CN106530270B - 一种基于透视变换矩阵的电能表挂载位置偏差检测方法 - Google Patents
一种基于透视变换矩阵的电能表挂载位置偏差检测方法 Download PDFInfo
- Publication number
- CN106530270B CN106530270B CN201610807637.0A CN201610807637A CN106530270B CN 106530270 B CN106530270 B CN 106530270B CN 201610807637 A CN201610807637 A CN 201610807637A CN 106530270 B CN106530270 B CN 106530270B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- image
- transformation matrix
- perspective transformation
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 35
- 230000009466 transformation Effects 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002788 crimping Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明基于透视变换矩阵的电能表挂载位置偏差检测方法,包括控制机器人沿导轨移动到指定位置;调整机器人到指定姿态,采集电能表挂载位置正确、向左偏、向右偏和向下偏的图像;从电能表处于挂载标准位置采集图像中截取电能表图像作为模板图像;将采集的所有图像逐幅和模板图像特征匹配,获取每幅图像和模板图像的透视变换矩阵;创建PNN神经网络,将透视变换矩阵的九个元素作为输入进行有监督学习,获取PNN神经网络的权值和阈值;控制机器人沿导轨移动到指定位置,调整机器人姿态和上述姿态相同,采集待检测电能表图像和模板图像特征匹配,获取透视变换矩阵,将透视变换矩阵的九个元素作为PNN神经网络输入,将输出作为电能表挂载位置正确与否的判据。
Description
技术领域:
本发明设计一种基于透视变换矩阵的电能表挂载位置偏差检测技术,属于自动化控制领域。
背景技术:
为满足电能表检定的规模化、自动化需求,现有的检定系统已经能够实现用机器人对电能表的自动化挂载,但在挂载后检测电能表的位置是否正确,以避免在压接过程中损坏挂载位置不正确的电能表成为电能表自动化检定过程中的一个关键问题。
现有的电能表挂载位置偏差检测主要是通过力传感器、光电传感器等类型的传感器配合相应的检测电路来实现,如专利号201410833016.0,名称为“适用于检测电能表是否放置到位的检测装置”公开了一种检测装置,通过力传感器和检测电路的配合实现电能表位置的检测,这种检测方式需要在每个挂表工位都布置一定数量的传感器和电路,若生产规模较大,则需要花费很多经费配置很多套装置,且不便于维护。也有部分是采用基于视觉传感的检测方法,如专利号为201410639825.8,名称为“电能计量器具智能挂载系统及其挂在检测方法”公开了一种检测方法,是通过识别挂表工位上的挂载状态指示灯进行检测,这种检测方式需要在每一个挂表工位上安装挂载状态指示灯和布置使指示灯能反映挂载状态的电路,相应地增加了成本和维护难度。
发明内容:
针对上述技术中的不足,提供一种基于透视变换矩阵的电能表挂载位置偏差检测方法,能够满足电能表挂载后位置正确与否的检测。
本发明采用如下技术方案:一种基于透视变换矩阵的电能表挂载位置偏差检测方法,包括如下步骤:
(1)控制机器人沿导轨移动到指定位置,所述机器人上安装CCD摄像机,调整机器人到指定姿态;
(2)使用所述CCD摄像机分别采集一定数量的挂载后的电能表图像作为源图像,包括挂载位置正确、向左偏、向右偏和向下偏的;
(3)根据所述CCD摄像机的畸变参数对采集到的所有源图像进行畸变校正;
(4)从畸变校正后的图像中选取一幅电能表位置挂载标准的并截取图像中的电能表部分作为模板图像;
(5)获取每幅图像和所述模板图像的透视变换矩阵H;
(6)创建PNN神经网络,将所述透视变换矩阵H的九个元素作为输入进行有监督学习,获得PNN神经网络的权值和阈值;
(7)控制机器人沿导轨移动到上述指定位置,调整机器人的姿态和上述姿态相同,采集待检测电能表图像并和所述模板图像进行特征匹配,获取透视变换矩阵,并将透视变换矩阵的九个元素作为上述PNN神经网络的输入,根据输出判断图像中电能表挂载位置正确与否。
进一步地,所述步骤(1)中采集一定数量的挂载后电能表的图像时CCD摄像机的位置固定,且主光轴始终和检定台面垂直。
进一步地,所述步骤(4)中所截取的图像区域只能包含属于电能表的像素,不能有属于检定台的像素。
进一步地,所述步骤(5)具体包括:
步骤1:运用ORB算法对畸变校正后的所有图像和模板图像进行特征点提取;
步骤2:运用暴力匹配法依次将所有图像的特征点和模板图像的特征点进行匹配;
步骤3:根据特征点之间的距离剔除不正确的匹配;
步骤4:根据正确的匹配点对识别出电能表并计算每幅图像和模板图像的透视变换矩阵H;
进一步地,所述步骤(6)中PNN神经网络由输入层、一个隐含层和输出层构成,其中,输入层有九个神经元,对应于透视变换矩阵H的九个元素,输出层有一个神经元,若图像中的电能表挂载位置正确标记输出为1,若图像中的电能表挂载位置向左偏标记输出为2,若图像中的电能表挂载位置向右偏标记输出为3,若图像中的电能表挂载位置向下偏标记输出为4。
进一步地,所述步骤(7)中PNN神经网络若输出为1表示图像中的电能表挂载位置正确,若输出为2表示图像中的电能表挂载位置向左偏,若输出为3表示图像中的电能表挂载位置向右偏,若输出为4表示图像中的电能表挂载位置向下偏。
本发明具有如下有益效果:本发明为基于透视变换矩阵的电能表挂载位置偏差检测,能够满足对电能表挂载后位置的检测,运用方便,效率高,自动化程度高,且系统便于维护。
附图说明:
图1是电能表检定台示意图。
图2是电能表挂载状态类型示意图。
图3是H矩阵获取和PNN创建流程图。
图4是电能表位置偏差检测流程图。
具体实施方式:
为使本发明的目的、技术方案和有益效果更加清楚,下面结合具体实施例,并参照附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
本发明基于透视变换矩阵的电能表挂载位置偏差检测方法,包括如下步骤:
(1)控制机器人沿导轨移动到指定位置,所述机器人上安装CCD摄像机,调整机器人到指定姿态,使所述CCD摄像机的主光轴和检定台面垂直;
(2)调整电能表的位姿,用所述CCD摄像机采集处于正确、向左偏、向右偏、向下偏位置的各幅电能表图像,并尽可能使每次采集时电能表的位置都不一样;
(3)根据预先标定好的所述CCD摄像机的内参对所采集的所有图像进行畸变校正;
(4)从所采集的电能表处于正确位置的图像中选取一幅,截取其上的电能表部分作为模板图像,模板上的所有像素必须属于电能表,但不必包含电能表的所有像素;
(5)根据模板图像识别所采集所有图像中的电能表,并获取每幅图像和模板图像的透视变换矩阵H;
(6)创建PNN神经网络,将所述透视变换矩阵H的九个元素作为输入进行有监督学习,获得PNN神经网络的权值和阈值;
(7)控制机器人沿导轨移动到上述指定位置,调整机器人的姿态和上述姿态相同,采集待检测电能表图像并和所述模板图像进行特征匹配,获取透视变换矩阵,并将透视变换矩阵的九个元素作为上述PNN神经网络的输入,根据输出判断图像中电能表挂载位置正确与否。
所述步骤(5)具体分为:
步骤1:运用ORB算法对畸变校正后的所有图像和模板图像进行特征点提取;
步骤2:运用暴力匹配法依次将所有图像的特征点和模板图像的特征点进行匹配;
步骤3:设定阈值T,若匹配的两个特征点之间的距离小于T,则剔除该匹配;
步骤4:根据正确的匹配点对识别出电能表并计算每幅图像和模板图像的透视变换矩阵H;
所述步骤(6)中PNN神经网络由输入层、一个隐含层和输出层构成,其中,输入层有九个神经元,对应透视变换矩阵H的每个元素,输出层有一个神经元,若图像中的电能表挂载位置正确标记输出为1,若图像中的电能表挂载位置向左偏标记输出为2,若图像中的电能表挂载位置向右偏标记输出为3,若图像中的电能表挂载位置向下偏标记输出为4。
所述步骤(7)中PNN神经网络若输出为1表示图像中的电能表挂载位置正确,若输出为2表示图像中的电能表挂载位置向左偏,若输出为3表示图像中的电能表挂载位置向右偏,若输出为4表示图像中的电能表挂载位置向下偏。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (6)
1.一种基于透视变换矩阵的电能表挂载位置偏差检测方法,其特征在于:包括如下步骤:
(1)控制机器人沿导轨移动到指定位置,所述机器人上安装CCD摄像机,调整机器人到指定姿态;
(2)使用所述CCD摄像机分别采集一定数量的挂载后的电能表图像作为源图像,包括挂载位置正确、向左偏、向右偏和向下偏的;
(3)根据所述CCD摄像机的畸变参数对采集到的所有源图像进行畸变校正;
(4)从畸变校正后的图像中选取一幅电能表位置挂载标准的并截取图像中的电能表部分作为模板图像;
(5)获取每幅图像和所述模板图像的透视变换矩阵H;
(6)创建PNN神经网络,将所述透视变换矩阵H的九个元素作为输入进行有监督学习,获得PNN神经网络的权值和阈值;
