CN111060014B - 一种基于机器视觉的在线自适应烟丝宽度测量方法 - Google Patents
一种基于机器视觉的在线自适应烟丝宽度测量方法 Download PDFInfo
- Publication number
- CN111060014B CN111060014B CN201910984864.4A CN201910984864A CN111060014B CN 111060014 B CN111060014 B CN 111060014B CN 201910984864 A CN201910984864 A CN 201910984864A CN 111060014 B CN111060014 B CN 111060014B
- Authority
- CN
- China
- Prior art keywords
- tobacco shred
- tobacco
- effective
- shred
- matrix
- 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.)
- Active
Links
Images
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
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacture Of Tobacco Products (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机技术领域,具体涉及一种基于机器视觉的在线自适应烟丝宽度测量方法,包括以下步骤:A)抓取若干烟丝到拍摄台面上,以设定的压力压平烟丝;B)使用摄像装置采集烟丝的彩色图像;C)使用预设烟丝模板自动搜索符合测量条件的有效烟丝;D)提取有效烟丝的轮廓;E)沿有效烟丝轮廓延伸方向获得若干个采样点,获得每个有效烟丝在采样点的宽度值;F)重复步骤D)至E)直到遍历全部有效烟丝,获得实测烟丝宽度值。本发明的实质性效果是:实现烟丝宽度测量的在线化和自动化,提高了烟丝测量的效率;自动识别有效烟丝并自动匹配不同宽度的烟丝,保证了测量结果的有效性和准确度。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种基于机器视觉的在线自适应烟丝宽度测量方法。
背景技术
在卷烟生产中,烟叶切丝后,需要对切丝质量进行检测,即检测烟丝的长度。现有技术中,由人工抓取一堆烟丝,人工挑选烟丝堆上显露的能够进行宽度测量烟丝,在投影测量仪的帮助下进行烟丝宽度的测量。烟丝宽度测量的结果是多个烟丝宽度的值,每根烟丝也会在不同位置测量出多个宽度值,这些烟丝宽度的值基本符合高斯分布。其期望值和方差,反应了该次切丝与标准烟丝宽度的差距情况。进而能够判定该次切丝质量是否满足要求,为后续工序的执行提供决策依据。然而由人工进行烟丝宽度的测量,存在效率低、误差大的问题。机器视觉技术是通过图像摄取装置,将被摄取目标转换成图像信号,传送给专用的图像处理***,得到被摄目标的形态信息,根据像素分布和亮度、颜色等信息,分析图像中的内容,并得到预定的信息和结果的技术。然而,现有技术中的机器视觉技术仅适用于对位置相对固定的图像进行有效识别和测量。对于烟丝宽度测量这类有效烟丝以及宽度测量点位,需要随烟丝堆实际情况自适应变动的测量来讲,目前还缺乏相关的基于机器视觉的测量技术。
如中国专利CN109946300A,公开日2019年6月28日,一种基于图像法的烟丝耐加工性检测表征方法,利用机器视觉方法测定烟丝数均长度,可分别用于烟丝风送和滚筒干燥两种工序的烟丝耐加工型检测表征,用烟丝在风送、滚筒干燥工序前后数均长度的变化来表征烟丝的耐加工性。其虽然能够提供的表征方法体现烟丝耐加工性的大小,但其并没有提供解决烟丝宽度测量效率低、误差大的问题的技术方案。
发明内容
本发明要解决的技术问题是:目前烟丝宽度测量效率低的技术问题。提出了一种在线测量的高效的基于机器视觉的在线自适应烟丝宽度测量方法。
为解决上述技术问题,本发明所采取的技术方案为:一种基于机器视觉的在线自适应烟丝宽度测量方法,包括以下步骤:A)抓取若干烟丝到拍摄台面上,以设定的压力压平烟丝;B)使用摄像装置采集烟丝的彩色图像;C)使用预设烟丝模板自动搜索符合测量条件的有效烟丝;D)提取有效烟丝的轮廓;E)沿有效烟丝轮廓延伸方向获得若干个采样点,获得每个有效烟丝在采样点的宽度值;F)重复步骤D)至E)直到遍历全部有效烟丝,获得实测烟丝宽度值。实现烟丝宽度测量的在线化和自动化,提高了烟丝测量的效率。
作为优选,步骤C)中,使用预设烟丝模板自动搜索符合测量条件的有效烟丝的方法包括:C1)建立烟丝模板,烟丝模板包括模板轮廓、缩放比例系数以及轮廓梯度方向;C2)建立烟丝颜色模板;C3)获得烟丝的彩色图像的轮廓线,根据局部轮廓线方向以及其相邻局部轮廓线方向的一致程度,初步筛选轮廓线;C4)使用步骤C1)的烟丝模板匹配步骤C3)获得的轮廓线,匹配结果作为初选轮廓;C5)将初选轮廓内的彩色图像的颜色与步骤C2)中的烟丝颜色模板匹配,若匹配成功则该轮廓对应的烟丝作为有效烟丝。自动识别有效烟丝并自动匹配不同宽度的烟丝,保证了测量结果的有效性和准确度,保证了在线测量结果的参考价值。
作为优选,步骤C2)中,建立烟丝颜色模板的方法为:导入烟丝图像到计算机,人工点击烟丝,计算机记录下点击处的烟丝颜色,形成烟丝颜色库,作为烟丝颜色模板;或者:通过执行步骤C1)、C3)至C4),获得烟丝边缘对,将烟丝边缘对之间的颜色进行采样并记录,形成烟丝颜色库,而后进行高斯混合插值,获得烟丝颜色模板。通过颜色进一步判定,提高有效烟丝识别的准确度,进而提高烟丝宽度测量的准确度。
作为优选,步骤C3)中,获得烟丝的彩色图像的轮廓线的方法包括:C31)获得烟丝的彩色图像的二值化副本:将落入预设的烟丝颜色范围内的颜色置0,其余颜色置1,获得二值化副本的矩阵;C32)从二值化副本的矩阵的一角开始检测,若该位置为0则横向移动到下一个位置进行检测,横向检测到末尾时换行,若该位置为1,则检测半径d范围内是否存在0,若不存在0,则将该位置置0,反之,则移动到下一个位置进行检测,若当前检测位置为aij,若|i′-i|≤d且|j′-j|≤d,则αi′j′位于αij的半径d范围内;C33)通过步骤C32)遍历二值化副本的矩阵后,从二值化副本的矩阵最左上角的1开始,设该点为αij,以半径D画圆,获得圆圈范围,若对于i′、j′满足|i′-i|=D且|j′-j|≤D,或者|j′-j|=D且|i′-i|≤D,则αi′j′位于aij的半径D的圆圈范围,D>d,以顺时针方向遍历圆圈范围,若元素值0、1交替次数大于4次,则将该元素标记为节点,并将该节点半径D范围内的元素全部置0,直到遍历二值化副本的矩阵,获得全部节点;C34)在二值化副本的矩阵上,若两个节点之间的连线上的元素1占比超过预设阈值,则将该两个节点连线,该连线作为局部轮廓线,遍历全部节点的组合,获得全部局部轮廓线,全部局部轮廓线的集合作为烟丝的彩色图像的轮廓线。1对应烟丝边缘,0对应烟丝区域,步骤C32)能够将边缘区域以及过粗的区域裁细,使得全部烟丝边缘变细到2d大小;步骤C33)中若半径D画圆交全部烟丝边缘次数超过四次,则该圆心处于多个烟丝边缘交叉的位置,将其标记为节点,而后进行轮廓线的提取,能够快速获得烟丝的轮廓线。
作为优选,步骤C3)中,根据局部轮廓线方向以及其相邻轮廓线方向的一致程度,初步筛选部分轮廓线的方法为:依次遍历局部轮廓线,将该局部轮廓线与剩余局部轮廓线依次配对,若配对的局部轮廓线与该局部轮廓线的延伸方向差值在预设范围内,且两个局部轮廓线的最短距离小于预设阈值,则将该两个配对的局部轮廓线标记为有效配对轮廓线,标记为有效配对轮廓线的局部轮廓线不再参与配对,将未被标记为有效配对轮廓线的局部轮廓线筛除。轮廓线延伸方向基本相同,且距离符合烟丝宽度的范围,则认为该两个轮廓线为一个烟丝的长度延伸方向的轮廓线。
作为优选,步骤C4)中,使用步骤C1)的烟丝模板匹配步骤C3)获得的部分轮廓线的方法为:获得轮廓线中烟丝边缘交叉的节点,使用节点将轮廓线拆分为若干个局部轮廓线,遍历局部轮廓线,判断等式:Image(pattern)=A*Image~(α*pattern)是否成立,其中,Image是待匹配图像,Image~是模板图像,pattern是设定的模式,α是模式的权重系数,矩阵A是匹配矩阵,矩阵A包括匹配系数矩阵、尺度矩阵、旋转平移矩阵、扭曲度矩阵以及特征距离矩阵,匹配系数矩阵、尺度矩阵、旋转平移矩阵、扭曲度矩阵以及特征距离矩阵进行矩阵乘运算,此处的矩阵乘运算为位置对应的元素相乘,若等式成立则匹配成功,反之,则匹配失败,将匹配成功的全部局部轮廓线的集合作为匹配结果。此处的矩阵乘运算为位置对应的元素相乘,即每个图像元素上,由匹配系数矩阵、尺度矩阵、旋转平移矩阵、扭曲度矩阵以及特征距离矩阵上的对应元素相乘后,作为最终用于比对的图像元素的值。此处,匹配系数矩阵、尺度矩阵、旋转平移矩阵、扭曲度矩阵以及特征距离矩阵均分别具有上限取值和下限取值,多个矩阵的上限取值和下限取值由人工设定,设定后计算出矩阵A的全部值中的最大取值和最小取值,而后将矩阵A参与运算,若Image(pattern)落入A*Image~(α*pattern)计算所得的范围内,则判断烟丝模板匹配成功。
作为优选,执行步骤C)前,对烟丝的彩色图像进行图像增强操作,所述图像增强操作包括增加对比度、白平衡或亮度平衡中的一个或多个。进行图像增强操作有助于提高烟丝宽度测量结果的准确性。
作为优选,步骤E)中,沿有效烟丝轮廓延伸方向获得若干个采样点,获得每个有效烟丝在采样点的宽度值的方法包括:E1)获得有效烟丝的轮廓的中心线;E2)沿中心线等距标记若干个采样点;E3)过采样点作中心线的法线,法线交有效烟丝的轮廓于两点,两点之间的距离作为该采样点的宽度值,遍历采样点执行本步骤。沿有效烟丝轮廓延伸方向的法向测量烟丝宽度,能够提高烟丝测量结果的准确性。
作为优选,还包括步骤G)基于大数据技术匹配实测烟丝宽度值分布,筛除噪点数据,获得烟丝宽度测量结果;步骤G)中,基于大数据技术匹配实测烟丝宽度值分布,筛除噪点数据的方法包括:G1)获得N个由人工测量的烟丝宽度历史测量数据;G2)将烟丝宽度历史测量数据进行高斯分布拟合,获得历史测量数据的高斯分布拟合;G3)将步骤F)获得的实测烟丝宽度值与历史测量数据的高斯分布拟合对比,获得实测烟丝宽度值最接近的历史测量数据的高斯分布拟合以及该高斯分布拟合的期望值,将与期望值差值超过设定阈值的宽度测量值作为噪点数据筛除。通过与历史测量数据对比,筛除噪点数据,提高了测量结果的准确度。
作为优选,执行步骤C)前,执行以下方法:估算有效烟丝占比是否达标;估算有效烟丝占比是否达标的方法包括:获得烟丝的彩色图像去色副本,将落入预设的烟丝颜色范围内的颜色置白色,其余颜色置黑色,获得去色副本;获得连续的白色区域的平均面积S,若平均面积S位于区间[Smin,Smax]内,Smin为预设下阈值,Smax为预设上阈值,则判定有效烟丝占比达标,反之,判定有效烟丝占比不达标;若估算的有效烟丝占比不达标,则放弃本次抓取的烟丝,清空拍摄台面后由步骤A)重新执行。快速判断本次抓取的烟丝在压平后是否有足够的有效烟丝以供测量,若不足则重新抓取,提高了烟丝宽度测量的效率。
本发明的实质性效果是:实现烟丝宽度测量的在线化和自动化,提高了烟丝测量的效率;通过与历史测量数据对比,筛除噪点数据,提高了测量结果的准确度;自动识别有效烟丝并自动匹配不同宽度的烟丝,保证了测量结果的有效性和准确度,保证了在线测量结果的参考价值;通过轮廓线的初步筛选,进一步提高了烟丝宽度识别的效率。
附图说明
图1为实施例一烟丝宽度测量方法流程框图。
图2为实施例一自动搜索有效烟丝方法流程框图。
图3为实施例一获得有效烟丝在采样点宽度值方法流程框图。
图4为实施例一烟丝压平示意图。
图5为实施例一有效烟丝在采样点宽度测量示意图。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的具体实施方式作进一步具体说明。
实施例一:
一种基于机器视觉的在线自适应烟丝宽度测量方法,如图1所示,本实施例包括以下步骤:A)抓取若干烟丝到拍摄台面上,以设定的压力压平烟丝。如图4所示,为压平后烟丝的实拍图,烟丝随机杂乱排列,且有重叠,需要搜索可以进行测量的有效烟丝。
B)使用摄像装置采集烟丝的彩色图像。对烟丝的彩色图像进行图像增强操作,图像增强操作包括增加对比度、白平衡或亮度平衡中的一个或多个。进行图像增强操作有助于提高烟丝宽度测量结果的准确性。
C)使用预设烟丝模板自动搜索符合测量条件的有效烟丝。
如图2所示,使用预设烟丝模板自动搜索符合测量条件的有效烟丝的方法包括:C1)建立烟丝模板,烟丝模板包括模板轮廓、缩放比例系数以及轮廓梯度方向;C2)建立烟丝颜色模板;C3)获得烟丝的彩色图像的轮廓线,根据局部轮廓线方向以及其相邻局部轮廓线方向的一致程度,初步筛选轮廓线;C4)使用步骤C1)的烟丝模板匹配步骤C3)获得的轮廓线,匹配结果作为初选轮廓;C5)将初选轮廓内的彩色图像的颜色与步骤C2)中的烟丝颜色模板匹配,若匹配成功则该轮廓对应的烟丝作为有效烟丝。
步骤C2)中,建立烟丝颜色模板的方法为:导入烟丝图像到计算机,人工点击烟丝,计算机记录下点击处的烟丝颜色,形成烟丝颜色库,作为烟丝颜色模板;或者:通过执行步骤C1)、C3)至C4),获得烟丝边缘对,将烟丝边缘对之间的颜色进行采样并记录,形成烟丝颜色库,而后进行高斯混合插值,获得烟丝颜色模板。
步骤C3)中,获得烟丝的彩色图像的轮廓线的方法包括:C31)获得烟丝的彩色图像的二值化副本:将落入预设的烟丝颜色范围内的颜色置0,其余颜色置1,获得二值化副本的矩阵;C32)从二值化副本的矩阵的一角开始检测,若该位置为0则横向移动到下一个位置进行检测,横向检测到末尾时换行,若该位置为1,则检测半径d范围内是否存在0,若不存在0,则将该位置置0,反之,则移动到下一个位置进行检测,若当前检测位置为aij,若|i′-i|≤d且|h′-j|≤d,则ai′j′位于aij的半径d范围内;C33)通过步骤C32)遍历二值化副本的矩阵后,从二值化副本的矩阵最左上角的1开始,设该点为aij,以半径D画圆,获得圆圈范围,若对于i′、j′满足|i′-i|=D且|j′-j|≤D,或者|j′-j|=D且|i′-i|≤D,则αi′j′位于αij的半径D的圆圈范围,D>d,以顺时针方向遍历圆圈范围,若元素值0、1交替次数大于4次,则将该元素标记为节点,并将该节点半径D范围内的元素全部置0,直到遍历二值化副本的矩阵,获得全部节点;C34)在二值化副本的矩阵上,若两个节点之间的连线上的元素1占比超过预设阈值,则将该两个节点连线,该连线作为局部轮廓线,遍历全部节点的组合,获得全部局部轮廓线,全部局部轮廓线的集合作为烟丝的彩色图像的轮廓线。1对应烟丝边缘,0对应烟丝区域,步骤C32)能够将边缘区域以及过粗的区域裁细,使得全部烟丝边缘变细到2d大小;步骤C33)中若半径D画圆交全部烟丝边缘次数超过四次,则该圆心处于多个烟丝边缘交叉的位置,将其标记为节点,而后进行轮廓线的提取,能够快速获得烟丝的轮廓线。
步骤C3)中,根据局部轮廓线方向以及其相邻轮廓线方向的一致程度,初步筛选部分轮廓线的方法为:依次遍历局部轮廓线,将该局部轮廓线与剩余局部轮廓线依次配对,若配对的局部轮廓线与该局部轮廓线的延伸方向差值在预设范围内,且两个局部轮廓线的最短距离小于预设阈值,则将该两个配对的局部轮廓线标记为有效配对轮廓线,标记为有效配对轮廓线的局部轮廓线不再参与配对,将未被标记为有效配对轮廓线的局部轮廓线筛除。轮廓线延伸方向基本相同,且距离符合烟丝宽度的范围,则认为该两个轮廓线为一个烟丝的长度延伸方向的轮廓线。
步骤C4)中,使用步骤C1)的烟丝模板匹配步骤C3)获得的部分轮廓线的方法为:获得轮廓线中烟丝边缘交叉的节点,使用节点将轮廓线拆分为若干个局部轮廓线,遍历局部轮廓线,判断等式:Image(pattern)=A*Image~(α*pattern)是否成立,其中,Image是待匹配图像,Image~是模板图像,pattern是设定的模式,α是模式的权重系数,矩阵A是匹配矩阵,矩阵A包括匹配系数矩阵、尺度矩阵、旋转平移矩阵、扭曲度矩阵以及特征距离矩阵,匹配系数矩阵、尺度矩阵、旋转平移矩阵、扭曲度矩阵以及特征距离矩阵进行矩阵乘运算,此处的矩阵乘运算为位置对应的元素相乘,若等式成立则匹配成功,反之,则匹配失败,将匹配成功的全部局部轮廓线的集合作为匹配结果。此处的矩阵乘运算为位置对应的元素相乘,即每个图像元素上,由匹配系数矩阵、尺度矩阵、旋转平移矩阵、扭曲度矩阵以及特征距离矩阵上的对应元素相乘后,作为最终用于比对的图像元素的值。此处,匹配系数矩阵、尺度矩阵、旋转平移矩阵、扭曲度矩阵以及特征距离矩阵均分别具有上限取值和下限取值,多个矩阵的上限取值和下限取值由人工设定,设定后计算出矩阵A的全部值中的最大取值和最小取值,而后将矩阵A参与运算,若Image(pattern)落入A*Image~(α*pattern)计算所得的范围内,则判断烟丝模板匹配成功。
D)提取有效烟丝的轮廓。
E)沿有效烟丝轮廓延伸方向获得若干个采样点,获得每个有效烟丝在采样点的宽度值。如图3所示,沿有效烟丝轮廓延伸方向获得若干个采样点,获得每个有效烟丝在采样点的宽度值的方法包括:E1)获得有效烟丝的轮廓的中心线;E2)沿中心线等距标记若干个采样点;E3)过采样点作中心线的法线,法线交有效烟丝的轮廓于两点,如图5所示,两点之间的距离作为该采样点的宽度值,遍历采样点执行本步骤。
F)重复步骤D)至E)直到遍历全部有效烟丝,获得实测烟丝宽度值。
G)基于大数据技术匹配实测烟丝宽度值分布,筛除噪点数据,获得烟丝宽度测量结果。
步骤G)中,基于大数据技术匹配实测烟丝宽度值分布,筛除噪点数据的方法包括:G1)获得N个由人工测量的烟丝宽度历史测量数据;G2)将烟丝宽度历史测量数据进行高斯分布拟合,获得历史测量数据的高斯分布拟合;G3)将步骤F)获得的实测烟丝宽度值与历史测量数据的高斯分布拟合对比,获得实测烟丝宽度值最接近的历史测量数据的高斯分布拟合以及该高斯分布拟合的期望值,将与期望值差值超过设定阈值的宽度测量值作为噪点数据筛除。
本实施例能够自动识别有效烟丝并自动匹配不同宽度的烟丝,保证了测量结果的有效性和准确度,保证了在线测量结果的参考价值。通过与历史测量数据对比,筛除噪点数据,提高了测量结果的准确度。
实施例二:
一种基于机器视觉的在线自适应烟丝宽度测量方法,本实施例在实施例一的基础上做了进一步的改进,本实施例中,执行步骤C)前,执行以下方法:估算有效烟丝占比是否达标;估算有效烟丝占比是否达标的方法包括:获得烟丝的彩色图像去色副本,将落入预设的烟丝颜色范围内的颜色置白色,其余颜色置黑色,获得去色副本;获得连续的白色区域的平均面积S,若平均面积S位于区间[Smin,Smax]内,Smin为预设下阈值,Smax为预设上阈值,则判定有效烟丝占比达标,反之,判定有效烟丝占比不达标;若估算的有效烟丝占比不达标,则放弃本次抓取的烟丝,清空拍摄台面后由步骤A)重新执行。对于烟丝宽度测量,烟丝堆最为理想的排布状态为整齐、无重叠且相接排列,根据工艺条件,烟叶切丝的长度和宽度具有明确的范围,在理想排布状态下,烟丝面积的平均值能够由经验以及工艺条件确定其范围,该面积范围即是Smax的取值范围,Smax的具体取值在其取值范围内由人工设定,一般为取值范围的最小值。而最不理想的排布状态为任一个有效烟丝均被其他烟丝遮挡,即烟丝面积被其他烟丝边缘所分隔,导致烟丝模板无法找到符合条件的有效烟丝,烟丝模板能够有效匹配的最短的烟丝长度为已知,烟叶切丝后烟丝的理论宽度为已知,烟丝模板能够有效匹配的最短的烟丝长度与该理论宽度的乘积即为Smin能够取得的最小值,记为Sminl。在中间状态,烟丝颜色区域面积的平均值介于Sminl和Smax之间,而有效烟丝占比越高,则越接近Smax,因而令Smin=Sminl+σ(Smax-Sminl),即可获得Smin的值,σ为择优系数,σ的优选取值区间为[0.6,0.9],σ越大则通过估算后的有效烟丝占比越多,但也会造成判定有效烟丝占比不达标次数增加。
相对于实施例一,本实施例能够快速判断本次抓取的烟丝在压平后是否有足够的有效烟丝以供测量,若不足则重新抓取,提高了烟丝宽度测量的效率。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (6)
1.一种基于机器视觉的在线自适应烟丝宽度测量方法,其特征在于,
包括以下步骤:
A)抓取若干烟丝到拍摄台面上,以设定的压力压平烟丝;
B)使用摄像装置采集烟丝的彩色图像;
C)使用预设烟丝模板自动搜索符合测量条件的有效烟丝;
D)提取有效烟丝的轮廓;
E)沿有效烟丝轮廓延伸方向获得若干个采样点,获得每个有效烟丝在采样点的宽度值;
F)重复步骤D)至E)直到遍历全部有效烟丝,获得实测烟丝宽度值;
步骤C)中,使用预设烟丝模板自动搜索符合测量条件的有效烟丝的方法包括:
C1)建立烟丝模板,烟丝模板包括模板轮廓、缩放比例系数以及轮廓梯度方向;
C2)建立烟丝颜色模板;
C3)获得烟丝的彩色图像的轮廓线,根据局部轮廓线方向以及其相邻局部轮廓线方向的一致程度,初步筛选轮廓线;
C4)使用步骤C1)的烟丝模板匹配步骤C3)获得的轮廓线,匹配结果作为初选轮廓;
C5)将初选轮廓内的彩色图像的颜色与步骤C2)中的烟丝颜色模板匹配,若匹配成功则该轮廓对应的烟丝作为有效烟丝;
步骤C4)中,使用步骤C1)的烟丝模板匹配步骤C3)获得的轮廓线的方法为:
获得轮廓线中烟丝边缘交叉的节点,使用节点将轮廓线拆分为若干个局部轮廓线,遍历局部轮廓线,判断等式:Image(pattern) = A*Image~(α*pattern)是否成立,其中,Image是待匹配图像,Image~是模板图像,pattern是设定的模式,α是模式的权重系数,矩阵A是匹配矩阵,矩阵A包括匹配系数矩阵、尺度矩阵、旋转平移矩阵、扭曲度矩阵以及特征距离矩阵,匹配系数矩阵、尺度矩阵、旋转平移矩阵、扭曲度矩阵以及特征距离矩阵进行矩阵乘运算,矩阵乘运算为位置对应的元素相乘,若等式成立则匹配成功,反之,则匹配失败,将匹配成功的全部局部轮廓线的集合作为匹配结果。
2.根据权利要求1所述的一种基于机器视觉的在线自适应烟丝宽度测量方法,其特征在于,
步骤C2)中,建立烟丝颜色模板的方法为:
导入烟丝的彩色图像到计算机,人工点击烟丝,计算机记录下点击处的烟丝颜色,形成烟丝颜色库,作为烟丝颜色模板;
或者:
通过执行步骤C1)、C3)至C4),获得烟丝边缘对,将烟丝边缘对之间的颜色进行采样并记录,形成烟丝颜色库,而后进行高斯混合插值,获得烟丝颜色模板。
3.根据权利要求1或2所述的一种基于机器视觉的在线自适应烟丝宽度测量方法,其特征在于,
执行步骤C)前,对烟丝的彩色图像进行图像增强操作,所述图像增强操作包括增加对比度、白平衡或亮度平衡中的一个或多个。
4.根据权利要求1或2所述的一种基于机器视觉的在线自适应烟丝宽度测量方法,其特征在于,
步骤E)中,沿有效烟丝轮廓延伸方向获得若干个采样点,获得每个有效烟丝在采样点的宽度值的方法包括:
E1)获得有效烟丝的轮廓的中心线;
E2)沿中心线等距标记若干个采样点;
E3)过采样点作中心线的法线,法线交有效烟丝的轮廓于两点,两点之间的距离作为该采样点的宽度值,遍历采样点执行本步骤。
5.根据权利要求1或2所述的一种基于机器视觉的在线自适应烟丝宽度测量方法,其特征在于,
还包括步骤G)基于大数据技术匹配实测烟丝宽度值分布,筛除噪点数据,获得烟丝宽度测量结果;
步骤G)中,基于大数据技术匹配实测烟丝宽度值分布,筛除噪点数据的方法包括:
G1)获得N个由人工测量的烟丝宽度历史测量数据;
G2)将烟丝宽度历史测量数据进行高斯分布拟合,获得历史测量数据的高斯分布拟合;
G3)将步骤F)获得的实测烟丝宽度值与历史测量数据的高斯分布拟合对比,获得实测烟丝宽度值最接近的历史测量数据的高斯分布拟合以及该高斯分布拟合的期望值,将与期望值差值超过设定阈值的宽度测量值作为噪点数据筛除。
6.根据权利要求1或2所述的一种基于机器视觉的在线自适应烟丝宽度测量方法,其特征在于,
执行步骤C)前,执行以下方法:
估算有效烟丝占比是否达标;
估算有效烟丝占比是否达标的方法包括:
获得烟丝的彩色图像去色副本,将落入预设的烟丝颜色范围内的颜色置白色,其余颜色置黑色,获得去色副本;
获得连续的白色区域的平均面积S,若平均面积S位于区间[Smin,Smax]内,Smin为预设下阈值,Smax为预设上阈值,则判定有效烟丝占比达标,反之,判定有效烟丝占比不达标;若估算的有效烟丝占比不达标,则放弃本次抓取的烟丝,清空拍摄台面后由步骤A)重新执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910984864.4A CN111060014B (zh) | 2019-10-16 | 2019-10-16 | 一种基于机器视觉的在线自适应烟丝宽度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910984864.4A CN111060014B (zh) | 2019-10-16 | 2019-10-16 | 一种基于机器视觉的在线自适应烟丝宽度测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111060014A CN111060014A (zh) | 2020-04-24 |
CN111060014B true CN111060014B (zh) | 2022-03-22 |
Family
ID=70297540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910984864.4A Active CN111060014B (zh) | 2019-10-16 | 2019-10-16 | 一种基于机器视觉的在线自适应烟丝宽度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111060014B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111654666A (zh) * | 2020-05-19 | 2020-09-11 | 河南中烟工业有限责任公司 | 一种托盘烟用材料余量识别***及识别方法 |
CN112330663B (zh) * | 2020-11-25 | 2023-08-01 | 中国烟草总公司郑州烟草研究院 | 一种基于变径圆的计算机视觉烟丝宽度检测方法 |
CN112749645B (zh) * | 2020-12-30 | 2023-08-01 | 成都云盯科技有限公司 | 基于监控视频的服装颜色检测方法、装置和设备 |
CN112784854B (zh) * | 2020-12-30 | 2023-07-14 | 成都云盯科技有限公司 | 基于数理统计的服装颜色分割提取方法、装置和设备 |
CN112862815A (zh) * | 2021-03-12 | 2021-05-28 | 江苏鑫源烟草薄片有限公司 | 一种基于单目视觉的再造梗丝宽度检测方法 |
CN113570584A (zh) * | 2021-07-30 | 2021-10-29 | 河南中烟工业有限责任公司 | 基于图像识别的烟丝结构检测方法 |
CN113436195B (zh) * | 2021-08-27 | 2021-11-05 | 湖南磐钴传动科技有限公司 | 一种基于图像处理的烟丝有序性调节方法 |
CN114998312B (zh) * | 2022-07-13 | 2024-07-12 | 厦门烟草工业有限责任公司 | 烟丝宽度检测方法、装置和存储介质 |
CN118129620B (zh) * | 2024-05-06 | 2024-07-23 | 中南大学 | 复合钢材脱碳层或渗碳层厚度测量方法、***及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102261892A (zh) * | 2011-05-06 | 2011-11-30 | 川渝中烟工业公司 | 一种叶丝宽度的快速测量*** |
CN102679883A (zh) * | 2012-05-09 | 2012-09-19 | 中国科学院光电技术研究所 | 一种基于图像处理的烟丝宽度测量方法 |
WO2013080278A1 (ja) * | 2011-11-28 | 2013-06-06 | 日本たばこ産業株式会社 | フィラメント材料のサイズ検査方法及びその検査システム |
CN107798672A (zh) * | 2016-08-31 | 2018-03-13 | 上海创和亿电子科技发展有限公司 | 烟丝或梗丝的宽度测定方法、***及具有该***的服务器 |
CN108685158A (zh) * | 2018-05-28 | 2018-10-23 | 杭州安脉盛智能技术有限公司 | 基于自动光学检测技术的切丝机智能维护方法和*** |
CN109215048A (zh) * | 2018-09-21 | 2019-01-15 | 云南中烟工业有限责任公司 | 基于机器视觉的烟丝长度确定方法及*** |
-
2019
- 2019-10-16 CN CN201910984864.4A patent/CN111060014B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102261892A (zh) * | 2011-05-06 | 2011-11-30 | 川渝中烟工业公司 | 一种叶丝宽度的快速测量*** |
WO2013080278A1 (ja) * | 2011-11-28 | 2013-06-06 | 日本たばこ産業株式会社 | フィラメント材料のサイズ検査方法及びその検査システム |
CN102679883A (zh) * | 2012-05-09 | 2012-09-19 | 中国科学院光电技术研究所 | 一种基于图像处理的烟丝宽度测量方法 |
CN107798672A (zh) * | 2016-08-31 | 2018-03-13 | 上海创和亿电子科技发展有限公司 | 烟丝或梗丝的宽度测定方法、***及具有该***的服务器 |
CN108685158A (zh) * | 2018-05-28 | 2018-10-23 | 杭州安脉盛智能技术有限公司 | 基于自动光学检测技术的切丝机智能维护方法和*** |
CN109215048A (zh) * | 2018-09-21 | 2019-01-15 | 云南中烟工业有限责任公司 | 基于机器视觉的烟丝长度确定方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111060014A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111060014B (zh) | 一种基于机器视觉的在线自适应烟丝宽度测量方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及*** | |
CN115239735B (zh) | 基于计算机视觉的通信柜表面缺陷检测方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
CN109377485A (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN110472479B (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
CN115294113A (zh) | 一种木饰面板质量检测方法 | |
CN115187548A (zh) | 一种基于人工智能的机械零件缺陷检测方法 | |
CN112330663B (zh) | 一种基于变径圆的计算机视觉烟丝宽度检测方法 | |
CN114723704A (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN107392931A (zh) | 条烟品牌分类装置及方法 | |
CN115311484B (zh) | 一种焊缝数据的优化聚类分割方法 | |
CN113962997A (zh) | 基于图像处理的带钢边裂缺陷检测方法及*** | |
TW202127371A (zh) | 基於圖像的瑕疵檢測方法及電腦可讀存儲介質 | |
CN111753794A (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
CN110935646A (zh) | 基于图像识别的全自动螃蟹分级*** | |
CN114187286A (zh) | 一种基于机器视觉的木板材表面加工质量控制方法 | |
CN115063603B (zh) | 基于边缘信息的木材年轮线精确提取及复原方法 | |
CN110047064B (zh) | 一种马铃薯疮痂检测方法 | |
CN113920121B (zh) | 基于图像处理的工艺品印刷条痕检测方法和*** | |
CN113780488A (zh) | 基于位置聚合程度的刮伤与擦伤缺陷检测方法 |
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 |