关键词：
连接检测（精选八篇）
连接检测 篇1
在我国大米的国家标准GB 1354-1986中,检验大米质量的参数主要有加工精度、不完善粒、杂质、碎米等,因此对大米中碎米和碎米率的检测是大米加工质量检测的重要标准之一。碎米主要产生于大米加工和大米的包装、运输、贮存等过程,大米品种、加工手段、贮存时间等是影响碎米率的主要因素。这导致在大米加工、贮存中,碎米率一直不断变化,所以长期以来碎米率检测一直是大米质量检测研究的重要方向之一。
我国是大米生产大国,但由于品质不高和缺乏高水平的检测技术等因素,使得我国大米缺乏在国际贸易上的竞争力。虽然碎米的产生是不可避免的,但是通过碎米的检测,剔除碎米粒,就可以达到提高大米质量的目的,从而实现提高我国大米在国际市场上竞争能力的目标。传统的碎米检测主要采用人工目测,这种检测方法虽然简单、成本低,但是检测速度慢、劳动强度大,而且检测结果主观性强。与人工检测相比,利用机器视觉技术进行大米质量的检测不仅可以排除主观因素干扰,而且检测速度快、检测精度稳定。随着计算机性能的不断提高和图像处理技术的发展,利用机器视觉技术进行碎米率的检测已成为大米加工中碎米检测未来的发展方向。目前,对于利用机器视觉技术进行碎米率的检测,国内外已进行了一些相关的研究,并取得了一定的成果[1,2,3,4,5,6,7]。但是这些研究多以单籽粒或者无籽粒重叠、连接的情况进行研究,这离大米质量的实际要求尚有距离,因此针对籽粒连接的情况进行碎米检测算法的研究将推进实用设备的开发。
本研究拟针对大米籽粒连接的情况,提出应用形态学中腐蚀和膨胀的算法提取所需单粒籽粒的特征,以单粒碎米的面积特征作为识别碎米的评判标准进行碎米检测的算法,此算法具有检测精度高、稳定性好的优点。
1 图像采集
图像采集是利用机器视觉技术进行碎米检测的第1步,它可以将模拟图像转换成适合计算机处理的数字图像。图像采集系统由DH-HV1303UC摄像头、计算机、光源和大米承载平台组成。碎米的检测及碎米率的计算在MATLAB环境中编程实现。在进行大米图像采集时,根据高质量图像评判标准[8]的要求,在保证被测大米籽粒的特征部位充满视场的条件下,通过调整焦距选取合适的拍摄距离,以满足以下几个条件:(1)使拍摄的大米籽粒轮廓尽量清晰;(2)使拍摄的大米粒数尽可能多;(3)使拍摄到的大米籽粒大小适中。
满足上述几个条件的目的是为了在更接近实际检测要求的同时提高大米图像的质量,以减小碎米检测的误差。由于本研究对碎米的检测不涉及大米的颜色特征,同时为了提高检测的速度,所以采集的大米样品图像是608×544的BMP格式的灰度图像。采集图像完成后,将采集到的大米图像存储在计算机中,以进行碎米率的检测算法的研究。
2 针对籽粒连接的碎米检测算法
在通过图像采集设备获得大米图像之后,一般首先通过图像分割算法将大米籽粒从背景中分离出来,再通过单籽粒提取算法提取单粒籽粒,最后提取单粒籽粒的特征识别碎米。利用机器视觉技术进行碎米检测的流程图,如图1所示。
2.1 图像分割
图像分割是数字图像处理中的关键技术之一。图像分割是将图像中有意义的特征部分提取出来,如图像中物体的区域、背景等,这是进一步进行图像识别、分析和理解的基础。在已有大米图像分割的研究中,阈值分割算法由于其直观性和易于实现的特点,以及阈值分割总能用封闭而且连通的边界定义不交叠的区域,使得阈值化分割算法成为图像分割中应用数量最多的一类。在MATLAB环境中其算法不但简单,而且运算速度快,所以本研究采用阈值法对大米图像进行分割。阈值法图像分割公式为
式中f(x,y)—大米图像中像素点(x,y)的灰度值;
g(x,y)—阈值法分割处理后的图像;
T—图像分割阈值。
根据公式(1)将大米图像进行分割,阈值分割后图像中大米籽粒与背景分离,在图像中成为一个个连通的区域。但是由于大米图像中背景和光照强度的原因一般都存在一些噪声像素点,通过对图像中像素点连通区域面积的计算可消除这些噪声。分割去噪后的图像如图2所示。
2.2 单籽粒提取
显然分割去噪后图像中籽粒间存在的连接情况增加了提取单粒籽粒的难度。虽然通过抖动装载大米的托盘可以一定程度上减少籽粒的连接,但是完全消除连接是不可避免的。图2中的大米虽然采集图像前已经抖动过,但是通过提取分割图像的边界后可以发现其连接情况仍无法完全避免,如图3中黑色圆圈所标记的连接。
因此,必须针对籽粒连接的情况进行相应的处理,从而保证单粒籽粒的提取。在图像处理算法中,腐蚀操作是“收缩”或“细化”二值图像中的对象,由于通过腐蚀操作可以有效地去除连接,因此可以对分割后的图像进行腐蚀。B对A腐操作的数学公式为
式中Z—整数空间;
A—整数空间的Z中的集合,为原始图像;
B—整数空间的Z中的集合,为结构元素。
腐蚀的结果图像相较原图像有所收缩,腐蚀结果是原图像的一个子集。试验算法中,选取结构元素的腐蚀次数为12次,这样的腐蚀次数既能使连接籽粒最大限度地分离,又能使较小的籽粒不被腐蚀掉。应用式(2)对图2腐蚀的结果如图4所示。
显然,在腐蚀图像中通过提取连通区域可以得到单粒籽粒,但是籽粒的外观形状却严重失真,所以提取单粒籽粒之后需要对每粒籽粒进行膨胀操作,膨胀操作是“加长”或“变粗”二值图像中的对象。B对A膨胀操作的数学公式为
式中Z—整数空间;
A—整数空间的Z中的集合,为原始图像;
B整数空间的Z中的集合,为结构元素;
—空集;
—集合B的反射集。
试验算法中,选取结构元素的膨胀次数也为12次。图像膨胀的结果是图像将比原图像所占像素更多,所以膨胀操作完成后,需再和分割去噪后的图像比较得到每粒籽粒原来的外形,从而完成单粒籽粒的提取。
2.3 碎米识别
为了对大米进行质量分级,对于碎米的检测国家有明确的标准。碎米在国家标准GB1354-86《大米》中的定义为:留存在直径2.0mm圆孔筛上,不足本批正常整米2/3的碎粒为大碎米;通过直径2.0mm圆孔筛,留存在直径1.0mm圆孔筛上的碎粒为小碎米。碎米率即碾米后碎米占大米质量的百分数,按国家标准GB5503-85的方法测定。根据国家标准对碎米的定义,目前的研究算法多采用大米籽粒的长度、宽度、形状、周长、面积等特征进行碎米的检测。由于进行碎米的检测,可以不必提取碎米的形状特征,只利用面积特征就可以将碎米和整精米进行区分。本文在利用机器视觉进行碎米检测中采用碎米的面积作为判断标准,当单粒籽粒在图像中连通区域的面积小于一定的标准面积时,可以判定该籽粒为碎米籽粒。
2.4 碎米率的检测步骤
综上所述,可以得到针对籽粒连接的碎米检测步骤为:
1)对大米原始图像进行阈值分割变为二值图像,然后去除噪声;
2)利用公式(2)腐蚀分割去噪后的大米图像;
3)从腐蚀操作完成后的图像中提取单粒籽粒并记录大米的总粒数;
4)对单粒籽粒的图像利用公式(3)进行膨胀操作,并与分割去噪后的图像比较得到单粒籽粒图像;
5)根据单粒籽粒图像中大米的面积判断碎米,当小于正常整米面积的2/3时标记为碎米并记录碎米粒数;
6)根据获得的碎米的粒数和大米的总粒数,最后得到碎米率。
3 试验及结果分析
在利用机器视觉进行碎米检测中应尽量减少籽粒的连接情况,所以在采集图像前通过抖动大米的托盘减少籽粒的连接情况,同时为了方便图像分割,一般采取与大米颜色对比强烈的黑色作为背景。本实验采用DH-HV1303UC摄像头采集大米图像,采用黑色不反光布料为背景进行图像采集,选用籼米作为研究的对象。根据碎米含量的不同共选取4组大米进行检测,每组大米根据籽粒间连接程度的不同各采集10幅图像,试验结果分别取每组10幅图像检测结果的平均值,如表1所示。
%
试验结果表明,针对籽粒连接的碎米检测算法进行碎米率检测的准确率可达到96.6%,最大检测误差不高于5.5%;在碎米率5%～30%的情况下,该方法均取得了较好的结果,实现了籽粒连接情况下碎米的准确检测。
4 结论
针对籽粒连接情况下碎米的检测,通过引入形态学中的腐蚀和膨胀提取单粒籽粒,并根据单粒籽粒的面积判断籽粒是否为碎米,从而实现碎米检测。试验结果表明,本算法的检测精度可达到96.6%,且检测精度稳定。
摘要：碎米率是检测大米加工质量的重要指标,在利用机器视觉技术进行碎米率的检测中,大米籽粒连接是不可避免的。为此,提出了一种基于腐蚀、膨胀算法的碎米检测方法,可在籽粒连接的情况下,准确判断出样本中存在的碎米,得出碎米率。试验结果表明,在碎米含量不同和籽粒间连接程度不同的情况下,此检测算法均可达到较高的检测精度,且稳定性好。
关键词：碎米率,检测,籽粒连接
参考文献
[1]Wan Y N.Adaptive classification method for an automatic grain quality inspection system using machine vision and neural network[C]//ASAE Annual International Meeting,2000.
[2]G.van Dalen.Determination of the size distribution and per-centage of broken kernels of rice using flatbed scanning and image analysis[J].Food Research International,2004,37:51-58.
[3]张聪,管庶安.基于图像分析的大米形状识别[J].粮食与饲料工业,2006(6):5-7.
[4]吴彦红,刘木华,杨君,等.基于计算机视觉的大米外观品质检测[J].农业机械学报,2007,38(7):107-111.
[5]高希瑞,孟超英.籍保平.机器视觉在稻米整精米率快速计算中的应用[J].食品科学,2007,28(5):268-272.
[6]万鹏,孙瑜,孙永海.基于计算机视觉的大米粒形识别方法[J].吉林大学学报(工学版),2008,38(2):489-492.
[7]张双德,周龙,胡涛.基于模式识别的米粒形状分析[J].安徽农业科学,2009,37(2):751-752.
连接检测 篇2
“正在检查网络配置需求...检查完成。此次检查的总体结果为: 未执行 <<<<解决方案: Oracle 支持在具有 DHCP 分配的 IP 地址的系统上进行安装。但在安装之前, 必须将 Microsoft LoopBack Adapter 配置为系统的主网络适配器。有关在配置有 DHCP 的系统上安装软件的详细信息, 请参阅 Installation Guide。”
解决方法：
在安装ORACLE 10g前系统会检测安装的一些前提条件是否满足，往往会提示说：将Microsoft LoopBack Adapter配置为系统的主网络适配器。
如果你没有这样配置，且你不希望安装过程由于这个而出现问题，那么可以按如下过程操作：
win7下找到添加硬件在设备管理器---操作--添加过时硬件，在向导中选择“是，已经连接了此硬件”→添加新硬件设备→安装我手动列表选择硬件(高级)→网络适配器→厂商：Microsoft 网卡：Microsoft Loopback Adapter，添加完成，你会发现新建了个“本地连接”，用的就是这个假的“Microsoft Loopback Adapter”（因为根本就没有连接这个硬件，只是骗下Oracle而已）。把这个本地连接的IP设置一下（例如192.168.0.1）。好了，现在回去重新让Oracle检测一遍吧，应该通过了吧。
本文地址
连接检测 篇3
重新回收和利用废弃木质材料再加工对节约木质资源和实现人造板工业可持续发展有重要意义。废弃木质材料再加工首先是要取出废弃木质材料中的杂质。在废弃木质材料中存在大量的金属连接件, 这些连接件不仅存在于木质材料的表面, 还存在其内部, 通过肉眼难以发现, 从而对废弃木质材料的重新分割和整合增加了难度。所以如何快速检测和定位这些连接件成为首先要解决的问题。基于X射线的废弃木质材料连接件的检测方法可以非常准确地检测废弃木质材料中的连接件和确定其在废弃木质材料中的位置, 但是基于X射线的方法成本较高, 同时使用X射线需要有专业的安全防护措施。本研究尝试根据电磁感应原理研制废弃木质材料中铁磁性金属连接件的传感器和检测系统。当废弃木质材料中铁磁性金属连接件进入金属连接件检测传感器检测范围时, 传感器就会输出0—5V的电压信号;检测系统可以同时连接8路金属连接件检测传感器, 具有显示报警和通过RS232接口与PC机实时通信功能。该系统还可以通过8路金属传感器的位置初步确定金属连接件在废弃木质材料中的位置。
1金属连接件检测传感器设计
1.1金属连接件检测原理
金属连接件检测传感器是根据电磁感应原理来检测金属的。根据法拉第电磁感应定律, 当金属物体置于变化的磁场中或在磁场中做切割磁感线运动, 导体内将产生呈漩涡状的感应电流, 此电流叫电涡流。电涡流又产生新的交变磁场, 新的交变磁场与原磁场方向相反, 因而抵消部分原磁场。根据此定律, 将交流电压信号通入线圈中使线圈周围产生交变磁场, 当线圈靠近金属物时, 可使通电线圈的磁感应强度B发生变化[1,2]。
另一方面如图1所示, 导体圆环半径为R, 电流为I, P点到圆环中心的距离为s。根据毕奥-萨伐尔定律, 可计算导体圆环中心轴线上一点P的磁感应强度B如式 (1) 所示。
式 (1) 中μ=μ0μr, μ为介质的磁导率, μr为相对磁导率, μ0为真空磁导率。由公式 (1) 可知, 当线圈在有效的检测范围内无金属时, μr=1, 线圈中心磁感应强度B保持不变;当线圈有效检测范围内出现铁磁性金属物时, 由于铁磁性金属的相对磁导率μr>1, μr发生变化, 此时磁感应强度B也会随μr的改变而发生变化[3]。
由此可见, 如给线圈加载交流电压, 线圈周围产生变化磁场, 当废弃木质材料中的金属连接件靠近通电线圈时, 金属涡流效应和介质磁导率的变化, 均可使磁感应强度B发生变化, 为此可以检测线圈中磁场的变化来判断是否有金属连接件存在。根据此原理, 所设计的金属连接件检测传感器包括多谐振荡电路、检测线圈、霍尔元件、差分放大电路和峰值检波电路, 原理框图如图2所示。多谐振荡电路产生一个固定频率的交变信号, 检测线圈在交变信号的作用下产生一个固定的磁场, 霍尔元件用于探测检测线圈中磁场的变化量, 差分放大电路和峰值检波电路将霍尔元件输出的微弱信号进行放大并检测出磁场变化的峰值, 保证金属连接件检测传感器的输出电压范围是0—5 V。
1.2 检测线圈设计
由公式 (1) 及参考文献[4,5]可知, 线圈中心磁感应强度B越低, 检测线圈中磁感应强度B的变化越小, 检测系统的灵敏度越低[4,5]。为了提高检测系统的灵敏度, 线圈尺寸不宜做得太大, 线圈尺寸可以根据需求适当选小一些。在本研究中采用0.4 mm的漆包线, 绕成直径约为5 cm的线圈, 线圈的电感量约为2 mH, 将霍尔元件分别置于线圈中心。
1.3 多谐振荡电路设计
根据参考文献[1]可知电涡流贯穿深度h满足式 (2) 。式中ρ为被测金属电阻率, μ0为真空磁导率, μr为相对磁导率, f为线圈激励电流频率。
电涡流的贯穿深度
由式 (2) 可知, 频率f越大, 贯穿深度h越小, 反射效果越好, 对原磁场的削弱作用越强, 检测系统的灵敏度越高, 但是频率过大, 系统的稳定性降低, 在本研究中多谐振荡电路的频率折中选择为f=80 kHz。
本研究采用555定时器构成的多谐振荡电路[6], 如图3所示, 产生周期性矩形脉冲信号, 振荡频率
1.4 差分放大和峰值检波电路设计
本研究中采用UGN3503线性输出霍尔元件来检测通电线圈磁场的变化, UGN3503线性输出霍尔元灵敏度典型值为1.3 mV/G, 静态输出电压2.45 V, 工作电压为 (4.5—6) V[7]。该霍尔元件能够精确地检测磁感应强度微小的变化, 由于霍尔元件输出电压非常小, 属于毫伏级。考虑到噪声的影响, 本研究先采用了差分放大电路, 抑制噪声和零点漂移, 提供足够大的放大倍数[8], 之后通过峰值检波电路检测磁感应强度变化的峰值, 最后通过第三级放大, 保证金属连接件检测传感器的电压输出在0—5 V之间, 具体的电路原理图如图4所示。
2 检测系统硬件设计
检测系统应具有多路检测、报警显示和与PC机进行通信功能。在本研究中采用STC89C52单片机作为主控芯片, 通过ADC0809 A/D转换器与8路金属连接件检测传感器将0—5 V的模拟电压信号转化为数字信号送给单片机下进行处理, 处理结果通过LED进行显示和改变发光二极管的频率进行报警, 检测系统通过RS232接口与PC进行通信, 检测系统结构框图如图5所示。
STC89C52单片机是一种低功耗、低价位、高速、高可靠的8位单片机, 它兼容MCS—51指令系统及80C51引脚结构, 内部Flash擦写次数为100 000次以上, 用户程序是用ISP/IAP 机制写入, 一边校验一边写, 无读出命令, 彻底无法解密。显示电路由8个LED数码管和74LS138译码器组成。单片机P0口分别接8个数码管的段选, 单片机输出的信号由74LS138译码器译码输出分别控制8个数码管位选信号, 显示检测位置[9]。报警电路由发光二极管和有源蜂鸣器组成, 当有1个传感器检测到金属时, 发光二极管闪烁, 蜂鸣器发出滴滴响声。当有2个或2个以上传感器检测到金属时, 发光二极管的闪烁频率增加, 蜂鸣器响声更加急促。具体的电路原理图如图6所示。
3 检测系统软件设计
3.1 检测系统软件功能分析
检测系统软件包括下位机底层软件和PC机实时数据接收软件, PC机实时数据接收软件主要是通过对RS232串口进行读写控制, 并将接收的数据进行处理和存储, 在此不进行详细的介绍。下位机底层软件是指单片机中运行的软件, 具体包括系统初始化, 系统校准、数据采集、中值滤波、显示报警处理和RS232通信几个程序模块, 具体的程序流程图如图7所示。系统初始化主要是对单片机各端口进行配置和主控芯片的初始化;系统校准是在没有金属连接件时采集各金属连接件检测传感器的输出电压值, 将其作为基准值;中值滤波模块主要是消除所采集数据中的随机噪声;显示报警处理模块主要是将各通道数据采集的结果与其基准值进行比较, 判断废弃木质材料中是否有金属连接件, 并将判断结果用LED显示, 同时用发光二极管和蜂鸣器进行报警。
3.2 中值滤波程序
在软件程序中, 采用了中值滤波, 有效地提高了检测系统的抗干扰能力和灵敏度, 确保了系统的稳定性。中值滤波是在系统中对某一参数连续采样N次 (N为奇数) , 然后采用冒泡排序法, 将N次采样值从小到大排列, 取中间值作为本次采样值。中值滤波程序如下:
4 实验与结果分析
本研究中将4种不同规格的铁磁性金属钉植入废弃木质材料中作为检测对象, 对废弃木材金属连接件检测系统的检测距离和初步定位进行了实验。在对废弃木材金属连接件检测系统的检测距离测试实验中, 不同的连接件在不同通道进行了10次重复实验, 取其平均值作为最后的实验结果, 废弃木质材料中4种不同规格金属连接件检测距离的实验数据如表1所示。金属连接件定位实验中, 不同规格的金属连接件在不同的通道进行了定位实验, 不同通道有金属连接件接近时会在LED上显示对应的通道编号, 表2给出了对通道1和2进行实验的数据。
从对废弃木材金属连接件检测系统的检测距离测试实验数据可以看出, 规格是0.8 mm×11 mm的圆钉已经是非常小的金属连接件了, 检测距离在0.5 cm, 同时可以看出金属连接件越大, 检测距离越大。
从对废弃木材金属连接件初步定位实验数据可以看出, 对于只有一个金属连接件检测传感器有金属连接件接近时, 能够准确定位;当紧邻的两个传感器都有金属连接件靠近, 两个通道也能够正确地检测到金属连接件;但是当有金属连接件位于两个传感器之间时, 两个通道也都显示检测到金属连接件, 这种情况就不能区分是有两个金属连接件靠近两个传感器还是有一个金属连接件位于两个传感器中间, 也是检测系统需要进行继续研究的情况。
5 结论
(1) 根据电磁感应原理设计了废弃木质材料金属连接件检测传感器, 包括多谐振荡电路、检测线圈、霍尔元件和差分放大与峰值检波电路, 传感器输出信号为0—5 V电压信号;
(2) 设计了一个具有8路检测功能的废弃木质材料金属连接件检测系统, 包括A/D模数转换、显示报警和通过RS232与PC机实时通信功能, 论文给出了详细的电路原理图和下位机软件流程图;
(3) 废弃木质材料金属连接件检测系统能够可以检测直径大于0.8 mm的金属连接件, 且检测距离达到了0.5 cm;并且能够通过8路检测传感器的位置初步确定金属连接件在废弃木质材料中的位置, 能够满足废弃木质材料综合再利用先期处理要求;
(4) 对两通道都显示检测到金属连接件的情况, 目前系统还不能区分是两个传感器都有金属连接件靠近还是只有一个金属连接件位于两个检测传感器之间, 同时本文设计的传感器只能检测铁磁性材料的连接件, 不能检测所有连接件, 也不能检测非铁磁性金属连接件, 也是系统需要改进之处。
(5) 基于电磁感应原理的废弃木质材料金属连接件检测系统只需要价格低廉的电子元器件, 研制成本很低, 与基于X射线的废弃木质材料连接件相比性能价格比高。
参考文献
[1]郁有文, 常健, 程继红.传感器原理及工程应用 (第三版) .西安:西安电子科技大学出版社, 2008:77—84
[2]余晋岳, 刘国亭.金属探测器的原理与应用.电子技术, 1984;10 (2) :25—29
[3]范丽珍, 李树华.基于单片机的智能型金属检测器的设计.内蒙古大学学报 (自然科学版) , 2006;37 (2) :185—189
[4]王军平, 王安, 樊文侠.电涡流传感器线圈参数对传感器性能的影响.自动化仪表, 2001;22 (12) :22—24
[5]于亚婷, 杜平安, 廖雅琴.线圈形状及几何参数对电涡流传感器性能的影响.仪器仪表学报, 2007;28 (6) :1045—1050
[6]胡晓光.数字电子技术基础.北京:北京航空航天大学出版社, 2007:126—128
[7]刘畅生, 寇宝明, 钟龙.霍尔传感器实用手册.北京:中国电力出版社, 2009:131—135
[8]华成英.模拟电子技术基本教程.北京:清华大学出版社, 2006:12—27
连接检测 篇4
高密度电连接器组件(图1),具有封接强度和弯曲强度高、玻璃沿引线爬坡小、耐腐蚀性高、绝缘电阻高、气密性好等特点,适合服役恶劣环境,在连接和封装方面起着不可替代作用,是航天航空航海、军工、工业、精密机械、信息乃至家用电器等领域的控制与驱动系统中的重要基础元器件,其技术性能的高低直接影响和制约了这些行业的发展水平。
目前大多数电连接器制造企业都采用人工检测或者简单工具测量的方法来判定其缺陷,检测费时费力, 容易造成视觉疲劳,且准确度较低。十二五期间航空、 海工、信息行业对高端机电组件技术水平的要求越来越高,电连接器表面质量缺陷也不被允许,进行电连接器质量一致性检验项目时要求100%无缺陷。另外由于电连接器生产效率的不断提高,生产全过程的稳定性受到了挑战,如何高效高精度监控产品、实现缺陷检测、识别,完成高质产品的制造和高效生产环境的构建,成为现代企业生产管理和品质保证的重要手段。
机器视觉是用计算机来实现人的视觉功能,也就是用机器代替人眼来做测量和判断[1]。基于Halcon及其视觉处理软件,本文提出了一种电连接器壳体缺陷视觉检测方案,将采集的电连接器图像输入计算机,通过图像处理算法,对电连接器壳体划痕、凹坑等缺陷的识别有较好的效果。
1检测系统构成
检测系统由硬件结构和图像分析软件构成,硬件结构负责采集电连接器壳体表面的图像信息;图像分析软件对采集到的图像进行处理,从而检测壳体零件的缺陷信息。
1.1硬件结构
测量系统的硬件主要包括工业相机、镜头、环形光源、计算机和检测平台。系统的整体结构如图2所示。 其工作过程为:将待检测的电连接器壳体放在检测平台上,将安装好的工业相机和镜头放在电连接器壳体正上方,调整镜头焦距和工作距离,并调整环形光源的位置,使电连接器壳体表面得到均匀的照明。
图图22检检测测系系统统硬硬件件结结构构
在本系统中,工业相机为AVT Guppy Pro F201B; 镜头为Computar MG3Z1228FC-MP;环形光源为奥普特OPT-RI15090。
1.2图像分析软件
该系统的图像分析软件主要基于Halcon编程开发。 Halcon是德国MVtec公司的一款功能强大的图像处理软件,它由1000多个各自独立的算子以及底层的数据管理核心构成。涉及底层的图像处理到高级的模式识别方法,提供了开放的软件接口,可以与Visual C++、Visual Basic等开发工具相结合进行以图形图像处理为主的应用程序开发。作为目前业内功能较完善、效率较高的软件之一,Halcon已被广泛应用于工业生产中的各个方面,如机械加工、电子器件、包装加工、医疗等领域[2]。
本系统的图像识别采用Halcon软件的HDevelop平台通过一系列算法来进行图像分析处理。
2电连接器壳体图像处理方法
从整个缺陷处理和识别的过程来看,基于Halcon的系统分析软件包括模版分析和缺陷检测两个方面。在模版分析方面,对待识别的图像进行一定的图像处理之后对其进行特征分析与提取,并增添至特征模板库;在缺陷检测部分,对待识别的图像进行一定预处理之后, 提取处理图像的特征向量,并使之与特征模板库进行比对,从而确定其缺陷种类。整个缺陷处理和识别过程的组成框图如图3所示,研究这些函数的算法与功能组合, 可以高效率、高精度的完成电连接器壳体检测任务。
2.1图像预处理
为了实现对电连接器壳体参数的检测,系统软件基本上可按照图像处理的流程来进行描述,针对单幅图像的处理过程,需要完成包括图像去噪、图像增强、图像分割、区域处理等操作(如图4所示)。
2.1.1图像去噪
在图像获取过程中,由于环境或机器视觉系统本身的原因会造成随机干扰。通常情况下,噪声会影响缺陷区域边缘的提取,引起假边缘[3]。因此需要对采集到的图片进行滤波去噪。
为了消除图像采集带来的噪声,我们首先采用了基于局部均值运算的线性滤波器,主要用于去除一些高频噪声,在Halcon中,调用mean_image算子实现对所读取图像的均值滤波。
对于周期噪声,用频率域技术可以有效地分析并滤除,其基本就是在傅里叶变换中,周期噪声对应于周期干扰的频率处,以集中的能量脉冲形式出现[4]。
本文利用gen_sin_bandpass算子用正弦形状生成一个带通滤波器,同时对均值滤波后的图像进行快速傅立叶变换,然后利用convol_fft算子对生成的带通滤波器和傅立叶变换之后的图像卷积,再对其结果进行傅立叶反变换,得到最终滤波之后的图像。
滤波前后的图像如图5所示,从图5可以看出,对图像滤波之后,图像的噪音有明显改观。
2.1.2图像增强
为改善图像的视觉效果,有目的地强调图像的整体或局部特性,强调某些感兴趣的特征,抑制不感兴趣的特征,需对去噪之后的图像进行增强处理。
本文采用emphasize算子执行滤波后图像的增强操作,运算公式为:
其中mean为采用mean_image算子对图像进行均值滤波之后像素的灰度值;f为图像增强前的像素灰度值;k为图像增强系数,系数越大,增强的效果越明显;round()是对得到的值四舍五入;g(x,y)是采用emphasize算子对图像进行增强处理之后得到的像素灰度值。
图6采用emphasize算子进行增强前后的图像,从图6中可以看出,在图像增强之后,增大了缺陷区域和背景区域的灰度值对比,更加突出图像中的缺陷。
2.1.3图像分割
为了将可能的缺陷区域从背景中分离出来,还需要对去噪和增强之后的图像进行分割。二值化处理就是利用图像中目标区域与其背景在灰度特性上的差异而实现图像分割的一种有效的方法[2]。在采集的图像中,如果一个像素的灰度值小于给定阈值,则认为这个像素属于人们感兴趣的目标,反之则属于背景部分。设原始图像为f(x,y),二值化后图像为g(x,y),阈值为T,则:
其中,值为1的部分表示目标可能的缺陷区域,值为0的部分表示背景。
本文利用图像分割把可能的缺陷区域从背景中分离开来,从而方便对缺陷区域进行进一步的精确处理。
为了进一步提取更精确的缺陷区域,需对二值化后的区域进行边缘提取。剃度向量可作为在一幅图像f的(x,y)位置处寻找边缘的强度和方向的工具[4],指出了f在位置(x,y)出的最大变化率的方向,也就是灰度变化最剧烈的位置,因此,梯度能很好的反映图像的边缘位置。 梯度用∇f表示:
本文中,首先利用edges_image算子,采用Canny一阶算子寻找边缘梯度图像,首先对原始数据与高斯平滑模板作卷积,即对图像进行滤波,得到一幅比原始图像有些轻微的模糊的图像,然后寻找图像中的亮度梯度。 语句为:
edges_image(ImageE mphasize,ImaAmp, Ima Dir,'canny',0.5,'nms',15,25)
其中Ima Amp为边缘梯度图像,Ima Dir边缘方向图像,0.5是高斯平滑因子,取值越小,平滑效果越明显,15和25分别为表示目标的最小和最大阈值(如图7(a)所示)。
为得到可能的缺陷区域,将得到边缘梯度图像转化为区域region(如图7(b)所示),再对该区域利用算子dilation_circle进行适当的膨胀操作(如图7(c)所示), 最后使用reduce_circle将膨胀得到的区域从原图像中分割开来,这样就得到了每一个可能的缺陷区域的图像。
2.1.4区域处理
区域处理即对图像分割所得到的所有的可能的缺陷区域进行进一步的处理,从而得到缺陷区域的确切图像,以方便提取各个缺陷的特征。
针对各个可能的缺陷区域,本文首先采用laplace_ of_gauss算子求图像二阶偏导(如图8(a)所示),再利用threshold_sub_pix算子寻找目标区域边缘(如图8(b)所示)。高斯拉普拉斯(Lo G)表达式如下:
本操作直接返回由像素点组成的边缘,具有亚像素精度。
在得到Laplace二阶边缘之后,利用select_shape_xld算子筛选,排除干扰边缘;然后对其利用算子union_ adjacent_contours_xld将相邻边缘的头尾连接起来,再执行close_contours_xld关闭整个曲线区域边缘,从而得到一个完整的缺陷区域边缘。
最后使用gen_region_contour_xld算子,将得到的完整缺陷区域的边缘转化为region(如图8(c)所示),以方便下一步进行分类。
2.2特征检测
特征是最能表达图像内容的信息,缺陷特征提取的程度直接影响着缺陷算法的设计以及缺陷检测效果。理想的特征如几何特征、灰度特征、纹理特征等,本系统采用几何特征进行特征检测,选取的几何特征为缺陷区域的面积、圆度和区域中心位置。
在得到每一个缺陷的区域图像之后,利用算子circularity得到缺陷区域的圆度,算子area_center得到缺陷区域的面积和中心位置坐标。
2.3特征识别
采用的分类器是高斯混合分类器,具体的分类方法是:首先利用create_class_gmm新建一个分类器,在增加训练样本add_sample_class_gmm算子和训练分类器train_class_gmm之后,对其他可能的缺陷区域利用算子classify_class_gmm进行分类,最后在完成分类之后退出分类,再用clear_class_gmm从内存清空分类器。
另外,本系统在增加样本和缺陷识别成功之后均有相关的信息显示,如图9所示。
3实验结果与分析
为了验证系统的检测效率,我们选择了8幅电连接器壳体的图像进行了测试,其中已知这8幅图像中有13处凹坑和7处划痕。在系统运行中,所有的凹坑和划痕缺陷均被识别,结果如图10和图11所示,可见检测成功率达到了100%。
4结论
电连接器壳体作为密封装置广泛应用在环境恶劣的航空航天、深海、高温高压高腐蚀性等领域,然而传统的电连接器壳体缺陷检测手段存在效率低下,费时费力的问题。本文中我们设计了基于机器视觉的电连接器壳体的检测系统,基于Halcon平台编制了相应的算法,对壳体零件表面的划痕、凹坑缺陷进行了检测,成功率达100%,检测结果理想,与传统检测方法相比,具有较高的准确率和效率,为电连接器壳体的无损检测提供了新新的的途途径径。 。
摘要：针对当前电连接器壳体缺陷检测过程中存在的问题,提出了一种基于Halcon开发的电连接器壳体缺陷检测系统的设计方案,实现了电连接器壳体的检测功能。首先利用相机采集电连接器壳体的图像;将采集到的图像利用基于Halcon的图像处理程序进行滤波、图像增强、分割等处理,得到每一个缺陷区域的图像;最后利用高斯混合分类器对每个缺陷的图像进行分类,识别壳体存在的缺陷。实验表明,系统检测准确率在100%,该方法与传统检测方法相比,具有较高的准确率和效率,为电连接器壳体的无损检测提供了新的途径。
连接检测 篇5
1 资料与方法
1.1 一般资料
将我院20111月~2013年6月妇产科门诊及住院患者109例孕妇作为研究对象, 所有孕妇均为单胎孕妇, 年龄19~43 (28.6±5.1) 岁;初产妇94例, 经产妇15例;孕周24~34w。
1.2 纳入与排除标准
(1) 所有孕妇的孕周均为24~34w, 将低于20或高于34w的孕妇排除在研究之外; (2) 所有孕妇在48h内均无同房史、无阴道检查及阴道出血史; (3) 孕妇的宫口扩张度≤2.0cm; (4) 所有孕妇均未合并有其它重大器质类疾病, 如严重心、肝、肾脏疾病、恶性血液疾病、肿瘤癌症等; (5) 所有孕妇对本研究均充分知情同意。
1.3 方法
(1) 样本采集方法:取患者的膀胱截石位, 采用窥阴器打开阴道暴露宫颈, 采用无菌拭子置于阴道后穹窿10~15s, 收集分泌物; (2) f FN测定:采用酶联免疫吸附法 (ellsa) 测定孕妇的f FN水平, 采用f FN快速测试条下端置于缓冲液中的准确放置10min, 将测试条取出并进行判读, 以f FN≥50as/ml作为阳性值的判断临界点。 (3) f FN的相关指标:敏感度=真阳性÷患者总数;特异度=真阴性÷健康人群总数;阳性预测值=真阳性/阳性总数;阴性预测值=真阴性/阴性总数;准确度= (真阳性+真阴性) ÷ (健康人群总数+患者总数) 。
1.4 统计学处理
数据采用SPSS 17.0统计学软件进行处理, 计数资料采用频数表示, 率的比较采用χ2检验, P<0.05示差异具有统计学意义。
2 结果
2.1 f FN与早产的关系
f FN阳性组7d内、14d内、34w分娩率显著高于f FN阴性组, P<0.05, 37w时的分娩率高于对照组, 但无统计学差异, P>0.05。见表1。
2.2 f FN测定的准确性比较
f FN预测的敏感度随时间逐渐降低, 阳性预测值逐渐升高, 阴性预测值逐渐降低。见表2。
2.3 妊娠结局与临床处理
本研究在对109例孕妇进行f FN检测的过程中, 对于f FN阳性的24例, 且具有先兆性流产患者全部采用宫缩抑制剂及促胎成熟治疗, 获得满意效果, 在早产的18例 (16.5%) 孕妇, 在34w内分娩8例, 占比7.3%, 本研究中早产的15例胎儿全部成活, 占全部早产胎儿的93.8%, 1例胎儿出生后由于孕周过低、体重过轻出现呼吸窘迫综合征死亡。
3 讨论
胎儿纤维连接蛋白是一种高分子糖蛋白, 其具有20多种不同的分子形式, 主要来源于肝细胞、纤维母细胞、羊膜细胞及癌细胞, 主要分布于绒毛、绒毛膜间隙基质、胎盘子宫连接处及羊水中, 其功能为胎盘与子宫蜕膜的相互粘连及保护。孕妇的血液循环及羊水中富含有f FN, 孕早期可检测到, 而在孕20~24w几乎不能检测, 在待近足月时f FN水平升高, 若孕24w后f FN≥50μg/L, 则引发早产的风险性较大。研究[4]发现当绒毛与蜕膜在子宫下段出现分离、局部性炎症都将导致f FN水平的升高, 原因可能为孕晚期宫缩时将导致胎膜与基底膜之间出现滑动, 孕晚期宫颈的胶原重组有关联。
本研究中通过对f FN水平进行测定, 7d内敏感度高达100.0%, 与文献报道一致[5], 而在14d、34w及37w的f FN水平敏感度逐渐降低, 主要与f FN水平与多种因素有关, 如下生殖道感染、创伤、血液系统疾病、脑血管病及其它慢性疾病有关, 因而在未能有效排除其它诱发f FN水平增高的影响后, 仅采用f FN水平预测早产的效果并不理想, 但f FN水平在预测1w内早产的敏感度及整体的阴性预测值效果值得肯定。临床上目前对f FN预测早产的价值比较明确, 但普遍认为需要与其它检测手段联合提升诊断的敏感度及特异度, 顾逢春[6]在对80例有先兆流产的孕妇采用f FN检测联合宫颈长度检测预测37周前引发早产的敏高度为94.4%, 特异度为96.2%, 显著高于单独采用f FN检测的敏感度 (88.9%) 及特异度 (58.1%) 。
综上所述, 宫颈分泌物的f FN水平检测可有效的预测早产, 尤其是在临床上有流产症状的孕妇中预测意义更好。通过对f FN阳性患者进行有效的医学干预, 可有效降低早产的发生率, 一来可减少孕妇的精神压力, 另外可有效节省医疗资源的浪费, 减轻医疗费用。
摘要：目的 观察胎儿纤维连接蛋白检测在早产预测中的临床应用分析。方法 采用酶联免疫吸附法 (Ellsa) 测定109例孕妇fFN水平, 按照fFN≥50as/ml作为阳性值的判断临界点分为fFN阳性组及fFN阴性组, 比较两组胎儿的早产情况, 分析fFN对早产的预测价值。结果 fFN阳性组7d内分娩2例, 占比8.3%, 14d内分娩3例, 占比12.5%, 34w内分娩4例, 占比16.7%, 37w内分娩6例, 占比25.0%;fFN阴性组7d内分娩0例, 14d内分娩1例, 占比1.2%, 34w内分娩4例, 占比4.7%, 37w内分娩10例, 占比11.8%, fFN阳性组7d内, 14d内及34w内的分娩率显著高于对照组, P<0.05, fFN7d内、14d内、34w内及37w内预测的敏感度分别为 (100%vs75.0%vs50.0%vs37.5%) , 特异度为 (82.5%vs80.0%vs80.2%vs80.6%) , 阳性预测值为 (8.3%vs12.5%vs16.7%vs25.0%) , 阴性预测值为 (100.0%vs98.8%vs95.3%vs88.2%) 。结论 fFN在中晚期早产预测近期敏感度、阴性预测值均较高, 而在远期敏感度有待提升。
关键词：胎儿纤维连接蛋白,早产,预测,应用
参考文献
[1]邵芳, 王冬梅.早产发病原因的研究现状[J].医学综述, 2008, 14 (10) :1528-1530.
[2]蒋天梅.早产的预测方法研究[J].中国医药指南, 2010, 8 (24) :38-40.
[3]胡双九, 赵悦, 原继荣.早产预测的方法及原理[J].中国优生与遗传杂志, 2004, 12 (4) :7-9.
[4]时春艳, 杨慧霞, 金燕志, 等.胎儿纤维连接蛋白对先兆早产孕妇发生早产的预测价值[J].中华围产医学杂志, 2006, 9 (1) :2-4.
[5]郭仲杰, 董涛威, 陈慧, 等.胎儿纤维连接蛋白检测在早产预测中临床价值的研究[J].热带医学杂志, 2011, 11 (9) :1029-1031.
连接检测 篇6
关键词：护理,胎儿纤维连接蛋白,宫颈长度,早产
早产是临床常见的病理妊娠之一, 其病因和发病机制尚不十分清楚, 75%~80%围生儿死亡与早产有关, 是围生儿发病和死亡的首要原因[1], 为预防早产, 笔者对40例先兆早产孕妇采用胎儿纤维连接蛋白与宫颈长度联合检测预防早产, 并对实施检测的孕妇进行积极的护理干预, 取得了较好的效果, 现将结果报道如下。
1 资料与方法
1.1 一般资料
选取2012年3月-2013年6月笔者所在医院收治的40例先兆早产孕妇, 均为单胎, 其中孕28~31周18例, 32~35周22例;产妇均有规律性宫缩, 约15 min一次, 收缩时间为32 s以上, 胎膜未破, 予保胎治疗。按照患者知情同意原则, 将其分为护理组26例与对照组14例, 两组患者年龄、孕周等一般资料比较差异无统计学意义 (P>0.05) , 具有可比性。
1.2 f FN采集标本
孕妇取膀胱截石位, 常规消毒外阴后使用窥阴器扩张阴道并暴露宫颈, 将无菌棉签置于阴道后穹窿约10 s, 将f FN快速测试条下端插入缓冲液中放置10 min, 取出测试条并判读, 两条红线为阳性, 一条红线为阴性, 阴性者20 min后再次判读作为最终结果, 阳性者其样本f FN浓度>50μg/L[2]。
1.3 测量宫颈长度
孕妇排空膀胱后, 将B超探头置于阴道内, 轻触宫颈并转动至宫颈矢状面, 测量宫颈内口至外口的距离。
1.4 护理
1.4.1 对照组
实施常规护理措施。
1.4.2 护理组
实施积极的护理干预措施, (1) 检测前护理:由于孕妇有先兆流产迹象, 多有担心、害怕、焦虑等负面情绪, 且对胎儿纤维连接蛋白与宫颈长度联合检测不了解, 担心会在操作过程中导致早产的发生, 因而在检测前对检测既赞同又排斥, 因此在检测前要耐心对孕妇及家属做好必需的解释工作, 既讲明此检测技术的优点, 又要对孕妇详细讲解标本采集的方法、过程并教会其如何配合, 以消除患者的不良心理。 (2) 物品准备:准备好需要的器械, 如0.1%的碘伏、PBS保存液、无菌棉签、窥阴器、会阴垫、床单等物品。 (3) 采集标本:协助孕妇上床, 并帮助孕妇摆正姿势;与产妇进行沟通, 告知其不要紧张;常规消毒外阴, 铺好孔巾, 及时传递医生操作时所需的器械和物品, 并细致观察产妇的反应。 (4) 检测后的护理:保证病房整洁、安静;保证孕妇绝对卧床休息, 协助产妇进行左侧卧位卧床;严密观察产妇的基本生命体征, 并对胎儿进行监测;指导孕妇进行自我监测, 如胎动的时间、固定时间统计胎动次数等;与产妇进行交流, 关心体贴产妇, 观察其情绪变动, 安抚其情绪, 在交流中, 用产妇能够听懂的语言进行先兆流产的解释以及注意事项, 消除产妇紧张的情绪;遵医嘱给予保胎药物, 并叮嘱产妇按时服用。
1.5 统计学处理
所得数据采用SPSS 17.0统计学软件进行处理, 计量资料以均数±标准差 (±s) 表示, 采用t检验, 计数资料采用X2检验, P<0.05为差异有统计学意义。
2 结果
护理组孕妇早产出现率为3.8%, 明显低于对照组的28.6%, 且护理组孕妇的焦虑、轻度抑郁心理出现率明显低于对照组 (P<0.05) , 见表1和表2。
3 讨论
早产是围生儿死亡和疾病的首要原因, 此外早产也使患儿发生脑瘫的几率增加, 所以准确、及时地预测早产的发生, 尽早的对早产进行临床干预, 既降低围生儿的死亡率, 也使婴儿出生后, 致残率降低。在预测早产中, 临床目前通常采用胎儿纤维连接蛋白检测联合宫颈长度测量方式。
f FN是一种细胞外基质蛋白, 由蜕膜分泌, 对胎盘绒毛和子宫蜕膜的黏附和保护起重要作用, 正常妊娠孕妇在22~35周时, 宫颈分泌物中f FN含量极低;而妊娠宫颈的改变是即将分娩的标志[3], 阴道超声能够精确的、客观地反映宫颈结构, 了解宫颈长度的变化, 如果宫颈长度的缩短, 则发生早产的危险性增加。由于f FN的阳性预测率较低, f FN与宫颈长度联合检测能显著提高早产的阳性预测值[4]。因此在临床上对先兆流产产妇进行胎儿纤维连接蛋白与宫颈长度联合检测是必要的。
在对孕妇进行此项检查时, 除严格按照操作规程进行操作外, 要积极与孕妇进行沟通, 在检查前做好解释工作, 减轻孕妇的心理负担, 使其以最佳的心理状态配合检查, 同时对孕妇要及时进行基础护理干预, 如卧床休息, 严密观察胎心音, 指导产妇进行日常自我监测等, 以保证孕妇顺利保胎[5]。
综上所述, 对进行胎儿纤维连接蛋白联合宫颈长度监测早产的孕妇进行积极的有效护理干预, 能够使孕妇顺利保胎, 降低早产发生率, 此项护理干预措施操作简单, 临床有效, 值得推广。
参考文献
[1]吴连方.预防早产、改善围产儿近远期质量[J].中国实用妇科与产科杂志, 2008, 5 (5) :321-323.
[2]刘津予, 卢光荣.胎儿纤维连接蛋白测定联合宫颈长度测量对预测早产的比较[J].中国实用医药, 2008, 3 (17) :7-8.
[3]肖丽萍, 王爱梅.胎儿纤维连接蛋白检测联合宫颈长度测量对预测早产的临床观察[J].中国医药导报, 2012, 9 (11) :70-71.
[4]苏慧.胎儿纤维连接蛋白联合宫颈长度预测早产的临床应用[J].中外医疗, 2011, 29 (15) :56.
连接检测 篇7
在公路桥梁等大型结构健康监测、机器状态监测等工作中,经常需要检测振动加速度信号。一个典型的振动加速度在线监测系统包括:加速度传感器、振动加速度采集卡、工控机、数据库服务器等,如图1所示。监测系统在传感器正常安装和连接后,有时可能会由于施工等原因造成传感器松脱、传感器导线中断等异常连接状态;监测系统在调试阶段,传感器往往尚未连接至导线或采集板卡,也会表现为一种异常连接状态。如果监测系统不对传感器连接状态加以区分,将正常连接下的数据和异常连接下的数据全部存入数据库,则必然会给数据库增加不必要的负担,造成数据污染。另外,为了方便传感器的检修,也有必要自动识别传感器的连接状态。
本文考虑振动加速度传感器以下四种连接状态的区分:正常安装连接状态;传感器安装松脱状态;远端(图1中A点)处传感器未连接上导线;近端(图1中B点)处导线未连接上采集卡。
文献[1,2,3]对传感器自身是否存在故障的两类分类问题进行讨论。文献[4]对位移传感器的线圈断裂、短路等完全失效性故障和松动、线圈老化等部分失效性故障两种情况的识别问题进行讨论。文献[5]对振动传感器的偏置、冲击、短路、开路等硬故障和漂移、50 Hz周期干扰等软故障两种情况的识别问题进行讨论。文献[6,7,8,9]对传感器漂移、冲击、干扰、短路、断线等具体故障进行分类识别。目前,国内外尚未发现对上面提到的振动加速度传感器四种连接状态进行自动识别问题进行讨论的文献。
1 加速度信号特征参数的定义
文献[7]利用小波包分解提取各频段的能量作为特征。本文通过观察采集的大量振动加速度传感器四种连接状态下的信号的频谱,提出了自己的一组参数作为识别的原始特征集。
图2为四种传感器连接状态下采集的加速度信号频谱的示例。从图中可看出,传感器远端断开情况,由于线路较长,50 Hz工频干扰最大,见图2(c); 对采集卡处断开情况, 没有太突出的50 Hz工频干扰,各种干扰和噪声成分最为丰富和复杂,见图2(d);传感器正常连接和传感器松脱情况下的频谱最相似,见图2(a)和图2(b),相对而言,松脱状态下的高频稍弱一点。综合考虑,定义了如下8个特征参数作为原始特征:
(1) 特征1、特征2、特征3分别为:0～45 Hz频段能量,50 Hz能量,大于55 Hz频段能量。
(2) 特征4、特征5、特征6分别为:0～45 Hz频段能量在以上三个频段总能量中的占比,50 Hz能量在三个频段能量中的占比,大于55Hz频段能量在三个频段能量中的占比。
(3) 特征7:熵指标。将信号频域谱线i的幅值Ai除以频域所有谱线的幅值之和得到该谱线的广义“概率”值pi, 定义频谱熵指标
(4) 特征8:重心频率。在信号频域定义谱重心频率fg=∑fiAi/∑Ai,此指标为整体上反映信号频率高低的一个指标。
2 加速度特征参数的降维与连接状态的分类识别
2.1 降维
第1节定义的8个特征参数肯定有一定相关性,可通过特征变换来进一步降维,以提高分类识别的效率和推广性。本文采用基于可分性判据的方法来进行特征变换降维,具体方法如下[10]:
(1) 对获得的四类连接状态的8维用于学习的特征样本,求样本类内离散度矩阵Si、总类内离散度矩阵Sw、样本类间离散度矩阵Sb。
式中:Xi为第i类的样本子集;mi为第i类的样本子集的均值向量;Si为第i类样本的类内离散度矩阵;Pi为第i类样本个数占总样本个数的比例;Sw为总类内离散度矩阵;D为类别数,这里为4;m为总均值向量;Sb为类间离散度矩阵。
(2) 求白化变换矩阵B及白化变换后样本Y。基于Sw的特征值分解,确定消除原分量相关性的K-L变换矩阵U=(u1,u2…,uD)和归一化矩阵Λ-1/2(Λ是Sw的本征值对角矩阵),则有:
(3) 求白化变换后样本的类间离散度矩阵Sb′。
(4) 基于Sb′的特征值分解,确定K-L变换的本征向量U′和本征值Λ′,取d个最大本征值对应的本征向量为W,即W=[u1,u2,…,ud],后文取d=3。
(5) 求特征变换降维后的最终样本Y1。令Y1=W′Y则得到降维后的样本。
2.2 分类识别
基于降维后的学习样本,可以设计分类器,以对传感器四种连接状态进行分类识别。本文采用简单有效而被广泛采用的近邻法(Nearest Neighbor Classification)来进行分类。即将降维后的学习样本作为标准样本,将每次新获得的8维原始样本通过预先确定的降维矩阵B和W降维为待检样本;然后,在标准样本中找出与待检样本距离最近的样本,将其类别确定为待检样本的类别。
3 实验与结果
实验是用一ICP加速度传感器检测工控机开机时上表面的振动,采集卡采用的是NI公司的4474卡,见图1。实验中模拟的加速度传感器的四种连接状态的具体形式是:
(1) 传感器吸在工控机上表面并与4474正常连接;
(2) 传感器松放在工控机上表面并与4474正常连接;
(3) 传感器端与导线的接头断开;
(4) 4474端与导线的接头断开。每种状态下共采集50组数据,采样率均为10 kHz, 采样长度为100 000个点。
用四种状态下的前30组数据进行学习。按第1节的方法计算这些数据的原始特征,形成8维的原始特征向量。按第2节的方法分别求出白化变换矩阵B、本征向量U′和本征值Λ′;从式(6)中的最后三个特征值很大可知,降维后的维数应取d=3。降维后的最终学习样本集Y1(3×120矩阵)见图3。由图3可知,四类连接状态的学习样本在降维之后能完全分开。
用四种状态下的后20组数据进行分类测试。首先计算每组数据的8个原始特征,基于学习阶段确定的降维矩阵对每个样本进行降维,这里降为3维;然后,与标准样本——学习样本进行一一比对。结果显示,方法对四种状态下的每个测试样本都能正确分类识别,测试正确率为100%。
4 结 论
本文定义了表征振动加速度传感器连接状态的8个特征,并结合基于可分性判据的特征降维和近邻法分类,形成了识别振动加速度传感器四种连接状态(正常连接、松脱、远端导线断开、近端导线断开)的一种方法或者说途径。实验显示所提方法切实有效。相信该方法在结构健康监测、机器状态监测等中大有可为,通过自动识别振动加速度传感器的连接状态,可避免系统调试及使用过程中出现的异常连接数据进入数据库,造成数据污染、增加数据库负担;同时,该方法也可为传感器的检修提供参考。
摘要：在振动加速度检测中,如果系统不能对传感器连接状态加以自动区分,将正常连接状态下的数据和异常连接状态下的数据全部存入数据库,则必然会给数据库增加不必要的负担,造成数据污染;另外,为了传感器检修的便利,也有必要自动识别传感器的连接状态。对振动加速度检测中传感器四种连接状态的自动识别方法进行了研究:定义了表征不同传感器连接状态的加速度信号数字特征,结合基于LDA的特征降维和最近邻分类器来实现自动识别。实验显示,提出的振动加速度传感器四种连接状态的自动识别方法是有效的。
关键词：振动加速度检测,传感器连接状态,自动识别,特征提取,近邻法
参考文献
[1]李杨寰,高峰,李腾,等.三向加速度传感器故障诊断方法研究[J].振动工程学报,2004,17(z1):323-325.
[2]吴浩中,黄飞鹏,王开文.基于RBF神经网络的传感器故障诊断研究[J].机车电传动,2003(2):25-27.
[3]张洪生.基于模式识别的航空发动机燃油控制系统传感器故障诊断[J].航空发动机,2008,34(2):43-45.
[4]崔东辉,徐龙祥.基于自适应滤波的主动磁悬浮轴承位移传感器故障识别[J].南京航空航天大学学报,2009,41(3):364-369.
[5]张宬,艾延廷,刘秀芳.基于经验模式分解法的航空发动机振动传感器故障诊断技术研究[J].沈阳航空工业学院学报,2008,25(4):5-8.
[6]那文波,李璘.机器人速度传感器故障诊断方法研究[C]//第四届全国先进制造设备与机器人技术高峰论坛论文集.哈尔滨:[出版者不详],2008:94-98.
[7]徐涛,王祁.基于模式识别的传感器故障诊断[J].控制与决策,2007,22(7):783-786.
[8]MA Tian-bing,ZHANG Xin.Diagnosis of sensor fault based on wavelet packet and RBF neural network[C]//Proceedings of The Third International Symposium on Yest Automation&Instrumentation.Xiamen,China:[s.n.],2010:1219-1223.
[9]WEI X K,VERHAEGEN M,VAN E T.Sensor fault de-tection and isolation for wind turbines based on subspace identification and Kalman filter techniques[J].International Journal of Adaptive Control and Signal Processing,2010,25(8):687-707.
连接检测 篇8
人体肺脏包含了五个不同的肺叶，肺裂是肺叶之间天然的物理边界。临床上肺裂可作为疾病诊断的重要指标，对病灶定位和功能区间划分具有重要的参考价值。目前CT影像在肺部疾病诊断中得到了广泛应用，特别是多排螺旋CT技术的发展可在单次屏气时间内获得亚毫米分辨率、各向同性的完整肺部图像，使得基于医学图像分析的计算机辅助诊断和量化评估成为可能。CT图像中肺裂的准确检测是分割肺叶的前提，并可辅助制定手术前期的计划和手术后期的评估。然而，由于肺裂在二维切片上表现为细薄的曲线，并且受到成像噪声等因素的影响，肺裂在CT图像中对比度较低，密度分布很不均匀，另外，肺部中血管与气管等组织易对肺裂的检测产生干扰。因此，CT图像中肺裂检测是一个有难度的研究课题。
近年来，有大量检测肺裂的方法在文献中报道。Kuhnigk等[1]利用肺裂周边无大的血管等先验知识，通过绘制血管树的距离图来近似的估计肺裂的位置，然后通过交互式三维分水岭变换来检测肺裂。Klinder等[2]利用线性增强滤波器来检测肺裂，该方法通过多方向假设来获得每个体素最有可能的线性方向，对低密度的肺裂检测具有较好的效果。Wiemker等[3]采用基于Hessian矩阵和结构张量的滤波器来增强肺裂，通过对图像进行三维滤波来实现肺裂自动检测。Wei等[4]模拟临床上医生判读CT图像的方法，利用纹理特征来识别主肺裂。Ukil等[5]首先通过血管与气管树的解剖结构来近似定位肺裂，然后使用三维图搜索法来寻找属于肺裂的最优曲面。Van Rikxoort等[6]利用模式识别的知识采用有监督的滤波器，使用k近邻法对体素分类，并将Hessian矩阵的增强结果作为特征向量来进行肺裂检测，但需用手动分割结果来训练系统，比较耗时。Zhang等[7]先利用脊测量法来增强原图像中的肺裂，然后通过两步图搜索来寻找肺裂，但该方法需借助一定量的手动分割结果来引导，计算量较大。Wang等[8]根据贝叶斯网络构造基于形状的曲线增长模型以寻找属于肺裂的区域，在曲线增长中需构造能量函数。
针对上述方法的缺陷，本文根据肺裂在三个互相垂直的2D切片中呈高亮度细线状结构及肺裂本身的密度信息等特点提出线性形状特征与模糊连接度相结合的肺裂检测方法，该方法采用三条平行的棍状核来匹配不同方向的肺裂及其邻域，利用邻近区域之间的密度差异来定义窄条微分(Do S)滤波器以增强肺裂并抑制周围的干扰组织;然后在增强后的3D空间中指定一个种子点，根据图像的灰度均匀性与灰度差值特征来构造亲和力函数以计算种子点相对其他体素之间的模糊连接度进而选取合适阈值对其采取阈值分割;最后采用基于形态学的后处理来进一步完善分割结果。采用GLUCOLD数据库进行实验验证，并从相似系数与分割误差等方面进行了量化评估。
1 方法介绍
如图1所示，肺裂检测流程主要分为四个阶段:首先，由图像预处理大致提取出肺实质以定义感兴趣区域;其次，针对肺裂在2D切片上的线性形状特点采用窄条微分滤波器分别从三个相互垂直的平面上对其进行增强，将上述三个增强结果进行融合得到三维的增强结果;然后，选取3D空间中属于肺裂的一点作为种子点，根据增强后图像的灰度均匀性与灰度差值特征来构造亲和力函数以计算出种子点与其他体素之间的模糊连接度进而对其采取阈值分割;最后，通过后处理来移除分支点和去除无关干扰组织，得到最终光滑完整的肺裂检测结果。
1.1 CT图像预处理
原CT图像中不仅包括人体胸腔区域，还包括一些与诊断无关的组织，易对肺裂检测产生干扰。并且为了减少计算量，有必要预先大致分割出肺实质以定义感兴趣区域。
本文采用一种较简单的肺实质提取算法:首先选取阈值为-600 HU对原CT图像二值化处理;然后采用7×7×7球形结构元对该二值图像进行形态学闭操作以填充气管壁和血管空洞;最后以此为掩膜从原图中隔离出肺实质区域。
1.2 肺裂的增强
CT图像中肺裂对比度较低，密度分布不均匀，并且像素之间存在有不连续的情况，并且肺部其他组织的存在会对肺裂的检测进行干扰，而直接采用全局阈值分割得到的肺裂结果很不理想，因此在分割肺裂之前需对肺裂进行增强。而不同于血管、肺结节和气管壁等干扰组织，肺裂在三个相互垂直的二维切片中均表现为细线状结构。根据这些特点，本文采用基于窄条微分Do S滤波器[9]的肺裂增强算法。该算法主要分为以下三个步骤:
1)线检测模板的创建
肺裂在不同二维切片上呈现出方向各异的细线状结构，而一个固定方向的线检测模板并不适用。因此，本文通过多个不同方向的线检测模板来近似逼近二维切片中方向各异的肺裂。首先创建一个L×L的邻域模板，该模板可分解为2(L-1)个不同方向的棍状核。如图2所示，给出了L=7的线检测模板，深色部分为目标像素，浅色部分为三条互相平行的棍状核模板L、M和R，以目标像素为中心旋转棍状核，以15°为旋转角度来检测12个不同方向上的肺裂。当核的旋转方向与肺裂方向最为相近时，能得到最大的响应值。
2)肺裂相似度函数的定义
如图3所示，第一行的结构形状从左到右依次为连续肺裂、断裂肺裂、细血管、粗血管和肺结节。由于CT图像中与肺裂方向平行的邻近两侧区域的密度值较低，根据这一特点，本文通过在肺裂及其邻域附近用三条互相平行的棍状核模板来定义垂直于棍状核方向的非线性微分算子λ⊥s(x)，如图第二行所示，s为相邻棍状核模板之间的间距。用μL，μM与μR分别表示三条棍状核的平均灰度值，λ⊥s(x)可表示为:
上述垂直于棍状核方向的非线性微分算子λ⊥s(x)可以较好地增强正常肺裂，同时抑制较粗血管的干扰，但是该微分算子并不能抑制肺结节对肺裂检测的影响。因此，本文通过计算沿着主棍状核M方向上像素间的标准方差来衡量该方向上灰度变化情况，该标准方差可表示为:
其中，‖符号代表检测的方向与主棍状核M的方向一致，Ii代表沿着主棍状核M方向的像素点i的灰度值，μM代表主棍状核M的平均值。由此本文定义了二维切片上肺裂的相似度函数如下所示:
其中，k为比例系数，用来调节主棍状核M上的方差变化。利用上述肺裂相似度函数既可以增强肺裂，又可以抑制类似图3所示的Blob类型的组织结构。
一个L×L的邻域模板可分解为2(L-1)个不同方向的棍状核，同样也存在2(L-1)个不同的检测方向。本文选择能使ls具有最大响应的检测模板作为最优核来进行多方向的融合，融合过程可表示为:
其中i表示L×L邻域模板中第i个方向的线检测模板，L值表示最大的肺裂增强结果。
3)多截面肺裂增强的融合
本文从轴向、冠状和矢状三个相互垂直的方向上分别利用上述方法进行肺裂增强，然后将这三个方向的结果融合在一起以得到更加完整的肺裂增强结果。
1.3 肺裂的分割
经上述Do S滤波器得到的肺裂增强结果中仍然存在部分干扰组织，仅用简单阈值分割肺裂并不能得到理想的结果，易出现过分割与欠分割现象。针对增强后的肺裂仍存在灰度分布不均匀等问题，本文在进行肺裂分割时引入模糊连接度方法[10,11,12]，其基本思想是预先在感兴趣区域内选取一个种子点，然后结合体素间的空间邻近度、灰度及灰度差特征来计算空间中其他体素相对于种子点的模糊连接度，最后选取合适的阈值将图像二值化从而分割出肺裂。主要分为以下几个个步骤:
1)模糊邻近度的计算
模糊邻近度表示三维CT图像中每两个体素之间的关系，即邻近程度。定义三维CT图像的两个体素c和d，其中c为肺裂上的某个体素，即种子点，c和d满足六邻域关系，本文取三维模糊邻近度ua(c,d)为:
式中ω值为非负的常数，用于调节ua(c,d)随c与d之间距离变化而变化的幅度，避免产生c与d之间距离稍一变化而使ua(c,d)变化过大的现象。由式(5)可知ua(c,d)随c与d之间距离的增大而减小。
2)模糊亲和力的计算
模糊亲和力表示三维CT图像中具有对称性与自反性的模糊关系，即两个体素之间的亲和强度。本文的模糊亲和力uk(c,d)可表示为:
式中，uψ(c,d)和u(c,d)分别是基于图像灰度均匀性和灰度差值特征的分量。
基于图像灰度均匀性的分量uψ(c,d)定义为:
基于图像灰度差值特征的分量u(c,d)定义为:
式(7)与式(8)中，f(c)和f(d)分别表示体素c和d具有的灰度值，m1,m2和s1,s2分别表示肺裂区域的均值和方差。
3)模糊连接度的计算
假定π=<c(0),c(1)，…，c(h)>(h≥2)为CT图像中体素c和d之间的一条路径，其中c(0)=c(c为种子点)，c(h)=d，体素序列c(0),c(1)，…，c(h)两两之间满足六邻域关系。同时，从c到d有很多条路径，但对于每条路径π都有一个最弱的连接ux(π)，即π上相邻两个体素亲和力的最小值，ux(π)表示为:
假定体素c和d之间共有M条路径，从c到d的模糊连接度ub(c,d)是这所有路径中最大的连接度，ub(c,d)表示为:
4)阈值化的处理
通过上述方法计算出各个体素点相对种子点的模糊连接度从而得到一幅模糊连接图像。在该幅图像中，属于同一组织的体素可能在灰度分布上差距较大，但它们之间具有较高的模糊连接度，而与背景之间则具有较低的模糊连接度，故可通过合适的阈值对模糊连接度进行阈值处理从而提取出肺裂。
1.4 肺裂的后处理
通过上述模糊连接度法可得到较完整的肺裂分割结果，但其周围仍粘黏了少许其它组织(如血管)。因此，本文利用后处理来去除粘黏的干扰组织以进一步完善分割的肺裂结果。后处理流程如下:首先，通过细化算法[13]得到上述分割结果的骨架图像并提取其分支点;然后，从骨架图像中去除分支点以得到移除分支点剩下的图像，再利用连接元分析以提取出具有最大连通区域的物体即肺裂部分;最后，将移除的分支点进行形态学膨胀并与提取的肺裂部分融合以得到完整的肺裂结果。
2 实验与评估
为了验证本文方法的有效性，采用GLUCOLD数据库中10组三维CT图像作为实验数据。这些图像均由Toshiba Aquilion16的CT扫描仪获得，采用FC02内核重建(切片厚度为0.5 mm，间距0.5 mm)，切片大小为512×512像素。实验软件为MatlabR2012a，实验电脑配置为64位Windows 7操作系统、CPU主频2.5 GHz、8.0 GB内存。本文方法处理一幅三维CT图像耗时为18 min左右。本文方法的重要参数选择如下:Do S滤波器中模板大小L=11，棍状核间距s=3，比例系数k=0.8，模糊邻近度中非负常数ω=0.05。
本文将每组CT数据分为左肺与右肺两部分来进行实验。图4给出了右侧肺裂在三个不同方向及方向融合后的增强结果。图4(a)-(c)所在列为Do S滤波器分别在矢状面、冠状面、轴向面的二维与三维增强结果，图4(d)所在列为上述三个方向融合后的二维与三维增强结果，该结果的增强效果相比单方向效果更加明显，但相应的干扰组织也增多。
图5给出了模糊连接度方法的步骤结果图。图5(a)所在列分别为二维左肺、二维右肺、三维左肺与三维右肺的增强结果，它们经模糊连接度分割法分别得到图5(b)所在列的模糊连接图像，然后将上述结果经阈值处理得到图5(c)所在列的二值化结果，最后由后处理来进一步完善以得到图5(d)所在列的肺裂最终检测结果。
为了定量评价本文方法分割肺裂的准确度，本文选取文献[14]得到的分割结果作为金标准，该结果已得到放射科医生认可。将本文方法得到的分割结果与金标准作对比，进行评价参数的比较，分别计算出Jaccard相似系数(JS)、Dice相似系数(DS)、假阳性(FP)、假阴性(FN)。
由表1中左肺与右肺分割结果的各个评价参数的均值可知，本文方法的左肺相似系数JS、DS均高于89.4%，分割误差FP、FN均低于10.6%;右肺相似系数JS、DS均高于82.1%，分割误差FP、FN均低于17.9%，以上数据表明本文方法得到的分割结果接近于金标准，具有一定的准确性。
3 结语
