CN106355597A - 基于单目视觉的钢板折角自动测量机器人图像处理方法 - Google Patents
基于单目视觉的钢板折角自动测量机器人图像处理方法 Download PDFInfo
- Publication number
- CN106355597A CN106355597A CN201610784404.3A CN201610784404A CN106355597A CN 106355597 A CN106355597 A CN 106355597A CN 201610784404 A CN201610784404 A CN 201610784404A CN 106355597 A CN106355597 A CN 106355597A
- Authority
- CN
- China
- Prior art keywords
- steel plate
- image
- knuckle
- flanging
- point
- 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.)
- Granted
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 78
- 239000010959 steel Substances 0.000 title claims abstract description 78
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000005286 illumination Methods 0.000 claims abstract description 7
- 238000005452 bending Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 6
- IEDVJHCEMCRBQM-UHFFFAOYSA-N trimethoprim Chemical compound COC1=C(OC)C(OC)=CC(CC=2C(=NC(N)=NC=2)N)=C1 IEDVJHCEMCRBQM-UHFFFAOYSA-N 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 17
- 238000005070 sampling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241000906091 Lethrinus miniatus Species 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于单目视觉的钢板折角自动测量机器人图像处理方法,输入实时拍摄的钢板折角的截面图像,根据折角的位置分割出钢板折边小图;对钢板折角边进行边缘点的检测、筛选、直线拟合;根据钢板两条边的内外侧边缘拟合得到的直线,计算得到钢板折角的夹角度数。本发明能够准确地计算出钢板的折弯角度,运行时间短,可用于钢板折角测量的实时自动化检测;将大尺寸图像分割成包含折边的小图进行处理,降低了外界环境的干扰,极大的减少了计算量;减少了大量背景中虚假边缘点,减少了由于折边光照不均形成的干扰边缘点和折边凸起处的干扰边缘点,降低了钢板由于折边两端有弯曲,衔接不流畅现象及中间段有因受光照而发生形变的部分的影响。
Description
技术领域
本发明属于工业自动化技术领域,尤其涉及一种基于单目视觉的钢板折角自动测量机器人图像处理方法。
背景技术
钢板折角的测量主要用于钢板合格品的评判和钢板折弯轧刀力度的调整。
传统测量钢板折角的方案一般使用卡尺进行多次手工测量,然后取平均值。该方案需在生产线上暂停钢板折弯生产,降低了钢板处理的工作效率。
为保证角度测量的精度,折角截面的拍摄图片分辨率较高、尺寸较大,整图处理的时间较长,无法满足实时性要求;图像拍摄过程中会受周围环境的干扰(如:拍摄背景复杂、光照不均匀),同时钢板折边的边缘存在不光滑现象,使用现有的简单边缘检测算法,不能准确的定位折边边缘,从而不能保证角度测量的精度。
发明内容
本发明的目的在于提供一种基于单目视觉的钢板折角自动测量机器人图像处理方法,旨在解决钢板折角的高精度测量的问题。
本发明是这样实现的,一种基于单目视觉的钢板折角自动测量机器人图像处理方法,所述基于单目视觉的钢板折角自动测量机器人图像处理方法输入实时拍摄的钢板折角的截面图像,根据折角的位置分割出钢板折边小图,缩小检测范围,减少了计算量,降低了运行时间,同时也减少了运行时所需的存储空间;对钢板折角边进行边缘点的检测、筛选、直线拟合,使钢板折边边缘直线定位更为精准;根据钢板两条边的内外侧边缘拟合得到的直线,获得钢板折角内外侧的角度,平均后得到钢板折角的夹角度数。
进一步,所述分割出钢板折边小图的方法包括:旋转切割图像I,得到包含折边的小图;实际拍摄的钢板折角图像I中,折角开口向上,折角90度左右,左右折边与竖直方向的夹角45度左右,折角顶点V位于图像I中心附近,位于图像I的右侧上方钢板折边为L1,左侧上方折边为L2;
顺时针旋转图像α=45度得到图像I',计算顶点V旋转后的顶点V';
延顶点V'向上取长条形小图S2包含折边L2',延顶点V'向右取长条形小图S1,将图S1转置并进行垂直翻转得到图S1',使得折边L1'在图S1'中接近竖直方向,折角的外侧边缘位于左侧。
进一步,对于图像S1'检测边缘点,并进行第一次筛选,
分别使用t*t大小的水平与垂直方向梯度模板与图像S1'进行卷积,筛选出水平梯度大于一定阈值TG,垂直梯度小于一定阈值TG'的边缘点集合P0;
图像I中的钢板折边内部灰度均值g偏高g∈[g1,g2],背景灰度均值g偏低g∈[g3,g4],由于图像S1'中折边L'1处于竖直位置,故L'1左侧边缘EL的左边是背景,EL的右边是折边内部,根据边缘点左、右侧的灰度均值g进一步筛选边缘点,得到左侧边缘EL的边缘点集合PL0,同理得到右侧边缘ER的边缘点集合PR0。
进一步,将集合PL0的边缘点进行行采样后直线拟合得到直线线段ML0,集合PR0的边缘点进行行采样后直线拟合得到直线线段MR0。
进一步,根据拟合的直线线段ML0、MR0,对边缘点集合PL0、PR0进行第二次筛选,具体包括:
遍历图像S1'的每一行,计算第r(r=1…S1'.rows)行近似处于直线线段ML0上的像素点p,搜索像素点p附近在水平方向上与点p距离小于d0范围内的边缘点集合Pr,计算边缘点集合Pr中边缘点与点p的距离均值dmean、集合Pr中梯度最大的边缘点pgmax及集合Pr中处于线段ML0左侧且梯度最大的边缘点pgLmax;
当dmean<dt时,pgmax为第r行筛选出的边缘点;当dmean>dt且边缘点pgLmax与像素点p的距离小于d1时,pgLmax为第r行筛选出的边缘点;否则,该行不保留边缘点;最终,左侧边缘EL的边缘点组成点集合PL1,同理右侧边缘ER的边缘点经过筛选形成点集合PR1。
进一步,将集合PL2中的边缘点进行直线拟合得到左侧拟合直线线段ML2,ML2与竖直向下方向顺时针旋转角度为β1L∈[-180,180),集合PR2中的边缘点进行直线拟合得到右侧拟合直线线段MR2,MR2对应的角度为β1R∈[-180,180)。
进一步,钢板折角外侧角度θo=β2L-β1L+90,钢板折角内侧角度θi=β2R-β1R+90,最终钢板折角θ=(θo+θi)/2。
本发明对实时拍摄的钢板折角的截面图像,根据折角的位置分割出钢板折边小图,选出小图像素点的梯度符合阈值要求的边缘点集合,使用本发明提出的依据边缘点邻域灰度特征的筛选方法对边缘点进行第一次筛选,然后对候选边缘点进行拟合,使用本发明提出的依据拟合的线段附近的边缘点分布特性的筛选方法对候选边缘点进行第二次筛选,使用本发明提出的取线段方向两端的边缘点进行直线拟合获得折边的边缘角度信息,从而得到钢板折边内外侧的角度,然后取平均值作为折角的最终角度。
本发明与现有的技术相比具有以下优点:
1.本发明依据待检测图像的特点,将大尺寸图像分割成包含折边的小图进行处理,降低了外界环境的干扰,极大的减少了计算量;
2.本发明提出边缘点的多次筛选方法,在边缘的拟合中,依据钢板折边拍摄图像中的先验知识,采用本发明提出的依据边缘点邻域灰度特征的筛选方法对边缘点进行第一次筛选,减少了大量的背景中的虚假边缘点,确定了折边边缘的主要区域,采用本发明提出的依据拟合的线段附近的边缘点分布特性的筛选方法对候选边缘点进行第二次筛选,减少了由于折边光照不均形成的干扰边缘点和折边凸起处的干扰边缘点,采用本发明提出的取线段方向两端的边缘点进行最终直线拟合,降低了钢板由于折边两端有弯曲,衔接不流畅现象及中间段有因受光照而发生形变的部分的影响;
附图说明
图1是本发明实施例提供的基于单目视觉的钢板折角自动测量机器人图像处理方法流程图。
图2是本发明实施例提供的实施例1的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例的基于单目视觉的钢板折角自动测量机器人图像处理方法包括以下步骤:
S101:输入实时拍摄的钢板折角的截面图像,根据折角的位置分割出钢板折边小图;
S102:对钢板折角边进行边缘点的检测、筛选、直线拟合;
S103:根据钢板两条边的内外侧边缘拟合得到的直线,计算得到钢板折角的夹角度数。
下面结合附图对本发明的应用原理作进一步的描述。
实施例1:
本发明实施例的基于单目视觉的钢板折角自动测量机器人图像处理方法包括以下步骤:
步骤1,输入实时拍摄的待检测钢板折角的截面图像I;
步骤2,旋转切割图像I,得到包含折边的小图。
实际拍摄的钢板折角图像I中,折角开口向上,折角90度左右,左右折边与竖直方向的夹角45度左右,折角顶点V位于图像I中心附近,位于图像I的右侧上方钢板折边为L1,左侧上方折边为L2;
(2.1)顺时针旋转图像α=45度得到图像I',计算顶点V旋转后的顶点V';
(2.2)延顶点V'向上取长条形小图S2包含折边L2',延顶点V'向右取长条形小图S1,将图S1转置并进行垂直翻转得到图S1',使得折边L1'在图S1'中接近竖直方向,折角的外侧边缘位于左侧;
步骤3,对于图像S1'检测边缘点,并进行第一次筛选。
(3.1)分别使用t*t大小的水平与垂直方向梯度模板与图像S1'进行卷积,筛选出水平梯度大于一定阈值TG,垂直梯度小于一定阈值TG'G的边缘点集合P0;
(3.2)一般,图像I中的钢板折边内部灰度均值g偏高g∈[g1,g2],背景灰度均值g偏低g∈[g3,g4],由于图像S1'中折边L'1处于竖直位置,故L'1左侧边缘EL的左边是背景,EL的右边是折边内部,根据边缘点左、右侧的灰度均值g进一步筛选边缘点,得到左侧边缘EL的边缘点集合PL0,同理得到右侧边缘ER的边缘点集合PR0;
步骤4,将集合PL0的边缘点进行行采样后直线拟合得到直线线段ML0,集合PR0的边缘点进行行采样后直线拟合得到直线线段MR0;
步骤5,根据拟合的直线线段ML0、MR0,对边缘点集合PL0、PR0进行第二次筛选。
(5.1)遍历图像S1'的每一行,计算第r(r=1…S1'.rows)行近似处于直线线段ML0上的像素点p,搜索像素点p附近在水平方向上(近似线段垂直方向)与点p距离小于d0范围内的边缘点集合Pr,计算边缘点集合Pr中边缘点与点p的距离均值dmean、集合Pr中梯度最大的边缘点pgmax及集合Pr中处于线段ML0左侧且梯度最大的边缘点pgLmax;
(5.2)当dmean<dt时,pgmax为第r行筛选出的边缘点;当dmean>dt且边缘点pgLmax与像素点p的距离小于d1时,pgLmax为第r行筛选出的边缘点;否则,该行不保留边缘点;最终,左侧边缘EL的边缘点组成点集合PL1,同理右侧边缘ER的边缘点经过筛选形成点集合PR1;
步骤6,由于钢板由于折边两端有弯曲,衔接不流畅的现象,中间段有因受光照影响而发生形变的部分,在保证测量精度的前提下,分别去掉点集合PL1、PR1位于线段ML0、MR0两端长度l0及中间长度l1的边缘点,形成点集合PL2和PR2;
步骤7,将集合PL2中的边缘点进行直线拟合得到左侧拟合直线线段ML2,ML2与竖直向下方向顺时针旋转角度为β1L∈[-180,180),集合PR2中的边缘点进行直线拟合得到右侧拟合直线线段MR2,MR2对应的角度为β1R∈[-180,180);
步骤8,对于小图S2重复步骤3至7,得到图S2左侧边缘对应的角度β2L∈[-180,180),右侧边缘对应的角度β2R∈[-180,180),钢板折角外侧角度θo=β2L-β1L+90,钢板折角内侧角度θi=β2R-β1R+90,最终钢板折角θ=(θo+θi)/2。
图像人工测量角度为90.10度,使用本发明提出的方法得到的检测角度为89.92度,检测时间31ms。同一仿真平台下对同一图像,使用现有的对整图边缘检测未筛选边缘点的方法得到的检测角度为89.66度,检测时间101ms。
从实验结果可以看出本发明通过分割小图,极大的缩短了运行时间;本发明通过对边缘点的多次筛选,使得边缘定位更为准确,提高了角度测量的精度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于单目视觉的钢板折角自动测量机器人图像处理方法,其特征在于,所述基于单目视觉的钢板折角自动测量机器人图像处理方法输入实时拍摄的钢板折角的截面图像,根据折角的位置分割出钢板折边小图;对钢板折角边进行边缘点的检测、筛选、直线拟合;根据钢板两条边的内外侧边缘拟合得到的直线,计算得到钢板折角的夹角度数。
2.如权利要求1所述的基于单目视觉的钢板折角自动测量机器人图像处理方法,其特征在于,所述基于单目视觉的钢板折角自动测量机器人图像处理方法包括以下步骤:
步骤1,输入实时拍摄的待检测钢板折角的截面图像I;
步骤2,旋转切割图像I,得到包含折边的小图;
步骤3,对于折边图像S1'检测边缘点,并进行第一次筛选;
步骤4,将集合PL0的边缘点进行直线拟合得到直线线段ML0,集合PR0的边缘点进行直线拟合得到直线线段MR0;
步骤5,根据拟合的直线线段ML0、MR0,对边缘点集合PL0、PR0进行第二次筛选;
步骤6,由于钢板折边两端有弯曲,衔接不流畅的现象,中间段有因受光照影响而发生形变的部分,在保证测量精度的前提下,分别去掉点集合PL1、PR1位于线段ML0、MR0两端长度l0及中间长度l1的边缘点,形成点集合PL2和PR2;
步骤7,将集合PL2中的边缘点进行直线拟合得到左侧拟合直线线段ML2,ML2与竖直向下方向顺时针旋转角度为β1L∈[-180,180),集合PR2中的边缘点进行直线拟合得到右侧拟合直线线段MR2,MR2对应的角度为β1R∈[-180,180);
步骤8,对于小图S2重复步骤3至7,得到图S2左侧边缘对应的角度β2L∈[-180,180),右侧边缘对应的角度β2R∈[-180,180),钢板折角外侧角度θo=β2L-β1L+90,钢板折角内侧角度θi=β2R-β1R+90,最终钢板折角θ=(θo+θi)/2。
3.如权利要求1所述的基于单目视觉的钢板折角自动测量机器人图像处理方法,其特征在于,所述步骤2,旋转切割图像I,得到包含折边的小图。
实际拍摄的钢板折角图像I中,折角开口向上,折角90度左右,左右折边与竖直方向的夹角45度左右,折角顶点V位于图像I中心附近,位于图像I的右侧上方钢板折边为L1,左侧上方折边为L2;
顺时针旋转图像α=45度得到图像I',计算顶点V旋转后的顶点V';
延顶点V'向上取长条形小图S2包含折边L2',延顶点V'向右取长条形小图S1,将图S1转置并进行垂直翻转得到图S1',使得折边L1'在图S1'中接近竖直方向,折角的外侧边缘位于左侧。
4.如权利要求1所述的基于单目视觉的钢板折角自动测量机器人图像处理方法,其特征在于,步骤3,对于图像S1'检测边缘点,并进行第一次筛选;
分别使用t*t大小的水平与垂直方向梯度模板与图像S1'进行卷积,筛选出水平梯度大于一定阈值TG,垂直梯度小于一定阈值T′G的边缘点集合P0;
图像I中的钢板折边内部灰度均值g偏高g∈[g1,g2],背景灰度均值g偏低g∈[g3,g4],由于图像S′1中折边L'1处于竖直位置,故L'1左侧边缘EL的左边是背景,EL的右边是折边内部,根据边缘点左、右侧的灰度均值g进一步筛选边缘点,得到左侧边缘EL的边缘点集合PL0,同理得到右侧边缘ER的边缘点集合PR0。
5.如权利要求1所述的基于单目视觉的钢板折角自动测量机器人图像处理方法,其特征在于,步骤5,根据拟合的直线线段ML0、MR0,对边缘点集合PL0、PR0进行第二次筛选:
遍历图像S1'的每一行,计算第r(r=1…S′1.rows)行近似处于直线线段ML0上的像素点p,搜索像素点p附近在水平方向上近似线段垂直方向与点p距离小于d0范围内的边缘点集合Pr,计算边缘点集合Pr中边缘点与点p的距离均值dmean、集合Pr中梯度最大的边缘点pgmax及集合Pr中处于线段ML0左侧且梯度最大的边缘点pgLmax;
当dmean<dt时,pgmax为第r行筛选出的边缘点;当dmean>dt且边缘点pgLmax与像素点p的距离小于d1时,pgLmax为第r行筛选出的边缘点;否则,该行不保留边缘点;最终,左侧边缘EL的边缘点组成点集合PL1,同理右侧边缘ER的边缘点经过筛选形成点集合PR1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610784404.3A CN106355597B (zh) | 2016-08-31 | 2016-08-31 | 基于单目视觉的钢板折角自动测量机器人图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610784404.3A CN106355597B (zh) | 2016-08-31 | 2016-08-31 | 基于单目视觉的钢板折角自动测量机器人图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106355597A true CN106355597A (zh) | 2017-01-25 |
CN106355597B CN106355597B (zh) | 2019-01-29 |
Family
ID=57857570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610784404.3A Active CN106355597B (zh) | 2016-08-31 | 2016-08-31 | 基于单目视觉的钢板折角自动测量机器人图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106355597B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106625627A (zh) * | 2017-02-08 | 2017-05-10 | 上海新时达电气股份有限公司 | 一种折弯机器人 |
CN109146950A (zh) * | 2018-09-30 | 2019-01-04 | 燕山大学 | 一种利用板材热弯曲工艺弯曲角在线测量方法 |
CN110864635A (zh) * | 2019-10-30 | 2020-03-06 | 宁波兰羚钢铁实业有限公司 | 一种纵剪机用在线厚度检测系统及方法 |
CN113205086A (zh) * | 2021-07-05 | 2021-08-03 | 武汉瀚迈科技有限公司 | 一种基于椭圆拟合的圆截面弯管类零件特征参数识别算法 |
CN113744273A (zh) * | 2021-11-08 | 2021-12-03 | 武汉逸飞激光股份有限公司 | 软包电芯折边检测方法、装置、电子设备及存储介质 |
CN115311629A (zh) * | 2022-10-12 | 2022-11-08 | 南通创为机械科技有限公司 | 一种折弯机的异常折弯精度监测系统 |
CN117132506A (zh) * | 2023-10-23 | 2023-11-28 | 深圳市高进实业有限公司 | 基于视觉技术的钟表零配件质量检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101574709A (zh) * | 2009-06-12 | 2009-11-11 | 东北大学 | 一种中厚板自动转钢方法 |
CN103438836A (zh) * | 2013-08-23 | 2013-12-11 | 中联重科股份有限公司 | 折弯件折弯角度测量设备、系统及方法 |
-
2016
- 2016-08-31 CN CN201610784404.3A patent/CN106355597B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101574709A (zh) * | 2009-06-12 | 2009-11-11 | 东北大学 | 一种中厚板自动转钢方法 |
CN103438836A (zh) * | 2013-08-23 | 2013-12-11 | 中联重科股份有限公司 | 折弯件折弯角度测量设备、系统及方法 |
Non-Patent Citations (1)
Title |
---|
雷经发等: "《基于机器视觉的平面夹角测量方法》", 《华南理工大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106625627A (zh) * | 2017-02-08 | 2017-05-10 | 上海新时达电气股份有限公司 | 一种折弯机器人 |
CN109146950A (zh) * | 2018-09-30 | 2019-01-04 | 燕山大学 | 一种利用板材热弯曲工艺弯曲角在线测量方法 |
CN110864635A (zh) * | 2019-10-30 | 2020-03-06 | 宁波兰羚钢铁实业有限公司 | 一种纵剪机用在线厚度检测系统及方法 |
CN113205086A (zh) * | 2021-07-05 | 2021-08-03 | 武汉瀚迈科技有限公司 | 一种基于椭圆拟合的圆截面弯管类零件特征参数识别算法 |
CN113744273A (zh) * | 2021-11-08 | 2021-12-03 | 武汉逸飞激光股份有限公司 | 软包电芯折边检测方法、装置、电子设备及存储介质 |
CN115311629A (zh) * | 2022-10-12 | 2022-11-08 | 南通创为机械科技有限公司 | 一种折弯机的异常折弯精度监测系统 |
CN117132506A (zh) * | 2023-10-23 | 2023-11-28 | 深圳市高进实业有限公司 | 基于视觉技术的钟表零配件质量检测方法 |
CN117132506B (zh) * | 2023-10-23 | 2024-01-19 | 深圳市高进实业有限公司 | 基于视觉技术的钟表零配件质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106355597B (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355597A (zh) | 基于单目视觉的钢板折角自动测量机器人图像处理方法 | |
CN107610111B (zh) | 一种基于深度学习的焊点图像检测方法 | |
CN106680287B (zh) | 一种轴承铆钉台阶缺陷的视觉检测方法 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
CN114820773B (zh) | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 | |
CN114372983B (zh) | 一种基于图像处理的屏蔽盒涂装质量检测方法及系统 | |
CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN111968144A (zh) | 一种图像边缘点获取方法及装置 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN115170669A (zh) | 基于边缘特征点集配准的识别定位方法及系统、存储介质 | |
CN112651968A (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN109978940A (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
CN107273884A (zh) | 一种基于移动终端摄像头的车辆牌照识别方法 | |
CN109682820A (zh) | 一种显示屏的缺陷自动光学检测方法 | |
TWI383690B (zh) | 影像處理的方法 | |
CN109671084B (zh) | 一种工件形状的测量方法 | |
CN114938410A (zh) | 一种手机屏幕画检分区方法和系统 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 | |
CN109001213A (zh) | 一种卷到卷超薄柔性ic基板外观检测方法 | |
US20220076428A1 (en) | Product positioning method | |
CN114943738A (zh) | 一种基于视觉识别的传感器封装固化胶缺陷识别方法 | |
CN117392043A (zh) | 一种基于深度学习的钢板表面缺陷视频检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Image processing method based on monocular vision for automatic measuring robot of steel plate angle Effective date of registration: 20201111 Granted publication date: 20190129 Pledgee: Hangzhou United Rural Commercial Bank Co., Ltd. Xihu sub branch Pledgor: HANGZHOU WOPUWULIAN SCIENCE & TECHNOLOGY Co.,Ltd. Registration number: Y2020330000930 |