CN105229665A - 对基于图像的蛇形带子磨损评估的增强分析 - Google Patents
对基于图像的蛇形带子磨损评估的增强分析 Download PDFInfo
- Publication number
- CN105229665A CN105229665A CN201480013458.9A CN201480013458A CN105229665A CN 105229665 A CN105229665 A CN 105229665A CN 201480013458 A CN201480013458 A CN 201480013458A CN 105229665 A CN105229665 A CN 105229665A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- belt
- mark
- edge
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 50
- 230000002708 enhancing effect Effects 0.000 title abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 96
- 230000008569 process Effects 0.000 claims description 68
- 230000008859 change Effects 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 8
- 238000013138 pruning Methods 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 2
- 238000005728 strengthening Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 15
- 238000003384 imaging method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 244000141353 Prunus domestica Species 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 229920002943 EPDM rubber Polymers 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开涉及对基于图像的蛇形带子磨损评估的增强分析。提供了用于改善被测设备,诸如带子,的图像的系统和方法。通过确定物体是否旋转远离图像框架的优选轴,使被测试设备的图像更优。如果是,则图像被旋转相反的角度,使得物体与图像框架的优选轴平行。然后,使旋转后的图像可用于物体的分析。通过使图像退旋或不退旋,沿着检测到的肋条的整个长度执行肋条宽度分析。
Description
对相关申请的交叉引用
本申请要求于2013年3月11日提交的美国临时申请号61/776,600的权益,该申请的全部公开内容通过引用被结合于此。
技术领域
本公开一般而言针对测量带子磨损(beltwear),并且更具体而言针对利用图像来识别带子磨损的特点并预测带子寿命。
背景技术
由于乙烯丙烯二烯单体(EPDM)材料的使用,蛇形传动带变得日益耐用。因此,对带子磨损、开裂的历史上可靠的指示发生频率较低,但是带子仍然随时间的推移而磨损。由于这些高级材料的使用而存在的一个问题是故障前磨损检测越来越难以量化。换句话说,由EPDM材料制成的蛇形(serpentine)传动带通常只在带子完全故障之后被诊断为过度磨损。
处理以上识别出的问题的最近进展需要与被测带子接触的物理工具。这种工具的例子在全都授予Smith等人的美国专利No.7,946,047和美国专利公开No.2010/0307221中描述,这二者的全部内容通过引用被结合于此。这些解决方案依赖于测量工具与被测带子之间的物理接触。
开发不依赖于工具与被测带子之间的物理接触并且可以快速有效地识别带子磨损的带子测量解决方案将是有用的。如果这种系统减小这种系统操作人员所需的图像处理负担,则将实现更多的益处。
发明内容
用于带子磨损的无接触测量的一种技术在申请人的共同未决申请——即,于2011年9月6日提交且标题为“MEASUREMENTOFBELTWEARTHROUGHEDGEDETECTIONOFARASTERIMAGE”的申请号13/226,266——中描述,该申请所讲授的全部内容通过引用被结合于此。
为了在分析肋条磨损程度之前校正旋转,一种方法用于确定在数码照片中绘出的蛇形带子的朝向。通过执行照片的反差系数(gamma)、亮度、对比度、色调、颜色通道和其它信息的数字过滤操纵,软件将识别数字数据中被视为代表带子肋条的纵轴的平行、高纵横比的四边形区域。这种分析的结果将被用来定义照片现场内带子图像的朝向,并且确立在后续分析中使用的垂直轴。
此外,为了在分析肋条磨损程度之前准确地识别带子肋条的朝向和/或数目,一种方法用于补偿蛇形带子的数码照片中不均衡的照明。通过执行照片的反差系数、亮度、对比度、色调、颜色通道和其它信息的数字过滤操纵,软件将规格化照片各个区域中的对比度水平,以防止边缘锐度的差异使得软件不正确地解释数据。
操作序列:
通过在分析开始之前处理像素的图像范围(分辨率),其中这一步提供了对来自于任何类型智能电话的所有图像都一致的图像尺寸或者图像捕捉的焦距,本发明解决了定义带子边缘以及分析歪斜或不平行肋条剖面以获得改进的用户接口的现有技术问题。
算法的步骤1:减小图像的分辨率,例如减小多达1/10并且测量带子肋条的角度,附加地根据定义修剪带子边缘
算法的步骤2:返回到图像的全分辨率并且如下所述的那样定义肋条边缘。
为了找出朝向
-遮蔽带子,通过除去高对比度区域进行修剪,此外分析像素尺寸(邻域(neighborhood))的变化阈值或者单个地分析像素邻域的阈值
利用自适应阈值开放式CV库或者具有等效功能的其它库:
验证像素邻域的适当尺寸,以定义肋条的数目
-通过选择不同的像素区域,诸如5、10、100或附加尺寸的像素邻域,进行一系列分析
-一个分析过程或循环的例子,用以确定35个像素的附近邻域中的黑色或白色外观是否用于自适应阈值分析并且分析是否符合对多边形的容限,优选地是具有4、5或6个顶点的多边形
-灰度范围分析的连续循环,用以在一个图像具有几个轮廓时确定轮廓的黑色或白色图像区域
-通过多边形适配处理轮廓–在像素区域中
处理大于1/50图像区域像素正方形或类似尺寸值的区域的区域过滤器,以消除非肋条假性区域,以及附加地,基于图像像素尺寸作出多边形误差(容限)的处理方法。
带子朝向图像是通过来自被检测多边形的主要角(primaryangle)的最长多边形边的笛卡尔坐标来求解的
以上发明给出了被修剪、旋转并呈现给现有技术算法的带子剖面图像:通过光栅图像的边缘检测进行带子磨损的测量
-步骤一屏幕截图–识别带子边缘的图像[见图1]
-步骤二屏幕截图–带子肋条的图像[见图2]
-发明的代码采样
[见图3]
用于实现此的一种方法利用一系列操纵,这些操纵将顺序地增加照片的差照明区域中低对比度的相邻区域之间的对比度,直到它们与照片的良好照明区域的对比度相似。通过更改诸如距离要在分析中使用的相邻数据区域的目标像素的半径、所应用的附加对比度程度和将确定变换是否应用到数据的差异阈值之类的变量,这些操纵应当能够采用少至数码照片中一个或所有数据通道中一个差异数据点。这个过程类似于在数码摄影和打印中所使用的、被称为非锐化屏蔽(un-sharpmasking)的过程。
此外,为了在分析肋条磨损程度之前通知分析软件,一种方法用于确定在数码照片中绘出的带子中存在的肋条和/或低谷的数目。利用代表照片的平行四边形区域的数据,结合代表做标记的肋条顶部的数据,将进行比较,以确定这两个数据集是否返回代表照片中表示的带子中所包含的肋条数目的一致值。如果这两个数据集不一致,则由用户应用的标志将被用来确定带子上肋条的数目。这两个数据集的收集和分析将提供用于确定方法准确性的方法,并且允许对软件的进一步精化。
