CN115564767A - 基于机器视觉的电感绕线质量监测方法 - Google Patents

基于机器视觉的电感绕线质量监测方法 Download PDF

Info

Publication number
CN115564767A
CN115564767A CN202211401939.XA CN202211401939A CN115564767A CN 115564767 A CN115564767 A CN 115564767A CN 202211401939 A CN202211401939 A CN 202211401939A CN 115564767 A CN115564767 A CN 115564767A
Authority
CN
China
Prior art keywords
sequence
coil
region
skeleton
obtaining
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
CN202211401939.XA
Other languages
English (en)
Other versions
CN115564767B (zh
Inventor
蔡旌章
王其艮
刘维坚
黄文辉
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.)
Cenke Technology Shenzhen Group Co ltd
Original Assignee
SHENZHEN CENKER ENTERPRISE 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 SHENZHEN CENKER ENTERPRISE Ltd filed Critical SHENZHEN CENKER ENTERPRISE Ltd
Priority to CN202211401939.XA priority Critical patent/CN115564767B/zh
Publication of CN115564767A publication Critical patent/CN115564767A/zh
Application granted granted Critical
Publication of CN115564767B publication Critical patent/CN115564767B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F41/00—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties
    • H01F41/02—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties for manufacturing cores, coils, or magnets
    • H01F41/04—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties for manufacturing cores, coils, or magnets for manufacturing coils
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F41/00—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties
    • H01F41/02—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties for manufacturing cores, coils, or magnets
    • H01F41/04—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties for manufacturing cores, coils, or magnets for manufacturing coils
    • H01F41/06—Coil winding

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Coils Or Transformers For Communication (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种基于机器视觉的电感绕线质量监测方法。该方法包括：获取电感线圈的多张灰度图像；获取灰度图像中的线圈反光区域以及线圈反光区域的骨架区域，基于骨架区域获取对应的拟合优度进而得到骨架笔直度；基于骨架区域将线圈反光区域划分为第一部分和第二部分，基于第一部分和第二部分中垂线上每个像素点到线圈反光区域的边缘的欧式距离得到第一序列和第二序列，以得到形状变化度，结合第一序列和第二序列之间的相关性以及两个序列中所有的突变值得到形状显著度；根据骨架笔直度和形状显著度得到绕线规整度，根据绕线规整度对电感线圈的绕线质量进行评价；提高了绕线质量监测的准确性。

Description

基于机器视觉的电感绕线质量监测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种基于机器视觉的电感绕线质量监测方法。
背景技术
电感在电路中主要起到滤波、振荡、延迟以及陷波等作用，由导线一圈挨着一圈的绕在绝缘管上构成；在电感的制造过程中，由于绕线机器的使用不恰当，经常会出现导线绕线不均匀的情况，当导线绕线不均匀时，内部其他绕组同样会出现绕制不均匀、不平整的情况，此时可能会出现漏磁现象，电磁辐射也会随之增加，同时还会伴随着散热不均匀以及使用过程中导线松动、短路的问题，因此需要对电感的绕线质量进行检测。
现有对电感绕线质量进行检测的方法有利用神经网络进行的检测，但神经网络检测时会存在影响检测稳定性以及准确性的因素，容易产生线圈漏检的情况；另外还存在利用线圈中相邻漆包线之间的距离的评价完成对线圈的检测，这种方法虽然不受线圈的类型和漆包线径的限制，但主要是依据最大值、平均值以及标准差来进行判断，检测的准确性较低。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于机器视觉的电感绕线质量监测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种基于机器视觉的电感绕线质量监测方法，该方法包括以下步骤：
获取电感线圈的多张绕线图像，多张绕线图像是指电感线圈不同侧面对应的绕线图像，对每张所述绕线图像进行预处理得到灰度图像；
根据所述灰度图像筛选出其中的线圈反光区域，获取线圈反光区域的骨架区域，对所述骨架区域进行直线拟合得到拟合优度，根据所述拟合优度获取线圈反光区域的骨架笔直度；
获取线圈反光区域的质心，获取骨架区域中与所述质心距离最近的像素点为骨架中心点，以垂直于骨架区域进行直线拟合的方向作垂线，所述垂线过骨架区域的骨架中心点，将线圈反光区域划分为两个部分分别为第一部分和第二部分；获取第一部分中所述垂线上每个像素点到线圈反光区域的边缘的欧式距离构成第一序列，获取第二部分中所述垂线上每个像素点到线圈反光区域的边缘的欧式距离构成第二序列，根据所述第一序列与所述第二序列获取线圈反光区域的形状变化度；
获取所述第一序列和所述第二序列之间的相关性，对所述第一序列与所述第二序列进行突变检测得到所有的突变值，对所有的突变值进行插值得到对应的更新值，基于所述相关性、所述形状变化度、所述更新值以及对应的所述突变值得到形状显著度；
对所述骨架笔直度和所述形状显著度进行加权求和得到对应的线圈反光区域的绕线规整度，根据所述绕线规整度对电感线圈的绕线质量进行评价。
优选的，所述根据所述拟合优度获取线圈反光区域的骨架笔直度的步骤，包括：
以骨架区域上每个像素点为中心点构建预设大小的窗口，骨架区域上所有像素点对应的预设大小的窗口的区域构成骨架规整区，统计骨架区域上所有像素点中在所述骨架规整区之外的像素点数量记为
Figure 507859DEST_PATH_IMAGE001
；
根据所述拟合优度与所述像素点数量
Figure 966653DEST_PATH_IMAGE001
的比值得到所述骨架笔直度。
优选的，所述根据所述第一序列与所述第二序列获取线圈反光区域的形状变化度的步骤，包括：
获取所述第一序列中每相邻两个元素之间的差值，选取所述第一序列中所有差值的最大值以及所有差值的最小值，计算所述第一序列中所有差值对应的标准差；以所述第一序列中所有差值的最大值与所有差值的最小值进行相减，根据相减的结果与所述第一序列中所有差值对应的标准差的乘积得到第一变化系数；
获取所述第二序列中每相邻两个元素之间的差值，选取所述第二序列中所有差值的最大值以及所有差值的最小值，计算所述第二序列中所有差值对应的标准差；以所述第二序列中所有差值的最大值与所有差值的最小值进行作差，根据作差的结果与所述第二序列中所有差值对应的标准差的乘积得到第二变化系数；
所述第一变化系数与所述第二变化系数的乘积为所述形状变化度。
优选的，所述基于所述相关性、所述形状变化度、所述更新值以及对应的所述突变值得到形状显著度的步骤，包括：
获取每个所述突变值与其对应的所述更新值之间的差值绝对值，获取所有所述突变值对应的差值绝对值的求和结果；
计算所述相关性的绝对值与所述形状变化度的乘积结果；
根据所述乘积结果与所述求和结果的比值得到所述形状显著度。
优选的，所述根据所述灰度图像筛选出其中的线圈反光区域的步骤，包括：
采用最大类间方差法对所述灰度图像进行分割得到多个区域，统计每个所述区域中像素点的数量，当所述区域中像素点的数量小于预设数量阈值的区域进行排除；
获取剩余的所有区域对应像素点的数量的均值，以预设倍数对所述均值进行扩大得到扩大值，将剩余的所有区域中像素点的数量大于所述扩大值的区域进行排除；
经过两次排除后剩余的区域为线圈反光区域。
优选的，所述获取线圈反光区域的骨架区域的步骤，包括：
获取线圈反光区域对应的二值图像，利用Hilditch算法对所述二值图像中线圈反光区域的两侧边缘像素点同时进行逐层剥离，直至得到线圈反光区域最中心的像素点形成的一条边缘为所述线圈反光区域的骨架，记为骨架区域。
本发明具有如下有益效果：本发明实施例中通过获取线圈反光区域的骨架区域，然后对骨架区域进行直线拟合并进行骨架笔直度的获取，通过骨架笔直度对线圈反光区域对应的电感线圈的漆包线进行初步判断，识别其排列是否整齐紧密；然后基于骨架区域的中心点进行两个部分的划分，通过两个部分对应的欧式距离进行分析，得到线圈反光区域对应的形状变化度，根据骨架区域两个部分之间的相关性进行形状变化度的获取，得到的结果更加直观准确；进一步通过对欧式距离的突变值的处理，并结合线圈反光区域的形状变化度得到线圈反光区域的形状显著度，通过形状显著度以及骨架笔直度结合分析线圈反光区域的绕线规整度，从而对电感线圈的绕线质量进行检测，检测方法更加便捷且准确度更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于机器视觉的电感绕线质量监测方法流程图；
图2为本发明一个实施例所提供的一种骨架区域的示意图；
图3为本发明一个实施例所提供的一种垂线与线圈反光区域的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于机器视觉的电感绕线质量监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于机器视觉的电感绕线质量监测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于机器视觉的电感绕线质量监测方法流程图，该方法包括以下步骤：
步骤S100，获取电感线圈的多张绕线图像，多张绕线图像是指电感线圈不同侧面对应的绕线图像，对每张绕线图像进行预处理得到灰度图像。
由于电感在制作过程中会由于绕线机器的不当，导致出现绕线不均匀或者不平整的现象，因此需要对绕线完成的电感线圈进行监测，对其中绕线质量不佳的电感线圈进行区分。
根据电感线圈的使用要求，其线圈的缠绕方式主要分为单层缠绕和多层缠绕，因此本发明实施例中采用工业相机对每层线圈缠绕完成后的电感线圈进行图像采集，对于多层缠绕方式的电感线圈，在每层电感线圈缠绕完成后进行图像采集，由此得到了电感线圈的绕线图像；考虑到电感线圈往往为柱形，因此为了分析的更加全面准确，获取电感线圈的4个侧面的绕线图像，以确保对电感线圈分析时不存在遗漏，每个侧面对应的绕线图像为RGB图像。
为了减少后续计算量，将RGB图像进行预处理，预处理包括对绕线图像进行高斯滤波处理，以去除图像中噪声的干扰，然后对滤波后的绕线图像利用加权平均法进行灰度化转变为灰度图像；高斯滤波以及加权平均法均为现有公知技术，不再赘述。
步骤S200，根据灰度图像筛选出其中的线圈反光区域，获取线圈反光区域的骨架区域，对骨架区域进行直线拟合得到拟合优度，根据拟合优度获取线圈反光区域的骨架笔直度。
由于电感线圈的材质会出现反光的现象，因此在电感线圈的中间部分会由于反光呈现出较亮的颜色，相较于两侧的较暗区域会更加容易分析，能够较为清晰的体现出缠绕的每根导线，对于电感线圈的灰度图像而言，其电感线圈区域的两侧为电感的部件之一，所占的面积较大且呈现白色，除此之外，背景还存在部分较小的干扰区域，因此需要将电感的部件以及小的干扰区域进行筛选剔除，以免影响后续的分析，本发明实施例中采用最大类间方差法对电感线圈的灰度图像进行分割，将灰度图像中大于预设阈值的灰度值进行划分保留得到多个区域，对划分出的每个区域再次进行筛选：首先，排除掉像素点数量不大于预设数量阈值
Figure 668899DEST_PATH_IMAGE002
的区域，该部分区域由于过小可能为背景的干扰区域，
Figure 591856DEST_PATH_IMAGE002
为人为设置的经验阈值，本发明实施例中设置为15；然后，对剩余的区域再次进行筛选，计算剩余的区域中所有区域对应的像素点数量的均值，以预设倍数
Figure 855609DEST_PATH_IMAGE003
对均值进行扩大，将经过预设倍数
Figure 598437DEST_PATH_IMAGE003
扩大后的均值记为扩大值，将剩余的区域中像素点数量大于扩大值的区域进行排除，该部分区域的面积较大可能为电感的部件区域；经过两次排除后的区域为电感线圈的线圈反光区域。
作为优选，本发明实施例中设置预设倍数
Figure 838794DEST_PATH_IMAGE003
为4。
以此类推，获取每张灰度图像中的线圈反光区域。
根据每张灰度图像中的线圈反光区域所在的位置构建二值图像，即将灰度图像中属于线圈反光区域的像素点的像素值置为1，灰度图像中其他区域的像素点置为0得到的二值图像；然后利用Hilditch算法对该二值图像进行快速并行细化，即对二值图像中线圈反光区域的边缘像素点进行逐层剥离，且对边缘像素点进行剥离时是线圈反光区域的两侧边缘像素点对应剥离，因此对二值图像中线圈反光区域的边缘像素点进行逐层剥离后得到线圈反光区域的骨架，将其记为骨架区域，也可将骨架区域理解为体现线圈反光区域走向的一条位于线圈反光区域最中心的边缘；具体可参阅图2，其示出一种骨架区域的示意图，图中由一条较细边缘构成的H形状即为骨架区域。
由于标准缠绕下电感线圈的漆包线之间排列紧密且整齐，间距的大小一致，在灰度图像中呈现直线排布，因此对应的线圈反光区域的骨架区域也应该笔直规整；当电感线圈的漆包线绕线不均匀时，漆包线在缠绕的过程中将不再呈现出笔直的外形，其方向会发生一定的偏折，从而使得对应的线圈反光区域的骨架区域也会产生偏折，基于此，通过分析线圈反光区域的骨架区域是否笔直对绕线的情况进行判断。
将获取到的线圈反光区域的骨架区域进行直线拟合，得到对应的拟合优度，拟合优度越大，表明直线拟合的效果越好，即线圈反光区域的骨架区域越趋近于直线；然后将拟合得到的直线在灰度图像中进行标记得到拟合直线在灰度图像中对应的像素点，为了提高分析的准确性，将这些像素点作为标记点进行后续分析。
以每个标记点为中心构建3*3大小的窗口，每个标记点对应的3*3大小的窗口组成的区域记为骨架规整区，统计骨架区域上所有像素点中在该骨架规整区之外的像素点数量记为
Figure 616258DEST_PATH_IMAGE001
，在骨架规整区之外的像素点数量越多，说明该骨架区域与直线的偏离越大；根据线圈反光区域对应的骨架区域的拟合优度以及像素点数量
Figure 785333DEST_PATH_IMAGE001
获取线圈反光区域的骨架笔直度，骨架笔直度的计算为：
Figure 281036DEST_PATH_IMAGE004
其中，
Figure 262768DEST_PATH_IMAGE005
表示线圈反光区域的骨架笔直度；
Figure 905190DEST_PATH_IMAGE006
表示骨架区域的拟合优度；
Figure 494434DEST_PATH_IMAGE001
表示骨架区域上的像素点在骨架规整区之外的像素点数量；
Figure 726701DEST_PATH_IMAGE007
表示值域系数，目的是为了避免分母为0导致公式没有意义，本发明实施例中取经验值为1。
由于拟合优度的理论最大值为1，因此骨架笔直度的取值范围的最大值为1，骨架笔直度越接近于1，则对应骨架区域与直线越贴合。
当骨架区域对应的像素点在骨架规整区之外的数量越小、且骨架区域拟合的直线的拟合优度越大时，说明骨架区域的整体形状越近似于直线，则该骨架区域对应的骨架笔直度越大，对应的线圈反光区域越可能为绕线质量良好、排列整齐且笔直的漆包线。
步骤S300，获取线圈反光区域的质心，获取骨架区域中与质心距离最近的像素点为骨架中心点，以垂直于骨架区域进行直线拟合的方向作垂线，垂线过骨架区域的骨架中心点，将线圈反光区域划分为两个部分分别为第一部分和第二部分；获取第一部分中垂线上每个像素点到线圈反光区域的边缘的欧式距离构成第一序列，获取第二部分中垂线上每个像素点到线圈反光区域的边缘的欧式距离构成第二序列，根据第一序列与第二序列获取线圈反光区域的形状变化度。
由于电感线圈绕线时一般呈现圆环形，所以在获取到电感线圈的灰度图像时，灰度图像中电感线圈的中心部分距离相机拍摄较近，而两端的区域距离相机拍摄的距离较远，因此灰度图像中的线圈反光区域呈现出的应该是两端较窄中间较宽的纺锤形状区域；而当电感绕线的质量不佳时，例如存在凸起缺陷或者是跨线缺陷时，电感线圈上的漆包线在缠绕时会出现凸起或者弯折，漆包线在方向出现改变后会遮盖其他排列正常的漆包线的位置，因此线圈反光区域对应的纺锤形状的特征就会被破坏，因此对线圈反光区域的形状变化进行分析。
具体的，获取线圈反光区域的质心，质心的获取方法为公知手段，不再赘述；计算线圈反光区域对应的骨架区域上每个像素点与该质心的欧式距离，选取欧式距离最小时对应的骨架区域上的像素点为该骨架区域的骨架中心点；为了便于线圈反光区域的形状进行分析，以垂直于骨架区域拟合的直线的方向作垂线，该垂线经过骨架中心点，因此得到一条垂线将线圈反光区域划分为两个部分，分别记为第一部分和第二部分，第一部分和第二部分的正方向是由骨架中心点向骨架区域的两端的方向，具体可参阅图3，其示出一种垂线与线圈反光区域的示意图，图中箭头方向为两个部分的正方向，中间较长部分的水平直线为过骨架中心点的垂线，其他较短部分的水平直线为两个像素点之间的欧式距离。
对垂线划分的两个部分进行分析，统计第一部分和第二部分中，骨架区域上每个像素点到线圈反光区域的边缘像素点之间的欧式距离，欧式距离的计算均是以骨架区域上的像素点沿着平行于垂线的方向对应的线圈反光区域的边缘像素点之间得到，并分别沿着第一部分和第二部分的正方向对骨架区域上所有的像素点对应的欧式距离依次排列得到第一序列和第二序列，第一序列记为：
Figure 262856DEST_PATH_IMAGE008
，
Figure 31223DEST_PATH_IMAGE009
表示的是第一部分中骨架区域上像素点的数量；第二序列记为：
Figure 791368DEST_PATH_IMAGE010
，
Figure 245352DEST_PATH_IMAGE012
表示的是第二部分中骨架区域上像素点的数量。
需要说明的是，由于骨架区域是对线圈反光区域两侧的边缘像素点进行逐层剥离得到的，因此骨架区域上的像素点到线圈反光区域两侧的欧式距离是相等的，在实际对骨架区域上像素点与线圈反光区域的边缘像素点的欧式距离进行获取时，只需要计算骨架区域上像素点与线圈反光区域的一侧的边缘像素点之间的欧式距离即可。
当电感线圈绕线较为正常和规整时，线圈反光区域呈现的形状近似于纺锤形状，则第一部分和第二部分对应的第一序列与第二序列应该非常近似，因此可通过对第一序列和第二序列之间的差异对线圈反光区域的形状进行评估。
获取第一序列中相邻两个元素之间的差值，将所有的差值依次排序构成序列
Figure 381936DEST_PATH_IMAGE013
，选取序列
Figure 942492DEST_PATH_IMAGE013
中的最大值和序列
Figure 122807DEST_PATH_IMAGE013
中的最小值，以差值的最大值和差值的最小值进行相减，获取序列
Figure 814819DEST_PATH_IMAGE013
的标准差，根据该标准差以及相减的结果对第一序列中的元素变化进行评估，得到第一变化系数为：
Figure 505826DEST_PATH_IMAGE014
其中，
Figure 232473DEST_PATH_IMAGE015
表示第一变化系数；
Figure 583689DEST_PATH_IMAGE013
表示第一序列中每两个相邻元素的差值构成的序列；
Figure 762998DEST_PATH_IMAGE016
表示取最大值函数；
Figure 212956DEST_PATH_IMAGE017
表示取最小值函数；
Figure 794110DEST_PATH_IMAGE018
表示标准差函数。
同理，获取第二序列中相邻两个元素之间的差值，将所有的差值依次排列构成序列
Figure 581807DEST_PATH_IMAGE019
，选取序列
Figure 982832DEST_PATH_IMAGE019
中的最大值和序列
Figure 15641DEST_PATH_IMAGE019
中的最小值，以差值的最大值和差值的最小值进行相减，获取序列
Figure 638253DEST_PATH_IMAGE019
的标准差，根据该标准差以及相减的结果对第二序列中的元素变化进行评估，得到第二变化系数为：
Figure 347583DEST_PATH_IMAGE020
其中，
Figure 986637DEST_PATH_IMAGE021
表示第二变化系数；
Figure 72404DEST_PATH_IMAGE019
表示第二序列中每两个相邻元素的差值构成的序列；
Figure 611839DEST_PATH_IMAGE016
表示取最大值函数；
Figure 492070DEST_PATH_IMAGE017
表示取最小值函数；
Figure 618420DEST_PATH_IMAGE018
表示标准差函数。
通过第一序列和第二序列中每相邻两个元素的差值反映骨架区域上每相邻两个像素点与线圈反光区域的边缘像素点的欧式距离之间的差异，差值越大，说明骨架区域上每相邻两个像素点与线圈反光区域的边缘像素点的欧式距离的差异越大；而当电感线圈绕线规整呈现出纺锤形状时，其骨架区域上像素点之间欧式距离的变化应该逐渐减少，且骨架区域上每相邻两个像素点对应的欧式距离的差异应该存在不同，当骨架区域上每相邻两个像素点对应的欧式距离的差异相同时，其线圈反光区域会因为每相邻两个像素点的斜率相同而呈现为直线，其与纺锤形状的偏差越大，因此当第一序列和第二序列中对应的每相邻两个元素之间的差值逐渐增大时，则该线圈反光区域为纺锤形状的可能性越大，以第一变化系数和第二变化系数的乘积作为线圈反光区域的形状变化度，即形状变化度为：
Figure 445562DEST_PATH_IMAGE022
其中，
Figure 105082DEST_PATH_IMAGE023
表示形状变化度；
Figure 156215DEST_PATH_IMAGE015
表示第一变化系数；
Figure 764002DEST_PATH_IMAGE021
表示第二变化系数。
当第一变化系数与第二变化系数越大时，对应线圈反光区域的形状变化度越大，即线圈反光区域对应的两个部分中骨架区域上每相邻两个像素点之间的差值越大，线圈反光区域呈现纺锤形状的特征越明显。
考虑到相机拍摄距离以及相机分辨率等实际情况，骨架区域的像素点到线圈反光区域的欧式距离之间的差值不会变化较大，因此在本发明实施例中设置
Figure 660414DEST_PATH_IMAGE015
和
Figure 174441DEST_PATH_IMAGE021
的最大取值范围为10，则对应的形状变化度的最大取值为100。
步骤S400，获取第一序列和第二序列之间的相关性，对第一序列与第二序列进行突变检测得到所有的突变值，对所有的突变值进行插值得到对应的更新值，基于相关性、形状变化度、更新值以及对应的突变值得到形状显著度。
由步骤S300中得到线圈反光区域的第一部分和第二部分，并相应得到第一部分对应的第一序列和第二部分对应的第二序列；当线圈绕线质量良好时，其对应的线圈反光区域近似于对称的纺锤形状，则对应的第一序列和第二序列应该呈现正相关、相关性较大并且序列中元素进行有规律的递减，因此对第一序列和第二序列之间的相关关系进行分析，对两个序列之间的相关关系进行度量的方法存在很多，本发明实施例中不作具体限定，将第一序列与第二序列之间的相关关系记为
Figure 130895DEST_PATH_IMAGE024
，当
Figure 497417DEST_PATH_IMAGE024
越接近于1时，表明第一序列与第二序列之间完全一致，当
Figure 915629DEST_PATH_IMAGE024
为0时，表明第一序列与第二序列之间不相关，相关关系的值越接近1，表明第一序列与第二序列之间的呈现的趋势越相似。
若电感线圈的绕线质量较好，则线圈反光区域呈现对称的纺锤形状时，第一序列与第二序列的元素均应该是递减的关系，因此第一序列与第二序列之间的相关性越大时，说明线圈反光区域与纺锤形状的特征越接近，第一序列与第二序列的相关性越强。
进一步的，对第一序列和第二序列中的每个元素进行分析，本发明实施例中采用BernaolaGalvan分割算法分别对第一序列和第二序列进行突变检测，得到第一序列和第二序列中的突变值，将其分别记为
Figure 300474DEST_PATH_IMAGE025
，其中，
Figure 444141DEST_PATH_IMAGE026
表示第一序列和第二序列中所有突变值的数量；将所有的突变值在第一序列和第二序列中的位置进行标注，然后采用拉格朗日插值法对所有突变值的位置进行插值，插值主要依靠于第一序列和第二序列中不是突变值位置的数据，由此可得到每个突变值位置插值后的更新值为：
Figure 484910DEST_PATH_IMAGE027
，
Figure 441233DEST_PATH_IMAGE028
为突变值
Figure 431317DEST_PATH_IMAGE029
对应的位置插值后的更新值，拉格朗日插值法为现有公知技术，具体过程不再赘述。
根据第一序列与第二序列之间的相关性，以及第一序列和第二序列中每个突变点的突变程度对线圈反光区域的形状显著度进行分析，具体形状显著度的计算为：
Figure 260733DEST_PATH_IMAGE030
其中，
Figure 772486DEST_PATH_IMAGE031
表示线圈反光区域的形状显著度；
Figure 345549DEST_PATH_IMAGE023
表示线圈反光区域的形状变化度；
Figure 387543DEST_PATH_IMAGE032
表示第一序列和第二序列中的第
Figure 637127DEST_PATH_IMAGE033
个突变值；
Figure 183646DEST_PATH_IMAGE034
表示第一序列和第二序列中的第
Figure 248816DEST_PATH_IMAGE033
个突变值对应的更新值；
Figure 197181DEST_PATH_IMAGE024
表示第一序列与第二序列之间的相关性；
Figure 555350DEST_PATH_IMAGE035
表示第一序列和第二序列中所有突变值的数量；
Figure 605477DEST_PATH_IMAGE036
表示绝对值计算。
线圈反光区域的形状变化度越大，该线圈反光区域呈现出的纺锤形状的特征越明显；当第一序列与第二序列中每个突变值与其对应的更新值之间的差异越大，即
Figure 458026DEST_PATH_IMAGE037
的值越大时，说明该突变值在第一序列或第二序列中与其他相邻元素之间的偏差越大，其越可能导致线圈反光区域与对称的纺锤形状存在偏差，则对应的线圈反光区域的形状显著度越小；而当第一序列和第二序列之间的相关性
Figure 979006DEST_PATH_IMAGE024
越大时，表明线圈反光区域的两个部分越对称，其与纺锤形状的特征越相近，对应的线圈反光区域的形状显著度越大；由此得到线圈反光区域的形状显著度，形状显著度越大，表明该线圈反光区域对应的电感线圈的绕线质量越好。
由于电感线圈在实际出现凸起或者弯折的异常情况时，并不会存在过于夸张的情况，因此骨架区域中每个像素点对应的欧式距离的突变值只会在较小的范围内突变，也即是骨架区域中每个像素点对应的欧式距离中的突变值并不会改变的非常剧烈，在本发明实施例中认为形状显著度计算中的分母一项的最小取值为50，因此对于形状显著度这一指标而言，其最大取值为2。
步骤S500，对骨架笔直度和形状显著度进行加权求和得到对应的线圈反光区域的绕线规整度，根据绕线规整度对电感线圈的绕线质量进行评价。
由步骤S200和步骤S400中分别得到线圈反光区域对应的骨架笔直度和形状显著度，当骨架笔直度越大时，说明线圈反光区域对应的骨架区域越接近于直线，即电感线圈的绕线质量越好；当线圈反光区域对应的形状显著度越大时，说明线圈反光区域的形状与纺锤形状的特征越接近，其对应的电感线圈的绕线质量越佳，因此以线圈反光区域对应的骨架笔直度和形状显著度获取绕线规整度，绕线规整度的计算为：
Figure 275121DEST_PATH_IMAGE038
其中，
Figure 514341DEST_PATH_IMAGE039
表示线圈反光区域的绕线规整度；
Figure 436161DEST_PATH_IMAGE005
表示线圈反光区域的骨架笔直度；
Figure 103990DEST_PATH_IMAGE031
表示线圈反光区域的形状显著度；
Figure 69541DEST_PATH_IMAGE040
表示骨架笔直度的权重系数；
Figure 500785DEST_PATH_IMAGE041
表示形状显著度的权重系数。
作为优选，本发明实施例中设置骨架笔直度的权重系数
Figure 960716DEST_PATH_IMAGE042
，形状显著度的权重系数
Figure 456288DEST_PATH_IMAGE043
。
基于上述获取绕线规整度相同的方法，获取每张绕线图像中每个线圈反光区域的绕线规整度，绕线规整度越大，则线圈反光区域对应的漆包线的排布越规则整齐，其对应的绕线质量越好。
预设规整度阈值
Figure 359784DEST_PATH_IMAGE044
，当线圈反光区域对应的绕线规整度小于规整度阈值
Figure 573597DEST_PATH_IMAGE044
时，表明此时线圈反光区域对应的电感绕线的绕线质量不佳，由于本发明实施例中骨架笔直度的最优取值为1，形状显著度的最优取值为2，因此本发明实施例中设置规整度阈值
Figure 571640DEST_PATH_IMAGE044
取值为1.2，在其他实施例中，实施者可根据实际情况对规整度阈值进行调整。
进一步的，考虑到电感线圈上如果出现跨线绕线的问题时，则对应出现跨线问题的线圈的特征会因为出现变化而不显著，但其余部分的线圈的特征仍然较为明显，因此当绕线图像中出现线圈反光区域被判定为绕线质量不佳的漆包线时，对利用本发明实施例对该线圈反光区域进行二次判定，当第二次判定时该线圈反光区域被判定为绕线质量良好时，则认定该线圈反光区域实际为绕线质量较佳的区域；当第二次判定时该线圈反光区域仍然被判定为绕线质量不佳时，则认定该线圈反光区域确定为绕线质量不佳的区域。
统计每个电感线圈对应的绕线图像中所有确定为绕线质量不佳的线圈反光区域的数量，当该数量不小于预设的数量阈值
Figure 157604DEST_PATH_IMAGE045
时，则认定该电感线圈存在较为严重的绕线瑕疵。
作为优选，本发明实施例中设置数量阈值
Figure 730537DEST_PATH_IMAGE046
。
综上所述，本发明实施例中通过获取电感线圈在不同侧面的多张绕线图像，对每张绕线图像进行预处理得到灰度图像；根据灰度图像筛选出其中的线圈反光区域，获取线圈反光区域的骨架区域，对骨架区域进行直线拟合得到拟合优度，根据拟合优度获取线圈反光区域的骨架笔直度；获取线圈反光区域的质心，获取骨架区域中与质心距离最近的像素点为骨架中心点，以垂直与骨架区域进行直线拟合的方向作垂线，垂线过骨架区域的骨架中心点，将线圈反光区域划分为两个部分分别为第一部分和第二部分；获取第一部分中垂线上每个像素点到线圈反光区域的边缘的欧式距离构成第一序列，获取第二部分中垂线上每个像素点到线圈反光区域的边缘的欧式距离构成第二序列，根据第一序列与第二序列获取线圈反光区域的形状变化度；获取第一序列和第二序列之间的相关性，对第一序列与第二序列进行突变检测得到所有的突变值，对所有的突变值进行插值得到对应的更新值，基于相关性、形状变化度、更新值以及对应的突变值得到形状显著度；对骨架笔直度和形状显著度进行加权求和得到对应的线圈反光区域的绕线规整度，根据绕线规整度对电感绕线质量进行评价，提高了对电感线圈绕线质量监测的准确性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，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 (6)

1.一种基于机器视觉的电感绕线质量监测方法，其特征在于，该方法包括以下步骤：
获取电感线圈的多张绕线图像，多张绕线图像是指电感线圈不同侧面对应的绕线图像，对每张所述绕线图像进行预处理得到灰度图像；
根据所述灰度图像筛选出其中的线圈反光区域，获取线圈反光区域的骨架区域，对所述骨架区域进行直线拟合得到拟合优度，根据所述拟合优度获取线圈反光区域的骨架笔直度；
获取线圈反光区域的质心，获取骨架区域中与所述质心距离最近的像素点为骨架中心点，以垂直于骨架区域进行直线拟合的方向作垂线，所述垂线过骨架区域的骨架中心点，将线圈反光区域划分为两个部分，分别为第一部分和第二部分；获取第一部分中所述垂线上每个像素点到线圈反光区域的边缘的欧式距离构成第一序列，获取第二部分中所述垂线上每个像素点到线圈反光区域的边缘的欧式距离构成第二序列，根据所述第一序列与所述第二序列获取线圈反光区域的形状变化度；
获取所述第一序列和所述第二序列之间的相关性，对所述第一序列与所述第二序列进行突变检测得到所有的突变值，对所有的突变值进行插值得到对应的更新值，基于所述相关性、所述形状变化度、所述更新值以及对应的所述突变值得到形状显著度；
对所述骨架笔直度和所述形状显著度进行加权求和得到对应的线圈反光区域的绕线规整度，根据所述绕线规整度对电感线圈的绕线质量进行评价。
2.根据权利要求1所述的一种基于机器视觉的电感绕线质量监测方法，其特征在于，所述根据所述拟合优度获取线圈反光区域的骨架笔直度的步骤，包括：
以骨架区域上每个像素点为中心点构建预设大小的窗口，骨架区域上所有像素点对应的预设大小的窗口的区域构成骨架规整区，统计骨架区域上所有像素点中在所述骨架规整区之外的像素点数量记为
Figure DEST_PATH_IMAGE001
；
根据所述拟合优度与所述像素点数量
Figure 113624DEST_PATH_IMAGE001
的比值得到所述骨架笔直度。
3.根据权利要求1所述的一种基于机器视觉的电感绕线质量监测方法，其特征在于，所述根据所述第一序列与所述第二序列获取线圈反光区域的形状变化度的步骤，包括：
获取所述第一序列中每相邻两个元素之间的差值，选取所述第一序列中所有差值的最大值以及所有差值的最小值，计算所述第一序列中所有差值对应的标准差；以所述第一序列中所有差值的最大值与所有差值的最小值进行相减，根据相减的结果与所述第一序列中所有差值对应的标准差的乘积得到第一变化系数；
获取所述第二序列中每相邻两个元素之间的差值，选取所述第二序列中所有差值的最大值以及所有差值的最小值，计算所述第二序列中所有差值对应的标准差；以所述第二序列中所有差值的最大值与所有差值的最小值进行作差，根据作差的结果与所述第二序列中所有差值对应的标准差的乘积得到第二变化系数；
所述第一变化系数与所述第二变化系数的乘积为所述形状变化度。
4.根据权利要求1所述的一种基于机器视觉的电感绕线质量监测方法，其特征在于，所述基于所述相关性、所述形状变化度、所述更新值以及对应的所述突变值得到形状显著度的步骤，包括：
获取每个所述突变值与其对应的所述更新值之间的差值绝对值，获取所有所述突变值对应的差值绝对值的求和结果；
计算所述相关性的绝对值与所述形状变化度的乘积结果；
根据所述乘积结果与所述求和结果的比值得到所述形状显著度。
5.根据权利要求1所述的一种基于机器视觉的电感绕线质量监测方法，其特征在于，所述根据所述灰度图像筛选出其中的线圈反光区域的步骤，包括：
采用最大类间方差法对所述灰度图像进行分割得到多个区域，统计每个所述区域中像素点的数量，当所述区域中像素点的数量小于预设数量阈值的区域进行排除；
获取剩余的所有区域对应像素点的数量的均值，以预设倍数对所述均值进行扩大得到扩大值，将剩余的所有区域中像素点的数量大于所述扩大值的区域进行排除；
经过两次排除后剩余的区域为线圈反光区域。
6.根据权利要求1所述的一种基于机器视觉的电感绕线质量监测方法，其特征在于，所述获取线圈反光区域的骨架区域的步骤，包括：
获取线圈反光区域对应的二值图像，利用Hilditch算法对所述二值图像中线圈反光区域的两侧边缘像素点同时进行逐层剥离，直至得到线圈反光区域最中心的像素点形成的一条边缘为所述线圈反光区域的骨架，记为骨架区域。
CN202211401939.XA 2022-11-10 2022-11-10 基于机器视觉的电感绕线质量监测方法 Active CN115564767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211401939.XA CN115564767B (zh) 2022-11-10 2022-11-10 基于机器视觉的电感绕线质量监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211401939.XA CN115564767B (zh) 2022-11-10 2022-11-10 基于机器视觉的电感绕线质量监测方法

Publications (2)

Publication Number Publication Date
CN115564767A true CN115564767A (zh) 2023-01-03
CN115564767B CN115564767B (zh) 2023-04-07

Family

ID=84768511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211401939.XA Active CN115564767B (zh) 2022-11-10 2022-11-10 基于机器视觉的电感绕线质量监测方法

Country Status (1)

Country Link
CN (1) CN115564767B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830027A (zh) * 2023-02-17 2023-03-21 深圳市佐申电子有限公司 基于机器视觉的汽车线束包覆缺陷检测方法
CN116402815A (zh) * 2023-06-08 2023-07-07 岑科科技(深圳)集团有限公司 基于人工智能的电感线圈封装异常检测方法
CN117474999A (zh) * 2023-12-25 2024-01-30 惠州市德立电子有限公司 一种微型片式电感双线绕线异常定位方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008089337A (ja) * 2006-09-29 2008-04-17 Nsk Ltd 金属部品の欠陥検査方法及び欠陥検査装置
WO2020051746A1 (zh) * 2018-09-10 2020-03-19 深圳配天智能技术研究院有限公司 图像的边缘检测方法、图像处理设备及计算机存储介质
CN114842017A (zh) * 2022-07-06 2022-08-02 济宁市海富电子科技有限公司 一种hdmi线缆表面质量检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008089337A (ja) * 2006-09-29 2008-04-17 Nsk Ltd 金属部品の欠陥検査方法及び欠陥検査装置
WO2020051746A1 (zh) * 2018-09-10 2020-03-19 深圳配天智能技术研究院有限公司 图像的边缘检测方法、图像处理设备及计算机存储介质
CN114842017A (zh) * 2022-07-06 2022-08-02 济宁市海富电子科技有限公司 一种hdmi线缆表面质量检测方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830027A (zh) * 2023-02-17 2023-03-21 深圳市佐申电子有限公司 基于机器视觉的汽车线束包覆缺陷检测方法
CN115830027B (zh) * 2023-02-17 2023-04-18 深圳市佐申电子有限公司 基于机器视觉的汽车线束包覆缺陷检测方法
CN116402815A (zh) * 2023-06-08 2023-07-07 岑科科技(深圳)集团有限公司 基于人工智能的电感线圈封装异常检测方法
CN116402815B (zh) * 2023-06-08 2023-08-22 岑科科技(深圳)集团有限公司 基于人工智能的电感线圈封装异常检测方法
CN117474999A (zh) * 2023-12-25 2024-01-30 惠州市德立电子有限公司 一种微型片式电感双线绕线异常定位方法及系统
CN117474999B (zh) * 2023-12-25 2024-04-19 惠州市德立电子有限公司 一种微型片式电感双线绕线异常定位方法及系统

Also Published As

Publication number Publication date
CN115564767B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115564767B (zh) 基于机器视觉的电感绕线质量监测方法
CN115222741B (zh) 一种电缆表面缺陷检测方法
CN116310360B (zh) 一种电抗器表面缺陷检测方法
CN115829883B (zh) 一种异性金属结构件表面图像去噪方法
CN115049835B (zh) 基于压铸模具缺陷识别的数据预处理方法
CN113808138B (zh) 一种基于人工智能的电线电缆表面缺陷检测方法
CN109741356B (zh) 一种亚像素边缘检测方法及系统
CN115619793B (zh) 基于计算机视觉的电源适配器外观质量检测方法
CN115511888B (zh) 基于视觉的电感缺陷检测方法及系统
CN111612817A (zh) 基于深浅特征自适应融合与上下文信息的目标跟踪方法
CN115330767A (zh) 一种腐蚀箔生产异常识别方法
CN115861291A (zh) 基于机器视觉的贴片电路板生产缺陷检测方法
CN113570602B (zh) 一种基于人工智能的热轧钢卷卷曲评估方法
CN115841434A (zh) 一种用于气体浓度分析的红外图像增强方法
CN115330758A (zh) 基于去噪处理的焊接质量检测方法
CN116363126B (zh) 一种数据线usb插头焊接质量检测方法
CN115511907B (zh) 一种用于led屏幕的划痕检测方法
CN115115641A (zh) 一种瞳孔图像分割方法
CN114549525A (zh) 一种基于改进canny算法的工业图像检测方法
CN110827272B (zh) 一种基于图像处理的轮胎x光图像缺陷检测方法
CN117808799B (zh) 基于人工智能的倒角设备加工质量检测方法
CN117274203B (zh) 一种环保塑料制品表面质量视觉检测方法
CN117115174B (zh) 一种钳子外形自动检测方法及系统
CN117423113B (zh) 一种档案ocr图像自适应去噪方法
CN114881895B (zh) 一种基于帧间差异的红外图像条纹噪声处理方法

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 518000 room 1101-1105, building 6, Hengda fashion Huigu building (East District), Fulong Road, Henglang community, Dalang street, Longhua District, Shenzhen, Guangdong

Patentee after: Cenke Technology (Shenzhen) Group Co.,Ltd.

Address before: Room 1101-1105, Building 6, Evergrande Fashion Huigu Building (East Area), Fulong Road, Henglang Community, Dalang Street, Longhua District, Shenzhen, Guangdong 518110

Patentee before: SHENZHEN CENKER ENTERPRISE Ltd.