CN115375693A - 农业信息采集传感器探头缺陷检测方法、系统及装置 - Google Patents
农业信息采集传感器探头缺陷检测方法、系统及装置 Download PDFInfo
- Publication number
- CN115375693A CN115375693A CN202211322785.5A CN202211322785A CN115375693A CN 115375693 A CN115375693 A CN 115375693A CN 202211322785 A CN202211322785 A CN 202211322785A CN 115375693 A CN115375693 A CN 115375693A
- Authority
- CN
- China
- Prior art keywords
- image
- sensor probe
- probe
- straight line
- conical
- 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
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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本申请提出了一种农业信息采集传感器探头缺陷检测方法、系统及装置,通过扫描仪采集得到高分辨率数字图像;用于获取仅包含传感器探头的分割二值图;根据分割二值图进行轮廓提取并映射至原图,基于原图信息进行选择、翻转、裁剪参数计算,对原始图像中传感器探头区域进行基于上述三步法的变换与裁剪将其变换到水平放置且探头圆锥组件向左;根据分割算法以及直线拟合和修正算法分别测量传感器探头圆锥组件弧角、宽、高及中轴线信息,圆柱组件宽、高及中轴线信息;根据所求结果,以及扫描仪成像dpi对所述结果进行单位转换,根据农业信息采集传感器探头制造标准进行合格性评判。
Description
技术领域
本申请涉及机器视觉领域,特别是涉及农业信息采集传感器探头缺陷检测方法、系统及装置。
背景技术
农田作物生长需要适宜的水、肥、气、热环境。水是一个重要的调节因素。适当的土壤水分状况可以达到节水增产的效果。土壤水分在植物的生长过程中具有五大意义分别为:土壤水分状况直接影响作物对养分的吸收、土壤中有机养分的分解矿化离不开水分、施入土壤中的化学肥料只有在水中才能溶解、养分离子向根系表面迁移、以及作物根系对养分的吸收都必须通过水分介质来实现。因此,快速准确地测定农田土壤水分对农业生产具有重要的指导意义。目前,农田土壤水分的测量方法层出不穷,如干燥法、张力计法、中子法、水分测定仪检测法等,水分子测定仪检测法就是采用水分测定仪对农田土壤水分进行测定。
水分测定仪作为农业信息采集传感器探头的一种具体类型,农业信息采集传感器探头制造工艺的优劣对测量精度具有至关重要的影响,故农业上需要对农业信息采集传感器探头的制作工艺进行勘验。现在市面上也有相关基于机器视觉的检测方案可以对传感器探头进行缺陷检测,但是存在检测精度不高、效率慢、自动化程度低下的缺陷问题。
发明内容
本申请实施例提供了一种农业信息采集传感器探头缺陷检测方法、系统及装置,可实现对农业信息采集传感器探头制造工艺合格性的自动检测,能够实现传感器探头高精度缺陷自动检测与分析,检测精度能够达到0.04mm,检测速度快,结果检测到分析完成的时间平均不超过200ms、自动化程度高、便携性好且鲁棒性高。
第一方面,本申请实施例提供了一种农业信息采集传感器探头缺陷检测方法,包括以下步骤:
S100、采集拍摄农业信息采集传感器探头的原始高分辨率图像;
S200、分割所述原始高分辨率图像得到仅包含传感器探头信息的分割二值图;
S300、提取所述分割二值图中的目标轮廓信息,并将所述目标轮廓信息映射到所述原始高分辨率图像得到映射信息,基于所述映射信息求取调整参数,基于所述调整参数对所述原始高分辨率图像中的农业信息采集传感器探头所在的探头区域进行调整得到区域图像,其中所述区域图像仅包含农业信息采集传感器探头且探头水平向左;
S400、基于所述区域图像计算获取圆锥组件弧角、圆锥组件宽度、圆锥组件中轴线,作为第一参数;
S500、基于所述区域图像计算获取圆柱组件上下端边缘直线、圆柱组件中轴线,作为第二参数;
S600、基于原始高分辨率图像的采集设备的分辨率、所述第一参数和第二参数评价所述农业信息采集传感器探头。
第二方面,本申请实施例提供了一种农业信息采集传感器探头缺陷检测装置,包括:
图像采集模块,用于采集拍摄农业信息采集传感器探头的原始高分辨率图像;
图像分割模块,用于分割所述原始高分辨率图像得到仅包含传感器探头信息的分割二值图;
传感器探头转正与定位模块,用于提取所述分割二值图中的目标轮廓信息,并将所述目标轮廓信息映射到所述原始高分辨率图像得到映射信息,基于所述映射信息求取调整参数,基于所述调整参数对所述原始高分辨率图像中的农业信息采集传感器探头所在的探头区域进行调整得到区域图像,其中所述区域图像仅包含农业信息采集传感器探头且探头水平向左;
传感器探头圆锥组件检测,用于基于所述区域图像计算获取圆锥组件弧角、圆锥组件宽度、圆锥组件中轴线,作为第一参数;
传感器探头圆柱组件检测模块,用于基于所述区域图像计算获取圆柱组件上下端边缘直线、圆柱组件中轴线,作为第二参数;
传感器探头合格性评价模块,用于基于原始高分辨率图像的采集设备的分辨率、所述第一参数和第二参数评价所述农业信息采集传感器探头。
第三方面, 本申请实施例提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行任一所述的农业信息采集传感器探头缺陷检测方法。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括所述的农业信息采集传感器探头缺陷检测方法。
本发明的主要贡献和创新点如下:
本申请实施例通过采用的图像采集装置能够采集得到分辨率高、目标与背景对比度高且成像稳定的数字图像;采用一种基于多尺度图像处理的方法,提高传感器探头缺陷检测时间性能;设计一种图像转正与裁剪方案将目标物体统一转至统一姿态,提高检测方案的通用性与可扩展性,并简化传感器探头各组件定位、提高处理速度;采用自适应阈值分割与边缘提取相结合的分析方法,实现对传感器探头圆锥组件、圆柱组件、圆锥与圆柱连接组件、圆柱组件尾部组件交界线的准确提取,从而保障对传感器探头圆锥组件、圆柱组件区域的准确定位;提出一种直线修正算法,对初始拟合直线进行修正得到与传感器圆锥组件、圆柱组件分别精确贴合的边缘直线,通过本发明采用的弧角计算方法,精确检测得到传感器探头圆锥组件弧角、圆锥组件宽度、圆锥组件高度、圆柱组件宽度、圆柱组件高度、圆锥组件与圆柱组件错位高度信息,最终实现对传感器探头缺陷的准确检测,精度能够达到0.04mm。
具体的,本方案通过对合格工件进行长、宽以及接缝位置的测量和数据统计后得到的平均误差在在0.04mm。其在对同一批次检测零件数量在规范内时,结果检测并分析完成时间平均不超过200ms。通过不断精细化定位、转正、剪切目标区域图像,降低数据处理量,能够倍数级别地降低时间消耗;另外在不同尺度下进行特定任务的分析,比如小尺度进行粗定位,大尺度进行测量位置定位,能够降低预处理过程的时耗。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的农业信息采集传感器探头缺陷检测方法的流程图;
图2是根据本申请一种实施例的农业信息采集传感器探头缺陷检测方法的架构示意图;
图3是本方案涉及的农业信息采集传感器探头的结构示意图;