总的来说,这些改进将避免需要让用户:
1.以任何特定的方式确定照片捕捉设备的朝向
2.在捕捉之后缩放、旋转、居中或以别的方式操纵照片
3.在分析之前手动输入带子肋条的数目
4.消除给带子做标记的需求
所获取的被测物体的图像的质量可以是分析被测物体,诸如带子,的非接触分析工具的能力或准确性当中的一个因素。许多图像缺陷可以整体或部分地被取消。人眼可以被用来识别与带子图像关联的许多图像缺陷。但是,根据本文的实施例和权利要求,基于机器的图像校正提供了对许多带子图像缺陷的补救并且还可以提高图像及其分析的速度和准确性。
非接触分析中的优点,诸如通过带子图像的分析对带子磨损的测量,可以通过实现本文所述的实施例来实现。一个优点是通过提供带子测量应用,结合对某些图像捕捉缺陷的自动校正,诸如带子相对于图像捕捉参考框架的旋转,来实现的。通过带子图像被旋转或退旋(de-rotate),使得带子图像与成像框架的预定义轴具有特定的朝向,对图像分析的速度和准确度得以改进。因此,在一种实施例中,提供了带子图像的基于机器的旋转。附加的实施例说明了通过执行诸如修剪、边缘检测和/或带子肋条检测之类的操作进一步改进图像的能力。
如在本文所使用的,术语“自动”及其变体指当执行过程或操作时无需实质性人为输入就能完成的任何过程或操作。但是,即使过程或操作的执行使用实质性或非实质性的人为输入,如果输入是在过程或操作的执行之前接收的,则过程或操作也可以是自动的。如果人为输入影响过程或操作将如何被执行,则该输入被认为是实质性的。允许过程或操作的执行的人为输入不被认为是“实质性的”。
如在本文所使用的,术语“计算机可读介质”指参与向处理器提供要执行的指令的任何有形储存器。这种介质可以采取许多形式,包括,但不限于,非易失性介质、易失性介质和传输介质。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。计算机可读介质的常见形式包括,例如,软盘、柔性盘、硬盘、磁带或任何其它磁介质,磁-光介质,CD-ROM、任何其它光学介质,打孔卡、纸带、具有孔图案的任何其它物理介质,RAM、PROM和EPROM、FLASH-EPROM,就像存储卡的固态介质,任何其它存储器芯片或盒,或者计算机可以从其读取的任何其它介质。当计算机可读介质被配置为数据库时,应当理解,数据库可以是任何类型的数据库,例如关系数据库、层次化的、面向对象的,等等。从而,本公开被认为包括本公开的软件实现存储在其中的有形存储介质和现有技术认可的等同物和后继介质。
如在本文所使用的,术语“识别”、“确定”、“算出”、“计算”及其变体可互换使用并且包括任何类型的方法、过程、数学运算或技术。
如在本文所使用的,术语“模块”指任何已知或以后开发的、能够执行与那个元件关联的功能的硬件、软件、固件、人工智能或者硬件和软件的组合。而且,虽然本公开是关于示例性实施例描述的,但是应当认识到,本公开的各个方面可以单独要求保护。
附图说明
实施例是结合附图来描述:
图1是根据本公开的实施例的第一带子图像;
图1B是在自适应阈值化和完整带子检测之后的图像;
图2是根据本公开的实施例的第一带子图像的增强对比度图像;
图3示出了根据本公开的实施例的沿带子的整个轴识别出的带子肋条;
图4是示出根据本公开的实施例的测量系统的框图;
图5是示出根据本公开的实施例的用户利用测量系统的体验的流程图;
图6是示出根据本公开的实施例的处理图像的一种方法的流程图;
图7是示出根据本公开的实施例的边缘检测方法的流程图;
图8是根据本公开的实施例的第一带子图像;
图9示出了根据本公开的实施例的第一带子图像的一部分的二进制图像;
图10示出了根据本公开的实施例的边缘分界线的应用;
图11示出了根据本公开的实施例的具有增强对比度以方便识别肋条的数目的第一带子图像的旋转图像;
图12示出了根据本公开的实施例的具有肋条线、边缘线和优选轴的第一带子图像的一部分;
图13示出了根据本公开的实施例的处理后的带子图像;
图14示出了根据本公开的实施例的带子图像和修剪缓冲区;
图15示出了根据本公开的实施例的过程流;及
图16A-16D示出了根据本公开的实施例的呈现给用户的过程。
具体实施方式
本文所述实施例的一种期望的效用针对处理带子的图像,并且更具体而言针对带子的一部分的图像,以供带子分析模块、应用或引擎使用。但是,本领域普通技术人员将认识到,除了带子,其它被测物体也可以受益于本文的示教,包括,但不限于,齿轮、滑轮、惰轮、轴、轴承、叶片和支撑件。
现在参考图1,是第一带子图像100。识别出了外边缘102和104。
参考图1B,是自适应阈值算法之后的第一带子图像100。图1B示出了具有二进制和逆转值的第二图像206。说明了第一和第二带子边缘102B和104B并且这两个边缘构成带子图像110与背景108之间的边界。
图2是第一带子图像100的增强对比度图像200。在所说明的实施例中,识别出6根肋条(202A-202F)。以下是肋条识别的进一步讨论。再次参考所说明的实施例,肋条202A、202B、202C、202D和202F构成暗的区域,在一定容限内,构成具有四个顶点的多边形。由于图像200的截取,肋条202E构成另一个顶点,并且因此构成具有5个顶点的多边形。在另一种(未说明的)实施例中,肋条可以构成具有6个顶点的多边形,诸如当单根肋条200从一个角落到对角相对的角落成像并且因此被矩形图像的四侧截取时,诸如图像200。
图3示出了识别出多根肋条302的所识别出的带子300(为了清晰,不是所有肋条都在图中被识别出来)。肋条302被识别为沿着带子300的整个轴。在另一种实施例中,肋条302的识别沿轴的一部分发生,诸如基本上与标志304共同定位的区域。
现在参考图4,将描述根据本公开的实施例的测量系统400。测量系统400可以包括用于分析被测物体402以把被测物体402归类为或者好(例如,不需要更换)或者坏(例如,需要更换)的一个或多个部件。在不背离本公开的范围的情况下,其它确定可以对被测物体402作出;例如,被测试物体402可以被识别为故障(例如,很快就需要更换)或者异常(例如,没有遵循预期的磨损模式并且,因此,需要进一步的调查和/或更换)。
在一些实施例中,测量系统400包括供用户412使用的图像捕捉设备404、图像处理器406、分析模块408和用户接口410。
作为非限制性例子,被测物体402可以包括带子,具体而言是由EPDM材料制成的蛇形带子。带子可以或者位于工作位置(例如,安装在采用该带子的车辆或其它设备上)或者可以位于非工作位置(例如,从采用该带子的车辆或其它设备被除去)。图像捕捉设备404可以能够捕捉一个或多个静止图像。作为替代,或者附加地,图像捕捉设备404可以能够捕捉视频图像(例如,可以与或者可以不与音频输入同步的顺序的多个图像帧)。由图像捕捉设备404捕捉的(一个或多个)图像可以包括颜色(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和诸如255的预定数字之间的灰度级像素值)、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)、红外线(例如,其中每个像素包括红外线像素值的像素图像)、紫外线(例如,其中每个像素包括紫外线值的像素图像),或者任何其它已知类型的图像。图像捕捉设备404的非限制性例子是或者是独立设备或者结合到诸如智能电话的用户设备中的相机(静止或视频)。
图像处理器406确定,对于提高由图像捕捉设备404获取的被测物体402的图像的准确性,自动校正是否必要。在确定要应用自动校正时,这种校正由图像处理器406应用。如果不应用自动校正,则使图像可以让分析模块408获得,而无需自动校正。如果应用自动校正,则在应用自动校正之后使图像可以让分析模块408获得。
然后,分析模块408分析被测物体402的图像并且经由用户接口410向用户412报告分析结果。
