CN106897990A - 轮胎模具的字符缺陷检测方法 - Google Patents
轮胎模具的字符缺陷检测方法 Download PDFInfo
- Publication number
- CN106897990A CN106897990A CN201611122987.XA CN201611122987A CN106897990A CN 106897990 A CN106897990 A CN 106897990A CN 201611122987 A CN201611122987 A CN 201611122987A CN 106897990 A CN106897990 A CN 106897990A
- Authority
- CN
- China
- Prior art keywords
- image
- character
- roi
- substring
- flat type
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Abstract
本发明公开了一种轮胎模具的字符缺陷检测方法,包括:依次对待检测轮胎模具的原始图像进行预处理生成多幅ROI图像;获取待检测轮胎模具的CAD设计图对应的平直型图像;在平直型图像上定位ROI图像;按第一预设规则获取平直型图像与对应定位的ROI图像的字符区域;根据所述字符区域中各字符的位置关系,确定与所述ROI图像对应的第一字符串,以及与所述平直型图像对应的第二字符串,第一字符串包括多个第一字符子串,第二字符串包括多个第二字符子串;结合编辑距离和字符长度,对所述第一字符子串和第二字符子串进行对应匹配,并根据匹配结果进行字符缺陷判断。本发明极大的提高了字符缺陷判断的效率。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种轮胎模具的字符缺陷检测方法。
背景技术
轮胎模具产品中的字符缺陷,包括字符的漏印、错印和多印。字符缺陷检测,就是要求检测出不符合要求的字符,如有笔画缺陷,漏印或错印的字符。
传统的基于机器视觉的字符缺陷检测方法主要以标准字符图像做模板,通过提取字符的一些特征,如形状特征,建立模板,将待测图像与标准模板匹配,如果匹配结果低于阈值,则认为是是有缺陷的。然而,这种比对方式需要先将字符提取形状特征,再对字符进行逐一比对,比对对象较多,检测效率低下。
现有的轮胎模具的字符缺陷检测方法需要对原始图像进行预处理得到ROI(Region Of Interest,感兴趣区域)图像,预处理过程包括将原始图像进行拟合圆与平直化处理,由于拟合圆的过程存在误差,导致极坐标变换后的图像存在形变,而相位相关法对于旋转和细微的畸变十分敏感,在图像拼接过程,容易出现配准误差过大,造成严重的虚影,可靠性差。
发明内容
本发明实施例提供一种轮胎模具的字符缺陷检测方法,以解决现有的字符缺陷检测方法误差大、可靠性差的问题。
本发明实施例提供了一种轮胎模具的字符缺陷检测方法,包括:
依次对待检测轮胎模具进行扫描并采集获得多幅原始图像,并对原始图像进行预处理生成多幅ROI图像;
获取待检测轮胎模具的CAD设计图对应的平直型图像;
在所述平直型图像上定位所述ROI图像;
按第一预设规则获取所述平直型图像与对应定位的ROI图像的字符区域;
根据所述字符区域中各字符的位置关系,确定与所述ROI图像对应的第一字符串,以及与所述平直型图像对应的第二字符串,所述第一字符串包括多个第一字符子串,所述第二字符串包括多个第二字符子串;
结合编辑距离和字符长度,对所述第一字符子串和第二字符子串进行对应匹配,并根据匹配结果进行字符缺陷判断。
进一步,所述依次对待检测轮胎模具进行扫描并采集获得多幅原始图像,并对原始图像进行预处理生成多幅ROI图像的步骤,包括:
根据预设旋转角度依次对待检测轮胎模具进行扫描并采集获得多幅原始图像,并分别对所采集的每张原始图像进行处理后获得轮胎外侧圆弧形轮廓;
拟合轮胎外侧圆弧形轮廓的圆心和半径后,通过极坐标变换将待测的轮胎外侧圆弧形图像转换为平直型待测图像,并对所述平直型待测图像进行阈值分割后,定位轮胎模具图像区域,生成多幅待测的ROI图像。
进一步,所述按第一预设规则,包括:
根据图像局部统计特征对图像进行分割,获得与图像对应的第一字符区域C1;
根据区域生长算法对图像进行分割,获得与图像对应的第二字符区域C2;
确定所述字符区域C,所述字符区域C为所述第一字符区域C1和第二字符区域C2的交集。
进一步,所述位置关系包括分布关系和字符间距,所述根据所述字符区域中各字符的位置关系,确定与所述ROI图像对应的第一字符串,以及与所述平直型图像对应的第二字符串,所述第一字符串包括多个第一字符子串,所述第二字符串包括多个第二字符子串的步骤,包括:
根据所述字符区域中字符的分布关系,确定与所述ROI图像对应的第一字符串A,确定与所述平直型图像对应的第二字符串B,其中,第一字符串A包括ROI图像中的所有字符,第二字符串B包括平直型图像的所有字符;
根据所述字符区域中字符的字符间距,将第一字符串A分为多个第一字符子串a1、a2、a3、a4...an,将第二字符串B分为多个第二字符子串b1、b2、b3、b4...bn,其中n为第一字符子串和第二字符子串的总数。
进一步,所述根据编辑距离和字符长度,对所述第一字符子串和第二字符子串进行对应匹配,并根据匹配结果进行字符缺陷判断的步骤,包括:
计算任意第一字符子串aj与各第二字符子串的编辑距离,获取与第一字符子串aj编辑距离最小的第二字符子串bk,其中j∈[1,n],k∈[1,n];
获取第一字符子串aj的第一字符长度length1,以及第二字符子串bk的第二字符长度length2;
