CN116681702B - 一种光纤预制棒的一次拉伸评估方法及*** - Google Patents
一种光纤预制棒的一次拉伸评估方法及*** Download PDFInfo
- Publication number
- CN116681702B CN116681702B CN202310966484.4A CN202310966484A CN116681702B CN 116681702 B CN116681702 B CN 116681702B CN 202310966484 A CN202310966484 A CN 202310966484A CN 116681702 B CN116681702 B CN 116681702B
- Authority
- CN
- China
- Prior art keywords
- image
- stretching
- stretched
- image set
- target
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 55
- 239000013307 optical fiber Substances 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 79
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012512 characterization method Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种光纤预制棒的一次拉伸评估方法及***,涉及光纤领域,所述方法包括:采集至少一种角度下光纤预制棒的一次拉伸历史图像,并根据拉伸过程的表征因子对所述一次拉伸历史图像进行处理,以得到第一拉伸图像集;确定所述第一拉伸图像集内各元素对应的频域及方向特征,并根据所述频域及方向特征定位关注区域;获取所述关注区域对应的局部图像,并获取局部图像对应的连续图像序列;根据拉伸过程的表征因子对所述连续图像序列进行处理,得到第二拉伸图像集;获取目标在所述对应的采样间隔下的局部图像,并确定评估结果。本发明实现了对拉伸过程的自动化分析评估,不再依赖人工经验,提高了评估的客观性和可重复性。
Description
技术领域
本发明涉及光纤领域,特别是指一种光纤预制棒的一次拉伸评估方法及***。
背景技术
光纤预制棒是光纤制造过程中的一个重要的中间产品,需要经过拉伸等一系列工艺处理,才能制成光纤。
目前,在光纤制造中,对光纤预制棒拉伸过程的质量评估的准确与否,会直接影响后续的光纤制造。
在相关技术中,对于光纤预制棒拉伸过程的质量评估主要依赖于工作人员的经验和目视检查,这种方法存在评估主观性大,重复性差的问题,难以对整个拉伸过程进行准确评估。
发明内容
本发明要解决的技术问题是提供一次拉伸评估方法及***,可以准确高效地对纤预制棒的拉伸过程进行质量评估,提高了评估效率,通过借助地图数据,不再依赖人工经验,提高了评估的客观性和可重复性。
为解决上述技术问题,本发明的技术方案如下:
第一方面,一种光纤预制棒的一次拉伸评估方法,所述方法包括:
采集至少一种角度下光纤预制棒的一次拉伸历史图像,并根据拉伸过程的表征因子对所述一次拉伸历史图像进行处理,以得到第一拉伸图像集;
确定所述第一拉伸图像集内各元素对应的频域及方向特征,并根据所述频域及方向特征定位关注区域;
获取所述关注区域对应的局部图像,并获取局部图像对应的连续图像序列;
根据拉伸过程的表征因子对所述连续图像序列进行处理,得到第二拉伸图像集;
记录所述第一拉伸图像集与所述第二拉伸图像集之间的采集间隔,并获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素,以及所述相匹配的第一拉伸图像集元素对应的第二拉伸图像集元素,以及对应的采样间隔;
获取目标在所述对应的采样间隔下的局部图像,并确定评估结果。
进一步的,采集至少一种角度下光纤预制棒的一次拉伸历史图像,并根据拉伸过程的表征因子对所述一次拉伸历史图像进行处理,以得到第一拉伸图像集,包括:
通过公式I(x,y) = I'(x'cosθ- y'sinθ, x'sinθ+ y'cosθ),对所述一次拉伸历史图像进行图像畸变校正,得到几何校正后的图像I(x,y),其中,I'(x',y')为所述一次拉伸历史图像未畸变校正前的图像,θ为预设的旋转角度,x'和y'分别为;所述一次拉伸历史图像的像素点横、纵坐标;
根据拉伸过程中的微小振动信号,对几何校正后的图像进行运动去模糊,得到清晰的图像,并汇集所述清晰的图像得到第一拉伸图像集。
进一步的,根据拉伸过程中的微小振动信号,对几何校正后的图像进行运动去模糊,得到清晰的图像,并汇集所述清晰的图像得到第一拉伸图像集,包括:
通过公式:,建立图像模糊函数B(Ic,s(t)),其中,PSF(s(t))为由微小振动信号s(t)决定的点扩散函数,Ic为畸变校正后的图像;
通过公式:对畸变校正后的图像Ic进行运动去模糊,其中F为傅
里叶变换,为傅里叶逆变换,PSF为点扩散函数。
进一步的,确定所述第一拉伸图像集内各元素对应的频域及方向特征,并根据所述频域及方向特征定位关注区域,包括:
通过公式:F(I1i) = |FFT(I1i)|,对所述第一拉伸图像集内各元素I1i计算频域特征F(I1i) ,FFT为傅里叶变换,∣∣为取绝对值;
通过公式:D(I1i) = arctan(Gy/Gx),对所述第一拉伸图像集内各元素I1i计算方向特征D(I1i),其中,Gy为元素I1i在y方向上的梯度,Gx为元素I1i在x方向上的梯度, arctan为反正切函数;
将所有图像的频域特征和方向特征合并,得到集合S = {[F(I11), D(I11)], ...,[F(I1n), D(I1n)]};
在特征空间中,使用聚类算法对S进行聚类,获取类中心Cc;
确定类中心Cc对应的图像区域为关注区域R。
进一步的,获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素,包括:
对于每个尺度下的第一拉伸图像集元素和目标当前一次拉伸图,分别对每个像素点的灰度值进行平方差值,
通过公式:,得到MSE值,在本式中,N为像素点总数,为第一
拉伸图像集元素中第i个像素点的灰度值,为目标当前一次拉伸图中第i个像素点的灰度
值;
通过公式:,计算相似度指标;
通过公式:
,计算第
一拉伸图像集元素和目标当前一次拉伸图的相似度指标,在本式中,n
为尺度数,为第i个尺度下的相似度指标,为相应尺度下的权重;
设置相似度阈值,并将第一拉伸图像集元素和目标当前一次拉伸图的相似度指标与相似度阈值比对,根据相似度比对结果获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素。
进一步的,根据相似度比对结果获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素,包括:若相似度比对结果满足相似度阈值,则将最大相似度对应的第一拉伸图像集元素作为目标当前一次拉伸图相匹配的第一拉伸图像集元素。
进一步的,获取目标在所述对应的采样间隔下的局部图像,并确定评估结果,包括:
将目标在所述对应的采样间隔下的局部图像设置为第一评估样本;
将与目标当前一次拉伸图相匹配的第一拉伸图像集元素在所述对应的采样间隔下对应的第二拉伸图像集元素设置为第二评估样本;
设置评估阈值,并计算第一评估样本与第二评估样本的相似度,若满足评估阈值,则评估在所述对应的采样间隔内光纤预制棒的一次拉伸正常;若不满足评估阈值,则评估在所述对应的采样间隔内光纤预制棒的一次拉伸异常。
第二方面,一种光纤预制棒的一次拉伸评估***,包括:
采集模块,用于采集至少一种角度下光纤预制棒的一次拉伸历史图像,并根据拉伸过程的表征因子对所述一次拉伸历史图像进行处理,以得到第一拉伸图像集;
确定模块,用于确定所述第一拉伸图像集内各元素对应的频域及方向特征,并根据所述频域及方向特征定位关注区域;
获取模块,用于获取所述关注区域对应的局部图像,并获取局部图像对应的连续图像序列;
处理模块,用于根据拉伸过程的表征因子对所述连续图像序列进行处理,得到第二拉伸图像集;
记录模块,用于记录所述第一拉伸图像集与所述第二拉伸图像集之间的采集间隔,并获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素,以及所述相匹配的第一拉伸图像集元素对应的第二拉伸图像集元素,以及对应的采样间隔;
评估模块,用于获取目标在所述对应的采样间隔下的局部图像,并确定评估结果。
第三方面,一种计算设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述方法。
第四方面,一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,该程序被处理器执行时实现上述方法。
本发明的上述方案至少包括以下有益效果:
本发明的上述方案,实现了对拉伸过程的自动化分析评估,不再依赖人工经验,提高了评估的客观性和可重复性;可以实时采集和处理图像,实现对光纤拉伸过程的动态跟踪,及时反馈过程参数;通过获取的图像信息,辅以算法分析,可以更全面和精确地评估拉伸质量,且评估效率显著提高;使用图像代替了传感器,降低了设备投入,同时提高效率,整体上可以大幅降低评估成本。
附图说明
图1是本发明的实施例提供的光纤预制棒的一次拉伸评估方法的流程示意图。
图2是本发明的实施例提供的光纤预制棒的一次拉伸评估***示意图。
附图标记:
10、采集模块;20、确定模块;30、获取模块;40、处理模块;50、记录模块;60、评估模块。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明的实施例提出一种光纤预制棒的一次拉伸评估方法,所述方法包括:
步骤1,采集至少一种角度下光纤预制棒的一次拉伸历史图像,并根据拉伸过程的表征因子对所述一次拉伸历史图像进行处理,以得到第一拉伸图像集;
步骤2,确定所述第一拉伸图像集内各元素对应的频域及方向特征,并根据所述频域及方向特征定位关注区域;
步骤3,获取所述关注区域对应的局部图像,并获取局部图像对应的连续图像序列;
步骤4,根据拉伸过程的表征因子对所述连续图像序列进行处理,得到第二拉伸图像集;
步骤5,记录所述第一拉伸图像集与所述第二拉伸图像集之间的采集间隔,并获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素,以及所述相匹配的第一拉伸图像集元素对应的第二拉伸图像集元素,以及对应的采样间隔;
步骤6,获取目标在所述对应的采样间隔下的局部图像,并确定评估结果。
在本发明实施例的在上述步骤中,通过步骤1可以采集不同角度的拉伸图像,进行预处理,可过滤图像噪声,校正畸变,提高后续处理的可靠性,通过步骤3可以提取频域和方向特征,可有效表示图像局部结构和方向变化,用于精确定位关注区域,通过步骤3可以获取关注区域图像,可减少后续处理中的无效计算,提高处理效率,通过步骤4可以根据表征因子处理连续局部图像,可保留拉伸过程中的关键信息,生成高质量的第二图像集,通过步骤5可以记录两图像集的采集间隔,可建立两者之间的时间对应关系,用于匹配当前拉伸过程,通过步骤6可以评估当前拉伸过程,进而实现对整个拉伸过程的评估.
在本发明一优选的实施例中,上述步骤1,包括:
步骤11,通过公式I(x,y) = I'(x'cosθ- y'sinθ, x'sinθ+ y'cosθ),对所述一次拉伸历史图像进行图像畸变校正,得到几何校正后的图像I(x,y),其中,I'(x',y')为所述一次拉伸历史图像未畸变校正前的图像,θ为预设的旋转角度,x'和y'分别为;所述一次拉伸历史图像的像素点横、纵坐标;
步骤12,根据拉伸过程中的微小振动信号,对几何校正后的图像进行运动去模糊,得到清晰的图像,并汇集所述清晰的图像得到第一拉伸图像集。
在本发明实施例的在上述步骤中,通过进行图像畸变校正操作,可以消除由于拍摄过程中产生的光学畸变,可以消除图像在获取和传输过程中的几何形变,例如图像缩放、旋转等会造成图像形状和比例的扭曲变形,可以恢复被畸变的真实场景结构,以实现为后续图像分析算法提供规范化的数据。
在本发明一优选的实施例中,上述步骤12,包括:
步骤121,通过公式:,建立图像模糊函数B(Ic,s(t)),其中,PSF(s(t))为由微小振动信号s(t)决定的点扩散函数,Ic为畸变校正后的图像;
步骤122,通过公式:对畸变校正后的图像Ic进行运动去模糊,其中F为傅里叶变换,/>为傅里叶逆变换,PSF为点扩散函数。
在本发明一优选的实施例中,上述步骤2,包括:
步骤21,通过公式:F(I1i) = |FFT(I1i)|,对所述第一拉伸图像集内各元素I1i计算频域特征F(I1i) ,FFT为傅里叶变换,∣∣为取绝对值;
步骤22,通过公式:D(I1i) = arctan(Gy/Gx),对所述第一拉伸图像集内各元素I1i计算方向特征D(I1i),其中,Gy为元素I1i在y方向上的梯度,Gx为元素I1i在x方向上的梯度,arctan为反正切函数;
步骤23,将所有图像的频域特征和方向特征合并,得到集合S = {[F(I11), D(I11)], ..., [F(I1n), D(I1n)]};
步骤24,在特征空间中,使用聚类算法对S进行聚类,获取类中心Cc;
步骤25,确定类中心Cc对应的图像区域为关注区域R。