图像处理器406可以确定图像被过校正(beyondcorrection),诸如对过低或过度曝光的图像所发生的,并且还可以通知用户图像需要被重新获取。不可用的图像的通知可以经由用户接口410或另一种用户接口。
在一种实施例中,由图像处理器406执行的图像处理功能对通过图像捕捉设备404可得到的图像执行。当一个部件把图像提供到共享存储器、可存取存储器中或者经由通信链路等交付图像时,使图像可用。在一些实施例中,信号从一个部件发送到第二部件,以通知第二部件图像的可用性或者由第一部件执行的处理的终止。
虽然本文提供的实施例主要针对单个图像的获取和更改,但是在不背离本发明范围的情况下,可以创建附加的图像。其中图像从第一模块传送到第二模块的实施例可以通过拷贝操作来执行,由此,第一模块和第二模块都维持图像的拷贝。类似地,其中图像被更改的实施例可以对图像的拷贝执行并且原始或之前的图像保持不被更改。此外,更改可以应用到图像的拷贝、变化文件或逻辑图像层,使得更改可以被丢弃并且原始图像留在,或返回到,未更改状态。处理以对图像应用更改或者以包含更改的图像的拷贝来继续。
图像捕捉设备404、图像处理器406、分析模块408和用户接口410在本文被说明为分立的部件。测量系统400可以在各种其它配置中体现。在一种实施例中,测量系统400的每个部件可以包括在诸如手机、智能电话、个人计算机(PC)、膝上型电脑、上网本、平板电脑等的用户设备中或者访问公共的用户接口,诸如用户接口410。在这种实施例中,可连接的通信链路在部件之间提供,诸如有线、无线或光学或磁性可移除介质接口。在其它实施例中,图像捕捉设备404、图像处理器406、分析模块408和用户接口410当中至少两个被共同定位在相同形式因子的处理设备中,诸如专用集成电路(ASIC)、处理卡(例如,PCI、PCIe)、通用集成设备或计算平台。可以认识到,通信总线、通孔、电路、PCB迹线或其它通信介质可以被用于在物理集成的部件中进行通信。
图5是说明根据本公开的实施例的用户对测量系统,诸如测量系统400,的体验的流程图500。用户412执行步骤502,由此启动带子评估应用。
在一种实施例中,启动步骤502的完成自动启动(例如,上电或者以别的方式使其可用)系统400的电子部件(用户接口410、分析模块408、图像处理器406和图像捕捉设备404中的一个或多个)。在其中系统400的某些电子部件不被同时或几乎同时启动的实施例中,步骤502可以作为其使用的前体(precursor)被启动。在其它实施例中,步骤502复位应用,而在还有另一种实施例中,步骤502仅仅是存取应用。
处理以用户通过诸如用户接口410被通知应用准备好获取诸如带子的被测物体402的图像而继续。用户执行步骤504并获取图像并且在步骤506中自动呈现结果。在其它实施例中,一个或多个附加的消息可以呈现给用户,诸如错误消息、通过再次执行步骤504重新获取图像的指令、信息性消息、教程、样本、进度条,保存和/或打印分析结果的选项,或者可以改善用户体验的类似信息。
虽然不存在给出中间步骤的功能需求,诸如由图像处理器406和/或分析模块408执行的那些,但是任何中间步骤的结果或进度都可以作为选项呈现给用户412。该选项可以在应用开发时选择或者是由用户412确定的配置选项。
现在参考图6,提供了示出用于处理图像的方法步骤的一种实施例的流程图600。流程图600可以在一个或多个电子设备上执行,诸如图4实施例的测量系统。步骤602获取被测物体,诸如带子,的初始图像。步骤606识别带子的边缘。步骤604找出带子图像。步骤608确定带子相对于图像框架的角度。步骤610确定是否需要退旋,如果需要,处理就继续到步骤612。如果不需要,则处理前进到步骤614。步骤612把图像退旋,由此就按照情况把图像旋转或逆旋转在步骤608中确定的角度的负值。步骤614向分析模块提供图像,用于分析带子图像。未示出的附加步骤可以包括报告或存储分析结果,供诸如用户412的用户使用,以审查并采取适当的动作(例如,更换有缺陷的带子或者计划带子的将来重新评估)。
退旋步骤612可以包括旋转算法对如在步骤602中获取的图像拷贝或原始图像的应用。退旋步骤612可以体现可被分析模块408使用的退旋信息(例如,点、矩阵、等式或代码)的生成。在这种实施例中,分析模块408将利用退旋信息的应用来读取原始图像,使得分析对原始图像提供,就好像已经退旋一样。
在另一种实施例中,图像被修剪(自动地或者手动地)。落在所识别出的带子图像边缘之外的图像部分可以被认为是无关的并且被丢弃。当带子图像延伸诸如优选轴的一个轴的长度并且在框架的两个相对边缘终止时,成像某些被测物体,诸如带子,通常从任何一个框架中排除整个带子。用于分析不在框架的边缘终止的被测物体(例如,切割带子的一部分)的实施例可以被修剪或者以别的方式被处理,使得对象图像的终止变成框架边缘。
步骤606识别图像中带子的边缘。边缘可以体现为构成线条的像素阵列。但是,像素布置的轻微变化仍然可以被认为是线条,如果这种不规则性被确定为在带子边缘像素的预期值之内的话,其中像素构成曲线、多个线段或除理想线条之外的其它形状。在其它实施例中,步骤606识别带子位置的标记,这可以是可操作为指示带子对框架的旋转位置的带子的边缘、记号或其它属性。
步骤606可以体现附加的处理,诸如确定候选边缘线条的数目,并且确认或拒绝它们的位置作为边缘线。更具体而言,如果步骤606预期两个边缘,如关于带子将预期的,但是只有一条线被识别为边缘候选,则图像可以被重新处理并且步骤606重复。重新处理可以包括增强或去增强图像并且参考图7更详细地描述。作为替代,信号可以被创建以向用户指示图像不可用并且重新获取步骤602需要重复。
在多于两个边缘候选被证实的情况下,其中附加的候选边缘有可能是带子的肋条,则最外面的边缘候选可以被识别为边缘,而无需图像的重新处理。如果期望,则图像可以被重新处理,诸如通过增加对比度或增加分辨率并且步骤606以重新处理后的图像重复。步骤606的一些实施例的更详细描述关于图7提供。
一旦识别出边缘,步骤608就确定至少一条边缘与图像框架的角度。在步骤606中所识别出的边缘可以构成与图像框架的优选轴的角度。对于步骤608中带子相对于图像框架的角度的确定,预期各种实施例。如关于步骤606所讨论的,每条边缘线条是完美或不完美的线条,但是在可接受的曲率或完整性范围内。情况可以是由于步骤602中出平面(out-of-plane)图形获取所造成的两条边缘线当中每一条不彼此平行。在一种实施例中,带子的角度是由两个边缘线角度的平均斜率或角度确定的。作为替代,单条边缘线可以被选作指示带子的角度。如果两条或更多条线被确定为是带子角度的标记,则带子的角度可以通过算术函数来确定,诸如两条或更多条线的均值(mean)、众数(mode)或者平均数(average)。在另一种备选方案中,带子的角度由多条内部线当中的一条或多条,诸如带子肋条线并且可选地包括一条或两条边缘线,确定。
对于许多被测物品,诸如带子,带子角度的成像标记很容易通过确定边缘线以及可选地,与边缘平行的多条肋条线来确定。带子角度的其它标记也是预期的。在另一种实施例中,步骤606识别指示朝向的带子特征并且步骤608通过利用朝向的标记确定带子相对于框架的角度。在一种实施例中,非结构化特征被添加到带子,诸如粉笔标志、细丝、印花或其它分界。在另一种实施例中,特征是结构化的,诸如肋条或齿。如果已知成像特征与带子的边缘不平行,则步骤608在确定带子相对于图像框架的角度时考虑特征的已知角度。为了说明该实施例,考虑带齿的带子,由此齿的峰和谷与带子成90度角。在这种实施例中,步骤606识别多个齿并且步骤608从勾画出齿的角度确定带子的角度是90度。
所获取的图像的框架已知是图像的周界,或者图像的相关部分,如以人或计算机可读的形式表示的。在本领域中已知的常见成像系统中,电荷耦合设备(CCD)或者类似的成像阵列被用来捕捉图像。这些成像阵列包括通常布置成矩形阵列格式的光敏像素的阵列。各个像素可以对单一的颜色敏感,诸如红色、蓝色和绿色,黑色和白色,或者灰度级。为了本文的目的,我们不需要考虑第一单色像素作为与捕捉不同颜色的相同图像的那些像素不同的像素。如关于矩形已知的,矩形成像阵列具有长和短的维度或轴。被分析的带子的更理想图像是其中带子延伸框架的最长轴的长度并且关于带子的宽度在框架内的图像,使得两个边缘都被捕捉,并且与图像框架的最长轴平行。
