CN107749055A - 一种led交通诱导屏的故障检测方法、系统及装置 - Google Patents
一种led交通诱导屏的故障检测方法、系统及装置 Download PDFInfo
- Publication number
- CN107749055A CN107749055A CN201710853472.5A CN201710853472A CN107749055A CN 107749055 A CN107749055 A CN 107749055A CN 201710853472 A CN201710853472 A CN 201710853472A CN 107749055 A CN107749055 A CN 107749055A
- Authority
- CN
- China
- Prior art keywords
- image
- screen
- detected
- pixel
- generation
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000011410 subtraction method Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000007689 inspection Methods 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims description 33
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 6
- 239000000463 material Substances 0.000 abstract description 6
- 239000002131 composite material Substances 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 241001420287 Strobilanthes maculata Species 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种LED交通诱导屏的故障检测方法、系统及装置，方法包括根据标准的交通诱导屏图像，生成模板图像；根据待检测的交通诱导屏图像，生成待检测图像；根据生成的模板图像，采用图像相减法对待检测图像进行坏区检测；根据生成的模板图像，对待检测图像进行花屏检测；系统包括第一生成模块、第二生成模块、坏区检测模块以及花屏检测模块；装置包括存储器和处理器。本发明采用图像相减法对待检测图像进行坏区检测，大大减少了计算量，提高了工作效率；另外，本发明新增了花屏检测功能，克服了传统人工巡检方式需要花费大量人力物力的缺点，效率更高且降低了维修成本。本发明可广泛应用于数字图像处理领域。
Description
技术领域
本发明涉及数字图像处理领域，尤其是一种LED交通诱导屏的故障检测方法、系统及装置。
背景技术
名词解释：
机器视觉：是指利用计算机来模拟人的视觉功能，但它并不仅仅是人眼的简单延伸，更重要的是具有人脑的一部分功能，即从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。机器视觉系统通过摄像机把图像抓取到，然后将该图像传送至处理单元，通过数字化处理，根据像素分布和亮度、颜色等信息，来进行尺寸、形状、颜色等的判别。具体地，一个完整的机器视觉系统的处理流程如图3所示。
LED交通诱导屏：是指由LED发光二级管制作而成，起到交通诱导作用的显示屏，它一般被应用到高速公路和城市道路等车流量较高的道路。LED交通诱导屏由显示屏、驱动系统、控制系统、通讯设备、电源系统、门架以及箱体等组成。LED交通诱导屏含图形诱导标志，是由普通道路标志和可变信息标志相结合组成的多功能信息显示屏。
LED交通诱导屏以呈现道路整体路线轮廓的图形方式向驾驶员提供前方的道路走向，具有指路牌的作用。如图1所示，在静态图形的路段标识区域镶嵌LED可变光带，通过LED的不同颜色发光，形象标识这些路段处于畅通(绿色，绿色灯组发光)、堵塞(红色，红色灯组发光)或拥挤(橙色，绿色+红色灯组发光)状态的实时路况，供驾驶员判断和选择适当的行驶路线，起到交通诱导的作用。如图2所示，还有一种全屏LED交通诱导屏，可以在上面发布道路信息或者警示标语。
