CN102615052B - 一种用于具有拐角点特征的产品分拣的机器视觉识别方法 - Google Patents
一种用于具有拐角点特征的产品分拣的机器视觉识别方法 Download PDFInfo
- Publication number
- CN102615052B CN102615052B CN 201210038518 CN201210038518A CN102615052B CN 102615052 B CN102615052 B CN 102615052B CN 201210038518 CN201210038518 CN 201210038518 CN 201210038518 A CN201210038518 A CN 201210038518A CN 102615052 B CN102615052 B CN 102615052B
- Authority
- CN
- China
- Prior art keywords
- corner point
- value
- chain code
- point
- index value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
本发明公开了一种用于具有拐角点特征的产品分拣的机器视觉识别方法,包括步骤:对已知产品的图像轮廓进行Freeman链码编码,用Freeman链码对拐角点检测,计算所有拐角点的拐角点特征三维列向量,再对拐角点特征三维列向量排序,将向量序列作为已知产品向量序列;对待分拣对象的图像轮廓进行Freeman链码编码,用Freeman链码对拐角点检测,计算所有拐角点的拐角点特征三维列向量,再对拐角点特征三维列向量排序,将向量序列作为待分拣对象的向量序列;最后对已知产品的向量序列和待分拣对象的向量序列进行判断,完成机器视觉的识别。该方法用链码来简化表示已知产品和待分拣对象的形状,后续计算量小,所提取的向量序列具有缩放、旋转不变性,能够实现正确识别,算法简单。
Description
技术领域
本发明涉及利用机器视觉进行在线分拣的技术领域,尤其涉及在具有拐角点特征的产品分拣现场,利用机器视觉系统对产品进行在线识别的方法。
背景技术
分拣作业是大多数流水生产线上的一个重要环节。基于机器视觉的自动分拣与人工分拣作业相比,高效、准确,有质量保障,可以广泛应用于机械、食品、医药、化妆品等生产领域。
基于机器视觉的分拣系统工作时,待分拣对象被不断地送入分拣作业区。待分拣对象是指未被确定是何种产品,将要被执行识别和分拣的产品。待分拣对象随着传送带进入分拣作业区,工业摄像机在计算机的控制下,获取流水线上包含待分拣对象的图像,计算机读入该图像,通过对该图像进行处理、分析和判断,得到流水线上待分拣对象的特征信息,将该特征信息与事先存储在计算机中的各类已知产品的特征信息相比较,确定待分拣对象是哪一种产品,最终计算机发出控制信号给分拣执行机构,将待分拣对象放到指定位置,实现分拣。
为了实现自动分拣,首先要求基于机器视觉的分拣系统能够识别出流水线上待分拣对象是哪种已知产品,主要通过机器视觉来实现识别。现有技术中,识别主要有基于模板匹配的方法等。
基于模板匹配的识别方法过程为:首先获取已知产品的图像,作为模板图像,假设模板图像的尺寸为 像素×像素。然后,将模板图像的中心放在像素×像素的待匹配图像中的一个像素上,比较模板图像中每个像素点和待匹配图像中被模板图像覆盖的那部分图像的每个像素点是否一致,得到模板图像在这个像素点的相关系数,然后移动模板图像的中心到下一个像素点,按照同样的步骤计算下一个像素点的相关系数。对于整幅图像重复这一过程,相关系数最大的像素点为最佳匹配点,也就是目标在图像中所处的位置。
基于模板匹配的识别方法的优点是它对于噪声和遮挡的不敏感性。但是,由于匹配过程中需要计算几乎所有像素点的相关系数,是一个非常耗时的工作,计算开销十分大。另外,由于目标位姿随机,造成目标在图像中的方向不能保证完全不变,也给这种方法的识别带来困难。
在数字图像中,拐角点包含着物体的重要信息,可利用拐角点信息进行形状分析、模式识别等。专利“基于差别累加值及三点链码差的图像曲线拐角点检测方法”(专利号:CN101887582B)可实现对图像曲线的拐角点检测。
发明内容
针对现有技术存在的计算量大,难以处理待识别对象位姿随机情形的问题,本发明提供一种用于具有拐角点特征的产品分拣的机器视觉识别方法。本发明使用链码来计算已知产品和待分拣对象的向量序列,所提取的向量序列具有缩放、旋转不变性,在待分拣对象位姿随机的情况下,仍能够实现正确识别,匹配算法简单。
本发明方法的技术方案如下:
一种用于具有拐角点特征的产品分拣的机器视觉识别方法,包括以下步骤:
(1)、利用工业摄像机对流水线上的已知产品进行拍摄,得到已知产品的图像,对图像进行滤波、分割、二值化处理后,得到已知产品的二值图像,对二值图像中已知产品轮廓进行八方向Freeman链码编码得到Freeman链码,其中,是Freeman链码的起始点像素坐标,为已知产品轮廓的像素点数目,为已知产品轮廓上像素点的索引值,为点链码值;
(2)、使用“基于差别累加值及三点链码差的图像曲线拐角点检测方法”检测链码中的拐角点,依次为检测到的每一个拐角点设置拐角点索引值,拐角点索引值从0开始,计算每个拐角点的像素坐标,记为,其中,为拐角点索引值;
(3)、分别计算已知产品轮廓的每个拐角点的归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值,其中,为拐角点索引值。由归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值构成一个已知产品的拐角点特征三维列向量;
(5)、利用工业摄像机对流水线上的待分拣对象进行拍摄,得到待分拣对象的图像,对图像进行滤波、分割、二值化处理后,得到待分拣对象的二值图像,对二值图像中待分拣对象轮廓进行八方向Freeman链码编码得到Freeman链码,其中,是Freeman链码的起始点像素坐标,为待分拣对象轮廓的像素点数目,为已知产品轮廓上像素点的索引值,为点链码值,为表示待分拣对象的记号;
(6)、使用“基于差别累加值及三点链码差的图像曲线拐角点检测方法”检测链码中的拐角点,依次为检测到的每一个拐角点设置拐角点索引值,拐角点索引值从0开始,计算每个拐角点的像素坐标,记为,其中,为拐角点索引值;
(7)、分别计算待分拣对象轮廓的每个拐角点的归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值,其中,为拐角点索引值。由归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值构成一个待分拣对象的拐角点特征三维列向量;
本发明的一种用于具有拐角点特征的产品分拣的机器视觉识别方法与现有技术相比较,具有如下突出实质性优点:
1、该方法提取已知产品和待分拣对象向量序列的过程,采用Freeman链码表示,并对每个拐角点提取拐角点特征三维列向量,计算量小,应用于基于机器视觉的分拣系统作业过程,有利于提高分拣速度和效率;
2、该方法提取到的已知产品的向量序列和待分拣对象的向量序列分别包含了已知产品和待分拣对象的特征信息,其中,每个拐角点特征三维列向量中归一化拐角点距离特征值反映了已知产品和待分拣对象的特征信息,拐角点向前的局部直方图中最大值对应的Freeman链码值和拐角点向后的局部直方图中最大值对应的Freeman链码值反映了已知产品和待分拣对象的特征信息;
3、该方法提取到的待分拣对象的向量序列具有旋转、缩放不变性,其中,由于采用归一化拐角点质心距离值,对缩放具有不变性;由于对得到拐角点特征三维列向量进行了重新排序,使得到的向量序列具有旋转不变性。能够应对待分拣对象在流水线上位姿随机变化;
4、该方法对图像中待分拣对象的识别过程,采用的匹配准则简洁,所提取的向量序列能从拐角点质心距离特征值和拐角点局部特征方面进行匹配,提高了对待分拣对象的识别率,最终提高了分拣作业的正确性和有效性。
附图说明
图 1是本发明的一种用于具有拐角点特征的产品分拣的机器视觉识别系统的结构示意图;
图 2本发明的一种用于具有拐角点特征的产品分拣的机器视觉识别方法的流程图;
图 3是图2中步骤(3)的流程图;
图 4是图2中步骤(4)的流程图;
图 5是图2中步骤(7)的流程图;
图 6是图2中步骤(8)的流程图;
图 7是图2中步骤(9)的流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明:
如图1 所示,图中为本发明适用的基于机器视觉的分拣系统,该系统包括用于传送待分拣对象的流水线传送带、装在流水线传送带旁的工业摄像机、与工业摄像机连接的计算机、分拣执行机构,进行识别分拣时,将待分拣对象被不断地送入分拣作业区,待分拣对象是指未被确定是何种产品,将要被执行识别分拣的产品。待分拣对象随着传送带进入分拣作业区,工业摄像机在计算机的控制下,获取流水线上包含待分拣对象的图像,工业摄像机将包含待分拣对象的图像送入计算机,通过对此图像进行处理、分析和判断,得到待分拣对象的特征信息,将该特征该信息与事先存储在计算机中的已知产品的特征信息相比较,确定识别出待分拣对象是哪一种产品,最终计算机发出控制信号给分拣执行机构,将待分拣对象放到指定位置。
如图2所示,一种用于具有拐角点特征的产品分拣的机器视觉识别方法,首先,对已知产品的图像轮廓进行Freeman链码编码,对Freeman链码进行拐角点检测,然后计算所有拐角点的拐角点特征三维列向量,再对拐角点特征三维列向量进行排序,将得到的向量序列作为已知产品的向量序列,存储在用于识别和分拣控制的计算机中;对待分拣对象的图像轮廓进行Freeman链码编码,采用Freeman链码进行对拐角点检测,然后计算所有拐角点的拐角点特征三维列向量,再对拐角点特征三维列向量进行排序,将得到的向量序列作为待分拣对象的向量序列;最后对已知产品的向量序列和待分拣对象的向量序列进行判断,完成机器视觉的识别。该方法使用链码来简化表示已知产品和待分拣对象的形状,后续计算量小,所提取的向量序列具有缩放、旋转不变性,能够实现正确识别,匹配算法简单。其具体包括以下步骤:
(1)、利用工业摄像机对流水线上的已知产品进行拍摄,得到已知产品的图像,对图像进行滤波、分割、二值化处理后,得到已知产品的二值图像,对二值图像中已知产品轮廓进行八方向Freeman链码编码得到Freeman链码,其中,是Freeman链码的起始点像素坐标,为已知产品轮廓的像素点数目,为已知产品轮廓上像素点的索引值,为点链码值;
其具体步骤如下:
(1-1)、利用工业摄像机对流水线上的已知产品进行拍摄,得到已知产品的图像,对图像进行滤波、分割、二值化处理后,得到已知产品的二值图像;
(1-2)、对二值图像中已知产品轮廓进行八方向Freeman链码编码得到Freeman链码,其具体为:在二值图像中已知产品轮廓上,从像素坐标为的像素点起,沿着已知产品轮廓,按逆时针方向依次记录轮廓上第个像素点所对应的Freeman链码值,该记录的链码值所形成的序列为已知产品轮廓的Freeman链码,其中,是Freeman链码的起始点像素坐标,为已知产品轮廓的像素点数目,为已知产品轮廓上像素点的索引值,为点链码值,;
(2)、使用“基于差别累加值及三点链码差的图像曲线拐角点检测方法”检测链码中的拐角点,依次为检测到的每一个拐角点设置拐角点索引值,拐角点索引值从0开始,计算每个拐角点的像素坐标,记为,其中,为拐角点索引值,其具体如下:
(2-2)、根据差别累加值将图像曲线上所有的点分为拐角点、非拐角点和可疑点:
(2-4)、将可疑点的三点链码差与阈值进行比较,当三点链码差大于阈值时,此点为拐角点,当三点链码差小于或等于阈值时此点为非拐点;所述的阈值理论上没有固定值,根据自己对拐角点判断的严厉程度进行设置,一般取36较为合适;将本步骤得到的拐角点与步骤(2-2)得到的拐角点按照链码编码的先后顺序进行合并,得到所有拐角点;
(3)、分别计算已知产品轮廓的每个拐角点的归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值,其中,为拐角点索引值。由归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值构成一个已知产品的拐角点特征三维列向量,如图3所示,其具体步骤如下:
(5)
其向后的局部直方图定义为:
(3-2-2)、根据拐角点向前的局部直方图和向后的局部直方图,分别得出每个拐角点的向前的局部直方图中最大值对应的Freeman链码值,向后的局部直方图中最大值对应的Freeman链码值。对于拐角点索引值为的拐角点来说,它的和的计算表达式为:
式中,为拐角点索引值,为拐角点在Freeman链码中的链码索引值,为链码索引值为、拐角点索引值为的拐角点向前的局部直方图,为链码索引值为、拐角点索引值为的拐角点向后的局部直方图,为直方图中的最大值,为直方图中的最大值,为拐角点向前的局部直方图中的最大值对应的Freeman链码值,为拐角点向后的局部直方图中的最大值对应的Freeman链码值;
(3-3)、由归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点向后的局部直方图中最大值对应的Freeman链码值,为每个拐角点构建一个拐角点特征三维列向量,其表达式:, 其中,为拐角点索引值。
(4)、对由步骤(3)中得到的所有拐角点特征三维列向量进行排序,排序后的向量序列作为已知产品向量序列,记为,将已知产品向量序列存储在用于识别和分拣控制的计算机中,所述的为已知产品的拐角点数目,如图4所示,其具体步骤如下:
(4-1)、比较由步骤(3)得到的所有拐角点特征三维列向量中归一化拐角点质心距离值的大小,得到最小归一化拐角点质心距离值对应的拐角点特征三维列向量的拐角点索引值,其具体步骤如下:
(4-1-2)、从拐角点索引值为1的拐角点特征三维列向量开始,按照拐角点索引值大小的顺序,比较每个拐角点的拐角点特征三维列向量中归一化拐角点质心距离值(,为已知产品拐角点的总个数)与的大小,若小于,则把赋值给,把赋值给,其表达式为:,;
(9)
(5)、利用工业摄像机对流水线上的待分拣对象进行拍摄,得到待分拣对象的图像,对图像进行滤波、分割、二值化处理后,得到待分拣对象的二值图像,对二值图像中待分拣对象轮廓进行八方向Freeman链码编码得到Freeman链码,其中,是Freeman链码的起始点像素坐标,为待分拣对象轮廓的像素点数目,为已知产品轮廓上像素点的索引值,为点链码值,为表示待分拣对象的记号,其具体步骤如下:
(5-1)、利用工业摄像机对流水线上的待分拣对象进行拍摄,得到待分拣对象的图像,对图像进行滤波、分割、二值化处理后,得到待分拣对象的二值图像;
(5-2)、对二值图像中待分拣对象轮廓进行八方向Freeman链码编码得到Freeman链码,其具体为:在二值图像待分拣对象轮廓上,从像素坐标为的像素点起,沿着待分拣对象轮廓,按逆时针方向依次记录轮廓上第个像素点所对应的Freeman链码值,该记录的链码值所形成的序列为待分拣对象轮廓的Freeman链码,其中,是Freeman链码的起始点像素坐标,为待分拣对象的二值图像轮廓的像素点数目,为待分拣对象轮廓上像素点的索引值,为点链码值,,为表示待分拣对象的记号;
(6)、使用“基于差别累加值及三点链码差的图像曲线拐角点检测方法”检测链码中的拐角点,依次为检测到的每一个拐角点设置角点索引值,拐角点索引值从0开始,计算每个拐角点的像素坐标,记为,其中,为拐角点索引值,其具体如下:
(6-2)、根据差别累加值将图像曲线上所有的点分为拐角点、非拐角点和可疑点:
(6-4)、将可疑点的三点链码差与阈值进行比较,当三点链码差大于阈值时,此点为拐角点,当三点链码差小于或等于阈值时此点为非拐点;所述的阈值理论上没有固定值,根据自己对拐角点判断的严厉程度进行设置,一般取36较为合适;将本步骤得到的拐角点与步骤(6-2)得到的拐角点按照链码编码的先后顺序进行合并,得到所有拐角点;
时,;
(7)、分别计算待分拣对象轮廓的每个拐角点的归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值,其中,为拐角点索引值。由归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值构成一个待分拣对象的拐角点特征三维列向量,如图5所示,其具体步骤如下:
(14)
(16)
其向后的局部直方图定义为:
(7-2-2)、根据拐角点向前的局部直方图和向后的局部直方图,分别得出每个拐角点的向前的局部直方图中最大值对应的Freeman链码值,向后的局部直方图中最大值对应的Freeman链码值。对于拐角点索引值为的拐角点来说,它的和的计算表达式为:
式中,为拐角点索引值,为拐角点在Freeman链码中的链码索引值,为链码索引值为、拐角点索引值为的拐角点向前的局部直方图,为链码索引值为、拐角点索引值为的拐角点向后的局部直方图,为直方图中的最大值,为直方图中的最大值,为拐角点向前的局部直方图中的最大值对应的Freeman链码值,为拐角点向后的局部直方图中的最大值对应的Freeman链码值;
(7-3)、由归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点向后的局部直方图中最大值对应的Freeman链码值,为每个拐角点构建一个拐角点特征三维列向量,其表达式:, 其中,为拐角点索引值。
(8-1)、比较由步骤(7)得到的所有拐角点特征三维列向量中归一化拐角点质心距离值的大小,得到最小归一化拐角点质心距离值对应的拐角点特征三维列向量的拐角点索引值;
(8-1-2)、从拐角点索引值为1的拐角点特征三维列向量开始,按照拐角点索引值大小的顺序,比较每个拐角点的拐角点特征三维列向量中归一化拐角点质心距离值(,为待分拣对象拐角点的总个数)与的大小,若小于,则把赋值给,把赋值给,其表达式为:,;
(8-2)、计算所有拐角点特征三维列向量的序列索引值,其计算式如下:
(20)
式中,为已知产品的拐角点特征三维列向量中的归一化拐角点质心距离值;
式中,为已知产品的拐角点特征三维列向量中的向前的局部直方图中最大值对应的Freeman链码值;为待分拣对象的拐角点特征三维列向量中的向前的局部直方图中最大值对应的Freeman链码值;为对中括号内的数值或表达式进行模8运算;
式中,为已知产品的拐角点特征三维列向量中的向后的局部直方图中最大值对应的Freeman链码值;为待分拣对象的拐角点特征三维列向量中的向后的局部直方图中最大值对应的Freeman链码值;为对中括号内的数值或表达式进行模8运算;
(24)
Claims (8)
1.一种用于具有拐角点特征的产品分拣的机器视觉识别方法,其特征在于,该方法包括以下步骤:
(1)、利用工业摄像机对流水线上的已知产品进行拍摄,得到已知产品的图像,对图像进行滤波、分割、二值化处理后,得到已知产品的二值图像,对二值图像中已知产品轮廓进行八方向Freeman链码编码得到Freeman链码 ,其中,是Freeman链码的起始点像素坐标,为已知产品轮廓的像素点数目,为已知产品轮廓上像素点的索引值,为点链码值;
(2)、使用基于差别累加值及三点链码差的图像曲线拐角点检测方法来检测链码中的拐角点,依次为检测到的每一个拐角点设置拐角点索引值,拐角点索引值从0开始,计算每个拐角点的像素坐标,记为,其中,为拐角点索引值,其具体如下:
(2-2)、根据差别累加值将图像曲线上所有的点分为拐角点、非拐角点和可疑点:
(2-4)、将可疑点的三点链码差与阈值进行比较,当三点链码差大于阈值时,此点为拐角点,当三点链码差小于或等于阈值时此点为非拐点;所述的阈值为36;将本步骤得到的拐角点与步骤(2-2)得到的拐角点按照链码编码的先后顺序进行合并,得到所有拐角点;
(3)、分别计算已知产品轮廓的每个拐角点的归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值,其中,为拐角点索引值;
(5)、利用工业摄像机对流水线上的待分拣对象进行拍摄,得到待分拣对象的图像,对图像进行滤波、分割、二值化处理后,得到待分拣对象的二值图像,对二值图像中待分拣对象轮廓进行八方向Freeman链码编码得到Freeman链码,其中,是Freeman链码的起始点像素坐标,为待分拣对象轮廓的像素点数目,为已知产品轮廓上像素点的索引值,为点链码值,为表示待分拣对象的记号;
(6)、使用基于差别累加值及三点链码差的图像曲线拐角点检测方法来检测链码中的拐角点,依次为检测到的每一个拐角点设置拐角点索引值,拐角点索引值从0开始,计算每个拐角点的像素坐标,记为,其中,为拐角点索引值,其具体如下:
(6-2)、根据差别累加值将图像曲线上所有的点分为拐角点、非拐角点和可疑点:
当第个点的差别累加值时为非拐角点;
(6-4)、将可疑点的三点链码差与阈值进行比较,当三点链码差大于阈值时,此点为拐角点,当三点链码差小于或等于阈值时此点为非拐点;所述的阈值为36;将本步骤得到的拐角点与步骤(6-2)得到的拐角点按照链码编码的先后顺序进行合并,得到所有拐角点;
(11)
(7)、分别计算待分拣对象轮廓的每个拐角点的归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值,其中,为拐角点索引值;
2.根据权利要求1所述的一种用于具有拐角点特征的产品分拣的机器视觉识别方法,其特征在于,上述步骤(1)所述的利用工业摄像机对流水线上的已知产品进行拍摄,得到已知产品的图像,对图像进行滤波、分割、二值化处理后,得到已知产品的二值图像,对二值图像中已知产品轮廓进行八方向Freeman链码编码得到Freeman链码,其中, 为Freeman链码的起始点像素坐标,为已知产品轮廓的像素点数目,为已知产品轮廓上像素点的索引值,为点链码值,其具体步骤如下:
(1-1)、利用工业摄像机对流水线上的已知产品进行拍摄,得到已知产品的图像,对图像进行滤波、分割、二值化处理后,得到已知产品的二值图像;
3.根据权利要求1所述的一种用于具有拐角点特征的产品分拣的机器视觉识别方法,其特征在于,上述步骤(3)所述的分别计算已知产品轮廓的每个拐角点的归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值,其中,为拐角点索引值;
(3-1-3)、计算每个拐角点的归一化拐角点质心距离值;
其向后的局部直方图定义为:
式中,为拐角点索引值,为拐角点在Freeman链码中的链码索引值,为链码索引值为、拐角点索引值为的拐角点向前的局部直方图,为链码索引值为、拐角点索引值为的拐角点向后的局部直方图,为直方图中的最大值,为直方图中的最大值,为拐角点向前的局部直方图中的最大值对应的Freeman链码值,为拐角点向后的局部直方图中的最大值对应的Freeman链码值;
4.根据权利要求1所述的一种用于具有拐角点特征的产品分拣的机器视觉识别方法,其特征在于,上述步骤(4)所述的对由步骤(3)中得到的所有拐角点特征三维列向量进行排序,排序后的向量序列作为已知产品向量序列,记为,将已知产品向量序列存储在用于识别和分拣控制的计算机中,所述的为已知产品的拐角点数目,其具体步骤如下:
(4-1)、比较由步骤(3)得到的所有拐角点特征三维列向量中归一化拐角点质心距离值的大小,得到最小归一化拐角点质心距离值对应的拐角点特征三维列向量的拐角点索引值,其具体步骤如下:
(4-1-2)、从拐角点索引值为1的拐角点特征三维列向量开始,按照拐角点索引值大小的顺序,比较每个拐角点的拐角点特征三维列向量中归一化拐角点质心距离值与的大小,其中,为已知产品拐角点的总个数,若小于,则把赋值给,把赋值给,其表达式为:,;
(9)
(4-3-2)记,得到:
5.根据权利要求1所述的一种用于具有拐角点特征的产品分拣的机器视觉识别方法,其特征在于,上述步骤(5)所述的利用工业摄像机对流水线上的待分拣对象进行拍摄,得到待分拣对象的图像,对图像进行滤波、分割、二值化处理后,得到待分拣对象的二值图像,对二值图像中待分拣对象轮廓进行八方向Freeman链码编码得到Freeman链码,其中,是Freeman链码的起始点像素坐标,为待分拣对象轮廓的像素点数目,为已知产品轮廓上像素点的索引值,为点链码值,为表示待分拣对象的记号,其具体步骤如下:
(5-1)、利用工业摄像机对流水线上的待分拣对象进行拍摄,得到待分拣对象的图像,对图像进行滤波、分割、二值化处理后,得到待分拣对象的二值图像;
6.根据权利要求1所述的一种用于具有拐角点特征的产品分拣的机器视觉识别方法,其特征在于,上述步骤(7)所述的分别计算待分拣对象轮廓的每个拐角点的归一化拐角点质心距离值、拐角点向前的局部直方图中最大值对应的Freeman链码值、拐角点的向后直方图中最大值对应的Freeman链码值,其中,为拐角点索引值;
(12)
(7-1-3)、计算每个拐角点的归一化拐角点质心距离值;
其向后的局部直方图定义为:
式中,为拐角点索引值,为拐角点在Freeman链码中的链码索引值,为链码索引值为、拐角点索引值为的拐角点向前的局部直方图,为链码索引值为、拐角点索引值为的拐角点向后的局部直方图,为直方图中的最大值,为直方图中的最大值,为拐角点向前的局部直方图中的最大值对应的Freeman链码值,为拐角点向后的局部直方图中的最大值对应的Freeman链码值;
7.根据权利要求1所述的一种用于具有拐角点特征的产品分拣的机器视觉识别方法,其特征在于,上述步骤(8)所述的对由步骤(7)中得到的所有拐角点特征三维列向量进行排序,排序后的向量序列作为待分拣对象向量序列,记为,所述的为待分拣对象的拐角点数目,其具体步骤如下:
(8-1)、比较由步骤(7)得到的所有拐角点特征三维列向量中归一化拐角点质心距离值的大小,得到最小归一化拐角点质心距离值对应的拐角点特征三维列向量的拐角点索引值;
(8-1-2)、从拐角点索引值为1的拐角点特征三维列向量开始,按照拐角点索引值大小的顺序,比较每个拐角点的拐角点特征三维列向量中归一化拐角点质心距离值与的大小,其中,为待分拣对象拐角点的总个数,若小于,则把赋值给,把赋值给,其表达式为:,;
(8-3)、按照序列索引值的大小对所有拐角点特征三维列向量进行排序,得到待分拣对象的向量序列,其具体步骤为:
8.根据权利要求1所述的一种用于具有拐角点特征的产品分拣的机器视觉识别方法,其特征在于,上述步骤(9)所述的对已知产品的向量序列和待分拣对象的向量序列进行判断,完成机器视觉的识别,其具体步骤如下:
(22)
式中,为已知产品的拐角点特征三维列向量中的向前的局部直方图中最大值对应的Freeman链码值;为待分拣对象的拐角点特征三维列向量中的向前的局部直方图中最大值对应的Freeman链码值;为对中括号内的数值或表达式进行模8运算;
计算拐角点向后的局部直方图的链码值差值:
式中,为已知产品的拐角点特征三维列向量中的向后的局部直方图中最大值对应的Freeman链码值;为待分拣对象的拐角点特征三维列向量中的向后的局部直方图中最大值对应的Freeman链码值;为对中括号内的数值或表达式进行模8运算;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210038518 CN102615052B (zh) | 2012-02-21 | 2012-02-21 | 一种用于具有拐角点特征的产品分拣的机器视觉识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210038518 CN102615052B (zh) | 2012-02-21 | 2012-02-21 | 一种用于具有拐角点特征的产品分拣的机器视觉识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102615052A CN102615052A (zh) | 2012-08-01 |
CN102615052B true CN102615052B (zh) | 2013-12-25 |
Family
ID=46555456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201210038518 Active CN102615052B (zh) | 2012-02-21 | 2012-02-21 | 一种用于具有拐角点特征的产品分拣的机器视觉识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102615052B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2514397B (en) * | 2013-05-23 | 2017-10-11 | Linear Algebra Tech Ltd | Corner detection |
CN103489192B (zh) * | 2013-09-30 | 2017-01-11 | 北京林业大学 | 一种拟南芥叶片个数及叶片尖点到质心的距离的检测方法 |
CN104867141B (zh) * | 2015-05-14 | 2018-11-09 | 浙江工业大学 | 一种连续生产中的无纺布袋自动定位方法 |
CN105931218B (zh) * | 2016-04-07 | 2019-05-17 | 武汉科技大学 | 模块化机械臂的智能分拣方法 |
CN109711418B (zh) * | 2019-01-29 | 2020-12-01 | 浙江大学 | 一种针对物体平面图像的轮廓角点检测方法 |
CN110110760A (zh) * | 2019-04-17 | 2019-08-09 | 浙江工业大学 | 一种基于机器视觉的工件定位与识别方法 |
CN111994610B (zh) * | 2020-08-08 | 2021-11-05 | 苏州麟琪程科技有限公司 | 物流输送机用自动甄选装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6580813B1 (en) * | 1998-08-10 | 2003-06-17 | W. Schlafhorst Ag & Co. | Method and apparatus for detecting residual yarn on spinning cop tubes |
CN101887582A (zh) * | 2010-06-03 | 2010-11-17 | 西北工业大学 | 基于差别累加值及三点链码差的曲线拐角点检测方法 |
CN101916441A (zh) * | 2010-08-06 | 2010-12-15 | 西北工业大学 | 一种数字图像中基于Freeman链码的曲线匹配方法 |
-
2012
- 2012-02-21 CN CN 201210038518 patent/CN102615052B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6580813B1 (en) * | 1998-08-10 | 2003-06-17 | W. Schlafhorst Ag & Co. | Method and apparatus for detecting residual yarn on spinning cop tubes |
CN101887582A (zh) * | 2010-06-03 | 2010-11-17 | 西北工业大学 | 基于差别累加值及三点链码差的曲线拐角点检测方法 |
CN101916441A (zh) * | 2010-08-06 | 2010-12-15 | 西北工业大学 | 一种数字图像中基于Freeman链码的曲线匹配方法 |
Non-Patent Citations (4)
Title |
---|
一种有效的基于Freeman链码的拐角检测法;张小莉等;《电子测量与仪器学报》;19990630;第13卷(第2期);第14页到第19页 * |
基于分段链码的图像内容识别方法研究;杨海涛等;《计算机工程与应用》;20101130(第32期);第152页到第155页,第158页 * |
张小莉等.一种有效的基于Freeman链码的拐角检测法.《电子测量与仪器学报》.1999,第13卷(第2期),第14页到第19页. |
杨海涛等.基于分段链码的图像内容识别方法研究.《计算机工程与应用》.2010,(第32期),第152页到第155页,第158页. |
Also Published As
Publication number | Publication date |
---|---|
CN102615052A (zh) | 2012-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102615052B (zh) | 一种用于具有拐角点特征的产品分拣的机器视觉识别方法 | |
US10990191B2 (en) | Information processing device and method, program and recording medium for identifying a gesture of a person from captured image data | |
CN101887586B (zh) | 基于图像轮廓尖锐度的自适应角点检测方法 | |
CN101393605B (zh) | 图像处理设备和图像处理方法 | |
Ushani et al. | A learning approach for real-time temporal scene flow estimation from lidar data | |
CN101493889B (zh) | 对视频对象进行跟踪的方法及装置 | |
WO2015136714A1 (ja) | 画像識別装置、画像センサ、画像識別方法 | |
CN102034114A (zh) | 一种基于特征点检测的模板匹配跟踪方法 | |
JP2001004368A (ja) | 物体認識装置 | |
CN106920259A (zh) | 一种定位方法及系统 | |
CN102722887A (zh) | 一种图像配准方法及装置 | |
CN102034355A (zh) | 一种基于特征点匹配的车辆检测及跟踪方法 | |
CN104268860A (zh) | 一种车道线检测方法 | |
CN110084830B (zh) | 一种视频运动目标检测与跟踪方法 | |
US10614321B2 (en) | Travel lane detection method and travel lane detection device | |
JP2014009975A (ja) | ステレオカメラ | |
CN107895166B (zh) | 基于特征描述子的几何哈希法实现目标鲁棒识别的方法 | |
KR101456172B1 (ko) | 이동로봇의 위치인식 장치, 방법 및 이동로봇 | |
Danescu et al. | Lane geometry estimation in urban environments using a stereovision system | |
CN104732222B (zh) | 一种基于深度摄像头的多特征人体识别方法 | |
Romero-González et al. | Inlida: A 3d lidar dataset for people detection and tracking in indoor environments | |
KR20130132128A (ko) | 이동 로봇 및 이의 제어 방법 | |
CN111932617A (zh) | 一种对规则物体实现实时检测定位方法和系统 | |
CN111862147A (zh) | 视频中多车辆和多行人目标的跟踪方法 | |
JP5345999B2 (ja) | レーンマーク認識装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191111 Address after: 200333 Building 9, No. 505, Wuning Road, Putuo District, Shanghai Patentee after: Shanghai robotics Industrial Technology Research Institute Co., Ltd. Address before: 200444 Baoshan District Road, Shanghai, No. 99 Patentee before: Shanghai University |
|
TR01 | Transfer of patent right |