CN111553893A - 一种飞机线束自动布线切断标识识别方法 - Google Patents
一种飞机线束自动布线切断标识识别方法 Download PDFInfo
- Publication number
- CN111553893A CN111553893A CN202010333588.8A CN202010333588A CN111553893A CN 111553893 A CN111553893 A CN 111553893A CN 202010333588 A CN202010333588 A CN 202010333588A CN 111553893 A CN111553893 A CN 111553893A
- Authority
- CN
- China
- Prior art keywords
- image
- lead
- wire
- cutting
- identifier
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种飞机线束自动布线切断标识识别方法,属于图像处理与模式识别领域。包括以下步骤:建立导线图像样本模板库;尺度不变特征变换(SIFT,Scale Invariant Feature)特征提取并用Fisher向量归一化表示;局部二值模式(LBP,Local Binary Patterns)特征提取并与fisher向量共同作为飞机线束布线中导线图像特征向量;使用RBF核函数构建SVM分类模型;将待检测导线图像特征向量输入分类器进行识别分类。本发明利用LBP提取导线纹理特征并结合SIFT尺度不变性特点对导线图像进行特征提取,能够有效减少切断标识图像纹理变化、变形等因素的影响,增强导线标识本身特征的表现性,提高切断标识识别的准确率。
Description
技术领域
本发明涉及一种布线切断标识识别方法,具体涉及一种飞机线束自动布线切断标识识别方法。
背景技术
线束是飞行的神经,贯穿于飞机各个部件,其传输着飞机上输配电信号,飞控、发动机、起落架、航电等重要系统的信号。现如今,复杂的飞机线束网络是支撑飞机强大功能的重要组成部分,由于其主体庞大,分支复杂其制造过程也是相当复杂,随着智能制造的发展,自动布线机成为线束制造的大趋势。然而,在飞行器线束自动布线过程中,用于集成线束的导线种类繁多且布线路径复杂,如何在自动布线过程中根据线束布线图及布线规则精准定位某一类型导线的下线长度必须要解决的问题。
传统方法是集成计米器来确定布线过程中线束的长度,受被测线束外包材质的影响,不同的材质即线缆外套材料不同(橡胶、塑料等),由于材料摩擦系数不同,与测量轮之间产生的摩擦力也不一样,引起打滑使得测量结果不准确,并且计米器本身的误差也会导致过程中线束误差积累。
切断标识是在线束激光印字阶段,按照线束布线规则即各种类导线的理论长度在线束本身印线阶段印有区别于线号的特殊标识,然后利用机器视觉技术识别切断标识进而精准切断线束。该方法能够准确定位导线切断位置,因而被广泛应用于飞机线束自动布线设备。然而,切断标识识别存在以下几个技术难点:
1、在实际打印切断标识的过程,由于导线种类繁多,线径不一,且有些扭绞导线表面材质、及表面不平导致切断标识不清晰,存在扭曲、倾斜、断裂、纹理变化等特点,使得切断标识识别困难导致漏剪现象。
2、导线本身线号与切断标识误识别造成的误剪现象。
发明内容
本发明旨在解决现有技术中存在的导线切断标识漏识别及误识别等问题,提出了一种飞机线束自动布线切断标识识别方法,该方法能够有效减少切断标识图像纹理变化、变形等因素的影响,增强图像本身特征的表现性,提高切断标识识别的准确率。
为了实现上述发明目的,本发明的技术方案如下:
一种飞机线束自动布线切断标识识别方法,步骤如下:
S1、建立导线图像样本模板库I1,包含导线切断标识图像、非切断标识图像两类;
S2、利用尺度不变特征变换(SIFT)方法对导线图像进行特征提取,获得用N*128底层特征点描述导线图像的特征集;
S3、利用Fisher向量对步骤S2中获取的SIFT特征归一化编码为相同长度的梯度向量;
S4、利用局部二值模式(LBP)提取导线图像纹理特征;
S5、将步骤S3得到的Fisher向量与步骤S4得到的LBP特征结合,作为描述导线图像特征的特征向量;
S6、对I1模板库中所有导线图像循环重复步骤S2~S5获取模板库训练样本特征集;
S7、利用步骤S6得到的两类导线图像样本特征集训练SVM分类器使其收敛,核函数的类型为RBF;
S8、获取待检测导线图像,对待检测图像重复步骤S2~S5获取待测试样本特征向量;
S9、将待测试样本特征向量输入训练好的SVM分类器进行判别,判断导线图像是否为切断标识并输出分类结果。
本发明的有益效果:
本发明所述的一种飞机线束自动布线切断标识识别方法,分析待处理的导线切断标识图像由于导线直径、形状以及材质使得切断标识扭曲纹理及变形等因素,利用局部二值模式(LBP,Local Binary Patterns)方法提取导线纹理特征并结合尺度不变特征变换(SIFT,Scale Invariant Feature Transform)方法的尺度不变性优点,对导线图像进行特征提取。该方法能够有效减少切断标识图像纹理变化、变形等因素的影响,增强图像本身特征的表现性,提高切断标识识别的准确率。
附图说明
图1为本发明的流程图;
具体实施方式
下面结合实施例对本发明作进一步地详细说明,但本发明的实施方式不限于此。
如图1所示,一种飞机线束自动布线切断标识识别方法具体实施步骤如下:
步骤1:采集飞机集束中各种类型导线图像(包含所有规格导线),并将采集的图像分为切断标识图像和非切断标识图像两类,形成两类导线图像组成的图像样本模板库I1。其中,导线切断标识图像是指导线上印有切断标识的图像;导线非切断标识图像是指含导线上印线号的图像和既没有线号也没有切断标识的图像。
步骤2:由于SIFT特征提取具有尺度不变性,采用SIFT特征提取方法用128维特征向量描述导线图像中N个点的方向信息,即生成N*128特征点描述集为X={xn,n=1,…,N},其中N代表导线图像特征点的个数,且每幅导线图像的N值不同,xn为128维方向特征向量;
步骤3:由于每幅导线图像采集的SIFT特征点不同,即向量维度不同,需要对特征向量进行归一化,本发明利用Fisher向量对导线图像SIFT特征向量进行归一化:
2)用K=2的GMM模型去逼近导线图像SIFT特征的N个独立同分布估计高斯混合模型的参数λ={ωk,μk,σk,k=1,…,K},其中ω是权重系数,μ为高斯分布均值,σ则为方差,pk是第k个高斯分布。
对ω、μ以及σ三个参数求偏导分别得到:
其中d为Xn的第d维。
4)计算Fisher向量对角线元素期望得到:
5)最后得到导线图像SIFT特征归一化的fisher向量为:
向量维度即为三个参数求偏导的结果数之和,为(2*128+1)*K-1,其中ω的偏导结果数是K-1,均值偏导结果数为K*128个,方差偏导结果数K*128,根据2中可知K=2,即得到归一化后的513维的Fisher向量表征导线图像SIFT特征。
步骤4:利用uniform局部二值模式LBP提取导线图像纹理征提取:
1)首先对本发明中导线图像进行灰度变化,得到大小为X*X图像,将导线图形分为16*16的小区域;
2)用LBP公式对每个小区域进行编码:
(xc,yc)表示中心像素的坐标,p表示领域的第p个像素,ip表示领域的像素灰度值,ic表示中心像素的灰度值,S(x)为符号函数。
3)编码后将循环的二进制LBP编码数中从0到1或者1到0跳变次数最多有两次跳变的分为一类,其他分为一类。因此编码种类由2p种减少到p(p-1)+2种。对于邻域设为3*3时,p=8,即等价模式编码种类为58种。
4)计算每个小区域的等价模式LBP编码直方图,并进行归一化得到58维LBP表征的导线图像特征向量v2
步骤5:将步骤3得到的Fisher向量与步骤4得到的LBP特征结合,作为描述导线图像特征的特征向量v。
v=v1+v2
步骤6:对步骤1中的I1模板库中所有导线图像循环重复步骤2、步骤3、步骤4、步骤5获取模板库训练样本特征集V={vi,i=1,…,I},其中I代表图像库I1中样板图像的数量;
步骤7:用步骤6得到的两类导线图像样本库特征向量集训练SVM分类器使其收敛,且核函数的类型为RBF;
步骤8:获取待检测测试导线图像T,待检测图像T重复步骤2、步骤3、步骤4、步骤5获取表示待测试图像特征向量vT;
步骤9:将步骤8中的待测试图像特征向量vT代入训练好的SVM分类器进行判别,并输出分类结果。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (1)
1.一种飞机线束自动布线切断标识识别方法,其特征在于,包括如下步骤:
S1、建立导线图像样本模板库I1,包含导线切断标识图像、非切断标识图像两类样本;
S2、利用尺度不变特征变换(SIFT)方法对导线图像进行特征提取,获得用N*128底层特征点描述导线图像的特征集;
S3、利用Fisher向量对步骤S2中获取的SIFT特征归一化编码为相同长度的梯度向量;
S4、利用局部二值模式(LBP)提取导线图像纹理特征;
S5、将步骤S3得到的Fisher向量与步骤S4得到的LBP特征结合,作为描述导线图像特征的特征向量;
S6、对I1模板库中所有导线图像循环重复步骤S2~S5获取模板库训练样本特征集;
S7、利用步骤S6得到的两类导线图像样本特征集训练SVM分类器使其收敛,核函数的类型为RBF;
S8、获取待检测导线图像,对待检测图像重复步骤S2~S5获取待测试样本特征向量;
S9、将待测试样本特征向量输入训练好的SVM分类器进行判别,判断导线图像是否为切断标识并输出分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010333588.8A CN111553893A (zh) | 2020-04-24 | 2020-04-24 | 一种飞机线束自动布线切断标识识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010333588.8A CN111553893A (zh) | 2020-04-24 | 2020-04-24 | 一种飞机线束自动布线切断标识识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111553893A true CN111553893A (zh) | 2020-08-18 |
Family
ID=72003920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010333588.8A Pending CN111553893A (zh) | 2020-04-24 | 2020-04-24 | 一种飞机线束自动布线切断标识识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553893A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103943284A (zh) * | 2014-03-31 | 2014-07-23 | 南昌航空大学 | 一种飞机电缆导线束自动布线系统及其布线方法 |
CN104200228A (zh) * | 2014-09-02 | 2014-12-10 | 武汉睿智视讯科技有限公司 | 一种安全带识别方法与系统 |
CN105335758A (zh) * | 2015-11-03 | 2016-02-17 | 电子科技大学 | 一种基于视频费舍尔向量描述符的车型识别方法 |
CN106056159A (zh) * | 2016-06-03 | 2016-10-26 | 西安电子科技大学 | 基于Fisher Vector的图像精细分类方法 |
CN106529544A (zh) * | 2016-10-31 | 2017-03-22 | 中山大学 | 一种基于无监督机器学习的织物平整度客评定方法及装置 |
CN106548160A (zh) * | 2016-11-09 | 2017-03-29 | 浙江博天科技有限公司 | 一种人脸微笑检测方法 |
CN106548180A (zh) * | 2016-10-21 | 2017-03-29 | 华中科技大学 | 一种获取模糊不变图像的特征描述子的方法 |
US20170351914A1 (en) * | 2016-06-02 | 2017-12-07 | S-Printing Solution Co., Ltd. | Method and device for classifying scanned documents |
CN108596173A (zh) * | 2018-04-19 | 2018-09-28 | 长春理工大学 | 单相机全视角线号实时识别装置及其检测方法 |
CN109583482A (zh) * | 2018-11-13 | 2019-04-05 | 河海大学 | 一种基于多特征融合与多核迁移学习的红外人体目标图像识别方法 |
CN109785301A (zh) * | 2018-12-27 | 2019-05-21 | 北京交通大学 | 一种基于图像处理的钢轨波磨自动识别方法与评估方法 |
CN110147798A (zh) * | 2019-04-18 | 2019-08-20 | 北京彼维网络技术有限公司 | 一种可用于网络信息检测的语义相似度学习方法 |
CN110472479A (zh) * | 2019-06-28 | 2019-11-19 | 广州中国科学院先进技术研究所 | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 |
CN110659608A (zh) * | 2019-09-23 | 2020-01-07 | 河南工业大学 | 基于多特征融合的场景分类方法 |
-
2020
- 2020-04-24 CN CN202010333588.8A patent/CN111553893A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103943284A (zh) * | 2014-03-31 | 2014-07-23 | 南昌航空大学 | 一种飞机电缆导线束自动布线系统及其布线方法 |
CN104200228A (zh) * | 2014-09-02 | 2014-12-10 | 武汉睿智视讯科技有限公司 | 一种安全带识别方法与系统 |
CN105335758A (zh) * | 2015-11-03 | 2016-02-17 | 电子科技大学 | 一种基于视频费舍尔向量描述符的车型识别方法 |
US20170351914A1 (en) * | 2016-06-02 | 2017-12-07 | S-Printing Solution Co., Ltd. | Method and device for classifying scanned documents |
CN106056159A (zh) * | 2016-06-03 | 2016-10-26 | 西安电子科技大学 | 基于Fisher Vector的图像精细分类方法 |
CN106548180A (zh) * | 2016-10-21 | 2017-03-29 | 华中科技大学 | 一种获取模糊不变图像的特征描述子的方法 |
CN106529544A (zh) * | 2016-10-31 | 2017-03-22 | 中山大学 | 一种基于无监督机器学习的织物平整度客评定方法及装置 |
CN106548160A (zh) * | 2016-11-09 | 2017-03-29 | 浙江博天科技有限公司 | 一种人脸微笑检测方法 |
CN108596173A (zh) * | 2018-04-19 | 2018-09-28 | 长春理工大学 | 单相机全视角线号实时识别装置及其检测方法 |
CN109583482A (zh) * | 2018-11-13 | 2019-04-05 | 河海大学 | 一种基于多特征融合与多核迁移学习的红外人体目标图像识别方法 |
CN109785301A (zh) * | 2018-12-27 | 2019-05-21 | 北京交通大学 | 一种基于图像处理的钢轨波磨自动识别方法与评估方法 |
CN110147798A (zh) * | 2019-04-18 | 2019-08-20 | 北京彼维网络技术有限公司 | 一种可用于网络信息检测的语义相似度学习方法 |
CN110472479A (zh) * | 2019-06-28 | 2019-11-19 | 广州中国科学院先进技术研究所 | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 |
CN110659608A (zh) * | 2019-09-23 | 2020-01-07 | 河南工业大学 | 基于多特征融合的场景分类方法 |
Non-Patent Citations (7)
Title |
---|
SHUNG BAI等: "Scene Categorization Through Combining LBP and SIFT Features Effectively", 《INTERNATIONAL JOURNAL OF PATTERN RECOGNITIO AND ARTI¯CIAL INTELLIGENCE》 * |
WILL-LIN: "机器学习笔记:Fisher Vector基本原理与用法", 《HTTPS://BLOG.CSDN.NET/WZMSLTW/ARTICLE/DETAILS/52040010》 * |
付晓峰等: "基于有监督的Laplacianfaces和局部二元模式的人脸表情识别", 《光电子·激光》 * |
尹莹莹: "高分辨率光学遥感影像舰船目标检测与识别算法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
战春儒: "基于卷积神经网络的图像场景分类方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
胡彦婷等: "基于SIFT-LBP稀疏编码的肝包虫CT图像分类", 《科技通报》 * |
蒋君杰等: "基于视觉传感器网络的飞机识别系统", 《计算机应用研究》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117826B (zh) | 一种多特征融合的车辆识别方法 | |
CN106599854B (zh) | 基于多特征融合的人脸表情自动识别方法 | |
CN105956560B (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
CN108304835A (zh) | 文字检测方法和装置 | |
CN102163281B (zh) | 基于AdaBoost框架和头部颜色的实时人体检测方法 | |
CN107103326A (zh) | 基于超像素聚类的协同显著性检测方法 | |
CN108615050B (zh) | 一种基于支持向量机的人体姿态判别方法 | |
CN102982349A (zh) | 一种图像识别方法及装置 | |
CN111091080A (zh) | 人脸识别方法及系统 | |
CN108550165A (zh) | 一种基于局部不变特征的图像匹配方法 | |
CN112347894A (zh) | 基于迁移学习和高斯混合模型分离的单株植被提取方法 | |
CN104751175A (zh) | 基于增量支持向量机的sar图像多类标场景分类方法 | |
CN113222062A (zh) | 烟叶分类的方法、装置和计算机可读取介质 | |
CN103544473B (zh) | 一种基于机器视觉的电子连接器检测方法 | |
CN105894035B (zh) | 基于sar-sift和dbn的sar图像分类方法 | |
CN111767909B (zh) | 一种字符识别方法、设备及计算机可读存储介质 | |
CN106355588A (zh) | 一种基于核方法的高光谱图像分割方法 | |
CN106951924B (zh) | 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统 | |
CN111553893A (zh) | 一种飞机线束自动布线切断标识识别方法 | |
CN113283371A (zh) | 一种基于brisk特征的局部放电特征提取及分类方法 | |
Zhang et al. | Radar emitter signal recognition based on support vector machines | |
CN102332087A (zh) | 一种基于稀疏表示的人脸识别方法 | |
CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
Haddad et al. | Multi-feature sparse-based defect detection and classification in semiconductor units | |
Candrasari et al. | Hand gesture recognition using discrete wavelet transform and hidden Markov models |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200818 |