CN111754504B - 一种基于机器视觉的化学混床分层检测方法 - Google Patents
一种基于机器视觉的化学混床分层检测方法 Download PDFInfo
- Publication number
- CN111754504B CN111754504B CN202010621135.5A CN202010621135A CN111754504B CN 111754504 B CN111754504 B CN 111754504B CN 202010621135 A CN202010621135 A CN 202010621135A CN 111754504 B CN111754504 B CN 111754504B
- Authority
- CN
- China
- Prior art keywords
- image
- mixed bed
- gray
- value
- connected domain
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 239000000126 substance Substances 0.000 title claims abstract description 15
- 239000011347 resin Substances 0.000 claims abstract description 26
- 229920005989 resin Polymers 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000011001 backwashing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000003550 marker Substances 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000005856 abnormality Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- NWUYHJFMYQTDRP-UHFFFAOYSA-N 1,2-bis(ethenyl)benzene;1-ethenyl-2-ethylbenzene;styrene Chemical compound C=CC1=CC=CC=C1.CCC1=CC=CC=C1C=C.C=CC1=CC=CC=C1C=C NWUYHJFMYQTDRP-UHFFFAOYSA-N 0.000 description 2
- 239000003957 anion exchange resin Substances 0.000 description 2
- 239000003729 cation exchange resin Substances 0.000 description 2
- 230000032798 delamination Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 150000001450 anions Chemical class 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-M hydroxide Chemical group [OH-] XLYOFNOQVPJJNP-UHFFFAOYSA-M 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于机器视觉的化学混床分层检测方法。本发明方法,包括如下步骤:将采集的混床彩色图像转换为灰度图像并进行二值化处理,统计二值化图像的图像白色像素点的个数F,判断F与预设的Flag变量之间的关系,进而输出已分层和未分层的结果;分层完成后,获取处理过后的二值化图像像素为白色像素点的图形各连通域,计算各个连通域面积,获取其中面积最大连通域,将其与预设的标定数值进行比较,若其差值不在允许范围内,则输出提示树脂损耗过量的信息。本发明对于混床处于外部环境变化较大时,能够克服传统光电检测开关的不足,能够很好的解决上述分层识别的问题,大大提高树脂分层状态的识别率。
Description
技术领域
本发明涉及水处理技术领域,尤其涉及一种基于机器视觉的化学混床分层检测方法。
背景技术
混床是指水通过装有氢型阳离子交换树脂和装有氢氧型阴离子交换树脂的系统。氢型阳离子交换树脂用于除去水中的阳离子;氢氧型阴离子交换树脂用于除去水中的阴离子。多用于火力发电厂化学水处理。通过混床可将水中的多种矿物盐基本除去。混床反洗工艺流程如图2所示,包括:反洗分层-静置-进再生剂-置换-冲洗-混合树脂-投入使用。
混床分层状态检测一直以来缺少准确高效的手段,通过调研国内混床用户可知,国内大多数采用光电检测开关来检测树脂分层情况。该方法仅能够对树脂层剖面上的一点进行检测,而且无法很好地适应外部环境的变化。当阳树脂层的剖面中恰好有一点显示是阴树脂,或外部光线出现变化,或树脂使用过程中颜色逐渐发生变化后,就难以准确判断或无法捕捉到树脂分离输送终点。同时,还调研了色标检测和超声波检测等方法,但这些方法都存在对使用环境变化适应性差、对树脂分离界面的监测不灵敏、大量误动作依赖人工识别等问题。
发明内容
根据上述提出的技术问题,而提供一种基于机器视觉的化学混床分层检测方法。本发明采用的技术手段如下:
一种基于机器视觉的化学混床分层检测方法,包括如下步骤:
S1、对混床反洗过程中图像采集装置逐帧采集的图片进行预处理,将目标区域的原始RGB图像转换为灰度图像;
S2、对转换后的灰度图像进行二值化矩阵转换,对转换后的图像通过中值滤波模板进行优化;
S3、统计优化后二值化图像的图像白色像素点的个数F,判断F与预设的Flag变量之间的关系,进而输出已分层和未分层的结果;
S4、分层完成后,获取处理过后的二值化图像像素为白色像素点的图形各连通域,计算各个连通域面积,获取其中面积最大连通域,将其与预设的标定数值进行比较,若其差值不在允许范围内,则输出提示树脂损耗过量的信息;
在此过程中,还需实时对混床照射灯光和摄像头位置进行监控,以确认混床照射灯光和摄像头位置无异常。
进一步地,所述步骤S1前还设有步骤S0,判断该次混床反洗是否为第一次识别,若是,则需要重新对识别算法进行标定。
进一步地,所述重新对识别算法进行标定具体为:S01、人工对混床阴、阳树脂是否完全分层进行判断,判断为已经完全分层后,将此状态的图像进行后续处理;
S02、将原始图片按照所需尺寸进行切割,获取特征区域图像;
S03、将特征区域图像进行二值化转换,完成图像特征的增强;对原始RGB图像进行灰度处理后,将各像素位由三个颜色通道变为由0到255的灰度值组成的单通道,将三个分量以不同的权值进行加权平均;
S04、对图像所有像素的灰度值做一次求平均值的操作,得到像素阈值mean,小于该阈值的图像值变为0,大于该阈值像素的值变成255,由此RBG彩色图像转换二值化矩阵操作完成,其中0代表黑色,255代表把白色;
式中I表示某像素点的灰度值,m、n表示所截图像的长和宽;
S05、对增强后的图像通过中值滤波模板进行优化;采用一个7*7的中值滤波模板对图像进行优化,将该模板内的各像素值进行排序,生成单调上升或单调下降的二维数据序列,二维中值滤波输出如表达式(4):
g(x,y)=medf{f(x-k,y-1),(k,l∈w)} (4)
其中f(x,y)和g(x,y)分别是原图像和处理后图像,w为输入的二维模板,能够在整幅图像上滑动,为了不失通用性做中值滤波前对原始图像的外边框进行了0填充处理;
S06、统计S05中所获得的图像白色像素点的个数,将该值赋值给Flag变量,图像为m*n大小的像素矩阵,统计方法下公式(5):
S07、利用区域生长算法获取S05图像中所有连通域,并统计连通域的面积;
S08、找到面积最大的连通域,获取其几何中心像素点的纵坐标,并将其赋值给State变量。
进一步地,所述步骤S03中,按公式(1)对RGB三分量进行加权平均得到较合理的灰度图像:
Gary(i,j)=0.299*R(i,j)+0.587*G(i,j)+0.114*B(i,j) (1)。
进一步地,对混床照射灯光进行监控具体包括如下步骤:
S61、对摄像头抓取的每一帧图像进行切割;
S62、对切割图像进行灰度处理,将特征区域图像进行处理后各像素位由三个颜色通道变为灰度单通道0到255的灰度值;
S63、计算图像所有像素点的灰度平均值,并求出本帧图像灰度平均值与上一帧图像做差赋值给M,见公式(6):
M=|Gn-Gn-1| (6)
其中Gn为第n帧图像的平均灰度值,Gn-1为第n-1时刻图像的平均灰度值;
S64、根据设定的阈值G进行判断,当M<G时说明亮度变化在正常的范围内,无异常线程返回到S61继续识别下一帧;
S65、当M>G时说明光线发生大幅度变化影响图像识别,输出灯光异常报警、终止识别线程,需就地进行检查设备恒光源。
进一步地,摄像头位置进行监控具体包括如下步骤:
S70、预先在摄像头照射的混床观察窗口旁设置可视化的标志位;
S71、对摄像头抓取的每一帧图像进行切割,保留标志位所在图像区域;
S72、提取标志位RGB图像中每个像素点G分量的值,并求出均值赋值给变量C;
S73、根据设定标志位区域绿色像素值的合理波动范围,判断C是否在该范围内,如果在范围内则无异常,返回S71继续进行识别;
S74、如果不在合理范围内,说明摄像头被移动,输出摄像头位置异常报警,终止识别线程,调整切割位置并重新切割标定。
本发明对于混床处于外部环境变化较大时,能够克服传统光电检测开关的不足,能够很好的解决上述分层识别的问题,大大提高树脂分层状态的识别率。通过将像素点位355的F与标定时的全局变量Flag进行比较,提高了指针读数自动判读的准确率。同时,注重对混床摄像头和灯光的检测,减少混床图片处理过程中的影响因素。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明反洗分层状态识别流程图。
图2为现有技术中,混床反洗再生工艺流程图。
图3为本发明实施例中未分层时图像处理效果图。
图4为本发明实施例中分层时图像处理效果图。
图5为本发明灯光异常报警流程图。
图6为本发明摄像头位置异常报警流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
如图1所示,本发明实施例公开了一种基于机器视觉的化学混床分层检测方法,本发明实施例主要应用该流程第一步反洗分层的状态识别。本实施例包括两个线程,一个是识别线程,用于图像识别。二是报警线程,用于光线异常报警和摄像头位置异常报警。具体包括如下步骤:
混床反洗流程开始后,算法接收到plc返回值,识别线程开启;
S0,判断该次混床反洗是否为第一次识别,若是,则需要重新对识别算法进行标定。
S1、对混床反洗过程中图像采集装置逐帧采集的图片进行预处理,将目标区域的原始RGB图像转换为灰度图像;
S2、对转换后的灰度图像进行二值化矩阵转换,对转换后的图像通过中值滤波模板进行优化;
S3、统计优化后二值化图像的图像白色像素点的个数F,判断F与预设的Flag变量之间的关系,进而输出已分层和未分层的结果;
S4、分层完成后,获取处理过后的二值化图像像素为白色像素点的图形各连通域,计算各个连通域面积,获取其中面积最大连通域,将其与预设的标定数值进行比较,若其差值不在允许范围内,则输出提示树脂损耗过量的信息;
在此过程中,还需实时对混床照射灯光和摄像头位置进行监控,以确认混床照射灯光和摄像头位置无异常。
具体地,第一次进入反洗状态识别流程,需要人工对混床阴、阳树脂是否完全分层进行判断。当人为判断已经完全分层后,通过SDK接口将此状态的图像进行逐步处理;
S02、将原始图片按照所需尺寸进行切割,获取特征区域图像;
S03、将特征区域图像进行二值化转换,完成图像特征的增强;对原始RGB图像进行灰度处理后,将各像素位由三个颜色通道变为由0到255的灰度值组成的单通道,将三个分量以不同的权值进行加权平均;
Gary(i,j)=0.299*R(i,j)+0.587*G(i,j)+0.114*B(i,j) (1)
S04、对图像所有像素的灰度值做一次求平均值的操作,得到像素阈值mean,小于该阈值的图像值变为0,大于该阈值像素的值变成255,由此RBG彩色图像转换二值化矩阵操作完成,其中0代表黑色,255代表把白色;
式中I表示某像素点的灰度值,m、n表示所截图像的长和宽;
S05、对增强后的图像通过中值滤波模板进行优化;采用一个7*7的中值滤波模板对图像进行优化,将该模板内的各像素值进行排序,生成单调上升或单调下降的二维数据序列,二维中值滤波输出如表达式(4):
g(x,y)=medf{f(x-k,y-1),(k,l∈w)} (4)
其中f(x,y)和g(x,y)分别是原图像和处理后图像,w为输入的二维模板,能够在整幅图像上滑动,为了不失通用性做中值滤波前对原始图像的外边框进行了0填充处理;
S06、统计S05中所获得的图像白色像素点的个数,将该值赋值给Flag变量,图像为m*n大小的像素矩阵,统计方法下公式(5):
S07、利用区域生长算法获取S05图像中所有连通域,并统计连通域的面积;
S08、找到面积最大的连通域,获取其几何中心像素点的纵坐标,并将其赋值给State变量。
S39、至此标定步骤结束,线程结束;
以上为第一次标定步骤,如果不需要标定,在S1阶段判断为否,则进入S2步骤;
S21、反洗开始后,对图像采集装置逐帧采集的图片进行切割,获取目标区域。S22、S23、S24步骤于S02、S03、S04步骤完全一致;
S25、处理过后的二值化图像按照公式(5)计算出当前状态下的像素点为255的点的个数F;
S26、将F与标定时的全局变量Flag进行比较,本实施例中,当F>=0.9Flag时输出“已分层”。当F<0.9Flag时输出“未分层”,线程重新返回S21继续进行识别;
S41、当F>=0.9Flag时,输出已分层;
S42、当分层完成后,获取处理过后的二值化图像像素为255的图形各连通域、并计算各个连通域面积,获取其中面积最大连通域
S43、求最大连通域几何中心点纵坐标的值。将新的纵坐标值赋给位置变量S;
S44、查看State与S的差值是否在规程允许范围内。如果不在,在程序里提示树脂损耗过量,输出State与S的差值,终止线程。
S5、如果在范围内,返回状态值到plc,进行反洗工艺下一流程,结束当前线程;
以上为完整混床反洗分层状态识别的流程;
如图3所示,反洗未分层时图像处理效果;如图4所示,反洗分层时图像处理效果,相对于现有的光电检测开关来检测树脂分层情况,能够明显提升准确性。
当就地装置通电正常以后,算法中报警线程立即开始运行。报警共有两个并发的线程,如图5所示,灯光异常报警线程和摄像头位置异常报警线程。当就地设备辅助光源突然失去,回传的图像势必引起识别异常,此时应该及时就地检查辅助照明设备。具体步骤如下:
S60、就地装置通电则立即开启线程;
S61、对摄像头抓取的每一帧图像进行切割,保留窗口右侧区域。
S62、对切割图像进行灰度处理,将特征区域图像进行处理后各像素位由三个颜色通道变为灰度单通道0到255的灰度值。
S63、计算图像所有像素点的灰度平均值,并求出本帧图像灰度平均值与上一帧图像做差赋值给M,见公式(6):
M=|Gn-Gn-1| (6)
其中Gn为第n帧图像的平均灰度值,Gn-1为第n-1时刻图像的平均灰度值。
S64、根据设定的阈值G进行判断,当M<G时说明亮度变化在可以容忍的范围内,无异常线程返回到S61继续识别下一帧。
S65、当M>G时说明光线发生大幅度变化影响图像识别,输出灯光异常报警、终止识别线程。需就地进行检查设备恒光源;
如图6所示,第二个报警线程为摄像头位置异常报警线程,就地摄像头照射的混床观察窗口右侧设置绿色标志位,标定出标志位所在图像区域的像素坐标区域,当摄像头发生偏移,该区域绿色分量将发生明显变化,说明摄像头位置被移动,影响识别效果。具体流程如下:
S70、就地装置通电则立即开启线程;
S71、对摄像头抓取的每一帧图像进行切割,保留标志位所在图像区域。
S72、提取标志位RGB图像中每个像素点G分量的值,并求出均值赋值给变量C。
S73、根据设定标志位区域绿色像素值的合理波动范围,判断C是否在该范围内。如果在范围内则无异常,返回S71继续进行识别。
S74、如果不在合理范围内,说明摄像头被移动,输出摄像头位置异常报警,终止识别线程,调整切割位置并重新切割标定。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于机器视觉的化学混床分层检测方法,其特征在于,包括如下步骤:
S1、对混床反洗过程中图像采集装置逐帧采集的图片进行预处理,将目标区域的原始RGB图像转换为灰度图像;
S2、对转换后的灰度图像进行二值化矩阵转换,对转换后的图像通过中值滤波模板进行优化;
S3、统计优化后二值化图像的图像白色像素点的个数F,判断F与预设的Flag变量之间的关系,进而输出已分层和未分层的结果;
S4、分层完成后,获取处理过后的二值化图像像素为白色像素点的图形各连通域,计算各个连通域面积,获取其中面积最大连通域,将其与预设的标定数值进行比较,若其差值不在允许范围内,则输出提示树脂损耗过量的信息;
在此过程中,还需实时对混床照射灯光和摄像头位置进行监控,以确认混床照射灯光和摄像头位置无异常。
2.根据权利要求1所述的一种基于机器视觉的化学混床分层检测方法,其特征在于,所述步骤S1前还设有步骤S0,判断该次混床反洗是否为第一次识别,若是,则需要重新对识别算法进行标定。
3.根据权利要求2所述的一种基于机器视觉的化学混床分层检测方法,其特征在于,所述重新对识别算法进行标定具体为:S01、人工对混床阴、阳树脂是否完全分层进行判断,判断为已经完全分层后,将此状态的图像进行后续处理;
S02、将原始图片按照所需尺寸进行切割,获取特征区域图像;
S03、将特征区域图像进行二值化转换,完成图像特征的增强;对原始RGB图像进行灰度处理后,将各像素位由三个颜色通道变为由0到255的灰度值组成的单通道,将三个分量以不同的权值进行加权平均;
S04、对图像所有像素的灰度值做一次求平均值的操作,得到像素阈值mean,小于该阈值的图像值变为0,大于该阈值像素的值变成255,由此RBG彩色图像转换二值化矩阵操作完成,其中0代表黑色,255代表把白色;
式中I表示某像素点的灰度值,m、n表示所截图像的长和宽;
S05、对增强后的图像通过中值滤波模板进行优化;采用一个7*7的中值滤波模板对图像进行优化,将该模板内的各像素值进行排序,生成单调上升或单调下降的二维数据序列,二维中值滤波输出如表达式(4):
g(x,y)=medf{f(x-k,y-1),(k,l∈w)} (4)
其中f(x,y)和g(x,y)分别是原图像和处理后图像,w为输入的二维模板,能够在整幅图像上滑动,为了不失通用性做中值滤波前对原始图像的外边框进行了0填充处理;
S06、统计S05中所获得的图像白色像素点的个数,将该值赋值给Flag变量:
S07、利用区域生长算法获取S05图像中所有连通域,并统计连通域的面积;
S08、找到面积最大的连通域,获取其几何中心像素点的纵坐标,并将其赋值给State变量。
4.根据权利要求3所述的一种基于机器视觉的化学混床分层检测方法,其特征在于,所述步骤S3和S06的统计方法为:图像为m*n大小的像素矩阵,统计方法下公式(5)
5.根据权利要求1所述的一种基于机器视觉的化学混床分层检测方法,其特征在于,转换灰度图像的过程中,通过公式(1)对RGB三分量进行加权平均得到合理的灰度图像:
Gary(i,j)=0.299*R(i,j)+0.587*G(i,j)+0.114*B(i,j) (1)
6.根据权利要求1所述的一种基于机器视觉的化学混床分层检测方法,其特征在于,对混床照射灯光进行监控具体包括如下步骤:
S61、对摄像头抓取的每一帧图像进行切割;
S62、对切割图像进行灰度处理,将特征区域图像进行处理后各像素位由三个颜色通道变为灰度单通道0到255的灰度值;
S63、计算图像所有像素点的灰度平均值,并求出本帧图像灰度平均值与上一帧图像做差赋值给M,见公式(6):
M=|Gn-Gn-1| (6)
其中Gn为第n帧图像的平均灰度值,Gn-1为第n-1时刻图像的平均灰度值;
S64、根据设定的阈值G进行判断,当M<G时说明亮度变化在正常的范围内,无异常线程返回到S61继续识别下一帧;
S65、当M>G时说明光线发生大幅度变化影响图像识别,输出灯光异常报警、终止识别线程,需就地进行检查设备恒光源。
7.根据权利要求1所述的一种基于机器视觉的化学混床分层检测方法,其特征在于,摄像头位置进行监控具体包括如下步骤:
S70、预先在摄像头照射的混床观察窗口旁设置可视化的标志位;
S71、对摄像头抓取的每一帧图像进行切割,保留标志位所在图像区域;
S72、提取标志位RGB图像中每个像素点G分量的值,并求出均值赋值给变量C;
S73、根据设定标志位区域绿色像素值的合理波动范围,判断C是否在该范围内,如果在范围内则无异常,返回S71继续进行识别;
S74、如果不在合理范围内,说明摄像头被移动,输出摄像头位置异常报警,终止识别线程,调整切割位置并重新切割标定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621135.5A CN111754504B (zh) | 2020-07-01 | 2020-07-01 | 一种基于机器视觉的化学混床分层检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621135.5A CN111754504B (zh) | 2020-07-01 | 2020-07-01 | 一种基于机器视觉的化学混床分层检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754504A CN111754504A (zh) | 2020-10-09 |
CN111754504B true CN111754504B (zh) | 2024-03-19 |
Family
ID=72680238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010621135.5A Active CN111754504B (zh) | 2020-07-01 | 2020-07-01 | 一种基于机器视觉的化学混床分层检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754504B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112440A (zh) * | 2021-04-23 | 2021-07-13 | 华北电力大学 | 一种基于fpga的紫外与可见光图像融合系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1484114A (zh) * | 2002-08-09 | 2004-03-24 | �ֵܹ�ҵ��ʽ���� | 图像处理设备 |
CN101025744A (zh) * | 2006-01-20 | 2007-08-29 | 关西涂料株式会社 | 有效颜料识别方法、识别系统、识别程序及其记录介质 |
CN101945770A (zh) * | 2008-05-08 | 2011-01-12 | 株式会社理光 | 图像处理方法、计算机程序、记录介质、图像处理设备及图像形成设备 |
CN108025561A (zh) * | 2015-09-15 | 2018-05-11 | 佳能株式会社 | 图像处理设备及其方法和图像形成设备 |
CN109146839A (zh) * | 2017-06-28 | 2019-01-04 | 东京威尔斯股份有限公司 | 图像处理方法和缺陷检查方法 |
-
2020
- 2020-07-01 CN CN202010621135.5A patent/CN111754504B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1484114A (zh) * | 2002-08-09 | 2004-03-24 | �ֵܹ�ҵ��ʽ���� | 图像处理设备 |
CN101025744A (zh) * | 2006-01-20 | 2007-08-29 | 关西涂料株式会社 | 有效颜料识别方法、识别系统、识别程序及其记录介质 |
CN101945770A (zh) * | 2008-05-08 | 2011-01-12 | 株式会社理光 | 图像处理方法、计算机程序、记录介质、图像处理设备及图像形成设备 |
CN108025561A (zh) * | 2015-09-15 | 2018-05-11 | 佳能株式会社 | 图像处理设备及其方法和图像形成设备 |
CN109146839A (zh) * | 2017-06-28 | 2019-01-04 | 东京威尔斯股份有限公司 | 图像处理方法和缺陷检查方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111754504A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109974582B (zh) | 一种汽车线束的芯线尺寸非接触式视觉检测装置及方法 | |
US20170004612A1 (en) | Optical film defect detection method and system thereof | |
CN112884768B (zh) | 基于神经网络的3d打印在线质量监测方法、系统、装置 | |
CN111127429B (zh) | 基于自训练深度神经网络的水利系统管螺纹缺陷检测方法 | |
CN111260788B (zh) | 一种基于双目视觉的配电柜开关状态识别方法 | |
CN110321933B (zh) | 一种基于深度学习的故障识别方法和装置 | |
CN110930357A (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN104117876A (zh) | 一种检查切削刀具是否断裂或磨损的方法及其设备 | |
CN111754504B (zh) | 一种基于机器视觉的化学混床分层检测方法 | |
CN113752086A (zh) | 一种用于数控机床刀具状态检测的方法和装置 | |
CN105809151A (zh) | 灭火器压力表状态的图像识别方法 | |
CN103676868A (zh) | 一种fpc制造关键工序自动监控与智能分析系统 | |
CN105809674A (zh) | 一种基于机器视觉的模具保护装置及其方法 | |
CN104297645A (zh) | 电气设备外部放电紫外检测分析方法及装置 | |
CN116012701A (zh) | 一种基于矾花检测的水处理加药控制方法及装置 | |
CN113780071B (zh) | 一种黑臭水体遥感识别系统及方法 | |
CN106093051A (zh) | 基于机器视觉的纸卷切面毛刺检测方法及装置 | |
CN115937097A (zh) | 基于人工智能的工业机器人视觉图像识别系统 | |
CN113947597A (zh) | 一种基于屏蔽重建的工业缺陷检测方法、装置及介质 | |
CN113255519A (zh) | 一种输电线路危险车辆吊车扬臂识别系统及多目标跟踪方法 | |
CN111539951A (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN116259008A (zh) | 一种基于计算机视觉的水位实时监测方法 | |
CN114463258B (zh) | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 | |
CN106934786B (zh) | 一种实现模具监视器的图像处理软件的方法 | |
CN102928093A (zh) | 一种基于红外的钢坯表面温度检测装置 |
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 |