CN109241948A - 一种数控刀具视觉识别方法及装置 - Google Patents
一种数控刀具视觉识别方法及装置 Download PDFInfo
- Publication number
- CN109241948A CN109241948A CN201811217037.4A CN201811217037A CN109241948A CN 109241948 A CN109241948 A CN 109241948A CN 201811217037 A CN201811217037 A CN 201811217037A CN 109241948 A CN109241948 A CN 109241948A
- Authority
- CN
- China
- Prior art keywords
- identification feature
- cutter
- image information
- image
- model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- 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)
- Multimedia (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数控刀具视觉识别方法及装置,该方法包括:采集待确定刀具的模拟图像信息;对模拟图像信息转换为数字图像信息;提取数字图像信息中的第一识别特征;将第一识别征与预建立的数据库中存储的识别特征进行匹配;当确定第一识别特征与预建立的数据库中的第二识别特征相匹配时,确定待确定刀具的型号为与第二识别特征之间存在映射关系的刀具型号。通过该种方式,可以轻易的识别刀具的型号。不依赖于工作人员的专业知识或经验,也无需将旧刀具和新刀具一个一个的人工匹配确定其型号,免去等待时间,可以高效准确的确定待确定刀具的型号,大大提升工作效率和准确度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种数控刀具视觉识别方法及装置。
背景技术
数控刀具是机械制造中用于切削加工的工具,又称切削工具。数控刀具类出库后一般不会将其型号信息标识到刀具上。也即刀具出库后,就会失去型号信息。
而如果工作人员需要替换刀具或者选择不同信号的刀具执行工作时,就必须利用其自身所具有大量的专业知识或现场经验的情况来识别出刀具型号。
但是,实际工作中,往往是工作人员经验不足,或者自身所储备的专业知识不够,从而导致在领取刀具过程中出现刀具型号识别错误的情况发生。而如果工作人员为了保证刀具型号识别准确,拿着旧刀具和新刀具一一进行比对,必然需要花费大量时间,从而造成工作效率低,而且也不能完全的避免现刀具型号识别错误的情况发生。
发明内容
本发明实施例的目的在于提供一种数控刀具视觉识别方法,用以解决现有刀具出库后型号不易识别的问题。
为实现上述目的,本发明实施例提供一种数控刀具视觉识别方法,该方法包括:
采集待确定刀具的模拟图像信息;
对模拟图像信息转换为数字图像信息;
提取数字图像信息中的第一识别特征;
将第一识别特征与预建立的数据库中存储的识别特征进行匹配,预建立的数据库中存储的识别特征与刀具型号之间存在映射关系;
当确定第一识别特征与预建立的数据库中的第二识别特征相匹配时,确定待确定刀具的型号为与第二识别特征之间存在映射关系的刀具型号。
本发明实施例具有如下优点:通过采集待确定刀具的模拟图像信息,将模拟图像信息转换为数字图像信息后,提取数字图像信息中的第一识别特征。该第一识别特征是与待确定刀具相匹配的唯一识别特征。那么,将这个唯一识别特征与预建立的数据库中的识别特征相匹配,如果该第一识别特征与预建立的数据库中的第二识别特征相匹配,那么很明显,第二识别特征对应的刀具型号即为待确定刀具的型号。通过该种方式,可以轻易的识别刀具的型号。不依赖于工作人员的专业知识或经验,也无需将旧刀具和新刀具一个一个的人工匹配确定其型号,免去等待时间,可以高效准确的确定待确定刀具的型号,大大提升工作效率和准确度。
为实现上述目的,本发明实施例提供一种数控刀具视觉识别装置,该装置包括:
图像采集模块,用于采集待确定刀具的模拟图像信息;
图像处理模块,用于对模拟图像信息转换为数字图像信息;
提取数字图像信息中的第一识别特征;
将第一识别特征与预建立的数据库中存储的识别特征进行匹配,预建立的数据库中存储的识别特征与刀具型号之间存在映射关系;
当确定第一识别特征与预建立的数据库中的第二识别特征相匹配时,确定待确定刀具的型号为与第二识别特征之间存在映射关系的刀具型号。
