CN104820986A - 一种基于机器视觉的线缆在线检测方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的线缆在线检测方法，该方法属于工业自动化领域针对线缆生产的在线质量检测方法。该方法通过提取视频帧中的图像，进行防抖处理后，将其二值化，并利用直方图特性提取需要处理的区域；对字符区域提出了用网格法来识别点状字符。对于线缆的缺陷检测，提出了积分离散度概念，并利用霍夫变换求取直线后根据积分离散度判定缺陷。这种方法检测速度快，自动化程度高。

Description

一种基于机器视觉的线缆在线检测方法

技术领域

本发明是机器视觉图像处理技术领域中的一种线缆长度识别检测以及线缆缺陷检测方法。

背景技术

目前，在线缆生产线中，线缆的计数主要是通过喷印机进行喷码的时序进行计数。当计数达到一定的要求时，产生中断信号，剪断当前线缆。但是，线缆在生产过程中，会出现错印、漏印，喷印模糊等现象，导致生产不规格。此外，传统的计数方式是按照喷印时序计数的，出现上述现象时并不能导致生产的立即停止，导致一批产品由于部分的喷印不规格而报废，实时性很差。另外，由于线缆包皮某一部位可能由于工艺原因会有亏损，导致同一批次的产品不合格，造成浪费。然而，目前国内外尚且没有线缆外观的缺陷检测系统及方案，线缆的检测通常使用国外的引进系统，用于检测绝缘性、耐压性、电阻性等等特性。

发明内容

本发明针对背景技术的不足，所要解决的结束问题是设计一种检测速度快、精度高，自动化程度高的基于机器视觉的线缆在线检测方法。

本发明的技术方案是一种基于机器视觉的线缆在线检测方法，该方法包括：

步骤1：采用高速相机采集线缆的视频图像；

步骤2：基于特征点的匹配及仿射变换方法对步骤1采集的视频进行防抖处理，得到去抖后的每帧图像；

步骤3：对步骤2中的图像根据预设灰度值进行二值化处理；

步骤4：将步骤3中的二值图像进行小面积滤波和中值滤波，去除小面积杂质点；

步骤5：对步骤4中的图像计算纵向直方图，并取中间两个梯度较大的边缘，根据这两个边缘提取线缆区域；

步骤6：通过形态学闭运算使点状字符连接，具体方法是先膨胀再腐蚀；

步骤7：求步骤6中图像的横向直方图，并根据直方图的极值点分隔字符；

步骤8：根据步骤7中分隔字符的位置，提取步骤4中的各个点状字符；

步骤9：根据各点状字符图像的大小采用5*3、5*4或5*5的网格对其进行网格划分，格点内存在字符点的，将该格点设为1，否则设为0；并根据网格信息识别字符；

步骤10：将步骤4处理后的图像，略去步骤5提取的字符条形区域，留下线缆的上边缘和下边缘部分；然后进行边缘检测，利用霍夫变换拟合上下两个边缘，以边缘拟合直线为基准，做离散的边缘线到该基准线的距离积分，积分值大于阈值的即为线缆的缺陷，该阈值根据实际工程中缺陷大小的判定来设定。

其中，步骤2的具体步骤为：

步骤2-1：读取视频流中的前一帧图像作为基准图像，利用特征提取法提取尺度不变特征点；

步骤2-2：读取当前帧并计算特征点，利用仿射变换模型与基准图像做配准，将配准后的图像作为新的当前帧。

步骤3的具体步骤为：

步骤3-1：图像二值化的阈值采用大律法获得；

步骤3-2：将图像的每个像素与步骤3-1中的阈值相比较，大于阈值的设为255，否则为0。

步骤4的具体步骤为：

步骤4-1：选取3*3的模板，对步骤3图像进行滤波，滤波方式为模板内点取中值的方式，即中值滤波；

步骤4-2：连通域标记步骤4-1图像，并计算各连通域面积，小于设定阈值面积的连通域置为0，否则，保留。该阈值的设定用于滤除杂质，根据实际的杂质分布大小，可设定为100。

步骤6的具体步骤为：

步骤6-1：对步骤5中图像先进行膨胀运算，膨胀规模为10*5；

步骤6-2：腐蚀图像，腐蚀规模为10*5，经过上述运算，使得每个点状字符连接起来。

步骤9的具体步骤为：

步骤9-1：根据字符宽度选取不同的网格进行划分，若网格宽度大于一定阈值，则采用5*5的网格，若小于一定阈值，则采用5*3的网格，否则为5*4的网格；该阈值通过实际统计获得；

