CN117974646A - 一种光纤表面涂覆质量视觉检测方法 - Google Patents
一种光纤表面涂覆质量视觉检测方法 Download PDFInfo
- Publication number
- CN117974646A CN117974646A CN202410369889.4A CN202410369889A CN117974646A CN 117974646 A CN117974646 A CN 117974646A CN 202410369889 A CN202410369889 A CN 202410369889A CN 117974646 A CN117974646 A CN 117974646A
- Authority
- CN
- China
- Prior art keywords
- angle
- suspected
- region
- optical fiber
- suspected region
- 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.)
- Pending
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 154
- 239000011248 coating agent Substances 0.000 title claims abstract description 19
- 238000000576 coating method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims description 34
- 238000011179 visual inspection Methods 0.000 title claims description 14
- 230000007547 defect Effects 0.000 claims abstract description 62
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 230000002093 peripheral effect Effects 0.000 claims description 33
- 230000005856 abnormality Effects 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 20
- 239000000835 fiber Substances 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 11
- 230000007717 exclusion Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 15
- 230000002950 deficient Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,尤其涉及一种光纤表面涂覆质量视觉检测方法。包括:获取每个角度的光纤表面图像;根据光纤表面图像得到每个角度的矫正光纤表面图像;根据矫正光纤表面图像得到每个角度的疑似区域;根据每个疑似区域得到每个角度的每个疑似区域在其他角度上的对应疑似区域;根据对应疑似区域得到每个角度的异常程度,根据异常程度得到精准匹配角度和优选匹配角度;根据优选匹配角度与精准匹配角度得到优选匹配角度的每个疑似区域的缺陷程度;根据缺陷程度得到增强光纤表面图像;根据增强光纤表面图像得到缺陷区域。从而通过反光和缺陷的特征对反光和缺陷进行区分,实现缺陷的检测。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种光纤表面涂覆质量视觉检测方法。
背景技术
光纤在生产过程中很容易将光纤表面涂层损伤,其中划痕是所有表面缺陷中占比较高的缺陷,该种缺陷会影响光信号的传播和耦合效率。因而为了保障光纤的使用效果,需对光纤表面的划痕缺陷进行检测。
光纤的表面涂层一般是反光效果较强的材质,因而在光纤表面容易出现反光区域。光纤表面的反光区域一般为白色区域,而光纤表面的划痕区域也为白色区域。由于反光区域和划痕区域的颜色差异较小,导致光纤反光区域会干扰划痕区域的检测。
发明内容
为了实现排除反光区域干扰,准确的检测出划痕区域,本发明提供一种光纤表面涂覆质量视觉检测方法。
一种光纤表面涂覆质量视觉检测方法,包括:
获取每个角度的光纤表面图像;
对每个角度的光纤表面图像进行视角变换得到每个角度的矫正光纤表面图像;根据每个角度的矫正光纤表面图像中像素的灰度值得到每个角度的疑似区域;根据每个角度的每个疑似区域与其他角度的每个疑似区域的纹理相似情况得到每个角度的每个疑似区域在其他角度的对应疑似区域;
根据每个角度的每个疑似区域的中心像素位置与相邻角度的对应疑似区域的中心像素位置的变化突变情况得到每个角度的异常程度,根据每个角度的异常程度得到精准匹配角度和优选匹配角度;根据优选匹配角度的每个疑似区域与精准匹配角度的对应疑似区域的位置差异得到优选匹配角度的每个疑似区域的缺陷程度;
根据优选匹配角度的每个疑似区域的缺陷程度对优选匹配角度的光纤表面图像中每个疑似区域中的像素进行增强处理得到增强光纤表面图像;对增强光纤表面图像进行缺陷检测得到缺陷区域。
优选的,所述对每个角度的光纤表面图像进行视角变换得到每个角度的矫正光纤表面图像;根据每个角度的矫正光纤表面图像中像素的灰度值得到每个角度的疑似区域,包括:
