CN110544242A - 一种实时线缆节距提取方法 - Google Patents
一种实时线缆节距提取方法 Download PDFInfo
- Publication number
- CN110544242A CN110544242A CN201910791827.1A CN201910791827A CN110544242A CN 110544242 A CN110544242 A CN 110544242A CN 201910791827 A CN201910791827 A CN 201910791827A CN 110544242 A CN110544242 A CN 110544242A
- Authority
- CN
- China
- Prior art keywords
- real
- image
- foreground
- algorithm
- stage
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种实时线缆节距提取方法,包括学习训练阶段和实时检测阶段,所述学习训练阶段包括以下步骤:A.应对以下的图像采集环境变量:1)开放环境;2)图像明暗变化;3)图片采集区域光照不均匀;4)线缆沿着与行进方向垂直的方向抖动。本发明通过将算法分学习和检测阶段,两阶段分步进行,能够通过学习阶段获得大部分算法所需的参数信息,需要外界提供的参数只有一个,参数可直接观察图像获得,不需要重复试验,维护性非常好;算法做了合理的误差分配,每一步都对异常值的都有较大的误差容许范围,具有很好的鲁棒性;同时算法的高效实现降低了对于硬件平台的压力,处理效率保证了检测的实时性。
Description
技术领域
本发明涉及视觉检测及线缆节距生产质量监控技术领域,具体为一种实时线缆节距提取方法。
背景技术
线缆是光缆、电缆等物品的统称,线缆的用途有很多,主要用于控制安装、连接设备、输送电力等多重作用,是日常生活中常见而不可缺少的一种东西,由于电缆带电,所以安装需要特别谨慎,绕线机主要是用于成型多条线缆而成的自动绕制设备,其广泛的应用于电力电缆、通信光缆及各种低电压合成电线等,线缆节距是指单线之间相互绕制时形成的螺旋长度距离,绕线设备其对线缆绕制的节距大多通过收线速度来控制。
绞线节距影响产品的拉伸强度,是线缆产品质量的控制因素之一,行业内对这一质量的监控主要居基于对于绕线设备运行情况的监控,属于间接质量监控,半闭环;只能保证出绞线设备与产品生产工艺之间的运行偏差,而不能检测出由于线缆的材质、绞线治具对于线缆绞线节距的影响。
发明内容
本发明的目的在于提供一种实时线缆节距提取方法,具备降低了对于硬件平台的压力,处理效率保证了检测的实时性的优点,解决了不能检测出由于线缆的材质、绞线治具对于线缆绞线节距影响的问题。
为实现上述目的,本发明提供如下技术方案:一种实时线缆节距提取方法,包括学习训练阶段和实时检测阶段,所述学习训练阶段包括以下步骤:
A.应对以下的图像采集环境变量:
1)开放环境;
2)图像明暗变化;
3)图片采集区域光照不均匀;
4)线缆沿着与行进方向垂直的方向抖动;
5)前景亮度均值持续变化,前景内容持续变化;
6)背景持续变化;
B.分离前景和背景的范围区域:计算每个像素点位置的方差,根据每个像素位置方差的大小,按行统计计算出前景的变化范围,即线缆在实际生产过程中实际可能经过的区域;
C.根据像素点位置的像素方差大小,统计出每一个像素点位置的背景单边10sigma置信区间宽度;
D.获取图像是否为黑图的判断信息:图像受治具影响周期性的呈现明暗交替变化,图像完全变黑时信噪比太低,无法检测;
所述实时检测阶段包括以下步骤:
A.判断是否黑图;
B.提取前景二值图;
C.根据用户输入的生产工艺先验信息,使用小波变换提取节距点。
优选的,所述学习训练阶段步骤A中用于学习训练的样本数量不少于30张。
优选的,所述学习训练阶段步骤B中可以根据图像采集条件下前景和背景的区分度按照灰度能量累计进行分割,算法的实现采用计算每个像素位置的方差来近似信息熵。
优选的,所述学习训练阶段步骤B中为了计算出前景区域,生产线缆的宽度变化范围不大时,可以采用固定长度的滑窗,来寻找灰度能量累计最大的区域,也可以计算出能量累计80%的最小区域作为前景。
优选的,所述实时检测阶段步骤C中为了有效提取序列的局部最小最大值,同时兼顾算法的鲁棒性和算法提取的精度,可以采用傅里叶变换来提取序列的低频内容,也可以采用小波变换来提取序列的尺度信息来获取最大最小值。
与现有技术相比,本发明的有益效果如下:本发明通过将算法分学习和检测阶段,两阶段分步进行,能够通过学习阶段获得大部分算法所需的参数信息,需要外界提供的参数只有一个,参数可直接观察图像获得,不需要重复试验,维护性非常好;算法做了合理的误差分配,每一步都对异常值的都有较大的误差容许范围,具有很好的鲁棒性;同时算法的高效实现降低了对于硬件平台的压力,处理效率保证了检测的实时性。
附图说明
图1为本发明学习训练阶段的流程图;
图2为本发明实时检测阶段的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,一种实时线缆节距提取方法,包括学习训练阶段和实时检测阶段,学习训练阶段包括以下步骤:
A.应对以下的图像采集环境变量:
1)开放环境;
2)图像明暗变化;
3)图片采集区域光照不均匀;
4)线缆沿着与行进方向垂直的方向抖动;
5)前景亮度均值持续变化,前景内容持续变化;
6)背景持续变化;
B.分离前景和背景的范围区域:计算每个像素点位置的方差,根据每个像素位置方差的大小,按行统计计算出前景的变化范围,即线缆在实际生产过程中实际可能经过的区域;
C.根据像素点位置的像素方差大小,统计出每一个像素点位置的背景单边10sigma置信区间宽度;
D.获取图像是否为黑图的判断信息:图像受治具影响周期性的呈现明暗交替变化,图像完全变黑时信噪比太低,无法检测;
实时检测阶段包括以下步骤:
A.判断是否黑图;
B.提取前景二值图;
C.根据用户输入的生产工艺先验信息,使用小波变换提取节距点。
学习训练阶段包括以下步骤:A.输入持续采集的线缆图像:在算法开始运行阶段,持续采集500张图片样本;B.确定前景和背景的范围区域:1)由于线缆实际生产时,会产生与行进方向垂直的抖动,为了有效区分前景和背景、评估背景的变动范围,在学习阶段计算出线缆可能经过的所有区域;2)计算内容的变化算法可以基于每个像素位置的信息熵;3)计算每个像素点位置的方差,根据每个像素位置方差的大小,按行统计计算出图像内容的变化,算法实现采用的图片高度为228,经此处理得到一个228长度的序列,计算出能量累计80%的最小区域作为前景,非前景区域即是背景区域;C.计算背景灰度值方差的置信区间宽度:上一步处理算法得到背景区域,也得到图片每个像素点的方差大小,按列计算背景区域内方差的均值,得到每一列背景图像方差的近似平均值,使用单边10simga的置信宽度,按行复制得到每一个像素点位置的背景单边10sigma置信区间--置信宽度图像;D.获取图像是否为黑图的判断信息:图像受治具影响周期性的呈现明暗交替变化,图像完全变黑时信噪比太低,无法检测,分别计算训练图像前景区域灰度值方图50%和95%分位点的灰度值,得到两个500长度的序列,两个序列分别排序,计算累计分布信息,在累计分布信息中,获取5%的分位点信息,得到阈值--前景灰度分位阈值1和前景灰度分位阈值2,两条累计分布信息表现出很好的一致性,同时这一处理是无参过程,能够保证很好的鲁棒性;
实时检测阶段包括以下步骤:A.同学习训练阶段步骤D,计算实时前景灰度50%分位灰度值1和实时前景灰度95%分位灰度值2,当前景灰度分位灰度值1<前景灰度分位阈值1and前景灰度分位灰度值2<前景灰度分位阈值2,算法判断为黑图,结束处理,等待下一张图像;B.同学习训练阶段步骤C,计算出实时图像的背景内容均值图像;C.提取前景图像:实时图像-(背景内容均值图像+置信区间宽度图像);D.同学习训练阶段步骤D和学习阶段步骤B.3,计算前景的能量累计分布图,计算10%的分位灰度值-前景阈值;E.使用前景阈值,二值化前景图像,得到二值图;F.用户根据线缆的生产工艺信息,输入正常图像中分割点数量,分割点数量为4;G.二值化图像按列投影累计得到原始的投影序列,原始投影序列两边复制扩充,得到需要处理的序列;H.整个曲线的整体趋势很明显,但是局部还是剧烈的波动,图像的采集环境有各种影响,投影序列实际可视为加了随机噪声的时间序列来处理,为了有效提取序列的局部最小最大值,同时兼顾算法的鲁棒性和算法提取的精度,采用小波变换来提取序列的尺度信息来获取最大最小值;I.使用小波变换处理扩充后的投影序列,首先要选择小波基函数:1)因为要检测的是最大最小位置,所以不选择有相位偏移的基函数,也就是小波尺度函数对称性要好,基于这一原则可选的有离散连续小波基函数,如dmey系列、双正交小波基函数如bior系列、rboi系列、或者尺度函数近似对称的小波基函数,如高阶sym小波基,如果只需要获取最大最小点的范围位置或者相对位置信息,也可以采用具有线性偏移的基函数,如低阶sym系列、db系列;2)为了提高检测精度,选择尺度函数具有较小支撑长度的小波基,基于这一点和第一点我们选择bior系列(rboi系列有等效对应的小波基函数),也可以选择使用dmey系列和高阶sym小波基,同样能够取得很好的效果;3)选择bior系列小波基函数,需要选择小波变换阶数和bior小波基函数的消失矩阶数,消失矩越高,支撑长度越大,对噪声的抑制效果更好,消失矩越高,对应的小波变换的阶数越小,对噪声抑制会起到相反的效果,需要在这两个参数进行综合的考量,计算公式如下:i.周期长度=图像宽度/正常图像中分割点数量;ii.小波变换阶数=log2(周期长度/小波尺度函数支撑长度);4)根据3的计算公式和选择依据,优选的bior5.5,小波变换阶数5;J.得到小波变换后的尺度信息,使用一阶差分法f(x)-f(x-1),即可计算出最大最小值点;K.算法效果:分别在图像亮度极暗、较暗、正常情况下算法的运行结果,显示了极强的鲁棒性;L.算法将学习训练阶段和实际阶段分开,能够自适应实现复杂条件下前景分割,通过输入产品工艺信息和学习训练阶段,算法使用小波变换能够自适应稳定地分割出线缆节距的最大最小点,算法参数要求输入的参数很少,能够大大降低维护和人员训练投入。
算法分学习和检测阶段,两阶段分步进行,能够通过学习阶段获得大部分算法所需的参数信息,需要外界提供的参数只有一个,参数可直接观察图像获得,不需要重复试验,维护性非常好;算法做了合理的误差分配,每一步都对异常值的都有较大的误差容许范围,具有很好的鲁棒性;同时算法的高效实现降低了对于硬件平台的压力,处理效率保证了检测的实时性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种实时线缆节距提取方法,包括学习训练阶段和实时检测阶段,其特征在于:所述学习训练阶段包括以下步骤:
A.应对以下的图像采集环境变量:
1)开放环境;
2)图像明暗变化;
3)图片采集区域光照不均匀;
4)线缆沿着与行进方向垂直的方向抖动;
5)前景亮度均值持续变化,前景内容持续变化;
6)背景持续变化;
B.分离前景和背景的范围区域:计算每个像素点位置的方差,根据每个像素位置方差的大小,按行统计计算出前景的变化范围,即线缆在实际生产过程中实际可能经过的区域;
C.根据像素点位置的像素方差大小,统计出每一个像素点位置的背景单边10sigma置信区间宽度;
D.获取图像是否为黑图的判断信息:图像受治具影响周期性的呈现明暗交替变化,图像完全变黑时信噪比太低,无法检测;
所述实时检测阶段包括以下步骤:
A.判断是否黑图;
B.提取前景二值图;
C.根据用户输入的生产工艺先验信息,使用小波变换提取节距点。
2.根据权利要求1所述的一种实时线缆节距提取方法,其特征在于:所述学习训练阶段步骤A中用于学习训练的样本数量不少于30张。
3.根据权利要求1所述的一种实时线缆节距提取方法,其特征在于:所述学习训练阶段步骤B中可以根据图像采集条件下前景和背景的区分度按照灰度能量累计进行分割,算法的实现采用计算每个像素位置的方差来近似信息熵。
4.根据权利要求1所述的一种实时线缆节距提取方法,其特征在于:所述学习训练阶段步骤B中为了计算出前景区域,生产线缆的宽度变化范围不大时,可以采用固定长度的滑窗,来寻找灰度能量累计最大的区域,也可以计算出能量累计80%的最小区域作为前景。
5.根据权利要求1所述的一种实时线缆节距提取方法,其特征在于:所述实时检测阶段步骤C中为了有效提取序列的局部最小最大值,同时兼顾算法的鲁棒性和算法提取的精度,可以采用傅里叶变换来提取序列的低频内容,也可以采用小波变换来提取序列的尺度信息来获取最大最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910791827.1A CN110544242B (zh) | 2019-08-26 | 2019-08-26 | 一种实时线缆节距提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910791827.1A CN110544242B (zh) | 2019-08-26 | 2019-08-26 | 一种实时线缆节距提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110544242A true CN110544242A (zh) | 2019-12-06 |
CN110544242B CN110544242B (zh) | 2022-05-13 |
Family
ID=68712134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910791827.1A Active CN110544242B (zh) | 2019-08-26 | 2019-08-26 | 一种实时线缆节距提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110544242B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897071A (zh) * | 2015-04-28 | 2015-09-09 | 电子科技大学 | 一种基于机器视觉的双绞线节距测量方法 |
CN106780596A (zh) * | 2016-12-28 | 2017-05-31 | 宁波大学 | 一种双绞线绕距在线检测系统及方法 |
CN108038839A (zh) * | 2017-11-23 | 2018-05-15 | 宁波大学 | 一种流水生产线上双绞线绞距实时检测方法 |
CN108961331A (zh) * | 2018-06-29 | 2018-12-07 | 珠海博明软件有限公司 | 一种绞合线节距的测量方法和装置 |
CN109059789A (zh) * | 2018-08-21 | 2018-12-21 | 成都天衡智造科技有限公司 | 基于机器视觉的电缆节距在线检测方法 |
CN109978832A (zh) * | 2019-03-01 | 2019-07-05 | 宁波大学 | 一种基于边缘重建的双绞线绞距检测方法 |
-
2019
- 2019-08-26 CN CN201910791827.1A patent/CN110544242B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897071A (zh) * | 2015-04-28 | 2015-09-09 | 电子科技大学 | 一种基于机器视觉的双绞线节距测量方法 |
CN106780596A (zh) * | 2016-12-28 | 2017-05-31 | 宁波大学 | 一种双绞线绕距在线检测系统及方法 |
CN108038839A (zh) * | 2017-11-23 | 2018-05-15 | 宁波大学 | 一种流水生产线上双绞线绞距实时检测方法 |
CN108961331A (zh) * | 2018-06-29 | 2018-12-07 | 珠海博明软件有限公司 | 一种绞合线节距的测量方法和装置 |
CN109059789A (zh) * | 2018-08-21 | 2018-12-21 | 成都天衡智造科技有限公司 | 基于机器视觉的电缆节距在线检测方法 |
CN109978832A (zh) * | 2019-03-01 | 2019-07-05 | 宁波大学 | 一种基于边缘重建的双绞线绞距检测方法 |
Non-Patent Citations (3)
Title |
---|
THOMAS A.PAINTER ET AL.: ""Cable Unteisting and Final-Stage Twist Pitch Measurements of ITER Toroidal Field Nb3Sn Cable-in-Conduit Conductors"", 《IEEE TRANSACTIONS ON APPLIED SUPERCONDUCTIVITY》 * |
李俊晖 等: ""基于边缘重建的双绞线绞距实时测量方法"", 《仪器仪表学报》 * |
林宜丙 等: ""双绞线图像快速分割算法"", 《数据通信》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110544242B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
CN111179232A (zh) | 基于图像处理的钢筋尺寸检测系统及方法 | |
US20230009564A1 (en) | Character segmentation method and apparatus, and computer-readable storage medium | |
CN115330790B (zh) | 基于图像的电缆绞线质量检测方法及系统 | |
CN114926436A (zh) | 一种用于周期性花纹织物的缺陷检测方法 | |
CN114581692B (zh) | 一种基于智能图形识别的防振锤故障检测方法及系统 | |
CN108389216A (zh) | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN105719275A (zh) | 一种并行组合的图像缺陷分割方法 | |
CN108734704B (zh) | 基于灰度方差归一化的输电导线断股检测方法 | |
CN109543686B (zh) | 基于自适应多阈值的字符识别预处理二值化方法 | |
CN108010044B (zh) | 一种视频边界检测的方法 | |
CN115690693B (zh) | 一种建筑吊篮的智能监控系统及监控方法 | |
CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及系统 | |
CN110570404A (zh) | 一种基于Sobel算子的布料疵点检测方法 | |
CN115861987A (zh) | 一种用于输电线路在线监测的智能电力金具缺陷识别方法 | |
CN110544242B (zh) | 一种实时线缆节距提取方法 | |
CN114598849B (zh) | 一种基于物联网的建筑施工安全监控系统 | |
CN112419304B (zh) | 一种面向一维数据的多阶段目标检测方法及装置 | |
CN114882116A (zh) | 一种丝杠弯曲定位及校直方法及系统 | |
CN111145219B (zh) | 一种基于Codebook原理的高效视频移动目标检测方法 | |
CN110489810B (zh) | 一种基于数据块的趋势自动提取方法 | |
CN110223346B (zh) | 基于形状先验的多绝缘子定位方法 | |
CN112149683A (zh) | 夜视环境下活物检测方法及装置 |
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 |