本發(fā)明涉及圖像處理領(lǐng)域，特別涉及電機轉(zhuǎn)子中線圈輪廓特征的提取及優(yōu)化技術(shù)。

背景技術(shù)：

隨著國內(nèi)工業(yè)行業(yè)近些年的蓬勃發(fā)展，繞線工件也得到了十足的發(fā)展和應(yīng)用，而且應(yīng)用范圍也越來越廣，在電動機、變壓器、電視機、收音機、電子煙,、喇機、耳機、麥克風(fēng)等日常電子電器類中扮演著重要的角色。而且電子電器在國民經(jīng)濟中的作用也非常重要，在日常生活和工業(yè)生產(chǎn)中應(yīng)用廣泛，可以說電子電器行業(yè)已經(jīng)是國民經(jīng)濟中非常重要的支柱型產(chǎn)業(yè)。而作為電子電器器件中核心或關(guān)鍵部件，繞線工件的自動、快速生產(chǎn)和檢測環(huán)節(jié)也逐漸受到了人們的重視，尤其是繞線工件的檢測環(huán)節(jié)還有待提高。以往繞線類工件產(chǎn)品需求不太多，其產(chǎn)品質(zhì)量檢測環(huán)節(jié)基本都是人工完成的。但是隨著成產(chǎn)量的大幅提升，對繞線工件的生產(chǎn)效率要求愈來愈高，再加上繞線工件本身復(fù)雜、細小等特點的影響，人工檢測已經(jīng)無法快速、準確地檢測繞線工件了。

其中單相串勵電動機轉(zhuǎn)子在生產(chǎn)檢測過程中，在換向器的掛鉤處繞線并點焊工序是其關(guān)鍵質(zhì)量控制點之一，但是由于技術(shù)的問題難免會出現(xiàn)一些缺陷，比如脫線、斷線、畸形等。而這些問題會直接導(dǎo)致電機不能使用或者壽命縮短。為了檢測繞線后工件是否合格，目前工廠基本都是采用人工視覺觀察的方式進行檢測，每件檢驗時間為3-5秒。由于人眼識別易疲勞、效率低，主觀意識影響大以及沒有明確的檢測標準等原因，難以把控產(chǎn)品質(zhì)量，時常會出現(xiàn)錯漏檢的情況。

近年來，計算機視覺在工業(yè)生產(chǎn)和生活民用中的自動檢測、識別方面取得了較大研究進展，而且，在繞線工件缺陷檢測、繞線匝數(shù)識別等方面的應(yīng)用也處于逐步發(fā)展中。國內(nèi)，計算機視覺技術(shù)直到90年代末期才被重視，雖然近些年計算機視覺技術(shù)在國內(nèi)發(fā)展迅猛，在很多方面也得到了應(yīng)用，比如，車牌識別，指紋識別，工件檢測等等，但是仍然有很大一部分領(lǐng)域還處在研發(fā)或待研發(fā)的階段，尤其工件檢測方面，由于工業(yè)行業(yè)眾多，各類零部件尤其繁多，檢測識別方法也是種類繁雜，需要根據(jù)實際情況，進行大量實驗來驗證得到最合適的識別方法。在國內(nèi)很多重要零部件的檢測仍然處于人工或半人工檢測識別中，識別效率低下，尤其難以滿足當(dāng)下人們對產(chǎn)品高質(zhì)量和成本高效率的要求，其中一類就是繞線工件的在線自動檢測識別技術(shù)需求，其中，識別檢測中的最大難點之一就是特征提取，能否成功提取帶識別工件的待檢測目標的特征對后續(xù)檢測識別的精度和難度都有著直接且重要的影響。

基于計算機視覺的繞線工件的在線缺陷檢測技術(shù)，目前有部分科研工作者進行了相關(guān)研究。雖然有很多和線圈工件相關(guān)的圖像處理理論可以鑒戒，目前還沒有人深入地研究電機轉(zhuǎn)子的缺陷自動檢測技術(shù)，因此，對電機轉(zhuǎn)子的線圈輪廓提取技術(shù)的研究就有著重要的價值和意義。

技術(shù)實現(xiàn)要素：

針對上述問題，本發(fā)明公開了一種提取電機轉(zhuǎn)子中線圈輪廓特征的方法，可以清晰完整的提取待檢測線圈的輪廓特征，補充了對線圈類工件缺陷識別中特征提取的研究內(nèi)容和研究方法。

為達到上述目的，本發(fā)明的技術(shù)方案如下：

一種提取電機轉(zhuǎn)子中線圈輪廓特征的方法，包括如下步驟：

（1）將采集到的電機轉(zhuǎn)子圖像灰度化后，通過基于sobel算子的形態(tài)學(xué)閉運算算法對灰度圖進行邊緣特征提取，為步驟（2）提供待處理的線圈圖像邊緣特征信息。

（2）對步驟（1）得到的圖像用最大類間方差法得出最佳分割閾值，通過閾值化算法在保留原圖像中線圈輪廓的前提下去除周圍大部分干擾。

（3）通過“連通區(qū)域面積去噪”方法進行優(yōu)化去除步驟（2）圖像中線圈以外較少的離散背景區(qū)域。

本發(fā)明的有益效果是：

本發(fā)明所述的一種提取電機轉(zhuǎn)子中線圈輪廓特征的方法，通過sobel邊緣檢測和形態(tài)學(xué)閉運算相結(jié)合的算法處理得到線圈清晰輪廓圖像，然后對其進行二值化處理提取線圈輪廓，最后通過基于連通區(qū)域面積的干擾特征去除算法，去除了提取輪廓特征后殘留的干擾區(qū)域，能夠清晰完整的提取待檢測線圈的輪廓特征。

附圖說明

圖1為本發(fā)明方法的整體流程示意圖；

圖2為基于連通區(qū)域面積去除小輪廓干擾的算法流程圖。

具體實施方式

下面將結(jié)合附圖對本發(fā)明作進一步描述。

如圖1所示，一種提取電機轉(zhuǎn)子中線圈輪廓的方法，包括以下步驟：

步驟1，把工件轉(zhuǎn)子的彩色圖轉(zhuǎn)成灰度圖。

步驟2，將工件轉(zhuǎn)子的圖像灰度化之后，通過基于sobel算子的形態(tài)學(xué)閉運算算法對灰度圖進行邊緣特征提取。

sobel是計算機視覺領(lǐng)域的一種重要處理方法，主要用于獲得數(shù)字圖像的一階梯度，常見的應(yīng)用和物理意義是邊緣檢測。

形態(tài)學(xué)運算中先膨脹后腐蝕的過程稱為閉運算，用來填充物體內(nèi)細小空洞、連接鄰近物體、平滑其邊界的同時并不明顯改變其面積。

經(jīng)sobel邊緣檢測的圖像需要進一步增強線圈輪廓亮度，填充線圈中間的黑色裂縫，同時，盡可能的消除線圈輪廓周圍的干擾。通過分析形態(tài)學(xué)理論知識以及實驗結(jié)果，基于sobel的閉運算效果最好，成功分割出了待檢測目標——線圈，為后續(xù)提取特征輪廓邁出堅實的一步，其中，本實驗中，形態(tài)學(xué)閉運算的內(nèi)核值是在大量實驗分析總結(jié)后得出，選擇使用參考點位于中心7*7或9*9的核。

步驟3，用最大類間方差法得出最佳分割閾值，通過閾值化算法在保留原圖像中線圈輪廓的前提下去除周圍大部分干擾。

步驟4，通過“連通區(qū)域面積去噪”方法進行優(yōu)化去除線圈以外較少的離散背景區(qū)域。所謂“連通區(qū)域面積去噪”是指掃描整個二值圖像，得到其中所有的白色連通區(qū)域，每一個連通區(qū)域都存儲成一個點向量，并用point類型的vector表示，然后計算所有白色連通區(qū)域的面積，設(shè)定合適的閾值，將其中面積小于該閾值的所有白色連通區(qū)域過濾掉，將剩余工件連通區(qū)域重新繪制即。其具體算法流程如下所示，示意圖如圖2所示：

a，掃描圖像，標記所有的連通區(qū)域；

b，算所有的連通區(qū)域面積，可以用最小矩形逼近連通區(qū)域并計算近似面積，面積=長*高，以像素為單位；

c，設(shè)定合適面積閾值，過濾離散小型連通區(qū)域。據(jù)統(tǒng)計，大部分背景干擾輪廓面積都是離散分布的，且其面積遠小于線圈的輪廓面積，其中，不合格線圈面積最小，最小面積為1578，因此可以設(shè)置小于最小面積的面積閾值，過濾掉干擾信息；

d，重新繪制線圈輪廓，得到只有線圈輪廓的圖像。

本發(fā)明方案所公開的技術(shù)手段不僅限于上述實施方式所公開的技術(shù)手段，還包括由以上技術(shù)特征任意組合所組成的技術(shù)方案。

技術(shù)特征：

技術(shù)總結(jié)
本發(fā)明提供了一種提取電機轉(zhuǎn)子中線圈的輪廓特征的方法，先用Sobel算子對工件圖像進行邊緣檢測處理，同時結(jié)合形態(tài)學(xué)閉運算，對工件圖像進行了更深一步的處理，成功分割出待檢測目標——線圈。然后通過最大類間方差二值化處理，去除了絕大多數(shù)的背景干擾，最后通后基于連通區(qū)域面積優(yōu)化處理背景干擾的方法，成功提取了線圈輪廓，該方法首次使用Sobel算子和形態(tài)學(xué)閉運算相結(jié)合的算法，能夠去除周圍大部分的干擾，同時又完整地保留原圖像中的線圈輪廓，能夠清晰完整的提取待檢測線圈的輪廓特征。

技術(shù)研發(fā)人員：張小國;林虹瑞;郭恩會;陳剛;王慧青
受保護的技術(shù)使用者：東南大學(xué)
技術(shù)研發(fā)日：2017.05.15
技術(shù)公布日：2017.10.03