CN109272462B - 适用于金属工件识别的图像自校正方法、设备及存储设备 - Google Patents
适用于金属工件识别的图像自校正方法、设备及存储设备 Download PDFInfo
- Publication number
- CN109272462B CN109272462B CN201811033549.5A CN201811033549A CN109272462B CN 109272462 B CN109272462 B CN 109272462B CN 201811033549 A CN201811033549 A CN 201811033549A CN 109272462 B CN109272462 B CN 109272462B
- Authority
- CN
- China
- Prior art keywords
- image
- correction
- workpiece
- self
- value
- 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
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 36
- 239000002184 metal Substances 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000001914 filtration Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供了适用于金属工件识别的图像自校正方法、设备及存储设备,其方法包括:利用相机采集工件图像,对采集的图像质量进行判断,若不合格,则进行图像的自校正处理,且根据图像质量的具体情况,将自校正分为全局校正和局部校正两种方式,从而提高图像的质量;一种适用于金属工件识别的图像自校正设备及存储设备,用于实现适用于金属工件识别的图像自校正方法。本发明的有益效果是:本发明所提供的技术方案在相机采集的图像不合格的情况下,可以对图像进行快速自校正,不需人工干预,成本低,实用性强。
Description
技术领域
本发明涉及机器视觉领域,尤其涉及适用于金属工件识别的图像自校正方法、设备及存储设备。
背景技术
目前,机器视觉技术广泛应用于工业现场的各个方面。通常在流水线上,往往是利用机器视觉来自动对一些金属工件进行缺陷或者形状方面的检测。如果被检测的金属材质工件位于室外,则采集到的图像质量极易受到光照强度的干扰。过暗光照的条件下的金属元件,往往是无法利用机器视觉技术进行识别的;而过亮光照条件下的金属元件,又会存在反光问题,导致金属本身的纹理或者特性无法有效的显示在图像中。而运用图像校正技术就可以有效的解决这种问题。
图像校正是指对失真的图像进行复原性处理,主要分为几何校正与灰度校正两类。如果金属工件处于室外,则有必要对图像进行灰度的校正,改善图像质量。
发明内容
为了解决上述问题,本发明提供了适用于金属工件识别的图像自校正方法、设备及存储设备,适用于金属工件识别的图像自校正方法,主要包括以下步骤:
S101:利用相机采集第一工件图像,并采用高斯滤波的方法对工件图像进行滤波去噪,得到滤波后的第二工件图像;
S104:采用全局校正的方式对第二工件图像进行校正;然后转到步骤S108;
S105:对第二工件图像进行全局检测,得到灰度值大于或等于阈值T0的像素点所在的图像区域;并求解获得该图像区域的灰度值标准差σ;
S106:判断条件σ≥σ0是否成立;若是,转到步骤S107;若否,该图像区域质量合格,不进行校正处理,转到步骤S108;其中,σ0为标准差阈值,为先验值;
S107:对灰度值大于或等于阈值T0的像素点所在的图像区域进行局部校正;转到步骤S108;
S108:结束校正程序,完成工件图像的自校正。
其中,(x,y)为图像坐标系下的像素点坐标,W和H分别为第二工件图像的宽度和高度;T(x,y)表示第二工件图像上坐标为(x,y)的像素点的灰度值;x的取值范围为[0,W],y的取值范围为[0,H]。
进一步地,在步骤S104中,采用全局校正的方式对第二工件图像进行校正的具体步骤为:
S201:设置增强参数a和b的初始值为a0和b0,a0和b0为先验值;
S202:根据公式(2)对第二工件图像进行增强处理:
g(x,y)=a×f(x,y)+b (2)
其中,f(x,y)为第二工件图像的原像素点,g(x,y)为第二工件图像增强后的像素点;
S204:将a更新为a+Δa,将b更新为b+Δb;返回到步骤S202;Δa和Δb分别为增强参数步进值;Δa和Δb均大于0;
S205:结束程序,完成图像全局校正。
进一步地,在步骤S105中,根据公式(3)得到灰度值标准差:
进一步地,在步骤S107中,对图像进行局部校正的步骤为:
S301:统计检测出的灰度值大于或等于阈值T0的像素点的列坐标,并对统计的所有列坐标进行排序,得到最大、最小列坐标;
S302:根据最大、最小列坐标,将统计的所有列坐标均匀分为N个区间;
S303:根据公式(4)对每个区间内的像素点进行随机灰度恢复:
h(x,y)=randm(Pmin,Pmax) (4)
其中,h(x,y)为恢复后的像素点;randm(Pmin,Pmax)代表随机赋值函数,即在Pmin和Pmax间,随机选取灰度值进行赋值;其中,(Pmin,Pmax)为先验值,Pmin为图像平均灰度值为T0时的最小灰度值,Pmax为图像平均灰度值为T0时的最大灰度值。
一种存储设备,所述存储设备存储指令及数据用于实现适用于金属工件识别的图像自校正方法。
适用于金属工件识别的图像自校正设备,包括:处理器及所述存储设备;所述处理器加载并执行所述存储设备中的指令及数据用于实现适用于金属工件识别的图像自校正方法。
本发明提供的技术方案带来的有益效果是:本发明所提供的技术方案可以在相机采集的图像不合格的情况下,对图像进行快速的自校正,不需人工干预,成本低,实用性强。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中适用于金属工件识别的图像自校正方法的流程图;
图2(a)是本发明实施例中的金属工件原始暗图像的直方图的示意图;
图2(b)是本发明实施例中金属工件原始亮图像的直方图的示意图;
图3(a)是本发明实施例中的经过自校正处理后的暗图像的直方图的示意图;
图3(b)是本发明实施例中经过自校正处理后的亮图像的直方图的示意图;
图4是本发明实施例中硬件设备工作的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了适用于金属工件识别的图像自校正方法、设备及存储设备。
请参考图1,图1是本发明实施例中适用于金属工件识别的图像自校正方法的流程图,具体包括如下步骤:
S101:利用相机采集第一工件图像,并采用高斯滤波的方法对工件图像进行滤波去噪,得到滤波后的第二工件图像;
S104:采用全局校正的方式对第二工件图像进行校正;然后转到步骤S108;
S105:对第二工件图像进行全局检测,得到灰度值大于或等于阈值T0的像素点所在的图像区域;并求解获得该图像区域的灰度值标准差σ;
S106:判断条件σ≥σ0是否成立;若是,转到步骤S107;若否,该图像区域质量合格,不进行校正处理,转到步骤S108;其中,σ0为标准差阈值,为先验值;
S107:对灰度值大于或等于阈值T0的像素点所在的图像区域进行局部校正;转到步骤S108;
S108:结束校正程序,完成工件图像的自校正。
其中,(x,y)为图像坐标系下的像素点坐标,W和H分别为第二工件图像的宽度和高度;T(x,y)表示第二工件图像上坐标为(x,y)的像素点的灰度值;x的取值范围为[0,W],y的取值范围为[0,H]。
在步骤S104中,采用全局校正的方式对第二工件图像进行校正的具体步骤为:
S201:设置增强参数a和b的初始值为a0和b0,a0和b0为先验值;
S202:根据公式(2)对第二工件图像进行增强处理:
g(x,y)=a×f(x,y)+b (2)
其中,f(x,y)为第二工件图像的原像素点,g(x,y)为第二工件图像增强后的像素点;
S204:将a更新为a+Δa,将b更新为b+Δb;返回到步骤S202;Δa和Δb分别为增强参数步进值;Δa和Δb均大于0;
S205:结束程序,完成图像全局校正。
在步骤S105中,根据公式(3)得到灰度值标准差:
在步骤S107中,对图像进行局部校正的步骤为:
S301:统计检测出的灰度值大于或等于阈值T0的像素点的列坐标,并对统计的所有列坐标进行排序,得到最大、最小列坐标;
S302:根据最大、最小列坐标,将统计的所有列坐标均匀分为N个区间;
S303:根据公式(4)对每个区间内的像素点进行随机灰度恢复:
h(x,y)=randm(Pmin,Pmax) (4)
其中,h(x,y)为恢复后的像素点;randm(Pmin,Pmax)代表随机赋值函数,即在Pmin和Pmax间,随机选取灰度值进行赋值;其中,(Pmin,Pmax)为先验值,Pmin为图像平均灰度值为T0时的最小灰度值,Pmax为图像平均灰度值为T0时的最大灰度值。
以一种金属工件为例说明本发明的实际效果:
图像的亮暗判断是进行图像自校正的第一步,图像的平均灰度反应了图像整体的亮暗水平,但即使对于过亮的图像,由于其只有反光区域过亮,而反光区域只占图像一小部分面积,因此对图像整体平均灰度影响不大。因此本发明通过基于图像平均灰度及局部灰度值标准差来判断输入图像的整体亮暗。
首先利用相机采集某金属工件在昏暗环境下和在强光环境下的图像,图2(a)和图2(b)分别为采集的暗图像和亮图像所对应的直方图;然后对暗图像进行全局校正,对亮图像进行局部校正,图3(a)和图3(b)分别为暗图像和亮图像经过校正后的图像所对应的直方图。
从结果可以看出,对于较暗图像,经过自动校正后,通过直方图可以明显看出图像像素分布更加均匀,且对比度大大增强。对于较亮图像校正,由于采用的是局部校正,所以经过校正后,图像直方图虽然没有得到明显改善,但还是一定程度了改变了反光区域的图像质量,从而为后续定位工作奠定了一定地条件。
请参见图4,图4是本发明实施例的硬件设备工作示意图,所述硬件设备具体包括:适用于金属工件识别的图像自校正设备401、处理器402及存储设备403。
适用于金属工件识别的图像自校正设备401:所述适用于金属工件识别的图像自校正设备401实现所述适用于金属工件识别的图像自校正方法。
处理器402:所述处理器402加载并执行所述存储设备403中的指令及数据用于实现所述适用于金属工件识别的图像自校正方法。
存储设备403:所述存储设备403存储指令及数据;所述存储设备403用于实现所述适用于金属工件识别的图像自校正方法。
本发明的有益效果是:本发明所提供的技术方案可以在相机采集的图像不合格的情况下,对图像进行快速的自校正,不需人工干预,成本低,实用性强。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.适用于金属工件识别的图像自校正方法,其特征在于:包括以下步骤:
S101:利用相机采集第一工件图像,并采用高斯滤波的方法对工件图像进行滤波去噪,得到滤波后的第二工件图像;
S104:采用全局校正的方式对第二工件图像进行校正;然后转到步骤S108;
S105:对第二工件图像进行全局检测,得到灰度值大于或等于阈值T0的像素点所在的图像区域;并求解获得该图像区域的灰度值标准差σ;
S106:判断条件σ≥σ0是否成立;若是,转到步骤S107;若否,该图像区域质量合格,不进行校正处理,转到步骤S108;其中,σ0为标准差阈值,为先验值;
S107:对灰度值大于或等于阈值T0的像素点所在的图像区域进行局部校正;转到步骤S108;
S108:结束校正程序,完成工件图像的自校正;
在步骤S104中,采用全局校正的方式对第二工件图像进行校正的具体步骤为:
S201:设置增强参数a和b的初始值为a0和b0,a0和b0为先验值;
S202:根据公式(2)对第二工件图像进行增强处理:
g(x,y)=a×f(x,y)+b (2)
其中,f(x,y)为第二工件图像的原像素点,g(x,y)为第二工件图像增强后的像素点;
S204:将a更新为a+△a,将b更新为b+△b;返回到步骤S202;Δa和Δb分别为增强参数步进值;Δa和Δb均大于0;
S205:结束程序,完成图像全局校正;
在步骤S107中,对图像进行局部校正的步骤为:
S301:统计检测出的灰度值大于或等于阈值T0的像素点的列坐标,并对统计的所有列坐标进行排序,得到最大、最小列坐标;
S302:根据最大、最小列坐标,将统计的所有列坐标均匀分为N个区间;
S303:根据公式(4)对每个区间内的像素点进行随机灰度恢复:
h(x,y)=randm(Pmin,Pmax) (4)
公式(4)中,h(x,y)为恢复后的像素点;randm(Pmin,Pmax)代表随机赋值函数,即在Pmin和Pmax间,随机选取灰度值进行赋值;其中,(Pmin,Pmax)为先验值,Pmin为图像平均灰度值为T0时的最小灰度值,Pmax为图像平均灰度值为T0时的最大灰度值。
4.一种存储设备,其特征在于:所述存储设备存储指令及数据用于实现权利要求1~3任意一种所述的适用于金属工件识别的图像自校正方法。
5.一种适用于金属工件识别的图像自校正设备,其特征在于:包括:处理器及权利要求4所述的存储设备;所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1~3任意一种所述的适用于金属工件识别的图像自校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811033549.5A CN109272462B (zh) | 2018-09-05 | 2018-09-05 | 适用于金属工件识别的图像自校正方法、设备及存储设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811033549.5A CN109272462B (zh) | 2018-09-05 | 2018-09-05 | 适用于金属工件识别的图像自校正方法、设备及存储设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272462A CN109272462A (zh) | 2019-01-25 |
CN109272462B true CN109272462B (zh) | 2021-08-27 |
Family
ID=65187296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811033549.5A Active CN109272462B (zh) | 2018-09-05 | 2018-09-05 | 适用于金属工件识别的图像自校正方法、设备及存储设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272462B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160147B (zh) * | 2021-03-30 | 2023-06-13 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 热处理工件图像特征识别匹配系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102322859A (zh) * | 2011-08-23 | 2012-01-18 | 中国国土资源航空物探遥感中心 | 一种航空惯性导航测量系统及姿态校正方法 |
CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10249037B2 (en) * | 2010-01-25 | 2019-04-02 | Amcad Biomed Corporation | Echogenicity quantification method and calibration method for ultrasonic device using echogenicity index |
JP2013258621A (ja) * | 2012-06-14 | 2013-12-26 | Brother Ind Ltd | 印刷制御装置、および、コンピュータプログラム |
-
2018
- 2018-09-05 CN CN201811033549.5A patent/CN109272462B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102322859A (zh) * | 2011-08-23 | 2012-01-18 | 中国国土资源航空物探遥感中心 | 一种航空惯性导航测量系统及姿态校正方法 |
CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109272462A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
CN107194919B (zh) | 基于规律纹理背景重建的手机屏幕缺陷检测方法 | |
CN106780392B (zh) | 一种图像融合方法及装置 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN111968144B (zh) | 一种图像边缘点获取方法及装置 | |
US8111943B2 (en) | Smart image enhancement process | |
CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN114022403A (zh) | 检测显示面板不良的方法及装置 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN111739012A (zh) | 基于转盘的摄像头模组白斑检测系统 | |
Jing et al. | Pavement crack distress detection based on image analysis | |
CN111062934A (zh) | 一种织物图像缺陷实时检测方法 | |
CN111861979A (zh) | 一种定位方法、设备及计算机可读存储介质 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN116128873A (zh) | 一种基于图像识别的轴承保持器检测方法、设备及介质 | |
CN110288619B (zh) | 基于视觉的太阳花模组表面螺钉孔位置检测方法 | |
CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 | |
CN114298985B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN109272462B (zh) | 适用于金属工件识别的图像自校正方法、设备及存储设备 | |
CN109949292B (zh) | 一种带钢表面缺陷的检测方法及装置 | |
CN108989608B (zh) | 基于线阵相机的路面图像灰度校正方法 | |
CN116823771A (zh) | 一种zara缺陷规格检测方法、系统及储存介质 | |
CN114723728A (zh) | 一种手机摄像头玻璃盖板丝印cd纹缺陷检测方法及系统 |
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 |