CN112734847A - 一种多目标光纤位置精确检测定位系统及方法 - Google Patents
一种多目标光纤位置精确检测定位系统及方法 Download PDFInfo
- Publication number
- CN112734847A CN112734847A CN202110056774.6A CN202110056774A CN112734847A CN 112734847 A CN112734847 A CN 112734847A CN 202110056774 A CN202110056774 A CN 202110056774A CN 112734847 A CN112734847 A CN 112734847A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- image
- ceramic head
- center
- image acquisition
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10141—Special mode during image acquisition
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20061—Hough 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
- G06T2207/20081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种多目标光纤位置精确检测系统与方法,属于光纤位置传感技术及光纤光谱望远镜领域。包括图像采集系统、照明光源、图像数据处理系统。光纤光谱天文望远镜上的每个光纤双回转机器人均设置有白色圆形陶瓷头,光纤核心的入射端置于圆形陶瓷头的圆心位置。照明光源均匀照射所述陶瓷头,图像采集系统对光纤安装平面进行识别。本发明主要应用于多目标光纤光谱望远镜中,精确检测各光纤的空间位置,使用了机器学习的方法创建训练集进行训练,将训练好的模型应用在光纤的初步识别中,之后应用一系列图像处理技术对光纤进行精准定位,该方法具有精度高,抗干扰性强,不需要遮挡观测光路等优点。
Description
技术领域
本发明涉及光纤位置传感技术及光纤光谱望远镜领域,具体涉及一种多目标光纤位置精确检测系统与方法。
背景技术
现有的光纤光谱天文望远镜为获取天体光谱主要手段;当光纤光谱望远镜在观测不同的天区时,天体通过望远镜成的像(光斑)落在焦面的不同位置上,为了尽可能多地接收到天体的光能量,除了要求望远镜的光学系统具有好的性能外,还必须让焦面上的每一根光纤的入射端都准确地对准天体的像,故需针对大尺度条件下的精确光纤位置检测系统对各光纤位置进行位置检测。现有的光纤位置检测标定系统使用了背照光源,即从光纤双回转机器人处光纤的另一端进行照明,光源设置在光谱仪处的光纤端部,由于观测需要光纤在光谱仪处位于狭缝中成条状依次排列,背照光源需要根据狭缝的形状进行匹配设计,在正常天文观测时需要使用电机等自动控制装置将背照光源移走以免影响正常观测。而在我们的观测流程中需要对光纤定位之后及时进行观测。
现有的背照定位系统由于其复杂的照明设计极大的影响了定位效率。另一方面使用背照光源照明点亮光纤时,由于光纤本身的特性会产生焦比衰退,以及安装光纤的双回转结构的光纤双回转机器人的运动必然会对光纤产生应力的作用,使其光斑中心不会完全在光纤的中心,导致使用光重心法检测光纤位置会有一定误差存在。上述问题亟待解决,提出一种多目标光纤位置精确检测定位系统。
发明内容
本发明所要解决的技术问题在于:如何解决现有的背照定位系统存在的定位效率低、检测精度低的问题,提供了一种多目标光纤位置精确检测定位系统。本定位系统对比于以往的使用光重心法光纤定位技术,不需要复杂的光谱仪周围的背照光源装置来点亮光纤端面,只需要将待检测光纤设置在一个均匀照明的环境下。
本发明是通过以下技术方案解决上述技术问题的,本发明包括图像采集系统、照明光源、图像数据处理系统,多个光纤双回转机器人、多个待测光纤,所述光纤双回转机器人上设置有圆形陶瓷头,所述待测光纤的入射端设置在所述圆形陶瓷头的圆心位置,所述图像数据处理系统与所述图像采集系统连接,通过所述照明光源均匀照射所述圆形陶瓷头,所述图像采集系统对所述圆形陶瓷头组成的光纤安装平面进行图像采集,所述图像数据处理系统处理所述图像采集系统采集的图像并对光纤进行位置检测。
更进一步地,光纤安装平面与所述图像采集系统的视场中心线垂直设置,光纤安装平面位于所述图像采集系统相机的对焦平面上。
更进一步地,所述照明光源与所述圆形陶瓷头的距离约为3米,所述图像采集系统与所述圆形陶瓷头的距离为20米,每个所述圆形陶瓷头大约占据24x24个像素区域。
本发明还提供了一种多目标光纤位置精确检测定位方法,利用上述的检测定位系统获得光纤的精确位置,包括以下步骤:
S1:将照明光源均匀照射在光纤安装平面上,将图像采集系统对焦至光纤安装平面上,通过图像采集系统拍摄光纤原始图像;
S2:机器学习识别光纤并分割图像
使用训练好的FasterR-CNN模型对图像采集系统拍摄的图像中光纤的位置进行初步的识别,并对识别到的每一根光纤分割为一张30x30像素的子图方便后续处理;
S3:子图处理
对分割后的子图进行灰度拉伸,提高白色圆形陶瓷头与黑色光纤双回转机器人之间的区分度;然后进行中值滤波降噪以及顶帽滤波操作,去除噪声;再进行二值化处理,为下一步白色圆形陶瓷头边缘的提取做准备;最后对二值化处理后的图片进行边缘检测,提取圆形陶瓷头的圆形边缘;
S4:快速随机霍夫算法检测圆
对所述步骤S32边缘检测后的图像进行快速随机霍夫算法来寻找光纤圆心坐标(a,b)与半径长度r;
S5:圆环灰度重心法确定光纤位置
对光纤圆形陶瓷头边缘周围提取一定范围的圆环,计算圆环的灰度重心坐标位置。
更进一步地,在所述步骤S4中,采集到的原始图像中圆形陶瓷头图像为圆形时,对应的快速找圆算法处理过程为:在光纤安装平面上建立平面坐标系,X轴和Y轴相互垂直;利用所述步骤S3中边缘检测算子计算X,Y方向上一阶导数得到梯度,对于图像中灰度值不为0的点,由其梯度值作为斜率可以得到一条直线,设定一个累加器,当有直线相交于一点时对应该交点的累加器加一,并设定一个圆心阈值当某交点的累加器中的数值达到这个圆心阈值之后,则该交点为找到的圆的圆心,最终在原始图像中画出筛选过后的圆并将对应的圆心半径坐标保存下来,并且记数器加1,一个圆的检测过程结束。
更进一步地,在所述步骤S4中,采集到的原始图像中圆形陶瓷头图像为椭圆形时,对应的快速找圆算法处理过程为:在光纤安装平面上建立平面坐标系,X轴和Y轴相互垂直;先由所述步骤S3得到边缘检测的二值化轮廓图,将二值化轮廓图上所有轮廓点的坐标存放在轮廓数组之中;计算图像中椭圆形内所有点与所得轮廓数组中点之间的距离,得到椭圆形内所有点与椭圆轮廓上点对应的最大距离尺寸,对应最小的最大距离尺寸的点为椭圆中心(p,q),最小的最大距离为椭圆长轴长度m;将轮廓数组中每一点的数值和3个椭圆参数p、q、a代入椭圆计算方程;在二维参数空间上对参数n、θ进行统计,得到峰值超过设定阈值的一组参数即为椭圆,椭圆计算方程为:
其中,p为圆形陶瓷头的圆心横坐标,q为圆形陶瓷头的圆心纵坐标,m为椭圆长轴长度,n为椭圆短轴长度,x为圆形陶瓷头轮廓边缘上点的横坐标,y为圆形陶瓷头轮廓边缘上点的纵坐标;θ为圆形陶瓷头轮廓边缘上点与圆心的连线和X轴的夹角。
更进一步地,在找到目标圆或椭圆的中心后,根据目标圆的半径范围,利用3σ原理筛选找到目标圆或椭圆的轮廓点,再利用筛选过后的轮廓点使用最小二乘法进行圆或者椭圆的拟合,确认光纤圆心坐标(a,b)与半径长度r。
更进一步地,在所述步骤S5中,圆环灰度重心法包括以下步骤:
S51:求得光纤陶瓷头圆心(a,b)与半径r之后,通过设定一个圆环宽度阈值t来对灰度图像原图截取一个灰度圆环,圆环圆心为陶瓷头圆心(a,b),小径为r-t/2,大径为r+t/2;
S52:计算圆环的灰度重心值,计算公式为:
其中(xi,yi)为圆环中像素坐标,G(xi,yi)为坐标(xi,yi)的灰度值,求得(acenter,bcenter)为最终识别到的光纤位置坐标。
本发明相比现有技术具有以下优点:该多目标光纤位置精确检测定位系统,避免了光谱仪周围复杂的背照光源的设计以及节省了背照光源使用与关闭所需要移动背照装置的时间,提高了天文观测的效率;加入了深度学习的算法与直接图像处理相比更为智能更为准确且速度更快的识别目标;可以实现大尺度、多目标、目标微小、高精度来精确检测确定各光纤的位置,可使携带有光纤在平面内做二维回转运动的光纤双回转机器人达到更高的定位精度去对准星象目标,值得被推广使用。
附图说明
图1是本发明实施例中多目标光纤位置精确检测系统的结构示意图;
图2是本发明实施例中多目标光纤位置精确检测系统的流程示意图;
图3是本发明实施例中图像数据处理系统采集到的待处理目标光纤图像的原图;
图4是本发明实施例中机器学习算法识别之后的光纤位置图;
图5是本发明实施例中分割后子图的图像处理与霍夫变换定位光纤的示意图;
图6是本发明实施例中最终标记检测到的光纤位置图。
图1中:
1、图像采集系统;2、图像数据处理系统;3、光纤双回转机器人;4、光纤;5、照明光源。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,图1为多目标光纤位置精确检测系统的结构示意图;本发明多目标光纤位置精确检测系统设置在一个均匀照明环境下,多目标光纤位置精确检测系统包括图像采集系统1、图像数据处理系统2、光纤双回转机器人3、光纤4、照明光源5。
光纤光谱天文望远镜上的各光纤双回转机器人3均设置有圆形陶瓷头,光纤4的入射端设置于圆形陶瓷头的圆心位置,圆形陶瓷头在观测过程中需对准各天体的像,以实现各光纤入射端与各天体像的对齐。
为保证照明均匀以便保证后续识别精度,照明光源5针对待测光纤环形对称布置,其中照明光源5使用了面阵LED灯板。所述照明光源5可以有但不限于8个环形中心对称排列面阵LED灯板。
图像数据处理系统2与光纤双回转机器人3连接,在距离圆形陶瓷头大约3米的距离处设置照明光源5来均匀照射圆形陶瓷头,并且在距离圆形陶瓷头大约20米距离处设置图像采集系统2,图像采集系统2可设置为高分辨率相机,被照明光源5照射的圆形陶瓷头组成的光纤安装平面与图像采集系统1的视场中心线相垂直。
图像采集系统1固定于一个可调节角度的固定装置上,固定装置可调节图像采集系统1和图像采集系统1上镜头的角度使其视场与光纤4的安装平面垂直,从而使测得的光纤位置更为精确。
工作时,图像采集系统1连接到图像数据处理系统2,进行图像采集和处理。
如图2所示,本发明多目标光纤位置精确检测系统的使用方法,即图1中多目标光纤位置精确检测系统的流程图,包括以下步骤:
S1:将照明光源均匀照射在光纤安装平面上,将图像采集系统对焦至光纤安装平面上,通过图像采集系统拍摄光纤原始图像。如图3所示,图3为图像数据处理系统采集到的待处理目标光纤图像的原图;由于被检测的光纤很细,图像采集系统主要采集圆形陶瓷头的图像,并通过计算检测圆形陶瓷头的圆心坐标,从而拟合出实际的光纤坐标。圆形陶瓷头一般设置为白色,便于图像采集系统的图像采集。采集到的圆形陶瓷头图像可视为圆形。
S2:机器学习识别光纤并分割图像
如图4所示,图4为使用机器学习算法检测图片中光纤的结果,将检测出的目标以方框的形式标记出来,由于光纤大约占据24x24像素大小,我们对识别出的方框中心作为分割中心分割出30x30的子图方便后续处理,如图5(a)所示。我们选用了精度高的FasterR-CNN。由于本文是对光纤进行目标定位,一次特定场合下的目标检测任务,在训练前我们需要自己制作训练集。制作训练集时为了提升方法的有效性和鲁棒性,通过控制照明光源亮度,制造出不同的光照强度的照明环境,并在此基础上改变光纤双回转机器人主轴和偏心支架的展开角度来制作2000张光纤图片作为训练集。使用VGG-16网络作为预训练模型。由于FasterR-CNN网络的输出层数是需要根据任务来适应的,本次任务目标识别结果为光纤。训练时,随机从训练集中抽取图片喂入网络,学习率设为0.01,最终收敛。
S3:子图处理
为了提升识别的鲁棒性以及避免光照过暗或者过亮导致后续二值化处理参数设置不当无法识别光纤,我们首先第一步对分割后的子图进行灰度拉伸,提高白色圆形陶瓷头与黑色光纤双回转机器人结构的对比度;第二步使用中值滤波将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值,减少图像中噪声点,从而减少计算量,以让周围的像素值接近的真实值;第三步进行顶帽滤波来降低光照不均匀带来的影响,顶帽滤波的原理为使原图像与其开运算的结果图做差。开运算为先腐蚀后膨胀的过程,一般用于放大裂缝和低密度区域,消除相对于要保留图像较小的图像,消除物体表面的突起,在平滑目标图像的边界的同时不明显改变其形状。因此用原图中与开运算后的图相减,得到的效果图使得原图相对来说比较暗的轮廓更为突出,从而达到要减少光照不均匀的影响的目的;第四步进行二值化处理,为了使二值化处理提取所有光纤信息和删去大多的无用信息,在二值化处理之前需要确定某个标准阈值参数作为划分标准。此标准阈值经过程序运算自动产生,并且此标准阈值作为一个定值用在之后的图片处理之中。图5(b)为二值化处理之后的图。
具体的,将灰度图像的最大和最小灰度值之间的每个值作为备选阈值,将小于备选阈值的像素和大于备选阈值的像素分为两类,求出这两类阈值范围内所有点的灰度平均值,进而计算两类之间的方差,最后对比所有备选阈值之下的方差最大的阈值作为最终阈值并用在之后的运算之中,最终阈值即为标准阈值。
如图5(c)所示,为对二值化处理之后的图像进行边缘检测图,本发明使用了Sobel算子来进行图像的边缘检测,Sobel算子的原理为先对图像中的像素求和后再进行差分运算。
首先假设图像中一点(i,j)其灰度值表示为f(i,j),则其Sobel算子如下:
Gx=[f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1)]-
[f(i-1,j-1)+2f(i-1,j)+f(i-1,j+1)]
Gy=[f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1)]-
[f(i-1,j-1)+2f(i,j-1)+f(i+1,j-1)]
这两个算子可以用矩阵表示为:
除了边缘处无法处理外,图像中的每个点都与这两个算子做卷积,算子Gx对水平边缘响应最大,Gy对垂直边缘响应最大。两个算子与图像卷积值中的较大值作为该点的边缘图的像素灰度值。并且由Gx和Gy能够得到(i,j)点处的切线方向信息Gy/Gx,将在后面的基于圆的快速随机霍夫变换中发挥十分重要的作用。
S4:快速随机霍夫算法检测圆
如图5(d)所示,为快速随机霍夫算法检测到的光纤位置图。步骤S3中,采集到的图像中圆形陶瓷头图像为圆形时,利用Sobel算子计算X,Y方向上的Sobel一阶导数得到梯度。Sobel算子对图像进行的梯度操作为:
对于图像中灰度值不为0的点,由其梯度值作为斜率可以得到一条直线。当我们的目标是圆形时,圆上所有的点作其梯度斜率直线,所有的直线会在此圆的圆心相交。设定一个累加器,当有直线相交于一点时对应该交点的累加器加一,并设定一个圆心阈值,当某交点的累加器的数值达到这个圆心阈值之后,则该交点为找到的圆的圆心,并计算其半径。根据所识别的圆形陶瓷头大小形状相同这一特性,使用其识别出来的圆形陶瓷头半径为作为判定依据,设定搜索圆形陶瓷头半径的范围为rmax和rmin,可大大减少计算时间,并且降低了误检测的可能性。最终在原始图像中画出筛选过后的圆并将其圆心半径坐标保存下来,并且记数器加1,一个圆的检测过程结束。
同理,在实际拍摄中因为稳定性以及噪声干扰的因素影响,拍摄得到的图片往往不是一个正圆,而是接近于椭圆形状,椭圆中心(p,q)为圆形陶瓷头的圆心坐标;具体的,平面上椭圆形内所有点与椭圆轮廓上点均对应有一最大距离尺寸,对应最小的最大距离尺寸的点为椭圆中心(p,q)。
故当采集到的圆形陶瓷头图像为椭圆形时,同样由S3步骤得到边缘检测的二值化轮廓图,将二值化轮廓图上所有轮廓点的坐标存放在轮廓数组之中。计算图像中椭圆形内所有点与所得轮廓数组中点之间的距离,得到椭圆形内所有点与椭圆轮廓上点对应的最大距离尺寸,对应最小的最大距离尺寸的点为椭圆中心(p,q),最小的最大距离即是椭圆长轴长度m。将轮廓数组中每一点的数值和刚才得到的3个椭圆参数p、q、m代入椭圆计算方程。在二维参数空间上对参数n、θ进行统计,得到峰值超过一定阈值的一组参数即为椭圆。
具体的,椭圆计算方程为:
其中,p为圆形陶瓷头的圆心横坐标,q为圆形陶瓷头的圆心纵坐标,m为椭圆长轴长度,n为椭圆短轴长度,x为圆形陶瓷头轮廓边缘上点的横坐标,y为圆形陶瓷头轮廓边缘上点的纵坐标;θ为圆形陶瓷头轮廓边缘上点与圆心的连线和X轴的夹角。
在找到目标圆或椭圆的中心后,我们根据目标圆的半径范围,利用3σ原理筛选找到目标圆或椭圆的轮廓点,再利用筛选过后的轮廓点使用最小二乘法进行圆或者椭圆的拟合,确认光纤圆心坐标(a,b)与半径长度r。
S5:圆环灰度重心法确定光纤位置
对光纤圆形陶瓷头边缘周围提取一定范围的圆环,计算圆环的灰度重心坐标位置。
所述圆环灰度重心法包括以下步骤:
S51:求得光纤陶瓷头圆心(a,b)与半径r之后,通过设定一个圆环宽度阈值t来对灰度图像原图截取一个灰度圆环,圆环圆心为陶瓷头圆心(a,b),小径为r-t/2,大径为r+t/2;
S52:计算圆环的灰度重心值,计算公式为:
其中(xi,yi)为圆环中像素坐标,G(xi,yi)为坐标(xi,yi)的灰度值,求得(acenter,bcenter)为最终识别到的光纤位置坐标。图6为最终标记检测到的光纤位置图。经验证该算法的重复性定位精度可达到5%像元,40微米精度。
将光纤的入射一端安装在洁白的圆形陶瓷头上,在距离光纤入射端一定距离,建立本发明多目标光纤位置精确检测系统,并在一定光源照射的环境下,在光纤圆形陶瓷头这端一定距离内进行拍摄,得到想要处理的图像之后,利用机器学习与图像处理算法对图像进行处理可以得到光纤精确的位置。
综上所述,上述实施例的多目标光纤位置精确检测定位系统,避免了光谱仪周围复杂的背照光源的设计以及节省了背照光源使用与关闭所需要移动背照装置的时间,提高了天文观测的效率;加入了深度学习的算法与直接图像处理相比更为智能更为准确且速度更快的识别目标;可以实现大尺度:焦面直径尺寸有1.75米;多目标:同时检测4000根光纤;目标微小:光纤头直径只有2.5mm直径;高精度:尺寸精度达到5%像元,40微米精度,来精确检测确定各光纤的位置,可使携带有光纤在平面内做二维回转运动的光纤双回转机器人达到更高的定位精度去对准星象目标,值得被推广使用。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (5)
1.一种多目标光纤位置精确检测系统,其特征在于:包括图像采集系统、图像数据处理系统、多个光纤双回转机器人、多个待测光纤、照明光源;
光纤双回转机器人上设置有圆形陶瓷头,待测光纤的入射端设置在所述圆形陶瓷头的圆心位置,图像数据处理系统与图像采集系统连接,通过照明光源均匀照射所述圆形陶瓷头,通过图像采集系统对所述圆形陶瓷头组成的光纤安装平面进行图像采集,通过图像数据处理系统处理图像采集系统采集的图像;待检测光纤的安装平面与图像采集系统的视场中心线垂直设置,光纤安装平面位于所述图像采集系统相机的对焦平面上。
2.根据权利要求1所述的多目标光纤位置精确检测系统,其特征在于:所述照明光源针对待测光纤环形对称布置。
3.根据权利要求2所述的多目标光纤位置精确检测系统,其特征在于:所述照明光源为多个环形中心对称排列的面阵LED灯板。
4.一种多目标光纤位置精确检测方法,利用权利要求1~3任一项所述的检测定位系统获得光纤的精确位置,包括以下步骤:
S1:将照明光源均匀照射在光纤安装平面上,将图像采集系统对焦至光纤安装平面上,通过图像采集系统拍摄光纤原始图像;
S2:机器学习识别光纤并分割图像
使用训练好的FasterR-CNN模型对图像采集系统拍摄的图像中光纤的位置进行初步的识别,并对识别到的每一根光纤分割为一张30x30像素的子图;
S3:子图处理
对分割后的子图进行灰度拉伸,提高白色圆形陶瓷头与黑色光纤双回转机器人之间的区分度;然后进行中值滤波降噪以及顶帽滤波操作,去除噪声;再进行二值化处理,为下一步白色圆形陶瓷头边缘的提取做准备;最后对二值化处理后的图片进行边缘检测,提取圆形陶瓷头的圆形边缘;
S4:快速随机霍夫算法检测圆
对经过所述步骤S3边缘检测后的图像进行快速随机霍夫算法来寻找光纤圆心坐标(a,b)与半径长度r;
S5:圆环灰度重心法确定光纤位置
对光纤圆形陶瓷头边缘周围提取一定范围的圆环,计算圆环的灰度重心坐标位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056774.6A CN112734847A (zh) | 2021-01-15 | 2021-01-15 | 一种多目标光纤位置精确检测定位系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056774.6A CN112734847A (zh) | 2021-01-15 | 2021-01-15 | 一种多目标光纤位置精确检测定位系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112734847A true CN112734847A (zh) | 2021-04-30 |
Family
ID=75591740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110056774.6A Pending CN112734847A (zh) | 2021-01-15 | 2021-01-15 | 一种多目标光纤位置精确检测定位系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734847A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554150A (zh) * | 2021-07-02 | 2021-10-26 | 中国计量大学 | 基于深度学习的单光纤扫描器光斑轨迹检测方法及系统 |
CN113720260A (zh) * | 2021-08-27 | 2021-11-30 | 中国科学技术大学 | 一种多目标光纤光谱望远镜参考光纤位置测量装置及方法 |
CN114964734A (zh) * | 2022-05-31 | 2022-08-30 | 中国科学技术大学 | 一种光纤光谱天文望远镜的光纤极坐标位置测量方法 |
CN115079371A (zh) * | 2022-03-07 | 2022-09-20 | 中国科学技术大学 | 一种多目标光纤光谱天文望远镜的前照对焦方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046697A (zh) * | 2015-07-06 | 2015-11-11 | 湖南大学 | 一种基于多次随机圆检测及拟合度评估的啤酒瓶口定位方法 |
CN108416776A (zh) * | 2018-03-16 | 2018-08-17 | 京东方科技集团股份有限公司 | 图像识别方法、图像识别装置、计算机产品和可读存储介质 |
CN108648233A (zh) * | 2018-03-24 | 2018-10-12 | 北京工业大学 | 一种基于深度学习的目标识别与抓取定位方法 |
CN110487183A (zh) * | 2019-08-27 | 2019-11-22 | 中国科学技术大学 | 一种多目标光纤位置精确检测系统及使用方法 |
-
2021
- 2021-01-15 CN CN202110056774.6A patent/CN112734847A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046697A (zh) * | 2015-07-06 | 2015-11-11 | 湖南大学 | 一种基于多次随机圆检测及拟合度评估的啤酒瓶口定位方法 |
CN108416776A (zh) * | 2018-03-16 | 2018-08-17 | 京东方科技集团股份有限公司 | 图像识别方法、图像识别装置、计算机产品和可读存储介质 |
CN108648233A (zh) * | 2018-03-24 | 2018-10-12 | 北京工业大学 | 一种基于深度学习的目标识别与抓取定位方法 |
CN110487183A (zh) * | 2019-08-27 | 2019-11-22 | 中国科学技术大学 | 一种多目标光纤位置精确检测系统及使用方法 |
Non-Patent Citations (2)
Title |
---|
王欣宇 等: "自动全站仪的光斑图像中心定位精度分析", 《测绘与空间地理信息》 * |
邵欣 等: "《机器视觉与传感器技术》", 31 August 2017 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554150A (zh) * | 2021-07-02 | 2021-10-26 | 中国计量大学 | 基于深度学习的单光纤扫描器光斑轨迹检测方法及系统 |
CN113554150B (zh) * | 2021-07-02 | 2023-07-18 | 中国计量大学 | 基于深度学习的单光纤扫描器光斑轨迹检测方法及系统 |
CN113720260A (zh) * | 2021-08-27 | 2021-11-30 | 中国科学技术大学 | 一种多目标光纤光谱望远镜参考光纤位置测量装置及方法 |
CN113720260B (zh) * | 2021-08-27 | 2022-07-15 | 中国科学技术大学 | 一种多目标光纤光谱望远镜参考光纤位置测量装置及方法 |
CN115079371A (zh) * | 2022-03-07 | 2022-09-20 | 中国科学技术大学 | 一种多目标光纤光谱天文望远镜的前照对焦方法 |
CN114964734A (zh) * | 2022-05-31 | 2022-08-30 | 中国科学技术大学 | 一种光纤光谱天文望远镜的光纤极坐标位置测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734847A (zh) | 一种多目标光纤位置精确检测定位系统及方法 | |
CN110261410A (zh) | 一种玻璃透镜缺陷的检测装置及方法 | |
CN102646193B (zh) | 一种环形排布字符图像分割方法 | |
CN108007388A (zh) | 一种基于机器视觉的转盘角度高精度在线测量方法 | |
CN110108711A (zh) | 圆环侧壁缺陷的视觉检测系统 | |
CN110807355A (zh) | 一种基于移动机器人的指针仪表检测与读数识别方法 | |
CN109993154B (zh) | 变电站单指针式六氟化硫型仪表智能识别方法 | |
CN103345755A (zh) | 一种基于Harris算子的棋盘格角点亚像素提取方法 | |
CN107092905B (zh) | 一种电力巡检机器人的待识别仪器定位方法 | |
CN105139384B (zh) | 缺陷胶囊检测的方法和装置 | |
CN108986129B (zh) | 标定板检测方法 | |
CN110415296B (zh) | 一种有阴影光照下矩形状电器件的定位方法 | |
CN111551350A (zh) | 一种基于U_Net网络的光学镜片表面划痕检测方法 | |
CN108596925A (zh) | 基于视觉的太阳花模组表面螺钉孔位置图像处理方法 | |
CN108381034A (zh) | 一种激光自动聚焦清障系统及控制方法 | |
CN102799887A (zh) | 结构变形检测图像传感器灵敏度自动标定方法 | |
CN114820475B (zh) | 边缘识别方法、系统、晶圆加工装置及晶圆与加工台同心状态确定方法 | |
CN109945792A (zh) | 一种高反光圆柱体的直径测量方法、装置以及使用方法 | |
CN106767425B (zh) | 一种轴承卡簧豁口的视觉测量方法 | |
CN108573476A (zh) | 基于视觉的太阳花模组表面螺钉孔位置检测方法 | |
CN109945842B (zh) | 成捆圆钢端面标签漏贴检测及贴标误差分析方法 | |
CN110288619A (zh) | 基于视觉的太阳花模组表面螺钉孔位置检测方法 | |
Zhixin et al. | Adaptive centre extraction method for structured light stripes | |
CN105718929B (zh) | 全天候未知环境下高精度快速圆形目标定位方法和系统 | |
CN112067625A (zh) | 一种橡胶圈分模线表面缺陷检测的装置和方法 |
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: 20210430 |