一种基于计算机视觉的交叉导线识别方法及系统、存储介质与流程

[0001][0002]
本发明涉及计算机视觉识别技术，尤其涉及一种基于计算机视觉的交叉导线识别方法及系统、存储介质。


背景技术：

[0003][0004]
计算机视觉是指，用各种成像系统代替视觉器官作为输入敏感手段，由计算机来代替大脑完成处理和解释，从而依据视觉敏感和反馈的某种程度的智能完成一定的任务。由于该技术在一定程度上可以替代人工作业，因此应用十分广泛。
[0005]
例如，目前在利用人工智能对初中物理实验的评级打分系统中，电学实验中的导线识别是一个无法避免的问题，受环境、器材和操作习惯的影响，导线会存在交叉情况，此时不利于判断导线走向和与其他器材的连接情况，从而不便于全面识别整个回路连接是否正确。
[0006]
为此需要提出一个方法，使得能够分别准确判断出视野中的每一根导线的走向，排除多根导线交叉带来的识别干扰，从而才能为之后可能进行的回路整体识别打下基础。


技术实现要素：

[0007][0008]
本发明的主要目的在于提供一种基于计算机视觉的交叉导线识别方法及系统、存储介质，以识别交叉导线的各自走向。
[0009]
为了实现上述目的，根据本发明的第一个方面，提供了一种基于计算机视觉的交叉导线识别方法，其步骤包括：
[0010]
步骤s100 对含有交叉导线的图片数据进行预处理，以提取出其中交叉导线的骨架；
[0011]
步骤s200 将图片数据中交叉导线的骨架拟合为平面坐标系下的曲线，将曲线拟合为函数，以求解曲线交点两侧各条曲线段上接近于曲线交点处的导数极限；
[0012]
步骤s300 若曲线交点两侧的曲线段上存在一对导数极限相等时，则判断对应的两条曲线段属于同一条导线。
[0013]
在可能的优选实施方式中，步骤s100中所述图片数据预处理的步骤包括：
[0014]
步骤s110 通过低频滤波去除图片数据中的高频分量，然后再通过高频滤波提取图片数据中导线的边缘信息；
[0015]
步骤s120将步骤s110处理后的图片数据进行hed边缘检测处理，并二值化；
[0016]
步骤s130 将步骤s120处理后的图片数据进行闭运算；
[0017]
步骤s140 执行骨架提取算法，从步骤s130处理后的图片数据中提取导线骨架。
[0018]
在可能的优选实施方式中，步骤s100中所述图片数据预处理的步骤还包括：步骤s150 将提取的导线骨架进行毛刺去除处理。
[0019]
在可能的优选实施方式中，步骤s100中所述图片数据预处理的步骤包括：
[0020]
步骤s111当图片中的导线颜色不同时，将图片数据进行hsv转换，利用hsv颜色空间内各导线的颜色差异来分割提取导线，并二值化；
[0021]
步骤s121将步骤s111处理后的图片数据进行闭运算；
[0022]
步骤s131执行骨架提取算法，从而步骤s121处理后的图片数据中提取导线骨架。
[0023]
在可能的优选实施方式中，步骤s100中所述图片数据预处理的步骤还包括：步骤s150 将提取的导线骨架进行毛刺去除处理。
[0024]
为了实现上述目的，对应上述方法，根据本发明的第二个方面，还提供了一种基于生成对抗网络的库位状态检测系统，其包括：
[0025]
存储单元，用于存储包括如上述任一所述基于计算机视觉的交叉导线识别方法步骤的程序，以供控制单元，总处理单元，判断单元，适时调取执行；
[0026]
控制单元，用于操控相机采集含有交叉导线的图片数据；
[0027]
总处理单元，用于对含有交叉导线的图片数据进行预处理，以提取出其中交叉导线的骨架，并计算曲线交点两侧各条曲线段上接近于曲线交点处的导数极限；
[0028]
判断单元，用于判断若曲线交点两侧的曲线段上存在一对导数极限相等时，则判断对应的两条曲线段属于同一条导线。
[0029]
在可能的优选实施方式中，所述总处理单元包括：
[0030]
图片处理模块，用于通过低频滤波去除图片数据中的高频分量，然后再通过高频滤波提取图片数据中导线的边缘信息；随后将处理后的图片数据进行hed边缘检测处理，并二值化后，再将图片数据进行闭运算；最后执行骨架提取算法，从图片数据中提取导线骨架；
[0031]
计算模块，用于将图片数据中交叉导线的骨架拟合为平面坐标系下的曲线，将曲线拟合为函数，以求解曲线交点两侧各条曲线段上接近于曲线交点处的导数极限。
[0032]
在可能的优选实施方式中，所述总处理单元包括：
[0033]
图片处理模块，用于当图片数据中的导线颜色不同时，将图片数据进行hsv转换，利用hsv颜色空间内各导线的颜色差异来分割提取导线，并二值化后，再将图片数据进行闭运算；最后执行骨架提取算法，从图片数据中提取导线骨架；
[0034]
计算模块，用于将图片数据中交叉导线的骨架拟合为平面坐标系下的曲线，将曲线拟合为函数，以求解曲线交点两侧各条曲线段上接近于曲线交点处的导数极限。
[0035]
在可能的优选实施方式中，所述图片处理模块，还用于将提取的导线骨架进行毛刺去除处理。
[0036]
为了实现上述目的，对应上述方法，根据本发明的第三个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，其中所述计算机程序被处理器执行时，实现上述任一所述基于计算机视觉的交叉导线识别方法的步骤。
[0037]
基于上述方案，本发明提供的该基于计算机视觉的交叉导线识别方法及系统、存储介质，能够巧妙的将交叉导线走向的判断问题，转换成交叉曲线在接近于交点处的求导及判断问题，从而将复杂问题简单化，相比传统的人工智能学习网络的识别方案，所需运算量更小，实施更为简单，并能较为准确的分辨交叉导线的各自走向，从而在实际应用中，可以有效排除多根导线交叉带来的识别干扰。
附图说明
[0038][0039]
构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0040]
图1为本发明的基于计算机视觉的交叉导线识别方法的步骤示意图；
[0041]
图2为本发明的基于计算机视觉的交叉导线识别方法的流程示意图；
[0042]
图3为本发明的基于计算机视觉的交叉导线识别方法中对图片进行laplacian滤波前后对比的示意图，左图为原图，右图为滤波后含有导线边缘轮廓的示意图；
[0043]
图4为本发明的基于计算机视觉的交叉导线识别方法中对图片进行hed边缘检测前后对比的示意图，左图为laplacian处理后的图，右图为hed边缘检测后含有导线边缘轮廓的二值化的示意图；
[0044]
图5为本发明的基于计算机视觉的交叉导线识别方法中，当面对颜色不同导线时进行hsv颜色空间筛选前后对比的示意图，左图为原图，中间及右图为筛选出的2个不同色的导线二值化的示意图；
[0045]
图6为本发明的基于计算机视觉的交叉导线识别方法中，图片进一步被闭运算的前后对比的示意图，左图为hed边缘检测后的图，右图为闭运算后的示意图；
[0046]
图7为本发明的基于计算机视觉的交叉导线识别方法中，图片被骨架提取的前后对比的示意图，左图为提取前的图，右图为提取后的示意图；
[0047]
图8为本发明的基于计算机视觉的交叉导线识别方法中，骨架提取图片进行去毛刺处理前后的示意图，左图为去毛刺前的图，右图为去毛刺后的示意图；
[0048]
图9为本发明的基于计算机视觉的交叉导线识别方法中，示例交叉导线的实物示例图；
[0049]
图10为本发明的基于计算机视觉的交叉导线识别方法中，示例数学建模下曲线拟合过程中，在坐标系中求出交点两侧曲线段无限接近于交点处的导数极限的示例图；
[0050]
图11为本发明的基于计算机视觉的交叉导线识别系统，结构示意图。
具体实施方式
[0051][0052]
为了使本领域的技术人员能够更好的理解本发明的技术方案，下面将结合实施例来对本发明的具体技术方案进行清楚、完整地描述，以助于本领域的技术人员进一步理解本发明。显然，本案所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思及相互不冲突的前提下，本技术中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，在本领域普通技术人员没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的揭露及保护范围。
[0053]
此外本发明的说明书和权利要求书及附图中的术语“第一”、“第二”、“s100”、“s200”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里描述的那些以外的顺序实施。同时本发明中的术语“包括”和“具有”以及他们的任何变形，意
图在于覆盖不排他的包含。除非另有明确的规定和限定，术语“设置”、“布设”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况，结合现有技术来理解上述术语在本案中的具体含义。
[0054]
请参阅图1至图10所示，为了能够识别交叉导线的各自走向，本发明提供了一种基于计算机视觉的交叉导线识别方法，其步骤包括：
[0055]
步骤s100 对含有交叉导线的图片数据进行预处理，以提取出其中交叉导线的骨架。
[0056]
具体来说，如图2所示，在本示例中，针对图片数据进行预处理前，首先需要判断图片中是否有颜色相同的导线，若有，则执行下述图片预处理步骤：
[0057]
步骤s110 laplacian滤波
[0058]
如图3所示，由于实际光照以及放置导线的背景颜色的问题，可能会使得导线淹没在背景中，为此需要提取图像中的高频分量（即导线）。首选是先用低频滤波操作将高频分量去掉，然后在通过高频滤波提取图像的边缘信息。
[0059]
示例中，本发明优选使用laplacian滤波，如图3所示，左图为原图，右图为laplacian滤波后的图，从中可以发现拉普拉斯算子在图像的边缘处变现十分优秀，能够将图片中导线边缘做的很细化。至此，即可以将淹没在背景中的导线提取出来。
[0060]
步骤s120 hed边缘检测
[0061]
如图4所示，在对图片中的高频成分进行强化后，可以发现噪声也随之增加，而导线的边缘尽管处理十分细化，但是还是无法直接对其进行分析，为此需要在laplacian滤波的基础上，进一步提取导线边缘并进行二值化处理，去除干扰。
[0062]
如图4右图所示，经过检测对比可以发现，hed边缘检测算法可以较为完整地将导线边缘提取，使得导线边缘清晰，排除了导线周围的噪声干扰。
[0063]
步骤s130 闭运算（先膨胀后腐蚀）
[0064]
如图6左图所示，在图片进行hed边缘检测后，由于边缘内部会产生空隙（或颜色空间转换后，会发现导线会存在空洞现象），所以需要进一步解决空隙（空洞）现象，而要想将图像抽象成为一条曲线，则此时就需要将其填满为一个实体，基于这种情况，首选闭运算处理。
[0065]
闭运算处理在本示例中是指，先将图像进行膨胀运算，再进行腐蚀运算，这样就能填平空隙（空洞），并保证总的位置和形状不变。如图6右图所示，该导线轮廓中的空隙已被填满，变成一个实体。
[0066]
步骤s140 骨架提取
[0067]
如图7左图所示，在图片数据已经被处理成为一个“仅剩导线实体”的情况下，此时需要将其抽象成为一个曲线，即将原始的粗线条变为便于数学建模的细曲线，此时就需要用到骨架提取算法，这种算法如图7右图所示，可以将存在的连通域细化为一个像素的宽度，便于进行特征提取。
[0068]
至此虽然已经提取出图片数据中交叉导线的骨架，但在实际应用中，常常会发现该骨架存在毛刺问题，该问题可能对后续提取曲线特征存在干扰，为此在可选的实施方式
中，当需要对此类问题进行处理时，还可执行下述步骤。
[0069]
步骤s150 毛刺去除
[0070]
如图8左图所示，展示了在图像进行骨架提取后，可能产生的毛刺现象，为了解决该问题，本示例中主要将所有分支与毛刺都看成不同长度的分支，如果分支长度过短小于一定长度就认为是毛刺，则应去除。其中每一个分支的结尾点都是一个端点。如图8右图所示，骨架上的毛刺基本被消除。
[0071]
至此，基于相同颜色导线提取骨架的图片数据预处理步骤完成。
[0072]
另一方面，如图2所示，当判断图片中存在颜色不同的导线时，则执行下述图片预处理步骤：
[0073]
步骤s111 hsv转换
[0074]
如图5左图所示，当导线颜色均不同时，可以直接将其所在的rgb颜色空间转换为hsv颜色空间，直接利用颜色差异将每根导线区分开，如表1所示，即根据每个颜色分别在h、s、v通道内是不同的取值范围，来分割提取目标对象。
[0075]
但是也存在背景颜色与导线颜色同属一个色系时难以分辨清楚的情况，所以此时就要在同一个色系内加以细分，即在此颜色的区间内继续缩小目标范围，直到找出最合适的颜色区间，从而准确筛选出所需要的特定的颜色所对应的对象，同时为了后续的操作，最后需要将筛选出的对象进行二值化处理。
[0076][0077]
表 [0078]
步骤s121 闭运算（先膨胀后腐蚀）
[0079]
如图6左图所示，在图片进行hed边缘检测后，由于边缘内部会产生空隙（或颜色空间转换后，会发现导线会存在空洞现象），所以需要进一步解决空隙（空洞）现象，而要想将图像抽象成为一条曲线，则此时就需要将其填满为一个实体，基于这种情况，首选闭运算处理。
[0080]
闭运算处理在本示例中是指，先将图像进行膨胀运算，再进行腐蚀运算，这样就能填平空隙（空洞），并保证总的位置和形状不变。如图6右图所示，该导线轮廓中的空隙已被
填满，变成一个实体。
[0081]
步骤s131 骨架提取
[0082]
如图7左图所示，在图片数据已经被处理成为一个“仅剩导线实体”的情况下，此时需要将其抽象成为一个曲线，即将原始的粗线条变为便于数学建模的细曲线，此时就需要用到骨架提取算法，这种算法如图7右图所示，可以将存在的连通域细化为一个像素的宽度，便于进行特征提取。
[0083]
至此虽然已经提取出图片数据中交叉导线的骨架，但在实际应用中，常常会发现该骨架存在毛刺问题，该问题可能对后续提取曲线特征存在干扰，为此在可选的实施方式中，当需要对此类问题进行处理时，还可执行下述步骤。
[0084]
步骤s150 毛刺去除
[0085]
如图8左图所示，展示了在图像进行骨架提取后，可能产生的毛刺现象，为了解决该问题，本示例中主要将所有分支与毛刺都看成不同长度的分支，如果分支长度过短小于一定长度就认为是毛刺，则应去除。其中每一个分支的结尾点都是一个端点。如图8右图所示，骨架上的毛刺基本被消除。
[0086]
至此，基于不同颜色导线提取骨架的图片数据预处理步骤完成。
[0087]
接下来需要将步骤s100中提取的导线骨架，进行数学建模下的曲线拟合及求导计算。
[0088]
步骤s200 将图片数据中交叉导线的骨架拟合为平面坐标系下的曲线，将曲线拟合为函数，以求解曲线交点两侧各条曲线段上接近于曲线交点处的导数极限。
[0089]
步骤s300 若曲线交点两侧的曲线段上存在一对导数极限相等时，则判断对应的两条曲线段属于同一条导线。
[0090]
具体来说，由于导线在现实情况下一般不会呈现出一个“存在不可导点”的曲线形态，所以细化后的曲线均可以近似看作为一条处处可导的连续曲线。
[0091]
根据数学理论，判断交点两边哪两部分同属于一条曲线，则只需要建立合理的坐标系，将曲线拟合为函数，并近似求出每部分无限接近于交点处的导数极限（数学上称为左导数和右导数），这样根据函数在交点处可导的条件，若存在两部分曲线上的一对导数极限相等，就可以此判断这两部分同属于一条导线，则整条导线判断完成。
[0092]
例如，首先若一个函数在点的左（右）邻域内有定义，若极限 存在，称为函数在处的左右导数，则：
[0093] [0094][0094][0095]
若函数处处可导（则在处必可导），再根据函数在处可导
的充分必要条件可得
[0096] [0097]
结合图9所示示例场景，导线经过之前的一系列处理后成为一条便于处理的曲线后，将其拟合为函数，然后将导线相交的点设为，再求左右导数，判断是否相等。
[0098]
如图10所示，示意了交叉导线经过处理后拟合为函数的效果图，假设、、和无限趋近于，则求出四个点的导数，即四个极限，必两两相等，如图可得：
[0099][0100][0101]
最后，由式(3)则可以判定与所在的两个曲线段部分同属于一条导线，而与所在的两个曲线段部分同属于另外一条导线，至此导线走向判定完成。
[0102]
另一方面，对应上述方法实施例，如图11所示，本发明还提供了一种基于生成对抗网络的库位状态检测系统，其包括：
[0103]
存储单元，用于存储包括如上述任一所述基于计算机视觉的交叉导线识别方法步骤的程序，以供控制单元，总处理单元，判断单元，适时调取执行；
[0104]
控制单元，用于操控相机采集含有交叉导线的图片数据；
[0105]
总处理单元，用于对含有交叉导线的图片数据进行预处理，以提取出其中交叉导线的骨架，并计算曲线交点两侧各条曲线段上接近于曲线交点处的导数极限；
[0106]
判断单元，用于判断若曲线交点两侧的曲线段上存在一对导数极限相等时，则判断对应的两条曲线段属于同一条导线。
[0107]
其中，所述总处理单元包括：
[0108]
图片处理模块，当判断图片中导线颜色相同时，用于通过低频滤波去除图片数据中的高频分量，然后再通过高频滤波提取图片数据中导线的边缘信息；随后将处理后的图片数据进行hed边缘检测处理，并二值化后，再将图片数据进行闭运算；最后执行骨架提取算法，从图片数据中提取导线骨架。
[0109]
另一方面，若图片处理模块，判断图片中导线颜色不同时，用于将图片数据进行hsv转换，利用hsv颜色空间内各导线的颜色差异来分割提取导线，并二值化后，再将图片数据进行闭运算；最后执行骨架提取算法，从图片数据中提取导线骨架。
[0110]
可选的，所述图片处理模块，当判断骨架存在毛刺时，还可用于将提取的导线骨架进行毛刺去除处理。
[0111]
计算模块，用于将图片数据中交叉导线的骨架拟合为平面坐标系下的曲线，将曲线拟合为函数，以求解曲线交点两侧各条曲线段上接近于曲线交点处的导数极限。
[0112]
另一方面，对应上述方法实施例，本发明的第三个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，其中所述计算机程序被处理器执行时，实现上述任一所述基于计算机视觉的交叉导线识别方法的步骤。
[0113]
综上所述，通过本发明提供的该基于计算机视觉的交叉导线识别方法及系统，能够巧妙的将交叉导线走向的判断问题，转换成交叉曲线在接近于交点处的求导及判断问题，从而将复杂问题简单化，籍此相比传统的人工智能学习网络的识别方案，所需运算量更小，实施更为简单，并能较为准确的分辨交叉导线的各自走向，从而在实际应用中，可以有效排除多根导线交叉带来的识别干扰。
[0114]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0115]
本领域技术人员可以理解，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
[0116]
此外实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器（processor）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
[0117]
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

技术特征：
1.一种基于计算机视觉的交叉导线识别方法，其特征在于，步骤包括：步骤s100 对含有交叉导线的图片数据进行预处理，以提取出其中交叉导线的骨架；步骤s200 将图片数据中交叉导线的骨架拟合为平面坐标系下的曲线，将曲线拟合为函数，以求解曲线交点两侧各条曲线段上接近于曲线交点处的导数极限；步骤s300 若曲线交点两侧的曲线段上存在一对导数极限相等时，则判断对应的两条曲线段属于同一条导线。2.根据权利要求1所述的基于计算机视觉的交叉导线识别方法，其特征在于，步骤s100中所述图片数据预处理的步骤包括：步骤s110 通过低频滤波去除图片数据中的高频分量，然后再通过高频滤波提取图片数据中导线的边缘信息；步骤s120将步骤s110处理后的图片数据进行hed边缘检测处理，并二值化；步骤s130 将步骤s120处理后的图片数据进行闭运算；步骤s140 执行骨架提取算法，从步骤s130处理后的图片数据中提取导线骨架。3.根据权利要求2所述的基于计算机视觉的交叉导线识别方法，其特征在于，步骤s100中所述图片数据预处理的步骤还包括：步骤s150 将提取的导线骨架进行毛刺去除处理。4.根据权利要求1所述的基于计算机视觉的交叉导线识别方法，其特征在于，步骤s100中所述图片数据预处理的步骤包括：步骤s111当图片中的导线颜色不同时，将图片数据进行hsv转换，利用hsv颜色空间内各导线的颜色差异来分割提取导线，并二值化；步骤s121将步骤s111处理后的图片数据进行闭运算；步骤s131执行骨架提取算法，从而步骤s121处理后的图片数据中提取导线骨架。5.根据权利要求4所述的基于计算机视觉的交叉导线识别方法，其特征在于，步骤s100中所述图片数据预处理的步骤还包括：步骤s150 将提取的导线骨架进行毛刺去除处理。6.一种基于生成对抗网络的库位状态检测系统，其特征在于包括：存储单元，用于存储包括如权利要求1至5中任一所述基于计算机视觉的交叉导线识别方法步骤的程序，以供控制单元，总处理单元，判断单元，适时调取执行；控制单元，用于操控相机采集含有交叉导线的图片数据；总处理单元，用于对含有交叉导线的图片数据进行预处理，以提取出其中交叉导线的骨架，并计算曲线交点两侧各条曲线段上接近于曲线交点处的导数极限；判断单元，用于判断若曲线交点两侧的曲线段上存在一对导数极限相等时，则判断对应的两条曲线段属于同一条导线。7.根据权利要求6所述的基于计算机视觉的交叉导线识别系统，其特征在于，所述总处理单元包括：图片处理模块，用于通过低频滤波去除图片数据中的高频分量，然后再通过高频滤波提取图片数据中导线的边缘信息；随后将处理后的图片数据进行hed边缘检测处理，并二值化后，再将图片数据进行闭运算；最后执行骨架提取算法，从图片数据中提取导线骨架；计算模块，用于将图片数据中交叉导线的骨架拟合为平面坐标系下的曲线，将曲线拟
合为函数，以求解曲线交点两侧各条曲线段上接近于曲线交点处的导数极限。8.根据权利要求6所述的基于计算机视觉的交叉导线识别系统，其特征在于，所述总处理单元包括：图片处理模块，用于当图片数据中的导线颜色不同时，将图片数据进行hsv转换，利用hsv颜色空间内各导线的颜色差异来分割提取导线，并二值化后，再将图片数据进行闭运算；最后执行骨架提取算法，从图片数据中提取导线骨架；计算模块，用于将图片数据中交叉导线的骨架拟合为平面坐标系下的曲线，将曲线拟合为函数，以求解曲线交点两侧各条曲线段上接近于曲线交点处的导数极限。9.根据权利要求7或8任一所述的基于计算机视觉的交叉导线识别系统，其特征在于，所述图片处理模块，还用于将提取的导线骨架进行毛刺去除处理。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。

技术总结
本发明提供了一种基于计算机视觉的交叉导线识别方法及系统、存储介质，其中方法步骤包括：步骤S100对含有交叉导线的图片数据进行预处理，以提取出其中交叉导线的骨架；步骤S200将图片数据中交叉导线的骨架拟合为平面坐标系下的曲线，将曲线拟合为函数，以求解曲线交点两侧各条曲线段上接近于曲线交点处的导数极限；步骤S300若曲线交点两侧的曲线段上存在一对导数极限相等时，则判断对应的两条曲线段属于同一条导线，籍此以识别交叉导线的各自走向。自走向。自走向。


技术研发人员：郑德欣 杨吉利 朱剑
受保护的技术使用者：上海锡鼎智能科技有限公司
技术研发日：2023.02.24
技术公布日：2023/7/13