CN110298822A - 一种基于图像分割配准和残差网络的转子绕线检测方法 - Google Patents
一种基于图像分割配准和残差网络的转子绕线检测方法 Download PDFInfo
- Publication number
- CN110298822A CN110298822A CN201910468250.0A CN201910468250A CN110298822A CN 110298822 A CN110298822 A CN 110298822A CN 201910468250 A CN201910468250 A CN 201910468250A CN 110298822 A CN110298822 A CN 110298822A
- Authority
- CN
- China
- Prior art keywords
- image
- rotor winding
- rotor
- residual error
- error network
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于图像分割配准和残差网络的转子绕线检测方法,针对转子绕线缠绕形态合格性判断,通过对待测部位形态学分析,结合控制系统与传动系统精确配准,对旋转件转子绕线图像进行挂钩模板定位分割,得到受偏转角影响较小的转子绕线部分,利用深度学习检测算法实现在一个旋转周期内对整个转子合格性的完整检测。本发明解决了转子旋转件检测时偏转角的干扰影响,结合设计的残差网络深度学习检测算法,提高了检测的精度,满足工业生产中的检测需求。
Description
技术领域
本发明属于机器视觉工业检测技术领域,具体涉及一种基于图像分割配准和残差网络的转子绕线检测方法。
背景技术
随着工业化的进程,世界经济迅猛发展,从传统的手工作业到小规模的机械化作业,再到全自动化标准生产,制造业经历了耗时长、产量低到高速量产的腾飞。作为制造业的心脏,电机产业的发展一直与工业经济的发展息息相关,与电机相关的配置零件也步入了快速发展之道。在电机生产过程中,作为核心零部件的电机转子类型多样,其质量好坏对电机制造至关重要,而在电机转子生产的过程中,其换向器与铜线缠绕处易出现漏挂、断线等不合格形态。针对该情况,目前旋转件转子绕线的合格性检测在生产线上以人工肉眼检查为主,在复杂的生产环境下,该方法效率低下且随着工作时间的增加,肉眼检查易出现疲劳损伤,从而导致漏检、错检等状况出现,主观因素过大,不利于全自动标准化生产。
旋转件转子结构细致紧密,其漆包线与换向器在缠绕时堆叠交错,在对其绕线缠绕形态合格性检测中,直接利用通电测试等手段显然不能满足在线实时检测。同样采用目前流行的多目标深度学习检测技术对转子绕线进行检测也会受到旋转件带来的偏转角影响,导致检测精度不高。
针对于上述问题,结合转子绕线形态特征分析,急需提出一种新的能够快速判断转子绕线合格性的替代方法,可以满足标准化生产检测的要求,同时能够实现对不同型号的转子绕线合格性检测。
发明内容
发明目的:本发明提供一种基于图像分割配准和残差网络的转子绕线检测方法,解决偏转角对旋转件检测的干扰影响,检测快速便捷,且精度高。
技术方案:本发明所述的一种基于图像分割配准和残差网络的转子绕线检测方法,包括以下步骤:
(1)构建图像采集系统,采集转子绕线图像;
(2)对采集的图像利用图像模板进行定位分割得到待测部分图像,所述模板根据转子类型进行提前截取;
(3)基于深度残差网络算法对转子绕线缠绕形态进行合格性判断。
所述步骤(1)包括以下步骤:
(11)采用工业相机、步进电机、PLC、上位机搭建图像采集系统,其中工业相机用于显示采集图像,步进电机与PLC相结合形成转子绕线待测工位,上位机主要用于运行转子绕线合格性检测算法;
(12)针对不同类型的转子,优化调整相机、光源、待测物之间的位置和角度,使采集的转子形态图像呈现最佳的效果。
步骤(2)所述的图像模板采用含有3个挂钩的匹配模板;所述定位方法采用的是OpenCV库中的图像匹配。
所述步骤(2)包括以下步骤:
(21)针对不同类型的转子,提前截取对应的居中挂钩图像模板;
(22)结合步进电机与PLC精准控制,在转子转动过程中形成与转子挂钩数相等的待测工位;
(23)在第一工位处,采用挂钩匹配模板在相机视野中匹配得到最强匹配点p,匹配公式为:
其中,W和H分别为模板图像的宽和高,T(x',y')为模板图像在点(x',y')处的像素值,I(x+x',y+y')为原图像在点(x+x',y+y')处的像素值;通过定位匹配分割从而得到旋转件转子绕线受偏转角影响最小的转子绕线部分;
(24)剩下的待测工位,在相机视野的固定位置p处截取待测转子绕线部分。
所述步骤(3)包括以下步骤:
(31)对采集的转子绕线图像根据绕线形态进行分别标记,合格件为0,不合格件为1;
(32)基于残差网络,设计转子绕线合格性检测分类模型,具体结构如下:
第一层,即输入层,输入的是待测的转子绕线图像;
从第二层开始,以3*3的卷积层、归一化层、最大池化层组合成一个特征提取模块,其中激活函数选取的是relu,在经过第一个组合特征提取模块后,模型分为两个分支,左侧分支在经历两个组合特征模块后,直接和从第一个组合特征提取模块引出的右侧分支进行叠加融合,然后经历relu激活函数与一个平均池化层后进入全连接层;
通过全连接层实现对转子合格性的二分类,从而实现对其合格性的快速检测。
有益效果:与现有技术相比,本发明的有益效果:1、建立了一种转子绕线形态合格性检测算法,实现对转子绕线合格性快速准确检测;2、针对旋转件细节缠绕形态检测,提出了一种基于图像分割配准检测方案,减少偏转角的干扰影响,保证了检测精度。
附图说明
图1为本发明流程图;
图2为本发明方法的图像采集系统连接示意图;
图3为基于挂钩模板匹配定位示意图;
图4为本发明方法的基于残差网络合格性判断结构示意图。
具体实施方式
下面将结合附图对本发明作进一步描述。如图1所示,本发明包括以下步骤:
如图1所示,一种基于图像分割配准和残差网络的转子绕线检测方法,包括如下步骤:
步骤一,采用工业相机、步进电机、PLC、上位机搭建图像采集系统,其中工业相机主要用于显示采集图像,步进电机与PLC相结合形成转子绕线待测工位,上位机主要用于运行核心检测算法,进行转子绕线合格性检测,同时对结果进行可视化,各硬件之间如图2所示紧密有效地连接。针对不同类型的转子,优化调整相机、光源、待测物之间的位置和角度,使采集的转子形态图像呈现最佳的效果。
步骤二,针对不同类型的转子,提前采集对应的居中挂钩模板,为了减少后续匹配时间和匹配误差,可以采用含有3个或5个挂钩的匹配模板。结合步进电机与PLC精准控制,在电机转子转动过程中形成与转子挂钩数相等的待测工位。如图3所示,在第一工位处,即第一次用模板定位截取时得到了一个挂钩于绕线缠绕待测部位,采用挂钩匹配模板在相机视野中匹配得到最强匹配点,从而得到旋转件转子绕线大图中受偏转角影响最小的转子绕线部分,使其作为待检测区域输入上位机中的检测算法进行合格性检测。保证偏转角最小即选取视野中间的挂钩,这样的绕线图像在检测框中形态最佳,相较于两边的绕线图像会或左或右,这样检测的效果更佳。至于剩下的待测工位,在相机视野的固定位置截取转子绕线部分,使其作为待检测区域输入上位机中的检测算法进行合格性检测。
例如,一个Y-100型转子上有24个挂钩,故需要检测24处。在第一次用模板定位截取时得到了一个挂钩于绕线缠绕待测部位(第一工位)和最强匹配点p。剩下的23个挂钩(剩下的待测工位),只要通过步进电机精准控制转动的角度,在p点处截取固定大小,此处选择的160*160的区域即可得到待测的绕线与换向器缠绕形态图像。
步骤三,对采集的转子绕线图像根据绕线形态进行分别标记,合格件为0,不合格件为1。如图4所示,基于残差网络,设计一个转子绕线合格性检测分类模型,实现生产过程中实时在线检测,其中检测模型参数具体结构如下:
第一层,即输入层,输入的是待测的转子绕线图像;
从第二层开始,以3*3的卷积层、归一化层、最大池化层组合成一个特征提取模块,其中激活函数选取的是relu,在经过第一个组合特征提取模块后,模型分为两个分支,左侧分支在经历两个组合特征模块后,直接和从第一个组合特征提取模块引出的右侧分支进行叠加融合,然后经历relu激活函数与一个平均池化层后进入全连接层。
结合前面特征提取,通过全连接层实现对转子合格性的二分类,从而实现对其合格性的快速检测。通过一个旋转周期就能实现对上述Y-100型转子上的24个挂钩处绕线缠绕形态合格性检测,实验最后的结果表示该方法可以有效识别旋转件转子绕线的合格性,准确率优于98%。
以上所述仅是本发明的优选实施方式,结合图像定位分割技术,结合残差网络分类检测模型可以准确检测出转子绕线合格性,同时应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润色,这些改进和润色也应视为本发明的保护范围。
Claims (6)
1.一种基于图像分割配准和残差网络的转子绕线检测方法,其特征在于,包括以下步骤:
(1)构建图像采集系统,采集转子绕线图像;
(2)对采集的图像利用图像模板进行定位分割得到待测部分图像,所述模板根据转子类型进行提前截取;
(3)基于深度残差网络算法对转子绕线缠绕形态进行合格性判断。
2.根据权利要求1所述的一种基于图像分割配准和残差网络的转子绕线检测方法,其特征在于,所述步骤(1)包括以下步骤:
(11)采用工业相机、步进电机、PLC、上位机搭建图像采集系统,其中工业相机用于显示采集图像,步进电机与PLC相结合形成转子绕线待测工位,上位机主要用于运行转子绕线合格性检测算法;
