一种基于机器视觉的芯线顺序判别方法与流程

本发明涉及图像处理领域，具体设计一种基于机器视觉的芯线顺序判别方法。
背景技术：
：目前，现有的排线顺序检测都是用大量的人眼检测以及用固定导电的插头检测。两种方式需要大量的人力投入，人工检查效率低下，成本大，造成资源浪费和漏判；而且用人眼检测，很容易出现视觉疲劳，造成误检，错检，不能形成高效的流水线形式，不能保证产品的品质；用通电的方式检测端子排线合格的方式太耗时，耗材，不灵活，实用性大大降低。对企业的生产成本和效率有着较大影响。技术实现要素：本发明的目的是为解决现有的技术问题而提供了一种简单快捷、效率高、成本低，并能够节省大量人工成本的基于机器视觉的芯线顺序判别方法。本发明的技术方案如下：一种基于机器视觉的芯线顺序判别方法，包括如下步骤：步骤1，首先采集芯线图片，将芯线图片分为两个图片集，一部分作为训练集，一部分作为测试集；然后对芯线图片进行颜色的空间转换，把图像从rgb空间转换到hsv空间，提取图像s通道和v通道的值；步骤2，提取芯线图像以及背景在坐标系y方向上的像素值，然后再将芯线图片分类并提取特征，将两类特征结合起来作为总特征；步骤3，通过r、g、b值来判别芯线顺序是否正确，统计分类的识别率。进一步，所述的步骤1中，对hsv颜色空间的s和v两个通道的图像用最大类间方差法进行二值化处理；将图像s、v两个通道二值化后的图像相乘，获得粗分割的结果；将粗分割的结果进行形态学开操作，去除噪声。进一步，所述的步骤2中对芯线图像以及背景进行分类，采用k-means算法来分类，将三根芯线和背景分为四类，即三根芯线的三种颜色和背景色。进一步，所述的步骤2的具体过程为：以图像左上角为0点，x轴向右为正向，y轴向下为正向建立坐标系，求出外接矩形，使用外接矩形的y方向的中心线取201个颜色点的r通道的值作为每张图的第一部分特征；利用k-means算法将芯线分成3类，把3种不同聚类对应的点灰度化，取每类的均值作为第二部分特征；将两类特征结合起来作为总特征。进一步，所述的步骤3中每种类别颜色的r、g、b的值作为依据来判别芯线的顺序。进一步，所述的步骤3的具体过程为：将提取的总特征送入支持向量机进行训练，正确顺序的芯线标为1，错误顺序的芯线标为0，通过训练后得到了能判断电线位置是否正确的模型，然后用这个模型对图片进行判断；当对模型输入一张图片时，模型会输出1或者0，从而能判断芯线顺序是否正确；最后，准确率＝正确判断芯线的个数/芯线总数，进而获取模型的准确率。进一步，芯线图片共2000张，将芯线图片分为两个图片集：1800张作为训练集，200张作为测试集。1.首先进行颜色的空间转换，把图像从rgb空间转换到hsv空间，提取图像s通道和v通道的值；2.对hsv颜色空间的s和v两个通道的图像用最大类间方差法进行二值化处理；3.将图像s、v两个通道二值化后的图像相乘，获得粗分割的结果；4.将粗分割的结果进行形态学开操作，去除噪声；5.以图像左上角为0点，x轴向右为正向，y轴向下为正向建立坐标系，求出外接矩形，使用外接矩形的y方向的中心线取201个颜色点的r通道的值作为每张图的第一部分特征；利用k均值算法将芯线图片分成3类，把3种不同聚类对应的点灰度化，取每类的均值作为第二部分特征；将两类特征结合起来作为总特征；6.将提取的总特征送入支持向量机进行训练，支持向量机选用rbf核函数训练，正确顺序的芯线标为1，错误顺序的芯线标为0，通过训练后得到了能判断电线位置是否正确的模型，然后我们用这个模型对图片进行判断。当对模型输入一张图片时，模型会输出1或者0，从而能判断芯线顺序是否正确。最后，准确率＝正确判断芯线的个数/芯线总数，进而获取模型的准确率。本发明具有以下技术效果：本发明将提取的总特征送入支持向量机进行训练，正确顺序的芯线标为1，错误顺序的芯线标为0，通过训练后得到了能判断电线位置是否正确的模型，然后我们用这个模型对图片进行判断。当对模型输入一张图片时，模型会输出1或者0，从而能判断芯线顺序是否正确。最后，准确率＝正确判断芯线的个数/芯线总数，进而获取模型的准确率。本发明方法具有简单快捷、效率高、成本低等优点，节省了大量人工成本，同时提高了生产效率和产品品质。附图说明图1为正确顺序的芯线图像。图2为错误顺序的芯线图像。图3为s通道二值化后的芯线图像。图4为v通道二值化后的芯线图像。图5为粗分割后的图像。图6为形态学开操作的图像。具体实施方式在本实施例中提供了一种芯线颜色顺序识别方法，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。包括以下步骤：步骤1，首先采集芯线图片，将芯线图片分为两个图片集，一部分作为训练集，一部分作为测试集；然后对芯线图片进行颜色的空间转换，把图像从rgb空间转换到hsv空间，提取图像s通道和v通道的值；步骤2，提取芯线图像以及背景在坐标系y方向上的像素值，然后再将芯线图片分类并提取特征，将两类特征结合起来作为总特征；步骤3，通过r、g、b值来判别芯线顺序是否正确，统计分类的识别率。芯线图片共2000张，将芯线图片分为两个图片集：1800张作为训练集，200张作为测试集。1.首先将图像由rgb空间转换为hsv空间，提取图像s通道和v通道的值；2.如图1、2所示，图1中为正确顺序的芯线图像，图2中为错误顺序的芯线图像。如图3、4所示，对hsv颜色空间的s和v两个通道的图像用最大类间方差法进行二值化处理。如图5所示，将s、v两个通道二值化的图像相乘获得粗分割的结果；3.如图6所示，将粗分割的结果进行形态学开操作，去除部分噪声；4.以图像左上角为0点，x轴向右为正向，y轴向下为正向建立坐标系。把形态学开操作后的图像所有点的坐标分别存入矩阵x和矩阵y中。取出矩阵x的最大值xmax和最小值xmin,用xmax-xmin作为矩形的一边，取出矩阵y的最大值ymax和最小值ymin,用ymax-ymin作为矩形的另一边。使用外接矩形的y方向的中心线取颜色点的r通道的值作为每张图的特征，一共取201个特征点；利用k均值算法将芯线分成3类，把3种不同聚类对应的点灰度化，取每类的均值作为第二部分特征；将两类特征结合起来一共204个作为总特征；5.将提取到的特征送入支持向量机进行训练，支持向量机采用高斯径向基核函数，惩罚因子设置为100，高斯径向基核函数参数设置为2.3，正确顺序的芯线标为1，错误顺序的芯线标为0，通过训练后得到了能判断芯线位置是否正确的模型，然后我们用这个模型对图片进行判断。当对模型输入一张图片时，模型会输出1或者0，从而能判断芯线顺序是否正确。最后，准确率＝正确判断芯线的个数/芯线总数，进而获取模型的准确率。为了体现本发明提供的方法的识别能力，比较了本发明提供的方法和一些利用支持向量机方法的准确率。表1展示了各个方法的准确率，从表1可以看出，本发明提供的方法具有较好的效果。表1：芯线分类结果(％)方法准确率(％)灰度共生矩阵97.08颜色矩96.67不变矩96.32提出的方法99.34综上，本发明的一种基于机器视觉的芯线顺序判别方法，包括以下步骤：1.首先进行颜色的空间转换，把图像从rgb空间转换到hsv空间，提取图像s通道和v通道的值；2.对hsv颜色空间的s和v两个通道的图像用最大类间方差法进行二值化处理；3.将图像s、v两个通道二值化后的图像相乘，获得粗分割的结果；4.将粗分割的结果进行形态学开操作，去除噪声；5.以图像左上角为0点，x轴向右为正向，y轴向下为正向建立坐标系，求出外接矩形，使用外接矩形的y方向的中心线取201个颜色点的r通道的值作为每张图的第一部分特征；利用k均值算法将芯线分成3类，把3种不同聚类对应的点灰度化，取每类的均值作为第二部分特征；将两类特征结合起来作为总特征；6.将提取的总特征送入支持向量机进行训练，正确顺序的芯线标为1，错误顺序的芯线标为0，通过训练后得到了能判断电线位置是否正确的模型，然后我们用这个模型对图片进行判断。当对模型输入一张图片时，模型会输出1或者0，从而能判断芯线顺序是否正确。最后，准确率＝正确判断芯线的个数/芯线总数，进而获取模型的准确率。本发明方法具有简单快捷、效率高、成本低等优点，节省了大量人工成本，同时提高了生产效率和产品品质。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。当前第1页12