CN114663457A - 复杂背景下基于圆形卷积核的纱筒识别方法及系统 - Google Patents

复杂背景下基于圆形卷积核的纱筒识别方法及系统 Download PDF

Info

Publication number
CN114663457A
CN114663457A CN202210328627.4A CN202210328627A CN114663457A CN 114663457 A CN114663457 A CN 114663457A CN 202210328627 A CN202210328627 A CN 202210328627A CN 114663457 A CN114663457 A CN 114663457A
Authority
CN
China
Prior art keywords
circle
image
circle center
fitting
center
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
Application number
CN202210328627.4A
Other languages
English (en)
Inventor
陆伟健
王俊茹
石志伟
史伟民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Sci Tech University ZSTU
Original Assignee
Zhejiang Sci Tech University ZSTU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Sci Tech University ZSTU filed Critical Zhejiang Sci Tech University ZSTU
Priority to CN202210328627.4A priority Critical patent/CN114663457A/zh
Publication of CN114663457A publication Critical patent/CN114663457A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种复杂背景下基于圆形卷积核的纱筒识别方法及系统，方法包括：获取纱筒区域图像并转换为灰度图像；采用自定义圆形卷积核的圆形滤波器进行圆心识别，经自适应二值化处理和形态学处理，得到候选圆心；采用Canny算法进行边缘检测及轮廓提取，并根据候选圆心位置筛选得到特征轮廓区域；提取轮廓点，利用梯度下降法进行圆的拟合，得到拟合圆心；若拟合圆心与候选圆心的距离不在预设阈值范围内，则迭代进行圆的拟合，若在范围内，则以拟合圆心作为识别圆心，以拟合的圆作为纱筒区域的轮廓圆。通过本发明的技术方案，能够在复杂背景中识别得到圆形纱筒，提高了纱筒识别的准确度、精度和速度，提高了算法的鲁棒性和抗干扰能力。

Description

复杂背景下基于圆形卷积核的纱筒识别方法及系统
技术领域
本发明涉及图像识别技术领域，尤其涉及一种复杂背景下基于圆形卷积核的纱筒识别方法以及一种复杂背景下基于圆形卷积核的纱筒识别系统。
背景技术
目前，在现有情况下，一般通过检测图像中的椭圆或圆来定位纱筒。然而，目前的圆检测算法，如霍夫-圆变换，传统Hough变换有如下缺陷：
(1)一到多的参数映射引起的计算量大；
(2)内存占用空间大；
(3)参数量化间隔标准确定难。
在一些复杂背景下，会存在错误检测。
此外，在圆的拟合过程中，通常采用最小二乘法，但是该方法的鲁棒性不够好，解出圆的参数会受到干扰像素点的影响，拟合出来的圆会往干扰像素点靠近，从而造成圆心位置的错误，影响纱筒识别的准确性和识别精度。
发明内容
针对上述问题，本发明提供了一种复杂背景下基于圆形卷积核的纱筒识别方法及系统，通过圆形卷积核对图像中的圆心进行大致的识别，在此基础上，利用Canny算法提取图像中的圆形轮廓，再基于轮廓点利用梯度下降法进行圆的拟合，通过迭代方法提高抗干扰能力，从而在复杂背景中识别得到圆形纱筒，该方法提高了纱筒识别的准确度和精度，提高了算法的鲁棒性，提高了纱筒识别的速度。