(12)针对不同类型的转子,优化调整相机、光源、待测物之间的位置和角度,使采集的转子形态图像呈现最佳的效果。
3.根据权利要求1所述的一种基于图像分割配准和残差网络的转子绕线检测方法,其特征在于,步骤(2)所述的图像模板采用含有3个挂钩的匹配模板。
4.根据权利要求1所述的一种基于图像分割配准和残差网络的转子绕线检测方法,其特征在于,步骤(2)所述定位方法采用的是OpenCV库中的图像匹配。
5.根据权利要求1所述的一种基于图像分割配准和残差网络的转子绕线检测方法,其特征在于,所述步骤(2)包括以下步骤:
(21)针对不同类型的转子,提前截取对应的居中挂钩图像模板;
(22)结合步进电机与PLC精准控制,在转子转动过程中形成与转子挂钩数相等的待测工位;
(23)在第一工位处,采用挂钩匹配模板在相机视野中匹配得到最强匹配点p,匹配公式为:
其中,W和H分别为模板图像的宽和高,T(x',y')为模板图像在点(x',y')处的像素值,I(x+x',y+y')为原图像在点(x+x',y+y')处的像素值;通过定位匹配分割从而得到旋转件转子绕线受偏转角影响最小的转子绕线部分;
(24)剩下的待测工位,在相机视野的固定位置p处截取待测转子绕线部分。
6.根据权利要求1所述的一种基于图像分割配准和残差网络的转子绕线检测方法,其特征在于,所述步骤(3)包括以下步骤:
(31)对采集的转子绕线图像根据绕线形态进行分别标记,合格件为0,不合格件为1;
(32)基于残差网络,设计转子绕线合格性检测分类模型,具体结构如下:
第一层,即输入层,输入的是待测的转子绕线图像;
从第二层开始,以3*3的卷积层、归一化层、最大池化层组合成一个特征提取模块,其中激活函数选取的是relu,在经过第一个组合特征提取模块后,模型分为两个分支,左侧分支在经历两个组合特征模块后,直接和从第一个组合特征提取模块引出的右侧分支进行叠加融合,然后经历relu激活函数与一个平均池化层后进入全连接层;
(33)通过全连接层实现对转子合格性的二分类,从而实现对其合格性的快速检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468250.0A CN110298822A (zh) | 2019-05-31 | 2019-05-31 | 一种基于图像分割配准和残差网络的转子绕线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468250.0A CN110298822A (zh) | 2019-05-31 | 2019-05-31 | 一种基于图像分割配准和残差网络的转子绕线检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110298822A true CN110298822A (zh) | 2019-10-01 |
Family
ID=68027543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910468250.0A Pending CN110298822A (zh) | 2019-05-31 | 2019-05-31 | 一种基于图像分割配准和残差网络的转子绕线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298822A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115791815A (zh) * | 2023-02-06 | 2023-03-14 | 宝捷时计电子(深圳)有限公司 | 一种基于机器视觉检测的钟表机芯绕线方法及绕线装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247949A (zh) * | 2017-08-02 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 基于深度学习的人脸识别方法、装置和电子设备 |
CN107545245A (zh) * | 2017-08-14 | 2018-01-05 | 中国科学院半导体研究所 | 一种年龄估计方法及设备 |
CN108932712A (zh) * | 2018-06-22 | 2018-12-04 | 东南大学 | 一种转子绕组质量检测系统及方法 |
-
2019
- 2019-05-31 CN CN201910468250.0A patent/CN110298822A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247949A (zh) * | 2017-08-02 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 基于深度学习的人脸识别方法、装置和电子设备 |
