CN105335718B - 基于运动视觉的工业加工系统 - Google Patents

基于运动视觉的工业加工系统 Download PDF

Info

Publication number
CN105335718B
CN105335718B CN201510717171.0A CN201510717171A CN105335718B CN 105335718 B CN105335718 B CN 105335718B CN 201510717171 A CN201510717171 A CN 201510717171A CN 105335718 B CN105335718 B CN 105335718B
Authority
CN
China
Prior art keywords
module
video
image
pixel
background
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
Application number
CN201510717171.0A
Other languages
English (en)
Other versions
CN105335718A (zh
Inventor
郑紫微
熊欧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo University
Original Assignee
Ningbo University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo University filed Critical Ningbo University
Priority to CN201510717171.0A priority Critical patent/CN105335718B/zh
Publication of CN105335718A publication Critical patent/CN105335718A/zh
Application granted granted Critical
Publication of CN105335718B publication Critical patent/CN105335718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及基于运动视觉的工业加工系统，包括中央控制平台以及工件进料系统、视频采集模块、存储模块、视频提取模块、视频预处理模块、计时器、视频分帧模块、视频运动补偿模块、运动工件图像提取模块、工件匹配模块和显示模块；视频采集模块正对工件进料系统设置且视频采集模块连接存储模块，视频提取模块连接存储模块和视频预处理模块，视频预处理模块连接视频提取模块和视频分帧模块，视频运动补偿模块连接视频分帧模块和运动工件图像提取模块，视频分帧模块连接计时器，工件匹配模块连接运动工件图像提取模块和显示模块。视频运动补偿模块对视频做运动补偿，消除视频采集模块抖动对工业加工件提取的干扰，有效提取了运动中的工业加工件信息。