本发明实施例具有如下优点:通过采集待确定刀具的模拟图像信息,将模拟图像信息转换为数字图像信息后,提取数字图像信息中的第一识别特征。该第一识别特征是与待确定刀具相匹配的唯一识别特征。那么,将这个唯一识别特征与预建立的数据库中的识别特征相匹配,如果该第一识别特征与预建立的数据库中的第二识别特征相匹配,那么很明显,第二识别特征对应的刀具型号即为待确定刀具的型号。通过该种方式,可以轻易的识别刀具的型号。不依赖于工作人员的专业知识或经验,也无需将旧刀具和新刀具一个一个的人工匹配确定其型号,免去等待时间,可以高效准确的确定待确定刀具的型号,大大提升工作效率和准确度。
为实现上述目的,本发明实施例提供一种数控刀具视觉识别系统,该系统包括:
图像采集装置和图像处理装置,图像采集装置和图像处理装置连接;图像采集装置包括:载物台、光源、电荷耦合器件图像传感器(Charge Coupled Device,简称CCD)和镜头;
载物台用于放置待确定刀具;
光源,用于照射待确定刀具;
镜头安装于CCD上,用于采集待确定刀具的实体聚焦图像;
CCD用于将实体聚焦图像转换为模拟图像信息,并传输至图像处理装置;
图像处理装置,用于将模拟图像信息转换为数字图像信息;
提取数字图像信息中的第一识别特征;
将第一识别特征与预建立的数据库中存储的识别特征进行匹配,预建立的数据库中存储的识别特征与刀具型号之间存在映射关系;
当确定第一识别特征与预建立的数据库中的第二识别特征相匹配时,确定待确定刀具的型号为与第二识别特征之间存在映射关系的刀具型号。
本发明实施例具有如下优点:通过采集待确定刀具的模拟图像信息,将模拟图像信息转换为数字图像信息后,提取数字图像信息中的第一识别特征。该第一识别特征是与待确定刀具相匹配的唯一识别特征。那么,将这个唯一识别特征与预建立的数据库中的识别特征相匹配,如果该第一识别特征与预建立的数据库中的第二识别特征相匹配,那么很明显,第二识别特征对应的刀具型号即为待确定刀具的型号。通过该种方式,可以轻易的识别刀具的型号。不依赖于工作人员的专业知识或经验,也无需将旧刀具和新刀具一个一个的人工匹配确定其型号,免去等待时间,可以高效准确的确定待确定刀具的型号,大大提升工作效率和准确度。
为实现上述目的,本发明实施例提供一种计算机存储介质,该计算机存储介质存储有计算机程序指令,所述计算机程序指令用于执行如上所述的数控刀具视觉识别方法。
附图说明
图1为本发明实施例1提供的一种数控刀具视觉识别方法流程示意图;
图2为本发明实施例2提供的一种数控刀具视觉识别装置结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、右”、“中间”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
实施例1
本发明实施例1提供了一种数控刀具视觉识别方法,具体如图1所示,图1为本发明实施例提供的一种数控刀具视觉识别方法流程示意图。在介绍该方法之前,事先说明一下该方法所对应的一种数控刀具视觉识别系统。
该方法所对应的数控刀具视觉识别系统可以包括如下器件:图像采集装置和图像处理装置。其中,图像采集装置和图像处理装置连接,图像采集装置中可以包括:载物台、光源、CCD和镜头等。可选的,还可以包括支架,用于对CCD进行固定。
其中,载物台用于放置待确定刀具,光源位于载物台上方,用于照射待确定刀具。镜头安装于CCD上,用于采集待确定刀具的实体聚焦图像,而CCD用于将实体聚焦图像转换为模拟图像信息,并传输至图像处理装置。图像处理装置,用于将模拟图像信息转换为数字图像信息,提取数字图像信息中的第一识别特征,将第一识别特征与预建立的数据库中存储的识别特征进行匹配,预建立的数据库中存储的识别特征与刀具型号之间存在映射关系。当确定第一识别特征与预建立的数据库中的第二识别特征相匹配时,确定待确定刀具的型号为与第二识别特征之间存在映射关系的刀具型号。
在本实施例中,为了使刀具型号识别更加精准,可以事先对数控刀具视觉识别中的各元器件进行选择。
例如,CCD的选择:
CCD是一类近来兴起的固体成像仪器,是如今机器视觉方法中经常使用的视觉传感器,亦称作电荷耦合器件图形传导仪。它主要以大型硅集成电路技术为依托而开发出的模拟集成电子芯片,它能够把光信息改变成电荷信息。CCD传感器具有分辨率高、检测灵敏度高、低噪声、低功耗和高可靠性等很多优点,尤其在对噪声的控制能力方面也具有很强的优势。CCD的像元尺寸小,几何准确性好,具有很好的空间分辨能力,在对产品进行非接触的实时规格测定中得到了广泛的应用。而且CCD的输出信号易于数字化处理,更容易与计算机连接,从而组成实时的自动化测量装置。
本实施例所选择的是海康威视生产的普通彩色数字型摄像机。它的主要性能指标包括:频率:15.625KHz(水平)×50Hz(竖直);分辨率:480TV行;总像素单元数:3840(水平)×2560(竖直);信噪比:50dB以上;工作湿度:在90%RH范围内;工作温度:-10℃~50℃。
镜头的选择:
镜头是机器视觉方法中用到的一个十分重要的设备,在该方法中,镜头的任务一般是把成像的实体聚焦在图形传导仪的光敏侧,必须有镜头的存在,CCD才可以产生准确的图形。镜头的优劣,与机器视觉方法的测定效果息息相关,因此必须慎重选取适当的镜头,这是该测定方式的过程中很关键的环节。