(7)控制机器人沿导轨移动到上述指定位置,调整机器人的姿态和上述姿态相同,采集待检测电能表图像并和所述模板图像进行特征匹配,获取透视变换矩阵,并将透视变换矩阵的九个元素作为上述PNN神经网络的输入,根据输出判断图像中电能表挂载位置正确与否。
2.根据权利要求1所述的基于透视变换矩阵的电能表挂载位置偏差检测方法,其特征在于:所述步骤(1)中采集一定数量的挂载后电能表的图像时CCD摄像机的位置固定,且主光轴始终和检定台面垂直。
3.根据权利要求1所述的基于透视变换矩阵的电能表挂载位置偏差检测方法,其特征在于:所述步骤(4)中所截取的图像区域只能包含属于电能表的像素。
4.根据权利要求1所述的基于透视变换矩阵的电能表挂载位置偏差检测方法,其特征在于:所述步骤(5)具体包括:
步骤1:运用ORB算法对畸变校正后的所有图像和模板图像进行特征点提取;
步骤2:运用暴力匹配法依次将所有图像的特征点和模板图像的特征点进行匹配;
步骤3:根据特征点之间的距离剔除不正确的匹配;
步骤4:根据正确的匹配点对识别出电能表并计算每幅图像和模板图像的透视变换矩阵H。
5.根据权利要求1所述的基于透视变换矩阵的电能表挂载位置偏差检测方法,其特征在于:所述步骤(6)中PNN神经网络由输入层、一个隐含层和输出层构成,其中,输入层有九个神经元,对应于透视变换矩阵H的九个元素,输出层有一个神经元,若图像中的电能表挂载位置正确标记输出为1,若图像中的电能表挂载位置向左偏标记输出为2,若图像中的电能表挂载位置向右偏标记输出为3,若图像中的电能表挂载位置向下偏标记输出为4。
6.根据权利要求1所述的基于透视变换矩阵的电能表挂载位置偏差检测方法,其特征在于:所述步骤(7)中PNN神经网络若输出为1表示图像中的电能表挂载位置正确,若输出为2表示图像中的电能表挂载位置向左偏,若输出为3表示图像中的电能表挂载位置向右偏,若输出为4表示图像中的电能表挂载位置向下偏。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610807637.0A CN106530270B (zh) | 2016-09-07 | 2016-09-07 | 一种基于透视变换矩阵的电能表挂载位置偏差检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610807637.0A CN106530270B (zh) | 2016-09-07 | 2016-09-07 | 一种基于透视变换矩阵的电能表挂载位置偏差检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106530270A CN106530270A (zh) | 2017-03-22 |
CN106530270B true CN106530270B (zh) | 2019-05-14 |
Family
ID=58343641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610807637.0A Active CN106530270B (zh) | 2016-09-07 | 2016-09-07 | 一种基于透视变换矩阵的电能表挂载位置偏差检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530270B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491842A (zh) * | 2018-03-27 | 2018-09-04 | 康体佳智能科技(深圳)有限公司 | 一种基于神经网络的表盘识别系统及识别方法 |
CN109801234B (zh) * | 2018-12-28 | 2023-09-22 | 南京美乐威电子科技有限公司 | 图像几何校正方法及装置 |
CN110427982B (zh) * | 2019-07-12 | 2021-09-07 | 北京航天光华电子技术有限公司 | 一种基于图像处理的自动布线机路线校正方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0980002A1 (en) * | 1998-07-13 | 2000-02-16 | Powercom Control Systems Ltd. | A device for detecting and reporting theft of electric power |
CN102788966A (zh) * | 2012-08-20 | 2012-11-21 | 重庆市电力公司电力科学研究院 | 电能表检定机器人的控制系统及控制方法 |
