CN115330710B - 一种基于云计算的汽车线束质检系统 - Google Patents

一种基于云计算的汽车线束质检系统 Download PDF

Info

Publication number
CN115330710B
CN115330710B CN202210952601.7A CN202210952601A CN115330710B CN 115330710 B CN115330710 B CN 115330710B CN 202210952601 A CN202210952601 A CN 202210952601A CN 115330710 B CN115330710 B CN 115330710B
Authority
CN
China
Prior art keywords
image
wire harness
automobile wire
quality inspection
area
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
Application number
CN202210952601.7A
Other languages
English (en)
Other versions
CN115330710A (zh
Inventor
陈鹏
陈业
项霄
邓永
刘琴
吴承飞
龚义凡
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.)
Hubei Antai Automotive Electrical System Co ltd
Original Assignee
Hubei Antai Automotive Electrical System 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 Hubei Antai Automotive Electrical System Co ltd filed Critical Hubei Antai Automotive Electrical System Co ltd
Priority to CN202210952601.7A priority Critical patent/CN115330710B/zh
Publication of CN115330710A publication Critical patent/CN115330710A/zh
Application granted granted Critical
Publication of CN115330710B publication Critical patent/CN115330710B/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于云计算的汽车线束质检系统，包括摄像模块、区域确定模块、特征提取模块和云计算模块；摄像模块用于对汽车线束的表面拍摄，获得拍摄图像；区域确定用于使用预先设置的模板图像与拍摄图像进行匹配，获取拍摄图像中的汽车线束区域；特征提取模块用于对汽车线束区域的图像进行特征提取，获得特征信息；云计算模块用于基于特征信息对汽车线束进行质检，获得质检结果。本发明在对汽车线束进行质检的过程中，从梯度值、像素值、梯度值的分布情况、像素值之间的像素差异这几个方面进行全面考虑，能够有效地降低光线对图像匹配结果的影响，从而提高了匹配区域的准确性，进而提高对汽车线束进行质检的结果的准确性。

Description

一种基于云计算的汽车线束质检系统
技术领域
本发明涉及质检领域，尤其涉及一种基于云计算的汽车线束质检系统。
背景技术
汽车线束是汽车电路的网络主体，没有线束就没有汽车电路。线束是指由铜材冲压而成的接触端子(连接器)与电线电缆压接后，再将外层塑料耐压绝缘体或外金属壳等与线束捆绑在一起形成一个部件连接电路。车身线束连接整个车身，一般形状为H型。
在线束生产完成后，需要对线束进行质检，现有技术中，一般是通过机器视觉的方式对汽车线束进行质检。在质检时需要先确定线束所处的区域，现有的确定方式是通过模板匹配，从灰度值进行考虑进行图像匹配，但是，这种方式容易受到光线的影响，导致匹配区域不够准确，从而影响对汽车线束进行质检的结果的准确性。
发明内容
本发明的目的在于公开一种基于云计算的汽车线束质检系统，解决现有技术中，采用机器视觉的方式对汽车线束进行质检时，由于仅从灰度值的方式进行模板匹配导致的匹配区域不够准确，从而影响对汽车线束进行质检的结果的准确性的问题。
为了达到上述目的，本发明采用如下技术方案：
一种基于云计算的汽车线束质检系统，包括摄像模块、区域确定模块、特征提取模块和云计算模块；
摄像模块用于对汽车线束的表面拍摄，获得拍摄图像；
区域确定用于使用预先设置的模板图像与拍摄图像进行匹配，获取拍摄图像中的汽车线束区域；
特征提取模块用于对汽车线束区域的图像进行特征提取，获得特征信息；
云计算模块用于基于特征信息对汽车线束进行质检，获得质检结果；
其中，使用预先设置的模板图像与拍摄图像进行匹配，包括：
采用如下公式计算模板图像与拍摄图像中的待匹配区域之间的相似度：
simry(s,t)＝α×hxc(s,t)+β×rltv(s,t)
其中，simry(s,t)表示模板图像s和拍摄图像中的待匹配区域t之间的相似度，α、β表示设定的权重参数，hxc(s,t)表示第一匹配参数，rltv(s,t)表示第二匹配参数，
Figure BDA0003789829530000021
Figure BDA0003789829530000022
其中，sU表示模板图像s中的像素点的集合，sL表示模板图像s在Lab颜色空间中的亮度分量的图像，sLi表示sU中的像素点i在sL中对应的像素点的梯度值，avesL表示sL中的像素点的梯度值的均值，stadevs表示sL中的像素点的梯度值的标准差，tL表示待匹配区域t中的像素点组成的图像在Lab颜色空间中的亮度分量的图像，i'表示sU中的像素点i在待匹配区域t中对应的像素点，tLi'表示i'在tL中对应的像素点的梯度值，avetL表示tL中的像素点的梯度值的均值，stadevt表示tL中的像素点的梯度值的标准差；numtmlt表示模板图像s中的像素点的数量，retv(i,i')表示像素点i和像素点i'之间的差异系数，
Figure BDA0003789829530000023
masL和matL分别表示sL和tL中的像素值最大值；
将相似度最高的待匹配区域作为拍摄图像中的汽车线束区域。
作为优选，所述拍摄模块包括传感器单元和拍摄单元；
传感器单元用于检测拍摄单元前方是否存在汽车线束；
拍摄单元用于在传感器单元检测到拍摄单元前方存在汽车线束时，对汽车线束的表面进行拍摄，获得拍摄图像。
作为优选，所述传感器单元包括距离传感器或超声波传感器。
作为优选，所述特征提取模块包括灰度化单元、光照处理单元、降噪单元和特征提取单元；
灰度化单元用于对汽车线束区域的图像进行灰度化处理，获得灰度图像；
光照处理单元用于对灰度图像进行光照优化处理，获得优化图像；
降噪单元用于对优化图像进行降噪处理，获得降噪图像；
特征提取单元用于获取降噪图像中的特征信息。
作为优选，所述汽车线束区域的图像进行灰度化处理，获得灰度图像，包括：
使用以下公式对汽车线束区域的图像进行灰度化处理：
hrd(x,y)＝0.39×R(x,y)+0.49G(x,y)+0.12B(x,y)
其中，(x,y)表示像素点的坐标，hrd(x,y)表示灰度图像hrd中坐标为(x,y)的像素点的灰度值，R、G、B分别表示对汽车线束区域的图像在RGB颜色空间中的红色分量、绿色分量、蓝色分量的图像，R(x,y)、G(x,y)、B(x,y)分别表示，R、G、B中坐标为(x,y)的像素点的像素值。
作为优选，所述对优化图像进行降噪处理，获得降噪图像，包括：
使用小波降噪算法对优化图像进行降噪处理，获得降噪图像。
作为优选，所述使用小波降噪算法对优化图像进行降噪处理，获得降噪图像，包括：
对优化图像进行小波分解，获得小波高频系数和小波低频系数；
使用软阈值对小波高频系数进行处理，获得处理后的小波高频系数；
对小波低频系数和处理后的小波高频系数进行小波重构，获得降噪图像。
作为优选，所述云计算模块包括存储单元和识别单元；
存储单元用于存储汽车线束的预设类型的缺陷的特征信息；
识别单元用于获取质检结果：
分别计算特征提取模块提取的特征信息与存储单元中存储的每种类型的缺陷的特征信息之间的相似度，将获得的相似度存入集合U；
若集合U中的元素的数量为0，则质检结果为质检合格，若集合U中的元素的数量不为0，则质检结果为质检不合格。
本发明在对汽车线束进行质检的过程中，从梯度值、像素值、梯度值的分布情况、像素值之间的像素差异这几个方面进行全面考虑，能够有效地降低光线对图像匹配结果的影响，从而提高了匹配区域的准确性，进而提高对汽车线束进行质检的结果的准确性。具体的，第一匹配参数主要是从梯度值以及梯度值的分布情况这两个方面进行计算，第一匹配参数越大，则表示模板图像和待匹配区域之间的相似度越高。本发明将模板图像和待匹配区域组成的图像都转换到了Lab颜色空间中的亮度分量中，之后在亮度分量中计算梯度值以及梯度值分布情况之间的差异。进一步降低光照的差异对匹配结果的影响。而第二匹配参数则是本发明与现有技术之间的重要区别。第二匹配参数并不是直接计算像素值之间的差异，计算的是两个比值之间的差异。这样的设置方式，即使模板图像和拍摄图像的待匹配区域之间的光照差异比较大，但是本发明仍然能获得较为准确的匹配结果。对于待匹配区域而言，由于仅为拍摄图像中占比较小的一部分，可以认为光线在该区域中是均匀分布的，再加上物体的像素点之间的相对差异随着光线之间的变化较小，因此，第二匹配参数的设置能够极大地改善仅光照的差异对匹配结果的影响。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1，为本发明一种基于云计算的汽车线束质检系统的一种实施例图。
图2，为本发明使用小波降噪算法对优化图像进行降噪处理的一种示例性实施例图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示的一种实施例，本发明提供了一种基于云计算的汽车线束质检系统，包括摄像模块、区域确定模块、特征提取模块和云计算模块；
摄像模块用于对汽车线束的表面拍摄，获得拍摄图像；
区域确定用于使用预先设置的模板图像与拍摄图像进行匹配，获取拍摄图像中的汽车线束区域；
特征提取模块用于对汽车线束区域的图像进行特征提取，获得特征信息；
云计算模块用于基于特征信息对汽车线束进行质检，获得质检结果；
其中，使用预先设置的模板图像与拍摄图像进行匹配，包括：
采用如下公式计算模板图像与拍摄图像中的待匹配区域之间的相似度：
simry(s,t)＝α×hxc(s,t)+β×rltv(s,t)
其中，simry(s,t)表示模板图像s和拍摄图像中的待匹配区域t之间的相似度，α、β表示设定的权重参数，hxc(s,t)表示第一匹配参数，rltv(s,t)表示第二匹配参数，
Figure BDA0003789829530000041
Figure BDA0003789829530000051
其中，sU表示模板图像s中的像素点的集合，sL表示模板图像s在Lab颜色空间中的亮度分量的图像，sLi表示sU中的像素点i在sL中对应的像素点的梯度值，avesL表示sL中的像素点的梯度值的均值，stadevs表示sL中的像素点的梯度值的标准差，tL表示待匹配区域t中的像素点组成的图像在Lab颜色空间中的亮度分量的图像，i'表示sU中的像素点i在待匹配区域t中对应的像素点，tLi'表示i'在tL中对应的像素点的梯度值，avetL表示tL中的像素点的梯度值的均值，stadevt表示tL中的像素点的梯度值的标准差；numtmlt表示模板图像s中的像素点的数量，retv(i,i')表示像素点i和像素点i'之间的差异系数，
Figure BDA0003789829530000052
masL和matL分别表示sL和tL中的像素值最大值；
将相似度最高的待匹配区域作为拍摄图像中的汽车线束区域。
本发明在对汽车线束进行质检的过程中，从梯度值、像素值、梯度值的分布情况、像素值之间的像素差异这几个方面进行全面考虑，能够有效地降低光线对图像匹配结果的影响，从而提高了匹配区域的准确性，进而提高对汽车线束进行质检的结果的准确性。具体的，第一匹配参数主要是从梯度值以及梯度值的分布情况这两个方面进行计算，第一匹配参数越大，则表示模板图像和待匹配区域之间的相似度越高。本发明将模板图像和待匹配区域组成的图像都转换到了Lab颜色空间中的亮度分量中，之后在亮度分量中计算梯度值以及梯度值分布情况之间的差异。进一步降低光照的差异对匹配结果的影响。而第二匹配参数则是本发明与现有技术之间的重要区别。第二匹配参数并不是直接计算像素值之间的差异，计算的是两个比值之间的差异。这样的设置方式，即使模板图像和拍摄图像的待匹配区域之间的光照差异比较大，但是本发明仍然能获得较为准确的匹配结果。对于待匹配区域而言，由于仅为拍摄图像中占比较小的一部分，可以认为光线在该区域中是均匀分布的，再加上物体的像素点之间的相对差异随着光线之间的变化较小，因此，第二匹配参数的设置能够极大地改善仅光照的差异对匹配结果的影响。
在一种实施例中，本发明的模板图像采用固定的步长在拍摄图像上移动，将模板图像在拍摄图像上停留的区域作为待匹配区域。
在一种实施例中，分别以模板图像和待匹配区域的像素点组成的图像的左下角为坐标原点，建立坐标系xO1y和xO2y，将像素点i在xO1y中的坐标记为(xi,yi),则像素点i在待匹配区域t中对应的像素点i'的坐标为(xi',yi')，xi和xi'的数值相同，yi和yi'的数值相同。
作为优选，所述拍摄模块包括传感器单元和拍摄单元；
传感器单元用于检测拍摄单元前方是否存在汽车线束；
拍摄单元用于在传感器单元检测到拍摄单元前方存在汽车线束时，对汽车线束的表面进行拍摄，获得拍摄图像。
作为优选，所述传感器单元包括距离传感器或超声波传感器。
在一种实施例中，传感器单元采用固定的时间周期获取拍摄单元的镜头的主光轴方向的障碍物的距离，当距离发生变化时，表示汽车线束进入到镜头的拍摄范围，这时拍摄单元进行拍摄，获得拍摄图像。
作为优选，所述特征提取模块包括灰度化单元、光照处理单元、降噪单元和特征提取单元；
灰度化单元用于对汽车线束区域的图像进行灰度化处理，获得灰度图像；
光照处理单元用于对灰度图像进行光照优化处理，获得优化图像；
降噪单元用于对优化图像进行降噪处理，获得降噪图像；
特征提取单元用于获取降噪图像中的特征信息。
在一种实施例中，用于获取特征信息的算法包括LBP算法、HOG算法等。
作为优选，所述汽车线束区域的图像进行灰度化处理，获得灰度图像，包括：
使用以下公式对汽车线束区域的图像进行灰度化处理：
hrd(x,y)＝0.39×R(x,y)+0.49G(x,y)+0.12B(x,y)
其中，(x,y)表示像素点的坐标，hrd(x,y)表示灰度图像hrd中坐标为(x,y)的像素点的灰度值，R、G、B分别表示对汽车线束区域的图像在RGB颜色空间中的红色分量、绿色分量、蓝色分量的图像，R(x,y)、G(x,y)、B(x,y)分别表示，R、G、B中坐标为(x,y)的像素点的像素值。
在一种实施例中，所述对灰度图像进行光照优化处理，获得优化图像，包括：
使用一维OTSU算法对灰度图像进行计算，获得分割阈值gthre；
将灰度图像中像素值大于等于gthre的像素点的存入集合V1；
将灰度图像中像素值小于gthre的像素点的存入集合V2；
分别将集合V1和集合V2中包含的像素点的数量记为numV1和numV2；
若numV1≥δ×numV2，则使用如下方式对灰度图像中的像素点进行光照优化处理：
当像素点pix为集合V1中的像素点时，则采用以下公式对pix进行光照优化处理：
Figure BDA0003789829530000071
当像素点pix为集合V2中的像素点时，则采用以下公式对pix进行光照优化处理：
afbrlpix＝0.4×brlpix+0.6×stbrl
若numV1<δ×numV2，则使用如下方式对灰度图像中的像素点进行光照优化处理：
当像素点pix为集合V1中的像素点时，则采用以下公式对pix进行光照优化处理：
afbrlpix＝0.6×brlpix+0.4×stbrl
当像素点pix为集合V2中的像素点时，则采用以下公式对pix进行光照优化处理：
Figure BDA0003789829530000072
其中，δ∈[1.2，1.4]，δ表示正数系数，afbrlpix表示对pix进行光照优化处理后，pix的灰度值；brlpix表示对pix进行光照优化处理前，pix的灰度值；abrs表示对括号内的两个变量进行比较，取较小值；stbrl表示灰度图像中的像素值中值，w1表示第一控制系数，
Figure BDA0003789829530000073
w2表示第二控制系数，/>
Figure BDA0003789829530000074
Θ表示对比度控制参数，Ω表示亮度控制参数，/>
Figure BDA0003789829530000075
Ω∈[21，39]。
本发明在对灰度图像进行优化处理时，先通过获取分割阈值，然后根据分割阈值将像素点分成两类，接着根据两种类型的像素点之间的比例关系，分别设置了相应的处理函数进行光照优化处理，为属于不同集合中的像素点设置了不同的优化处理函数，从而使得本发明的优化处理过程具有自适应性，能够自适应地选择相应的公式进行光照优化处理，使得优化图像中的光照分布更为均衡，能够提高后续的特征提取的准确率。
作为优选，所述对优化图像进行降噪处理，获得降噪图像，包括：
使用小波降噪算法对优化图像进行降噪处理，获得降噪图像。
作为优选，如图2所示，所述使用小波降噪算法对优化图像进行降噪处理，获得降噪图像，包括：
对优化图像进行小波分解，获得小波高频系数和小波低频系数；
使用软阈值对小波高频系数进行处理，获得处理后的小波高频系数；
对小波低频系数和处理后的小波高频系数进行小波重构，获得降噪图像。
使用小波降噪处理能够对复杂情况下的噪声分布情况进行准确降噪，从而有效地提高了降噪效果。
作为优选，所述云计算模块包括存储单元和识别单元；
存储单元用于存储汽车线束的预设类型的缺陷的特征信息；
识别单元用于获取质检结果：
分别计算特征提取模块提取的特征信息与存储单元中存储的每种类型的缺陷的特征信息之间的相似度，将获得的相似度存入集合U；
若集合U中的元素的数量为0，则质检结果为质检合格，若集合U中的元素的数量不为0，则质检结果为质检不合格。
在一种实施例中，预设类型的缺陷包括空洞、裂纹、划痕等。
尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于云计算的汽车线束质检系统，其特征在于，包括摄像模块、区域确定模块、特征提取模块和云计算模块；
摄像模块用于对汽车线束的表面拍摄，获得拍摄图像；
区域确定用于使用预先设置的模板图像与拍摄图像进行匹配，获取拍摄图像中的汽车线束区域；
特征提取模块用于对汽车线束区域的图像进行特征提取，获得特征信息；
云计算模块用于基于特征信息对汽车线束进行质检，获得质检结果；
其中，使用预先设置的模板图像与拍摄图像进行匹配，包括：
采用如下公式计算模板图像与拍摄图像中的待匹配区域之间的相似度：
simry(s,t)＝α×hxc(s,t)+β×rltv(s,t)
其中，simry(s,t)表示模板图像s和拍摄图像中的待匹配区域t之间的相似度，α、β表示设定的权重参数，hxc(s,t)表示第一匹配参数，rltv(s,t)表示第二匹配参数，
Figure FDA0004076799460000011
Figure FDA0004076799460000012
其中，sU表示模板图像s中的像素点的集合，sL表示模板图像s在Lab颜色空间中的亮度分量的图像，sLi表示sU中的像素点i在sL中对应的像素点的梯度值，avesL表示sL中的像素点的梯度值的均值，stadevs表示sL中的像素点的梯度值的标准差，tL表示待匹配区域t中的像素点组成的图像在Lab颜色空间中的亮度分量的图像，i'表示sU中的像素点i在待匹配区域t中对应的像素点，tLi'表示i'在tL中对应的像素点的梯度值，avetL表示tL中的像素点的梯度值的均值，stadevt表示tL中的像素点的梯度值的标准差；numtmlt表示模板图像s中的像素点的数量，retv(i,i')表示像素点i和像素点i'之间的差异系数，
Figure FDA0004076799460000021
masL和matL分别表示sL和tL中的像素值最大值；
将相似度最高的待匹配区域作为拍摄图像中的汽车线束区域。
2.根据权利要求1所述的一种基于云计算的汽车线束质检系统，其特征在于，所述摄像模块包括传感器单元和拍摄单元；
传感器单元用于检测拍摄单元前方是否存在汽车线束；
拍摄单元用于在传感器单元检测到拍摄单元前方存在汽车线束时，对汽车线束的表面进行拍摄，获得拍摄图像。
3.根据权利要求2所述的一种基于云计算的汽车线束质检系统，其特征在于，所述传感器单元包括距离传感器或超声波传感器。
4.根据权利要求1所述的一种基于云计算的汽车线束质检系统，其特征在于，所述特征提取模块包括灰度化单元、光照处理单元、降噪单元和特征提取单元；
灰度化单元用于对汽车线束区域的图像进行灰度化处理，获得灰度图像；
光照处理单元用于对灰度图像进行光照优化处理，获得优化图像；
降噪单元用于对优化图像进行降噪处理，获得降噪图像；
特征提取单元用于获取降噪图像中的特征信息。
5.根据权利要求4所述的一种基于云计算的汽车线束质检系统，其特征在于，所述汽车线束区域的图像进行灰度化处理，获得灰度图像，包括：
使用以下公式对汽车线束区域的图像进行灰度化处理：
hrd(x,y)＝0.39×R(x,y)+0.49G(x,y)+0.12B(x,y)
其中，(x,y)表示像素点的坐标，hrd(x,y)表示灰度图像hrd中坐标为(x,y)的像素点的灰度值，R、G、B分别表示对汽车线束区域的图像在RGB颜色空间中的红色分量、绿色分量、蓝色分量的图像，R(x,y)、G(x,y)、B(x,y)分别表示，R、G、B中坐标为(x,y)的像素点的像素值。
6.根据权利要求4所述的一种基于云计算的汽车线束质检系统，其特征在于，所述对优化图像进行降噪处理，获得降噪图像，包括：
使用小波降噪算法对优化图像进行降噪处理，获得降噪图像。
7.根据权利要求6所述的一种基于云计算的汽车线束质检系统，其特征在于，所述使用小波降噪算法对优化图像进行降噪处理，获得降噪图像，包括：
对优化图像进行小波分解，获得小波高频系数和小波低频系数；
使用软阈值对小波高频系数进行处理，获得处理后的小波高频系数；
对小波低频系数和处理后的小波高频系数进行小波重构，获得降噪图像。
8.根据权利要求1所述的一种基于云计算的汽车线束质检系统，其特征在于，所述云计算模块包括存储单元和识别单元；
存储单元用于存储汽车线束的预设类型的缺陷的特征信息；
识别单元用于获取质检结果：
分别计算特征提取模块提取的特征信息与存储单元中存储的每种类型的缺陷的特征信息之间的相似度，将获得的相似度存入集合U；
若集合U中的元素的数量为0，则质检结果为质检合格，若集合U中的元素的数量不为0，则质检结果为质检不合格。
CN202210952601.7A 2022-08-09 2022-08-09 一种基于云计算的汽车线束质检系统 Active CN115330710B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210952601.7A CN115330710B (zh) 2022-08-09 2022-08-09 一种基于云计算的汽车线束质检系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210952601.7A CN115330710B (zh) 2022-08-09 2022-08-09 一种基于云计算的汽车线束质检系统

Publications (2)

Publication Number Publication Date
CN115330710A CN115330710A (zh) 2022-11-11
CN115330710B true CN115330710B (zh) 2023-03-31

Family

ID=83922624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210952601.7A Active CN115330710B (zh) 2022-08-09 2022-08-09 一种基于云计算的汽车线束质检系统

Country Status (1)

Country Link
CN (1) CN115330710B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117368223B (zh) * 2023-10-10 2024-04-26 广州君华检测认证有限公司 一种基于机器视觉的汽车线束质量检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109974582A (zh) * 2019-04-04 2019-07-05 江南大学 一种汽车线束的芯线尺寸非接触式视觉检测装置及方法
CN110006345A (zh) * 2019-04-22 2019-07-12 东华大学 一种基于机器视觉的汽车线束在线检测装置与方法
CN110310275A (zh) * 2019-07-02 2019-10-08 芜湖启迪睿视信息技术有限公司 一种基于图像处理的链式传送带缺陷检测方法
CN113689428A (zh) * 2021-10-25 2021-11-23 江苏南通元辰钢结构制造有限公司 基于图像处理的机械零件应力腐蚀检测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107505326A (zh) * 2017-09-29 2017-12-22 天津思博科科技发展有限公司 基于人工智能及机器视觉的汽车线束检测装置
CN111476782B (zh) * 2020-04-10 2023-04-07 南通大学 一种汽车后摄像头延长线端子图像检测系统
CN111650205B (zh) * 2020-05-11 2021-12-07 东风汽车集团有限公司 基于结构光图像匹配的零件表面缺陷检测方法及系统
EP4241142A1 (en) * 2020-12-09 2023-09-13 Siemens Industry Software Inc. Method for inspecting a correct execution of a processing step of components, in particular a wiring harness, data structure and system
CN114170418B (zh) * 2021-11-30 2024-05-24 吉林大学 一种以图搜图的汽车线束连接器多特征融合图像检索方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109974582A (zh) * 2019-04-04 2019-07-05 江南大学 一种汽车线束的芯线尺寸非接触式视觉检测装置及方法
CN110006345A (zh) * 2019-04-22 2019-07-12 东华大学 一种基于机器视觉的汽车线束在线检测装置与方法
CN110310275A (zh) * 2019-07-02 2019-10-08 芜湖启迪睿视信息技术有限公司 一种基于图像处理的链式传送带缺陷检测方法
CN113689428A (zh) * 2021-10-25 2021-11-23 江苏南通元辰钢结构制造有限公司 基于图像处理的机械零件应力腐蚀检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
线束端子角度姿态的视觉检测方法;王雨青;陈小林;余毅;;国外电子测量技术(第03期);全文 *
钢轨表面缺陷图像自适应分割算法;闵永智;岳彪;马宏锋;程天栋;肖本郁;;北京工业大学学报(第10期);全文 *

Also Published As

Publication number Publication date
CN115330710A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN111507390B (zh) 一种基于轮廓特征的仓储箱体识别与定位方法
CN115830033B (zh) 基于机器视觉的汽车轮毂表面缺陷检测方法
US10038862B2 (en) Methods and apparatus for automated noise and texture optimization of digital image sensors
CN115330710B (zh) 一种基于云计算的汽车线束质检系统
CN111192326B (zh) 一种用于视觉识别电动汽车直流充电插口的方法及系统
JP7449507B2 (ja) カメラストリームのためのマスクを生成する方法、コンピュータープログラム製品およびコンピューター可読媒体
CN110954553B (zh) 一种镜片光学检测系统
CN115631116B (zh) 基于双目视觉的飞行器电力巡检系统
CN112465708A (zh) 基于暗通道改进的图像去雾方法
CN115511907B (zh) 一种用于led屏幕的划痕检测方法
CN115690105A (zh) 一种基于计算机视觉的铣刀划痕检测方法
CN107194886B (zh) 一种用于相机传感器的灰尘检测方法及装置
CN115937186A (zh) 一种纺织品缺陷识别方法及系统
CN113781413B (zh) 一种基于Hough梯度法的电解电容定位方法
CN113313645A (zh) 图像处理方法、图像处理装置、终端及可读存储介质
CN116993966A (zh) 一种铸件打磨视觉智能定位方法及系统
CN115115622B (zh) 一种冲压端子视觉检测装置
CN116883498A (zh) 基于灰度质心提取算法的视觉合作靶标特征点定位方法
CN112766338B (zh) 一种计算距离图像的方法、系统及计算机可读存储介质
CN115439349A (zh) 一种基于图像增强的水下slam优化方法
CN110647843B (zh) 一种人脸面部图像处理方法
CN115841632A (zh) 输电线路提取方法、装置以及双目测距方法
CN116485702A (zh) 图像处理方法、装置以及存储介质
CN113052833A (zh) 一种基于红外热辐射的非视域成像方法
CN113469980A (zh) 一种基于图像处理的法兰识别方法

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Cloud Computing Based Automotive Wire harness Quality Inspection System

Granted publication date: 20230331

Pledgee: Agricultural Bank of China Limited Shiyan Yunyang Branch

Pledgor: Hubei Antai Automotive Electrical System Co.,Ltd.

Registration number: Y2024980001503