CN113686869A - 一种绝缘毯微缺陷识别装置 - Google Patents
一种绝缘毯微缺陷识别装置 Download PDFInfo
- Publication number
- CN113686869A CN113686869A CN202110812513.2A CN202110812513A CN113686869A CN 113686869 A CN113686869 A CN 113686869A CN 202110812513 A CN202110812513 A CN 202110812513A CN 113686869 A CN113686869 A CN 113686869A
- Authority
- CN
- China
- Prior art keywords
- image
- blanket
- blob
- filtering
- algorithm
- 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
- 230000007547 defect Effects 0.000 claims abstract description 57
- 238000001914 filtration Methods 0.000 claims abstract description 45
- 238000009413 insulation Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000005286 illumination Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000002950 deficient Effects 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 46
- 230000002146 bilateral effect Effects 0.000 claims description 7
- WUSAVCGXMSWMQM-UHFFFAOYSA-N ambucetamide Chemical compound CCCCN(CCCC)C(C(N)=O)C1=CC=C(OC)C=C1 WUSAVCGXMSWMQM-UHFFFAOYSA-N 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 9
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 31
- 229910052782 aluminium Inorganic materials 0.000 description 31
- 238000009826 distribution Methods 0.000 description 9
- 229910000838 Al alloy Inorganic materials 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 239000000741 silica gel Substances 0.000 description 3
- 229910002027 silica gel Inorganic materials 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 201000009310 astigmatism Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8806—Specially adapted optical and illumination features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8861—Determining coordinates of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Abstract
本发明公开了一种绝缘毯微缺陷识别装置，包括：图像采集单元，用于采集绝缘毯的图像；照明单元，在图像采集单元进行图像采集时提供照明；图像处理单元，所述图像处理单元首先对采集的图像进行滤波处理，然后将图像二值化，最后通过B l ob分析标记图像中灰度突变的连通区域，并提取这些区域的特征，使取样的绝缘毯中存在的缺陷的位置及其像素大小被标示出来；图像输出单元，将标记有缺陷位置和像素大小的绝缘毯图像输出显示。本发明基于机器视觉技术，以机器眼代替人眼，实现绝缘毯缺陷自动检测，解决目前人眼和两电极法无法检测到的缺陷。