利用框架的最长轴作为优选轴一般而言是优选的。但是,在其它实施例中,框架的角度是关于框架的优选朝向确定的,这个朝向可以与或者可以不与阵列的长维度重合。在采用具有方形成像阵列的图像捕捉设备1204的实施例中,带子的更理想图像可以与框架的任一垂直轴平行。可以选择一个轴,诸如最接近与带子的图像平行的轴。但是,分析模块1208可能需要或以别的方式优选特定的朝向(例如,垂直地)并且根据这种需求或偏好选择优选轴。类似地,具有圆形或不规则框架的图像捕捉设备1204可以具有仅仅根据分析模块1208的需求或偏好或者根据之前以别的方式确定的轴选择的优选轴。
关于图7,提供了示出包括边缘检测步骤608的子步骤的一种实施例的流程图700。在步骤702中检查像素邻域。步骤704确定边缘是否被指示用于候选像素。在一种简化的实施例中,候选像素被认为在8个相邻像素的邻域内,即,候选像素在中心的3x3像素阵列。在一个例子中,在确定顶部两行中包括候选像素的所有六个像素具有与底部行中的三个像素不共享的一个公共属性时,步骤704将考虑像素为边缘候选像素。如果相邻像素不太容易分界,诸如所有像素都与候选像素完全相同或几乎完全相同或者邻域没有容易识别的属性来分界边缘,则该像素在步骤706中被认为是非边缘像素。
也可以结合某些错误检测操作。在一种实施例中,边缘像素的数目可能在预期范围之外。为了通过例子说明一种实施例;预期所捕捉的带子图像具有对应于带子边缘的两组边缘像素。被成像阵列捕捉并且与优选轴平行地延伸并且在框架的边界终止的完美线条将包括与框架的优选轴的长度乘以线条宽度等同的多个像素。现实世界物体的图像,甚至诸如带子之类的基本上线性的物体,也不可能构成具有这种精确维度的线条,但是,可以预期范围。在一种实现中,边缘像素候选的数目等于零并且可以触发错误条件或者步骤,以增强图像。
一旦识别出候选边缘像素,步骤708就确定这多个候选边缘像素是否构成多边形区域。具有显著数量的不构成多边形区域的边缘候选像素的图像可以构成另一种几何形状或者更随机的图案。这可以是差质量图像的指示。在其它情况下,不构成多边形区域的一定数量的边缘候选像素可以简单地指示其它特征(“噪声”)并且被排除在作为边缘候选的进一步考虑之外。如关于边缘像素所描述的,如果预期边缘线条的数目落在预期范围之外,则处理可以以步骤712继续或者可以产生错误条件。
步骤712确定所形成的线条的数目是否小于线条的目标数目。在一种实施例中,带子的边缘被检测并且,因此,两条线是预期的目标线条数目。在另一种实施例中,多个带子肋条是预期的并且,因此,两条线和肋条线数目确定预期的目标线条数目。
步骤712确定边缘线条的数目是否低于目标线条数目。在一种实施例中,通知用户错误条件。在另一种实施例中,处理继续到步骤712,其中图像被增强,以显示出更多细节。增强步骤714可以包括减小对比度、增加分辨率或者其它图像增强技术。然后,处理在步骤704以增强的图像重新开始。
步骤716确定边缘线条的数目是否高于目标线条数目。在一些实施例中,附加的线条不是进一步处理的阻碍并且,在这种实施例中,步骤716可以被略去并且处理直接继续到步骤720。在其中检测到太多目标线条并且需要校正的实施例中,步骤718可以去增强图像以减少细节并且,优选地,产生更少线条。去增强步骤718可以包括增加对比度、减小分辨率或者其它图像去增强技术。然后,处理在步骤704以去增强的图像重新开始。
在某些实施例中,步骤718和714组合成图像更改或增强步骤。诸如增加或减小的图像属性值的参数被选择并应用,以便或者揭示更多细节或者抹去细节。用于图像更改的技术包括,但不限于,改变分辨率、对比度、亮度、反差系数、锐度,或者一个或多个颜色值。
步骤720给边缘的位置做标记。在本文预期了做标记的各种实施例。在一种实施例中,图像利用线条的添加来作标记,该线条诸如具有分析模块1208、显示或其它模块已知的颜色的线条,其与边缘的位置相关联。在另一种实施例中,图像利用边缘线条的位置以可被分析模块1208解码的格式进行编码。这种编码可以放在图像元数据中或者一个或多个像素中。在还有另一种实施例中,边缘的位置与图像相关联并且边缘位置发送到或以别的方式提供到分析模块1208。
流程图700可以被实现为检测带子上的多个肋条,由此步骤704确定多个肋条的边缘并且步骤708确定肋条边缘是否构成线条。肋条边缘的检测可以通过检测肋条的顶部、肋条之间的低谷、三角形或弯曲肋条的顶点或者肋条低谷或者划定肋条的其它视觉提示来检测。应当认识到,在不背离本文所述的发明的情况下,在流程图600和700中所说明的各个步骤可以被略去或重新排序。在对流程图700的修改的一种实施例中,步骤704识别候选边缘像素并且处理直接继续到步骤720,以便把候选边缘像素标记为边缘。
图8是由图像捕捉设备1204捕捉的第一带子图像800的实施例。图像部分900关于图9进一步描述。
图9示出了第一带子图像800的二进制图像部分900。二进制图像部分900示出了应用图像更改过程,诸如对比度增强,之后第一带子图像800的一部分。图像部分900示出了多个像素902。像素902被示为指示与二进制属性,诸如黑和白,关联的哪个值与像素902中的像素关联。其它值(例如,亮度、颜色阈值)也可以被使用,诸如当黑色像素904代表其红色值高于阈值的像素,而白色像素906代表其红色值低于阈值的像素。
作为该实施例的简化例子,二进制图像部分900具有图像的带子部分的黑色像素904,而像素906是图像的无关(例如,背景)部分。图像可以包括不代表期望图像的假象。在这里,白色像素906包括黑色像素假象910并且黑色像素904包括白色像素假象908。本文所提供的实施例允许从边缘检测处理中排除假象。
如关于图3所描述的,像素邻域的确定允许假象像素908和910被排除作为边缘候选像素之外。像素912具有一个属性(例如,白色)并且3x3像素邻域914包含全都具有共同属性并且因此可以被排除作为边缘候选像素之外的像素。像素920在像素邻域522的3x3网格中是独特的并且也可以被排除作为边缘候选之外。
具有五个连续的相邻黑色像素和三个连续的白色像素的像素916可以被认为是边缘候选。像素918被说明为具有四个相邻白色像素和四个相邻黑色像素,并且也可以被认为是边缘候选。说明其中像素被确定为是,或者不是,边缘像素候选的实施例的更复杂例子也被考虑。其中像素属性的阈值改变或者像素邻域的尺寸或配置被修改的一次或多次迭代也可以被用来确定边缘像素。一旦确定了边缘像素,就使它们的位置可用于进一步处理。
图10示出了边缘分界线1002的应用的实施例。在一种实施例中,图像部分1000被修改或者是图像部分900的修改拷贝。边缘像素1002已经被识别或增强(在图中用交叉影线表示)。增强可以通过具体颜色、亮度或其它可识别像素属性的应用来体现。边缘像素1002被增强,以方便图像部分1000中带子边缘被人或计算机用户的识别。在其它实施例中,边缘位置以可被分析模块1208使用的形式和位置记录。对边缘像素1002的增强可以应用到修改后的图像,诸如代表第一带子图像800或原始图像,诸如第一带子图像1600,的处理后的版本的二进制图像部分900。
图11示出了第一带子图像800的增强图像1100的实施例。增强的图像1100揭示了第一和第二边缘1106和1108以及对应于多个肋条的多个暗区域1100B和1104B和多个亮区域1100A和1104A。为了清晰,除1100和1104之外的附加肋条还没有被识别。在一种实施例中,暗区域1100B和1104B与白区域1100A和1104A的边界是肋条线并且被确定为图11框架中带子1100的角度的标记。在另一种实施例中,边缘1106和1108当中至少一个是带子1100与图11框架的角度的标记。标记由过程,诸如图7所说明的过程,来确定。
图12示出了第一带子图像1200的一部分,诸如图像1100的一段。肋条线1206和1208、边缘线1202和1204以及优选轴1212是根据本公开的实施例来说明的。边缘线1202和1204以及肋条线1206和1208是诸如通过执行流程图1300、600和/或700的步骤来确定的,这可以由成像系统1200执行。
如关于图6更详细讨论的,图像可以具有优选轴。优选轴可以对应于矩形成像阵列的最长轴,与由图像分析模块1208确定的图像的优选朝向关联的轴或者通过其可以获得优点的其它优选轴。肋条线1206和1208在边缘线1202和1204的内部。为了清晰,附加的肋条线在图中未示出。
在所说明的实施例中,优选轴1212与边缘线1202处于角度θ(theta)。由于出平面的成像线,诸如边缘线1202和1204与肋条线1206和1208可能不平行。在这种实施例中,θ可以是由优选轴1212与边缘线1204、肋条线1206和1208、附加肋条线(未示出)当中任何一个或多个构成的角度,或者是平均数、均值、众数、最佳适配或者可操作为从两个或更多个潜在指示符产生第一带子图像1200的部分的朝向指示的其它函数。
图13可以被排除或包括在分析当中,其中图13示出了根据本公开的实施例的处理后的带子图像1300。在一种实施例中,边缘线1202被选择作为确定线并且图像1300旋转到一个位置,使得由优选轴1212和边缘线1202构成的角度θ为零。如关于其它实施例所讨论的,交替的线或者多于一条线的数学运算可以被用来确定带子相对于优选轴1212的朝向并且,在处理之后,变得与优选轴1212平行。
在附加的实施例中,创建处理后的带子图像1300方便对处理后的带子图像1300的特征的测量。可能需要知道附加的因素来把图像上的距离(例如,按像素测量的在两个或更多个像素之间的距离)转换成与被测物体1202关联的距离(例如,带子的宽度,由于磨损或损坏的丢失部分)。该附加因素可以包括带子或带子特征的已知宽度或其它维度、利用离被测物体1202已知距离的成像设备1204发生的第一带子图像800的获取、图像捕捉设备1204的已知成像属性(例如,窄并且已知的焦平面),或者与被测物体1202离图像捕捉设备1204基本处于相同距离的不具有已知维度的物体的成像。利用已知带子维度的益处,带子分析模块1208可以利用这种信息来确定带子的状况或其它分析操作。
图14示出了根据本公开的实施例的带子图像1400和修剪缓冲区1412。在一种实施例中,带子1402位于带子图像1400中非零、非垂直的角度。缓冲区1404捕捉被带子1402的边缘限定到图像1400的框架边缘的带子1402的图像。操作条件和环境因素会阻止缓冲区1404捕捉带子1402的真实和完整边缘。因此,处理旋转的缓冲区1404会由于图像信息被略去而遭受更高的错误率。
在另一种实施例中,修剪缓冲区1412被带子利用具有带子1402的宽度的扩展缓冲区限定。修剪缓冲区1412延伸超出缓冲区1404的量可以根据带子1402的边缘可被准确捕捉的确定性程度而变。例如,环境因素(例如,照明、带子疤痕,等等)、图像属性(例如,对比度、带子旋转度,等等),和/或用户选择可以确定修剪缓冲区1412超出缓冲区1404的范围。在一种实施例中,修剪缓冲区1412大约比缓冲区1404大10%。
在一种实施例中,修剪缓冲区1412可以沿带子1402的长度比较短,使得修剪缓冲区1412可以保持在带子图像1400的框架内。
图15示出了根据本公开的实施例的过程流1500。在一种实施例中,过程流1500包括多个操作步骤1502、1504、1508、1510、1512和1514。在其它实施例中,更多、更少或者重新排序的多个步骤可以被实现,使得用户可以捕捉带子图像进行分析并且观看分析结果。
在一种实施例中,用户在启动屏幕步骤1502开始并且前进到操作选择步骤1504。操作选择步骤1504可以前进到保存结果步骤1506、帮助步骤1508和选择肋条步骤1510。然后,选择肋条步骤1510可以前进到图像捕捉步骤1512和结果步骤1514,在那里,向用户呈现带子图像的分析结果。用户可以能够返回前一处理步骤。
在一种实施例中,过程流1500是应用并且以启动屏幕步骤1502显示关于该应用的初始信息开始。操作选择步骤1504显示供选择的选项。一个选项是保存结果步骤1506,其中之前的图像捕捉(见步骤1512)和/或结果(见步骤1514)可以被检索,以供显示。帮助步骤1508向利用过程流1500操作应用的用户提供指令、教程、例子或其它帮助。
选择肋条步骤1510显示交互式呈现,在那里,要被分析的带子的肋条数由用户输入。然后,用户前进到图像捕捉步骤1512,在那里,之前的图像可以被选择或者图像可以经由内置相机或执行过程流1500的设备可访问的或者以别的方式可操作为捕捉主体带子的图像的相机来捕捉。
利用在图像捕捉步骤1512中捕捉的带子图像,带子可以根据本文所述的至少一些实施例被分析,并且在结果步骤1514中呈现。在另一种实施例中,一旦图像被选择或获取,图像捕捉步骤1512就可以在呈现结果步骤1514之前显示分析的进度。
图16A-16C示出了根据本公开实施例的、呈现给用户的过程流1600。在一种实施例中,过程流1600是执行过程流1500并且根据过程流1500的步骤呈现显示的单个设备的视觉呈现。设备可以是蜂窝电话应用、个人数字助理(PDA)、平板电脑、膝上型电脑、具有附连的相机的台式电脑,或者可操作为执行过程流1500的步骤的其它设备。
在一种实施例中,显示1602根据步骤1502呈现给用户,显示1604根据步骤1504呈现给用户,显示1606根据步骤1506呈现给用户,显示1608根据步骤1508呈现给用户,显示1610根据步骤1510呈现给用户,并且显示1612根据步骤1512呈现给用户。在另一种实施例中,其中一个显示1614根据步骤1514呈现给用户。显示1612可以包括捕捉的图像、实时(live)图像,并且接收捕捉实时图像的用户输入(例如,通过触摸图像1616),或者检索图像的选项。显示1612还可以包括关于图像分析进展的进度条1618、文字和/或其它指示符。
在一种实施例中,分析可以确定带子处于三种状况之一(例如,良好、普通、坏;1、2、3;等等)并且相应地选择显示1614A、1614B和1614C之一供显示给用户。在第一个进一步的实施例中,当分析指示主体带子处于良好状态时,显示1614A根据步骤1514呈现给用户,并且还可以指示带子可以维持服务。在第二个进一步的实施例中,当分析指示主体带子处于普通状态时,显示1614B根据步骤1514呈现给用户,并且还可以指示带子接近其服务寿命的结束。在第三个进一步的实施例中,当分析指示主体带子处于差状态时,显示1614C根据步骤1514呈现给用户,并且还可以指示带子需要更换。
在描述中给出了具体的细节,以提供对实施例的透彻理解。但是,本领域普通技术人员将理解,实施例没有这些具体细节也可以实践。例如,电路可以在框图中示出,以便不以不必要的细节模糊实施例。在其它情况下,众所周知的电路、过程、算法、结构和技术可以示为没有不必要的细节,以避免模糊实施例。
而且,应当指出,实施例被描述为过程,过程被绘制为流程图、流图、数据流图、结构图或者框图。虽然流程图可以把操作描述为顺序过程,但是许多操作可以并行或同时执行。此外,操作的次序可以重新排列。当其操作完成时,过程终止,但是可以具有未包括在图中的附加步骤。过程可以对应于方法、函数、过程、子例程、子程序,等等。当过程对应于函数时,其终止对应于函数返回到调用函数或者主函数。
此外,实施例可以由硬件、软件、固件、中间件、微代码、硬件描述语言或者其任意组合来实现。当以软件、固件、中间件或微代码实现时,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。(一个或多个)处理器可以执行必要的任务。代码段可以表示过程、函数、子程序、程序、例程、子例程、模块、软件包、类,或者指令、数据结构或程序语句的任意组合。通过传递和/或接收信息、数据、自变量、参数或存储器内容,代码段可被耦合到另一代码段或硬件电路。信息、自变量、参数、数据等可以经由任何合适的手段,包括存储器共享、消息传递、令牌传递、网络传输等,被传递、转发或发送。
