CN109087278B - 基于改进Canny算子的安全套正反面识别法 - Google Patents

基于改进Canny算子的安全套正反面识别法 Download PDF

Info

Publication number
CN109087278B
CN109087278B CN201810615461.8A CN201810615461A CN109087278B CN 109087278 B CN109087278 B CN 109087278B CN 201810615461 A CN201810615461 A CN 201810615461A CN 109087278 B CN109087278 B CN 109087278B
Authority
CN
China
Prior art keywords
point
condom
gradient
image
order
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
Application number
CN201810615461.8A
Other languages
English (en)
Other versions
CN109087278A (zh
Inventor
王湘明
吴扬峰
王浩任
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University of Technology
Original Assignee
Shenyang University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang University of Technology filed Critical Shenyang University of Technology
Priority to CN201810615461.8A priority Critical patent/CN109087278B/zh
Publication of CN109087278A publication Critical patent/CN109087278A/zh
Application granted granted Critical
Publication of CN109087278B publication Critical patent/CN109087278B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0006—Industrial image inspection using a design-rule based 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
    • G06T7/13—Edge 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
    • 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
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

基于改进Canny算子的安全套正反面识别法，该法提取安全套内外环，并尽可能过滤掉内环中由于安全套形变而产生的其他边缘，由检测点和中心点位置关系来确定梯度方向的方法，并构造相应的卷积核用来放大该方向的梯度幅值，进而实现对内外环的提取，达到过滤掉一些干扰边缘的目的。本文以5阶方阵为算例，通过机器视觉识别正反面各350例实验，证明本方法的正确性和可行性。实验结果表明，本方法不仅能准确判断环状安全套正反面，而且在保证检测精度的同时也能满足检测效率。

Description

基于改进Canny算子的安全套正反面识别法
技术领域：本发明涉及一种基于改进Canny算子的安全套正反面识别法。
背景技术：从生产线上下来的聚氨酯安全套为卷曲环状形态，在电检环节之前要进行安全套正反面识别，以便后续工作的展开，但该工作现由人工完成。
机器视觉技术在工件的测量[1]识别[2]和定位[3]等方面已有了很多应用，例如：1]Robles L F,Azzopardi G,Alegre E.et al.Identificat-ion of milling inserts insitu based on a versatile machine vision system[J].Journal of ManufacturingSystems:2017,45:48-57.
[2]Shaoli,Peng,Jianhua,et al.Accurate Measurement Method for Tube'sEndpoints Based on Machine Vision[J].C hinese Journal of MechanicalEngineering:2017,30(1):1-12.
[3]张志佳,魏信,周自强等.基于Kinect的典型零部件识别与定位[J].沈阳工业大学学报,2017,39(03):29 9-303.(Zhang zhi-jia,Wei xin,Zhou zi-qiang,etal.Identification and location of typical components based on Kinect.Journalof Shenyang University ofTechnology:2017,39(03):299-303)
但目前的视觉识别算法尚不能对聚氨酯安全套内外环进行准确提取。聚氨脂安全套在脱模后的形态为环状，为实现电检，需将其展开，现有的工艺过程是由人工来完成，所以需要一种可以替代人工并提高识别效率的机器视觉检测方法。
发明内容：
发明目的：本发明提供一种基于改进Canny算子的安全套正反面识别法，其目的是解决以往所存在的问题。
技术方案：
一种基于改进Canny算子的安全套正反面识别法，其特征在于：该法提取安全套内外环，并尽可能过滤掉内环中由于安全套形变而产生的其他边缘，由检测点和中心点位置关系来确定梯度方向的方法，并构造相应的卷积核用来放大该方向的梯度幅值，进而实现对内外环的提取，达到过滤掉一些干扰边缘的目的。
该方法步骤如下：
(1)、将原本Canny梯度幅值两次卷积计算的方式变为分区域特定方向的单次卷积计算，在保留特定梯度幅值的基础上，降低杂波的梯度幅值；
(2)、建立了基于正态分布的卷积因子，并设计出卷积核生成算法；
(3)、给出了判定环状安全套正反面的判定方法，及其相应判据。
安全套内外环近似圆形，且内环与外环基本是一种同心圆的关系；以圆心对所检测点的径向重新定义梯度方向，计算特定方向上的梯度值，滤掉噪声边缘；
(一)、获取中心点：
使用质心点来近似表示中心点；在统计学中，用矩来描述随机变量的分布形态，将矩的定义推广到a×b大小的图像中，把像素作为随机变量f(x,y),其中(x,y)表示像素点的坐标，则感兴趣区域T的p+q阶矩，如式(1)所示；
Mpq＝∑(x，y)∈Txpyqf(x，y) (1)
Mpq：图像的pq阶矩f(x，y)图像上f(x,y)点的的像素值对于一阶矩，p和q有两种取值方式，即p＝1，q＝0或者p＝0，q＝1，由此可以算出ROI的两个一阶矩为：
Figure BDA0001696812100000021
M10图像的(1.0)阶矩M01图像的(0.1)阶矩
通过零阶矩和两个一阶矩可以确定目标的质心，零阶矩为：
M00＝Σ(x，y)∈Tx0y0f(x，y) (3)
M00图像的00阶矩
则质心坐标C(xavg，yavg)有:
Figure BDA0001696812100000022
xavg yavg质心的横坐标和纵坐标
求得的安全套质心可认为是形心，得出质心C(xavg，yavg)[9]，其位置与安全套形心十分接近，用其来表示安全套的中心；
(二)、图片区域划分：
已知n阶方阵有4(n-1)个边缘元素，每两个中心对称的边缘元素的组合表示出1个梯度方向，由此得出n阶方阵具有2(n-1)个方向；
(三)、构造卷积核：
在n阶零方阵A中，选取一个元素集合M，其中包含有一半的连续的边缘元素如式(5)示；
Figure BDA0001696812100000023
Figure BDA0001696812100000026
Figure BDA0001696812100000024
由a[i,j]，b[l,k]，c[m,n]组成集合L，由集合L中元素组成路径称之为方向路径；为了保证和原Canny算子使用相同的阈值，将梯度因子之和定为4，并采用(-19.6,19.6)之间的标准正态分布，如式(8)所示；
Figure BDA0001696812100000025
标准正态分布
将梯度因子分成n份，组成正因子集合P＝{d1,d2…dn}，再将其中元素全部取反组成负因子集N＝{e1,e2…en}；以四种方式构造方向卷积核，其中元素ap,j∈L；