在本发明一优选的实施例中,上述步骤3中,局部图像对应的连续图像序列为局部图像的连续帧图像,通过获得局部图像的连续帧图像可以方便与上述第一拉伸图像集相对应,避免缺少参照物。
在本发明一优选的实施例中,上述步骤4中,根据拉伸过程的表征因子对所述连续图像序列进行处理的步骤与上述步骤1相同,即再次进行图像畸变校正和去模糊操作。
在本发明一优选的实施例中,上述步骤5,包括:
步骤51,对于每个尺度下的第一拉伸图像集元素和目标当前一次拉伸图,分别对每个像素点的灰度值进行平方差值,
步骤52,通过公式:,得到MSE值,在本式中,N为像素点总数,为第一拉伸图像集元素中第i个像素点的灰度值,为目标当前一次拉伸图中第i个像素
点的灰度值;
步骤53,通过公式:,计算相似度指标;
步骤54,通过公式:
,计算第
一拉伸图像集元素和目标当前一次拉伸图的相似度指标,在本式中,n
为尺度数,为第i个尺度下的相似度指标,为相应尺度下的权重;
步骤55,设置相似度阈值,并将第一拉伸图像集元素和目标当前一次拉伸图的相似度指标与相似度阈值比对,根据相似度比对结果获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素。
在本发明一优选的实施例中,上述步骤55,包括:若相似度比对结果满足相似度阈值,则将最大相似度对应的第一拉伸图像集元素作为目标当前一次拉伸图相匹配的第一拉伸图像集元素。
在本发明一优选的实施例中,上述步骤6,包括:
步骤61,将目标在所述对应的采样间隔下的局部图像设置为第一评估样本;
步骤62,将与目标当前一次拉伸图相匹配的第一拉伸图像集元素在所述对应的采样间隔下对应的第二拉伸图像集元素设置为第二评估样本;
步骤63,设置评估阈值,并计算第一评估样本与第二评估样本的相似度,若满足评估阈值,则评估在所述对应的采样间隔内光纤预制棒的一次拉伸正常;若不满足评估阈值,则评估在所述对应的采样间隔内光纤预制棒的一次拉伸异常。
如图2所示,一种光纤预制棒的一次拉伸评估***,包括:
采集模块10,用于采集至少一种角度下光纤预制棒的一次拉伸历史图像,并根据拉伸过程的表征因子对所述一次拉伸历史图像进行处理,以得到第一拉伸图像集;
确定模块20,确定所述第一拉伸图像集内各元素对应的频域及方向特征,并根据所述频域及方向特征定位关注区域;
获取模块30,获取所述关注区域对应的局部图像,并获取局部图像对应的连续图像序列;
处理模块40,根据拉伸过程的表征因子对所述连续图像序列进行处理,得到第二拉伸图像集;
记录模块50,记录所述第一拉伸图像集与所述第二拉伸图像集之间的采集间隔,并获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素,以及所述相匹配的第一拉伸图像集元素对应的第二拉伸图像集元素,以及对应的采样间隔;
评估模块60,获取目标在所述对应的采样间隔下的局部图像,并确定评估结果。
需要说明的是,该装置是与上述方法相对应的装置,上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本发明的实施例还提供一种计算设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质,存储指令,当所述指令在计算机上运行时,使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述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,在不脱离本发明所述原理的前提下,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 (5)
1.一种光纤预制棒的一次拉伸评估方法,其特征在于,所述方法包括:采集至少一种角度下光纤预制棒的一次拉伸历史图像,并根据拉伸过程的表征因子对所述一次拉伸历史图像进行处理,以得到第一拉伸图像集,包括:通过公式I(x,y) = I'(x'cosθ- y'sinθ, x'sinθ+ y'cosθ),对所述一次拉伸历史图像进行图像畸变校正,得到几何校正后的图像I(x,y),其中,I'(x',y')为所述一次拉伸历史图像未畸变校正前的图像,θ为预设的旋转角度,x'和y'分别为所述一次拉伸历史图像的像素点横、纵坐标;根据拉伸过程中的微小振动信号,对几何校正后的图像进行运动去模糊,得到清晰的图像,并汇集所述清晰的图像得到第一拉伸图像集,包括:通过公式:建立图像模糊函数B(Ic,s(t)),其中,PSF(s(t))为由微小振动信号s(t)决定的点扩散函数,Ic为畸变校正后的图像;通过公式:/>对畸变校正后的图像Ic进行运动去模糊,其中F为傅里叶变换,/>为傅里叶逆变换,PSF为点扩散函数;确定所述第一拉伸图像集内各元素对应的频域及方向特征,并根据所述频域及方向特征定位关注区域,包括:通过公式:F(I1i) = |FFT(I1i)|,对所述第一拉伸图像集内各元素I1i计算频域特征F(I1i) ,FFT为傅里叶变换,∣∣为取绝对值;通过公式:D(I1i) = arctan(Gy/Gx),对所述第一拉伸图像集内各元素I1i计算方向特征D(I1i),其中,Gy为元素I1i在y方向上的梯度,Gx为元素I1i在x方向上的梯度, arctan为反正切函数;将所有元素的频域特征和方向特征合并,得到集合S = {[F(I11),D(I11)],..., [F(I1n),D(I1n)]};在特征空间中,使用聚类算法对S进行聚类,获取类中心Cc;确定类中心Cc对应的图像区域为关注区域R;获取所述关注区域对应的局部图像,并获取局部图像对应的连续图像序列;根据拉伸过程的表征因子对所述连续图像序列进行处理,得到第二拉伸图像集,其中,所述根据拉伸过程的表征因子对所述连续图像序列进行处理包括图像畸变校正和去模糊操作;记录所述第一拉伸图像集与所述第二拉伸图像集之间的采集间隔,并获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素,以及所述相匹配的第一拉伸图像集元素对应的第二拉伸图像集元素,以及对应的采样间隔,其中,获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素,包括:对于每个尺度下的第一拉伸图像集元素和目标当前一次拉伸图,分别对每个像素点的灰度值进行平方差值;通过公式:,得到MSE值,在本式中,N为像素点总数,/>为第一拉伸图像集元素中第i个像素点的灰度值,/>为目标当前一次拉伸图中第i个像素点的灰度值;通过公式:,计算相似度指标/>;通过公式:,计算第一拉伸图像集元素和目标当前一次拉伸图的相似度指标/>,在本式中,n为尺度数,/>为第i个尺度下的相似度指标,/>为相应尺度下的权重;设置相似度阈值,并将第一拉伸图像集元素和目标当前一次拉伸图的相似度指标与相似度阈值比对,根据相似度比对结果获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素;根据相似度比对结果获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素,包括:若相似度比对结果满足相似度阈值,则将最大相似度对应的第一拉伸图像集元素作为目标当前一次拉伸图相匹配的第一拉伸图像集元素;获取目标在所述对应的采样间隔下的局部图像,并确定评估结果。
2.根据权利要求1所述的光纤预制棒的一次拉伸评估方法,其特征在于,获取目标在所述对应的采样间隔下的局部图像,并确定评估结果,包括:将目标在所述对应的采样间隔下的局部图像设置为第一评估样本;将与目标当前一次拉伸图相匹配的第一拉伸图像集元素在所述对应的采样间隔下对应的第二拉伸图像集元素设置为第二评估样本;设置评估阈值,并计算第一评估样本与第二评估样本的相似度,若满足评估阈值,则评估在所述对应的采样间隔内光纤预制棒的一次拉伸正常;若不满足评估阈值,则评估在所述对应的采样间隔内光纤预制棒的一次拉伸异常。
3.一种光纤预制棒的一次拉伸评估***,其特征在于,包括:采集模块(10),用于采集至少一种角度下光纤预制棒的一次拉伸历史图像,并根据拉伸过程的表征因子对所述一次拉伸历史图像进行处理,以得到第一拉伸图像集,包括:通过公式I(x,y) = I'(x'cosθ- y'sinθ, x'sinθ+ y'cosθ),对所述一次拉伸历史图像进行图像畸变校正,得到几何校正后的图像I(x,y),其中,I'(x',y')为所述一次拉伸历史图像未畸变校正前的图像,θ为预设的旋转角度,x'和y'分别为所述一次拉伸历史图像的像素点横、纵坐标;根据拉伸过程中的微小振动信号,对几何校正后的图像进行运动去模糊,得到清晰的图像,并汇集所述清晰的图像得到第一拉伸图像集,包括:通过公式:建立图像模糊函数B(Ic,s(t)),其中,PSF(s(t))为由微小振动信号s(t)决定的点扩散函数,Ic为畸变校正后的图像;通过公式:/>对畸变校正后的图像Ic进行运动去模糊,其中F为傅里叶变换,/>为傅里叶逆变换,PSF为点扩散函数;确定模块(20),用于确定所述第一拉伸图像集内各元素对应的频域及方向特征,并根据所述频域及方向特征定位关注区域,包括:通过公式:F(I1i) = |FFT(I1i)|,对所述第一拉伸图像集内各元素I1i计算频域特征F(I1i) ,FFT为傅里叶变换,∣∣为取绝对值;通过公式:D(I1i) = arctan(Gy/Gx),对所述第一拉伸图像集内各元素I1i计算方向特征D(I1i),其中,Gy为元素I1i在y方向上的梯度,Gx为元素I1i在x方向上的梯度, arctan为反正切函数;将所有元素的频域特征和方向特征合并,得到集合S= {[F(I11),D(I11)],..., [F(I1n),D(I1n)]};在特征空间中,使用聚类算法对S进行聚类,获取类中心Cc;确定类中心Cc对应的图像区域为关注区域R;获取模块(30),用于获取所述关注区域对应的局部图像,并获取局部图像对应的连续图像序列;处理模块(40),用于根据拉伸过程的表征因子对所述连续图像序列进行处理,得到第二拉伸图像集,其中,所述根据拉伸过程的表征因子对所述连续图像序列进行处理包括图像畸变校正和去模糊操作;记录模块(50),用于记录所述第一拉伸图像集与所述第二拉伸图像集之间的采集间隔,并获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素,以及所述相匹配的第一拉伸图像集元素对应的第二拉伸图像集元素,以及对应的采样间隔,其中,获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素,包括:对于每个尺度下的第一拉伸图像集元素和目标当前一次拉伸图,分别对每个像素点的灰度值进行平方差值;通过公式:/>,得到MSE值,在本式中,N为像素点总数,/>为第一拉伸图像集元素中第i个像素点的灰度值,/>为目标当前一次拉伸图中第i个像素点的灰度值;通过公式:/>,计算相似度指标/>;通过公式:,计算第一拉伸图像集元素和目标当前一次拉伸图的相似度指标/>,在本式中,n为尺度数,/>为第i个尺度下的相似度指标,/>为相应尺度下的权重;设置相似度阈值,并将第一拉伸图像集元素和目标当前一次拉伸图的相似度指标与相似度阈值比对,根据相似度比对结果获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素;根据相似度比对结果获得与目标当前一次拉伸图相匹配的第一拉伸图像集元素,包括:若相似度比对结果满足相似度阈值,则将最大相似度对应的第一拉伸图像集元素作为目标当前一次拉伸图相匹配的第一拉伸图像集元素;评估模块(60),用于获取目标在所述对应的采样间隔下的局部图像,并确定评估结果。
4.一种计算设备,包括:一个或多个处理器;一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-2中任一项所述的方法。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序,该程序被处理器执行时实现如权利要求1-2中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310966484.4A CN116681702B (zh) | 2023-08-03 | 2023-08-03 | 一种光纤预制棒的一次拉伸评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310966484.4A CN116681702B (zh) | 2023-08-03 | 2023-08-03 | 一种光纤预制棒的一次拉伸评估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681702A CN116681702A (zh) | 2023-09-01 |
CN116681702B true CN116681702B (zh) | 2023-10-17 |
Family
ID=87779520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310966484.4A Active CN116681702B (zh) | 2023-08-03 | 2023-08-03 | 一种光纤预制棒的一次拉伸评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681702B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015207280A (ja) * | 2014-04-18 | 2015-11-19 | 株式会社リコー | 目標識別方法及び目標識別装置 |
CN108549743A (zh) * | 2018-03-13 | 2018-09-18 | 东南大学 | 一种纤维增强复合材料动态拉伸失效评估方法 |
CN108760492A (zh) * | 2018-05-18 | 2018-11-06 | 山东工业陶瓷研究设计院有限公司 | 连续纤维增强陶瓷基复合材料室温拉伸性能的检测方法 |
CN110717497A (zh) * | 2019-09-06 | 2020-01-21 | 中国平安财产保险股份有限公司 | 图像相似度匹配方法、装置及计算机可读存储介质 |
CN112084723A (zh) * | 2020-08-03 | 2020-12-15 | 浙江大学 | 光纤预制棒一次拉伸工艺仿真方法及装置 |
CN112100940A (zh) * | 2020-09-17 | 2020-12-18 | 浙江大学 | 光纤预制棒一次拉伸工艺参数预测方法及装置 |
CN112215833A (zh) * | 2020-10-22 | 2021-01-12 | 江苏云从曦和人工智能有限公司 | 图像质量评估方法、装置以及计算机可读存储介质 |
CN114445386A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳三江橡塑有限公司 | 一种基于人工智能的pvc管件质量检测评估方法及*** |
CN115909126A (zh) * | 2022-10-11 | 2023-04-04 | 阿里巴巴(中国)有限公司 | 目标检测方法、设备和存储介质 |
CN116129195A (zh) * | 2023-02-17 | 2023-05-16 | 北京奕斯伟计算技术股份有限公司 | 图像质量评价装置、方法、电子设备和存储介质 |
CN116523731A (zh) * | 2022-01-21 | 2023-08-01 | 北京小米移动软件有限公司 | 图像运行模糊的处理方法、装置、终端及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5362878B2 (ja) * | 2012-05-09 | 2013-12-11 | 株式会社日立国際電気 | 画像処理装置及び画像処理方法 |
CN110175995B (zh) * | 2019-05-29 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 一种基于病理图像的图像状态确定方法、装置以及*** |
-
2023
- 2023-08-03 CN CN202310966484.4A patent/CN116681702B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015207280A (ja) * | 2014-04-18 | 2015-11-19 | 株式会社リコー | 目標識別方法及び目標識別装置 |
CN108549743A (zh) * | 2018-03-13 | 2018-09-18 | 东南大学 | 一种纤维增强复合材料动态拉伸失效评估方法 |
CN108760492A (zh) * | 2018-05-18 | 2018-11-06 | 山东工业陶瓷研究设计院有限公司 | 连续纤维增强陶瓷基复合材料室温拉伸性能的检测方法 |
CN110717497A (zh) * | 2019-09-06 | 2020-01-21 | 中国平安财产保险股份有限公司 | 图像相似度匹配方法、装置及计算机可读存储介质 |
CN112084723A (zh) * | 2020-08-03 | 2020-12-15 | 浙江大学 | 光纤预制棒一次拉伸工艺仿真方法及装置 |
CN112100940A (zh) * | 2020-09-17 | 2020-12-18 | 浙江大学 | 光纤预制棒一次拉伸工艺参数预测方法及装置 |
CN112215833A (zh) * | 2020-10-22 | 2021-01-12 | 江苏云从曦和人工智能有限公司 | 图像质量评估方法、装置以及计算机可读存储介质 |
CN116523731A (zh) * | 2022-01-21 | 2023-08-01 | 北京小米移动软件有限公司 | 图像运行模糊的处理方法、装置、终端及存储介质 |
CN114445386A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳三江橡塑有限公司 | 一种基于人工智能的pvc管件质量检测评估方法及*** |
CN115909126A (zh) * | 2022-10-11 | 2023-04-04 | 阿里巴巴(中国)有限公司 | 目标检测方法、设备和存储介质 |
CN116129195A (zh) * | 2023-02-17 | 2023-05-16 | 北京奕斯伟计算技术股份有限公司 | 图像质量评价装置、方法、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
涂覆新一代涂层体系的光纤拉伸性能测试方法的探讨及改进;Long Han;Xiaosong Wu;Steven R.Schmid;Pratik Shah;Alex Li;Jackie Zhao;;现代传输(第05期);正文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116681702A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104574298B (zh) | 一种基于互信息的多b值扩散权重图像的降噪方法 | |
US9286547B2 (en) | Quality control and assurance of images | |
CN108414240B (zh) | 一种检测机器异常振动的方法与装置 | |
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN108537787B (zh) | 一种人脸图像的质量判定方法 | |
CN111062978A (zh) | 基于频域滤波技术的时空图像测流的纹理识别方法 | |
CN109272484B (zh) | 一种基于视频图像的降雨检测方法 | |
CN116681702B (zh) | 一种光纤预制棒的一次拉伸评估方法及*** | |
CN116630762A (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
CN110718301A (zh) | 基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法 | |
CN112515653B (zh) | 一种基于核磁共振图像的脑网络构建方法 | |
Carni et al. | Preprocessing correction for micronucleus image detection affected by contemporaneous alterations | |
CN117058584A (zh) | 一种基于深度学习的婴儿痉挛症临床发作视频识别方法 | |
CN113034359A (zh) | 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质 | |
CN111368823B (zh) | 一种指针式仪表读数识别方法及装置 | |
CN111428563A (zh) | 一种汽车全液晶仪表图像识别方法 | |
CN113963427B (zh) | 一种快速活体检测的方法与*** | |
CN111669575B (zh) | 图像处理效果的测试方法、***、电子设备、介质及终端 | |
CN108519066B (zh) | 一种基于四侧光源图像的织物平整度的客观评定方法 | |
CN117237298B (zh) | 一种印花面料疵点检验方法、装置及计算设备 | |
Commowick et al. | Non-local robust detection of DTI white matter differences with small databases | |
CN118229555B (zh) | 一种图像融合方法、装置、设备及计算机可读存储介质 | |
CN116758058B (zh) | 一种数据处理方法、装置、计算机及存储介质 | |
CN117192458B (zh) | 基于动态跟踪技术免除运动伪影的磁共振影像生成方法 | |
CN115546224B (zh) | 一种电机运行过程故障自动识别及控制方法 |
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 |