CN108734706A - 一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法 - Google Patents
一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法 Download PDFInfo
- Publication number
- CN108734706A CN108734706A CN201810491167.0A CN201810491167A CN108734706A CN 108734706 A CN108734706 A CN 108734706A CN 201810491167 A CN201810491167 A CN 201810491167A CN 108734706 A CN108734706 A CN 108734706A
- Authority
- CN
- China
- Prior art keywords
- image
- angle information
- template
- edge
- distribution character
- 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.)
- Granted
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法,包括步骤1:将待测图像分别进行灰度、滤波及阈值预处理操作,以此完成绕线区域图像预处理,待测图像成为二值图像;步骤2:计算待测图像和模板之间绕线区域轮廓空间分布特性的相似程度,以此来进行模板检索;步骤3:通过对待检测图像轮廓边缘上的采样点与该区域轮廓质心形成的向量与该点处梯度向量间的相对角度信息以及该向量自身的尺度信息的计算,实现轮廓形态的描述;步骤4:通过巴氏距离来计算待测图像与模板之间角度与尺度分布信息的相似度,进而实现待测图像的检测,有效避免了因模板选取偶然性对检测精度的影响,缩短了检测时间和提高了检测准确率。
Description
所属领域
本发明涉及数字图像处理与视觉检测方法,针对转子挂钩处的绕线形态提供了一种检测方法,具体的说,涉及一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法。
背景技术
随着我国工业自动化与智能化水平的不断提升,电机作为能实现电能转换为机械能的关键产品,被广泛地应用于工业、农业等领域的大型机电设备中,甚至是电梯、冰箱、空调等通用设备中去,随之而来的是,作为电机转动系统的核心部件——转子,其需求量亦在不断增长。
在转子生产过程中,其挂钩处需要和铜丝线环绕,由于操作的不规范性与铜丝自身属性限制,挂钩处易出现断线、漏挂等问题,进而影响产品质量。目前这一环节主要依靠人工抽检,受外界环境干扰与人自身疲劳等因素的影响,检测效率较低,因而,结合目前生产的实际需求,立足于我国数字图像处理与视觉检测方法的现状,如何快速而又准确地检测出挂钩处绕线的合格性成为亟待解决的问题,对城市政治经济、科学技术等方面的发展意义重大。
发明内容
本发明正是针对转子挂钩处的绕线形态进行研究,通过将待测挂线区域图像与合格的标准图像基于轮廓边缘点的尺度与角度进行匹配描述,进而实现转子图像的自动检测。针对待测图像与不同的模板图像匹配时相似度值存在波动的问题,本文提出了一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法,有效地避免了因模板选取偶然性对检测精度的影响,同时也避免了标准模板过多计算时间较长的问题。
为了实现上述目的,本发明采用的技术方案是:一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法,具体包括如下步骤:
S1:将待测图像分别进行灰度、滤波及阈值预处理操作,以此完成绕线区域图像预处理,待测图像成为二值图像;
S2:计算待测图像和模板之间绕线区域轮廓空间分布特性的相似程度,以此来进行模板检索;
S3:通过对待检测图像轮廓边缘上的采样点与该区域轮廓质心形成的向量与该点处梯度向量间的相对角度信息以及该向量自身的尺度信息的计算,实现轮廓形态的描述;
S4:通过巴氏距离来计算待测图像与模板之间角度与尺度分布信息的相似度,进而实现待测图像的检测。
作为本发明的一种改进,所述S1中灰度预处理操作为将彩色图像转变为灰度图像。
作为本发明的一种改进,所述S1中滤波预处理操作是采用中值滤波方法对待测图像灰度图进行去噪。
作为本发明的另一种改进,所述S1中阈值预处理操作是采用迭代法来自适应地计算出阈值,以此阈值对滤波后的灰度图像进行二值化操作;
作为本发明的另一种改进,所述S1中阈值预处理操作,在二值化图像后,从区域质心坐标与面积两方面对干扰区域进行筛选。
作为本发明的又一种改进,所述S2包括以下步骤:
S21:计算待测图像和模板之间绕线区域轮廓空间分布特性的相似程度;
S22:对模板图像基于区域分布特性进行相关性检索;
S23:选定原点,将图像空间进行模块划分并标记;
S24:对每个模块区间上的绕线区域轮廓采样点进行统计,得出其空间分布的直方图。