方式一：当|i-l|<|j-k|，则矩阵元素
a为矩阵中的元素d为正因子集合中的某个数值，e为负因子集合中的某个数值。式(9)-(12)中的下标为元素在集合中的位置；
Figure BDA0001696812100000031
方式二：当|i-l|>|j-k|，则矩阵元素
Figure BDA0001696812100000032
方式三：当|i-l|＝|j-k|，且l>i则矩阵元素
Figure BDA0001696812100000033
方式四：当|i-l|＝|j-k|，且l<i则矩阵元素
Figure BDA0001696812100000034
则将梯度因子按照如上的方法置于方向路径两侧便构造出θ和
Figure BDA0001696812100000035
两个方向的卷积核；
Figure BDA0001696812100000036
θ和
Figure BDA0001696812100000037
表示两个方向k、l和j、i表示边缘元素的坐标；
现以5*5矩阵为例，将梯度因子分成P(0.39,0.96,1.3,0.96,0.39)和N(-0.39,-0.96,-1.3,-0.96,-0.39)；将P和N按照上述四种方式置于梯度路径两侧便构成了5阶方阵8个方向的卷积核；
(四)、边缘提取效果：
首先以灰度图像上的每一个像素点为中心，提取一个n×n矩阵和该点对应的卷积核做卷积运算，结果的绝对值作为该点的梯度幅值，并由所有的梯度幅值组成梯度图像，然后根据Canny算子对梯度图像应用非极大值抑制和双阈值法检测并连接目标边缘；在选取高低阈值时遵循两个原则：一是阈值尽可能大，二是不能因为过大的阈值导致内外环边缘的缺失；根据这两个原则依据实验环境采用试凑法得出低阈值Tl＝130及高阈值Th＝260；分别构造3～6阶方向卷积核，并采用区域划分和方向梯度卷积核的梯度幅值求取方式代替原Canny算子中的梯度幅值求取方式，得出边缘图像；
选取5阶作为后续实验的对象；采用5阶方向卷积求取的边缘图。
(一)至(四)步骤方法已经对图像处理完毕，接下来要对图像进行判断；通过多次测量和比较，发现内环半径Rin和外环半径Rout的比Rin/Rout值范围为0.84～0.89之间；内环半径Rin即中心点到内环的距离，外环半径Rout即中心点到外环的距离；
由于检测背景和安全套存在较大的颜色差异所以通过计算图像的梯度幅值图像能较好的提取安全套外环轮廓；在外环轮廓上进行一定数量的采样，检测中心点和采样点连线在0.84～0.89之间的敏感线段，如果线段中存在有边缘像素点就判定该采样点为有效，最后统计有效点占总采样点的比重判定该安全套是正面还是反面。
步骤(三)中构成了5阶方阵8个方向的卷积核之后，卷积核名称和其对应的表达方向如表1所示；定义X轴正方向作为0°方向；
表1：5阶方向卷积核
Figure BDA0001696812100000038
Figure BDA0001696812100000041
续表1
Figure BDA0001696812100000042
根据图像上某点与中心点的连线和0°方向的夹角和表1中某个方向最接近时，便利用该方向对应的卷积核来求取该点的梯度幅值，具体分类情况如表2所示；其中Xdis表示目标点与中心点横轴上的数值差，Ydis表示目标点与中心点在纵轴上的数值差，然后根据Xdis/Ydis的值最终选用该点适用的卷积核；
表2卷积核的选用
Figure BDA0001696812100000043
Figure BDA0001696812100000051
Xdis和ydis表示外轮廓上的某点和中心点在横坐标和纵坐标的差值。
优点及效果：
本发明提出了一种基于改进Canny算子的安全套正反面识别法，本申请依据Canny算子的基本思想，针对环状安全套提出了一种新的检测方法，由原Canny算子水平方向和垂直方向的两次梯度幅值计算变成分区域特定方向的一次计算，并给出分区域方向卷积核的构建方法。通过该方法在保留安全套内环梯度幅值的基础上，降低杂波的梯度幅值，从而达到滤波的目的。依据处理后的图像，提出了一种描述安全套内环完整性的方法，并根据内环的完整性来判别安全套正反面。本文以5阶方阵为算例，通过机器视觉识别正反面各350例实验，证明本方法的正确性和可行性。实验结果表明，本方法不仅能准确判断环状安全套正反面，而且在保证检测精度的同时也能满足检测效率。
附图说明：
图1为安全套正反面主要区别；
图2为Canny算子边缘检测效果；
图3为安全套形心位置；
图4为图像区域划分；
图5为各阶卷积核边缘提取效果；
图6为改进Canny算子效果图。
具体实施方式：下面结合附图对本发明做进一步的说明：
本发明提供一种基于改进Canny算子的安全套正反面识别法，通过对安全套正反面的观察，发现其最大区别在于安全套内环的边缘表现上，反面安全套内环相对模糊残缺，而正面安全套内环相对清晰完整，见图1。因此，如何准确地对安全套内环边缘进行提取和描述成了解决问题的关键。
1、边缘检测算法原理分析：
安全套正反面识别主要是识别内环的完整程度，为了提取内环对安全套进行边缘检测尤为重要。人们已提出了多种类型的边缘提取算法，其中常用的Prewitt，Sobel是一阶梯度算子，Log算子就是一种典型的通过检测图像二阶过零点实现边缘检测的算子。另外，Canny因其特有的抗干扰能力和低错误率等优势成为现阶段应用最为广泛的边缘提取算法。
Prewitt：赵洪娟,孙兴波,黄勇.基于Otsu的八方向Prewitt算法边缘检测[J].科技广场:2015(01):57-60.(Zhao Hong-juan Sun Xing-bo,Huang Yong.Edge Detectionof Eight Directions Prewitt Algorithm Based on Otsu[J].Science Mosaic:2015(01):57-60.)；
Sobel：何春华,张雪飞,胡迎春.基于改进Sobel算子的边缘检测算法的研究[J].光学技术:2012,38(03):323-327.(HE Chun-hua,ZHANG xue-fei,HU Yingchun.A Studyon the Improved Algorithm for Sobel on image edge detection[J].OpticalTechnique:2012,38(03):323-327.)；
Log：邓彩霞,阴茵,马伟凤,等.改进的LOG算子与小波变换融合的边缘检测方法[J].哈尔滨理工大学学报:2012,17(05):87-90.(DENG Cai-xia,YIN yin,MAWei-feng,etal.Edge Detection Basedon Improved LOG Operator andWaveletTransform[J].Journal of Harbin University of Scienc-e and Technology:2012,17(05):87-90.)。
Canny边缘检测算子是JohnF.Canny于1986年开发出来的一个多级边缘检测算法。多年来国内外学者不断的对算法进行者完善和改进。文献《康牧,周震,林晓.Canny思想和Kirsch算法相结合的边缘检测算法[J].河南大学学报(自然科学版):2017,47(01):73-78.(KANG Mu,ZHOU Zhen,LIN Xiao.An Edge Det-ection Algorithm Base on KirschMethod and Canny Idea[J].Journal of Henan University(Natural Science):2017,47(01):73-78.)》提出了新的判断非极大值抑制的条件，将Canny算子的思想与Kirsch算子相结合进行边缘检测。数据分析和实验结果说明了该算法不仅可以有效地抑制噪声，还可以得到单像素边缘。文献《段红燕,邵豪,等.一种基于Canny算子的图像边缘检测改进算法[J].上海交通大学学报:2016,50(12):1861-1865.(DUAN Yan-hong,SHAO Hao,et al.AnImproved Algorithm for Image Edge Detection Based on Canny Operator[J].Journal of Shanghai Jiao To-ng University：2016,50(12):1861-1865.)》采用双边滤波代替传统高斯滤波，通过控制双边滤波器权重参数来减少图像边缘信息的丢失；利用小波变换对图像高频系数进行放大，并缩小低频系数，增强图像细节文献。现有对Canny算子的改进都是为了得到更清晰准确的边缘和更好的抗干扰能力。但本文的目的是提取安全套内外环，并尽可能过滤掉内环中由于安全套形变而产生的其他边缘，现有算法不能达到这种效果。因此，提出了一种由检测点和中心点位置关系来确定梯度方向的方法，并构造相应的卷积核用来放大该方向的梯度幅值，进而实现对内外环的提取，达到过滤掉一些干扰边缘的目的。
1.1 Canny算子基本原理
Canny检测算法可以实现三个基本目标。一是该算法识别的低错误率，二是可以很好地定位边缘点，三是单一边缘响应。该算子边缘检测步骤如下[8]：
步骤1：使用高斯滤波器对原图像进行滤波，其中高斯函数的方差人为设定；
步骤2：对滤波后的图像求梯度幅值以及梯度向量；
步骤3：对梯度图像进行非最大值抑制操作，剔除非最大值的像素点；
步骤4：确定高、低阈值并结合连接分析方法确定图像最终的边缘。
1.2 Canny算子中存在的问题
Canny算子能够提取出目标边缘，但是针对环状安全套作为目标时，Canny算子会检测出除了内外环的边缘以外的杂波边缘。主要原因是Canny算子在梯度幅值的计算时，是分别计算水平方向和垂直方向的梯度幅值，并由两个幅值的均方作为某点的边缘幅值。这种检测方式将安全套所有的边缘都提取了出来，而且杂波边缘的梯度幅值和内环的梯度幅值相似，无法单一的使用阈值的方式来剔除，随着边缘的增多会对目标边缘(安全套内环)起到严重的干扰，如图2所示。从图中可以看出，经Canny算子处理以后的安全套正面图像内环相对完整，而反面内环相对模糊。除了内外环以外还因安全套易形变的特点，导致还存在许多无用的噪声边缘被提取了出来。由于噪声边缘的存在会导致将反面误判成正面的可能，所以需要对算法进行改进，只在特定方向上进行单次卷积运算，来达到在保留内外环的基础上尽可能的剔除噪声边缘的目的。
2、梯度方向的改进：
通过对图像的观察，发现安全套内外环近似圆形，且内环与外环基本是一种同心圆的关系。如果过滤掉和外环不同心的边缘，可以在保留内环边缘的基础上减少噪声边缘，增加算法的准确率。以圆心对所检测点的径向重新定义梯度方向，只需计算特定方向上的梯度值，可滤掉噪声边缘。
2.1获取中心点
由于安全套形状不规则，所以使用质心点来近似表示中心点。在统计学中，用矩来描述随机变量的分布形态，将矩的定义推广到a×b大小的图像中，可以把像素作为随机变量f(x,y),其中(x,y)表示像素点的坐标，则感兴趣区域T(即ROI)的p+q阶矩，如式(1)所示。
Mpq＝∑(x,y)∈Txpyqf(x,y) (1)
对于一阶矩，p和q有两种取值方式，即p＝1，q＝0或者p＝0，q＝1，由此可以算出ROI的两个一阶矩为：
Figure BDA0001696812100000071
通过零阶矩和两个一阶矩可以确定目标的质心，零阶矩为：
M00＝∑(x,y)∈Tx0y0f(x,y) (3)
则质心坐标C(xavg,yavg)有:
Figure BDA0001696812100000072
求得的安全套质心可认为是形心，得出质心点C(xavg,yavg)；xavg为质心的横坐标yavg为质心的纵坐标《苑玮琦,李德健,李绍丽.雪糕棒轮廓质量视觉在线检测方法[J].计算机应用研究:2016,33(10):3185-3190.(Yuan Weiqi,Li Dejian,Li Shaoli.OnlineMethod Based on Machine Vision for Measuring ContourQuality of Ice CreamStick[J].Application Resear-ch of Computers:2016,33(10):3185-3190)。
如图3所示的黑色圆点位置。其位置与安全套形心十分接近，故可用其来表示安全套的中心。
2.2图片区域划分
已知n阶方阵有4(n-1)个边缘元素，每两个中心对称的边缘元素的组合可以表示出1个梯度方向，由此可得出n阶方阵具有2(n-1)个方向。以图4所示的5阶方阵为例，可以表示8个方向的卷积核，以此将图像分为8个区域，每片区域关于中心点对称，区域夹角为22.5°。
2.3构造卷积核
为了实现分区域分方向地提取边缘幅值，构造带有方向划分的卷积核成为问题的关键所在。在n阶零方阵A中，选取一个元素集合M，其中包含有一半的连续的边缘元素如式(5)示。
Figure BDA0001696812100000073
每一个起始元素a[i,j]都有与之相对应的终止元素b[l,k]，其中：
Figure BDA0001696812100000074
在起始点和终止点之间找寻n-2个点c[m,n](<>：表示四舍五入)
Figure BDA0001696812100000081
由a[i,j]，b[l,k]，c[m,n]组成集合L，由集合L中元素组成路径称之为方向路径。为了保证和原Canny算子使用相同的阈值，将梯度因子之和定为4，并采用(-19.6,19.6)之间的标准正态分布，如式(8)所示。
Figure BDA0001696812100000082
将梯度因子分成n份，组成正因子集合P＝{d1,d2…dn}，再将其中元素全部取反组成负因子集N＝{e1,e2…en}。以四种方式构造方向卷积核，其中元素ap,j∈L。
方式一：当|i-l|＜|j-k|，则矩阵元素
Figure BDA0001696812100000083
方式二：当|i-l|>|j-k|，则矩阵元素
Figure BDA0001696812100000084
方式三：当|i-l|＝|j-k|，且l>i则矩阵元素
Figure BDA0001696812100000085
方式四：当|i-l|＝|j-k|，且l<i则矩阵元素
Figure BDA0001696812100000086
则将梯度因子按照如上的方法置于方向路径两侧便构造出θ和
Figure BDA0001696812100000087
两个方向的卷积核。
Figure BDA0001696812100000088
现以5*5矩阵为例，将梯度因子分成P(0.39,0.96,1.3,0.96,0.39)和N(-0.39,-0.96,-1.3,-0.96,-0.39)。将P和N按照上述四种方式置于梯度路径两侧便构成了5阶方阵8个方向的卷积核，卷积核名称和其对应的表达方向如表1所示。定义X轴正方向作为0°方向。
表1 5阶方向卷积核
Figure BDA0001696812100000089
Figure BDA0001696812100000091
续表1
Figure BDA0001696812100000092
根据图像上某点与中心点的连线和0°方向的夹角和表1中某个方向最接近时，便利用该方向对应的卷积核来求取该点的梯度幅值，具体分类情况如表2所示。其中Xdis表示目标点与中心点横轴上的数值差，Ydis表示目标点与中心点在纵轴上的数值差，然后根据Xdis/Ydis的值最终选用该点适用的卷积核。
表2卷积核的选用
Figure BDA0001696812100000093
Figure BDA0001696812100000101
2.4边缘提取效果
首先以灰度图像上的每一个像素点为中心，提取一个n×n矩阵和该点对应的卷积核做卷积运算，结果的绝对值作为该点的梯度幅值，并由所有的梯度幅值组成梯度图像，然后根据Canny算子对梯度图像应用非极大值抑制和双阈值法检测并连接目标边缘。在选取高低阈值时遵循两个原则：一是阈值尽可能大，二是不能因为过大的阈值导致内外环边缘的缺失。根据这两个原则依据实验环境采用试凑法得出低阈值Tl＝130及高阈值Th＝260。分别构造3～6阶方向卷积核，并采用区域划分和方向梯度卷积核的梯度幅值求取方式代替原Canny算子中的梯度幅值求取方式，得出边缘图像如图5所示。
由于3阶和4阶方阵可划分的方向不足，导致安全套外环出现割裂现象所以不能采用，而5阶和6阶卷积核都能较好地滤掉非环状边缘，同时保证内外环的完整性。6阶的滤波效果要略优于5阶，但是经测量5阶的计算效率要比6阶快33％左右所以选取5阶作为后续实验的对象。采用5阶方向卷积求取的边缘图如图6所示通过图6和图2的对比发现，改变卷积核以后可以有效滤掉杂波边缘，为之后的判断提供有利条件。
3、判断方法和标准：
通过上文的方法已经对图像处理完毕，接下来要对图像进行判断。通过多次测量和比较，发现内环半径Rin(中心点到内环的距离)和外环半径Rout(中心点到外环的距离)的比Rin/Rout值范围为0.84～0.89之间。由于检测背景和安全套存在较大的颜色差异，通过文献《李东洋,王平.基于梯度显著性的轮廓提取方法[J].计算机工程与应用:2012,48(32):157-163.(LI Dongyang,WANG Ping,GAO Yinghui,et al.Contour extraction based ongradient saliency[J].Computer Engineering and Applications:2012,48(32):157-163.)》中的方法能对图像进行外轮廓提取。在外环轮廓上进行一定数量的采样，检测中心点和采样点连线在0.84～0.89之间的敏感线段，如果线段中存在有边缘像素点就判定该采样点为有效，最后统计有效点占总采样点的比重判定该安全套是正面还是反面。
3.1、有效值的计算：
为了能清楚地反映内环轮廓特征，本文图像大小为500万像素，经过多次实验统计得出外环轮廓一般由4000～6000个点组成。如果对所有点都进行判断那么会严重影响判断效率，所以本文采用等间隔的方式在外轮廓上采集300个点Pn(xn,yn)|n∈[0,300],式(14)和式(15)分别表示目标点Pn到中心点C(xavg,yavg)构成的直线。检查中心点到采样点连线在0.84～0.89之间的像素，最后输出300条线段中敏感区域
Figure BDA0001696812100000111
Figure BDA0001696812100000112
存在黑色像素的线段个数作为本次实验的有效值。
3.2实验环境及结果分析
软件方面使用vc++实现算法，使用MFC编写界面，借助Opencv实现图像的读取和一些预处理，操作系统为Windows7；硬件方面采用500万像素摄像头用于捕获安全套图像，处理器为Intel Core i5-2450；环境上除要求纯色背景和正常室内亮度光源以外，并无其他特殊要求。首先选用50个正面和50个反面小样本测试获取评判值。结果如表3所示，正面最小有效值为152，反面最大值为120。取上述两个有效值的平均值131作为评判标准，对350个正面样品和350个反面样品进行实验测试，结果如表4所示。试验测试过程中的样品存在一些形变的现象，但由于本算法是采用内外环距离的比例进行判断的，所以形变现象对结果并无影响。
表3评判值获取实验
Figure BDA0001696812100000113
表4实验结果
Figure BDA0001696812100000114
从以上结果可以看出，反面安全套最大有效采样值为125小于评判标准，而正面最小有效采样值为161大于评判标准。依照现有实验可以得出判定正确率达100％。
4结论
(1)将原本Canny梯度幅值两次卷积计算的方式变为分区域特定方向的单次卷积计算，在保留特定梯度幅值的基础上，降低杂波的梯度幅值，达到有效滤波的目的。
(2)建立了基于正态分布的卷积因子，并设计出卷积核生成算法。
(3)给出了判定环状安全套正反面的判定方法，及其相应判据。
(4)通过350个安全套正面实验和350个反面实验，证明了本文所提出的算法对环状安全套正反面识别的准确性。
(5)评判值的获取方法目前是通过人为统计得出，这是本文需改进的地方，后续工作将通过一些算法如神经元网络等实现机器自动获取。

Claims (4)

1.一种基于改进Canny算子的安全套正反面识别法，其特征在于：该法提取安全套内外环，并过滤掉内环中由于安全套形变而产生的其他边缘，由检测点和中心点位置关系来确定梯度方向的方法，并构造相应的卷积核用来放大该方向的梯度幅值，进而实现对内外环的提取；
安全套内外环近似圆形，且内环与外环基本是一种同心圆的关系；以圆心对所检测点的径向重新定义梯度方向，计算特定方向上的梯度值，滤掉噪声边缘；
(一)、获取中心点：
使用质心点来近似表示中心点；在统计学中，用矩来描述随机变量的分布形态，将矩的定义推广到a×b大小的图像中，把像素作为随机变量f(x,y),其中(x,y)表示像素点的坐标，则感兴趣区域T的p+q阶矩，如式(1)所示；
Mpq＝∑(x,y)∈Txpyqf(x,y) (1)Mpq：图像的pq阶矩f(x,y)图像上f(x,y)点的的像素值对于一阶矩，p和q有两种取值方式，即
p＝1，q＝0或者p＝0，q＝1，由此可以算出ROI的两个一阶矩为：
Figure 1
M10图像的(1.0)阶矩M01图像的(0.1)阶矩
通过零阶矩和两个一阶矩可以确定目标的质心，零阶矩为：
M00＝∑(x,y)∈Tx0y0f(x,y) (3)
M00图像的00阶矩
则质心坐标C(xavg,yavg)有:
Figure FDA0003501981500000012
xavg yavg质心的横坐标和纵坐标
求得的安全套质心可认为是形心，得出质心C(xavg,yavg)，其位置与安全套形心十分接近，用其来表示安全套的中心；
(二)、图片区域划分：
已知n阶方阵有4(n-1)个边缘元素，每两个中心对称的边缘元素的组合表示出1个梯度方向，由此得出n阶方阵具有2(n-1)个方向；
(三)、构造卷积核：
在n阶零方阵A中，选取一个元素集合M，其中包含有一半的连续的边缘元素如式(5)示；
Figure FDA0003501981500000013
每一个起始元素a[i，j]都有与之相对应的终止元素b[l，k]，其中：
Figure FDA0003501981500000014
在起始点和终止点之间找寻n-2个点c[m，n]，＜＞：表示四舍五入；
Figure FDA0003501981500000015
由a[i,j]，b[l,k]，c[m,n]组成集合L，由集合L中元素组成路径称之为方向路径；为了保证和原Canny算子使用相同的阈值，将梯度因子之和定为4，并采用(-19.6,19.6)之间的标准正态分布，如式(8)所示；
Figure FDA0003501981500000021
标准正态分布
将梯度因子分成n份，组成正因子集合P＝{d1,d2…dn}，再将其中元素全部取反组成负因子集N＝{e1,e2…en}；以四种方式构造方向卷积核，其中元素ap,j∈L；
方式一：当|i-l|<|j-k|，则矩阵元素
Figure FDA0003501981500000022
方式三：当|i-l|＝|j-k|，且l＞i则矩阵元素
Figure FDA0003501981500000023
方式四：当|i-l|＝|j-k|，且l<i则矩阵元素
Figure FDA0003501981500000024
则将梯度因子按照如上的方法置于方向路径两侧便构造出θ和
Figure FDA0003501981500000025
两个方向的卷积核；
Figure FDA0003501981500000026
θ和
Figure FDA0003501981500000027
表示两个方向k、l和j、i表示边缘元素的坐标；
将梯度因子分成P(0.39,0.96,1.3,0.96,0.39)和N(-0.39,-0.96,-1.3,-0.96,-0.39)；将P和N按照上述四种方式置于梯度路径两侧便构成了5阶方阵8个方向的卷积核；
(四)、边缘提取效果：
首先以灰度图像上的每一个像素点为中心，提取一个n×n矩阵和该点对应的卷积核做卷积运算，结果的绝对值作为该点的梯度幅值，并由所有的梯度幅值组成梯度图像，然后根据Canny算子对梯度图像应用非极大值抑制和双阈值法检测并连接目标边缘；在选取高低阈值时遵循两个原则：一是阈值尽可能大，二是不能因为过大的阈值导致内外环边缘的缺失；根据这两个原则依据实验环境采用试凑法得出低阈值Tl＝130及高阈值Th＝260；分别构造3～6阶方向卷积核，并采用区域划分和方向梯度卷积核的梯度幅值求取方式代替原Canny算子中的梯度幅值求取方式，得出边缘图像；
选取5阶作为后续实验的对象；采用5阶方向卷积求取的边缘图。
2.根据权利要求1所述的基于改进Canny算子的安全套正反面识别法，其特征在于：
该方法：
(1)、将原本Canny梯度幅值两次卷积计算的方式变为分区域特定方向的单次卷积计算，在保留特定梯度幅值的基础上，降低杂波的梯度幅值；
(2)、建立了基于正态分布的卷积因子，并设计出卷积核生成算法；
(3)、给出了判定环状安全套正反面的判定方法，及其相应判据。
3.根据权利要求1所述的基于改进Canny算子的安全套正反面识别法，其特征在于：(一)至(四)步骤方法已经对图像处理完毕，接下来要对图像进行判断；通过多次测量和比较，发现内环半径Rin和外环半径Rout的比Rin/Rout值范围为0.84～0.89之间；内环半径Rin即中心点到内环的距离，外环半径Rout即中心点到外环的距离；
由于检测背景和安全套存在颜色差异，所以通过计算图像的梯度幅值图像能提取安全套外环轮廓；在外环轮廓上进行一定数量的采样，检测中心点和采样点连线在0.84～0.89之间的敏感线段，如果线段中存在有边缘像素点就判定该采样点为有效，最后统计有效点占总采样点的比重判定该安全套是正面还是反面。
4.根据权利要求3所述的基于改进Canny算子的安全套正反面识别法，其特征在于：步骤(三)中构成了5阶方阵8个方向的卷积核之后，卷积核名称和其对应的表达方向如表1所示；定义X轴正方向作为0°方向；
表1：5阶方向卷积核
Figure FDA0003501981500000031
续表1
Figure FDA0003501981500000032
Figure FDA0003501981500000041
根据图像上某点与中心点的连线和0°方向的夹角和表1中某个方向最接近时，便利用该方向对应的卷积核来求取该点的梯度幅值，具体分类情况如表2所示；其中Xdis表示目标点与中心点横轴上的数值差，Ydis表示目标点与中心点在纵轴上的数值差，然后根据Xdis/Ydis的值最终选用该点适用的卷积核；
表2 卷积核的选用
Figure FDA0003501981500000042
Xdis和ydis表示外轮廓上的某点和中心点在横坐标和纵坐标的差值。
CN201810615461.8A 2018-10-23 2018-10-23 基于改进Canny算子的安全套正反面识别法 Active CN109087278B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810615461.8A CN109087278B (zh) 2018-10-23 2018-10-23 基于改进Canny算子的安全套正反面识别法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810615461.8A CN109087278B (zh) 2018-10-23 2018-10-23 基于改进Canny算子的安全套正反面识别法

Publications (2)

Publication Number Publication Date
CN109087278A CN109087278A (zh) 2018-12-25
CN109087278B true CN109087278B (zh) 2022-04-29

Family

ID=64839681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810615461.8A Active CN109087278B (zh) 2018-10-23 2018-10-23 基于改进Canny算子的安全套正反面识别法

Country Status (1)

Country Link
CN (1) CN109087278B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187918B (zh) * 2022-09-14 2022-12-13 中广核贝谷科技有限公司 一种监控视频流中移动物体的识别方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914829A (zh) * 2014-01-22 2014-07-09 西安电子科技大学 一种含噪图像边缘检测方法
US9076229B2 (en) * 2012-11-30 2015-07-07 Sharp Laboratories Of America, Inc. Jagged edge reduction using kernel regression
CN105069806A (zh) * 2015-08-25 2015-11-18 西安电子科技大学 一种三点联合的图像边缘检测方法
CN107403435A (zh) * 2017-07-28 2017-11-28 江苏大学 一种基于rgb颜色空间的彩色图像边缘提取方法
CN107452007A (zh) * 2017-07-05 2017-12-08 国网河南省电力公司 一种可见光绝缘子图像边缘检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9076229B2 (en) * 2012-11-30 2015-07-07 Sharp Laboratories Of America, Inc. Jagged edge reduction using kernel regression
CN103914829A (zh) * 2014-01-22 2014-07-09 西安电子科技大学 一种含噪图像边缘检测方法
CN105069806A (zh) * 2015-08-25 2015-11-18 西安电子科技大学 一种三点联合的图像边缘检测方法
CN107452007A (zh) * 2017-07-05 2017-12-08 国网河南省电力公司 一种可见光绝缘子图像边缘检测方法
CN107403435A (zh) * 2017-07-28 2017-11-28 江苏大学 一种基于rgb颜色空间的彩色图像边缘提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于嵌入式的安全套正反面识别装置设计;尹思远;《中国优秀硕士学位论文全文数据库信息科技辑》;20160615;第37-48页 *

Also Published As

Publication number Publication date
CN109087278A (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
CN110332887B (zh) 一种基于特征光标点的单目视觉位姿测量系统及方法
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN110580480B (zh) 基于图像处理的表计读数识别方法
CN111047568B (zh) 一种漏汽缺陷检测识别方法及系统
WO2018209941A1 (zh) 一种基于高斯拟合的高密度电路板圆孔亚像素检测方法
CN112818988A (zh) 一种指针式仪表自动识别读数方法及系统
CN111814686A (zh) 一种基于视觉的输电线路识别及异物入侵在线检测方法
CN111667470B (zh) 一种基于数字图像的工业管道探伤内壁检测方法
CN115619793B (zh) 基于计算机视觉的电源适配器外观质量检测方法
CN110345877B (zh) 一种管板孔径和节距测量方法
CN111563896B (zh) 一种用于接触网异常检测的图像处理方法
CN115841488B (zh) 一种基于计算机视觉的pcb板的检孔方法
CN109359604B (zh) 面向巡检机器人的阴影干扰下仪表识别方法
CN115018835B (zh) 一种汽车起动机齿轮检测方法
CN117437226A (zh) 一种半导体加工质量视觉自动在线检测系统
CN109087278B (zh) 基于改进Canny算子的安全套正反面识别法
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法
CN118212179A (zh) 一种复杂背景的角度检测方法
CN111815575B (zh) 一种基于机器视觉的轴承钢珠零件检测方法
CN113592953B (zh) 一种基于特征点集的双目非合作目标位姿测量方法
CN115184362A (zh) 一种基于结构光投影的快速缺陷检测方法
CN116152147A (zh) 一种连接器插针位置偏差检测方法
CN114677428A (zh) 基于无人机图像处理的输电线覆冰厚度检测方法
CN113780263A (zh) 一种压力报警器仪表定位和识别读数方法及装置
Utama et al. Pupil Center Detection Using Radial Symmetry Transform to Measure Pupil Distance in the Eye

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Xiangming

Inventor after: Wu Yangfeng

Inventor after: Wang Haoren

Inventor before: Wang Xiangming

Inventor before: Wu Yangfeng

Inventor before: Wang Haoren

GR01 Patent grant
GR01 Patent grant