CN108470349A - 一种运动背景下的微小机械零件尺寸测量筛选方法 - Google Patents
一种运动背景下的微小机械零件尺寸测量筛选方法 Download PDFInfo
- Publication number
- CN108470349A CN108470349A CN201810272070.0A CN201810272070A CN108470349A CN 108470349 A CN108470349 A CN 108470349A CN 201810272070 A CN201810272070 A CN 201810272070A CN 108470349 A CN108470349 A CN 108470349A
- Authority
- CN
- China
- Prior art keywords
- image
- carried out
- particle
- pixel
- distance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005259 measurement Methods 0.000 title claims abstract description 35
- VIKNJXKGJWUCNN-XGXHKTLJSA-N norethisterone Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 VIKNJXKGJWUCNN-XGXHKTLJSA-N 0.000 title claims abstract description 16
- 238000012216 screening Methods 0.000 title claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000004513 sizing Methods 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims abstract description 5
- 238000003860 storage Methods 0.000 claims abstract description 3
- 230000009466 transformation Effects 0.000 claims abstract description 3
- 230000014509 gene expression Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 21
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种运动背景下的微小机械零件尺寸测量筛选方法,包括以下步骤:获得运动中的待检测零件的图像,并截取预设感兴趣区域的测量区域图像;对所述测量区域图像快速并行中值滤波处理;进行二值化处理;对二值化处理后的图像进行边缘检测,获取所述测量区域图像的轮廓以及存储所述测量区域图像像素点的坐标;通过对边缘粒子权重方法,对边缘轮廓进行粒子筛选;对筛选过的粒子进行变换拟合输出;根据图像像素距离和实际距离的关系,输出所述待检测零件的实际尺寸。采用本发明,可对待测零件的轮廓的高精度提取和定位,进而达到了提高测量精度和测量速度的目的,并且测量精度达到了亚像素级精度。
Description
技术领域
本发明涉及机器视觉领域,尤其涉及一种运动背景下的微小机械零件尺寸测量筛选方法。
背景技术
现代制造业的发展趋势是数字自动化制造,这对加工精度、速度提出了严格的要求。测量作为获得产品制造精度的唯一途径,在制造业里占据着举足轻重的位置,它也是影响生产效率的一个重要因素。常规的零件尺寸测量手段主要采用游标卡尺、激光测量仪和轮廓测量仪等测量工具完成检测环节。这样不仅劳动强度大、工作效率低、成本高,还会受检测人员身体素质、经验、肉眼分辨率和测量工具等等因素影响。微小机械零件(微小机械零件定义为:测量范围在30*30mm,最小测量尺寸5mm。)在测量时更容易受到测量工具和工人的限制,不能够满足机械零件趋小化、趋高精度化、趋个性化的生产需求,且往往需要公司投入大量的人力完成相关测量工作。基于机器视觉的检测技术具有非接触、速度快、抗干扰能力强、效率高等优点。
在实际的工业应用中,像素级提取已经不能满足实际测量的需要。为了获得比图像像素分辨率更高的精度,发展了应用不同原理的亚像素提取算法,如概率论法,解调测量法,多项式插值法,以及矩法等。亚像素测量算法是基于硬件受限,通过细分像素来提高测量精度,但由于其算法复杂,运行速度较慢,并不适合满足在运动背景下的待测零件的检测。
发明内容
本发明实施例所要解决的技术问题在于,提供一种运动背景下的微小机械零件尺寸测量筛选方法。可对微小机械零件进行高测量精度和高测量速度的轮廓的高精度提取和定位。
为了解决上述技术问题,本发明实施例提供了一种运动背景下的微小机械零件尺寸测量筛选方法,包括以下步骤:
S1:获得运动中的待检测零件的图像,并截取预设感兴趣区域的测量区域图像;
S2:对所述测量区域图像快速并行中值滤波处理;
S3:进行二值化处理;
S4:对二值化处理后的图像进行边缘检测,获取所述测量区域图像的轮廓以及存储所述测量区域图像像素点的坐标;
S5:通过对边缘粒子权重方法,对边缘轮廓进行粒子筛选;
S6:对筛选过的粒子进行变换拟合输出;
S7:根据图像像素距离和实际距离的关系,输出所述待检测零件的实际尺寸。
进一步地,所述中值滤波处理通过以下公式进行输出:
g(x,y)=med{f(x-k,y-i),(k,i∈w)},其中f(x,y),g(x,y)分别为原始图像和处理后图像,med表示取中值运算,x,y分别为像素点坐标,w为二维模板,k,i为二维模板中对应像素的坐标点的位置
更进一步地,所述步骤S5具体包括以下步骤:
S51:对边缘轮廓进行粒子进行排数筛选为奇数组与偶数组;
S52:分别对所述奇数组与偶数组进行拟合两条不同的直线,计算两条直线间的距离;
S53:根据所述两条直线间的距离确定粒子权重的大小或去掉噪点,重复步骤S52进行多次拟合,直至两条拟合直线距离小于1/2个像素。
更进一步地,所述步骤S53还包括以下步骤:
分别计算奇数组与偶数组的粒子群至对应拟合线的距离,当其距离处于1-2个像素之间时,判定为不合理点,并通过权重函数对对应拟合线的不合理点进行权重赋值;如果此距离大于2个像素,则此像素被直接忽略,不参与到下一轮拟合当中。
更进一步地,所述步骤S1通过正视相机与仰视相机分别获得运动中的待检测零件的图像。
更进一步地,所述待检测零件以同一半径位于旋转转盘上。
实施本发明实施例,具有如下有益效果:本发明在原有的最小二乘法拟合的基础上,通过添加粒子筛选函数(粒子权重优化),达到筛选像素的目的。从而为最小二乘拟合法提供更加准确的粒子样本集,简化粒子数量,完成了对轮廓的高精度提取和定位,进而达到了提高测量精度和测量速度的目的,并且测量精度达到了亚像素级精度。
附图说明
图1是获取的待检测零件的图像示意图;
图2是奇偶粒子群拟合直线示意图;
图3是本发明实施例所应用的设备结示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
本发明实施例的一种运动背景下的微小机械零件尺寸测量筛选方法,根据需要设置正视相机和/仰视相机获得待检测零件的图像,在本实施例中,通过正视相机和仰视相机分别获得待检测零件不同面上的图像并分别进行如下处理。
通过ROI设置,可有效的完成对所需要特征的分割和拆分,减少ROI设置区域以外噪声的影响。即为了获得各种零件轮廓的测量区域,需要在零件上切割出所要测量区域,从而达到简化算法目的。为了能够更加直接有效的切割目标区域,此系统支持用户选择基本的几何图形(圆形、矩形)进行组合来完成目标区域的获取。如对于阶梯型机械零件,为了获得俯视阶梯圆形的不同轮廓,需要裁剪不同区域来获得半径。为了增加算法的可适应性,设置ROI为0-360°的圆环,可根据物料拍摄圆形轮廓的清晰度,随意裁剪边缘和选取清晰轮廓,如图1所示。
采用快速并行中值滤波的方法对上述图像进行处理,该方法在一定条件下可以克服常见的线性滤波器带来的图像细节模糊,而且对滤除脉冲干扰及图像扫描噪声非常有效,在去除脉冲噪声、椒盐噪声的同时又能保留图像的边缘细节,实现快速的时间响应。二维中值滤波输出为g(x,y)=med{f(x-k,y-i),(k,i∈w)},其中f(x,y),g(x,y)分别为原始图像和处理后图像,med表示取中值运算,x,y分别为像素点坐标,w为二维模板,k,i为二维模板中对应像素的坐标点的位置,通常二维模板为3*3,5*5区域。
其中:为进一步改进中值滤波方法的实现速度,针对3×3中值滤波,设计了一种快速的并行中值滤波方法。为了更容易理解说明,将3×3窗口内的像素分别定义为pi,像素排列如下表所示。首先对窗口内的每一列分别计算最大值、中值、最小值,这样就得到了3组数据,分别为最大值组、中值组以及最小值组。
第0列 | 第1列 | 第2列 | |
第0行 | p0 | p1 | p2 |
第1行 | p3 | p4 | p5 |
第2行 | p6 | p7 | p8 |
最大值组:
Max0=max[p0,p3,p6],Max1=max[p1,p4,p7],Max2=max[p2,p5,p8]
中值组:
Med0=max[p0,p3,p6],Med1=max[p1,p4,p7],Med2=max[p2,p5,p8]
最小值组
Min0=max[p0,p3,p6],Min1=max[p1,p4,p7],Min2=max[p2,p5,p8]
公式中max表示取最大值操作,med表示取中值操作,min表示取最小操作。
由此可以得到,最大值组中的最大值与最小值组中的最小值一定是9个像素中的最大值和最小值。除此之外,中值组中的最大值至少大于5个像素,即本列中的最小值和其他两列中的中值和最小值。中值组中的最小值至少小于5个像素,即本列中的最大值和其他两列的最大值和中值。同样最大值组的中值至少大于5个像素,最小值组中的中值至少小于5个像素。令最大值组中的最小值为Maxmin,中值组中的中值为Medmed,最小值组中的最大值为Minmax,则滤波结果的输出的像素值Winmed应该为Maxmin、Medmed、Minmax中的中值。其中
Maxmin=min[Max0,Max1,Max2]
Medmed=med[Med0,Med1,Med2]
Minmax=max[Min0,Min1,Min2]
Winmed=med[Maxmin,Medmed,Minmax]
采用此方法中值的计算需要做17次比较,与传统算法相比,比较次数减少了近2倍。
对上述图像进行二值化处理:设定二值化阈值,由于检测装置置于箱体中,为其提供了稳定的光源环境,使用了整体阈值算法将图像进行二值化,获取二值化图像。使目标在背景中分离出来。图像的二值化,关键在于阈值的选择,需要在相机获取到零件图后,透过设定不同阈值,将目标在背景中分离出来。
首先利用其中一张图片进行手动输入阈值,进行阈值分割。以待测量特征清晰,不跳动,少毛边为原则并记住此阈值大小。由于整个测量环境置于箱体内,光源环境较稳定,所以采用整体阈值法,并利用记住的阈值作为此测量特征通用的阈值。即测量不同零件的特征参数,都需要提前对此测量特征进行调整,并利用此阈值。
对二值化处理后的图像进行边缘检测,获取所述测量区域图像的轮廓以及存储所述测量区域图像像素点的坐标。
采用canny算子,获取目标区域轮廓,存储目标区域像素点的坐标。主要通过平滑图像、计算梯度的大小与方向、对梯度幅值进行非极大值抑制等步骤,最后在通过直方图计算双阈值并且连接边缘。此方法已经非常成熟,不在赘述。
上述描述的边缘检测方法不限于使用Roberts算子、Sobel算子、Prewitt算子、Laplace算子、Canny算子对边缘轮廓进行粗提取,提取保存边缘像素坐标位置点。
对粒子排序,即对边缘像素进行从上到下,从左到右的顺序逐行逐列扫描,知道扫描完整个待测量边缘并进行编号分组。奇数像素粒子为奇数粒子群,偶数像素粒子为偶数粒子群。
对边缘轮廓进行粒子筛选,拟合直线、圆。
在拟合方法中,基于最小二乘准则的函数拟合是一个有效、快速的数学工具;同时用最小二乘准则进行图像测量,可以保证测量的可靠性和效率。其原理是给定一系列点(xi,yi)且(i=0,1,…,m),在给定的函数类R中,求p(x)∈R,使误差从几何意义上讲,就是寻求与给定点(xi,yi)(i=0,1,…,m)的距离平方和为最小的曲线,函数称为p(x)拟合函数或最小二乘解,求拟合函数p(x)的方法称为曲线拟合的最小二乘法。
标准的最小二乘原则,要求各点到拟合线的直线距离和最小,且对远离直线的离群值没有很好的鲁棒性。此方法虽然能够进行相关尺寸的测量,但仍然存在不足。使用最小二乘法拟合时,因其不能够对所选的区域的粒子进行筛选,对于拍摄质量差和边缘提取精度不高的图片,到直线很远的点在计算过程中会占有很大的权重,很容易导致拟合的测量线会偏离实际测量线,因而不能够保证较高的测量精度。
本方法主要通过对待筛选粒子进行从上到下,从左到右进行排序,记为奇数与偶数两个粒子群,分别对奇数粒子群与偶数粒子群进行直线拟合。如图2所示。
通过对边缘粒子权重方法,对边缘轮廓进行粒子筛选。
本实施例主要通过拟合两条直线并计算两直线间的最大距离,来分配权重,继而达到筛选粒子的目的。分别对奇粒子群,偶粒子群进行直线拟合,其中拟合两条不同的直线,不限于通过最小二乘法、Hough变换进行拟合的方法,并计算两条直线间的最大(MAX)距离。
①首先将边缘轮廓粒子进行分批处理,即无论边缘粒子几排几列,将粒子从上到下,从左到右进行排数,奇数为一组,偶数为一组。
②通过拟合两条不同的直线,不限于通过最小二乘法、Hough变换进行拟合的方法,计算两条直线间的距离。
③进而通过两直线距离确定粒子权重的大小或去掉噪点,通过多次拟合,粒子的权重可进行自适应调整,直至两条拟合直线距离小于1/2个像素。
④所述过程对权重的赋值大小见Huber权重函数或者Turkey权重函数。对于较远点,大于2个像素以上,不再作为下次拟合的像素元素,可直接忽略。
⑤对筛选过的粒子最后重复进行最小二乘法或Hough变换拟合,拟合直线、圆。再本实施例中此过程拟合待测量特征不限于直线、圆、也包括拟合的各种曲线。
通过奇偶粒子群拟合直线,确定拟合线之间距离的最大值Max并进行判断,分以下几种情况。
(1)如果两线间的距离小于1/2个像素,且距离两直线没有大余1个像素的粒子,则认为拟合的测量线更加贴近实际轮廓;
(2)如果两直线间的距离最大距离大于1/2个像素,则认为存在不合理点。此时,系统将分别计算偶数粒子群的粒子到其对应拟合线的距离(通过偶数粒子群拟合的直线),奇数粒子群的粒子到对应拟合线(偶数粒子拟合的直线)的距离。当此距离(L),1个像素<L<2像素,即判定此点为不合理点。
①、当两直线附近同时存在不合理点,需要同时通过Huber权重函数或者Turkey权重函数中的一个函数对不合理点进行权重赋值;如果此距离大于2个像素,则此像素被直接忽略,不参与到下一轮拟合当中。
②、当仅有一条直线附近均存在不合理点(即由奇偶粒子群拟合的两直线中其中一条直线附近有不合理点),仅需要对这条直线附近的子,通过Huber权重函数或者Turkey权重函数的方法,对此点进行权重赋值。
③、赋值完成后,在重新分别对奇偶粒子群进行直线拟合,此时由于权重比的变化,导致两条拟合直线又发生了变化,重复测量两条直线间的最大距离MAX、重复计算奇偶粒子群到各自对应直线间的距离L,直至两直线间的距离小于1/2个像素,迭代停止,完成像素粒子的筛选和权重赋值。
对于权重值的处理,这里主要通过两种方法Huber权重函数和Turkey权重函数,这两种中的任何一种方法都可以作为其权重赋值的模型,主要目的为了说明其在权重赋值的过程中,存在多种方法,即此实施例中包含此方法,但不禁限于此两种。
设权重函数为w(δ),其中参数δ表示点到直线的垂直距离。
Huber权重函数:
参数τ表示1个像素的距离阈值。
即当点到直线的距离小于等于一个阈值τ时,赋予权重为1;当点到直线的距离τ<δ≤2τ时,权重函数等于距离的倒数乘以阈值,这样就是距离越远,权重值越小。
Turkey权重函数:
参数τ表示1个像素的距离阈值
即点到直线的距离小于等于阈值时,权重赋予的是距离除以阈值的值得平方与1的差的平方;当点到直线的距离大于阈值时,与Huber权重函数相同,这个是距离δ越小,权重值越大。
根据图像像素距离和待测测量特征实际距离的比例关系,输出待检测件的实际尺寸,保存在数据库内。最后通过调取数据库存有的标准零件的基本尺寸及上下偏差与数据库测量的结果进行对比判断,确定零件的合格数量,不合格数量及良品率。
系统内存有标准零件尺寸及上下偏差,当所测量工件的测量尺寸超过最大尺寸或者最小尺寸,则判定为不合格品并计数+1。符合标准零件尺寸带区间时,则认为良品并计数+1,以此类推。
本发明的方法,应用于图3所示的结构示意中,通过两条直线间的距离来判断拟合线是否贴近零件本身。通过粒子群距离各自拟合直线的距离和两直线间的距离作为权重参数取值是否合理的验证条件。持续迭代完成粒子群的权重的最佳赋值,当两条直线间的最大距离小于0.5个像素,则认为粒子筛选完毕,最后合并粒子,通过最小二乘法或其他的拟合算法来完成直线的最终拟合。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (6)
1.一种运动背景下的微小机械零件尺寸测量筛选方法,其特征在于,包括以下步骤:
S1:获得运动中的待检测零件的图像,并截取预设感兴趣区域的测量区域图像;
S2:对所述测量区域图像快速并行中值滤波处理;
S3:进行二值化处理;
S4:对二值化处理后的图像进行边缘检测,获取所述测量区域图像的轮廓以及存储所述测量区域图像像素点的坐标;
S5:通过对边缘粒子权重方法,对边缘轮廓进行粒子筛选;
S6:对筛选过的粒子进行变换拟合输出;
S7:根据图像像素距离和实际距离的关系,输出所述待检测零件的实际尺寸。
2.根据权利要求1所述的运动背景下的微小机械零件尺寸测量筛选方法,其特征在于,所述中值滤波处理通过以下公式进行输出:
g(x,y)=med{f(x-k,y-i),(k,i∈w)},其中f(x,y),g(x,y)分别为原始图像和处理后图像,med表示取中值运算,x,y分别为像素点坐标,w为二维模板,k,i为二维模板中对应像素的坐标点的位置。
3.根据权利要求2所述的运动背景下的微小机械零件尺寸测量筛选方法,其特征在于,所述步骤S5具体包括以下步骤:
S51:对边缘轮廓进行粒子进行排数筛选为奇数组与偶数组;
S52:分别对所述奇数组与偶数组进行拟合两条不同的直线,计算两条直线间的距离;
S53:根据所述两条直线间的距离确定粒子权重的大小或去掉噪点,重复步骤S52进行多次拟合,直至两条拟合直线距离小于1/2个像素。
4.根据权利要求3所述的运动背景下的微小机械零件尺寸测量筛选方法,其特征在于,所述步骤S53还包括以下步骤:
分别计算奇数组与偶数组的粒子群至对应拟合线的距离,当其距离处于1-2个像素之间时,判定为不合理点,并通过权重函数对对应拟合线的不合理点进行权重赋值;如果此距离大于2个像素,则此像素被直接忽略,不参与到下一轮拟合当中。
5.根据权利要求1-4任一项所述的运动背景下的微小机械零件尺寸测量筛选方法,其特征在于,所述步骤S1通过正视相机与仰视相机分别获得运动中的待检测零件的图像。
6.根据权利要求5所述的运动背景下的微小机械零件尺寸测量筛选方法,其特征在于,所述待检测零件以同一半径位于旋转转盘上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810272070.0A CN108470349A (zh) | 2018-03-29 | 2018-03-29 | 一种运动背景下的微小机械零件尺寸测量筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810272070.0A CN108470349A (zh) | 2018-03-29 | 2018-03-29 | 一种运动背景下的微小机械零件尺寸测量筛选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108470349A true CN108470349A (zh) | 2018-08-31 |
Family
ID=63262354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810272070.0A Pending CN108470349A (zh) | 2018-03-29 | 2018-03-29 | 一种运动背景下的微小机械零件尺寸测量筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470349A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109308707A (zh) * | 2018-11-09 | 2019-02-05 | 河北工业大学 | 铝锭厚度非接触式在线测量方法 |
CN109685779A (zh) * | 2018-12-14 | 2019-04-26 | 凌云光技术集团有限责任公司 | 一种工件边宽检测方法 |
CN109785338A (zh) * | 2018-12-26 | 2019-05-21 | 汕头大学 | 一种运动背景下螺纹关键尺寸参数的在线视觉方法 |
CN109919926A (zh) * | 2019-03-05 | 2019-06-21 | 长春工业大学 | 一种活塞环图像快速计数方法 |
CN110472651A (zh) * | 2019-06-17 | 2019-11-19 | 青岛星科瑞升信息科技有限公司 | 一种基于边缘点局部特征值的目标匹配与定位方法 |
CN110675393A (zh) * | 2019-09-29 | 2020-01-10 | 上海呈彧智能科技有限公司 | 一种基于机器视觉的坯料规格检测方法 |
CN110930359A (zh) * | 2019-10-21 | 2020-03-27 | 浙江科技学院 | 一种检测汽车拨叉的方法及系统 |
CN111415376A (zh) * | 2020-02-27 | 2020-07-14 | 湖南大学 | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 |
CN112580396A (zh) * | 2019-09-29 | 2021-03-30 | 东北林业大学 | 一种森林火灾识别方法 |
CN114882059A (zh) * | 2022-07-01 | 2022-08-09 | 深圳市远湖科技有限公司 | 基于图像分析的尺寸测量方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063159A (zh) * | 2012-12-31 | 2013-04-24 | 南京信息工程大学 | 一种基于ccd的零件尺寸测量方法 |
CN103438844A (zh) * | 2013-08-27 | 2013-12-11 | 西北工业大学 | 基于粒子群算法的复杂曲面工件定位方法 |
JP2017090182A (ja) * | 2015-11-09 | 2017-05-25 | 住友金属鉱山株式会社 | 全自動鉱物分析装置と微小部x線回折装置とを用いた、鉱石中に存在する鉱物粒子の同定方法 |
CN107016215A (zh) * | 2017-04-27 | 2017-08-04 | 北京理工大学 | 一种基于势能最小的装配位姿计算方法 |
-
2018
- 2018-03-29 CN CN201810272070.0A patent/CN108470349A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063159A (zh) * | 2012-12-31 | 2013-04-24 | 南京信息工程大学 | 一种基于ccd的零件尺寸测量方法 |
CN103438844A (zh) * | 2013-08-27 | 2013-12-11 | 西北工业大学 | 基于粒子群算法的复杂曲面工件定位方法 |
JP2017090182A (ja) * | 2015-11-09 | 2017-05-25 | 住友金属鉱山株式会社 | 全自動鉱物分析装置と微小部x線回折装置とを用いた、鉱石中に存在する鉱物粒子の同定方法 |
CN107016215A (zh) * | 2017-04-27 | 2017-08-04 | 北京理工大学 | 一种基于势能最小的装配位姿计算方法 |
Non-Patent Citations (1)
Title |
---|
NENGSHENG BAO等: "Research on machine vision size measurement method based on particle weight", 《2017 IEEE 2ND INFORMATION TECHNOLOGY, NETWORKING, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (ITNEC)》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109308707B (zh) * | 2018-11-09 | 2021-08-24 | 河北工业大学 | 铝锭厚度非接触式在线测量方法 |
CN109308707A (zh) * | 2018-11-09 | 2019-02-05 | 河北工业大学 | 铝锭厚度非接触式在线测量方法 |
CN109685779A (zh) * | 2018-12-14 | 2019-04-26 | 凌云光技术集团有限责任公司 | 一种工件边宽检测方法 |
CN109785338A (zh) * | 2018-12-26 | 2019-05-21 | 汕头大学 | 一种运动背景下螺纹关键尺寸参数的在线视觉方法 |
CN109919926A (zh) * | 2019-03-05 | 2019-06-21 | 长春工业大学 | 一种活塞环图像快速计数方法 |
CN110472651A (zh) * | 2019-06-17 | 2019-11-19 | 青岛星科瑞升信息科技有限公司 | 一种基于边缘点局部特征值的目标匹配与定位方法 |
CN110472651B (zh) * | 2019-06-17 | 2022-11-29 | 青岛星科瑞升信息科技有限公司 | 一种基于边缘点局部特征值的目标匹配与定位方法 |
CN110675393A (zh) * | 2019-09-29 | 2020-01-10 | 上海呈彧智能科技有限公司 | 一种基于机器视觉的坯料规格检测方法 |
CN112580396A (zh) * | 2019-09-29 | 2021-03-30 | 东北林业大学 | 一种森林火灾识别方法 |
CN110675393B (zh) * | 2019-09-29 | 2024-03-26 | 上海呈彧智能科技有限公司 | 一种基于机器视觉的坯料规格检测方法 |
CN110930359A (zh) * | 2019-10-21 | 2020-03-27 | 浙江科技学院 | 一种检测汽车拨叉的方法及系统 |
CN111415376A (zh) * | 2020-02-27 | 2020-07-14 | 湖南大学 | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 |
CN111415376B (zh) * | 2020-02-27 | 2023-09-22 | 湖南大学 | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 |
CN114882059A (zh) * | 2022-07-01 | 2022-08-09 | 深圳市远湖科技有限公司 | 基于图像分析的尺寸测量方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108470349A (zh) | 一种运动背景下的微小机械零件尺寸测量筛选方法 | |
CN104981105B (zh) | 一种快速精确获得元件中心和偏转角度的检测及纠偏方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN103292701B (zh) | 基于机器视觉的精密器件在线尺寸测量方法 | |
CN116030058B (zh) | 一种用于抛光垫表面粗糙度的质量评价方法 | |
Sharma et al. | A comparative study of edge detectors in digital image processing | |
CN106969706A (zh) | 基于双目立体视觉的工件检测与三维测量系统及检测方法 | |
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN109859226A (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
CN106174830A (zh) | 基于机器视觉的服装尺寸自动测量系统及其测量方法 | |
Satpute et al. | Color, size, volume, shape and texture feature extraction techniques for fruits: a review | |
CN104751458B (zh) | 一种基于180°旋转算子的标定角点检测方法 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
Vogel et al. | An automated two-view method for determining strain distributions on deformed surfaces | |
CN114066820A (zh) | 一种基于Swin-Transformer与NAS-FPN的织物疵点检测方法 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN115096206B (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
CN110084768A (zh) | 基于背景滤波的lcd导光板的缺陷检测方法 | |
CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
CN112785596A (zh) | 基于dbscan聚类的点云图螺栓分割和高度测量方法 | |
CN108133211A (zh) | 一种基于移动终端视觉图像的检测配电柜的方法 | |
CN107590347A (zh) | 一种基于设计模型匹配孤立点识别与删除方法及系统 | |
CN108827197A (zh) | 一种减少边缘退化影响的线阵工业ct均质材料尺寸测量方法 | |
CN107192348A (zh) | 一种高精度3d视觉测量方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180831 |
|
RJ01 | Rejection of invention patent application after publication |