图4是本方案一种实施例的农业信息采集传感器探头缺陷检测系统的示意图;
图5是仅包含传感器探头信息的分割二值图的示意图;
图6为旋转后传感器探头完整区域结果示意图;
图7为翻转后传感器探头完整区域结果示意图,其中传感器姿态为探头圆锥组件水平向左;
图8是传感器灰度图像的示意图;
图9是对边缘图像进行处理后得到交界线的示意图;
图10是传感器探头圆锥组件的示意图;
图11是传感器探头圆柱组件的示意图;
图12是圆锥组件直线的示意图;
图13是传感器探头圆柱组件拟合线及对应点的示意图;
图14为本发明实施例一传感器探头检测结果参数示意图;
图15是根据本申请实施例的电子装置的硬件结构示意图。
图中:210-传感器探头圆锥组件;211-连接组件;212-传感器探头圆柱组件;310-高分辨率扫描仪装置;311-农业信息采集传感器探头;312-图像处理与分析及功能控制装置。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本申请实施例提供了一种农业信息采集传感器探头缺陷检测方法、系统及装置,可以实现对农业信息采集传感器探头的自动高精度检测。
在介绍本方案之前,首先介绍下本方案涉及的农业信息采集传感器探头,农业信息采集传感器探头的结构图如图3和图4所示,农业信息采集传感器探头包括依次连接的传感器探头圆锥组件210、连接组件211和传感器探头圆柱组件212。在对农业信息采集传感器探头进行检测时,将农业信息采集传感器探头311置于高分辨率扫描仪装置310上,在图像处理与分析及功能控制装置312上对其缺陷进行检测。
如图1所示,本方案提供的农业信息采集传感器探头缺陷检测方法包括以下步骤:
S100、采集拍摄农业信息采集传感器探头的原始高分辨率图像;
S200、分割所述原始高分辨率图像得到仅包含传感器探头信息的分割二值图;
S300、提取所述分割二值图中的目标轮廓信息,并将所述目标轮廓信息映射到所述原始高分辨率图像得到映射信息,基于所述映射信息求取调整参数,基于所述调整参数对所述原始高分辨率图像中的农业信息采集传感器探头所在的探头区域进行调整得到区域图像,其中所述区域图像仅包含农业信息采集传感器探头且探头水平向左;
S400、基于所述区域图像计算获取圆锥组件弧角、圆锥组件宽度、圆锥组件中轴线,作为第一参数;
S500、基于所述区域图像计算获取圆柱组件上下端边缘直线、圆柱组件中轴线,作为第二参数;
S600、基于原始高分辨率图像的采集设备的分辨率、所述第一参数和第二参数评价所述农业信息采集传感器探头。
在步骤S100中,本方案将农业信息采集传感器探头置于高分辨率扫描仪装置上进行扫描以获取原始高分辨图像。值得说明的是,本方案需满足高精度要求,原始高分辨率图像的成像分辨率、目标与背景对比度特征对农业信息采集传感器的缺陷检测的影响至关重要,故本方案需要通过高分辨率成像以实现高精度检测,采用高分辨率扫描仪装置的好处在于可以保障光照环境、成像质量的稳定性。
然而高精度的缺陷检测和测量受到算法、硬件设备的影响,本方案为了满足便于携带的场景需求,本方案采用高分辨率扫描仪获取原始高分辨率图像,通过本方案改进的识别方法来精准地识别农业信息采集传感器的探头缺陷。本方案的高分辨率扫描仪无需提供额外的光源。
在步骤S200中,本方案提出了一种多尺度图像分割方案,从原始高分辨率图像中分割出分割二值图。本方案提出的多尺度图像分割方案是基于小尺度图像以进行目标区域的提取,能够在不影响检测效果的情况下提高检测效率。一般而言图像越大就意味着算法需要处理的信息就越多,处理时间也越久,这样务必会造成算法处理内存的增加。故本方案是在小尺度图像上进行姿态调整和分割,这样的话可以减少在非目标区域上的运算数据量,进而提高整体的处理效率。
具体的,S200包括步骤:将所述原始高分辨率图像缩小后得到小尺度图像,在所述小尺度图像上进行图像分割得到初始分割二值图,对初始分割二值图进行形态学分析滤除非目标区域,得到仅包含传感器探头信息的分割二值图,得到的分割二值图如图5所示。
本方案在检测场景中要求农业信息采集传感器探头在摆放过程中严格不存在交集,故在针对特定农业信息采集传感器探头的小尺寸图像中仅包含单一探头,本方案通过对初始分割二值图进行形态学分析主要是为了去除拍摄环境下的噪音、小型异物等杂质。在一些实施例中,本方案通过对初始分割二值图进行长、宽、面积等表型的特征判断。
具体的,S200包括步骤:
S210、缩放所述原始高分辨图像image1得到小尺度图像image2;
在一些实施例中,所述小尺度图像image2的宽和高均为所述原始高分辨率图像image1的一半,进而使得所述小尺度图像image2的面积为所述原始高分辨率图像image1的面积的1/4;
S220、对所述小尺度图像image2进行去噪以及滤波处理得到滤波图像filterImage;
在一些实施例中,对所述小尺度图像image2进行高斯滤波、中值滤波去除高斯噪声与椒盐噪声处理得到滤波图像filterImage。
更具体的,得到滤波图像的步骤S220进一步包括步骤:
S221、灰度化处理所述小尺度图像image2得到灰度图grayImage;
S222、对灰度图grayIamge进行高斯滤波得到高斯图像gaussImage;
S223:对高斯图像gaussImage进行中值滤波得到滤波图像filterImage。
由于本方案的原始高分辨率图像主要是来自于扫描仪,扫描仪成像通常为高斯噪音或椒盐噪音,故本方案针对该场景下的原始高分辨率图像通过高斯滤波和中值滤波进行特定噪音的去除。
S230、对所述滤波图像filterImage进行自适应阈值分割得到初始分割二值图binaryImage;
S240、对所述初始分割二值图binaryImage进行形态学变换得到仅包含传感器探头信息的分割二值图image3。
形态学变换的算法得到分割二值图image3的步骤S240进一步包括步骤:
S241、对所述初始分割二值图binaryImage进行形态学开运算,去除小面积噪声区域得到形态图像morpImage;
Step 2:对形态图像morpImage进行轮廓提取得到轮廓集合contours,根据所述轮廓集合中的轮廓宽、高进行过滤得到轮廓图像contourFiterImage;
具体的,由于不同分辨率、尺度下探头的宽、高、面积是能够进行预估的,得到各前景区域的轮廓后,可以对各个轮廓进行最小外接矩形拟合,以此得到轮廓宽、高信息,进而用于非目标区域滤除,在该步骤中对于不符合目标特征的轮廓区域,进行轮廓填充为黑色,即可将其调整为背景。
Step 3:对轮廓图像contourFilterImage进行孔洞填充得到仅包含传感器探头信息的分割二值图image3。
在步骤S300中,所述调整参数包括但不限于传感器探头区域旋转、翻转、裁剪参数,所述传感器探头区域指的是原始高分辨图像中农业信息采集传感器探头所处的区域。通过步骤S300的处理可以得到仅包含农业信息采集传感器探头且探头水平向左的区域图像。本方案之所以要设定区域图像中的探头水平均是向左,则是为了适配本方案后续测量算法标准,降低缺陷检测算法的逻辑复杂性。
值得一提的是,传统的图像方位调整的技术方案是直接对图像进行旋转和翻转,此时若目标位于图像边缘时就会造成旋转后的目标部分区域缺失;而本方案则是采用摄影变换技术方案,通过变换矩阵完成一系列的旋转、翻转、裁剪变换,进而避免背景技术存在的问题。
本方案获取传感器探头区域的旋转参数,并基于所述旋转参数旋转所述原始高分辨率图像中的农业信息采集传感器探头所在的区域至水平方向;本方案获取传感器探头区域的翻转参数,并基于所述翻转参数翻转所述原始高分辨率图像中的农业信息采集传感器探头所在的区域至探头水平向左;本方案获取传感器探头区域的裁剪参数,并基于所述裁剪参数裁剪所述原始高分辨率图像中的农业信息采集传感器探头所在的区域。
也就是说,步骤S300进一步包括:
基于所述映射信息求取旋转参数、翻转参数和裁剪参数,基于所述旋转参数旋转所述探头区域至水平方向得到旋转图像,基于所述翻转参数翻转所述旋转图像至探头水平向左,基于裁剪参数裁剪所述旋转图像得到所述区域图像。旋转后的旋转图像如图6所示,翻转至如探头水平向左的图像如图7所示。
另外,本方案对所述原始高分辨率图像中的农业信息采集传感器探头所在的区域依次进行旋转、翻转以及裁剪。
具体的,基于所述旋转参数旋转所述探头区域至水平方向得到旋转图像,进一步包括步骤:
S310、对所述分割二值图image3进行轮廓提取得到目标轮廓信息contour1;
S320、根据所述分割二值图image3和原始高分辨率图像image1的宽高比例关系将目标轮廓信息进行坐标映射,得到基于所述原始高分辨率图像的尺度的第二轮廓信息contour2作为映射信息;
S330、基于所述第二轮廓信息contour2区域进行膨胀处理,保障全面覆盖传感器探头区域,并对膨胀后的区域进行轮廓提取得到基于所述原始高分辨率图像的传感器探头轮廓信息contour;
S340、根据所述传感器探头轮廓信息contour进行最小外接矩形计算得到外接矩形信息,并计算得到最小外接矩形的最长边角度信息β;
S350、根据所述外接矩形信息、最长边角度信息β对所述探头区域进行旋转得到旋转图像rotateImage。
基于所述翻转参数翻转所述旋转图像至探头水平向左包括步骤:对经过旋转得到的旋转图像进行基于像素统计分布算法的分析,定位传感器探头的圆锥组件位于图像左侧或右侧的定位信息,根据所求定位信息计算翻转角度作为翻转参数,基于所述翻转参数对旋转图像rotateImage进行翻转得到传感器探头的圆锥组件水平向左的翻转图像flipImage。具体的,进一步包括以下步骤:
S361:计算旋转图像rotateImage的第一列像素数量sumCol1;
S362:计算旋转图像rotateImage最后一列像素数量sumColn;
S363:提取旋转图像rotateImage中的传感器探头外接矩形rect1,其中传感器探头外接矩形rect1左边缘所在列为左边缘列mColumn,右边缘所在列为右边缘列nColumn;
S364:计算旋转图像rotateImage在左边缘列mColumn的左列像素数量sumColm;
S365:计算旋转图像rotateImage在右边缘列nColumn的右列像素数量sumColn;
S366:依据左列像素数量sumColm和右列像素数量sumColn计算传感器探头的方向,其中res1=(sumCol1!=0)&&(sumColn==0)表示传感器探头紧靠图像左侧边缘、res2=(sumCol1==0)&&(sumColn==0)表示传感器探头位于图像中部且与图像左右边缘不相邻、res3=(sumColm>sumColn)表示传感器探头左端边缘高度大于右侧边缘高度;
S367:当满足(res1||(res2&&!res3))时表示传感器探头的圆锥组件水平向右,此时所述翻转参数为:沿水平方向翻转180°;否则传感器探头的圆锥组件水平向左,所述翻转参数为:沿水平方向翻转0°;依据所述翻转参数翻转所述旋转图像得到传感器探头的圆锥组件水平向左的翻转图像flipImage。
在得到翻转图像flipImage后,还需要基于裁剪参数裁剪得到仅包含农业信息采集传感器探头的区域图像。具体的,根据所述翻转图像flipImage进行传感器探头的圆柱组件尾部连接组件的定位,得到仅包含传感器探头圆锥组件、圆柱组件、圆锥与圆柱连接组件的区域图像image4。
具体的,进一步包括以下步骤:
S371:提取翻转图像flipImage中的目标轮廓并获取对应的第二目标轮廓外接矩形rect2,记第二目标轮廓外接矩形的高度为rectHeight、宽度为rectWidth、左侧列坐标为rectCol;
S372:对翻转图像flipImage从第rectCol列向第(rectCol+rectWidth)列遍历,计算各列像素点数量,根据像素点数量分布特征定位农业信息采集传感器探头的位置,具体的表现为圆柱组件尾部连接组件位置坐标,判别算法如下:
i=rectCol
step=10
While(i<rectCol+rectWidth):
sum1=pixelSum(i)
sum2=pixelSum(i+step)
if(sum1-sum2>0.12*rectHeight)
Break
i=i+1
其中,pixelSum(i)表示统计第i列图像像素数量,所求i即为传感器探头的圆柱组件尾部连接组件位置坐标;
S373:根据所求的位置坐标i以及图像裁剪特征,图像裁剪特征为保存图像高度不变,截取翻转图像flipImage的第i列以左图像信息得到传感器探头水平向左的区域图像image4,如图8所示。
在步骤S400中,采用自适应分割与边缘检测相结合的分割算法检测所述区域图像的传感器探头区域信息,实际应用中分割误差不超过2个像素(0.04mm),本方案通过直线拟合方法修正边缘检测线,使边缘检测线无限逼近真实的边缘线,以此提高测量精度。
获取第一参数的步骤具体如下:
步骤S400包括步骤:
S410:分割所述区域图像image4的传感器探头外轮廓,得到传感器探头灰度图像probeImage;
S420:在所述传感器灰度图像probeImage中检测传感器探头各个组件的交界线,依据所述交界线区分传感器探头组件;
S430:基于所述传感器探头组件计算圆锥组件弧角、圆锥组件宽度、圆锥组件中轴线。
步骤S410进一步包括步骤:
S411:对所述区域图像image4进行滤波与灰度化得到第二灰度图grayImage2;
关于滤波与灰度化处理的技术手段可参见S200。
S412:对所述第二灰度图grayImage2进行自适应阈值分割得到第二分割二值图binaryImage2;
S413:根据所述第二分割二值图binaryImage2提取最大轮廓得到第二轮廓点集counterPoints,点集数量为pointSum;
S414:根据第二灰度图grayImage2计算第二轮廓点集counterPoints所在位置像素和pixelSum;
S415:对第二灰度图grayImage2进行阈值分割得到第三分割二值图binaryImage3,其中阈值thre=pixelSum/pointSum;
S416:根据所述第三分割二值图binaryImage3取最大轮廓并对轮廓区域进行填充得到第四分割二值图binaryImage4
S417:求解第二灰度图grayImage2与第四分割二值图像binaryImage4交集得到传感器探头灰度图像probeImage。
如图8至图11所示,图8为传感器探头灰度图像,步骤S420进一步包括:
S421:对传感器探头灰度图像probeImage进行X方向边缘检测得到边缘图像edgeImage,所述边缘提取原理为:
采用X方向一阶微分提取图像X方向边缘信息,公式如下:g(x,y)=f(x,y)*kernel
S422:根据边缘图像edgeImagee进行霍夫直线检测得到直线集合lines,根据直线高度进行过滤,从左向右保留前3条满足条件的直线{line1,line2,line3}作为交界线,其中第一交界线line1左侧组件为传感器探头圆锥组件,第二交界线line2与第三交界线line3之间组件为传感器探头圆柱组件。对边缘图像进行处理后得到交界线如图9所示,传感器探头圆锥组件如图10中的框图示意所示,传感器探头圆柱组件如图11中的框图示意所示。
计算圆锥组件弧角的具体公式如下,对应的,步骤S430包括以下步骤:
S431:基于所述传感器灰度图像probeImage截取所述第一交界线line1左侧图像得到探头圆锥组件图像taperImage;
S432:对探头圆锥组件图像taperImage进行轮廓提取得到圆锥组件轮廓taperContour、对应的第一圆锥组件点集为taperPoints1、圆锥组件轮廓外接矩形宽度contourWidth;
S433:对第一圆锥组件点集taperPoints1进行过滤,得到仅包含在圆锥组件矩形区域中的第二圆锥组件点集taperPoints2,其中圆锥组件矩形区域基于上述传感器探头转正、裁剪得到;
S434:按照点集平均纵坐标对第二圆锥组件点集taperPoints2进行划分得到第三上半区域点集taperPoints3、第四下半区域点集taperPoints4;
S435:对第三上半区域点集taperPoints3、第四下半区域点集taperPoint4分别进行基于RANSAC的直线拟合算法得到第一圆锥组件直线taperLine1、第二圆锥组件直线taperLine2,记第一圆锥组件直线taperLine1、第二圆锥组件直线taperLine2右端点分别为第一端点point1、第二端点point2
S436:对第一圆锥组件直线taperLine1、第二圆锥组件直线taperLine2分别进行左向延伸得到交点point;
S437:计算以交点point为弧角顶点、以第一端点point1、第二端点point2为弧角两边端点的角度作为圆锥组件弧角。计算圆锥组件宽度、圆锥组件中轴线的公式如下,具体的,步骤S430包括以下步骤:
S438:根据第一圆锥组件点集taperPoints1、以及各传感器探头组件的分布信息得到第五矩形区域轮廓点集taperPoints5,将第五矩形区域轮廓点集taperPoints5划分为第六上半区域点集taperPoints6、第七下半区域点集taperPoints7,采用RANSAC直线拟合方法得到第六上半区域点集taperPoints6、第七下半区域点集taperPoints7对应第三圆锥组件直线taperLine3、第四圆锥组件直线taperLine4;
S439:
①对步骤S433中的圆锥组件矩形区域内图像进行像素遍历,令f(x,y)=|f(x,y)-f(x-1,y)|得到第二探头圆锥组件图像taperImage2,其中(x,y)为像素点坐标、f(x,y)为对应该位置坐标灰度值;
②根据所述二探头圆锥组件图像taperImage2遍历统计各列像素灰度值大于10的像素数量,当第一次出现像素数量大于imageHeight/3时停止,则对应至第三圆锥组件直线taperLine3、第四圆锥组件直线taperLine4的直线所过点坐标分别为第一上方点taperPoint1、第二下方点taperPoint2;
③对所述第一圆锥组件直线taperLine1、第二圆锥组件直线taperLine2、第三圆锥组件直线taperLine3、第四圆锥组件直线taperLine4向两侧延伸,得到第三上方点taperPoint3、第四下方点taperPoint4,其中taperPoint3为上端边缘交点、taperPoint4为下端边缘交点;
④根据所述第一上方点taperPoint1、第三上方点taperPoint3得到传感器探头圆锥组件上端边缘水平线topTaperLine;根据所述第二下方点taperPoint2、第四下方点taperPoint4得到传感器探头圆锥组件下端边缘水平线bottomTaperLine;
S440:设所述第一上方点的坐标taperPoint1(x1,y1)、第二下方点的坐标taperPoint2(x2,y2)、第三上方点的坐标taperPoint3(x3,y3)、第四上方点的坐标taperPoint4(x4,y4),求解得到第五交点taperPoint5((x1+x2)/2,(y1+y2)/2)、第六交点taperPoint6((x3+x4)/2,(y3+y4)/2),所述第五交点taperPoint5、第六交点taperPoint6所成直线为传感器探头圆锥组件中轴线centralTaperLine,其中,所述第一上方点taperPoint1、第二下方点taperPoint2、第三上方点taperPoint3、第四下方点taperPoint4以及所述圆锥组件直线taperLine1、taperLine2、taperLine3、taperLine4如图12所示。
在步骤S500中,基于所述区域图像image4计算获取圆柱组件上下端边缘直线、圆柱组件中轴线,作为第二参数;
具体的,步骤S500包括步骤:
S510:根据所述第二灰度图grayImage2提取轮廓并得到圆柱组件轮廓点集contourPoints根据所述直线{line1,line2,line3}、所述圆柱组件轮廓点集contourPoints初步定位圆柱区域信息cylinderPoints、圆柱区域图像cylinderImage;
S520:根据所述圆柱区域信息cylinderPoints对圆柱组件轮廓点集contourPoints划分得到第一圆柱组件上半区域点集cylinderPoints1、第二圆柱组件下半区域点集cylinderPoints2
S530:根据第一圆柱组件上半区域点集cylinderPoints1、第二圆柱组件下半区域点集cylinderPoints2采用上述RANSAC直线拟合方法得到对应的第一圆柱组件直线cylinderLine1、第二圆柱组件直线cylinderLine2;
S540:根据所述圆柱区域图像cylinderImage、第一圆柱组件直线cylinderLine1、第二圆柱组件直线cylinderLine2,采用上述直线修正算法精确计算传感器探头圆柱组件上端直线cylinderLineTop、下端直线cylinderLineBottom,进而拟合圆柱组件中轴线centralCylinderLine,其中,所述直线cylinderLine1端点为第一端点cylinderPoint1、第三线端点cylinderPoint3,直线cylinderLine2端点为第二线端点cylinderPoint2、第四线端点cylinderPoint4,中轴线centralCylinderLine端点为cylinderPoint5、cylinderPoint6,所述传感器探头圆柱组件拟合线及对应点如图13所示。
在步骤S600中,获取扫描仪的成像分辨率、第一参数和第二参数,综合进行判断所述传感器探头的质量。
已知扫描仪成像分辨率为1200dpi,即每英寸1200个像素宽度,1英寸=25.4mm,即每个像素宽度为25.4/1200mm,记作pixelLength=25.4/1200mm;已知农业信息采集传感器探头圆锥组件标准弧角为Angle、圆锥组件标准宽度为TaperWidth、圆柱组件标准宽度为CylinderWidth;
根据所述传感器探头圆锥组件直线上端点taperPoint1、taperPoint3,直线下端点taperPoint2、taperPoint4,中轴线端点taperPoint5、taperPoint6,计算得到圆锥组件上端直线长度为secL1、下端直线长度为secL2、中轴线平均纵坐标为taperAveY;
也就是说,本方案基于圆锥组件弧角、圆锥组件宽度、圆锥组件中轴线计算圆锥组件上端直线长度、下端直线长度、中轴线平均纵坐标。
根据所述传感器探头圆柱组件直线上端点cylinderPoint1、cylinderPoint2,直线下端点cylinderPoint3、cylinderPoint4,中轴线端点cylinderPoint5、cylinderPoint6,计算得到圆柱组件上端直线长度为threL1、下端直线长度为threL2、中轴线平均高度为cylinderAveY;
本方案基于圆柱组件上下端边缘直线、圆柱组件中轴线计算圆柱组件上端直线长度、下端直线长度、中轴线平均高度。
综上,根据所述成像分辨率,得到各参数实际尺寸secL1=secL1*pixelLength、secL2=secL2*pixelLength、threL1=threL1*pixelLength、threL2=threL2*pixelLength、diff=|taperAveY-cylinderAveY|*pixelLength,以及所求圆锥组件弧角angle,根据农业信息采集传感器探头制造标准以及所求测量参数,判断产品是否合格。
也就是说,本方案集结合分辨率还原圆柱组件上下端边缘直线、圆柱组件中轴线计算圆柱组件上端直线长度、下端直线长度、中轴线平均高度以及圆锥组件弧角得到真实值,以真实值和标准进行比对。
其中,传感器探头检测结果参数如图14所示,A为探头圆锥组件弧角、SecL2为圆锥组件柱体上端宽度、SecL1为圆锥组件柱体下端宽度、D2为圆锥组件柱体直径、ThirdL2为圆柱组件上端宽度、ThirdL1为圆柱组件下端宽度、D3为圆柱组件的柱体直径、DM2M为圆锥组件与圆柱组件中心线错位高度。
由此根据所采集图像,检测并评价农业信息采集传感器探头是否符合生成工艺,进而用于农业信息采集传感器探头生产过程中质量检测。
图2为本发明实施例中农业信息采集传感器探头缺陷检测架构图,如图2所示,所述结构包括图像采集模块100,通过扫描仪采集得到高分辨率数字图像;图像分割模块200用于在小尺度图像中获取仅包含传感器探头的分割二值图;传感器探头转正与定位模块300根据分割二值图进行轮廓提取并映射至原图,基于原图信息进行选择、翻转、裁剪参数计算,对原始图像中传感器探头区域进行基于上述三步法的变换与裁剪将其变换到水平放置且探头圆锥组件向左;传感器探头圆锥组件检测400根据所述圆锥组件分割算法以及直线拟合和修正算法分别测量传感器探头圆锥组件弧角、宽、高及中轴线信息;传感器探头圆柱组件检测模块500根据所述圆柱组件分割算法以及直线拟合与修正算法分别测量传感器探头圆柱组件宽、高及中轴线信息;传感器探头合格性评价模块600根据所求结果,以及扫描仪成像dpi对所述结果进行单位转换,根据农业信息采集传感器探头制造标准进行合格性评判。
实施例二
基于相同的构思,参考图2,本申请还提出了一种农业信息采集传感器探头缺陷检测装置,可以实现对农业信息采集传感器探头的自动高精度检测,包括:
图像采集模块100,用于采集拍摄农业信息采集传感器探头的原始高分辨率图像;
图像分割模块200,用于分割所述原始高分辨率图像得到仅包含传感器探头信息的分割二值图;
传感器探头转正与定位模块300,用于提取所述分割二值图中的目标轮廓信息,并将所述目标轮廓信息映射到所述原始高分辨率图像得到映射信息,基于所述映射信息求取调整参数,基于所述调整参数对所述原始高分辨率图像中的农业信息采集传感器探头所在的探头区域进行调整得到区域图像,其中所述区域图像仅包含农业信息采集传感器探头且探头水平向左;
传感器探头圆锥组件检测400,用于基于所述区域图像计算获取圆锥组件弧角、圆锥组件宽度、圆锥组件中轴线,作为第一参数;
传感器探头圆柱组件检测模块500,用于基于所述区域图像计算获取圆柱组件上下端边缘直线、圆柱组件中轴线,作为第二参数;
传感器探头合格性评价模块600,用于基于原始高分辨率图像的采集设备的分辨率、所述第一参数和第二参数评价所述农业信息采集传感器探头。
实施例三
本实施例还提供了一种电子装置,参考图15,包括存储器404和处理器402,该存储器404中存储有计算机程序,该处理器402被设置为运行计算机程序以执行上述任一项农业信息采集传感器探头缺陷检测方法实施例中的步骤。
具体地,上述处理器402可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecificIntegratedCircuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制,存储器404可包括硬盘驱动器(HardDiskDrive,简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器404可在数据处理装置的内部或外部。在特定实施例中,存储器404是非易失性(Non-Volatile)存储器。在特定实施例中,存储器404包括只读存储器(Read-OnlyMemory,简称为ROM)和随机存取存储器(RandomAccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory,简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory,简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-OnlyMemory,简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory,简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory,简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory,简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令,以实现上述实施例中的任意一种农业信息采集传感器探头缺陷检测方法。
可选地,上述电子装置还可以包括传输设备406以及输入输出设备408,其中,该传输设备406和上述处理器402连接,该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中,传输设备包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备406可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中,输入的信息可以是原始高分辨率图像,输出的信息可以是传感器探头的缺陷信息。
可选地,在本实施例中,上述处理器402可以被设置为通过计算机程序执行以下步骤:
S100、采集拍摄农业信息采集传感器探头的原始高分辨率图像;
S200、分割所述原始高分辨率图像得到仅包含传感器探头信息的分割二值图;
S300、提取所述分割二值图中的目标轮廓信息,并将所述目标轮廓信息映射到所述原始高分辨率图像得到映射信息,基于所述映射信息求取调整参数,基于所述调整参数对所述原始高分辨率图像中的农业信息采集传感器探头所在的探头区域进行调整得到区域图像,其中所述区域图像仅包含农业信息采集传感器探头且探头水平向左;
S400、基于所述区域图像计算获取圆锥组件弧角、圆锥组件宽度、圆锥组件中轴线,作为第一参数;
S500、基于所述区域图像计算获取圆柱组件上下端边缘直线、圆柱组件中轴线,作为第二参数;
S600、基于原始高分辨率图像的采集设备的分辨率、所述第一参数和第二参数评价所述农业信息采集传感器探头。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
通常,各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现,而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现,但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示,但是应当理解,作为非限制性示例,本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现,该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行,或者由硬件来实现,或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中,并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外,在这一点上,应当注意,如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (13)
1.一种农业信息采集传感器探头缺陷检测方法,其特征在于,包括以下步骤:
S100、采集拍摄农业信息采集传感器探头的原始高分辨率图像;
S200、分割所述原始高分辨率图像得到仅包含传感器探头信息的分割二值图;
S300、提取所述分割二值图中的目标轮廓信息,并将所述目标轮廓信息映射到所述原始高分辨率图像得到映射信息,基于所述映射信息求取调整参数,基于所述调整参数对所述原始高分辨率图像中的农业信息采集传感器探头所在的探头区域进行调整得到区域图像,其中所述区域图像仅包含农业信息采集传感器探头且探头水平向左;
S400、基于所述区域图像计算获取圆锥组件弧角、圆锥组件宽度、圆锥组件中轴线,作为第一参数;
S500、基于所述区域图像计算获取圆柱组件上下端边缘直线、圆柱组件中轴线,作为第二参数;
S600、基于原始高分辨率图像的采集设备的分辨率、所述第一参数和第二参数评价所述农业信息采集传感器探头。
2.根据权利要求1所述的农业信息采集传感器探头缺陷检测方法,其特征在于,在步骤S300中,基于所述映射信息求取旋转参数、翻转参数和裁剪参数,基于所述旋转参数旋转所述探头区域至水平方向得到旋转图像,基于所述翻转参数翻转所述旋转图像至探头水平向左,基于裁剪参数裁剪所述旋转图像得到所述区域图像。
3.根据权利要求2所述的农业信息采集传感器探头缺陷检测方法,其特征在于,步骤S300进一步包括:
S310、对所述分割二值图进行轮廓提取得到目标轮廓信息;
S320、根据所述分割二值图和原始高分辨率图像的宽高比例关系将目标轮廓信息进行坐标映射,得到基于所述原始高分辨率图像的尺度的第二轮廓信息作为映射信息;
S330、基于所述第二轮廓信息区域进行膨胀处理,对膨胀后的区域进行轮廓提取得到基于所述原始高分辨率图像的传感器探头轮廓信息;
S340、根据所述传感器探头轮廓信息进行最小外接矩形计算得到外接矩形信息,并计算得到最小外接矩形的最长边角度信息;
S350、根据所述外接矩形信息、最长边角度信息对所述探头区域进行旋转得到旋转图像。
4.根据权利要求2所述的农业信息采集传感器探头缺陷检测方法,其特征在于,对所述旋转图像进行基于像素统计分布算法的分析,定位传感器探头的圆锥组件位于图像左侧或右侧的定位信息,根据所求定位信息计算翻转角度作为翻转参数,基于所述翻转参数对旋转图像进行翻转得到传感器探头的圆锥组件水平向左的翻转图像。
5.根据权利要求2所述的农业信息采集传感器探头缺陷检测方法,其特征在于,提取翻转图像中的目标轮廓并获取对应的第二目标轮廓外接矩形,记第二目标轮廓外接矩形的高度为rectHeight、宽度为rectWidth、左侧列坐标为rectCol;对翻转图像从第rectCol列向第(rectCol+rectWidth)列遍历,计算各列像素点数量,根据像素点数量分布特征定位农业信息采集传感器探头的位置坐标,根据所述位置坐标以及图像裁剪特征,截取翻转图像的第i列以左图像信息得到传感器探头水平向左的区域图像。
6.根据权利要求1所述的农业信息采集传感器探头缺陷检测方法,其特征在于,步骤S400包括步骤:
S410:分割所述区域图像的传感器探头外轮廓,得到传感器探头灰度图像;
S420:在所述传感器灰度图像中检测传感器探头各个组件的交界线,依据所述交界线区分传感器探头组件;
S430:基于所述传感器探头组件计算圆锥组件弧角、圆锥组件宽度、圆锥组件中轴线。
7.根据权利要求6所述的农业信息采集传感器探头缺陷检测方法,其特征在于,步骤S430包括步骤:
S431:基于所述传感器灰度图像截取所述第一交界线左侧图像得到探头圆锥组件图像;
S432:对探头圆锥组件图像进行轮廓提取得到圆锥组件轮廓、对应的第一圆锥组件点集、圆锥组件轮廓外接矩形宽度;
S433:对第一圆锥组件点集进行过滤,得到仅包含在圆锥组件矩形区域中的第二圆锥组件点集;
S434:按照点集平均纵坐标对第二圆锥组件点集进行划分得到第三上半区域点集、第四下半区域点集;
S435:对第三上半区域点集、第四下半区域点集分别进行直线拟合算法得到第一圆锥组件直线、第二圆锥组件直线,记第一圆锥组件直线、第二圆锥组件直线右端点分别为第一端点、第二端点;
S436:对第一圆锥组件直线、第二圆锥组件直线分别进行左向延伸得到交点;
S437:计算以交点为弧角顶点、以第一端点、第二端点为弧角两边端点的角度作为圆锥组件弧角。
8.根据权利要求7所述的农业信息采集传感器探头缺陷检测方法,其特征在于,根据第一圆锥组件点集、以及各传感器探头组件的分布信息得到第五矩形区域轮廓点集,将第五矩形区域轮廓点集划分为第六上半区域点集、第七下半区域点集,采用直线拟合方法得到第六上半区域点集、第七下半区域点集对应第三圆锥组件直线、第四圆锥组件直线;
S439:
①对圆锥组件矩形区域内图像进行像素遍历,令f(x,y)=|f(x,y)-f(x-1,y)|得到第二探头圆锥组件图像,其中(x,y)为像素点坐标、f(x,y)为对应该位置坐标灰度值;
②根据所述第二探头圆锥组件图像遍历统计各列像素灰度值大于10的像素数量,当第一次出现像素数量大于imageHeight/3时停止,则对应至第三圆锥组件直线、第四圆锥组件直线的直线所过点坐标分别为第一上方点、第二下方点;
③对所述第一圆锥组件直线、第二圆锥组件直线、第三圆锥组件直线、第四圆锥组件直线向两侧延伸,得到第三上方点、第四下方点,其中为上端边缘交点、为下端边缘交点;
④根据所述第一上方点、第三上方点得到传感器探头圆锥组件上端边缘水平线;根据所述第二下方点、第四下方点得到传感器探头圆锥组件下端边缘水平线;
S440:设所述第一上方点的坐标、第二下方点的坐标、第三上方点的坐标、第四上方点的坐标,求解得到第五交点、第六交点,所述第五交点、第六交点所成直线为传感器探头圆锥组件中轴线。
9.根据权利要求1所述的农业信息采集传感器探头缺陷检测方法,其特征在于,步骤S500包括步骤:
S510:根据所述第二灰度图提取轮廓并得到圆柱组件轮廓点集,根据直线、所述圆柱组件轮廓点集初步定位圆柱区域信息、圆柱区域图像;
S520:根据所述圆柱区域信息对圆柱组件轮廓点集划分得到第一圆柱组件上半区域点集、第二圆柱组件下半区域点集;
S530:根据第一圆柱组件上半区域点集、第二圆柱组件下半区域点集采用直线拟合方法得到对应的第一圆柱组件直线、第二圆柱组件直线;
S540:根据所述圆柱区域图像、第一圆柱组件直线、第二圆柱组件直线,采用上述直线修正算法精确计算传感器探头圆柱组件上端直线、下端直线,进而拟合圆柱组件中轴线。
10.根据权利要求1所述的农业信息采集传感器探头缺陷检测方法,其特征在于,步骤S600包括:基于圆锥组件弧角、圆锥组件宽度、圆锥组件中轴线计算圆锥组件上端直线长度、下端直线长度、中轴线平均纵坐标;基于圆柱组件上下端边缘直线、圆柱组件中轴线计算圆柱组件上端直线长度、下端直线长度、中轴线平均高度;结合分辨率还原圆柱组件上下端边缘直线、圆柱组件中轴线计算圆柱组件上端直线长度、下端直线长度、中轴线平均高度以及圆锥组件弧角得到真实值。
11.一种农业信息采集传感器探头缺陷检测装置,其特征在于,包括:
图像采集模块,用于采集拍摄农业信息采集传感器探头的原始高分辨率图像;
图像分割模块,用于分割所述原始高分辨率图像得到仅包含传感器探头信息的分割二值图;
传感器探头转正与定位模块,用于提取所述分割二值图中的目标轮廓信息,并将所述目标轮廓信息映射到所述原始高分辨率图像得到映射信息,基于所述映射信息求取调整参数,基于所述调整参数对所述原始高分辨率图像中的农业信息采集传感器探头所在的探头区域进行调整得到区域图像,其中所述区域图像仅包含农业信息采集传感器探头且探头水平向左;
传感器探头圆锥组件检测模块,用于基于所述区域图像计算获取圆锥组件弧角、圆锥组件宽度、圆锥组件中轴线,作为第一参数;
传感器探头圆柱组件检测模块,用于基于所述区域图像计算获取圆柱组件上下端边缘直线、圆柱组件中轴线,作为第二参数;
传感器探头合格性评价模块,用于基于原始高分辨率图像的采集设备的分辨率、所述第一参数和第二参数评价所述农业信息采集传感器探头。
12.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1到10任一所述的农业信息采集传感器探头缺陷检测方法。
13.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括根据权利要求1至10任一项所述的农业信息采集传感器探头缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211322785.5A CN115375693B (zh) | 2022-10-27 | 2022-10-27 | 农业信息采集传感器探头缺陷检测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211322785.5A CN115375693B (zh) | 2022-10-27 | 2022-10-27 | 农业信息采集传感器探头缺陷检测方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115375693A true CN115375693A (zh) | 2022-11-22 |
CN115375693B CN115375693B (zh) | 2023-02-10 |
Family
ID=84073871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211322785.5A Active CN115375693B (zh) | 2022-10-27 | 2022-10-27 | 农业信息采集传感器探头缺陷检测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375693B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799431A (zh) * | 2010-04-08 | 2010-08-11 | 湖南大学 | 高速生产线上罐盖质量的机器视觉在线检测方法及设备 |
CN103018253A (zh) * | 2012-11-30 | 2013-04-03 | 湖南大学 | 医药视觉检测机器人的安瓿瓶外观质量检测方法 |
CN103635794A (zh) * | 2011-05-17 | 2014-03-12 | Gii采集有限责任公司,以总检测有限责任公司的名义营业 | 用于光学检查零件的方法和系统 |
US20140232849A1 (en) * | 2013-02-18 | 2014-08-21 | Nuflare Technology, Inc. | Inspection method and inspection apparatus |
CN107180416A (zh) * | 2017-05-17 | 2017-09-19 | 石家庄铁道大学 | 火车车轮踏面图像畸形校正方法及系统 |
CN108844977A (zh) * | 2018-04-25 | 2018-11-20 | 中国兵器科学研究院宁波分院 | 一种剔除角度倾斜影响的工业ct系统空间分辨率测试方法及评价方法 |
CN109520440A (zh) * | 2017-09-19 | 2019-03-26 | 宝山钢铁股份有限公司 | 张减机孔型的测量装置及方法 |
CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
CN110276750A (zh) * | 2019-06-17 | 2019-09-24 | 浙江大学 | 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法 |
CN110308157A (zh) * | 2019-08-06 | 2019-10-08 | 凌云光技术集团有限责任公司 | 一种检测透明印刷品模切质量的方法及装置 |
CN110634140A (zh) * | 2019-09-30 | 2019-12-31 | 南京工业大学 | 一种基于机器视觉的大直径管状物定位及内壁缺陷检测方法 |
CN110935644A (zh) * | 2019-12-27 | 2020-03-31 | 江南大学 | 一种基于机器视觉的轴承滚针尺寸检测系统及方法 |
CN112116576A (zh) * | 2020-09-20 | 2020-12-22 | 中国人民解放军空军工程大学 | 基于偏振结构光成像和改进Mask R-CNN的缺陷检测方法 |
CN112304960A (zh) * | 2020-12-30 | 2021-02-02 | 中国人民解放军国防科技大学 | 一种基于深度学习的高分辨率图像物体表面缺陷检测方法 |
CN112991279A (zh) * | 2021-03-03 | 2021-06-18 | 华南理工大学 | 柔性电路板缺陷圆检测方法、装置、介质和设备 |
CN113450307A (zh) * | 2021-05-12 | 2021-09-28 | 西安电子科技大学 | 一种产品边缘缺陷检测方法 |
CN113822890A (zh) * | 2021-11-24 | 2021-12-21 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、系统及存储介质 |
CN114609167A (zh) * | 2022-03-02 | 2022-06-10 | 中国科学院上海硅酸盐研究所 | 一种基于电子背散射衍射花样的晶面衍射衬度的成像方法 |
CN114755298A (zh) * | 2022-04-07 | 2022-07-15 | 南京工业职业技术大学 | 基于超声技术的道岔转辙机动作杆内部裂纹检测方法 |
-
2022
- 2022-10-27 CN CN202211322785.5A patent/CN115375693B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799431A (zh) * | 2010-04-08 | 2010-08-11 | 湖南大学 | 高速生产线上罐盖质量的机器视觉在线检测方法及设备 |
CN103635794A (zh) * | 2011-05-17 | 2014-03-12 | Gii采集有限责任公司,以总检测有限责任公司的名义营业 | 用于光学检查零件的方法和系统 |
CN103018253A (zh) * | 2012-11-30 | 2013-04-03 | 湖南大学 | 医药视觉检测机器人的安瓿瓶外观质量检测方法 |
US20140232849A1 (en) * | 2013-02-18 | 2014-08-21 | Nuflare Technology, Inc. | Inspection method and inspection apparatus |
CN107180416A (zh) * | 2017-05-17 | 2017-09-19 | 石家庄铁道大学 | 火车车轮踏面图像畸形校正方法及系统 |
CN109520440A (zh) * | 2017-09-19 | 2019-03-26 | 宝山钢铁股份有限公司 | 张减机孔型的测量装置及方法 |
CN108844977A (zh) * | 2018-04-25 | 2018-11-20 | 中国兵器科学研究院宁波分院 | 一种剔除角度倾斜影响的工业ct系统空间分辨率测试方法及评价方法 |
CN110276750A (zh) * | 2019-06-17 | 2019-09-24 | 浙江大学 | 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法 |
CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
CN110308157A (zh) * | 2019-08-06 | 2019-10-08 | 凌云光技术集团有限责任公司 | 一种检测透明印刷品模切质量的方法及装置 |
CN110634140A (zh) * | 2019-09-30 | 2019-12-31 | 南京工业大学 | 一种基于机器视觉的大直径管状物定位及内壁缺陷检测方法 |
CN110935644A (zh) * | 2019-12-27 | 2020-03-31 | 江南大学 | 一种基于机器视觉的轴承滚针尺寸检测系统及方法 |
CN112116576A (zh) * | 2020-09-20 | 2020-12-22 | 中国人民解放军空军工程大学 | 基于偏振结构光成像和改进Mask R-CNN的缺陷检测方法 |
CN112304960A (zh) * | 2020-12-30 | 2021-02-02 | 中国人民解放军国防科技大学 | 一种基于深度学习的高分辨率图像物体表面缺陷检测方法 |
CN112991279A (zh) * | 2021-03-03 | 2021-06-18 | 华南理工大学 | 柔性电路板缺陷圆检测方法、装置、介质和设备 |
CN113450307A (zh) * | 2021-05-12 | 2021-09-28 | 西安电子科技大学 | 一种产品边缘缺陷检测方法 |
CN113822890A (zh) * | 2021-11-24 | 2021-12-21 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、系统及存储介质 |
CN114609167A (zh) * | 2022-03-02 | 2022-06-10 | 中国科学院上海硅酸盐研究所 | 一种基于电子背散射衍射花样的晶面衍射衬度的成像方法 |
CN114755298A (zh) * | 2022-04-07 | 2022-07-15 | 南京工业职业技术大学 | 基于超声技术的道岔转辙机动作杆内部裂纹检测方法 |
Non-Patent Citations (3)
Title |
---|
XI YANG等: "Detecting Defects With Support Vector Machine in Logistics Packaging Boxes for Edge Computing", 《INNOVATION AND APPLICATION OF INTELLIGENT PROCESSING OF DATA, INFORMATION AND KNOWLEDGE AS RESOURCES IN EDGE COMPUTING》 * |
刘文芳: "基于机器学习的金属构件超声缺陷检测方法的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
张腾: "基于机器视觉的汽车冲压件表面缺陷检测技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115375693B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106468543B (zh) | 一种基于图像处理的叶片面积测量方法 | |
CN109977944B (zh) | 一种数字水表读数的识别方法 | |
CN112285710B (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
CN115512232B (zh) | 一种农作物种子发芽情况识别模型、构建方法及其应用 | |
CN111724354B (zh) | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 | |
CN111553943A (zh) | 基于多元正态分布统计和水平集变分法的叶面积自动测量系统 | |
CN113129323A (zh) | 一种基于人工智能的遥感田埂界线检测方法、系统、计算机设备及存储介质 | |
CN114723677A (zh) | 图像缺陷检测方法、检测装置、检测设备及存储介质 | |
CN110047146B (zh) | 一种基于单幅回转体图像3d还原的误差修正方法 | |
CN115375693B (zh) | 农业信息采集传感器探头缺陷检测方法、系统及装置 | |
CN106324708A (zh) | 雨量记录图纸的数字化方法、装置 | |
WO2018098736A1 (zh) | 一种基于遥感成像的蓝藻监测方法及装置 | |
CN116129191B (zh) | 基于遥感ai的多目标智能识别与精细分类方法 | |
CN114037832B (zh) | 一种卫星遥感图像中典型区域的提取方法及系统 | |
CN111696054A (zh) | 基于全极化sar图像的橡胶坝体检测方法 | |
CN114429588B (zh) | 应用于矿山环境恢复治理的数据处理方法及系统 | |
JP2004094427A (ja) | 帳票画像処理装置及び該装置を実現するためのプログラム | |
CN110378316B (zh) | 一种提取遥感影像地物识别样本的方法及系统 | |
Ren et al. | Unsupervised Learning Based Soil-film Recognition System for Electric Film Uncovering Machine | |
CN114596300B (zh) | 滨海养殖遥感信息处理方法、装置、电子设备及存储介质 | |
CN117456542B (zh) | 图像匹配方法、装置、电子设备及存储介质 | |
CN113496145B (zh) | 标牌角点获取方法、装置及设备 | |
CN114778795B (zh) | 一种基于城市布局的土壤质量等级确定方法及装置 | |
CN111818557B (zh) | 网络覆盖问题识别方法、装置及系统 | |
CN115719371A (zh) | 一种植物叶片形态特征定量化测量方法及装置 |
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 |