Description

基于运动视觉的工业加工系统
技术领域
本发明涉及工业加工领域，尤其涉及一种基于运动视觉的工业加工系统。
背景技术
在现代工业生产中，工业加工设备经常需要加工各种高精度的加工件。加工件的尺寸一旦未落入加工件标准的误差范围内时，则加工的工件为次品，不仅不能满足工件尺寸需要，而且也降低了工业加工效率。因此，基于工业视觉系统的工业加工系统满足了加工高精度加工件的需求。
工业视觉系统是一种在工件输入过程中，用于自动检验、工件加工和装配自动化以及生产过程的控制和监视的图像识别机器。工业视觉系统的图像识别过程是按任务需要从原始图像数据中提取有关信息、高度概括地描述图像内容，以便对图像的某些内容加以解释和判断，以完成后续的工件正次品判断和处理。
然而，现有的工业视觉系统虽然对工业加工件的高精度生产提供了依据，但是现有工业视觉系统是针对静态的工业加工件进行信息提取的，却无法满足对运动中工业加工件的信息提取。
发明内容
本发明所要解决的技术问题是针对上述现有技术提供一种能够对运动中的工业加工件提取信息的基于运动视觉的工业加工系统。
本发明解决上述技术问题所采用的技术方案为：基于运动视觉的工业加工系统，其特征在于，包括中央控制平台以及分别连接中央控制平台的工件进料系统、视频采集模块、存储模块、视频提取模块、视频预处理模块、计时器、视频分帧模块、视频运动补偿模块、运动工件图像提取模块、工件匹配模块和显示模块；所述视频采集模块正对工件进料系统设置且视频采集模块连接存储模块，所述视频提取模块分别连接存储模块和视频预处理模块，所述视频预处理模块分别连接视频提取模块和视频分帧模块，所述视频运动补偿模块分别连接视频分帧模块和运动工件图像提取模块，所述视频分帧模块连接计时器，所述工件匹配模块分别连接运动工件图像提取模块和显示模块；其中，
所述中央控制平台，一方面，接收外部参数输入，以控制工件进料速度、视频分帧的时间间隔；另一方面，根据外部参数设置，控制视频采集模块、存储模块、视频提取模块、视频预处理模块、计时器、视频分帧模块、视频运动补偿模块、运动工件图像提取模块和显示模块；
所述视频采集模块，用以对工件进料系统输入的加工工件进行视频采集和编号，并将编号的工件输入视频保存到存储模块中；
所述存储模块，一方面存储正品工件的原始图像，一方面存储视频采集模块采集的编号的工件输入视频；
所述视频提取模块，用于提取存储模块中编号的视频，并发送给视频预处理模块；
所述视频预处理模块，用以利用高斯滤波滤除编号视频中的噪声，并发送给视频分帧模块处理；
所述计时器，根据预设时间间隔，发送时间提醒信息至视频分帧模块；
所述视频分帧模块，根据接收的时间提醒信息，对接收的滤噪编号视频进行分帧处理，以得到若干独立的预处理图像；其中，视频分帧过程包括如下步骤：
(1)按照计时器发送的时间提醒信息，将滤噪后的视频分割成若干独立编号的原始帧图像St(i,j)，并由所有分割数目的各原始帧图像St(i,j)构成原始图像S(i,j)；其中，t∈[1,T]，T表示视频被分割的帧图像数目；
(2)对原始图像S(i,j)中的各原始帧图像St(i,j)以预设倍数放大其像素值，并对放大后的各原始帧图像St(i,j)做灰度化处理，得到对应的灰度帧图像Yt(i,j)，其中，原始图像S(i,j)对应的灰度图像为Y(i,j)；其中，原始图像S(i,j)转换为灰度图像Y(i,j)采用如下转换公式：
Y(i,j)＝0.257×r(i,j)+0.504×g(i,j)+0.239×b(i,j)；
其中，r(i,j)、g(i,j)、b(i,j)分别对应原始帧图像St(i,j)的颜色空间三维坐标中的红、绿、蓝颜色分量，Yt(i,j)是该像素点对应的灰度值；
(3)对灰度图像Y(i,j)中的各灰度帧图像Yt(i,j)进行预处理，得到对应的预处理 帧图像It(i,j)和预处理图像I(i,j)，并采用高斯滤波分别对各预处理帧图像It(i,j)进行 处理；其中，高斯函数为均值是零的二维高斯函数g(i,j)，其中，其 使用的图像模板算子为