选取镜头的基本原则是镜头的端口要与采用的CCD的镜头端口合适,此外,还要顾及待测定产品的规格等因素,使镜头和CCD的联接端口型号一样,这样才可以正常成像。
本实施例中用到的是Moritex的镜头。这种镜头具有很好的分辨能力,非常适合对精准度要求比较高的规格测定。
光源的选择:
光源在以机器视觉为依托的规格测定方法中是不可或缺的一个部件,照明的好坏密切地关系到所传递讯息的质量,还会决定图形的处理成效和规格测定的可信度的高低。光源一般包括可见和不可见2种类型,前一种类型主要包括日光灯、白炽灯、纳灯、LED等,它们的优点是比较便宜,成本低,在市场上不难买到,使用也很方便,但它们所发射的光能量不够恒定。后一种类型主要有X光、超声波等,它们在测定工作中可以达到很好的准确性,然而实际操作应用起来不是很方便,此外,其价格偏贵,会提高投资成本,所以在进行产品规格测定的过程中,大部分公司还是比较趋向于将前者作为选择的对象。此外,如今的销售市场还不存在统一的用于规格测定的照明装置,因此在不同的应用环境下,都必须根据特定的要求,认真挑选合适的照明装置,以达到最佳的测量效果。需要注意的是,LED产品具有速度快、节省空间、不易产热、高度节能、质量好等多项优点,还能够根据特定的测定要求,进行相应的操作变化使得光源呈现出各种各样的形态。正是因为LED产品具备以上的种种特色,才使它在以机器视觉为依托的非接触规格测定方法中成为大多数人首选的对象。本实例中,从多次产品规格测定的实践中认真总结经验,采用最终环形的LED光源充当照明。
照明根据不同的应用方法主要包括:前向照射、背向照射、扩散光照射以及轴线光照射。第一种类型中照明设备与摄像设备都安置在待测产品的同一面,实际操作起来比较容易。第二种类型中照明设备与摄像设备分别安置在待测产品的两侧,这种方法得到的图形会呈现出很好的对比度。第三种类型中是利用特定的光导向仪将照明装置发出的光进行重复反射从而产生了扩散光,该仪器能够自由切换为各种各样的几何图形来满足具体测定方式的要求,通过这种方式得到的图形会有特别好的均匀性。第四种类型中能够产生比较亮的光,在测定反射性很强的产品上的划痕时具有较大的优势。
第二种照明类型的特别之处是得到的图形会呈现出很好的对比度。对比度的高低直接关系到图形边缘提取的准确性。背向照明需要将照明设备放置在需要测定产品的背面。这种照明方式在机器视觉尺寸测量装置中具有很好的应用,它能够突出待检测物体的轮廓而不造成虚影。被测产品所掩盖部分的成像为黑色,没有被遮住部分的成像为白色,这样就形成高对比度的图像。综合考虑之后,本实施例采用了背向照明为主、正向照明为辅的方法。
支架的选择:
支架主要是起到一个固定的作用,确保CCD的空间位置不发生任何的变动。此外还需要注意的是,应尽可能的确保待测产品与镜头在同一水平线。
而图像处理装置,则可以理解为具有处理功能和显示功能的终端设备,例如PC机或者ipaid等等。
介绍完上述系统架构后,再详细说明本实施例所采用的方法步骤,具体包括:
步骤110,采集待确定刀具的模拟图像信息。
步骤120,对模拟图像信息转换为数字图像信息。
具体的,将待确定刀具放在载物台上,利用光源照射后,然后利用CCD采集待确定刀具的模拟图像信息。图像处理装置则将模拟图像信息转换为数字图像信息。
步骤130,提取数字图像信息中的第一识别特征。
步骤140,将第一识别特征与预建立的数据库中存储的识别特征进行匹配,预建立的数据库中存储的识别特征与刀具型号之间存在映射关系。
步骤150,当确定第一识别特征与预建立的数据库中的第二识别特征相匹配时,确定待确定刀具的型号为与第二识别特征之间存在映射关系的刀具型号。
具体的,图像处理装置可以提取数字图像信息中的第一识别特征,然后将该第一识别特征和预建立的数据库中存储的识别特征相匹配。而预建立的数据库中存储的识别特征和刀具型号之间存在映射关系。
可选的,所提取的第一识别特征包括如下中的一种或多种:刀片形状、刀片后角、紧固方式、切削长度、刀片厚度、R角、断屑槽形状或者涂层颜色。其提取特征可以按ISO13399标准提取。如果这些特征都被提取,那么则可以通过这8个唯一特征做精确三维识别。
进一步可选的,提取数字图像信息中的第一识别特征之前,方法还包括:对数字图像信息进行处理。
其对数字图像信息进行处理,包括如下中的一项或多项:
对所数字图像信息进行灰度转换、图像去噪、图像二值化或图像边缘检测。
对图像处理主要是为了得到更高质量的图像信息,保障了图像的真实性,方便电脑进行全面的计算和总结,方便后续对特征进行更精确的提取和特征匹配等过程。
其中,图像的灰度变换:灰度的变换是把初始图形里的各个像素的灰度值,依据特定的转换原理,例如对数变换,伽马变换等,将其变为不同的灰度值传送。灰度的变换就是三维背景中的图形显化处理,就是把三维背景中最初的图形灰度值f(x,y),依据特定的转换原理,形成不同的但一一对应的图形灰度值g(x,y),从而实现显化图形的效果。
图像的噪声处理:在进行图形的收集、转化、输送和保存的进程中,图形的噪音可以说无处不在,产品的图形经常会因为噪音的存在而使得其丧失质量保障,导致产品测定的准确度降低,测定工作举步维艰。为了确保以机器视觉为依据的测定方法的可信度,就应该严格的抵制噪音的影响。
噪音产生的源头主要有2个,分别是外界的图形噪音和内部的图形噪音。前者主要是因为外界不安定因素的综合影响而导致的图形噪音,这一类噪音的出现没有任何的征兆,通常很难防范。在本实施例中,发现测定工作中出现的图形噪音大多是系统内部图形噪音,产生的原因主要包括:CCD的像素分辨率导致的噪音;组成部件自身质地所导致的噪音;规格测定系统配备的光源所导致的噪音;系统内部的电路导致的噪音。
在数字图像中常见的噪声有:椒盐噪音、脉冲噪音以及高斯噪音等。第一种噪音指的是偶然产生的黑白亮度值,是实际操作中最常遇到的一类噪音;第二种噪音指的是仅包括偶然产生的白亮度值或是黑亮度值;第三种噪音指的是产生的亮度符合高斯分布或者是正态分布的噪音。因此,需要要把得到的产品图形充分地滤波去噪,尽量消除噪音的影响,以保持初始图形的特征性信息,从而可准确的提取产品图像的边缘。所谓图像的滤波,就是对图像进行平滑处理,是降低和削减噪音的主流手段。以机器视觉为依据的规格测定方法中提取产品图像的过程中,会或多或少地受到噪音的影响,进而使图形的质量失去了真实性,这样会导致测量系统的图像预处理和边缘检测等过程变得很复杂甚至无法测量,所以要对采集到的灰度图像进行滤波,以此最大程度的恢复初始图像。对于不同类型的噪声可以有不同的滤波算法,对于某一种特定的噪声,应该选择最合适的滤波算法来去除噪声。
图像的二值化:在图像分析中,有时需要将所关心的目标从图像中提取出来,这种从图像中将某个特定区域与其他部分进行分离并提取出来的处理过程就是图像分割,又被称为图像的二值化。其目的是采用合适的图像分割技术将待测零件图像中的目标或感兴趣的区域完整地提取出来。图像的二值化是图像预处理的基本技术,它的原理是通过选择合理的阈值,扫描整个图像的所有像素,将像素的灰度值与该阈值作比较,像素灰度大于阈值的,则该像素标记为1(或0),否则标记为0(或1),扫描完整个图像后,就得到了一幅仅含有0和1两种值的图像,这就是二值图像。即图像二值化的实质是将原本具有多个灰度等级的图像转换成仍然能够反映出图像的整体与局部特征的黑白二值图像,实际上就是区分图像中的“前景目标”和“背景”。因此图像二值化的关键在于找到合适的阈值,但不同的阈值设定方法对同一幅图像进行处理会产生不同的效果。
图像的边缘检测:图像的边缘所包含的图像信息是十分丰富的,是图像的基本特征之一。边缘检测技术是数字图像处理中的研究重点,它是机器视觉测量装置的重要环节,其边缘检测的精确程度直接影响机器视觉测量装置的精度。图像的边缘是图像局部灰度变化最为显著的部分,其主要存在于目标与背景、区域与区域、目标与目标之间。由于边缘是图像中所要提取的背景和目标的分界线,所以只有提取出了边缘才能将背景和目标区分开来。因此,图像的边缘检测是一种很重要的图像预处理。则图像的边缘检测的步骤如下:
1)滤波
边缘检测算法是基于图像灰度的一阶和二阶微分,但微分的计算对噪声是很敏感的,因此需要通过滤波来降低噪声,但滤波在降低噪声的同时也会使得图像的边缘强度减弱,导致在后续检测中容易丢失一些弱边缘。因此,在增强边缘和降低噪声之间需要兼顾。
2)图像增强
图像增强的基础是确定图像各个点的邻域强度的变化值,它是将邻域中或局部灰度值有显著变化的像素点突显出来,一般通过计算梯度幅值来实现。
3)检测
在图形中大部分点的梯度波动范围很广,而这些点并不一定都是边缘,如何确定真正的边缘点,最常用的方法是通过设置梯度幅值阈值来提取边缘点。
4)边缘点细化和连接
由于算法本身的不足和受到噪声的影响,经过上述步骤得到的边缘可能不是单像素边缘,这时就需要对边缘进行细化。若是所测定的边缘是间断的,则通过边界点连接,形成相应的边缘曲线,以便进行后续处理。
5)边缘定位
具体进行操作时,若是需要锁定边缘点,只需在子像素分辨率上进行测定就可以实现。
进一步的,对待确定的图像进行特征识别后,为了更加精确,还可以对图像的纹理进行匹配,从而进一步提升其准确率。该步骤为现有技术,这里不做过多介绍。
需要说明的是,本实施例提供的上述方法主要针对的是刀片类型的刀具,例如铣刀。而当刀具的类型为圆柄型刀具时,则可以采用如下方法确定刀具型号:
具体的,可以采用光学字符识别(Optical Character Recognition,简称OCR)字符识别技术提取。由于OCR识别本身是常规技术,因此具体的识别流程仅作简单介绍,不做过多赘述。详见下文所示:
其过程可以包括:图像采集、图像预处理、特征提取和分类识别等。
其中,1、图像的输入:图像的输入就是图像采集的过程。本实施例中采用海康工业相机并辅以同轴光源,将载物台上的刀柄字符清晰呈现出来。
2、图像预处理:预处理作为后续工作的基础,是一个相当重要的部分,图像预处理工作的好坏直接影响到识别的效率。预处理一般包括二值化,行字切分、归一化和细化等。不同的识别方法,对预处理的项目和要求有所差别。在本实施例中刀柄字符识别装置采用的是归一化的方法。具体的,图像预处理过程如下:
1)对图像进行二值化处理
使用人工设置全局域值的方法实现图像的二值化,因为输入的字符图像的灰度直方图在背景点的灰度级和字符灰度级上会出现两个峰值,所以用全局阈值法能得到较好的效果。用GetByteatH函数可得到相应图像上的点的灰度值。
若bmpfile.GetByteatH(i)[j]>164,就置bmpfile.GetByteatH(i)[j]=255(白色),反之,置bmpfile.GetByteatH(i)[j]=0(黑色)。
2)对二值化图像进行切分处理
使用基于单行的垂直投影法对二值化图像进行切分。其主要步骤如下:
(1)扫描二值化图像,将图像每列的黑像素点数记录在数组gray[n]中,每行的黑像素点数记录在数组grayh[n]中。
(2)当gary[i]==0,说明该列没有黑点,从第0列开始,若当前列gray[i]=0,gray[i+1]!=0,说明i+1为字符最左边的像素位置,若当前列gray[i]!=0,gray[i+1]=0,说明i为字符最右边的像素位置,记录每个字符的左右位置,存放在结构体w[k].left和w[k].right中。
(3)同理,对grayh[n]操作,记录下单行字符的上下位置。
这样,把切分出的单个字符存放于单个的字符图像中,就完成了切分工作。
3)图像的归一化
本实施例中对切分出来的单个图像进行了位置归一化和大小归一化,其中大小归一化用到的是线性归一化方法。
在执行过程中,将每个字符的高度归一化为30像素,将字符的最左上点归一到坐标(0,0)。
3、特征提取:图像特征是指图像场中可用作标志的属性,其中有些是视觉直接感受到的自然特征,如区域的亮度、彩色、纹理、或轮廓等,有些是需要通过变换或测量才能得到的人为特征,如各种变换频谱、直方图、矩等。图像特征提取就是从图像中提取出某些可能涉及到的高层语义信息的图像特征,以进行后续分析。
特征提取是识别装置中一个非常重要的步骤,因为它提取的特征是识别的依据。同一字符可以有不同的表现形式,表示这些形式的特征必须相同或非常相似,此即为特征的不变性,它主要体现在大小、旋转角度、倾斜度和拉伸程度等方面。良好的特征应具有以下五个特点:1、区分力强:对于属于不同类别的对象来说,它们的特征值应具有明显的差异;2、可靠性:同类的对象特征应比较接近;3、独立性:所用的各种特征之间应彼此不相关;4、易于提取:所用的特征要易于计算机的提取;5、数量少:识别装置的复杂度随着特征维数的增加迅速增长,所以特征不能太繁琐。
数字识别特征提取的方法大致可以分为基于结构的特征提取和基于统计的特征提取。
字符图形含有丰富的结构信息,可以设法提取含有这种信息的结构特征及其组字规律,作为识别字符的依据,这就是基于结构的特征提取。统计特征是提取待识别模式的一组统计特征,作为识别的依据。
结构法比较直观,能较好反映事物的结构特性,但是结构基元的提取很不容易,各基元的关系也比较复杂,抗干扰性能也较差;统计法利用计算机来抽取特征,比较方便,抗干扰性能好;缺点是没有充分利用模式的结构特性。近多年来把这两种特征提取方法结合起来,提取出各种行之有效的字符特征,取得了很好的效果。
根据各自的特点,本刀柄字符识别装置采用的是结构法。
4、分类识别:字符分类是基于提取到的特征的,提取了特定的特征就有相对应的分类方法。分类算法是识别的关键,分类算法的优劣也决定了识别装置的优劣。一般来说,在刀体字符识别当中,有些特征值可以直接作为分类标准,而在刀柄字符的识别中,由于其字形的多变性,在提取完特征值后,还要用到比较复杂的分类器,将字符识别出来。
以上为对字符进行识别的过程。然后,还需要通过模板匹配的方式,确定刀具型号。
模板匹配
(1)模板的生成
对于刀体OCR字符来说,模板的制作比较简单。基于刀体字符形状固定的特点,只需将0~9的二值化图像对应点的值存放在二维数组m0[n][n]~m9[n][n]中,以0为例,其字符图像中黑像素点对应的m0[i][j]=1,白像素点对应的m0[i][j]=0,这样就完成了模板的制作。在具体执行时,可以统一选规定模板的高度为30像素点。
(2)匹配
对待匹配的字符图像已经进行了位置和大小的归一化,并采用人工设置整体阈值的方法二值化图像。因此,对已经分割出的待识字符,将其信息存放在二维数组t[n][n],同样的字符图像中的黑像素点其对应得t[i][j]=1,白像素点对应的t[i][j]=0。
设置数组S[10],计算存放待识字符图像信息的二维数组t[n][n]与存放0~9模板图像信息的m0[n][n]~m9[n][n]的相似度,相似度D(0,0)用上述公式(3)算出,相似度存放数组S[10]中。然后比较S[10]中每个元素的大小,数值最小的元素相似度最大,即为待识字符的值。如果,S[10]中最小的元素也大于一个给定的阈值,则我们认为在模板中没有与之相匹配的数字,输出匹配失败。识别完成后,将识别结果保存在result.txt文件中。
(3)算法的复杂度
算法实现了对单行数字的识别,且每个数字字符的信息都存放于二维数组中,因此,算法的时间复杂度为o(n3)。在空间上,需要10个二维数组存放0~9字符的模板信息,和一个二维数组存放待识别字符信息,因此,空间复杂度级数为o(n2)。
本发明实施例提供的一种数控刀具视觉识别方法,通过采集待确定刀具的模拟图像信息,将模拟图像信息转换为数字图像信息后,提取数字图像信息中的第一识别特征。该第一识别特征是与待确定刀具相匹配的唯一识别特征。那么,将这个唯一识别特征与预建立的数据库中的识别特征相匹配,如果该第一识别特征与预建立的数据库中的第二识别特征相匹配,那么很明显,第二识别特征对应的刀具型号即为待确定刀具的型号。通过该种方式,可以轻易的识别刀具的型号。不依赖于工作人员的专业知识或经验,也无需将旧刀具和新刀具一个一个的人工匹配确定其型号,免去等待时间,可以高效准确的确定待确定刀具的型号,大大提升工作效率和准确度。
实施例2
与上述实施例1相对应的,本发明实施例2提供了一种数控刀具视觉识别装置,具体如图2所示,图2为本发明实施例提供的一种数控刀具视觉识别装置结构示意图,该装置包括:图像采集模块10和图像处理模块20。
其中,图像采集模块10,用于采集待确定刀具的模拟图像信息。
图像处理模块20,用于对模拟图像信息转换为数字图像信息。提取数字图像信息中的第一识别特征,将第一识别特征与预建立的数据库中存储的识别特征进行匹配,预建立的数据库中存储的识别特征与刀具型号之间存在映射关系。当确定第一识别特征与预建立的数据库中的第二识别特征相匹配时,确定待确定刀具的型号为与第二识别特征之间存在映射关系的刀具型号。
可选的,第一识别特征包括如下中的一种或多种:刀片形状、刀片后角、紧固方式、切削长度、刀片厚度、R角、断屑槽形状或者涂层颜色。
可选的,图像处理模块20还用于,对数字图像信息进行处理。
进一步可选的,图像处理模块20对数字图像进行处理,包括如下中的一项或多项:对所数字图像信息进行灰度转换、图像去噪、图像二值化或图像边缘检测。
本发明实施例提供的一种数控刀具视觉识别装置中各部件所执行的功能均已在实施例1所提供的一种数控刀具视觉识别方法中做了详细说明,这里将不再赘述。
本发明实施例提供的一种数控刀具视觉识别装置,通过采集待确定刀具的模拟图像信息,将模拟图像信息转换为数字图像信息后,提取数字图像信息中的第一识别特征。该第一识别特征是与待确定刀具相匹配的唯一识别特征。那么,将这个唯一识别特征与预建立的数据库中的识别特征相匹配,如果该第一识别特征与预建立的数据库中的第二识别特征相匹配,那么很明显,第二识别特征对应的刀具型号即为待确定刀具的型号。通过该种方式,可以轻易的识别刀具的型号。不依赖于工作人员的专业知识或经验,也无需将旧刀具和新刀具一个一个的人工匹配确定其型号,免去等待时间,可以高效准确的确定待确定刀具的型号,大大提升工作效率和准确度。
实施例3
与上述实施例1相对应的,本发明实施例3提供了一种计算机存储介质,其上存储有计算机程序指令,该计算机程序指令用于执行如实施例1所述的一种数控刀具视觉识别。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种数控刀具视觉识别方法,其特征在于,所述方法包括:
采集待确定刀具的模拟图像信息;
对所述模拟图像信息转换为数字图像信息;
提取所述数字图像信息中的第一识别特征;
将所述第一识别特征与预建立的数据库中存储的识别特征进行匹配,所述预建立的数据库中存储的识别特征与刀具型号之间存在映射关系;
当确定所述第一识别特征与预建立的数据库中的第二识别特征相匹配时,确定所述待确定刀具的型号为与所述第二识别特征之间存在映射关系的刀具型号。
2.根据权利要求1所述的方法,其特征在于,所述第一识别特征包括如下中的一种或多种:刀片形状、刀片后角、紧固方式、切削长度、刀片厚度、R角、断屑槽形状或者涂层颜色。
3.根据权利要求2所述的方法,其特征在于,所述提取所述数字图像信息中的第一识别特征之前,所述方法还包括:对所述数字图像信息进行处理。
4.根据权利要求3所述的方法,其特征在于,所述对所述数字图像信息进行处理,包括如下中的一项或多项:
对所数字图像信息进行灰度转换、图像去噪、图像二值化或图像边缘检测。
5.一种数控刀具视觉识别装置,其特征在于,所述装置包括:
图像采集模块,用于采集待确定刀具的模拟图像信息;
图像处理模块,用于对所述模拟图像信息转换为数字图像信息;
提取所述数字图像信息中的第一识别特征;
将所述第一识别特征与预建立的数据库中存储的识别特征进行匹配,所述预建立的数据库中存储的识别特征与刀具型号之间存在映射关系;
当确定所述第一识别特征与预建立的数据库中的第二识别特征相匹配时,确定所述待确定刀具的型号为与所述第二识别特征之间存在映射关系的刀具型号。
6.根据权利要求5所述的装置,其特征在于,所述第一识别特征包括如下中的一种或多种:刀片形状、刀片后角、紧固方式、切削长度、刀片厚度、R角、断屑槽形状或者涂层颜色。
7.根据权利要求6所述的装置,其特征在于,所述图像处理模块还用于,对所述数字图像信息进行处理。
8.根据权利要求7所述的装置,其特征在于,所述图像处理模块对所述数字图像信息进行处理,包括如下中的一项或多项:
对所数字图像信息进行灰度转换、图像去噪、图像二值化或图像边缘检测。
9.一种数控刀具视觉识别系统,其特征在于,所述系统包括:图像采集装置和图像处理装置,所述图像采集装置和所述图像处理装置连接;所述图像采集装置包括:载物台、光源、电荷耦合器件图像传感器CCD和镜头;
所述载物台用于放置待确定刀具;
所述光源,用于照射所述待确定刀具;
所述镜头安装于所述CCD上,用于采集所述待确定刀具的实体聚焦图像;
所述CCD用于将所述实体聚焦图像转换为模拟图像信息,并传输至所述图像处理装置;
所述图像处理装置,用于将所述模拟图像信息转换为数字图像信息;
提取所述数字图像信息中的第一识别特征;
将所述第一识别特征与预建立的数据库中存储的识别特征进行匹配,所述预建立的数据库中存储的识别特征与刀具型号之间存在映射关系;
当确定所述第一识别特征与预建立的数据库中的第二识别特征相匹配时,确定所述待确定刀具的型号为与所述第二识别特征之间存在映射关系的刀具型号。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序指令,所述计算机程序指令用于执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811217037.4A CN109241948A (zh) | 2018-10-18 | 2018-10-18 | 一种数控刀具视觉识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811217037.4A CN109241948A (zh) | 2018-10-18 | 2018-10-18 | 一种数控刀具视觉识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109241948A true CN109241948A (zh) | 2019-01-18 |
Family
ID=65053936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811217037.4A Pending CN109241948A (zh) | 2018-10-18 | 2018-10-18 | 一种数控刀具视觉识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241948A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728304A (zh) * | 2019-09-12 | 2020-01-24 | 西安邮电大学 | 现场勘验刀具图像识别方法 |
CN111604281A (zh) * | 2020-04-13 | 2020-09-01 | 天津中车机辆装备有限公司 | 用于轨道交通的零件分拣方法及系统 |
CN112936106A (zh) * | 2021-03-11 | 2021-06-11 | 哈尔滨理工大学 | 一种基于冲蚀磨损的硬质合金刀具钝化工艺 |
CN113220924A (zh) * | 2021-04-13 | 2021-08-06 | 广东汇博机器人技术有限公司 | 一种产品型号视觉识别方法及视觉识别系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101804744A (zh) * | 2010-03-25 | 2010-08-18 | 南京航空航天大学 | 在小直径刀具上进行激光数字标识的方法 |
CN102248449A (zh) * | 2011-05-20 | 2011-11-23 | 袁远 | 一种视觉数控刀具检测仪及制作方法 |
CN103413141A (zh) * | 2013-07-29 | 2013-11-27 | 西北工业大学 | 环形光源及利用环形光源照明基于刀具形状纹理重量的融合识别方法 |
WO2017004573A1 (en) * | 2015-07-02 | 2017-01-05 | Serenity Data Services, Inc. | Product verification for hard drive data destroying device |
CN108363942A (zh) * | 2017-12-26 | 2018-08-03 | 新智数字科技有限公司 | 一种基于多特征融合的刀具识别方法、装置以及设备 |
-
2018
- 2018-10-18 CN CN201811217037.4A patent/CN109241948A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101804744A (zh) * | 2010-03-25 | 2010-08-18 | 南京航空航天大学 | 在小直径刀具上进行激光数字标识的方法 |
CN102248449A (zh) * | 2011-05-20 | 2011-11-23 | 袁远 | 一种视觉数控刀具检测仪及制作方法 |
CN103413141A (zh) * | 2013-07-29 | 2013-11-27 | 西北工业大学 | 环形光源及利用环形光源照明基于刀具形状纹理重量的融合识别方法 |
WO2017004573A1 (en) * | 2015-07-02 | 2017-01-05 | Serenity Data Services, Inc. | Product verification for hard drive data destroying device |
CN108363942A (zh) * | 2017-12-26 | 2018-08-03 | 新智数字科技有限公司 | 一种基于多特征融合的刀具识别方法、装置以及设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728304A (zh) * | 2019-09-12 | 2020-01-24 | 西安邮电大学 | 现场勘验刀具图像识别方法 |
CN110728304B (zh) * | 2019-09-12 | 2021-08-17 | 西安邮电大学 | 现场勘验刀具图像识别方法 |
CN111604281A (zh) * | 2020-04-13 | 2020-09-01 | 天津中车机辆装备有限公司 | 用于轨道交通的零件分拣方法及系统 |
CN112936106A (zh) * | 2021-03-11 | 2021-06-11 | 哈尔滨理工大学 | 一种基于冲蚀磨损的硬质合金刀具钝化工艺 |
CN113220924A (zh) * | 2021-04-13 | 2021-08-06 | 广东汇博机器人技术有限公司 | 一种产品型号视觉识别方法及视觉识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241948A (zh) | 一种数控刀具视觉识别方法及装置 | |
Liu et al. | Machine vision based online detection of PCB defect | |
CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN104794491B (zh) | 基于预分类的模糊聚类钢板表面缺陷检测方法 | |
CN103164692B (zh) | 一种基于计算机视觉的特种车辆仪表自动识别系统及方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
CN105069790A (zh) | 一种齿轮外观缺陷快速影像检测方法 | |
CN106290392A (zh) | 一种小微轴承表面凹痕缺陷在线检测方法及其系统 | |
CN105447512A (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN105389581B (zh) | 一种胚芽米胚芽完整度智能识别系统及其识别方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN1506903A (zh) | 基于模板学习的自动指纹识别系统和方法 | |
CN109668909A (zh) | 一种玻璃缺陷检测方法 | |
CN101576956A (zh) | 基于机器视觉的在线字符检测方法和系统 | |
CN110119680A (zh) | 一种基于图像识别的电气柜接线自动查错系统 | |
CN111353992B (zh) | 一种基于纹理特征的农产品缺陷检测方法及系统 | |
CN110426395A (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN111707672A (zh) | 风电回转支撑件表面缺陷检测方法 | |
CN104655041A (zh) | 一种附加约束条件的工业零件轮廓线多特征提取方法 | |
CN110930393A (zh) | 一种基于机器视觉的芯片料管计数方法、装置及系统 | |
CN109448012A (zh) | 一种图像边缘检测方法及装置 | |
CN109711253A (zh) | 基于卷积神经网络与循环神经网络的电表数值识别方法 | |
CN113033635B (zh) | 一种硬币隐形图文检测方法及装置 | |
CN106504251B (zh) | 一种基于图片处理的电子铝箔立方织构含量检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |