CN114897910A - 内参外参结合的光纤混色识别方法、系统、设备及介质 - Google Patents

内参外参结合的光纤混色识别方法、系统、设备及介质 Download PDF

Info

Publication number
CN114897910A
CN114897910A CN202210832911.5A CN202210832911A CN114897910A CN 114897910 A CN114897910 A CN 114897910A CN 202210832911 A CN202210832911 A CN 202210832911A CN 114897910 A CN114897910 A CN 114897910A
Authority
CN
China
Prior art keywords
optical fiber
image
colored
preset
eye camera
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.)
Granted
Application number
CN202210832911.5A
Other languages
English (en)
Other versions
CN114897910B (zh
Inventor
蒋紫檀
孙应中
李晶
张德胜
殷俊
赵晨
桂裕翔
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.)
Yangtze Optical Fibre and Cable Co Ltd
Original Assignee
Yangtze Optical Fibre and Cable Co Ltd
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 Yangtze Optical Fibre and Cable Co Ltd filed Critical Yangtze Optical Fibre and Cable Co Ltd
Priority to CN202210832911.5A priority Critical patent/CN114897910B/zh
Publication of CN114897910A publication Critical patent/CN114897910A/zh
Application granted granted Critical
Publication of CN114897910B publication Critical patent/CN114897910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06T7/10—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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/10—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

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

Abstract

本发明公开了一种内参外参结合的光纤混色识别方法、系统、设备及介质。所述方法包括：（1）获得左眼相机光纤排布图像和右眼相机光纤排布图像；（2）进行图像分割并进行区域筛选，获得各预设光纤盘位置的着色光纤左眼相机图像和着色光纤右眼相机图像；（3）进行三维重建后对所述光纤盘位置的基准平面进行投影，获得相同规格的各预设光纤盘位置的着色光纤基准图像；（4）对于步骤（3）中获得的着色光纤基准图像，分别进行内参校验和外参校验：（5）返回提示信息。本发明通过判断不同位置光纤盘的光纤颜色是否相同作为内参校验，是否与该位置光纤盘预定的着色光纤颜色相同作为外参校验，综合判断混色错误，为光纤智能制造提供基础保障。

Description

内参外参结合的光纤混色识别方法、系统、设备及介质
技术领域
本发明属于智能制造领域，更具体地，涉及一种内参外参结合的光纤混色识别方法、系统、设备及介质。
背景技术
光纤是光缆生产中最主要的组成材料，光缆按照使用功能的不同，所需要用的光纤数量也不同，有的结构只要一根光纤有的需要十根佰根光纤甚至更多的光纤来生产一根完整的光缆，将不同颜色的着色光纤通过设备加工到套管中这就是光缆生产中的二套工序。
目前二套工序中，将已经着色收卷后的光纤盘后，按照不同工艺要求，将各种颜色的光纤排布放置到专门的放纤设备上来，实现不同工艺的缆芯成缆。但是由于光纤数量较多，用于标记不同光纤的颜色就越多，难免出现颜色较为相近的着色光纤。生产管理中，即使制定了完善的工艺管控和操作流程，但是日常的生产中不可避免的出现将同样颜色的二根光纤加工到同一根套管中的情况，后果是占用大量的人力、设备、时间来处理善后。同时也可能出现位置排布不满足工艺要求的问题。
将视觉监控应用于光纤混色识别，理论上应该能避免由于人工上纤不可避免的偶然性失误。然而，由于光纤数量较多，每一种光纤进行视觉识别，摄像头带来的设备成本较高。采用同一摄像头进行大面积的光纤识别，由于成像角度问题、厂区照明光源混乱问题，不可能做到每盘光纤成像条件都相同，可能会造成色差影响识别的准确度。而如果为了提高识着色光纤的识别准确度，在光纤放纤设备上参考色卡，又不符合不同工艺着色光纤排布灵活多变的需求。
因此，目前亟需一种对成像设备及成像条件要求较低，同时能适合灵活多变的光纤排布工艺的光纤混色识别方法，来智能判断光纤在放纤设备上的排布是否出现着色光纤混色导致的排布错误，甚至是重复排布的问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种内参外参结合的光纤混色识别方法、系统、设备及介质，其目的在于通过结合同一次成像的不同位置的着色光纤图像进行内部参照校验和成像获得的各光纤盘位置的着色光纤图像与标准着色光纤图像进行外部参照校验，提高在成像条件不同的情况下对光纤混色判断的准确性，同时适应不同光缆生产工艺的不同着色光纤灵活排布，由此解决现有技术进行光纤混色识别对成像设备要求高、成像条件苛刻或者不能适应灵活的着色光纤排布的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种内参外参结合的光纤混色识别方法，其包括以下步骤：
（1）采用双目相机采集放纤设备的着色光纤排布图像，获得左眼相机光纤排布图像和右眼相机光纤排布图像；
（2）将步骤（1）中获得的左眼相机光纤排布图像和右眼相机光纤排布图像进行图像分割并进行区域筛选，获得各预设光纤盘位置的着色光纤左眼相机图像和着色光纤右眼相机图像；
（3）对于步骤（2）获得的预设光纤盘位置中的每一位置，采用其着色光纤左眼相机图像和着色光纤右眼相机图像，进行三维重建后对所述光纤盘位置的基准平面进行投影，获得相同规格的各预设光纤盘位置的着色光纤基准图像；
（4）对于步骤（3）中获得的着色光纤基准图像，分别进行内参校验和外参校验：
所述内参校验将各预设光纤盘位置的着色光纤基准图像进行相似性比对，如果出现相似性超过预设阈值的着色光纤基准图像则内参校验失败，否则内参校验通过；
所述外参校验将各预设光纤盘位置的着色光纤基准图像采用智能分类算法，判断所述着色光纤基准图像中着色光纤的颜色，当出现预设光纤盘位置的着色光纤的颜色与该预设光纤盘位置的设定颜色不符时校验失败，所有预设光纤盘位置皆与该预设光纤盘位置的设定颜色相符时校验通过；
（5）返回提示信息：当内参校验和外参校验皆通过时判断着色光纤排布无误，通过校验；否则：
当内参校验失败时，返回着色光纤重复信息，并提示重复的光纤盘位置；
当外参校验失败时，返回着色光纤错误信息，并提示错误的光纤盘位置。
优选地，所述光纤混色识别方法，其步骤（2）采用基于区域的图像分割算法进行图像分割，包括但不限于形态学分水岭算法、区域生长算法。
优选地，所述光纤混色识别方法，其所述步骤（3）不同光纤盘位置的基准平面相对于其光纤盘位置，具有相同的距离和角度，使投影获得的着色光纤基准图像具有相同的成像角度。
优选地，所述光纤混色识别方法，其步骤（4）所述内参校验将各预设光纤盘位置的着色光纤基准图像进行相似性比对，具体为：
对所述着色光纤基准图像的色谱进行相似性比对；所述着色光纤基准图像的色谱即以像素点为单位某一颜色出现的概率。
优选地，所述光纤混色识别方法，其步骤（5）所述智能分类算法，采用卷积神经网络。
优选地，所述光纤混色识别方法，其所述卷积神经网络的输出层具有N个节点，N为标准着色光纤的种类数量。
优选地，所述光纤混色识别方法，其所述卷积神经网络的训练图像按照如下方法获取：
对于每一标准着色光纤，在厂区不同的光照条件下，按照步骤（1）至（3）获得其处于所有预设光纤盘位置的着色光纤基准图像；将标记有标准着色光纤类别的着色光纤基准图像作为所述卷积神经网络的训练图像。
按照本发明的另一个方面，提供了一种内参外参结合的光纤混色识别装置，其包括：图像采集模块、图像分割模块、图像融合模块、校验模块、以及提示信息模块；
所述图像采集模块，用于获取双目相机采集的放纤设备的着色光纤排布图像，分别为获得左眼相机光纤排布图像和右眼相机光纤排布图像，并提交给所述图像分割模块；
所述图像分割模块，用于将左眼相机光纤排布图像和右眼相机光纤排布图像进行图像分割并进行区域筛选，获得各预设光纤盘位置的着色光纤左眼相机图像和着色光纤右眼相机图像，并提交给所述图像融合模块；
所述图像融合模块，用于对预设光纤盘位置中的每一位置，采用其着色光纤左眼相机图像和着色光纤右眼相机图像，进行三维重建后对所述光纤盘位置的基准平面进行投影，获得相同规格的各预设光纤盘位置的着色光纤基准图像，并提交给所述校验模块；
所述校验模块，用于对于着色光纤基准图像，分别进行内参校验和外参校验：
所述内参校验将各预设光纤盘位置的着色光纤基准图像进行相似性比对，如果出现相似性超过预设阈值的着色光纤基准图像则内参校验失败，否则内参校验通过；
所述外参校验将各预设光纤盘位置的着色光纤基准图像采用智能分类算法，判断所述着色光纤基准图像中着色光纤的颜色，当出现预设光纤盘位置的着色光纤的颜色与该预设光纤盘位置的设定颜色不符时校验失败，所有预设光纤盘位置皆与该预设光纤盘位置的设定颜色相符时校验通过。
并将校验结果提交给所述提示信息模块；
所述提示信息模块，用于当内参校验和外参校验皆通过时判断着色光纤排布无误，通过校验；否则：
当内参校验失败时，返回着色光纤重复信息，并提示重复的光纤盘位置；
当外参校验失败时，返回着色光纤错误信息，并提示错误的光纤盘位置。
按照本发明的另一个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明提供的光纤混色识别方法的步骤。
按照本发明的另一个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现本发明提供的光纤混色识别方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
目前光缆生产中的二套生产设备具备常规放纤功能，但是放纤单元缺少一种辅助的智能监管设备来杜绝操作员犯错。本发明通过判断不同位置光纤盘的光纤颜色是否相同作为内参校验，是否与该位置光纤盘预定的着色光纤颜色相同作为外参校验，综合判断放纤装置是否出现混色错误，包括着色光纤重复使用和着色光纤位置错误，杜绝了操作员混色错误，为光纤智能制造提供基础保障。
附图说明
图1是本发明实施例双目相机与放纤设备的设置示意图；
图2是本发明实施例双目相机获得的光纤排布图像；其中，图2中的（a）为左眼图像，图2中的（b）为右眼图像；
图3是本发明实施例基于区域的图像分割算法获得的掩码图；其中，图3中的（a）为左眼图像掩码图，图3中的（b）为右眼图像掩码图；
图4是本发明该实施例进行图像校正后的掩码图的意图。
在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：1为双目相机，2为放纤设备，3为光纤盘。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供的光纤混色识别方法，包括以下步骤：
（1）采用双目相机采集放纤设备的着色光纤排布图像，获得左眼相机光纤排布图像和右眼相机光纤排布图像；
（2）将步骤（1）中获得的左眼相机光纤排布图像和右眼相机光纤排布图像进行图像分割并进行区域筛选，获得各预设光纤盘位置的着色光纤左眼相机图像和着色光纤右眼相机图像；优选采用基于区域的图像分割算法，例如形态学分水岭算法、区域生长算法；由于着色光纤成像时，形成较大的色块，因此利用基于区域的图像分割算法，能迅速有效的获得着色光纤图像。
（3）对于步骤（2）获得的预设光纤盘位置中的每一位置，采用其着色光纤左眼相机图像和着色光纤右眼相机图像，进行三维重建后对所述光纤盘位置的基准平面进行投影，获得相同规格的各预设光纤盘位置的着色光纤基准图像；不同光纤盘位置的基准平面相对于其光纤盘位置，具有相同的距离和角度，从而使投影获得的着色光纤基准图像具有相同的成像角度：
