CN110057308A - 一种形变监测方法及*** - Google Patents
一种形变监测方法及*** Download PDFInfo
- Publication number
- CN110057308A CN110057308A CN201910360221.2A CN201910360221A CN110057308A CN 110057308 A CN110057308 A CN 110057308A CN 201910360221 A CN201910360221 A CN 201910360221A CN 110057308 A CN110057308 A CN 110057308A
- Authority
- CN
- China
- Prior art keywords
- image
- distance
- interest
- target
- binaryzation
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种形变监测方法及***。该方法包括:获取包含待测物和参照物的目标图像;对目标图像进行边缘检测并二值化处理得到第一二值化图像;将目标图像转换色彩空间得到色彩空间图像;针对饱和度通道或亮度通道,将色彩空间图像进行二值化处理得到第二二值化图像;将两个二值化图像叠加得到叠加图像;提取叠加图像中的感兴趣区域得到感兴趣图像;计算感兴趣图像中参照物图像的任意两点的坐标之间的欧氏距离相对于实际距离的比值得到距离比;计算感兴趣图像中的待测物图像的轮廓相对于初始轮廓的最大位移的欧式距离得到形变图像距离;将形变图像距离除以距离比得到形变实际距离。本发明能够实现对各种工况下的物体的形变检测,扩宽适用范围。
Description
技术领域
本发明涉及形变监测领域,特别是涉及一种形变监测方法及***。
背景技术
实验装置、器材或工业设备等装置在工作过程中均会发生或多或少的形变。有的形变会影响装置的性能、安全等因素,因此监测形变的程度至关重要。
现有的形变监测方法包括激光检测。具体为:顺次摆放激光器,安装架,聚焦透镜,光电探测器和示波器,将被测物体固定于安装架,发射激光,并调整位置使得光斑部分位于被测物截面,部分位于探测器上,被测物形变将导致探测器上的光通量变化,从而导致示波器上的电压变化,测得形变。
然而该技术的检测装置分布在被测物两侧,使得在被测物两侧的激光器与光电探测器之间均不能有其他阻隔的物体,限制了方法的应用环境,不适用于较复杂的结构。
发明内容
本发明的目的是提供一种形变监测方法及***,实现对各种工况下的物体的形变检测,打破应用环境的限制,扩宽适用范围。
一种形变监测方法,包括:
获取目标物体的图像,得到目标图像;所述目标物体包括待测物和位于所述待测物预设距离内的参照物;
对所述目标图像进行边缘检测,并利用二值化处理区分边缘与非边缘区域,得到第一二值化图像;
将所述目标图像转换至包含饱和度通道或亮度通道的色彩空间,得到色彩空间图像;
针对饱和度通道或亮度通道,利用阈值法将所述色彩空间图像进行二值化处理,得到第二二值化图像;
将所述第一二值化图像与所述第二二值化图像叠加,得到二值化叠加图像;
提取所述二值化叠加图像中的感兴趣区域,得到二值化感兴趣图像;
计算所述二值化感兴趣图像中的参照物图像的任意两点的坐标之间的欧氏距离相对于对应的实际距离的比值,得到图像与实际的距离比;
计算所述二值化感兴趣图像中的待测物图像的轮廓相对于待测物图像初始轮廓产生的最大位移的欧式距离,得到最大形变图像距离;
将所述最大形变图像距离除以所述图像与实际的距离比得到最大形变实际距离。
可选的,在所述获取目标物体的图像,得到目标图像之后,在所述对所述目标图像进行边缘检测,并利用二值化处理区分边缘与非边缘区域,得到第一二值化图像之前,还包括:
对所述目标图像进行灰度化处理,得到灰度化后的目标图像;
将所述灰度化后的目标图像进行高斯模糊处理,得到模糊处理后的目标图像。
可选的,所述对所述目标图像进行灰度化处理,得到灰度化后的目标图像,具体包括:
提取出所述目标图像中各像素点的红色亮度值R、绿色亮度值G和蓝色亮度值B;
根据灰度心理学公式Gray=(R*30+G*59+B*11+50)/100对所述目标图像的各像素点进行灰度化处理,其中Gray表示灰度值,R表示红色亮度值,G表示绿色亮度值,B表示蓝色亮度值。
可选的,在所述提取所述二值化叠加图像中的感兴趣区域,得到二值化感兴趣图像之后,在所述计算所述二值化叠加图像中的待测物图像的轮廓相对于待测物图像初始轮廓产生的最大位移的欧式距离,得到最大形变图像距离之前,还包括:
去除所述二值化感兴趣图像中的噪声点。
可选的,所述去除所述二值化感兴趣图像中的噪声点,具体包括:
计算所述二值化感兴趣图像中除参照物图像以外的区域中标记为预设值的像素点中具有连通关系的像素点所构成的区域的面积,得到各区域面积;
将区域面积小于预设面积的区域内的像素点去除,得到初步去噪图像;
计算所述初步去噪图像中除参照物图像以外的区域中标记为预设值的各像素点的坐标相对除参照物图像以外的区域中标记为预设值的所有像素点的坐标构成的总体分布之间的马氏距离,得到待测轮廓各点马氏距离;
将所述待测轮廓各点马氏距离中超出预设马氏距离值的值所对应的像素点去除。
本发明还公开一种形变监测***,包括:
目标图像获取模块,用于获取目标物体的图像,得到目标图像;所述目标物体包括待测物和位于所述待测物预设距离内的参照物;
边缘检测模块,用于对所述目标图像进行边缘检测,并利用二值化处理区分边缘与非边缘区域,得到第一二值化图像;
色彩空间转换模块,用于将所述目标图像转换至包含饱和度通道或亮度通道的色彩空间,得到色彩空间图像;
阈值法二值处理模块,用于针对饱和度通道或亮度通道,利用阈值法将所述色彩空间图像进行二值化处理,得到第二二值化图像;
叠加模块,用于将所述第一二值化图像与所述第二二值化图像叠加,得到二值化叠加图像;
感兴趣区域提取模块,用于提取所述二值化叠加图像中的感兴趣区域,得到二值化感兴趣图像;
虚实距离比计算模块,用于计算所述二值化感兴趣图像中的参照物图像的任意两点的坐标之间的欧氏距离相对于对应的实际距离的比值,得到图像与实际的距离比;
最大形变图像距离计算模块,用于计算所述二值化感兴趣图像中的待测物图像的轮廓相对于待测物图像初始轮廓产生的最大位移的欧式距离,得到最大形变图像距离;
最大形变实际距离计算模块,用于将所述最大形变图像距离除以所述图像与实际的距离比得到最大形变实际距离。
可选的,该形变监测***还包括:
灰度处理模块,用于对所述目标图像进行灰度化处理,得到灰度化后的目标图像;
模糊处理模块,用于将所述灰度化后的目标图像进行高斯模糊处理,得到模糊处理后的目标图像。
可选的,所述灰度处理模块包括:
基准色亮度提取单元,用于提取出所述目标图像中各像素点的红色亮度值R、绿色亮度值G和蓝色亮度值B;
灰度心理学公式计算单元,用于根据灰度心理学公式Gray=(R*30+G*59+B*11+50)/100对所述目标图像的各像素点进行灰度化处理,其中Gray表示灰度值,R表示红色亮度值,G表示绿色亮度值,B表示蓝色亮度值。
可选的,该形变监测***还包括:
去噪模块,用于去除所述二值化感兴趣图像中的噪声点。
可选的,所述去噪模块包括:
面积计算单元,用于计算所述二值化感兴趣图像中除参照物图像以外的区域中标记为预设值的像素点中具有连通关系的像素点所构成的区域的面积,得到各区域面积;
初步去噪单元,用于将区域面积小于预设面积的区域内的像素点去除,得到初步去噪图像;
马氏距离计算单元,用于计算所述初步去噪图像中除参照物图像以外的区域中标记为预设值的各像素点的坐标相对除参照物图像以外的区域中标记为预设值的所有像素点的坐标构成的总体分布之间的马氏距离,得到待测轮廓各点马氏距离;
二次去噪单元,用于将所述待测轮廓各点马氏距离中超出预设马氏距离值的值所对应的像素点去除。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明所公开的形变监测方法及***,通过获取待测物的图像,并利用图像检测的手段实现对形变的监测。由于获取的是待测物的图像,因此只需要在待测物的一侧获取信息即可,无需保证待测物的两侧均无遮挡物,从而能够实现对各种工况下的物体的形变检测,打破应用环境的限制,扩宽适用范围。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明形变监测方法实施例的方法流程图;
图2为本发明形变监测方法实施例中对某一目标图像进行边缘检测后得到的图像;
图3为本发明形变监测方法实施例中对某一目标图像进行空间转换并二值化处理后的图像;
图4为本发明形变监测方法实施例中对图2和图3中的图像进行叠加后所得到的二值化叠加图像;
图5为本发明形变监测方法实施例中对图4中的图像进行感兴趣提取和去除噪声之后的图像;
图6为本发明形变监测方法实施例中对图5中的图像进行参照物提取所得到的图像;
图7为本发明形变监测方法实施例中对图6中的图像计算出最大形变实际距离的可视化图像;
图8为本发明形变监测***实施例的***结构图。
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,所描述的实施例仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明的形变监测方法应用于一种形变监测装置,该装置包括单板机和4k无畸变摄像头。4k无畸变摄像头的输出端与所述单板机的输入端连接。4k无畸变摄像头用于采集待测物和参照物的图像,单板机用于对图像进行处理以计算形变量。4k无畸变摄像头由带有水平仪的三自由度支架架设。
图1为本发明形变监测方法实施例的方法流程图。
参加图1,该形变监测方法包括:
步骤1:获取4k无畸变摄像头采集的目标物体的图像,得到目标图像;所述目标物体包括待测物和位于所述待测物预设距离内的参照物。所述预设距离为1cm~10cm。所述参照物为标准形状的物体或标记。
步骤2:对所述目标图像进行灰度化处理,得到灰度化后的目标图像。
该步骤2具体包括:
提取出所述目标图像中各像素点的红色亮度值R、绿色亮度值G和蓝色亮度值B;
根据灰度心理学公式Gray=(R*30+G*59+B*11+50)/100对所述目标图像的各像素点进行灰度化处理,其中Gray表示灰度值,R表示红色亮度值,G表示绿色亮度值,B表示蓝色亮度值。
通过灰度化处理,将三通道图像转换为单通道图像,便于特征提取。
步骤3:将所述灰度化后的目标图像进行高斯模糊处理,得到模糊处理后的目标图像。高斯模糊处理的方式为:利用OpenCV库的高斯模糊API进行模糊处理。通过高斯模糊处理,可以减少图像噪声以及降低细节层次。
步骤4:对所述目标图像进行边缘检测,并利用二值化处理区分边缘与非边缘区域,得到第一二值化图像。边缘检测的方式为:利用OpenCV库的canny检测API进行基于canny检测算子的边缘检测。二值化处理为:将边缘的像素标记为1,非边缘的像素标记为0。
图2为本发明形变监测方法实施例中对某一目标图像进行边缘检测后得到的图像。
图2中,白色像素点即为标记为1的像素点,黑色像素点即为标记为0的像素点。白色线条即为检测到的边缘。
步骤5:将步骤1中的目标图像转换至包含饱和度通道或亮度通道的色彩空间,得到色彩空间图像。
具体为:将目标图像由RGB空间转换成HLS空间或HSV空间。针对HLS空间,根据环境情况保留L(亮度)通道或S(饱和度)通道。针对HSV空间,保留S通道。步骤6:针对饱和度通道或亮度通道,利用阈值法将所述色彩空间图像进行二值化处理,得到第二二值化图像。
具体为:针对所保留的通道(L通道或S通道),调试出满足条件的阈值上限ThresU和阈值下限ThresD,得到阈值范围。将保留通道的值位于阈值范围内的像素点标记为1,将保留通道的值位于阈值范围外的像素点标记为0。
调试阈值上限ThresU和阈值下限ThresD的方式为:对于不同工况,在监测开始前利用现场拍摄的样本图片,手动更改L(或S)通道阈值(0-100),结果以最能突出感兴区域的阈值为优。
图3为本发明形变监测方法实施例中对某一目标图像进行空间转换并二值化处理后的图像。
图3中白色像素点即为标记为1的像素点,黑色像素点即为标记为0的像素点。白色区域即为根据阈值范围确定的目标区域。
步骤7:将所述第一二值化图像与所述第二二值化图像叠加,得到二值化叠加图像。叠加方法为:将第一二值化图像和第二二值化图像中的各像素点按或叠加。即,第一二值化图像和第二二值化图像中对应的某个像素点的值均为0,则叠加结果为0;第一二值化图像和第二二值化图像中对应的某个像素点的值分别为1和0或者分别为0或1,则叠加结果为1;第一二值化图像和第二二值化图像中对应的某个像素点的值均为1,则叠加结果为1。
二值化叠加图像中值为1的像素点中由所有第一二值化图像中值为1的像素点和第二二值化图像中值为1的像素点组合而成。
图4为本发明形变监测方法实施例中对图2和图3中的图像进行叠加后所得到的二值化叠加图像。
参见图4,图4中的白色区域由图2中的白色区域和图3中的白色区域合成。步骤8:提取所述二值化叠加图像中的感兴趣区域,得到二值化感兴趣图像。对于不同工况,在检测开始前利用现场拍摄的样本图片,得到待测物及参照物所处区域的坐标值,在检测过程中根据待测物及参照物所处区域的坐标值提取感兴区域。
步骤8之后的步骤所处理的对象均为标记为1的像素点。
步骤9:去除所述二值化感兴趣图像中的噪声点;该步骤9具体包括:
计算所述二值化感兴趣图像中除参照物图像以外的区域中标记为预设值的像素点中具有连通关系的像素点所构成的区域的面积,得到各区域面积;
将区域面积小于预设面积的区域内的像素点去除,得到初步去噪图像;初步去躁不仅能去除具有连通关系的像素点构成的面积较小的区域,还能去除孤立的像素点。
计算所述初步去噪图像中除参照物图像以外的区域中标记为预设值的各像素点的坐标相对除参照物图像以外的区域中标记为预设值的所有像素点的坐标构成的总体分布之间的马氏距离,得到待测轮廓各点马氏距离;
将所述待测轮廓各点马氏距离中超出预设马氏距离值的值所对应的像素点去除。
马氏距离可以表征各像素点的异常度,通过计算各像素点马氏距离可以将异常度较大的像素点去除。
图5为本发明形变监测方法实施例中对图4中的图像进行感兴趣提取和去除噪声之后的图像。
参见图5,图中矩形方框内的白色像素点构成的区域和线条即为感兴趣区域。感兴趣区域内由白色像素点构成的白色长方形区域为参照物图像,由白色像素点构成的中间低两侧高的白色线条即为待测物轮廓线。
步骤10:计算所述二值化感兴趣图像中的参照物图像的任意两点的坐标之间的欧氏距离相对于对应的实际距离的比值,得到图像与实际的距离比。
首先需要确定参照物图像的轮廓以及轮廓顶点。然后从各轮廓顶点中选取距离较大的两个顶点或任意选取一条长度较长的轮廓边的两个端点,计算这两个顶点或两个端点的欧式距离。然而对应到参照物实体上计算这两个顶点或两个端点的实际距离,通过将欧式距离与实际距离作比值得到图像与实际的距离比。
图6为本发明形变监测方法实施例中对图5中的图像进行参照物提取所得到的图像。
参见图6,该参照物图像的形状近似为长方形,则至少有4个顶点和4条边。可以任意选取两个对角点或任意一条边的两个端点作为计算对象。原则上选择的两个点的距离越长,计算得到的图像与实际的距离比的准确度越高。
步骤11:计算所述二值化感兴趣图像中的待测物图像的轮廓相对于待测物图像初始轮廓产生的最大位移的欧式距离,得到最大形变图像距离。当处理的图像为第一帧图像时,对该图像中待测物的轮廓边缘进行记录并拟合出轮廓线,作为待测物图像初始轮廓。否则,计算待测物图像的轮廓相对于待测物图像初始轮廓产生的最大位移的欧式距离,得到最大形变图像距离。
步骤12:将所述最大形变图像距离除以所述图像与实际的距离比得到最大形变实际距离。
在得到最大形变实际距离后,将最大形变实际距离显示于屏幕,实现可视化。
图7为本发明形变监测方法实施例中对图6中的图像计算出最大形变实际距离的可视化图像。
参见图7,实时监测到的最大形变实际距离为6.522mm。即曲线相对于直线所产生的最大形变位移为6.522mm。
同时。若最大形变实际距离达到预警值,将单板机输出的数字信号,经PWM(PulseWidth Modulation,脉冲宽度调制)模块,转化为所需的模拟信号,驱动报警器报警或直接终止待测物工作。图7中的位移预警值为7.524mm,最大形变位移6.522mm小于7.524mm,未到预警值,因此,不发出预警。
本发明的形变监测具有以下技术效果:
1、非接触测量:基于摄像头的信息采集,实现远距离检测,无需接触被测物。
2、实时动态监测:该方法可持续的实时的对目标进行监测,在形变发生同时进行测量。
3、精度高:采用4k高清无畸变摄像头,画面分辨率可达4608*3456像素,理论最高精度可达0.005mm。
4、适应性强:本方法可对各种工况下的任意边缘物体进行监测,得到高精度测量结果。
5、可视化:本发明通过可视化显示,可将检测边缘,物体形变等关键信息显示于监视器,一目了然。
6、预警保护机制:PWM模块可将数字信号调制为需要的模拟信号,实现与各种预警或执行装置的对接。
图8为本发明形变监测***实施例的***结构图。
参见图8,该形变监测***,包括:
目标图像获取模块201,用于获取目标物体的图像,得到目标图像;所述目标物体包括待测物和位于所述待测物预设距离内的参照物。
灰度处理模块202,用于对所述目标图像进行灰度化处理,得到灰度化后的目标图像。
该灰度处理模块202包括:
基准色亮度提取单元,用于提取出所述目标图像中各像素点的红色亮度值R、绿色亮度值G和蓝色亮度值B;
灰度心理学公式计算单元,用于根据灰度心理学公式Gray=(R*30+G*59+B*11+50)/100对所述目标图像的各像素点进行灰度化处理,其中Gray表示灰度值,R表示红色亮度值,G表示绿色亮度值,B表示蓝色亮度值。
模糊处理模块203,用于将所述灰度化后的目标图像进行高斯模糊处理,得到模糊处理后的目标图像。
边缘检测模块204,用于对所述目标图像进行边缘检测,并利用二值化处理区分边缘与非边缘区域,得到第一二值化图像。
色彩空间转换模块205,用于将所述目标图像转换至包含饱和度通道或亮度通道的色彩空间,得到色彩空间图像。
阈值法二值处理模块206,用于针对饱和度通道或亮度通道,利用阈值法将所述色彩空间图像进行二值化处理,得到第二二值化图像。
叠加模块207,用于将所述第一二值化图像与所述第二二值化图像叠加,得到二值化叠加图像。
感兴趣区域提取模块208,用于提取所述二值化叠加图像中的感兴趣区域,得到二值化感兴趣图像。
去噪模块209,用于去除所述二值化感兴趣图像中的噪声点。
该去噪模块209包括:
面积计算单元,用于计算所述二值化感兴趣图像中除参照物图像以外的区域中标记为预设值的像素点中具有连通关系的像素点所构成的区域的面积,得到各区域面积;
初步去噪单元,用于将区域面积小于预设面积的区域内的像素点去除,得到初步去噪图像;
马氏距离计算单元,用于计算所述初步去噪图像中除参照物图像以外的区域中标记为预设值的各像素点的坐标相对除参照物图像以外的区域中标记为预设值的所有像素点的坐标构成的总体分布之间的马氏距离,得到待测轮廓各点马氏距离;
二次去噪单元,用于将所述待测轮廓各点马氏距离中超出预设马氏距离值的值所对应的像素点去除。
虚实距离比计算模块210,用于计算所述二值化感兴趣图像中的参照物图像的任意两点的坐标之间的欧氏距离相对于对应的实际距离的比值,得到图像与实际的距离比。
最大形变图像距离计算模块211,用于计算所述二值化感兴趣图像中的待测物图像的轮廓相对于待测物图像初始轮廓产生的最大位移的欧式距离,得到最大形变图像距离。
最大形变实际距离计算模块212,用于将所述最大形变图像距离除以所述图像与实际的距离比得到最大形变实际距离。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明所公开的形变监测方法及***,通过获取待测物的图像,并利用图像检测的手段实现对形变的监测。由于获取的是待测物的图像,因此只需要在待测物的一侧获取信息即可,无需保证待测物的两侧均无遮挡物,从而能够实现对各种工况下的物体的形变检测,打破应用环境的限制,扩宽适用范围。
对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种形变监测方法,其特征在于,包括:
获取目标物体的图像,得到目标图像;所述目标物体包括待测物和位于所述待测物预设距离内的参照物;
对所述目标图像进行边缘检测,并利用二值化处理区分边缘与非边缘区域,得到第一二值化图像;
将所述目标图像转换至包含饱和度通道或亮度通道的色彩空间,得到色彩空间图像;
针对饱和度通道或亮度通道,利用阈值法将所述色彩空间图像进行二值化处理,得到第二二值化图像;
将所述第一二值化图像与所述第二二值化图像叠加,得到二值化叠加图像;
提取所述二值化叠加图像中的感兴趣区域,得到二值化感兴趣图像;
计算所述二值化感兴趣图像中的参照物图像的任意两点的坐标之间的欧氏距离相对于对应的实际距离的比值,得到图像与实际的距离比;
计算所述二值化感兴趣图像中的待测物图像的轮廓相对于待测物图像初始轮廓产生的最大位移的欧式距离,得到最大形变图像距离;
将所述最大形变图像距离除以所述图像与实际的距离比得到最大形变实际距离。
2.根据权利要求1所述的形变监测方法,其特征在于,在所述获取目标物体的图像,得到目标图像之后,在所述对所述目标图像进行边缘检测,并利用二值化处理区分边缘与非边缘区域,得到第一二值化图像之前,还包括:
对所述目标图像进行灰度化处理,得到灰度化后的目标图像;
将所述灰度化后的目标图像进行高斯模糊处理,得到模糊处理后的目标图像。
3.根据权利要求2所述的形变监测方法,其特征在于,所述对所述目标图像进行灰度化处理,得到灰度化后的目标图像,具体包括:
提取出所述目标图像中各像素点的红色亮度值R、绿色亮度值G和蓝色亮度值B;
根据灰度心理学公式Gray=(R*30+G*59+B*11+50)/100对所述目标图像的各像素点进行灰度化处理,其中Gray表示灰度值,R表示红色亮度值,G表示绿色亮度值,B表示蓝色亮度值。
4.根据权利要求1所述的形变监测方法,其特征在于,在所述提取所述二值化叠加图像中的感兴趣区域,得到二值化感兴趣图像之后,在所述计算所述二值化叠加图像中的待测物图像的轮廓相对于待测物图像初始轮廓产生的最大位移的欧式距离,得到最大形变图像距离之前,还包括:
去除所述二值化感兴趣图像中的噪声点。
5.根据权利要求4所述的形变监测方法,其特征在于,所述去除所述二值化感兴趣图像中的噪声点,具体包括:
计算所述二值化感兴趣图像中除参照物图像以外的区域中标记为预设值的像素点中具有连通关系的像素点所构成的区域的面积,得到各区域面积;
将区域面积小于预设面积的区域内的像素点去除,得到初步去噪图像;
计算所述初步去噪图像中除参照物图像以外的区域中标记为预设值的各像素点的坐标相对除参照物图像以外的区域中标记为预设值的所有像素点的坐标构成的总体分布之间的马氏距离,得到待测轮廓各点马氏距离;
将所述待测轮廓各点马氏距离中超出预设马氏距离值的值所对应的像素点去除。
6.一种形变监测***,其特征在于,包括:
目标图像获取模块,用于获取目标物体的图像,得到目标图像;所述目标物体包括待测物和位于所述待测物预设距离内的参照物;
边缘检测模块,用于对所述目标图像进行边缘检测,并利用二值化处理区分边缘与非边缘区域,得到第一二值化图像;
色彩空间转换模块,用于将所述目标图像转换至包含饱和度通道或亮度通道的色彩空间,得到色彩空间图像;
阈值法二值处理模块,用于针对饱和度通道或亮度通道,利用阈值法将所述色彩空间图像进行二值化处理,得到第二二值化图像;
叠加模块,用于将所述第一二值化图像与所述第二二值化图像叠加,得到二值化叠加图像;
感兴趣区域提取模块,用于提取所述二值化叠加图像中的感兴趣区域,得到二值化感兴趣图像;
虚实距离比计算模块,用于计算所述二值化感兴趣图像中的参照物图像的任意两点的坐标之间的欧氏距离相对于对应的实际距离的比值,得到图像与实际的距离比;
最大形变图像距离计算模块,用于计算所述二值化感兴趣图像中的待测物图像的轮廓相对于待测物图像初始轮廓产生的最大位移的欧式距离,得到最大形变图像距离;
最大形变实际距离计算模块,用于将所述最大形变图像距离除以所述图像与实际的距离比得到最大形变实际距离。
7.根据权利要求6所述的形变监测***,其特征在于,还包括:
灰度处理模块,用于对所述目标图像进行灰度化处理,得到灰度化后的目标图像;
模糊处理模块,用于将所述灰度化后的目标图像进行高斯模糊处理,得到模糊处理后的目标图像。
8.根据权利要求7所述的形变监测***,其特征在于,所述灰度处理模块包括:
基准色亮度提取单元,用于提取出所述目标图像中各像素点的红色亮度值R、绿色亮度值G和蓝色亮度值B;
灰度心理学公式计算单元,用于根据灰度心理学公式Gray=(R*30+G*59+B*11+50)/100对所述目标图像的各像素点进行灰度化处理,其中Gray表示灰度值,R表示红色亮度值,G表示绿色亮度值,B表示蓝色亮度值。
9.根据权利要求6所述的形变监测***,其特征在于,还包括:
去噪模块,用于去除所述二值化感兴趣图像中的噪声点。
10.根据权利要求9所述的形变监测***,其特征在于,所述去噪模块包括:
面积计算单元,用于计算所述二值化感兴趣图像中除参照物图像以外的区域中标记为预设值的像素点中具有连通关系的像素点所构成的区域的面积,得到各区域面积;
初步去噪单元,用于将区域面积小于预设面积的区域内的像素点去除,得到初步去噪图像;
马氏距离计算单元,用于计算所述初步去噪图像中除参照物图像以外的区域中标记为预设值的各像素点的坐标相对除参照物图像以外的区域中标记为预设值的所有像素点的坐标构成的总体分布之间的马氏距离,得到待测轮廓各点马氏距离;
二次去噪单元,用于将所述待测轮廓各点马氏距离中超出预设马氏距离值的值所对应的像素点去除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910360221.2A CN110057308A (zh) | 2019-04-30 | 2019-04-30 | 一种形变监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910360221.2A CN110057308A (zh) | 2019-04-30 | 2019-04-30 | 一种形变监测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110057308A true CN110057308A (zh) | 2019-07-26 |
Family
ID=67321871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910360221.2A Pending CN110057308A (zh) | 2019-04-30 | 2019-04-30 | 一种形变监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110057308A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111493853A (zh) * | 2020-04-24 | 2020-08-07 | 天津恒宇医疗科技有限公司 | 一种针对血管性皮肤病的血管参数评价方法及*** |
CN111598907A (zh) * | 2020-04-08 | 2020-08-28 | 上海嘉奥信息科技发展有限公司 | 图像的小黑点提取方法及*** |
CN112481839A (zh) * | 2020-11-27 | 2021-03-12 | 杭州数迈科技有限公司 | 织物缝合方法、***、设备及存储介质 |
CN113034573A (zh) * | 2021-04-01 | 2021-06-25 | 大连锐视达科技有限公司 | 一种球团粒径检测方法及*** |
CN115035104A (zh) * | 2022-08-09 | 2022-09-09 | 启东市罗源光伏设备有限公司 | 基于多维度感知的光伏板形变智能预测方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101085442A (zh) * | 2006-06-06 | 2007-12-12 | 中国农业大学 | 基于rgb复合模型的柑橘图像处理分级的方法 |
CN101520895A (zh) * | 2009-02-24 | 2009-09-02 | 上海大学 | 标尺图像中像素位移与实际位移的自动转换方法 |
CN101691994A (zh) * | 2009-09-30 | 2010-04-07 | 浙江大学 | 一种隧道裂缝最大宽度自动定位和检测方法 |
CN103575227A (zh) * | 2013-09-23 | 2014-02-12 | 西安新拓三维光测科技有限公司 | 一种基于数字散斑的视觉引伸计实现方法 |
JP2017009598A (ja) * | 2015-06-16 | 2017-01-12 | 株式会社シーボン | 美容施術効果の解析方法 |
CN107085844A (zh) * | 2017-03-14 | 2017-08-22 | 西安工程大学 | 基于稀疏表示的图像分解算法的织物瑕疵检测方法 |
CN108230343A (zh) * | 2018-01-05 | 2018-06-29 | 厦门华联电子股份有限公司 | 一种图像处理方法及装置 |
CN108764251A (zh) * | 2018-05-03 | 2018-11-06 | 四川斐讯信息技术有限公司 | 一种工件表面裂缝检测方法及*** |
-
2019
- 2019-04-30 CN CN201910360221.2A patent/CN110057308A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101085442A (zh) * | 2006-06-06 | 2007-12-12 | 中国农业大学 | 基于rgb复合模型的柑橘图像处理分级的方法 |
CN101520895A (zh) * | 2009-02-24 | 2009-09-02 | 上海大学 | 标尺图像中像素位移与实际位移的自动转换方法 |
CN101691994A (zh) * | 2009-09-30 | 2010-04-07 | 浙江大学 | 一种隧道裂缝最大宽度自动定位和检测方法 |
CN103575227A (zh) * | 2013-09-23 | 2014-02-12 | 西安新拓三维光测科技有限公司 | 一种基于数字散斑的视觉引伸计实现方法 |
JP2017009598A (ja) * | 2015-06-16 | 2017-01-12 | 株式会社シーボン | 美容施術効果の解析方法 |
CN107085844A (zh) * | 2017-03-14 | 2017-08-22 | 西安工程大学 | 基于稀疏表示的图像分解算法的织物瑕疵检测方法 |
CN108230343A (zh) * | 2018-01-05 | 2018-06-29 | 厦门华联电子股份有限公司 | 一种图像处理方法及装置 |
CN108764251A (zh) * | 2018-05-03 | 2018-11-06 | 四川斐讯信息技术有限公司 | 一种工件表面裂缝检测方法及*** |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598907A (zh) * | 2020-04-08 | 2020-08-28 | 上海嘉奥信息科技发展有限公司 | 图像的小黑点提取方法及*** |
CN111598907B (zh) * | 2020-04-08 | 2023-06-06 | 上海嘉奥信息科技发展有限公司 | 图像的小黑点提取方法及*** |
CN111493853A (zh) * | 2020-04-24 | 2020-08-07 | 天津恒宇医疗科技有限公司 | 一种针对血管性皮肤病的血管参数评价方法及*** |
CN112481839A (zh) * | 2020-11-27 | 2021-03-12 | 杭州数迈科技有限公司 | 织物缝合方法、***、设备及存储介质 |
CN113034573A (zh) * | 2021-04-01 | 2021-06-25 | 大连锐视达科技有限公司 | 一种球团粒径检测方法及*** |
CN115035104A (zh) * | 2022-08-09 | 2022-09-09 | 启东市罗源光伏设备有限公司 | 基于多维度感知的光伏板形变智能预测方法及*** |
CN115035104B (zh) * | 2022-08-09 | 2023-09-08 | 长峡数字能源科技(湖北)有限公司 | 基于多维度感知的光伏板形变智能预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110057308A (zh) | 一种形变监测方法及*** | |
US11514563B2 (en) | Infrared resolution and contrast enhancement with fusion | |
US10255662B2 (en) | Image processing method for detail enhancement and noise reduction | |
EP2590138B1 (en) | Gas visualization arrangements, devices, and methods | |
JP5781743B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CA2669580C (en) | Focus assist system and method | |
US11915516B2 (en) | Information processing device and recognition support method | |
CN105147311B (zh) | 用于ct***中的可视化设备辅助扫描定位方法和*** | |
KR20060048033A (ko) | 디스플레이의 평가 방법 및 장치 | |
JP2005331929A (ja) | 画像解析方法、画像解析プログラム、及びそれらを有する画素評価システム | |
CN111031311B (zh) | 成像质量检测方法、装置、电子设备及可读存储介质 | |
US20160196637A1 (en) | Raw sensor image and video de-hazing and atmospheric light analysis methods and systems | |
JP2009522561A (ja) | 周期構造の光学検査方法及びシステム | |
CN103415869A (zh) | 检测和量化数字图像中的模糊的方法 | |
US20190273845A1 (en) | Vibration monitoring of an object using a video camera | |
CN106228541A (zh) | 视觉检测中屏幕定位的方法及装置 | |
US8693803B2 (en) | High linear dynamic range imaging | |
US20110069891A1 (en) | Edge detection apparatus and computing circuit employed in edge detection apparatus | |
JP4320990B2 (ja) | 画面欠陥検出方法及び装置並びに画面欠陥検出のためのプログラム | |
JP2005258940A (ja) | 画像認識方法及び画像認識装置 | |
KR20180108714A (ko) | 불균일 평가 방법 및 불균일 평가 장치 | |
TWI751869B (zh) | 運算裝置及用於近眼顯示裝置之缺陷偵測方法 | |
JP2013168779A (ja) | 検査方法および検査装置 | |
CN114972598B (zh) | 三维场景中相机可视区域渲染方法、装置、介质和设备 | |
CN113008470B (zh) | 气体泄漏检测装置以及气体泄漏检测方法 |
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: 20190726 |