015-09-14 2018-03-13 Deere & Company Belt wear indication
WO2018076053A1 (en) * 2016-10-24 2018-05-03 Wearhawk Pty Ltd Belt inspection system and method
RU2638550C1 (ru) * 2016-12-07 2017-12-14 Акционерное общество "НИИ измерительных приборов - Новосибирский завод имени Коминтерна" /АО "НПО НИИИП-НЗиК"/ Способ радиолокационного обзора пространства (варианты)
RU2638557C1 (ru) * 2016-12-09 2017-12-14 Акционерное общество "НИИ измерительных приборов - Новосибирский завод имени Коминтерна" (АО "НПО НИИИП-НЗиК") Способ радиолокационного обзора пространства (варианты)
JP6903922B2 (ja) * 2017-01-18 2021-07-14 横浜ゴム株式会社 コンベヤベルトのモニタリングシステム
US10502690B2 (en) 2017-07-18 2019-12-10 Ford Global Technologies, Llc Indicator system for vehicle wear components
WO2019022253A1 (ja) * 2017-07-27 2019-01-31 バンドー化学株式会社 摩耗判定方法及び摩耗可視化装置
JP6438637B1 (ja) * 2017-07-27 2018-12-19 バンドー化学株式会社 摩耗判定方法及び摩耗可視化装置
JP6939271B2 (ja) 2017-08-31 2021-09-22 横浜ゴム株式会社 コンベヤベルトのモニタリングシステム
CN107458842A (zh) * 2017-09-20 2017-12-12 江苏垶恒复合材料有限公司 化工纤维送料机安装调节装置
DE102017222964A1 (de) * 2017-12-15 2019-06-19 Zf Friedrichshafen Ag Verfahren und System zur Schadenserkennung eines Bauteils
US11906445B2 (en) * 2018-10-10 2024-02-20 Goodrich Corporation Automated defect detection for wire rope using image processing techniques
EP3891655A1 (en) * 2018-12-06 2021-10-13 ExxonMobil Research and Engineering Company Wear detection in mechanical equipment
US20220274132A1 (en) * 2019-07-11 2022-09-01 Griffin Bros., Inc. Tire enhancement product, package and method
EP4090953A4 (en) * 2020-01-13 2024-02-07 Tata Consultancy Services Ltd SYSTEM AND METHOD FOR MONITORING THE HEALTH OF LOW-COST SENSORS FOR SOIL MOISTURE MEASUREMENT
CN112710478A (zh) * 2020-12-04 2021-04-27 深圳市道通科技股份有限公司 用于汽车部件检测的客户端及汽车部件检测系统
CN112833773B (zh) * 2021-01-13 2022-01-14 无锡卡尔曼导航技术有限公司 一种高精度的作业实时计亩方法
US20230122195A1 (en) * 2021-10-15 2023-04-20 Contitech Transportbandsysteme Gmbh Image(s) to length conversion systems and methods
CN114323636A (zh) * 2021-12-29 2022-04-12 中汽检测技术有限公司 齿轮疲劳试验的监测方法、装置、电子设备及存储介质
CN116002319A (zh) * 2023-02-13 2023-04-25 山东超晟光电科技有限公司 一种基于改进YOLOv5的皮带撕裂及使用寿命检测方法
CN117333727A (zh) * 2023-12-01 2024-01-02 山东瀚邦胶带有限公司 一种基于可视化图像处理技术的输送带磨损区域识别分析系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101516746A (zh) * 2006-08-24 2009-08-26 弗诺斯特链运有限公司 链条磨损监控装置
US7796807B2 (en) * 1990-11-16 2010-09-14 Applied Materials, Israel Ltd. Optical inspection apparatus for substrate defect detection

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5042079A (en) * 1988-08-12 1991-08-20 Casio Computer Co., Ltd. Method of recording/reproducing data of mesh pattern, and apparatus therefor
US5600574A (en) 1994-05-13 1997-02-04 Minnesota Mining And Manufacturing Company Automated image quality control
US5796868A (en) 1995-12-28 1998-08-18 Cognex Corporation Object edge point filtering system for machine vision
JPH10302066A (ja) * 1997-04-23 1998-11-13 Toshiba Corp 認識装置
DE19840081B4 (de) * 1998-09-03 2004-08-05 Contitech Transportbandsysteme Gmbh System und Verfahren zur Überwachung einer einem Verschleiß unterworfenen Schicht eines Gegenstandes, insbesondere der Deckschicht eines Fördergurtes
US6301373B1 (en) 1998-10-01 2001-10-09 Mcgill University Paper quality determination and control using scale of formation data
JP2001268509A (ja) 2000-03-17 2001-09-28 Omron Corp 画像記録装置及び画像記録システム
JP4693225B2 (ja) 2000-11-06 2011-06-01 株式会社東芝 製造ラインの自動品質制御方法及びその装置並びに記憶媒体、自動品質制御プログラム
US7863552B2 (en) 2001-07-06 2011-01-04 Palantyr Research Llc Digital images and related methodologies
TW518645B (en) 2001-09-24 2003-01-21 Powerchip Semiconductor Corp Method and system of automatic wafer manufacture quality control
US6988610B2 (en) * 2002-01-14 2006-01-24 Carnegie Mellon University Conveyor belt inspection system and method
JP3870140B2 (ja) * 2002-08-02 2007-01-17 新日本製鐵株式会社 駆動伝達ベルトの検査方法
US7660440B2 (en) 2002-11-07 2010-02-09 Frito-Lay North America, Inc. Method for on-line machine vision measurement, monitoring and control of organoleptic properties of products for on-line manufacturing processes
CA2411338C (en) 2002-11-07 2011-05-31 Mcmaster University Method for on-line machine vision measurement, monitoring and control of product features during on-line manufacturing processes
US7146034B2 (en) 2003-12-09 2006-12-05 Superpower, Inc. Tape manufacturing system
JP2005351415A (ja) * 2004-06-11 2005-12-22 Bando Chem Ind Ltd 伝動ベルト
JP4437714B2 (ja) * 2004-07-15 2010-03-24 三菱電機株式会社 車線認識画像処理装置
DE102005055655A1 (de) * 2005-11-22 2007-05-31 Siemens Ag Vorrichtung zum Ermitteln des Zustandes eines Förderbandes
US20070260406A1 (en) * 2006-05-03 2007-11-08 Data I/O Corporation Automated location system
JP4910769B2 (ja) 2007-02-28 2012-04-04 Ｊｆｅスチール株式会社 管体の品質管理方法及び製造方法
FR2922671B1 (fr) * 2007-10-17 2010-03-12 Valeo Vision Procede de determination automatique de coefficient d'une pente sur le point d'etre abordee par un vehicule automobile et dispositif associe
JP2009156467A (ja) * 2007-11-28 2009-07-16 Mitsuboshi Belting Ltd 動力伝動ベルト
JP2009281780A (ja) * 2008-05-20 2009-12-03 Chugoku Electric Power Co Inc:The 磨耗検査方法
US8226185B2 (en) 2008-09-11 2012-07-24 Xerox Corporation Drive belt slip and belt wear detection
JP5200970B2 (ja) 2009-02-04 2013-06-05 富士ゼロックス株式会社 品質管理システムおよび品質管理装置および品質管理プログラム
US20100307221A1 (en) 2009-06-05 2010-12-09 Benjamin Morgan Smith Belt measurement device
JP2011070632A (ja) * 2009-08-27 2011-04-07 Fujifilm Corp 検査システム、携帯端末、検査方法およびプログラム
US7946047B2 (en) 2009-09-25 2011-05-24 The Gates Corporation Belt rib wear gauge
US20120084220A1 (en) * 2010-10-01 2012-04-05 Intertek Consumer Goods Na Product certification system and method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7796807B2 (en) * 1990-11-16 2010-09-14 Applied Materials, Israel Ltd. Optical inspection apparatus for substrate defect detection
CN101516746A (zh) * 2006-08-24 2009-08-26 弗诺斯特链运有限公司 链条磨损监控装置

Also Published As

Publication number Publication date
WO2013036547A1 (en) 2013-03-14
BR112014005078B1 (pt) 2021-07-06
CA2847825C (en) 2020-12-22
EP2754091A4 (en) 2015-05-06
EP2754091A1 (en) 2014-07-16
RU2582067C2 (ru) 2016-04-20
JP6121425B2 (ja) 2017-04-26
BR112014005078A2 (pt) 2017-04-04
MX2014002692A (es) 2014-09-22
CN103917987A (zh) 2014-07-09
US20130058560A1 (en) 2013-03-07
JP2014533349A (ja) 2014-12-11
RU2014113308A (ru) 2015-10-20
CA2847825A1 (en) 2013-03-14
AU2012304678B2 (en) 2017-06-08
KR20140073520A (ko) 2014-06-16
US8755589B2 (en) 2014-06-17
KR101928833B1 (ko) 2018-12-13
AU2012304678A1 (en) 2014-03-13
EP2754091B1 (en) 2018-01-24

Similar Documents

Publication Publication Date Title
CN103917987B (zh) 通过光栅图像的边缘检测的带磨损的测量
CN111612763B (zh) 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质
EP3502966B1 (en) Data generation apparatus, data generation method, and data generation program
US11176408B2 (en) Tire image recognition method and tire image recognition device
CN106709958A (zh) 一种基于灰度梯度和颜色直方图的图像质量评价方法
CN111310826B (zh) 样本集的标注异常检测方法、装置及电子设备
CN111758117B (zh) 检查系统、识别系统以及学习数据生成装置
CN116434266B (zh) 一种医疗检验单的数据信息自动提取分析方法
KR101842535B1 (ko) 부호의 광학적 검출 방법
CN114581654A (zh) 一种基于互感器状态监测方法及装置
JP2019132668A (ja) 伸長判定装置、伸長判定方法、及びコンピュータプログラム
CN112966687A (zh) 图像分割模型训练方法、装置及通信设备
KR20190054369A (ko) 영상 기반 물류 컨테이너 무결성도 측정 장치 및 그 방법
CN114187292B (zh) 棉纺纸筒的异常检测方法、装置、设备及存储介质
CN115760854A (zh) 基于深度学习的电力设备缺陷检测方法、装置及电子设备
CN114418951A (zh) 一种焊盘检测方法、装置、计算机设备及存储介质
Tabernik et al. Deep-learning-based computer vision system for surface-defect detection
CN111179226B (zh) 视野图的识别方法、装置及计算机存储介质
JP7321452B2 (ja) プログラム、情報処理装置、情報処理方法及び学習済みモデルの生成方法
CN116109543A (zh) 一种数据快速识别读取方法及装置、计算机可读存储介质
CN114596243A (zh) 缺陷检测方法、装置、设备及计算机可读存储介质
Kumar et al. Performance evaluation and comparative study of color image segmentation algorithm
CN118192112A (zh) 基于ai的液晶屏故障检测方法、装置、设备及介质
CN115708133A (zh) 用于读取测量装置的系统、方法和装置、存储介质
CN117934796A (zh) 工件组装检测方法、装置、设备、介质和计算机程序产品

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant