一種基於透視變換矩陣的電能表掛載位置偏差檢測方法與流程
2023-05-05 03:37:56
本發明設計一種基於透視變換矩陣的電能表掛載位置偏差檢測技術,屬於自動化控制領域。
背景技術:
:
為滿足電能表檢定的規模化、自動化需求,現有的檢定系統已經能夠實現用機器人對電能表的自動化掛載,但在掛載後檢測電能表的位置是否正確,以避免在壓接過程中損壞掛載位置不正確的電能表成為電能表自動化檢定過程中的一個關鍵問題。
現有的電能表掛載位置偏差檢測主要是通過力傳感器、光電傳感器等類型的傳感器配合相應的檢測電路來實現,如專利號201410833016.0,名稱為「適用於檢測電能表是否放置到位的檢測裝置」公開了一種檢測裝置,通過力傳感器和檢測電路的配合實現電能表位置的檢測,這種檢測方式需要在每個掛表工位都布置一定數量的傳感器和電路,若生產規模較大,則需要花費很多經費配置很多套裝置,且不便於維護。也有部分是採用基於視覺傳感的檢測方法,如專利號為201410639825.8,名稱為「電能計量器具智能掛載系統及其掛在檢測方法」公開了一種檢測方法,是通過識別掛表工位上的掛載狀態指示燈進行檢測,這種檢測方式需要在每一個掛表工位上安裝掛載狀態指示燈和布置使指示燈能反映掛載狀態的電路,相應地增加了成本和維護難度。
技術實現要素:
:
針對上述技術中的不足,提供一種基於透視變換矩陣的電能表掛載位置偏差檢測方法,能夠滿足電能表掛載後位置正確與否的檢測。
本發明採用如下技術方案:一種基於透視變換矩陣的電能表掛載位置偏差檢測方法,包括如下步驟:
(1)控制機器人沿導軌移動到指定位置,所述機器人上安裝CCD攝像機,調整機器人到指定姿態;
(2)使用所述CCD攝像機分別採集一定數量的掛載後的電能表圖像作為源圖像,包括掛載位置正確、向左偏、向右偏和向下偏的;
(3)根據所述CCD攝像機的畸變參數對採集到的所有源圖像進行畸變校正;
(4)從畸變校正後的圖像中選取一幅電能表位置掛載標準的並截取圖像中的電能表部分作為模板圖像;
(5)獲取每幅圖像和所述模板圖像的透視變換矩陣H;
(6)創建PNN神經網絡,將所述透視變換矩陣H的九個元素作為輸入進行有監督學習,獲得PNN神經網絡的權值和閾值;
(7)控制機器人沿導軌移動到上述指定位置,調整機器人的姿態和上述姿態相同,採集待檢測電能表圖像並和所述模板圖像進行特徵匹配,獲取透視變換矩陣,並將透視變換矩陣的九個元素作為上述PNN神經網絡的輸入,根據輸出判斷圖像中電能表掛載位置正確與否。
進一步地,所述步驟(1)中採集一定數量的掛載後電能表的圖像時CCD攝像機的位置固定,且主光軸始終和檢定臺面垂直。
進一步地,所述步驟(4)中所截取的圖像區域只能包含屬於電能表的像素,不能有屬於檢定臺的像素。
進一步地,所述步驟(5)具體包括:
步驟1:運用ORB算法對畸變校正後的所有圖像和模板圖像進行特徵點提取;
步驟2:運用暴力匹配法依次將所有圖像的特徵點和模板圖像的特徵點進行匹配;
步驟3:根據特徵點之間的距離剔除不正確的匹配;
步驟4:根據正確的匹配點對識別出電能表並計算每幅圖像和模板圖像的透視變換矩陣H;
進一步地,所述步驟(6)中PNN神經網絡由輸入層、一個隱含層和輸出層構成,其中,輸入層有九個神經元,對應於透視變換矩陣H的九個元素,輸出層有一個神經元,若圖像中的電能表掛載位置正確標記輸出為1,若圖像中的電能表掛載位置向左偏標記輸出為2,若圖像中的電能表掛載位置向右偏標記輸出為3,若圖像中的電能表掛載位置向下偏標記輸出為4。
進一步地,所述步驟(7)中PNN神經網絡若輸出為1表示圖像中的電能表掛載位置正確,若輸出為2表示圖像中的電能表掛載位置向左偏,若輸出為3表示圖像中的電能表掛載位置向右偏,若輸出為4表示圖像中的電能表掛載位置向下偏。
本發明具有如下有益效果:本發明為基於透視變換矩陣的電能表掛載位置偏差檢測,能夠滿足對電能表掛載後位置的檢測,運用方便,效率高,自動化程度高,且系統便於維護。
附圖說明:
圖1是電能表檢定臺示意圖。
圖2是電能表掛載狀態類型示意圖。
圖3是H矩陣獲取和PNN創建流程圖。
圖4是電能表位置偏差檢測流程圖。
具體實施方式:
為使本發明的目的、技術方案和有益效果更加清楚,下面結合具體實施例,並參照附圖,對本發明作進一步地詳細說明,但本發明的實施方式不限於此。
本發明基於透視變換矩陣的電能表掛載位置偏差檢測方法,包括如下步驟:
(1)控制機器人沿導軌移動到指定位置,所述機器人上安裝CCD攝像機,調整機器人到指定姿態,使所述CCD攝像機的主光軸和檢定臺面垂直;
(2)調整電能表的位姿,用所述CCD攝像機採集處於正確、向左偏、向右偏、向下偏位置的電能表圖像各幅,並儘可能使每次採集時電能表的位置都不一樣;
(3)根據預先標定好的所述CCD攝像機的內參對所採集的所有圖像進行畸變校正;
(4)從所採集的電能表處於正確位置的圖像中選取一幅,截取其上的電能表部分作為模板圖像,模板上的所有像素必須屬於電能表,但不必包含電能表的所有像素;
(5)根據模板圖像識別所採集所有圖像中的電能表,並獲取每幅圖像和模板圖像的透視變換矩陣H;
(6)創建PNN神經網絡,將所述透視變換矩陣H的九個元素作為輸入進行有監督學習,獲得PNN神經網絡的權值和閾值;
(7)控制機器人沿導軌移動到上述指定位置,調整機器人的姿態和上述姿態相同,採集待檢測電能表圖像並和所述模板圖像進行特徵匹配,獲取透視變換矩陣,並將透視變換矩陣的九個元素作為上述PNN神經網絡的輸入,根據輸出判斷圖像中電能表掛載位置正確與否。
所述步驟(5)具體分為:
步驟1:運用ORB算法對畸變校正後的所有圖像和模板圖像進行特徵點提取;
步驟2:運用暴力匹配法依次將所有圖像的特徵點和模板圖像的特徵點進行匹配;
步驟3:設定閾值T,若匹配的兩個特徵點之間的距離小於T,則剔除該匹配;
步驟4:根據正確的匹配點對識別出電能表並計算每幅圖像和模板圖像的透視變換矩陣H;
所述步驟(6)中PNN神經網絡由輸入層、一個隱含層和輸出層構成,其中,輸入層有九個神經元,對應透視變換矩陣H的每個元素,輸出層有一個神經元,若圖像中的電能表掛載位置正確標記輸出為1,若圖像中的電能表掛載位置向左偏標記輸出為2,若圖像中的電能表掛載位置向右偏標記輸出為3,若圖像中的電能表掛載位置向下偏標記輸出為4。
所述步驟(7)中PNN神經網絡若輸出為1表示圖像中的電能表掛載位置正確,若輸出為2表示圖像中的電能表掛載位置向左偏,若輸出為3表示圖像中的電能表掛載位置向右偏,若輸出為4表示圖像中的電能表掛載位置向下偏。
以上所述僅是本發明的優選實施方式,應當指出,對於本技術領域的普通技術人員來說,在不脫離本發明原理的前提下還可以作出若干改進,這些改進也應視為本發明的保護範圍。