CN108229484A - 一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法 - Google Patents
一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法 Download PDFInfo
- Publication number
- CN108229484A CN108229484A CN201810086389.4A CN201810086389A CN108229484A CN 108229484 A CN108229484 A CN 108229484A CN 201810086389 A CN201810086389 A CN 201810086389A CN 108229484 A CN108229484 A CN 108229484A
- Authority
- CN
- China
- Prior art keywords
- blade
- blade tip
- mark point
- image
- computer vision
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Abstract
本发明公开了一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法,包括步骤:1)桨叶编码与桨尖图像采集;2)桨尖图像预处理;3)桨尖区域定位;4)标记点区域定位;5)桨叶编号的二进制解码。本发明的优点是,通过在直升机每片桨叶桨尖区域粘贴标记点的方法,实现了每片桨叶与标记点二进制编码相对应;采用桨尖图像中标记中心点邻域灰度信息实现桨叶编号的二进制快速解码,既克服了高速旋转下产生图像模糊对解码的影响,又提高了解码速度;具有速度快、抗干扰能力强、自动化程度高、实时性强的优点,可用于利用计算机视觉测量直升机桨叶参数时桨叶编号的自动识别。
Description
技术领域
本发明涉及一种标记点自动识别的方法,尤其涉及一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法。
背景技术
随着计算机技术的发展与普及,图像处理技术广泛应用于人类生产和生活中的各个领域。标记点自动识别是图像处理技术应用之一,常用于识别和区分目标物体。标记点的定位与编码识别技术是标记点自动识别的关键,标记点定位的准确性直接影响识别的正确性,对桨叶编号的识别与区分具有重要的意义。
现有的标记点自动识别方法主要有两类:(1)环状编码标记点自动识别方法。首先,使用canny算子对图像进行边缘检测,根据限制条件计算封闭轮廓质心,用于过滤噪声和非编码标记点;其次,采用最小二乘椭圆拟合进行编码标记点定位,并提取编码标记点轮廓;最后,对分割出的编码标记点进行ALPC变换,利用变换后的图像特征进行解码。此类识别方法计算机量较大,在高速旋转下,用于直升机桨叶编号自动识别难于满足实时的要求。(2)数字标记点识别方法。数字标记点识别方法主要通过数字计算来实现标记点的识别,其识别过程简单、抗噪能力较强,可用于有一定变形标记的识别。此类方法其标记点需要特殊材质,对标记点的规格也有严格的规定,由于直升机桨叶气动性能要求,难于用于直升机桨叶编号的自动识别。
发明内容
本发明的目的在于提供一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法,使用中值滤波对图像进行处理,去除部分噪点;采用OSTU方法进行图像分割;采用最大连通域方法确定桨叶图像中的桨尖区域;利用标记点在桨尖区域外接矩形的相对位置,快速实现标记点的定位,进而利用标记点中心的邻域像素点信息快速实现桨叶编号的解码。
本发明的优点是,利用标记点在桨尖区域外接矩形的相对位置,不需复杂的标记点检测算法,只需标记点中心的邻域信息快速实现桨叶编号的解码,适应于高速旋转下直升机桨叶编号的自动识别,并具有较强的抗图像模糊能力和较高的实时性;也不需要特殊材质的标记点,适应性强。本发明提供的一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法,解决了现有技术存在的问题,具有速度快,准确度高,适应性强,实时性高,以及抗运动产生图像模糊的优点,特别适合于高速旋转下直升机桨叶编号的自动识别。
本发明提供了一种高速旋转下的桨叶编号计算机视觉自动识别方法,包括以下步骤:
1、桨叶编码与桨尖图像采集,具体包括以下步骤:
(1.a)利用标记点对每片桨叶进行二进制编码,编码位数由桨叶数决定,当桨叶数目为n(2b-1<n≤2b,2≤b)时,则标记点个数为b,其中用白色标记点代表二进制1,黑色标记点代表二进制0,通过b位编码数对每一片桨叶进行二进制编码,根据不同桨叶的编号,分别将白色和黑色标记点按照编码的顺序,以等间距的方式粘贴在每片桨尖区域最小外接矩形水平中轴线上,实现每片桨叶的编码;
(1.b)利用工业相机、图像采集卡、光源、光电传感器和工业计算机构建计算机视觉系统;
(1.c)桨叶在运动过程中,利用计算机视觉系统采集每片桨叶的桨尖图像。
2、桨尖图像预处理,具体包括下述步骤:
(2.a)使用中值滤波对桨尖图像进行处理,去除噪点;
(2.b)使用基于超分辨率的图像去运动模糊算法,去除高速运动带来的桨尖模糊;
(2.c)使用大津阈值法OTSU对桨尖图像进行分割,获取二值图像。
3、桨尖区域定位,具体包括下述步骤:
(3.a)对步骤2得到的二值图像获取最大连通域A,去除图像中除A以外的干扰连通区域;
(3.b)计算最大连通域A的最小外接矩形R,实现桨尖区域的定位。
4、标记点区域定位,具体包括下述步骤:
(4.a)根据步骤3中获得外接矩形R的位置,计算获得R的水平中轴线L;
(4.b)根据步骤1每个标记点在桨尖外接矩形R水平中轴线L上的粘贴位置,沿着中轴线L从左到右进行扫描,获取桨尖上每个标记点的位置。
5、桨叶编号的二进制解码,具体包括下述步骤:
(5.a)每一个标记点的解码,根据步骤4获得的标记点区域的位置对其进行二进制解码,首先定位标记点区域中心,其次在区域中心采用一个邻域模板,在模板内统计黑白像素点数,若白色像素点超过半数,则该标记点解码为1,反之为0;
(5.b)桨叶编号的解码,首先在桨尖图像中利用步骤(5.a)的方法沿着标记点编码的顺序,依次对每一个标记点解码为1或0,再沿着标记点编码的顺序将每一个标记点的解码数值1或0,组成一个b位的二进制数,实现桨叶编号的解码。
附图说明
图1为本发明的工作流程图。
实施方式
本发明方法要求的桨叶图像是相机正视桨毂中心且与桨尖在同一水平位置拍摄得到的,图像场景中允许有多个桨叶的桨尖,且能够完全包含整个桨尖,图像中的桨叶不能倾斜过大(如:要求倾斜角度|α|≤85°),桨尖摆放正对摄像头,图像背景中无较大面积的干扰光源。
本发明采用如图1所示的工作流程,实现基于图像的桨叶编号自动识别,其具体实施步骤如下:
1、桨叶编码与桨尖图像的采集
1)根据桨叶数目的最大编号量来确定编码位数,而编码的位数即为每片桨叶所需的标记点数目,将黑白标记点在桨尖截面上预先等距粘贴。
本发明实施例中待识别的桨叶共4片,因此采用2个标记点对桨叶编号进行编码。
本发明实施例中使用个人计算机、图像采集卡Matrox Radient eV-CL、高速相机Aca2000-340km、聚光光源和角度传感器SM312LVMHS-50248构建计算机视觉系统,用于采集桨尖图像。
2)当旋翼在高速旋转时,光源正对桨毂,且与桨尖基本位于同一高度,桨叶旋转到下方有角度传感器的位置时,桨叶上的反光片使得角度传感器产生用于触发的TTL电信号,触发信号通过网线传输到计算机内部安装的图像采集卡后,将驱动相机采集桨尖图像。
2、桨尖图像预处理
所述桨尖图像预处理,是采用滤波算法去除桨尖图像中的噪声和采用去模糊算法去除运动模糊,并对图像进行分割,具体实施步骤如下:
1)对桨尖图像Ia进行中值滤波获得图像Ib;由于桨尖方向单一,速度和方向已知,模糊核基本已知,采用基于高分辨率重建的去模糊算法处理图像Ib得到图像Ic,去除了模糊对图像分割的影响。
2)针对待分割桨尖图像Ic的背景较为简单和桨尖截面光照均匀这一特点,使用大津阈值法OTSU分割图像Ic得到二值图Id。
本发明实施例中采用的OTSU算法是一种基于全局的二值化算法。它根据图像的灰度特性,将图像分为前景和背景两个部分,设T为前景和背景的分割阈值,前景点数占比为w0,平均灰度为u0,背景点数占图像比例为w1,平均灰度为u1,图像Ic的平均灰度为u,类间方差为g,则有:
u=w0*u0+w1*u1 (1)
g=w0*(u0-u)2+w1*(u1-u)2 (2)
联立式(1)和式(2)可得:
当类间方差g最大时,可认为前景和背景差异最大,认为此时的灰度阈值T是最佳阈值。
3、桨尖区域定位
标记点位于桨尖区域,为了定位标记点区域需预先定位桨尖区域的位置,具体实施步骤如下:
1)遍历二值图Id,获取图像中所有白色连通域,保留其中最大的连通域A,即为桨尖区域,若图像存在中m个桨尖,则保留连通域区域从大到小排列的前m个连通域。
2)由于桨尖轮廓为曲线封闭轮廓,使用数学表达式描述较为复杂,为简明描述桨尖所处区域的坐标,使用最小外接矩形对步骤1)中的最大连通域A进行限定,从而确定桨尖所处区域位置。获得的最小外接矩形R四个顶点Pleft1、Pleft2、Pright1、Pright2,其中Pleft1和Pleft2分别为外接矩形的左上和左下两个顶点的坐标值,Pright1和Pright2分别为外接矩形右上和右下两个顶点的坐标值,R四个顶点坐标是后续标记点区域定位的基准。
4、标记点区域定位
标记点的区域定位是基于桨尖区域的,能否遍历到预先粘贴在桨尖外接矩形水平中轴线上的标记点是本发明关键步骤之一,具体实施步骤如下:
1)根据步骤2得到的桨尖区域最小外接矩形R的4个顶点坐标,根据左上和左下两点坐标计算左边中点Pleft-mid,根据右上和右下两点坐标计算右边中点Pright-mid,R的水平中轴线是经过左右两边的中点Pleft-mid和Pright-mid的水平线段,定义为L。
2)当编码位数为n时,则编号标记点区域中心等距离分布在线段L上,分别处于线段L的1/(n+1),2/(n+1),…,n/(n+1)处,因此,通过L和标记点的粘贴规律获取每个标记点的位置。
本发明实施例中桨叶编码位数为2,则需要2个编码标记点,预先分别粘贴在线段L的1/3和2/3处。
5、桨叶编号的二进制解码
在获取标记点的位置后,使用扫描法遍历各处的标记点处的像素值,计算每个标记点的码值,具体实施步骤如下:
1)每一个标记点的解码,根据步骤4获得的每个标记点区域的位置对其进行二进制解码,首先定位标记点区域中心,其次在区域中心采用一个邻域模板,在模板内统计黑白像素点数,若白色像素点超过半数,则该标记点解码为1,反之为0。
本发明实施例中邻域模板可采用包括区域中心的5邻域和9邻域模板。
2)桨叶编号的解码,首先在桨尖图像中利用步骤(5.a)的方法沿着标记点编码的顺序,依次对每一个标记点解码为1或0,再沿着标记点编码的顺序将每一个标记点的解码数值1或0,组成一个b位的二进制数,实现了桨叶编号的解码。
Claims (6)
1.一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法,其特征在于具体包括以下步骤:
1) 桨叶编码与桨尖图像采集;
2) 桨尖图像预处理;
3) 桨尖区域定位;
4) 标记点区域定位;
5) 桨叶编号的二进制解码。
2.根据权利要求1所述的一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法,其特征在于:
步骤1) 桨叶编码与桨尖图像采集具体包括以下步骤:
(1.a) 利用标记点对每片桨叶进行二进制编码,编码位数由桨叶数决定,当桨叶数目为n(2b-1<n≤2b,2≤b)时,则标记点个数为b,其中用白色标记点代表二进制1,黑色标记点代表二进制0,通过b位编码数对每一片桨叶进行二进制编码,根据不同桨叶的编号,分别将白色和黑色标记点按照编码的顺序,以等间距的方式粘贴在每片桨尖区域最小外接矩形水平中轴线上,实现每片桨叶的编码;
(1.b) 利用工业相机、图像采集卡、光源、光电传感器和工业计算机构建计算机视觉系统;
(1.c) 桨叶在运动过程中,利用计算机视觉系统采集每片桨叶的桨尖图像。
3.根据权利要求1所述的一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法,其特征在于:步骤2)桨尖图像预处理是指对桨尖图像进行去噪、去模糊和分割;
(2.a) 使用中值滤波对桨尖图像进行处理,去除噪点;
(2.b) 使用基于超分辨率的图像去运动模糊算法,去除高速运动带来的桨尖模糊;
(2.c) 使用大津阈值法OTSU对桨尖图像进行分割,获取二值图像。
4.根据权利要求1所述的一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法,其特征在于:步骤3)桨尖区域定位具体包括下述步骤:
(3.a) 对步骤2)得到的二值图像获取最大连通域A,去除图像中除A以外的干扰连通区域;
(3.b) 计算最大连通域A的最小外接矩形R,实现了桨尖区域的定位。
5.根据权利要求1所述的一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法,其特征在于:步骤4)标记点区域定位具体包括下述步骤:
(4.a) 根据步骤3)获得的外接矩形R的位置,计算获得R的水平中轴线L;
(4.b) 根据步骤1)每个标记点在桨尖外接矩形R水平中轴线L上的粘贴位置,沿着中轴线L从左到右进行扫描,获取桨尖上每个标记点的位置。
6.根据权利要求1所述的一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法,其特征在于:步骤5)桨叶编号的二进制解码具体包括下述步骤:
(5.a) 每一个标记点的解码,根据步骤4)获得的标记点区域的位置对其进行二进制解码,首先定位标记点区域中心,其次在区域中心采用一个邻域模板,在模板内统计黑白像素点数,若白色像素点超过半数,则该标记点解码为1,反之为0;
(5.b) 桨叶编号的解码,首先在桨尖图像中利用步骤(5.a)的方法沿着标记点编码的顺序,依次对每一个标记点解码为1或0,再沿着标记点编码的顺序将每一个标记点的解码数值1或0,组成一个b位的二进制数,实现桨叶编号的解码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810086389.4A CN108229484A (zh) | 2018-01-29 | 2018-01-29 | 一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810086389.4A CN108229484A (zh) | 2018-01-29 | 2018-01-29 | 一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229484A true CN108229484A (zh) | 2018-06-29 |
Family
ID=62669388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810086389.4A Pending CN108229484A (zh) | 2018-01-29 | 2018-01-29 | 一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229484A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108844524A (zh) * | 2018-07-05 | 2018-11-20 | 空气动力学国家重点实验室 | 一种基于振动修正的直升机旋翼桨叶运动参数测量方法 |
CN111457914A (zh) * | 2020-01-22 | 2020-07-28 | 南京航空航天大学 | 一种基于可编码视觉合作目标的多舵翼动态摆角测量方法 |
CN113076510A (zh) * | 2021-04-12 | 2021-07-06 | 南昌航空大学 | 一种基于一维卷积神经网络的直升机飞行状态识别方法 |
CN113916445A (zh) * | 2021-09-08 | 2022-01-11 | 广州航新航空科技股份有限公司 | 旋翼共锥度的测量方法、系统、装置及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103134477A (zh) * | 2013-01-31 | 2013-06-05 | 南昌航空大学 | 一种基于双目立体视觉的直升机旋翼桨叶运动参数测量方法 |
-
2018
- 2018-01-29 CN CN201810086389.4A patent/CN108229484A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103134477A (zh) * | 2013-01-31 | 2013-06-05 | 南昌航空大学 | 一种基于双目立体视觉的直升机旋翼桨叶运动参数测量方法 |
Non-Patent Citations (2)
Title |
---|
张玉叶 等: "高速运动目标的运动模糊图像复原研究", 《红外与激光工程》 * |
熊邦书 等: "直升机桨叶共锥度测量中圆形标记点高精度定位方法", 《半导体光电》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108844524A (zh) * | 2018-07-05 | 2018-11-20 | 空气动力学国家重点实验室 | 一种基于振动修正的直升机旋翼桨叶运动参数测量方法 |
CN111457914A (zh) * | 2020-01-22 | 2020-07-28 | 南京航空航天大学 | 一种基于可编码视觉合作目标的多舵翼动态摆角测量方法 |
CN113076510A (zh) * | 2021-04-12 | 2021-07-06 | 南昌航空大学 | 一种基于一维卷积神经网络的直升机飞行状态识别方法 |
CN113916445A (zh) * | 2021-09-08 | 2022-01-11 | 广州航新航空科技股份有限公司 | 旋翼共锥度的测量方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229484A (zh) | 一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法 | |
CN103310211B (zh) | 一种基于图像处理的填注标记识别方法 | |
CN108764004B (zh) | 一种基于编码环采样的环状编码标记点解码识别方法 | |
CN102629322B (zh) | 一种基于边界点笔画形状的字符特征提取方法及应用 | |
CN104751097A (zh) | 一种车辆识别码的检测处理方法及装置 | |
CN104361353A (zh) | 一种感兴趣区域的定位方法在仪表监控识别中的应用 | |
CN104778701A (zh) | 一种基于rgb-d传感器的局部图像描述方法 | |
US20080031531A1 (en) | Line noise eliminating apparatus, line noise eliminating method, and line noise eliminating program | |
CN113538491B (zh) | 一种基于自适应阈值的边缘识别方法、系统及存储介质 | |
CN108921813A (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN106485182A (zh) | 一种基于仿射变换的模糊qr码复原方法 | |
CN103489254B (zh) | 彩票的识别方法及系统 | |
CN104517101A (zh) | 一种基于像素平方差匹配的游戏扑克牌识别方法 | |
CN103605982A (zh) | 一种条烟32位条码采集系统及32位条码识别方法 | |
CN107038445A (zh) | 一种针对中文字符验证码的二值化和分割方法 | |
CN107563476B (zh) | 一种二维码美化防伪的方法 | |
CN112101108A (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
CN106778766B (zh) | 一种基于定位点的旋转数字识别方法及系统 | |
CN108197624A (zh) | 证书图像校正识别方法及装置、计算机存储介质 | |
CN113642570A (zh) | 一种昏暗环境下矿车车牌识别的方法 | |
CN111797832B (zh) | 一种图像感兴趣区域自动生成方法及系统及图像处理方法 | |
CN105574860A (zh) | 一种舵片偏转极性识别方法 | |
CN113393430A (zh) | 用于风机叶片缺陷检测的热成像图像增强训练方法和装置 | |
CN110059600B (zh) | 一种基于指向手势的单行文字识别方法 | |
CN105118054B (zh) | 一种基于ccd单目测距的驾驶考试系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180629 |
|
WD01 | Invention patent application deemed withdrawn after publication |