任选一个角度记为基准角度,利用Sift算法对每个角度的光纤表面图像和基准角度的光纤表面图像进行角点匹配处理,基于每个角度的光纤表面图像和基准角度的光纤表面图像的交点匹配结果,将每个角度的光纤表面图像进行透视变换处理,得到与基准角度的光纤表面图像同视角的变换后图像,记为每个角度的矫正光纤表面图像;
利用大津阈值分割算法获取每个角度的矫正光纤表面图像的第一分割阈值,将每个角度的矫正光纤表面图像中灰度值大于第一分割阈值的像素称为每个角度的矫正光纤表面图像的疑似像素;将每个角度的矫正光纤表面图像的疑似像素构成的连通域称为每个角度的疑似区域。
优选的,所述根据每个角度的每个疑似区域与其他角度的每个疑似区域的纹理相似情况得到每个角度的每个疑似区域在其他角度的对应疑似区域,包括:
获取每个角度的每个疑似区域的边缘,获取每个角度的每个疑似区域的边缘的链码序列,计算每个角度的每个疑似区域的边缘的链码序列与其他每个角度的每个疑似区域的边缘的链码序列的DTW距离,将DTW距离的倒数作为每个角度的每个疑似区域与其他每个角度的每个疑似区域的边缘相似度;
获取每个角度的每个疑似区域的凹凸描述子;
将每个角度的每个疑似区域的凹凸描述子与其他每个角度的每个疑似区域的凹凸描述子的差值绝对值的倒数作为每个角度的每个疑似区域与其他每个角度的每个疑似区域的凹凸相似度;
将每个角度的每个疑似区域与其他每个角度的每个疑似区域的边缘相似度与凹凸相似度的乘积作为每个角度的每个疑似区域与其他每个角度的每个疑似区域的纹理相似度;
将任意一个角度的任意一个疑似区域称为目标角度的目标疑似区域,在其他每个角度的所有疑似区域中获取与目标角度的目标疑似区域的纹理相似度最大的疑似区域作为目标角度的目标疑似区域在其他每个角度的对应疑似区域;
获取每个角度的每个疑似区域在其他角度的对应疑似区域。
优选的,所述获取每个角度的每个疑似区域的凹凸描述子,包括:
对于每个角度的每个疑似区域,将该疑似区域的边缘上的像素称为外围像素,将任意一个外围像素记为目标外围像素,将目标外围像素与其他各外围像素连接得到目标外围像素的若干连接线,在每个连接线上的所有像素中获取不处于该疑似区域的像素记为每个连接线的外部像素;将每个外围像素的每个连接线的外部像素数量与连接线上所有像素数量的比值称为每个外围像素的每个连接线的外部比例;将每个外围像素的所有连接线的外部比例的均值作为每个外围像素的外部比例;将该疑似区域的所有外围像素的外部比例的均值作为该疑似区域的凹凸描述子。
优选的,所述根据每个角度的每个疑似区域的中心像素位置与相邻角度的对应疑似区域的中心像素位置的变化突变情况得到每个角度的异常程度,包括:
将任意一个角度的任意一个疑似区域称为目标角度的目标疑似区域;获取每个角度的每个疑似区域的中心坐标,按照相机在各角度通过的顺序,将目标角度的目标疑似区域的中心坐标以及目标角度的目标疑似区域在其他所有角度的对应疑似区域的中心坐标进行排列得到目标角度的目标疑似区域的第一位置序列;获取目标角度的每个疑似区域的第一位置序列;
将第一位置序列中每个中心坐标与前一个中心坐标的欧式距离作为第一位置序列中每个中心坐标的移动量,将第一位置序列中所有中心坐标的移动量构成的序列称为移动序列;
利用DBSCAN聚类算法对移动序列中数据进行聚类得到若干第一类别;获取每个第一类别中数据的数量,将所有第一类别中数据数量的均值作为第一数量;
将移动序列中任意一个数据作为目标数据,将移动序列中以每个目标数据为中心的连续的2C个数据作为目标数据的参考数据,其中C表示第一数量;利用最小二乘法对除目标数据之外的所有参考数据进行拟合多项式处理得到目标数据的排外关系式,获取目标数据的排外关系式的拟合残差,记为目标数据的排外拟合误差,利用最小二乘法对目标数据的所有参考数据拟合多项式得到目标数据的综合关系式;获取目标数据的综合关系式的拟合残差,记为目标数据的综合拟合误差,将目标数据的综合拟合误差与排外拟合误差的差值绝对值除以综合拟合误差得到目标数据的异常程度;将目标数据的异常程度作为目标数据在第一位置序列中对应的中心坐标的异常程度;获取第一位置序列中每个中心坐标的异常程度;将目标角度的所有疑似区域的中心坐标的异常程度的均值作为目标角度的异常程度;获取每个角度的异常程度。
优选的,所述根据每个角度的异常程度得到精准匹配角度和优选匹配角度,包括:
根据所有角度的异常程度,利用K-means聚类算法将所有角度聚成两个类别,计算每个类别中所有角度的异常程度的均值,将异常程度的均值大的类别中的角度记为精准匹配角度;
选取异常程度最小的精准匹配角度作为优选匹配角度。
优选的,所述根据优选匹配角度的每个疑似区域与精准匹配角度的对应疑似区域的位置差异得到优选匹配角度的每个疑似区域的缺陷程度,包括:
将优选匹配角度的任意一个疑似区域记为分析区域,获取分析区域在每个精准匹配角度的对应疑似区域,记为分析区域的参考区域,计算分析区域与每个参考区域的中心坐标的欧氏距离,记为分析区域与每个参考区域的移动量;将分析区域与所有参考区域的移动量的均值加一之后取倒数得到分析区域的缺陷程度;
获取优选匹配角度的每个疑似区域的缺陷程度。
优选的,所述根据优选匹配角度的每个疑似区域的缺陷程度对优选匹配角度的光纤表面图像中每个疑似区域中的像素进行增强处理得到增强光纤表面图像,包括:
利用最大值最小值归一化方法,将优选匹配角度的每个疑似区域的缺陷程度归一化到-1到1区间,得到优选匹配角度的每个疑似区域的归一化缺陷程度;
计算优选匹配角度的每个疑似区域中所有像素的灰度值均值,在优选匹配角度的光纤表面图像中获取与每个疑似区域的边缘像素相邻的、并且不属于疑似区域的像素记为优选匹配角度的每个疑似区域的外邻接像素,计算优选匹配角度的每个疑似区域的所有外邻接像素的灰度值均值;
根据优选匹配角度的每个疑似区域的归一化缺陷程度、优选匹配角度的每个疑似区域的灰度值均值和优选匹配角度的每个疑似区域的外邻接像素的灰度值均值得到优选匹配角度的光纤表面图像的每个疑似区域中每个像素的增强后灰度值的计算公式为:
;
其中,表示优选匹配角度的第k个疑似区域的归一化缺陷程度,/>表示优选匹配角度的第k个疑似区域的所有像素的灰度值均值,/>表示优选匹配角度的第k个疑似区域的所有外邻接像素的灰度值均值,/>表示优选匹配角度的第k个疑似区域的第i个像素的灰度值,/>表示优选匹配角度的第k个疑似区域的第i个像素的增强后灰度值,/>表示向上取整符号,/>表示限值函数;
将优选匹配角度的光纤表面图像的每个疑似区域中每个像素的灰度值替换成增强后灰度值得到增强光纤表面图像。
优选的,所述对增强光纤表面图像进行缺陷检测得到缺陷区域,包括:
利用大津阈值分割法对增强光纤表面图像进行阈值分割处理,将大于分割阈值的像素构成的连通域作为缺陷区域。
本发明具有以下技术效果:
本方案根据反光区域在不同视角下的位置变动现象,对反光区域和缺陷区域进行区分。而在对每个疑似区域在不同视角下的位置变动情况进行分析时,由于视角差异也会造成位置差异,因而为了排除视角差异对反光区域和缺陷区域区分的干扰,需将所有视角的光纤表面图像转换到同一视角下。但是由于光纤各处的相似度较高,会导致通过匹配的方式对光纤表面图像进行视角变换不够准确。本方案基于相邻两个视角下每个疑似区域的位置变动不会存在突变现象的理论,对每个视角的光纤表面图像的矫正准确情况进行分析,筛除掉矫正效果差的角度得到精准匹配角度。基于每个疑似区域在不同精准匹配角度上的矫正光纤表面图像的位置变动情况得到缺陷区域。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分。
图1是本发明实施例一种光纤表面涂覆质量视觉检测方法中方法流程图;
图2为本发明实施例提供的图像采集过程中的相机位置示例图;
图3为本发明实施例提供的其中一个角度的矫正光纤表面图像;
图4为本发明实施例提供的其中一个角度的矫正光纤表面图像的阈值分割图像;
图5为本发明实施例提供的目标角度、目标角度的前面两个角度和后面两个角度的各区域位置分布示意图,其中(a)为目标角度的前一个角度的左相邻角度的矫正光纤表面图像的区域分布示意图,(b)为目标角度的前一个角度的矫正光纤表面图像的区域分布示意图,(c)为目标角度的矫正光纤表面图像的区域分布示意图,(d)为目标角度的后一个角度的矫正光纤表面图像的区域分布示意图,(e)为目标角度的后一个角度的右相邻角度的矫正光纤表面图像的区域分布示意图。
具体实施方式
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。
应当理解,当本发明的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本发明实施例公开一种光纤表面涂覆质量视觉检测方法,参照图1,包括步骤S1-步骤S4:
S1:采集每个角度的光纤表面图像。
需要说明的是,由于光纤长度较长,并且直径较小,因而为了能够清晰的拍摄到光纤表面上的细节纹理,需要对光纤进行分段检测。
具体的,将当前进行质量检测的光纤段称为研究段。如图2所示,相机以作为角度移动间隔,围绕研究段旋转一周,在每个角度上采集研究段图像,将在每个角度上采集的图像称为每个角度的光纤表面图像。/>表示预设角度间隔。本实施例以/>取18度为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。
将每个角度的光纤表面图像进行灰度化处理得到每个角度的光纤表面图像的灰度图像。为了便于描述,后续将每个角度的光纤表面图像的灰度图像依旧称为每个角度的光纤表面图像。
S2:根据每个角度的光纤表面图像得到每个角度的疑似区域,获取每个角度的每个疑似区域在其他每个角度上的对应疑似区域。
步骤S2包括步骤S20-步骤S21,具体如下:
需要说明的是,由于在不同的图像采样点处,相机与光纤的位置关系存在变化,因而反射到相机中的光线会发生变化。因而在不同图像采样点处采集的光纤表面图像中的反光区域位置也会发生变化。而缺陷位置不会因为采样位置的变化而发生变化。因而通过位置变动情况来对缺陷区域和反光区域进行区分。
S20:根据每个角度的光纤表面图像得到每个角度的疑似区域。
需要说明的是,由于光纤表面图像是在不同角度拍摄得到,因而不同光纤表面图像上的缺陷区域之间也会存在拍摄角度造成的位置差异。为了防止拍摄角度造成的位置差异对缺陷区域和反光区域区分时的干扰,需要将不同角度的光纤表面图像转化到同一角度上。
S201:根据每个角度的光纤表面图像得到每个角度的矫正光纤表面图像。
作为一个示例,每个角度的矫正光纤表面图像的获取方法,包括:任选一个角度记为基准角度,利用尺度不变特征变换匹配算法(Scale Invariant Feature Transform),简称Sift算法,对每个角度的光纤表面图像和基准角度的光纤表面图像进行角点匹配处理,基于每个角度的光纤表面图像和基准角度的光纤表面图像的交点匹配结果,将每个角度的光纤表面图像进行透视变换处理,得到与基准角度的光纤表面图像同视角的变换后图像,记为每个角度的矫正光纤表面图像。图3中展示了其中一个角度的矫正光纤表面图像。
S202:根据每个角度的矫正光纤表面图像得到每个角度的疑似区域。
需要说明的是,由于光纤表面图像上只有反光区域与缺陷区域的灰度值相近,其他区域的灰度值与缺陷区域的灰度值差异较大。因而可以通过阈值分割的方式将其他区域排除掉来得到疑似区域。同时由于划痕区域为白色的,除反光区域以外,划痕区域的灰度值比其他区域的灰度值要大。因而可以通过阈值分割的方式将灰度值较小的区域排除掉得到疑似区域。
作为一个示例,利用大津阈值分割算法获取每个角度的矫正光纤表面图像的第一分割阈值,将每个角度的矫正光纤表面图像中灰度值大于第一分割阈值的像素称为每个角度的矫正光纤表面图像的疑似像素。将每个角度的矫正光纤表面图像的疑似像素构成的连通域称为每个角度的疑似区域。图4中展示了其中一个角度的矫正光纤表面图像的阈值分割图像。
S21:获取每个角度的每个疑似区域在其他每个角度上的对应疑似区域。
需要说明的是,由于光纤上的纹理较少,并且光纤的各区域的相似度较高。从而导致进行匹配时可用的特征较少,进而可能会导致部分角度的矫正光纤表面图像与基准角度的矫正光纤表面图像的角点匹配结果不准确。因而基于角点匹配结果进行的透视变换结果也不准确。从而导致该角度的矫正光纤表面图像与其他角度的矫正光纤表面图像之间的位置对应关系存在错误,进而导致该角度的矫正光纤表面图像上的缺陷区域与其他角度的矫正光纤表面图像上的缺陷区域的位置差异较大,因而基于错误匹配结果进行的反光区域和缺陷区域的区分效果较差。因而需筛除掉那些匹配错误的矫正光纤表面图像。
需要进一步说明的是,由于相机是依次通过图像采集点采集的图像,而按照相机的移动顺序,相邻图像中的反光区域的位置是渐变的,而不是突变的。因而可以通过对相机移动顺序得到的图像序列中反光区域位置的变化情况进行分析,来筛除匹配错误的矫正光纤表面图像。为了判断图像序列中各疑似区域的位置变化情况,需获取图像之间的各疑似区域的对应关系。由于相较于反光区域与缺陷区域的纹理相似度,反光区域之间的纹理相似度或者是缺陷区域之间的纹理相似度更高。因而可以基于此来对不同图像上的区域进行对应。
S210:计算每个角度的每个疑似区域与其他每个角度的每个疑似区域的纹理相似度:
需要说明的是,如示意图3所示,图中白色圆形框内展示的是划痕,白色矩形框内展示的是反光。从图中可以看出划痕是具有一定的弧度的凹图形,反光为凸图形。因而可以通过对每个疑似区域的凹凸特征进行描述,进而来对每个角度的每个疑似区域与其他角度的每个疑似区域进行纹理相似度度量。
需要进一步说明的是,由于光纤为光滑的圆柱体,因而光纤表面的反光区域多为凸图形。虽然一般情况下划痕为具有一定弧度的凹图形,但是也会存在一些直线度比较高的划痕,此时划痕就不具有凹图形特征,因而利用凹凸性难以将反光区域和划痕区域区分出来。因而此时需要引入其他新的特征来对每个角度的每个疑似区域与其他角度的每个疑似区域进行纹理相似度度量。从图3中可以看出划痕区域的边缘特征与反光区域的边缘特征存在一定差异,因而也可以对每个疑似区域的边缘进行描述,来对每个角度的每个疑似区域与其他角度的每个疑似区域进行纹理相似度度量。
作为一个示例,纹理相似度的计算方法,包括:
获取每个角度的每个疑似区域的边缘,获取每个角度的每个疑似区域的边缘的链码序列,计算每个角度的每个疑似区域的边缘的链码序列与其他每个角度的每个疑似区域的边缘的链码序列的DTW距离,将DTW距离的倒数作为每个角度的每个疑似区域与其他每个角度的每个疑似区域的边缘相似度。
对于每个角度的每个疑似区域,将该疑似区域的边缘上的像素称为外围像素,将任意一个外围像素记为目标外围像素,将目标外围像素与其他各外围像素连接得到目标外围像素的若干连接线,在每个连接线上的所有像素中获取不处于该疑似区域的像素记为每个连接线的外部像素。将每个外围像素的每个连接线的外部像素数量与连接线上所有像素数量的比值称为每个外围像素的每个连接线的外部比例。将每个外围像素的所有连接线的外部比例的均值作为每个外围像素的外部比例。将该疑似区域的所有外围像素的外部比例的均值作为该疑似区域的凹凸描述子。
将每个角度的每个疑似区域的凹凸描述子与其他每个角度的每个疑似区域的凹凸描述子的差值绝对值的倒数作为每个角度的每个疑似区域与其他每个角度的每个疑似区域的凹凸相似度。
将每个角度的每个疑似区域与其他每个角度的每个疑似区域的边缘相似度与凹凸相似度的乘积作为每个角度的每个疑似区域与其他每个角度的每个疑似区域的纹理相似度。
S211:根据每个角度的每个疑似区域与其他每个角度的每个疑似区域的纹理相似度得到每个角度的每个疑似区域在其他角度的对应疑似区域。
作为一个示例,每个角度的每个疑似区域在其他角度的对应疑似区域的获取方法,包括:
将任意一个角度的任意一个疑似区域称为目标角度的目标疑似区域,在其他每个角度的所有疑似区域中获取与目标角度的目标疑似区域的纹理相似度最大的疑似区域作为目标角度的目标疑似区域在其他每个角度的对应疑似区域。
同理获取每个角度的每个疑似区域在其他角度的对应疑似区域。
S3:根据每个角度的每个疑似区域在其他每个角度上的对应疑似区域得到精准匹配角度,根据精准匹配角度得到优选匹配角度的每个疑似区域的缺陷程度。
步骤S3包括步骤S30-步骤S31,具体如下:
需要说明的是,匹配不正确的矫正光纤表面图像中各疑似区域与相邻的角度的对应疑似区域的位置差异较大,从而导致各疑似区域在各角度的光纤表面图像中的位置变动不符合渐变性。因而可以基于此来筛除掉匹配不准确的光纤表面图像得到精准匹配角度的光纤匹配图像。
S30:根据每个角度的每个疑似区域在其他每个角度上的对应疑似区域得到精准匹配角度。
S301:根据每个角度的每个疑似区域在其他每个角度上的对应疑似区域得到所有第一位置序列。
作为一个示例,精准匹配角度的获取方法,包括:
获取每个角度的每个疑似区域的中心坐标。按照相机在各角度通过的顺序,将目标角度的目标疑似区域的中心坐标以及目标角度的目标疑似区域在其他所有角度上的对应疑似区域的中心坐标进行排列得到目标角度的目标疑似区域的第一位置序列。例如目标角度、目标角度的前面两个角度和后面两个角度的各区域位置分布示意图如图5所示,图5中包含(a)(b)(c)(d)(e)五个示意图,其中图5中的(c)为目标角度的矫正光纤表面图像的区域分布示意图,图5中的(b)为目标角度的前一个角度的矫正光纤表面图像的区域分布示意图,图5中的(a)为目标角度的前一个角度的左相邻角度的矫正光纤表面图像的区域分布示意图,图5中的(d)为目标角度的后一个角度的矫正光纤表面图像的区域分布示意图,图5中的(e)为目标角度的后一个角度的右相邻角度的矫正光纤表面图像的区域分布示意图。其中目标角度的目标疑似区域在示意图(a)中的对应疑似区域为区域3,区域3的中心坐标为(10,3),目标角度的目标疑似区域在示意图(b)中的对应疑似区域为区域1,区域1的中心坐标为(4,5),目标角度的目标疑似区域为示意图(c)(目标角度的矫正光纤表面图像的区域分布示意图)中的区域4,区域4的中心坐标为(20,15),目标角度的目标疑似区域在示意图(d)的对应疑似区域为区域5,区域5的中心坐标为(20,20),目标角度的目标疑似区域在示意图(e)中的对应疑似区域为区域2,区域2的中心坐标为(10,2)。其中示意图(a)(b)(c)(d)(e)的排列顺序为相机通过各角度的顺序。因而目标角度的目标疑似区域的第一位置序列为:。
同理获取目标角度的每个疑似区域的第一位置序列,目标角度的所有疑似区域的第一位置序列即为所有的第一位置序列。
S302:根据所有第一位置序列得到每个角度的异常程度。
将第一位置序列中每个中心坐标与前一个中心坐标的欧式距离作为第一位置序列中每个中心坐标的移动量,将第一位置序列中所有中心坐标的移动量构成的序列称为移动序列。
利用DBSCAN聚类算法对移动序列中数据进行聚类得到若干第一类别。获取每个第一类别中数据的数量,将所有第一类别中数据数量的均值作为第一数量。
将移动序列中任意一个数据作为目标数据,将移动序列中以每个目标数据为中心的连续的2C个数据作为目标数据的参考数据。其中C表示第一数量。利用最小二乘法对除目标数据之外的所有参考数据进行拟合多项式处理得到目标数据的排外关系式,获取目标数据的排外关系式的拟合残差,记为目标数据的排外拟合误差,利用最小二乘法对目标数据的所有参考数据拟合多项式得到目标数据的综合关系式。获取目标数据的综合关系式的拟合残差,记为目标数据的综合拟合误差,将目标数据的综合拟合误差与排外拟合误差的差值绝对值除以综合拟合误差得到目标数据的异常程度。将目标数据的异常程度作为目标数据在第一位置序列中对应的中心坐标的异常程度。同理第一位置序列中每个中心坐标的异常程度。将目标角度的所有疑似区域的中心坐标的异常程度的均值作为目标角度的异常程度。
特殊的,无需计算第一位置序列中第一个中心坐标的异常程度。
需要说明的是,每个角度的每个疑似区域的中心坐标的异常程度能够反映每个角度的每个疑似区域的位置变动是否存在突变情况,其中,每个角度的每个疑似区域的中心坐标的异常程度越大说明该角度的该疑似区域的位置变动突变越严重。因而当存在一个角度的所有疑似区域的中心坐标的异常程度均较大时,说明该角度存在匹配异常的可能性较大。
S303:根据每个角度的异常程度得到精准匹配角度。
根据所有角度的异常程度,利用K-means聚类算法将所有角度聚成两个类别,计算每个类别中所有角度的异常程度的均值。将异常程度的均值大的类别中的角度记为精准匹配角度。
S31:根据精准匹配角度得到优选匹配角度的每个疑似区域的缺陷程度。
需要说明的是,排除拍摄角度和匹配错误造成的位置偏差,不同角度的矫正光纤表面图像中的缺陷区域之间的位置差异应该较小。因而可以基于此来判断每个疑似区域的缺陷程度。
作为一个示例,优选匹配角度的每个疑似区域的缺陷程度的获取方法,包括:选取异常程度最小的精准匹配角度作为优选匹配角度。将优选匹配角度的任意一个疑似区域记为分析区域,获取分析区域在每个精准匹配角度上的对应疑似区域,记为分析区域的参考区域,计算分析区域与每个参考区域的中心坐标的欧氏距离,记为分析区域与每个参考区域的移动量。将分析区域与所有参考区域的移动量的均值加一之后取倒数得到分析区域的缺陷程度。
S4:根据每个优选匹配角度的每个疑似区域的缺陷程度得到增强光纤表面图像,根据增强光纤表面图像得到缺陷区域。
步骤S4包括步骤S40-步骤S41,具体如下:
S40:根据每个优选匹配角度的每个疑似区域的缺陷程度对优选匹配角度的光纤表面图像进行增强处理得到增强光纤表面图像。
作为一个示例,增强光纤表面图像的获取方法,包括:
利用最大值最小值归一化方法,将优选匹配角度的每个疑似区域的缺陷程度归一化到-1到1区间,得到优选匹配角度的每个疑似区域的归一化缺陷程度。
计算优选匹配角度的每个疑似区域中所有像素的灰度值均值。在优选匹配角度的光纤表面图像中获取与每个疑似区域的边缘像素相邻的,并且不属于疑似区域的像素记为优选匹配角度的每个疑似区域的外邻接像素。计算优选匹配角度的每个疑似区域的所有外邻接像素的灰度值均值。
根据优选匹配角度的每个疑似区域的归一化缺陷程度、优选匹配角度的每个疑似区域的灰度值均值和优选匹配角度的每个疑似区域的外邻接像素的灰度值均值得到优选匹配角度的光纤表面图像的每个疑似区域中每个像素的增强后灰度值的计算公式为:
;
其中,表示优选匹配角度的第k个疑似区域的归一化缺陷程度,/>表示优选匹配角度的第k个疑似区域的所有像素的灰度值均值,/>表示优选匹配角度的第k个疑似区域的所有外邻接像素的灰度值均值,/>表示优选匹配角度的第k个疑似区域的第i个像素的灰度值,/>表示优选匹配角度的第k个疑似区域的第i个像素的增强后灰度值,/>表示向上取整符号,/>表示限值函数,通过该函数能够将大于255的数据设置为255,将小于0的数据设置为0。
将优选匹配角度的光纤表面图像的每个疑似区域中每个像素的灰度值替换成增强后灰度值得到增强光纤表面图像。
S41:根据优选匹配角度的增强光纤表面图像得到缺陷区域
利用大津阈值分割法对增强光纤表面图像进行阈值分割处理,将大于分割阈值的像素构成的连通域作为缺陷区域。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
以上均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (9)
1.一种光纤表面涂覆质量视觉检测方法,其特征在于,包括:
获取每个角度的光纤表面图像;
对每个角度的光纤表面图像进行视角变换得到每个角度的矫正光纤表面图像;根据每个角度的矫正光纤表面图像中像素的灰度值得到每个角度的疑似区域;根据每个角度的每个疑似区域与其他角度的每个疑似区域的纹理相似情况得到每个角度的每个疑似区域在其他角度的对应疑似区域;
根据每个角度的每个疑似区域的中心像素位置与相邻角度的对应疑似区域的中心像素位置的变化突变情况得到每个角度的异常程度,根据每个角度的异常程度得到精准匹配角度和优选匹配角度;根据优选匹配角度的每个疑似区域与精准匹配角度的对应疑似区域的位置差异得到优选匹配角度的每个疑似区域的缺陷程度;
根据优选匹配角度的每个疑似区域的缺陷程度对优选匹配角度的光纤表面图像中每个疑似区域中的像素进行增强处理得到增强光纤表面图像;对增强光纤表面图像进行缺陷检测得到缺陷区域。
2.根据权利要求1所述的一种光纤表面涂覆质量视觉检测方法,其特征在于,所述对每个角度的光纤表面图像进行视角变换得到每个角度的矫正光纤表面图像;根据每个角度的矫正光纤表面图像中像素的灰度值得到每个角度的疑似区域,包括:
任选一个角度记为基准角度,利用Sift算法对每个角度的光纤表面图像和基准角度的光纤表面图像进行角点匹配处理,基于每个角度的光纤表面图像和基准角度的光纤表面图像的交点匹配结果,将每个角度的光纤表面图像进行透视变换处理,得到与基准角度的光纤表面图像同视角的变换后图像,记为每个角度的矫正光纤表面图像;
利用大津阈值分割算法获取每个角度的矫正光纤表面图像的第一分割阈值,将每个角度的矫正光纤表面图像中灰度值大于第一分割阈值的像素称为每个角度的矫正光纤表面图像的疑似像素;将每个角度的矫正光纤表面图像的疑似像素构成的连通域称为每个角度的疑似区域。
3.根据权利要求1所述的一种光纤表面涂覆质量视觉检测方法,其特征在于,所述根据每个角度的每个疑似区域与其他角度的每个疑似区域的纹理相似情况得到每个角度的每个疑似区域在其他角度的对应疑似区域,包括:
获取每个角度的每个疑似区域的边缘,获取每个角度的每个疑似区域的边缘的链码序列,计算每个角度的每个疑似区域的边缘的链码序列与其他每个角度的每个疑似区域的边缘的链码序列的DTW距离,将DTW距离的倒数作为每个角度的每个疑似区域与其他每个角度的每个疑似区域的边缘相似度;
获取每个角度的每个疑似区域的凹凸描述子;
将每个角度的每个疑似区域的凹凸描述子与其他每个角度的每个疑似区域的凹凸描述子的差值绝对值的倒数作为每个角度的每个疑似区域与其他每个角度的每个疑似区域的凹凸相似度;
将每个角度的每个疑似区域与其他每个角度的每个疑似区域的边缘相似度与凹凸相似度的乘积作为每个角度的每个疑似区域与其他每个角度的每个疑似区域的纹理相似度;
将任意一个角度的任意一个疑似区域称为目标角度的目标疑似区域,在其他每个角度的所有疑似区域中获取与目标角度的目标疑似区域的纹理相似度最大的疑似区域作为目标角度的目标疑似区域在其他每个角度的对应疑似区域;
获取每个角度的每个疑似区域在其他角度的对应疑似区域。
4.根据权利要求3所述的一种光纤表面涂覆质量视觉检测方法,其特征在于,所述获取每个角度的每个疑似区域的凹凸描述子,包括:
对于每个角度的每个疑似区域,将该疑似区域的边缘上的像素称为外围像素,将任意一个外围像素记为目标外围像素,将目标外围像素与其他各外围像素连接得到目标外围像素的若干连接线,在每个连接线上的所有像素中获取不处于该疑似区域的像素记为每个连接线的外部像素;将每个外围像素的每个连接线的外部像素数量与连接线上所有像素数量的比值称为每个外围像素的每个连接线的外部比例;将每个外围像素的所有连接线的外部比例的均值作为每个外围像素的外部比例;将该疑似区域的所有外围像素的外部比例的均值作为该疑似区域的凹凸描述子。
5.根据权利要求1所述的一种光纤表面涂覆质量视觉检测方法,其特征在于,所述根据每个角度的每个疑似区域的中心像素位置与相邻角度的对应疑似区域的中心像素位置的变化突变情况得到每个角度的异常程度,包括:
将任意一个角度的任意一个疑似区域称为目标角度的目标疑似区域;获取每个角度的每个疑似区域的中心坐标,按照相机在各角度通过的顺序,将目标角度的目标疑似区域的中心坐标以及目标角度的目标疑似区域在其他所有角度的对应疑似区域的中心坐标进行排列得到目标角度的目标疑似区域的第一位置序列;获取目标角度的每个疑似区域的第一位置序列;
将第一位置序列中每个中心坐标与前一个中心坐标的欧式距离作为第一位置序列中每个中心坐标的移动量,将第一位置序列中所有中心坐标的移动量构成的序列称为移动序列;
利用DBSCAN聚类算法对移动序列中数据进行聚类得到若干第一类别;获取每个第一类别中数据的数量,将所有第一类别中数据数量的均值作为第一数量;
将移动序列中任意一个数据作为目标数据,将移动序列中以每个目标数据为中心的连续的2C个数据作为目标数据的参考数据,其中C表示第一数量;利用最小二乘法对除目标数据之外的所有参考数据进行拟合多项式处理得到目标数据的排外关系式,获取目标数据的排外关系式的拟合残差,记为目标数据的排外拟合误差,利用最小二乘法对目标数据的所有参考数据拟合多项式得到目标数据的综合关系式;获取目标数据的综合关系式的拟合残差,记为目标数据的综合拟合误差,将目标数据的综合拟合误差与排外拟合误差的差值绝对值除以综合拟合误差得到目标数据的异常程度;将目标数据的异常程度作为目标数据在第一位置序列中对应的中心坐标的异常程度;获取第一位置序列中每个中心坐标的异常程度;将目标角度的所有疑似区域的中心坐标的异常程度的均值作为目标角度的异常程度;获取每个角度的异常程度。
6.根据权利要求1所述的一种光纤表面涂覆质量视觉检测方法,其特征在于,所述根据每个角度的异常程度得到精准匹配角度和优选匹配角度,包括:
根据所有角度的异常程度,利用K-means聚类算法将所有角度聚成两个类别,计算每个类别中所有角度的异常程度的均值,将异常程度的均值大的类别中的角度记为精准匹配角度;
选取异常程度最小的精准匹配角度作为优选匹配角度。
7.根据权利要求1所述的一种光纤表面涂覆质量视觉检测方法,其特征在于,所述根据优选匹配角度的每个疑似区域与精准匹配角度的对应疑似区域的位置差异得到优选匹配角度的每个疑似区域的缺陷程度,包括:
将优选匹配角度的任意一个疑似区域记为分析区域,获取分析区域在每个精准匹配角度的对应疑似区域,记为分析区域的参考区域,计算分析区域与每个参考区域的中心坐标的欧氏距离,记为分析区域与每个参考区域的移动量;将分析区域与所有参考区域的移动量的均值加一之后取倒数得到分析区域的缺陷程度;
获取优选匹配角度的每个疑似区域的缺陷程度。
8.根据权利要求1所述的一种光纤表面涂覆质量视觉检测方法,其特征在于,所述根据优选匹配角度的每个疑似区域的缺陷程度对优选匹配角度的光纤表面图像中每个疑似区域中的像素进行增强处理得到增强光纤表面图像,包括:
利用最大值最小值归一化方法,将优选匹配角度的每个疑似区域的缺陷程度归一化到-1到1区间,得到优选匹配角度的每个疑似区域的归一化缺陷程度;
计算优选匹配角度的每个疑似区域中所有像素的灰度值均值,在优选匹配角度的光纤表面图像中获取与每个疑似区域的边缘像素相邻的、并且不属于疑似区域的像素记为优选匹配角度的每个疑似区域的外邻接像素,计算优选匹配角度的每个疑似区域的所有外邻接像素的灰度值均值;
根据优选匹配角度的每个疑似区域的归一化缺陷程度、优选匹配角度的每个疑似区域的灰度值均值和优选匹配角度的每个疑似区域的外邻接像素的灰度值均值得到优选匹配角度的光纤表面图像的每个疑似区域中每个像素的增强后灰度值的计算公式为:
;
其中,表示优选匹配角度的第k个疑似区域的归一化缺陷程度,/>表示优选匹配角度的第k个疑似区域的所有像素的灰度值均值,/>表示优选匹配角度的第k个疑似区域的所有外邻接像素的灰度值均值,/>表示优选匹配角度的第k个疑似区域的第i个像素的灰度值,/>表示优选匹配角度的第k个疑似区域的第i个像素的增强后灰度值,/>表示向上取整符号,/>表示限值函数;
将优选匹配角度的光纤表面图像的每个疑似区域中每个像素的灰度值替换成增强后灰度值得到增强光纤表面图像。
9.根据权利要求1所述的一种光纤表面涂覆质量视觉检测方法,其特征在于,所述对增强光纤表面图像进行缺陷检测得到缺陷区域,包括:
利用大津阈值分割法对增强光纤表面图像进行阈值分割处理,将大于分割阈值的像素构成的连通域作为缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410369889.4A CN117974646A (zh) | 2024-03-29 | 2024-03-29 | 一种光纤表面涂覆质量视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410369889.4A CN117974646A (zh) | 2024-03-29 | 2024-03-29 | 一种光纤表面涂覆质量视觉检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117974646A true CN117974646A (zh) | 2024-05-03 |
Family
ID=90848169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410369889.4A Pending CN117974646A (zh) | 2024-03-29 | 2024-03-29 | 一种光纤表面涂覆质量视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974646A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627118A (zh) * | 2022-05-13 | 2022-06-14 | 江苏裕荣光电科技有限公司 | 一种光纤电缆绝缘缺陷识别方法和系统 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115100200A (zh) * | 2022-08-24 | 2022-09-23 | 南通光烁通信设备有限公司 | 基于光学手段的光纤缺陷检测方法及系统 |
CN115318485A (zh) * | 2022-07-30 | 2022-11-11 | 湖南美康光电有限公司 | 一种同步一体式套管喷淋装置 |
CN115330760A (zh) * | 2022-10-12 | 2022-11-11 | 南通市通州区精华电器有限公司 | 一种二极管引脚缺陷识别方法 |
CN116030061A (zh) * | 2023-03-29 | 2023-04-28 | 深圳市捷超行模具有限公司 | 一种基于视觉的硅胶成型效果检测方法 |
CN117745715A (zh) * | 2024-02-06 | 2024-03-22 | 中科院南京耐尔思光电仪器有限公司 | 基于人工智能的大口径望远镜镜片缺陷检测方法 |
-
2024
- 2024-03-29 CN CN202410369889.4A patent/CN117974646A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627118A (zh) * | 2022-05-13 | 2022-06-14 | 江苏裕荣光电科技有限公司 | 一种光纤电缆绝缘缺陷识别方法和系统 |
CN115318485A (zh) * | 2022-07-30 | 2022-11-11 | 湖南美康光电有限公司 | 一种同步一体式套管喷淋装置 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115100200A (zh) * | 2022-08-24 | 2022-09-23 | 南通光烁通信设备有限公司 | 基于光学手段的光纤缺陷检测方法及系统 |
CN115330760A (zh) * | 2022-10-12 | 2022-11-11 | 南通市通州区精华电器有限公司 | 一种二极管引脚缺陷识别方法 |
CN116030061A (zh) * | 2023-03-29 | 2023-04-28 | 深圳市捷超行模具有限公司 | 一种基于视觉的硅胶成型效果检测方法 |
CN117745715A (zh) * | 2024-02-06 | 2024-03-22 | 中科院南京耐尔思光电仪器有限公司 | 基于人工智能的大口径望远镜镜片缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
冯毅雄, 李康杰, 高一聪, 郑浩, 谭建荣: "基于特征与形貌重构的轴件表面缺陷检测方法", 浙江大学学报, vol. 54, no. 3, 31 March 2020 (2020-03-31) * |
杨晓然;邵东平;梁雪芬;杨洁华;: "视网膜神经纤维层三维相干光断层扫描对疑似开角型青光眼甄别的诊断价值", 临床眼科杂志, no. 03, 25 June 2010 (2010-06-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110517265B (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
CN105160652A (zh) | 基于计算机视觉的手机外壳检验装置与方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN111612757A (zh) | 一种屏幕裂纹的检测方法、装置、设备及存储介质 | |
CN115330628B (zh) | 基于图像处理的视频逐帧去噪方法 | |
CN112686920A (zh) | 一种圆形零件几何尺寸参数视觉测量方法及系统 | |
CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN111080631A (zh) | 一种拼接影像楼面缺陷检测的故障定位方法及系统 | |
CN116030060A (zh) | 一种塑料颗粒质量检测方法 | |
CN111257338A (zh) | 镜面、类镜面物体表面缺陷检测方法 | |
CN116664569B (zh) | 一种焊瘤缺陷检测方法 | |
CN116503413B (zh) | 基于计算机视觉的灯丝质量智能检测方法 | |
CN116597016A (zh) | 一种光纤内窥镜图像标定方法 | |
CN117974646A (zh) | 一种光纤表面涂覆质量视觉检测方法 | |
CN113554688B (zh) | 一种基于单目视觉的o型密封圈尺寸测量方法 | |
JP2010182330A (ja) | カラー画像の処理方法および画像処理装置 | |
CN117455870B (zh) | 一种连接线和连接器质量视觉检测方法 | |
CN117876376B (zh) | 高速率多功能连接器质量视觉检测方法 | |
CN110874837A (zh) | 一种基于局部特征分布的缺陷自动检测方法 | |
JP6185539B2 (ja) | 光コネクタのフェルール端面検査装置および検査用のプログラム | |
CN111445431A (zh) | 一种图像分割方法、终端设备及计算机可读存储介质 | |
CN114549449B (zh) | 小尺寸曲面构件全局缺陷精细定量识别方法 | |
CN115452845B (zh) | 一种基于机器视觉的led屏幕表面损伤检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |