CN109190628A - 一种基于机器视觉的板材镰刀弯检测方法 - Google Patents

一种基于机器视觉的板材镰刀弯检测方法 Download PDF

Info

Publication number
CN109190628A
CN109190628A CN201810929853.1A CN201810929853A CN109190628A CN 109190628 A CN109190628 A CN 109190628A CN 201810929853 A CN201810929853 A CN 201810929853A CN 109190628 A CN109190628 A CN 109190628A
Authority
CN
China
Prior art keywords
image
coordinate
plate
camera
point
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
Application number
CN201810929853.1A
Other languages
English (en)
Inventor
丁敬国
田宝
曹剑钊
孙杰
彭文
张殿华
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201810929853.1A priority Critical patent/CN109190628A/zh
Publication of CN109190628A publication Critical patent/CN109190628A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明具体涉及一种基于机器视觉的板材镰刀弯检测方法，属于轧钢过程自动控制领域。本发明所述方法包括如下步骤：通过安装在轧机前、后的推床外的辊道正上方的面阵CCD摄像机，获得板材图像，并通过摄像机标定对图像进行畸变矫正；对矫正后的图像进行高斯低通频域滤波，并对滤波后的图像进行图像锐化微分运算，增强图像边界；对边界增强后的图像进行数学形态学变换以及阈值二值化处理，分割并完整提取板材图像；对阈值分割后的图像使用Canny边缘检测算子提取板材边缘轮廓点的像素坐标，同时结合改进的Zernike正交矩的亚像素边缘检测算法得到板材边缘的亚像素级坐标并进行拟合，得到镰刀弯值。

Description

一种基于机器视觉的板材镰刀弯检测方法
技术领域
本发明属于轧钢过程自动控制领域，特别是涉及一种基于机器视觉的板材镰刀弯检测方法。
背景技术
常规板带材轧制生产过程中，由于轧制设备和轧制工艺等因素的影响，常常会导致板材产生镰刀弯缺陷，其根本原因是入口轧件楔形、入口轧件两侧温度不均、走偏、轧机两侧纵向刚度不同及轧辊倾斜等非对称因素，导致轧件横向轧制状态不对称，造成轧件横向各点的纵向延伸不对称，使得轧件在变形区出口截面处的出口速度沿横向不对称，形成镰刀弯。为了不影响轧制过程的顺利进行，提高产品性能，需要对板材的镰刀弯进行实时控制，其主要问题是对板材镰刀弯的精准检测。
目前，大多数板材轧制生产线主要通过肉眼进行镰刀弯的检测，这种方法太过依赖于工作人员的工作经验，无论在效率上还是在准确率上都比较低，且不能精确的计算侧弯的程度，现有技术包括以下几种：1)将激光仪和测宽仪进行组合，通过到板坯侧边距离的测量来计算板坯弯曲度，这种方法需要板坯厚度较大且容易受现场轧制环境的影响；2)通过工业相机获得钢板图像并利用多项式拟合法计算边缘亚像素坐标，这种方法识别精度低、抗干扰能力差，只能应用于噪声小的场景，无法解决生产过程中普遍存在的跑偏、震荡等情况；3)引入中间坯厚度因子，通过遍历算法寻找边缘轮廓的起始点和结束点，这种方法算法复杂、计算量大且厚度影响因子不易获取，识别精度低。
发明内容
针对现有技术存在的不足，本发明提供一种基于机器视觉的板材镰刀弯检测方法，其特征在于，所述方法包括如下步骤：
步骤1，通过安装在辊道一侧靠近轧机入口的热金属探测仪检测板材信号，触发安装在轧机前、后的推床外的辊道的正上方的面阵CCD摄像机，拍摄获得板材图像，并通过摄像机标定对板材图像进行畸变矫正；
步骤2，对矫正后的板材图像进行高斯低通频域滤波，去除图像中存在的大量的噪声信号；运用拉普拉斯算法对滤波后的板材图像进行图像锐化微分运算，来对图像模糊进行校正，并增强图像的边界；对图像增强后的板材图像进行数学形态学变换，将独立的板材图像元素从背景图像中分割出来；统计经过数学形态学变换后的图像中各灰度值出现的次数，获取图像的灰度直方图，并根据灰度直方图对图像进行阈值二值化分割，将板材从复杂的环境背景中分辨并将其形状完整的提取出来；
步骤3，对阈值分割后的板材图像使用Canny边缘检测算子提取板材边缘轮廓，获得轮廓点的像素坐标；引入改进的Zernike正交矩的亚像素边缘检测算法得到板材边缘的亚像素级坐标并进行拟合，计算得到镰刀弯弯曲曲率。
所述步骤1进一步包括：所述通过摄像机标定对板材图像进行畸变矫正，其具体过程如下：
建立针孔摄像机模型，Ow-xwywzw为世界坐标系，它是客观世界的绝对坐标，由用户任意定义的三维空间坐标系；Oc-xcyczc为摄像机坐标系，其以小孔摄像机模型的聚焦中心为原点，以摄像机光轴为zc轴，xc，yc与图像物理坐标系O1-xy的x，y轴平行，且采取前投影模型；图像坐标系建立在摄像机坐标系中zc＝f平面内，图像坐标系是平面直角坐标系，分为图像像素坐标系和图像物理坐标系两种，O1-xy为图像物理坐标系，它是以光轴与像平面的交点(主点)为原点，以毫米为单位的直角坐标系，其x，y轴分别与图像像素坐标系的u，v轴平行；O0-uv为图像像素坐标系，它是以图像左上角为原点，以像素为坐标单位的直角坐标系，u，v分别表示像素在数字图像中的列数与行数；则世界坐标系内点(xw，yw，zw)与其投影形成的像点的图像像素坐标系内点(u，v)之间的变换为：
其中为摄像机的内参数矩阵，其中α、β为图像在u，v轴的焦距，即透镜的物理焦距长度与成像仪每个单元尺寸的乘积，c为描述u，v轴倾斜角的参数，u0，v0为图像坐标系坐标主点；为摄像机的旋转矩阵，为摄像机的平移矩阵；d为任意的尺度因子，用于方便计算，不改变坐标值；
由于标定板是平面，所以把世界坐标系构造在Z＝0的平面上，将上式转换为：
其中为单应性矩阵，描述的是空间中平面三维点和相机平面二维点之间的关系，空间中平面三维点可以通过尺寸已知的棋盘格标定板获取，相机平面中二维点通过图像处理寻找角点的方式获取，即每张棋盘格标定板图片都可以计算出来一个对应的H矩阵，从不同角度拍摄棋盘标定模板的b(b＞3)幅图像，然后进行单应性计算，对摄像机进行标定，求出内参矩阵和外参矩阵，进而得出相机坐标和图像坐标的投射矩阵，从而根据摄像机标定结果将空间中板材上的某一点映射到板材图像上的某一点上；
但由于畸变而在板材图像上得到的感知点的位置是不真实的，因此引入透镜畸变，畸变后的规范化坐标值表示为Pd(xd，yd)，通过下面变换得到没有畸变的板材图像矫正结果：
其中r2＝x2+y2，k1、k2为径向畸变系数；k3、k4为切向畸变系数。
所述步骤1进一步包括：将棋盘格标定板固定在辊道表面板材位置处，通过安装在轧机前后辊道正上方的面阵CCD摄像机从不同角度拍摄多张不同位姿的棋盘格标定图片，采用嵌入式图像处理软件基于Windows操作系统下的Visual studio 2015工作平台下的OpenCv图像处理函数库对棋盘格图像进行角点检测，并利用张正友标定法和Brown法进行摄像机标定；且当面阵CCD摄像机位置或者视野经过调整时，需要重新进行摄像机的标定，并计算相关摄像机的参数。
