CN106855421A - 一种基于机器视觉的汽车仪表自动化测试***及测试方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的汽车仪表自动化测试***及测试方法，包括上位机仿真端、组合仪表盘、机器视觉构件、下位机视觉分析机；上位机仿真端与HIL仿真平台建立连接，通过HIL仿真平台发送仿真CAN信号来控制组合仪表盘的动作；机器视觉构件包括：暗箱、设置在暗箱内的用于支撑组合仪表盘以及安放工业摄像机的台架、工业摄像机、与工业摄像机连接的采集卡；下位机视觉分析机接收上位机仿真端发送的控制命令，驱动所述工业摄像机对组合仪表盘的仪表盘图像进行采集进而对采集图像进行识别并想上位机仿真端回传识别结果，同时保存采集的图片结果并生成日志；上位机仿真端对下位机视觉分析机回传来的识别结果进行分析，并生成识别报告。

Description

一种基于机器视觉的汽车仪表自动化测试***及测试方法

技术领域

本发明涉及图像处理领域以及自动化测试领域，具体涉及一种基于机器视觉的汽车仪表自动化测试***及测试方法。

背景技术

随着汽车工业的快速度发展，人们对汽车仪表盘的依赖程度不断提高，汽车仪表盘已经成为汽车的一个重要组成部件，经历了从数字化到智能化、网络化的发展历程。时至今日，汽车仪表盘已经不再仅仅是显示车速、发动机转速、油量等基本信息，其所能显示的信息可谓相当庞大。然而***越是复杂，那么它出现错误的可能性就会越大，使得仪表测试已经成为其投放生产线之前的十分重要的步骤。

但是，目前汽车仪表的测试还尚处于人工或半人工的工作状态，而且由于人力的先天缺陷，从事如此重复的工作极易出现错误，而且效率低下。因此设计合理的汽车仪表自动化测试***是十分必要的。

发明内容

本发明提供了一种基于机器视觉的汽车仪表自动化测试***及测试方法，可以在无人操作的情况下连续运行数小时，自动生成测试报告及日志，从而解决了以往依靠人力测试效率低、速度慢，易出错等问题。

为实现上述目的，本发明采取的技术方案为：

一种基于机器视觉的汽车仪表自动化测试***，包括上位机仿真端、组合仪表盘、机器视觉构件、下位机视觉分析机；

所述上位机仿真端与HIL仿真平台建立连接，通过HIL仿真平台发送仿真信号来控制组合仪表盘的动作；

所述机器视觉构件包括：暗箱、设置在暗箱内的用于支撑组合仪表盘以及安放工业摄像机的台架、工业摄像机、与工业摄像机连接的采集卡；

所述下位机视觉分析机接收上位机仿真端发送的控制命令，驱动所述工业摄像机对组合仪表盘的仪表盘图像进行采集进而对采集图像进行识别并向上位机仿真端回传识别结果，同时保存采集的图片结果并生成日志；所述上位机仿真端对下位机视觉分析机回传来的识别结果进行分析，并生成识别报告。

本发明同时提供一种基于机器视觉的汽车仪表自动化测试***的测试方法，包括如下步骤：

S1、上位机仿真端将识别命令发送给下位机视觉分析机；同时上位机仿真端将仿真的信号发送给HIL仿真平台，使仪表盘显示所需识别数据；

S2、下位机视觉分析机在收到上位机仿真端所发出的指令后，驱动工业摄像机开始对组合仪表盘进行图像采集；

S3、图像采集完成后，对图像进行预处理，由下位机视觉分析机进行采集结果的识别和分析，将识别结果回传上位机仿真端，同时在下位机视觉分析机保存采集的图片结果并生成日志；

S4、上位机仿真端分析下位机视觉分析机回传的识别结果，并生成识别报告。

进一步地，所述步骤S3中对图像进行预处理的方法为：首先利用高斯滤波去除图像噪声部分，灰度化后运用礼帽变换分离比邻近点的斑块，去除部分噪点；使用OTSU算法对所得的图像进去阈值分割，方便图像二值化；采用四连通的种子填充算法，对二值图像中的大面积噪声区域填充。

进一步地，所述步骤S3中下位机视觉分析机对组合仪表盘的图像采集结果的识别包括图标识别、指针读数识别和字符识别。

进一步地，所述图标识别包括以下步骤：

S11、首先建立训练样本数据库，针对各个图标，抓取它在各种情况下的图像并保存；

S12、预处理后，分别采用SIFT算法和主成分分析算法提取各个样本的特征值，并存入数据库；

S13、对于测试时摄像机抓取的任意图标样本图像，同样经历图像预处理以及特征提取的处理过程；

S14、图标识别：首先根据图像的PCA特征进行匹配，计算测试样本与各个训练样本特征值的欧式距离，选取距离值最小的作为最佳匹配目标，如果匹配效果不理想，则采用SIFT特征进行匹配，将特征向量的欧式距离作为两幅图像中的特征点相似性判定度量。

进一步地，所述指针读数识别包括以下步骤：对于组合仪表盘中的指针图像首先进行预处理，然后利用骨架提取算法将图像中的指针细化，使其从矩形细化为线形；利用霍夫变换的方法对该直线进行识别后，根据直线所处的角度计算其读数。

进一步地，所述字符识别包括如下步骤：

S21、选择字符图像，截取大量的文字图像素材，以此作为字库中的标准数据；

S22、经过图像预处理后，利用Tesseract OCR引擎对其进行训练，对于识别效果不理想的文字图像手动建立其文字识别库；

S23、将所有的训练图片特征信息合并，并手工调整文字大小，核对文字精度，从而建立针对仪表盘的文字识别库traineddata；测试过程中所抓取的文字图像，经过相同的处理；

S24、运用Tesseract OCR引擎匹配到文字识别库中的标准数据，完成字符识别。

本发明具有以下有益效果：

测试人员不必在从事如此重复的、枯燥的测试工作，只需启动***测试和查验测试报告。从而极大的提高了测试效率、节省了人力成本、降低了开发成本、缩短了开发周期、提高了发现错误的几率。

附图说明

图1为本发明实施例一种汽车仪表自动化测试***的结构图。

图2为本发明实施例图像预处理方法。

图3为本发明实施例仪表盘中图标识别方法。

图4为本发明实施例仪表盘中指针读数的识别方法。

图5为本发明实施例仪表盘中字符识别方法。

具体实施方式

为了使本发明的目的及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本实施例提供了一种基于机器视觉的汽车仪表自动化测试***，包括上位机仿真端、组合仪表盘、机器视觉构件、下位机视觉分析机；

所述上位机仿真端与HIL仿真平台建立连接，通过HIL仿真平台发送仿真CAN信号来控制组合仪表盘的动作；

所述机器视觉构件包括：

暗箱，用于为仪表盘图像采集提供密闭稳定的环境，避免外部光线造成补光不均匀及阴影的影响；其材质具有不透光且内壁不形成反射的特性。

台架，设置在暗箱内，用于支撑组合仪表盘以及安放工业摄像机；

工业摄像机，采用维视的工业相机MV-VS078FC，最高分辨率可达1024*768，帧速率为30fps，帧曝光工作方式；

采集卡，采用MV1394E采集卡，通过1394线与摄像机连接，理论带宽400M/S；

所述下位机视觉分析机接收上位机仿真端发送的控制命令，驱动工业摄像机对组合仪表盘的仪表盘图像进行采集进而对采集图像进行识别并向上位机仿真端回传识别结果，同时在下位机视觉分析机保存采集的图片结果并生成日志，以便识别人员对结果进行查验；所述上位机仿真端对下位机视觉分析机回传来的识别结果进行分析，并生成识别报告。

所述的上位机仿真端采用WIN7 64位中文操作***，8G以上内存。通过向HIL仿真平台和下位机发送命令控制整个***的工作流程。

所述的下位机视觉分析机采用WIN7 64位中文操作***，8G以上内存，主板提供PCI插槽、PCIE插槽，同时配有OPENCV计算视觉库以及SQLite数据库，通过运用各种图像处理算法，对仪表盘采集图像进行识别。

其中，所述的HIL仿真平台,由实时处理器、IO板卡、机柜、试验管理软件等组成的，以实时处理器运行仿真模型来模拟受控对象的运行状态，通过IO板卡与被测的控制器连接，通过试验管理软件进行控制，来对被测控制器进行全方面的、***的测试，拥有方便易用的实现代码生成/下载和试验/调试的软件环境，用于向组合仪表盘发送仿真信号，驱动组合仪表盘工作。

如图1所示，本发明实施例还提供了一种基于机器视觉的汽车仪表自动化测试方法，包括如下步骤：

S1、上位机仿真端将识别命令发送给下位机视觉分析机；同时上位机仿真端将仿真的信号发送给HIL仿真平台，使组合仪表盘显示所需识别数据；

S2、下位机视觉分析机在收到上位机仿真端所发出的指令后，驱动工业摄像机开始对组合仪表盘进行图像采集；

S3、图像采集完成后，对图像进行预处理，由下位机视觉分析机进行采集结果的识别和分析，将识别结果回传上位机仿真端，同时在下位机视觉分析机保存采集的图片结果并生成日志，以便识别人员对结果进行查验；

S4、上位机仿真端分析下位机视觉分析机回传的识别结果，并生成识别报告。

如图2所示，所述图像预处理的方法为：

首先利用高斯滤波去除图像噪声部分，灰度化后运用礼帽变换分离比邻近点亮一些的斑块，从而去除部分噪点；使用OTSU算法对所得的图像进去阈值分割，从而方便图像二值化；采用四连通的种子填充算法，对二值图像中的由于反光等原因造成的大面积噪声区域填充。

所述的下位机视觉分析机对组合仪表盘的图像采集结果的识别包括图标识别、指针读数识别和字符识别。

如图3所示，所述的图标识别包括以下步骤：

S11、对仪表盘中的图标识别首先要建立训练样本数据库，针对各个图标，抓取它在各种情况下的图像并保存；

S12、预处理后，分别采用SIFT算法和主成分分析(PCA)算法提取各个样本的特征值，并存入数据库；

S13、对于测试时摄像机抓取的任意图标样本图像，同样经历图像预处理以及特征提取的处理过程；

S14、图标识别，首先根据图像的PCA特征进行匹配，计算测试样本与各个训练样本特征值的欧式距离，选取距离值最小的作为最佳匹配目标，如果匹配效果不理想，则采用SIFT特征进行匹配，将特征向量的欧式距离作为两幅图像中的特征点相似性判定度量。

如图4所示，所述的指针读数识别包括以下步骤：对于仪表盘中的指针图像首先进行预处理，然后利用骨架提取算法将图像中的指针细化，使其从矩形细化为线形；利用霍夫变换的方法对该直线进行识别后，根据直线所处的角度计算其读数。

如图5所示，所述字符识别包括如下步骤：

S21、选择字符图像，截取大量的文字图像素材，以此作为字库中的标准数据；

S22、经过图像预处理后，利用Tesseract OCR引擎对其进行训练，对于识别效果不理想的文字图像手动建立其文字识别库；

S23、将所有的训练图片特征信息合并，并手工调整文字大小，核对文字精度，从而建立针对仪表盘的文字识别库traineddata。测试过程中所抓取的文字图像，经过相同的处理，

S24、运用Tesseract OCR引擎匹配到文字识别库中的标准数据，完成字符识别。

本实施采用SQLite轻量级嵌入式数据库存储数据。数据库中存储了图标样本、特征值、图标描述、图标位置等关键信息。同时可以十分方便的对数据库中的信息进行新增、修改、删除、查找等操作。

综上所述，本具体实施测试人员不必在从事如此重复的、枯燥的测试工作，只需启动***测试和查验测试报告。从而极大的提高了测试效率、节省了人力成本、降低了开发成本、缩短了开发周期、提高了发现错误的几率

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于机器视觉的汽车仪表自动化测试***，其特征在于，包括上位机仿真端、组合仪表盘、机器视觉构件、下位机视觉分析机；

所述上位机仿真端与HIL仿真平台建立连接，通过HIL仿真平台发送仿真信号来控制组合仪表盘的动作；

所述机器视觉构件包括：暗箱，设置在暗箱内的用于支撑组合仪表盘以及安放工业摄像机的台架，工业摄像机，与工业摄像机连接的采集卡；

所述下位机视觉分析机接收上位机仿真端发送的控制命令，驱动所述工业摄像机对组合仪表盘的仪表盘图像进行采集进而对采集图像进行识别并向上位机仿真端回传识别结果，同时保存采集的图片结果并生成日志；所述上位机仿真端对下位机视觉分析机回传来的识别结果进行分析，并生成识别报告。

2.如权利要求1所述的一种基于机器视觉的汽车仪表自动化测试***的测试方法，其特征在于，包括如下步骤：

S1、上位机仿真端将识别命令发送给下位机视觉分析机；同时上位机仿真端将仿真的信号发送给HIL仿真平台，使仪表盘显示所需识别数据；

S2、下位机视觉分析机在收到上位机仿真端所发出的指令后，驱动工业摄像机开始对组合仪表盘进行图像采集；

S3、图像采集完成后，对图像进行预处理，由下位机视觉分析机进行采集结果的识别和分析，将识别结果回传上位机仿真端，同时在下位机视觉分析机保存采集的图片结果并生成日志；

S4、上位机仿真端分析下位机视觉分析机回传的识别结果，并生成识别报告。

3.如权利要求2所述的一种基于机器视觉的汽车仪表自动化测试***的测试方法，其特征在于，所述步骤S3中对图像进行预处理的方法为：

首先利用高斯滤波去除图像噪声部分，灰度化后运用礼帽变换分离比邻近点的斑块，去除部分噪点；使用OTSU算法对所得的图像进去阈值分割，方便图像二值化；采用四连通的种子填充算法，对二值图像中的大面积噪声区域填充。

4.如权利要求2所述的一种基于机器视觉的汽车仪表自动化测试***的测试方法，其特征在于，所述步骤S3中下位机视觉分析机对组合仪表盘的图像采集结果的识别包括图标识别、指针读数识别和字符识别。

5.如权利要求4所述的一种基于机器视觉的汽车仪表自动化测试***的测试方法，其特征在于，所述图标识别包括以下步骤：

S11、首先建立训练样本数据库，针对各个图标，抓取它在各种情况下的图像并保存；

S12、预处理后，分别采用SIFT算法和主成分分析算法提取各个样本的特征值，并存入数据库；

S13、对于测试时摄像机抓取的任意图标样本图像，同样经历图像预处理以及特征提取的处理过程；

S14、图标识别：首先根据图像的PCA特征进行匹配，计算测试样本与各个训练样本特征值的欧式距离，选取距离值最小的作为最佳匹配目标，如果匹配效果不理想，则采用SIFT特征进行匹配，将特征向量的欧式距离作为两幅图像中的特征点相似性判定度量。

6.如权利要求4所述的一种基于机器视觉的汽车仪表自动化测试***的测试方法，其特征在于，所述指针读数识别包括以下步骤：对于组合仪表盘中的指针图像首先进行预处理，然后利用骨架提取算法将图像中的指针细化，使其从矩形细化为线形；利用霍夫变换的方法对该直线进行识别后，根据直线所处的角度计算其读数。

7.如权利要求4所述的一种基于机器视觉的汽车仪表自动化测试***的测试方法，其特征在于，所述字符识别包括如下步骤：

S21、选择字符图像，截取大量的文字图像素材，以此作为字库中的标准数据；

S22、经过图像预处理后，利用Tesseract OCR引擎对其进行训练，对于识别效果不理想的文字图像手动建立其文字识别库；

S23、将所有的训练图片特征信息合并，并手工调整文字大小，核对文字精度，从而建立针对仪表盘的文字识别库traineddata；测试过程中所抓取的文字图像，经过相同的处理；

S24、运用Tesseract OCR引擎匹配到文字识别库中的标准数据，完成字符识别。