CN107545245A (zh) * | 2017-08-14 | 2018-01-05 | 中国科学院半导体研究所 | 一种年龄估计方法及设备 |
CN108932712A (zh) * | 2018-06-22 | 2018-12-04 | 东南大学 | 一种转子绕组质量检测系统及方法 |
Non-Patent Citations (3)
Title |
---|
XING HU ET AL.: ""Neural Network Model Extraction Attacks in Edge Devices by Hearing Architectural Hints"", 《ARXIV》 * |
朱亚旋: ""基于机器视觉的转子挂线自动检测技术研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
耿凯悦: ""基于深度学习的人脸年龄段分类研究与应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115791815A (zh) * | 2023-02-06 | 2023-03-14 | 宝捷时计电子(深圳)有限公司 | 一种基于机器视觉检测的钟表机芯绕线方法及绕线装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033453A (zh) | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 | |
CN104361314B (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
CN107808133B (zh) | 基于无人机巡线的油气管道安全监测方法、系统及软件存储器 | |
CN104198498B (zh) | 基于自适应正交小波变换的布匹疵点检测方法及装置 | |
CN109655259A (zh) | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 | |
CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
CN108365557A (zh) | 一种无人机精细化巡检输电线路的方法及系统 | |
CN109583324A (zh) | 一种基于单点多盒检测器的指针仪表读数自动识别方法 | |
CN107103598A (zh) | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 | |
CN108520114A (zh) | 一种纺织布疵点检测模型及其训练方法和应用 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN110378221A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN109916913A (zh) | 一种基于机器视觉的智能制造产品识别与检测方法 | |
CN112131982A (zh) | 一种基于卷积神经网络的茶树嫩芽识别方法 | |
CN106326932A (zh) | 一种基于神经网络的电力巡线图像自动识别方法、装置 | |
CN103729621B (zh) | 基于叶片骨架模型的植物叶片图像自动识别方法 | |
CN107024478A (zh) | 一种零件加工自动缺陷识别系统 | |
CN110245695A (zh) | 一种基于卷积神经网络的tbm岩渣大小等级识别方法 | |
CN110533090A (zh) | 开关刀闸状态检测方法及装置 | |
CN112367400A (zh) | 一种边云协同的电力物联网智能巡检方法及系统 | |
CN110335260A (zh) | 一种基于轻卷积神经网络的电力电缆破损检测方法 | |
CN116416613A (zh) | 一种基于改进YOLO v7的柑橘果实识别方法及系统 | |
CN110490261B (zh) | 一种输电线路巡检图像绝缘子的定位方法 | |
CN112560896A (zh) | 一种基于图像处理的水果品质筛选分类系统 | |
CN110298822A (zh) | 一种基于图像分割配准和残差网络的转子绕线检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |
|
RJ01 | Rejection of invention patent application after publication |