作为本发明的又一种改进,所述S22中待测图像和模板之间分布的相关性通过式如下公式计算
其中:Hk(J)为第J块区域分布的轮廓采样点个数,N为分布描述子所划分的区域块数;
作为本发明的更进一步改进,所述S3中轮廓的尺度、角度信息的形态学描述如下,对于轮廓边缘上任意一点ei(xi,yi)与轮廓质心 O0(x0,y0)形成向量ri,极半径定义为即为尺度信息,轮廓边缘上任意一点ei(xi,yi)处的角度大小可以定义为向量与该点梯度的夹角θi,即为角度信息,θi计算公式如下
与现有技术相比,本发明提出了一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法,通过综合绕线区域内容分布与边缘尺度角度分布两方面的信息,实现了两种特征表述方法的能力“互补”,有效地避免了因模板选取偶然性对检测精度的影响,同时也避免了标准模板过多计算时间较长的问题,缩短了检测时间和提高了检测准确率;同时也减轻了人工抽检的工作频率和劳动强度,减少了外界的干扰因素,工作效率更高,准确性更强。
附图说明
图1为本发明方法的流程示意图;
图2(a)为本发明待测图像图预处理图;
图2(b)为本发明步骤S1二值化后样本图像;
图2(c)为本发明步骤S1二值化优化后样本二值图;
图3(a)为本发明绕线区域轮廓图;
图3(b)为本发明图像空间模块划分标记示意图;
图3(c)为本发明轮廓区域分布描述示意图;
图4为尺度与角度描述子几何示意图;
图5(a)为本发明角度分布直方图;
图5(b)为本发明尺度分布直方图。
具体实施方式
以下将结合附图和实施例,对本发明进行较为详细的说明。
实施例1
一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法,图如1所示,具体包括如下步骤:
S1:将待测图像进行灰度预处理操作,即将彩色图像转变为灰度图像,随后进入滤波预处理操作,即指采用中值滤波方法对待测图像灰度图进行去噪,最后进行阈值预处理操作,采用迭代法来自适应地计算出阈值,以此阈值对滤波后的灰度图像进行二值化操作,以此完成绕线区域图像预处理,待测图像成为二值图像,如图2(a)和图2 (b)所示,图2(a)为本发明待测图像图预处理图,以待测图像中的绕线区域作为目标,其他不相关的区域即为背景,需要确定最优的阈值将两者区分开来。考虑到绕线目标和背景之间的灰度分布并非完全不同,随着光照射角度的变化,绕线的亮度和挂钩背景的亮度均会发生改变,因此无法用一个固定的灰度阈值来“以一值而蔽之”,经过分析采用迭代法来自适应地计算出阈值,然后用此阈值对图像进行二值化,可以达到比较理想的效果,即图2(b),为本发明步骤S1 二值化后样本图像,图像效果教图2(a)更好;
在待测图像转化为二值化图像后,为进一步优化图像质量,从区域质心坐标与面积两方面对干扰区域进行筛选,如图2(b)和图2 (c),在二值化图像后,图像上方挂钩区域仍存在一部分干扰,对此本实施例基于先验知识,从区域质心坐标与面积两方面对干扰区域进行筛选,得到优化后的绕线区域,即图2(c),效果较图2(a)和图 2(b)更佳。
S2:计算待测图像和模板之间绕线区域轮廓空间分布特性的相似程度,以此来进行模板检索;
S3:通过对待检测图像轮廓边缘上的采样点与该区域轮廓质心形成的向量与该点处梯度向量间的相对角度信息以及该向量自身的尺度信息的计算,实现轮廓形态的描述;
S4:通过巴氏距离来计算待测图像与模板之间角度与尺度分布信息的相似度,进而实现待测图像的检测,待测图像与模板之间角度与尺度分布信息的相似度,距离越小,相似度越高,待测图像的合格性更高。
实施例2
本实施例与实施例1不同之处在于:所述S2包括以下步骤:
S21:计算待测图像和模板之间绕线区域轮廓空间分布特性的相似程度;
S22:对模板图像基于区域分布特性进行相关性检索;
基于轮廓区域分布特性的模板检索算法,需要先对模板图像基于区域分布特性进行相关性检索,两幅图像(模板与待测图像)之间分布的相关性则可以通过式如下公式计算
其中:Hk(J)为第J块区域分布的轮廓采样点个数,N为分布描述子所划分的区域块数;
S23:选定原点,将图像空间进行模块划分并标记;
S24:对每个模块区间上的绕线区域轮廓采样点进行统计,得出其空间分布的直方图。
所述基于轮廓区域分布特性的模板检索算法,是对轮廓上采样点的空间分布进行统计,首先选定原点,将图像空间进行模块划分并标记,然后对每个模块区间上的绕线区域轮廓采样点进行统计,可以得出其空间分布的直方图。通过图像绕线区域分布描述子的量化描述选取标准模板库中分布最相近的三个标准模板图片用作纹理与边缘角度相关性的匹配,这样既避免了与单个模板计算相似度存在偶然性波动的问题,又避免了匹配模板过多计算效率低的问题。同时,先检索再匹配的方式将区域分布的相似度与后续的特征相似度结合起来,逐层递进,确保了检测的准确性。
实施例3
本实施例与上述实施例的不同之处在于:所述S3中轮廓的尺度、角度信息的形态学描述如下,对于轮廓边缘上任意一点ei(xi,yi)与轮廓质心O0(x0,y0)形成向量ri,极半径定义为即为尺度信息,轮廓边缘上任意一点ei(xi,yi)处的角度大小可以定义为向量与该点梯度的夹角θi,即为角度信息,θi计算公式如下
可以看出角度θi的计算不是依靠绝对坐标,而是以向量ri为基准的相对坐标。这样,就建立了以形心为基准的尺度与角度的信息统计,以图2中(c)图为例,其绕线区域边缘点的角度与尺度的直方图统计如图5(a)和图5(b)所示。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实例的限制,上述实例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法,其特征在于,具体包括如下步骤:
S1:将待测图像分别进行灰度、滤波及阈值预处理操作,以此完成绕线区域图像预处理,待测图像成为二值图像;
S2:计算待测图像和模板之间绕线区域轮廓空间分布特性的相似程度,以此来进行模板检索;
S3:通过对待检测图像轮廓边缘上的采样点与该区域轮廓质心形成的向量与该点处梯度向量间的相对角度信息以及该向量自身的尺度信息的计算,实现轮廓形态的描述;
S4:通过巴氏距离来计算待测图像与模板之间角度与尺度分布信息的相似度,进而实现待测图像的检测。
2.如权利要求1所述的一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法,其特征在于:所述S1中灰度预处理操作为将彩色图像转变为灰度图像。
3.如权利要求1所述的一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法,其特征在于:所述S1中滤波预处理操作是采用中值滤波方法对待测图像灰度图进行去噪。
4.如权利要求1所述的一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法,其特征在于:所述S1中阈值预处理操作是采用迭代法来自适应地计算出阈值,以此阈值对滤波后的灰度图像进行二值化操作。
5.如权利要求4所述的一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法,其特征在于:所述S1中阈值预处理操作,在二值化图像后,从区域质心坐标与面积两方面对干扰区域进行筛选。
6.如权利要求1-5任一所述的一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法,其特征在于:所述S2包括以下步骤:
S21:计算待测图像和模板之间绕线区域轮廓空间分布特性的相似程度;
S22:对模板图像基于区域分布特性进行相关性检索;
S23:选定原点,将图像空间进行模块划分并标记;
S24:对每个模块区间上的绕线区域轮廓采样点进行统计,得出其空间分布的直方图。
7.如权利要求6所述的一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法,其特征在于:所述S22中待测图像和模板之间分布的相关性通过式如下公式计算
其中:Hk(J)为第J块区域分布的轮廓采样点个数,N为分布描述子所划分的区域块数。
8.如权利要求1或7所述的一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法,其特征在于:所述S3中轮廓的尺度、角度信息的形态学描述如下,对于轮廓边缘上任意一点ei(xi,yi)与轮廓质心O0(x0,y0)形成向量ri,极半径定义为即为尺度信息,轮廓边缘上任意一点ei(xi,yi)处的角度大小可以定义为向量与该点梯度的夹角θi,即为角度信息,θi计算公式如下
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810491167.0A CN108734706B (zh) | 2018-05-21 | 2018-05-21 | 一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810491167.0A CN108734706B (zh) | 2018-05-21 | 2018-05-21 | 一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734706A true CN108734706A (zh) | 2018-11-02 |
CN108734706B CN108734706B (zh) | 2022-07-19 |
Family
ID=63938786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810491167.0A Active CN108734706B (zh) | 2018-05-21 | 2018-05-21 | 一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734706B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584228A (zh) * | 2018-11-27 | 2019-04-05 | 东南大学 | 基于二值图像和模型迁移学习的转子绕线图像检测方法 |
CN109840928A (zh) * | 2019-01-31 | 2019-06-04 | 北京达佳互联信息技术有限公司 | 针织图像的生成方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251926A (zh) * | 2008-03-20 | 2008-08-27 | 北京航空航天大学 | 一种基于局部轮廓协方差矩阵的遥感图像配准方法 |
CN102654902A (zh) * | 2012-01-16 | 2012-09-05 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
-
2018
- 2018-05-21 CN CN201810491167.0A patent/CN108734706B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251926A (zh) * | 2008-03-20 | 2008-08-27 | 北京航空航天大学 | 一种基于局部轮廓协方差矩阵的遥感图像配准方法 |
CN102654902A (zh) * | 2012-01-16 | 2012-09-05 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
Non-Patent Citations (4)
Title |
---|
SUHAS G. SALVE 等: "《Shape matching and object recognition using shape contexts》", 《2010 3RD INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND INFORMATION TECHNOLOGY》 * |
朱亚旋 等: "《基于图像纹理与矩特征的转子绕线检测研究》", 《测控技术》 * |
邝泳聪等: "《基于轮廓矢量化的形状匹配快速算法》", 《计算机应用研究》 * |
高玮玮等: "《基于多模板匹配的局部自适应区域生长法在视网膜内出血自动检测中的应用》", 《光谱学与光谱分析》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584228A (zh) * | 2018-11-27 | 2019-04-05 | 东南大学 | 基于二值图像和模型迁移学习的转子绕线图像检测方法 |
CN109840928A (zh) * | 2019-01-31 | 2019-06-04 | 北京达佳互联信息技术有限公司 | 针织图像的生成方法、装置、电子设备及存储介质 |
CN109840928B (zh) * | 2019-01-31 | 2023-10-17 | 北京达佳互联信息技术有限公司 | 针织图像的生成方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108734706B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
CN116310360A (zh) | 一种电抗器表面缺陷检测方法 | |
CN103308430A (zh) | 一种测量种子千粒重的方法及装置 | |
CN111398291B (zh) | 基于深度学习的扁平漆包电磁线表面瑕疵检测方法 | |
CN104318051B (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
CN107742307A (zh) | 基于改进帧差法的输电线路舞动特征提取及参数分析方法 | |
CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
CN110263662B (zh) | 一种基于分级的人体轮廓关键点和关键部位识别方法 | |
CN115018844A (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN111160451A (zh) | 一种柔性材料检测方法及其储存介质 | |
CN111275705A (zh) | 智能验布方法、装置、电子设备及存储介质 | |
CN108734706A (zh) | 一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法 | |
CN107169961A (zh) | 一种基于cis图像采集的条烟分拣检测系统和方法 | |
CN109389165A (zh) | 基于巡检机器人的变压器油位计识别方法 | |
CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
CN107945164B (zh) | 基于峰值阈值、旋转校准和混合特征的纺织品瑕疵检测方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN114898347A (zh) | 一种指针式仪表机器视觉识别方法 | |
CN107240109A (zh) | 一种仪表刻度线位置自动检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |