CN111553893A - 一种飞机线束自动布线切断标识识别方法 - Google Patents

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

一种飞机线束自动布线切断标识识别方法

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＝{x_n，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，x_n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：

1)由步骤2可知SIFT特征向量为X＝{x_n，n＝1，…，N}，假设N个特征点均为独立同分布，待编码的导线图像为X，其概率函数可用

表示，对其求对数得似然函数为

式中λ为描述独立同分布的参数。

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＝{ω_k，μ_k，σ_k，k＝1，…，K}，其中ω是权重系数，μ为高斯分布均值，σ则为方差，p_k是第k个高斯分布。

3)因此，1)中x_n由p_k生成的概率即为

对ω、μ以及σ三个参数求偏导分别得到：

其中d为X_n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：

(x_c，y_c)表示中心像素的坐标，p表示领域的第p个像素，i_p表示领域的像素灰度值，i_c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2^p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＝{v_i，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v_T；

步骤9：将步骤8中的待测试图像特征向量v_T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。

Images