CN110378403B - 一种绕线盘分类识别方法及系统 - Google Patents
一种绕线盘分类识别方法及系统 Download PDFInfo
- Publication number
- CN110378403B CN110378403B CN201910620491.2A CN201910620491A CN110378403B CN 110378403 B CN110378403 B CN 110378403B CN 201910620491 A CN201910620491 A CN 201910620491A CN 110378403 B CN110378403 B CN 110378403B
- Authority
- CN
- China
- Prior art keywords
- wire spool
- image
- wire
- pixel
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 238000006386 neutralization reaction Methods 0.000 claims abstract description 4
- 210000003813 thumb Anatomy 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 34
- 230000004075 alteration Effects 0.000 claims description 15
- 239000003086 colorant Substances 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000010845 search algorithm Methods 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims 1
- 238000000605 extraction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于绕线盘分类整理技术领域,公开了一种绕线盘分类识别方法及系统,绕线盘传送至图像采集区;当绕线盘到达指定位置,摄像设备对绕线盘进行拍照,并将图像信息传送至电脑端;将采集到的图像保存;获得二值化图像;获取绕线盘的中柱长、中柱直径等灰度信息;将模板绕线盘按事先确定的编号顺序进行;将要分类的绕线盘处理,并将获取的参数与获取的模板中的对应参数进行作差取绝对值后相加;求出中和的最小值,及其对应模板的编号;向对应的执行机构拨轮发出分拣信号。本发明采用具有收发功能的低功耗激光传感器,当绕线盘到达设定位置后会阻挡激光,使接收端不能接收到发送端发送的光线,从而给摄像机发送一个拍照信号。
Description
技术领域
本发明属于绕线盘分类整理技术领域,尤其涉及一种绕线盘分类识别方法及系统。
背景技术
随着我国信息工业的发展,电线需求量的增加,导致废旧绕线盘的数量也在激增,为了减少对环境的污染,电线生产公司对废旧绕线盘进行二次利用。在重新使用之前,对绕线盘进行分类整理。而目前的分类方法还只有传统的人工分拣,其效率低下,成本高昂,还容易出错,难以达到电线生产企业的效益要求。
电线企业目前仍然采用人工分类的方法,即雇佣大量工人,利用人眼比对识别的方式将绕线盘进行分类的生产方式。由于数量巨大,采用人力分拣工作强度大,耗时长,成本高,效率低,错误率高。因此,只有研制一种快速分类识别的装置,才能有效地提高分拣的效率、准确率,降低工人的劳动强度和企业的回收成本,让电线生产企业能够更加积极的参与到资源回收再利用和保护环境的行列中来。对于绕线盘的分类识别系统来说最基本的要求就是能够根据绕线盘的大小和颜色,对绕线盘实现自动分类整理堆放,具有较高的识别效率,并且不损伤绕线盘。摄像设备还需要一个传感器,用来判断绕线盘是否到达摄像头下,以控制相机在合适的时刻取像。
由于绕线盘的形状特殊,规格种类多样,堆放时有些可以较为整齐的堆叠起来,但是大部分还是互相缠绕的堆放在一起,不便直接分类整理,对人工搬运造成了很大的不便,存在很大的安全隐患,也浪费了企业的场地和空间,可能会增加不必要的损失。
综上所述,现有技术存在的问题是:
