一种基于透视变换矩阵的电能表挂载位置偏差检测方法与流程

本发明设计一种基于透视变换矩阵的电能表挂载位置偏差检测技术，属于自动化控制领域。

背景技术：
：

为满足电能表检定的规模化、自动化需求，现有的检定系统已经能够实现用机器人对电能表的自动化挂载，但在挂载后检测电能表的位置是否正确，以避免在压接过程中损坏挂载位置不正确的电能表成为电能表自动化检定过程中的一个关键问题。

现有的电能表挂载位置偏差检测主要是通过力传感器、光电传感器等类型的传感器配合相应的检测电路来实现，如专利号201410833016.0，名称为“适用于检测电能表是否放置到位的检测装置”公开了一种检测装置，通过力传感器和检测电路的配合实现电能表位置的检测，这种检测方式需要在每个挂表工位都布置一定数量的传感器和电路，若生产规模较大，则需要花费很多经费配置很多套装置，且不便于维护。也有部分是采用基于视觉传感的检测方法，如专利号为201410639825.8，名称为“电能计量器具智能挂载系统及其挂在检测方法”公开了一种检测方法，是通过识别挂表工位上的挂载状态指示灯进行检测，这种检测方式需要在每一个挂表工位上安装挂载状态指示灯和布置使指示灯能反映挂载状态的电路，相应地增加了成本和维护难度。

技术实现要素：
：

针对上述技术中的不足，提供一种基于透视变换矩阵的电能表挂载位置偏差检测方法，能够满足电能表挂载后位置正确与否的检测。

本发明采用如下技术方案：一种基于透视变换矩阵的电能表挂载位置偏差检测方法，包括如下步骤：

(1)控制机器人沿导轨移动到指定位置，所述机器人上安装CCD摄像机，调整机器人到指定姿态；

(2)使用所述CCD摄像机分别采集一定数量的挂载后的电能表图像作为源图像，包括挂载位置正确、向左偏、向右偏和向下偏的；

(3)根据所述CCD摄像机的畸变参数对采集到的所有源图像进行畸变校正；

(4)从畸变校正后的图像中选取一幅电能表位置挂载标准的并截取图像中的电能表部分作为模板图像；

(5)获取每幅图像和所述模板图像的透视变换矩阵H；

(6)创建PNN神经网络，将所述透视变换矩阵H的九个元素作为输入进行有监督学习，获得PNN神经网络的权值和阈值；

(7)控制机器人沿导轨移动到上述指定位置，调整机器人的姿态和上述姿态相同，采集待检测电能表图像并和所述模板图像进行特征匹配，获取透视变换矩阵，并将透视变换矩阵的九个元素作为上述PNN神经网络的输入，根据输出判断图像中电能表挂载位置正确与否。

进一步地，所述步骤(1)中采集一定数量的挂载后电能表的图像时CCD摄像机的位置固定，且主光轴始终和检定台面垂直。

进一步地，所述步骤(4)中所截取的图像区域只能包含属于电能表的像素，不能有属于检定台的像素。

进一步地，所述步骤(5)具体包括：

步骤1：运用ORB算法对畸变校正后的所有图像和模板图像进行特征点提取；

步骤2：运用暴力匹配法依次将所有图像的特征点和模板图像的特征点进行匹配；

步骤3：根据特征点之间的距离剔除不正确的匹配；

步骤4：根据正确的匹配点对识别出电能表并计算每幅图像和模板图像的透视变换矩阵H；

进一步地，所述步骤(6)中PNN神经网络由输入层、一个隐含层和输出层构成，其中，输入层有九个神经元，对应于透视变换矩阵H的九个元素，输出层有一个神经元，若图像中的电能表挂载位置正确标记输出为1，若图像中的电能表挂载位置向左偏标记输出为2，若图像中的电能表挂载位置向右偏标记输出为3，若图像中的电能表挂载位置向下偏标记输出为4。

进一步地，所述步骤(7)中PNN神经网络若输出为1表示图像中的电能表挂载位置正确，若输出为2表示图像中的电能表挂载位置向左偏，若输出为3表示图像中的电能表挂载位置向右偏，若输出为4表示图像中的电能表挂载位置向下偏。

本发明具有如下有益效果：本发明为基于透视变换矩阵的电能表挂载位置偏差检测，能够满足对电能表挂载后位置的检测，运用方便，效率高，自动化程度高，且系统便于维护。

附图说明：

图1是电能表检定台示意图。

图2是电能表挂载状态类型示意图。

图3是H矩阵获取和PNN创建流程图。

图4是电能表位置偏差检测流程图。

具体实施方式：

为使本发明的目的、技术方案和有益效果更加清楚，下面结合具体实施例，并参照附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

本发明基于透视变换矩阵的电能表挂载位置偏差检测方法，包括如下步骤：

(1)控制机器人沿导轨移动到指定位置，所述机器人上安装CCD摄像机，调整机器人到指定姿态，使所述CCD摄像机的主光轴和检定台面垂直；

(2)调整电能表的位姿，用所述CCD摄像机采集处于正确、向左偏、向右偏、向下偏位置的电能表图像各幅，并尽可能使每次采集时电能表的位置都不一样；

(3)根据预先标定好的所述CCD摄像机的内参对所采集的所有图像进行畸变校正；

(4)从所采集的电能表处于正确位置的图像中选取一幅，截取其上的电能表部分作为模板图像，模板上的所有像素必须属于电能表，但不必包含电能表的所有像素；

(5)根据模板图像识别所采集所有图像中的电能表，并获取每幅图像和模板图像的透视变换矩阵H；

(6)创建PNN神经网络，将所述透视变换矩阵H的九个元素作为输入进行有监督学习，获得PNN神经网络的权值和阈值；

(7)控制机器人沿导轨移动到上述指定位置，调整机器人的姿态和上述姿态相同，采集待检测电能表图像并和所述模板图像进行特征匹配，获取透视变换矩阵，并将透视变换矩阵的九个元素作为上述PNN神经网络的输入，根据输出判断图像中电能表挂载位置正确与否。

所述步骤(5)具体分为：

步骤1：运用ORB算法对畸变校正后的所有图像和模板图像进行特征点提取；

步骤2：运用暴力匹配法依次将所有图像的特征点和模板图像的特征点进行匹配；

步骤3：设定阈值T，若匹配的两个特征点之间的距离小于T，则剔除该匹配；

步骤4：根据正确的匹配点对识别出电能表并计算每幅图像和模板图像的透视变换矩阵H；

所述步骤(6)中PNN神经网络由输入层、一个隐含层和输出层构成，其中，输入层有九个神经元，对应透视变换矩阵H的每个元素，输出层有一个神经元，若图像中的电能表挂载位置正确标记输出为1，若图像中的电能表挂载位置向左偏标记输出为2，若图像中的电能表挂载位置向右偏标记输出为3，若图像中的电能表挂载位置向下偏标记输出为4。

所述步骤(7)中PNN神经网络若输出为1表示图像中的电能表挂载位置正确，若输出为2表示图像中的电能表挂载位置向左偏，若输出为3表示图像中的电能表挂载位置向右偏，若输出为4表示图像中的电能表挂载位置向下偏。

以上所述仅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，在不脱离本发明原理的前提下还可以作出若干改进，这些改进也应视为本发明的保护范围。