当第一字符长度length1与第二字符长度length2相同时,逐一判断第一字符子串aj与第二字符子串bk中各字符是否相同,如果完全相同,则判定第一字符子串aj正确,否则将不同的字符判定为错误字符;
当第一字符长度length1大于第二字符长度length2时,在所述第一字符子串aj上搜索第二字符子串bk,根据搜索结果确定第一字符子串aj的多印字符或错误字符;
当第一字符长度length1小于第二字符长度length2时,在所述第二字符子串bk上搜索第一字符子串aj,根据搜索结果确定第一字符子串aj的漏印字符或错误字符。
进一步,所述在所述平直型图像上定位所述ROI图像的步骤,包括:
在所述平直型图像上定位基准ROI图像,所述基准ROI图像为ROI图像中的一幅图像;
在所述平直型图像中,生成与所述基准ROI图像区域对应的搜索窗口,所述搜索窗口不小于所述基准ROI图像区域;
将所述搜索窗口移动预设矢量,并在移动后的搜索窗口内定位比对ROI图像,所述比对ROI图像为所述ROI图像中除所述基准ROI图像之外的一幅图像;
获取所述基准ROI图像和所述比对ROI图像在所述平直型图像上的重叠区域;
当所述基准ROI图像和所述比对ROI图像在所述重叠区域内的局部图像的差异度符合预设条件时,以所述预设矢量为单位继续移动所述搜索窗口,并在所述搜索窗口每移动至新的位置时,按所述原始图像的采集次序,依次定位与所述比对ROI图像存在顺序关系的待测ROI图像。
进一步,所在执行所述在所述CAD设计图上定位所述ROI图像的步骤的同时,还执行以下步骤:
对所述ROI图像按照顺序相邻规则进行图像拼接。
进一步,所述对所述ROI图像按照顺序相邻规则进行图像拼接的步骤,包括:
通过相位相关法获取顺序相邻的每两幅ROI图像的重叠区域;
当所述重叠区域的差异度大于预设阈值时,获取对应的两幅ROI图像,定义为第一图像和第二图像;
在所述第一图像上的预设坐标取预设尺寸的第一图像块,在所述第二图像上以所述预设尺寸搜索第二图像块,当所述第一图像块和第二图像块的相似度符合预设条件时,获取所述第二图像块的目的坐标;
根据所述预设坐标和所述目标坐标,重新定义第一图像和第二图像的重叠区域;
根据所述重新定义的重叠区域,对所述第一图像和第二图像进行拼接。
进一步,所述在所述第一图像上的预设坐标取预设尺寸的第一图像块,在所述第二图像上以所述预设尺寸搜索第二图像块,当所述第一图像块和第二图像块的相似度符合预设条件时,获取所述第二图像块的目的坐标的步骤,包括:
在所述第一图像上取尺寸为mp×np的第一图像块,在所述第二图像上以尺寸为mp×np建立搜索模板,取所述搜索模板内的图像块为第二图像块;
提取第一图像块的HOG特征向量ht,在所述第二图像上移动所述搜索模板,并提取搜索模板对应的第二图像块HOG特征向量hx,t;
根据以下公式计算hx,t和ht的相似度:
其中,x为所述搜索模板左上角的水平坐标;
根据以下公式获取x的最佳取值:
进一步,所述根据所述预设坐标和所述目标坐标,重新定义第一图像和第二图像的重叠区域的步骤,具体为:
根据以下公式获取第一图像和第二图像的重叠区域的宽度
q=x*+np。
本发明实施例的有益效果是:本发明通过对原始图像进行预处理生成多幅ROI(Region Of Interest,感兴趣区域)图像,并获取与CAD(Computer Aided Design,计算机辅助设计)设计图纸对应的平直型图像,当ROI图像在平直型图像上定位后,通过识别图像中的字符区域,按字符区域中各字符的位置关系,确定ROI图像包含的第一字符串以及平直型图像对应的第二字符串,利用编辑距离和字符长度,对第一字符子串和第二字符子串进行对应匹配,使得任意第一字符子串只需要与其编辑距离最小和/或字符长度相同的第二字符子串进行比对即可,不需要与所有第二字符子串进行比对,极大的提高了字符缺陷判断的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明第一实施例的轮胎模具的字符缺陷检测方法的流程图;
图2为图1中步骤103的详细流程图;
图3为本发明的基准ROI图像和比对ROI图像在重叠区域内的局部图像的获取方法的示意图;
图4为图2中步骤1035的详细流程图;
图5为图1中步骤105的详细流程图;
图6为图1中步骤106的详细流程图;
图7为本发明第二实施例的轮胎模具的字符缺陷检测方法的流程图;
图8为图7中步骤208的详细流程图;
图9为图8中步骤2083的详细流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一实施例
参照图1,是本发明的轮胎模具的字符缺陷检测方法的第一实施例的流程图,该方法包括:
步骤101,依次对待检测轮胎模具进行扫描并采集获得多幅原始图像,并对原始图像进行预处理生成多幅ROI图像。
在本实施例中,上述原始图像具有顺序关系,顺序邻接的原始图像包含对轮胎模具的重复采集区域,各原始图像可生成一幅或多幅ROI图像,示例性的,ROI图像可以对应轮胎模具的图案和文字部分的图像。
步骤102,获取待检测轮胎模具的CAD设计图对应的平直型图像。
本步骤中,平直型图像为CAD设计图生成的平面图像,为字符缺陷检测的参考基准。
步骤103,在所述平直型图像上定位所述ROI图像。
参照图2,在本实施例中,本步骤103进一步包括:
步骤1031,在所述平直型图像上定位基准ROI图像,所述基准ROI图像为ROI图像中的一幅图像。
基准ROI图像可以是ROI图像中的任意一幅图像,也可以是ROI图像中的按预设选取规则获取的一幅ROI图像,在本实施例中,为便于后续计算和定位,优选使用预设选取规则获取的一幅ROI图像作为基准ROI图像。
在本实施例中,基准ROI图像的定位方法为归一化互相关方法。具体步骤包括:
通过以下公式获取ncc(u,v),并取相关系数最大的(u,v)作为所述基准ROI图像在所述平直型图像上定位结果:
其中,f(d,φ)和g(d,φ)分别是ROI图像和平直型图像的像素值,N是搜索窗口内平直型图像的像素总数,R是搜索窗口内平直型图像的感兴趣区域,mf是搜索窗口内平直型图像灰度的平均值,是搜索窗口内平直型图像灰度值的方差,mg(u,v)是搜索窗口位移(u,v)后对应在平直型图像灰度的平均值,是搜索窗口位移(u,v)后对应在平直型图像灰度值的方差,上式中:
步骤1032,在所述平直型图像中,生成与所述基准ROI图像区域对应的搜索窗口,所述搜索窗口不小于所述基准ROI图像区域。
参照图3,定义基准ROI图像为It,定义比对ROI图像为It+1。在平直型图像中,以所述基准ROI图像所在区域对应生成搜索窗口(图中以虚线框表示),本实施例中,搜索窗口可以略大于基准ROI图像所在区域。
步骤1033,将所述搜索窗口移动预设矢量,并在移动后的搜索窗口内定位比对ROI图像,所述比对ROI图像为所述ROI图像中除所述基准ROI图像之外的一幅图像。
上述预设矢量可以通过先验知识或预设公式获取,在本实施例中,步骤101中获取原始图像时,不同原始图像按预设旋转角度逐一获取,本实施例的预设矢量可由所述预设旋转角度通过极坐标变换获取。通过将搜索窗口移动预设矢量后,将比对ROI图像在移动后的搜索窗口内进行定位,具体的,比对ROI图像可以是与基准ROI图像顺序相邻的一幅图像。
步骤1034,获取所述基准ROI图像和所述比对ROI图像在所述平直型图像上的重叠区域。
在本实施例中,本步骤中的重叠区域可以对应上述轮胎模具的重复采集区域。在重叠区域内分别获取基准ROI图像和比对ROI图像的局部图像。
步骤1035,当所述基准ROI图像和所述比对ROI图像在所述重叠区域内的局部图像的差异度符合预设条件时,以所述预设矢量为单位继续移动所述搜索窗口,并在所述搜索窗口每移动至新的位置时,按所述原始图像的采集次序,依次定位与所述比对ROI图像存在顺序关系的ROI图像。
本步骤1035对上述基准ROI图像和比对ROI图像的局部图像进行比对,并判断其差异度,参照图4,本步骤1035进一步包括:
步骤1035a,判断所述基准ROI图像和所述比对ROI图像在所述重叠区域内的局部图像的差异度是否符合预设条件。
具体地,通过以下公式获取所述重叠区域内的局部图像的前向误差FE:
FE=1-St,t+1
其中ot,t+1是It在重叠区域的局部图像的HOG特征;ot+1,t是It+1在重叠区域的HOG特征;
当判断FE<Th,则所述重叠区域内的局部图像的差异度符合预设条件,其中Th是差异度阈值,取值可以是0.1。此时判断基准ROI图像、以及预设矢量值的选取准确。
步骤1035b,若是,以所述预设矢量为单位继续移动所述搜索窗口,并在所述搜索窗口移动至新的位置时,定位与移动前搜索窗口内ROI图像顺序相邻的ROI图像,重复执行本步骤直至在所述平直型图像上定位所有ROI图像。
示例性的,当所述基准ROI图像和所述比对ROI图像在所述重叠区域内的局部图像的差异度符合预设条件时,继续以所述预设矢量为单位移动所述搜索窗口,并当搜索窗口第二次移动到新位置时,定位ROI图像It+2;当搜索窗口第三次移动到新位置时,定位ROI图像It+3,依次类推直至所有ROI图像均在平直型图像上定位。其中,It、It+1、It+2、It+3对应原始图像的采集次序,且顺序上依次邻接。
步骤1035c,若否,则重新选取基准ROI图像并在所述平直型图像上进行定位,再重新执行步骤1031。
上述步骤通过在平直型图像上定位基准ROI图像,再生成与基准ROI图像区域对应的搜索窗口,通过移动搜索窗口,依次定位与基准ROI图像存在顺序关系的包括比对ROI图像在内的其他ROI图像,本发明实施例充分利用了图像之间的时间顺序和空间关系,不需要对所有ROI图像进行分类及全局定位,既保证了定位的准确性,又保证了定位的速度。同时,本发明实施例通过判断基准ROI图像和所述比对ROI图像在所述重叠区域内的局部图像的差异度是否符合预设条件,进而判断全局定位以及预设矢量是否准确,具有较高的可靠性,鲁棒性强。
在不脱离上述发明构思的前提下,本实施例还可以实现任意一幅ROI图像在平直型图像上的前向-后向误差检测,示例性的,定义相邻三张ROI图像为It-1、It和It+1,其中,当该三张ROI图像在平直型图像上定位后,It-1和It之间形成第一重叠区域,It和It+1之间形成第二重叠区域;通过以下公式获取所述重叠区域内的局部图像的前向误差FE:
FE=1-St,t+1
其中ot,t+1是It在第一重叠区域的局部图像的HOG特征;ot+1,t是It+1在第一重叠区域的HOG特征;
通过以下公式获取所述重叠区域内的局部图像的后向误差BE;
BE=1-St-1,t
其中ot,t-1是It在第二重叠区域的局部图像的HOG特征;ot-1,t是It-1在第二重叠区域的局部图像的HOG特征;
判断FBE<Th,则所述重叠区域内的局部图像的差异度符合预设条件,其中FBE=max(FE,BE),Th是差异度阈值,取值可以是0.1。
若是,判断ROI图像It定位准确,以所述预设矢量为单位继续移动所述搜索窗口,并在所述搜索窗口移动至新的位置时,定位与移动前搜索窗口内待测ROI图像顺序相邻的待测ROI图像,重复执行本步骤直至在所述平直型图像上定位所有待测ROI图像。
本方法通过前向-后向误差检测同时判断ROI图像和预设矢量取值的准确性,可进一步提高本发明实施例的可靠性。
步骤104,按第一预设规则获取所述平直型图像与对应定位的ROI图像的字符区域。
在本实施例中,第一预设规则具体为:根据图像局部统计特征对图像进行分割,获得与图像对应的第一字符区域C1;根据区域生长算法对图像进行分割,获得与图像对应的第二字符区域C2;确定所述字符区域C,所述字符区域C为所述第一字符区域C1和第二字符区域C2的交集。
步骤105,根据所述字符区域中各字符的位置关系,确定与所述ROI图像对应的第一字符串,以及与所述平直型图像对应的第二字符串,所述第一字符串包括多个第一字符子串,所述第二字符串包括多个第二字符子串。
在本实施例中,在获取字符区域后,通过使用连通域方法抑制图像噪声干扰。将上述字符区域输入到SVM进行识别,分别获取平直型图像与对应定位的ROI图像中的字符。
在本实施例中,所述位置关系包括分布关系和字符间距。参照图5,本步骤105,具体包括:
步骤1051,根据所述字符区域中字符的分布关系,确定与所述ROI图像对应的第一字符串A,确定与所述平直型图像对应的第二字符串B,其中,第一字符串A包括ROI图像中的所有字符,第二字符串B包括平直型图像的所有字符。
步骤1052,根据所述字符区域中字符的字符间距,将第一字符串A分为多个第一字符子串a1、a2、a3、a4...an,将第二字符串B分为多个第二字符子串b1、b2、b3、b4...bn,其中n为第一字符子串和第二字符子串的总数。
在本步骤1052中,字符间距可以用于识别单词或词汇等,当多个字符的间距小于预设值时,判定该多个字符为一个字符子串。
步骤106,结合编辑距离和字符长度,对所述第一字符子串和第二字符子串进行对应匹配,并根据匹配结果进行字符缺陷判断。
具体的,参照图6,本步骤106包括:
步骤1061,计算任意第一字符子串aj与各第二字符子串的编辑距离,获取与第一字符子串aj编辑距离最小的第二字符子串bk,其中j∈[1,n],k∈[1,n];
步骤1062,获取第一字符子串aj的第一字符长度length1,以及第二字符子串bk的第二字符长度length2;
步骤1063,当第一字符长度length1与第二字符长度length2相同时,逐一判断第一字符子串aj与第二字符子串bk中各字符是否相同,如果完全相同,则判定第一字符子串aj正确,否则将不同的字符判定为错误字符;
步骤1064,当第一字符长度length1大于第二字符长度length2时,在所述第一字符子串aj上搜索第二字符子串bk,根据搜索结果确定第一字符子串aj的多印字符或错误字符;
步骤1065,当第一字符长度length1小于第二字符长度length2时,在所述第二字符子串bk上搜索第一字符子串aj,根据搜索结果确定第一字符子串aj的漏印字符或错误字符。
上述字符长度与字符串的字符数量对应。在步骤1064中,若第二字符子串bk需要在第一字符子串偏移n个字符才能被搜索,则判断多印了n个字符。示例性的,第一字符子串aj为“belong”,第二字符子串bk为“long”,则判断多印了“be”两个字符。
本步骤中搜索的方式可以是大致搜索,若第二字符子串bk可以在第一字符子串aj上找到大致近似词汇,则判断第二字符子串bk在第一字符串aj上被搜索到。作为一种具体实现方式而非限定,可以通过提取第一字符子串aj上的任意词段,计算第二字符子串bk与该词段的相似度,如第二字符子串bk与第一字符串aj中某一对应词段的近似度不小于预设阈值(如70%),则判断第一字符子串aj与第二字符子串bk的该词段为大致近似词汇。示例性的,第一字符子串aj为“belong”,第二字符子串bk为“lung”,因词段“long”和第二字符子串bk“lung”的相似度百分比为75%大于上述预设阈值70%,为近似词汇,则判断第一字符子串aj多印了“be”两个字符,错印了“o”字符。步骤1065的实现原理与步骤1064的实现原理类似,这里不再赘述。
本发明实施例的有益效果是:本发明通过对原始图像进行预处理生成多幅ROI图像,并获取与CAD设计图纸对应的平直型图像,当ROI图像在平直型图像上定位后,通过识别图像中的字符区域,按字符区域中各字符的位置关系,确定ROI图像包含的第一字符串以及平直型图像对应的第二字符串,利用编辑距离和字符长度,对第一字符子串和第二字符子串进行对应匹配,使得任意第一字符子串只需要与其编辑距离最小和/或字符长度相同的第二字符子串进行比对即可,不需要与所有第二字符子串进行比对,极大的提高了字符缺陷判断的效率。
第二实施例
参照图7,是本发明的轮胎模具的字符缺陷检测方法第二实施例的流程图,该方法包括:
步骤201,根据预设旋转角度依次对待检测轮胎模具进行扫描并采集获得多幅原始图像,并分别对所采集的每张原始图像进行处理后获得轮胎外侧圆弧形轮廓。
本步骤作为原始图像的一种具体实施方式而非限定,具体的,获取轮胎外侧圆弧形轮廓的方式包括:根据预设旋转角度依次对待检测轮胎模具进行扫描并采集获得多幅原始图像,并分别对所采集的每张原始图像进行图像去噪和阈值分割处理后,得到轮胎模具轮廓,进而根据轮廓曲率断开轮廓,从而根据每段轮廓的方向、长度以及曲率,获得轮胎外侧圆弧形轮廓。
步骤202,拟合轮胎外侧圆弧形轮廓的圆心和半径后,通过极坐标变换将待测的轮胎外侧圆弧形图像转换为平直型待测图像,并对所述平直型待测图像进行阈值分割后,定位轮胎模具图像区域,生成多幅ROI图像。
上述ROI图像可以对应轮胎模具的图案和文字部分的图像。
步骤203,获取待检测轮胎模具的CAD设计图对应的平直型图像。
本步骤与第一实施例的对应步骤相同,这里不再赘述。
步骤204,在所述平直型图像上定位所述ROI图像。
本步骤与第一实施例的对应步骤相同,这里不再赘述。
步骤205,按第一预设规则获取所述平直型图像与对应定位的ROI图像的字符区域。
本步骤与第一实施例的对应步骤相同,这里不再赘述。
步骤206,根据所述字符区域中各字符的位置关系,确定与所述ROI图像对应的第一字符串,以及与所述平直型图像对应的第二字符串,所述第一字符串包括多个第一字符子串,所述第二字符串包括多个第二字符子串。
本步骤与第一实施例的对应步骤相同,这里不再赘述。
步骤207,结合编辑距离和字符长度,对所述第一字符子串和第二字符子串进行对应匹配,并根据匹配结果进行字符缺陷判断。
本步骤与第一实施例的对应步骤相同,这里不再赘述。
本实施例还包括与步骤204同时执行的步骤208,对所述ROI图像按照顺序相邻规则进行图像拼接。
具体的,参照图8,步骤208进一步包括:
步骤2081,通过相位相关法获取顺序相邻的每两幅ROI图像的重叠区域。
步骤2082,当所述重叠区域的差异度大于预设阈值时,获取对应的两幅ROI图像,定义为第一图像和第二图像。
本步骤中判断任意相邻两幅ROI图像在重叠区域内的差异度,当差异度大于预设阈值时,判断该两幅ROI图像的重叠区域确定不准确,需要重新进行确定。
定义上述两幅ROI图像为第一图像和第二图像,第一图像和第二图像可以是竖直方向顺序排布的,也可以是水平方向顺序排布的。
需要说明的是,当顺序相邻的两幅图像的差异度小于预设阈值时,判断重叠区域的确定准确,直接执行图像拼接的操作
步骤2083,在所述第一图像上的预设坐标取预设尺寸的第一图像块,在所述第二图像上以所述预设尺寸搜索第二图像块,当所述第一图像块和第二图像块的相似度符合预设条件时,获取所述第二图像块的目的坐标。
在本实施例中,上述预设坐标可以取在第一图像中对应的重叠区域,在本步骤中,由于重叠区域并未准确确定,可以通过先验知识或预设条件进行大致获取。上述预设尺寸与第一图像和第二图像的重叠区域的大小相关,作为一种优选方案,预设尺寸不大于大致获取的重叠区域。
作为一种优选方案,参照图9,步骤2083,包括:
步骤2083a,在所述第一图像上取尺寸为mp×np的第一图像块,在所述第二图像上以尺寸为mp×np建立搜索模板,取所述搜索模板内的图像块为第二图像块。
在本实施例中,第二图像中的搜索模板的位置是变化的,搜索模板可以移动至第二图像的任意位置,以使第二图像块涵盖第二图像所有区域。在本步骤中,所述mp取值为m;所述np取值为n/4。
步骤2083b,提取第一图像块的HOG特征向量ht,在所述第二图像上移动所述搜索模板,并提取搜索模板对应的第二图像块HOG特征向量hx,t;
步骤2083c,根据以下公式计算hx,t和ht的相似度:
其中,x为所述搜索模板左上角的水平坐标;
步骤2083d,根据以下公式获取x的最佳取值:
步骤2084,根据所述预设坐标和所述目标坐标,重新定义第一图像和第二图像的重叠区域。
在本实施例中,第一图像和第二图像的重叠区域主要通过第一图像和第二图像重新确定的位移量来量化。本步骤2084具体为:根据以下公式获取第一图像和第二图像的重叠区域的宽度。
q=x*+np
步骤209,根据所述重新定义的重叠区域,对所述第一图像和第二图像进行拼接。
本步骤中的拼接方法为加权渐变的融合方法。上述拼接后的图像可以是平直型图像,也可以对平直型图像进行极坐标反变换,将平直型图像还原成圆,实现轮胎模具图像的拼接。
在现有的轮胎模具图像采集过程中,由于轮胎模具大,字符小,需要对轮胎模具的各个部分进行拍摄,在经过缺陷检测后,检测出来的缺陷需要在拼接完整的图像上显示。本发明实施例通过利用重叠区域HOG特征相似度高的特点,判断第一次配准过程中是否存在较大误差,避免了拼接后的图像严重虚影的情况发生;其次,由于HOG特征能较好适应图像细微的几何形变和不同的光照,克服了相位相关法获取重叠区域对于旋转和细微的畸变十分敏感的不足,具有鲁棒性好的优点;再次,本实施例实现了字符缺陷检测和图像拼接同步进行,使得检测出来的缺陷可以直观的在拼接后的图像上显示,不仅人性化,也便于技术人员直观的比对确定字符缺陷的位置。
在本申请所提供的几个实施例中,应该理解到,在本发明各个实施例中各步骤可以通过对应的虚拟功能单元实现。各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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 (10)
1.一种轮胎模具的字符缺陷检测方法,其特征在于,包括:
依次对待检测轮胎模具进行扫描并采集获得多幅原始图像,并对原始图像进行预处理生成多幅ROI图像;
获取待检测轮胎模具的CAD设计图对应的平直型图像;
在所述平直型图像上定位所述ROI图像;
按第一预设规则获取所述平直型图像与对应定位的ROI图像的字符区域;
根据所述字符区域中各字符的位置关系,确定与所述ROI图像对应的第一字符串,以及与所述平直型图像对应的第二字符串,所述第一字符串包括多个第一字符子串,所述第二字符串包括多个第二字符子串;
结合编辑距离和字符长度,对所述第一字符子串和第二字符子串进行对应匹配,并根据匹配结果进行字符缺陷判断。
2.根据权利要求1所述的方法,其特征在于,所述依次对待检测轮胎模具进行扫描并采集获得多幅原始图像,并对原始图像进行预处理生成多幅ROI图像的步骤,包括:
根据预设旋转角度依次对待检测轮胎模具进行扫描并采集获得多幅原始图像,并分别对所采集的每张原始图像进行处理后获得轮胎外侧圆弧形轮廓;
拟合轮胎外侧圆弧形轮廓的圆心和半径后,通过极坐标变换将待测的轮胎外侧圆弧形图像转换为平直型待测图像,并对所述平直型待测图像进行阈值分割后,定位轮胎模具图像区域,生成多幅待测的ROI图像。
3.根据权利要求1所述的方法,其特征在于,所述按第一预设规则,包括:
根据图像局部统计特征对图像进行分割,获得与图像对应的第一字符区域C1;
根据区域生长算法对图像进行分割,获得与图像对应的第二字符区域C2;
确定所述字符区域C,所述字符区域C为所述第一字符区域C1和第二字符区域C2的交集。
4.根据权利要求3所述的方法,其特征在于,所述位置关系包括分布关系和字符间距,所述根据所述字符区域中各字符的位置关系,确定与所述ROI图像对应的第一字符串,以及与所述平直型图像对应的第二字符串,所述第一字符串包括多个第一字符子串,所述第二字符串包括多个第二字符子串的步骤,包括:
根据所述字符区域中字符的分布关系,确定与所述ROI图像对应的第一字符串A,确定与所述平直型图像对应的第二字符串B,其中,第一字符串A包括ROI图像中的所有字符,第二字符串B包括平直型图像的所有字符;
根据所述字符区域中字符的字符间距,将第一字符串A分为多个第一字符子串a1、a2、a3、a4...an,将第二字符串B分为多个第二字符子串b1、b2、b3、b4...bn,其中n为第一字符子串和第二字符子串的总数。
5.根据权利要求4所述的方法,其特征在于,所述根据编辑距离和字符长度,对所述第一字符子串和第二字符子串进行对应匹配,并根据匹配结果进行字符缺陷判断的步骤,包括:
计算任意第一字符子串aj与各第二字符子串的编辑距离,获取与第一字符子串aj编辑距离最小的第二字符子串bk,其中j∈[1,n],k∈[1,n];
获取第一字符子串aj的第一字符长度length1,以及第二字符子串bk的第二字符长度length2;
当第一字符长度length1与第二字符长度length2相同时,逐一判断第一字符子串aj与第二字符子串bk中各字符是否相同,如果完全相同,则判定第一字符子串aj正确,否则将不同的字符判定为错误字符;
当第一字符长度length1大于第二字符长度length2时,在所述第一字符子串aj上搜索第二字符子串bk,根据搜索结果确定第一字符子串aj的多印字符或错误字符;
当第一字符长度length1小于第二字符长度length2时,在所述第二字符子串bk上搜索第一字符子串aj,根据搜索结果确定第一字符子串aj的漏印字符或错误字符。
6.根据权利要求5所述的方法,其特征在于,所述在所述平直型图像上定位所述ROI图像的步骤,包括:
在所述平直型图像上定位基准ROI图像,所述基准ROI图像为ROI图像中的一幅图像;
在所述平直型图像中,生成与所述基准ROI图像区域对应的搜索窗口,所述搜索窗口不小于所述基准ROI图像区域;
将所述搜索窗口移动预设矢量,并在移动后的搜索窗口内定位比对ROI图像,所述比对ROI图像为所述ROI图像中除所述基准ROI图像之外的一幅图像;
获取所述基准ROI图像和所述比对ROI图像在所述平直型图像上的重叠区域;
当所述基准ROI图像和所述比对ROI图像在所述重叠区域内的局部图像的差异度符合预设条件时,以所述预设矢量为单位继续移动所述搜索窗口,并在所述搜索窗口每移动至新的位置时,按所述原始图像的采集次序,依次定位与所述比对ROI图像存在顺序关系的待测ROI图像。
7.根据权利要求1所述的方法,其特征在于,在执行所述在所述CAD设计图上定位所述ROI图像的步骤的同时,还执行以下步骤:
对所述ROI图像按照顺序相邻规则进行图像拼接。
8.根据权利要求7所述的方法,其特征在于,所述对所述ROI图像按照顺序相邻规则进行图像拼接的步骤,包括:
通过相位相关法获取顺序相邻的每两幅ROI图像的重叠区域;
当所述重叠区域的差异度大于预设阈值时,获取对应的两幅ROI图像,定义为第一图像和第二图像;
在所述第一图像上的预设坐标取预设尺寸的第一图像块,在所述第二图像上以所述预设尺寸搜索第二图像块,当所述第一图像块和第二图像块的相似度符合预设条件时,获取所述第二图像块的目的坐标;
根据所述预设坐标和所述目标坐标,重新定义第一图像和第二图像的重叠区域;
根据所述重新定义的重叠区域,对所述第一图像和第二图像进行拼接。
9.根据权利要求8所述的方法,其特征在于,所述在所述第一图像上的预设坐标取预设尺寸的第一图像块,在所述第二图像上以所述预设尺寸搜索第二图像块,当所述第一图像块和第二图像块的相似度符合预设条件时,获取所述第二图像块的目的坐标的步骤,包括:
在所述第一图像上取尺寸为mp×np的第一图像块,在所述第二图像上以尺寸为mp×np建立搜索模板,取所述搜索模板内的图像块为第二图像块;
提取第一图像块的HOG特征向量ht,在所述第二图像上移动所述搜索模板,并提取搜索模板对应的第二图像块HOG特征向量hx,t;
根据以下公式计算hx,t和ht的相似度:
其中,x为所述搜索模板左上角的水平坐标;
根据以下公式获取x的最佳取值:
10.根据权利要求9所述的方法,其特征在于,所述根据所述预设坐标和所述目标坐标,重新定义第一图像和第二图像的重叠区域的步骤,具体为:
根据以下公式获取第一图像和第二图像的重叠区域的宽度
q=x*+np。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2016107893425 | 2016-08-31 | ||
CN201610789342 | 2016-08-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106897990A true CN106897990A (zh) | 2017-06-27 |
CN106897990B CN106897990B (zh) | 2019-10-25 |
Family
ID=59198314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611122987.XA Active CN106897990B (zh) | 2016-08-31 | 2016-12-08 | 轮胎模具的字符缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897990B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886093A (zh) * | 2017-11-07 | 2018-04-06 | 广东工业大学 | 一种字符检测方法、系统、设备及计算机存储介质 |
CN108711148A (zh) * | 2018-05-11 | 2018-10-26 | 沈阳理工大学 | 一种基于深度学习的轮胎缺陷智能检测方法 |