虽然本公开的说明性实施例已经在本文详细地进行了描述,但是应当理解,发明性概念可以以别的方式不同地被体现和采用,并且,除非被现有技术限制,否则所附权利要求是要被认为包括此类变化。
Claims (22)
1.一种处理要被分析的被测设备的图像的方法,所述方法包括:
获取被测设备的图像,所述图像具有带优选轴的框架并且包括多个像素;
识别所述被测设备相对于所述优选轴的角度的标记;
确定所述优选轴与所述标记之间的角度;
把所述图像旋转所述角度的负值;及
保存旋转后的图像或者在不旋转所述图像的情况下对识别出的带子执行分析。
2.如权利要求1所述的方法,其中识别标记还包括:
确定所述多个像素中的哪些像素是多个边缘像素;
确定所述多个边缘像素的多个集合中的哪些集合构成多个标记候选区域;及
从所述多个标记候选区域中的至少一个确定所述标记。
3.如权利要求2所述的方法,其中从所述多个标记候选线条中的至少一个确定所述标记还包括:选择多个标记候选线条中的至少两个,还包括:从所述多个标记候选区域的平均数、均值和众数当中的至少一个确定所述标记。
4.如权利要求2所述的方法,其中从所述多个标记候选区域中的至少一个确定所述标记还包括:从所述多个标记候选区域中确定指示至少一个被测设备边缘的标记。
5.如权利要求2所述的方法,还包括:
在确定以下中的至少一个后:
所确定的多个边缘像素的数量在可接受范围之外,及
所确定的多个标记候选线条的数量在可接受范围之外;
更改所述图像;及
确定更改后的图像的多个像素中的哪些像素是多个边缘像素。
6.如权利要求5所述的方法,其中更改所述图像包括:通过改变分辨率、对比度、亮度、至少一个颜色值、反差系数或锐度当中的至少一个来更改所述图像。
7.如权利要求2所述的方法,其中确定所述多个像素中的哪些像素是多个边缘像素还包括:对所述多个像素执行像素邻域分析以识别所述多个像素。
8.如权利要求1所述的方法,还包括在设备上显示所述图像。
9.如权利要求1所述的方法,还包括应用第二分辨率,以基本上取消所应用的第一分辨率的效果。
10.一种基于图像的评估系统,包括:
图像处理器,能操作为从被测设备的所捕捉图像创建更优的图像;
分析模块,可操作为评估所述更优的图像;及
存储介质,可操作为存储所述更优的图像。
11.如权利要求10所述的系统,还包括可操作为捕捉所述图像的图像捕捉设备。
12.如权利要求10所述的系统,还包括可操作为从人类用户接收到所述系统的输入命令并提供的用户接口。
13.如权利要求10所述的系统,其中所述图像处理器还包括:
图像旋转检测处理器,可操作为确定被测物体与所捕捉图像的框架的角度;及
图像旋转处理器,可操作为把所捕捉图像旋转所述被测物体的所确定角度的负值。
14.如权利要求10所述的系统,还包括可操作为增强所述所捕捉图像的图像增强处理器。
15.如权利要求14所述的系统,其中所述图像旋转检测处理器还包括位置检测处理器的标记。
16.如权利要求10所述的系统,还包括可操作为从所述所捕捉图像分析所述被测物体的图像分析模块。
17.一种存储程序的非临时性计算机可读介质,当被执行时,所述程序使计算设备执行过程,所述过程包括:
获取被测设备的图像;
识别所述被测设备相对于优选轴的角度的标记;
确定所述优选轴与所述标记之间的角度;
把所述图像旋转所述角度的负值;及
保存旋转后的图像。
18.如权利要求17所述的非临时性计算机可读介质,其中识别标记还包括:
识别指示多个边缘像素的像素邻域;
从所述多个边缘像素的多个集合识别多个候选线条;及
从多个标记候选线条当中的至少一个识别所述标记。
19.如权利要求17所述的非临时性计算机可读介质,其中识别标记还包括识别所述被测设备的第一和第二边缘。
20.如权利要求19所述的非临时性计算机可读介质,还包括修剪旋转后的图像,以基本上排除不在所述第一和第二边缘之间的图像部分。
21.如权利要求19所述的非临时性计算机可读介质,还包括修剪旋转后的图像,以包括超出所述第一和第二边缘的修剪缓冲区。
22.如权利要求21所述的非临时性计算机可读介质,其中所述修剪缓冲区基本上比修剪后的旋转图像大百分之十。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361776600P | 2013-03-11 | 2013-03-11 | |
US61/776,600 | 2013-03-11 | ||
US14/055,156 US9098914B2 (en) | 2013-03-11 | 2013-10-16 | Enhanced analysis for image-based serpentine belt wear evaluation |
US14/055,156 | 2013-10-16 | ||
PCT/US2014/018560 WO2014163884A1 (en) | 2013-03-11 | 2014-02-26 | Enhanced analysis for image-based serpentine belt wear evaluation |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105229665A true CN105229665A (zh) | 2016-01-06 |
CN105229665B CN105229665B (zh) | 2019-12-06 |
Family
ID=51487878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480013458.9A Expired - Fee Related CN105229665B (zh) | 2013-03-11 | 2014-02-26 | 对基于图像的蛇形带子磨损评估的增强分析 |
Country Status (11)
Country | Link |
---|---|
US (1) | US9098914B2 (zh) |
EP (1) | EP2973223B1 (zh) |
JP (1) | JP6097879B2 (zh) |
KR (1) | KR101726532B1 (zh) |
CN (1) | CN105229665B (zh) |
AU (1) | AU2014249942B2 (zh) |
BR (1) | BR112015021542A2 (zh) |
CA (1) | CA2901779C (zh) |
MX (1) | MX359647B (zh) |
RU (1) | RU2636681C2 (zh) |
WO (1) | WO2014163884A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107305158A (zh) * | 2016-04-22 | 2017-10-31 | 罗伯特·博世有限公司 | 用于确定皮带传动器中的皮带磨损的方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10248846B2 (en) * | 2014-07-24 | 2019-04-02 | Sony Interactive Entertainment Inc. | Information processing device |
US9915338B2 (en) | 2015-09-14 | 2018-03-13 | Deere & Company | Belt wear indication |
CA3037570A1 (en) * | 2016-09-27 | 2018-04-05 | Walmart Apollo, Llc | Systems and methods for tracking wear or usage of commercial products |
