CN108168459B - 一种汽车轮毂识别匹配方法 - Google Patents

一种汽车轮毂识别匹配方法 Download PDF

Info

Publication number
CN108168459B
CN108168459B CN201711476842.4A CN201711476842A CN108168459B CN 108168459 B CN108168459 B CN 108168459B CN 201711476842 A CN201711476842 A CN 201711476842A CN 108168459 B CN108168459 B CN 108168459B
Authority
CN
China
Prior art keywords
profile
wheel hub
hub
matching
database
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
CN201711476842.4A
Other languages
English (en)
Other versions
CN108168459A (zh
Inventor
刘尧
严律
王明松
敬淑义
王杰高
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.)
Nanjing Egyptian Visual Technology Co Ltd
Original Assignee
Nanjing Egyptian Visual Technology Co Ltd
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 Nanjing Egyptian Visual Technology Co Ltd filed Critical Nanjing Egyptian Visual Technology Co Ltd
Priority to CN201711476842.4A priority Critical patent/CN108168459B/zh
Publication of CN108168459A publication Critical patent/CN108168459A/zh
Application granted granted Critical
Publication of CN108168459B publication Critical patent/CN108168459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Automobile Manufacture Line, Endless Track Vehicle, Trailer (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种汽车轮毂识别匹配方法，其步骤是：创建轮廓像素点数据数据库；计算数据库中各轮毂轮廓像素点数据的平均高度M0；计算轮廓各像素点Y坐标与平均高度M0的差平方的算术平均数和的平方根均方差MSE；获取流水线上待分类轮毂特定位置的轮廓数据，与轮廓像素点数据数据库中的轮毂的轮廓数据进行逐个匹配，将匹配误差最小的轮毂型号输出作为最终结果。本发明是一种非接触式的基于线激光传感器的实时在线测量方法，采用轮廓统计特征对轮廓进行预匹配，然后在预匹配轮廓集合中对轮毂进行最终匹配，无须对所有轮廓进行匹配，提高了匹配效率。本发明可以取代人工测量，能够快速准确地完成对不同轮毂型号的识别。

Description

一种汽车轮毂识别匹配方法
技术领域
本发明涉及一种汽车轮毂识别匹配方法，尤其涉及一种使用线激光传感器获取轮毂轮廓并与轮毂轮廓数据库进行实时在线匹配的方法，属于机器视觉领域。
背景技术
轮毂，即汽车的车轮，是汽车中整车形式部分的重要承载件，影响整车性能的最重要部件之一。在智能制造技术的不断发展和推广中，汽车零部件加工厂和集成制造商面临繁杂的型号分类问题。只有快速准确地获取轮毂型号类别才能获得完整的制造加工过程，保持自动化生产线的持续运行，因此，准确地在线检测和匹配分类对推进制造自动化和智能化是极为必要的。由于轮廓种类繁多、结构复杂且新的制造工艺和制造技术层出不穷，使得轮毂在线分类面临不断的挑战。
现有的轮毂分类方法主要是人工观察分类。人工观察分类凭借工人的经验，辅之以手动测量的方式对流水线上的轮毂型号进行识别，并将识别结果人为输入设备中，该方法不但需要暂停运行生产线，识别时间长，而且误识别率高。
随着激光测量技术和计算机图形处理技术的不断发展，非接触式的测量和分类方法应用越来越广泛。轮毂的类别特征反映在其特定的轮廓空间关系中，如何获得轮毂的特定轮廓并与数据库中已有轮廓进行匹配，从而能够实时、高效、准确地对轮毂进行分类，是现实的生产需求。
发明内容
本发明针对现有技术存在的技术问题，提出了一种汽车轮毂识别匹配方法，使用线激光传感器获取轮毂轮廓并与轮毂轮廓数据库进行实时在线匹配。
为实现上述发明目的，本发明采取的技术方案是：
1.创建数据库，使用线激光传感器将单线激光依次投射在所有待分类的各型号轮毂上，同时使用高清相机获取轮毂上单线激光形成的轮廓像素点数据，并输入到数据库当中，记为contoursSet[m][n]，m＝1,2,3…,m为轮毂索引，n＝1,2,3…,n为对应轮毂索引中各轮廓点的索引。
2.计算数据库中各轮毂轮廓像素点数据的平均高度M0，公式如下：
其中，m为像素点索引,Ym为各像素点Y值，sum像素点总数。
使用轮廓各像素点Y坐标与平均高度M0计算轮廓均方差MSE，公式如下：
将平均高度和均方差分别插入到各轮廓点索引的末尾位置(n+1和n+2)。
3.使用线激光传感器获取流水线上待分类轮毂特定位置的轮廓数据，记为vectorPts。
4.进行预匹配，计算vectorPoints的平均高度Mv和均方差MSEv，并设定阈值K1和K2，将数据库中平均高度和均方差分别满足[Mv-K1,Mv+K1]和[MSEv-K2,MSEv+K2]的轮毂挑选出作为队列contoursList的元素。
5.用vectorPts与在contoursList中的轮毂的轮廓数据进行逐个匹配，将最终匹配误差最小的轮毂型号输出作为最终结果。
特别地，步骤5中，所述用vectorPts与在contoursList中的轮毂的轮廓数据进行逐个匹配，其步骤是：
1.取出vectorPts中的最小值MinCon。
2.vectorPts和contoursList中的每个轮毂的轮廓数据都减去MinCon,获得vectorPtsMinus和队列contoursListMinus。
3.vectorPtsMinus与队列contoursListMinus中的每个轮毂对应索引的高度值相减并取绝对值得到contoursListMinusAbs。
4.将contoursListMinusAbs中的每个值除以vectorPtsMinus对应的索引值(值为0则分子分母同加1)，得到contoursListPer。
5.计算contoursListPer中每个元素的累加和，和最小的队列元素对应的轮毂最终匹配的轮毂。
本发明与现有技术相比，具有如下的显著优点：
1.本发明可以取代人工测量，能够快速准确地完成对不同轮毂型号的识别，检测对象发生变化时只需在数据库中添加检测对象轮廓即可，满足柔性检测要求。
2.本发明是一种非接触式的基于线激光传感器的实时在线测量方法，环境适应性强，可在光照变化强烈的场所使用。
3.本发明采用轮廓统计特征对轮廓进行预匹配，然后在预匹配轮廓集合中对轮毂进行最终匹配，无须对所有轮廓进行匹配，提高了匹配效率。
附图说明
图1是本发明一种汽车轮毂识别匹配方法流程框图。
图2是本发明方法中，轮毂上选定的轮廓点分布位置示意图。
具体实施方式
下面结合具体实施例，对本发明方法作进一步详细说明。
本实施例，涉及的轮毂具体是：1号轮毂、2号轮毂和3号轮毂，需要匹配出来的轮毂是其中的3号轮毂。采用南京埃克里得视觉技术有限公司生产的线激光传感器MoonFlowerLine900进行轮毂分类测试。结合流程图，具体工作过程如下：
1.创建数据库，将所有待分类的各型号轮毂使用线激光传感器获取单线激光投射在轮廓上的轮廓像素点数组，并输入到数据库当中，记为contoursSet[m][n](m＝1,2,3…,m为轮毂索引，n＝1,2,3…,n为对应轮毂的各轮廓点的索引)。
具体的，1号轮毂m＝1，2号轮毂m＝2，3号轮毂m＝3(共有3种轮毂)。在各个轮毂像素点数组中按轮毂上单线激光照射的轮廓在相机中的成像图像，由左至右的顺序分别选定为轮廓点，左边第一个轮廓点为n＝1，左边第二个轮廓点为n＝2，……，。选定轮毂上的轮廓点，确定其点位位置。本实施例选定的轮毂特定轮廓点为862个，如图2所示，1号特定轮廓点，n＝1；2号特定轮廓点，n＝2；一次类推。
2.计算数据库中各轮毂轮廓数据的平均高度M0和均方差MSE，将平均高度和均方差插入到各轮廓点索引的末尾位置(n+1和n+2)。
本实施例中，轮毂(m＝1)的平均高度M0＝70，均方差MSE＝17
轮毂(m＝2)的平均高度M0＝85，均方差MSE＝30
轮毂(m＝3)的平均高度M0＝80，均方差MSE＝28
3.获取流水线上待分类轮毂的各个特定轮廓点的轮廓数据，记为vectorPts。
4.进行预匹配，计算vectorPoints的平均高度Mv＝78和均方差MSEv＝27，并设定阈值K1＝8和K2＝3，将数据库中平均高度和均方差分别满足[Mv-K1,Mv+K1]和[MSEv-K2,MSEv+K2]的轮毂挑选出作为队列contoursList的元素。
5.用vectorPts与在队列contoursList中的各轮毂的特定轮廓点的轮廓数据进行逐个匹配，将最终匹配误差最小的轮毂型号输出作为最终结果。
具体的匹配方法是：
1.取出vectorPts中的最小值MinCon。
2.vectorPts和contoursList中的每个轮毂的轮廓数据都减去MinCon,获得vectorPtsMinus和队列contoursListMinus。
3.vectorPtsMinus与队列contoursListMinus中的每个轮毂对应索引的高度值相减并取绝对值得到contoursListMinusAbs。
4.将contoursListMinusAbs中的每个值除以vectorPtsMinus对应的索引值(值为0则分子分母同加1)，得到contoursListPer。
5.计算contoursListPer中每个元素的累加和，和最小的队列元素对应的最终匹配的轮毂。最终，3号轮毂数据最为匹配，从而选出3号轮毂。

Claims (1)

1.一种汽车轮毂识别匹配方法，其步骤是：
步骤1.创建数据库，使用线激光传感器将单线激光依次投射在所有待分类的各型号轮毂上，同时使用高清相机获取轮毂上单线激光形成的轮廓像素点数据，并输入到数据库当中，记为contoursSet[m][n]，m＝1,2,3…,m为轮毂索引，n＝1,2,3…,n为对应轮毂索引中各轮廓点的索引；
步骤2.计算数据库中各轮毂轮廓像素点数据的平均高度M0，公式如下：
其中，m为像素点索引,Ym为各像素点Y值，sum像素点总数；
轮廓各像素点Y坐标与平均高度M0的差平方的算术平均数和的平方根均方差MSE，公式如下：
将平均高度和均方差分别插入到各轮廓点索引的末尾位置(n+1和n+2)；
步骤3.使用线激光传感器获取流水线上待分类轮毂特定位置的轮廓数据，记为vectorPts；
步骤4.进行预匹配，计算vectorPoints的平均高度Mv和均方差MSEv，并设定阈值K1和K2，将数据库中平均高度和均方差分别满足[Mv-K1,Mv+K1]和[MSEv-K2,MSEv+K2]的轮廓挑选出作为队列contoursList的元素；
步骤5.用vectorPoints与在contoursList中的轮毂的轮廓数据进行逐个匹配，将最终匹配误差最小的轮毂型号输出作为最终结果；
所述用vectorPoints与在contoursList中的轮廓进行逐个匹配，其步骤是：
步骤a.取出vectorPoints中的最小值MinCon；
步骤b.轮廓vectorPoints和contoursList中的每个轮毂的轮廓数据都减去MinCon,获得vectorPtsMinus和队列contoursListMinus；
步骤c.vectorPtsMinus与队列contoursListMinus中的每个轮毂对应索引的高度值相减并取绝对值得到contoursListMinusAbs；
步骤d.将contoursListMinusAbs中的每个值除以vectorPtsMinus对应的索引值(值为0则分子分母同加1)，得到contoursListPer；
步骤e.计算contoursListPer中每个元素的累加和，和最小的队列元素对应的轮廓最终匹配的轮廓。
CN201711476842.4A 2017-12-29 2017-12-29 一种汽车轮毂识别匹配方法 Active CN108168459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711476842.4A CN108168459B (zh) 2017-12-29 2017-12-29 一种汽车轮毂识别匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711476842.4A CN108168459B (zh) 2017-12-29 2017-12-29 一种汽车轮毂识别匹配方法

Publications (2)

Publication Number Publication Date
CN108168459A CN108168459A (zh) 2018-06-15
CN108168459B true CN108168459B (zh) 2019-06-14

Family

ID=62520064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711476842.4A Active CN108168459B (zh) 2017-12-29 2017-12-29 一种汽车轮毂识别匹配方法

Country Status (1)

Country Link
CN (1) CN108168459B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110530863B (zh) * 2019-08-27 2022-04-05 南京末梢信息技术有限公司 一种汽车轮毂混包检测装置及方法
CN113569109A (zh) * 2021-09-24 2021-10-29 深圳市信润富联数字科技有限公司 轮毂识别方法、装置、设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101079107A (zh) * 2007-06-29 2007-11-28 丹东华日理学电气有限公司 轮毂型号自动识别方法
CN103454623A (zh) * 2013-09-08 2013-12-18 西安电子科技大学 基于复数agc模型的噪声背景下雷达目标识别方法
CN106682649A (zh) * 2017-01-24 2017-05-17 成都容豪电子信息科技有限公司 一种基于深度学习的车型识别方法
CN106778517A (zh) * 2016-11-25 2017-05-31 河南高速公路驻信段改扩建工程有限公司 一种监控视频序列图像车辆再识别的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102582092B1 (ko) * 2016-04-22 2023-09-25 한국전자통신연구원 차량용 헤드업 디스플레이의 증강현실정보 변환 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101079107A (zh) * 2007-06-29 2007-11-28 丹东华日理学电气有限公司 轮毂型号自动识别方法
CN103454623A (zh) * 2013-09-08 2013-12-18 西安电子科技大学 基于复数agc模型的噪声背景下雷达目标识别方法
CN106778517A (zh) * 2016-11-25 2017-05-31 河南高速公路驻信段改扩建工程有限公司 一种监控视频序列图像车辆再识别的方法
CN106682649A (zh) * 2017-01-24 2017-05-17 成都容豪电子信息科技有限公司 一种基于深度学习的车型识别方法

Also Published As

Publication number Publication date
CN108168459A (zh) 2018-06-15

Similar Documents

Publication Publication Date Title
CN110806736B (zh) 一种模锻成形智能制造生产线锻件质量信息检测方法
CN107492098B (zh) 一种基于pca和cnn的高温锻件表面缺陷在位检测方法
CN109145471B (zh) 基于cad与实测数据共融模型的虚拟装配系统及方法
CN109159113B (zh) 一种基于视觉推理的机器人作业方法
CN113205466A (zh) 一种基于隐空间拓扑结构约束的残缺点云补全方法
CN108876852B (zh) 一种基于3d视觉的在线实时物体识别定位方法
CN108168459B (zh) 一种汽车轮毂识别匹配方法
CN115330734A (zh) 一种基于三维目标检测和点云缺陷补全的自动化机器人补焊系统
Li et al. An online visual measurement method for workpiece dimension based on deep learning
CN112907735A (zh) 一种基于点云的柔性电缆识别与三维重建方法
CN103310464B (zh) 一种基于法向流的直接估算相机自运动参数的方法
CN114882494B (zh) 一种基于多模态注意力驱动的三维点云特征提取方法
CN109855566B (zh) 一种槽孔特征的提取方法
Oyekan et al. Utilising low cost RGB-D cameras to track the real time progress of a manual assembly sequence
Figueiredo et al. Robust cylinder detection and pose estimation using 3D point cloud information
CN110175372B (zh) 一种基于母面特征参数的包络面表征方法
CN103871048B (zh) 一种基于直线基元的几何哈希法实时定位与匹配方法
CN113836662B (zh) 凸轮曲线槽机构设计缺陷的动态辨识及去特征化修复方法
CN109902694B (zh) 一种方孔特征的提取方法
CN111461288B (zh) 一种轨道几何参数全速段检测方法及系统
CN113792728A (zh) 高精度视觉定位方法
Liu et al. Multi-target detection based on multi-sensor redundancy and dynamic weight distribution for driverless cars
Shen et al. A parameterized automatic programming solution for composite grinding based on digital image processing
Zhang et al. Deep learning for drawing numbering in engineering drawing management: A case study for refrigerated compartment product
Wu et al. OC-SLAM: steadily tracking and mapping in dynamic environments

Legal Events

Date Code Title Description
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