CN106846404A - 一种基于工件内外轮廓几何特征的快速位姿检测方法 - Google Patents
一种基于工件内外轮廓几何特征的快速位姿检测方法 Download PDFInfo
- Publication number
- CN106846404A CN106846404A CN201710027716.4A CN201710027716A CN106846404A CN 106846404 A CN106846404 A CN 106846404A CN 201710027716 A CN201710027716 A CN 201710027716A CN 106846404 A CN106846404 A CN 106846404A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- point
- image
- geometric properties
- detection method
- 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.)
- Pending
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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20172—Image enhancement details
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
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)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于工件内外轮廓几何特征的快速位姿检测方法,包括如下步骤:(1)工件图像获取;(2)对获取的工件图像进行预处理操作;(3)对预处理后的工件图像进行几何特征获取;(4)根据获取的几何特征进行姿态识别。本发明通过旋转将运输时封闭状态的车厢转换为箱体内部的抽屉全部朝外的位置状态,从而在保证货物运输安全的情况下便于货物的拿取。与现有技术相比,本发明不仅检测精度较高,而且耗时较少,能够满足自动化生产的实时性要求,更好的兼顾检测速度和检测精度,并且对实际应用环境下有很好的鲁棒性。
Description
技术领域
本发明涉及一种基于工件内外轮廓几何特征的快速位姿检测方法,属于图像处理、视觉目标检测技术领域。
背景技术
目前许多已经提出的工件位姿检测方法,主要有基于特征匹配的检测方法、基于几何参数的检测方法以及基于颜色空间的检测方法。上述的方法中,特征的提取对光照条件要求很高,在光照不理想的情况下会产生很多伪特征,识别率较低。此外,上述几种方法一般还需要建立模板数据库,再通过复杂的计算与已知模板进行匹配,这不仅增加了存储空间,而且匹配消耗时间较多,往往不能满足自动化生产实时性的要求。
发明内容
目的:为了克服以上不足,考虑现实情况的需求,本发明提出一种基于工件内外轮廓几何特征的快速位姿检测方法,利用视觉获取工件的图像信息并快速的识别其姿态信息,从而实现实时性的自动化生产。
本发明的技术方案如下:
一种基于工件内外轮廓几何特征的快速位姿检测方法,包括如下步骤:
(1)工件图像获取,通过相机获取工件图像;
(2)对步骤(1)获取的工件图像进行预处理操作,包括图像灰度化、图像阈值分割和图像滤波去噪;
(3)对步骤(2)预处理后的工件图像进行几何特征获取,包括轮廓的获取、筛选内外轮廓、计算外轮廓中心点和定位内轮廓最小面积外接矩形;
(4)根据步骤(3)获取的几何特征进行姿态识别,包括寻找内轮廓特征关系点、根据外轮廓中心点和内轮廓特征关系点求解图像坐标系下工件姿态角;
(5)根据步骤(3)计算的外轮廓中心点和步骤(4)求解的工件姿态角来确定工件的位置和姿态。
优选地,所述步骤(1)采用CMOS相机进行图像采集,其分辨率为1280*1024。
优选地,所述步骤(2)中的图像阈值分割是指根据设定的阈值,将灰度图像转化为二值图像。
优选地,所述步骤(2)中所述的图像滤波去噪是指采用两次开闭形态学操作去除二值图像上的孔洞。
优选地,所述步骤(3)中几何特征获取包括以下步骤:
5a)轮廓的获取与筛选:获取以点集方式表示的轮廓序列集,选取轮廓的面积作为主要特征,通过设置合适的阈值,提取工件的外轮廓S1、内轮廓S2;
5b)寻找外轮廓中心点:基于区域形心法来定位步骤5a)提取的外轮廓S1的中心点Pc(Xc,Yc):
其中,(Xc,Yc)为外轮廓S1的中心坐标点,I(i,j)为二值图像在点(i,j)处的像素值;
5c)定位内轮廓S2的最小面积外接矩形:采用旋转卡壳算法,先找出内轮廓S2沿图像坐标系两个坐标轴方向的四个极值点,然后在极值点对应的坐标轴平行线所限定的矩形区域内,以任一条轮廓外切线为边构造外接矩形,并计算其面积,最后沿顺时针方向旋转切线,不断构造新的外接矩形,选定面积最小者作为内轮廓S2的最小面积外接矩形。
优选地,所述步骤(4)中姿态识别包括以下步骤:
6a)寻找特征关系点,计算步骤3)所得的最小面积外接矩形的边长中点坐标,记为{Pleft,Pright,Ptop,Pbottom},然后分别以其为圆心,以各中点所在的矩形边长的长度的α倍为半径画圆,其中α为常数,选取工件内轮廓S2被四个圆截取的四个轮廓局部边缘点集序列{Sleft,Sright,Stop,Sbottom},特征函数为:
其中,点点集序列(Xj,Yj)为点集序列S上的点,N为S所包含点的数量。
6b)根据步骤6a)中的特征函数公式,分别计算出F(Pleft)、F(Pright)、F(Ptop)、F(Pbottom)值,取数值最小所对应点的坐标记为Pd(Xd,Yd),在图像坐标系下,将点Pd到工件的中心点Pc所作的向量与图像坐标系横轴正方向的夹角作为工件的姿态角,定义为:
优选地,所述步骤(5)中的确定工件的位置和姿态由步骤(5b)所得的外轮廓S1的中心点Pc(Xc,Yc)和步骤(6b)求解得到的工件姿态角angle(Pc,Pd)来确定。
有益效果:本发明提供一种基于工件内外轮廓几何特征的快速位姿检测方法,首先对获取的工件图像进行预处理后提取工件内外轮廓,然后通过外轮廓区域形心法计算工件的中心坐标,最后通过内轮廓局部边缘与其最小面积外接矩形之间的特征关系计算工件的姿态角。使用该方法来检测工件的位姿,不仅检测精度较高,而且耗时较少,能够满足自动化生产的实时性要求,更好的兼顾检测速度和检测精度,并且对实际应用环境下有很好的鲁棒性。
附图说明
图1是本发明系统的结构示意图;
图2是图像预处理图;
图3是工件外轮廓图;
图4是工件内轮廓图;
图5是工件外轮廓处理图;
图6是工件内轮廓处理图;
图7是工件位姿示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
如图1-7所示,一种基于工件内外轮廓几何特征的快速位姿检测方法,包括如下步骤:
(1)工件图像获取,通过相机获取工件图像;
(2)对步骤(1)获取的工件图像进行预处理操作,包括图像灰度化、图像阈值分割和图像滤波去噪,其中图像灰度化属于常规技术手段,故而未加详述;
(3)对步骤(2)预处理后的工件图像进行几何特征获取,包括轮廓的获取、筛选内外轮廓、计算外轮廓中心点和定位内轮廓最小面积外接矩形;
(4)根据步骤(3)获取的几何特征进行姿态识别,包括寻找内轮廓特征关系点、根据外轮廓中心点和内轮廓特征关系点求解图像坐标系下工件姿态角;
(5)根据步骤(3)计算的外轮廓中心点和步骤(4)求解的工件姿态角来确定工件的位置和姿态。
优选地,所述步骤(1)采用CMOS相机进行图像采集,其分辨率为1280*1024。
优选地,所述步骤(2)中的图像阈值分割是指根据设定的阈值,将灰度图像转化为二值图像。
优选地,所述步骤(2)中所述的图像滤波去噪是指采用两次开闭形态学操作去除二值图像上的孔洞。
优选地,所述步骤(3)中几何特征获取包括以下步骤:
5a)轮廓的获取与筛选:获取以点集方式表示的轮廓序列集,选取轮廓的面积作为主要特征,通过设置合适的阈值,提取工件的外轮廓S1、内轮廓S2;
5b)寻找外轮廓中心点:基于区域形心法来定位步骤5a)提取的外轮廓S1的中心点Pc(Xc,Yc):
其中,(Xc,Yc)为外轮廓S1的中心坐标点,I(i,j)为二值图像在点(i,j)处的像素值;
5c)定位内轮廓S2的最小面积外接矩形:采用旋转卡壳算法,先找出内轮廓S2沿图像坐标系两个坐标轴方向的四个极值点,然后在极值点对应的坐标轴平行线所限定的矩形区域内,以任一条轮廓外切线为边构造外接矩形,并计算其面积,最后沿顺时针方向旋转切线,不断构造新的外接矩形,选定面积最小者作为内轮廓S2的最小面积外接矩形。
优选地,所述步骤(4)中姿态识别包括以下步骤:
6a)寻找特征关系点,计算步骤3)所得的最小面积外接矩形的边长中点坐标(其中矩形边长中点的计算方法为常规技术手段,故而未加详述),记为{Pleft,Pright,Ptop,Pbottom},然后分别以其为圆心,以各中点所在的矩形边长的长度的α倍为半径画圆,其中,α为常数,选取工件内轮廓S2被四个圆截取的四个轮廓局部边缘点集序列{Sleft,Sright,Stop,Sbottom},特征函数为:
其中,点点集序列(Xj,Yj)为点集序列S上的点,N为S所包含点的数量。
6b)根据步骤6a)中的特征函数公式,分别计算出F(Pleft)、F(Pright)、F(Ptop)、F(Pbottom)值,取数值最小所对应点的坐标记为Pd(Xd,Yd),在图像坐标系下,将点Pd到工件的中心点Pc所作的向量与图像坐标系横轴正方向的夹角作为工件的姿态角,定义为:
优选地,所述步骤(5)中的确定工件的位置和姿态由步骤(5b)所得的外轮廓S1的中心点Pc(Xc,Yc)和步骤(6b)求解得到的工件姿态角angle(Pc,Pd)来确定。
实施例1:
首先通过CMOS相机获取工件图像,并对获取的工件图像进行预处理操作。如图2所示,先将图像转化为灰度图像,然后以固定阈值(65)对灰度图像进行二值分割,将其转化为二值图像,转化后的二值图像存在噪声,采用形态学上的闭、开操作去噪,去除图像上孔洞。
随后获取预处理后图像的几何特,如图3、4所示,在二值图像中查找磁片骨架内外轮廓。通过设置轮廓面积的阈值(单位为像素×像素)筛选磁片骨架的内外轮廓。通过实验测定,当轮廓面积小于70000时,为非感兴趣轮廓,剔除此轮廓;若轮廓面积在70000到80000之间,便得到磁片骨架的内轮廓S2;若轮廓面积大于8000,便得到磁片骨架的外轮廓S1;如图5、6所示,对得到的外轮廓S1使用区域形心法计算其中心坐标Pc(Xc,Yc),对得到的内轮廓S2使用最小面积外接矩形算法旋转卡壳法,定位其小面积外接矩形,其中,区域形心发和旋转卡壳法均为本领域常规技术手段,故而未加详述。
最后进行姿态识别,如图7所示,计算得到内轮廓最小面积外接矩形边长的中点,记为{Pleft,Pright,Ptop,Pbottom},然后以中点为圆心,以对应中点所在矩形边长的0.1倍来截取四个轮廓局部边缘点集序列{Sleft,Sright,Stop,Sbottom},通过特征函数公式(II)计算特征关系值,计算得到F(Pleft)、F(Pright)、F(Ptop)、F(Pbottom),取计算结果最小值所对应的点坐标记为Pd(Xd,Yd),最后将Pd、Pc带入姿态角计算公式(III)中计算工件的姿态角。最终根据外轮廓S1的中心点Pc和姿态角angle(Pc,Pd)来确定工件的位置和姿态。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于工件内外轮廓几何特征的快速位姿检测方法,其特征在于,包括如下步骤:
(1)工件图像获取,通过相机获取工件图像;
(2)对步骤(1)获取的工件图像进行预处理操作,包括图像灰度化、图像阈值分割和图像滤波去噪;
(3)对步骤(2)预处理后的工件图像进行几何特征获取,包括轮廓的获取、筛选内外轮廓、计算外轮廓中心点和定位内轮廓最小面积外接矩形;
(4)根据步骤(3)获取的几何特征进行姿态识别,包括寻找内轮廓特征关系点、根据外轮廓中心点和内轮廓特征关系点求解图像坐标系下的工件姿态角;
(5)根据步骤(3)计算的外轮廓中心点和步骤(4)求解的工件姿态角来确定工件的位置和姿态。
2.根据权利要求1所述的一种工件内外轮廓几何特征的快速位姿检测方法,其特征在于,所述步骤(1)采用CMOS相机进行图像采集,其分辨率为1280*1024。
3.根据权利要求1所述的一种工件内外轮廓几何特征的快速位姿检测方法,其特征在于,所述步骤(2)中的图像阈值分割是指根据设定的阈值,将灰度图像转化为二值图像。
4.根据权利要求3所述的一种工件内外轮廓几何特征的快速位姿检测方法,其特征在于,所述步骤(2)中所述的图像滤波去噪是指采用两次开闭形态学操作去除二值图像上的孔洞。
5.根据权利要求1所述的一种工件内外轮廓几何特征的快速位姿检测方法,其特征在于,所述步骤(3)中几何特征获取包括以下步骤:
5a)轮廓的获取与筛选:获取以点集方式表示的轮廓序列集,选取轮廓的面积作为主要特征,通过设置合适的阈值,提取工件的外轮廓S1、内轮廓S2;
5b)计算外轮廓中心点:基于区域形心法来定位步骤5a)提取的外轮廓S1的中心点Pc(Xc,Yc),其中,中心点Pc(Xc,Yc)的计算公式如下:
其中,(Xc,Yc)为外轮廓S1的中心点坐标,I(i,j)为二值图像在点(i,j)处的像素值;
5c)定位内轮廓S2的最小面积外接矩形:采用旋转卡壳算法,先找出内轮廓S2沿图像坐标系两个坐标轴方向的四个极值点,然后在极值点对应的坐标轴平行线所限定的矩形区域内,以任一条轮廓外切线为边构造外接矩形,并计算其面积,最后沿顺时针方向旋转切线,不断构造新的外接矩形,选定面积最小者作为内轮廓S2的最小面积外接矩形。
6.根据权利要求5所述的一种工件内外轮廓几何特征的快速位姿检测方法,其特征在于,所述步骤(4)中姿态识别包括以下步骤:
6a)寻找特征关系点,计算步骤5c)所得的最小面积外接矩形各边长中点的坐标,记为{Pleft,Pright,Ptop,Pbottom},然后分别以各中点为圆心,以各中点所在的矩形边长的长度的α倍为半径画圆,其中α为常数,选取工件内轮廓S2被四个圆截取的四个轮廓局部边缘点集序列为{Sleft,Sright,Stop,Sbottom},特征函数为:
其中,点点集序列(Xj,Yj)为点集序列S上的点,N为S所包含点的数量。
6b)根据步骤6a)中的特征函数公式(II),分别计算出F(Pleft)、F(Pright)、F(Ptop)、F(Pbottom)值,取数值最小所对应点的坐标记为Pd(Xd,Yd),在图像坐标系下,将点Pd到工件的中心点Pc所作的向量与图像坐标系横轴正方向的夹角作为工件的姿态角,其中姿态角计算公式定义为:
7.根据权利要求6所述的一种工件内外轮廓几何特征的快速位姿检测方法,其特征在于,所述步骤(5)中的确定工件的位置和姿态由步骤(5b)所得的外轮廓S1的中心点Pc(Xc,Yc)和步骤(6b)求解得到的工件姿态角angle(Pc,Pd)来确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710027716.4A CN106846404A (zh) | 2017-01-16 | 2017-01-16 | 一种基于工件内外轮廓几何特征的快速位姿检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710027716.4A CN106846404A (zh) | 2017-01-16 | 2017-01-16 | 一种基于工件内外轮廓几何特征的快速位姿检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106846404A true CN106846404A (zh) | 2017-06-13 |
Family
ID=59124703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710027716.4A Pending CN106846404A (zh) | 2017-01-16 | 2017-01-16 | 一种基于工件内外轮廓几何特征的快速位姿检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106846404A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590837A (zh) * | 2017-09-06 | 2018-01-16 | 西安华航唯实机器人科技有限公司 | 一种视觉定位智能精密装配机器人及其摄像机视觉标定方法 |
CN108039579A (zh) * | 2017-12-11 | 2018-05-15 | 北京无线电测量研究所 | 一种异型腔体辐射单元的快速装配方法 |
CN108416809A (zh) * | 2018-03-09 | 2018-08-17 | 江南大学 | 一种基于机器视觉的钢桶螺纹盖位姿识别方法 |
CN108416735A (zh) * | 2018-03-19 | 2018-08-17 | 深圳市深图医学影像设备有限公司 | 基于几何特征的数字化x线图像的拼接方法及装置 |
CN109325949A (zh) * | 2018-10-17 | 2019-02-12 | 合肥常青机械股份有限公司 | 一种汽车零件加工检测信息提取方法 |
CN109658402A (zh) * | 2018-12-17 | 2019-04-19 | 中山大学 | 基于计算机视觉成像的工业型材几何尺寸自动检测方法 |
CN109669173A (zh) * | 2019-01-08 | 2019-04-23 | 南京航空航天大学 | 一种基于无人机和信号相对强弱的地面目标定位方法 |
CN109741394A (zh) * | 2018-12-10 | 2019-05-10 | 北京拓尔思信息技术股份有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN109991215A (zh) * | 2019-03-08 | 2019-07-09 | 深圳市象形字科技股份有限公司 | 一种用于尿液检测仪的异常情形预警方法 |
CN110443851A (zh) * | 2019-08-06 | 2019-11-12 | 暨南大学 | 一种基于二次曲面特征的工件位姿识别方法 |
CN111580514A (zh) * | 2020-05-07 | 2020-08-25 | 中国船舶重工集团公司第七一六研究所 | 基于联合编队的移动机器人最优路径覆盖方法 |
CN111627058A (zh) * | 2020-04-17 | 2020-09-04 | 联想(北京)有限公司 | 一种定位视觉中心点的方法、设备及存储介质 |
CN113102880A (zh) * | 2021-04-02 | 2021-07-13 | 广西大学 | 一种基于视觉示教的线激光焊缝自动跟踪系统及方法 |
CN113269835A (zh) * | 2021-07-19 | 2021-08-17 | 季华实验室 | 基于轮廓特征的工业零件位姿识别方法、装置和电子设备 |
CN113378996A (zh) * | 2021-07-12 | 2021-09-10 | 中船第九设计研究院工程有限公司 | 一种船厂分段场地的胎位排布方法 |
CN114119980A (zh) * | 2021-12-07 | 2022-03-01 | 杭州涿溪脑与智能研究所 | 一种基于深度学习的膜盒压力表压力读取方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721364A (zh) * | 2011-03-30 | 2012-10-10 | 比亚迪股份有限公司 | 一种工件的定位方法及其装置 |
CN103793712A (zh) * | 2014-02-19 | 2014-05-14 | 华中科技大学 | 一种基于边缘几何特征的图像识别方法及系统 |
CN104156726A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于几何形状特征的工件识别方法及装置 |
CN104296665A (zh) * | 2014-09-28 | 2015-01-21 | 苏州镭络视觉技术有限公司 | 一种基于机器视觉的工件尺寸测量方法及系统 |
US20150172565A1 (en) * | 2013-12-18 | 2015-06-18 | United Technologies Corporation | Composite image processing for lwir images using geometric features |
-
2017
- 2017-01-16 CN CN201710027716.4A patent/CN106846404A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721364A (zh) * | 2011-03-30 | 2012-10-10 | 比亚迪股份有限公司 | 一种工件的定位方法及其装置 |
US20150172565A1 (en) * | 2013-12-18 | 2015-06-18 | United Technologies Corporation | Composite image processing for lwir images using geometric features |
CN103793712A (zh) * | 2014-02-19 | 2014-05-14 | 华中科技大学 | 一种基于边缘几何特征的图像识别方法及系统 |
CN104156726A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于几何形状特征的工件识别方法及装置 |
CN104296665A (zh) * | 2014-09-28 | 2015-01-21 | 苏州镭络视觉技术有限公司 | 一种基于机器视觉的工件尺寸测量方法及系统 |
Non-Patent Citations (3)
Title |
---|
叶伯生: "基于几何特征的快速位姿识别算法研究", 《组合机床与自动化加工技术》 * |
张金萍: "数学形态学在工件识别预处理中的应用", 《机械与电子》 * |
赵磊: "基于机器视觉的密封件外观检测技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590837A (zh) * | 2017-09-06 | 2018-01-16 | 西安华航唯实机器人科技有限公司 | 一种视觉定位智能精密装配机器人及其摄像机视觉标定方法 |
CN108039579A (zh) * | 2017-12-11 | 2018-05-15 | 北京无线电测量研究所 | 一种异型腔体辐射单元的快速装配方法 |
CN108416809A (zh) * | 2018-03-09 | 2018-08-17 | 江南大学 | 一种基于机器视觉的钢桶螺纹盖位姿识别方法 |
CN108416809B (zh) * | 2018-03-09 | 2023-08-22 | 江南大学 | 一种基于机器视觉的钢桶螺纹盖位姿识别方法 |
CN108416735A (zh) * | 2018-03-19 | 2018-08-17 | 深圳市深图医学影像设备有限公司 | 基于几何特征的数字化x线图像的拼接方法及装置 |
CN108416735B (zh) * | 2018-03-19 | 2022-02-01 | 深圳市深图医学影像设备有限公司 | 基于几何特征的数字化x线图像的拼接方法及装置 |
CN109325949A (zh) * | 2018-10-17 | 2019-02-12 | 合肥常青机械股份有限公司 | 一种汽车零件加工检测信息提取方法 |
CN109741394B (zh) * | 2018-12-10 | 2021-02-26 | 北京拓尔思信息技术股份有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN109741394A (zh) * | 2018-12-10 | 2019-05-10 | 北京拓尔思信息技术股份有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN109658402A (zh) * | 2018-12-17 | 2019-04-19 | 中山大学 | 基于计算机视觉成像的工业型材几何尺寸自动检测方法 |
CN109669173A (zh) * | 2019-01-08 | 2019-04-23 | 南京航空航天大学 | 一种基于无人机和信号相对强弱的地面目标定位方法 |
CN109991215A (zh) * | 2019-03-08 | 2019-07-09 | 深圳市象形字科技股份有限公司 | 一种用于尿液检测仪的异常情形预警方法 |
CN109991215B (zh) * | 2019-03-08 | 2021-09-24 | 深圳市象形字科技股份有限公司 | 一种用于尿液检测仪的异常情形预警方法 |
CN110443851A (zh) * | 2019-08-06 | 2019-11-12 | 暨南大学 | 一种基于二次曲面特征的工件位姿识别方法 |
CN110443851B (zh) * | 2019-08-06 | 2021-10-15 | 暨南大学 | 一种基于二次曲面特征的工件位姿识别方法 |
CN111627058A (zh) * | 2020-04-17 | 2020-09-04 | 联想(北京)有限公司 | 一种定位视觉中心点的方法、设备及存储介质 |
CN111627058B (zh) * | 2020-04-17 | 2024-07-23 | 联想(北京)有限公司 | 一种定位视觉中心点的方法、设备及存储介质 |
CN111580514A (zh) * | 2020-05-07 | 2020-08-25 | 中国船舶重工集团公司第七一六研究所 | 基于联合编队的移动机器人最优路径覆盖方法 |
CN113102880A (zh) * | 2021-04-02 | 2021-07-13 | 广西大学 | 一种基于视觉示教的线激光焊缝自动跟踪系统及方法 |
CN113378996A (zh) * | 2021-07-12 | 2021-09-10 | 中船第九设计研究院工程有限公司 | 一种船厂分段场地的胎位排布方法 |
CN113269835A (zh) * | 2021-07-19 | 2021-08-17 | 季华实验室 | 基于轮廓特征的工业零件位姿识别方法、装置和电子设备 |
CN114119980A (zh) * | 2021-12-07 | 2022-03-01 | 杭州涿溪脑与智能研究所 | 一种基于深度学习的膜盒压力表压力读取方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106846404A (zh) | 一种基于工件内外轮廓几何特征的快速位姿检测方法 | |
CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN108256456B (zh) | 一种基于多特征阈值融合的手指静脉识别方法 | |
CN105956582B (zh) | 一种基于三维数据的人脸识别系统 | |
Li et al. | Saliency detection via dense and sparse reconstruction | |
Cheung et al. | An Arabic optical character recognition system using recognition-based segmentation | |
CN110717896B (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
CN103136520B (zh) | 基于pca-sc算法的形状匹配和目标识别方法 | |
CN102289681B (zh) | 一种信封图像匹配方法 | |
CN106203342A (zh) | 基于多角度局部特征匹配的目标识别方法 | |
CN106022343A (zh) | 一种基于傅里叶描述子和bp神经网络的服装款式识别方法 | |
CN103886589A (zh) | 面向目标的自动化高精度边缘提取方法 | |
Direkoğlu et al. | Shape classification via image-based multiscale description | |
CN106056132A (zh) | 一种基于傅里叶描述子和支持向量机的服装款式识别方法 | |
Kim et al. | Robust facial landmark extraction scheme using multiple convolutional neural networks | |
Donoser et al. | Linked edges as stable region boundaries | |
Reddy et al. | Cusp Pixel Labelling Model for Objects Outline Using R-CNN | |
Wang et al. | Hand posture recognition from disparity cost map | |
Baghdadi et al. | Illumination correction in a comparative analysis of feature selection for rear-view vehicle detection | |
CN108985294B (zh) | 一种轮胎模具图片的定位方法、装置、设备及存储介质 | |
CN106407902A (zh) | 一种基于几何差异的飞机目标识别方法 | |
Wuhrer et al. | Posture invariant surface description and feature extraction | |
CN110570469A (zh) | 一种汽车图片角度位置的智能识别方法 | |
Mao et al. | Disparity filtering with 3D convolutional neural networks | |
CN109583461A (zh) | 一种基于边缘特征的模板匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170613 |
|
WD01 | Invention patent application deemed withdrawn after publication |