CN108335296B - 一种极板识别装置及方法 - Google Patents
一种极板识别装置及方法 Download PDFInfo
- Publication number
- CN108335296B CN108335296B CN201810166243.0A CN201810166243A CN108335296B CN 108335296 B CN108335296 B CN 108335296B CN 201810166243 A CN201810166243 A CN 201810166243A CN 108335296 B CN108335296 B CN 108335296B
- Authority
- CN
- China
- Prior art keywords
- image
- small
- standard reference
- target image
- reference image
- 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
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种极板识别装置及方法,两台彩色工业相机分别对被检极板正反两面进行图像拍摄,彩色工业相机镜头上的无影光源经漫反射板折射后照射极板上,以强化极板表面特征。计算机上的识别软件通过网线读取工业相机的实时图像,并保存在计算机硬盘中,并通过图形识别算法来实现沉积物全部或部分未剥离成功,极板表面或绝缘条损坏和导电梁变形等现象的识别。本发明的装置可以实现极板的表面沉积物和极板及其导电梁的损耗程度的自动辨别;本发明的方法识别率高且识别规范,识别速度快,应用范围广,可以广泛运用于锌、锰、铜等冶炼行业;大大降低了人工的劳动强度,成本相较现有的人工判别大幅降低。
Description
技术领域
本发明涉及自动化控制领域,特别是一种极板识别装置及方法。
背景技术
以金属锌为例,我国大型锌冶炼企业基本已采用自动化剥锌生产线。锌剥离片过程中,极板有可能因为电积工艺和剥锌及洗刷过程中出现锌片全部或部分未剥离成功,极板表面或绝缘条损坏和导电梁变形等现象。通过视觉识别技术实现极板辨别的装置能正确辨识出锌片的剥离程度和极板表面及绝缘条的破损程度。用户可根据辨识结果来进行剔补板的后续处理,以免影响下一周期的电积。目前极板的辨识主要通过人工来进行判别,准确性、规范性和识别速度易受主观因素的影响,且需要人工进行大量简单重复的劳动。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种极板识别装置及方法,提高识别率和识别速度,降低识别成本,提高劳动生产率。
为解决上述技术问题,本发明所采用的技术方案是:一种极板识别装置,包括:
两个工业相机,分别安装于极板的正前方中心和正后方中心,且两个工业相机的中心点连线垂直于所述极板所在平面,用于获取所述极板正方两面的图像;
两个无影光源,分别设置于所述两个工业相机的镜头外圈上,且无影光源经漫反折射后照射到所述极板上;
网络交换机,与所述两个工业相机电连接;
上位机,与所述网络交换机电连接,用于对所述两个工业相机获取的图像进行处理,判断极板表面是否有沉积物或者损坏。
相应地,本发明还提供了一种极板识别方法,其包括:
当极板材质和沉积物材质RGB颜色差异在±20%以内且沉积物表面不存在直径大于3mm的凸点时,采用如下步骤进行检测:
1)获取待检测极板的图像,即目标图像;
2)加载标准参考图像,将标准参考图像和目标图像的极板区域分割为若干小图像;
3)将所述小图像转换成Mat矩阵,再将所述Mat矩阵分割成若干个小矩阵;
4)将所述目标图像对应的小矩阵与标准参考图像对应的小矩阵进行匹配处理,当处理结果除以预设的阈值大于预设的精度时,认为不匹配;若某一个目标图像的小图像对应的小矩阵的不匹配率超过第一设定值,则认为该小图像内有沉积物或损坏;当被判定为有沉积物或损坏的小图像超过第二设定值时,认为待检测极板有沉积物或损坏;
对于沉积物表面存在凸点,且凸点直径大于3mm,每平方厘米不少于2个凸点的极板,采用如下步骤进行检测:
1)获取待检测极板的图像,即目标图像;
2)加载标准参考图像,将标准参考图像和目标图像的极板区域分割为若干小图像;
3)将所述小图像转换成Mat矩阵,再将所述Mat矩阵分割成若干个小矩阵;
4)通过Graham扫描算法确定小矩阵的凸包;凸包的形状为圆形则认为该小矩阵有沉积物,凸包的形状不规则认为该小矩阵有缺陷;根据所述凸包的坐标确定待检测极板上沉积物和缺陷的位置;
5)当一个小图像对应的小矩阵的缺陷率超过第三设定值时,认定该小图像内有沉积物或损坏;当有缺陷的小图像超过第四设定值时,认定该极板有沉积物或损坏;
对于极板材质和沉积物RGB颜色差异在±20%以外的极板,采用如下步骤进行检测:
1)获取待检测极板的图像,即目标图像;
2)加载标准参考图像,将标准参考图像和目标图像的极板区域分割为若干小图像;
3)将所述小图像由RGB模型转换成HSV模型;
4)检测小图像的每一个像素的颜色是不是在极板颜色区间内,当一个小图像像素点的不匹配率超过第五设定值时,认定该小图像内有沉积物或损坏,当有不匹配的小图像超过第六设定值时,认定该极板有沉积物或损坏;
绝缘条和导电梁识别:;将目标图像转换成灰度图像并降噪滤波,然后再通过Canny算法将灰度图像转换成二值图像,提取二值图像中的轮廓;根据绝缘条和导电梁实际位置确定目标图像中绝缘条和导电梁的坐标;若二值图像中该坐标的轮廓线平直,长度和面积正确,则绝缘条和导电梁正常;否则绝缘条和导电梁存在缺陷。
本发明所述小图像大小为162*162;所述小矩阵大小为20行20列。
利用平方差匹配方法对所述目标图像对应的小矩阵与标准参考图像对应的小矩阵进行匹配处理:其中T(x′,y′)为目标图像各像素点像素值的小矩阵;I(x+x′,y+y′)为标准参考图像各像素点像素值的小矩阵;
R(x,y)是用来描述相似度的函数,其结果为小矩阵的匹配度;x′为0~(w-1),y′为0~(h-1),w为标准参考图像/目标图像的宽度,h为标准参考图像/目标图像的高度。
利用相关匹配方法对所述目标图像对应的小矩阵与标准参考图像对应的小矩阵进行匹配处理:其中T(x′,y′)为目标图像各像素点像素值的小矩阵;I(x+x′,y+y′)为标准参考图像各像素点像素值的小矩阵;R(x,y)是用来描述相似度的函数,其结果为小矩阵的匹配度;x′为0~(w-1),y′为0~(h-1),w为标准参考图像/目标图像的宽度,h为标准参考图像/目标图像的高度。
利用标准相关匹配方法对所述目标图像对应的小矩阵与标准参考图像对应的小矩阵进行匹配处理:其中T(x′,y′)为目标图像各像素点像素值的小矩阵;I(x+x′,y+y′)为标准参考图像各像素点像素值的小矩阵;R(x,y)是用来描述相似度的函数,其结果为每个点匹配度;x′为0~(w-1),y′为0~(h-1),w为标准参考图像/目标图像的宽度,h为标准参考图像/目标图像的高度。
利用相关系数匹配方法对所述目标图像对应的小矩阵与标准参考图像对应的小矩阵进行匹配处理:其中T(x′,y′)为目标图像各像素点像素值的矩阵;I(x+x′,y+y′)为标准参考图像各像素点像素值的小矩阵;R(x,y)是用来描述相似度的函数,其结果为小矩阵的匹配度;x′为0~(w-1),y′为0~(h-1),w为标准参考图像/目标图像的宽度,h为标准参考图像/目标图像的高度;I′(x+x′,y+y′)为标准参考图像各像素点像素值交流分量的小矩阵。
利用标准相关系数匹配方法对所述目标图像对应的小矩阵与标准参考图像对应的小矩阵进行匹配处理:其中T′(x′,y′)为目标图像各像素点像素值交流分量的小矩阵;I(x+x′,y+y′)为标准参考图像各像素点像素值的小矩阵;R(x,y)是用来描述相似度的函数,其结果为小矩阵的匹配度;x′为0~(w-1),y′为0~(h-1),w为标准参考图像/目标图像的宽度,h为标准参考图像/目标图像的高度。
利用下式对所述目标图像对应的小矩阵与标准参考图像对应的小矩阵进行匹配处理:其中T′(x′,y′)为目标图像各像素点像素值交流分量的矩阵;I(x+x′,y+y′)为标准参考图像各像素点像素值的小矩阵;R(x,y)是用来描述相似度的函数,其结果为小矩阵的匹配度;x′为0~(w-1),y′为0~(h-1),w为标准参考图像/目标图像的宽度,h为标准参考图像/目标图像的高度;I′(x+x′,y+y′)为标准参考图像各像素点像素值交流分量的小矩阵
与现有技术相比,本发明所具有的有益效果为:本发明的装置可以实现极板的表面沉积物和极板及其导电梁的损耗程度的自动辨别,具有结构简洁、识别率高、识别速度快、提高了生产效率的优点;本发明的方法识别率高且识别规范,采用高性能计算机技术,识别速度快,应用范围广,可以广泛运用于锌、锰、铜等冶炼行业;大大降低了人工的劳动强度,成本相较现有的人工判别大幅降低。
附图说明
图1为本发明极板识别装置结构示意图;
图2为Graham扫描算法示意图。
图3为Graham扫描算法扫描结果示意图。
具体实施方式:
如图1-图3所示,本发明实施例极板识别装置包括彩色工业相机1,无影光源2,千兆网络交换机3和计算机4。
两个彩色工业相机一般位于极板的正前方和正后方中心,并垂直于极板平面,避免因视角倾斜度过大引起图像的失真。工业相机与极板保持一定距离。可根据极板的大小、感光器件的尺寸、镜头焦距的大小来设定工业相机与极板的距离,保证图像的清晰度和准确度。
所述无影光源位于彩色工业相机的的镜头外圈上,经漫反射板折射后照射极板上,以强化极板表面特征,并减小其他光源对极板表面特征的影响,提高识别精度。
所述千兆网络交换机用于两个彩色工业相机与计算机通过千兆网线进行物理连接,提高极板图像的传输速率。
计算机(上位机)通过接收到的极板图像与参考图像库进行比对,通过识别算法找出二者的区别,或通过图形识别算法直接对极板图形的表面特征进行分析,最后根据逻辑算法辨别目标极板是否合格。并对极板的不合格率的数量、周期、位置和范围进行统计分析。通过对极板的破损率的统计可以方便企业设定合理的极板备板率,降低了企业极板备板成本,提高了企业生产效率。通过对极板不达标频次的统计和周期性分析,可以帮助企业发现和分析电解工艺参数的变化,帮助企业改善电解工艺参数。
本装置工作原理:两台彩色工业相机1分别对被检极板正反两面进行图像拍摄,彩色工业相机镜头上的无影光源经漫反射板折射后照射极板上,以强化极板表面特征。计算机上的识别软件通过网线读取工业相机的实时图像,并保存在计算机硬盘中,并通过各种图形识别算法来实现沉积物全部或部分未剥离成功,极板表面或绝缘条损坏和导电梁变形等现象的识别。以下介绍具体本装置算法原理。
本发明通过目标图像与标准参考图像进行比对和匹配来识别极板。
识别方法1:通过目标图像与标准参考图像进行比对和匹配来识别。加载参考图像,将参考图像和目标图像的极板区域分割成若干个小图像。小图像的大小根据工业相机的像素、极板的面积、识别的精度来确定。以500万像素(2592*1944)的工业相机、极板面积3.2平方米(最高为2000,最宽为1600)为例,小图像大小可设置为162*162。将小图像转换成CV_8UC3格式的Mat矩阵图片容器,再将矩阵分割成若干个小矩阵。小矩阵一般分割为20行20列矩阵,剩余不够部分按20行或20列分割。将目标图像的小矩阵与参考图像相对应的小矩阵进行各种算法的运算,当运算结果(result)减去预先设定的阈值(threshold)大于预先设定的精度(epsilon)时,可以认为该小矩阵不匹配。当一个小图像的小矩阵的不匹配率超过某个设定值时,认定该小图像内有沉积物或损坏。当有不匹配的小图像超过某个设定值时,认定该极板有沉积物或损坏。其中设定的阈值、精度及合格匹配设定值需根据极板材质和沉积物特性确定。可以通过大量的各种已使用过的极板为目标极板,以崭新的极板(无沉积物)为参考极板通过比对来确定阈值、精度及合格匹配设定值。以下介绍匹配算法。
平方差匹配method=CV_TM_SQDIFF
这类方法利用平方差来进行匹配,最好匹配为0。匹配越差,匹配值越大。
公式一:
标准平方差匹配method=CV_TM_SQDIFF_NORMED
公式二:
相关匹配method=CV_TM_CCORR
这类方法采用参考和图像间的乘法操作,所以较大的数表示匹配程度较高,0表示最坏的匹配效果。
公式三:
标准相关匹配method=CV_TM_CCORR_NORMED
公式四:
相关系数匹配method=CV_TM_CCOEFF
这类方法将模版对其均值的相对值与图像对其均值的相对值进行匹配,1表示完美匹配,-1表示糟糕的匹配,0表示没有任何相关性(随机序列)。
公式五:
标准相关系数匹配method=CV_TM_CCOEFF_NORMED
公式六:
以下上述公式中符号的描述:
1.T(x,y)是目标图像各像素点像素值的矩阵。
2.I(x,y)是参考图像各像素点像素值的矩阵。
3.R(x,y)是用来描述相似度的函数,其结果为该矩阵的匹配度。
4.w为图像的宽度,h为图像的高度,x′为0到w-1,y′为0到h-1。
