2020年9月20日 机器视觉与计算机视觉技术

基于机器视觉的监测系统​

本研究基于机器视觉技术,结合Python语言,openCV库等,编写出了一套高精度,高稳定性的位移监测算法,以Nvidia Jetson开发板为载体,结合单片机,红外传感器等,设计制造了一套具有形变监测与预警功能的系统。

图1 硬件组成

1.系统组建方法

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。

图2 实时采集图片

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。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=(R30+G59+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。

图3 灰度化

步骤3: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。

图4 高斯模糊

步骤4:对所述目标图像进行边缘检测

图5 边缘检测

步骤5: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,得到二值化图像。

图6 二值化

步骤7:将所述边缘检测图像与二值化图像叠加,得到二值化叠加图像。

图7 叠加

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。

图8感兴区域提取

步骤9:去除所述二值化感兴趣图像中的噪声点

图9 噪声去除

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,得到图像与实际距离的比PPM(pixels per millimeter)。

图10关键点坐标提取及ppm计算

步骤11:记录关键点坐标初始值,并计算每一帧关键点坐标与初始值的插值,利用ppm进行换算,得到实际位移值。

同时,若实际位移达到预警值或者红外传感器温度突升,将单板机输出的数字信号,经PWM(Pulse Width 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测试。

图11 可视化界面

2.验证

为了验证系统的准确率,我们将检测过程中各点的位移值保存下来,并拟合出曲线,将其斜率与拉伸机设置的斜率进行比较。

图12 拟合结果

此处拉伸机设置的拉伸速率为0.0083mm/s,而我们拟合的结果为0.00834mm/s, 精确度达99.52%。

3.结论

在本研究中,我们设计了一种基于Python, openCV的形变监测算法,并嵌入到Nvidia Jetson开发板中,与Arduino单片机,红外温度传感器结合,组成了具有实时形变监测,温度监控,自动报警的辅助系统,且具有较好的普适性,能在各种实验条件或工业条件下发挥作用。经过实验验证,其检测精度高达99.52%。

特别感谢:《知行计划-LG化学中国大学生动力电池创新竞赛》

Banner
Related Posts

基于相机和激光传感器的车顶视觉检测系统

2019年4月24日

2019年4月24日

像多单元高速列车这样的现代轨道车辆需要定期进行检查维护,以确保最车辆的安全稳定运行,增加使用寿命并最大限度地减少列车的磨损

机器视觉成为防治农作物减产的新式武器

2019年5月15日

2019年5月15日

农作物的损失对农民来说是毁灭性的。随着生态波动性的增加,这也是生活中的事实。

自主机器视觉系统Inspekto S70

2019年12月18日

2019年12月18日

自主机器视觉(AMV)是通过机器学习的技术,让视觉系统拥有自动识别对象的能力,它为质量保证提供了革命性的方法,同时将使巨额投资和长时间停机成为过去。

中科院自动化所王欣刚:机器视觉将取代人类视觉

2019年6月21日

2019年6月21日

智能制造已成为全球制造业升级发展的重要方向,未来工厂里将采用越来越来越多的自动化技术,包括机器人、人工智能、虚拟现实等先进技术,其中,机器视觉将在智能工厂中将发挥关键作用。对于生产商来说,如何将这些技术运用到当前的生产线,将是实现工厂价值提升和未来发展的关键。

为双目立体视觉插上FPGA翅膀

2019年10月10日

2019年10月10日

FPGA具有灵活高效、可重复编程特性,可实现定制性能、高吞吐量和低延迟,是十分灵活且强大的计算加速器。所以,很多研究机构将算法进行简化后,使用FPGA进行处理。

机器视觉如何改变金融服务

2019年9月9日

2019年9月9日

事实证明,在金融领域应用机器视觉不仅对企业有利,而且对一般消费者也有利。尽管这在5年前似乎遥不可及,但金融机构一直在使用先进技术开展业务。这些技术能够改进客户体验并减轻员工的工作负担。

纺织制造商将人工智能无缝集成到生产中的三种方式

2019年9月3日

2019年9月3日

人工智能正在改进纺织品制造商的经营方式。这一过程的每一个要素,包括纺织品生产、产品成本、质量控制、数据收集、统计过程控制、准时制制造和计算机集成制造,都在进行人工智能改造。

机器视觉技术在农业应用研究进展

2019年3月31日

2019年3月31日

随着计算机软硬件、图像采集处理装置、图像处理技术的迅猛发展,机器视觉技术在农业的应用领域不断扩展。目前,美国、日本、德国等发达国家已经开始将机器视觉系统应用到农业生产的各个阶段,以解决人口老龄化加剧、劳动力缺失等问题引起的挑战。

用于食品标签的光学字符识别(OCR)视觉系统

2019年4月24日

2019年4月24日

在食品制造工厂,系统需要从传送器中剔除带有错误打印数据代码的包装食品。虽然以前的系统运行还算正常,但它已经陈旧,原始软件开发的升级换代也无法得到支持。

机器视觉技术发展的五大趋势

2019年6月21日

2019年6月21日

在过去的一年里,人工智能(AI)、大数据、3D成像和机器人过程自动化等领域在取得了空前的发展。在即将到来的2019年,机器视觉技术应用还将蓬勃发展,新机器视觉认为五大发展趋势将引领行业应用。

在图像处理中应用深度学习技术

2019年3月28日

2019年3月28日

深度学习应用凭借其在识别应用中超高的预测准确率,在图像处理领域获得了极大关注,这势必将提升现有图像处理系统的性能并开创新的应用领域。

智能高光谱成像与食品安全的未来

2020年3月9日

2020年3月9日

智能高光谱成像技术有望快速准确地检测病原体、异物以及产品的新鲜度和损伤。

每个机器制造者都应该了解基于组件的3D视觉系统

2019年9月1日

2019年9月1日

在构建成本效益高的三维视觉系统时,是最好使用基于组件的方法(如照相机、激光、透镜、支架、校准目标)还是采用一体化(即智能)方法?乍一看,以较低的成本购买单个组件和构建定制的视觉解决方案似乎是更经济的途径。

Teledyne DALSA的Linea HS 16k多场TDI相机

2019年11月28日

2019年11月28日

机器视觉技术公司 Teledyne DALSA ,近日推出其最新的电荷域CMOS TDI相机——Linea HS 16k多场TDI相机。多场成像允许最终用户捕获多个图像,例如一次扫描即可同时显示明场、暗场和背光图像。

深度学习在机器视觉中的应用与发展

2019年5月7日

2019年5月7日

在短短几年内,深度学习软件已经比任何传统算法可以更好地对图像进行分类处理,而且可能很快就可以超越人工检查。

Comments
发表评论

电子邮件地址不会被公开。 必填项已用*标注