所述步骤2进一步包括：根据如下方法对矫正后的板材图像进行高斯低通频域滤波：先对原始图像f(xd，yd)进行傅里叶变换得到F(u，v)，然后将F(u，v)与传递函数H(u，v)做乘积运算得到G(u，v)，最后对G(u，v)作反傅里叶变换，得到滤波后的图像g(x，y)；
其中高斯低通滤波器的传递函数为其中D(u，v)代表从点(u，v)到频率平面原点的距离；D0为截止频率距原点的距离。
所述步骤2进一步包括：根据如下公式进行图像锐化微分运算，得到模糊校正后的目标图像f(x，y)：
其中，它为拉普拉斯算子，kτ为扩散相应系数。
所述步骤2进一步包括：根据如下公式进行板材图像的数学形态学变换：
其中X为被处理的图像f(x，y)，S为结构元素，表示腐蚀运算，表示膨胀运算。
所述步骤2进一步包括：根据如下公式对板材图像进行阈值化分割：
其中，m(x，y)为分割后的图像，T为通过灰度直方图确定的分割阈值。
所述步骤3进一步包括：采用3σ准则将Canny边缘检测得到的轮廓点的像素坐标将误差超过3σ的异常数据点剔除掉。
所述步骤3进一步包括：所述利用改进的Zernike正交矩的亚像素边缘检测算法确定边缘亚像素坐标，其具体过程如下：
首先对边缘建立二维归一化理想阶跃灰度模型：
其中l为边缘到原点的距离，φ为边缘与y轴的夹角，h为背景灰度，k为边缘强度；
图像f(x，y)的n阶m次Zernike正交矩为：
其中m、n属于整数并满足条件：n≥0，n-|m|为偶数且|m|≤n，ρ是单位采样圆的原点到点(x，y)的矢量长度，θ是矢量ρ与x轴的夹角，*表示卷积，表示与Vnm(ρ，θ)共轭，Vnm(ρ，θ)＝Rnm(ρ)ejmθ是正交积分内核函数，j为虚数单位，Rnm(ρ)表示点(x，y)的径向多项式：
利用公式(8)求出不同阶次的7×7Zernike模板Znm，将模板在阈值二值化图像上移动，使模板与Canny边缘检测得到的初始像素级边缘坐标(u，v)作为中心相对应的像素进行卷积运算得到相应的五个不同阶次的Zernike正交矩，然后把理想阶跃灰度模型的4个参数映射到五个Zernike正交矩中，然后再通过这五个Zernike正交矩计算出边缘所在直线的参数，从而得到板材边缘的亚像素级坐标(xnew，ynew)：
所述步骤3进一步包括：计算板村两侧边边缘的中点亚像素坐标，并根据公式(2)、(3)计算板材中点的亚像素坐标(xnew，ynew)对应的世界坐标系中辊道平面上的坐标(x′new，y′new)，获得板材中线的实际坐标，然后采用最小二乘法优化算法对中点进行圆拟合，采用Levenberg-Marquardt的非线性优化方法进行非线性递归搜索，使得取得最小值，得到圆的中心坐标以及半径R，从而得到板材镰刀弯的平均曲率K＝1/R，其中(xc，yc)代表拟合圆的中心坐标，(xi，yi)代表板材中线的实际坐标。
本发明的有益效果在于：采用CCD摄像机将炽热的高温板材图像拍摄下来，通过图像处理识别出板材的边部位置并提取板材轮廓的像素坐标，并利用亚像素边缘检测算法获取边缘的亚像素坐标，根据转换关系得到板材中线的实际坐标，从而计算出镰刀弯弯曲曲率。
本发明所述测量方法不需要考虑板材厚度对测量结果的干扰，不需统计影响镰刀弯的复杂因素，且图像处理算法计算量小、检测精度高，抗噪性能强，满足了板材镰刀弯的实时非接触式检测的需求。
附图说明
图1为本发明采用的板材镰刀弯检测装置的结构示意图；
图2为本发明所述摄像机标定系统坐标系示意图；
图3为本发明所述基于机器视觉的板材镰刀弯检测方法的流程图；
图4为本发明所述改进的Zernike正交矩的亚像素边缘检测算法的二维归一化理想阶跃灰度模型图；
图5所示为本发明具体实施方式中检测出来的板材两侧边中点坐标拟合示意图。
图中：1、用户计算机；2、面阵CCD摄像机；3、镜头；4、红外滤光片；5、板材；6、热金属探测器；7、图像处理服务器；8、镜像过滤器。
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实例，对本发明做出进一步详细说明。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。
针对现有技术存在的不足，本发明提供一种基于机器视觉的板材镰刀弯检测方法，本方法能够不需要考虑板材厚度对测量结果的干扰，且不需统计影响镰刀弯的复杂因素而检测出板材的镰刀弯像素边缘，并精确计算镰刀弯的弯曲曲率，同时，引入了一种基于Zernike矩的亚像素边缘检测算法，理论上计算精度高，其定位精度能达到0.03个像素，且计算量小，抗噪性能强，满足了板材镰刀弯的实时非接触式检测的需求。
下面结合附图和具体实施例对本发明做进一步的详细说明：
一种基于机器视觉的板材镰刀弯检测方法，如图3所示，方法包括如下步骤：
步骤1：通过安装在辊道一侧靠近轧机入口的热金属探测仪检测板材信号，触发安装在轧机前、后的推床外的辊道的正上方的面阵CCD摄像机，拍摄获得板材图像，并通过摄像机标定对板材图像进行畸变矫正。
