CN108304910B - 一种基于机器视觉的空调压缩机滑片计数方法 - Google Patents
一种基于机器视觉的空调压缩机滑片计数方法 Download PDFInfo
- Publication number
- CN108304910B CN108304910B CN201810160356.XA CN201810160356A CN108304910B CN 108304910 B CN108304910 B CN 108304910B CN 201810160356 A CN201810160356 A CN 201810160356A CN 108304910 B CN108304910 B CN 108304910B
- Authority
- CN
- China
- Prior art keywords
- image
- counting
- machine vision
- lines
- air conditioner
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
- G06M11/00—Counting of objects distributed at random, e.g. on a surface
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于机器视觉的空调压缩机滑片计数方法,包括采集滑片端面图像,图像预处理,横向平均分割灰度图像,对每行图像单独计数,最后把每行的滑片数累加输出。图像预处理包括对图像灰度、平滑、自适应阈值二值化、形态学操作、寻找图像最大外廓,通过外廓在灰度图中获取滑片所在区域。计数方式为:将图片进行自适应阈值二值化,然后随机选取多行像素遍历,从每行像素值的变化信息中得到滑片数目,当每行的结果都一致时,认为数目正确。本发明方法基于机器视觉技术,实现了空调压缩机滑片的自动计数,有效解决了滑片上有油污使得图像残缺计数出错的问题,该方法速度快,误差小,易与维护,大大减少企业在生产过程中的人力成本。
Description
技术领域
本发明涉及空调压缩机滑片生产过程中计数领域,特别涉及一种基于机器视觉的空调压缩机滑片计数方法。
背景技术
空调已经成为人们生活中不可缺少的电器,其需求量和产量十分巨大,而每台压缩机又需要配备多个滑片,因此滑片的产量更是惊人。在滑片生产过程中以及下线包装前都需要统计滑片数目,即对周转箱内的滑片进行计数,一方面是为必要的生产环节提供可溯源数据以满足生产工艺的需要,另一方面是为企业管理体系中的工作质量评价指标提供客观依据。
目前,我国空调压缩机滑片计数方面主要采用人工计数方式,人工计数误差较大,且工人劳动强度大,工作效率低,人力成本高。
发明内容
针对传统的采用人工计数方式存在的工作量大,容易出错等诸多问题,本发明提出一种基于机器视觉的空调压缩机滑片计数方法。
本发明为实现上述目的所采用的技术方案是:一种基于机器视觉的空调压缩机滑片计数方法,包括以下步骤:
步骤一:采集图像,图像预处理,得到仅有空调压缩机滑片端面图的灰度图;
步骤二:将预处理得到的图片横向均分,即每张图只包含一行空调压缩机滑片;
步骤三:对步骤二所得的每张图片进行计数包括:
a)随机在图像中选取多行像素线,将像素线经过的像素值进行滤波除去噪点,从处理过的像素值数值变化计算得到这张图片中滑片的数量;对比多行像素线统计得到的数目是否相等,如果相等则认为计数正确,记录数据;若还有图片待处理重复步骤a)处理下一张图片,直到所有图片处理完毕转步骤四;
b)如果不相等则再随机选择多行像素线重复上步a)操作,记录重复次数,直到相等,记录此时的结果和重复次数;若最后同一张图片重复次数超过设定值下限,修改自适应阈值的参数,再重新进行统计操作,直到出现统计操作少于设定值下限的数据出现,记录数据;若还有图片待处理重复步骤a)处理下一张图片,若所有图片处理完毕转步骤四;
c)出现最坏情况,即尝试完所有预设自适应阈值参数每个参数的统计操作都多于设定值下限,则选出所有结果中对应重复统计操作时计数最小的结果;
步骤四:所有图片都处理完,累加求和得到总计数。
所述图像预处理包括把彩色图像转换为灰度图像,将灰度图计算自适应阈值进行二值化得到二值化图像,对二值化图像高斯模糊后再进行二值化操作除去图像中的噪点,膨胀使得分离的滑片图像联合在一起,再腐蚀得到一块大小略大于滑片区域的白块,通过OpenCV提供的寻找轮廓函数findContours来寻找二值图像上最大的轮廓即滑片所处区域,从灰度图中截取这块区域便是滑片所处区域。
所述自适应阈值为:核大小为3*3,即对一个像素点为中心的9宫格区域像素值取平均得到阈值。
所述步骤三a)滤波除去噪点方法为:将像素线经过的像素值装入一个数组,对这个数组的信号进行“低通滤波”,具体操作为只有连续出现不一致的相同信号时认为信号变化,否则认为不变化并剔除不变化数据。
所述步骤三b)中自适应阈值的参数记为y,预设多个分别为y1……yn,自适应阈值记为x,最终阈值为t,t=x-y。
本发明的有益效果是实现了空调压缩机滑片自动计数,能方便、快速、准确的对棒材计数,即使滑片上有油污也基本不会影响计数。
附图说明
图1为本发明的整体流程图;
图2为计数流程图;
图3为获取滑片区域端面图;
图4为对分割后的图片处理后用于计数的二值图像。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
实施例1:图1为本发明的整体流程图,先采集待计数图像,对图像进行预处理包括把彩色图像转换为灰度图像,将灰度图计算自适应阈值进行二值化得到二值化图像,对二值化图像高斯模糊后再进行二值化操作除去图像中的噪点,膨胀使得分离的滑片图像联合在一起,再腐蚀得到一块大小略大于滑片区域的白块,通过OpenCV提供的寻找轮廓函数findContours来寻找二值图像上最大的轮廓即滑片所处区域,从灰度图中截取这块区域便是滑片所处区域,如图3所示;按照预先设定的滑片行数将图像横向均分成若干张图片,使得每张图片只有一行滑片;对这些图片进行计数;累加每张图片上的滑片数得到总数输出。
图2为计数操作流程图,对需要计数的图片先进行自适应阈值二值化操作得到二值化图像如图4所示,对图片进行计数包括: 随机在图像中选取多行像素线可以是2行,3行,4行,5行等本实施例结合效率和精度取为3行,将像素线经过的像素值装入一个数组,对数组进行滤波除去噪点,从处理过的数组中数值的变化得到这张图片中滑片的数量;对比多行像素线统计得到的数目是否相等,如果相等则认为计数正确,记录数据;对数组进行滤波除去噪点方法为,对这个数组的信号进行“低通滤波”,具体操作为只有连续出现不一致的相同信号时认为信号变化,否则认为不变化并剔除不变化数据。例如:从二值化图片中提取的数据,数组里的信号只有两个值,通过信号变化我们可以得到滑片数正常信号类似-0-0-0-0-1-1-1-1-0-0-0-0-如果认为这是有一片滑片的话,那么带有缺失噪点的信号就是-0-0-0-0-1-0-1-1-0-0-0-0变为两片,滤波后变成-0-0-0-1-0-0-0-计数还是一片。
如果不相等则再随机选择3行像素线重复上步a)操作,记录重复次数,直到相等,记录此时的结果和重复次数;若最后同一张图片重复次数超过设定值下限,本实施例中下限次数设为10次,修改自适应阈值的参数,再重新进行统计操作,直到出现统计操作少于设定值下限的数据出现,记录数据;自适应阈值为:核大小为3*3,即对一个像素点为中心的9宫格区域像素值取平均得到阈值。自适应阈值的参数记为y,预设多个分别为y1……yn,自适应阈值记为x,最终阈值为t,t=x-y,x是根据周围像素点计算得出的,对不同像素点它的值不同,预设y1=-10、y2=0、y3=10,这几个参数对应不同的光照强度,这里三个参数对应亮、一般、暗三种情况,实际可根据环境做更加多的细分,因为同一张图片光照也不一定均匀,而原始图片已经被横向均分成多段了,因此通过计数循环的重复次数作为反馈可以选出此段图像最适合的参数。为防止拍摄无关图像输入导致程序卡死,在随机选择3行像素线直到结果相等的处理中设置一个较大的上限次数,若达到上限值则结束程序并抛出异常提示本例中上限次数设为200。
出现最坏情况,即尝试完所有预设自适应阈值参数每个参数的统计操作都多于设定值下限,则选出所有结果中对应重复统计操作时计数最少的结果。
进一步为了让计数更精准,将对同一张图片进行多次计数操作,直到前后两次计数结果一致,且若出现最坏情况,则对该图片进行一定次计数,随机选择出现频率最高的结果作为做为最终结果。
Claims (5)
1.一种基于机器视觉的空调压缩机滑片计数方法,其特征在于计数方法包含以下步骤:
步骤一:采集图像,图像预处理,得到仅有空调压缩机滑片端面图的灰度图;
步骤二:将预处理得到的图片横向均分,即每张图只包含一行空调压缩机滑片;
步骤三:对步骤二所得的每张图片进行计数包括:
a)随机在图像中选取多行像素线,将像素线经过的像素值进行滤波除去噪点,从处理过的像素值数值变化计算得到这张图片中滑片的数量;对比多行像素线统计得到的数目是否相等,如果相等则认为计数正确,记录数据;若还有图片待处理重复步骤a)处理下一张图片,直到所有图片处理完毕转步骤四;
b)如果不相等则再随机选择多行像素线重复上步a)操作,记录重复次数,直到相等,记录此时的结果和重复次数;若最后同一张图片重复次数超过设定值下限,修改自适应阈值的参数,再重新进行统计操作,直到出现统计操作少于设定值下限的数据出现,记录数据;若还有图片待处理重复步骤a)处理下一张图片,若所有图片处理完毕转步骤四;
c)出现最坏情况,即尝试完所有预设自适应阈值参数每个参数的统计操作都多于设定值下限,则选出所有结果中对应重复统计操作时计数最小的结果;
步骤四:所有图片都处理完,累加求和得到总计数。
2.如权利要求1所述的一种基于机器视觉的空调压缩机滑片计数方法,其特征在于,所述步骤一中预处理过程为把彩色图像转换为灰度图像,将灰度图计算自适应阈值进行二值化得到二值化图像,对二值化图像高斯模糊后再进行二值化操作除去图像中的噪点,膨胀使得分离的滑片图像联合在一起,再腐蚀得到一块大小略大于滑片区域的白块,通过OpenCV提供的寻找轮廓函数findContours来寻找二值图像上最大的轮廓即滑片所处区域,从灰度图中截取这块区域便是滑片所处区域。
3.如权利要求2所述的一种基于机器视觉的空调压缩机滑片计数方法,其特征在于,所述自适应阈值:核大小为3*3,即对一个像素点为中心的9宫格区域像素值取平均得到阈值。
4.如权利要求1所述的一种基于机器视觉的空调压缩机滑片计数方法,其特征在于,所述步骤三a)滤波除去噪点方法为:将像素线经过的像素值装入一个数组,对这个数组的信号进行“低通滤波”,具体操作为只有连续出现不一致的相同信号时认为信号变化,否则认为不变化并剔除不变化数据。
5.如权利要求1所述的一种基于机器视觉的空调压缩机滑片计数方法,其特征在于,所述步骤三b)中自适应阈值的参数记为y,预设多个分别为y1……yn,自适应阈值记为x,最终阈值为t,t=x-y。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810160356.XA CN108304910B (zh) | 2018-02-27 | 2018-02-27 | 一种基于机器视觉的空调压缩机滑片计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810160356.XA CN108304910B (zh) | 2018-02-27 | 2018-02-27 | 一种基于机器视觉的空调压缩机滑片计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108304910A CN108304910A (zh) | 2018-07-20 |
CN108304910B true CN108304910B (zh) | 2021-07-30 |
Family
ID=62848806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810160356.XA Active CN108304910B (zh) | 2018-02-27 | 2018-02-27 | 一种基于机器视觉的空调压缩机滑片计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304910B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570676B (zh) * | 2021-08-19 | 2023-11-03 | 北京京东振世信息技术有限公司 | 一种计数的方法和装置 |
CN115439522B (zh) * | 2022-06-06 | 2023-04-11 | 中国极地研究中心(中国极地研究所) | 一种用于提取冰层界面的方法、系统及其存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100668606B1 (ko) * | 2003-07-15 | 2007-01-15 | 손범석 | 전자주판의 주판알 위치 검출장치 |
CN102254222B (zh) * | 2011-07-07 | 2014-05-07 | 合肥市百胜科技发展股份有限公司 | 棒材进行计数的方法及装置 |
CN104021419B (zh) * | 2013-02-28 | 2017-09-19 | 华为终端有限公司 | 一种统计纸张数目的方法和装置 |
CN103353950B (zh) * | 2013-06-08 | 2016-01-27 | 汕头东风印刷股份有限公司 | 一种纸张计数方法 |
CN104657772A (zh) * | 2013-11-25 | 2015-05-27 | 王健 | 基于视觉处理的棒材在线计数系统 |
CN104318543A (zh) * | 2014-01-27 | 2015-01-28 | 郑州大学 | 基于图像处理方法的板材计量方法与装置 |
CN105303233A (zh) * | 2015-10-15 | 2016-02-03 | 陕西科技大学 | 一种基于计算机视觉的钢筋数量统计方法 |
CN107545572A (zh) * | 2016-06-23 | 2018-01-05 | 爱威科技股份有限公司 | 图像中目标的处理方法和装置 |
-
2018
- 2018-02-27 CN CN201810160356.XA patent/CN108304910B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108304910A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539935B (zh) | 一种基于机器视觉的电缆表面缺陷在线检测方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN108304910B (zh) | 一种基于机器视觉的空调压缩机滑片计数方法 | |
CN112132153A (zh) | 基于聚类和形态学处理的番茄果实识别方法及系统 | |
CN110942457A (zh) | 基于数字图像处理技术的太阳能电池板缺陷检测方法 | |
CN114612385B (zh) | 一种基于模板匹配的拉链布边缺陷识别方法 | |
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
US20230043666A1 (en) | Information processing device and machine tool | |
CN115410077B (zh) | 一种基于yolov7目标检测算法实现检测烟丝杂物识别方法 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN115131348A (zh) | 一种纺织品表面缺陷的检测方法及系统 | |
CN108615039A (zh) | 基于计算机视觉的弹壳表面缺陷自动检测方法 | |
CN107967690B (zh) | 一种自适应铁谱磨粒图像二值化处理方法 | |
CN110942444A (zh) | 物体检测方法和装置 | |
CN112381867B (zh) | 用于工业分拣流水线的大面积深度图像空洞自动填充方法 | |
CN112084804B (zh) | 针对信息缺失条形码智能获取补足像素的工作方法 | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
CN111353507B (zh) | 一种变电站器件表面油污的图像识别方法和装置 | |
CN110516725A (zh) | 基于机器视觉的木板条纹间距和颜色的检测方法 | |
CN109376770B (zh) | 一种应用于底片检查机的网格区域识别方法及装置 | |
CN108362693B (zh) | 一种基于图像处理的传送带上绝缘子合格率的检测方法 | |
CN115294164A (zh) | 一种用于绿色植被图像分割的自动阈值颜色因子算法 | |
Yang et al. | Cherry recognition based on color channel transform |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |