（定稿）银杏叶冻干粉项目资金申请报告1（喜欢就下吧）

瑕疵面积的计算法在本系统中瑕疵的面积可以直接用来代替，当瑕疵面积小于人为设定的参数时，我们就对该瑕疵判断为合格。

反之，则判断为不合格。

瑕疵长的计算法计算瑕疵长时，基于瑕疵的线性特征，首先对瑕疵做细化操作，得到单像素宽的瑕疵骨架曲线。

瑕疵的长度实际上就是骨架图像骨干点之间的长度之和。

骨化后的图像是个单像素宽度的连通性好的骨干图像。

可以分别求取相邻像素之间的长度，然后把所有的相邻像素之间的距离求和即为所得，如下式公式，和，是相邻骨干点的两个点是水平方向的比例因子，即水平方向上的像素个数与实际情况水平长度的比值是垂直方向的比例因子，即水平方向上的像素个数与实际情况垂直长度的比值是两个相邻像素之间的长度。

总长度即为所有相邻像素之间的长度之和。

当瑕疵长小于人为设定的参数时，我们就对该瑕疵判断为合格。

反之，则判断为不合格。

瑕疵宽的计算法计算瑕疵宽时，仍然对瑕疵做细化操作后，骨架各点所在的瑕疵的位置的宽度反应出瑕疵各段的宽度。

由于骨架曲线是单像素曲线，则个骨架点与相邻点的其他两个骨架点相接，分别求出与相邻点的斜率。

则每个斜率的垂线与瑕疵边缘相交两点，两点的连线的大小即为宽度值。

比较这两个宽度值其中较小的为这个瑕疵的宽度。

设骨架曲线的其中个骨架点用，表示，其相邻骨架点分别为，和，。

骨架线在点的斜率近似用直线的，，，，，导师评语率表示，则斜率表示为公式过骨架点斜率为的直线与瑕疵图像边缘交于两点，记为，。

则此瑕疵的宽度表达式为公式同理，骨架线在点的斜率近似用直线表示，同样的原理求出，然后比较与的大小，取较小值作为瑕疵的宽度。

最后结果，。

当瑕疵宽小于人为设定的参数时，我们就对该瑕疵判断为合格。

反之，则判断为不合格。

实际的检测效果如下，图密封圈灰度图为相机步骤到的密封原图，图算法最终的处理结果为本算法得到的最终的处理结果，可以看到，所有位于密封圈表面上的瑕疵都被检测出来了图密封圈灰度图图算法最终的处理结果实验结果我们的最终成果如图所示，我们已经搭建出了检测平台包括相机光源嵌入式主板触摸屏显示器等元素。

软件的识别算法也能达到预计的水平。

图成果图本章小结本章主要讲述了密封圈表面识别算法的主要流程。

并对每个步骤用文字公式和图片的方式进行了详细的解说。

第章总结与展望本文讲述了密封圈的图像采集结束后如何通过利用嵌入式图像处理技术，对密封圈上的瑕疵图像进行处理，提取出瑕疵的信息，并对瑕疵的特征参数与密封圈合格标准参数进行比较，筛选出合格的密封圈的过程。

根据瑕疵的特有的特征，对比当前流行的图像识别算法，改进出套更加适合密封圈检测的图像识别算法。

算法中对均值滤波和中值滤波图像二值化特征提取等过程均作了改进。

实现了较为快速适合的密封圈识别算法。

当前所有的算法都是用语言在上实现的，但是能否直接用在工业上检测密封圈，该算法还需要在速度上和精确性上得到提高，在之后的这段时间我会继续努力在机器视觉上寻求新的突破。

将来展望机器视觉将完全代替人工肉眼完成所有的检测识别。

参行分区域统计。

遍历图片内存。

统计的区域划分如图所示图分区域法示意图对蓝色区域的共个区域分别进行直方图统计，每个区域都求出相对应的阈值，遍历该区域内的像素点成员当，的像素值与阈值之间的灰度差距大于人为设定的参数时，就说明该点与周围像素环境之间存在着明显的不同。

可将该点的灰度值赋值为。

否则该点赋值为。

公式如下当时当时公式最终从得到的新二值图像内存数组命名为。

该数组的亮度信息如图所示。

图二值图可以在上图中看出，瑕疵的信息因为局部二值化的关系而被很好的保留了下来。

瑕疵特性参数计算瑕疵特征的提取主要包括瑕疵面积长度和宽度的计算等。

为了要提取出这些信息，可以用区域生长法来完成。

区域生长法提取普通的区域生长法是连通法。

就是对个点的上，左上，右上，左，右，下，左下，右下共个方向进行遍历扫描，如果在该遍历方向上也存在与当前遍历点的像素值相同的点时，就将该个点看做都是属于同个瑕疵上的像素点。

但是考虑到当前系统中捕捉到的瑕疵往往是属于狭长的缝。

而用连通法提取狭长缝隙的信息时就很有可能就会造成缝的断裂。

最终会导致将条缝的信息分为了块或多块连通区域信息来处理。

为了避免这现象，我们将区域生长法做了如下改进首先定义下瑕疵的结构体数组用来保存每个瑕疵的信息，结构体成员信息可以是瑕疵长，瑕疵宽，瑕疵面积等等。

本系统采用的是可调节的全方位拓展法求区域生长。

设每个方向上向外拓展个像素。

如图全方位拓展法求所示，点上的每个方向的像素都向外拓展了个像素，即。

入队出队图全方位拓展法求区域生长扫描内存数组信息里的目标圆环区域，如果发现点的像素值，等于时，就将该点标记为点，并堆入队列中。

每次遍历队列，如果发现队列不为空，就让队尾元素出队，出队的同时，记录下当前出队的点的坐标位置并以该点做为基准往个方向连通个像素出去，形成个的窗口如图全方位拓展法求所示。

遍历窗口里的点成员如果该点位于内存数组的目标圆环检测区域内，并且该点对应的像素值，等于时，就亦将该点标记为点，并堆入队列中。

如此依次循环。

在往复的过程中如果发现当前出队点的轴坐标小于在它之前出队的点的轴，就将的值赋值给变量。

如果发现当前出队点的轴坐标大于在它之前出队的点的轴，就将的值赋值给变量。

如果发现当前出队点的轴坐标小于在它之前出队的点的轴，就将的值赋值给变量。

如果发现当前出队点的轴坐标大于在它之前出队的点的轴，就将的值赋值给变量。

直循环到队空为止。

此时，则说明条瑕疵的信息遍历结束。

记录下此时的，四个值，并统计好之前的入队的个数。

则有公式公式这样，对于瑕疵信息数组，每个成员都代表的是每个瑕疵在维图像上的所有信息。

瑕疵的判断虽然我们根据全方位拓展法求得了瑕疵数组。

但是并不是所有的瑕疵都会影响产品的合格与否。

所以我们还要通过计算各个瑕疵的特性，排除掉些无关紧要的瑕疵。

对于般密封圈表面来说，些很小的点瑕疵，极短的缝瑕疵，以及位于圆环表面的瑕疵都对密封圈的使用没有任何影响。

所以我们要通过计算，将这些瑕疵排考文向的信号。

自动关门待客。

当完成全部轿厢内指令，又无层外呼梯信号时电梯应自动关门在调定时间内自动关闭轿厢照明。

自动返基站。

当电梯设有基站时，电梯在完成全部指令后，自动驶回基站，停机待客。

电梯操作方式单轿厢下集选控制登记所有轿厢和厅门下行召唤轿厢上行是只答应轿厢召唤，直至最高层自动改变运行方向为下行，应答厅门下行召唤。

单轿厢全集选登记所有厅门和轿厢召唤上行时顺应答轿厢和厅门上召唤。

直至最高层自动反向应答下行召唤和轿厢召唤。

本设计采用全集选操作方式。

三速度给定曲线为了满足舒适感提高运输效率及正确平层要求，电梯的速度给定曲线是个关键环节。

人们对于速度变化的敏感度主要是加速度的变化率，舒适感就意味着要平滑的加速和减速。

为了获得良好的舒适感，将电梯的起制动速度曲线设计成由两段抛物线曲线及段直线构成，而这曲线形状的构成及改变，则是由加速度斜率及曲线变化率决定的。

加速斜率是以速度给定从加速到转分所需要的时间来定义的。

其意义为加速度由加速到转秒所需要的时间。

因此通过改变起动加速时间可获得不同的起动曲线斜率。

增大加速时间值起动曲线变缓，反之，起动曲线变急。

同理，增加曲线变化率起动曲线弯曲部分变缓，反之，起动曲线弯曲部分变急。

而曲线变化率的变化，也可通过改变曲线起始终了加速时间来实现，本设计采用的变频器就具有曲线加速时间设定功能，即可获得理想的起动曲线。

同理，故将加速时间和曲线加速时间配合调整，制动曲线也可按此方法调整。

理想的电梯速度给定曲线如图所示，图中为加速度，为速度。

图速度运行曲线在时间内加速启动阶段，其中和时间内为抛物线速度曲线，在时间内为直线速度曲线时间内为稳速运行阶段时间内为减速制动阶段。

减速制动阶段速度曲线与加速起动阶段相对称。

四减速及平层控制电梯的工作特点是频繁起制动，为了提高工作效率改善舒适感，要求电梯能平滑减速至速度为零时，准确平层，即无速停车抱闸，不要出现爬行现象或低速抱闸，即直接停止，要做到这点关键是准确发出减速信号，在接近层楼面时按距离精确的自动矫正速度给定曲线。

本设计采用旋转编码器检测轿厢位置，只要电梯运行，计数器就可以精确地确定走过的距离，达到与减速点相应的预制数时即可发出减速命令。

不论哪种方式产生的减速命令，由于负载的变化电网波动钢丝绳打滑等，都会使减速过程不符合平层技术要求，为此般在离层楼处需设置个平层矫正器，以确保平层的长期准确性。

点数的分配及机型的选择本设计按七层的电梯为例，根据需要控制的开关设备大约有个输入点，个输出点需进行控制，考虑的裕量，故选择主机模块扩展单元，其点数可达个，分配如下，输入部分高速计数器输入端轿内检修向下运行按钮硬件复位底层钥匙开关开门开关消防开关有无司机操作方式转换轿内指令通道轿厢门锁红外线传感开关开门限位开关厅门锁关门限位开关层上召唤按钮超载触点上下极限开关直驶开关轿内轿顶检修检修开关急停按钮警铃按钮变频器运转信号关门开关层下召唤按钮轿内检修向上运行按钮上下行强迫换速开关变频器故障信号中间继电器楼层位置信号通除在外。

瑕疵面积的计算法在本系统中瑕疵的面积可以直接用来代替，当瑕疵面积小于人为设定的参数时，我们就对该瑕疵判断为合格。

反之，则判断为不合格。

瑕疵长的计算法计算瑕疵长时，基于瑕疵的线性特征，首先对瑕疵做细化操作，得到单像素宽的瑕疵骨架曲线。

瑕疵的长度实际上就是骨架图像骨干点之间的长度之和。

骨化后的图像是个单像素宽度的连通性好的骨干图像。

可以分别求取相邻像素之间的长度，然后把所有的相邻像素之间的距离求和即为所得，如下式公式，和，是相邻骨干点的两个点是水平方向的比例因子，即水平方向上的像素个数与实际情况水平长度的比值是垂直方向的比例因子，即水平方向上的像素个数与实际情况垂直长度的比值是两个相邻像素之间的长度。

总长度即为所有相邻像素之间的长度之和。

当瑕疵长小于人为设定的参数时，我们就对该瑕疵判断为合格。

反之，则判断为不合格。

瑕疵宽的计算法计算瑕疵宽时，仍然对瑕疵做细化操作后，骨架各点所在的瑕疵的位置的宽度反应出瑕疵各段的宽度。

由于骨架曲线是单像素曲线，则个骨架点与相邻点的其他两个骨架点相接，分别求出与相邻点的斜率。

则每个斜率的垂线与瑕疵边缘相交两点，两点的连线的大小即为宽度值。

比较这两个宽度值其中较小的为这个瑕疵的宽度。

设骨架曲线的其中个骨架点用，表示，其相邻骨架点分别为，和，。

骨架线在点的斜率近似用直线的，，，，，导师评语率表示，则斜率表示为公式过骨架点斜率为的直线与瑕疵图像边缘交于两点，记为，。

则此瑕疵的宽度表达式为公式同理，骨架线在点的斜率近似用直线表示，同样的原理求出，然后比较与的大小，取较小值作为瑕疵的宽度。

最后结果，。

当瑕疵宽小于人为设定的参数时，我们就对该瑕疵判断为合格。

反之，则判断为不合格。

实际的检测效果如下，图密封圈灰度图为相机步骤到的密封原图，图算法最终的处理结果为本算法得到的最终的处理结果，可以看到，所有位于密封圈表面上的瑕疵都被检测出来了图密封圈灰度图图算法最终的处理结果实验结果我们的最终成果如图所示，我们已经搭建出了检测平台包括相机光源嵌入式主板触摸屏显示器等元素。

软件的识别算法也能达到预计的水平。

图成果图本章小结本章主要讲述了密封圈表面识别算法的主要流程。

并对每个步骤用文字公式和图片的方式进行了详细的解说。

第章总结与展望本文讲述了密封圈的图像采集结束后如何通过利用嵌入式图像处理技术，对密封圈上的瑕疵图像进行处理，提取出瑕疵的信息，并对瑕疵的特征参数与密封圈合格标准参数进行比较，筛选出合格的密封圈的过程。

根据瑕疵的特有的特征，对比当前流行的图像识别算法，改进出套更加适合密封圈检测的图像识别算法。

算法中对均值滤波和中值滤波图像二值化特征提取等过程均作了改进。

实现了较为快速适合的密封圈识别算法。

当前所有的算法都是用语言在上实现的，但是能否直接用在工业上检测密封圈，该算法还需要在速度上和精确性上得到提高，在之后的这段时间我会继续努力在机器视觉上寻求新的突破。

将来展望机器视觉将完全代替人工肉眼完成所有的检测识别。

参