CN109741325B - 一种布线垂直度智能检测方法 - Google Patents
一种布线垂直度智能检测方法 Download PDFInfo
- Publication number
- CN109741325B CN109741325B CN201910031483.4A CN201910031483A CN109741325B CN 109741325 B CN109741325 B CN 109741325B CN 201910031483 A CN201910031483 A CN 201910031483A CN 109741325 B CN109741325 B CN 109741325B
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- slope
- wiring
- pixel
- 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
Landscapes
- Image Analysis (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种布线垂直度智能检测方法,包括正面检测和反面检测,正面检测包括LSD直线检测,线段筛选,根据斜率将线段进行区分;反面检测包括对图像像素进行筛选,并将图片转化为灰度图像;对转换后的图像进行直线检测,根据检测得到的数据进行DBSCAN聚类;对DBSCAN聚类后的点进行拟合,画出拟合线,计算斜率。本发明能够对布线进行垂直度的快速判别,在数字图像中,检测出电线,并求出电线竖直部分的垂直度,和水平部分的水平度,进而根据所求得的水平度、垂直度对布线进行评分。
Description
技术领域
本发明涉及图像处理领域,特别是一种布线垂直度智能检测方法。
背景技术
随着计算机视觉技术和图像处理技术的发展,目标识别技术在军事领域和航空航天、科学探测、天文观测以及视频监控等民用领域具有越来越广泛的应用。特别是在布线领域中,如果能够有效对布线进行识别,可以省去很多人工成本。
目前传统直线检测的方法一般为霍夫检测:霍夫变换(Hough Transform)是图像处理中的一种特征提取技术,它通过一种投票算法检测具有特定形状的物体。该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果。Hough变换算法的特点导致其时间复杂度和空间复杂度都很高,并且在检测过程中只能确定直线方向,丢失了线段的长度信息。
发明内容
本发明的目的在于提供一种替代人工的布线垂直度智能检测方法,能够对布线进行垂直度的快速判别。
实现本发明目的的技术方案为:一种布线垂直度智能检测方法,包括正面检测和反面检测;
正面检测步骤如下:
(1)采用LSD方法对正面图像进行直线检测;
(2)根据检测到的线段的长度对检测出来的线段进行筛选,设定长度阈值,当长度小于该阈值时删除该直线;
(3)根据斜率将线段进行区分;对斜率取绝对值,认为竖直部分的斜率大于2,水平部分的斜率小于0.5;根据斜率将原始的检测数据分为两组,分别存储在另外两个数组中,称为lines_stdK,lines_stdK2;
(4)对线段进行分组,计算斜率;对竖直部分的线段进行分组,即对lines_stdK元素进行分组;首先,对所有lines_stdK的元素的两个横坐标取平均值p,以下简称数组p;然后对其排序,如果数组p相邻两个元素之差大于设定像素,则认为他们是属于两个组别的;
反面检测步骤如下:
(1)对图像进行色调、饱和度、亮度检测,对符合要求的像素进行筛选,分离出干扰因素,仅保留需要检测的部分,并将图片转化为灰度图像;将原始BGR图像转换为HSV图像,通过划定要选择的目标的HSV值范围,对图像进行逐像素的比对,删除不必要的图像部分,保留图像中的目标;
(2)对转换后的图像进行直线检测,根据检测得到的数据进行DBSCAN聚类;
(3)对DBSCAN聚类后的点进行拟合,画出拟合线,计算斜率。
与现有技术相比,本发明的显著优点为:(1)本发明能够对布线进行垂直度的快速判别,在数字图像中,检测出电线,并求出电线竖直部分的垂直度,和水平部分的水平度,进而根据所求得的水平度、垂直度对布线进行评分;(2)本发明采用LSD直线检测的方法,LSD是一种直线检测分割算法,它能在线性的时间内得出亚像素级精度的检测结果,速度比霍夫检测要快。
附图说明
图1为布线垂直度智能检测系统框图。
图2为正面检测原图。
图3为正面检测步骤1示意图。
图4为正面检测步骤2示意图。
图5为正面检测步骤3示意图。
图6为正面检测步骤4示意图。
图7为反面检测原图。
图8为反面检测步骤1示意图。
图9为反面检测步骤2示意图。
图10为反面检测步骤3示意图。
图11为线缆操作水平检测软件示意图。
图12为点击开始,获取考试信息示意图。
图13为获取正面视频示意图。
图14为正面拍照示意图。
图15为检测图像示意图。
图16为读取反面视频示意图。
图17为反面拍照示意图。
图18为检测反面图像示意图。
具体实施方式
本发明提供一种替代人工的布线垂直度智能检测系统,能够对布线进行垂直度的快速判别。垂直度的定义:以数字图像上或者下边框为基准,求出布线竖直部分与边框的夹角。水平度的定义:以数字图像上或者下边框为基准,求出布线水平部分与边框的夹角。
如图1所示,本发明检测系统包括:网络摄像头(焦距6mm,像素为1920*1080)两个,摄像头电源两个,路由器一个,网线三根,装有智能检测软件的电脑一台。
所述的三根网线:一根连接电脑以太网口和路由器,另外两根分别连接路由器和摄像头。如此电脑便可以读取网络摄像头的视频流,并从视频流中截取相关的图片进行快速判别。该系统主要用于布线检测,分为正面检测和反面检测。两个摄像头的读取,截取图片均为独立线程,不会对主线程造成影响。
图2为正面检测原图,正面检测算法具体步骤如下:
步骤1,LSD直线检测,如图3所示,包括如下步骤:
(1)将输入图像通过高斯核采样,缩放到0.8。
(2)计算图像梯度强度,以及每个像素点的梯度角:atan2(gx,-gy),其中gx核gy分别为水平和垂直方向梯度。
(3)设置图像梯度强度范围到[0,1023],大于1023的梯度强度,强制设置为1023。
(4)创建1024个链表,遍历整个梯度图,根据梯度强度,相同梯度值像素坐标放入同一张链表中。
(5)将1024个链表,按从大到小顺序,合成一张大链表,首部为1023链表,尾部为0。
(6)取出链表头部存储图像坐标位置,作为种子像素,根据梯度角方向相似,进行区域扩散。每扩散一个像素,将该像素坐标从链表中删除,并且做标记,之后新的区域扩散,无法再扩散到在像素。
(7)将扩散区域进行矩形拟合。
(8)检测拟合矩形内梯度角,根据对应NFA公式,计算出该拟合矩形精度误差,如果不满足,则丢弃;如果满足要求,则将该矩形记录存储,表示为一条检测到的直线。
(9)继续回到第(6)步,从链表中,找到下一个种子点,从剩下图像进行区域扩散,至到遍历完全图,得到所有检测到的直线。
步骤2,根据检测到的线段的长度对检测出来的线段进行筛选;设定长度阈值,当长度小于该阈值时删除该直线,如图4所示。
步骤3,根据斜率将线段进行区分;假设直线端点为(p0,p1),(p2,p3),则斜率k=(p1-p3)/(p0-p2),由于计算机坐标系对笛卡尔坐标系进行了关于X轴的镜像对称,Y轴正方向是向下的。可以对斜率取绝对值,以下简称斜率。认为竖直部分的斜率是大于2的,水平部分的斜率是小于0.5的。根据斜率可以把原始的检测数据分为两组,分别存储在另外两个数组中。分别称为lines_stdK,lines_stdK2;如图5所示。
步骤4,如图6所示,对线段进行分组,计算斜率;对竖直部分的线段进行分组,即对lines_stdK元素进行分组。首先,对所有lines_stdK的元素的两个横坐标,即p0,p2,取平均值p,以下简称数组p。然后对其排序,如果数组p相邻两个元素之差大于12个像素(电线在图中的像素宽度为10),就认为他们是属于两个组别的。
图7为反面检测原图,反面检测算法步骤如下:
步骤1,对图像进行色调、饱和度、亮度的检测,对符合要求的像素进行筛选,分离出干扰因素,仅保留需要检测的部分,并将图片转化为灰度图像;将原始BGR图像转换为HSV图像,通过划定要选择的目标的HSV值范围,对图像进行逐像素的比对,删除不必要的图像部分,保留图像中的目标;如图8所示。
步骤2,对转换后的图像进行直线检测,根据检测得到的数据进行DBSCAN聚类;DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法是一种基于高密度连通区域的、基于密度的聚类算法,能够将具有足够高密度的区域划分为簇,并在具有噪声的数据中发现任意形状的簇。DBSCAN算法需要用户输入2个参数:一个参数是半径(Eps),表示以给定点P为中心的圆形邻域的范围;另一个参数是以点P为中心的邻域内最少点的数量(MinPts)。如果满足:以点P为中心、半径为Eps的邻域内的点的个数不少于MinPts,则称点P为核心点。核心点能够连通,它们构成的以Eps长度为半径的圆形邻域相互连接或重叠,这些连通的核心点及其所处的邻域内的全部点构成一个簇。如图9所示。
步骤3,如图10所示,对DBSCAN聚类后的点进行拟合,画出拟合线,计算斜率。
下面结合附图和实施例对本发明作进一步详细的说明。
实施例
软件程序界面如图11所示。该程序能够同时调用两个摄像头,每组摄像头均独立于主线程。下面以反面检测为例,陈述该软件所包含的模块、功能以及使用步骤:
1.读取视频。当点击该按钮时,调用摄像头获得视频流。
2.反面拍照。当点击该按钮时,截取当前视频帧作为检测对象。
3.检测。当点击该按钮时,调用检测程序,检测待检测的图像。
4.反面原图。点击拍照按钮,获得的图像将展示在该区域。
5.反面检测图。检测完毕后,检测的图像将展示在此区域。
6.视频区域。摄像头获得的视频流将展示在该区域。
7.正面评分区域。检测后自动生成。
8.反面评分区域。检测后自动生成。
9.考生信息读取区域。
评分标准:
表1评分标准
最终得分为:
如图12-图18所示,分别对应点击开始,获取考试信息、获取正面视频、正面拍照、检测图像、读取反面视频、反面拍照、检测反面图像。
Claims (5)
1.一种布线垂直度智能检测方法,其特征在于,包括正面检测和反面检测;
正面检测步骤如下:
(1)采用LSD方法对正面图像进行直线检测;
(2)根据检测到的线段的长度对检测出来的线段进行筛选,设定长度阈值,当长度小于该阈值时删除该直线;
(3)根据斜率将线段进行区分;对斜率取绝对值,认为竖直部分的斜率大于2,水平部分的斜率小于0.5;根据斜率将原始的检测数据分为两组,分别存储在另外两个数组中,称为lines_stdK,lines_stdK2;
(4)对线段进行分组,计算斜率;对竖直部分的线段进行分组,即对lines_stdK元素进行分组;首先,对所有lines_stdK的元素的两个横坐标取平均值p,以下简称数组p;然后对其排序,如果数组p相邻两个元素之差大于设定像素,则认为他们是属于两个组别的;
反面检测步骤如下:
(1)对图像进行色调、饱和度、亮度检测,对符合要求的像素进行筛选,分离出干扰因素,仅保留需要检测的部分,并将图片转化为灰度图像;将原始BGR图像转换为HSV图像,通过划定要选择的目标的HSV值范围,对图像进行逐像素的比对,删除不必要的图像部分,保留图像中的目标;
(2)对转换后的图像进行直线检测,根据检测得到的数据进行DBSCAN聚类;
(3)对DBSCAN聚类后的点进行拟合,画出拟合线,计算斜率。
2.根据权利要求1所述的布线垂直度智能检测方法,其特征在于,DBSCAN算法需要用户输入2个参数:一个参数是半径Eps,表示以给定点P为中心的圆形邻域的范围;另一个参数是以点P为中心的邻域内最少点的数量MinPts;
如果满足:以点P为中心、半径为Eps的邻域内的点的个数不少于MinPts,则称点P为核心点;核心点能够连通,它们构成的以Eps长度为半径的圆形邻域相互连接或重叠,这些连通的核心点及其所处的邻域内的全部点构成一个簇。
3.根据权利要求1所述的布线垂直度智能检测方法,其特征在于,正面检测中,假设直线端点为(p0,p1),(p2,p3),则斜率k=(p1-p3)/(p0-p2),由于计算机坐标系对笛卡尔坐标系进行了关于X轴的镜像对称,Y轴正方向是向下的,对斜率取绝对值,以下简称斜率,认为竖直部分的斜率是大于2的,水平部分的斜率是小于0.5的。
4.根据权利要求1所述的布线垂直度智能检测方法,其特征在于,正面检测中,如果数组p相邻两个元素之差大于12个像素,则认为他们是属于两个组别的。
5.根据权利要求1所述的布线垂直度智能检测方法,其特征在于,LSD直线检测的具体方法为:
(1)将输入图像通过高斯核采样,缩放到0.8;
(2)计算图像梯度强度,以及每个像素点的梯度角:atan2(gx,-gy),其中gx和gy分别为水平和垂直方向梯度;
(3)设置图像梯度强度范围到[0,1023],大于1023的梯度强度,强制设置为1023;
(4)创建1024个链表,遍历整个梯度图,根据梯度强度,相同梯度值像素坐标放入同一张链表中;
(5)将1024个链表,按从大到小顺序,合成一张大链表,首部为1023链表,尾部为0;
(6)取出链表头部存储图像坐标位置,作为种子像素,根据梯度角方向相似,进行区域扩散;每扩散一个像素,将该像素坐标从链表中删除,并且做标记,之后新的区域扩散,无法再扩散到在像素;
(7)将扩散区域进行矩形拟合;
(8)检测拟合矩形内梯度角,计算出该拟合矩形精度误差,如果不满足,则丢弃;如果满足要求,则将该矩形记录存储,表示为一条检测到的直线;
(9)继续回到第(6)步,从链表中,找到下一个种子点,从剩下图像进行区域扩散,至到遍历完全图,得到所有检测到的直线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910031483.4A CN109741325B (zh) | 2019-01-14 | 2019-01-14 | 一种布线垂直度智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910031483.4A CN109741325B (zh) | 2019-01-14 | 2019-01-14 | 一种布线垂直度智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741325A CN109741325A (zh) | 2019-05-10 |
CN109741325B true CN109741325B (zh) | 2022-08-16 |
Family
ID=66364665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910031483.4A Active CN109741325B (zh) | 2019-01-14 | 2019-01-14 | 一种布线垂直度智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741325B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111829467B (zh) * | 2020-06-24 | 2022-12-09 | 国家电网有限公司技术学院分公司 | 一种基于接线角度和位置的接线评估方法及系统 |
CN111832946A (zh) * | 2020-07-15 | 2020-10-27 | 国家电网有限公司技术学院分公司 | 一种基于机器视觉的接线工艺量化评分系统及方法 |
CN113361368B (zh) * | 2021-06-01 | 2024-03-19 | 福建福昕软件开发股份有限公司 | 基于桌面软件通过函数拟合识别pdf内多类线条的方法 |
CN114204988B (zh) * | 2021-11-15 | 2023-04-07 | 科大国创云网科技有限公司 | 一种对odf端口检测位置的矩阵化输出方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750703B (zh) * | 2012-06-27 | 2015-01-07 | 北京航空航天大学 | 一种基于直线分割的遥感图像机场自动检测方法 |
CN106097329B (zh) * | 2016-06-07 | 2018-11-13 | 浙江工业大学 | 一种基于边缘检测的集装箱轮廓定位方法 |
-
2019
- 2019-01-14 CN CN201910031483.4A patent/CN109741325B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109741325A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741325B (zh) | 一种布线垂直度智能检测方法 | |
CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN111667520B (zh) | 红外图像和可见光图像的配准方法、装置及可读存储介质 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
US6701005B1 (en) | Method and apparatus for three-dimensional object segmentation | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN110443212B (zh) | 用于目标检测的正样本获取方法、装置、设备及存储介质 | |
US8699786B2 (en) | 3D model generating apparatus, method and CRM by line pattern imaging | |
CN114140679A (zh) | 一种缺陷融合方法、装置、识别系统及存储介质 | |
KR20170056474A (ko) | 건축물 높이 산출 방법, 장치 및 저장 매체 | |
CN108765386A (zh) | 一种隧道裂缝检测方法、装置、电子设备及存储介质 | |
CN111738994B (zh) | 一种轻量级的pcb缺陷检测方法 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN112634259A (zh) | 一种键盘键帽自动建模定位方法 | |
CN111738264A (zh) | 一种机房设备显示面板数据的智能采集方法 | |
CN113840135B (zh) | 色偏检测方法、装置、设备及存储介质 | |
CN113284158B (zh) | 一种基于结构约束聚类的图像边缘提取方法及系统 | |
CN109117757A (zh) | 一种提取航拍图像中拉索的方法 | |
CN105930813B (zh) | 一种在任意自然场景下检测行文本的方法 | |
CN112365600B (zh) | 一种三维物体检测方法 | |
CN112101448B (zh) | 一种屏幕图像识别方法、设备、系统和可读存储介质 | |
CN111630569B (zh) | 双目匹配的方法、视觉成像装置及具有存储功能的装置 | |
CN106996934A (zh) | 多相机视觉检测系统及检测方法 | |
CN115063578B (zh) | 芯片图像中目标对象检测与定位方法、装置及存储介质 |
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 |