采用双目相机获得的左右眼图像，进行三维重建后对基准平面进行投影，有效的消除了采用同一相机对不同位置的光纤盘成像导致的成像角度差异，通过软件算法弥补了成像设备导致的图像不一致的问题，有效降低了对成像设备的要求。
（4）对于步骤（3）中获得的着色光纤基准图像，分别进行内参校验和外参校验：
所述内参校验将各预设光纤盘位置的着色光纤基准图像进行相似性比对，如果出现相似性超过预设阈值的着色光纤基准图像则内参校验失败，否则内参校验通过；所述内参校验，由于在同一成像条件下成像，虽然存在角度不同，但光源条件几乎相同，准确性高，即使有些光纤的着色相近，亦能准确区分。光纤着色更多情况下为均一着色，也就是在光纤外表面通过着色层，带上标准色谱颜色，当标准色谱颜色数量不够用于光纤标识时，通过喷环来标记不同的光纤。
在更多的情况下，光纤为均一着色，为了简化比对优选方案，对所述着色光纤基准图像的色谱进行相似性比对；所述着色光纤基准图像的色谱即以像素点为单位某一颜色出现的概率。可以在极小的计算代价的前提下，最大限度地避免同色光纤地重复使用，从而避免后果最为严重地光纤混色失误，降低了对成像条件的要求。
所述外参校验将各预设光纤盘位置的着色光纤基准图像采用智能分类算法，判断所述着色光纤基准图像中着色光纤的颜色，当出现预设光纤盘位置的着色光纤的颜色与该预设光纤盘位置的设定颜色不符时校验失败，所有预设光纤盘位置皆与该预设光纤盘位置的设定颜色相符时校验通过；
所述智能分类算法，优选采用卷积神经网络，所述卷积神经网络的输出层具有N个节点，N为标准着色光纤的种类数量；所述卷积神经网络的训练图像按照如下方法获取：
对于每一标准着色光纤，在厂区不同的光照条件下，按照步骤（1）至（3）获得其处于所有预设光纤盘位置的着色光纤基准图像；将标记有标准着色光纤类别的着色光纤基准图像作为所述卷积神经网络的训练图像。
所述卷积神经网络实际上判断了当前获取的着色光纤基准图像与外置参考标准着色光纤图像之间的相似性，进而当前获取的着色光纤基准图像中光纤的颜色分类。通过外置参考，用户只需要根据当前的工艺要求，输入不同光纤盘位置的设定光纤颜色，即可灵活的针对不同的工艺要求，进行校验，并能准确检测出现混色位置的光纤盘位置，提高效率。
内参校验比较了同一图像内部的着色光纤盘光纤颜色的差异信息，外参校验比较了当前获取的着色光纤盘光线颜色与标准光纤颜色的差异信息，通过结合内参校验和外参校验，不仅提高了识别准确度，削弱了成像角度、照明条件等成像条件对混色识别准确性的影响，同时内参校验判断的是光纤是否着色重复，不受因工艺不同着色光纤排布不同的影响，而外参校验则可通过预先输入光纤排布信息，灵活的适应不同工艺的光纤排布，因此本发明的双重校验通用性强。双重校验皆可极大程度上避免了光纤混色问题，有效降低由于人工失误导致的误操作成本。
（5）返回提示信息：当内参校验和外参校验皆通过时判断着色光纤排布无误，通过校验；否则：
当内参校验失败时，返回着色光纤重复信息，并提示重复的光纤盘位置；
当外参校验失败时，返回着色光纤错误信息，并提示错误的光纤盘位置。
以下为实施例：
一种光纤混色识别方法，包括以下步骤：
（1）采用双目相机，设置示意图如图1所示，采集12色着色光纤放纤设备的着色光纤排布图像，获得左眼相机光纤排布图像和右眼相机光纤排布图像，如图2中的（a）、图2中的（b）所示；
（2）将步骤（1）中获得的左眼相机光纤排布图像和右眼相机光纤排布图像进行图像分割并进行区域筛选，获得各预设光纤盘位置的着色光纤左眼相机图像和着色光纤右眼相机图像；本实施例采用基于区域的图像分割算法，获得掩码图如图3中的（a）、图3中的（b）所示；
（3）对于步骤（2）获得的预设光纤盘位置中的每一位置，采用其着色光纤左眼相机图像和着色光纤右眼相机图像，进行三维重建后对所述光纤盘位置的基准平面进行投影，获得相同规格的12个预设光纤盘位置的着色光纤基准图像；本实施例以中间排由上到下第二个光纤盘的位置作为校正目标，获得校正后的图像规格示意如图4所示。
（4）对于步骤（3）中获得的12张着色光纤基准图像，分别进行内参校验和外参校验：
所述内参校验将各预设光纤盘位置的着色光纤基准图像进行相似性比对，如果出现相似性超过预设阈值的着色光纤基准图像则内参校验失败，否则内参校验通过；本实施例对所述着色光纤基准图像的色谱进行相似性比对：着色光纤基准图像，统计以RGB颜色模式下，各颜色出现的在基准图像中的概率，作为着色光纤基准图像的色谱。
本实施例中将光纤基基准图像的色谱看作一维向量，利用余弦相似性评价着色光纤基准图像的两两相似性，当余弦相似性超过预设阈值时，判断两幅着色光纤基准图像中着色光纤颜色相同，返回这两幅着色光纤基准图像的光纤盘位置编号。
所述外参校验将各预设光纤盘位置的着色光纤基准图像采用智能分类算法，判断所述着色光纤基准图像中着色光纤的颜色，当出现预设光纤盘位置的着色光纤的颜色与该预设光纤盘位置的设定颜色不符时校验失败，所有预设光纤盘位置皆与该预设光纤盘位置的设定颜色相符时校验通过；
所述智能分类算法，本实施例采用Resnet卷积神经网络，所述卷积神经网络的输出层具有24个节点，即12标准色光纤以及其喷环着色光纤；所述卷积神经网络的训练图像按照如下方法获取：
对于每一标准着色光纤，在厂区不同的光照条件下，按照步骤（1）至（3）获得其处于所有预设光纤盘位置的着色光纤基准图像；将标记有标准着色光纤类别的着色光纤基准图像作为所述卷积神经网络的训练图像。
训练卷积神经网络，获得判断模型。
（5）返回提示信息：当内参校验和外参校验皆通过时判断着色光纤排布无误，通过校验；否则：
当内参校验失败时，返回着色光纤重复信息，并提示重复的光纤盘位置；
当外参校验失败时，返回着色光纤错误信息，并提示错误的光纤盘位置。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种内参外参结合的光纤混色识别方法，其特征在于，包括以下步骤：
（1）采用双目相机采集放纤设备的着色光纤排布图像，获得左眼相机光纤排布图像和右眼相机光纤排布图像；
（2）将步骤（1）中获得的左眼相机光纤排布图像和右眼相机光纤排布图像进行图像分割并进行区域筛选，获得各预设光纤盘位置的着色光纤左眼相机图像和着色光纤右眼相机图像；
（3）对于步骤（2）获得的预设光纤盘位置中的每一位置，采用其着色光纤左眼相机图像和着色光纤右眼相机图像，进行三维重建后对所述光纤盘位置的基准平面进行投影，获得相同规格的各预设光纤盘位置的着色光纤基准图像；
（4）对于步骤（3）中获得的着色光纤基准图像，分别进行内参校验和外参校验：
所述内参校验将各预设光纤盘位置的着色光纤基准图像进行相似性比对，如果出现相似性超过预设阈值的着色光纤基准图像则内参校验失败，否则内参校验通过；
所述外参校验将各预设光纤盘位置的着色光纤基准图像采用智能分类算法，判断所述着色光纤基准图像中着色光纤的颜色，当出现预设光纤盘位置的着色光纤的颜色与该预设光纤盘位置的设定颜色不符时校验失败，所有预设光纤盘位置皆与该预设光纤盘位置的设定颜色相符时校验通过；
（5）返回提示信息：当内参校验和外参校验皆通过时判断着色光纤排布无误，通过校验；否则：
当内参校验失败时，返回着色光纤重复信息，并提示重复的光纤盘位置；
当外参校验失败时，返回着色光纤错误信息，并提示错误的光纤盘位置。
2.如权利要求1所述的光纤混色识别方法，其特征在于，步骤（2）采用基于区域的图像分割算法进行图像分割，包括但不限于形态学分水岭算法、区域生长算法。
3.如权利要求1所述的光纤混色识别方法，其特征在于，所述步骤（3）不同光纤盘位置的基准平面相对于其光纤盘位置，具有相同的距离和角度，使投影获得的着色光纤基准图像具有相同的成像角度。
4.如权利要求1所述的光纤混色识别方法，其特征在于，步骤（4）所述内参校验将各预设光纤盘位置的着色光纤基准图像进行相似性比对，具体为：
对所述着色光纤基准图像的色谱进行相似性比对；所述着色光纤基准图像的色谱即以像素点为单位某一颜色出现的概率。
5.如权利要求1所述的光纤混色识别方法，其特征在于，步骤（5）所述智能分类算法，采用卷积神经网络。
6.如权利要求5所述的光纤混色识别方法，其特征在于，所述卷积神经网络的输出层具有N个节点，N为标准着色光纤的种类数量。
7.如权利要求5所述的光纤混色识别方法，其特征在于，所述卷积神经网络的训练图像按照如下方法获取：
对于每一标准着色光纤，在厂区不同的光照条件下，按照步骤（1）至（3）获得其处于所有预设光纤盘位置的着色光纤基准图像；将标记有标准着色光纤类别的着色光纤基准图像作为所述卷积神经网络的训练图像。
8.一种内参外参结合的光纤混色识别装置，其特征在于，包括：图像采集模块、图像分割模块、图像融合模块、校验模块、以及提示信息模块；
所述图像采集模块，用于获取双目相机采集的放纤设备的着色光纤排布图像，分别为获得左眼相机光纤排布图像和右眼相机光纤排布图像，并提交给所述图像分割模块；
所述图像分割模块，用于将左眼相机光纤排布图像和右眼相机光纤排布图像进行图像分割并进行区域筛选，获得各预设光纤盘位置的着色光纤左眼相机图像和着色光纤右眼相机图像，并提交给所述图像融合模块；
所述图像融合模块，用于对预设光纤盘位置中的每一位置，采用其着色光纤左眼相机图像和着色光纤右眼相机图像，进行三维重建后对所述光纤盘位置的基准平面进行投影，获得相同规格的各预设光纤盘位置的着色光纤基准图像，并提交给所述校验模块；
所述校验模块，用于对于着色光纤基准图像，分别进行内参校验和外参校验：
所述内参校验将各预设光纤盘位置的着色光纤基准图像进行相似性比对，如果出现相似性超过预设阈值的着色光纤基准图像则内参校验失败，否则内参校验通过；
所述外参校验将各预设光纤盘位置的着色光纤基准图像采用智能分类算法，判断所述着色光纤基准图像中着色光纤的颜色，当出现预设光纤盘位置的着色光纤的颜色与该预设光纤盘位置的设定颜色不符时校验失败，所有预设光纤盘位置皆与该预设光纤盘位置的设定颜色相符时校验通过；
并将校验结果提交给所述提示信息模块；
所述提示信息模块，用于当内参校验和外参校验皆通过时判断着色光纤排布无误，通过校验；否则：
当内参校验失败时，返回着色光纤重复信息，并提示重复的光纤盘位置；
当外参校验失败时，返回着色光纤错误信息，并提示错误的光纤盘位置。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述光纤混色识别方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述光纤混色识别方法的步骤。
CN202210832911.5A 2022-07-15 2022-07-15 内参外参结合的光纤混色识别方法、装置、设备及介质 Active CN114897910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210832911.5A CN114897910B (zh) 2022-07-15 2022-07-15 内参外参结合的光纤混色识别方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210832911.5A CN114897910B (zh) 2022-07-15 2022-07-15 内参外参结合的光纤混色识别方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114897910A true CN114897910A (zh) 2022-08-12
CN114897910B CN114897910B (zh) 2022-10-21

Family

ID=82729783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210832911.5A Active CN114897910B (zh) 2022-07-15 2022-07-15 内参外参结合的光纤混色识别方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114897910B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11281524A (ja) * 1998-03-27 1999-10-15 Fujikura Ltd 着色光ファイバ素線の着色層の不良検出装置
CN109661603A (zh) * 2016-08-30 2019-04-19 康宁股份有限公司 使用护套颜色的多光纤识别
CN110954295A (zh) * 2019-11-29 2020-04-03 烽火通信科技股份有限公司 一种检测光纤着色质量的装置及其检测方法
US20200293763A1 (en) * 2019-03-11 2020-09-17 Wisesoft Co., Ltd. Three-Dimensional Real Face Modeling Method and Three-Dimensional Real Face Camera System
CN114441452A (zh) * 2021-12-17 2022-05-06 马鞍山新地优特威光纤光缆有限公司 一种光纤尾纤检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11281524A (ja) * 1998-03-27 1999-10-15 Fujikura Ltd 着色光ファイバ素線の着色層の不良検出装置
CN109661603A (zh) * 2016-08-30 2019-04-19 康宁股份有限公司 使用护套颜色的多光纤识别
US20200293763A1 (en) * 2019-03-11 2020-09-17 Wisesoft Co., Ltd. Three-Dimensional Real Face Modeling Method and Three-Dimensional Real Face Camera System
CN110954295A (zh) * 2019-11-29 2020-04-03 烽火通信科技股份有限公司 一种检测光纤着色质量的装置及其检测方法
CN114441452A (zh) * 2021-12-17 2022-05-06 马鞍山新地优特威光纤光缆有限公司 一种光纤尾纤检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUXIANG GUO ET AL.: "Binocular Camera-based a Docking System for an Amphibious Spherical Robot", 《2018 IEEE INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION (ICMA)》 *
王良丹: "双目结构光视觉系统及三维重建方法实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN114897910B (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN109427046A (zh) 三维测量的畸变校正方法、装置及计算机可读存储介质
CN111223133A (zh) 一种异源图像的配准方法
CN104897671B (zh) 一种水果果梗花萼的识别系统
CN115294116B (zh) 基于人工智能的纺织材料染色质量评估方法、装置及系统
CN106454116B (zh) 自动全焦成像方法及装置
CN104597057A (zh) 一种基于机器视觉的柱状二极管表面缺陷检测装置
CN103440643A (zh) 一种单线阵摄像机标定方法
CN108292440A (zh) 在校准图案的图像中的一组候选点内标识该校准图案的特征点的方法
CN108564631A (zh) 车灯光导色差检测方法、装置及计算机可读存储介质
CN112800887A (zh) 一种柱状目标物识别系统
CN115760704A (zh) 基于彩色有源参照物的漆面缺陷检测方法、装置及介质
CN111402343A (zh) 高精度标定板及标定方法
CN114897910B (zh) 内参外参结合的光纤混色识别方法、装置、设备及介质
CN108198226B (zh) 一种陶瓷颜色识别方法、电子设备、存储介质及装置
CN110440764A (zh) 一种表计检测云台二次对准方法、装置和设备
CN112634259A (zh) 一种键盘键帽自动建模定位方法
CN111275756A (zh) 线轴定位方法及装置
CN109410236B (zh) 荧光染色图像反光点识别与重定义的方法及系统
CN110689586B (zh) 中医智能舌诊中的舌像识别方法和用于该方法的便携式校正色卡
CN115791838A (zh) 一种圆柱管状结构物体的缺陷检测装置及其检测方法
CN115601699A (zh) 一种安全帽佩戴检测方法、电子设备以及计算机可读介质
CN109784317A (zh) 一种交通信号灯的识别方法及装置
CN110956640B (zh) 一种异源图像边缘点检测与配准方法
CN112183485B (zh) 基于深度学习的交通锥桶检测定位方法、系统及存储介质
CN111222489A (zh) 一种光交箱智能识别方法及系统

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