CN109615603A - 一种基于任务驱动的视觉注意模型提取激光条纹的通用方法 - Google Patents

一种基于任务驱动的视觉注意模型提取激光条纹的通用方法 Download PDF

Info

Publication number
CN109615603A
CN109615603A CN201811261489.2A CN201811261489A CN109615603A CN 109615603 A CN109615603 A CN 109615603A CN 201811261489 A CN201811261489 A CN 201811261489A CN 109615603 A CN109615603 A CN 109615603A
Authority
CN
China
Prior art keywords
class
laser
classes
task
laser stripes
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
Application number
CN201811261489.2A
Other languages
English (en)
Other versions
CN109615603B (zh
Inventor
何银水
马国红
余卓骅
李健
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.)
Nanchang University
Original Assignee
Nanchang University
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 Nanchang University filed Critical Nanchang University
Priority to CN201811261489.2A priority Critical patent/CN109615603B/zh
Publication of CN109615603A publication Critical patent/CN109615603A/zh
Application granted granted Critical
Publication of CN109615603B publication Critical patent/CN109615603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/30152—Solder

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)
  • Laser Beam Processing (AREA)

Abstract

本发明提出了一种基于任务驱动的视觉注意模型提取激光条纹的通用方法，前期处理中通过Gabor滤波产生方向特征图，然后通过Otsu阈值分割并利用最近邻算法对数据进行聚类；后期处理中先根据激光条纹的厚度及空间跨度信息设计了三种度量方法：聚类结果中类的空间跨度度量、类的厚度度量和类的厚度均匀性度量，并提取在三种度量方法中显著性都得到增强的类从而提取激光条纹的主体轮廓；然后以主体轮廓为框架，选取各主体轮廓之间一定数目的属于激光条纹细节的类作为候选类，设计局部竞争算法提取激光条纹的细节部分，最终获取完整的激光条纹。该方法对焊缝图像包含和不包含电弧区域的两种情况都适用，且对不同接头轮廓的提取均有效，有利于降低焊接成本。

Description

一种基于任务驱动的视觉注意模型提取激光条纹的通用方法
技术领域
本发明属于焊接技术领域，具体涉及一种基于任务驱动的视觉注意模型提取激光条纹的通用方法。
背景技术
机器人焊接中采用“示教再现”模式完成工件连接时，往往耗时巨大，且不能应对焊接产生变形而形成的干扰，所以焊接效率低下，焊接质量不高，焊缝自动跟踪技术是解决这一问题的首选，而厚板焊接领域采用激光视觉传感器检测焊缝轮廓中，激光条纹的有效提取是实现焊缝自动跟踪技术的前提，对于激光条纹的精确提取是自动化焊接技术领域的研究重点之一。目前激光条纹提取的研究和专利只针对某种激光条纹进行了算法的设计和实现，对于各种激光条纹提取的通用算法尚未实现，而实现激光条纹提取的通用算法有助于焊接系统的集成和自动化焊接技术应用领域的拓展，并利于降低自动焊接的成本，具有现实意义。
发明内容
本发明针对上述情况，提供了一种基于任务驱动的视觉注意模型提取激光条纹的通用方法，可以对各种焊缝坡口下的激光条纹进行提取。
本发明通过如下技术方案实现上述目的：一种基于任务驱动的视觉注意模型提取激光条纹的通用方法，包括如下步骤：
(1)设计了基于任务驱动型的视觉注意模型来获取焊缝图像的激光条纹显著性图，该视觉注意模型以对原始焊缝图像进行多方向Gabor滤波获取的方向特征图为起始，经Otsu算法进行阈值分割，并将获取的数目以最近邻聚类算法进行聚类，然后基于聚类结果和任务需求对聚类结果中的类通过设计跨度度量、宽度度量和宽度均匀性度量进行处理，获取激光条纹各方向上叠加得到的综合显著图，该综合显著图即为从干扰数据中辨别出的属于激光条纹的数据，即提取激光条纹的准备数据；(2)设计了一种基于局部显著性竞争的方法提取激光条纹的主体轮廓；(3)设计了一种基于提取的激光条纹的主体轮廓获取激光条纹的细节轮廓的方法，根据激光条纹平均厚度来设定主体轮廓之间的搜索范围，将与搜索范围有交集的数据类视为激光条纹的细节轮廓；(4)将提取的激光条纹的主体轮廓与细节轮廓进行位置叠，即获得最终完整的激光条纹。
本发明的具体操作步骤如下所述：
步骤1：对原始焊缝图像进行±10°和80°的多方向Gabor滤波，并对各滤波结果进行线性叠加获取综合方向特征图，并经Otsu算法进行阈值分割，将方向特征图转化为二值图像；
步骤2：以2个像素的距离作为阈值，对步骤1中的二值图像中的数据点进行最近邻聚类处理，将图中数据分割为不同类，每一个类代表位置相邻的数据点；
步骤3：对步骤中聚类结果的各类分别计算类的跨度度量、类的宽度度量和类的宽度均匀性度量，获得三种方向显著性图，将三种度量数值归一化至0～255，然后进行线性叠加，获得一种方向上的激光条纹的显著图；
其中，类的跨度度量的公式如下式(1)所示：
式(1)中，Li表示聚类结果中第i个类在图像中的欧式距离，n表示类的数目，表示第i个类度量后的跨度数值；
其中，类的宽度度量的公式如下式(2)所示：
式(2)中，Ti表示第i个类在垂直方向上的平均宽度，表示第i个类度量后的宽度数值；
其中，类的宽度均匀性度量的公式如下式(3)所示：
式(3)中mi是第i个类中数据列的数目，Ti,j表示第i个类中第j列激光条纹的宽度，表示第i个类各列激光条纹的平均宽度，表示宽度均匀性度量数值；
其中，线性叠加的公式如下式(4)所示：
式(4)中，表示归一化运算，通过归一化运算各度量数值被映射到了[0255]范围内；
步骤4：统计在三种度量中度量数值都增大的类，将这些类中位置最左边的类作为激光条纹的主体轮廓的起始段，而将这些类中位置最右边的类作为激光条纹的主体轮廓的终端；