所述运动工件图像提取模块，用于提取预处理图像中的运动工件，其中，运动工件图像的提取过程依次包括如下步骤：
(a)建立背景像素模型M(i,j)，M(i,j)＝{v1,v2,…,vN}；其中，vk(i,j)表示图像(i,j)位置上的像素值，k是背景像素样本中的序号，M(i,j)表示背景图像(i,j)位置上的N个样本观察值；
(b)根据背景像素模型M(i,j)进行分类，建立以v(i,j)为中心，以R为半径的球SR(v(i,j))，进行比较并分类；其中，比较分类过程如下：当处在球SR(v(i,j))以内的样本观察值的数量K不小于基数Kmin，即K≥Kmin时，则判定当前像素v(i,j)为背景点；其中，K表示为K＝{SR(v(i,j))∩{v1,v2,…,vN}}；
(c)对背景像素模型M(i,j)进行初始化，在第一帧图像中随机选择相邻像素值与目标像素的样本进行混合，M1(i,j)＝{v1(y|y∈NG(i,j))}，每一个相邻位置y上的像素通过同样的方式被随机的选取，M1(i,j)表示第一帧图像序号的背景模型，NG(i,j)表示与像素位置(i,j)相邻的像素；
(d)更新背景像素模型M(i,j)，并采用保守更新策略，配合着向被前景区域遮挡的像素注入空间相邻像素信息实现更新，使用v(i,j)更新背景模型M(i,j)，随机的选择样本数量为N中的一个像素值进行更新；每次对背景模型进行更新时，以随机的更新判定为背景的像素位置上的模型，依然保留在模型中的概率P(t,t+dt)为：
N为样本数量；
所述视频运动补偿模块，用以对接收到的运动工件图像提取结果进行补偿，其中，运动补偿的过程依次包括如下步骤：
步骤1，根据背景模型M、当前帧图像I以及邻域窗口内的像素对比计算结果，得到偏移量ε(d)；其中，偏移量ε(d)计算公式如下：
其中，wx、wy是与邻域窗口相关的参数，窗口的尺寸表示为2(wx+1)×2(wy+1)，(ux,uy)为背景图像中的特征角点，M表示背景模型，I表示当前帧图像，d＝[dx dy]T；
步骤2，考察当前帧图像I中特征角点(ux,uy)周围的像素点，计算得到具有最小偏移量ε(d)的像素点(ux1,uy1)，并把该像素点(ux1,uy1)当作对应背景点(ux,uy)的像素点，得到像素(ux,uy)在当前帧图像I中的偏移量d，其中，偏移量d计算如下：
d＝(ux1-ux,uy1-uy)；
步骤3，计算多个背景图像上特征角点的位移均值S1以及位移中值S2，并以所得位移均值和位移中值的平均值作为整个背景图像的偏移量S；其中，位移均值S1、位移中值S2和偏移量S的计算公式如下：
N为 样本数量；
步骤4，利用偏移量S修正背景模型，并提取运动工件F，其中，运动工件F提取公式如下：
F{SR(v(i,j))∩M(i+dx,j+dy)}；
所述工件匹配模块，用以将提取的运动工件与存储模块中已存的正品工件图像进行匹配，匹配一致时，发送加工工件为正品信息给显示模块显示，否则，显示模块显示加工工件为次品。
与现有技术相比，本发明的优点在于：在工业加工系统中，当工业加工件经过工件进料系统输入系统内时，视频采集模块采集到工业加工件输入的视频，并保存编号的视频到存储模块中，视频提取模块将提取的视频发送给视频预处理模块做滤噪处理，然后由视频分帧模块根据计时器的时间提醒，将视频分割成独立的帧图像，并经优化的图像空间转换参数做灰度化处理后，得到高压缩率的预处理灰度图像，然后视频运动补偿模块对预处理的灰度图像进行运动补偿，最后由运动工件图像提取模块提取到视频中运动的工业加工件，并由工件匹配模块将提取的工业加工件和存储器已存的工业加工件正品图像进行匹配，并由显示模块显示工件匹配结果。在该系统中，通过利用视频运动补偿模块对图像进行运动补偿，以消除抖动的视频采集模块对工业加工件提取产生干扰，从而有效的提取了运动中的工业加工件信息。
附图说明
图1为本发明中基于运动视觉的工业加工系统的结构示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1所示，本实施例中提供的基于运动视觉的工业加工系统，包括中央控制平台1以及分别连接中央控制平台1的工件进料系统2、视频采集模块3、存储模块4、视频提取模块5、视频预处理模块6、计时器7、视频分帧模块8、视频运动补偿模块9、运动工件图像提取模块10、工件匹配模块11和显示模块12；视频采集模块3正对工件进料系统2设置且视频采集模块3连接存储模块4，视频提取模块5分别连接存储模块4和视频预处理模块6，视频预处理模块6分别连接视频提取模块5和视频分帧模块8，视频运动补偿模块9分别连接视频分帧模块8和运动工件图像提取模块10，视频分帧模块8连接计时器7，工件匹配模块11分别连接运动工件图像提取模块10和显示模块12；其中，
中央控制平台1，一方面，接收外部参数输入，以控制工件进料速度、视频分帧的时间间隔；另一方面，根据外部参数设置，控制视频采集模块3、存储模块4、视频提取模块5、视频预处理模块6、计时器7、视频分帧模块8、视频运动补偿模块9、运动工件图像提取模块10和显示模块12；
视频采集模块3，用以对工件进料系统1输入的加工工件进行视频采集和编号，并将编号的工件输入视频保存到存储模块4中；
存储模块4，一方面存储正品工件的原始图像，一方面存储视频采集模块3采集的编号的工件输入视频；
视频提取模块5，用于提取存储模块4中编号的视频，并发送给视频预处理模块6；
视频预处理模块6，用以利用高斯滤波滤除编号视频中的噪声，并发送给视频分帧模块8处理；
计时器7，根据预设时间间隔，发送时间提醒信息至视频分帧模块8；
视频分帧模块8，根据接收的时间提醒信息，对接收的滤噪编号视频进行分帧处理，以得到若干独立的预处理图像；其中，视频分帧过程包括如下步骤：
(1)按照计时器7发送的时间提醒信息，将滤噪后的视频分割成若干独立编号的原始帧图像St(i,j)，并由所有分割数目的各原始帧图像St(i,j)构成原始图像S(i,j)；其中，t∈[1,T]，T表示视频被分割的帧图像数目；
例如，设定滤噪后的视频为60秒，计时器7以2秒作为时间提醒周期，发送时间提醒给视频分帧模块8，则视频分帧模块8将该60秒的视频分割成30幅独立编号分别为S1(i,j)、S2(i,j)、S3(i,j)、…、S30(i,j)的30幅原始帧图像；这30幅独立编号的原始帧图像构成关于工业加工件的原始图像S(i,j)；
(2)对原始图像S(i,j)中的各原始帧图像St(i,j)以预设倍数放大其像素值，并对放大后的各原始帧图像St(i,j)做灰度化处理，得到对应的灰度帧图像Yt(i,j)，其中，原始图像S(i,j)对应的灰度图像为Y(i,j)；原始图像S(i,j)转换为灰度图像Y(i,j)采用如下转换公式：
Y(i,j)＝0.257×r(i,j)+0.504×g(i,j)+0.239×b(i,j)；
其中，r(i,j)、g(i,j)、b(i,j)分别对应原始帧图像St(i,j)的颜色空间三维坐标中的红、绿、蓝颜色分量，Yt(i,j)是该像素点对应的灰度值；针对红、绿、蓝颜色分量，分别设定优化的图像转换参数0.257、0.504和0.239，以得到具有高压缩率的灰度图像，由此得到具有小容量的灰度图像，从而可以有效的节约存储空间；
(3)对灰度图像Y(i,j)中的各灰度帧图像Yt(i,j)进行预处理，得到对应的预处理帧图像It(i,j)和预处理图像I(i,j)，并采用高斯滤波分别对各预处理帧图像It(i,j)进行处理；其中，高斯函数为均值是零的二维高斯函数g(i,j)，其中，
其使用的图像模板算子为
运动工件图像提取模块10，用于提取预处理图像中的运动工件，其中，运动工件图像的提取过程依次包括如下步骤：
(a)建立背景像素模型M(i,j)，M(i,j)＝{v1,v2,…,vN}；其中，vk(i,j)表示图像(i,j)位置上的像素值，k是背景像素样本中的序号，M(i,j)表示背景图像(i,j)位置上的N个样本观察值；
(b)根据背景像素模型M(i,j)进行分类，建立以v(i,j)为中心，以R为半径的球SR(v(i,j))，进行比较并分类；其中，比较分类过程如下：当处在球SR(v(i,j))以内的样本观察值的数量K不小于基数Kmin，即K≥Kmin时，则判定当前像素v(i,j)为背景点；其中，K表示为K＝{SR(v(i,j))∩{v1,v2,…,vN}}；
为了提高运动目标检测的精确度，以实现运动目标与背景图像的准确分离，在本实施例中，球半径R为20，基数Kmin为2；其中，球SR(v(i,j))的半径R即为与背景模型中的样本匹配的阈值，最小基数Kmin即为成功匹配背景模型的阈值；
(c)对背景像素模型M(i,j)进行初始化，在第一帧图像中随机选择相邻像素值与目标像素的样本进行混合，M1(i,j)＝{v1(y|y∈NG(i,j))}，每一个相邻位置y上的像素通过同样的方式被随机的选取，M1(i,j)表示第一帧图像序号的背景模型，NG(i,j)表示与像素位置(i,j)相邻的像素；
(d)更新背景像素模型M(i,j)，并采用保守更新策略，配合着向被前景区域遮挡的像素注入空间相邻像素信息实现更新，使用v(i,j)更新背景模型M(i,j)，随机的选择样本数量为N中的一个像素值进行更新；每次对背景模型进行更新时，以随机的更新判定为背景的像素位置上的模型，依然保留在模型中的概率P(t,t+dt)为：
N为样本数量；
视频运动补偿模块9，用以对接收到的运动工件图像提取结果进行补偿，其中，运动补偿的过程依次包括如下步骤：
步骤1，根据背景模型M、当前帧图像I以及邻域窗口内的像素对比计算结果，得到偏移量ε(d)；其中，偏移量ε(d)计算公式如下：
其中，wx、wy是与邻域窗口相关的参数，窗口的尺寸表示为2(wx+1)×2(wy+1)，(ux,uy)为背景图像中的特征角点，M表示背景模型，I表示当前帧图像，d＝[dx dy]T；
步骤2，考察当前帧图像I中特征角点(ux,uy)周围的像素点，计算得到具有最小偏移量ε(d)的像素点(ux1,uy1)，并把该像素点(ux1,uy1)当作对应背景点(ux,uy)的像素点，得到像素(ux,uy)在当前帧图像I中的偏移量d，其中，偏移量d计算如下：
d＝(ux1-ux,uy1-uy)；
步骤3，计算多个背景图像上特征角点的位移均值S1以及位移中值S2，并以所得位移均值和位移中值的平均值作为整个背景图像的偏移量S；其中，位移均值S1、位移中值S2和偏移量S的计算公式如下：
N为 样本数量；整个背景图像的偏移量S可以有效的解决单独采用位移平均值S1作为背景图像 偏移量对后续背景模型修正带来的不利影响；
步骤4，利用偏移量S修正背景模型，并提取运动工件F，其中，运动工件F提取公式如下：
F{SR(v(i,j))∩M(i+dx,j+dy)}；
工件匹配模块11，用以将提取的运动工件与存储模块4中已存的正品工件图像进行匹配，匹配一致时，发送加工工件为正品信息给显示模12块显示，否则，显示模块12显示加工工件为次品。
以下结合图1，对本发明实施例中基于运动视觉的工业加工系统的工业情况做出说明：
在工业加工系统中，当工业加工件经过工件进料系统2输入系统内时，视频采集模块3采集到工业加工件输入的视频，并保存编号的视频到存储模块4中；
视频提取模块5将提取的视频发送给视频预处理模块6做滤噪处理，然后由视频分帧模块8根据计时器7的时间提醒，将视频分割成独立的帧图像，并经优化的图像空间转换参数做灰度化处理后，得到高压缩率的预处理的灰度图像；
视频运动补偿模块9对预处理的灰度图像进行运动补偿，最后由运动工件图像提取模块10提取到视频中运动的工业加工件，并由工件匹配模块11将提取的工业加工件和存储器已存的工业加工件正品图像进行匹配，并由显示模块12显示工件匹配结果。
在该系统中，通过利用视频运动补偿模块9对图像进行运动补偿，以消除抖动的视频采集模块对工业加工件提取产生干扰，从而有效的提取了运动中的工业加工件信息。

Claims (2)

1.基于运动视觉的工业加工系统，其特征在于，包括中央控制平台以及分别连接中央控制平台的工件进料系统、视频采集模块、存储模块、视频提取模块、视频预处理模块、计时器、视频分帧模块、视频运动补偿模块、运动工件图像提取模块、工件匹配模块和显示模块；所述视频采集模块正对工件进料系统设置且视频采集模块连接存储模块，所述视频提取模块分别连接存储模块和视频预处理模块，所述视频预处理模块分别连接视频提取模块和视频分帧模块，所述视频运动补偿模块分别连接视频分帧模块和运动工件图像提取模块，所述视频分帧模块连接计时器，所述工件匹配模块分别连接运动工件图像提取模块和显示模块；其中，
所述中央控制平台，一方面，接收外部参数输入，以控制工件进料速度、视频分帧的时间间隔；另一方面，根据外部参数设置，控制视频采集模块、存储模块、视频提取模块、视频预处理模块、计时器、视频分帧模块、视频运动补偿模块、运动工件图像提取模块和显示模块；
所述视频采集模块，用以对工件进料系统输入的加工工件进行视频采集和编号，并将编号的工件输入视频保存到存储模块中；
所述存储模块，一方面存储正品工件的原始图像，一方面存储视频采集模块采集的编号的工件输入视频；
所述视频提取模块，用于提取存储模块中编号的视频，并发送给视频预处理模块；
所述视频预处理模块，用以利用高斯滤波滤除编号视频中的噪声，并发送给视频分帧模块处理；
所述计时器，根据预设时间间隔，发送时间提醒信息至视频分帧模块；
所述视频分帧模块，根据接收的时间提醒信息，对接收的滤噪编号视频进行分帧处理，以得到若干独立的预处理图像；其中，视频分帧过程包括如下步骤：
(1)按照计时器发送的时间提醒信息，将滤噪后的视频分割成若干独立编号的原始帧图像St(i,j)，并由所有分割数目的各原始帧图像St(i,j)构成原始图像S(i,j)；其中，t∈[1,T]，T表示视频被分割的帧图像数目；
(2)对原始图像S(i,j)中的各原始帧图像St(i,j)以预设倍数放大其像素值，并对放大后的各原始帧图像St(i,j)做灰度化处理，得到对应的灰度帧图像Yt(i,j)，其中，原始图像S(i,j)对应的灰度图像为Y(i,j)；
Yt(i,j)＝0.299×r(i,j)+0.587×g(i,j)+0.114×b(i,j)；
其中，r(i,j)、g(i,j)、b(i,j)分别对应原始帧图像St(i,j)的颜色空间三维坐标中的红、绿、蓝颜色分量，Yt(i,j)是该像素点对应的灰度值；
(3)对灰度图像Y(i,j)中的各灰度帧图像Yt(i,j)进行预处理，得到对应的预处理帧图像It(i,j)和预处理图像I(i,j)，并采用高斯滤波分别对各预处理帧图像It(i,j)进行处理；其中，高斯函数为均值是零的二维高斯函数g(i,j)，其中，
其使用的图像模板算子为
所述运动工件图像提取模块，用于提取预处理图像中的运动工件，其中，运动工件图像的提取过程依次包括如下步骤：
(a)建立背景像素模型M(i,j)，M(i,j)＝{v1,v2,…,vN}；其中，vk(i,j)表示图像(i,j)位置上的像素值，k是背景像素样本中的序号，M(i,j)表示背景图像(i,j)位置上的N个样本观察值；
(b)根据背景像素模型M(i,j)进行分类，建立以v(i,j)为中心，以R为半径的球SR(v(i,j))，进行比较并分类；其中，比较分类过程如下：当处在球SR(v(i,j))以内的样本观察值的数量K不小于基数Kmin，即K≥Kmin时，则判定当前像素v(i,j)为背景点；其中，K表示为K＝{SR(v(i,j))∩{v1,v2,…,vN}}；
(c)对背景像素模型M(i,j)进行初始化，在第一帧图像中随机选择相邻像素值与目标像素的样本进行混合，M1(i,j)＝{v1(y|y∈NG(i,j))}，每一个相邻位置y上的像素通过同样的方式被随机的选取，M1(i,j)表示第一帧图像序号的背景模型，NG(i,j)表示与像素位置(i,j)相邻的像素；
(d)更新背景像素模型M(i,j)，并采用保守更新策略，配合着向被前景区域遮挡的像素注入空间相邻像素信息实现更新，使用v(i,j)更新背景模型M(i,j)，随机的选择样本数量为N中的一个像素值进行更新；每次对背景模型进行更新时，以随机的更新判定为背景的像素位置上的模型，依然保留在模型中的概率P(t,t+dt)为：
N为样本数量；
所述视频运动补偿模块，用以对接收到的运动工件图像提取结果进行补偿，其中，运动补偿的过程依次包括如下步骤：
步骤1，根据背景模型M、当前帧图像I以及邻域窗口内的像素对比计算结果，得到偏移量ε(d)；其中，偏移量ε(d)计算公式如下：
其中，wx、wy是与邻域窗口相关的参数，窗口的尺寸表示为2(wx+1)×2(wy+1)，(ux,uy)为背景图像中的特征角点，M表示背景模型，I表示当前帧图像，d＝[dx dy]T；
步骤2，考察当前帧图像I中特征角点(ux,uy)周围的像素点，计算得到具有最小偏移量ε(d)的像素点(ux1,uy1)，并把该像素点(ux1,uy1)当作对应背景点(ux,uy)的像素点，得到像素(ux,uy)在当前帧图像I中的偏移量d，其中，偏移量d计算如下：
d＝(ux1-ux,uy1-uy)；
步骤3，计算多个背景图像上特征角点的位移均值S1以及位移中值S2，并以所得位移均值和位移中值的平均值作为整个背景图像的偏移量S；其中，位移均值S1、位移中值S2和偏移量S的计算公式如下：
N为样本数 量；
步骤4，利用偏移量S修正背景模型，并提取运动工件F，其中，运动工件F提取公式如下：
F{SR(v(i,j))∩M(i+dx,j+dy)}；
所述工件匹配模块，用以将提取的运动工件与存储模块中已存的正品工件图像进行匹配，匹配一致时，发送加工工件为正品信息给显示模块显示，否则，显示模块显示加工工件为次品。
2.根据权利要求1所述的基于运动视觉的工业加工系统，其特征在于，所述运动工件图像的提取过程中的球半径R为20，基数Kmin为2。
CN201510717171.0A 2015-10-29 2015-10-29 基于运动视觉的工业加工系统 Active CN105335718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510717171.0A CN105335718B (zh) 2015-10-29 2015-10-29 基于运动视觉的工业加工系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510717171.0A CN105335718B (zh) 2015-10-29 2015-10-29 基于运动视觉的工业加工系统

Publications (2)

Publication Number Publication Date
CN105335718A CN105335718A (zh) 2016-02-17
CN105335718B true CN105335718B (zh) 2019-03-05

Family

ID=55286234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510717171.0A Active CN105335718B (zh) 2015-10-29 2015-10-29 基于运动视觉的工业加工系统

Country Status (1)

Country Link
CN (1) CN105335718B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109729263B (zh) * 2018-12-07 2021-02-23 苏州中科广视文化科技有限公司 基于融合运动模型的视频除抖方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739551A (zh) * 2009-02-11 2010-06-16 北京智安邦科技有限公司 运动目标识别方法及系统
CN103500454A (zh) * 2013-08-27 2014-01-08 东莞中国科学院云计算产业技术创新与育成中心 一种抖动视频运动目标提取方法
CN104469086A (zh) * 2014-12-19 2015-03-25 北京奇艺世纪科技有限公司 一种视频去抖动方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100683849B1 (ko) * 2000-06-28 2007-02-15 삼성전자주식회사 디지털 영상 안정화기능을 갖는 디코더 및 디지털영상안정화방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739551A (zh) * 2009-02-11 2010-06-16 北京智安邦科技有限公司 运动目标识别方法及系统
CN103500454A (zh) * 2013-08-27 2014-01-08 东莞中国科学院云计算产业技术创新与育成中心 一种抖动视频运动目标提取方法
CN104469086A (zh) * 2014-12-19 2015-03-25 北京奇艺世纪科技有限公司 一种视频去抖动方法及装置

Also Published As

Publication number Publication date
CN105335718A (zh) 2016-02-17

Similar Documents

Publication Publication Date Title
CN104282020B (zh) 一种基于目标运动轨迹的车辆速度检测方法
CN104680519B (zh) 基于轮廓和颜色的七巧板识别方法
CN111080582B (zh) 工件内外表面缺陷检测方法
CN108109137A (zh) 车辆部件的机器视觉检测系统及方法
CN107014291B (zh) 一种物料精密转载平台的视觉定位方法
CN106226325A (zh) 一种基于机器视觉的座椅表面缺陷检测系统及其方法
CN102441581A (zh) 基于机器视觉的型钢断面尺寸在线检测的装置及方法
CN108257185A (zh) 多棋盘格角点检测方法及摄像机标定方法
CN107133969A (zh) 一种基于背景反投影的移动平台运动目标检测方法
CN1835547A (zh) 图像处理装置及图像处理中的登录数据生成方法
CN105957107A (zh) 行人检测与跟踪方法及装置
CN107463895A (zh) 基于邻域向量pca的弱小损伤目标检测方法
CN106067031A (zh) 基于人工纠错机制与深度学习网络协作机器视觉识别系统
CN105335718B (zh) 基于运动视觉的工业加工系统
CN108520260A (zh) 瓶装口服液中可见异物的识别方法
CN117232396B (zh) 一种高速生产线产品质量视觉检测系统及方法
CN113706496B (zh) 一种基于深度学习模型的飞行器结构裂纹检测方法
CN108021921A (zh) 图像特征点提取系统及其应用
CN105335717B (zh) 基于智能移动终端视频抖动分析的人脸识别系统
CN103578121B (zh) 干扰运动环境下基于共享高斯模型的运动检测方法
CN112749741A (zh) 一种基于深度学习的手闸紧固故障识别方法
CN106093052A (zh) 一种断纱检测方法
CN110376215A (zh) 轴承倒角不标准自动检测装置及方法
CN110033469A (zh) 一种亚像素边缘检测方法及系统
CN115116048A (zh) 一种基于点云质心识别及定位栈板的方法、系统

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