【正文】 記為 b 點(diǎn)，并堆入 隊(duì)列 中。如此依次循環(huán)。在往復(fù)的過程中如果發(fā)現(xiàn)當(dāng)前出隊(duì) a 點(diǎn)的 x 軸坐標(biāo)小于在它之前出 隊(duì) 的 a 點(diǎn)的 x 軸，就將 x 的值賦值給變量 FenLift 。如果發(fā)現(xiàn)當(dāng)前出 隊(duì) a 點(diǎn)的 x 軸坐標(biāo)大于在它之前出 隊(duì) 的 a 點(diǎn)的 x 軸，就將 x 的值賦值給變量FenRight 。如果發(fā)現(xiàn)當(dāng)前出 隊(duì) a 點(diǎn)的 y 軸坐標(biāo)小于在它之前出 隊(duì) 的 a 點(diǎn)的 y 軸，就將 y 的值賦值給變量 FenDeep 。如果發(fā)現(xiàn)當(dāng)前出 隊(duì) a 點(diǎn)的 y 軸坐標(biāo)大于在它之前出 隊(duì) 的 a 點(diǎn)的 y軸，就將 y 的值賦值給變量 FenToop 。一直循環(huán)到 隊(duì) 空為止。此時(shí)，則說明一條瑕疵的信息遍歷結(jié)束。記錄下此時(shí)的 FenLift ， FenRight ， FenDeep ， FenToop 四個(gè)值，并統(tǒng)計(jì)好之前的 入隊(duì) 的個(gè)數(shù) DuizhanNum 。則有公式： 27 [ ] .[ ] .[ ] .n P o d F e n F e n Num b e r F e n Cha n g F e n R igh t F e n L if tn P o d F e n F e n Num b e r F e n Kua n F e n T o o p F e n D e e pn P o d F e n F e n Num b e r F e n Cou n t D u izha n Num????? 公式 () 這樣，對(duì)于瑕疵信息數(shù)組 []nP od F en F enNum be r，每一個(gè)成員都代表的是每一個(gè)瑕疵在 2 維圖像上的所有信息 [25]。 瑕疵的判斷 雖然我們根據(jù)全方位拓展法求得了瑕疵數(shù)組。但是并不是所有的瑕疵都會(huì)影響產(chǎn)品的合格與否。所以我們還要通過計(jì)算各個(gè)瑕疵的特性，排除掉一些無關(guān)緊要的瑕疵。對(duì)于一般密封圈表面來說，一些很小的點(diǎn)瑕疵，極短的縫瑕疵，以及位于圓環(huán)表面的瑕疵都對(duì)密封圈的使用沒有任何影響。所以我們要通過計(jì)算，將這些瑕疵排除在外。 1. 瑕疵面積的計(jì)算法： 在本系統(tǒng)中瑕疵的面積可以直接用 [ ] .nPodFe n Fe nN um be r Fe nC ount來代替，當(dāng)瑕疵面積小于人為設(shè)定的參數(shù)時(shí)，我們就對(duì)該瑕疵 判斷為合格。反之，則判斷為不合格。 2. 瑕疵長的計(jì)算法： 計(jì)算瑕疵長時(shí)，基于瑕疵的線性特征，首先對(duì)瑕疵做細(xì)化操作，得到單像素寬的瑕疵骨架曲線。瑕疵的長度實(shí)際上就是骨架圖像骨干點(diǎn)之間的長度之和。骨化后的圖像是一個(gè)單像素寬度的連通性好的骨干圖像?？梢苑謩e求取相鄰像素之間的長度，然后把所有的相鄰像素之間的距離求和即為所得，如下式： 2 1 / 2{[ ( ) ] [ ( ) ] }a b a bl x x H y y V? ? ? ? ? ? 公式 () ( , )aaxy 和 ( , )bbxy 是相鄰骨干點(diǎn)的兩個(gè)點(diǎn)； H 是水平方向的比例因子，即水平方向上的像素個(gè)數(shù)與實(shí)際情況水平長度的比值； V 是垂直方向的比例因子，即水平方向上的像素個(gè)數(shù)與實(shí)際情況垂直長度的比值； l 是兩個(gè)相鄰像素之間的長度。 總長度即為所有相鄰像素之間的長度之和。 當(dāng)瑕疵 長小于人為設(shè)定的參數(shù)時(shí)，我們就對(duì)該瑕疵判斷為合格。反之，則判斷為不合格。 3. 瑕疵寬的計(jì)算法： 計(jì)算瑕疵寬時(shí)，仍然對(duì)瑕疵做細(xì)化操作后，骨架各點(diǎn)所在的瑕疵的位置的寬度反應(yīng)出瑕疵各段的寬度。由于骨架曲線是單像素曲線，則一個(gè)骨架點(diǎn)與相鄰點(diǎn)的其他兩個(gè)骨架點(diǎn)相接，分別求出與相鄰點(diǎn)的斜率。則每個(gè)斜率的垂線與瑕疵邊緣相交兩點(diǎn)，兩點(diǎn)的連線的大小即為寬度值。比較這兩個(gè)寬度值其中較小的為這個(gè)瑕疵的寬度。 設(shè)骨架曲線的其中一個(gè)骨架點(diǎn)用 1, 1()Bxy 表示，其相鄰骨架點(diǎn)分別為 2, 2()Ax y 和3, 3()Cx y 。骨架線在 B 點(diǎn)的斜率近似用直線 AB 的斜率表示，則斜率 1k 表示為： 28 12112yyK xx?? ? 公式 () 過骨架點(diǎn) 斜率為 1/1k 的直線與瑕疵圖像邊緣交于兩點(diǎn)，記為4, 4()Ex y，5, 5()Fx y。則此瑕疵的寬度 1D 表達(dá)式為： 221 5 4 5 4( ) ( )D x x y y? ? ? ? 公式 () 同理，骨架線在 B 點(diǎn)的斜率近似用直線 BC 表示，同樣的原理求出 2D ，然后比較與 1D的大小，取較小值作為瑕疵的寬度。最后結(jié)果 1, 2()D MIN D D? 。 當(dāng)瑕疵寬小于人為設(shè)定的參數(shù)時(shí)，我們就對(duì)該瑕疵判斷為合格。反之，則判斷為不合格。 實(shí)際的檢測效果如下， 圖 密封圈灰度圖 為相機(jī)步驟到的密封原圖， 圖 算法最終的處理結(jié)果 為本算法得到的最終的處理結(jié)果，可以看到，所有位于密封圈表面上的瑕疵都被檢測出來了： 圖 密封圈灰度圖 29 圖 算法最終的處理結(jié)果 實(shí)驗(yàn)結(jié)果 我們的最終成果如 圖 所示，我們已經(jīng)搭建出了檢測平臺(tái)：包括相機(jī)、光源、嵌入式主板、觸摸屏顯示器等元素。軟件的識(shí)別算法也能達(dá)到預(yù)計(jì)的水平。 圖 成果圖 30 本章小結(jié) 本章主要講述了密封圈表面識(shí)別算法的主要流程。并對(duì)每一個(gè)步驟用文字、公式和圖片的方式進(jìn)行了詳細(xì)的解說。 第 5章 總結(jié)與展望 本文講述了密封圈的圖像采集結(jié)束后如何通過利用嵌入式 DSP 圖像處理技術(shù)，對(duì)密封圈上的 瑕疵圖像進(jìn)行處理，提取出瑕疵的信息，并對(duì)瑕疵的特征參數(shù)與密封圈合格標(biāo)準(zhǔn)參數(shù)進(jìn)行比較，篩選出合格的密封圈的過程。根據(jù)瑕疵的特有的特征，對(duì)比當(dāng)前流行的圖像識(shí)別算法，改進(jìn)出一套更加適合密封圈檢測的圖像識(shí)別算法。算法中對(duì)均值濾波和中值濾波圖像二值化特征提取等過程均作了改進(jìn)。實(shí)現(xiàn)了較為快速適合的密封圈識(shí)別算法。 當(dāng)前所有的算法都是用 C 語言在 DSP 上實(shí)現(xiàn)的，但是能否直接用在工業(yè)上檢測密封圈，該算法還需要在速度上和精確性上得到提高，在之后的這段時(shí)間我會(huì)繼續(xù)努力在機(jī)器視覺上尋求新的突破。將來展望機(jī)器視覺將完全代替人工肉眼完 成所有的檢測識(shí)別。 參考文獻(xiàn) [1] 段麗英，閆友平，趙英豪，劉旭寧 .顆粒圖像識(shí)別及計(jì)數(shù)在糧種品質(zhì)測定中的應(yīng)用 [J].石家莊學(xué)院學(xué)報(bào) 2021,13（ 3）： 5153. [2] 張小云，張延松，來新名，等 .雙相鋼點(diǎn)焊熔核界面撕裂分析 [J].焊接學(xué)報(bào)， （ 8）： 4548. [3] 李剛，曾銳利，林凌，等 .基于數(shù)學(xué)形態(tài)學(xué)的車牌定位算法 [J].儀器儀表學(xué)報(bào)， 2021,28（ 7）： 13231326. [4] 聯(lián)駿 .圖像編程精髓：從開發(fā)自己的 Photoshop 開始 [M].北京：電子工業(yè)出版社， 2021. [5] DEB K,LIM H,JO K. Vehicle license plate extraction based on color and geometrical features [C].IEEE International Symposium on Industrial Electronics, Seoul, Korea, 2021： 16501655. [6] 張宏林． Visual C++數(shù)字圖像處理典型算法及實(shí)現(xiàn) [M]．北京：人民郵電出版社， 2021． [7] 王枚，蘇光大，王國宏 .復(fù)雜環(huán)境下的車牌定位及目標(biāo)真實(shí)性驗(yàn)證 [J].光學(xué)精密工程， 2021,17（ 4）：886894. [8] 胡敏，李梅，汪榮貴 .改進(jìn)的 Otsu 算法在圖像分割中的應(yīng)用 [J].電子測量與儀器學(xué)報(bào)， 2021,24（ 5）：443449. [9] A AGNOSTOPOULOS C N E． ANAGNOSTOPOUL_OS IE, LOUMOS V, et a1． A license platerecognition algorithm for intelligent transportation system applications [J]． IEEE Transactions on Intelligent Transportation Systems,2021,7(3)： 377—391. [10] 王欣，殷肖川，周翔翔 .一種改進(jìn)的模版匹配識(shí)別算法 [M].計(jì)算機(jī)工程與應(yīng)用， 2021. 31 [11] Rafacel C． Gonzalez, Richard E． Woods Digital Image Processing Second Edition,2021． [12] 李文舉，梁德群，張旗，等 .基于邊緣顏色對(duì)的車牌定位新方法 [J].計(jì)算機(jī)學(xué)報(bào)， 2021,27（ 2）： 204208. [13] J. Fan, G. Zeng, M. Body, and . Hacid. Seeded region growing: an extensive and parative study [J]. Pattern Recognition Letters, 2021,7(26): 11391156. [14] Micilotta A, Bowden R． Viewbased 1ocation and tracking of body parts for visua1 interaction [C]． Proceedings of 13th British Machine Vision Conference, Oxford, United Kingdom, 2021. [15] BLANK M, GORELICK L, SHECHTMAN E. Actions as spacetime shapes [C]. Proceedings of Tenth IEEE International Conference on Computer Vision, Beijing, China, 2021. [16] 趙選民 .試驗(yàn)設(shè)計(jì)方法 [M].北京：科學(xué)出版社， 2021. [17] 王 巖，隋思漣，王愛青，數(shù)理統(tǒng)計(jì)與 MATLAB 工程數(shù)據(jù)分析 [M].北京：清華大學(xué)出版社， 2021. [18] . Region Growing Segmentation for Textile Yarn Images [C].presented at IEEE International Conference on Imaging Systems and Techiques,Thessaloniki,2021. [19] 張立國，楊瑾，李晶，等 .基于小波包和數(shù)學(xué)形態(tài)學(xué)結(jié)合的圖像特征提取方法 [J].儀器儀表學(xué) 報(bào)，2021,31（ 10）： 22852290. [20] 方翰華，陳新華，沈國新，焦?jié)h明 .基于 FPGA 圖像濾波算法硬件化設(shè)計(jì) [J].電子測量技術(shù)， 2021,12（ 1） :6871. [21] 秦然 .基于神經(jīng)網(wǎng)絡(luò)的 CT 腦血管圖像邊緣檢測算法 [J].電子測量與儀器學(xué)報(bào)， 2021,24（ 4）： 346352. [22] 郎咸朋，朱楓，郝穎明，等 .基于積分圖像的快速二維 Otsu 算法 [J].儀器儀表學(xué)報(bào)， 2021,30（ 1）：3943. [23] F. Y. Shih and S. Cheng. Automatic seeded region growing for color image segmentation [J]. Image and Vision Computing, 2021,7(23): 877886. [24] H. Talbot and R. Seeded Region Growing [C]. presented at International Symposium on Mathematical Morphology, Sydney, 2021. [25] W. Li, H. Huang, D. Zhang, H. Tang, and C. Color Image Segmentation Method Based on Automatic Seeded Region Growing [C] presented at IEEE International Conference on Automation and Logistics, Jinan, China, 2021. 導(dǎo)師評(píng)語： 32 內(nèi)部資料 請(qǐng)勿外傳 9JWKf wvG t YM*Jgamp。6a*CZ7H$dq8Kqqf HVZFedswSyXTyamp。Q A9wkxFyeQ ^! djsXuyUP2kNXpRWXm Aamp。UE9aQ @G n8xp$Ramp。849Gx^Gjqv^$UE9wEwZQ c@UE%amp。qYp@Eh5pDx2zVkum amp。gTXRm 6X4NG pP$vSTTamp。ksv*3t nG K8! z89Am YWpazadNuKNamp。M uWFA5uxY7JnD6YWRrWwc^vR9CpbK! zn%M z849G x^Gjqv^$UE9wEwZQ c@UE%amp。qYp@Eh5pDx2zVkum amp。gTXRm 6X4NG pP$vSTTamp。ksv*3t nG K8! z89Am YWpazadNuKNamp。M uWFA5ux^Gjqv^$UE9wEwZQ c@UE%amp。qYp@Eh5pDx2zVkum amp。