CN115690234A - 一种新型光纤颜色线序检测方法及系统 - Google Patents
一种新型光纤颜色线序检测方法及系统 Download PDFInfo
- Publication number
- CN115690234A CN115690234A CN202211378492.9A CN202211378492A CN115690234A CN 115690234 A CN115690234 A CN 115690234A CN 202211378492 A CN202211378492 A CN 202211378492A CN 115690234 A CN115690234 A CN 115690234A
- Authority
- CN
- China
- Prior art keywords
- color
- optical fiber
- identification
- image
- feature
- 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
-
- 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
- Spectrometry And Color Measurement (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种新型光纤颜色线序检测方法及系统,该方法包括:图像预处理,将光纤置于光纤夹具上,相机实时采集彩色图像,并进行图像优化处理;光纤定位识别,根据图像预处理结果,将光纤进行定位识别,识别出光纤在图像上的位置;颜色识别,根据定位信息,计算颜色信息,识别每条光纤的颜色,并与光纤产品颜色库中的数据进行比对;结果输出,根据颜色识别信息与比对信息,显示结果信息,并报读正品与不良品声音。本发明采用深度学习与机器视觉相结合识别颜色,不同光纤通过深度学习进行识别定位,不同颜色通过颜色空间特征编码得到颜色空间向量,根据空间向量进行分类得到颜色识别结果,识别颜色过程更快速,更准确。
Description
技术领域
本发明涉及通讯辅助设备技术领域,具体涉及一种新型光纤颜色线序检测方法及系统。
背景技术
光纤颜色线序识别是指利用人工智能与计算机视觉自动识别光纤颜色的顺序,并给出光纤颜色不对的具体位置,近年来,随着人工智能的飞速发展,颜色识别在现代生活中应用非常广泛,不论在图像处理、产品质检、工业自动化,还是各种生产生活都需要对颜色进行探测识别,在各领域的广泛应用需求使颜色识别技术有了长足的发展,结合其他技术,为工业生产、工业控制、产品制造等多个行业更好的服务,通过深度学习、计算机视觉实现的颜色识别技术,经过不断的发展,越来越适用于大众的需求;
颜色识别技术与设备普及并不广泛,一些企业仍然采用最原始的检测办法:目视法,该方法主要依靠工作人员的经验和通过目视方法判断颜色顺序,严重阻碍生成效率,而且企业已经意识到颜色识别的重要性,开始尝试智能的颜色识别系统代替人眼对产品进行检测。
得益于深度学习、机器视觉的快速发展,光纤线序颜色识别系统迎来了新的机遇和挑战。
但是,现有技术存在:
性能不稳定、识别效率低、识别准确率低、无法识别光纤颜色、无法识别透明色等不足。
因此,需要提供一种新的方法,解决上述问题。
发明内容
针对现有技术存在的问题,本发明提供一种新型光纤颜色线序检测方法及系统。
为实现上述目的,本发明的具体方案如下:
本发明提供一种新型光纤颜色线序检测方法,包括如下步骤:
S1,图像预处理,将光纤置于光纤夹具上,相机实时采集彩色图像,并进行图像优化处理;
S2,光纤定位识别,根据图像预处理结果,将光纤进行定位识别,识别出光纤在图像上的位置;
S3,颜色识别,根据S2中的定位信息,计算颜色信息,识别每条光纤的颜色,并与光纤产品颜色库中的数据进行比对;
S4,结果输出,根据S3中颜色识别信息与比对信息,显示结果信息,并报读正品与不良品声音。
进一步的,步骤S2具体包括如下步骤:
S21,输入预处理图像,通过颜色特征编码得到的特征向量;
S22,编码后特征向量进行不同尺度的融合,形成特征集F;
S23,特征集F通过全连接网络输出光纤定位信息。
进一步的,步骤S3具体包括如下步骤:
S31,颜色空间特征编码,经过编码器得到空间特征向量C;
S32,颜色空间特征向量转换;
T=Encoder Trans(Chsv,Crgb,Cgray) (3)
S33,经过特征分类识别到目标颜色;
其中K为颜色数量,θ为模型参数,y表示识别的颜色,w1、w2、w3权重参数,μi局部像素平局值,Chsv通过Econder在HSV空间特征,Crgb通过Econder在RGB空间特征,Cgray通过Econder在GRAY空间特征。
本发明还一种新型光纤颜色线序检测系统,用于实现上述检测方法,该系统包括四大模块:图像预处理、光纤定位识别、颜色识别、结果输出语音报读;
其中,图像预处理是基于机器视觉对图像进行处理优化;
光纤定位识别是基于端到端的深度学习回归方法识别出光纤的种类与位置;
颜色识别基于彩色RGB,HSV,灰度分布规律进行区分识别;
结果输出是将结果进行可视化呈现并通过语音进行报读。
采用本发明的技术方案,具有以下有益效果:
1、采用深度学习与机器视觉相结合识别颜色,不同光纤通过深度学习进行识别定位,不同颜色通过颜色空间特征编码得到颜色空间向量,根据空间向量进行分类得到颜色识别结果;
2、深度学习与机器视觉有机结合,缓和了光纤定位识别,透明纤识别,颜色识别不稳定问题,在训练光纤定位识别识别时,只需要正品光纤即可,更易于收集;
3、在颜色识别前融合了多颜色空间特征,识别颜色过程更快速,更准确。
附图说明
图1是本发明的新型光纤颜色线序检测系统的框图;
图2是本发明的新型光纤颜色线序检测系统的逻辑图;
图3是本发明的光纤定位模块流程图;
图4是本发明的光纤颜色识别模块流程图;
图5是本发明的整体流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在本发明的描述中,除非另有明确的规定和限定,术语“相连”、“连接”、“固定”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本实施例的描述中,术语“上”、“下”、“前”、“后”、“左”、“右”等方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述和简化操作,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅仅用于在描述上加以区分,并没有特殊的含义。
如图1-5所示,本发明提供一种新型光纤颜色线序检测方法,包括如下步骤:
S1,图像预处理,将光纤置于光纤夹具上,相机实时采集彩色图像,并进行图像优化处理;
S2,光纤定位识别,根据图像预处理结果,将光纤进行定位识别,识别出光纤在图像上的位置;
S3,颜色识别,根据S2中的定位信息,计算颜色信息,识别每条光纤的颜色,并与光纤产品颜色库中的数据进行比对;
S4,结果输出,根据S3中颜色识别信息与比对信息,显示结果信息,并报读正品与不良品声音。
步骤S2具体包括如下步骤:
S21,输入预处理图像,通过颜色特征编码得到的特征向量;
S22,编码后特征向量进行不同尺度的融合,形成特征集F;
S23,特征集F通过全连接网络输出光纤定位信息。
步骤S3具体包括如下步骤:
S31,颜色空间特征编码,经过编码器得到空间特征向量C;
S32,颜色空间特征向量转换;
T=EncoderTrans(Chsv,Crgb,Cgray) (3)
S33,经过特征分类识别到目标颜色;
其中K为颜色数量,θ为模型参数,y表示识别的颜色,w1、w2、w3权重参数,μi局部像素平局值,Chsv通过Econder在HSV空间特征,Crgb通过Econder在RGB空间特征,Cgray通过Econder在GRAY空间特征。
本发明还提供一种新型光纤颜色线序检测系统,用于实现上述检测方法,其特征在于,该系统包括四大模块:图像预处理、光纤定位识别、颜色识别、结果输出语音报读;
其中,图像预处理是基于机器视觉对图像进行处理优化;
光纤定位识别是基于端到端的深度学习回归方法识别出光纤的种类与位置;
颜色识别基于彩色RGB,HSV,灰度分布规律进行区分识别;
结果输出是将结果进行可视化呈现并通过语音进行报读。
进一步地,该新型光纤颜色线序检测系统中,图像预处理、光纤定位识别、颜色识别、结果输出基于上述方法步骤S1-S4,在此不做赘述。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的保护范围内。
Claims (4)
1.一种新型光纤颜色线序检测方法,其特征在于,包括如下步骤:
S1,图像预处理:将光纤置于光纤夹具上,相机实时采集彩色图像,并进行图像优化处理;
S2,光纤定位识别:根据图像预处理结果,将光纤进行定位识别,识别出光纤在图像上的位置;
S3,颜色识别:根据S2中的定位信息,计算颜色信息,识别每条光纤的颜色,并与光纤产品颜色库中的数据进行比对;
S4,结果输出:根据S3中颜色识别信息与比对信息,显示结果信息,并报读正品与不良品声音。
2.根据权利要求1所述的新型光纤颜色线序检测方法,其特征在于,步骤S2具体包括如下步骤:
S21,输入预处理图像,通过颜色特征编码得到的特征向量;
S22,编码后特征向量进行不同尺度的融合,形成特征集F;
S23,特征集F通过全连接网络输出光纤定位信息。
4.一种新型光纤颜色线序检测系统,用于实现权利要求1-3任意一项所述的检测方法,其特征在于,该系统包括四大模块:图像预处理、光纤定位识别、颜色识别、结果输出语音报读;
其中,图像预处理是基于机器视觉对图像进行处理优化;
光纤定位识别是基于端到端的深度学习回归方法识别出光纤的种类与位置;
颜色识别基于彩色RGB,HSV,灰度分布规律进行区分识别;
结果输出是将结果进行可视化呈现并通过语音进行报读。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211378492.9A CN115690234B (zh) | 2022-11-04 | 2022-11-04 | 一种新型光纤颜色线序检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211378492.9A CN115690234B (zh) | 2022-11-04 | 2022-11-04 | 一种新型光纤颜色线序检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115690234A true CN115690234A (zh) | 2023-02-03 |
CN115690234B CN115690234B (zh) | 2023-07-25 |
Family
ID=85049139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211378492.9A Active CN115690234B (zh) | 2022-11-04 | 2022-11-04 | 一种新型光纤颜色线序检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115690234B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116558777A (zh) * | 2023-03-27 | 2023-08-08 | 珠海科技学院 | 一种光纤通导性检验方法及系统 |
CN116934716A (zh) * | 2023-07-25 | 2023-10-24 | 深圳云码通科技有限公司 | 一种新型模切套准检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020164133A1 (en) * | 2001-03-13 | 2002-11-07 | Rattazzi Dean J. | Method and system for identifying optical fibers and buffer tubes |
CN106846298A (zh) * | 2016-12-22 | 2017-06-13 | 清华大学 | 光纤排线识别方法和装置 |
US20180059162A1 (en) * | 2016-08-30 | 2018-03-01 | Corning Incorporated | Multi-fiber identification using jacket color |
CN111639709A (zh) * | 2020-05-29 | 2020-09-08 | 大连海事大学 | 一种基于深度学习的航标灯质智能识别方法 |
CN111665199A (zh) * | 2019-03-06 | 2020-09-15 | 东莞中科蓝海智能视觉科技有限公司 | 一种基于机器视觉的电线电缆颜色检测识别方法 |
CN113837174A (zh) * | 2020-06-24 | 2021-12-24 | 腾讯科技(深圳)有限公司 | 目标对象识别方法、装置及计算机设备 |
-
2022
- 2022-11-04 CN CN202211378492.9A patent/CN115690234B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020164133A1 (en) * | 2001-03-13 | 2002-11-07 | Rattazzi Dean J. | Method and system for identifying optical fibers and buffer tubes |
US20180059162A1 (en) * | 2016-08-30 | 2018-03-01 | Corning Incorporated | Multi-fiber identification using jacket color |
CN106846298A (zh) * | 2016-12-22 | 2017-06-13 | 清华大学 | 光纤排线识别方法和装置 |
CN111665199A (zh) * | 2019-03-06 | 2020-09-15 | 东莞中科蓝海智能视觉科技有限公司 | 一种基于机器视觉的电线电缆颜色检测识别方法 |
CN111639709A (zh) * | 2020-05-29 | 2020-09-08 | 大连海事大学 | 一种基于深度学习的航标灯质智能识别方法 |
CN113837174A (zh) * | 2020-06-24 | 2021-12-24 | 腾讯科技(深圳)有限公司 | 目标对象识别方法、装置及计算机设备 |
Non-Patent Citations (1)
Title |
---|
王磊, 陈卫东: "面向自主机器人的实时彩色视觉系统", 上海交通大学学报, no. 11 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116558777A (zh) * | 2023-03-27 | 2023-08-08 | 珠海科技学院 | 一种光纤通导性检验方法及系统 |
CN116558777B (zh) * | 2023-03-27 | 2024-04-09 | 珠海科技学院 | 一种光纤通导性检验方法及系统 |
CN116934716A (zh) * | 2023-07-25 | 2023-10-24 | 深圳云码通科技有限公司 | 一种新型模切套准检测方法 |
CN116934716B (zh) * | 2023-07-25 | 2024-03-15 | 深圳云码通科技有限公司 | 一种新型模切套准检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115690234B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612763B (zh) | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 | |
CN115690234B (zh) | 一种新型光纤颜色线序检测方法及系统 | |
CN109829914B (zh) | 检测产品缺陷的方法和装置 | |
CN109919934B (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
CN115516500A (zh) | 基于自动编码器和聚类的异常检测 | |
CN110648310A (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
CN111712769A (zh) | 用于设定照明条件的方法、装置、系统及程序以及存储介质 | |
CN112381788A (zh) | 一种基于双分支匹配网络的零部件表面缺陷增量检测方法 | |
CN117152484B (zh) | 基于改进的YOLOv5s的小目标布匹瑕疵检测方法 | |
CN109543773A (zh) | 图像处理方法、装置、介质及电子设备 | |
CN113269234B (zh) | 一种基于目标检测的连接件装配检测方法和系统 | |
CN114441452A (zh) | 一种光纤尾纤检测方法 | |
CN113920364A (zh) | 基于注意力机制及检测变换器的宫颈细胞检测与识别方法 | |
CN116994130A (zh) | 一种基于知识蒸馏的高精度轻量化桥梁裂缝识别方法 | |
CN114912637B (zh) | 人机物知识图谱制造产线运维决策方法及系统、存储介质 | |
CN114926702B (zh) | 一种基于深度注意力度量的小样本图像分类方法 | |
CN109635684A (zh) | 一种食品追溯系统 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 | |
CN115512174A (zh) | 应用二次IoU损失函数的无锚框目标检测方法 | |
CN109800719B (zh) | 基于分部件和压缩字典稀疏表示的低分辨率人脸识别方法 | |
CN115294009A (zh) | 一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质 | |
CN110956366A (zh) | 一种装维质检中分光器施工一致性检验方法 | |
CN117670820A (zh) | 一种塑料薄膜生产缺陷检测方法及系统 | |
CN110033037A (zh) | 一种数字式仪表读数的识别方法 | |
Shanbin et al. | Electrical cabinet wiring detection method based on improved yolov5 and pp-ocrv3 |
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 |