步骤5：将激光条纹的主体轮廓的起始段保存于指定数组，即将对应的数据点的横坐标和纵坐标分别保存于不同数组中，如Temparrayhzb和Temparrayzzb中；之后进行循环，每次循环先确定位于已辨别的激光条纹主体轮廓右边的所有类，然后根据设计规则从候选类的数目动态中获取一定数目的候选类，设计一种计算各候选类的动态显著性的方法，依次将所有候选类进行动态显著性计算，并找出每次动态显著性最大的类作为该次循环中识别出的属于激光条纹的类，并继续保存于原指定数组中，直至所有候选类都计算完毕，跳出循环，将数组中最后一次辨认的激光条纹终端的类作为激光条纹的终端，并保存于指定数组中；
其中，候选类的数目(NCC)确定规则为：
1)如果本次循环中已辨认出的属于激光条纹的类的右边剩下的类的数目大于等于3，则NCC＝3；
2)如果本次循环中已辨认出的属于激光条纹的类的右边剩下的类的数目等于2，则NCC＝2；
3)如果本次循环中已辨认出的属于激光条纹的类的右边剩下的类的数目等于1，则NCC＝1；
其中，每次循环中各候选类的动态显著性计算公式如下式(5)所示：
式(5)中，Dt,j表示第t次循环中第j个候选类与上一次循环已辨别出的属于激光条纹的类的最小欧式距离，Lt,j表示第t次循环中第j个候选类自身在图像中的长度，St,j表示第t次循环中第j个候选类的显著性数值，其已由上式(4)计算得到；
步骤6：步骤5保存的激光条纹终端数据与步骤4中的起始段数据视为激光条纹的主体轮廓；
步骤7：依次线性连接步骤6中已辨认出的激光条纹的各主体轮廓，以连接线为中心，将激光条纹的平均厚度值作为波动范围，设定各主体轮廓之间的搜索范围；
步骤8：依次获取与各搜索范围有交集的类，并将这些类视为激光条纹的细节轮廓；
步骤9：将提取的激光条纹的主体轮廓和细节轮廓在空间上进行位置叠加，形成最终的完整的激光条纹。
本发明具有以下有益效果：
1、设计跨度度量、宽度度量和宽度均匀性度量最大限度地凸显了激光条纹，同时通过设计局部显著性竞争算法提取激光条纹主体轮廓，然后在主体轮廓基础下搜索激光条纹的细节轮廓，通过上述步骤可以最大限度消除各种干扰，并最大限度获取激光条纹的各个细节轮廓，有助于提高条纹提取的精度；
2、高精度的激光条纹提取有助于后续焊缝轮廓特征点的识别，并提高焊枪跟踪精度；
3、本发明提供的激光条纹提取方法可适用于含有不同激光条纹的焊缝图像，利于焊接自动系统的集成，并降低自动化焊接软件开发成本。
附图说明
图1为获取焊缝图像显著图的流程图；
图2为提取激光条纹的流程图；
图3为厚度50mm Q345b钢板角接焊接K形坡口原始焊缝图像；
图4为厚度50mm Q345b钢板角接焊接K形坡口原始焊缝图像的显著图；
图5为厚度50mm Q345b钢板角接焊接K形坡口原始焊缝图像中的激光条纹提取结果；
图6为厚度40mm Q345b钢板对接V形坡口原始焊缝图像；
图7为厚度40mm Q345b钢板对接V形坡口原始焊缝图像中激光条纹提取结果；
图8为厚度10mm Q345b钢板对接V形坡口原始焊缝图像；
图9为厚度10mm Q345b钢板中激光条纹提取结果。
具体实施方式
下面结合附图，对本发明作进一步地说明。
实施例1
请参阅图1和图2，图1为获取焊缝图像显著图的流程图，图2为提取激光条纹的流程图。
步骤1：对原始焊缝图像进行多方向Gabor滤波获取方向特征图，并经Otsu算法进行阈值分割，将方向特征图转化为二值图像。
Gabor滤波公式为：
其中，f＝1/7，σx＝σy＝4，θ＝±10°,80°。
步骤2：以2个像素的距离作为阈值，对步骤1中的二值图像中的数据点进行最近邻聚类处理，将图中数据分割为不同类，每一个类代表位置相邻的数据点；
步骤3：对步骤中聚类结果的各类分别计算跨度度量、宽度度量和宽度均匀性度量，获得三种方向显著性图，将三种度量数值归一化至0～255，然后进行线性叠加，获得一种方向的激光条纹的综合显著图，即提取出的激光条纹的数据；
其中，跨度度量的公式如下式(1)所示：
式(1)中，Li表示聚类结果中第i个类在图像中的欧式距离，n表示类的数目，表示第i个类度量后的跨度数值；
其中，宽度度量的公式如下式(2)所示：
式(2)中，Ti表示第i个类在垂直方向上的平均宽度，表示第i个类度量后的宽度数值；
其中，宽度均匀性度量的公式如下式(3)所示：
式(3)中mi是第i个类中数据列的数目，Ti,j表示第i个类中第j列激光条纹的宽度，表示第i个类各列激光条纹的平均宽度，表示宽度均匀性度量数值；
其中，线性叠加的公式如下式(4)所示：
式(4)中表示归一化运算，通过归一化运算各度量数值被映射到了[0255]范围内；
步骤4：统计在三种度量中度量数值都增大的类，将这些类中位置最左边的类作为激光条纹的主体轮廓的起始段，而将这些类中位置最右边的类作为激光条纹的主体轮廓的终端；
步骤5：将激光条纹的主体轮廓的起始段保存于指定数组，即将对应的数据点的横坐标和纵坐标分别保存于不同数组中，如Temparrayhzb和Temparrayzzb中；之后进行循环，每次循环先确定位于已辨别的激光条纹主体轮廓右边的所有类，然后根据设计规则获取类一定数目的候选类，设计一种计算各候选类的动态显著性的方法，依次将所有候选类进行动态显著性计算，并找出每次动态显著性最大的类作为该次计算中辨认出的属于激光条纹主体轮廓的类，并继续保存于原指定数组中，直至所有候选类都计算完毕，跳出循环，将数组中最后一次的辨认的激光条纹终端的类作为激光条纹的终端，并保存于指定数组中；
其中，候选类的数目(NCC)确定规则为：
1)如果本次循环中已辨认出的属于激光条纹的类的右边剩下的类的数目大于等于3，则NCC＝3，即该次循环中只取数组中最前面的3个类作为参与显著性竞争的候选类；
2)如果本次循环中已辨认出的属于激光条纹的类的右边剩下的类的数目等于2，则NCC＝2，即该次循环中只取数组中最前面的2个类作为参与显著性竞争的候选类；
3)如果本次循环中已辨认出的属于激光条纹的类的右边剩下的类的数目等于1，则NCC＝1，即已获得该次循环中显著性竞争最大的1个类；
其中，每次循环中各候选类的动态显著性计算公式如下式(5)所示：
式(5)中，Dt,j表示第t次循环中第j个候选类与上一次循环已辨别出的属于激光条纹的类的最小欧式距离，Lt,j表示第t次循环中第j个候选类自身在图像中的长度，St,j表示第t次循环中第j个候选类的显著性数值，其已由上式(4)计算得到；
步骤6：步骤5保存的激光条纹终端数据与步骤4中的起始段数据视为激光条纹的主体轮廓；
步骤7：依次线性连接步骤6中已辨认出的激光条纹的各主体轮廓，以连接线为中心，将激光条纹的平均厚度值作为波动范围，设定各主体轮廓之间的搜索范围；
步骤8：依次获取与各搜索范围有交集的类，并将这些类视为激光条纹的细节轮廓；
步骤9：将提取的激光条纹的主体轮廓和细节轮廓在空间上进行位置叠加，形成最终的完整的激光条纹。
实施例2
选取50mm Q345b钢板角接焊接K形坡口带激光条纹的焊缝图像为试验图像，进行T接头激光条纹焊缝轮廓提取试验，轮廓提取的操作如实施例1进行；
其中，厚度50mm Q345b钢板角接焊接K形坡口原始焊缝图像如图3所示，经本发明方法中的步骤1-3操作后获得的激光条纹的显著图如图4所示，经本发明方法中的步骤4-9操作后提取的激光条纹图如图5所示。
实施例3
选取40mm Q345b钢板对接V形坡口带激光条纹的焊缝图像为试验对象，进行V形坡口焊缝激光条纹提取试验，轮廓提取的操作如实施例1进行；
其中，厚度40mm Q345b钢板对接V形坡口原始焊缝图像如图6所示，经本发明方法中的1-9操作后提取的激光条纹的轮廓如图7所示。
实施例4
选取厚度10mm Q345b钢板对接V形坡口带光条纹的焊缝图像为试验对象，进行V形坡口焊缝激光条纹提取试验，轮廓提取的操作如实施例1进行；
其中，厚度10mm Q345b钢板对接V形坡口原始焊缝图像如图8所示，经本发明方法中的1-9操作后提取的激光条纹的轮廓如图9所示。
综上所述，本发明提供的方法可对各种焊缝坡口下的的激光条纹进行有效地提取。

Claims (10)

1.一种基于任务驱动的视觉注意模型提取激光条纹的通用方法，其特征在于，包括如下步骤：
(1)设计了基于任务驱动型的视觉注意模型来获取焊缝图像的激光条纹显著性图，该视觉注意模型以对原始焊缝图像进行多方向Gabor滤波获取的方向特征图为起始，经Otsu算法进行阈值分割，并将获取的数据以最近邻聚类算法进行聚类，然后基于聚类结果和任务需求对聚类结果中的类通过设计跨度度量、宽度度量和宽度均匀性度量进行处理，获取激光条纹各方向上叠加得到的综合显著图，该综合显著图即为从干扰数据中辨别出的属于激光条纹的数据；(2)设计了一种基于局部显著性竞争的方法提取激光条纹的主体轮廓；(3)设计了一种基于提取的激光条纹的主体轮廓获取激光条纹的细节轮廓的方法，根据激光条纹平均厚度来设定主体轮廓之间的搜索范围，将与搜索范围有交集的类视为激光条纹的细节轮廓；(4)将提取的激光条纹的主体轮廓与细节轮廓进行位置叠加，即获得最终完整的激光条纹。
2.根据权利要求1所述的一种基于任务驱动的视觉注意模型提取激光条纹的通用方法，其特征在于，步骤(1)中所述的设计基于任务驱动型的视觉注意模型的步骤如下：
步骤1：对原始焊缝图像进行±10°和80°的多方向Gabor滤波，并对各滤波结果进行线性叠加获取综合方向特征图，并经Otsu算法进行阈值分割，将方向特征图转化为二值图像；
步骤2：以2个像素的距离作为阈值，对步骤1中的二值图像中的数据点进行最近邻聚类处理，将图中数据分割为不同类，每一个类代表位置相邻的数据点的集合；
步骤3：对步骤2中聚类结果的各个类分别计算跨度度量、宽度度量和宽度均匀性度量，获得三种方向显著性图，分别将三种度量数值归一化至0～255，然后进行线性叠加，获得一种激光条纹方向上的综合显著图。
3.根据权利要求1所述的一种基于任务驱动的视觉注意模型提取激光条纹的通用方法，其特征在于，步骤(2)中所述一种基于局部显著性竞争的方法提取激光条纹的主体轮廓的设计步骤如下：
步骤4：统计在步骤(1)中类的跨度度量、类的宽度度量和类的宽度均匀性度量这三种度量中度量数值都增大的类，将这些类中位置最左边的类作为激光条纹的主体轮廓的起始段，而将这些类中位置最右边的类作为激光条纹的主体轮廓的终端；
步骤5：将激光条纹的主体轮廓的起始段保存于指定数组，即将对应的数据点的横坐标和纵坐标分别保存于不同数组中，如Temparrayhzb和Temparrayzzb中；之后进行循环，每次循环先确定位于已辨别的激光条纹主体轮廓右边的所有类，然后根据设计规则获取一定数目的候选类，设计一种计算各候选类的动态显著性的方法，依次将所有候选类进行动态显著性计算，并找出每次动态显著性最大的类作为该次循环中识别出的属于激光条纹的类，并继续保存于原指定数组中，直至所有候选类都计算完毕，跳出循环，并将最后一次辨认的激光条纹终端的类作为激光条纹的终端，也保存于指定数组中；
步骤6：步骤4和5辨认出的类视为激光条纹的主体轮廓。
4.根据权利要求1所述的一种基于任务驱动的视觉注意模型提取激光条纹的通用方法，其特征在于，所述步骤(3)中的一种基于局部显著性竞争的方法提取激光条纹的主体轮廓的设计步骤如下：
步骤7：依次线性连接步骤(2)中已辨认出的激光条纹的各主体轮廓，以连接线为中心，将激光条纹的平均厚度值作为波动范围，设定各主体轮廓之间的搜索范围；
步骤8：依次获取与各搜索范围有交集的类，并将这些类视为激光条纹的细节轮廓。
5.根据权利要求2所述的一种基于任务驱动的视觉注意模型提取激光条纹的通用方法，其特征在于，所述步骤3中的类的跨度度量的公式如下式(1)所示：
式(1)中，Li表示聚类结果中第i个类在图像中的欧式距离，n表示类的数目，表示第i个类度量后的跨度数值。
6.根据权利要求2所述的一种基于任务驱动的视觉注意模型提取激光条纹的通用方法，其特征在于，所述步骤3中的类的宽度度量的公式如下式(2)所示：
式(2)中，Ti表示第i个类在垂直方向上的平均宽度，表示第i个类度量后的宽度数值。
7.根据权利要求2所述的一种基于任务驱动的视觉注意模型提取激光条纹的通用方法，其特征在于，所述步骤3中的类的宽度均匀性度量的公式如下式(3)所示：
式(3)中mi是第i个类中数据列的数目，Ti,j表示第i个类中第j列激光条纹的宽度，
表示第i个类各列激光条纹的平均宽度，表示宽度均匀性度量数值。
8.根据权利要求2所述的一种基于任务驱动的视觉注意模型提取激光条纹的通用方法，其特征在于，所述步骤3中的，线性叠加的公式如下式(4)所示：
式(4)中表示归一化运算，通过归一化运算各度量数值被映射到了[0255]范围内。
9.根据权利要求3所述的一种基于任务驱动的视觉注意模型提取激光条纹的通用方法，其特征在于，所述步骤5中的候选类的数目NCC确定规则为：
1)如果本次循环中已辨认出的属于激光条纹的类的右边剩下的类的数目大于等于3，则NCC＝3；
2)如果本次循环中已辨认出的属于激光条纹的类的右边剩下的类的数目等于2，则NCC＝2；
3)如果本次循环中已辨认出的属于激光条纹的类的右边剩下的类的数目等于1，则NCC＝1。
10.根据权利要求3所述的一种基于任务驱动的视觉注意模型提取激光条纹的通用方法，其特征在于，所述骤5中的每次循环中各候选类的动态显著性计算公式如下式(5)所示：
式(5)中，Dt,j表示第t次循环中第j个候选类与上一次循环已辨别出的属于激光条纹的类的最小欧式距离，Lt,j表示第t次循环中第j个候选类自身在图像中的长度，St,j表示第t次循环中第j个候选类的显著性数值。
CN201811261489.2A 2018-10-27 2018-10-27 一种基于任务驱动的视觉注意模型提取激光条纹的方法 Active CN109615603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811261489.2A CN109615603B (zh) 2018-10-27 2018-10-27 一种基于任务驱动的视觉注意模型提取激光条纹的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811261489.2A CN109615603B (zh) 2018-10-27 2018-10-27 一种基于任务驱动的视觉注意模型提取激光条纹的方法

Publications (2)

Publication Number Publication Date
CN109615603A true CN109615603A (zh) 2019-04-12
CN109615603B CN109615603B (zh) 2022-07-12

Family

ID=66002461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811261489.2A Active CN109615603B (zh) 2018-10-27 2018-10-27 一种基于任务驱动的视觉注意模型提取激光条纹的方法

Country Status (1)

Country Link
CN (1) CN109615603B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110814465A (zh) * 2019-11-28 2020-02-21 华东交通大学理工学院 一种自动焊接焊缝轮廓提取的通用方法
CN113470059A (zh) * 2021-05-26 2021-10-01 南昌交通学院 基于视觉注意的厚板t形接头gmaw焊接焊缝轮廓提取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140147005A1 (en) * 2011-06-24 2014-05-29 Tomra Systems Asa Method and apparatus for detecting fraud attempts in reverse vending machines
CN105571502A (zh) * 2015-12-29 2016-05-11 上海交通大学 搅拌摩擦焊接中焊缝间隙的测量方法
CN106952281A (zh) * 2017-05-15 2017-07-14 上海交通大学 一种焊缝轮廓特征识别及其焊道实时规划的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140147005A1 (en) * 2011-06-24 2014-05-29 Tomra Systems Asa Method and apparatus for detecting fraud attempts in reverse vending machines
CN105571502A (zh) * 2015-12-29 2016-05-11 上海交通大学 搅拌摩擦焊接中焊缝间隙的测量方法
CN106952281A (zh) * 2017-05-15 2017-07-14 上海交通大学 一种焊缝轮廓特征识别及其焊道实时规划的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YINSHUI HE 等: "Parameter Self-Optimizing Clustering for Autonomous Extraction of the Weld Seam Based on Orientation Saliency in Robotic MAG Welding", 《JOURNAL OF INTELLIGENT & ROBOTIC SYSTEMS》 *
何银水 等: ""基于视觉注意机制的机器人厚板焊接焊缝轮廓的识别 "", 《焊接学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110814465A (zh) * 2019-11-28 2020-02-21 华东交通大学理工学院 一种自动焊接焊缝轮廓提取的通用方法
CN110814465B (zh) * 2019-11-28 2021-09-03 华东交通大学理工学院 一种自动焊接焊缝轮廓提取的通用方法
CN113470059A (zh) * 2021-05-26 2021-10-01 南昌交通学院 基于视觉注意的厚板t形接头gmaw焊接焊缝轮廓提取方法

Also Published As

Publication number Publication date
CN109615603B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN113042939B (zh) 基于三维视觉信息的工件焊缝定位方法及系统
CN105046271A (zh) 基于模板匹配的melf元件定位与检测方法
CN111640157A (zh) 一种基于神经网络的棋盘格角点检测方法及其应用
CN107798330A (zh) 一种焊缝图像特征信息提取方法
CN100507937C (zh) 基于局部图像纹理特征匹配的焊缝自动识别视觉方法
CN110717872B (zh) 一种激光辅助定位下的v型焊缝图像特征点提取方法及提取系统
CN109544612A (zh) 基于特征点几何表面描述的点云配准方法
CN110814465B (zh) 一种自动焊接焊缝轮廓提取的通用方法
CN101216895A (zh) 一种复杂背景图像中椭圆图像特征的自动提取方法
CN113436207B (zh) 一种对于规则表面的线结构光条纹中心快速精确提取方法
CN108898158A (zh) 一种基于分段线性拟合的焊缝识别方法
CN106485749A (zh) 一种基于角点的矩形引脚元件粗定位方法
CN111311618A (zh) 一种基于高精度几何基元提取的圆弧工件匹配与定位方法
CN109615603B (zh) 一种基于任务驱动的视觉注意模型提取激光条纹的方法
CN111861968B (zh) 一种红外弱小目标检测方法及检测系统
CN102236785A (zh) 一种非重叠摄像机视点之间的行人匹配方法
CN107945120B (zh) 基于样本块的旋转及缩放图像修复方法
Hao et al. A novel multi-seam extraction method for structured workpieces with medium-thick plates based on DLP vision
CN116152147A (zh) 一种连接器插针位置偏差检测方法
CN110163894A (zh) 基于特征匹配的亚像素级目标跟踪方法
CN110310295A (zh) 一种焊缝轮廓提取方法及系统
CN117611525A (zh) 一种受电弓滑板磨耗视觉检测方法和系统
CN114682879B (zh) 一种基于目标跟踪的焊缝跟踪方法
CN117444441A (zh) 一种搭接焊缝智能焊接方法
CN113436209B (zh) 一种基于逐层缩进策略的新型焊缝中心线提取方法

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