US11461886B2 (en) * | 2019-07-10 | 2022-10-04 | Syncrude Canada Ltd. | Monitoring wear of double roll crusher teeth by digital video processing |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6298157B1 (en) * | 1998-02-27 | 2001-10-02 | Adobe Systems Incorporated | Locating and aligning embedded images |
US20070145308A1 (en) * | 2005-11-22 | 2007-06-28 | Jean-Claude Kemp | Apparatus For Identifying The Condition Of A Conveyor Belt |
CN102592123A (zh) * | 2010-05-21 | 2012-07-18 | 手持产品公司 | 用于在图像信号中捕获文档的交互式用户接口 |
US20130058560A1 (en) * | 2011-09-06 | 2013-03-07 | Flloyd M. Sobczak | Measurement of belt wear through edge detection of a raster image |
Family Cites Families (35)
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 |
IL99823A0 (en) | 1990-11-16 | 1992-08-18 | Orbot Instr Ltd | Optical inspection method and apparatus |
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 |
US6301373B1 (en) | 1998-10-01 | 2001-10-09 | Mcgill University | Paper quality determination and control using scale of formation data |
US6944324B2 (en) * | 2000-01-24 | 2005-09-13 | Robotic Vision Systems, Inc. | Machine vision-based singulation verification system and method |
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 |
JP4454189B2 (ja) | 2001-07-18 | 2010-04-21 | 株式会社コルグ | 一端子エフェクタ |
TW518645B (en) | 2001-09-24 | 2003-01-21 | Powerchip Semiconductor Corp | Method and system of automatic wafer manufacture quality control |
JP3882891B2 (ja) * | 2001-11-05 | 2007-02-21 | 日本電気株式会社 | 電子部品検査装置、その方法およびプログラム |
WO2003059789A2 (en) | 2002-01-14 | 2003-07-24 | 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 |
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 |
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 |
JP3993107B2 (ja) * | 2003-01-08 | 2007-10-17 | 松下電器産業株式会社 | 部品認識データ作成方法及び作成装置、並びに部品認識データ作成プログラム |
US7146034B2 (en) | 2003-12-09 | 2006-12-05 | Superpower, Inc. | Tape manufacturing system |
IL162878A0 (en) * | 2004-07-06 | 2005-11-20 | Hi Tech Solutions Ltd | Multi-level neural network based characters identification method and system |
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 |
DE102004061367A1 (de) * | 2004-12-21 | 2006-07-06 | Phoenix Ag | Einrichtung zur zerstörungsfreien Inspektion eines Fördergurtes |
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 |
WO2008107892A1 (en) * | 2007-03-06 | 2008-09-12 | Advanced Vision Technology (Avt) Ltd. | System and method for detecting the contour of an object on a moving conveyor belt |
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 |
JP5258306B2 (ja) | 2008-01-16 | 2013-08-07 | 株式会社ブリヂストン | ベルトモニタリングシステム |
JP2010025705A (ja) * | 2008-07-17 | 2010-02-04 | Ricoh Co Ltd | 表面欠陥検査装置 |
US8422788B2 (en) * | 2008-08-26 | 2013-04-16 | Microsoft Corporation | Automatic image straightening |
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 |
US7946047B2 (en) | 2009-09-25 | 2011-05-24 | The Gates Corporation | Belt rib wear gauge |
US20110081087A1 (en) | 2009-10-02 | 2011-04-07 | Moore Darnell J | Fast Hysteresis Thresholding in Canny Edge Detection |
JP5616100B2 (ja) * | 2010-04-02 | 2014-10-29 | 株式会社ブリヂストン | 長尺物品の製造方法 |
US20120084220A1 (en) | 2010-10-01 | 2012-04-05 | Intertek Consumer Goods Na | Product certification system and method |
-
2013
- 2013-10-16 US US14/055,156 patent/US9098914B2/en not_active Expired - Fee Related
-
2014
- 2014-02-26 JP JP2016500405A patent/JP6097879B2/ja not_active Expired - Fee Related
- 2014-02-26 WO PCT/US2014/018560 patent/WO2014163884A1/en active Application Filing
- 2014-02-26 MX MX2015012035A patent/MX359647B/es active IP Right Grant
- 2014-02-26 BR BR112015021542A patent/BR112015021542A2/pt not_active Application Discontinuation
- 2014-02-26 CN CN201480013458.9A patent/CN105229665B/zh not_active Expired - Fee Related
- 2014-02-26 EP EP14780136.9A patent/EP2973223B1/en active Active
- 2014-02-26 CA CA2901779A patent/CA2901779C/en active Active
- 2014-02-26 RU RU2015143239A patent/RU2636681C2/ru not_active IP Right Cessation
- 2014-02-26 AU AU2014249942A patent/AU2014249942B2/en not_active Ceased
- 2014-02-26 KR KR1020157028328A patent/KR101726532B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6298157B1 (en) * | 1998-02-27 | 2001-10-02 | Adobe Systems Incorporated | Locating and aligning embedded images |
US20070145308A1 (en) * | 2005-11-22 | 2007-06-28 | Jean-Claude Kemp | Apparatus For Identifying The Condition Of A Conveyor Belt |
CN102592123A (zh) * | 2010-05-21 | 2012-07-18 | 手持产品公司 | 用于在图像信号中捕获文档的交互式用户接口 |
US20130058560A1 (en) * | 2011-09-06 | 2013-03-07 | Flloyd M. Sobczak | Measurement of belt wear through edge detection of a raster image |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107305158A (zh) * | 2016-04-22 | 2017-10-31 | 罗伯特·博世有限公司 | 用于确定皮带传动器中的皮带磨损的方法 |
Also Published As
Publication number | Publication date |
---|---|
EP2973223A4 (en) | 2016-10-26 |
AU2014249942B2 (en) | 2016-06-23 |
KR20150126939A (ko) | 2015-11-13 |
CN105229665B (zh) | 2019-12-06 |
CA2901779A1 (en) | 2014-10-09 |
JP2016517071A (ja) | 2016-06-09 |
MX359647B (es) | 2018-10-04 |
RU2636681C2 (ru) | 2017-11-27 |
EP2973223A1 (en) | 2016-01-20 |
MX2015012035A (es) | 2016-08-03 |
RU2015143239A (ru) | 2017-04-17 |
CA2901779C (en) | 2018-03-27 |
AU2014249942A1 (en) | 2015-09-10 |
JP6097879B2 (ja) | 2017-03-15 |
WO2014163884A1 (en) | 2014-10-09 |
KR101726532B1 (ko) | 2017-04-12 |
US20140254862A1 (en) | 2014-09-11 |
EP2973223B1 (en) | 2020-04-08 |
BR112015021542A2 (pt) | 2017-07-18 |
US9098914B2 (en) | 2015-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
CN111612781A (zh) | 一种屏幕缺陷检测方法、装置及头戴显示设备 | |
CN105229665A (zh) | 对基于图像的蛇形带子磨损评估的增强分析 | |
US9305239B2 (en) | Detecting and processing small text in digital media | |
CN111259891B (zh) | 一种自然场景下身份证识别方法、装置、设备和介质 | |
CN113781396B (zh) | 屏幕缺陷检测方法、装置、设备和存储介质 | |
US20110052091A1 (en) | Directional Noise Filtering | |
JP4242796B2 (ja) | 画像認識方法及び画像認識装置 | |
CN108107611B (zh) | 一种自适应缺陷检测方法、装置及电子设备 | |
CN116503414A (zh) | 屏幕缺陷检测方法、装置、计算机设备和存储介质 | |
CN116596928B (zh) | 基于图像特征的花生油杂质快速检测方法 | |
US20130343599A1 (en) | Detection method of invisible mark on playing card | |
KR102355997B1 (ko) | 스마트글래스 기반의 콘크리트 구조물 건전도 모니터링 방법 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
JP2021064215A (ja) | 表面性状検査装置及び表面性状検査方法 | |
CN111179226A (zh) | 视野图的识别方法、装置及计算机存储介质 | |
JP6185539B2 (ja) | 光コネクタのフェルール端面検査装置および検査用のプログラム | |
Silva et al. | Automated bright pixel detection system on lcd displays | |
CN117152103B (zh) | 显示屏点缺陷、线缺陷和Mura缺陷判断方法、系统及装置 | |
KR101155992B1 (ko) | 모바일폰을 이용한 카드의 비가시성 마크 검출 방법 | |
CN117218125B (zh) | 显示屏缺陷的检测方法、设备、存储介质、装置及系统 | |
JP7327866B1 (ja) | 学習モデル生成方法 | |
US20230164306A1 (en) | Testing device and testing method for detecting stitching defect of panoramic camera |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191206 |
|
CF01 | Termination of patent right due to non-payment of annual fee |