CN108764252B - 基于机器视觉的装饰合金片的正反面识别方法 - Google Patents
基于机器视觉的装饰合金片的正反面识别方法 Download PDFInfo
- Publication number
- CN108764252B CN108764252B CN201810425876.9A CN201810425876A CN108764252B CN 108764252 B CN108764252 B CN 108764252B CN 201810425876 A CN201810425876 A CN 201810425876A CN 108764252 B CN108764252 B CN 108764252B
- Authority
- CN
- China
- Prior art keywords
- alloy sheet
- decorative alloy
- decorative
- extracting
- image
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于机器视觉的装饰合金片的正反面识别方法,通过两个相机对装饰合金片进行拍照,分别提取产品上方和侧方的特征值,组成二维特征,利用SVM算法对二维特征进行分类,兼顾训练误差与测试误差的最小化,选取最优分类线,达到了很高的正反面区分准确率;相比于人工目检,能够有效节省劳动力,降低劳动强度,提高工作效率;与现有的自动化区分技术相比,本发明通过两个工业相机获取直观的侧方和正上方外观特征信息,具有更好的适应性。
Description
技术领域
本发明涉及机器视觉,特别是涉及基于机器视觉的装饰合金片的正反面识别方法。
背景技术
在对装饰合金片的加工过程中,需要对其正反面进行区分以保证后续工艺制程的准确。
目前装饰合金片正反面的区分方式多以人工为主,人眼分辨率有限,区分结果易受主观因素影响,易发生错分的现象,从而导致后续加工制程的失败与原材料的浪费;以自动化技术代替人工识别,是提高生产效率、减少劳动力、降低人工劳动强度和保证装饰合金片正反区分效果的重要措施。
常见的自动区分装饰合金片正反面的有以下两种方式,第一种就是通过其外形物理特性,在工件自动上料的过程中,通过震动使其不同朝向面的产品运行轨迹发生偏离,以筛选出对应面的产品;该方法针对正反面外形区别较大的产品,实现方便,效率较高,其缺点是当产品外形对称,重心对称时,则无法区别。
第二种是采用单个相机对装饰合金片进行拍照获取灰度图片,通过正反面灰度值的大小差异进行分类。这种方式的优点是算法简单,效率较高,运算速度快,易于实现等,其缺点是对于具有粗糙纹理的装饰合金片,从单个图片中获取的特征信息有限,区分效果的抗干扰性较差。
发明内容
基于此,有必要针对上述技术问题,提供一种基于机器视觉的装饰合金片的正反面识别方法,采用侧方和正上方两个相机对装饰合金片进行拍照,分别提取侧方特征信息和正上方特征信息,利用支持向量机(Support Vector Machine,SVM)对提取的二维特征进行分类,提高了正反面区分的性能和准确度,能够有效节省劳动力,降低劳动强度,提高工作效率。
一种基于机器视觉的装饰合金片的正反面识别方法,包括:
步骤一:采用两个工业面阵相机对装饰合金片进行拍照,一个工业面阵相机架设于装饰合金片的侧方,另一个工业面阵相机架设于装饰合金片的正上方,装饰合金片正上方放置光源以保证侧方与正上方相机均能获取有效的图像信息,利用侧方的工业面阵相机拍照获取装饰合金片的侧方图像,利用正上方的工业面阵相机拍照获取装饰合金片的正上方图像;
步骤二:从侧方架设的工业面阵相机获取的灰度图片中,提取特征值Feature1;
步骤三:从正上方架设的工业面阵相机获取的灰度图片中,提取特征值Feature2;
步骤四:对已知正反面的多个装饰合金片进行拍照,通过步骤二和步骤三提取跟多个装饰合金片相应的多组特征值Feature1和Feature2,组成二维特征,作为支持向量机的训练样本,选取二维特征情况下实现分类的最优分类线;
步骤五:针对剩余的装饰合金片,利用步骤一、步骤二和步骤三,提取侧方图像特征值Feature1和正上方图像特征值Feature2,组成二维特征;
步骤六:基于步骤四所得的最优分类线,对步骤五得到的二维特征进行分类,从而区分剩余的装饰合金片的正反面。
上述基于机器视觉的装饰合金片的正反面识别方法,通过两个相机对装饰合金片进行拍照,分别提取产品上方和侧方的特征值,组成二维特征,利用SVM算法对二维特征进行分类,兼顾训练误差与测试误差的最小化,选取最优分类线,达到了很高的正反面区分准确率;相比于人工目检,能够有效节省劳动力,降低劳动强度,提高工作效率;与现有的自动化区分技术相比,本发明通过两个工业面阵相机获取直观的侧方和正上方外观特征信息,具有更好的适应性。
在另外的一个实例中,步骤二“从侧方架设的工业面阵相机获取的灰度图片中,提取特征值Feature1”具体包括:
定位装饰合金片在图像中的矩形边界,提取出装饰合金片所在的图像区域A;
从区域A末行开始,获取图像区域A内的每一行像素的灰度累加值,从末行向上取200行,将这200个数据依次存入数组sum_Img;
取数组sum_Img中的最大值Max;
计算数组sum_Img中前25个数据的平均值Aver_25;
特征值Feature1=Aver_25/Max;
步骤三“从正上方架设的工业面阵相机获取的灰度图片中,提取特征值Feature2”具体包括:
定位装饰合金片在图像中的矩形边界,提取出装饰合金片所在的图像区域B;
计算Feature2,Feature2为图像区域B内所有像素的灰度值方差。
附图说明
图1为本申请实施例提供的一种基于机器视觉的装饰合金片的正反面识别方法的光学系统架设示意图。
图2为本申请实施例提供的一种基于机器视觉的装饰合金片的正反面识别方法的实施流程图。
图3为本申请实施例提供的装饰合金片的示意图。
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,以下结合附图及实施例,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。
参阅图1、图2和图3,一种基于机器视觉的装饰合金片的正反面识别方法,包括:
步骤一:采用两个工业面阵相机对装饰合金片进行拍照,一个工业面阵相机架设于装饰合金片的侧方,另一个工业面阵相机架设于装饰合金片的正上方,装饰合金片正上方放置光源以保证侧方与正上方相机均能获取有效的图像信息,利用侧方的工业面阵相机拍照获取装饰合金片的侧方图像,利用正上方的工业面阵相机拍照获取装饰合金片的正上方图像。
可以理解,拍照的话可以两个相机同时拍照,也可以分开拍照。
步骤二:从侧方架设的工业面阵相机获取的灰度图片中,提取特征值Feature1。
步骤三:从正上方架设的工业面阵相机获取的灰度图片中,提取特征值Feature2。
步骤四:对已知正反面的多个装饰合金片进行拍照,通过步骤二和步骤三提取跟多个装饰合金片相应的多组特征值Feature1和Feature2,组成二维特征,作为支持向量机的训练样本,选取二维情况下实现分类的最优分类线。
步骤五:针对剩余的装饰合金片,利用步骤一、步骤二和步骤三所述方法,提取侧方图像特征值Feature1和正上方图像特征值Feature2,组成二维特征。
步骤六:基于步骤四所得的最优分类线,对步骤五得到的二维特征进行分类,从而区分剩余的装饰合金片的正反面。
上述基于机器视觉的装饰合金片的正反面识别方法,通过两个相机对装饰合金片进行拍照,分别提取产品上方和侧方的特征值,组成二维特征,利用SVM算法对二维特征进行分类,兼顾训练误差与测试误差的最小化,选取最优分类线,达到了很高的正反面区分准确率;相比于人工目检,能够有效节省劳动力,降低劳动强度,提高工作效率;与现有的自动化区分技术相比,本发明通过两个工业面阵相机获取直观的侧方和正上方外观特征信息,具有更好的适应性。
在另外的一个实例中,步骤二“从侧方架设的工业面阵相机获取的灰度图片中,提取特征值Feature1”具体包括:
定位装饰合金片在图像中的矩形边界,提取出装饰合金片所在的图像区域A;
从区域A末行开始,获取图像区域A内的每一行像素的灰度累加值,从末行向上取200行,将这200个数据依次存入数组sum_Img;
取数组sum_Img中的最大值Max;
计算数组sum_Img中前25个数据的平均值Aver_25;
特征值Feature1=Aver_25/Max;
步骤三“从正上方架设的工业面阵相机获取的灰度图片中,提取特征值Feature2”具体包括:
定位装饰合金片在图像中的矩形边界,提取出装饰合金片内部的图像区域B;
计算Feature2,Feature2为图像区域B内所有像素的灰度值方差。
下面介绍一个本发明的具体应用场景:
参见图1,具体描述如下:
一.两个工业面阵相机分别架设在装饰合金片的侧方和正上方,相机为分辨率500W像素的面阵工业面阵相机;
二.正上方工业面阵相机与装饰合金片之间架设60°环形光源,可确保上方和侧方相机能够同时获取有效的图像信息;
为详细说明本发明技术实现方案,参见图2,具体实施方式如下:
一.在装饰合金片加工流水线中,装饰合金片工件被传送到用于进行正反面分类的工站上,两个工业面阵相机同时拍照,输出装饰合金片的上方图像和侧方图像。
二.对于一批装饰合金片,选取具有代表性的多个样本样品进行拍照;
分别计算侧方图像特征值Feature1和正上方图像特征值Feature2
Feature1来自于侧方相机获取的图像信息中所提取的特征值;
Feature1=Aver_25/Max;
提取装饰合金片所在的图像区域,将图像区域内每一行像素的灰度累加值,从末行向上取200行,将这200个数据依次存入数组sum_Img;
Aver_25代表数组sum_Img中前25个数据的平均值;
Max代表数组sum_Img中的最大值;
Feature2来自于正上方相机获取的图像信息中所提取的特征值,其值为装饰合金片所在图像区域内像素的灰度值方差;
三.在通过步骤二获取样本样品对应的侧方图像特征值和正上方图像特征值后,构成多组二维特征作为支持向量机的训练样本,选取二维情况下实现分类的最优分类线。
即根据训练样本确定最大分类间隔的分割超平面。
四.对于需要进行实时区分正反面的装饰合金片,将实时拍照提取出侧方图像特征值Feature1和正上方图像特征值Feature2,利用上一步得出的最优分类线对二维特征进行分类,从而实现装饰合金片的正反面区分。
五.本发明通过机器视觉技术,针对装饰合金片的侧方图像信息和正上方图像信息准确提取特征值,构成特征向量,进而利用支持向量机对装饰合金片的正反面进行区分,且判别结果准确。
以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (1)
1.一种基于机器视觉的装饰合金片的正反面识别方法,其特征在于,包括:
步骤一:采用两个工业面阵相机对装饰合金片进行拍照,一个工业面阵相机架设于装饰合金片的侧方,另一个工业面阵相机架设于装饰合金片的正上方,装饰合金片正上方放置光源以保证侧方与正上方相机均能获取有效的图像信息,利用侧方的工业面阵相机拍照获取装饰合金片的侧方图像,利用正上方的工业面阵相机拍照获取装饰合金片的正上方图像;
步骤二:从侧方架设的工业面阵相机获取的灰度图片中,提取特征值Feature1;
步骤三:从正上方架设的工业面阵相机获取的灰度图片中,提取特征值Feature2;
步骤四:对已知正反面的多个装饰合金片进行拍照,通过步骤二和步骤三提取跟多个装饰合金片相应的多组特征值Feature1和Feature2,组成二维特征,作为支持向量机的训练样本,选取二维特征情况下实现分类的最优分类线;
步骤五:针对剩余的装饰合金片,利用步骤一、步骤二和步骤三,提取侧方图像特征值Feature1和正上方图像特征值Feature2,组成二维特征;
步骤六:基于步骤四所得的最优分类线,对步骤五得到的二维特征进行分类,从而区分剩余的装饰合金片的正反面;
步骤二“从侧方架设的工业面阵相机获取的灰度图片中,提取特征值Feature1”具体包括:
定位装饰合金片在图像中的矩形边界,提取出装饰合金片所在的图像区域A;
从区域A末行开始,获取图像区域A内的每一行像素的灰度累加值,从末行向上取200行,将这200个数据依次存入数组sum_Img;
取数组sum_Img中的最大值Max;
计算数组sum_Img中前25个数据的平均值Aver_25;
特征值Feature1=Aver_25/Max;
步骤三“从正上方架设的工业面阵相机获取的灰度图片中,提取特征值Feature2”具体包括:
定位装饰合金片在图像中的矩形边界,提取出装饰合金片所在的图像区域B;
计算Feature2,Feature2为图像区域B内所有像素的灰度值方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810425876.9A CN108764252B (zh) | 2018-05-07 | 2018-05-07 | 基于机器视觉的装饰合金片的正反面识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810425876.9A CN108764252B (zh) | 2018-05-07 | 2018-05-07 | 基于机器视觉的装饰合金片的正反面识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764252A CN108764252A (zh) | 2018-11-06 |
CN108764252B true CN108764252B (zh) | 2022-05-10 |
Family
ID=64009857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810425876.9A Active CN108764252B (zh) | 2018-05-07 | 2018-05-07 | 基于机器视觉的装饰合金片的正反面识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764252B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198497A (zh) * | 2014-09-12 | 2014-12-10 | 苏州大学 | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 |
CN106250896A (zh) * | 2016-03-03 | 2016-12-21 | 上海创和亿电子科技发展有限公司 | 基于图像采集装置的在线烟叶的正反面的识别方法 |
CN106651831A (zh) * | 2016-09-30 | 2017-05-10 | 广西师范大学 | 一种竹块缺陷检测方法和系统 |
CN107665354A (zh) * | 2017-09-19 | 2018-02-06 | 北京小米移动软件有限公司 | 识别身份证的方法及装置 |
-
2018
- 2018-05-07 CN CN201810425876.9A patent/CN108764252B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198497A (zh) * | 2014-09-12 | 2014-12-10 | 苏州大学 | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 |
CN106250896A (zh) * | 2016-03-03 | 2016-12-21 | 上海创和亿电子科技发展有限公司 | 基于图像采集装置的在线烟叶的正反面的识别方法 |
CN106651831A (zh) * | 2016-09-30 | 2017-05-10 | 广西师范大学 | 一种竹块缺陷检测方法和系统 |
CN107665354A (zh) * | 2017-09-19 | 2018-02-06 | 北京小米移动软件有限公司 | 识别身份证的方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于FRS-SVM的工业数据挖掘研究;孙文林;《计算机与应用化学》;20140828;第951-954页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108764252A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110314854B (zh) | 一种基于视觉机器人的工件检测分拣的装置及方法 | |
CN107941808B (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
WO2018000731A1 (zh) | 一种曲面表面缺陷自动检测方法及其装置 | |
CN109772733B (zh) | 一种基于视觉的缺陷竹块检测分拣装置及方法 | |
CN105279372B (zh) | 一种确定建筑物高度的方法和装置 | |
CN104597057B (zh) | 一种基于机器视觉的柱状二极管表面缺陷检测装置 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
WO2019114380A1 (zh) | 木板识别及木板识别的机器学习方法、装置及电子设备 | |
KR20100015628A (ko) | 목재의 검사 방법, 장치 및 프로그램 | |
CN110618134A (zh) | 钢板表面质量缺陷检测评级系统及方法 | |
CN112184648A (zh) | 一种基于深度学习的活塞表面缺陷检测方法及系统 | |
CN108267455B (zh) | 塑料薄膜印刷字符缺陷检测装置及方法 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN114638797A (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
CN110554052A (zh) | 一种人造板表面缺陷检测方法及其系统 | |
CN110517265A (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
CN210071686U (zh) | 基于正交双目机器视觉的水果分级装置 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN112819844B (zh) | 一种图像边缘检测方法及装置 | |
WO2023134286A1 (zh) | 一种阴极铜在线质量自动检测分类方法 | |
CN111551559A (zh) | 一种基于多目视觉系统的lcd液晶屏缺陷检测方法 | |
CN110766683B (zh) | 一种珍珠光洁度等级检测方法及系统 | |
CN114113129B (zh) | 一种镜片微小缺陷识别抓取系统及方法 | |
CN115830018A (zh) | 基于深度学习与双目视觉的碳素块检测方法及系统 | |
CN113610185B (zh) | 基于主色调识别的木材色选方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |