CN109285150B - 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 PDF

Info

Publication number
CN109285150B
CN109285150B CN201811030905.8A CN201811030905A CN109285150B CN 109285150 B CN109285150 B CN 109285150B CN 201811030905 A CN201811030905 A CN 201811030905A CN 109285150 B CN109285150 B CN 109285150B
Authority
CN
China
Prior art keywords
missing
coordinate
target
calculated
linear array
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
Application number
CN201811030905.8A
Other languages
English (en)
Other versions
CN109285150A (zh
Inventor
赵雪峰
邹铮
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201811030905.8A priority Critical patent/CN109285150B/zh
Publication of CN109285150A publication Critical patent/CN109285150A/zh
Application granted granted Critical
Publication of CN109285150B publication Critical patent/CN109285150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

一种识别和定位线性阵列图案中缺失元素的方法
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
Figure BDA0001789703010000031
Figure BDA0001789703010000032
将
Figure BDA0001789703010000033
和
Figure BDA0001789703010000034
分别从小到大排列
Figure BDA0001789703010000035
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：
Figure BDA0001789703010000041
那么缺损的位置中心点为：
Figure BDA0001789703010000042
目标的平均大小为：
Figure BDA0001789703010000043
最后以相应的
Figure BDA0001789703010000044
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阵列目标位置，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，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；
2)输入txt文件信息；
3)从输入的txt文件信息中获取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
Figure FDA0003414992980000011
将
Figure FDA0003414992980000012
和
Figure FDA0003414992980000013
分别从小到大排列；
4)将相邻的坐标做差，得到横坐标间距的最小值Δxmin和纵坐标间距的最小值Δymin；
(2)判断线性阵列的方向；选取待计算方向坐标间距；包括：
5)将横坐标间距的最小值Δxmin和纵坐标间距的最小值Δymin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元素的个数以及可能的位置；根据公式：
Figure FDA0003414992980000021
判断出的缺失元素的平均大小，在图中进行标记和画框，画出大小为(l,h)的矩形，直观地展现缺失元素的位置；包括：
7)计算所述待计算方向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的情况，则构成该间距的两点坐标之间存在缺失元素；其中，m为1.8-2；
9)计算缺失元素个数，计算缺失元素位置，计算缺失元素的平均大小；
10)根据缺失元素位置和平均大小在图中将缺失元素标记并显示。
CN201811030905.8A 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 Active CN109285150B (zh)

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 CN109285150A (zh) 2019-01-29
CN109285150B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8478046B2 (en) * 2011-11-03 2013-07-02 Xerox Corporation Signature mark detection
CN103279983B (zh) * 2013-05-31 2016-01-27 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
MX2019001731A (es) * 2016-08-12 2019-07-04 Walmart Apollo Llc Sistemas y metodos para detectar etiquetas faltantes.
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

Also Published As

Publication number Publication date
CN109285150A (zh) 2019-01-29

Similar Documents

Publication Publication Date Title
CN113344857B (zh) 缺陷检测网络的训练方法、缺陷检测方法和存储介质
CN114283112A (zh) 涂层表面的定性或定量表征
US9123174B2 (en) Method and apparatus for displaying a simulated application of at least one coating to a digital image
CN106546263B (zh) 一种基于机器视觉的激光水平仪出射激光线检测方法
CN111046872B (zh) 一种光学字符识别方法
CN103268481A (zh) 一种复杂背景图像中的文本提取方法
CN103345755A (zh) 一种基于Harris算子的棋盘格角点亚像素提取方法
CN103729655A (zh) 一种用于片式元件视觉定位的检测方法
CN109409290B (zh) 一种温度表检定读数自动识别系统及方法
CN111123853B (zh) 一种对汽车内表面喷涂检测与补救的机器人的控制方法
CN109472271B (zh) 印刷电路板图像轮廓提取方法及装置
CN111126391B (zh) 一种印刷字符缺陷定位方法
US9429527B1 (en) Automatic optical inspection method of periodic patterns
CN113012096B (zh) 显示屏子像素定位及亮度提取方法、设备以及存储介质
CN109285150B (zh) 一种识别和定位线性阵列图案中缺失元素的方法
CN111062934A (zh) 一种织物图像缺陷实时检测方法
CN111368682A (zh) 一种基于faster RCNN台标检测与识别的方法及系统
CN110781913A (zh) 一种拉链布带缺陷检测方法
CN111754502A (zh) 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法
WO2020245889A1 (ja) 点検装置、制御方法、及びプログラム
CN106127210A (zh) 一种基于多特征的显著性检测方法
CN110163090A (zh) 一种基于多特征和尺度估计的pcb板标识跟踪方法
CN103293431B (zh) 排线装配检测装置
CN107122783B (zh) 一种基于角点检测的装配连接件快速识别方法
CN111640122B (zh) 基于连通域的led异形显示屏光斑定位分割方法

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