一种航空插头现场静态图像检测算法的制作方法

本发明涉及模式识别领域的图像检测方法，具体涉及一种航空插头现场静态图像检测算法。
背景技术：
电连接器是各类工程系统中必不可少的基础机电元件，用于实现电信号的传输和控制，以及电子与电气之间的连接，应用领域广泛，圆形电连接器通常也称作航空插头。许多重要装备都需要临时现场插接大量的接插件，其中绝大部分为航空插头。为了杜绝接插环节出现失误，要求实施接插的操作人员首先目测接插件的插头有无弯针或断针、插座有无堵塞，然后还要完成接插的前后分别对插头、插座、插好的合体接插件分别进行照片拍摄。但是该照片一般只是在插接全部完成后发生电测故障或整体发生事故，进行排查故障源时才会调用。本专利提供的方法能够充分利用这些图片，处理速度快对他们进行自动故障检测，从而起到人力检测之外的二道保险。现场插接面临的主要问题是线缆及插头都已经完成装备，所以插头不能放置在标准工装上进行标准照片的拍摄，往往只能手持通过单反相机拍摄，有时仅仅是普通数码相机或手机，所以拍摄背景与插头所占照片比例都不能确定。另外，插头也会由于手持发生一定姿态变化，而且拍摄位置也不能保证处于照片正中心。这些原因也导致目前尚无有效的算法能够利用现场拍摄的静态图像进行电连接器方面的检测。从故障实例统计来看，插头插针易发生弯针或断针等故障，而插座针孔故障率较低，当针孔因插针断针导致堵孔时，插针也会出现故障，所以航空插头检测需求主要是检查插针是否正常。本发明提出的航空插头现场静态图像检测算法，就是针对上述这种非标现场图片的基础上完成插头插针的故障检测。目前一些基于图像的故障检测算法都是变换图像，但这种方式会引起初始图像像素发生畸变，可能会导致检测结果错误，本发明不对原始图像进行变换而只是去变换插头标准模板，进行故障检测，插头标准模板是包含插针针头位置、插针半径、插针杆长和底盘半径的数据集合。另外，本发明采用了层次化聚类方法来针对插头各个部分特征进行有效聚类，并给出了各层聚类的终止条件，这些创新性工作使得无监督聚类能够准确的获取我们进行故障时所需的底盘、针头等聚类图像。本发明检测的航空插头插针均具有水平排布特征，针头分布在几条直线上，通过直线辨识参数，插针是螺旋排布的插头暂未考虑。技术实现要素：许多大型设备都需要临时插接大量的接插件，其中绝大部分为航空插头，但使用人力检查插针针头是否存在故障需要耗费大量精力，而且准确率不高。插头插针易发生弯针或断针等故障，而插座针孔故障率较低，当针孔因插针断针导致堵孔时，插针也会出现故障，因此主要是对具有插针的公头进行检测。本发明检测的航空插头插针均具有水平排布特征，针头分布在几行直线上，除了少数用作电源的插针较粗之外都是直径相等的细针，而对于插针是螺旋排布的插头暂未考虑。利用相机所拍摄的航空插头图像，实时上传工作站或上位机(通过无线wi-fi、usb数据线或网线形式)，利用程序自动检测插针是否存在故障。本发明的目的是通过以下技术方案实现的：首先，对相机拍摄的航空插头图像进行层次化聚类分析，聚类方法采用k均值聚类，并利用定制的判别条件结束各层聚类；其次根据针头的位置坐标，拟合出针头所在的直线，辨识出旋转角、相邻插针橫轴和纵轴间距3个参数，唯一确定插头姿态；然后变换插头标准模板，求得变换模板之后针头的位置坐标，与插针针头进行匹配，实现航空插头自动故障检测。本发明的流程图如图1所示，具体步骤如下：步骤一：对航空插头图像进行层次化聚类分析，初次聚类利用图像rgb(red,green,blue)信息，分割出插头边框，二次聚类利用分割图像的hsv(hue,saturation,value)信息，选出底盘，三次聚类利用图像的lab(l表示亮度，a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围)信息，聚出插头针头，并利用定制的判别条件结束各层聚类。初次聚类利用rgb空间三维图像信息，区分出插头边框，k均值聚类的k值难以确定，采用循环聚类的方式，k在区间[4,6]中取整数值，当聚类结果中出现图像边缘无聚类像素时，初次聚类结束，分割插头边框图像；二次聚类利用hsv空间的三维图像信息，去除壳体等复杂背景，利用每一类像素点距离图片中心的平均距离最小选出聚类结果中的底盘所在类别，将底盘之外的像素变为相同颜色；三次聚类利用lab空间的三维图像信息，聚出针头，设置针头面积占整幅图面积的比例和连通域个数两个条件挑出聚类结果中的针头类别，得出针头位置坐标。k均值聚类分析具体步骤如下：1)随机指定k个聚类中心完成初始化工作。2)对每一个像素样本f，找到离它最近的聚类中心，并将其分配到该类。使用欧式距离度量每一个样本到各类聚类中心的距离，找到离其距离最近的聚类中心。3)重新计算每一簇新的聚类中心mi，i＝1,2,...,k其中ni是第i簇当前新的样本数，fij表示第i簇第j个像素样，j＝1,2......ni。4)计算偏差e：判断e值是否满足条件，如果满足则得到m1,m2...,mk，k个聚类中心，算法终止，否则跳转到第2)步。采用循环聚类的方式，k在区间[4,6]中取整数值，对一张插头图像循环聚类10次(根据试验验证，通常10次已经足够)，当出现图像边缘无聚类像素的聚类结果时，跳出当前循环。若循环结束仍没有满足条件的聚类结果，程序报警。在第一次聚类结束后，可以得到插头边框的聚类像素，对图像进行分割，分割后的图像二次聚类，选出聚类结果中的圆形底盘，每一类像素点距离图片中心的平均距离最小即为圆形底盘。每一类像素点与聚类图片中心的平均距离l计算方法如下：其中p，q是分割后图像的大小，(x,y)表示图像中心的坐标，n0为每个类别的像素个数，(xi,yi)表示此类第i个像素点的坐标，之后将圆盘之外的像素变为单一颜色，第三次聚类得到插针针头的聚类像素。步骤二：根据针头坐标辨识参数：旋转角α、相邻插针橫轴间距l1和纵轴间距l2，上述参数估计时，只考虑多数普通插针(排除掉电源所用的少数较粗的插针)之间的距离。根据针头位置坐标，选出位于一条直线上的针头，拟合直线，具体步骤如下：1)针头横坐标按升序排列，取出横坐标最小的点；2)找到该点右侧与该点之间的连线与水平方向之间的夹角在±30°之间的点，组成一个集合；3)求集合中的点与该点之间的距离，距离最小的点即为右侧紧邻的点记为点a；4)再对点a循环第2)、3)步，直到右侧不存在满足条件的点；5)利用最小二乘法拟合出这条直线，根据直线斜率可得旋转角，相邻针头橫纵间距在排序后可直接对针头橫纵坐标求差得出，步骤二得出3个参数即：旋转角α、相邻插针橫轴间距l1和纵轴间距l2。步骤三：依据在步骤二中得到的参数计算横向缩放比例γ1、纵向缩放比例γ2、x轴偏移量δx和y轴偏移量δy，变换插头标准模板，并计算变换后模板针头坐标与插头针头坐标之差，该差值较大时，判别该插针存在故障。根据步骤二得到的3个参数计算横向缩放比例γ1：纵向缩放比例γ2：其中a2表示插头标准模板相邻细针头纵坐标差值，b2表示插头标准模板相邻细针头横坐标差值，(x0,y0)表示插头标准模板中心坐标，计算方法是其中h,w表示插头标准模板的长和宽，依据针头间位置关系和插头标准模板具体参数，得到旋转前各针横坐标pin_x1和旋转前各针纵坐标pin_y1，插头标准模板旋转后各针坐标计算方法如下，i表示第i针针头：接着，计算各针坐标与辨识出的各针头坐标之间的差值，取这组差值的中位数(排序后位于中间的数)作为x轴和y轴的偏移量，变换插头标准模板后，求模板各个针头和实际插头上相应针头坐标的差值，该插针若大于检测阈值(一般取模板针头直径)，则报告存在弯针或断针故障，否则，航空插头正常。本发明与现有技术相比具有如下优点：本发明综合采用了层次化聚类方案，初次聚类利用rgb空间三维图像信息，分割出插头边框；二次聚类利用hsv空间的三维图像信息，选出底盘，去除壳体等复杂背景；三次聚类利用lab空间的三维图像信息有针对性地提取出针头位置信息，整个流程可控且准确，而且能推导出插头姿态参数，从而为每个插针的检测提供有力保障。目前存在的一些基于图像的故障检测算法是先变换图像，然后与标准模板进行匹配，这种方式会引起初始图像像素发生畸变，可能会导致检测结果错误。本发明的基本思想不对原始图像进行变换而只是通过多次聚类进行分割，估计出插头姿态参数后变换插头标准模板，进而匹配出每个插针的位置误差，这样能避免原始图像变化所造成的像素误差，使误检率大大降低。本发明的整个检测环节可控，无论哪个步骤出现错误或者检测不出来是否存在故障，程序都会终止，进而报警使得值班人员或操作人员参与到检测过程中，不会出现将有故障插针的插头检测为合格插头的情况，即漏检率几乎为0。附图说明图1为本发明方法的流程图。图2为检测航空插头示例图。图3为拍摄的航空插头示意图。图4为初次聚类结果示意图。图5为原始图像分割示意图。图6为二次聚类结果示意图。图7底盘外变为相同颜色示意图。图8为三次聚类结果示意图。图9为聚类结果去噪示意图。图10为航空插头标准模板示意图。图11为针头直线拟合示意图。具体实施方式下面结合y28m-19tk型号的航空插头阐述本发明的具体实施方式：型号为y28m-19tk的航空插头如图2所示，壳体为合金，绝缘体为蓝色底盘，一共有19个钢针有4个插针较粗直径为1.5mm，其余15个插针直径为1mm。连接形式采用卡口式连接，连接速度较快。执行步骤一：对y28m-19tk型号的航空插头图像进行层次化聚类分析，利用图像的rgb信息进行初次聚类，分割出插头边框，二次聚类利用所分割图像的hsv信息，选出底盘，将底盘外颜色变为单一颜色，三次聚类利用图像的lab信息，聚出针头，选出针头类别，得到针头位置坐标。初次聚类对图3进行k聚类分析，采用循环聚类的方式k在区间[4,6]中取整数值，满足图像边缘无聚类像素的条件时聚类结束，聚类分析结果如图4所示，k＝6时，聚类结果较为清晰，一类为插头外壳，一类为握住插头的手，一类为插头的纯色底盘，其余为背景。满足聚类结果中有一类图像边缘没有聚类像素的条件时，循环结束，对插头图像进行分割，得到插头边框分割结果如图5。对切割后的图像进行二次聚类，目的是选出插头底盘的类别，此次聚类k＝5，聚类结果如图6。根据上述公式可以选出纯色圆形底盘，将圆形底盘之外的像素变为相同颜色如图7。将圆外变为相同颜色后，对图像进行第三次聚类，聚类结果如图8。从第三次聚类结果可以看出3次聚类后已经可以清晰的聚出插头插针的针头像素，设置像素占比和连通域个数两个条件挑选插针针头聚类像素类别，对聚类结果进行填充、去噪，结果如图9。聚类结果中第5类代表针头。设置针头面积占整幅图面积的比例和连通域个数两个条件准确地挑出聚类结果中针头的类别。经过计算和实验分析，针头面积占整幅图片面积约为0.025，假设聚类像素个数占整幅图片像素个数的0.01-0.1满足第1个条件，先得出满足这个条件的类别，上图中第5类满足条件1。我们检测的航空插头一共有19个针头，聚出的针头有19个连通域，假设误差在±3即连通域个数是16～22时满足条件，再检测第5类满足条件2。执行步骤二：根据针头坐标辨识参数：旋转角α、相邻插针橫轴间距l1和纵轴间距l2，这三个参数估计时只考虑15个细插针之间的距离。这种型号的航空插头标准模板如图10所示，模板具体参数：a1表示粗针头与圆心纵坐标差值；a2表示相邻细针头纵坐标差值；b1表示粗针头与圆心横坐标差值；b2表示相邻细针头横坐标差值；r1,r2表示粗针头和细针头半径：我们所检测的此种类型插头a1＝128，a2＝61，b1＝53，b2＝61，r1＝10，r2＝6。将挑出的19个针头横坐标按升序排列，取出横坐标最小的点，为图11中的点a，找到该点右侧与该点之间的连线与水平方向之间的夹角在±30°之间的点即图中两条虚线之间的点，组成一个集合图11中该集合一共有9个点，分别求集合中的9个点与a点之间的距离，距离最小的点即为右侧紧邻的点即为点b，再将该点记为点a重复上述步骤直到右侧不存在满足条件的点。找到位于一条直线上的点后利用最小二乘法拟合算出直线的斜率，取5条直线中旋转角最小的一条。求相邻两针针头坐标差值得到橫纵间距。实例图片计算结果：α＝-3.8913,l1＝86.7791,l2＝69.8264，旋转角为负表示插头逆时针旋转。执行步骤三：依据在步骤二中得到的参数计算横向缩放比例γ1、纵向缩放比例γ2，x轴偏移量δx和y轴偏移量δy，变换插头标准模板，变换后模板针头坐标与插头针头坐标求差，该差值较大时，判定该插针存在故障。横向比例系数：纵向比例系数：该型号航空插头一共有19个插针，x0，y0表示插头标准模板中心坐标，计算方法是h,w表示插头标准模板的长和宽。旋转前各针横坐标pin_x1：旋转前各针纵坐标pin_y1：其中a1表示插头标准模板粗针头与圆心纵坐标差值；b1表示插头标准模板粗针头与圆心横坐标差值；接着依据上述公式计算插头标准模板旋转后各针坐标旋转后模板各针的坐标与辨识出的各针头坐标求差值，取这组数的中位数作为x轴和y轴的偏移量。现已求得变换插头标准模板所需要的全部参数，对模板进行变换，并计算变换后模板针头坐标与插头针头坐标之差，该差值较大时，判定该插针存在故障。表1是变换之后插头标准模板针头坐标与分割图像插头实际坐标的差值，由表可知图3所示插头针13的x轴偏移量较大，判定该插针存在故障。通过示例可知本发明在检测插针水平排列的航空插头时可以准确判断出现故障的插针，效果良好，可用于在现场对航空插头进行故障检测。表1程序检测针头偏移量x轴偏移量y轴偏移量针10.7171.330针22.5412.082针30.8121.327针40.4072.109针50.0001.787针61.1292.333针718.70218.840针80.3951.200针90.5201.372针100.0180.153针110.0160.791针122.0281.352针131.7312.959针140.1252.054针150.0410.284针161.1472.399针171.7782.917针181.2166.807针192.1146.472当前第1页12