5.其中相关系数匹配与标准相关系数匹配公式(公式五、公式六)中的T′(x′,y′)与I′(x+x′,y+y′)为把目标图像和参考图像都减去了各自的平均值,使得这两幅图像都没有直流分量。公式七:
T′(χ′,y′)=T(x′,y′)-1/(w·h)·∑x″,y"T(χ",y")
I′(x+χ′,y+y′)=I(χ+χ′,y+y′)-1/(w·h)·∑x″,y″I(x+χ″,y+y")
T′(x′,y′)为目标图像各像素点像素值交流分量的矩阵。
T(x′,y′)为目标图像各像素点像素值的矩阵。
I′(x+x′,y+y′)为参考图像各像素点像素值交流分量的矩阵。
I(x+x′,y+y′)为参考图像各像素点像素值的矩阵。
w为图像的宽度,h为图像的高度,x″为0到w-1,y″为0到h-1。
6.公式中等号右边的x为目标图像(参考图像)矩阵在目标图像(参考图像)的横向起始位置,y为目标图像(参考图像)矩阵在目标图像(参考图像)的纵向起始位置。如果目标图像和参考图像均由同一相机在同一位置所拍摄,二者的宽高和分辨率均一致,而且分割成小图片和小矩阵的方式和大小均一致,可以令公式中等号右边的x=0,y=0。
随着从简单的测量(平方差)到更复杂的测量(相关系数),我们可获得越来越准确的匹配结构。本识别方法可以辨别极板沉积物是否部分或完全剥离,极板表面是否有孔洞或残缺,以及沉积物和缺陷的位置及范围。
极板的识别方法2:极板在电积过程中,随着沉积物的增厚,沉积物表面会形成无数个不规则的小凸点,而剥离完沉积物的表面是平整且光滑的。通过计算目标图像凸包来识别。凸包:给定一个二维平面上的点集,凸包就是将这个点集最外层的点连接起来的构成的凸多边形。加载参考图像,将目标图像的极板区域分割成若干个小图像。小图像的大小根据工业相机的像素、极板的面积、识别的精度、计算机的运算能力及要求的识别速度来确定。以500万像素(2592*1944)的工业相机、极板面积3.2平方米(最高为2000,最宽为1600)为例,小图像大小可设置为162*162。将目标图像转换成CV_8UC3格式的Mat矩阵图片容器,再将矩阵分割成若干个小矩阵。小矩阵一般分割为20行20列矩阵,剩余不够部分按20行或20列分割。通过Graham扫描算法从第20行第1列的元素开始计算小矩阵的凸包。凸包的多边形接近于正方形认为该小矩阵无缺陷(无小凸点)。凸包的多边形接近于圆形认为该小矩阵有沉积物(有小凸点)。凸包的多边形不规则认为该小矩阵有缺陷。根据凸包的数量来辨别极板上是否有沉积物和破损,根据凸包的坐标来辨别极板上沉积物和破损的位置。当一个小图像的小矩阵的缺陷率超过某个设定值时,认定该小图像内有沉积物或损坏。当有缺陷的小图像超过某个设定值时,认定该极板有沉积物或损坏。其中设定值需根据极板材质和沉积物特性有关。可以通过大量的不同的已使用过的极板为目标极板,以崭新的极板(无沉积物)为参考极板通过比对来确定设定值(经过反复试验,小矩阵的缺陷设定值一般设为40%-60%。小图像的缺陷设定值一般设为0.53%-1%。)。
Graham扫描算法先找到凸包上的一个点,然后从那个点开始按逆时针方向逐个找凸包上的点,但它不是利用夹角。
步骤:
1.把所有点放在二维坐标系中,则纵坐标最小的点一定是凸包上的点,如图2中的P0。
2.把所有点的坐标平移一下,使P0作为原点,如图2。
3.计算各个点相对于P0的幅角α,按从小到大的顺序对各个点排序。当α相同时,距离P0比较近的排在前面。例如图2得到的结果为P1,P2,P3,P4,P5,P6,P7,P8。我们由几何知识可以知道,结果中第一个点P1和最后一个点P8一定是凸包上的点。
以上,我们已经知道了凸包上的第一个点P0和第二个点P1,我们把它们放在栈里面。现在从步骤3求得的那个结果里,把P1后面的那个点拿出来做当前点,即P2。接下来开始找第三个点:
4.连接P0和栈顶的那个点,得到直线L。看当前点是在直线L的右边还是左边。如果在直线的右边就执行步骤5;如果在直线上,或者在直线的左边就执行步骤6。
5.如果在右边,则栈顶的那个元素不是凸包上的点,把栈顶元素出栈。执行步骤4。
6.当前点是凸包上的点,把它压入栈,执行步骤7。
7.检查当前的点P2是不是步骤3那个结果的最后一个元素。是最后一个元
素的话就结束。如果不是的话就把P2后面那个点做当前点,返回步骤4。最后,栈中的元素就是凸包上的点了。计算结果所连接的多边形如图3。
本识别方法可以辨别极板沉积物是否部分或完全剥离及极板缺陷,以及沉积物和缺陷的位置及范围。
极板的识别方法3:根据极板和沉积物的颜色差异来识别。例如电解铜(沉积物)与不锈钢(极板)的颜色差异非常明显。加载目标图像,将目标图像的极板区域分割成若干个小图像。小图像的大小根据工业相机的像素、极板的面积、识别的精度、计算机的运算能力及要求的识别速度来确定。以500万像素(2592*1944)的工业相机、极板面积3.2平方米(最高为2000,最宽为1600)为例,小图像大小可设置为162*162。将小图像由RGB模型转换成HSV模型。H分量基本能表示一个物体的颜色,S代表的是H所表示的那个颜色和白色的混合程度,也就说S越小,颜色越发白,也就是越浅;V代表的是H所表示的那个颜色和黑色的混合程度,也就说V越小,颜色越发黑。对每个小图像进行颜色检测,检测小图像的每一个像素的颜色是不是在极板颜色区间内。当一个小图像像素点的不匹配率超过某个设定值时,认定该小图像内有沉积物或损坏。当有不匹配的小图像超过某个设定值时,认定该极板有沉积物或损坏。其中极板颜色区间和设定值需根据极板材质和沉积物特性有关。可以通过大量的不同的已使用过的极板为目标极板,以崭新的极板(无沉积物)为参考极板通过比对来确定极板颜色区间和设定值。本识别方法可以辨别极板沉积物是否部分或完全剥离,极板表面是否有孔洞或残缺,以及沉积物和缺陷的位置及范围。以电解铜为例,沉积物(铜)的RGB值为(186,110,64),极板(未抛光不锈钢)的RGB值为(128,128,126),抛光不锈钢的RGB值为(220,220,220)。RGB(186,110,64)转换成HSV模型为H=22.62295081967213、S=0.6559139784946236、V=186.0。RGB(128,128,126)转换成HSV模型为H=60.0、S=0.015625、V=128.0。RGB(220,220,220)转换成HSV模型为H=-1、S=0.0、V=220.0。我们可以设定极板颜色区间为H=60.0±6、S=0.015625±0.01、V=128.0±13和H=-1±6、S=0.0±0.01、V=220.0±13。小图像的缺陷设定值一般设为0.53%-1%。
绝缘条和导电梁识别:轮廓是构成任何一个形状的边界或外形线。轮廓是物体在亮度不同的区域之间有一个明显的变化,即明度级差突然变化而形成的。通过边缘检测算法检测出轮廓边界的像素,将这些边缘像素组装成轮廓,再根据轮廓线的坐标和平直度来辨别绝缘条损坏和导电梁变形情况。将目标图像转换成灰度图像并降噪滤波,然后再通过Canny算法将灰度图像转换成二值图像,提取二值图像中的轮廓。极板的绝缘条和导电梁的位置、长度和面积是一定的,且平直。根据绝缘条和导电梁实际位置来确定目标图像中的坐标。分析二值图中该坐标的轮廓线是否平直,长度和面积是否正确,位置是否正确来辨别绝缘条损坏和导电梁变形情况。平直度可以根据轮廓线的最低点和最高点连线的倾斜角(相对于水平线或垂直线)来判断,如斜率角偏差(测量值-实际值)超出±3°到±6°时,可以认为导电梁或绝缘条有变形。长度和面积可以根据轮廓线最边缘的点来确定,如偏差(测量值-实际值)超出±3%到±6%时,可以认为导电梁或绝缘条有损坏。
下表为通过六种匹配算法通过大量计算后,得出的各预设值的取值范围。取值范围的条件:
1.500万像素(2592*1944)的工业相机。
2.锌极板面积3.2平方米。
3.小图像大小设置为162*162。
4.小矩阵分割为20行20列矩阵。
Claims (9)
1.一种极板识别方法,其特征在于,包括:
当极板材质和沉积物材质RGB颜色差异在±20%以内且沉积物表面不存在直径大于3mm的凸点时,采用如下步骤进行检测:
1)获取待检测极板的图像,即目标图像;
2)加载标准参考图像,将标准参考图像和目标图像的极板区域分割为若干小图像;
3)将所述小图像转换成Mat矩阵,再将所述Mat矩阵分割成若干个小矩阵;
4)将所述目标图像对应的小矩阵与标准参考图像对应的小矩阵进行匹配处理,当处理结果除以预设的阈值大于预设的精度时,认为不匹配;若某一个目标图像的小图像对应的小矩阵的不匹配率超过第一设定值,则认为该小图像内有沉积物或损坏;当被判定为有沉积物或损坏的小图像超过第二设定值时,认为待检测极板有沉积物或损坏;
对于沉积物表面存在凸点,且凸点直径大于3mm,每平方厘米不少于2个凸点的极板,采用如下步骤进行检测:
1)获取待检测极板的图像,即目标图像;
2)加载标准参考图像,将标准参考图像和目标图像的极板区域分割为若干小图像;
3)将所述小图像转换成Mat矩阵,再将所述Mat矩阵分割成若干个小矩阵;
4)通过Graham扫描算法确定小矩阵的凸包;凸包的形状为圆形则认为该小矩阵有沉积物,凸包的形状不规则认为该小矩阵有缺陷;根据所述凸包的坐标确定待检测极板上沉积物和缺陷的位置;
5)当一个小图像对应的小矩阵的缺陷率超过第三设定值时,认定该小图像内有沉积物或损坏;当有缺陷的小图像超过第四设定值时,认定该极板有沉积物或损坏;
对于极板材质和沉积物RGB颜色差异在±20%以外的极板,采用如下步骤进行检测:
1)获取待检测极板的图像,即目标图像;
2)加载标准参考图像,将标准参考图像和目标图像的极板区域分割为若干小图像;
3)将所述小图像由RGB模型转换成HSV模型;
4)检测小图像的每一个像素的颜色是不是在极板颜色区间内,当一个小图像像素点的不匹配率超过第五设定值时,认定该小图像内有沉积物或损坏,当有不匹配的小图像超过第六设定值时,认定该极板有沉积物或损坏;
绝缘条和导电梁识别:将目标图像转换成灰度图像并降噪滤波,然后再通过Canny算法将灰度图像转换成二值图像,提取二值图像中的轮廓;根据绝缘条和导电梁实际位置确定目标图像中绝缘条和导电梁的坐标;若二值图像中该坐标的轮廓线平直,长度和面积正确,则绝缘条和导电梁正常;否则绝缘条和导电梁存在缺陷。
2.根据权利要求1所述的极板识别方法,其特征在于,所述小图像大小为162*162。
3.根据权利要求1所述的极板识别方法,其特征在于,所述小矩阵大小为20行20列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810166243.0A CN108335296B (zh) | 2018-02-28 | 2018-02-28 | 一种极板识别装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810166243.0A CN108335296B (zh) | 2018-02-28 | 2018-02-28 | 一种极板识别装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108335296A CN108335296A (zh) | 2018-07-27 |
CN108335296B true CN108335296B (zh) | 2021-10-01 |
Family
ID=62930092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810166243.0A Active CN108335296B (zh) | 2018-02-28 | 2018-02-28 | 一种极板识别装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108335296B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580583B (zh) * | 2020-12-28 | 2024-03-15 | 深圳市普汇智联科技有限公司 | 一种台球花色识别参数自动校准方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6646733B1 (en) * | 1999-11-09 | 2003-11-11 | Outokumou Oyj | Method for inspecting electrode surface quality |
CN104700085A (zh) * | 2015-03-10 | 2015-06-10 | 华中科技大学 | 一种基于模板匹配的芯片定位方法 |
CN104833925A (zh) * | 2015-05-07 | 2015-08-12 | 昆山弗尔赛能源有限公司 | 一种基于机器视觉的燃料电池双极板检测方法及系统 |
CN105957082A (zh) * | 2016-05-04 | 2016-09-21 | 广东锐视智能检测有限公司 | 一种基于面阵相机的印刷质量在线监测方法 |
CN106886741A (zh) * | 2015-12-16 | 2017-06-23 | 芋头科技(杭州)有限公司 | 一种基手指识别的手势识别方法 |
CN107153848A (zh) * | 2017-06-15 | 2017-09-12 | 南京工程学院 | 基于OpenCV的仪表图像自动识别方法 |
-
2018
- 2018-02-28 CN CN201810166243.0A patent/CN108335296B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6646733B1 (en) * | 1999-11-09 | 2003-11-11 | Outokumou Oyj | Method for inspecting electrode surface quality |
CN104700085A (zh) * | 2015-03-10 | 2015-06-10 | 华中科技大学 | 一种基于模板匹配的芯片定位方法 |
CN104833925A (zh) * | 2015-05-07 | 2015-08-12 | 昆山弗尔赛能源有限公司 | 一种基于机器视觉的燃料电池双极板检测方法及系统 |
CN106886741A (zh) * | 2015-12-16 | 2017-06-23 | 芋头科技(杭州)有限公司 | 一种基手指识别的手势识别方法 |
CN105957082A (zh) * | 2016-05-04 | 2016-09-21 | 广东锐视智能检测有限公司 | 一种基于面阵相机的印刷质量在线监测方法 |
CN107153848A (zh) * | 2017-06-15 | 2017-09-12 | 南京工程学院 | 基于OpenCV的仪表图像自动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108335296A (zh) | 2018-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
US6941016B1 (en) | Method for finding contours in an image of an object | |
CN107941808B (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
Choi et al. | Detection of pinholes in steel slabs using Gabor filter combination and morphological features | |
CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN116630304B (zh) | 一种基于人工智能的锂电池模具加工检测方法及系统 | |
CN105741281B (zh) | 基于邻域离散度的图像边缘检测方法 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN115170669A (zh) | 基于边缘特征点集配准的识别定位方法及系统、存储介质 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115082477B (zh) | 一种基于去反光效果的半导体晶圆加工质量检测方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN108346138B (zh) | 一种基于图像处理的表面缺陷检测方法及系统 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 | |
CN113781413B (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN108335296B (zh) | 一种极板识别装置及方法 | |
CN114612418A (zh) | 一种鼠标外壳表面缺陷检测方法及装置、系统、电子设备 | |
CN114359251A (zh) | 一种混凝土表面破损的自动识别方法 | |
CN114387262A (zh) | 一种基于机器视觉的螺母定位检测方法、装置及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |