CN113436212A - 一种断路器静触头齿合状态图像检测内轮廓的提取方法 - Google Patents
一种断路器静触头齿合状态图像检测内轮廓的提取方法 Download PDFInfo
- Publication number
- CN113436212A CN113436212A CN202110694422.3A CN202110694422A CN113436212A CN 113436212 A CN113436212 A CN 113436212A CN 202110694422 A CN202110694422 A CN 202110694422A CN 113436212 A CN113436212 A CN 113436212A
- Authority
- CN
- China
- Prior art keywords
- contour
- image
- target
- filtering
- edge
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000003068 static effect Effects 0.000 title claims description 20
- 238000001914 filtration Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000003708 edge detection Methods 0.000 claims abstract description 21
- 241000270295 Serpentes Species 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims 1
- 230000002776 aggregation Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 230000000873 masking effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000002146 bilateral effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种断路器静触头齿合状态图像检测内轮廓的提取方法,本发明首先对原始图像进行预处理,基于自适应阈值的图像分割方法对预处理后的图像进行二值化,通过面积过滤,圆度过滤,圆心位置坐标等过滤非目标轮廓,利用细化算法计算掩膜轮廓;然后利用基于ZERNIKE矩的边缘检测方法得到椭圆环轮廓,结合掩膜轮廓分别获取到椭圆环内外轮廓坐标值;最后通过SNAKE主动轮廓模型获取到高精度椭圆环轮廓,基于细化算法实现最终的单像素椭圆轮廓的求解,有效提高了啮合状态检测精度,在断路器故障诊断中具有重要意义。
Description
技术领域
本发明涉及断路器故障诊断领域,尤其涉及一种断路器静触头齿合状态图像检测内轮廓的提取方法。
背景技术
断路器是高压开关柜中较为重要的保护装置,而触头啮合状态检测是断路器故障诊断的重要环节,由于现有的测量方法无法在开关柜环境下实现较高精度的位姿估计,而视觉测量有着较好的适应性和精度,在工业测量中的应用越来越广泛,本发明首次将视觉测量用于啮合状态检测。
发明内容
本发明的目的就在于为了解决上述问题而提供一种断路器静触头齿合状态图像检测内轮廓的提取方法。
本发明通过以下技术方案来实现上述目的:
本发明包括以下步骤:
S1:首先利用自适应二值化方法从原始图像中粗提取目标轮廓,找到目标轮廓的初步位置,从而获得分别包含椭圆环内外轮廓的图像掩膜;
S2:然后通过基于ZERNIKE矩的边缘检测对原始图像进行亚像素边缘检测,结合掩膜区域得到内外轮廓的像素坐标;
S3:将ZERNIKE矩检测结果作为初始解,基于SNAKE模型通过轮廓拟合得到更加精确的内外轮廓坐标;
S4:对椭圆环进行细化处理得到单像素目标椭圆轮廓。
所述步骤S1实现目标轮廓的粗提取,包括图像预处理、轮廓粗提取、非目标轮廓过滤和掩膜轮廓计算,所述非目标轮廓过滤包括面积过滤,圆度过滤,圆心位置过滤,面积过滤通过实验得到的目标轮廓面积阈值对非目标轮廓进行过滤;圆度过滤基于轮廓圆度评价算法过滤非圆轮廓;圆心位置过滤通过轮廓拟合后的圆心位置阈值实现过滤;所述掩膜轮廓计算为提取出两个目标轮廓在原始图像中的大致区域,作为椭圆环轮廓分离的基础。
所述轮廓粗提取方法包括基于边缘、基于区域、基于阈值方法,基于边缘的方法利用图像梯度等实现边缘检测;基于区域的方法利用随机种子实现邻域相似像素的集合实现轮廓提取;基于阈值的方法通过比较中心点及其邻域灰度值进行二值化。
