CN104897071B - 一种基于机器视觉的双绞线节距测量方法 - Google Patents
一种基于机器视觉的双绞线节距测量方法 Download PDFInfo
- Publication number
- CN104897071B CN104897071B CN201510206539.7A CN201510206539A CN104897071B CN 104897071 B CN104897071 B CN 104897071B CN 201510206539 A CN201510206539 A CN 201510206539A CN 104897071 B CN104897071 B CN 104897071B
- Authority
- CN
- China
- Prior art keywords
- image
- concave point
- twisted
- point
- pair feeder
- 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
Links
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
该发明公开了一种基于机器视觉的双绞线节距测量方法,属于数字图像处理技术领域,特别是针对图像中的双绞线节距测量方法。通过对图像进行灰度化和二值化处理,寻找双绞线图像的边缘,再对边缘进行凹点检测,最终找到节点并算出双绞线节距,从而在双绞线节距测量过程中,实现自动化程度高、测量速度快的目的。
Description
技术领域
本发明属于数字图像处理技术领域,特别是针对图像中的双绞线节距测量方法。
背景技术
双绞线是由两条相互绝缘的导线按照一定的规格互相缠绕在一起而制成的一种传输介质。双绞线一个扭绞周期的长度,叫做节距。其决定了电线电缆的质量,较小的绞距可以形成电磁场的方向相反从而有效地相互抵消彼此间的影响,从而降低线对外的辐射。提高产品的质量,不同类型绞线要求的绞距也不相同。现阶段对双绞线的节距测量方法,是通过人工测量的方式,工作人员在工业现场抽检人工测量双绞线的节距,这导致双绞线的节距无法实时自动化检测,在检测过程中有检测速度慢,检测误差大,劳动强度大的缺点。
现如今双绞线生产速率不断提高,生产过程最高可达到每分钟200米的直线运动速度,高速运动状况下采用机器视觉方法,必将存在空间中不同幅度和不同频率的抖动情况,为提高测量精度需要对采集图片进行视频防抖处理,使用凹点检测进行高精度节距测量。
发明内容
本发明的目的是针对现有技术的不足之处设计了一种基于机器视觉的双绞线节距测量方法,从而在双绞线节距测量过程中,实现自动化程度高、测量速度快的目的。
本发明的技术方案是一种基于机器视觉的双绞线节距测量方法,该方法包括:
步骤1:使用相机采集双绞线的图像视频;
步骤2:将步骤1的视频进行防抖处理,处理方法基于特征匹配与仿射变换,得到防抖处理后的每一帧图像;
步骤3:将步骤2得到的图像根据设定的灰度阈值将图像进行二值化处理,得到二值图像;
步骤4:将步骤3得到的二值图像中白色连通区域进行标记,记录各连通区域的位置,得到标记图像;
步骤5:将步骤4得到的标记图像计算连通区域计算面积,找到并保留面积最大的区域,消去其余连通区域,得到双绞线的二值图像;
步骤6:将步骤5得到的双绞线二值图像进行形态学开运算,即先腐蚀后膨胀,将边缘毛刺平滑,得到平滑边缘后的二值图像;
步骤7:将步骤6得到的平滑边缘后的二值图像进行边缘跟踪,得到连通区域的边缘像素点在图像中的位置;
步骤8:将步骤7得到的边缘像素点进行凹点检测的判断,得到图像中凹点的坐标;
步骤9:将步骤8得到的凹点坐标进行分组,分成上边缘凹点和下边缘凹点两组,得到分组后的凹点坐标;
步骤10:将步骤9得到的分组后的凹点坐标计算出节点,再计算节点间距离即为双绞线的节距。
其中步骤2的具体步骤为:
步骤2-1:读取前一帧图像作为基准图像,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:设定二值化处理过程中灰度阈值为对灰度图像使用最大类间方差法得到的灰度阈值;
步骤3-2:将灰度图像各像素点灰度值与灰度阈值比较,若大于阈值则对该点灰度赋值0,若小于阈值则对该点灰度赋值255,得到已经取反的二值图像。
步骤5的具体步骤为:
步骤5-1:计算所有标记连通区域的面积,即统计像素个数,找到面积最大的连通区域;
步骤5-2:把图像中在最大连通区域位置的像素值赋值255,其他所有点的像素值赋值0,得到双绞线的二值图像。
步骤8的具体步骤为:
步骤8-1:计算边缘轮廓坐标上每点往前第10个像素点与往后第10个像素点连线的中点坐标,若该中点像素为黑色,则其对应的轮廓点位于边缘轮廓下凹的位置上;
步骤8-2:计算同一段下凹位置上各轮廓点到其往前第10个像素点与往后第10个像素点连线的距离,最大距离对应的轮廓点为凹点。
步骤9的具体步骤为:
步骤9-1:得到凹点在图像中的坐标,依次计算相邻两个凹点之间的斜率;
步骤9-2:当两点斜率值大于0.1时,两个凹点分别位于上边缘和下边缘,垂直方向坐标小的为上边缘凹点,垂直方向坐标大的为下边缘凹点,当两点斜率值小于0.1时,两个凹点同时位于上边缘或下边缘;
步骤9-3:将凹点分为上边缘和下边缘两组,分别保存两组凹点的坐标值。
步骤10的具体步骤为:
步骤10-1:将上边缘凹点与下边缘凹点匹配,当一个上边缘凹点与某个下边缘凹点距离小于20个像素时,取上边缘凹点与下边缘凹点的中点为节点,当不存在符合条件的下边缘凹点时,该节点拍摄不完整则舍去该上边缘凹点,计算得到一组节点坐标;
步骤10-2:根据得到的一组节点坐标计算相邻两个节点之间的距离,计算出的距离即为双绞线的节距。
本发明一种基于机器视觉的双绞线节距测量方法,通过对图像进行灰度化和二值化处理,寻找双绞线图像的边缘,再对边缘进行凹点检测,最终找到节点并算出双绞线节距,从而在双绞线节距测量过程中,实现自动化程度高、测量速度快的目的。
附图说明
图1是本发明的基于机器视觉的双绞线节距测量方法的流程图。
图2是本发明的双绞线的节距示意图。
具体实施方式
下面结合附图,对本发明的基于机器视觉的双绞线节距测量方法进行详细说明:
步骤1:使用相机采集双绞线图像;
步骤2:将步骤1的视频进行防抖处理,算法基于特征匹配与仿射变换,得到防抖处理后的每一帧图像;
步骤2-1:读取前一帧图像作为基准图像,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:将步骤2得到的图像根据设定的灰度阈值将图像进行二值化处理,得到二值图像;
步骤3-1:设定二值化处理过程中灰度阈值为对灰度图像使用最大类间方差法得到的灰度阈值;
步骤3-2:将灰度图像各像素点灰度值与灰度阈值比较,若大于阈值则对该点灰度赋值0,若小于阈值则对该点灰度赋值255,得到已经取反的二值图像。
步骤4:将步骤3得到的二值图像中白色连通区域进行标记,记录各连通区域的位置,得到标记图像;
步骤5:将步骤4得到的标记图像计算连通区域计算面积,找到面积最大的区域,得到双绞线的二值图像;
步骤5-1:计算所有标记连通区域的面积,即统计像素个数,找到面积最大的连通区域;
步骤5-2:把图像中在最大连通区域位置的像素值赋值255,其他所有点的像素值赋值0,得到双绞线的二值图像。
步骤6:将步骤5得到的双绞线二值图像进行形态学开运算,即先腐蚀后膨胀,将边缘毛刺平滑,得到平滑边缘后的二值图像;
步骤7:将步骤6得到的平滑边缘后的二值图像进行边缘跟踪,得到连通区域的边缘像素点在图像中的位置;
步骤8:将步骤7得到的边缘像素点进行凹点检测的判断,得到图像中凹点的坐标;
步骤8-1:计算边缘轮廓坐标上每点往前第10个像素点与往后第10个像素点连线的中点坐标,若该中点像素为黑色,则其对应的轮廓点位于边缘轮廓下凹的位置上;
步骤8-2:计算同一段下凹位置上各轮廓点到其往前第10个像素点与往后第10个像素点连线的距离,最大距离对应的轮廓点为凹点。
步骤9:将步骤8得到的凹点坐标进行分组,分成上边缘凹点和下边缘凹点两组,得到分组后的凹点坐标;
步骤9-1:得到凹点在图像中的坐标,依次计算相邻两个凹点之间的斜率;
步骤9-2:当两点斜率值大于0.1时,两个凹点分别位于上边缘和下边缘,垂直方向坐标小的为上边缘凹点,垂直方向坐标大的为下边缘凹点,当两点斜率值小于0.1时,两个凹点同时位于上边缘或下边缘;
步骤9-3:将凹点分为上边缘和下边缘两组,分别保存两组凹点的坐标值。
步骤10:将步骤9得到的分组后的凹点坐标计算出节点,再计算节点间距离即为双绞线的节距。
步骤10-1:将上边缘凹点与下边缘凹点匹配,当一个上边缘凹点与某个下边缘凹点距离小于20个像素时,取上边缘凹点与下边缘凹点的中点为节点,当不存在符合条件的下边缘凹点时,该节点拍摄不完整则舍去该上边缘凹点,计算得到一组节点坐标;
步骤10-2:根据得到的一组节点坐标计算相邻两个节点之间的距离,计算出的距离即为双绞线的节距。
Claims (6)
1.一种基于机器视觉的双绞线节距测量方法,该方法包括:
步骤1:使用相机采集双绞线的图像视频;
步骤2:将步骤1的视频进行防抖处理,处理方法基于特征匹配与仿射变换,得到防抖处理后的每一帧图像;
步骤3:将步骤2得到的图像根据设定的灰度阈值将图像进行二值化处理,得到二值图像;
步骤4:将步骤3得到的二值图像中白色连通区域进行标记,记录各连通区域的位置,得到标记图像;
步骤5:将步骤4得到的标记图像计算连通区域计算面积,找到并保留面积最大的区域,消去其余连通区域,得到双绞线的二值图像;
步骤6:将步骤5得到的双绞线二值图像进行形态学开运算,即先腐蚀后膨胀,将边缘毛刺平滑,得到平滑边缘后的二值图像;
步骤7:将步骤6得到的平滑边缘后的二值图像进行边缘跟踪,得到连通区域的边缘像素点在图像中的位置;
步骤8:将步骤7得到的边缘像素点进行凹点检测的判断,得到图像中凹点的坐标;
步骤9:将步骤8得到的凹点坐标进行分组,分成上边缘凹点和下边缘凹点两组,得到分组后的凹点坐标;
步骤9-1:得到凹点在图像中的坐标,依次计算相邻两个凹点之间的斜率;
步骤9-2:当两点斜率值大于0.1时,两个凹点分别位于上边缘和下边缘,垂直方向坐标小的为上边缘凹点,垂直方向坐标大的为下边缘凹点,当两点斜率值小于0.1时,两个凹点同时位于上边缘或下边缘;
步骤9-3:将凹点分为上边缘和下边缘两组,分别保存两组凹点的坐标值;
步骤10:将步骤9得到的分组后的凹点坐标计算出节点,再计算节点间距离即为双绞线的节距。
2.如权利要求1所述的一种基于机器视觉的双绞线节距测量方法,其特征在于步骤2的具体步骤为:
步骤2-1:读取前一帧图像作为基准图像,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双绞线节距测量方法,其特征在于步骤3的具体步骤为:
步骤3-1:设定二值化处理过程中灰度阈值为对灰度图像使用最大类间方差法得到的灰度阈值;
步骤3-2:将灰度图像各像素点灰度值与灰度阈值比较,若大于阈值则对该点灰度赋值0,若小于阈值则对该点灰度赋值255,得到已经取反的二值图像。
4.如权利要求1所述的一种基于机器视觉的双绞线节距测量方法,其特征在于步骤5的具体步骤为:
步骤5-1:计算所有标记连通区域的面积,即统计像素个数,找到面积最大的连通区域;
步骤5-2:把图像中在最大连通区域位置的像素值赋值255,其他所有点的像素值赋值0,得到双绞线的二值图像。
5.如权利要求1所述的一种基于机器视觉的双绞线节距测量方法,其特征在于步骤8的具体步骤为:
步骤8-1:计算边缘轮廓坐标上每点往前第10个像素点与往后第10个像素点连线的中点坐标,若该中点像素为黑色,则其对应的轮廓点位于边缘轮廓下凹的位置上;
步骤8-2:计算同一段下凹位置上各轮廓点到其往前第10个像素点与往后第10个像素点连线的距离,最大距离对应的轮廓点为凹点。
6.如权利要求1所述的一种基于机器视觉的双绞线节距测量方法,其特征在于步骤10的具体步骤为:
步骤10-1:将上边缘凹点与下边缘凹点匹配,当一个上边缘凹点与某个下边缘凹点距离小于20个像素时,取上边缘凹点与下边缘凹点的中点为节点,当不存在符合条件的下边缘凹点时,该节点拍摄不完整则舍去该上边缘凹点,计算得到一组节点坐标;
步骤10-2:根据得到的一组节点坐标计算相邻两个节点之间的距离,计算出的距离即为双绞线的节距。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510206539.7A CN104897071B (zh) | 2015-04-28 | 2015-04-28 | 一种基于机器视觉的双绞线节距测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510206539.7A CN104897071B (zh) | 2015-04-28 | 2015-04-28 | 一种基于机器视觉的双绞线节距测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104897071A CN104897071A (zh) | 2015-09-09 |
CN104897071B true CN104897071B (zh) | 2017-11-17 |
Family
ID=54029885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510206539.7A Active CN104897071B (zh) | 2015-04-28 | 2015-04-28 | 一种基于机器视觉的双绞线节距测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104897071B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780596B (zh) * | 2016-12-28 | 2019-07-19 | 宁波大学 | 一种双绞线绕距在线检测系统及方法 |
CN107564001B (zh) * | 2017-09-13 | 2020-09-25 | 电子科技大学 | 一种基于凹点搜索的磁片缺角检测方法 |
CN108038839B (zh) * | 2017-11-23 | 2022-01-11 | 宁波大学 | 一种流水生产线上双绞线绞距实时检测方法 |
CN108088381B (zh) * | 2017-12-13 | 2020-02-07 | 湖北汽车工业学院 | 一种基于图像处理的非接触式微小间隙宽度测量方法 |
CN108961331A (zh) * | 2018-06-29 | 2018-12-07 | 珠海博明软件有限公司 | 一种绞合线节距的测量方法和装置 |
CN109059789B (zh) * | 2018-08-21 | 2020-04-07 | 成都天衡智造科技有限公司 | 基于机器视觉的电缆节距在线检测方法 |
JP7134793B2 (ja) * | 2018-08-29 | 2022-09-12 | オーチス エレベータ カンパニー | エレベータロープ伸び計測装置及びエレベータロープ伸び計測方法 |
CN110017777A (zh) * | 2019-04-15 | 2019-07-16 | 太原理工大学 | 一种钢丝绳捻距实时动态检测评估方法 |
CN110544242B (zh) * | 2019-08-26 | 2022-05-13 | 珠海博明软件有限公司 | 一种实时线缆节距提取方法 |
CN116152245B (zh) * | 2023-04-19 | 2023-07-04 | 苏州鑫信腾科技有限公司 | 一种基于人工智能的胶线缺陷检测系统 |
CN117274366B (zh) * | 2023-11-22 | 2024-02-20 | 合肥晶合集成电路股份有限公司 | 线条边距确定方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6111601A (en) * | 1995-12-11 | 2000-08-29 | Adachi; Yoshi | Non-contacting laser gauge for qualifying screw fasteners and the like |
DE19742177C2 (de) * | 1997-09-24 | 2003-09-25 | Siemens Ag | Verfahren zur Schlaglängenmessung an Kabeln |
CN1918450A (zh) * | 2004-01-12 | 2007-02-21 | 达涅利自动化有限公司 | 对有肋型材的特征尺寸进行在线检测的方法和相关装置 |
CN102779279A (zh) * | 2012-06-14 | 2012-11-14 | 南京航空航天大学 | 搅拌摩擦焊弧形纹间距的图像识别方法 |
CN103292701A (zh) * | 2013-06-24 | 2013-09-11 | 哈尔滨工业大学 | 基于机器视觉的精密器件在线尺寸测量方法 |
CN103454285A (zh) * | 2013-08-28 | 2013-12-18 | 南京师范大学 | 基于机器视觉的传动链条质量检测系统 |
-
2015
- 2015-04-28 CN CN201510206539.7A patent/CN104897071B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6111601A (en) * | 1995-12-11 | 2000-08-29 | Adachi; Yoshi | Non-contacting laser gauge for qualifying screw fasteners and the like |
DE19742177C2 (de) * | 1997-09-24 | 2003-09-25 | Siemens Ag | Verfahren zur Schlaglängenmessung an Kabeln |
CN1918450A (zh) * | 2004-01-12 | 2007-02-21 | 达涅利自动化有限公司 | 对有肋型材的特征尺寸进行在线检测的方法和相关装置 |
CN102779279A (zh) * | 2012-06-14 | 2012-11-14 | 南京航空航天大学 | 搅拌摩擦焊弧形纹间距的图像识别方法 |
CN103292701A (zh) * | 2013-06-24 | 2013-09-11 | 哈尔滨工业大学 | 基于机器视觉的精密器件在线尺寸测量方法 |
CN103454285A (zh) * | 2013-08-28 | 2013-12-18 | 南京师范大学 | 基于机器视觉的传动链条质量检测系统 |
Non-Patent Citations (2)
Title |
---|
基于图像修复的网线绕距测量方法研究;王刚等;《计算机工程与应用》;20140430;第50卷(第4期);第166-170页 * |
基于图像检测的双绞线绕距测量方法;王刚等;《计算机应用》;20141010;第34卷(第10期);第3014-3019页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104897071A (zh) | 2015-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104897071B (zh) | 一种基于机器视觉的双绞线节距测量方法 | |
CN107804514B (zh) | 一种基于图像识别的牙刷分拣方法 | |
CN104915963B (zh) | 一种用于plcc元件的检测与定位方法 | |
CN109345554A (zh) | 一种基于rgb-d相机的粘连蘑菇视觉原位测量方法 | |
CN110910443B (zh) | 基于单监控相机的接触网几何参数实时测量方法及装置 | |
CN107798672A (zh) | 烟丝或梗丝的宽度测定方法、系统及具有该系统的服务器 | |
CN107742307A (zh) | 基于改进帧差法的输电线路舞动特征提取及参数分析方法 | |
CN109800619B (zh) | 成熟期柑橘果实图像识别方法 | |
CN110455201B (zh) | 基于机器视觉的茎秆作物高度测量方法 | |
CN116912250B (zh) | 基于机器视觉的菌包生产质量检测方法 | |
CN110298840A (zh) | 一种基于图像的纱线缺陷检测方法 | |
US10210605B2 (en) | Method and device for detecting boundary of region on display motherboard | |
CN105719275A (zh) | 一种并行组合的图像缺陷分割方法 | |
CN106780437B (zh) | 一种快速qfn芯片塑封图像获取与放大方法 | |
CN116630309A (zh) | 一种布匹断纬瑕疵检测方法 | |
CN117011303A (zh) | 基于机器视觉的油料生产质量检测方法 | |
CN110223276A (zh) | 一种基于图像处理的瓶盖检测方法及装置 | |
CN110310275A (zh) | 一种基于图像处理的链式传送带缺陷检测方法 | |
CN115266732B (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
CN113012105A (zh) | 基于图像处理的纱线毛羽检测评级方法 | |
CN116188468A (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN111145205B (zh) | 基于红外图像的多猪只场景下猪体温检测方法 | |
CN106254864B (zh) | 监控视频中的雪花和噪点噪声检测方法 | |
CN116862900A (zh) | 一种大葱育秧播种质量检测方法 | |
CN107504905A (zh) | 一种基于机器视觉的网状织物网目长度偏差率检测系统 |
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 |