CN102901444B - 一种基于mp小波滤波的零件尺寸检测方法及其检测系统 - Google Patents
一种基于mp小波滤波的零件尺寸检测方法及其检测系统 Download PDFInfo
- Publication number
- CN102901444B CN102901444B CN201210312205.4A CN201210312205A CN102901444B CN 102901444 B CN102901444 B CN 102901444B CN 201210312205 A CN201210312205 A CN 201210312205A CN 102901444 B CN102901444 B CN 102901444B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- edge
- size
- pixel 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.)
- Expired - Fee Related
Links
Abstract
本发明公开了一种基于MP小波滤波的零件尺寸检测方法,包括:(1)对CCD摄像机进行标定;(2)采集零件图像,对图像进行MP小波滤波;(3)对图像进行微分算子边缘检测;(4)对边缘像素进行亚像素边缘检测;(5)根据亚像素坐标计算零件的尺寸,进而生成CAD图。本发明方法通过对零件图像进行MP小波滤波,同时对滤波后的图像进行亚像素边缘检测,根据亚像素坐标计算提取零件的尺寸,能够相应提高检测精度,加快检测速度。本发明还公开了基于上述检测方法的检测系统,包括图像采集单元、图像处理单元和图像生成单元;本发明系统利用摄像机结合PC机可以实时对流水线上的零件进行图像采集和图像处理,保证了零件检测的时效性。
Description
技术领域
本发明属于检测技术领域,具体涉及一种基于MP(极大代数)小波滤波的零件尺寸检测方法及其检测系统。
背景技术
零件在军工、民用中有着广泛应用,故对零件尺寸的精确检测有着重要的意义。零件尺寸的检测需要有较高的检测精度,以减少误差,提高产品的质量。流水生产线上对零件尺寸检测需要较高的检测速度,以提高检测效率。故欲对零件尺寸进行高效检测,需要认真考虑检测速度与精度。
现有流水生产线上对零件尺寸检测,主要有以下几种方式:(1)人工检测,操作工人利用检测工具抽样选取零件,这种检测方式的检测精度取决于工人的检测水平,通常检测精度低,检测结果的可靠性不高,且检测速度较慢。(2)基于数字图像处理技术的检测,通过CCD摄像机采集零件图像,采用数字图像处理技术对零件尺寸进行检测。这种检测方法的速度与精度受检测算法的影响很大;其中,图像滤波和边缘检测是检测算法中核心的部分,极大程度上影响着零件尺寸检测的速度与精度。已有的对零件图像滤波方法往往难以兼顾速度与精度要求:均值滤波容易造成图像模糊,中值滤波对非椒盐噪声的噪声滤波效果不理想,而实际中的噪声往往不是椒盐噪声,故难以满足精度要求;小波滤波具有较好的滤波效果,但耗时长,难以满足速度要求。已有的对零件图像边缘检测方法采用常见的微分算子边缘检测:Robert边缘检测、Prewitt边缘检测、Sobel边缘检测、Laplacian边缘检测等方法,这些边缘检测方法虽有较快的检测速度,但难以满足检测精度,尤其对检测精度有较高要求的零件;基于矩的亚像素边缘检测和基于曲线拟合的亚像素边缘检测有较高的检测精度,但难以满足检测速度要求;基于4个或者8个方向的Sobel边缘检测结合插值法的亚像素边缘检测方法由于Sobel算子是3×3大小,所以计算量大,难以满足检测速度要求。
另外,现有的零件尺寸检测后没有AutoCAD生成显示功能,所以不能直观的看到零件边缘及尺寸图像,这为后续的零件处理,譬如确定缺陷零件的缺陷位置、修补缺陷零件而言带来很大的不便,造成资源的浪费;且AutoCAD格式便于数据的标准化保存格式与处理。
发明内容
针对现有技术所存在的上述技术缺陷,本发明提供了一种基于MP小波滤波的零件尺寸检测方法及其检测系统,能够实现零件尺寸的精确检测,同时较已有精确检测方法更快速。
一种基于MP小波滤波的零件尺寸检测方法,包括如下步骤:
(1)对摄像机进行标定,得到像素当量系数;
(2)利用摄像机对零件进行图像采集,对采集到的零件图像进行MP小波滤波;
