CN107230200A - 一种提取电机转子中线圈轮廓特征的方法 - Google Patents
一种提取电机转子中线圈轮廓特征的方法 Download PDFInfo
- Publication number
- CN107230200A CN107230200A CN201710337867.XA CN201710337867A CN107230200A CN 107230200 A CN107230200 A CN 107230200A CN 201710337867 A CN201710337867 A CN 201710337867A CN 107230200 A CN107230200 A CN 107230200A
- Authority
- CN
- China
- Prior art keywords
- coil
- area
- image
- contour
- contour 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.)
- Pending
Links
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
- G06T7/60—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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种提取电机转子中线圈的轮廓特征的方法,先用Sobel算子对工件图像进行边缘检测处理,同时结合形态学闭运算,对工件图像进行了更深一步的处理,成功分割出待检测目标——线圈。然后通过最大类间方差二值化处理,去除了绝大多数的背景干扰,最后通后基于连通区域面积优化处理背景干扰的方法,成功提取了线圈轮廓,该方法首次使用Sobel算子和形态学闭运算相结合的算法,能够去除周围大部分的干扰,同时又完整地保留原图像中的线圈轮廓,能够清晰完整的提取待检测线圈的轮廓特征。
Description
技术领域
本发明涉及图像处理领域,特别涉及电机转子中线圈轮廓特征的提取及优化技术。
背景技术
随着国内工业行业近些年的蓬勃发展,绕线工件也得到了十足的发展和应用,而且应用范围也越来越广,在电动机、变压器、电视机、收音机、电子烟,、喇机、耳机、麦克风等日常电子电器类中扮演着重要的角色。而且电子电器在国民经济中的作用也非常重要,在日常生活和工业生产中应用广泛,可以说电子电器行业已经是国民经济中非常重要的支柱型产业。而作为电子电器器件中核心或关键部件,绕线工件的自动、快速生产和检测环节也逐渐受到了人们的重视,尤其是绕线工件的检测环节还有待提高。以往绕线类工件产品需求不太多,其产品质量检测环节基本都是人工完成的。但是随着成产量的大幅提升,对绕线工件的生产效率要求愈来愈高,再加上绕线工件本身复杂、细小等特点的影响,人工检测已经无法快速、准确地检测绕线工件了。
其中单相串励电动机转子在生产检测过程中,在换向器的挂钩处绕线并点焊工序是其关键质量控制点之一,但是由于技术的问题难免会出现一些缺陷,比如脱线、断线、畸形等。而这些问题会直接导致电机不能使用或者寿命缩短。为了检测绕线后工件是否合格,目前工厂基本都是采用人工视觉观察的方式进行检测,每件检验时间为3-5秒。由于人眼识别易疲劳、效率低,主观意识影响大以及没有明确的检测标准等原因,难以把控产品质量,时常会出现错漏检的情况。
近年来,计算机视觉在工业生产和生活民用中的自动检测、识别方面取得了较大研究进展,而且,在绕线工件缺陷检测、绕线匝数识别等方面的应用也处于逐步发展中。国内,计算机视觉技术直到90年代末期才被重视,虽然近些年计算机视觉技术在国内发展迅猛,在很多方面也得到了应用,比如,车牌识别,指纹识别,工件检测等等,但是仍然有很大一部分领域还处在研发或待研发的阶段,尤其工件检测方面,由于工业行业众多,各类零部件尤其繁多,检测识别方法也是种类繁杂,需要根据实际情况,进行大量实验来验证得到最合适的识别方法。在国内很多重要零部件的检测仍然处于人工或半人工检测识别中,识别效率低下,尤其难以满足当下人们对产品高质量和成本高效率的要求,其中一类就是绕线工件的在线自动检测识别技术需求,其中,识别检测中的最大难点之一就是特征提取,能否成功提取带识别工件的待检测目标的特征对后续检测识别的精度和难度都有着直接且重要的影响。
基于计算机视觉的绕线工件的在线缺陷检测技术,目前有部分科研工作者进行了相关研究。虽然有很多和线圈工件相关的图像处理理论可以鉴戒,目前还没有人深入地研究电机转子的缺陷自动检测技术,因此,对电机转子的线圈轮廓提取技术的研究就有着重要的价值和意义。
发明内容
针对上述问题,本发明公开了一种提取电机转子中线圈轮廓特征的方法,可以清晰完整的提取待检测线圈的轮廓特征,补充了对线圈类工件缺陷识别中特征提取的研究内容和研究方法。
为达到上述目的,本发明的技术方案如下:
一种提取电机转子中线圈轮廓特征的方法,包括如下步骤:
(1)将采集到的电机转子图像灰度化后,通过基于Sobel算子的形态学闭运算算法对灰度图进行边缘特征提取,为步骤(2)提供待处理的线圈图像边缘特征信息。
(2)对步骤(1)得到的图像用最大类间方差法得出最佳分割阈值,通过阈值化算法在保留原图像中线圈轮廓的前提下去除周围大部分干扰。
(3)通过“连通区域面积去噪”方法进行优化去除步骤(2)图像中线圈以外较少的离散背景区域。
本发明的有益效果是:
本发明所述的一种提取电机转子中线圈轮廓特征的方法,通过Sobel边缘检测和形态学闭运算相结合的算法处理得到线圈清晰轮廓图像,然后对其进行二值化处理提取线圈轮廓,最后通过基于连通区域面积的干扰特征去除算法,去除了提取轮廓特征后残留的干扰区域,能够清晰完整的提取待检测线圈的轮廓特征。
附图说明
图1为本发明方法的整体流程示意图;
图2为基于连通区域面积去除小轮廓干扰的算法流程图。
具体实施方式
下面将结合附图对本发明作进一步描述。
如图1所示,一种提取电机转子中线圈轮廓的方法,包括以下步骤:
步骤1,把工件转子的彩色图转成灰度图。
步骤2,将工件转子的图像灰度化之后,通过基于Sobel算子的形态学闭运算算法对灰度图进行边缘特征提取。
Sobel是计算机视觉领域的一种重要处理方法,主要用于获得数字图像的一阶梯度,常见的应用和物理意义是边缘检测。
形态学运算中先膨胀后腐蚀的过程称为闭运算,用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。
经Sobel边缘检测的图像需要进一步增强线圈轮廓亮度,填充线圈中间的黑色裂缝,同时,尽可能的消除线圈轮廓周围的干扰。通过分析形态学理论知识以及实验结果,基于Sobel的闭运算效果最好,成功分割出了待检测目标——线圈,为后续提取特征轮廓迈出坚实的一步,其中,本实验中,形态学闭运算的内核值是在大量实验分析总结后得出,选择使用参考点位于中心7*7或9*9的核。
步骤3,用最大类间方差法得出最佳分割阈值,通过阈值化算法在保留原图像中线圈轮廓的前提下去除周围大部分干扰。
步骤4,通过“连通区域面积去噪”方法进行优化去除线圈以外较少的离散背景区域。所谓“连通区域面积去噪”是指扫描整个二值图像,得到其中所有的白色连通区域,每一个连通区域都存储成一个点向量,并用point类型的vector表示,然后计算所有白色连通区域的面积,设定合适的阈值,将其中面积小于该阈值的所有白色连通区域过滤掉,将剩余工件连通区域重新绘制即。其具体算法流程如下所示,示意图如图2所示:
a,扫描图像,标记所有的连通区域;
b,算所有的连通区域面积,可以用最小矩形逼近连通区域并计算近似面积,面积=长*高,以像素为单位;
c,设定合适面积阈值,过滤离散小型连通区域。据统计,大部分背景干扰轮廓面积都是离散分布的,且其面积远小于线圈的轮廓面积,其中,不合格线圈面积最小,最小面积为1578,因此可以设置小于最小面积的面积阈值,过滤掉干扰信息;
d,重新绘制线圈轮廓,得到只有线圈轮廓的图像。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。
Claims (3)
1.一种提取电机转子中线圈轮廓特征的方法,其特征在于,包括以下步骤:
步骤1,通过使用Sobel和形态学闭运算相结合的算法,提取转子图像中线圈的完整且清晰轮廓;
步骤2,对得到的轮廓图像二值化,通过统计二值化后图像中所有连通区域轮廓的面积,并设置面积阈值,得到只有线圈轮廓特征的图像。
2.根据权利要求1所述的一种提取电机转子中线圈轮廓特征的方法,其特征在于,所述步骤1包括如下步骤:
a,对转子灰度图像进行Sobel整体边缘检测;
b,使用形态学闭运算填补Sobel处理后线圈中间的狭缝,得到完整且清晰的轮廓图像;
其中,闭运算处理内核通过实验验证,选取参考点位于7*7或9*9的核。
3.根据权利要求1所述的一种提取电机转子中线圈轮廓特征的方法,其特征在于,所述步骤2包括如下步骤:
a1,扫描图像,标记所有的连通区域;
b1,算所有的连通区域面积,可以用最小矩形逼近连通区域并计算近似面积,面积=长*高;
c1,设定合适面积阈值,过滤离散小型连通区域,据统计,大部分背景干扰轮廓面积都是离散分布的,且其面积远小于线圈的轮廓面积,其中,不合格线圈面积为最小面积,因此设置小于最小面积的面积阈值,过滤掉干扰信息;
d1,重新绘制线圈轮廓,得到只有线圈轮廓的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710337867.XA CN107230200A (zh) | 2017-05-15 | 2017-05-15 | 一种提取电机转子中线圈轮廓特征的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710337867.XA CN107230200A (zh) | 2017-05-15 | 2017-05-15 | 一种提取电机转子中线圈轮廓特征的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107230200A true CN107230200A (zh) | 2017-10-03 |
Family
ID=59934193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710337867.XA Pending CN107230200A (zh) | 2017-05-15 | 2017-05-15 | 一种提取电机转子中线圈轮廓特征的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107230200A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584228A (zh) * | 2018-11-27 | 2019-04-05 | 东南大学 | 基于二值图像和模型迁移学习的转子绕线图像检测方法 |
CN110348494A (zh) * | 2019-06-27 | 2019-10-18 | 中南大学 | 一种基于双通道残差神经网络的人体动作识别方法 |
CN110895803A (zh) * | 2018-08-24 | 2020-03-20 | 东华大学 | 一种卷装长丝的网丝缺陷检测方法 |
CN111062229A (zh) * | 2018-10-16 | 2020-04-24 | 北京金风科创风电设备有限公司 | 用于风力发电机组外转子识别的方法及装置 |
CN111738338A (zh) * | 2020-06-23 | 2020-10-02 | 征图新视(江苏)科技股份有限公司 | 基于级联膨胀fcn网络应用于马达线圈的缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246551A (zh) * | 2008-03-07 | 2008-08-20 | 北京航空航天大学 | 一种快速的车牌定位方法 |
CN101789080A (zh) * | 2010-01-21 | 2010-07-28 | 上海交通大学 | 车辆车牌实时定位字符分割的检测方法 |
CN101833664A (zh) * | 2010-04-21 | 2010-09-15 | 中国科学院自动化研究所 | 基于稀疏表达的视频图像文字检测方法 |
CN102163284A (zh) * | 2011-04-11 | 2011-08-24 | 西安电子科技大学 | 面向中文环境的复杂场景文本定位方法 |
US20140133698A1 (en) * | 2012-11-09 | 2014-05-15 | Analog Devices Technology | Object detection |
-
2017
- 2017-05-15 CN CN201710337867.XA patent/CN107230200A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246551A (zh) * | 2008-03-07 | 2008-08-20 | 北京航空航天大学 | 一种快速的车牌定位方法 |
CN101789080A (zh) * | 2010-01-21 | 2010-07-28 | 上海交通大学 | 车辆车牌实时定位字符分割的检测方法 |
CN101833664A (zh) * | 2010-04-21 | 2010-09-15 | 中国科学院自动化研究所 | 基于稀疏表达的视频图像文字检测方法 |
CN102163284A (zh) * | 2011-04-11 | 2011-08-24 | 西安电子科技大学 | 面向中文环境的复杂场景文本定位方法 |
US20140133698A1 (en) * | 2012-11-09 | 2014-05-15 | Analog Devices Technology | Object detection |
Non-Patent Citations (2)
Title |
---|
宇飞等著: "《视频目标跟踪方法》", 31 July 2015, 国防工业出版社 * |
陆玲,周书民: "《数字图像处理方法及程序设计》", 31 December 2011, 哈尔滨工程大学出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895803A (zh) * | 2018-08-24 | 2020-03-20 | 东华大学 | 一种卷装长丝的网丝缺陷检测方法 |
CN110895803B (zh) * | 2018-08-24 | 2023-03-28 | 东华大学 | 一种卷装长丝的网丝缺陷检测方法 |
CN111062229A (zh) * | 2018-10-16 | 2020-04-24 | 北京金风科创风电设备有限公司 | 用于风力发电机组外转子识别的方法及装置 |
CN111062229B (zh) * | 2018-10-16 | 2024-05-31 | 北京金风科创风电设备有限公司 | 用于风力发电机组外转子识别的方法及装置 |
CN109584228A (zh) * | 2018-11-27 | 2019-04-05 | 东南大学 | 基于二值图像和模型迁移学习的转子绕线图像检测方法 |
CN110348494A (zh) * | 2019-06-27 | 2019-10-18 | 中南大学 | 一种基于双通道残差神经网络的人体动作识别方法 |
CN111738338A (zh) * | 2020-06-23 | 2020-10-02 | 征图新视(江苏)科技股份有限公司 | 基于级联膨胀fcn网络应用于马达线圈的缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230200A (zh) | 一种提取电机转子中线圈轮廓特征的方法 | |
CN107194919B (zh) | 基于规律纹理背景重建的手机屏幕缺陷检测方法 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN109993736B (zh) | 一种基于改进加权otsu算法的电气设备热成像分割查异方法 | |
CN102496161B (zh) | 一种印刷电路板图像的轮廓提取方法 | |
WO2016201947A1 (zh) | 一种轮形铸造产品缺陷自动检测方法 | |
CN104732536A (zh) | 一种基于改进形态学的亚像素边缘检测方法 | |
CN107490582B (zh) | 一种流水线工件检测*** | |
CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
CN106485696B (zh) | 一种基于机器视觉的易爆危险品压合缺陷的检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN109801322B (zh) | 一种漏光检测方法及装置 | |
CN106846313A (zh) | 工件表面缺陷检测方法和装置 | |
CN112669265B (zh) | 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法 | |
CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
CN106780437B (zh) | 一种快速qfn芯片塑封图像获取与放大方法 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
CN107153067A (zh) | 一种基于matlab的零件表面缺陷检测方法 | |
CN107644417A (zh) | 应变片外观缺损检测方法 | |
CN109949294A (zh) | 一种基于OpenCV的断口形貌图裂纹缺陷提取方法 | |
CN112884746A (zh) | 一种基于边缘形状匹配的字符缺陷智能检测算法 | |
CN114332081B (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN114782473A (zh) | 一种基于像素关系的金相组织晶界提取方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171003 |