为实现上述目的，本发明提供了一种复杂背景下基于圆形卷积核的纱筒识别方法，包括：
获取纱筒区域图像，并将彩色图像转换为灰度图像；
采用自定义圆形卷积核的圆形滤波器对所述灰度图像进行圆心识别，并经自适应二值化处理和形态学处理，在所述灰度图像中显示候选圆心；
采用Canny算法对所述灰度图像进行边缘检测及轮廓提取，并根据所述候选圆心的位置筛选得到特征轮廓区域；
提取所述特征轮廓区域的轮廓点，利用梯度下降法进行圆的拟合，并在图像中显示拟合圆心；
若所述拟合圆心与所述候选圆心的距离不在预设阈值范围内，则采用Canny算法及梯度下降法对所述灰度图像迭代进行圆的拟合；
若所述拟合圆心与所述候选圆心的距离在预设阈值范围内，则以所述拟合圆心作为识别圆心，以拟合的圆作为纱筒区域的轮廓圆。
在上述技术方案中，优选地，所述采用自定义圆形卷积核的圆形滤波器对所述灰度图像进行圆心识别，并经自适应二值化处理和形态学处理，在所述灰度图像中显示候选圆心的具体过程包括：
采用预设像素直径的圆形滤波器对所述灰度图像进行线性空间滤波；
利用X方向的卷积核对滤波后的所述灰度图像进行固定步长的滑动，得到X方向的卷积图像；
利用Y方向的卷积核对滤波后的所述灰度图像进行固定步长的滑动，得到Y方向的卷积图像；
将X方向和Y方向的卷积图像分别以0.5的权重进行叠加，得到叠加图像；
对所述叠加图像进行自适应二值化处理，并进行形态学的开操作；
针对开操作后的图像中提取轮廓，并以轮廓的中心作为候选圆心，在图像中显示该候选圆心。
在上述技术方案中，优选地，所述利用梯度下降法进行圆的拟合的具体过程包括：
针对拟合过程设定目标函数，所述目标函数为：
Figure BDA0003572357070000021
其中，Xi为轮廓点的横坐标，yi为轮廓点的纵坐标，r为圆的半径，a为圆心的横坐标，b为圆心的纵坐标，n为轮廓点的个数；
判断所述目标函数是否满足Lipschitz连续条件|f(x1)-f(x2)|≤L||x1-x2||，以保证所述目标函数的收敛性；
求取所述目标函数的偏导数，根据像素点的坐标与初始值的关系得到梯度下降方向；
选取更新函数的迭代步长，计算所述迭代步长与所述梯度下降方向的乘积作为更新值，并将所述目标函数中圆参数分别减去所述更新值，实现更新，其中，所述圆参数包括圆的横坐标、圆的纵坐标和圆的半径；
将更新后的圆参数分别代入所述目标函数中，判断所述目标函数是否达到预设终止条件，若未达到预设终止条件，则重新选取迭代步长对圆参数进行更新，若达到预设终止条件，则以当前圆参数进行圆的拟合。
在上述技术方案中，优选地，所述迭代步长的选取范围为0.001～10。
在上述技术方案中，优选地，，若经过自适应二值化处理和形态学处理后得到的候选圆心不止一个，则返回重新确定自适应二值化算法的阈值，重新对图像进行自适应二值化处理，直至得到的候选圆心为一个。
本发明还提出一种复杂背景下基于圆形卷积核的纱筒识别系统，应用如上述技术方案中任一项公开的复杂背景下基于圆形卷积核的纱筒识别方法，包括：
图像转换模块，用于获取纱筒区域图像，并将彩色图像转换为灰度图像；
圆心识别模块，用于采用自定义圆形卷积核的圆形滤波器对所述灰度图像进行圆心识别，并经自适应二值化处理和形态学处理，在所述灰度图像中显示候选圆心；
轮廓提取模块，用于采用Canny算法对所述灰度图像进行边缘检测及轮廓提取，并根据所述候选圆心的位置筛选得到特征轮廓区域；
圆心拟合模块，用于提取所述特征轮廓区域的轮廓点，利用梯度下降法进行圆的拟合，并在图像中显示拟合圆心；
迭代拟合模块，用于在所述拟合圆心与所述候选圆心的距离不在预设阈值范围内时，采用Canny算法及梯度下降法对所述灰度图像迭代进行圆的拟合；
纱筒识别模块，用于在所述拟合圆心与所述候选圆心的距离在预设阈值范围内时，以所述拟合圆心作为识别圆心，以拟合的圆作为纱筒区域的轮廓圆。
在上述技术方案中，优选地，所述圆心识别模块具体用于：
采用预设像素直径的圆形滤波器对所述灰度图像进行线性空间滤波；
利用X方向的卷积核对滤波后的所述灰度图像进行固定步长的滑动，得到X方向的卷积图像；
利用Y方向的卷积核对滤波后的所述灰度图像进行固定步长的滑动，得到Y方向的卷积图像；
将X方向和Y方向的卷积图像分别以0.5的权重进行叠加，得到叠加图像；
