CN116168037A - 一种基于图像处理的导线压接弯曲度计算方法及系统 - Google Patents

一种基于图像处理的导线压接弯曲度计算方法及系统 Download PDF

Info

Publication number
CN116168037A
CN116168037A CN202310458078.7A CN202310458078A CN116168037A CN 116168037 A CN116168037 A CN 116168037A CN 202310458078 A CN202310458078 A CN 202310458078A CN 116168037 A CN116168037 A CN 116168037A
Authority
CN
China
Prior art keywords
corner
image
wire crimping
pixel
crimping
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
CN202310458078.7A
Other languages
English (en)
Other versions
CN116168037B (zh
Inventor
关华深
李晓斌
陈启宁
张红阳
杨玺
辛浩淼
林伟亮
侯维捷
张晓光
许巧云
黄智明
梁祖鸿
孙国富
赵耀新
邹巍
关俊峰
郑日平
姚攀
修宇翔
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.)
Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Jiangmen Power Supply Bureau of Guangdong Power Grid 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 Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202310458078.7A priority Critical patent/CN116168037B/zh
Publication of CN116168037A publication Critical patent/CN116168037A/zh
Application granted granted Critical
Publication of CN116168037B publication Critical patent/CN116168037B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，公开了一种基于图像处理的导线压接弯曲度计算方法及系统，其方法通过获取导线压接图像，对预处理后的导线压接图像进行两次角点检测，基于直线亚像素拟合法对待检测角点进行亚像素定位，在预处理后的导线压接图像中沿行方向获取图像的第一个像素点的坐标和最后一个像素点的坐标均作为中间拟合点，对亚像素端点和中间拟合点进行最小二乘拟合，得到压接边缘拟合方程，根据压接边缘拟合方程获得一阶弦长方程，计算压接边缘各点到一阶弦长方程的距离，并确定最大径向变形量，根据最大径向变形量和导线压接最大弦长计算导线压接弯曲度，从而提高了压接弯曲度测量精度和工作效率，保证了导线压接质量。

Description

一种基于图像处理的导线压接弯曲度计算方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于图像处理的导线压接弯曲度计算方法及系统。
背景技术
导线压接是输电工程中重要环节，关系到电网安全运行。压接后导线的弯曲度对电力运输有着重要的影响，弯曲度越大，对导线芯部产生的拉伸力越大，容易发生松股和绝缘层损坏等问题，影响导线的通过性能。因此，压接弯曲度的精确测量和检测对压接质量评估起到了重要的参考作用，也是对压接导线通过性能诊断的重要步骤。
当前国内的导线压接通常在野外进行，主要依靠工人利用水平仪、卷尺进行测量，测量结果重复性差且耗时耗力，导致测量工作效率较低，且难以保证导线压接质量。
发明内容
本发明提供了一种基于图像处理的导线压接弯曲度计算方法及系统，解决了导线压接弯曲度测量工作效率较低，且难以保证导线压接质量的技术问题。
有鉴于此，本发明第一方面提供了一种基于图像处理的导线压接弯曲度计算方法，包括以下步骤：
获取导线压接图像，对所述导线压接图像进行预处理；
对预处理后的导线压接图像进行两次角点检测，得到待检测角点；
基于直线亚像素拟合法对所述待检测角点进行亚像素定位，得到亚像素端点；
根据预先获取的导线压接间距，在预处理后的导线压接图像中沿行方向获取图像的第一个像素点的坐标和最后一个像素点的坐标均作为中间拟合点，对所述亚像素端点和所述中间拟合点进行最小二乘拟合，得到压接边缘拟合方程；
根据压接边缘拟合方程获得一阶弦长方程，计算压接边缘各点到所述一阶弦长方程的距离，并确定最大径向变形量，根据最大径向变形量和导线压接最大弦长计算导线压接弯曲度。
优选地，获取导线压接图像，对所述导线压接图像进行预处理的步骤具体包括：
获取原始导线压接图像；
提取所述原始导线压接图像的感兴趣区域；
对所述感兴趣区域进行双边滤波，再进行Otsu阈值化得到二值图；
通过面积过滤法对所述二值图进行过滤，得到过滤图像；
对所述过滤图像进行扩充，再通过形态学运算对扩充后的过滤图像进行膨胀操作和腐蚀操作，得到完整的压接图像。
优选地，对预处理后的导线压接图像进行两次角点检测，得到待检测角点的步骤具体包括：
基于Harris角点检测算法对预处理后的导线压接图像进行一次角点检测，得到多个候选角点；
以每个候选角点的角点坐标为圆心，画出半径为1个像素的圆，并对圆进行填充角点，将填充后的角点进行聚类，从而得到多个角点簇，对聚类后的圆进行连通域分析，得到多个连通域，以每个连通域的外接矩形中心作为二次角点检测后的角点。
优选地，基于Harris角点检测算法对预处理后的导线压接图像进行一次角点检测，得到多个候选角点的步骤具体包括：
通过3×3固定窗口在预处理后的导线压接图像上分别沿行方向和列方向进行滑动，得到预处理后的导线压接图像分别在行方向和列方向的梯度图像；
根据预处理后的导线压接图像分别在滑动前后的梯度图像计算滑动前后窗口内的灰度变化程度为：
Figure SMS_1
；
式中，
Figure SMS_2
表示灰度变化程度值，/>
Figure SMS_3
为窗口滑移量，i为窗口在横坐标方向的滑移量，j为窗口在纵坐标方向的滑移量，/>
Figure SMS_4
为窗口中心像素坐标，r为窗口中心像素横坐标，c为窗口中心像素纵坐标，/>
Figure SMS_5
为窗口函数，/>
Figure SMS_6
表示滑动前的梯度图像，/>
Figure SMS_7
表示滑动后的梯度图像；
对灰度变化程度进行泰勒展开，得到：
Figure SMS_8
；
式中，M为梯度矩阵，
Figure SMS_9
，其中，/>
Figure SMS_10
分别为导线压接图像在行方向和列方向的梯度图像；
通过下式计算角点响应强度为：
Figure SMS_11
；
式中，R为角点响应强度，detM为特征乘积值，
Figure SMS_12
，traceM为特征加和值，/>
Figure SMS_13
，/>
Figure SMS_14
均为梯度矩阵M的特征值，g为常数；
在预处理后的导线压接图像中筛选出像素点的角点响应强度大于自适应阈值的像素点为候选角点，其中，自适应阈值
Figure SMS_15
，式中，/>
Figure SMS_16
为平均角点响应强度。
优选地，基于直线亚像素拟合法对所述待检测角点进行亚像素定位，得到亚像素端点的步骤具体包括：
对待检测角点按照其对应所在行数分类为上角点、下角点和中角点，分别从上角点集合和下角点集合中选取列数最大的两个角点，记为
Figure SMS_18
、/>
Figure SMS_19
，/>
Figure SMS_21
、/>
Figure SMS_22
，其中，/>
Figure SMS_23
、/>
Figure SMS_24
均为上角点集合中选取的列数最大的两个角点，/>
Figure SMS_25
、/>
Figure SMS_17
均为下角点集合中选取的列数最大的两个角点，从中角点集合中选取中间行数的角点，记为/>
Figure SMS_20
；
根据
Figure SMS_27
、/>
Figure SMS_29
分别对应的角点坐标进行直线拟合为上边缘边界线/>
Figure SMS_30
，根据/>
Figure SMS_31
、
Figure SMS_32
分别对应的角点坐标进行直线拟合为右边缘界线/>
Figure SMS_33
，上边缘边界线/>
Figure SMS_34
和右边缘界线
Figure SMS_26
的交点为亚像素上端点/>
Figure SMS_28
；
根据
Figure SMS_36
、/>
Figure SMS_37
分别对应的角点坐标进行直线拟合为下边缘边界线/>
Figure SMS_39
，根据/>
Figure SMS_40
、/>
Figure SMS_41
分别对应的角点坐标进行直线拟合为右边缘边界线/>
Figure SMS_42
，下边缘边界线/>
Figure SMS_43
和右边缘边界线/>
Figure SMS_35
的交点为亚像素下端点/>
Figure SMS_38
。
优选地，根据压接边缘拟合方程获得一阶弦长方程，计算压接边缘各点到所述一阶弦长方程的距离，并确定最大径向变形量，根据最大径向变形量和导线压接最大弦长计算导线压接弯曲度的步骤具体包括：
根据压接边缘拟合方程获得一阶弦长方程为：
Figure SMS_44
；
式中，L为弦长，x为像素点，a、b均为系数；
计算压接边缘各点到所述一阶弦长方程的距离，并确定最大径向变形量为：
Figure SMS_45
；
式中，h为最大径向变形量；
根据最大径向变形量和导线压接最大弦长通过下式计算导线压接弯曲度为：
Figure SMS_46
；
式中，c为导线压接弯曲度，l为导线压接最大弦长。
第二方面，本发明还提供了一种基于图像处理的导线压接弯曲度计算系统，包括：
图像预处理模块，用于获取导线压接图像，对所述导线压接图像进行预处理；
角点检测模块，用于对预处理后的导线压接图像进行两次角点检测，得到待检测角点；
定位模块，用于基于直线亚像素拟合法对所述待检测角点进行亚像素定位，得到亚像素端点；
边缘拟合模块，用于根据预先获取的导线压接间距，在预处理后的导线压接图像中沿行方向获取图像的第一个像素点的坐标和最后一个像素点的坐标均作为中间拟合点，对所述亚像素端点和所述中间拟合点进行最小二乘拟合，得到压接边缘拟合方程；
弯曲度计算模块，用于根据压接边缘拟合方程获得一阶弦长方程，计算压接边缘各点到所述一阶弦长方程的距离，并确定最大径向变形量，根据最大径向变形量和导线压接最大弦长计算导线压接弯曲度。
优选地，所述图像预处理模块具体包括：
图像获取模块，用于获取原始导线压接图像；
提取模块，用于提取所述原始导线压接图像的感兴趣区域；
滤波模块，用于对所述感兴趣区域进行双边滤波，再进行Otsu阈值化得到二值图；
过滤模块，用于通过面积过滤法对所述二值图进行过滤，得到过滤图像；
形态学运算模块，用于对所述过滤图像进行扩充，再通过形态学运算对扩充后的过滤图像进行膨胀操作和腐蚀操作，得到完整的压接图像。
优选地，所述角点检测模块具体包括：
一次角点检测模块，用于基于Harris角点检测算法对预处理后的导线压接图像进行一次角点检测，得到多个候选角点；
二次角点检测模块，用于以每个候选角点的角点坐标为圆心，画出半径为1个像素的圆，并对圆进行填充角点，将填充后的角点进行聚类，从而得到多个角点簇，对聚类后的圆进行连通域分析，得到多个连通域，以每个连通域的外接矩形中心作为二次角点检测后的角点。
优选地，所述一次角点检测模块具体包括：
滑动模块，用于通过3×3固定窗口在预处理后的导线压接图像上分别沿行方向和列方向进行滑动，得到预处理后的导线压接图像分别在行方向和列方向的梯度图像；
灰度变化模块，用于根据预处理后的导线压接图像分别在滑动前后的梯度图像计算滑动前后窗口内的灰度变化程度为：
Figure SMS_47
；
式中，
Figure SMS_48
表示灰度变化程度值，/>
Figure SMS_49
为窗口滑移量，i为窗口在横坐标方向的滑移量，j为窗口在纵坐标方向的滑移量，/>
Figure SMS_50
为窗口中心像素坐标，r为窗口中心像素横坐标，c为窗口中心像素纵坐标，/>
Figure SMS_51
为窗口函数，/>
Figure SMS_52
表示滑动前的梯度图像，/>
Figure SMS_53
表示滑动后的梯度图像；
泰勒模块，用于对灰度变化程度进行泰勒展开，得到：
Figure SMS_54
；
式中，M为梯度矩阵，
Figure SMS_55
，其中，/>
Figure SMS_56
分别为导线压接图像在行方向和列方向的梯度图像；
响应强度计算模块，用于通过下式计算角点响应强度为：
Figure SMS_57
；/>
式中，R为角点响应强度，detM为特征乘积值，
Figure SMS_58
，traceM为特征加和值，/>
Figure SMS_59
，/>
Figure SMS_60
均为梯度矩阵M的特征值，g为常数；
角点筛选模块，用于在预处理后的导线压接图像中筛选出像素点的角点响应强度大于自适应阈值的像素点为候选角点，其中，自适应阈值
Figure SMS_61
，式中，/>
Figure SMS_62
为平均角点响应强度。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过获取导线压接图像，对预处理后的导线压接图像进行两次角点检测，基于直线亚像素拟合法对待检测角点进行亚像素定位，得到亚像素端点，在预处理后的导线压接图像中沿行方向获取图像的第一个像素点的坐标和最后一个像素点的坐标均作为中间拟合点，对亚像素端点和中间拟合点进行最小二乘拟合，得到压接边缘拟合方程，根据压接边缘拟合方程获得一阶弦长方程，计算压接边缘各点到一阶弦长方程的距离，并确定最大径向变形量，根据最大径向变形量和导线压接最大弦长计算导线压接弯曲度，从而实现了导线压接弯曲度的非接触式测量，提高了压接弯曲度测量精度和工作效率，保证了导线压接质量。
附图说明
图1为本发明实施例提供的一种基于图像处理的导线压接弯曲度计算方法的流程图；
图2为本发明实施例提供的导线压接图像二值图；
图3为本发明实施例提供的导线压接图像形态学处理后的示意图；
图4为本发明实施例提供的一种基于图像处理的导线压接弯曲度计算系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了便于理解，请参阅图1，本发明提供的一种基于图像处理的导线压接弯曲度计算方法，包括以下步骤：
S1、获取导线压接图像，对导线压接图像进行预处理。
S2、对预处理后的导线压接图像进行两次角点检测，得到待检测角点。
S3、基于直线亚像素拟合法对待检测角点进行亚像素定位，得到亚像素端点。
S4、根据预先获取的导线压接间距，在预处理后的导线压接图像中沿行方向获取图像的第一个像素点的坐标和最后一个像素点的坐标均作为中间拟合点，对亚像素端点和中间拟合点进行最小二乘拟合，得到压接边缘拟合方程。
其中，首先测量导线压接间距，在导线压接间距内的预处理后的导线压接图像中沿行方向获取图像的第一个像素点的坐标和最后一个像素点的坐标均作为中间拟合点，根据亚像素端点和中间点进行最小二乘拟合，拟合方程为
Figure SMS_63
，其中，x、y分别为方程的横坐标和纵坐标，a、b、c均为系数。
S5、根据压接边缘拟合方程获得一阶弦长方程，计算压接边缘各点到一阶弦长方程的距离，并确定最大径向变形量，根据最大径向变形量和导线压接最大弦长计算导线压接弯曲度。
需要说明的是，本实施例提供的一种基于图像处理的导线压接弯曲度计算方法，通过获取导线压接图像，对预处理后的导线压接图像进行两次角点检测，基于直线亚像素拟合法对待检测角点进行亚像素定位，得到亚像素端点，在预处理后的导线压接图像中沿行方向获取图像的第一个像素点的坐标和最后一个像素点的坐标均作为中间拟合点，对亚像素端点和中间拟合点进行最小二乘拟合，得到压接边缘拟合方程，根据压接边缘拟合方程获得一阶弦长方程，计算压接边缘各点到一阶弦长方程的距离，并确定最大径向变形量，根据最大径向变形量和导线压接最大弦长计算导线压接弯曲度，从而实现了导线压接弯曲度的非接触式测量，提高了压接弯曲度测量精度和工作效率，保证了导线压接质量。
在一个具体实施例中，步骤S1具体包括：
S101、获取原始导线压接图像。
S102、提取原始导线压接图像的感兴趣区域；
S103、对感兴趣区域进行双边滤波，再进行Otsu阈值化得到二值图；
S104、通过面积过滤法对二值图进行过滤，得到过滤图像；
S105、对过滤图像进行扩充，再通过形态学运算对扩充后的过滤图像进行膨胀操作和腐蚀操作，得到完整的压接图像。
其中，形态学运算表达式
Figure SMS_64
为：
Figure SMS_65
；
其中，k为迭代次数，符号“
Figure SMS_66
”和“/>
Figure SMS_67
”分别为膨胀和腐蚀操作。A为压接图像待检测图像，B为3×3尺寸的结构元。
可以理解的是，采集原始压接图像，截取图像感兴趣区域ROI（region ofinterest），后进行双边滤波，提高边缘检测精度，再进行Otsu阈值化得到二值图，如图2所示。通过面积过滤法，去除其他干扰因素。为保证形态学处理效果，先对图像进行扩充，再多次使用膨胀操作，填补压接图像中的缺口，后进行相同次数的腐蚀得到完整的压接图像，如图3所示。
在一个具体实施例中，步骤S2具体包括：
S201、基于Harris角点检测算法对预处理后的导线压接图像进行一次角点检测，得到多个候选角点。
在一个示例中，步骤S201具体包括：
S2011、通过3×3固定窗口在预处理后的导线压接图像上分别沿行方向和列方向进行滑动，得到预处理后的导线压接图像分别在行方向和列方向的梯度图像；
S2012、根据预处理后的导线压接图像分别在滑动前后的梯度图像计算滑动前后窗口内的灰度变化程度为：
Figure SMS_68
；
式中，
Figure SMS_69
表示灰度变化程度值，/>
Figure SMS_70
为窗口滑移量，i为窗口在横坐标方向的滑移量，j为窗口在纵坐标方向的滑移量，/>
Figure SMS_71
为窗口中心像素坐标，r为窗口中心像素横坐标，c为窗口中心像素纵坐标，/>
Figure SMS_72
为窗口函数，/>
Figure SMS_73
表示滑动前的梯度图像，/>
Figure SMS_74
表示滑动后的梯度图像；
S2013、对灰度变化程度进行泰勒展开，得到：
Figure SMS_75
；
式中，M为梯度矩阵，
Figure SMS_76
，其中，/>
Figure SMS_77
分别为导线压接图像在行方向和列方向的梯度图像；
S2014、通过下式计算角点响应强度为：
Figure SMS_78
；
式中，R为角点响应强度，detM为特征乘积值，
Figure SMS_79
，traceM为特征加和值，/>
Figure SMS_80
，/>
Figure SMS_81
均为梯度矩阵M的特征值，g为常数；
其中，特征值满足：
Figure SMS_82
，x为梯度矩阵M对应的特征向量，则令/>
Figure SMS_83
的行列式为零，可得到特征值/>
Figure SMS_84
。
k为常数，仅用于调节函数R的形状，对检测结果无影响，本实施例中，k取值为0.05。
S2015、在预处理后的导线压接图像中筛选出像素点的角点响应强度大于自适应阈值的像素点为候选角点，其中，自适应阈值
Figure SMS_85
，式中，/>
Figure SMS_86
为平均角点响应强度。
其中，为避免传统Harris检测时选取阈值带来的局限性，故设计了自适应阈值进行筛选。
S202、以每个候选角点的角点坐标为圆心，画出半径为1个像素的圆，并对圆进行填充角点，将填充后的角点进行聚类，从而得到多个角点簇，对聚类后的圆进行连通域分析，得到多个连通域，以每个连通域的外接矩形中心作为二次角点检测后的角点。
其中，以每个候选角点的角点坐标为圆心，画出半径为1个像素的圆的表达式为
Figure SMS_87
。/>
填充半径为1的圆是指将
Figure SMS_88
的8邻域的像素点灰度值置为255；
填充后的角点会与其周围的填充角点产生交集，从而将一定范围内的角点聚簇成一个角点簇，若有孤立填充角点则也认为是一个角点簇；
对填充聚簇的图像进行连通域分析，可以得到角点簇的连通域对应的外接矩形，以其中心作为角点簇区域代表的角点。
在一个具体实施例中，步骤S3具体包括：
S301、对待检测角点按照其对应所在行数分类为上角点、下角点和中角点，分别从上角点集合和下角点集合中选取列数最大的两个角点，记为
Figure SMS_89
、/>
Figure SMS_91
，/>
Figure SMS_93
、/>
Figure SMS_94
，其中，/>
Figure SMS_95
、/>
Figure SMS_96
均为上角点集合中选取的列数最大的两个角点，/>
Figure SMS_97
、/>
Figure SMS_90
均为下角点集合中选取的列数最大的两个角点，从中角点集合中选取中间行数的角点，记为/>
Figure SMS_92
；
S302、根据
Figure SMS_98
、/>
Figure SMS_100
分别对应的角点坐标进行直线拟合为上边缘边界线/>
Figure SMS_102
，根据
Figure SMS_103
、/>
Figure SMS_104
分别对应的角点坐标进行直线拟合为右边缘界线/>
Figure SMS_105
，上边缘边界线/>
Figure SMS_106
和右边缘界线/>
Figure SMS_99
的交点为亚像素上端点/>
Figure SMS_101
；
S303、根据
Figure SMS_108
、/>
Figure SMS_109
分别对应的角点坐标进行直线拟合为下边缘边界线/>
Figure SMS_111
，根据/>
Figure SMS_112
、/>
Figure SMS_113
分别对应的角点坐标进行直线拟合为右边缘边界线/>
Figure SMS_114
，下边缘边界线/>
Figure SMS_115
和右边缘边界线/>
Figure SMS_107
的交点为亚像素下端点/>
Figure SMS_110
。
其中，拟合的计算公式如下所示：
Figure SMS_116
；
Figure SMS_117
；
式中，
Figure SMS_119
、/>
Figure SMS_120
分别为角点/>
Figure SMS_122
的横坐标、纵坐标，/>
Figure SMS_124
、/>
Figure SMS_126
分别为角点/>
Figure SMS_127
的横坐标、纵坐标，/>
Figure SMS_130
、/>
Figure SMS_118
分别为角点/>
Figure SMS_121
的横坐标、纵坐标，/>
Figure SMS_123
、/>
Figure SMS_125
分别为角点/>
Figure SMS_128
的横坐标、纵坐标,/>
Figure SMS_129
、/>
Figure SMS_131
分别为角点/>
Figure SMS_132
的横坐标、纵坐标。
在一个具体实施例中，步骤S5具体包括：
S501、根据压接边缘拟合方程获得一阶弦长方程为：
Figure SMS_133
；
式中，L为弦长，x为像素点，a、b均为系数；
其中，取压接边缘拟合曲线的两端点作为最大弦长上的两个点，根据两点坐标可确定对应的一阶弦长方程。
S502、计算压接边缘各点到一阶弦长方程的距离，并确定最大径向变形量为：
Figure SMS_134
；
式中，h为最大径向变形量；
S503、根据最大径向变形量和导线压接最大弦长通过下式计算导线压接弯曲度为：
Figure SMS_135
；
式中，c为导线压接弯曲度，l为导线压接最大弦长。
以上为本发明提供的一种基于图像处理的导线压接弯曲度计算方法的实施例的详细描述，以下为本发明提供的一种基于图像处理的导线压接弯曲度计算系统的实施例的详细描述。
为了便于理解，请参阅图4，一种基于图像处理的导线压接弯曲度计算系统，包括：
图像预处理模块100，用于获取导线压接图像，对导线压接图像进行预处理；
角点检测模块200，用于对预处理后的导线压接图像进行两次角点检测，得到待检测角点；
定位模块300，用于基于直线亚像素拟合法对待检测角点进行亚像素定位，得到亚像素端点；
边缘拟合模块400，用于根据预先获取的导线压接间距，在预处理后的导线压接图像中沿行方向获取图像的第一个像素点的坐标和最后一个像素点的坐标均作为中间拟合点，对亚像素端点和中间拟合点进行最小二乘拟合，得到压接边缘拟合方程；
弯曲度计算模块500，用于根据压接边缘拟合方程获得一阶弦长方程，计算压接边缘各点到一阶弦长方程的距离，并确定最大径向变形量，根据最大径向变形量和导线压接最大弦长计算导线压接弯曲度。
在一个具体实施例中，图像预处理模块具体包括：
图像获取模块，用于获取原始导线压接图像；
提取模块，用于提取原始导线压接图像的感兴趣区域；
滤波模块，用于对感兴趣区域进行双边滤波，再进行Otsu阈值化得到二值图；
过滤模块，用于通过面积过滤法对二值图进行过滤，得到过滤图像；
形态学运算模块，用于对过滤图像进行扩充，再通过形态学运算对扩充后的过滤图像进行膨胀操作和腐蚀操作，得到完整的压接图像。
在一个具体实施例中，角点检测模块具体包括：
一次角点检测模块，用于基于Harris角点检测算法对预处理后的导线压接图像进行一次角点检测，得到多个候选角点；
二次角点检测模块，用于以每个候选角点的角点坐标为圆心，画出半径为1个像素的圆，并对圆进行填充角点，将填充后的角点进行聚类，从而得到多个角点簇，对聚类后的圆进行连通域分析，得到多个连通域，以每个连通域的外接矩形中心作为二次角点检测后的角点。
在一个具体实施例中，一次角点检测模块具体包括：
滑动模块，用于通过3×3固定窗口在预处理后的导线压接图像上分别沿行方向和列方向进行滑动，得到预处理后的导线压接图像分别在行方向和列方向的梯度图像；
灰度变化模块，用于根据预处理后的导线压接图像分别在滑动前后的梯度图像计算滑动前后窗口内的灰度变化程度为：
Figure SMS_136
；
式中，
Figure SMS_137
表示灰度变化程度值，/>
Figure SMS_138
为窗口滑移量，i为窗口在横坐标方向的滑移量，j为窗口在纵坐标方向的滑移量，/>
Figure SMS_139
为窗口中心像素坐标，r为窗口中心像素横坐标，c为窗口中心像素纵坐标，/>
Figure SMS_140
为窗口函数，/>
Figure SMS_141
表示滑动前的梯度图像，/>
Figure SMS_142
表示滑动后的梯度图像；
泰勒模块，用于对灰度变化程度进行泰勒展开，得到：
Figure SMS_143
；
式中，M为梯度矩阵，
Figure SMS_144
，其中，/>
Figure SMS_145
分别为导线压接图像在行方向和列方向的梯度图像；
响应强度计算模块，用于通过下式计算角点响应强度为：
Figure SMS_146
；
式中，R为角点响应强度，detM为特征乘积值，
Figure SMS_147
，traceM为特征加和值，/>
Figure SMS_148
，/>
Figure SMS_149
均为梯度矩阵M的特征值，g为常数；
角点筛选模块，用于在预处理后的导线压接图像中筛选出像素点的角点响应强度大于自适应阈值的像素点为候选角点，其中，自适应阈值
Figure SMS_150
，式中，/>
Figure SMS_151
为平均角点响应强度。
在一个具体实施例中，定位模块具体包括：
分类模块，用于对待检测角点按照其对应所在行数分类为上角点、下角点和中角点，分别从上角点集合和下角点集合中选取列数最大的两个角点，记为
Figure SMS_153
、/>
Figure SMS_155
，/>
Figure SMS_156
、/>
Figure SMS_157
，其中，/>
Figure SMS_158
、/>
Figure SMS_159
均为上角点集合中选取的列数最大的两个角点，/>
Figure SMS_160
、/>
Figure SMS_152
均为下角点集合中选取的列数最大的两个角点，从中角点集合中选取中间行数的角点，记为/>
Figure SMS_154
；
第一直线拟合模块，用于根据
Figure SMS_162
、/>
Figure SMS_163
分别对应的角点坐标进行直线拟合为上边缘边界线/>
Figure SMS_165
，根据/>
Figure SMS_166
、/>
Figure SMS_167
分别对应的角点坐标进行直线拟合为右边缘界线/>
Figure SMS_168
，上边缘边界线/>
Figure SMS_169
和右边缘界线/>
Figure SMS_161
的交点为亚像素上端点/>
Figure SMS_164
；
第二直线拟合模块，用于根据
Figure SMS_171
、/>
Figure SMS_172
分别对应的角点坐标进行直线拟合为下边缘边界线/>
Figure SMS_174
，根据/>
Figure SMS_175
、/>
Figure SMS_176
分别对应的角点坐标进行直线拟合为右边缘边界线/>
Figure SMS_177
，下边缘边界线/>
Figure SMS_178
和右边缘边界线/>
Figure SMS_170
的交点为亚像素下端点/>
Figure SMS_173
。
其中，拟合的计算公式如下所示：
Figure SMS_179
；
Figure SMS_180
；
式中，
Figure SMS_182
、/>
Figure SMS_183
分别为角点/>
Figure SMS_185
的横坐标、纵坐标，/>
Figure SMS_187
、/>
Figure SMS_188
分别为角点/>
Figure SMS_191
的横坐标、纵坐标，/>
Figure SMS_193
、/>
Figure SMS_181
分别为角点/>
Figure SMS_184
的横坐标、纵坐标，/>
Figure SMS_186
、/>
Figure SMS_189
分别为角点/>
Figure SMS_190
的横坐标、纵坐标,/>
Figure SMS_192
、/>
Figure SMS_194
分别为角点/>
Figure SMS_195
的横坐标、纵坐标。
在一个具体实施例中，弯曲度计算模块具体包括：
弦长模块，用于根据压接边缘拟合方程获得一阶弦长方程为：
Figure SMS_196
；
式中，L为弦长，x为像素点，a、b均为系数；
距离计算模块，用于计算压接边缘各点到一阶弦长方程的距离，并确定最大径向变形量为：
Figure SMS_197
；
式中，h为最大径向变形量；
弯曲度模块，用于根据最大径向变形量和导线压接最大弦长通过下式计算导线压接弯曲度为：
Figure SMS_198
；
式中，c为导线压接弯曲度，l为导线压接最大弦长。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于图像处理的导线压接弯曲度计算方法，其特征在于，包括以下步骤：
获取导线压接图像，对所述导线压接图像进行预处理；
对预处理后的导线压接图像进行两次角点检测，得到待检测角点；
基于直线亚像素拟合法对所述待检测角点进行亚像素定位，得到亚像素端点；
根据预先获取的导线压接间距，在预处理后的导线压接图像中沿行方向获取图像的第一个像素点的坐标和最后一个像素点的坐标均作为中间拟合点，对所述亚像素端点和所述中间拟合点进行最小二乘拟合，得到压接边缘拟合方程；
根据压接边缘拟合方程获得一阶弦长方程，计算压接边缘各点到所述一阶弦长方程的距离，并确定最大径向变形量，根据最大径向变形量和导线压接最大弦长计算导线压接弯曲度。
2.根据权利要求1所述的基于图像处理的导线压接弯曲度计算方法，其特征在于，获取导线压接图像，对所述导线压接图像进行预处理的步骤具体包括：
获取原始导线压接图像；
提取所述原始导线压接图像的感兴趣区域；
对所述感兴趣区域进行双边滤波，再进行Otsu阈值化得到二值图；
通过面积过滤法对所述二值图进行过滤，得到过滤图像；
对所述过滤图像进行扩充，再通过形态学运算对扩充后的过滤图像进行膨胀操作和腐蚀操作，得到完整的压接图像。
3.根据权利要求1所述的基于图像处理的导线压接弯曲度计算方法，其特征在于，对预处理后的导线压接图像进行两次角点检测，得到待检测角点的步骤具体包括：
基于Harris角点检测算法对预处理后的导线压接图像进行一次角点检测，得到多个候选角点；
以每个候选角点的角点坐标为圆心，画出半径为1个像素的圆，并对圆进行填充角点，将填充后的角点进行聚类，从而得到多个角点簇，对聚类后的圆进行连通域分析，得到多个连通域，以每个连通域的外接矩形中心作为二次角点检测后的角点。
4.根据权利要求3所述的基于图像处理的导线压接弯曲度计算方法，其特征在于，基于Harris角点检测算法对预处理后的导线压接图像进行一次角点检测，得到多个候选角点的步骤具体包括：
通过3×3固定窗口在预处理后的导线压接图像上分别沿行方向和列方向进行滑动，得到预处理后的导线压接图像分别在行方向和列方向的梯度图像；
根据预处理后的导线压接图像分别在滑动前后的梯度图像计算滑动前后窗口内的灰度变化程度为：
Figure QLYQS_1
；
式中，
Figure QLYQS_2
表示灰度变化程度值，/>
Figure QLYQS_3
为窗口滑移量，i为窗口在横坐标方向的滑移量，j为窗口在纵坐标方向的滑移量，/>
Figure QLYQS_4
为窗口中心像素坐标，r为窗口中心像素横坐标，c为窗口中心像素纵坐标，/>
Figure QLYQS_5
为窗口函数，/>
Figure QLYQS_6
表示滑动前的梯度图像，/>
Figure QLYQS_7
表示滑动后的梯度图像；
对灰度变化程度进行泰勒展开，得到：
Figure QLYQS_8
；
式中，M为梯度矩阵，
Figure QLYQS_9
，其中，/>
Figure QLYQS_10
分别为导线压接图像在行方向和列方向的梯度图像；
通过下式计算角点响应强度为：
Figure QLYQS_11
；
式中，R为角点响应强度，det M为特征乘积值，
Figure QLYQS_12
，traceM为特征加和值，/>
Figure QLYQS_13
，/>
Figure QLYQS_14
均为梯度矩阵M的特征值，g为常数；
在预处理后的导线压接图像中筛选出像素点的角点响应强度大于自适应阈值的像素点为候选角点，其中，自适应阈值
Figure QLYQS_15
，式中，/>
Figure QLYQS_16
为平均角点响应强度。
5.根据权利要求4所述的基于图像处理的导线压接弯曲度计算方法，其特征在于，基于直线亚像素拟合法对所述待检测角点进行亚像素定位，得到亚像素端点的步骤具体包括：
对待检测角点按照其对应所在行数分类为上角点、下角点和中角点，分别从上角点集合和下角点集合中选取列数最大的两个角点，记为
Figure QLYQS_18
、/>
Figure QLYQS_20
，/>
Figure QLYQS_21
、/>
Figure QLYQS_22
，其中，/>
Figure QLYQS_23
、/>
Figure QLYQS_24
均为上角点集合中选取的列数最大的两个角点，/>
Figure QLYQS_25
、/>
Figure QLYQS_17
均为下角点集合中选取的列数最大的两个角点，从中角点集合中选取中间行数的角点，记为/>
Figure QLYQS_19
；
根据
Figure QLYQS_27
、/>
Figure QLYQS_28
分别对应的角点坐标进行直线拟合为上边缘边界线/>
Figure QLYQS_30
，根据/>
Figure QLYQS_31
、/>
Figure QLYQS_32
分别对应的角点坐标进行直线拟合为右边缘界线/>
Figure QLYQS_33
，上边缘边界线/>
Figure QLYQS_34
和右边缘界线
Figure QLYQS_26
的交点为亚像素上端点/>
Figure QLYQS_29
；
根据
Figure QLYQS_36
、/>
Figure QLYQS_37
分别对应的角点坐标进行直线拟合为下边缘边界线/>
Figure QLYQS_39
，根据/>
Figure QLYQS_40
、/>
Figure QLYQS_41
分别对应的角点坐标进行直线拟合为右边缘边界线/>
Figure QLYQS_42
，下边缘边界线/>
Figure QLYQS_43
和右边缘边界线/>
Figure QLYQS_35
的交点为亚像素下端点/>
Figure QLYQS_38
。
6.根据权利要求1所述的基于图像处理的导线压接弯曲度计算方法，其特征在于，根据压接边缘拟合方程获得一阶弦长方程，计算压接边缘各点到所述一阶弦长方程的距离，并确定最大径向变形量，根据最大径向变形量和导线压接最大弦长计算导线压接弯曲度的步骤具体包括：
根据压接边缘拟合方程获得一阶弦长方程为：
Figure QLYQS_44
；
式中，L为弦长，x为像素点，a、b均为系数；
计算压接边缘各点到所述一阶弦长方程的距离，并确定最大径向变形量为：
Figure QLYQS_45
；
式中，h为最大径向变形量；
根据最大径向变形量和导线压接最大弦长通过下式计算导线压接弯曲度为：
Figure QLYQS_46
；
式中，c为导线压接弯曲度，l为导线压接最大弦长。
7.一种基于图像处理的导线压接弯曲度计算系统，其特征在于，包括：
图像预处理模块，用于获取导线压接图像，对所述导线压接图像进行预处理；
角点检测模块，用于对预处理后的导线压接图像进行两次角点检测，得到待检测角点；
定位模块，用于基于直线亚像素拟合法对所述待检测角点进行亚像素定位，得到亚像素端点；
边缘拟合模块，用于根据预先获取的导线压接间距，在预处理后的导线压接图像中沿行方向获取图像的第一个像素点的坐标和最后一个像素点的坐标均作为中间拟合点，对所述亚像素端点和所述中间拟合点进行最小二乘拟合，得到压接边缘拟合方程；
弯曲度计算模块，用于根据压接边缘拟合方程获得一阶弦长方程，计算压接边缘各点到所述一阶弦长方程的距离，并确定最大径向变形量，根据最大径向变形量和导线压接最大弦长计算导线压接弯曲度。
8.根据权利要求7所述的基于图像处理的导线压接弯曲度计算系统，其特征在于，所述图像预处理模块具体包括：
图像获取模块，用于获取原始导线压接图像；
提取模块，用于提取所述原始导线压接图像的感兴趣区域；
滤波模块，用于对所述感兴趣区域进行双边滤波，再进行Otsu阈值化得到二值图；
过滤模块，用于通过面积过滤法对所述二值图进行过滤，得到过滤图像；
形态学运算模块，用于对所述过滤图像进行扩充，再通过形态学运算对扩充后的过滤图像进行膨胀操作和腐蚀操作，得到完整的压接图像。
9.根据权利要求7所述的基于图像处理的导线压接弯曲度计算系统，其特征在于，所述角点检测模块具体包括：
一次角点检测模块，用于基于Harris角点检测算法对预处理后的导线压接图像进行一次角点检测，得到多个候选角点；
二次角点检测模块，用于以每个候选角点的角点坐标为圆心，画出半径为1个像素的圆，并对圆进行填充角点，将填充后的角点进行聚类，从而得到多个角点簇，对聚类后的圆进行连通域分析，得到多个连通域，以每个连通域的外接矩形中心作为二次角点检测后的角点。
10.根据权利要求9所述的基于图像处理的导线压接弯曲度计算系统，其特征在于，所述一次角点检测模块具体包括：
滑动模块，用于通过3×3固定窗口在预处理后的导线压接图像上分别沿行方向和列方向进行滑动，得到预处理后的导线压接图像分别在行方向和列方向的梯度图像；
灰度变化模块，用于根据预处理后的导线压接图像分别在滑动前后的梯度图像计算滑动前后窗口内的灰度变化程度为：
Figure QLYQS_47
；
式中，
Figure QLYQS_48
表示灰度变化程度值，/>
Figure QLYQS_49
为窗口滑移量，i为窗口在横坐标方向的滑移量，j为窗口在纵坐标方向的滑移量，/>
Figure QLYQS_50
为窗口中心像素坐标，r为窗口中心像素横坐标，c为窗口中心像素纵坐标，/>
Figure QLYQS_51
为窗口函数，/>
Figure QLYQS_52
表示滑动前的梯度图像，/>
Figure QLYQS_53
表示滑动后的梯度图像；
泰勒模块，用于对灰度变化程度进行泰勒展开，得到：
Figure QLYQS_54
；
式中，M为梯度矩阵，
Figure QLYQS_55
，其中，/>
Figure QLYQS_56
分别为导线压接图像在行方向和列方向的梯度图像；
响应强度计算模块，用于通过下式计算角点响应强度为：
Figure QLYQS_57
；
式中，R为角点响应强度，det M为特征乘积值，
Figure QLYQS_58
，traceM为特征加和值，/>
Figure QLYQS_59
，/>
Figure QLYQS_60
均为梯度矩阵M的特征值，g为常数；
角点筛选模块，用于在预处理后的导线压接图像中筛选出像素点的角点响应强度大于自适应阈值的像素点为候选角点，其中，自适应阈值
Figure QLYQS_61
，式中，/>
Figure QLYQS_62
为平均角点响应强度。/>
CN202310458078.7A 2023-04-26 2023-04-26 一种基于图像处理的导线压接弯曲度计算方法及系统 Active CN116168037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310458078.7A CN116168037B (zh) 2023-04-26 2023-04-26 一种基于图像处理的导线压接弯曲度计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310458078.7A CN116168037B (zh) 2023-04-26 2023-04-26 一种基于图像处理的导线压接弯曲度计算方法及系统

Publications (2)

Publication Number Publication Date
CN116168037A true CN116168037A (zh) 2023-05-26
CN116168037B CN116168037B (zh) 2023-07-04

Family

ID=86422286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310458078.7A Active CN116168037B (zh) 2023-04-26 2023-04-26 一种基于图像处理的导线压接弯曲度计算方法及系统

Country Status (1)

Country Link
CN (1) CN116168037B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630308A (zh) * 2023-07-20 2023-08-22 山东华太新能源电池有限公司 用于电池焊接异常检测的数据增强系统
CN116894776A (zh) * 2023-09-11 2023-10-17 广东电网有限责任公司江门供电局 基于图像拼接的压接导线弯曲度测量方法及系统
CN117036345A (zh) * 2023-10-07 2023-11-10 广东电网有限责任公司江门供电局 一种压接导线的对边距测量方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009266775A (ja) * 2008-04-30 2009-11-12 Sumitomo Electric Ind Ltd 導体線の曲がり状態可視化方法、曲がり状態可視化システム、曲がり状態可視化プログラム、ケーブル屈曲寿命予測方法、及び、ケーブル屈曲寿命予測システム
US20200280157A1 (en) * 2019-03-01 2020-09-03 Japan Aviation Electronics Industry, Limited Metal mold for crimping, crimping device, and manufacturing method of conductor with terminal
CN115631139A (zh) * 2022-09-28 2023-01-20 联合汽车电子有限公司 一种曲线信息处理方法、装置、存储介质及检测设备
CN115984356A (zh) * 2023-03-20 2023-04-18 广东电网有限责任公司江门供电局 一种基于图像的导线压接间距测量方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009266775A (ja) * 2008-04-30 2009-11-12 Sumitomo Electric Ind Ltd 導体線の曲がり状態可視化方法、曲がり状態可視化システム、曲がり状態可視化プログラム、ケーブル屈曲寿命予測方法、及び、ケーブル屈曲寿命予測システム
US20200280157A1 (en) * 2019-03-01 2020-09-03 Japan Aviation Electronics Industry, Limited Metal mold for crimping, crimping device, and manufacturing method of conductor with terminal
CN115631139A (zh) * 2022-09-28 2023-01-20 联合汽车电子有限公司 一种曲线信息处理方法、装置、存储介质及检测设备
CN115984356A (zh) * 2023-03-20 2023-04-18 广东电网有限责任公司江门供电局 一种基于图像的导线压接间距测量方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁艳蓉;白瑞林;倪健;: "基于曲率与灰度复合的角点亚像素定位方法", 激光与光电子学进展, no. 03 *
赵洲峰;王若民;陈国宏;印卫佳;周桢;邹君文;: "基于数字射线的耐张线夹压接质量评价试验", 浙江电力, no. 11 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630308A (zh) * 2023-07-20 2023-08-22 山东华太新能源电池有限公司 用于电池焊接异常检测的数据增强系统
CN116630308B (zh) * 2023-07-20 2023-09-26 山东华太新能源电池有限公司 用于电池焊接异常检测的数据增强系统
CN116630308B8 (zh) * 2023-07-20 2023-10-27 山东华太新能源电池有限公司 用于电池焊接异常检测的数据增强系统
CN116894776A (zh) * 2023-09-11 2023-10-17 广东电网有限责任公司江门供电局 基于图像拼接的压接导线弯曲度测量方法及系统
CN116894776B (zh) * 2023-09-11 2024-01-23 广东电网有限责任公司江门供电局 基于图像拼接的压接导线弯曲度测量方法及系统
CN117036345A (zh) * 2023-10-07 2023-11-10 广东电网有限责任公司江门供电局 一种压接导线的对边距测量方法及系统
CN117036345B (zh) * 2023-10-07 2024-03-05 广东电网有限责任公司江门供电局 一种压接导线的对边距测量方法及系统

Also Published As

Publication number Publication date
CN116168037B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN116168037B (zh) 一种基于图像处理的导线压接弯曲度计算方法及系统
CN108711158B (zh) 基于轮廓拟合和径向分割的指针式仪表图像识别方法
CN116977329B (zh) 一种基于机器视觉的光伏板栅线检测方法
CN114926839B (zh) 基于rpa和ai的图像识别方法及电子设备
CN116721107B (zh) 一种电缆生产质量智能监控系统
EP1092206A1 (en) Method of accurately locating the fractional position of a template match point
CN116137036B (zh) 基于机器学习的基因检测数据智能处理系统
CN111723821A (zh) 一种电厂仪表图像的检测识别方法及装置
CN115205858A (zh) 一种基于旋转目标检测的指针式仪表自动读数方法
CN115965623A (zh) 一种变压器生产中表面瑕疵检测方法及系统
CN113030244A (zh) 输电线塔架腐蚀缺陷漏磁检测信号反演成像方法及系统
CN113888446A (zh) 一种钣金结构件折弯线智能检测方法
CN106530273B (zh) 高精度fpc直线线路检测与缺陷定位方法
CN113705564B (zh) 一种指针式仪表识别读数方法
CN117437223B (zh) 一种高速板对板连接器缺陷智能检测方法
CN109117720B (zh) 一种基于机器视觉的指针式仪表读数识别方法
CN111476792B (zh) 一种板带钢图像轮廓的提取方法
CN111126371B (zh) 一种基于图像处理的粗指针表盘示数读取方法
CN116110071B (zh) 一种基于深度学习的图像格式管道和仪表图管线识别方法
CN109827504B (zh) 一种基于机器视觉的钢卷端面局部径向检测方法
CN113591875B (zh) 一种高精度指针式仪表识别方法
CN115690104A (zh) 一种晶圆裂缝检测方法、装置及存储介质
CN113159027A (zh) 基于最小外接矩形变体的七段式数显仪表识别方法
CN109059790B (zh) 一种基于傅里叶变换的弹簧节距测量方法
CN117670916B (zh) 一种基于深度学习的涂布边缘检测方法

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