(1)比如现有快递分拣技术,只需要识别二维码,而本系统识别需要识别形状、尺寸、颜色等信息。
(2)很多分拣控制需要采用PLC,本系统完全采用图形化编程软件LabVIEW平台进行开发,可视化强,人机交互好。
解决上述技术问题的难度:图像预处理、绕线盘特征参数的提取以及分类识别算法。
解决上述技术问题的意义:降低成本、提高效率、环保、降低安全隐患。
发明内容
针对现有技术存在的问题,本发明提供了一种绕线盘分类识别方法及系统。
本发明是这样实现的,一种绕线盘分类识别方法,所述绕线盘分类识别方法包括:
第一步,绕线盘传送至图像采集区;
第二步,当绕线盘到达指定位置,摄像设备对绕线盘进行拍照,并将图像信息传送至电脑端;
第三步,将采集到的图像进行保存;
第四步,对图像进行B通道模式的灰度变换、非线性低通滤波、最大类间方差法进行自动阈值分割以及适当开运算和适当闭运算的形态学处理,获得理想的二值化图像;
第五步,通过预处理后的图像获取绕线盘的中柱长、中柱直径、侧面圆直径以及灰度信息;
第六步,将模板绕线盘按事先确定的编号顺序进行以上步骤,并将第五步所涉及的参数保存;
第七步,将要分类的绕线盘通过第一步至第五步的处理,并将获取的参数与第六步中获取的模板中的对应参数进行作差取绝对值后相加;
第八步,求出第七步中和的最小值,及其对应模板的编号;
第九步,通过模板编号的判断,向对应的执行机构拨轮发出分拣信号。
进一步,所述绕线盘分类识别方法的图像灰度变换,对原始图片分别进行R、G、B三种通道灰度图片提取,并绘制灰度直方图,从直方图图像分析得出,采用B通道模式提取的灰度图看出具有明显的分界阈值,绕线盘与背景的对比度最为明显,将绕线盘与其背景分离。
进一步包括:
(1)滤波,在提取图像特征参数之前,对图像进行滤波增强,去掉对图片特征无关的像素点;
将图像经非线性低通滤波、平滑滤波、N阶滤波处理后的效果对比看出,经非线性低通滤波后的图像,利用3×3的非线性低通滤波,对图像去噪;
(2)非线性低通滤波对图像进行去噪,其能在去除噪声的同时保持图像的真实性。非线性低通滤波过程是基于某一3x3领域内像素的均值μ和标准差σ;以均值μ为一个分界值,标准差σ为差值范围,当像素与均值μ的差值小于σ时,非线性低通滤波不改变图片像素值;当像素值与均值μ之差大于σ时,将像素值修改为均值μ,计算公式如下:
图像的像素点大小为H×W,则像素的均值μ和标准差σ用如下公式计算:
图像分割与二值化,把绕线盘的图片分成两类,一部分为背景,一部分为绕线盘,通过阈值分割对绕线盘图片进行二值化;图片上只有0和255两种像素值。
进一步,所述绕线盘分类识别方法还包括:
(1)特征参数的选定,基于绕线盘的侧面圆盘直径、中柱长度和直径以及颜色四个特征参数对其进行分类;
(2)颜色参数的提取,采用颜色直方图的方式,对其R、G、B三原色值进行提取;通过LabVIEW中的IMAQ ColorHistograph VI对采集到的图片的颜色直方图进行分析,并分别提取R、G、B3种原色直方图中最大峰值的位置;通过程序将标准绕线盘的三原色峰值参数测量出来并保存,之后,再将后续需要归类的绕线盘的三原色峰值参数与其做差,计算出三种颜色的各自色差,再取3种原色色差的方均根值作为综合色差,通过三种颜色各自的色差和综合色差来确定其颜色种类;
(3)长度和直径参数的提取,采取自动边缘搜索算法,进行全局搜索,首先找到二值图像的最外圈各边缘的左上角和右下角的在图片上的坐标值;将左上角像素点的横坐标与右下角的像素点横坐标作差即得到了绕线盘侧面圆的像素直径;再同样将左上角像素点的纵坐标与右下角的像素点纵坐标作差即得到了绕线盘中柱的像素长度;通过Vi-sionAssistant的Clamp Horizontal Min Caliper函数在图片的某个区域建立一个ROI,搜索ROI中图像的边缘,测量出二值化图像中中柱左右边缘的像素距离,得到中柱的像素宽度。
进一步,所述绕线盘分类识别方法的基于最短路径算法的最优结果判断法采用将各参数的差值进行累加求和,和的最小值所对应的模板即为此绕线盘所属类别的模板;计算公式:
H(i)=Si+Li+Ri+Ci;
(h,n)=min{H(i)};
式中:i为模板类别编号;Si为i号类别的综合色差值;Li为i号类别的中柱长度差值;Ri为i号类别的中柱圆直径差值;Ci为i号类别的侧面圆直径差值;H(i)为i号类别参数差值和;h为差值和的最小值;n为和的最小值对应的类别号;
通过式H(i)=Si+Li+Ri+Ci将全部差值和计算出来并保存在和数组H(i)中,再通过式(h,n)=min{H(i)}得出H(i)中的最小值及最小值对应的i值;得到与当前绕线盘最为接近的绕线盘模板类别编号n,通过程序向n号执行装置发送驱动信号,对绕线盘进行分拣归类。
本发明的另一目的在于提供一种基于所述绕线盘分类识别方法的绕线盘分类识别系统,所述绕线盘分类识别系统包括:绕线盘、摄像设备、电脑端、执行机构;
摄像设备安装在绕线盘的一侧,摄像设备与电脑端连接,电脑端与执行机构连接。
进一步,所述电脑端的图像预处理界面包含六个图像显示框,分别为绕线盘原图显示框、灰度变换后图像显示框、滤波处理后图像显示框、二值化后图像显示框、适当闭运算和适当开运算后图像显示框。
进一步,所述电脑端的操作界面包括采集图像显示界面、部分特征参数显示界面、所属类号和种类数界面、工作类型选择按钮、补光灯开光、传送带开关、系统停止按钮、系统登陆按钮和系统注册按钮。
综上所述,本发明的优点及积极效果为:本发明采用具有收发功能的低功耗激光传感器,当绕线盘到达设定位置后会阻挡激光,使接收端不能接收到发送端发送的光线,从而给摄像机发送一个拍照的信号。
附图说明
图1是本发明实施例提供的绕线盘分类识别方法流程图。
图2是本发明实施例提供的自动阈值分割图像示意图;
图中:(a)最大类间方差法;(b)均匀性度量法;(c)矩保持法。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种绕线盘分类识别方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的绕线盘分类识别方法包括以下步骤:
S101:绕线盘传送至图像采集区;
S102:当绕线盘到达指定位置,摄像设备对绕线盘进行拍照,并将图像信息传送至电脑端;
S103:将采集到的图像进行保存;
S104:对图像进行B通道模式的灰度变换、非线性低通滤波、最大类间方差法进行自动阈值分割以及适当开运算和适当闭运算的形态学处理,获得理想的二值化图像;
S105:通过预处理后的图像获取绕线盘的中柱长、中柱直径、侧面圆直径以及灰度信息;
S106:将模板绕线盘按事先确定的编号顺序进行以上步骤,并将S105所涉及的参数保存;
S107:将要分类的绕线盘通过步骤S101至步骤S105的处理,并将获取的参数与步骤S106中获取的模板中的对应参数进行作差取绝对值后相加;
S108:求出步骤S107中和的最小值,及其对应模板的编号;
S109:通过模板编号的判断,向对应的执行机构拨轮发出分拣信号。
在本发明的优选实施例中,图像的灰度变换,对原始图片分别进行R、G、B三种通道灰度图片提取,并绘制灰度直方图,从直方图图像分析得出,采用B通道模式来提取的灰度图可以看出具有明显的分界阈值,绕线盘与其背景的对比度最为明显。此方法有利于将绕线盘与其背景分离开来。
滤波,在提取图像特征参数之前,需对图像进行滤波增强,去掉对图片特征无关的像素点,并保持图像的特征不受影响,同时提高其图片质量,简化计算机的识别处理过程。
将图像经非线性低通滤波、平滑滤波、N阶滤波处理后的效果对比可以看出,经非线性低通滤波后的图像,其特征和边缘保存最好,较符合本发明的设计原则。因此,本视觉系统利用3×3的非线性低通滤波,对图像去噪。
非线性低通滤波对图像进行去噪,其能在去除噪声的同时保持图像的真实性。非线性低通滤波过程是基于某一3x3领域内像素的均值μ和标准差σ。以均值μ为一个分界值,标准差σ为差值范围,当像素与均值μ的差值小于σ时,非线性低通滤波不改变图片像素值;当像素值与均值μ之差大于σ时,将像素值修改为均值μ。其计算公式如下:
假设图像的像素点大小为H×W,则像素的均值μ和标准差σ可用如下公式计算:
图像分割与二值化,本发明则把绕线盘的图片分成两类,一部分为背景,一部分为绕线盘,即通过阈值分割对绕线盘图片进行二值化,自动阈值分割可以比较准确的将绕线盘与背景分离开来,使得图片上只有0和255两种像素值,为后续特征值的提取简化了大量计算。
下面结合测试对本发明的技术效果作详细的描述。
本发明通过对这几种方法进行测试,其结果如图2。从图2的三幅图中可以得出,矩保持法处理后的图像完全失真,因此本发明不再对矩保持法的思想进行叙述。最大类间方差法处理后的图片,图片以外的杂质像素点被去除的相对其余两种算法比较干净,最符合本发明所要得到的结果。综合以上因素,本发明选用的阈值确定算法为最大类间方差法。
1、像素的形态学处理,本发明采用的形态学处理方法为适当开运算和适当闭运算,通过适当开运算填充图像中的小孔洞。并平滑图像边缘,再通过适当闭运算消除图像中的小颗粒。再次对图像边缘进行平滑处理,以得到更加准确的图像边缘。从处理后的图像中可以看出,经适当开运算和适当闭运算后的图像的形状更加接近真实的物体,说明图像预处理达到了比较理想的效果。
2、图像特征提取程序设计
2.1特征参数的选定
考虑到绕线盘是一个相对比较规则的近似为圆柱形的物体,根据数学基本原理可以得知,只要将一个圆柱的侧面圆直径以及中线长度确定,圆柱体的形状大小也就确定了。而绕线盘可以看做是由三个圆柱体拼接而成,因此只要得知三个圆柱体的直径和中线长度即可确定一个绕线盘的种类。
而经过大量实物对比发现,证明了以上观点的正确性,即各种不同绕线盘最明显的特征差别分别为:绕线盘侧面的圆盘直径、绕线盘的中柱的长度、以及绕线盘的颜色和材质。因此,本发明设计的绕线盘分类识别系统,就是基于绕线盘的侧面圆盘直径、中柱长度和直径以及颜色四个特征参数对其进行分类的。由于通过视觉系统对材质进行检测比较困难,而通过我们的大量比较发现,大部分材质部梯的绕线盘其颜色也是不同的,因此,本系统将材质的检测也归为了颜色的检测中。
2.2颜色参数的提取
绕线盘颜色参数的提取,本发明采用颜色直方图的方式,对其R、G、B三原色值进行提取。通过LabVIEW中的IMAQ ColorHistograph VI对采集到的图片的颜色直方图进行分析,并分别提取R、G、B3种原色直方图中最大峰值的位置,这个位置反应此种颜色的亮度。首先,通过程序将标准绕线盘的三原色峰值参数测量出来并保存,之后,再将后续需要归类的绕线盘的三原色峰值参数与其做差,计算出三种颜色的各自色差,再取3种原色色差的方均根值作为综合色差,通过三种颜色各自的色差和综合色差来确定其颜色种类。
2.3长度和直径参数的提取
要想得到绕线盘的中柱长度、侧面圆直径以及中柱圆直径,只需要通过程序测量二值化图像的边缘坐标,在对其作差即可。因此,本发明采取自动边缘搜索算法,进行全局搜索,首先找到二值图像的最外圈各边缘的左上角和右下角的在图片上的坐标值。将左上角像素点的横坐标与右下角的像素点横坐标作差即得到了绕线盘侧面圆的像素直径;再同样将左上角像素点的纵坐标与右下角的像素点纵坐标作差即得到了绕线盘中柱的像素长度。通过Vi-sion Assistant的Clamp Horizontal Min Caliper函数在图片的某个区域建立一个ROI,搜索ROI中图像的边缘,测量出二值化图像中中柱左右边缘的像素距离,从而得到中柱的像素宽度。又由于本发明只需要通过这些参数进行判断绕线盘种类,而不需要得到绕线盘的实际量值,所以本发明用像素距离代替。
从显示界面上可以直接读出经过视觉系统测量后的绕线盘的各长度参数,图中显示的是绕线盘经拍照后再图片中的像素长度,并非实际长度参数。通过测量程序得到了绕线盘的中柱长度、直径以及侧面圆的直径,可以为后续绕线盘的归类程序提供了充足判别依据。
本发明设计了一种基于最短路径算法的最优结果判断法。本发明采用将各参数的差值进行累加求和,和的最小值所对应的模板即为此绕线盘所属类别的模板。这就相当于求最短路径,但是每条路都是没有交叉点,一旦选好了起点,则整条路的路线就全部固定了。而各个参数就相当于这条路上的转折点,由这些点确定了这条路的长度。计算公式如下:
H(i)=Si+Li+Ri+Ci (4)
(h,n)=min{H(i)} (5)
式中:i为模板类别编号;Si为i号类别的综合色差值;Li为i号类别的中柱长度差值;Ri为i号类别的中柱圆直径差值;Ci为i号类别的侧面圆直径差值;H(i)为i号类别参数差值和;h为差值和的最小值;n为和的最小值对应的类别号。
通过式(4)将全部差值和计算出来并保存在和数组H(i)中,再通过式(5)得出H(i)中的最小值及最小值对应的i值。即可得到与当前绕线盘最为接近的绕线盘模板类别编号n,从而通过程序向n号执行装置发送驱动信号,对绕线盘进行分拣归类。
2.4图像预处理界面的实现
图像预处理界面可以通过界面上的图像预处理按钮选择,主要是为了方便技术人员调试系统时使用,其主要是将经图像预处理的各个过程的图片进行显示,可以很清晰的看出图片是怎样一步步达到分类时所需效果的。从这个界面上,可以方便的得出,系统图像预处理的各个过程是否正常,可以方便后续系统故障的查看和解决。
界面中主要包含了六个图像显示框,分别为绕线盘原图显示框、灰度变换后图像显示框、滤波处理后图像显示框、二值化后图像显示框、适当闭运算和适当开运算后图像显示框。
2.5特征参数获取界面的实现
此界面可以通过特征参数获取选项卡选择显示,界面中主要包含了自动获取目标最外界边缘参数和通过自动设置ROI测量绕线盘中柱的最左侧边缘和最右侧边缘。从界面的第一个显示框中的红色方框,可以得出绕线盘最外侧各点的像素坐标。通过左上角坐标的横坐标和右下角坐标的横坐标,可以得出绕线盘侧面圆的像素直径;通过左上角坐标的纵坐标和右下角坐标的纵坐标,可以得出绕线盘中柱的像素长。从界面的第二个显示框可以得出程序设置的ROI区域是合适的,测量的中柱的像素直径是正确的。
通过设置这个显示选项卡,可以很明白的告诉用户程序测量的过程和准确性,也可以清晰的向系统调试人员展示系统工作是否正常。
2.6操作界面的实现
该操作界面包括了采集图像显示界面、部分特征参数显示界面、所属类号和种类数界面、工作类型选择按钮、补光灯开光、传送带开关、系统停止按钮、系统登陆按钮和系统注册按钮。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种绕线盘分类识别方法,其特征在于,所述绕线盘分类识别方法包括:
第一步,绕线盘传送至图像采集区;
第二步,当绕线盘到达指定位置,摄像设备对绕线盘进行拍照,并将图像信息传送至电脑端;
第三步,将采集到的图像进行保存;
第四步,对图像进行B通道模式的灰度变换、非线性低通滤波、最大类间方差法进行自动阈值分割以及适当开运算和适当闭运算的形态学处理,获得理想的二值化图像;
第五步,通过预处理后的图像获取绕线盘的中柱长、中柱直径、侧面圆直径以及灰度信息;
第六步,将模板绕线盘按事先确定的编号顺序进行以上步骤,并将第五步所涉及的参数保存;
第七步,将要分类的绕线盘通过第一步至第五步的处理,并将获取的参数与第六步中获取的模板中的对应参数进行作差取绝对值后相加;
第八步,求出第七步中和的最小值,及其对应模板的编号;
第九步,通过模板编号的判断,向对应的执行机构拨轮发出分拣信号;
所述绕线盘分类识别方法的图像灰度变换,对原始图片分别进行R、G、B三种通道灰度图片提取,并绘制灰度直方图,从直方图图像分析得出,采用B通道模式提取的灰度图看出具有明显的分界阈值,绕线盘与背景的对比度最为明显,将绕线盘与其背景分离;
所述绕线盘分类识别方法还包括:
(1)特征参数的选定,基于绕线盘的侧面圆盘直径、中柱长度和直径以及颜色四个特征参数对其进行分类;
(2)颜色参数的提取,采用颜色直方图的方式,对其R、G、B三原色值进行提取;通过LabVIEW中的IMAQ ColorHistograph VI对采集到的图片的颜色直方图进行分析,并分别提取R、G、B3种原色直方图中最大峰值的位置;通过程序将标准绕线盘的三原色峰值参数测量出来并保存,之后,再将后续需要归类的绕线盘的三原色峰值参数与其做差,计算出三种颜色的各自色差,再取3种原色色差的方均根值作为综合色差,通过三种颜色各自的色差和综合色差来确定其颜色种类;
(3)长度和直径参数的提取,采取自动边缘搜索算法,进行全局搜索,首先找到二值图像的最外圈各边缘的左上角和右下角的在图片上的坐标值;将左上角像素点的横坐标与右下角的像素点横坐标作差即得到了绕线盘侧面圆的像素直径;再同样将左上角像素点的纵坐标与右下角的像素点纵坐标作差即得到了绕线盘中柱的像素长度;通过Vi-sionAssistant的Clamp Horizontal Min Caliper函数在图片的某个区域建立一个ROI,搜索ROI中图像的边缘,测量出二值化图像中中柱左右边缘的像素距离,得到中柱的像素宽度;
所述绕线盘分类识别方法的基于最短路径算法的最优结果判断法采用将各参数的差值进行累加求和,和的最小值所对应的模板即为此绕线盘所属类别的模板;计算公式:
H(i)=Si+Li+Ri+Ci;
(h,n)=min{H(i)};
式中:i为模板类别编号;Si为i号类别的综合色差值;Li为i号类别的中柱长度差值;Ri为i号类别的中柱圆直径差值;Ci为i号类别的侧面圆直径差值;H(i)为i号类别参数差值和;h为差值和的最小值;n为和的最小值对应的类别号;
通过式H(i)=Si+Li+Ri+Ci将全部差值和计算出来并保存在和数组H(i)中,再通过式(h,n)=min{H(i)}得出H(i)中的最小值及最小值对应的i值;得到与当前绕线盘最为接近的绕线盘模板类别编号n,通过程序向n号执行装置发送驱动信号,对绕线盘进行分拣归类。
2.如权利要求1所述的绕线盘分类识别方法,其特征在于,进一步包括:
(1)滤波,在提取图像特征参数之前,对图像进行滤波增强,去掉对图片特征无关的像素点;
将图像经非线性低通滤波、平滑滤波、N阶滤波处理后的效果对比看出,经非线性低通滤波后的图像,其特征和边缘保存最好,因此,利用3×3的非线性低通滤波,对图像去噪;
(2)非线性低通滤波对图像进行去噪,其能在去除噪声的同时保持图像的真实性;非线性低通滤波过程是基于某一3x3领域内像素的均值μ和标准差σ;以均值μ为一个分界值,标准差σ为差值范围,当像素与均值μ的差值小于σ时,非线性低通滤波不改变图片像素值;当像素值与均值μ之差大于等于σ时,将像素值修改为均值μ,计算公式如下:
图像的像素点大小为H×W,则像素的均值μ和标准差σ用如下公式计算:
图像分割与二值化,把绕线盘的图片分成两类,一部分为背景,一部分为绕线盘,通过阈值分割对绕线盘图片进行二值化;图片上只有0和255两种像素值。
3.一种基于权利要求1所述绕线盘分类识别方法的绕线盘分类识别系统,其特征在于,所述绕线盘分类识别系统包括:绕线盘、摄像设备、电脑端、执行机构;
摄像设备安装在绕线盘的一侧,摄像设备与电脑端连接,电脑端与执行机构连接。
4.如权利要求3所述的绕线盘分类识别系统,其特征在于,所述电脑端的操作界面包括采集图像显示界面、部分特征参数显示界面、所属类号和种类数界面、工作类型选择按钮、补光灯开关、传送带开关、系统停止按钮、系统登陆按钮和系统注册按钮。
5.如权利要求3所述的绕线盘分类识别系统,其特征在于,所述电脑端的图像预处理界面包含六个图像显示框,分别为绕线盘原图显示框、灰度变换后图像显示框、滤波处理后图像显示框、二值化后图像显示框、适当闭运算和适当开运算后图像显示框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910620491.2A CN110378403B (zh) | 2019-07-10 | 2019-07-10 | 一种绕线盘分类识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910620491.2A CN110378403B (zh) | 2019-07-10 | 2019-07-10 | 一种绕线盘分类识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378403A CN110378403A (zh) | 2019-10-25 |
CN110378403B true CN110378403B (zh) | 2024-04-26 |
Family
ID=68250818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910620491.2A Active CN110378403B (zh) | 2019-07-10 | 2019-07-10 | 一种绕线盘分类识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378403B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105632952A (zh) * | 2014-11-21 | 2016-06-01 | 先进科技新加坡有限公司 | 导线键合装置的绕线盘系统 |
CN105989449A (zh) * | 2015-12-22 | 2016-10-05 | 国网安徽省电力公司铜陵供电公司 | 配电系统在线监测的移动管理平台及管理方法 |
CN107742301A (zh) * | 2017-10-25 | 2018-02-27 | 哈尔滨理工大学 | 基于图像分类的复杂背景下输电线路图像处理方法 |
CN109145808A (zh) * | 2018-08-17 | 2019-01-04 | 郑州轻工业学院 | 一种基于自适应鱼体弯曲模型的金枪鱼识别方法 |
-
2019
- 2019-07-10 CN CN201910620491.2A patent/CN110378403B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105632952A (zh) * | 2014-11-21 | 2016-06-01 | 先进科技新加坡有限公司 | 导线键合装置的绕线盘系统 |
CN105989449A (zh) * | 2015-12-22 | 2016-10-05 | 国网安徽省电力公司铜陵供电公司 | 配电系统在线监测的移动管理平台及管理方法 |
CN107742301A (zh) * | 2017-10-25 | 2018-02-27 | 哈尔滨理工大学 | 基于图像分类的复杂背景下输电线路图像处理方法 |
CN109145808A (zh) * | 2018-08-17 | 2019-01-04 | 郑州轻工业学院 | 一种基于自适应鱼体弯曲模型的金枪鱼识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110378403A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311542B (zh) | 一种产品质量检测方法及装置 | |
CN108364010B (zh) | 一种车牌识别方法、装置、设备及计算机可读存储介质 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN110414334B (zh) | 一种基于无人机巡视的智能水质识别方法 | |
CN103971126B (zh) | 一种交通标志识别方法和装置 | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN104851085B (zh) | 自动获取图像中检测区的方法及系统 | |
CN103761529A (zh) | 一种基于多色彩模型和矩形特征的明火检测方法和系统 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN108268832A (zh) | 电力作业监测方法、装置、存储介质和计算机设备 | |
CN110108712A (zh) | 多功能视觉缺陷检测系统 | |
CN107240112A (zh) | 一种复杂场景下个体x角点提取方法 | |
DK2447884T3 (en) | A method for the detection and recognition of an object in an image and an apparatus and a computer program therefor | |
CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
CN103149214A (zh) | 水果表面缺陷检测方法 | |
CN105740844A (zh) | 基于图像识别技术的绝缘子炸裂故障检测方法 | |
WO2021248599A1 (zh) | 一种类型异常图斑自动识别方法及系统 | |
CN111639568A (zh) | 一种用于变电站智能机器人的导航巡视方法 | |
CN113793322A (zh) | 一种对磁性材料自动检测的方法、电子设备和存储介质 | |
CN116678898B (zh) | 一种通用化的晶片缺陷检测方法、系统、设备及介质 | |
CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 | |
CN108765426A (zh) | 自动图像分割方法及装置 | |
CN110378403B (zh) | 一种绕线盘分类识别方法及系统 |
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 |