由于LED交通诱导屏完全在室外条件下工作，环境情况复杂，在温度、供电、防雨、防潮、防腐蚀、防雷击等方面的要求复杂，因此，LED交通诱导屏经常出现故障。目前，检测LED交通诱导屏故障的方法有：①自检功能，能够实时检测显示屏像素管的坏点，并将错误侦测数据处理转换成显示屏上坏点的物理坐标，使客户和维护人员在显示屏的使用播放状态下远距离、无需到现场就可实时准确捕捉到显示屏失效像素点的坐标数据。②人工巡检，由工作人员每天到交通诱导屏安装点查看它的工作状态。
常见的LED交通诱导屏的故障类型有两种：①显示屏有坏点；②显示屏花屏。现有的LED坏点检测方法通过获取标准图像和待检测图像，将两种图像中的所有像素点进行逐一比对，从而获取相应的坏点个数以及坏点位置，这种坏点检测方法的计算量庞大，对于像素点数量较多的待检测图像，需要花费大量时间进行比对操作，效率低且无法实时展示检测结果；另外，现有的LED显示屏故障检测装置无法对显示屏花屏故障进行检测。由于LED显示屏分布广泛，如果通过人工巡检，这样需要大量的人力物力，检测的效率也不高，并且不一定能及时发现问题。如果不能及时检测到花屏的LED显示屏，不但会出现显示屏的颜色很粗糙或者马赛克块的现象，而且可能会造成花屏故障的扩大，进而加大后续维修成本。
发明内容
为解决上述技术问题，本发明的第一个目的在于：提供一种能够进行花屏检测、效率高且成本低的，LED交通诱导屏的故障检测方法。
本发明的第二个目的在于：提供一种能够进行花屏检测、效率高且成本低的，LED交通诱导屏的故障检测系统。
本发明的第三个目的在于：提供一种能够进行花屏检测、效率高且成本低的，LED交通诱导屏的故障检测装置。
本发明所采取的第一个技术方案是：
一种LED交通诱导屏的故障检测方法，包括以下步骤：
根据标准的交通诱导屏图像，生成模板图像；
根据待检测的交通诱导屏图像，生成待检测图像；
根据生成的模板图像，采用图像相减法对待检测图像进行坏区检测；
根据生成的模板图像，对待检测图像进行花屏检测。
进一步，所述根据标准的交通诱导屏图像，生成模板图像这一步骤，包括以下步骤：
采用灰度转换公式将标准的交通诱导屏图像转换为灰度图像，所述灰度转换公式为：Gray＝R*0.3+G*0.59+B*0.11，其中，Gray代表转换后的灰度图像，R代表转换前的图像R通道分量的像素值，G代表转换前图像G通道分量的像素值，B代表转换前图像B通道分量的像素值；
将转换后的灰度图像进行二值化处理，生成二值化图像；
对生成的二值化图像进行腐蚀处理，生成模板图像。
进一步，所述将转换后的灰度图像进行二值化处理这一步骤，具体为：
判断灰度图像像素点的灰度值是否小于设定的第一阈值，若是，则将该像素点的灰度值设为0；反之，则将该像素点的灰度值设为255。
进一步，所述对二值化图像进行腐蚀处理，生成模板图像这一步骤，具体为：
判断灰度值为255的像素点与相应邻域像素点的灰度值是否相等，若是，则生成模板图像；反之，则在将灰度值为255的像素点的灰度值改为0之后生成模板图像。
进一步，所述根据生成的模板图像，采用图像相减法对待检测图像进行坏区检测这一步骤，包括以下步骤：
对模板图像和待检测图像进行减操作，得到减操作后的图像；
计算减操作后的图像的面积；
判断计算的面积是否小于设定的第二阈值，若是，则判定待检测图像不存在坏区故障；反之，则判定待检测图像存在坏区故障。
进一步，所述根据生成的模板图像，对待检测图像进行花屏检测这一步骤，包括以下步骤：
以模板图像作为掩码，从待检测图像中提取目标像素点，生成目标图像；
计算目标图像中像素点的色调值，所述计算目标图像中像素点色调值的计算公式为：其中，H代表目标图像中像素点的色调值，R代表目标图像R通道分量的像素值，G代表目标图像G通道分量的像素值，B代表目标图像B通道分量的像素值，θ代表目标图像的角度分量，θ的取值范围为0°～360°；
判断计算的色调值是否满足设定的阈值范围，若是，则将对应的像素点添加至相应颜色的花屏图像；反之，则不做处理；
计算花屏图像的面积；
判断花屏图像的面积是否大于设定的第三阈值，若是，则判定待检测图像存在相应颜色的花屏故障；反之，则判定待检测图像不存在相应颜色的花屏故障。
进一步，所述花屏故障包括绿色花屏故障和红色花屏故障，所述绿色花屏故障是指当交通诱导屏发布全屏红色消息时，部分绿色LED发光二极管发亮；所述红色花屏故障是指当交通诱导屏发布全屏绿色消息时，部分红色LED发光二极管发亮。
进一步，还包括通过摄像机对交通诱导屏进行实时监控以及自动检测的步骤。
本发明采取的第二个技术方案是：
一种LED交通诱导屏的故障检测系统，包括：
第一生成模块，用于根据标准的交通诱导屏图像，生成模板图像；
第二生成模块，用于根据待检测的交通诱导屏图像，生成待检测图像；
坏区检测模块，用于根据生成的模板图像，采用图像相减法对待检测图像进行坏区检测；
花屏检测模块，用于根据生成的模板图像，对待检测图像进行花屏检测。
本发明采取的第三个技术方案是：
一种LED交通诱导屏的故障检测装置，包括：
存储器，用于存储程序；
处理器，执行所述程序，以用于：根据标准的交通诱导屏图像，生成模板图像；
根据待检测的交通诱导屏图像，生成待检测图像；
根据生成的模板图像，采用图像相减法对待检测图像进行坏区检测；
根据生成的模板图像，对待检测图像进行花屏检测。
本发明的方法的有益效果是：本发明的方法采用图像相减法对待检测图像进行坏区检测，相较于现有将标准图像和待检测图像的所有像素点进行逐一比对的检测方法，大大减少了计算量，提高了工作效率；另外，本方法新增了花屏检测功能，克服了传统人工巡检方式需要花费大量人力物力的缺点，效率更高且降低了维修成本。
本发明的系统的有益效果是：本系统的坏区检测模块采用图像相减法对待检测图像进行坏区检测，相较于现有将标准图像和待检测图像的所有像素点进行逐一比对的检测方法，大大减少了计算量，提高了工作效率；另外，本系统新增了花屏检测模块，克服了传统人工巡检方式需要花费大量人力物力的缺点，效率更高且降低了维修成本。
本发明的装置的有益效果是：本装置的处理器采用图像相减法对待检测图像进行坏区检测，相较于现有将标准图像和待检测图像的所有像素点进行逐一比对的检测方法，大大减少了计算量，提高了工作效率；另外，本装置的处理器新增了花屏检测功能，克服了传统人工巡检方式需要花费大量人力物力的缺点，效率更高且降低了维修成本。
附图说明
图1为复合式LED交通诱导屏的示意图；
图2为全屏LED交通诱导屏的示意图；
图3为机器视觉系统执行指令的步骤流程图；
图4为本发明一种LED交通诱导屏的故障检测方法的步骤流程图；
图5为本发明实施例一的具体步骤流程图。
具体实施方式
参照图4，一种LED交通诱导屏的故障检测方法，包括以下步骤：
根据标准的交通诱导屏图像，生成模板图像；
根据待检测的交通诱导屏图像，生成待检测图像；
根据生成的模板图像，采用图像相减法对待检测图像进行坏区检测；
根据生成的模板图像，对待检测图像进行花屏检测。
其中，根据待检测的交通诱导屏图像生成待检测图像的步骤方法与根据标准的交通诱导屏图像生成模板图像的步骤方法相同，两者的差别仅是输入和输出的内容不同。
标准的交通诱导屏图像是指不存在任何故障的图像。
进一步作为优选的实施方式，所述根据标准的交通诱导屏图像，生成模板图像这一步骤，包括以下步骤：
采用灰度转换公式将标准的交通诱导屏图像转换为灰度图像，所述灰度转换公式为：Gray＝R*0.3+G*0.59+B*0.11，其中，Gray代表转换后的灰度图像，R代表转换前的图像R通道分量的像素值，G代表转换前图像G通道分量的像素值，B代表转换前图像B通道分量的像素值；
将转换后的灰度图像进行二值化处理，生成二值化图像；
对生成的二值化图像进行腐蚀处理，生成模板图像。
进一步作为优选的实施方式，所述将转换后的灰度图像进行二值化处理这一步骤，具体为：
判断灰度图像像素点的灰度值是否小于设定的第一阈值，若是，则将该像素点的灰度值设为0；反之，则将该像素点的灰度值设为255。
进一步作为优选的实施方式，所述对二值化图像进行腐蚀处理，生成模板图像这一步骤，具体为：
判断灰度值为255的像素点与相应邻域像素点的灰度值是否相等，若是，则生成模板图像；反之，则在将灰度值为255的像素点的灰度值改为0之后生成模板图像。
其中，相应邻域的像素点是指：以灰度值为255的像素点为中心，环绕该像素点的周边的像素点。
进一步作为优选的实施方式，所述根据生成的模板图像，采用图像相减法对待检测图像进行坏区检测这一步骤，包括以下步骤：
对模板图像和待检测图像进行减操作，得到减操作后的图像；
计算减操作后的图像的面积；
判断计算的面积是否小于设定的第二阈值，若是，则判定待检测图像不存在坏区故障；反之，则判定待检测图像存在坏区故障。
进一步作为优选的实施方式，所述根据生成的模板图像，对待检测图像进行花屏检测这一步骤，包括以下步骤：
以模板图像作为掩码，从待检测图像中提取目标像素点，生成目标图像；
计算目标图像中像素点的色调值，所述计算目标图像中像素点色调值的计算公式为：其中，H代表目标图像中像素点的色调值，R代表目标图像R通道分量的像素值，G代表目标图像G通道分量的像素值，B代表目标图像B通道分量的像素值，θ代表目标图像的角度分量，θ的取值范围为0°～360°；
判断计算的色调值是否满足设定的阈值范围，若是，则将对应的像素点添加至相应颜色的花屏图像；反之，则不做处理；
计算花屏图像的面积；
判断花屏图像的面积是否大于设定的第三阈值，若是，则判定待检测图像存在相应颜色的花屏故障；反之，则判定待检测图像不存在相应颜色的花屏故障。
例如：当计算出的色调值为130°，则将该色调值对应的像素点添加至绿色的花屏图像中，最终添加完所有像素点之后，分别计算绿色和红色的花屏图像面积，进而判断待检测图像是否存在绿色或红色花屏故障。其中，绿色色调值的范围是120°～180°，红色色调值的范围是0～30°或者300°～360°。
进一步作为优选的实施方式，所述花屏故障包括绿色花屏故障和红色花屏故障，所述绿色花屏故障是指当交通诱导屏发布全屏红色消息时，部分绿色LED发光二极管发亮；所述红色花屏故障是指当交通诱导屏发布全屏绿色消息时，部分红色LED发光二极管发亮。
进一步作为优选的实施方式，还包括通过摄像机对交通诱导屏进行实时监控以及自动检测的步骤。
现有的LED显示屏故障检测装置只能进行坏点检测，不能实时查看显示屏发布的内容，而现实中可能出现显示屏虽然没有坏点或者花屏故障，但却无法正常进行内容展示的情况，因此纯粹通过故障检测装置无法实现全面检测。本发明通过加装一个摄像机，使LED交通诱导屏以目标最大的形式显示在摄像机画面上，从而实现自动采集图像、处理图像以及上传检测结果，也能使工作人员远程查看显示屏实时发布的内容，减少户外工作时间，提高了工作效率。
与图4的方法相对应，本发明一种LED交通诱导屏的故障检测系统，包括：
第一生成模块，用于根据标准的交通诱导屏图像，生成模板图像；
第二生成模块，用于根据待检测的交通诱导屏图像，生成待检测图像；
坏区检测模块，用于根据生成的模板图像，采用图像相减法对待检测图像进行坏区检测；
花屏检测模块，用于根据生成的模板图像，对待检测图像进行花屏检测。
与图4的方法相对应，本发明一种LED交通诱导屏的故障检测装置，包括：
存储器，用于存储程序；
处理器，执行所述程序，以用于：根据标准的交通诱导屏图像，生成模板图像；
根据待检测的交通诱导屏图像，生成待检测图像；
根据生成的模板图像，采用图像相减法对待检测图像进行坏区检测；
根据生成的模板图像，对待检测图像进行花屏检测。
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。
实施例一
由于现有的LED显示屏故障检测装置进行坏点检测的时候，需要将标准图像和待检测图像中所有像素点进行逐一比对，计算量大且效率很低；另外，现有的LED显示屏故障检测装置无法进行花屏检测，只能通过人工巡检，费时费力且漏检率很高。针对上述问题，本发明提出了一种基于机器视觉的LED交通诱导屏的故障检测方法、系统及装置。本发明采用图像相减法对待检测图像进行坏区检测，大大减少了计算量，提高了工作效率；再者，本发明新增了花屏检测功能，克服了传统人工巡检方式需要花费大量人力物力的缺点，效率更高且降低了维修成本；另外，本发明还能够对交通诱导屏进行实时监控和自动检测，减少了工作人员的户外工作时间，实现了远程实时查看显示屏的状态，提高了工作效率。
参照图5，本发明的一种LED交通诱导屏的故障检测方法具体包括以下步骤：
步骤一：图像采集：通过预先安装的摄像机，采集标准的交通诱导图以及待检测的交通诱导图。
步骤二：图像预处理，包括标准图像的预处理和待检测图像的预处理。
其中，标准图像的预处理过程具体包括以下步骤：
将标准的交通诱导屏图像转换为灰度图像，所述将交通诱导屏图像转换为灰度图像的计算公式为：Gray＝R*0.3+G*0.59+B*0.11；
将转换的灰度图像进行二值化处理，生成二值化图像；
对生成的二值化图像进行腐蚀处理，生成模板图像。
其中，将转换的灰度图像进行二值化处理，生成二值化图像这一步骤具体为：判断灰度图像像素点的灰度值是否小于设定的第一阈值，若是，则将该像素点的灰度值设为0；反之，则将该像素点的灰度值设为255。
对生成的二值化图像进行腐蚀处理，生成模板图像这一步骤具体为：
判断灰度值为255的像素点与相应邻域像素点的灰度值是否相等，若是，则生成模板图像；反之，则在将灰度值为255的像素点的灰度值改为0之后生成模板图像。
待检测图像的预处理步骤与标准图像的预处理步骤相同，两者的差别仅在于前者是输入待检测的交通诱导图，然后输出待检测图像；后者是输入标准的交通诱导图，然后输出模板图像。
步骤三：坏区检测。
此步骤的具体包括以下步骤：
对模板图像和待检测图像进行减操作，输出减操作后的图像；
计算输出的减操作后图像的面积A1；
判断计算的面积A1是否小于设定的第二阈值，若是，则判定待检测图像不存在坏区故障；反之，则判定待检测图像存在坏区故障。
步骤四：花屏检测。
此步骤具体包括以下步骤：
以模板图像作为掩码，从待检测图像中提取目标像素点，生成目标图像；
计算目标图像中所有像素点的色调值，所述计算目标图像中像素点色调值的计算公式为：其中，H代表目标图像中像素点的色调值，R代表目标图像R通道分量的像素值，G代表目标图像G通道分量的像素值，B代表目标图像B通道分量的像素值，θ代表目标图像的角度分量，θ取值范围为0°～360°；
判断计算的色调值是否满足设定的阈值范围，若是，则将对应色调值的像素点添加至相应颜色的花屏图像M；反之，则不做处理；
计算花屏图像M的面积A2，判断计算的面积A2是否大于设定的第三阈值，若是，则判定待检测图像存在花屏故障；反之，则判定待检测图像不存在花屏故障。
其中，绿色色调值的范围是120°～180°，红色色调值的范围是0～30°或者300°～360°。
以色调值为120°的像素点P1为例，判断得到像素点P1的色调值属于绿色色调的取值范围，则该将像素点P1添加至绿色花屏图像M；判断完所有像素点的色调值之后，计算绿色花屏图像M的面积A2，若A2大于第三阈值，则判定待检测图像存在绿色花屏故障，反之则判定待检测图像不存在绿色花屏故障。
步骤五：自动监控以及检测。
本发明在交通诱导屏上安装摄像机和工控机，工作人员可通过远程连接工控机，用摄像机实时查看交通诱导屏的状态。由于交通诱导屏的安装分布广泛，工作人员可以在后台管理中心查看交通诱导屏的实时状态，减少了工作人员户外工作的时间，提高了工作效率。另外，本发明整个检测过程都是自动完成的，定时开始检测，然后自动采集图像、处理图像以及上传检测结果，可以同时实现坏区和花屏故障检测，替换了现有的人工巡检方式，大大减少了人工成本。
对于本实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种LED交通诱导屏的故障检测方法，其特征在于：包括以下步骤：
根据标准的交通诱导屏图像，生成模板图像；
根据待检测的交通诱导屏图像，生成待检测图像；
根据生成的模板图像，采用图像相减法对待检测图像进行坏区检测；
根据生成的模板图像，对待检测图像进行花屏检测。
2.根据权利要求1所述的一种LED交通诱导屏的故障检测方法，其特征在于：所述根据标准的交通诱导屏图像，生成模板图像这一步骤，包括以下步骤：
采用灰度转换公式将标准的交通诱导屏图像转换为灰度图像，所述灰度转换公式为：Gray＝R*0.3+G*0.59+B*0.11，其中，Gray代表转换后的灰度图像，R代表转换前的图像R通道分量的像素值，G代表转换前图像G通道分量的像素值，B代表转换前图像B通道分量的像素值；
将转换后的灰度图像进行二值化处理，生成二值化图像；
对生成的二值化图像进行腐蚀处理，生成模板图像。
3.根据权利要求2所述的一种LED交通诱导屏的故障检测方法，其特征在于：所述将转换后的灰度图像进行二值化处理这一步骤，具体为：
判断灰度图像像素点的灰度值是否小于设定的第一阈值，若是，则将该像素点的灰度值设为0；反之，则将该像素点的灰度值设为255。
4.根据权利要求3所述的一种LED交通诱导屏的故障检测方法，其特征在于：所述对二值化图像进行腐蚀处理，生成模板图像这一步骤，具体为：
判断灰度值为255的像素点与相应邻域像素点的灰度值是否相等，若是，则生成模板图像；反之，则在将灰度值为255的像素点的灰度值改为0之后生成模板图像。
5.根据权利要求1所述的一种LED交通诱导屏的故障检测方法，其特征在于：所述根据生成的模板图像，采用图像相减法对待检测图像进行坏区检测这一步骤，包括以下步骤：
对模板图像和待检测图像进行减操作，得到减操作后的图像；
计算减操作后的图像的面积；
判断计算的面积是否小于设定的第二阈值，若是，则判定待检测图像不存在坏区故障；反之，则判定待检测图像存在坏区故障。
6.根据权利要求1所述的一种LED交通诱导屏的故障检测方法，其特征在于：所述根据生成的模板图像，对待检测图像进行花屏检测这一步骤，包括以下步骤：
以模板图像作为掩码，从待检测图像中提取目标像素点，生成目标图像；
计算目标图像中像素点的色调值，所述计算目标图像中像素点色调值的计算公式为：其中，H代表目标图像中像素点的色调值，R代表目标图像R通道分量的像素值，G代表目标图像G通道分量的像素值，B代表目标图像B通道分量的像素值，θ代表目标图像的角度分量，θ的取值范围为0°～360°；
判断计算的色调值是否满足设定的阈值范围，若是，则将对应的像素点添加至相应颜色的花屏图像；反之，则不做处理；
计算花屏图像的面积；
判断花屏图像的面积是否大于设定的第三阈值，若是，则判定待检测图像存在相应颜色的花屏故障；反之，则判定待检测图像不存在相应颜色的花屏故障。
7.根据权利要求6所述的一种LED交通诱导屏的故障检测方法，其特征在于：所述花屏故障包括绿色花屏故障和红色花屏故障，所述绿色花屏故障是指当交通诱导屏发布全屏红色消息时，部分绿色LED发光二极管发亮；所述红色花屏故障是指当交通诱导屏发布全屏绿色消息时，部分红色LED发光二极管发亮。
8.根据权利要求1-7任一项所述的一种LED交通诱导屏的故障检测方法，其特征在于：还包括通过摄像机对交通诱导屏进行实时监控以及自动检测的步骤。
9.一种LED交通诱导屏的故障检测系统，其特征在于：包括：
第一生成模块，用于根据标准的交通诱导屏图像，生成模板图像；
第二生成模块，用于根据待检测的交通诱导屏图像，生成待检测图像；
坏区检测模块，用于根据生成的模板图像，采用图像相减法对待检测图像进行坏区检测；
花屏检测模块，用于根据生成的模板图像，对待检测图像进行花屏检测。
10.一种LED交通诱导屏的故障检测装置，其特征在于：包括：
存储器，用于存储程序；
处理器，执行所述程序，以用于：根据标准的交通诱导屏图像，生成模板图像；
根据待检测的交通诱导屏图像，生成待检测图像；
根据生成的模板图像，采用图像相减法对待检测图像进行坏区检测；
根据生成的模板图像，对待检测图像进行花屏检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710853472.5A CN107749055A (zh) | 2017-09-20 | 2017-09-20 | 一种led交通诱导屏的故障检测方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710853472.5A CN107749055A (zh) | 2017-09-20 | 2017-09-20 | 一种led交通诱导屏的故障检测方法、系统及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107749055A true CN107749055A (zh) | 2018-03-02 |
Family
ID=61255377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710853472.5A Pending CN107749055A (zh) | 2017-09-20 | 2017-09-20 | 一种led交通诱导屏的故障检测方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107749055A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108881775A (zh) * | 2018-05-30 | 2018-11-23 | 维沃移动通信有限公司 | 一种视频通信方法和移动终端 |
| CN109116865A (zh) * | 2018-09-19 | 2019-01-01 | 苏州傲特欣智能科技有限公司 | 基于机器视觉的大型设备无人机巡检系统及其方法 |
| CN109636777A (zh) * | 2018-11-20 | 2019-04-16 | 广州方纬智慧大脑研究开发有限公司 | 一种交通信号灯的故障检测方法、系统及存储介质 |
| CN110175997A (zh) * | 2019-05-30 | 2019-08-27 | 深圳市洲明科技股份有限公司 | 显示屏坏点检测方法、装置、计算机设备和存储介质 |
| CN112597829A (zh) * | 2020-12-09 | 2021-04-02 | 青岛海信网络科技股份有限公司 | 一种交通诱导屏故障检测的方法和装置及设备 |
| CN112785545A (zh) * | 2019-11-06 | 2021-05-11 | 杭州海康威视数字技术股份有限公司 | 一种异常灯珠定位方法、装置及存储介质 |
| CN112950608A (zh) * | 2021-03-15 | 2021-06-11 | 读书郎教育科技有限公司 | 一种工厂检测终端屏幕花屏和闪屏的方法 |
| CN115424549A (zh) * | 2022-07-15 | 2022-12-02 | 南京鼎恩电子信息有限公司 | 一种led交通诱导屏 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129779A (zh) * | 2010-01-13 | 2011-07-20 | 中国科学院自动化研究所 | 路口交通信号安全和效率监测系统 |
| CN102496282A (zh) * | 2011-12-16 | 2012-06-13 | 湖南工业大学 | 一种rgb颜色变换的交通路口信号灯状态识别方法 |
| CN102509300A (zh) * | 2011-11-18 | 2012-06-20 | 深圳市宝捷信科技有限公司 | 一种缺陷检测方法及系统 |
| CN103856774A (zh) * | 2014-02-28 | 2014-06-11 | 北京航科威视光电信息技术有限公司 | 一种视频监控智能检测系统及方法 |
| KR20140116607A (ko) * | 2013-03-25 | 2014-10-06 | 엘지디스플레이 주식회사 | 표시 장치의 영상 처리 방법 및 장치 |
| CN105160924A (zh) * | 2015-08-25 | 2015-12-16 | 公安部第三研究所 | 基于视频处理的智能信号灯状态检测方法及检测系统 |
| CN105812674A (zh) * | 2014-12-29 | 2016-07-27 | 浙江大华技术股份有限公司 | 一种信号灯的颜色修正方法、监控方法及装置 |
-
2017
- 2017-09-20 CN CN201710853472.5A patent/CN107749055A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129779A (zh) * | 2010-01-13 | 2011-07-20 | 中国科学院自动化研究所 | 路口交通信号安全和效率监测系统 |
| CN102509300A (zh) * | 2011-11-18 | 2012-06-20 | 深圳市宝捷信科技有限公司 | 一种缺陷检测方法及系统 |
| CN102496282A (zh) * | 2011-12-16 | 2012-06-13 | 湖南工业大学 | 一种rgb颜色变换的交通路口信号灯状态识别方法 |
| KR20140116607A (ko) * | 2013-03-25 | 2014-10-06 | 엘지디스플레이 주식회사 | 표시 장치의 영상 처리 방법 및 장치 |
| CN103856774A (zh) * | 2014-02-28 | 2014-06-11 | 北京航科威视光电信息技术有限公司 | 一种视频监控智能检测系统及方法 |
| CN105812674A (zh) * | 2014-12-29 | 2016-07-27 | 浙江大华技术股份有限公司 | 一种信号灯的颜色修正方法、监控方法及装置 |
| CN105160924A (zh) * | 2015-08-25 | 2015-12-16 | 公安部第三研究所 | 基于视频处理的智能信号灯状态检测方法及检测系统 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108881775A (zh) * | 2018-05-30 | 2018-11-23 | 维沃移动通信有限公司 | 一种视频通信方法和移动终端 |
| CN109116865A (zh) * | 2018-09-19 | 2019-01-01 | 苏州傲特欣智能科技有限公司 | 基于机器视觉的大型设备无人机巡检系统及其方法 |
| CN109636777A (zh) * | 2018-11-20 | 2019-04-16 | 广州方纬智慧大脑研究开发有限公司 | 一种交通信号灯的故障检测方法、系统及存储介质 |
| CN110175997A (zh) * | 2019-05-30 | 2019-08-27 | 深圳市洲明科技股份有限公司 | 显示屏坏点检测方法、装置、计算机设备和存储介质 |
| CN112785545A (zh) * | 2019-11-06 | 2021-05-11 | 杭州海康威视数字技术股份有限公司 | 一种异常灯珠定位方法、装置及存储介质 |
| CN112597829A (zh) * | 2020-12-09 | 2021-04-02 | 青岛海信网络科技股份有限公司 | 一种交通诱导屏故障检测的方法和装置及设备 |
| CN112950608A (zh) * | 2021-03-15 | 2021-06-11 | 读书郎教育科技有限公司 | 一种工厂检测终端屏幕花屏和闪屏的方法 |
| CN115424549A (zh) * | 2022-07-15 | 2022-12-02 | 南京鼎恩电子信息有限公司 | 一种led交通诱导屏 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107749055A (zh) | 一种led交通诱导屏的故障检测方法、系统及装置 | |
| CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
| CN104766086B (zh) | 一种公路标识的监管方法和系统 | |
| CN102184694B (zh) | 采用视频图像和/或数码照片监测室外显示屏的系统和方法 | |
| CN103778786B (zh) | 一种基于显著车辆部件模型的交通违章检测方法 | |
| CN102354457B (zh) | 基于广义霍夫变换的交通信号灯位置检测方法 | |
| CN103208126B (zh) | 一种自然环境下运动物体监测方法 | |
| CN111339905B (zh) | 基于深度学习及多视角的cim井盖状态视觉检测系统 | |
| TW202013252A (zh) | 車牌辨識系統與方法 | |
| CN109782364B (zh) | 基于机器视觉的交通标志牌缺失检测方法 | |
| CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
| CN111383429A (zh) | 建筑工地工人着装检测方法、系统、装置、存储介质 | |
| CN106096603A (zh) | 一种融合多特征的动态火焰检测方法及装置 | |
| CN111898563A (zh) | 一种保护区安全综合监护装备与监护方法 | |
| CN104811586A (zh) | 场景变换视频智能分析方法、装置、网络摄像机及监控系统 | |
| CN105096305A (zh) | 绝缘子状态分析的方法及装置 | |
| CN111428647A (zh) | 一种交通信号灯故障检测方法 | |
| CN114581760B (zh) | 一种机房巡检的设备故障检测方法及系统 | |
| CN101635091B (zh) | 一种车辆检测及颜色识别装置 | |
| CN113111771A (zh) | 一种发电厂工作人员不安全行为的识别方法 | |
| CN103324957A (zh) | 信号灯状态的识别方法及识别装置 | |
| Sathiya et al. | Real time recognition of traffic light and their signal count-down timings | |
| CN112001266B (zh) | 一种大型无人运输车监控方法及系统 | |
| CN111563428B (zh) | 一种机场停机位入侵检测方法及其系统 | |
| CN109686104B (zh) | 一种车辆超高检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180302 |