CN108985294A (zh) * | 2018-07-13 | 2018-12-11 | 广东工业大学 | 一种轮胎模具图片的定位方法、装置、设备及存储介质 |
CN109214377A (zh) * | 2018-07-27 | 2019-01-15 | 深圳市闿思科技有限公司 | 序列号识别方法、系统、移动终端及存储介质 |
CN110363759A (zh) * | 2019-07-22 | 2019-10-22 | 国家超级计算天津中心 | 三维模具调试参数确定方法及装置 |
CN112488094A (zh) * | 2020-12-18 | 2021-03-12 | 北京字节跳动网络技术有限公司 | 光学字符识别方法、装置和电子设备 |
CN112966746A (zh) * | 2020-11-20 | 2021-06-15 | 扬州大学 | 一种稳定的适用于轮胎缺陷检测的可变灰度模板生成方法 |
CN114120310A (zh) * | 2022-01-27 | 2022-03-01 | 廊坊易砚领创科技有限公司 | 一种轮胎模具侧板的检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020131642A1 (en) * | 2001-02-02 | 2002-09-19 | Lee Shih-Jong J. | Robust method for automatic reading of skewed, rotated or partially obscured characters |
EP1484594A2 (en) * | 2003-06-02 | 2004-12-08 | The Yokohama Rubber Co., Ltd. | Tire earth effect checking method and apparatus |
CN101154271A (zh) * | 2006-09-30 | 2008-04-02 | 电子科技大学中山学院 | 基于快速区域标号算法和车牌大间隔定位方法的车牌字符分割方法 |
US20120020526A1 (en) * | 2010-07-26 | 2012-01-26 | Nascent Technology, Llc | Computer vision aided automated tire inspection system for in-motion inspection of vehicle tires |
CN102664878A (zh) * | 2012-04-10 | 2012-09-12 | 中国科学院计算机网络信息中心 | 仿冒域名检测方法及设备 |
CN103365998A (zh) * | 2013-07-12 | 2013-10-23 | 华东师范大学 | 一种相似字符串检索方法 |
CN105067638A (zh) * | 2015-07-22 | 2015-11-18 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
CN105675626A (zh) * | 2016-02-26 | 2016-06-15 | 广东工业大学 | 一种轮胎模具的字符缺陷检测方法 |
-
2016
- 2016-12-08 CN CN201611122987.XA patent/CN106897990B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020131642A1 (en) * | 2001-02-02 | 2002-09-19 | Lee Shih-Jong J. | Robust method for automatic reading of skewed, rotated or partially obscured characters |
EP1484594A2 (en) * | 2003-06-02 | 2004-12-08 | The Yokohama Rubber Co., Ltd. | Tire earth effect checking method and apparatus |
CN101154271A (zh) * | 2006-09-30 | 2008-04-02 | 电子科技大学中山学院 | 基于快速区域标号算法和车牌大间隔定位方法的车牌字符分割方法 |
US20120020526A1 (en) * | 2010-07-26 | 2012-01-26 | Nascent Technology, Llc | Computer vision aided automated tire inspection system for in-motion inspection of vehicle tires |
CN102664878A (zh) * | 2012-04-10 | 2012-09-12 | 中国科学院计算机网络信息中心 | 仿冒域名检测方法及设备 |
CN103365998A (zh) * | 2013-07-12 | 2013-10-23 | 华东师范大学 | 一种相似字符串检索方法 |
CN105067638A (zh) * | 2015-07-22 | 2015-11-18 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
CN105675626A (zh) * | 2016-02-26 | 2016-06-15 | 广东工业大学 | 一种轮胎模具的字符缺陷检测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886093A (zh) * | 2017-11-07 | 2018-04-06 | 广东工业大学 | 一种字符检测方法、系统、设备及计算机存储介质 |
CN108711148A (zh) * | 2018-05-11 | 2018-10-26 | 沈阳理工大学 | 一种基于深度学习的轮胎缺陷智能检测方法 |
CN108711148B (zh) * | 2018-05-11 | 2022-05-27 | 沈阳理工大学 | 一种基于深度学习的轮胎缺陷智能检测方法 |
CN108985294A (zh) * | 2018-07-13 | 2018-12-11 | 广东工业大学 | 一种轮胎模具图片的定位方法、装置、设备及存储介质 |
CN108985294B (zh) * | 2018-07-13 | 2022-03-25 | 广东工业大学 | 一种轮胎模具图片的定位方法、装置、设备及存储介质 |
CN109214377A (zh) * | 2018-07-27 | 2019-01-15 | 深圳市闿思科技有限公司 | 序列号识别方法、系统、移动终端及存储介质 |
CN110363759A (zh) * | 2019-07-22 | 2019-10-22 | 国家超级计算天津中心 | 三维模具调试参数确定方法及装置 |
CN112966746A (zh) * | 2020-11-20 | 2021-06-15 | 扬州大学 | 一种稳定的适用于轮胎缺陷检测的可变灰度模板生成方法 |
CN112488094A (zh) * | 2020-12-18 | 2021-03-12 | 北京字节跳动网络技术有限公司 | 光学字符识别方法、装置和电子设备 |
CN114120310A (zh) * | 2022-01-27 | 2022-03-01 | 廊坊易砚领创科技有限公司 | 一种轮胎模具侧板的检测方法 |
CN114120310B (zh) * | 2022-01-27 | 2022-06-21 | 廊坊易砚领创科技有限公司 | 一种轮胎模具侧板的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106897990B (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897990B (zh) | 轮胎模具的字符缺陷检测方法 | |
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
CN109657631B (zh) | 人体姿态识别方法及装置 | |
US8780110B2 (en) | Computer vision CAD model | |
Mikolajczyk et al. | An affine invariant interest point detector | |
Dibeklioglu et al. | 3D facial landmarking under expression, pose, and occlusion variations | |
CN106600600A (zh) | 基于特征匹配的晶圆缺陷检测方法 | |
Zhang et al. | RCNN-based foreign object detection for securing power transmission lines (RCNN4SPTL) | |
CN110969166A (zh) | 一种巡检场景下小目标识别方法和系统 | |
CN104978549A (zh) | 三维人脸图像特征提取方法和系统 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
Pham et al. | Accurate junction detection and characterization in line-drawing images | |
Bogoslavskyi et al. | Analyzing the quality of matched 3D point clouds of objects | |
CN104573722A (zh) | 基于三维点云的三维人脸种族分类装置和方法 | |
CN106296587A (zh) | 轮胎模具图像的拼接方法 | |
CN109840529B (zh) | 一种基于局部敏感置信度评估的图像匹配方法 | |
Wang et al. | Mosaicshape: Stochastic region grouping with shape prior | |
CN109191489B (zh) | 一种飞行器着陆标志的检测跟踪方法与系统 | |
CN115588178A (zh) | 一种高精地图要素自动化提取的方法 | |
CN113781563A (zh) | 一种基于深度学习的移动机器人回环检测方法 | |
CN106355572B (zh) | 轮胎模具图像的自动定位方法 | |
CN112949361A (zh) | 指纹识别方法及装置 | |
Pham et al. | Accurate junction detection and reconstruction in line-drawing images | |
Benlamri | Range image segmentation of scenes with occluded curved objects | |
CN112862804B (zh) | 一种眼底视网膜血管图像处理系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |