2020年6月27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

新的视觉系统可以在传感器内计算,无需将信息转换成数字格式

2020年3月5日

2020年3月5日

研究人员开发了一种图像传感器阵列,它作为自己的人工神经网络,可以同时捕获和识别光学图像,无需将信息转换成数字格式即可快速处理信息。

用机器视觉法监测石榴成熟过程

2019年11月19日

2019年11月19日

瓦伦西亚农业调查研究所(IVIA)、米格尔·埃尔南德斯·德埃尔切大学和巴伦西亚理工大学的科学家们研究了两种用于石榴质量监测的机器视觉技术。

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。

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。

机器视觉相机类型以及接口标准详解

2018年8月9日

2018年8月9日

随着成像技术的进步,相机及其接口的类型不断演变,以满足大量应用的需求。对于检测和分析至关重要的半导体,电子,生物技术,装配和制造行业中的机器视觉应用而言,使用最好的相机系统来完成手头的任务对于获得最佳图像质量至关重要。

莫尔法成像方法可增强机器视觉中的3D图像

2019年8月1日

2019年8月1日

我们通常认为,使用正确的照明是机器视觉应用成败的关键。低角度照明可能会带来表面纹理或有用的阴影,背光提供干净的部分轮廓,偏振滤光片可以减少不必要的眩光。这些众所周知且广泛使用的工具已经存在了几十年。

涂布纺织品皮革表面缺陷检测解决方案

2019年7月2日

2019年7月2日

本文详细地介绍了基于自适应视觉算法的表面缺陷检测的应用原理及实际案例。同时以涂布、纺织品和皮革等类似行业的实际案例验证了该原理的可行性和实用性。介绍了能应用于涂布、印刷、涂布、塑料、橡胶、薄膜及皮革等缺陷检测的通用解决方案。

基于线扫描相机的表面缺陷检测系统

2019年5月17日

2019年5月17日

表面缺陷检测系统也叫表面质量检测系统或者表面质量检测设备。应用的领域十分的广泛,我例举一下最主要的应用领域吧,钢铁冶金,有色金属加工,高精铜板带,铝板带,铝箔,不锈钢制造,电子材料,无纺布,织物,玻璃,纸张,薄膜。

新型智能玻璃为机器视觉研究提供新的模拟途径

2019年7月18日

2019年7月18日

[据光电子网站2019年7月10日报道] 美国威斯康星大学麦迪逊分校电气和计算机工程系Zongfu Yu教授带领的团队开发出了一种新型智能玻璃。不需传感器、不用接通线路或外部电源、亦不需连接互联网,这种智能玻璃就可以利用光学反射的原理识别图像。

自动印刷代码检查解决方案

2019年4月17日

2019年4月17日

AutoCoding Systems将在米尔顿凯恩斯即将举行的UKIVA机器视觉会议上展示他们最新的视觉创新成果。由SICK AppSpace提供支持的4Sight解决方案是自动打印检测领域真正的行业突破。

机器视觉应用的柔性开发

2019年9月12日

2019年9月12日

本文使用IBV软件MERLIC的例子,概述了图像处理的当前要求,并展示了如何在不编程的情况下创建应用程序。

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。

3D视觉系统技术方案详解

2019年4月21日

2019年4月21日

近年来,随着芯片技术的发展以及相关软硬件系统的深入,视觉传感器得到了极为广泛的应用。社会越来越智能,可以使用人工智能和大数据技术将人们记录下来的图像智能地利用起来,而不是用一个个柜子将图像、视频束之高阁。

细数机器视觉的9大应用场景

2019年7月23日

2019年7月23日

本文主要介绍了机器视觉的主要应用场景,目前绝大部分数字信息都是以图片或视频的形式存在的,若要对这些信息进行有效分析利用,则要依赖于机器视觉技术的发展,虽然目前已有的技术已经能够解决很多问题,但离解决所有问题还很遥远,因此机器视觉的应用前景还是非常广阔的。

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。

Comments
发表评论

电子邮件地址不会被公开。 必填项已用*标注