(3)对滤波后的零件图像进行基于微分算子的边缘检测,得到零件的边缘梯度图像;
(4)对所述的边缘梯度图像中各边缘像素进行亚像素边缘检测,得到各边缘像素的亚像素坐标;
(5)根据各边缘像素的亚像素坐标以及像素当量系数,计算出零件的尺寸。
优选地,所述的步骤(2)中,对零件图像进行MP小波滤波的方法为:
1)先将所述的零件图像分解成一张近似图像I1和p2-1张细节图像D1,以完成一级分解;然后将近似图像I1分解成一张近似图像I2和p2-1张细节图像D2,以完成二级分解;对近似图像I2再进行分解,依此完成n级分解,得到一张近似图像In和多张细节图像,p为大于1的自然数;
2)将分解得到的所有细节图像进行阈值化处理;
3)先根据近似图像In以及阈值化后的p2-1张细节图像Dn对近似图像In-1进行重构;然后根据重构得到的近似图像In-1以及阈值化后的p2-1张细节图像Dn-1对近似图像In-2进行重构,依此逐级进行重构;最后根据重构得到的近似图像I1以及阈值化后的p2-1张细节图像D1对零件图像进行重构,重构得到的零件图像即为滤波后的零件图像。
所述的步骤1)中,将目标图像分解成一张近似图像和p2-1张细节图像的过程如下,所述的目标图像为零件图像或近似图像;
a.将目标图像划分成m个图像块,所述的图像块的尺寸为p×p;
b.根据以下公式求解目标图像分解后的近似图像:
y(i)=min[xi(0),xi(1),xi(2),…,xi(p2-1)]
其中:y(i)为近似图像中第i像素的像素值,xi(0)为目标图像第i图像块的中心像素的像素值,xi(1)~xi(p2-1)分别为目标图像第i图像块中除中心像素外其余各像素的像素值;i为自然数且1≤i≤m;
c.根据以下公式求解目标图像分解后的细节图像:
zj(i)=|z′j(i)|=|xi(0)-xi(j)|
其中:zj(i)为第j张细节图像的中第i像素的像素值,z′j(i)为第j张细节图像的中第i像素的准像素值,xi(j)为目标图像第i图像块中除中心像素外其余像素中第j像素的像素值,j为自然数且1≤j≤p2-1。
所述的步骤2)中,对细节图像进行阈值化处理的方法为:使细节图像中每个像素的像素值与给定的像素阈值进行比较,将像素值小于或等于像素阈值的像素的像素值置为其准像素值,将像素值大于像素阈值的像素的像素值置为0。
所述的步骤3)中,对待还原图像进行重构的过程如下,所述的待还原图像为近似图像或零件图像;
a.初始化待还原图像中各像素的像素值均为0,将待还原图像划分成m个图像块,所述的图像块的尺寸为p×p;
b.根据以下公式求解待还原图像每个图像块的中心像素的像素值:
其中:Ai(0)为待还原图像第i图像块的中心像素的像素值,B(i)为待还原图像对应的近似图像中第i像素的像素值,分别为待还原图像对应阈值化后的各细节图像中第i像素的像素值;
c.根据以下公式求解待还原图像每个图像块中除中心像素外其余像素的像素值:
Ai[j]=Ai(0)-Cj(i)
其中:Ai[j]为待还原图像第i图像块中除中心像素外其余像素中第j像素的像素值,Cj(i)为待还原图像对应阈值化后的第j张细节图像中第i像素的像素值。
基于MP小波滤波具有传统小波滤波的低熵性、多分辨率性、去相关性的优点,滤波后的图像较均值滤波或中值滤波后的图像具有更好的边缘保持特性,是零件尺寸精确检测的重要基础;滤波过程中不含乘法和除法运算,仅含加减与取极值运算,故滤波的时间较其他小波滤波的时间短;所以,MP小波滤波在具有更好的滤波效果基础上,速度上较已有滤波方法更快速。
优选地,所述的步骤(3)中,对滤波后的零件图像进行基于微分算子的边缘检测,其采用的微分算子为4个方向且采样窗口为2×2大小的微分算子。
优选地,所述的步骤(4)中,根据以下公式对边缘像素进行亚像素边缘检测:
其中:X和Y分别为边缘像素的亚像素横坐标值和纵坐标值,x和y分别为边缘像素在边缘梯度图像中的横坐标值和纵坐标值,θ为边缘像素的梯度方向对应的角度,w为边缘梯度图像中相邻像素的间距,G0为边缘像素的梯度值,G-1和G1分别为边缘像素沿其梯度方向的两个相邻像素的梯度值。
本发明的4个方向微分算子较传统2个方向微分算子的边缘检测精度高,2×2大小的采样窗口进行卷积运算的时间较3×3大小的采样窗口进行卷积运算的时间短;本发明的亚像素边缘检测方法能够将检测精度提高至亚像素级,解决了微分算子边缘检测方法精度不高的缺点;较基于矩的亚像素边缘检测方法和基于曲线拟合的亚像素边缘检测方法而言运算量小,运算时间短;在能够实现零件尺寸的精确检测的基础上,较已有精确检测方法更快速。
优选地,所述的步骤(5)中,在计算出零件的尺寸后,根据零件的边缘梯度图像利用ObjectARX软件自动生成零件的AutoCAD轮廓图,并根据零件的尺寸自动对该AutoCAD轮廓图进行尺寸标注。
后续生成的CAD文件包含零件边缘及尺寸信息,为确定缺陷零件的缺陷位置、修补缺陷零件而言带来方便,减少零件不合格率,提高生产效率;CAD文件的尺寸信息较传统的数字尺寸信息而言更直观和规范,方便工程技术人员的查询。
一种基于MP小波滤波的零件尺寸检测系统,包括:
图像采集单元,用于对零件进行图像采集;
图像处理单元,用于对采集到的零件图像进行滤波以及边缘检测,得到零件的边缘梯度图像以及边缘梯度图像中各边缘像素的亚像素坐标,进而根据边缘像素的亚像素坐标计算出零件的尺寸;
图像生成单元,用于根据零件的边缘梯度图像自动生成零件的AutoCAD轮廓图,并根据零件的尺寸自动对该AutoCAD轮廓图进行尺寸标注。
所述的图像处理单元包括:
滤波模块,用于对采集到的零件图像进行MP小波滤波;
边缘检测模块,用于对滤波后的零件图像进行基于微分算子的边缘检测,得到零件的边缘梯度图像,进而对边缘梯度图像中各边缘像素进行亚像素边缘检测,得到各边缘像素的亚像素坐标;
尺寸计算模块,用于根据边缘像素的亚像素坐标计算出零件的尺寸。
所述的图像采集单元为CCD摄像机;所述的图像处理单元为PC机,所述的滤波模块、边缘检测模块和尺寸计算模块均通过在该PC机上编程实现;所述的图像生成单元为安装有ObjectARX软件和AutoCAD软件的PC机,其与图像处理单元共用一台PC机。
所述的PC机采用千兆以太网接口与所述的CCD摄像机连接。
本发明检测方法通过对零件图像进行MP小波滤波,同时对滤波后的图像进行亚像素边缘检测,根据亚像素坐标计算提取零件的尺寸,能够实现零件尺寸的精确检测,同时较已有精确检测方法更快速;后续利用ObjectARX软件自动生成零件的CAD视图,并自动对零件CAD视图进行尺寸标注,存入数据库中,规范了零件的显示和存档,又为后续零件处理带来方便;本发明检测系统利用CCD摄像机结合PC机可以实时对流水线上的零件进行图像采集和图像处理,保证了零件检测的实时性、全自动、高效。
附图说明
图1为本发明检测系统的结构及其应用示意图。
图2为本发明检测方法的步骤流程示意图。
图3为MP小波分解的示意图。
图4为MP小波重构的示意图。
图5为四个方向微分算子的示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明检测系统及其检测方法进行详细说明。
如图1所示,一种基于MP小波滤波的流水线零件尺寸检测系统,包括:一台PC机1、一台CCD摄像机2、LED光源3、光电传感器4和传送带5。
本实施例中的待测对象为流水生产线上的零件6,传送带5以恒定的速度运转,传送带5的转轴上安装有光电传感器4,通过光电传感器4和PC机1获取零件6的精确位置,当零件6到达检测位置时,由PC机1命令CCD摄像机2对零件6进行图像采集,把采集到的零件图像传输给PC机1,PC机1对零件图像进行图像处理。
LED光源3固定于传送带5上方,LED光源3发出的光照在零件6上产生反射光线,用以使零件6成像;由于CCD摄像机2中的电荷耦合元件对于红光最为敏感,故本实施例中LED光源3采用红色LED光源。
CCD摄像机2也固定于传送带5上方,用于对流动的待测零件6进行图像采集,并将采集到的零件图像传送给PC机1。
PC机1通过千兆以太网接口与CCD摄像机2相连,当待测零件6到达检测位置时,PC机1命令CCD摄像机2对其进行图像采集,把采集到的零件图像传输给PC机1。
PC机1包括有滤波模块、边缘检测模块和尺寸计算模块,并装有ObjectARX软件和AutoCAD软件;
滤波模块用于对CCD摄像机2采集到的零件图像进行MP小波滤波;
边缘检测模块用于对滤波后的零件图像进行基于微分算子的边缘检测,得到零件的边缘梯度图像,进而对边缘梯度图像中各边缘像素进行亚像素边缘检测,得到各边缘像素的亚像素坐标;
尺寸计算模块用于根据边缘像素的亚像素坐标计算出零件的尺寸。
滤波模块、边缘检测模块和尺寸计算模块均通过在PC机1上编程实现。
在计算出零件的尺寸后,PC机1根据零件的边缘梯度图像利用ObjectARX软件自动生成零件的AutoCAD轮廓图,并根据零件的尺寸自动对该AutoCAD轮廓图进行尺寸标注。
如图2所示,本实施方式检测系统对应的检测方法如下:
一种基于MP小波滤波的零件尺寸检测方法,包括如下步骤:
(1)对CCD摄像机进行标定。
利用CCD摄像机对一个已知尺寸的标准零件进行摄像,得到其零件图像,将标准零件的实际尺寸除以标准零件在零件图像中的像素尺寸,即可得到像素当量系数;本实施方式中,求得的像素当量系数为0.004mm/pixel。
(2)采集零件图像,对图像进行MP小波滤波。
当待测的零件到达检测位置时,利用CCD摄像机对其进行图像采集,对采集到的零件图像(大小为1024×1024)进行MP小波滤波,具体过程如下:
1)如图3所示,先将零件图像分解成一张近似图像I1和p2-1张细节图像D1,以完成一级分解;然后将近似图像I1分解成一张近似图像I2和p2-1张细节图像D2,以完成二级分解;对近似图像I2再进行分解,依此完成n级分解,得到一张近似图像In和多张细节图像;
本实施方式中取p=2,且只对零件图像进行一级分解(将零件图像分解成一张近似图像I1和3张细节图像D1即可)。
将零件图像分解成一张近似图像和3张细节图像的过程如下:
a.将零件图像划分成512×512=262144个图像块,图像块的尺寸为2×2;
b.根据以下公式求解零件图像分解后的近似图像:
y(i)=min[xi(0),xi(1),xi(2),xi(3)]
其中:y(i)为近似图像中第i像素的像素值,xi(0)为零件图像第i图像块的中心像素(即图像块左上角像素)的像素值,xi(1)~xi(3)分别为零件图像第i图像块中除中心像素外其余3个像素的像素值;i为自然数且1≤i≤262144;
c.根据以下公式求解目标图像分解后的细节图像:
zj(i)=|z′j(i)|=|xi(0)-xi(j)|
其中:zj(i)为第j张细节图像的中第i像素的像素值,z′j(i)为第j张细节图像的中第i像素的准像素值,xi(j)为目标图像第i图像块中除中心像素外其余像素中第j像素的像素值,j为自然数且1≤j≤3。
2)将分解得到的所有细节图像进行阈值化处理;
使细节图像中每个像素的像素值与给定的像素阈值进行比较,将像素值小于或等于像素阈值的像素的像素值置为其准像素值,将像素值大于像素阈值的像素的像素值置为0;本实施方式中,像素阈值为50。
3)如图4所示,先根据近似图像In以及阈值化后的p2-1张细节图像Dn对近似图像In-1进行重构;然后根据重构得到的近似图像In-1以及阈值化后的p2-1张细节图像Dn-1对近似图像In-2进行重构,依此逐级进行重构;最后根据重构得到的近似图像I1以及阈值化后的p2-1张细节图像D1对零件图像进行重构,重构得到的零件图像即为滤波后的零件图像。
本实施方式由于只做了一级分解,故只需根据近似图像I1以及阈值化后的3张细节图像D1对零件图像进行重构,具体过程如下:
a.初始化零件图像中各像素的像素值均为0,将零件图像划分成512×512个图像块,图像块的尺寸为2×2;
b.根据以下公式求解零件图像每个图像块的中心像素的像素值:
Ai(0)=B(i)+max[0,C1(i),C2(i),C3(i)]
其中:Ai(0)为零件图像第i图像块的中心像素的像素值,B(i)为近似图像中第i像素的像素值,C1(i)~C3(i)分别为阈值化后的3张细节图像中第i像素的像素值;
c.根据以下公式求解零件图像每个图像块中除中心像素外其余像素的像素值:
Ai[j]=Ai(0)-Cj(i)
其中:Ai[j]为零件图像第i图像块中除中心像素外其余像素中第j像素的像素值,Cj(i)为阈值化后的第j张细节图像中第i像素的像素值。
(3)对图像进行微分算子边缘检测。
对滤波后的零件图像进行基于微分算子的边缘检测的过程如下:
a.对于零件图像中的任一像素,构建其对应的2×2采样窗口,以该像素为采样窗口左上角像素,以该像素在零件图像中相邻的右像素、下像素和右下像素去对应填充该采样窗口剩余的像素;
b.将采样窗口分别与如图5中所示的4个方向(90°180°135°225°)的微分算子作像素值的卷积运算,得到四个梯度值;
c.取最大梯度值为该像素的梯度值,使最大梯度值所对应的微分算子的方向顺时针转90°后得到该像素的梯度方向;
d.将该像素的梯度值与给定的梯度阈值进行比较,若梯度值大于或等于梯度阈值,则标记该像素为边缘像素,且将该像素的像素值置为255;本实施方式中,梯度阈值为300;
e.根据步骤a~d,遍历零件图像中的每一像素,得到的图像即为零件的边缘梯度图像。
(4)对边缘像素进行亚像素边缘检测。
根据以下公式对边缘梯度图像中各边缘像素进行亚像素边缘检测,得到各边缘像素的亚像素坐标;
其中:X和Y分别为边缘像素的亚像素横坐标值和纵坐标值,x和y分别为边缘像素在边缘梯度图像中的横坐标值和纵坐标值,θ为边缘像素的梯度方向对应的角度,w为边缘梯度图像中相邻像素的间距,G0为边缘像素的梯度值,G-1和G1分别为边缘像素沿其梯度方向的两个相邻像素的梯度值;本实施方式中,若边缘像素的梯度值所对应的微分算子的方向为90°或180°,则w=1;若所对应的微分算子的方向为135°或225°,则
(5)根据亚像素坐标计算零件的尺寸,进而生成CAD图。
根据各边缘像素的亚像素坐标以及像素当量系数,计算出零件的尺寸。
如零件的长度,可根据公式L=sl求得;其中,L为零件的实际长度,s为像素当量系数,1为零件在图像中的像素长度(其根据边缘像素的亚像素坐标可求得)。
在计算出零件的实际尺寸后,根据零件的边缘梯度图像利用ObjectARX软件自动生成零件的AutoCAD轮廓图:创建AutoCAD图形数据库,获得当前图形数据库块表指针,获得当前图形块表记录指针,根据零件的边缘梯度图像创建对应的AutoCAD轮廓图,存储到AutoCAD数据库的块表记录中;
根据零件的实际尺寸自动对该AutoCAD轮廓图进行尺寸标注:创建标注对象,获得指向块表的指针,获取指向模型空间的块表记录,将标注对象添加到块表记录,即可在创建的AutoCAD轮廓图中自动标注零件的尺寸。
利用CCD摄像机拍摄流水生产线上的零件(螺母),其螺孔直径的真实值为1.5000mm。运用本实施方法和现有检测方法(haar小波滤波结合亚像素边缘检测技术)对零件进行尺寸检测,得到的检测数据如表1所示。
表1
从表1可见,本实施方式检测得到的螺孔直径与真实值相差无几,且相比现有检测方法,检测结果更接近真实值,检测时间更短,故验证了本实施方式能精确检测零件尺寸,且检测速度快,值得信赖。
Claims (9)
1.一种基于MP小波滤波的零件尺寸检测方法,包括如下步骤:
(1)对摄像机进行标定,得到像素当量系数;
(2)利用摄像机对零件进行图像采集,对采集到的零件图像进行MP小波滤波;
(3)对滤波后的零件图像进行基于微分算子的边缘检测,得到零件的边缘梯度图像;
(4)对所述的边缘梯度图像中各边缘像素进行亚像素边缘检测,得到各边缘像素的亚像素坐标;
(5)根据各边缘像素的亚像素坐标以及像素当量系数,计算出零件的尺寸。
2.根据权利要求1所述的基于MP小波滤波的零件尺寸检测方法,其特征在于:所述的步骤(2)中,对零件图像进行MP小波滤波的方法为:
1)先将所述的零件图像分解成一张近似图像I1和p2-1张细节图像D1,以完成一级分解;然后将近似图像I1分解成一张近似图像I2和p2-1张细节图像D2,以完成二级分解;对近似图像I2再进行分解,依此完成n级分解,得到一张近似图像In和多张细节图像;p为大于1的自然数;
2)将分解得到的所有细节图像进行阈值化处理;
3)先根据近似图像In以及阈值化后的p2-1张细节图像Dn对近似图像In-1进行重构;然后根据重构得到的近似图像In-1以及阈值化后的p2-1张细节图像Dn-1对近似图像In-2进行重构,依此逐级进行重构;最后根据重构得到的近似图像I1以及阈值化后的p2-1张细节图像D1对零件图像进行重构,重构得到的零件图像即为滤波后的零件图像。
3.根据权利要求2所述的基于MP小波滤波的零件尺寸检测方法,其特征在于:所述的步骤1)中,将目标图像分解成一张近似图像和p2-1张细节图像的过程如下,所述的目标图像为零件图像或近似图像;
a.将目标图像划分成m个图像块,所述的图像块的尺寸为p×p;
b.根据以下公式求解目标图像分解后的近似图像:
y(i)=min[xi(0),xi(1),xi(2),...,xi(p2-1)]
其中:y(i)为近似图像中第i像素的像素值,xi(0)为目标图像第i图像块的中心像素的像素值,xi(1)~xi(p2-1)分别为目标图像第i图像块中除中心像素外其余各像素的像素值;i为自然数且1≤i≤m;
c.根据以下公式求解目标图像分解后的细节图像:
zj(i)=|z′j(i)|=|xi(0)-xi(j)|
其中:zj(i)为第j张细节图像的中第i像素的像素值,z′j(i)为第j张细节图像的中第i像素的准像素值,xi(j)为目标图像第i图像块中除中心像素外其余像素中第j像素的像素值,j为自然数且1≤j≤p2-1。
4.根据权利要求2所述的基于MP小波滤波的零件尺寸检测方法,其特征在于:所述的步骤2)中,对细节图像进行阈值化处理的方法为:使细节图像中每个像素的像素值与给定的像素阈值进行比较,将像素值小于或等于像素阈值的像素的像素值置为其准像素值,将像素值大于像素阈值的像素的像素值置为0。
5.根据权利要求2所述的基于MP小波滤波的零件尺寸检测方法,其特征在于:所述的步骤3)中,对待还原图像进行重构的过程如下,所述的待还原图像为近似图像或零件图像;
a.初始化待还原图像中各像素的像素值均为0,将待还原图像划分成m个图像块,所述的图像块的尺寸为p×p;
b.根据以下公式求解待还原图像每个图像块的中心像素的像素值:
基中:Ai(0)为待还原图像第i图像块的中心像素的像素值,B(i)为待还原图像对应的近似图像中第i像素的像素值,分别为待还原图像对应阈值化后的各细节图像中第i像素的像素值;
c.根据以下公式求解待还原图像每个图像块中除中心像素外其余像素的像素值:
Ai[j]=Ai(0)-Cj(i)
其中:Ai[j]为待还原图像第i图像块中除中心像素外其余像素中第j像素的像素值,Cj(i)为待还原图像对应阈值化后的第j张细节图像中第i像素的像素值。
6.根据权利要求1所述的基于MP小波滤波的零件尺寸检测方法,其特征在于:所述的步骤(4)中,根据以下公式对边缘像素进行亚像素边缘检测:
其中:X和Y分别为边缘像素的亚像素横坐标值和纵坐标值,x和y分别为边缘像素在边缘梯度图像中的横坐标值和纵坐标值,θ为边缘像素的梯度方向对应的角度,w为边缘梯度图像中相邻像素的间距,G0为边缘像素的梯度值,G-1和G1分别为边缘像素沿其梯度方向的两个相邻像素的梯度值。
7.根据权利要求1所述的基于MP小波滤波的零件尺寸检测方法,其特征在于:所述的步骤(5)中,在计算出零件的尺寸后,根据零件的边缘梯度图像利用ObjectARX软件自动生成零件的AutoCAD轮廓图,并根据零件的尺寸自动对该AutoCAD轮廓图进行尺寸标注。
8.根据权利要求1所述的基于MP小波滤波的零件尺寸检测方法,其特征在于:所述的步骤(3)中,对滤波后的零件图像进行基于微分算子的边缘检测,其采用的微分算子为4个方向且采样窗口为2×2大小的微分算子。
9.一种基于MP小波滤波的零件尺寸检测系统,其特征在于,包括:
图像采集单元,用于对零件进行图像采集;
图像处理单元,用于对采集到的零件图像进行滤波以及边缘检测,得到零件的边缘梯度图像以及边缘梯度图像中各边缘像素的亚像素坐标,进而根据边缘像素的亚像素坐标计算出零件的尺寸;
图像生成单元,用于根据零件的边缘梯度图像自动生成零件的AutoCAD轮廓图,并根据零件的尺寸自动对该AutoCAD轮廓图进行尺寸标注;
所述的图像处理单元包括:
滤波模块,用于对采集到的零件图像进行MP小波滤波;
边缘检测模块,用于对滤波后的零件图像进行基于微分算子的边缘检测,得到零件的边缘梯度图像,进而对边缘梯度图像中各边缘像素进行亚像素边缘检测,得到各边缘像素的亚像素坐标;
尺寸计算模块,用于根据边缘像素的亚像素坐标计算出零件的尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210312205.4A CN102901444B (zh) | 2012-08-29 | 2012-08-29 | 一种基于mp小波滤波的零件尺寸检测方法及其检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210312205.4A CN102901444B (zh) | 2012-08-29 | 2012-08-29 | 一种基于mp小波滤波的零件尺寸检测方法及其检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102901444A CN102901444A (zh) | 2013-01-30 |
CN102901444B true CN102901444B (zh) | 2015-02-18 |
Family
ID=47573812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210312205.4A Expired - Fee Related CN102901444B (zh) | 2012-08-29 | 2012-08-29 | 一种基于mp小波滤波的零件尺寸检测方法及其检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102901444B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103134757A (zh) * | 2013-02-01 | 2013-06-05 | 浙江大学 | 一种基于双目异质机器视觉的检测系统及其检测方法 |
US8995749B2 (en) * | 2013-03-28 | 2015-03-31 | Mitutoyo Corporation | Enhanced edge detection tool for edges of irregular surfaces |
CN103499297B (zh) * | 2013-10-25 | 2016-01-13 | 爱科维申科技(天津)有限公司 | 一种基于ccd的高精度测量方法 |
CN104281132A (zh) * | 2014-09-24 | 2015-01-14 | 镇江市高等专科学校 | 基于机器视觉的机械制造车间生产过程信息采集系统及采集方法 |
CN104677276A (zh) * | 2015-02-13 | 2015-06-03 | 华南理工大学 | 一种生瓷片小孔识别检测方法及系统 |
CN104923593B (zh) * | 2015-05-20 | 2017-01-11 | 南京航空航天大学 | 一种基于视觉的顶层折弯板材定位方法 |
EP3144760A1 (de) * | 2015-09-15 | 2017-03-22 | Siemens Aktiengesellschaft | Verfahren zur bereitstellung eines verfahrprofils, steuereinrichtung, maschine sowie computerprogramm |
CN105654473A (zh) * | 2015-12-25 | 2016-06-08 | 傅之成 | 一种亚像素边缘检测方法 |
CN105956296B (zh) * | 2016-05-09 | 2019-02-05 | 浙江四方集团公司 | 一种检测零件工程图尺寸标注完整性的方法 |
CN106204528A (zh) * | 2016-06-27 | 2016-12-07 | 重庆理工大学 | 一种零件几何质量的尺寸检测方法 |
WO2020082305A1 (zh) * | 2018-10-25 | 2020-04-30 | 华北电力大学扬中智能电气研究中心 | 一种母线槽尺寸检测系统、方法和装置 |
CN111489336B (zh) * | 2020-04-07 | 2023-07-25 | 内蒙古工业大学 | 一种基于像素计算的分梳山羊绒长度检测方法和装置 |
CN111867211A (zh) * | 2020-07-14 | 2020-10-30 | 深圳市千百辉照明工程有限公司 | 一种智慧灯的自动调节方法、装置和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1708138A2 (en) * | 2005-03-15 | 2006-10-04 | Omron Corporation | Image processing method, three-dimensional position measuring method and image processing apparatus |
CN102107374A (zh) * | 2011-02-01 | 2011-06-29 | 吉林大学 | 轴盘类零件直径尺寸在线检测方法 |
-
2012
- 2012-08-29 CN CN201210312205.4A patent/CN102901444B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1708138A2 (en) * | 2005-03-15 | 2006-10-04 | Omron Corporation | Image processing method, three-dimensional position measuring method and image processing apparatus |
CN102107374A (zh) * | 2011-02-01 | 2011-06-29 | 吉林大学 | 轴盘类零件直径尺寸在线检测方法 |
Non-Patent Citations (1)
Title |
---|
小波分析在信号去噪声中的应用;王继成;《数学的实践与认识》;20081215;第38卷(第23期);129-136页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102901444A (zh) | 2013-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102901444B (zh) | 一种基于mp小波滤波的零件尺寸检测方法及其检测系统 | |
Liu et al. | Machine vision based online detection of PCB defect | |
CN102800127B (zh) | 一种基于光流优化的三维重建方法及装置 | |
CN104156536B (zh) | 一种盾构机刀具磨损的可视化定量标定及分析方法 | |
CN103455813A (zh) | 一种ccd图像测量系统光斑中心定位的方法 | |
CN107014819A (zh) | 一种太阳能电池板表面缺陷检测系统和方法 | |
CN102509304A (zh) | 基于智能优化的摄像机标定方法 | |
CN104376594A (zh) | 三维人脸建模方法和装置 | |
CN109544628B (zh) | 一种指针式仪表的准确读数识别系统及方法 | |
Mainali et al. | Robust low complexity corner detector | |
CN105509659A (zh) | 基于图像处理的平面度检测系统 | |
CN103438834A (zh) | 基于结构光投影的层级式快速三维测量装置及测量方法 | |
CN103700082B (zh) | 基于对偶四元数相对定向的图像拼接方法 | |
CN112819066A (zh) | 一种Res-UNet单木树种分类技术 | |
CN110992366A (zh) | 一种图像语义分割方法、装置及存储介质 | |
CN103308000A (zh) | 基于双目视觉的曲线物体测量方法 | |
CN115311618A (zh) | 一种基于深度学习和对象匹配的装配质量检查方法 | |
CN112014413A (zh) | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 | |
CN111157532A (zh) | 一种手机外壳划痕视觉检测装置及方法 | |
CN110738644A (zh) | 一种基于深度学习的汽车涂装表面缺陷检测方法及系统 | |
Agresti et al. | Stereo and ToF data fusion by learning from synthetic data | |
Shokri et al. | Semantic Segmentation and 3D Reconstruction of Concrete Cracks | |
CN201081763Y (zh) | 一种纺织品缺陷检测装置 | |
CN115019297B (zh) | 一种基于颜色增广的实时车牌检测识别方法和装置 | |
CN108537810B (zh) | 一种改进的Zernike矩亚像素边缘检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150218 Termination date: 20150829 |
|
EXPY | Termination of patent right or utility model |