基于AForge框架的光纤无色监控系统的开发及应用.pdf

PAGE071网络维护Network Maintenance随着大数据、A I 技术的不断发展，各种新技术应用在了光纤光缆的制造行业中，光缆制造朝着自动化、智能化、集成化不断发展。本文介绍了通过A f o r g e 框架对着色光纤进行图形图像分析，利用灰度法、二值化、边缘检测、B L O B 处理和E D L i n e s 等算法，低成本、高效地实现了光纤无色监控系统，解决了着色套塑一体机光纤无色的监控难题，保证了产品质量，降低了质量风险和损失。With the continuous development of big data and AI technology,various new technologies have been applied in the manufacturing industry of fiber optic cables,and cable manufacturing is constantly developing towards automation,intelligence,and integration.This article introduces the use of the Aforge framework for graphic image analysis of colored optical fibers.By utilizing algorithms such as grayscale,binarization,edge detection,BLOB processing,and EDLines,a low-cost and efficient fiber colorless monitoring system has been implemented,solving the monitoring problem of fiber colorless in the coloring and molding machine,ensuring product quality,and reducing quality risks and losses.光纤 二套 一体机 无色 监控系统Fiber optic;Second coating;Integrated machine;Colorless;Monitoring systemDoi:10.3969/j.issn.1673-5137.2024.02.012摘 要 Abstract关键词 Key Words1.引言近年来我国数字经济的规模不断扩大，支撑数字经济发展的5G通信、数据中心等新基建项目都需要大量使用光纤光缆，因此光纤光缆的市场需求逐年递增。众多光缆制造企业为顺应市场发展，通过引进自动化、智能化、集成化等方面的新技术手段，提升光缆生产效能、提升质量管理水平、降低制造成本，以此提升产品的市场竞争力。基于上述光缆行业发展趋势，光缆质量管理也逐渐由被动质量检测向质量预警、在线质量监控等质量信息化管理方向发展。2.二次套塑着色一体机目前越来越多的光缆制造企业为了节约能耗、提高生产效率、降低生产成本，将着色和二次套塑整合在一条生产线上，如图1所示，将多根光纤涂覆油墨后汇聚在一个固化炉内，这不但节约了设备空间，同时也大大降低了能耗。在节能降本的同时，新的问题也随之而来，如果设备出现异常，其中一根光纤或者多根光纤无颜色，且没有及时发现，将会影响整根松套管，同时带来巨大的损失，所以对光纤着色的监控十分有必要。图1：二次套塑着色一体机3.系统实现原理RGB模式是基于红、绿、蓝三种颜色的混合原理，主要用于显示领域，而YUV模式将亮度和色彩度分开，降低了色度的带宽和传输带宽，利用 YUV模式可以降低图片数据的内基于AForge框架的光纤无色监控系统的开发及应用 陈曲 艾涛 刘杰 刘骏 唐子红 刘诗培 邓浩 李林峰（成都亨通光通信有限公司 四川 成都 610100）PAGE072网络维护Network Maintenance存占用，提高图形的数据处理效率，本系统使用开源Aforge框架对光纤进行图形图像分析，实现光纤无色监控的功能。3.1 什么是RGB色彩RGB色彩模式是通过对红（R）、绿（G）、蓝（B）三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色，如图2所示，这个标准几乎包括了人类视力所能感知的所有颜色，是运用最广的色彩模式之一。在RGB颜色系统中,三个颜色分量是亮度相关的,即亮度改变，三个分量都会改变，如果一个颜色的某一个分量发生了一定程度的改变,那么这颜色也可能要发生改变。例如如果要在某一颜色的基础上增加一点亮度，则需要依次改变RGB的值,而没有一种更直观的方式来表达。图2：RGB颜色模式3.2 什么是YUV色彩在YUV中，Y表示亮度分量，即图像的明暗程度，如图4所示，取值范围为0到255，其中0表示黑色，255表示白色，通过调整Y的数值，可以改变图像的整体亮度。UV表示色度分量，即图像的颜色信息，决定了该像素的颜色。U和V的取值范围为-128到127，正的U值表示蓝色偏移，负的U值表示黄色偏移,如图5所示。正的V值表示红色偏移，负的V值表示绿色偏移，如图6所示。通过调整UV的数值，可以改变图像的色彩饱和度和色调。由于人眼对Y的敏感度远超于对U和V的敏感，所以可以多个Y分量共用一组UV，这样既可以极大的节省空间，又可以不太损失图像质量，所以我们在图形图像处理中有时只对Y值进行统计分析就能达到目的，这大大提高了系统的运行效率。图3：不同颜色的光纤 图4：YUV模式的Y值图像 图5：YUV模式的U值图像 图6：YUV模式的V值图像YUV和RGB之间的转换关系是通过公式（1）和公式（2）实现的：（1）（2）3.3 光纤有色和无色的图像分析光纤的12种颜色分别为蓝、橙、绿、棕、灰、白、红、黑、黄、紫、粉、青，在摄像头下，这些颜色都非常明显，如图3所示，而本色光纤为透明，本色光纤在摄像头下只有光线折射的阴影，如图7所示，图像中从上至下分别为：蓝、橙、绿、本。其中本色光纤在彩色图像中仅能隐约显示出来，经过灰度处理后，极难分辨出来，但是蓝、橙、绿就呈现出了明显的深色线条。再进一步经过二值化处理后，本色光纤已经完全消失，蓝、橙、绿却更加明显，如图7所示。图7：光纤图像经过提取Y值和二值化3.4 RPP视觉识别算法（原创）RPP(Regional Pixel Proportion)算法是在一定区域内，对图像的像素色彩统计来实现一定的识别功能，光纤在白色背景区域内的图像如图8所示，像素总和为b*c，光纤的像素总和为a*c，那么光纤的像素占比为A=（a*c）/(b*c)，对该图像的每一个像素点进行像素处理，计数出YUV中的灰度值Y，然后判断Y值是否小于某一个“阀值T”，统计出小于该阀值的像素点总和F，计算方法如公式（3），其中i和j表示识别区域的像素点坐标。由于无色光纤（本色）在图像中表现出了透明的状态，可能只有光纤边界有一定的深色像素，所以本色光纤经过灰度和二值化处理后，F值可能为零，或者远远小于F值，通过该规律我们就可以识别出有色光纤和无色光纤的区别。PAGE073网络维护Network Maintenance （3）利于区域像素占比来统计，简化了光纤的颜色识别，不用考虑光纤的精确定位和轻微抖动问题。只要识别区域大于光纤的活动范围，而不需要太多复杂的定位算法来寻找光纤，当然如果把光纤的活动范围限制在越小的范围内，减少A值，那么系统的资源占用就会越少。图8：光纤在白色背景下的RPP视觉识别算法算法流程图如图9所示。图9：算法流程图4.软件系统的开发4.1 获取图像为了更好的获取图像，对图像进行各种处理，该系统使用了AForge库，它是一个开源的、跨平台的计算机视觉和人工智能库，具有广泛的应用领域和强大的扩展性，AForge库提供了丰富的图像处理和视频处理算法、机器学习和神经网络模型，并且具有高效、易用、稳定的特点。4.2 系统流程图实时处理视频图像，对设备的性能要求较高，为了提高系统执行效率，本系统使用多线程技术，为每一个视频硬件开辟一个线程，多个线程并行处理，如图10所示。图10：系统流程图通过光纤自动定位或手动标定范围来设定识别区域，如图11所示。我公司二套一体机的一共有4个固化炉，每个固化炉有3根光纤，所以我们一共使用了4个摄像头来获取图像。图11：系统界面4.3 与生产线工控机交互该系统与工控机交互，采用现有的集控中心数据库，该系统使用独立的工控机和显示器，视频处理与生产线的PLC和工控机独立，避免相互影响，交互流程图如图12所示，交互的数据库结构由表1所示图12：与生产线工控机交互流程图PAGE074网络维护Network Maintenance表1：交互数据库结构5.图像采集与分析 5.1 图像采集设备由于光纤的直径小，所以视频采集不需要太高分辨率的摄像头，我们最终选用的是640*480分辨率的微距摄像头，最佳焦距是4080mm，同时摄像头前端自带LED补光灯。图像采集设备参数如表2所示。表2：图像采集设备参数摄像头我们采用横向放置，在光纤的背面我们放置有白色的背板，考虑到环境光对背景光的影响，在背板后增设了补光板，以保证摄像头拍摄到图像背景颜色统一，提高识别度，如图13所示。图13：摄像头采集光纤图像5.2 光纤定位为了快速找到光纤的位置，或者因为光纤抖动超过了识别范围，可以用边缘检测和Blob分析图像中的光纤数量、位置、形状和方向等信息，这样就可以实现光纤位置定位和位置校正。在众多的直线检测算法中，EDLines算法无论在精准度和性能上都比较突出，EDLines算法首先利用边缘检测对给定的灰度图像生成一组干净、连续的边缘像素链，然后根据边缘线中像素进行拟合，直至某个像素点到直线段的距离超过某个阈值或是直线的方向发生改变，进行截断。原始的图像如图14所示，经过边缘检测和EDLines处理后，得到光纤的直线序列，然后选择背景一致的识别区域，如图15所示。图14：原始图像 图15：通过定位标定识别区域5.3 图像识别分析我们以采集到的橙色光纤为例，如图16所示，放大后的像素为320*60，其中橙色区域像素大约为320*12，占总像素约20%，通过YUV变换，Y值图像如图17所示。本色光纤如图18所示，图上可见本色的光纤在我们选取的摄像头下显得不是特别明显，Y值图像如图19所示。图16：橙色光纤 图17：橙色YUV提取的Y值图 图18：本色光纤 图19：本色YUV提取的Y值图分别统计图17和图19的 19200个像素点Y值，分析不同Y值在图形的占比，如图20所示，橙色光纤的Y值范围为142，254，本色光纤的Y值范围为207，254，从图中可以看出，橙色光纤的Y值分布范围广，本色光纤的Y值集中在了240以上，说明橙色和本色的Y值差距较大。图20：不同Y值在图像中的占比那么对于不同Y值以下的总和占比如图21所示，例如Y值为200以下的总和为20%，可以看出Y值小于190,210的像素总和占比约20%左右，没有较大的增幅，说明190,210的Y值是图像颜色相差较大的一个分界线，证明了有色光纤的Y值落在190,210的区间。序号字段名数据类型数据范例描述1c_timeDATETIME2023/11/8 9:58当前时间2f_colorVARCHAR蓝/橙/绿/棕/灰/白报警颜色3alarmBOOLEANtrue/false是否报警4m_statusBOOLEANtrue/false运行状态指令5clear_alarmBOOLEANtrue/false是否清除报警6c_speedFLOAT600当前速度7c_lengthFLOAT15236当前生产长度8tube_idFLOAT123456789当前套管ID9tube_coreFLOAT6套管芯数10pay_offVARCHAR111111000000放线架启用序号参数名称单位值备注1摄像头直径mm7.02像素万1303视频分辨率-640*4804帧率帧305补光灯数量颗66补光灯类型-LED亮度可调7最佳视距mm40808防水等级-IP679工作温度-1080PAGE075网络维护Network Maintenance图21：不同Y值以下的像素总和占比通过以上的分析，我们可以处理Y值的占比和Y值的范围占比同时来确定光纤是否有颜色和无颜色。6.总结通过该系统的开发及应用，低成本、高效的解决了光纤无色的监控难题。在实施过程中，我们还意外发现，在微距摄像头下可以观察到光纤轻微抖动，这种轻微抖动的剧烈程度和光纤颜色、模具并无关联，分析怀疑与光纤的直径稳定性有一定关系，我们考虑后期通过算法将光纤的抖动数据采集分析，研究光纤着色后的抖动是否影响过程断纤、管内断纤、余长稳定性、拉伸性能等指标。同时把神经网络和深度学习融入到该系统中，采用更高精度的摄像头，用于后期开发在线监控成缆绞合节距、扎纱节距、断纱报警、护套缺陷检测等相关质量监控，不断提高光缆的产品质量和生产效率。1 张宁，王竞雪.EDLines和LSD直线提取算法性能探究J.测绘科学，2020,45(12):116-125.参考文献作者简介陈曲，1985年生，男，现就职于成都亨通光通信有限公司，任技术总监。主要从事光缆技术研发和质量管理工作。