CN109285150A - 一种识别和定位线性阵列图案中缺失元素的方法 - Google Patents
一种识别和定位线性阵列图案中缺失元素的方法 Download PDFInfo
- Publication number
- CN109285150A CN109285150A CN201811030905.8A CN201811030905A CN109285150A CN 109285150 A CN109285150 A CN 109285150A CN 201811030905 A CN201811030905 A CN 201811030905A CN 109285150 A CN109285150 A CN 109285150A
- Authority
- CN
- China
- Prior art keywords
- spacing
- target
- coordinate
- missing
- calculated
- 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.)
- Granted
Links
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种用于计算机视觉检测之后的识别和定位线性阵列图案中缺失元素的方法,解决了计算机视觉对于没有明显特征的缺失目标的位置无法进行有效的识别和标记的问题,可用于工厂车间流水线零件缺失检测或建筑装饰物缺失检测等场合。总体来说,就是先根据计算机视觉判断出的目标位置,然后计算阵列目标的间距;进而根据每两点之间的间距大小来判断此两点之间是否存在缺失目标的情况:若有缺失,此两点间距应大于至少约2倍的阵列间距(一般可取1.8);然后根据间距的大小判断出缺失目标的个数以及可能的位置;最后根据计算机视觉判断出的目标的平均大小在图中进行标记和画框,直观地展现缺失目标的位置。
Description
技术领域
本发明提供了一种用于计算机视觉检测之后的识别和定位线性阵列图案中缺失元素的方法,用于工厂车间流水线零件缺失检测或建筑装饰物缺失检测等场合。
背景技术
目前,基于计算机视觉的目标检测已经发展的比较完善,但是由于监督式学习的限制,目前的方法只能识别事先进行人工标记和训练好的目标,对于目标缺失的地方却无法进行有效的标记和识别,尤其是对于缺失位置没有明显统一特征的情况。此外,在大多数情况下,缺失的部分数量较小,直接采用计算机视觉的方法进行标记和训练可能会出现训练样本数量不足而导致训练结果较差的结果。
比如工厂流水线上的零件往往是环环相扣,任何一条流水线上的零件发生不小心的缺失,都可能导致一个很大的失误,所以对流水线上的零件缺失的识别和定位显得至关重要。而流水线上零件缺失的部位往往是黑色的传动带,而黑色的传送带并不是一个决定性的缺失特征,因为未缺失零件之间的空隙也是黑色的传送带,所以对缺失部位的黑色传送带直接应用计算机视觉来识别和定位是不现实的。
再比如,建筑物上(尤其是中国古代建筑)往往会有很多的装饰性构件,它们多是以线性阵列的方式排布在建筑物上,如古代建筑中数量巨大的勾头、滴水等构件。这些构件的缺失部位没有明显和统一的特征,而是各种颜色的墙,直接采用计算机视觉的方法效果也不尽如人意。
针对上述问题,本发明提供了一种识别和定位线性阵列图案中缺失元素的方法,实现了对线性阵列图案中的没有明显特征的缺失元素的识别和定位。
发明内容
本发明提供一种识别和定位线性阵列图案中缺失元素的方法,用于计算机视觉检测之后,以实现较好的缺失目标的识别和标记功能。
本发明的技术方案如下:
一种识别和定位线性阵列图案中缺失元素的方法,包括以下步骤:
(1)根据计算机视觉判断出的目标位置,然后计算阵列目标的间距;包括:
1)将计算机视觉识别结果写入txt文件;
2)输入txt文件信息;
3)将输入的txt文件信息中的横纵坐标分别按照大小顺序进行排列;
4)分别计算排列好的横纵坐标间距最小值;
(2)根据每两点之间的间距大小来判断此两点之间是否存在缺失目标的情况:若有缺失,此两点间距应大于至少约2倍的阵列间距,一般取1.8;
5)将横纵坐标最小值进行比较并判断线性阵列方向;
6)根据阵列方向,选取待计算方向坐标间距;对于横向线性阵列,待计算方向为横坐标方向,选取所述经排序的横坐标间距作为待计算的坐标间距;或对于纵向线性阵列,待计算方向为纵坐标方向,选取所述经排序的纵坐标间距作为待计算的坐标间距;
(3)根据间距的大小判断出缺失目标的个数以及可能的位置;计算机视觉判断出的目标的平均大小在图中进行标记和画框,直观地展现缺失目标的位置。包括:
7)用于计算所述经选取的坐标间距与该方向间距最小值的比值;
8)对于所述比值小于m(m是一个2附近的数)的情况,构成该间距的两点坐标之间不存在缺失元素;对于所述比值大于m(m是一个2附近的数)的情况,则构成该间距的两点坐标之间存在缺失元素;
9)计算缺失元素个数,计算缺失元素位置,计算目标元素大小;
10)根据缺失元素位置和大小在图中将缺失元素标记并显示。
本发明解决了计算机视觉对于没有明显特征的缺失目标的位置无法进行有效的识别和标记的问题,可用于工厂车间流水线零件缺失检测或建筑装饰物缺失检测等场合。
附图说明
图1是本发明的工作流程图。
图2是该计算机程序应用于古建筑的效果实测图。
具体实施方式
首先,利用计算机视觉对待识别目标进行训练,并在待测图片中测试,并将测试结果写成txt文件,文件中的每一行对应一个被识别出的目标。每一行具体的格式为:
图片名称;目标名称;该目标位置的左上角横坐标x1;该目标位置的左上角纵坐标y1;该目标位置的右下角横坐标x2;该目标位置的右下角纵坐标y2。
然后,读取txt文件中的每一行的坐标,计算每一行的目标位置的中点坐标
将和分别从小到大排列相邻的坐标做差:Δymin=min(Δyi)>Δxmin=min(Δxi)
判断线性阵列的方向:
如果Δymin=min(Δyi)>Δxmin=min(Δxi),则阵列为纵向阵列,di=Δyi,dmin=Δymin;
如果Δymin=min(Δyi)≤Δxmin=min(Δxi),则阵列为横向阵列,di=Δxi,dmin=Δxmin。
接着,根据坐标关系判断缺失位置和缺失个数:
若dj=(di-dmin)>m·dmin,(m是一个2附近的参数,可取1.8~2),则可以判断j位置和j+1位置之间存在缺损,缺损的个数为:
那么缺损的位置中心点为:
目标的平均大小为:
最后以相应的为中心点画出大小为(l,h)的矩形,就是预测的缺损位置。
Claims (1)
1.一种识别和定位线性阵列图案中缺失元素的方法,包括以下步骤:
(1)根据计算机视觉判断出的目标位置,然后计算阵列目标的间距;包括:
1)将计算机视觉识别结果写入txt文件;
2)输入txt文件信息;
3)将输入的txt文件信息中的横纵坐标分别按照大小顺序进行排列;
4)分别计算排列好的横纵坐标间距最小值;
(2)根据每两点之间的间距大小来判断此两点之间是否存在缺失目标的情况:若有缺失,此两点间距应大于至少约2倍的阵列间距,一般取1.8;
5)将横纵坐标最小值进行比较并判断线性阵列方向;
6)根据阵列方向,选取待计算方向坐标间距;对于横向线性阵列,待计算方向为横坐标方向,选取所述经排序的横坐标间距作为待计算的坐标间距;或对于纵向线性阵列,待计算方向为纵坐标方向,选取所述经排序的纵坐标间距作为待计算的坐标间距;
(3)根据间距的大小判断出缺失目标的个数以及可能的位置;计算机视觉判断出的目标的平均大小在图中进行标记和画框,直观地展现缺失目标的位置;包括:
7)用于计算所述经选取的坐标间距与该方向间距最小值的比值;
8)对于所述比值小于m(m是一个2附近的数)的情况,构成该间距的两点坐标之间不存在缺失元素;对于所述比值大于m(m是一个2附近的数)的情况,则构成该间距的两点坐标之间存在缺失元素;
9)计算缺失元素个数,计算缺失元素位置,计算目标元素大小;
10)根据缺失元素位置和大小在图中将缺失元素标记并显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811030905.8A CN109285150B (zh) | 2018-09-05 | 2018-09-05 | 一种识别和定位线性阵列图案中缺失元素的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811030905.8A CN109285150B (zh) | 2018-09-05 | 2018-09-05 | 一种识别和定位线性阵列图案中缺失元素的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109285150A true CN109285150A (zh) | 2019-01-29 |
CN109285150B CN109285150B (zh) | 2022-02-15 |
Family
ID=65183529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811030905.8A Active CN109285150B (zh) | 2018-09-05 | 2018-09-05 | 一种识别和定位线性阵列图案中缺失元素的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109285150B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830128A (zh) * | 2023-02-15 | 2023-03-21 | 成都全景德康医学影像诊断中心有限公司 | 一种面部定位测量方法、装置及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130114914A1 (en) * | 2011-11-03 | 2013-05-09 | Xerox Corporation | Signature mark detection |
CN103279983A (zh) * | 2013-05-31 | 2013-09-04 | 西安理工大学 | 中国唐朝风格古建筑的建模方法 |
CN205263328U (zh) * | 2015-11-25 | 2016-05-25 | 青岛征和工业股份有限公司 | 一种链条缺零件在线检测装置 |
CN107292238A (zh) * | 2017-05-23 | 2017-10-24 | 东南大学 | 基于空间拓扑关系约束和消失点的建筑物轮廓识别方法 |
US20180046973A1 (en) * | 2016-08-12 | 2018-02-15 | Wal-Mart Stores, Inc. | Systems and Methods for Detecting Missing Labels |
-
2018
- 2018-09-05 CN CN201811030905.8A patent/CN109285150B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130114914A1 (en) * | 2011-11-03 | 2013-05-09 | Xerox Corporation | Signature mark detection |
CN103279983A (zh) * | 2013-05-31 | 2013-09-04 | 西安理工大学 | 中国唐朝风格古建筑的建模方法 |
CN205263328U (zh) * | 2015-11-25 | 2016-05-25 | 青岛征和工业股份有限公司 | 一种链条缺零件在线检测装置 |
US20180046973A1 (en) * | 2016-08-12 | 2018-02-15 | Wal-Mart Stores, Inc. | Systems and Methods for Detecting Missing Labels |
CN107292238A (zh) * | 2017-05-23 | 2017-10-24 | 东南大学 | 基于空间拓扑关系约束和消失点的建筑物轮廓识别方法 |
Non-Patent Citations (3)
Title |
---|
THANAWIT PRASONGPONGCHAI ET AL: "A Vision-Based Method for the Detection of Missing Rail Fasteners", 《IEEE INTERNATIONAL CONFERENCE ON SIGNAL AND IMAGE PROCESSING APPLICATIONS》 * |
夏建春等: "基于机器视觉的模切片缺失检测与定位研究", 《模具工业》 * |
赵鹏等: "基于人工智能机器视觉技术的古建筑表层损伤检测", 《物联网技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830128A (zh) * | 2023-02-15 | 2023-03-21 | 成都全景德康医学影像诊断中心有限公司 | 一种面部定位测量方法、装置及系统 |
CN115830128B (zh) * | 2023-02-15 | 2023-05-12 | 成都全景德康医学影像诊断中心有限公司 | 一种面部定位测量方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109285150B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102830958B (zh) | 一种获取界面控件信息的方法及系统 | |
CN106054421B (zh) | 一种液晶面板缺陷的检测方法及装置 | |
US20190361601A1 (en) | Recognition of user drawn graphical objects based on detected regions within a coordinate-plane | |
US8139847B2 (en) | Defect inspection tool and method of parameter tuning for defect inspection tool | |
Benedek et al. | Solder paste scooping detection by multilevel visual inspection of printed circuit boards | |
Filzmoser et al. | Robust statistical analysis | |
US20210350038A1 (en) | Systems and Methods for Rapidly Developing Annotated Computer Models of Structures | |
CN106445816A (zh) | 控件执行方法和装置 | |
CN104133665A (zh) | 基于图像检测的定位方法与装置 | |
US11847739B2 (en) | Systems and methods for pitch determination | |
CN109285150A (zh) | 一种识别和定位线性阵列图案中缺失元素的方法 | |
CN105630440B (zh) | 多屏幕辨识方法 | |
CN110969604A (zh) | 一种基于深度学习的智能安防实时开窗检测报警系统及方法 | |
CN111291608A (zh) | 一种基于深度学习的遥感图像非建筑区域过滤方法 | |
CN110858302A (zh) | 在画面影像中编辑监控脚本的系统及方法 | |
US20070127822A1 (en) | Method and system for analyzing image differences | |
CN103345339B (zh) | 基于红外触摸屏多点触控识别的方法及系统 | |
US20230386182A1 (en) | Data creation system, learning system, estimation system, processing device, evaluation system, data creation method, and program | |
CN105930813B (zh) | 一种在任意自然场景下检测行文本的方法 | |
CN104778296B (zh) | 钻孔柱状图岩性描述布局数学规划方法 | |
CN109614169A (zh) | 基于像素坐标方式的Windows客户端应用程序自动运行方法 | |
Chu et al. | An image-based seismic damage assessment system | |
CN108717697A (zh) | 电路板检测方法、装置、计算机设备和存储介质 | |
CN1920834A (zh) | 零件合理性检查系统及方法 | |
CN104392044A (zh) | 基于三维效果图元编辑的井场装置布置设计方法及系统 |
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 |