Description
技术领域
本发明涉及配网带电作业检修技术领域，具体而言，涉及一种基于图像识 别的绝缘毯微缺陷识别技术。
背景技术
随着我国电力事业的不断进步，配电网建设的规模的不断扩大，配网带电 作业在我国配网带电作业得到了广泛的应用，配网带电作业间隙小，需采取绝 缘遮蔽对作业范围的带电体和接地进行遮蔽可以有效避免接地触电事故的发 生。绝缘遮蔽工具到达现场后，通常是摆放在帆布上，首先检测员会对绝缘遮 蔽工具进行目测检查，目测检查后再用绝缘检测仪进行检测，检查完好后方可 使用；但是对有缺陷的带电作业绝缘遮蔽工具，硬质工具用绝缘检测仪能检测 到，但软质绝缘工具就无法检测出来，如绝缘服、绝缘毯等，而且这类工具是 配网不停电作业最常用的绝缘工器具，也是保证人身安全的重要工器具。
因此，针对目测检查的缺点，可以借鉴机器视觉技术进行缺陷识别。
发明内容
针对现有技术的缺陷，本发明所要解决的技术问题就是提供一种绝缘毯微 缺陷识别装置，结合机器视觉识别技术精准识别和定位绝缘毯的缺陷。
为解决上述技术问题，本发明采用如下技术方案：
一种绝缘毯微缺陷识别装置，包括：
图像采集单元，用于采集绝缘毯的图像；
照明单元，在图像采集单元进行图像采集时提供照明；
图像处理单元，所述图像处理单元首先对采集的图像进行滤波处理，然后 将图像二值化，最后通过Blob分析标记图像中灰度突变的连通区域，并提取这 些区域的特征，使取样的绝缘毯中存在的缺陷的位置及其像素大小被标示出来；
图像输出单元，将标记有缺陷位置和像素大小的绝缘毯图像输出显示。
优选的，所述图像采集单元采用大于500万像素的CMOS千兆以太网工业面 阵相机。
优选的，进行滤波处理的方法包括高斯滤波、中值滤波、均值滤波和双边 滤波。
优选的，采用Niblack算法、Sauvola算法、Singh算法或者Bersen算法 进行图像二值化。
优选的，Blob分析的方法为：
设预处理后的二值图像I(x，y)完全分割为n个子区域Ii(x，y)，这n个子区域包 括n1个Blob和一个背景，I和Ii的关系满足：
用矩来描述Blob区域的形状特性，对一个Blob区域，其(m，n)阶矩为：
Blob区域的面积心Area，即图像的零阶矩：
Blob区域的形心坐标Centroid(xc,yc)：
本发明基于机器视觉技术，以机器眼代替人眼，实现绝缘毯缺陷自动检测， 解决目前人眼和两电极法无法检测到的缺陷。
本发明采用的具体技术方案及其带来的有益效果将会在下面的具体实施方 式中结合附图中予以详细的揭露。
附图说明
下面结合附图和具体实施方式对本发明作进一步描述：
图1为便携式绝缘毯缺陷检测仪的主体结构示意图；
图2为绝缘毯缺陷检测仪支架结构示意图；
图3为便携式绝缘毯缺陷检测仪总装图；
图4为便携式绝缘毯缺陷检测仪相机触发结构图；
图5为便携式绝缘毯缺陷检测仪的使用示意图；
图6为绝缘毯微缺陷识别装置的原理框图；
图7为均值滤波示意图；
图8为图像处理单元处理图像的流程图；
图中：机体1，绝缘毯1.0，绝缘毯缺陷检测仪支架2,相机3,光源4，光源 控制器5，铝合金箱子6，十字螺丝1.2，手拧螺丝一1.3，铝型材一1.4，内六 角螺丝1.5，L型固定板1.6，铝型材二1.7，铝型材固定件1.8，圆柱销一1.9， 手拧螺丝二1.10，圆柱销二1.11，支腿1.12，铝型材三1.13，铝型材四1.14， 磁性开关1.15，U型固定块1.16，滚轮1.17，相机1.18，相机固定架1.19， 一体机固定架1.20；L型角件1.1.1，电源插座1.1.2，面板1.1.3，高透玻璃 1.1.4，磁铁1.1.1.1。
具体实施方式
下面结合本发明实施例的附图对本发明实施例的技术方案进行解释和说 明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实 施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都 属于本发明的保护范围。
本领域技术人员可以理解的是，在不冲突的情况下，下述的实施例及实施 方式中的特征可以相互组合。
在本发明中，除非另有明确的规定和限定，术语“安装”、“连接”、“固定” 等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体 地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中 间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上 述术语在本发明中的具体含义。