对所述叠加图像进行自适应二值化处理，并进行形态学的开操作；
针对开操作后的图像中提取轮廓，并以轮廓的中心作为候选圆心，在图像中显示该候选圆心。
在上述技术方案中，优选地，所述圆心拟合模块具体用于：
针对拟合过程设定目标函数，所述目标函数为：
Figure BDA0003572357070000041
其中，Xi为轮廓点的横坐标，yi为轮廓点的纵坐标，r为圆的半径，a为圆心的横坐标，b为圆心的纵坐标，n为轮廓点的个数；
判断所述目标函数是否满足Lipschitz连续条件|f(x1)-f(x2)|≤L||x1-x2||，以保证所述目标函数的收敛性；
求取所述目标函数的偏导数，根据像素点的坐标与初始值的关系得到梯度下降方向；
选取更新函数的迭代步长，计算所述迭代步长与所述梯度下降方向的乘积作为更新值，并将所述目标函数中圆参数分别减去所述更新值，实现更新，其中，所述圆参数包括圆的横坐标、圆的纵坐标和圆的半径；
将更新后的圆参数分别代入所述目标函数中，判断所述目标函数是否达到预设终止条件，若未达到预设终止条件，则重新选取迭代步长对圆参数进行更新，若达到预设终止条件，则以当前圆参数进行圆的拟合。
在上述技术方案中，优选地，所述迭代步长的选取范围为0.001～10。
在上述技术方案中，优选地，若所述圆心识别模块经过自适应二值化处理和形态学处理后得到的候选圆心不止一个，则返回重新确定自适应二值化算法的阈值，重新对图像进行自适应二值化处理，直至得到的候选圆心为一个。
与现有技术相比，本发明的有益效果为：通过圆形卷积核对图像中的圆心进行大致的识别，在此基础上，利用Canny算法提取图像中的圆形轮廓，再基于轮廓点利用梯度下降法进行圆的拟合，通过迭代方法提高抗干扰能力，从而在复杂背景中识别得到圆形纱筒，该方法提高了纱筒识别的准确度和精度，提高了算法的鲁棒性，提高了纱筒识别的速度。
附图说明
图1为本发明一种实施例公开的复杂背景下基于圆形卷积核的纱筒识别方法的流程示意图；
图2为本发明一种实施例公开的候选圆心的识别过程示意图；
图3为本发明一种实施例公开的最小二乘法与梯度下降法的识别结果对比示意图；
图4和图5为不同迭代步长分别对算法耗时及圆拟合情况的统计示意图；
图6至图9为本发明一种实施例公开的在四种图像背景下霍夫圆检测算法与梯度下降法的识别结果对比示意图；
图10为图6至图9所示实施例公开的识别速度对比示意图；
图11为最小二乘法、霍夫圆检测算法与梯度下降法的识别圆心位置对比示意图；
图12为本发明一种实施例公开的复杂背景下基于圆形卷积核的纱筒识别系统的模块示意图。
图中，各组件与附图标记之间的对应关系为：
11.图像转换模块，12.圆心识别模块，13.轮廓提取模块，14.圆心拟合模块，15.迭代拟合模块，16.纱筒识别模块。
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的一部分实施例，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的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。
下面结合附图对本发明做进一步的详细描述：
如图1所示，根据本发明提供的一种复杂背景下基于圆形卷积核的纱筒识别方法，包括：
获取纱筒区域图像，并将彩色图像转换为灰度图像；
采用自定义圆形卷积核的圆形滤波器对灰度图像进行圆心识别，并经自适应二值化处理和形态学处理，在灰度图像中显示候选圆心；
采用Canny算法对灰度图像进行边缘检测及轮廓提取，并根据候选圆心的位置筛选得到特征轮廓区域；
提取特征轮廓区域的轮廓点，利用梯度下降法进行圆的拟合，并在图像中显示拟合圆心；
若拟合圆心与候选圆心的距离不在预设阈值范围内，则采用Canny算法及梯度下降法对灰度图像迭代进行圆的拟合；
若拟合圆心与候选圆心的距离在预设阈值范围内，则以拟合圆心作为识别圆心，以拟合的圆作为纱筒区域的轮廓圆。
在该实施方式中，通过圆形卷积核对图像中的圆心进行大致的识别，在此基础上，利用Canny算法提取图像中的圆形轮廓，再基于轮廓点利用梯度下降法进行圆的拟合，通过迭代方法提高抗干扰能力，从而在复杂背景中识别得到圆形纱筒，该方法提高了纱筒识别的准确度和精度，提高了算法的鲁棒性，提高了纱筒识别的速度。
具体地，如图2所示，在进行识别过程前，为了消除光线和不同纱线颜色的影响。我们先将彩色图像转换成为灰度图像。
优选地，根据圆的特点，设计X方向和Y方向的两个圆形卷积核circle_x和circle_y。
采用预设像素直径的圆形滤波器对灰度图像进行线性空间滤波。
一般来说，使用大小为m×n的滤波器对大小为M×N的图像进行线性空间滤波。可由下式表示：其中x和y是可变的，使滤波器能访问f中的每个像素。
Figure BDA0003572357070000071
当滤波器滑动到检测区域时，卷积和特别大，此时就会有较大的像素值。
利用X方向的卷积核circle_x对滤波后的灰度图像进行固定步长的滑动，得到X方向的卷积图像；
利用Y方向的卷积核circle_y对滤波后的灰度图像进行固定步长的滑动，得到Y方向的卷积图像；
将X方向和Y方向的卷积图像分别以0.5的权重进行叠加，得到叠加图像；
对叠加图像进行自适应二值化处理，此时图像中依旧会存在一些干扰点，为了去除这些干扰点，利用形态学的开操作对图像进行进一步处理，去除干扰信号；
针对开操作后的图像中提取轮廓，并以轮廓的中心作为候选圆心，在图像中显示该候选圆心。
在上述实施方式中，优选地，若经过自适应二值化处理和形态学处理后得到的候选圆心不止一个，则返回重新确定自适应二值化算法的阈值，重新对图像进行自适应二值化处理，直至得到的候选圆心为一个。
在上述实施方式中，在梯度下降法进行圆的拟合过程中，根据当前点的梯度方向去决定接下来前进的方向，并根据步长去决定一次变化的距离为多少，通过重复以上的步骤可得到局部或全局最优解。将轮廓上的所有像素点到初始圆心的距离进行求和并除以点的个数，该操作原理类似于均值滤波，可以将远离圆的干扰像素点滤除，从而提高了抗干扰性。每迭代一次，会使圆的参数值发生变化，使目标值靠近最优解，当目标函数的值不再变化时，说明已经找到了最优解，以该最优解对应圆的参数作为拟合的圆的参数。
优选地，为了保证能得到全局最优解，我们需要将目标函数设为凸函数，具体目标函数为：
Figure BDA0003572357070000072
其中，Xi为轮廓点的横坐标，yi为轮廓点的纵坐标，r为圆的半径，a为圆心的横坐标，b为圆心的纵坐标，n为轮廓点的个数；
判断目标函数是否满足Lipschitz连续条件|f(x1)-f(x2)|≤L||x1-x2||；
求取目标函数的偏导数，根据像素点的坐标与初始值的关系得到梯度下降方向，具体公式为：
Figure BDA0003572357070000081
Figure BDA0003572357070000082
Figure BDA0003572357070000083
其中，式(1)为目标函数对a求偏导，式(2)为目标函数对b求偏导，式(3)为目标函数对r求偏导；
选取更新函数的迭代步长，计算迭代步长与梯度下降方向的乘积作为更新值，并将目标函数中圆参数分别减去更新值，实现更新，其中，圆参数包括圆的横坐标、圆的纵坐标和圆的半径。
在更新函数中，迭代步长的大小对整个算法有着非常重要的影响，如果迭代步长过小会导致迭代次数过多从而导致算力的浪费，如果迭代步长过大也会导致迭代发散。因此，选择一个合适的步长对算法起着非常重要的作用。
其中，迭代步长与梯度变化方向相乘的乘积作为更新值，分别将圆的横坐标a、圆的纵坐标b和圆的半径r减去该更新值，实现更新过程。具体地，以横坐标a为例，更新过程的公式为：
Figure BDA0003572357070000084
其中，α表示迭代步长。
将更新后的圆参数分别代入目标函数中，判断更新后的目标函数是否达到预设终止条件，具体终止条件为：
Figure BDA0003572357070000085
其中，ε为预设的接近于0的常数。
若L(a，b，r)＞ε，则判定未达到预设终止条件，此时重新选取迭代步长对圆参数进行更新，若L(a，b，r)≤ε，则判定达到预设终止条件，此时表示已得到最优解，表明当前圆参数所形成的圆是包含了最多轮廓点的圆，以该圆作为拟合的圆。
以下介绍现有技术中利用最小二乘法拟合圆的过程：
根据得到的圆心坐标，对图像进行特征区间的划分，而后根据Canny算法对特征区间进行轮廓识别。轮廓识别结束后，利用opencv中轮廓识别的函数将检测到的轮廓点储存到一个二维容器当中。但是并不是所有的轮廓点都是有效的轮廓点。例如在特征区域内，纱筒表面的污垢、其他边缘轮廓的像素点等等，这些都是干扰像素点，会影响检测圆心的准确性。最小二乘法将图像里面的像素点进行拟合，初步生成一个圆。圆的方程可表达为：
(x-a)2+(y-b)2＝r2
最小二乘法的公式如下所示：
Figure BDA0003572357070000091
令3×3的矩阵为A，3×1的矩阵为B，圆的参数矩阵为X。将各个像素点的坐标信息赋值到矩阵A,B当中。通过矩阵的计算之后可以得到参数矩阵的各个参数值。计算公式如下：
x＝A-·(AT)-·AT·B
根据上述最小二乘法的计算和拟合，通过实施和对比，如图3所示，相比于本发明的梯度下降法，该最小二乘法的鲁棒性不够好，当把干扰像素点的坐标存放到A矩阵之后，此时解出圆的参数会受到干扰像素点的影响，从而造成圆心位置的错误。
在上述实施方式中，优选地，迭代步长的选取范围为0.001～10。
具体地，在实施过程中，选用不同迭代步长对算法的耗时和圆拟合具有直接影响。当迭代步长过小时，会导致迭代次数过多，从而会使计算时间大幅提升。但是如果迭代步长过大时，此时可能会直接跳过最优解，使目标函数发散，得不到最优解。
不同迭代步长对算法耗时及圆拟合情况的比较如下表所示：
Figure BDA0003572357070000101
通过该表格及图4和图5可知，当步长大于10以后，拟合出来的圆心位置逐渐偏离了圆心，也就是出现了发散的情况，此时就会造成拟合错误。通过分析，在步长为1时拟合圆速度较快，且拟合圆坐标接近，因此优选取迭代步长为1进行迭代。
此外，实施过程中还试验霍夫圆检测算法与梯度下降法在不同背景图像下的拟合速度进行对比。对比结果如下表所示：
Figure BDA0003572357070000102
在上述试验过程中，还对霍夫圆检测算法与梯度下降法在不同背景图像下的圆拟合情况进行对比。对比结果如下表所示：
Figure BDA0003572357070000111
如图10和图11所示，针对上述试验结果进行分析可知，利用梯度下降法算法拟合出圆，该算法的鲁棒性较好，不需要调节任何参数，就能拟合出轮廓中的圆。该算法比较于传统的霍夫圆检测算法，其拟合速度提高了4倍左右，定位精度也接近98％，因此能满足在实际纺织生产中实时检测图像中的纱筒内圆的要求。
如图12所示，本发明还提出一种复杂背景下基于圆形卷积核的纱筒识别系统，应用如上述实施方式中任一项公开的复杂背景下基于圆形卷积核的纱筒识别方法，包括：
图像转换模块11，用于获取纱筒区域图像，并将彩色图像转换为灰度图像；
圆心识别模块12，用于采用自定义圆形卷积核的圆形滤波器对灰度图像进行圆心识别，并经自适应二值化处理和形态学处理，在灰度图像中显示候选圆心；
轮廓提取模块13，用于采用Canny算法对灰度图像进行边缘检测及轮廓提取，并根据候选圆心的位置筛选得到特征轮廓区域；
圆心拟合模块14，用于提取特征轮廓区域的轮廓点，利用梯度下降法进行圆的拟合，并在图像中显示拟合圆心；
迭代拟合模块15，用于在拟合圆心与候选圆心的距离不在预设阈值范围内时，采用Canny算法及梯度下降法对灰度图像迭代进行圆的拟合；
纱筒识别模块16，用于在拟合圆心与候选圆心的距离在预设阈值范围内时，以拟合圆心作为识别圆心，以拟合的圆作为纱筒区域的轮廓圆。
在上述实施方式中，优选地，圆心识别模块12具体用于：
采用预设像素直径的圆形滤波器对灰度图像进行线性空间滤波；
利用X方向的卷积核对滤波后的灰度图像进行固定步长的滑动，得到X方向的卷积图像；
利用Y方向的卷积核对滤波后的灰度图像进行固定步长的滑动，得到Y方向的卷积图像；
将X方向和Y方向的卷积图像分别以0.5的权重进行叠加，得到叠加图像；
对叠加图像进行自适应二值化处理，并进行形态学的开操作；
针对开操作后的图像中提取轮廓，并以轮廓的中心作为候选圆心，在图像中显示该候选圆心。
在上述实施方式中，优选地，圆心拟合模块14具体用于：
针对拟合过程设定目标函数，目标函数为：
Figure BDA0003572357070000121
其中，Xi为轮廓点的横坐标，yi为轮廓点的纵坐标，r为圆的半径，a为圆心的横坐标，b为圆心的纵坐标，n为轮廓点的个数；
判断目标函数是否满足Lipschitz连续条件|f(x1)-f(x2)|≤L||x1-x2||，以保证目标函数的收敛性；
求取目标函数的偏导数，根据像素点的坐标与初始值的关系得到梯度下降方向；
选取更新函数的迭代步长，计算迭代步长与梯度下降方向的乘积作为更新值，并将目标函数中圆参数分别减去更新值，实现更新，其中，圆参数包括圆的横坐标、圆的纵坐标和圆的半径；
将更新后的圆参数分别代入目标函数中，判断目标函数是否达到预设终止条件，若未达到预设终止条件，则重新选取迭代步长对圆参数进行更新，若达到预设终止条件，则以当前圆参数进行圆的拟合。
在上述实施方式中，优选地，若圆心识别模块12经过自适应二值化处理和形态学处理后得到的候选圆心不止一个，则返回重新确定自适应二值化算法的阈值，重新对图像进行自适应二值化处理，直至得到的候选圆心为一个。
根据上述实施方式公开的复杂背景下基于圆形卷积核的纱筒识别系统，其各模块所要实现的功能分别按照上述实施方式中公开的复杂背景下基于圆形卷积核的纱筒识别方法中的各步骤进行实现，参照上述纱筒识别方法的具体实施方式，在此不在赘述。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种复杂背景下基于圆形卷积核的纱筒识别方法，其特征在于，包括：
获取纱筒区域图像，并将彩色图像转换为灰度图像；
采用自定义圆形卷积核的圆形滤波器对所述灰度图像进行圆心识别，并经自适应二值化处理和形态学处理，在所述灰度图像中显示候选圆心；
采用Canny算法对所述灰度图像进行边缘检测及轮廓提取，并根据所述候选圆心的位置筛选得到特征轮廓区域；
提取所述特征轮廓区域的轮廓点，利用梯度下降法进行圆的拟合，并在图像中显示拟合圆心；
若所述拟合圆心与所述候选圆心的距离不在预设阈值范围内，则采用Canny算法及梯度下降法对所述灰度图像迭代进行圆的拟合；
若所述拟合圆心与所述候选圆心的距离在预设阈值范围内，则以所述拟合圆心作为识别圆心，以拟合的圆作为纱筒区域的轮廓圆。
2.根据权利要求1所述的复杂背景下基于圆形卷积核的纱筒识别方法，其特征在于，所述采用自定义圆形卷积核的圆形滤波器对所述灰度图像进行圆心识别，并经自适应二值化处理和形态学处理，在所述灰度图像中显示候选圆心的具体过程包括：
采用预设像素直径的圆形滤波器对所述灰度图像进行线性空间滤波；
利用X方向的卷积核对滤波后的所述灰度图像进行固定步长的滑动，得到X方向的卷积图像；
利用Y方向的卷积核对滤波后的所述灰度图像进行固定步长的滑动，得到Y方向的卷积图像；
将X方向和Y方向的卷积图像分别以0.5的权重进行叠加，得到叠加图像；
对所述叠加图像进行自适应二值化处理，并进行形态学的开操作；
针对开操作后的图像中提取轮廓，并以轮廓的中心作为候选圆心，在图像中显示该候选圆心。
3.根据权利要求1所述的复杂背景下基于圆形卷积核的纱筒识别方法，其特征在于，所述利用梯度下降法进行圆的拟合的具体过程包括：
针对拟合过程设定目标函数，所述目标函数为：
Figure FDA0003572357060000021
其中，Xi为轮廓点的横坐标，yi为轮廓点的纵坐标，r为圆的半径，a为圆心的横坐标，b为圆心的纵坐标，n为轮廓点的个数；
判断所述目标函数是否满足Lipschitz连续条件|f(x1)-f(x2)|≤L||x1-x2||，以保证所述目标函数的收敛性；
求取所述目标函数的偏导数，根据像素点的坐标与初始值的关系得到梯度下降方向；
选取更新函数的迭代步长，计算所述迭代步长与所述梯度下降方向的乘积作为更新值，并将所述目标函数中圆参数分别减去所述更新值，实现更新，其中，所述圆参数包括圆的横坐标、圆的纵坐标和圆的半径；
将更新后的圆参数分别代入所述目标函数中，判断所述目标函数是否达到预设终止条件，若未达到预设终止条件，则重新选取迭代步长对圆参数进行更新，若达到预设终止条件，则以当前圆参数进行圆的拟合。
4.根据权利要求3所述的复杂背景下基于圆形卷积核的纱筒识别方法，其特征在于，所述迭代步长的选取范围为0.001～10。
5.根据权利要求1或2所述的复杂背景下基于圆形卷积核的纱筒识别方法，其特征在于，若经过自适应二值化处理和形态学处理后得到的候选圆心不止一个，则返回重新确定自适应二值化算法的阈值，重新对图像进行自适应二值化处理，直至得到的候选圆心为一个。
6.一种复杂背景下基于圆形卷积核的纱筒识别系统，其特征在于，应用如权利要求1至5中任一项所述的复杂背景下基于圆形卷积核的纱筒识别方法，包括：
图像转换模块，用于获取纱筒区域图像，并将彩色图像转换为灰度图像；
圆心识别模块，用于采用自定义圆形卷积核的圆形滤波器对所述灰度图像进行圆心识别，并经自适应二值化处理和形态学处理，在所述灰度图像中显示候选圆心；
轮廓提取模块，用于采用Canny算法对所述灰度图像进行边缘检测及轮廓提取，并根据所述候选圆心的位置筛选得到特征轮廓区域；
圆心拟合模块，用于提取所述特征轮廓区域的轮廓点，利用梯度下降法进行圆的拟合，并在图像中显示拟合圆心；
迭代拟合模块，用于在所述拟合圆心与所述候选圆心的距离不在预设阈值范围内时，采用Canny算法及梯度下降法对所述灰度图像迭代进行圆的拟合；
纱筒识别模块，用于在所述拟合圆心与所述候选圆心的距离在预设阈值范围内时，以所述拟合圆心作为识别圆心，以拟合的圆作为纱筒区域的轮廓圆。
7.根据权利要求6所述的复杂背景下基于圆形卷积核的纱筒识别系统，其特征在于，所述圆心识别模块具体用于：
采用预设像素直径的圆形滤波器对所述灰度图像进行线性空间滤波；
利用X方向的卷积核对滤波后的所述灰度图像进行固定步长的滑动，得到X方向的卷积图像；
利用Y方向的卷积核对滤波后的所述灰度图像进行固定步长的滑动，得到Y方向的卷积图像；
将X方向和Y方向的卷积图像分别以0.5的权重进行叠加，得到叠加图像；
对所述叠加图像进行自适应二值化处理，并进行形态学的开操作；
针对开操作后的图像中提取轮廓，并以轮廓的中心作为候选圆心，在图像中显示该候选圆心。
8.根据权利要求6所述的复杂背景下基于圆形卷积核的纱筒识别系统，其特征在于，所述圆心拟合模块具体用于：
针对拟合过程设定目标函数，所述目标函数为：
Figure FDA0003572357060000031
其中，Xi为轮廓点的横坐标，yi为轮廓点的纵坐标，r为圆的半径，a为圆心的横坐标，b为圆心的纵坐标，n为轮廓点的个数；
判断所述目标函数是否满足Lipschitz连续条件|f(x1)-f(x2)|≤L||x1-x2||，以保证所述目标函数的收敛性；
求取所述目标函数的偏导数，根据像素点的坐标与初始值的关系得到梯度下降方向；
选取更新函数的迭代步长，计算所述迭代步长与所述梯度下降方向的乘积作为更新值，并将所述目标函数中圆参数分别减去所述更新值，实现更新，其中，所述圆参数包括圆的横坐标、圆的纵坐标和圆的半径；
将更新后的圆参数分别代入所述目标函数中，判断所述目标函数是否达到预设终止条件，若未达到预设终止条件，则重新选取迭代步长对圆参数进行更新，若达到预设终止条件，则以当前圆参数进行圆的拟合。
9.根据权利要求8所述的复杂背景下基于圆形卷积核的纱筒识别系统，其特征在于，所述迭代步长的选取范围为0.001～10。
10.根据权利要求6或7所述的复杂背景下基于圆形卷积核的纱筒识别系统，其特征在于，若所述圆心识别模块经过自适应二值化处理和形态学处理后得到的候选圆心不止一个，则返回重新确定自适应二值化算法的阈值，重新对图像进行自适应二值化处理，直至得到的候选圆心为一个。
CN202210328627.4A 2022-03-30 2022-03-30 复杂背景下基于圆形卷积核的纱筒识别方法及系统 Pending CN114663457A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210328627.4A CN114663457A (zh) 2022-03-30 2022-03-30 复杂背景下基于圆形卷积核的纱筒识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210328627.4A CN114663457A (zh) 2022-03-30 2022-03-30 复杂背景下基于圆形卷积核的纱筒识别方法及系统

Publications (1)

Publication Number Publication Date
CN114663457A true CN114663457A (zh) 2022-06-24

Family

ID=82033609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210328627.4A Pending CN114663457A (zh) 2022-03-30 2022-03-30 复杂背景下基于圆形卷积核的纱筒识别方法及系统

Country Status (1)

Country Link
CN (1) CN114663457A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998318A (zh) * 2022-07-18 2022-09-02 聊城一明五金科技有限公司 用于废钢处理工艺中的废钢等级识别方法
CN117689677A (zh) * 2024-02-01 2024-03-12 山东大学日照研究院 一种砂轮磨损状态识别方法、系统、设备及介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998318A (zh) * 2022-07-18 2022-09-02 聊城一明五金科技有限公司 用于废钢处理工艺中的废钢等级识别方法
CN117689677A (zh) * 2024-02-01 2024-03-12 山东大学日照研究院 一种砂轮磨损状态识别方法、系统、设备及介质
CN117689677B (zh) * 2024-02-01 2024-04-16 山东大学日照研究院 一种砂轮磨损状态识别方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN108369650B (zh) 标识校准图案的可能特征点的方法
CN114663457A (zh) 复杂背景下基于圆形卷积核的纱筒识别方法及系统
CN102426649B (zh) 一种简单的高准确率的钢印数字自动识别方法
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN111161222B (zh) 一种基于视觉显著性的印刷辊筒缺陷检测方法
CN111640157A (zh) 一种基于神经网络的棋盘格角点检测方法及其应用
CN116309559B (zh) 一种中硼硅玻璃生产瑕疵智能识别方法
CN116559183B (zh) 一种提高缺陷判定效率的方法及系统
CN115018846B (zh) 基于ai智能相机的多目标裂纹缺陷检测方法和装置
CN108133471B (zh) 一种基于人工蜂群算法的机器人导航路径提取方法及装置
CN110415296B (zh) 一种有阴影光照下矩形状电器件的定位方法
CN109191429B (zh) 一种基于机器视觉的3d打印喷嘴检测方法
CN116912261B (zh) 一种塑料模具注塑表面缺陷检测方法
CN110119742B (zh) 一种集装箱号的识别方法、装置及移动终端
CN112345534B (zh) 一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统
CN108647706A (zh) 基于机器视觉的物品识别分类与瑕疵检测方法
CN109359604B (zh) 面向巡检机器人的阴影干扰下仪表识别方法
CN116503388B (zh) 缺陷检测方法、装置及存储介质
CN113256580A (zh) 一种目标菌落特征自动识别方法
CN113256624A (zh) 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质
CN116704516B (zh) 一种用于水溶肥料包装的视觉检测方法
CN110930425B (zh) 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
CN116740061A (zh) 一种爆珠生产质量视觉检测方法
CN116883408A (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN111754525A (zh) 一种基于非精确切分的工业字符检测流程

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