步骤9-2：对网格内的每个格点计算像素总数，若大于格点面积的80％，则说明该格点内有字符点；

步骤9-3：依次计算每个格点，用1和0填充网格；

步骤9-4：根据网格内的数据进行识别。

步骤10的具体步骤为：

步骤10-1：在步骤4处理后的图像中，将步骤5提取的字符条形区域灰度值置为0，剩下的图像信息即为线缆的图像；

步骤10-2：对线缆图像用边缘检测方法进行边缘检测；

步骤10-3：利用霍夫变换拟合线缆的上下两个边缘直线；

步骤10-4：定义积分离散度：以边缘拟合直线为基准，做离散的边缘线到该基准线的距离积分，当积分离散度的值大于阈值的即为线缆的缺陷。

本发明一种基于机器视觉的线缆在线检测方法，该方法通过提取视频帧中的图像，进行防抖处理后，将其二值化，并利用直方图特性提取需要处理区域；对字符区域提出了用网格法来识别点状字符。对于线缆的缺陷检测，提出了积分离散度概念，并利用霍夫变换求取直线后根据积分离散度判定缺陷。这种方法检测速度快，精度高，自动化程度高。

附图说明

图1是本发明的待处理图样；

图2是本发明中字符提取并分割后效果图；

图3是本发明中喷印字符识别方法流程图；

图4是本发明中线缆表观缺陷检测流程图；

图5是本发明中步骤9的网格填充法识别字符的示意图。

具体实施方式

下面结合附图，对本发明中线缆的在线检测方法进行详细说明：

步骤1：采用高速相机采集线缆的视频图像。

步骤2：将步骤1采集的视频进行防抖处理，其原理是基于特征点的匹配及仿射变换算法，以得到去抖后的每帧图像。

步骤2-1：读取视频流中的前一帧图像作为基准图像，利用SIFT算法提取尺度不变特征点；

步骤2-2：读取当前帧并计算特征点，利用仿射变换模型与基准图像做配准，将配准后的图像作为新的当前帧。

步骤3：对步骤2中的图像根据预设灰度值进行二值化处理。

步骤3-1：图像二值化的阈值采用Otsu算法；

步骤3-2：将图像的每个像素与步骤3-1中的阈值相比较，大于阈值的设为255，否则为0。

步骤4：将步骤3中的二值图像进行小面积滤波和中值滤波，去除小面积杂质点。

步骤4-1：选取3*3的模板，对步骤3图像进行滤波，滤波方式为模板内点取中值的方式，即中值滤波；

步骤4-2：连通域标记步骤4-1图像，并计算各连通域面积，小于设定阈值面积的连通域置为0，否则，保留。该阈值的设定用于滤除杂质，根据实际的杂质分布大小，可设定为100。

步骤5：对步骤4中的图像求纵向的统计直方图，根据直方图的峰值及极值信息提取字符条形区域。

步骤5-1：对步骤4中的图像计算纵向直方图，并取中间两个梯度较大的边缘，根据这两个边缘提取线缆区域。

步骤6：通过形态学闭运算使点状字符连接，具体方法是先膨胀再腐蚀。

步骤6-1：对步骤5中图像先进行膨胀运算，膨胀规模为10*5；

步骤6-2：腐蚀图像，腐蚀规模为10*5，经过上述运算，使得每个点状字符连接起来。

步骤7：求步骤6中图像的横向直方图，并根据直方图的极值点分割字符；

步骤8：根据步骤7中分割字符的位置，提取步骤4中的各个点状字符；

步骤9：将点状字符用用5*3(字符“1”)，5*4和5*5(单位“m”及个别字符)网格划分区域，区域内有点状的，该区域设为1，否则为0。并根据网格信息识别字符。

步骤9-1：根据字符宽度选取不同的网格进行划分，若网格宽度大于73个像素时，则采用5*5的网格，若小于50个像素时，则采用5*3的网格，否则为5*4的网格；

步骤9-2：对网格内的每个格点计算像素总数，若大于网格面积的80％，则说明该格点内有点；

步骤9-3：依次计算每个格点，用1和0填充网格；

步骤9-4：根据网格内的数据进行识别。

步骤10：将步骤5处理后的图像去掉字符部分，留下上边缘和下边缘部分，并进行边缘检测，然后利用霍夫变换拟合上下两个边缘，以边缘拟合直线为基准，做离散的边缘线到该基准线的距离积分，值大于阈值的即为线缆的缺陷，该阈值根据实际工程中缺陷大小的判定来设定。

步骤10-1：将步骤5处理后的图像去掉字符部分，剩下的图像信息即为线缆的图像；

步骤10-2：对线缆图像用Canny算子进行边缘检测；

步骤10-3：利用霍夫变换拟合线缆的上下两个边缘直线；

步骤10-4：定义积分离散度：以边缘拟合直线为基准，做离散的边缘线到该基准线的距离积分，当积分离散度的值大于阈值的即为线缆的缺陷。

Claims (7)

1.一种基于机器视觉的线缆在线检测方法，该方法包括：

步骤1：采用高速相机采集线缆的视频图像；

步骤2：基于特征点的匹配及仿射变换方法对步骤1采集的视频进行防抖处理，得到去抖后的每帧图像；

步骤3：对步骤2中的图像根据预设灰度值进行二值化处理；

步骤4：将步骤3中的二值图像进行小面积滤波和中值滤波，去除小面积杂质点；

步骤5：对步骤4中的图像计算纵向直方图，并取中间两个梯度较大的边缘，根据这两个边缘提取线缆区域；

步骤6：通过形态学闭运算使点状字符连接，具体方法是先膨胀再腐蚀；

步骤7：求步骤6中图像的横向直方图，并根据直方图的极值点分隔字符；

步骤8：根据步骤7中分隔字符的位置，提取步骤4中的各个点状字符；

步骤9：根据各点状字符图像的大小采用5*3、5*4或5*5的网格对其进行网格划分，格点内存在字符点的，将该格点设为1，否则设为0；并根据网格信息识别字符；

步骤10：将步骤4处理后的图像，略去步骤5提取的字符条形区域，留下线缆的上边缘和下边缘部分；然后进行边缘检测，利用霍夫变换拟合上下两个边缘，以边缘拟合直线为基准，做离散的边缘线到该基准线的距离积分，积分值大于阈值的即为线缆的缺陷，该阈值根据实际工程中缺陷大小的判定来设定。

2.如权利要求1所述的一种基于机器视觉的线缆在线检测方法，其特征在于所述步骤2的具体步骤为：

步骤2-1：读取视频流中的前一帧图像作为基准图像，利用特征提取法提取尺度不变特征点；

步骤2-2：读取当前帧并计算特征点，利用仿射变换模型与基准图像做配准，将配准后的图像作为新的当前帧。

3.如权利要求1所述的一种基于机器视觉的线缆在线检测方法，其特征在于所述步骤3的具体步骤为：

步骤3-1：图像二值化的阈值采用大律法获得；

步骤3-2：将图像的每个像素与步骤3-1中的阈值相比较，大于阈值的设为255，否则为0。

4.如权利要求1所述的一种基于机器视觉的线缆在线检测方法，其特征在于所述步骤4的具体步骤为：

步骤4-1：选取3*3的模板，对步骤3图像进行滤波，滤波方式为模板内点取中值的方式，即中值滤波；

步骤4-2：连通域标记步骤4-1图像，并计算各连通域面积，小于设定阈值面积的连通域置为0，否则，保留。该阈值的设定用于滤除杂质，根据实际的杂质分布大小，可设定为100。

5.如权利要求1所述的一种基于机器视觉的线缆在线检测方法，其特征在于所述步骤6的具体步骤为：

步骤6-1：对步骤5中图像先进行膨胀运算，膨胀规模为10*5；

步骤6-2：腐蚀图像，腐蚀规模为10*5，经过上述运算，使得每个点状字符连接起来。

6.如权利要求1所述的一种基于机器视觉的线缆在线检测方法，其特征在于所述步骤9的具体步骤为：

步骤9-1：根据字符宽度选取不同的网格进行划分，若网格宽度大于一定阈值，则采用5*5的网格，若小于一定阈值，则采用5*3的网格，否则为5*4的网格；该阈值通过实际统计获得；

步骤9-2：对网格内的每个格点计算像素总数，若大于格点面积的80％，则说明该格点内有字符点；

步骤9-3：依次计算每个格点，用1和0填充网格；

步骤9-4：根据网格内的数据进行识别。

7.如权利要求1所述的一种基于机器视觉的线缆在线检测方法，其特征在于所述步骤10的具体步骤为：

步骤10-1：在步骤4处理后的图像中，将步骤5提取的字符条形区域灰度值置为0，剩下的图像信息即为线缆的图像；

步骤10-2：对线缆图像用边缘检测方法进行边缘检测；

步骤10-3：利用霍夫变换拟合线缆的上下两个边缘直线；

步骤10-4：定义积分离散度：以边缘拟合直线为基准，做离散的边缘线到该基准线的距离积分，当积分离散度的值大于阈值的即为线缆的缺陷。