如图1所示，为本发明所采用的镰刀弯检测装置示意图，其中面阵CCD摄像机2选择Basler公司的1394接口黑白面阵CCD工业摄像机，镜头3为COMPUTER公司的M1614-MP(焦距16mm)百万像素固定焦距镜头，采用C型接口与相机配套使用，红外滤光片4选择HWB900，其通过波长大于900nm，以滤除其它波长的辐射和背景干扰辐射，从而获得板材的红外图像，热金属探测器6选择中川光电的RLK730，检测温度范围为400-1500℃，其安装在辊道一侧靠近轧机入口处的监测区域，通过电缆与面阵CCD摄像机2接口连接。
由于中厚板轧制为可逆式轧制，每道次主电机反转一次，且轧机前后都有推床对中装置，因此为了能够对所有道次的板材的镰刀弯都进行精确检测，面阵CCD摄像机安装在轧机前、后推床外的辊道的正上方，垂直拍摄辊道上的板材，且系统对相机画面进行高速处理，隔12ms进行一次镰刀弯测量，同时，为保证在板材温度发生变化的情况下，能清晰地拍摄出钢板的边部，相机的灵敏度设计成根据板材温度变化可自动调整的构造。
当板材5开始进入轧机入口，热金属探测仪6检测到板材信号后，根据板材运行速度和热金属检测仪6与CCD摄像机2视野的距离判断板材正好到达摄像机视野范围的时间，并将此信号发送给检测系统计算机1，计算机1对这一信号进行反馈，启动包围在具有空气冷却功能的保护壳镜像过滤器8中的CCD摄像机2拍摄板材图像，并将板材图像信号通过数据线传输至图像处理服务器7，经图像采集卡转换为数字信号，再经图像处理系统进行图像处理，从而得到板材镰刀弯参数，并显示在用户计算机上1。
通过CCD摄像机获取轧件图像之前，先对摄像机进行标定：将棋盘格标定板固定在辊道表面板材位置处，通过安装在轧机前后辊道正上方的面阵CCD摄像机从不同角度拍摄多张不同位姿的棋盘格标定图片，采用嵌入式图像处理软件基于Windows操作系统下的Visual studio2015工作平台下的OpenCv图像处理函数库对棋盘格图像进行角点检测，并利用张正友标定法和Brown法进行摄像机标定。且当面阵CCD摄像机位置或者视野经过调整时，需要重新进行摄像机的标定，并计算相关摄像机的参数。其具体标定过程如下：
如图2所示，建立针孔摄像机模型，Ow-xwywzw为世界坐标系，它是客观世界的绝对坐标，由用户任意定义的三维空间坐标系；Oc-xcyczc为摄像机坐标系，其以小孔摄像机模型的聚焦中心为原点，以摄像机光轴为zc轴，xc，yc与图像物理坐标系xf，yf平行，且采取前投影模型；图像坐标系建立在摄像机坐标系中zc＝f平面内，图像坐标系是平面直角坐标系，分为图像像素坐标系和图像物理坐标系两种，O1-xy为图像物理坐标系，它是以光轴与像平面的交点(主点)为原点，以毫米为单位的直角坐标系，其x，y轴分别与图像像素坐标系的u，v轴平行；O0-uv为图像像素坐标系，它是以图像左上角为原点，以像素为坐标单位的直角坐标系，u，v分别表示像素在数字图像中的列数与行数。则世界坐标系内点(xw，yw，zw)与其投影形成的像点的图像像素坐标系内点(u，v)之间的变换为：
其中为摄像机的内参数矩阵，其中α、β为图像在u，v轴的焦距，即透镜的物理焦距长度与成像仪每个单元尺寸的乘积，c为描述u，v轴倾斜角的参数，u0，v0为图像坐标系坐标主点；为摄像机的旋转矩阵，为摄像机的平移矩阵；d为任意的尺度因子，用于方便计算，不改变坐标值；
由于标定板是平面，所以把世界坐标系构造在Z＝0的平面上，将上式转换为：
其中为单应性矩阵，描述的是空间中平面三维点和相机平面二维点之间的关系，空间中平面三维点可以通过尺寸已知的棋盘格标定板获取，相机平面中二维点通过图像处理寻找角点的方式获取，即每张棋盘格标定板图片都可以计算出来一个对应的H矩阵，从不同角度拍摄棋盘标定模板的b(b＞3)幅图像，然后进行单应性计算，对摄像机进行标定，求出内参矩阵和外参矩阵，进而得出相机坐标和图像坐标的投射矩阵，从而根据摄像机标定结果将空间中板材上的某一点映射到板材图像上的某一点上；
但由于畸变而在板材图像上得到的感知点的位置是不真实的，因此引入透镜畸变，畸变后的规范化坐标值表示为Pd(xd，yd)，通过下面变换得到没有畸变的板材图像矫正结果：
其中r2＝x2+y2，k1、k2为径向畸变系数；k3、k4为切向畸变系数。
在本实施例中，采用8×8的棋盘标定模板，角点间距为20mm，从不同角度拍摄9幅模板图像，计算得到摄像机模型的内参数：
畸变系数：
垂直拍摄角度的外参数：
图像标定的总体平均误差为0.197022像素。
当板材进入轧机入口时，触发热金属探测器并反馈给计算机，启动CCD摄像机拍摄板材图像，并将板材图像信号通过数据线传输至图像处理服务器，服务器根据摄像机标定结果对轧件图像进行畸变矫正。
步骤2：对矫正后的板材图像进行高斯低通频域滤波，去除图像中存在的大量的噪声信号；运用拉普拉斯算法对滤波后的板材图像进行图像锐化微分运算，来对图像模糊进行校正，并增强图像的边界；对图像增强后的板材图像进行数学形态学变换，将独立的板材图像元素从背景图像中分割出来；统计经过数学形态学变换后的图像中各灰度值出现的次数，获取图像的灰度直方图，并根据灰度直方图对图像进行阈值二值化分割，将板材从复杂的环境背景中分辨并将其形状完整的提取出来。
矫正后的图像由于现场环境的影响存在大量的噪声信号，为了不影响板材边缘坐标的提取精度，同时使图像中的细节保持原有特征，提高图像的质量，对板材图像进行高斯低通频域滤波：先对原始图像f(xd，yd)进行傅里叶变换得到F(u，v)，然后将F(u，v)与传递函数H(u，v)做乘积运算得到G(u，v)，最后对G(u，v)作反傅里叶变换，得到滤波后的图像g(x，y)。
其中高斯低通滤波器的传递函数为其中D(u，v)代表从点(u，v)到频率平面原点的距离；D0为截止频率距原点的距离。
再运用拉普拉斯算法对滤波后的板材图像进行图像锐化微分运算，来对图像模糊进行校正，从而增强图像的边界，然后再与原图像相加，就可得到目标图像f(x，y)：
其中，它为拉普拉斯算子，kτ为扩散相应系数。
对图像增强后的板材图像根据如下公式进行数学形态学变换，以获取板材拓扑和结构信息，通过寻找图像中的明显的极大值区域或极小值区域来连接图像中相邻的元素，从而将独立的板材图像元素从背景图像中分割出来：
其中X为被处理的图像f(x，y)，S为结构元素，表示腐蚀运算，表示膨胀运算。将图像先腐蚀运算然后再膨胀运算的操作称为开运算，将图像先膨胀运算然后再腐蚀运算的操作称为闭运算，对图像先进行开运算再进行闭运算，往往能够使像素值变换大的区域更趋于平滑，且将独立的轧件元素相互连通并从背景元素中分离出来，同时消除背景区域中散布的细小噪声物体，从而提高轧件与周围背景的灰度对比度，提高差值图像的信噪比，方便后面的阈值分割。
本实施例中，对图像进行7次开运算，即对锐化后的板材图像在接连7次腐蚀运算迭代之后，再加上相同次数的膨胀运算。
统计经过数学形态学变换后的图像中各灰度值出现的次数，获取图像的灰度直方图，并根据灰度直方图对图像进行阈值分割，将板材从复杂的环境背景中分辨并将其形状完整的提取出来，得到分割后的图像m(x，y)：
其中，m(x，y)为分割后的图像，T为通过灰度直方图确定的分割阈值；
在本实施例中，通过计算图像的灰度直方图，可以分析出图像中的大部分灰度集中在0-200灰度级之间，200-255之间的灰度相对要少一些，而目标板材处于高温状态，灰度值较高，处于200-255灰度级之间，因此选择阈值为200对图像进行阈值二值化处理。
步骤3：对阈值分割后的板材图像使用Canny边缘检测算子提取板材边缘轮廓，获得轮廓点的像素坐标；引入改进的Zernike正交矩的亚像素边缘检测算法得到板材边缘的亚像素级坐标并进行拟合，计算得到镰刀弯弯曲曲率。
对阈值分割后的板材图像使用Canny边缘检测算子提取板材边缘轮廓，记录轮廓点的像素坐标，并采用3σ-准则将误差超过3σ-的异常数据点剔除掉得到板材边缘像素级坐标(u，v)，在本实施例中，采用上下限阈值分别为200和600的Canny算子对二值化的板材图像进行边缘检测。
引入改进的Zernike正交矩的亚像素边缘检测算法，在算法中首先对边缘建立如下二维归一化理想阶跃灰度模型，其模型如图4所示：
其中l为边缘到原点的距离，φ为边缘与y轴的夹角，h为背景灰度，k为边缘强度；
图像f(x，y)的n阶m次Zernike正交矩为：
其中m、n属于整数并满足条件：n≥0，n-|m|为偶数且|m|≤n，ρ是单位采样圆的原点到点(x，y)的矢量长度，θ是矢量ρ与x轴的夹角，*表示卷积，表示与Vnm(ρ，θ)共轭，Vnm(ρ，θ)＝Rnm(ρ)ejmθ是正交积分内核函数，j为虚数单位，Rnm(ρ)表示点(x，y)的径向多项式：
本实施例中，利用公式(8)建立7×7Zernike模板Znm，并计算出Z00，Z11，Z20，Z31，Z40的7×7模板系数，将模板在阈值二值化图像上移动，使模板与上述Canny边缘检测得到的初始像素级边缘坐标(u，v)作为中心相对应的像素进行卷积运算得到相应的五个不同阶次的Zernike正交矩，然后把理想阶跃灰度模型的4个参数映射到五个Zernike正交矩中，然后再通过这五个Zernike正交矩计算出边缘所在直线的参数，从而确定板材边缘的亚像素级坐标：
计算板材两侧边边缘的中点亚像素坐标，并根据公式(2)、(3)计算板材中点的亚像素坐标(xnew，ynew)对应的世界坐标系中辊道平面上的坐标(x′new，y′new)，获得板材中线的实际坐标，然后采用最小二乘法优化算法对中点进行圆拟合。采用Levenberg-Marquardt的非线性优化方法进行非线性递归搜索，使得取得最小值，得到圆的中心坐标以及半径R，从而得到板材镰刀弯的平均曲率K＝1/R，其中(xc，yc)代表拟合圆的中心坐标，(xi，yi)代表板材中线的实际坐标。在本实施例中，板材两侧边边缘的部分亚像素级坐标值如表1所示，将得到的板材边缘的中点的亚像素坐标代入公式拟合得到板材的侧弯平均弯曲曲率2.1322×10-4mm-1，其中圆拟合的拟合度R2为0.806745，拟合示意图如图5所示。
表1
将检测出来的板材边缘轮廓、板材边缘的坐标数据、中线拟合图以及计算出来的镰刀弯的平均曲率通过数据线显示到用户计算机上。
在本实施例中，测量结果与实际手动测量结果误差较小，说明本发明所述装置与方法精度较高。且上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。
本发明所述测量方法不需要考虑板材厚度对测量结果的干扰，不需统计影响镰刀弯的复杂因素，且图像处理算法计算量小、检测精度高，抗噪性能强，满足了板材镰刀弯的实时非接触式检测的需求。

Claims (10)

1.一种基于机器视觉的板材镰刀弯检测方法，其特征在于，所述方法包括如下步骤：
步骤1，通过安装在辊道一侧靠近轧机入口的热金属探测仪检测板材信号，触发安装在轧机前、后的推床外的辊道的正上方的面阵CCD摄像机，拍摄获得板材图像，并通过摄像机标定对板材图像进行畸变矫正；
步骤2，对矫正后的板材图像进行高斯低通频域滤波，去除图像中存在的大量的噪声信号；运用拉普拉斯算法对滤波后的板材图像进行图像锐化微分运算，来对图像模糊进行校正，并增强图像的边界；对图像增强后的板材图像进行数学形态学变换，将独立的板材图像元素从背景图像中分割出来；统计经过数学形态学变换后的图像中各灰度值出现的次数，获取图像的灰度直方图，并根据灰度直方图对图像进行阈值二值化分割，将板材从复杂的环境背景中分辨并将其形状完整的提取出来；
步骤3，对阈值分割后的板材图像使用Canny边缘检测算子提取板材边缘轮廓，获得轮廓点的像素坐标；引入改进的Zernike正交矩的亚像素边缘检测算法得到板材边缘的亚像素级坐标并进行拟合，计算得到镰刀弯弯曲曲率。
2.如权利要求1所述的基于机器视觉的板材镰刀弯检测方法，其特征在于，所述步骤1进一步包括：所述通过摄像机标定对板材图像进行畸变矫正，其具体过程如下：
建立针孔摄像机模型，Ow-xwywzw为世界坐标系，它是客观世界的绝对坐标，由用户任意定义的三维空间坐标系；Oc-xcyczc为摄像机坐标系，其以小孔摄像机模型的聚焦中心为原点，以摄像机光轴为zc轴，xc，yc与图像物理坐标系O1-xy的x，y轴平行，且采取前投影模型；图像坐标系建立在摄像机坐标系中zc＝f平面内，图像坐标系是平面直角坐标系，分为图像像素坐标系和图像物理坐标系两种，O1-xy为图像物理坐标系，它是以光轴与像平面的交点(主点)为原点，以毫米为单位的直角坐标系，其x，y轴分别与图像像素坐标系的u，v轴平行；O0-uv为图像像素坐标系，它是以图像左上角为原点，以像素为坐标单位的直角坐标系，u，v分别表示像素在数字图像中的列数与行数；则世界坐标系内点(xw，yw，zw)与其投影形成的像点的图像像素坐标系内点(u，v)之间的变换为：
其中为摄像机的内参数矩阵，其中α、β为图像在u，v轴的焦距，即透镜的物理焦距长度与成像仪每个单元尺寸的乘积，c为描述u，v轴倾斜角的参数，u0，v0为图像坐标系坐标主点；为摄像机的旋转矩阵，为摄像机的平移矩阵；d为任意的尺度因子，用于方便计算，不改变坐标值；
由于标定板是平面，所以把世界坐标系构造在Z＝0的平面上，将上式转换为：
其中为单应性矩阵，描述的是空间中平面三维点和相机平面二维点之间的关系，空间中平面三维点可以通过尺寸已知的棋盘格标定板获取，相机平面中二维点通过图像处理寻找角点的方式获取，即每张棋盘格标定板图片都可以计算出来一个对应的H矩阵，从不同角度拍摄棋盘标定模板的b(b＞3)幅图像，然后进行单应性计算，对摄像机进行标定，求出内参矩阵和外参矩阵，进而得出相机坐标和图像坐标的投射矩阵，从而根据摄像机标定结果将空间中板材上的某一点映射到板材图像上的某一点上；
但由于畸变而在板材图像上得到的感知点的位置是不真实的，因此引入透镜畸变，畸变后的规范化坐标值表示为Pd(xd，yd)，通过下面变换得到没有畸变的板材图像矫正结果：
其中r2＝x2+y2，k1、k2为径向畸变系数；k3、k4为切向畸变系数。
3.如权利要求2所述的基于机器视觉的板材镰刀弯检测方法，其特征在于，所述步骤1进一步包括：将棋盘格标定板固定在辊道表面板材位置处，通过安装在轧机前后辊道正上方的面阵CCD摄像机从不同角度拍摄多张不同位姿的棋盘格标定图片，采用嵌入式图像处理软件基于Windows操作系统下的Visual studio 2015工作平台下的OpenCv图像处理函数库对棋盘格图像进行角点检测，并利用张正友标定法和Brown法进行摄像机标定；且当面阵CCD摄像机位置或者视野经过调整时，需要重新进行摄像机的标定，并计算相关摄像机的参数。
4.如权利要求1所述的基于机器视觉的板材镰刀弯检测方法，其特征在于，所述步骤2进一步包括：根据如下方法对矫正后的板材图像进行高斯低通频域滤波：先对原始图像f(xd，yd)进行傅里叶变换得到F(u，v)，然后将F(u，v)与传递函数H(u，v)做乘积运算得到G(u，v)，最后对G(u，v)作反傅里叶变换，得到滤波后的图像g(x，y)；
其中高斯低通滤波器的传递函数为其中D(u，v)代表从点(u，v)到频率平面原点的距离；D0为截止频率距原点的距离。
5.如权利要求1所述的基于机器视觉的板材镰刀弯检测方法，其特征在于，所述步骤2进一步包括：根据如下公式进行图像锐化微分运算，得到模糊校正后的目标图像f(x，y)：
其中，它为拉普拉斯算子，kτ为扩散相应系数。
6.如权利要求1所述的基于机器视觉的板材镰刀弯检测方法，其特征在于，所述步骤2进一步包括：根据如下公式进行板材图像的数学形态学变换：
其中X为被处理的图像f(x，y)，S为结构元素，表示腐蚀运算，表示膨胀运算。
7.如权利要求1所述的基于机器视觉的板材镰刀弯检测方法，其特征在于，所述步骤2进一步包括：根据如下公式对板材图像进行阈值化分割：
其中，m(x，y)为分割后的图像，T为通过灰度直方图确定的分割阈值。
8.如权利要求1所述的基于机器视觉的板材镰刀弯检测方法，其特征在于，所述步骤3进一步包括：采用3σ准则将Canny边缘检测得到的轮廓点的像素坐标将误差超过3σ的异常数据点剔除掉。
9.如权利要求1所述的基于机器视觉的板材镰刀弯检测方法，其特征在于，所述步骤3进一步包括：所述利用改进的Zernike正交矩的亚像素边缘检测算法确定边缘亚像素坐标，其具体过程如下：
首先对边缘建立二维归一化理想阶跃灰度模型：
其中l为边缘到原点的距离，φ为边缘与y轴的夹角，h为背景灰度，k为边缘强度；
图像f(x，y)的n阶m次Zernike正交矩为：
其中m、n属于整数并满足条件：n≥0，n-|m|为偶数且|m|≤n，ρ是单位采样圆的原点到点(x，y)的矢量长度，θ是矢量ρ与x轴的夹角，*表示卷积，表示与Vnm(ρ，θ)共轭，Vnm(ρ，θ)＝Rnm(ρ)ejmθ是正交积分内核函数，j为虚数单位，Rnm(ρ)表示点(x，y)的径向多项式：
利用公式(8)求出不同阶次的7×7Zernike模板Znm，将模板在阈值二值化图像上移动，使模板与Canny边缘检测得到的初始像素级边缘坐标(u，v)作为中心相对应的像素进行卷积运算得到相应的五个不同阶次的Zernike正交矩，然后把理想阶跃灰度模型的4个参数映射到五个Zernike正交矩中，然后再通过这五个Zernike正交矩计算出边缘所在直线的参数，从而得到板材边缘的亚像素级坐标(xnew，ynew)：
10.如权利要求1所述的基于机器视觉的板材镰刀弯检测方法，其特征在于，所述步骤3进一步包括：计算板材两侧边边缘的中点亚像素坐标，并根据公式(2)、(3)计算板材中点的亚像素坐标(xnew，ynew)对应的世界坐标系中辊道平面上的坐标(x′new，y′new)，获得板材中线的实际坐标，然后采用最小二乘法优化算法对中点进行圆拟合，采用Levenberg-Marquardt的非线性优化方法进行非线性递归搜索，使得取得最小值，得到圆的中心坐标以及半径R，从而得到板材镰刀弯的平均曲率K＝1/R，其中(xc，yc)代表拟合圆的中心坐标，(xi，yi)代表板材中线的实际坐标。
CN201810929853.1A 2018-08-15 2018-08-15 一种基于机器视觉的板材镰刀弯检测方法 Pending CN109190628A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810929853.1A CN109190628A (zh) 2018-08-15 2018-08-15 一种基于机器视觉的板材镰刀弯检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810929853.1A CN109190628A (zh) 2018-08-15 2018-08-15 一种基于机器视觉的板材镰刀弯检测方法

Publications (1)

Publication Number Publication Date
CN109190628A true CN109190628A (zh) 2019-01-11

Family

ID=64917991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810929853.1A Pending CN109190628A (zh) 2018-08-15 2018-08-15 一种基于机器视觉的板材镰刀弯检测方法

Country Status (1)

Country Link
CN (1) CN109190628A (zh)

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978940A (zh) * 2019-03-28 2019-07-05 福州大学 一种sab安全气囊尺寸视觉测量方法
CN110345921A (zh) * 2019-06-12 2019-10-18 中国农业大学 立体视场视觉测量及垂轴像差和轴向像差校正方法及系统
CN110449658A (zh) * 2019-08-09 2019-11-15 广东三维家信息科技有限公司 板材开料方法及装置
CN111445494A (zh) * 2020-04-02 2020-07-24 西北工业大学 一种入水空泡轮廓提取的图像处理方法
CN111476792A (zh) * 2020-05-27 2020-07-31 东北大学 一种板带钢图像轮廓的提取方法
CN111521129A (zh) * 2020-04-20 2020-08-11 北京科技大学 基于机器视觉的板坯翘曲检测装置及方法
CN111583327A (zh) * 2020-04-27 2020-08-25 深圳市鑫三力自动化设备有限公司 一种适用于面板折弯曲应力评估的方法
CN111681222A (zh) * 2020-04-16 2020-09-18 江苏京创先进电子科技有限公司 一种刀痕崩边自动检测判断方法及其应用的划片机
CN111862037A (zh) * 2020-07-17 2020-10-30 华中科技大学无锡研究院 基于机器视觉的精密孔类零件几何特征检测方法及系统
CN111861891A (zh) * 2020-07-13 2020-10-30 一汽奔腾轿车有限公司 基于棋盘格标定以实现全景影像系统画面拼接显示的方法
CN111914856A (zh) * 2020-08-11 2020-11-10 上海柏楚电子科技股份有限公司 板材余料的排样方法、装置、系统、电子设备及存储介质
CN112296999A (zh) * 2019-11-12 2021-02-02 太原科技大学 一种基于机器视觉的不规则工件加工路径生成方法
CN112484643A (zh) * 2019-09-12 2021-03-12 Scm集团公司 用于封边机的控制系统
CN112504342A (zh) * 2020-12-04 2021-03-16 长沙金威汽车电器有限公司 车用支座加工检测方法
CN112837257A (zh) * 2019-11-06 2021-05-25 广州达普绅智能设备有限公司 一种基于机器视觉的曲面标签拼接检测方法
CN112991316A (zh) * 2021-03-30 2021-06-18 中国空气动力研究与发展中心超高速空气动力研究所 一种模型边缘烧蚀量动态测量技术
CN113112470A (zh) * 2021-04-08 2021-07-13 西安道法数器信息科技有限公司 一种基于人工智能的冷轧过程钢材弯曲检测分析方法
CN113204029A (zh) * 2021-04-19 2021-08-03 北京科技大学 一种热轧板坯翘曲检测装置及方法
CN113458156A (zh) * 2020-03-31 2021-10-01 宝山钢铁股份有限公司 热轧精轧带钢位置的在线监测装置的标定方法
CN113592955A (zh) * 2021-07-27 2021-11-02 中国科学院西安光学精密机械研究所 一种基于机器视觉的圆形工件平面坐标高精度定位方法
CN113639657A (zh) * 2021-08-04 2021-11-12 中冶京诚工程技术有限公司 方坯弯曲检测方法及装置、棒线材原料坯弯曲检测系统
CN113794862A (zh) * 2021-09-13 2021-12-14 无锡联友塑业有限公司 应用视觉监控的水量修正平台
CN113888558A (zh) * 2021-09-26 2022-01-04 武汉钢铁有限公司 钢包渣面图像校正方法
CN114324363A (zh) * 2021-12-31 2022-04-12 苏州艾方芯动自动化设备有限公司 产品状态检测方法及系统
CN114719749A (zh) * 2022-04-06 2022-07-08 重庆大学 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统
CN114963981A (zh) * 2022-05-16 2022-08-30 南京航空航天大学 一种基于单目视觉的筒状零件对接非接触式测量方法
CN116309606A (zh) * 2023-05-25 2023-06-23 山东珞珈计量检测有限公司 一种基于机器视觉的钢筋弯曲角度校准方法及系统
CN116429170A (zh) * 2023-03-18 2023-07-14 宝钢工程技术集团有限公司 一种板坯质量检测方法
CN117635615A (zh) * 2024-01-26 2024-03-01 深圳市常丰激光刀模有限公司 基于深度学习实现冲孔模具的缺陷检测方法及系统
CN117911419A (zh) * 2024-03-20 2024-04-19 东北大学 中厚板转钢角度增强检测方法及装置、介质、设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1885317A (zh) * 2006-07-06 2006-12-27 上海交通大学 基于形态学和信息熵的自适应边缘检测方法
WO2012171627A1 (en) * 2011-06-14 2012-12-20 Tata Steel Nederland Technology B.V. Method and device of determining a tracking characteristic and/or strip width of a moving strip
CN103942796A (zh) * 2014-04-23 2014-07-23 清华大学 一种高精度的投影仪-摄像机标定系统及标定方法
CN105327950A (zh) * 2015-11-09 2016-02-17 北京科技大学 考虑厚度变化的热轧中间坯镰刀弯检测装置及检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1885317A (zh) * 2006-07-06 2006-12-27 上海交通大学 基于形态学和信息熵的自适应边缘检测方法
WO2012171627A1 (en) * 2011-06-14 2012-12-20 Tata Steel Nederland Technology B.V. Method and device of determining a tracking characteristic and/or strip width of a moving strip
CN103942796A (zh) * 2014-04-23 2014-07-23 清华大学 一种高精度的投影仪-摄像机标定系统及标定方法
CN105327950A (zh) * 2015-11-09 2016-02-17 北京科技大学 考虑厚度变化的热轧中间坯镰刀弯检测装置及检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
吴伟霖: "基于SLIC超像素方法的细胞多光子显微图像分割研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
徐东 等: "基于机器视觉的热轧中间坯镰刀弯在线检测系统", 《中南大学学报(自然科学版)》 *
田勇: "中厚板轧制轧件头部弯曲及其控制的研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *
祝宏 等: "Zernike矩和最小二乘椭圆拟合的亚像素边缘提取", 《计算机工程与应用》 *

Cited By (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978940A (zh) * 2019-03-28 2019-07-05 福州大学 一种sab安全气囊尺寸视觉测量方法
CN109978940B (zh) * 2019-03-28 2023-04-07 福州大学 一种sab安全气囊尺寸视觉测量方法
CN110345921A (zh) * 2019-06-12 2019-10-18 中国农业大学 立体视场视觉测量及垂轴像差和轴向像差校正方法及系统
CN110449658A (zh) * 2019-08-09 2019-11-15 广东三维家信息科技有限公司 板材开料方法及装置
CN110449658B (zh) * 2019-08-09 2020-12-22 广东三维家信息科技有限公司 板材开料方法及装置
CN112484643A (zh) * 2019-09-12 2021-03-12 Scm集团公司 用于封边机的控制系统
CN112837257B (zh) * 2019-11-06 2023-04-07 广州达普绅智能设备有限公司 一种基于机器视觉的曲面标签拼接检测方法
CN112837257A (zh) * 2019-11-06 2021-05-25 广州达普绅智能设备有限公司 一种基于机器视觉的曲面标签拼接检测方法
CN112296999B (zh) * 2019-11-12 2022-07-08 太原科技大学 一种基于机器视觉的不规则工件加工路径生成方法
CN112296999A (zh) * 2019-11-12 2021-02-02 太原科技大学 一种基于机器视觉的不规则工件加工路径生成方法
CN113458156A (zh) * 2020-03-31 2021-10-01 宝山钢铁股份有限公司 热轧精轧带钢位置的在线监测装置的标定方法
CN111445494A (zh) * 2020-04-02 2020-07-24 西北工业大学 一种入水空泡轮廓提取的图像处理方法
CN111681222A (zh) * 2020-04-16 2020-09-18 江苏京创先进电子科技有限公司 一种刀痕崩边自动检测判断方法及其应用的划片机
CN111681222B (zh) * 2020-04-16 2023-11-14 江苏京创先进电子科技有限公司 一种刀痕崩边自动检测判断方法及其应用的划片机
CN111521129A (zh) * 2020-04-20 2020-08-11 北京科技大学 基于机器视觉的板坯翘曲检测装置及方法
CN111583327A (zh) * 2020-04-27 2020-08-25 深圳市鑫三力自动化设备有限公司 一种适用于面板折弯曲应力评估的方法
CN111583327B (zh) * 2020-04-27 2023-04-11 深圳市鑫三力自动化设备有限公司 一种适用于面板折弯曲应力评估的方法
CN111476792B (zh) * 2020-05-27 2023-05-23 东北大学 一种板带钢图像轮廓的提取方法
CN111476792A (zh) * 2020-05-27 2020-07-31 东北大学 一种板带钢图像轮廓的提取方法
CN111861891A (zh) * 2020-07-13 2020-10-30 一汽奔腾轿车有限公司 基于棋盘格标定以实现全景影像系统画面拼接显示的方法
CN111862037A (zh) * 2020-07-17 2020-10-30 华中科技大学无锡研究院 基于机器视觉的精密孔类零件几何特征检测方法及系统
CN111914856B (zh) * 2020-08-11 2023-05-05 上海柏楚电子科技股份有限公司 板材余料的排样方法、装置、系统、电子设备及存储介质
CN111914856A (zh) * 2020-08-11 2020-11-10 上海柏楚电子科技股份有限公司 板材余料的排样方法、装置、系统、电子设备及存储介质
CN112504342A (zh) * 2020-12-04 2021-03-16 长沙金威汽车电器有限公司 车用支座加工检测方法
CN112991316A (zh) * 2021-03-30 2021-06-18 中国空气动力研究与发展中心超高速空气动力研究所 一种模型边缘烧蚀量动态测量技术
CN113112470B (zh) * 2021-04-08 2023-12-15 揭阳市柏亿不锈钢有限公司 一种基于人工智能的冷轧过程钢材弯曲检测分析方法
CN113112470A (zh) * 2021-04-08 2021-07-13 西安道法数器信息科技有限公司 一种基于人工智能的冷轧过程钢材弯曲检测分析方法
CN113204029A (zh) * 2021-04-19 2021-08-03 北京科技大学 一种热轧板坯翘曲检测装置及方法
CN113592955B (zh) * 2021-07-27 2024-04-09 中国科学院西安光学精密机械研究所 一种基于机器视觉的圆形工件平面坐标高精度定位方法
CN113592955A (zh) * 2021-07-27 2021-11-02 中国科学院西安光学精密机械研究所 一种基于机器视觉的圆形工件平面坐标高精度定位方法
CN113639657B (zh) * 2021-08-04 2024-02-27 中冶京诚工程技术有限公司 方坯弯曲检测方法及装置、棒线材原料坯弯曲检测系统
CN113639657A (zh) * 2021-08-04 2021-11-12 中冶京诚工程技术有限公司 方坯弯曲检测方法及装置、棒线材原料坯弯曲检测系统
CN113794862A (zh) * 2021-09-13 2021-12-14 无锡联友塑业有限公司 应用视觉监控的水量修正平台
CN113888558B (zh) * 2021-09-26 2024-05-28 武汉钢铁有限公司 钢包渣面图像校正方法
CN113888558A (zh) * 2021-09-26 2022-01-04 武汉钢铁有限公司 钢包渣面图像校正方法
CN114324363A (zh) * 2021-12-31 2022-04-12 苏州艾方芯动自动化设备有限公司 产品状态检测方法及系统
CN114324363B (zh) * 2021-12-31 2024-04-26 无锡艾方芯动自动化设备有限公司 产品状态检测方法及系统
CN114719749B (zh) * 2022-04-06 2023-07-14 重庆大学 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统
CN114719749A (zh) * 2022-04-06 2022-07-08 重庆大学 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统
CN114963981B (zh) * 2022-05-16 2023-08-15 南京航空航天大学 一种基于单目视觉的筒状零件对接非接触式测量方法
CN114963981A (zh) * 2022-05-16 2022-08-30 南京航空航天大学 一种基于单目视觉的筒状零件对接非接触式测量方法
CN116429170B (zh) * 2023-03-18 2024-02-20 宝钢工程技术集团有限公司 一种板坯质量检测方法
CN116429170A (zh) * 2023-03-18 2023-07-14 宝钢工程技术集团有限公司 一种板坯质量检测方法
CN116309606A (zh) * 2023-05-25 2023-06-23 山东珞珈计量检测有限公司 一种基于机器视觉的钢筋弯曲角度校准方法及系统
CN117635615A (zh) * 2024-01-26 2024-03-01 深圳市常丰激光刀模有限公司 基于深度学习实现冲孔模具的缺陷检测方法及系统
CN117635615B (zh) * 2024-01-26 2024-06-25 深圳市常丰激光刀模有限公司 基于深度学习实现冲孔模具的缺陷检测方法及系统
CN117911419A (zh) * 2024-03-20 2024-04-19 东北大学 中厚板转钢角度增强检测方法及装置、介质、设备

Similar Documents

Publication Publication Date Title
CN109190628A (zh) 一种基于机器视觉的板材镰刀弯检测方法
CN105894499B (zh) 一种基于双目视觉的空间物体三维信息快速检测方法
CN103053154B (zh) 立体相机的自动对焦
CN109410207B (zh) 一种基于ncc特征的无人机巡线图像输电线路检测方法
CN107993258B (zh) 一种图像配准方法及装置
CN107907048A (zh) 一种基于线结构光扫描的双目立体视觉三维测量方法
CN110889829B (zh) 一种基于鱼眼镜头的单目测距方法
WO2018018987A1 (zh) 一种适用于光场相机的标定预处理方法
Chaudhury et al. Auto-rectification of user photos
CN110189375B (zh) 一种基于单目视觉测量的图像目标识别方法
CN106570899B (zh) 一种目标物体检测方法及装置
CN103902953B (zh) 一种屏幕检测系统及方法
CN106845410B (zh) 一种基于深度学习模型的火焰识别方法
CN116228747A (zh) 一种金属柜加工质量监测方法
CN108510544B (zh) 一种基于特征聚类的光条定位方法
CN113139900B (zh) 一种棒材完整表面图像获取方法
CN110087049A (zh) 自动调焦系统、方法以及投影仪
CN107392849A (zh) 基于图像细分的靶标识别与定位方法
CN109815822A (zh) 基于广义Hough变换的巡检图零部件目标识别方法
CN110210292A (zh) 一种基于深度学习的目标识别方法
CN114331879A (zh) 一种均衡化二阶梯度直方图描述子的可见光与红外图像配准方法
CN108364318A (zh) 一种消除防护玻璃折射影响的平面尺寸单目测量方法
CN112470189B (zh) 光场系统的遮挡消除
CN115108466A (zh) 一种集装箱吊具智能定位的方法
CN113822927A (zh) 一种适用弱质量图像的人脸检测方法、装置、介质及设备

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: 20190111

RJ01 Rejection of invention patent application after publication