所述非目标轮廓过滤包括面积过滤,圆度过滤,圆心位置过滤,面积过滤通过实验得到的目标轮廓面积阈值对非目标轮廓进行过滤;圆度过滤基于轮廓圆度评价算法过滤非圆轮廓;圆心位置过滤通过轮廓拟合后的圆心位置阈值实现过滤;所述掩膜轮廓计算为提取出两个目标轮廓在原始图像中的大致区域,作为椭圆环轮廓分离的基础。
所述基于边缘的方法利用不同的边缘计算算子实现不同的检测效果,包括一阶微分算子PREWITT算子、SOBEL算子、ROBERTS算子等;通过检测二阶导数零点判断边缘点的LOG算子等;利用高斯函数梯度判断边缘点的CANNY算子等。
所述基于区域的算法通过给定种子像素、搜索种子周围邻域、计算目标点像素和种子相似度,如果相似就添加到种子区域。
所述基于阈值的方法包括简单阈值,自适应阈值,简单阈值对于整幅图像利用同一个变换实现二值化,较难提取图像局部信息,自适应阈值针对每个局部图像设置针对性的阈值实现二值化,可以较为精确地提取目标轮廓。
本发明的有益效果在于:
本发明是一种断路器静触头齿合状态图像检测内轮廓的提取方法,与现有技术相比,本发明首先对原始图像进行预处理,基于自适应阈值的图像分割方法对预处理后的图像进行二值化,通过面积过滤,圆度过滤,圆心位置坐标等过滤非目标轮廓,获取内外轮廓的掩膜;然后利用基于ZERNIKE矩的边缘检测方法得到内外轮廓,结合掩膜运算分别获取到内外轮廓坐标值;最后通过SNAKE主动轮廓模型获取到高精度内外轮廓,采用细化算法实现单像素椭圆轮廓的求解,有效提高了椭圆环轮廓提取的精度,实现了较高精度的啮合状态检测,在断路器故障诊断中具有重要意义。
附图说明
图1是本发明的轮廓提取方案结构示意图;
图2是CLAHE均衡化原理图
图3是CLAHE直方图均衡化前后图像对比
图中a未均值化图像、b未均值化图像直方图、c均值化图像、d均值化图像直方图;
图4是中值滤波前图像
图5是中值滤波后图像
图6是原始图像
图7是灰度化-CLAHE均衡化-双边滤波图
图8是原始灰度图像图
图9是ROBERTS算子边缘检测图
图10是PREWITT算子边缘检测图
图11是SOBEL算子边缘检测图
图12是LOG算子边缘检测图
图13是CANNY算子边缘检测图
图14是初始图像及选取的种子坐标图
图15是区域生长检测后的结果图
图16是自适应阈值图像二值化图
图17是直方图均衡化+二值化图
图18是均衡化+双边滤波+二值化图
图19是目标轮廓局部图
图20是完全啮合时的相机视野图
图21是开始啮合时的相机视野图
图22是完全啮合时的椭圆环轮廓粗提取图图23是开始啮合时的椭圆环轮廓粗提取图图24是完全啮合轮廓中前六大轮廓面积图图25是开始啮合轮廓中前六大轮廓面积图图26是过滤后的轮廓图
图27是识别轮廓在原图像位置图
图28是细化算法方案图
图29是细化后的内外轮廓分界线图
图30是外侧椭圆环掩膜图
图31是内侧椭圆环掩膜图
图32是静触头内孔灰度图
图33是ZERNIKE矩亚像素检测图
图34是掩膜轮廓和目标轮廓位置关系示意图
图35是初始轮廓为椭圆的迭代轮廓寻找图
图36是初始轮廓为圆形的迭代轮廓寻找图
图37是基于SNAKE模型提取的轮廓和细化后的轮廓示意图。
具体实施方式
下面结合附图对本发明作进一步说明:
如图1所示:针对静触头轮廓识别问题,设计了轮廓粗提取-轮廓精提取-椭圆环细化的提取方案。首先利用自适应二值化从原始图像中粗提取目标轮廓,找到目标轮廓的初步位置,分别获取内外轮廓的掩膜;然后通过基于ZERNIKE矩边缘检测对原始图像进行亚像素边缘检测,结合掩膜区域分别得到内外轮廓的像素坐标;接着将ZERNIKE矩检测结果作为初始解,通过基于SNAKE模型的迭代轮廓寻找算法得到较高精度的内外轮廓坐标;最后通过细化算法得到单像素目标椭圆轮廓。
图像预处理:
初始图像由于光源,环境等的影响会出现曝光不均匀,噪点等现象出现,针对这些问题,设计了基于限制对比度增强的自适应直方图均衡化(CLAHE:Contrast LimitedAdaptive Histogram Equalization)和双边滤波的图像预处理方案,提高原始图像的质量,降低轮廓提取复杂度,提高轮廓提取精度。
直方图是图像的灰度概率密度分布,对于灰度图像来说,直方图是不同灰度值出现频次统计图,对于彩色图像是RGB通道三个直方图。直方图均衡化(HE)的目的是让原图像直方图均匀化,每一个灰度等级都有像素分布。HA(D),HB(D)分别为两幅图像的直方图分布,均衡化的目的是利用变换f使得A图像中灰度值为DA的变为DB,如式1所示。理想的直方图分布如式2所示,其中A0为图像中像素点的个数,L为灰度等级,一般为256,可以得到变换f如式3所示。
普通的直方图均衡化方法对图像各个区域采用相同的变换f,自适应直方图均衡算法(AHE:Adaptive Histogram Equalization)方法针对这种缺陷,计算每一个子区域的直方图,分别计算f,实现图像亮度的重新分布,增强了图像边缘信息,利于分割。但是这钟方法在增强对比度的同时会增强亮度均匀变化区域的噪声,出现类似马赛克的效果。
如图2所示:CLAHE方法解决了这个问题,它对每个邻域都设置了对比度CLIPLIMIT限制,得到针对每个邻域的变换函数f。
图3为静触头内孔轮廓经过CLAHE直方图均衡化后的结果,其中CLIPLIMIT参数设置为2.0,图像分块大小为(2,2)。可以发现相比于原始图像的直方图,均衡化后的图像边缘更加清晰,没有亮度不均匀区域出现。
滤波的主要目的是对图像降噪,去除图像中的高频成分比如噪音,边界等。主要方法是高斯滤波、中值滤波、双边滤波等。中值滤波通过交换中心点灰度值和邻域内中值灰度值实现滤波,对于随机噪声降噪显著;高斯滤波是通过求取中心点邻域像素的加权平均值实现卷积,卷积核如式4所示,它会丢失图像中的高频细节;针对高斯滤波只对像素位置关系进行了计算,没有使用像素值信息的问题,双边滤波通过结合位置和像素信息,在去噪的同时尽量保留了图像的边界信息,双边滤波公式如式5所示。
其中权重w为定义域核与值域核的乘积,定义域对应图像的像素点坐标,值域对应像素值,计算公式如下。
将σd设置为75,σr设置为75,图像邻域直径d为9,对静触头内孔轮廓进行灰度化-CLAHE均衡化-双边滤波处理后的图像如下,从实验结果分析可知,处理后的图像噪声减少,亮度更加均衡,边缘更加明确,有利于边缘检测。
基于自适应二值化的轮廓提取:
一般常用的轮廓提取方法包括基于边缘,基于区域,基于阈值等。基于边缘的方法利用图像梯度等实现边缘检测;基于区域的方法利用随机种子实现邻域相似像素的集合实现轮廓提取;基于阈值的方法通过比较中心点及其邻域灰度值进行二值化。
基于边缘的方法利用不同的边缘计算算子实现不同的检测效果。包括一阶微分算子PREWITT算子,SOBEL算子,ROBERTS算子等;通过检测二阶导数零点判断边缘点的LOG算子;利用高斯函数梯度判断边缘点的CANNY算子等。
表1一阶算子的卷积模板
将静触头底部轮廓经过五种算子对比试验,结果如图8-13所示。从实验结果分析可知,由于PREWITT算子是平均滤波,适合灰度值相差不大的图像,所以效果较好,而CANNY算子噪声较大,SOBEL算子和ROBERTS算子对噪声过于敏感,LOG算子丢失高频细节太多导致几乎没有轮廓被识别出来。
基于区域的算法通过给定种子像素,搜索种子周围邻域,计算目标点像素和种子相似度,如果相似就添加到种子区域,这种方法可以用来分割比较复杂的图像,本文选取了椭圆环所在的像素坐标,分别为Point(765,402),Point(957,725),Point(1061,553)作为种子像素。得到的检测结果如图14-15所示,从实验结果可已发现区域生长检测方法在处理静触头内孔轮廓图像这类像素差异不大的图像时效果较差,提取的轮廓较难进行下一步的边缘检测。
基于阈值的方法包括简单阈值,自适应阈值等。简单阈值对于整幅图像利用同一个变换实现二值化,较难提取图像局部信息。自适应阈值针对每个局部图像设置针对性的阈值实现二值化,可以较为精确地提取目标轮廓。
将局部阈值邻域大小设置为31,局部阈值计算采用CV_ADAPTIVE_THRESH_GAUSSIAN_C,阈值参数设置为3,对轮廓图像进行自适应二值化,如图16所示。从上图实验结果分析可知,自适应二值化可以较好地保留轮廓细节。
如图17-19所示,在进行了直方图均衡化和双边滤波后图像的噪声明显减小,从目标轮廓图局部放大图来看,基于阈值的方法可以较好地实现目标椭圆环的提取。
非目标轮廓过滤:
经过自适应阈值分割后,图像中依然存在很多非目标轮廓,为了解决这个问题,设计了面积过滤,圆度过滤,圆心位置过滤等。面积过滤通过实验得到的目标轮廓面积阈值对非目标轮廓进行过滤;圆度过滤基于轮廓圆度评价算法过滤非圆轮廓;圆心位置过滤通过轮廓拟合后的圆心位置阈值实现过滤。
面积过滤首先要找到目标轮廓面积阈值,通过检测所有轮廓(RETR_TREE)并对轮廓面积进行排序,获取到完全啮合和开始啮合时的最大轮廓面积。
通过完全啮合状态和开始啮合时的图像处理实验,计算前六个最大的轮廓面积,实验结果如图20-25所示。由实验结果可知,为了能够尽可能地避免虚假圆形轮廓的干扰,同时让目标轮廓被准确识别到,阈值的最小值设置为开始啮合时轮廓面积90000,最大值设置为完全啮合状态下的轮廓面积220000。
过滤面积不符合要求的轮廓后,可能会存在方形、多边形等轮廓面积符合要求,但并不是目标对象的轮廓。为了能够对这类轮廓进行过滤,设计了圆度评价算法,计算公式如下:
其中S为轮廓面积,C为轮廓周长,可以分别利用Opencv库函数contourArea和arcLength计算得到。考虑到加工问题,在静触头内壁会有很多圆形轮廓,为了解决误识别的问题,利用对轮廓进行圆形拟合对轮廓拟合并判断圆心位置的方法实现轮廓过滤。所采用的过滤参数如下表所示。
表2过滤参数表
利用上述参数对二值化后的图像进行过滤得到的目标轮廓图如图26所示,可以发现设计的过滤方式可以较好的实现非目标轮廓的过滤。
掩膜轮廓计算:
由于静触头底部有两个椭圆形轮廓,需要对两个轮廓分别进行提取并分离,因此需要对二值化并过滤后的图像进行掩膜轮廓提取,提取出两个目标轮廓在原始图像中的大致区域,作为椭圆环轮廓分离的基础。
利用图26得到的轮廓坐标,进行椭圆拟合后获取两个椭圆轮廓,特征如表3所示。分析可知,两个椭圆轮廓之间相差大概10个像素左右,而且此时为开始啮合时的图像,随着动静触头啮合深度增加,两个椭圆之间的长短轴长度差别会越来越大。所以只需考虑开始啮合时静触头图像的掩膜轮廓提取,只需要能够将开始啮合时的椭圆轮廓进行分离,即可实现啮合过程中的椭圆轮廓分离。
表3目标轮廓椭圆拟合后的特征
为了找到两个轮廓的分界线,设计了基于细化算法的轮廓提取。细化算法通过遍历图像节点,标记所有的节点状态,对图像内部点进行删除,保留连接点,孤立点和端点。细化算法方案如图28所示:
其中B(P1)=P2+P3+P4+P5+P6+P7+P8+P9,A(P1)为以P2,P3…P9为排列顺序时,这些点0到1的变化次数。
经过细化后的单像素椭圆轮廓如图29所示。
从细化效果图来看,经过细化后得到的分界线能够较好地分离两个目标轮廓。为了能够获取到只包含单个椭圆轮廓的掩模区域,还需要对两个轮廓的外边界和内边界进行寻找,利用拟合得到的内外椭圆轮廓,将内外部椭圆轮廓的长轴和短轴分别增加或减少边界线和内外轮廓边界的宽度作为内外边界,由于内外边界宽度约为10像素,将外部椭圆轮廓长短轴增加五个像素作为外边界,内部轮廓减小五个像素作为内边界。
表4内外边界椭圆轮廓特征
得到内外边界的轮廓坐标后,将外边界和轮廓分界线之间的区域作为外部椭圆轮廓的掩膜,将轮廓分界线和内边界之间的区域作为内部椭圆轮廓的掩膜,如图30-31所示。
基于ZERNIKE矩的轮廓粗提取:
由于普通的边缘检测方法如拟合法,插值法等不能较好地抑制噪声,效率较低,为了提高轮廓提取精度,设计了基于ZERNIKE矩的检测方案。它是一种复数矩,通过将原始图像的像素点映射到单位圆内,利用ZERNIKE矩的模来描述目标轮廓,每一个目标轮廓特征通过一组特征向量表示,低阶用来描述整体轮廓,高阶用来表示轮廓细节。灰度图像n阶m次ZERNIKE矩计算公式如下:
ZERNIKE矩的旋转不变性是判断是否为边缘的根据,旋转前后的图像G′nm和Gnm关系可以表示为:
Gnm=G′nme-jmα (10)
由于旋转不变性,图像的ZERNIEK矩的模长不变,可以利图像ZERNIKE矩计算图像边缘参数,得到轮廓的亚像素坐标。通过积分核函数可以得到待检测图像的ZERNIKE模板系数,模板系数和边缘参数由模板和图像卷积结果计算得到,边缘点的判断根据边缘参数是否达到阈值。边缘点坐标(χmym)计算公式如下所示。
采用7X7的模板大小,构造两个对应的模板M1,1,M2,0。
表4-5M1,1实数模板
表4-6M1,1虚数模板
表4-7M2,0模板
由于ZERNIKE矩一般适用于NXN的图像边缘检测,通过轮廓粗体取中的椭圆轮廓边缘的像素坐标,计算得到圆心位置,如表4所示。圆心位置在(873,557)附近,为了能够实现截取一张NXN的包含目标轮廓的图像,设计了图像裁剪方法将原始图像裁剪为一个1200X1200的图像,由于原始图像的高度为1200像素,所以只需要计算宽度的起始像素点X起始,X终止即可,计算公式如下所示。
X起始=X圆心-600
Y终止=X圆心+600 (12)
裁剪得到一张1200X1200的图像,采用表5-7设计的模板进行轮廓提取,结果如图33所示,从图像处理结果可以看出,它能够准确提取沉头孔的轮廓,有效过滤掉噪声边缘。
得到静触头内孔廓图之后,将图像按照原有的裁剪方式进行逆裁剪,还原到原来的大小。利用掩膜轮廓分别对图像进行掩膜操作,得到两个椭圆轮廓,如图34所示。
由图34可以发现外层轮廓掩膜和内层轮廓掩膜可以将目标椭圆环轮廓实现较为准确的分离,分别进行椭圆拟合得到的两个椭圆轮廓特征如下。
表4-8ZERNIKE矩识别轮廓拟合椭圆特征
由于静触头内孔的椭圆环轮廓理论上是同心的,所以可以根据识别出的两个椭圆轮廓圆心和角度的差异来判断识别精度。根据实验结果可以发现,经过ZERNIKE矩检测并拟合得到的椭圆轮廓中心点坐标X轴相差较大,Y轴相差较小,旋转角度相比于直接用自适应阈值分割方法相差较小,更接近实际的圆形轮廓。
基于SNAKE模型的轮廓精提取:
为了获取更高精度的边缘轮廓,设计了基于SNAKE模型的椭圆轮廓寻找方法,它通过一个初始轮廓不断迭代,寻找附近更加精确的目标轮廓,代价函数是基于SNAKE模型定义的能量函数。
对于图像I(X,Y)(x,y),C(q)=C(x(q),y(q))为它的演化曲线,演化曲线的能量定义为,SNAKE模型的能量函数为:
E(c)=Eint+Eext (13)
其中,Eint为内部能量函数,Eext为外部能量函数,当E(c)最小时满足方程14。
结合式14和曲线C(q)的欧拉-拉格朗日公式得到
为了求解15,曲线迭代演化公式如式4-16所示。
如图35-36所示,虚线为初始轮廓C(q),实线为迭代寻找的目标轮廓,从实验结果来看,基于SNAKE的轮廓提取方法可以实现较高精度的轮廓提取。
将初始演化曲线C(s)设置为表8得到的两个椭圆轮廓,通过SNAKE算法迭代演化得到目标轮廓,SNAKE算法通过SKIMAGE库函数active_contour实现,主要参数如下所示。
表9 SANKE参数设置
最终得到的拟合椭圆轮廓如表4-10所示。
表10 SNAKE模型提取轮廓拟合椭圆特征
从实验结果可以发现主动轮廓模型迭代计算得到的两组轮廓数据分别拟合求解的椭圆中心点坐标几乎一致,旋转角度也相差较小,相比只用ZERNIKE矩检测精度更高。
获取到两组椭圆轮廓后,利用细化算法实现中间轮廓的提取对细化后的轮廓进行椭圆拟合,得到最终的目标椭圆轮廓。
以上显示和描述了本发明的基本原理和主要特征及本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种断路器静触头齿合状态图像检测内轮廓的提取方法,其特征在于,包括以下步骤:
S1:首先利用自适应二值化方法从原始图像中粗提取目标轮廓,找到目标轮廓的初步位置,从而获得分别包含椭圆环内外轮廓的图像掩膜;
S2:然后通过基于ZERNIKE矩的边缘检测对原始图像进行亚像素边缘检测,结合掩膜区域得到内外轮廓的像素坐标;
S3:将ZERNIKE矩检测结果作为初始解,基于SNAKE模型通过轮廓拟合得到更加精确的内外轮廓坐标;
S4:对椭圆环进行细化处理得到单像素目标椭圆轮廓。
2.根据权利要求1所述的断路器静触头齿合状态图像检测内轮廓的提取方法,其特征在于:所述步骤S1实现目标轮廓的粗提取,包括图像预处理、轮廓粗提取、非目标轮廓过滤和掩膜轮廓计算,所述非目标轮廓过滤包括面积过滤,圆度过滤,圆心位置过滤,面积过滤通过实验得到的目标轮廓面积阈值对非目标轮廓进行过滤;圆度过滤基于轮廓圆度评价算法过滤非圆轮廓;圆心位置过滤通过轮廓拟合后的圆心位置阈值实现过滤;所述掩膜轮廓计算为提取出两个目标轮廓在原始图像中的大致区域,作为椭圆环轮廓分离的基础。
3.根据权利要求2所述的断路器静触头齿合状态图像检测内轮廓的提取方法,其特征在于:所述轮廓粗提取方法包括基于边缘、基于区域、基于阈值方法,基于边缘的方法利用图像梯度等实现边缘检测;基于区域的方法利用随机种子实现邻域相似像素的聚合实现轮廓提取;基于阈值的方法通过比较中心点及其邻域灰度值进行二值化。
4.根据权利要求3所述的断路器静触头齿合状态图像检测内轮廓的提取方法,其特征在于:所述非目标轮廓过滤包括面积过滤,圆度过滤,圆心位置过滤,面积过滤通过实验得到的目标轮廓面积阈值对非目标轮廓进行过滤;圆度过滤基于轮廓圆度评价算法过滤非圆轮廓;圆心位置过滤通过轮廓拟合后的圆心位置阈值实现过滤;所述掩膜轮廓计算为提取出两个目标轮廓在原始图像中的大致区域,作为椭圆环轮廓分离的基础。
5.根据权利要求3所述的断路器静触头齿合状态图像检测内轮廓的提取方法,其特征在于:所述基于边缘的方法利用不同的边缘计算算子实现不同的检测效果,包括一阶微分算子PREWITT算子、SOBEL算子、ROBERTS算子;通过检测二阶导数零点判断边缘点的LOG算子;利用高斯函数梯度判断边缘点的CANNY算子。
6.根据权利要求3所述的断路器静触头齿合状态图像检测内轮廓的提取方法,其特征在于:所述基于区域的算法通过给定种子像素、搜索种子周围邻域、计算目标点像素和种子相似度,如果相似就添加到种子区域。
7.根据权利要求3所述的断路器静触头齿合状态图像检测内轮廓的提取方法,其特征在于:所述基于阈值的方法包括简单阈值,自适应阈值,简单阈值对于整幅图像利用同一个变换实现二值化,较难提取图像局部信息,自适应阈值针对每个局部图像设置针对性的阈值实现二值化,可以较为精确地提取目标轮廓。
8.根据权利要求1所述的断路器静触头齿合状态图像检测内轮廓的提取方法,其特征在于:所述步骤S2中基于ZERNIKE矩的边缘检测为通过将原始图像的像素点映射到单位圆内,利用ZERNIKE矩的模来描述目标轮廓,每一个目标轮廓特征通过一组特征向量表示,低阶用来描述整体轮廓,高阶用来表示轮廓细节。灰度图像n阶m次ZERNIKE矩计算公式如下:
ZERNIKE矩的旋转不变性是判断是否为边缘的根据,旋转前后的图像G′nm和Gnm关系可以表示为:
Gnm=G′nme-jmα
利图像ZERNIKE矩计算图像边缘参数,得到轮廓的亚像素坐标,通过积分核函数可以得到待检测图像的ZERNIKE模板系数,模板系数和边缘参数由模板和图像卷积结果计算得到,边缘点的判断根据边缘参数是否达到阈值,边缘点坐标(χmym)计算公式如下所示:
采用7X7的模板大小,构造两个对应的模板M1,1,M2,0;
计算宽度的起始像素点X起始,X终止,计算公式如下所示:
X起始=X圆心-600
Y终止=X圆心+600
裁剪得到一张1200X1200的图像;得到静触头内孔廓图之后,将图像按照原有的裁剪方式进行逆裁剪,还原到原来的大小。利用掩膜轮廓分别对图像进行掩膜操作,得到两个椭圆轮廓,根据识别出的两个椭圆轮廓圆心和角度的差异来判断识别精度。
9.根据权利要求1所述的断路器静触头齿合状态图像检测内轮廓的提取方法,其特征在于:基于SNAKE模型的椭圆轮廓寻找方法通过一个初始轮廓不断迭代,寻找附近更加精确的目标轮廓,代价函数是基于SNAKE模型定义的能量函数;
对于图像I(X,Y)(x,y),C(q)=C(x(q),y(q))为它的演化曲线;演化曲线的能量定义为,SNAKE模型的能量函数为:
E(c)=Eint+Eext
其中,Eint为内部能量函数,Eext为外部能量函数,当E(c)最小时满足如下方程:
结合上述方程和曲线C(q)的欧拉-拉格朗日公式得到
为了求解上式,曲线迭代演化公式如下式所示:
将初始演化曲线C(s)设置为得到的两个椭圆轮廓,通过SNAKE算法迭代演化得到目标轮廓,SNAKE算法通过SKIMAGE库函数active_contour实现,获取到两组椭圆轮廓后,利用细化算法实现中间轮廓的提取,对细化后的轮廓进行椭圆拟合,得到最终的目标椭圆轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694422.3A CN113436212A (zh) | 2021-06-22 | 2021-06-22 | 一种断路器静触头齿合状态图像检测内轮廓的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694422.3A CN113436212A (zh) | 2021-06-22 | 2021-06-22 | 一种断路器静触头齿合状态图像检测内轮廓的提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113436212A true CN113436212A (zh) | 2021-09-24 |
Family
ID=77757215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110694422.3A Pending CN113436212A (zh) | 2021-06-22 | 2021-06-22 | 一种断路器静触头齿合状态图像检测内轮廓的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436212A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299086A (zh) * | 2021-12-24 | 2022-04-08 | 深圳明锐理想科技有限公司 | 一种低对比度成像的图像分割处理方法、电子设备及*** |
CN114359597A (zh) * | 2021-11-26 | 2022-04-15 | 西安交通大学 | 一种基于视觉的油箱内盖识别及位姿参数感知方法 |
CN114441499A (zh) * | 2022-04-11 | 2022-05-06 | 天津美腾科技股份有限公司 | 品位检测方法及装置、识别设备、矿浆品位仪及存储介质 |
CN114494226A (zh) * | 2022-02-11 | 2022-05-13 | 安徽大学 | 一种基于图形质心跟踪算法的纺织丝饼油污缺陷检测方法 |
CN114913140A (zh) * | 2022-04-29 | 2022-08-16 | 合肥工业大学 | 一种用于孔轴装配的图像处理方法 |
CN114931112A (zh) * | 2022-04-08 | 2022-08-23 | 南京农业大学 | 基于智能巡检机器人的母猪体尺检测*** |
CN114937077A (zh) * | 2022-04-22 | 2022-08-23 | 南通荣华包装材料有限公司 | 一种花生种子筛选方法 |
CN116030047A (zh) * | 2023-03-24 | 2023-04-28 | 四川中星电子有限责任公司 | 一种电容器工艺过程中识别掩膜合格的方法 |
TWI807809B (zh) * | 2022-05-04 | 2023-07-01 | 國立東華大學 | 利用深度學習之卷積神經網路輔助辨識牙周病及齲齒之系統、電腦程式及電腦可讀取媒體 |
CN117237366A (zh) * | 2023-11-16 | 2023-12-15 | 福建凯达集团有限公司 | 一种薄膜防雾性能检测方法 |
CN117994248A (zh) * | 2024-03-28 | 2024-05-07 | 中导光电设备股份有限公司 | 一种显示屏圆形轮廓检测的方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830868A (zh) * | 2018-04-19 | 2018-11-16 | 江南大学 | 一种基于Snake模型和迭代极性转换回归结合的圆弧拟合方法 |
CN109003258A (zh) * | 2018-06-15 | 2018-12-14 | 广东工业大学 | 一种高精度亚像素圆形零件测量方法 |
CN111583286A (zh) * | 2020-04-09 | 2020-08-25 | 天津大学 | 基于Flow-XDoG算子的腹部MRI图像轮廓提取方法 |
-
2021
- 2021-06-22 CN CN202110694422.3A patent/CN113436212A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830868A (zh) * | 2018-04-19 | 2018-11-16 | 江南大学 | 一种基于Snake模型和迭代极性转换回归结合的圆弧拟合方法 |
CN109003258A (zh) * | 2018-06-15 | 2018-12-14 | 广东工业大学 | 一种高精度亚像素圆形零件测量方法 |
CN111583286A (zh) * | 2020-04-09 | 2020-08-25 | 天津大学 | 基于Flow-XDoG算子的腹部MRI图像轮廓提取方法 |
Non-Patent Citations (3)
Title |
---|
徐超: "基于视觉测量的沉头孔垂直度检测新技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
徐超: "基于视觉测量的沉头孔垂直度检测新技术研究", 《中国优秀硕士论文全文库 工程科技Ⅱ辑》 * |
玖零猴: "基于偏微分方程的图像分割 Snake模型 Matlab实现", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/139532898》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359597A (zh) * | 2021-11-26 | 2022-04-15 | 西安交通大学 | 一种基于视觉的油箱内盖识别及位姿参数感知方法 |
CN114359597B (zh) * | 2021-11-26 | 2023-09-12 | 西安交通大学 | 一种基于视觉的油箱内盖识别及位姿参数感知方法 |
CN114299086A (zh) * | 2021-12-24 | 2022-04-08 | 深圳明锐理想科技有限公司 | 一种低对比度成像的图像分割处理方法、电子设备及*** |
CN114494226A (zh) * | 2022-02-11 | 2022-05-13 | 安徽大学 | 一种基于图形质心跟踪算法的纺织丝饼油污缺陷检测方法 |
CN114494226B (zh) * | 2022-02-11 | 2024-03-12 | 安徽大学 | 一种基于图形质心跟踪算法的纺织丝饼油污缺陷检测方法 |
CN114931112A (zh) * | 2022-04-08 | 2022-08-23 | 南京农业大学 | 基于智能巡检机器人的母猪体尺检测*** |
CN114931112B (zh) * | 2022-04-08 | 2024-01-26 | 南京农业大学 | 基于智能巡检机器人的母猪体尺检测*** |
CN114441499A (zh) * | 2022-04-11 | 2022-05-06 | 天津美腾科技股份有限公司 | 品位检测方法及装置、识别设备、矿浆品位仪及存储介质 |
CN114937077A (zh) * | 2022-04-22 | 2022-08-23 | 南通荣华包装材料有限公司 | 一种花生种子筛选方法 |
CN114913140A (zh) * | 2022-04-29 | 2022-08-16 | 合肥工业大学 | 一种用于孔轴装配的图像处理方法 |
TWI807809B (zh) * | 2022-05-04 | 2023-07-01 | 國立東華大學 | 利用深度學習之卷積神經網路輔助辨識牙周病及齲齒之系統、電腦程式及電腦可讀取媒體 |
CN116030047A (zh) * | 2023-03-24 | 2023-04-28 | 四川中星电子有限责任公司 | 一种电容器工艺过程中识别掩膜合格的方法 |
CN117237366A (zh) * | 2023-11-16 | 2023-12-15 | 福建凯达集团有限公司 | 一种薄膜防雾性能检测方法 |
CN117237366B (zh) * | 2023-11-16 | 2024-02-06 | 福建凯达集团有限公司 | 一种薄膜防雾性能检测方法 |
CN117994248A (zh) * | 2024-03-28 | 2024-05-07 | 中导光电设备股份有限公司 | 一种显示屏圆形轮廓检测的方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113436212A (zh) | 一种断路器静触头齿合状态图像检测内轮廓的提取方法 | |
CN106447669B (zh) | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 | |
CN107871322B (zh) | 虹膜图像分割方法和装置 | |
Sulaiman et al. | Denoising-based clustering algorithms for segmentation of low level salt-and-pepper noise-corrupted images | |
CN114372983B (zh) | 一种基于图像处理的屏蔽盒涂装质量检测方法及*** | |
CN108416789A (zh) | 图像边缘检测方法及*** | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
CN109447117B (zh) | 双层车牌识别方法、装置、计算机设备及存储介质 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其*** | |
CN109325421B (zh) | 一种基于边缘检测的睫毛去除方法及*** | |
Palus | Color image segmentation: selected techniques | |
CN116542982B (zh) | 一种基于机器视觉的出发判断器缺陷检测方法及装置 | |
Rani et al. | Detection of edges using mathematical morphological operators | |
CN111695373B (zh) | 斑马线的定位方法、***、介质及设备 | |
CN109255792B (zh) | 一种视频图像的分割方法、装置、终端设备及存储介质 | |
CN112734761A (zh) | 工业品图像边界轮廓提取方法 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
WO2018046407A1 (en) | Particle boundary identification | |
CN114581658A (zh) | 一种基于计算机视觉的目标检测方法及装置 | |
Chandra et al. | A survey on advanced segmentation techniques in image processing applications | |
CN116934746B (zh) | 划伤缺陷检测方法、***、设备及其介质 | |
CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN115272333B (zh) | 一种杯盘比数据的存储*** | |
Bonteanu et al. | A new pupil detection algorithm based on circular Hough transform approaches |
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: 20210924 |