随着机器视觉技术的发展，由于具有可重复、可靠和精确的特点，因此以 机器眼代替人眼，完成对工业生产的控制，采用基于机器视觉的质量控制系统 作为一种工业检测手段已日益引起人们的重视并在生产实践中得到越来越广泛 的应用。
针对绝缘服、绝缘毯等绝缘工具的绝缘检测难题，本发明基于机器视觉技 术，实现绝缘毯缺陷自动检测，解决目前人眼和两电极法无法检测到的缺陷。
一种基于图像识别的绝缘毯微缺陷识别系统，包括便携式绝缘毯缺陷检测 仪，如图1至图5所示，便携式绝缘毯缺陷检测仪，包括：
面板1.1.3，所述面板用于放置绝缘毯1.0；
光源4，所述光源安装于面板下方，由光源控制器5进行控制；
相机3，所述相机安装于面板上方；
滚轮1.17,所述滚轮安装于面板上方，当绝缘毯沿面板平面拉动时与滚轮滚 动接触；
绝缘毯缺陷检测仪支架2，所述绝缘毯缺陷检测仪支架上安装有相机固定架 1.19和滚轮支架，所述相机安装于相机固定架，所述滚轮安装于滚轮支架。
其中，所述绝缘毯缺陷检测仪支架2包括铝型材一1.4、对应垂直连接于铝 型材一的两端的铝型材二1.7、与铝型材二连接的支腿1.12。所述滚轮支架包 括铝型材三1.13和铝型材四1.14，两个滚轮通过U型固定块1.16以及螺丝对 应安装于铝型材三的两端，铝型材四通过螺丝与铝型材三中间部位垂直连接， 铝型材四通过螺丝安装在铝型材一上。所述相机固定架采用螺丝与铝型材一连 接。另外，绝缘毯缺陷检测仪支架2上安装有机体1，所述的光源4和相机3与 机体连接，机体控制光源4和相机3工作，并且相机采集的图像上传至机体1， 可以由机体1进行处理。
进一步的，铝型材二1.7使用圆柱销一1.9安装在铝型材固定件1.8上面， 铝型材固定件1.8使用圆柱销二1.11安装在支腿1.12上面。铝型材一1.4使 用L型固定板1.6和铝型材二1.7使用内六角螺丝1.5进行连接。铝型材三1.13 和铝型材四1.14使用L型固定板1.6和内六角螺丝1.5进行连接。
滚轮1.17使用圆柱销二1.11安装在U型固定块1.16上，相机1.18安装 在相机固定架1.19上，相机固定架1.19使用内六角螺丝1.5固定到铝型材一 1.4上。机体1使用十字螺丝1.2固定在一体机固定架1.20上，一体机固定架 1.20使用十字螺丝1.2安装到铝型材一1.4上。
铝型材四1.14使用手拧螺丝一1.3安装在铝型材一1.4上。手拧螺丝二1.10 安装在支腿1.12上，由于支腿1.12与铝型材固定件1.8使用圆柱销二1.11转 动连接，因此绝缘毯缺陷检测仪支架1.1在此处形成关节，可以收纳或者直立， 拧松手拧螺丝二1.10，支腿1.12以上部分可以向下转动放平，支腿1.12以上 部分向上转动处于直立状态下，通过拧紧手拧螺丝二1.10，可以保持直立状态。
由于绝缘毯沿面板平面拉动时与滚轮滚动接触，为了避免损伤绝缘谈，滚 轮可以采用硅胶轮。
进一步的，还包括箱子，所述箱子包括箱体和箱盖，所述箱子设有容纳面 板、光源、光源控制器、相机、相机固定架、滚轮、滚轮支架以及绝缘毯缺陷 检测仪支架的收纳腔。箱体上设有电源插座1.1.2，可以外接电源为便携式绝缘 毯缺陷检测仪进行供电。
具体的，箱子的壳体采用铝合金制成，铝合金箱子不仅可以收纳便携式绝 缘毯缺陷检测仪的零部件，而且在进行检测时，作为检测平台使用。
如图3所示，绝缘毯缺陷检测仪支架2的支腿1.12使用十字螺丝1.2安装 在铝合金箱子6里面，具体是两个支腿1.12对应与箱体左、右内侧壁采用十字 螺丝1.2固定。光源4和L型角件1.1.1安装在一起使用十字螺丝1.2固定在 箱体内，光源控制器5和L型角件1.1.1安装在一起使用十字螺丝1.2固定在 箱体内，L型角件1.1.1安装在铝合金箱子6里面使用十字螺丝1.2固定；电源 插座1.1.2安装铝合金箱子6左侧使用十字螺丝1.2固定，面板1.1.3嵌入安 装在箱体口部内侧，高透玻璃1.1.4安装在面板1.1.3上即可。绝缘毯缺陷检测仪支架2在收纳状态下，基本平放于高透玻璃1.1.4上方，可以由箱盖封盖 其中。
如图4所示，硅胶轮上安装有磁铁1.1.1.1，所述硅胶轮安装于U型固定块， 所述U型固定块上对应磁铁安装有磁性开关1.15，当拉动绝缘毯并且到达一定 的距离时，磁铁正好与磁性开关位置对应，从而磁铁触发磁性开关，通过磁性 开关向相机发送电信号。相机根据电信号开始采集照片，接着在对采集的图片 进行处理，从而可自动实现自动检测。
如图5所示，将铝合金箱子6打开，拆去铝合金箱子6的箱盖，拧开手拧 螺丝二1.10，立起绝缘毯缺陷检测仪支架2，拧紧手拧螺丝二1.10固定绝缘毯 缺陷检测仪支架2不会倒下，从箱盖网兜里面取出滚轮支架，通过手拧螺丝一 1.3固定到铝型材一1.4上面；将需要检测的绝缘毯1.0卷起一边放在面板1.1.3 上面，通过X轴或者Y轴拉电绝缘毯即可完成拍照检测缺陷。
如图6所示，机器视觉系统应该包括照明模块、图像采集模块、图像处理模 块和输入输出模块。其中，图像采集模块即上述便携式绝缘毯缺陷检测仪中的 相机，照明单元即上述便携式绝缘毯缺陷检测仪中的光源。另外，输入输出模 块可以采用触摸显示屏，可以同图像处理模块一起集成在机体1上。
图像采集模块是机器视觉系统中的感知工具，它通过实时拍摄待检测对象 的图像获取被测物体信息。图像采集模块主要包括光学镜头、摄像机和采集卡。
镜头对影响成像质量几个最主要指标如下：分辨率、对比度、景深及各种 像差都有影响。通常主要需要考虑的问题包括镜头的焦距、口径、光圈以及畸 变率。在高精度的视觉系统中，光学系统不仅要能消除色差、相差的影响，而 且要求校正场曲和像散，这就要求光学畸变尽可能的小。
采集卡的主要任务是控制摄像机采集并完成图像数据像处理器的高速传 输。目前，采集卡不但承担着数据传输的功能，而且集成了很多的图像处理算 法，极大地加大了图像处理的便利性和实时性。采集卡的选择不但要考虑摄像 机采集图像数据的速度和采集卡的传输速度之间的匹配，而且要考虑采集卡所 承担的处理任务。
本实施方式中，采用的是海康机器人产的CCD相机，型号为MV-CA050-20GM， 名称为500万像素1”CMOS千兆以太网工业面阵相机。相机主要参数如下：
像元尺寸：4.8μm 4.8μm；
分辨率：2592 2048；
最大帧率：22fps；
曝光方式：支持自动曝光、手动曝光、一键曝光模式；
缓存容量：128MB。
该相机支持自动或手动调节增益、曝光时间、LUT、Gamma校正等，采用千 兆网接口，无中继情况下，最大传输距离可到100m；128MB板上缓存，可缓存 多张图片，用于突发传输或图像重传；兼容GigE Vision V1.2协议及GenlCam 标准。
照明单元主要负责给图像采集提供亮度支持，并消除可能影响到图像采集 质量的外来光线的影响。
图像处理模块主要完成对图像数据的分析处理，是视觉系统的决策机构于 计算机的机器视觉系统以工业计算机作为处理核心，具有结构简单、操作方便、 开发也相对较为容易、能够实现各种复杂算法、处理效率高的特点，特别是对 于数据量大、算法设计复杂、操作要求高的产品表面检测系统更是首选。为了 保证大数据量的处理和方便的算法设计，基于机器视觉的产品表面缺陷在线检 测系统采用高性能工业计算机作为图像处理核心。
在机器视觉中，图像处理是其核心内容和关键技术，其图像处理任务主要 在各自相对独立的图像处理子系统中完成。图像处理算法有很大的选择性，一 种算法只能适用于对某类具有相同或相似特征的图像进行处理。事实上，对于 需要进行表面检测的绝缘遮蔽用具来说，不同的缺陷如划伤、击穿、脏污等往 往有不同的光学性能，导致所采集到的图像也有各自不同的特点。因此，要对 不同的产品表面缺陷检测设计固定的通用的图像的处理算法和处理流程显然是 不现实的。因而必须根据缺陷的不同特点，设计不同的缺陷检测算法。
如图7所示，图像处理单元首先对采集的图像进行滤波处理，然后将图像 二值化，最后通过Blob分析标记图像中灰度突变的连通区域，并提取这些区域 的特征，使取样的绝缘毯中存在的缺陷的位置及其像素大小被标示出来，最后 图像输出单元将标记有缺陷位置和像素大小的绝缘毯图像输出显示。
现场采集的图像通常包含噪声，图像预处理主要目的是减少噪声,改善图像 的质量，使之更适合机器的处理。图像的预处理通常包括空域方法和频域方法， 其算法有灰度变换、直方图均衡、基于空域和和频域的各种滤波算法等,其中 直观的方法是根据噪声能量一般集中于高频，而图像频谱则分布于一个有限区 间的这一特点，采用低通滤波方式进行去噪，例如滑动平均窗滤波器、Wiener 线性滤噪器等。在Vision master图像处理软件中有多种滤波方法，本实施方 式中可以考虑采用以下几种滤波方式：高斯滤波、中值滤波、均值滤波和双边 滤波。
(1)高斯滤波
高斯滤波是一种线性平滑滤波，适用于消除高斯噪声。高斯滤波就是对整幅 图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像 素值经过加权平均后得到。其基本原理如下：
假设高斯滤波的表面轮廓为z(x)，其中高频信号为r(x)，低频信号为ω(x)。 在高频信号中，也就是r(x)。那么表面形貌的次成形式为：
z(x)＝r(x)+ω(x) (4-1)
采用高斯滤波来提取粗糙度，高斯分布的表达式为：
式中：μ是均值，σ是标准差。
高斯滤波的权函数为：
将(4-2)式进行傅里叶变换得到：
式中：λ是波长；λc是高斯滤波器的截止波长；α是常数。其中高斯滤波器在 截止波长的通过率为50％，得到
通过表面形貌和高斯权函数做卷积可以得到粗糙度为：
(2)中值滤波
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技 术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻 域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声 点。由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。在一 定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干 扰及图像扫描噪声最为有效。但是对一些细节多，特别是点、线、尖顶细节多 的图像不宜采用中值滤波的方法。其基本原理如下：
设有一个一维序列f1,f2,…,fn，去窗口长度为m(m为奇数)，对此序列进行 中值滤波，就是从输入序列中相继抽出m个数fi-v,…,fi-1,…,fi,…,fi+1,…,fi+v， 其中i为窗口的中心位置μ＝(m-1)/2再将这m个点按其数值大小排列，数学 公式为：
Yi＝Med{fi-v,...,fi,...,fi+v}；i∈Z (4-8)
在实际使用窗口时，窗口的尺寸一般先用3×3再取5×5逐渐增大，直到其 滤波效果满意为止。与平均滤波器相比，中值滤波器从总体上来说，能够较好 地保留原图像中的跃变部分。
(3)均值滤波
所谓均值滤波实际上就是用均值替代原图像中的各个像素值。
如图8所示，序号为0的是当前像素,序号为1～8的像素是其模板中的近邻 像素。求模板中的所有像素的均值，再把该均值赋予当前像素点(x,y)，作为 处理后图像在该点上的灰度g(x,y)，即：
式中：S为模板；M为该模板中包含当前像素在内的像素总个数。考虑到数 据分布的平衡性，模板一般选择为3×3、5×5，待处理像素放在模板的中心。
均值滤波对噪声有很好的抑制作用，而且算法简单，但对图像的边缘和细节 处的处理方面却不令人满意，虽然噪声抑制效果好，但同时画面的模糊也更加 严重。均值滤波对噪声的解决方法是将噪声分布到周围的像素点去。
(4)双边滤波
双边滤波是一种非线性滤波器，该滤波器同时考虑到图像的空间邻近度和像 素相似度，以达到保边去噪的目的。经双边滤波后的像素表达式为：
加权系数ω(x,y,i,j)为空域核与值域核的乘积，其中，空域核根据像素 点与模板中心的距离选择权重，距离越近，权重越大。值域核则根据像素值之 间的差异分配权重，像素值越接近，权重越大。该系数使双边滤波可以在去噪 平滑的同时，达到保留边缘等细节特征的效果。
用CCD相机对绝缘遮蔽用具进行拍照，在Vision Master软件中含有上述多 种滤波方法，对不同缺陷在不同环境中进行判断时可因地制宜，选择最优的滤 波方法。
由于缺陷检测图像在滤波后仍含有大量复杂的背景，为使图像的进一步处理 变得简单，减小数据量，且能凸显出感兴趣的目标的轮廓，需要将图像二值化， 图像二值化分析在图像处理和模式识别中扮演着极其重要的角色，被广泛的应 用于目标提取、字符识别以及医学图像分析等众多实际应用中。
图像二值化是将灰度图像转变为黑白图像，是图像分割算法的重要组成部 分。将测量的对象保留为黑色，图像背景设置为白色。其原理是通过设定一个 阈值，小于设定阈值则视为背景像素，反之，则视为目标像素。设原始图像为 g(x,y)，经过二值化后为t(x,y)，阈值为P∈(0～1)，具体表达式如下：
由式(4-12)可知，阈值作为二值化的核心参数，选择一个合适的阈值显得 尤为重要，通常可通过实验验证法或自适应算法求取阈值。目前已有多种自适 应求取阈值的算法，其中较为经典的有：
(1)Niblack算法
Niblack算法是通过当前目标考察点及其模板算子邻域内像素灰度值的平均 值及标准差运算后得到二值化阈值。在确定图像的二值化是，先计算以(x,y) 为中心的n*n大小的邻域内像素点的灰度平均值m和标准差s:
二值化阈值T(x,y)的计算公式如下：
T(x，y)＝k*s(x，y)+m(x，y) (4-15)
式中：k是根据经验预定的修正系数，一般取0.1-0.5。
当前观察点的最终阈值由以下公式决定：
该算法考虑了观察点的模板邻域均值和标准差信息。
(2)Sauvola算法
Sauvola算法在Niblack算法的基础上，引入了标准方差的动态范围R，其 计算公式如下：
式中：R为标准差的动态范围，对于8-bit图像取固定值128；k为标准差影响 因子，反映了标准差对阈值T(i,j)的影响强度，在(0,1)之间取值；m(i,j)、 s(i,j)分别以点(i,j)为中心，r*r邻域内的灰度均值与标准差，r也被称为开 窗大小。
该算法的主题思想是对图像中的每一个像素点选取合适的r，根据搞窗口内 像素点灰度值的分布，选取灰度均值m(i,j)与灰度标准差s(i,j)作为阈值T (i,j)的计算依据，图像中各个像素的阈值仅受其窗口内像素的影响，相对于 全局阈值化，应用此算法是阈值选取更为精细。对于光照不均的图像由于仅考 虑其邻近像素的影响，在r选取合适的情况下，窗内的光照在绝大部分情况下 是均匀的，使用此类算法可以取得理想的处理效果。
(3)Singh算法
O.Imocha.Singh在2012年提出一种基于局部对比度和均值的算法(以下 统称为Singh算法)。其基本原理为：在像素点(x,y)为中心的r*r的窗口内， 计算窗口中像素灰度的最大值Imax与最小值Imin以及灰度均值m(x,y)，根据式 4-18计算中心像素点的分割阈值：
T(x,y)＝k[m(x,y)+(Imax-Imin)(1-f(x,y))] (4-18)
式中：f(x,y)表示中心像素点的灰度值，k为偏差系数。Singh算法相对于 Sauvola算法和Niblack算法，不涉及标准差的计算，算法的计算时间取决于 窗口的大小。
(4)Bersen算法
Bersen算法不同于Niblack和Sauvola算法，Niblack和Sauvola算法是利 用像素邻域的标准差这种统计特性，而Bersen算法和O.Imocha.Singh算法类 似，利用像素邻域的局部对比度来确定局部分割阈值。Bersen算法的基本原理 是在以像素点(x,y)为中心的r*r的窗口内，计算窗口中像素的灰度最大值Imax与最小值Imin，利用式4-19来确定最终的局部分割阈值:
式中：Imax与Imin分别是窗口内像素灰度值的最大值与最小值，L为窗口内 灰度对比度阈值，可以根据实际图像自行选取，OtsuT表示整幅图像根据Otsu 算法得到的阈值。
通过一系列实验，确定以Sauvola算法为自适应求取二值化阈值算法，得到 缺陷二值化后图像。
Blob分析的作用是标记图像中灰度突变的连通区域，并提取这些区域的特 征，对于二值图像，将红色的连通区域认定为灰度突变的连通区域。设预处理 后的二值图像I(x，y)(简称I)可完全分割为n个子区域Ii(x，y)，(简称Ii)，这n个 子区域包括n1个Blob和一个背景，I和Ii的关系满足：
Blob分析的过程分为标记和特征提取：标记就是统计出图像中满足条件的 Blob的数目，并为每一个Blob提供唯一的标号；Blob分析可提取的特征有很 多种，可以是面积、形心坐标、外接矩形的高和宽等。
用矩来描述Blob区域的形状特性，对某一Blob区域其(m，n)阶矩为：
Blob区域的面积心Area即图像的零阶矩：
Blob区域的形心坐标Centroid(xc,yc)：
将二值化图像通过Blob分析可得到结果图，损坏绝缘毯中多处缺陷被标示 出来，标示的数字为该缺陷在图片中的像素面积(工业相机采集图片的像素为 2592*2048)这些缺陷大小不一，形状各异，被标记在经过Blob分析的缺陷图 像上。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于 此，熟悉该本领域的技术人员应该明白本发明包括但不限于附图和上面具体实 施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在 权利要求书的范围中。
Claims (5)
1.一种绝缘毯微缺陷识别装置，其特征在于，包括：
图像采集单元，用于采集绝缘毯的图像；
照明单元，在图像采集单元进行图像采集时提供照明；
图像处理单元，所述图像处理单元首先对采集的图像进行滤波处理，然后将图像二值化，最后通过Blob分析标记图像中灰度突变的连通区域，并提取这些区域的特征，使取样的绝缘毯中存在的缺陷的位置及其像素大小被标示出来；
图像输出单元，将标记有缺陷位置和像素大小的绝缘毯图像输出显示。
2.根据权利要求1所述的一种绝缘毯微缺陷识别装置，其特征在于：所述图像采集单元采用大于500万像素的CMOS千兆以太网工业面阵相机。
3.根据权利要求1所述的一种绝缘毯微缺陷识别装置，其特征在于：进行滤波处理的方法包括高斯滤波、中值滤波、均值滤波和双边滤波。
4.据权利要求1所述的一种绝缘毯微缺陷识别装置，其特征在于：采用Niblack算法、Sauvola算法、Singh算法或者Bersen算法进行图像二值化。
5.据权利要求1所述的一种绝缘毯微缺陷识别装置，其特征在于：Blob分析的方法为：
设预处理后的二值图像I(x，y)完全分割为n个子区域Ii(x，y)，这n个子区域包括n1个Blob和一个背景，I和Ii的关系满足：
用矩来描述Blob区域的形状特性，对一个Blob区域，其(m，n)阶矩为：
Blob区域的面积心Area，即图像的零阶矩：
Blob区域的形心坐标Centroid(xc,yc)：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110812513.2A CN113686869A (zh) | 2021-07-19 | 2021-07-19 | 一种绝缘毯微缺陷识别装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110812513.2A CN113686869A (zh) | 2021-07-19 | 2021-07-19 | 一种绝缘毯微缺陷识别装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113686869A true CN113686869A (zh) | 2021-11-23 |
Family
ID=78577310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110812513.2A Pending CN113686869A (zh) | 2021-07-19 | 2021-07-19 | 一种绝缘毯微缺陷识别装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113686869A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114240920A (zh) * | 2021-12-24 | 2022-03-25 | 苏州凌云视界智能设备有限责任公司 | 一种外观缺陷检测方法 |
| CN114757913A (zh) * | 2022-04-15 | 2022-07-15 | 电子科技大学 | 一种显示屏缺陷检测方法 |
| CN114821195A (zh) * | 2022-06-01 | 2022-07-29 | 南阳师范学院 | 计算机图像智能化识别方法 |
| CN116008294A (zh) * | 2022-12-13 | 2023-04-25 | 无锡微准科技有限公司 | 一种基于机器视觉的键帽表面颗粒缺陷检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
| CN106097380A (zh) * | 2016-08-03 | 2016-11-09 | 中国电力科学研究院 | 一种基于图像的绝缘子芯棒缺陷在线检测的系统和方法 |
| CN106770332A (zh) * | 2017-02-14 | 2017-05-31 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
| CN107478657A (zh) * | 2017-06-20 | 2017-12-15 | 广东工业大学 | 基于机器视觉的不锈钢表面缺陷检测方法 |
| CN107643295A (zh) * | 2017-08-24 | 2018-01-30 | 中国地质大学（武汉） | 一种基于机器视觉的布匹缺陷在线检测的方法和系统 |
-
2021
- 2021-07-19 CN CN202110812513.2A patent/CN113686869A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
| CN106097380A (zh) * | 2016-08-03 | 2016-11-09 | 中国电力科学研究院 | 一种基于图像的绝缘子芯棒缺陷在线检测的系统和方法 |
| CN106770332A (zh) * | 2017-02-14 | 2017-05-31 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
| CN107478657A (zh) * | 2017-06-20 | 2017-12-15 | 广东工业大学 | 基于机器视觉的不锈钢表面缺陷检测方法 |
| CN107643295A (zh) * | 2017-08-24 | 2018-01-30 | 中国地质大学（武汉） | 一种基于机器视觉的布匹缺陷在线检测的方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李文飞 等: "基于机器视觉的绝缘毯缺陷检测与识别研究", 软件, vol. 42, no. 06, pages 87 - 90 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114240920A (zh) * | 2021-12-24 | 2022-03-25 | 苏州凌云视界智能设备有限责任公司 | 一种外观缺陷检测方法 |
| CN114757913A (zh) * | 2022-04-15 | 2022-07-15 | 电子科技大学 | 一种显示屏缺陷检测方法 |
| CN114821195A (zh) * | 2022-06-01 | 2022-07-29 | 南阳师范学院 | 计算机图像智能化识别方法 |
| CN114821195B (zh) * | 2022-06-01 | 2022-12-16 | 南阳师范学院 | 计算机图像智能化识别方法 |
| CN116008294A (zh) * | 2022-12-13 | 2023-04-25 | 无锡微准科技有限公司 | 一种基于机器视觉的键帽表面颗粒缺陷检测方法 |
| CN116008294B (zh) * | 2022-12-13 | 2024-03-08 | 无锡微准科技有限公司 | 一种基于机器视觉的键帽表面颗粒缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113686869A (zh) | 一种绝缘毯微缺陷识别装置 | |
| CN113706461A (zh) | 一种基于图像识别的绝缘毯微缺陷识别系统 | |
| CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
| CN110268190B (zh) | 一种基于静态红外热像图处理的地下管廊渗漏检测方法 | |
| CN110389127B (zh) | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 | |
| CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
| JP5781743B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
| Neogi et al. | Defect detection of steel surfaces with global adaptive percentile thresholding of gradient image | |
| CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
| CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
| CN113252568A (zh) | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 | |
| CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
| CN108133488A (zh) | 一种红外图像前景检测方法及设备 | |
| CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| CN106228541A (zh) | 视觉检测中屏幕定位的方法及装置 | |
| CN115272256A (zh) | 亚像素级传感光纤路径高斯提取方法及系统 | |
| CN111047598B (zh) | 基于深度学习的输变电设备紫外放电光斑分割方法及装置 | |
| Ma et al. | An automatic detection method of Mura defects for liquid crystal display | |
| CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
| CN114612418A (zh) | 一种鼠标外壳表面缺陷检测方法及装置、系统、电子设备 | |
| CN117011291A (zh) | 一种手表外壳质量视觉检测方法 | |
| CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
| CN109544535B (zh) | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统 | |
| CN109406539B (zh) | 一种透明药瓶底部积料缺陷检测系统与方法 | |
| CN115131355B (zh) | 利用电子设备数据检测防水布异常的智能方法 |
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 |