CN204177844U (zh) * | 2014-11-13 | 2015-02-25 | 国家电网公司 | 电能计量器具智能挂载系统 |
CN104459260A (zh) * | 2014-11-13 | 2015-03-25 | 国家电网公司 | 电能计量器具智能挂载系统及其挂载检测方法 |
-
2016
- 2016-09-07 CN CN201610807637.0A patent/CN106530270B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0980002A1 (en) * | 1998-07-13 | 2000-02-16 | Powercom Control Systems Ltd. | A device for detecting and reporting theft of electric power |
CN102788966A (zh) * | 2012-08-20 | 2012-11-21 | 重庆市电力公司电力科学研究院 | 电能表检定机器人的控制系统及控制方法 |
CN204177844U (zh) * | 2014-11-13 | 2015-02-25 | 国家电网公司 | 电能计量器具智能挂载系统 |
CN104459260A (zh) * | 2014-11-13 | 2015-03-25 | 国家电网公司 | 电能计量器具智能挂载系统及其挂载检测方法 |
Non-Patent Citations (1)
Title |
---|
一种大规模智能电能表全自动检定系统设计;黄奇峰;《江苏电机工程》;20130331;第32卷(第2期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106530270A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530270B (zh) | 一种基于透视变换矩阵的电能表挂载位置偏差检测方法 | |
CN102673106B (zh) | 一种用于光伏太阳能硅片的丝网印刷定位设备及定位方法 | |
CN103051872B (zh) | 基于图像边缘提取的输送带跑偏检测方法 | |
CN110263686A (zh) | 一种基于深度学习的施工工地图像安全帽检测方法 | |
CN106125744A (zh) | 基于视觉伺服的变电站巡检机器人云台控制方法 | |
CN111260788B (zh) | 一种基于双目视觉的配电柜开关状态识别方法 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN102177524A (zh) | 使用先进图像识别的基于图像的库存控制系统 | |
EP2798840A2 (en) | Visual command processing | |
WO2016078455A1 (zh) | 纸币褶皱的识别装置和方法 | |
CN106649598A (zh) | 一种输电线路覆冰厚度的检测方法 | |
CN104056790A (zh) | 一种马铃薯智能分选方法与装置 | |
CN107084992A (zh) | 一种基于机器视觉的胶囊检测方法及系统 | |
CN111751002A (zh) | 一种基于红外热成像的带电设备故障智能诊断方法 | |
CN104103069B (zh) | 图像处理装置、图像处理方法及记录介质 | |
CN106604001A (zh) | 图像处理方法、图像处理装置、成像装置及电子装置 | |
CN105139384B (zh) | 缺陷胶囊检测的方法和装置 | |
CN106920240A (zh) | 一种基于红外图像的绝缘子识别和故障诊断方法 | |
CN112434598A (zh) | 一种非接触式体温测量方法和系统 | |
CN111131723A (zh) | 一种瓷砖图像采集方法及系统 | |
CN107333123A (zh) | 对焦检测系统及对焦检测方法 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
US11600112B2 (en) | Bio-security system based on multi-spectral sensing | |
CN110320523A (zh) | 跟随机器人的目标定位装置及方法 | |
CN113706496A (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |