CN105160656B - 一种基于灰度共生矩阵的管件内螺纹视觉识别系统及方法 - Google Patents
一种基于灰度共生矩阵的管件内螺纹视觉识别系统及方法 Download PDFInfo
- Publication number
- CN105160656B CN105160656B CN201510474873.0A CN201510474873A CN105160656B CN 105160656 B CN105160656 B CN 105160656B CN 201510474873 A CN201510474873 A CN 201510474873A CN 105160656 B CN105160656 B CN 105160656B
- Authority
- CN
- China
- Prior art keywords
- internal thread
- tube piece
- gray level
- thread tube
- image
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于灰度共生矩阵的管件内螺纹识别系统及方法,本发明涉及基于灰度共生矩阵的管件内螺纹识别系统及方法。本发明的目的是为了解决现有内螺纹识别算法的稳定性低,识别速度慢,所需硬件系统复杂的问题。通过以下技术方案实现的:一、采集并保存一张背景图像;二、采集一张内螺纹管件原始图像;三、通过图像减法保留内螺纹管件区域;四、获取内螺纹管件端口的二值图像;五、得到内螺纹管件端口圆;六、裁剪出ROI区域;七、得到边缘二值图像;八、求解灰度共生矩阵的能量值属性;九、判断所采集的内螺纹管件端口内有无螺纹。本发明应用于管件内螺纹识别领域。
Description
技术领域
本发明涉及基于灰度共生矩阵的管件内螺纹视觉识别系统及方法。
背景技术
螺纹连接是一种广泛使用的可拆卸连接,具有结构简单,连接可靠、拆卸方便等特点。端口具有内螺纹的构件作为一种典型的螺纹构件,广泛存在于日常生活中的管状连接结构中,如瓶盖、塑料管道、橱柜调节脚等。
内螺纹连接在装配过程中,已经初步实现了自动化操作,但在某些情况下仍然存在技术上的限制。例如在橱柜调节脚的两个螺纹构件在进行生产装配过程中,从注塑机中生产出来的内螺纹管件呈无序状态送入到装配上料器中,管件的一端口无螺纹,另一端口有螺纹,在进行装配时,要求有螺纹端口的朝向一致。但是由于技术条件的限制,现有的装配过程只能通过人工摆放螺纹管件来进行,或者整个装配过程都是人工劳作,这无疑限制了企业生产效率。现也有一些螺纹识别算法,但是常常需要将摄像头深入到管件内部进行识别,对摄像头尺寸要求严格,所需硬件系统复杂,同时相应内螺纹识别算法的稳定性低,准确率低,识别速度慢。在类似的其他螺纹装配场合,通常也需要对管件端口的内螺纹进行自动识别,以便将内螺纹识别结果下传到后续的工位中,进行翻转或者直接抛弃等操作,提高生产过程中的自动化程度,因此,提供一种高效的管件内螺纹自动识别的系统及方法是十分必要的。
发明内容
本发明的目的是为了解决现有内螺纹识别算法的稳定性低,识别速度慢,所需硬件系统复杂的问题,而提出了一种基于灰度共生矩阵的管件内螺纹视觉识别系统及方法。
上述的发明目的是通过以下技术方案实现的:
一种基于灰度共生矩阵的管件内螺纹视觉识别系统由由上位机、高清摄像头和LED光源组成;上位机与高清摄像头连接;LED光源为强度可调光源,且用于建立光照环境;高清摄像头用于摄取图像;上位机用于控制高清摄像头进行图像采集和图像处理。
一种基于灰度共生矩阵的管件内螺纹视觉识别方法具体是按照以下步骤进行的:
步骤一、内螺纹管件第一次被识别之前,调节LED光源强度,直到高清摄像头摄取的管口内螺纹图像最为清晰,后续的识别过程无需再次调节LED光源强度,调节LED光源强度后,开启上位机视觉识别程序对相机进行初始化,在此过程中,程序自动通过高清摄像头采集并保存一张背景图像;
步骤二、上位机通过高清摄像头采集一张内螺纹管件端口原始图像;
步骤三、将步骤二采集得到的内螺纹管件端口原始图像和步骤一中采集并保存的背景图像做图像减法,从而剔除内螺纹管件端口原始图像上的背景,仅保留内螺纹管件端口图像;
步骤四、对步骤三中经过图像减法得到的剔除背景后的内螺纹管件端口图像,进行动态阈值分割和形态学处理,获取内螺纹管件端口的二值图像,其中,形态学包括开运算和闭运算;
步骤五、对于步骤四得到的内螺纹管件端口的二值图像,采用Hough变换进行端口圆定位,得到定位后的内螺纹管件端口圆区域,其中,所述Hough变换为霍夫变换;
步骤六、基于步骤五得到的定位后的内螺纹管件端口圆区域,从内螺纹管件原始图像中裁剪出对应区域作为内螺纹管件端口ROI区域;
步骤七、对步骤六得到的内螺纹管件端口ROI区域,采用Canny算子对ROI区域内进行边缘提取,并对提取出的ROI区域内边缘进行筛选,即剔除ROI区域内边缘长度小于阈值A的边缘,得到筛选后的边缘二值图像,其中,所述阈值A为人为事先设定,A>0;
步骤八、对步骤七得到的筛选后的边缘二值图像,计算灰度共生矩阵,并对灰度共生矩阵进行归一化,然后求解归一化后的灰度共生矩阵的能量值属性;
步骤九、利用步骤八得到的归一化后的灰度共生矩阵的能量值属性,判断所采集的内螺纹管件端口内有无螺纹:若此归一化后的灰度共生矩阵的能量值E小于阈值E_thresh,则内螺纹管件端口内存在螺纹;否则,内螺纹管件端口内无螺纹,其中,所述阈值E_thresh为人为事先设定,阈值E_thresh取值范围为[0,1]。
发明效果
采用本发明的一种基于灰度共生矩阵的管件内螺纹识别系统及方法,如下几方面的优点:
1)该算法能够稳定识别检测管件端口是否存在内螺纹,检测算法返回有或者无螺纹两种情况。
2)与该算法相关的硬件系统实现构成简单,仅包括:一个普通高清摄像头、上位机、以及亮度可调节的LED光源。
3)识别过程中无需将摄像头深入到管件内部进行图像采集,所以无需相应运动机械结构,对摄像头本身尺寸也不做要求。
4)内螺纹识别算法对摄像头视场环境无特殊要求,对于复杂背景中的内螺纹管件,算法同样能够进行稳定识别检测。
5)该内螺纹识别算法的稳定性高,根据实际生产统计数据,算法的识别准确率一般在99%以上。
6)算法的识别速度快,对于分辨率为1280*760的采集图像,对于单个内螺纹管件识别算法的处理时间在300ms之内。
附图说明
图1是具体实施方式一中管件内螺纹视觉识别硬件系统结构图;
图2是具体实施方式二中管件内螺纹视觉识别方法流程图;
图3是具体实施方式三中图像减法剔除背景区域示例图,a为原始图像,b为背景图像,c为背景减法图像;
图4是步骤四中经过动态阈值分割和形态学处理获取内螺纹管件端口的二值图像,d为背景减法图像,e为内螺纹管件端口二值图像,f为动态阈值分割,形态学处理;
图5是步骤七中由内螺纹管件端口ROI区域提取得到的筛选后的边缘二值图像,g为内螺纹管件端口ROI区域,h为筛选后的边缘二值图像,o为Canny算子边缘提取和筛选。
具体实施方式
具体实施方式一:结合图1说明本具体实施方式,一种基于灰度共生矩阵的管件内螺纹视觉识别系统,其特征在于:所述的基于灰度共生矩阵的管件内螺纹视觉识别系统由上位机、高清摄像头和LED光源组成;上位机与高清摄像头连接;LED光源为强度可调光源,且用于建立光照环境;高清摄像头用于摄取图像;上位机用于控制高清摄像头进行图像采集和图像处理。
具体实施方式二:结合图2说明本具体实施方式,一种基于灰度共生矩阵的管件内螺纹视觉识别方法具体是按照以下步骤进行的:
步骤一、内螺纹管件第一次被识别之前,调节LED光源强度,直到高清摄像头摄取的管口内螺纹图像最为清晰,后续的识别过程无需再次调节LED光源强度,调节LED光源强度后,开启上位机视觉识别程序对相机进行初始化,在此过程中,程序自动通过高清摄像头采集并保存一张背景图像;
步骤二、上位机通过高清摄像头采集一张内螺纹管件端口原始图像;
步骤三、将步骤二采集得到的内螺纹管件端口原始图像和步骤一中采集并保存的背景图像做图像减法,从而剔除内螺纹管件端口原始图像上的背景,仅保留内螺纹管件端口图像;
步骤四、对步骤三中经过图像减法得到的剔除背景后的内螺纹管件端口图像,进行动态阈值分割和形态学处理,获取内螺纹管件端口的二值图像,其中,形态学包括开运算和闭运算;如图4所示;
其中,采用动态阈值分割是为了保证在图像光照分布不均匀的情况下也能够对管件端口进行有效提取。
形态学处理是分别对提取得到的管件二值图像分别进行形态学的开运算和闭运算,剔除动态阈值分割过程中因“过分割”引入的噪点和“欠分割”引入的孔洞;
步骤五、对于步骤四得到的内螺纹管件端口的二值图像,采用Hough变换进行端口圆定位,得到定位后的内螺纹管件端口圆区域,其中,所述Hough变换为霍夫变换;
步骤六、基于步骤五得到的定位后的内螺纹管件端口圆区域,从内螺纹管件原始图像中裁剪出对应区域作为内螺纹管件端口ROI区域;
步骤七、对步骤六得到的内螺纹管件端口ROI区域,采用Canny算子对ROI区域内进行边缘提取,并对提取出的ROI区域内边缘进行筛选,即剔除ROI区域内边缘长度小于阈值A的边缘,得到筛选后的边缘二值图像,其中,所述阈值A为人为事先设定,A>0;如图5;
步骤八、对步骤七得到的筛选后的边缘二值图像,计算灰度共生矩阵,并对灰度共生矩阵进行归一化,然后求解归一化后的灰度共生矩阵的能量值属性;
步骤九、利用步骤八得到的归一化后的灰度共生矩阵的能量值属性,判断所采集的内螺纹管件端口内有无螺纹:若此归一化后的灰度共生矩阵的能量值E小于阈值E_thresh,则内螺纹管件端口内存在螺纹;否则,内螺纹管件端口内无螺纹,其中,所述阈值E_thresh为人为事先设定,阈值E_thresh取值范围为[0,1]。
具体实施方式三:结合图3说明本具体实施方式,本实施方式与具体实施方式二不同的是,所述步骤三中将步骤二采集得到的内螺纹管件端口原始图像和步骤一中采集并保存的背景图像做图像减法,从而剔除内螺纹管件端口原始图像上的背景,仅保留内螺纹管件端口图像;具体过程为:
图像减法按如下公式进行表示:
F(x,y)=I(x,y)-G(x,y)
式中,I(x,y)为摄像头采集到的内螺纹管件原始图像,G(x,y)为预先存储的背景图像,F(x,y)为剔除背景后的内螺纹管件端口图像。
具体实施方式四:本实施方式与具体实施方式二或三不同的是,所述步骤八中对步骤七得到的筛选后的边缘二值图像,计算灰度共生矩阵,并对灰度共生矩阵进行归一化,然后求解归一化后的灰度共生矩阵的能量值属性;具体过程为:
灰度共生矩阵的计算方法如下:由于是对得到的筛选后的边缘二值图像进行计算,所以灰度共生矩阵的灰度级数为2,同时设置像素扫描过程中的偏置向量为(0,2),即为垂直扫描,生成的灰度共生矩阵GLCM为2*2矩阵,求解归一化后的灰度共生矩阵的能量值属性可用下式进行表示:
式中,p(i,j)为归一化后的灰度共生矩阵GLCM中第(i,j)的值,i为归一化后的灰度共生矩阵GLCM的行,取值为0或1,j为归一化后的灰度共生矩阵GLCM的列,取值为0或1,E为灰度共生矩阵的能量值E。
Claims (3)
1.一种基于灰度共生矩阵的管件内螺纹视觉识别方法,其特征在于,一种基于灰度共生矩阵的管件内螺纹识别方法具体是按照以下步骤进行的:
步骤一、内螺纹管件第一次被识别之前,调节LED光源强度,直到高清摄像头摄取的管口内螺纹图像最为清晰,后续的识别过程无需再次调节LED光源强度,调节LED光源强度后,开启上位机视觉识别程序对相机进行初始化,在此过程中,程序自动通过高清摄像头采集并保存一张背景图像;
步骤二、上位机通过高清摄像头采集一张内螺纹管件端口原始图像;
步骤三、将步骤二采集得到的内螺纹管件端口原始图像和步骤一中采集并保存的背景图像做图像减法,从而剔除内螺纹管件端口原始图像上的背景,仅保留内螺纹管件端口图像;
步骤四、对步骤三中经过图像减法得到的剔除背景后的内螺纹管件端口图像,进行动态阈值分割和形态学处理,获取内螺纹管件端口的二值图像,其中,形态学包括开运算和闭运算;
步骤五、对于步骤四得到的内螺纹管件端口的二值图像,采用Hough变换进行端口圆定位,得到定位后的内螺纹管件端口圆区域,其中,所述Hough变换为霍夫变换;
步骤六、基于步骤五得到的定位后的内螺纹管件端口圆区域,从内螺纹管件原始图像中裁剪出对应区域作为内螺纹管件端口ROI区域;
步骤七、对步骤六得到的内螺纹管件端口ROI区域,采用Canny算子对ROI区域内进行边缘提取,并对提取出的ROI区域内边缘进行筛选,即剔除ROI区域内边缘长度小于阈值A的边缘,得到筛选后的边缘二值图像,其中,所述阈值A为人为事先设定,A>0;
步骤八、对步骤七得到的筛选后的边缘二值图像,计算灰度共生矩阵,并对灰度共生矩阵进行归一化,然后求解归一化后的灰度共生矩阵的能量值属性;
步骤九、利用步骤八得到的归一化后的灰度共生矩阵的能量值属性,判断所采集的内螺纹管件端口内有无螺纹:若此归一化后的灰度共生矩阵的能量值E小于阈值E_thresh,则内螺纹管件端口内存在螺纹;否则,内螺纹管件端口内无螺纹,其中,所述阈值E_thresh为人为事先设定,阈值E_thresh取值范围为[0,1]。
2.根据权利要求1所述一种基于灰度共生矩阵的管件内螺纹视觉识别方法,其特征在于,所述步骤三中将步骤二采集得到的内螺纹管件原始图像和预先存储的背景图像做图像减法,从而剔除内螺纹管件原始图像上的背景,仅保留内螺纹管件端口图像;具体过程为:
图像减法按如下公式进行表示:
F(x,y)=I(x,y)-G(x,y)
式中,I(x,y)为摄像头采集到的内螺纹管件原始图像,G(x,y)为预先存储的背景图像,F(x,y)为剔除背景后的内螺纹管件端口图像。
3.根据权利要求2所述一种基于灰度共生矩阵的管件内螺纹视觉识别方法,其特征在于,所述步骤八中对步骤七得到的筛选后的边缘二值图像,计算灰度共生矩阵,并对灰度共生矩阵进行归一化,然后求解归一化后的灰度共生矩阵的能量值属性;具体过程为:
灰度共生矩阵的计算方法如下:由于是对得到的筛选后的边缘二值图像进行计算,所以灰度共生矩阵的灰度级数为2,同时设置像素扫描过程中的偏置向量为(0,2),即为垂直扫描,生成的灰度共生矩阵为2*2矩阵,求解归一化后的灰度共生矩阵的能量值属性可用下式进行表示:
<mrow>
<mi>E</mi>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</munder>
<mi>p</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
式中,p(i,j)为归一化后的灰度共生矩阵中第(i,j)的值,i为归一化后的灰度共生矩阵的行,取值为0或1,j为归一化后的灰度共生矩阵的列,取值为0或1,E为灰度共生矩阵的能量值E。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510474873.0A CN105160656B (zh) | 2015-08-05 | 2015-08-05 | 一种基于灰度共生矩阵的管件内螺纹视觉识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510474873.0A CN105160656B (zh) | 2015-08-05 | 2015-08-05 | 一种基于灰度共生矩阵的管件内螺纹视觉识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105160656A CN105160656A (zh) | 2015-12-16 |
CN105160656B true CN105160656B (zh) | 2017-11-03 |
Family
ID=54801498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510474873.0A Active CN105160656B (zh) | 2015-08-05 | 2015-08-05 | 一种基于灰度共生矩阵的管件内螺纹视觉识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160656B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011001439A2 (en) * | 2009-07-02 | 2011-01-06 | Hewlett-Packard Development Company, L.P. | Skew detection |
CN102455171A (zh) * | 2010-10-27 | 2012-05-16 | 中国科学院沈阳自动化研究所 | 一种激光拼焊焊缝背面几何形貌检测方法及其实现装置 |
CN102879763A (zh) * | 2012-09-11 | 2013-01-16 | 上海交通大学 | 采用图像识别与声强扫描的噪声源快速定位系统及方法 |
CN103808730A (zh) * | 2013-01-25 | 2014-05-21 | 常州先进制造技术研究所 | 发动机凸轮轴零部件表面缺陷检测方法 |
CN104463876A (zh) * | 2014-12-12 | 2015-03-25 | 湖南科技大学 | 一种基于自适应滤波的复杂背景下图像多圆快速检测方法 |
CN104537363A (zh) * | 2015-01-22 | 2015-04-22 | 哈尔滨工业大学 | 基于视觉检测系统的橱柜调节脚全自动装配控制方法 |
-
2015
- 2015-08-05 CN CN201510474873.0A patent/CN105160656B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011001439A2 (en) * | 2009-07-02 | 2011-01-06 | Hewlett-Packard Development Company, L.P. | Skew detection |
CN102455171A (zh) * | 2010-10-27 | 2012-05-16 | 中国科学院沈阳自动化研究所 | 一种激光拼焊焊缝背面几何形貌检测方法及其实现装置 |
CN102879763A (zh) * | 2012-09-11 | 2013-01-16 | 上海交通大学 | 采用图像识别与声强扫描的噪声源快速定位系统及方法 |
CN103808730A (zh) * | 2013-01-25 | 2014-05-21 | 常州先进制造技术研究所 | 发动机凸轮轴零部件表面缺陷检测方法 |
CN104463876A (zh) * | 2014-12-12 | 2015-03-25 | 湖南科技大学 | 一种基于自适应滤波的复杂背景下图像多圆快速检测方法 |
CN104537363A (zh) * | 2015-01-22 | 2015-04-22 | 哈尔滨工业大学 | 基于视觉检测系统的橱柜调节脚全自动装配控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105160656A (zh) | 2015-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
CN103033512B (zh) | 一种基于高光谱识别种蛋孵化的方法 | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
CN109636824B (zh) | 一种基于图像识别技术的多目标计数方法 | |
Wang et al. | A cognitive vision method for insect pest image segmentation | |
Liu et al. | The recognition of apple fruits in plastic bags based on block classification | |
CN109034269A (zh) | 一种基于计算机视觉技术的棉铃虫雌雄成虫判别方法 | |
CN108182674A (zh) | 基于U-Net深度学习网络的粒度检测分析方法 | |
CN104239886A (zh) | 基于图像分析的草坪与背景分界线的提取方法 | |
CN111784764A (zh) | 一种茶叶嫩芽识别与定位算法 | |
CN115311316A (zh) | 基于深度学习的立体栽培模式下小型西瓜识别与定位方法 | |
Meng et al. | Size characterisation of edible bird nest impurities: a preliminary study | |
Zhang et al. | A novel image detection method for internal cracks in corn seeds in an industrial inspection line | |
CN105160656B (zh) | 一种基于灰度共生矩阵的管件内螺纹视觉识别系统及方法 | |
CN103745219A (zh) | 一种尿液管型分类方法及系统 | |
CN107886493A (zh) | 一种输电线路的导线分股缺陷检测方法 | |
CN106023223A (zh) | 柑橘果实大小描述及分级方法 | |
CN108765448A (zh) | 一种基于改进tv-l1模型的虾苗计数分析方法 | |
Zhang et al. | Cherry recognition in natural environment based on the vision of picking robot | |
CN102496146A (zh) | 一种基于视觉共生的图像分割方法 | |
Danping et al. | The identification of powdery mildew spores image based on the integration of intelligent spore image sequence capture device | |
CN107578414A (zh) | 一种路面裂缝图像的处理方法 | |
Zhang et al. | Cherry picking robot vision recognition system based on OpenCV | |
Nawawi et al. | Comprehensive pineapple segmentation techniques with intelligent convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |