CN110060270B - 一种适用于低成像质量多边形管状物体的边缘检测方法 - Google Patents

一种适用于低成像质量多边形管状物体的边缘检测方法 Download PDF

Info

Publication number
CN110060270B
CN110060270B CN201910339447.4A CN201910339447A CN110060270B CN 110060270 B CN110060270 B CN 110060270B CN 201910339447 A CN201910339447 A CN 201910339447A CN 110060270 B CN110060270 B CN 110060270B
Authority
CN
China
Prior art keywords
target object
curve
candidate target
image
point
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
CN201910339447.4A
Other languages
English (en)
Other versions
CN110060270A (zh
Inventor
刘华
陈远
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.)
Ning Ruihui Chuang Information Technology Nanjing Co ltd
Original Assignee
Ning Ruihui Chuang Information Technology Nanjing Co ltd
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 Ning Ruihui Chuang Information Technology Nanjing Co ltd filed Critical Ning Ruihui Chuang Information Technology Nanjing Co ltd
Priority to CN201910339447.4A priority Critical patent/CN110060270B/zh
Publication of CN110060270A publication Critical patent/CN110060270A/zh
Application granted granted Critical
Publication of CN110060270B publication Critical patent/CN110060270B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种适用于低成像质量多边形管状物体的边缘检测方法，其先通过将目标物体图像滤波处理来增强突出多边形管状物体，而后进行细化处理找到候选目标物体，对候选目标物体进行判别是否符合多边形条件，则对于符合条件的即为所需识别的目标物体，也就实现了在复杂环境中识别目标物体、检测目标物体，最后通过灰度轮廓曲线找到的波谷点就是目标物体的内、外边界，从而实现精确提取目标物体的内外侧边界，检测效果好，检测效率高。

Description

一种适用于低成像质量多边形管状物体的边缘检测方法
技术领域
本发明涉及机器视觉检测技术领域，具体为一种适用于低成像质量多边形管状物体的边缘检测方法。
背景技术
在钢材工厂自动打磨、自动焊接等环境中,待加工的工件需要做到被准确识别与定位，尤其是对于多边形管状钢材物体坡口切割、焊缝边缘检测，需要精确提取它的内外侧边界，以便于对多边形管状钢材物体的边缘打磨或自动焊接，然而在检测过程中，很多时候会受限于工厂特定环境,待加工的工件往往很难被拍摄出对比度高且清晰的图像，在实际情况下,外部环境往往非常复杂,不但光照不均,而且背景干扰严重，以及管道本身也极容易因为生锈而导致较差成像结果(如图1所示)，基于上述原因，也很难通过改变光照条件来提高成像质量。
在目前的机器视觉领域中,在提取物体边缘时往往采用经典的图像边缘提取方法,如Sobel,Canny方法等,但是这些方法仅在图像成像清晰、对比度高的环境下有效,而在对比度低、噪声干扰大的成像环境下,是无法有效地检测出完整的边缘的，如图2和图3所示,检测出的图像成像质量较低，所提取的边缘被检测为为断裂的噪声点,检测效果差。
发明内容
针对上述问题，本发明提供了一种适用于低成像质量多边形管状物体的边缘检测方法，其可在复杂环境中精确识别目标、检测目标、定位目标边缘，检测效果好，检测效率高。
其技术方案是这样的：其特征在于：其包括以下步骤：
S1、输入目标物体的图像，采用滤波器对图像进行滤波处理后，选取最大响应结果作为最终输出结果；
S2、对滤波后的图像进行细化处理：通过采用非极大值抑制NMS算法搜索出图像的局部最大极值点，得到细化后的单像素线条图像；
S3、采用大津法OTSU自适应阈值进行二值化处理得到二值化图像，随后对二值化图像进行形态学滤波操作，最后保留下来的曲线作为候选目标物体曲线；
S4、对经过所述S3的候选目标物体进行判别是否满足多边形条件：计算候选目标物体的轮廓点到其重心点的欧式距离，形成具有多个峰值的欧式距离曲线，若每个峰值之间的高度差值和峰值与峰值之间的距离差值均小于设定阈值，即判断所述候选目标物体曲线符合多边形条件，反之则不是，然后判断所述候选目标物体曲线是否为最后一个候选目标物体曲线，若是，结束检测，若不是，对下一个候选目标物体曲线重新进行判别是否满足多边形条件；
S5、将满足多边形条件的候选目标物体曲线作为多边形物体边缘之间的中心线，在所述中心线上做垂线，每条垂线的灰度轮廓曲线上的波谷点就是多边形管道物体的边界点；
S6、重复所述S5，直至遍历完整段中心线，得到多边形管道物体的所有边界点；
S7、判断是否完成最后一个候选目标物体曲线的边界点提取，若是，则结束检测，若不是，对下一个候选目标物体曲线进行重复所述S4、S5、S6，从而实现识别目标物体、检测目标物体、定位目标物体边缘。
其进一步特征在于：
所述S1中，输入的目标物体图像表示为f(x,y)，通过采用高斯二阶导数滤波器g(x,y)对图像进行滤波处理，
其中，所述滤波器
Figure BDA0002040225920000021
在滤波过程中不断改变滤波器方向，则将旋转了θ角度的滤波器表示为g(Rθ(x,y))，其中，旋转矩阵
Figure BDA0002040225920000022
目标物体图像f(x,y)通过与不断旋转的滤波器卷积滤波,最后选取最大响应结果作为最终的输出结果,输出结果记为rst(x,y)，
Figure BDA0002040225920000023
其中θ*为：
Figure BDA0002040225920000024
则在得到图像滤波结果rst(x,y)的同时，还得到了图像的方向角度θ*(x,y)；
进一步地，所述S1中，对目标物体图像进行多尺度滤波，得到多个响应结果，最大的响应结果rst*作为最终输出,表示为：
Figure BDA0002040225920000025
尺度范围σ∈[σmin,σmax]；
进一步地，所述S2中，采用图像的方向角度θ*(x,y)作为细化时的搜索方向，搜索出图像的局部最大极值点；
进一步地，所述S3中，通过形态学的闭运算操作，使得单像素线条图像中未连接的间断曲线完整连接起来；通过形态学的开运算操作，滤除剩余的噪声；通过形态学的细化操作，进一步确保图像中的曲线是单像素曲线；
进一步地，所述S4中，所述候选目标物体的曲线长度为L∈(Lmin,Lmax)，对所述候选目标物体的曲线计算重心(x0,y0),
Figure BDA0002040225920000031
其中，xi,yi是当前候选目标物体曲线的x,y坐标,N是当前候选目标物体曲线的像素个数；
选定所述候选目标物体的曲线上的一个起始点，沿一个方向顺序依次计算所述候选目标物体上每个点到重心(x0,y0)的欧氏距离，从而判断所述候选目标物体的曲线是否符合多边形条件，如果满足，其中的重心(x0,y0)就是所需要计算的重心，且当前所述候选目标物体的曲线就是多边形物体边缘的中心线；
进一步地，所述S5中，在当前所述候选目标物体中心线其中一段上选取若干点,在对应点上沿着中心线法线方向
Figure BDA0002040225920000032
作垂线
Figure BDA0002040225920000033
其中
Figure BDA0002040225920000034
将垂线
Figure BDA0002040225920000035
的灰度轮廓曲线表示为
Figure BDA0002040225920000036
在灰度轮廓曲线上的波谷点Ai和波谷点Bi，就是当前所述候选目标物体的外边界点和内边界点；
进一步地，所述S6中，在所述候选目标物体的中心线剩余段上重复做垂线，直至遍历完整段中心线，得到外边界集合linner＝{Ai,i＝1...N}，内边界集合louter＝{Bi,i＝1...N}，最后通过对linner和louter做直线拟合,得到物体内外边缘，从而完成定位目标物体边缘。
本发明的有益效果是，其先通过将目标物体图像滤波处理来增强突出多边形管状物体，而后进行细化处理找到候选目标物体，对候选目标物体进行判别是否符合多边形条件，则对于符合条件的即为所需识别的目标物体，也就实现了识别目标物体、检测目标物体，最后通过灰度轮廓曲线找到的波谷点就是目标物体的内、外边界，从而实现精确提取目标物体的内外侧边界，有效适用于低对比度背景复杂环境下的多边形管状钢材物体坡口切割、焊缝边缘检测。
附图说明
图1是现有的八边形管道边缘成像示意图；
图2是现有的sobel边缘检测的成像示意图；
图3是现有的Canny边缘检测的成像示意图；
图4是本发明的流程示意图；
图5是对图1的多尺度滤波结果成像示意图；
图6是NMS细化结果成像示意图；
图7是八边形物体的中心线绘制成像示意图；
图8是八边形物体的内外边界检测结果的成像示意图；
图9是八边形物体中八个角到重心距离的示意图；
图10是八边形轮廓到重心的欧式距离曲线示意图；
图11是在图5上做垂线的成像示意图；
图12是垂线的灰度轮廓曲线示意图。
具体实施方式
如图4所示，本发明包括以下步骤：
S1、输入目标物体的图像f(x,y)，通过采用高斯二阶导数滤波器g(x,y)对图像进行滤波处理，来增强突出多边形管状物体，
其中，所述滤波器
Figure BDA0002040225920000041
在滤波过程中不断改变滤波器方向，则将旋转了θ角度的滤波器表示为g(Rθ(x,y))，其中，旋转矩阵
Figure BDA0002040225920000042
因此，目标物体图像f(x,y)通过与不断旋转的滤波器卷积滤波,最后选取最大响应结果作为最终的输出结果,输出结果记为rst(x,y)，
Figure BDA0002040225920000043
其中θ*为：
Figure BDA0002040225920000044
则通过上述公式，在得到图像滤波结果rst(x,y)的同时，还得到了图像的方向角度θ*(x,y)。
且由于事先并不知道多边形管道管壁厚度,为了能够让滤波器对不同厚度的多边形管道都有较好的响应,对目标物体图像进行多尺度滤波(即多次滤波)，得到多个响应结果，最大的响应结果rst*作为最终输出,表示为：
Figure BDA0002040225920000051
尺度范围σ∈[σmin,σmax]，图5是对图1的多尺度滤波处理结果示意图。
S2、对滤波后的图像进行细化处理：通过采用非极大值抑制NMS算法得到细化后的图像，由于传统的NMS算法的思想是沿图像梯度方向搜索图像的局部最大极值点，而由于梯度的方向性较弱且易受噪声影响，则本发明中，采用图像的方向角度θ*(x,y)作为细化时的搜索方向，搜索出图像的局部最大极值点，根据极值点得到细化后的图像，而最终得到的细化图像保持了单像素的线条,这样有利于后续分析，图6是NMS细化结果。
S3、细化后的目标物体前景与背景被较好地区分成了两类，采用大津法OTSU自适应阈值进行二值化处理，并分别采用闭运算、开运算、细化等一系列形态学滤波操作，通过形态学的闭运算操作可以使未连接的间断曲线完整连接起来，通过形态学的开运算操作可滤除剩余的噪声，通过形态学的细化操作可进一步确保图像中的曲线是单像素曲线，而依然保留下来的曲线作为候选目标物体曲线。
S4、对经过步骤S3的候选目标物体进行判别是否满足多边形条件：
候选目标物体的曲线长度为L∈(Lmin,Lmax)，即候选目标物体的曲线长度L在最大和最小设定的阈值范围内；
对所述候选目标物体的曲线计算重心(x0,y0),
Figure BDA0002040225920000052
其中，xi,yi当前候选目标物体曲线的x,y坐标,N是当前候选目标物体曲线的像素个数，本实施例中候选目标物体为八边形管状物体，则N＝8；
然后选定所述候选目标物体的曲线上的一个起始点，沿顺时针(或逆时针)顺序依次计算所述候选目标物体上每个轮廓点到重心(x0,y0)的欧氏距离，如图9所示，图中八边形管状物体的8个角到重心距离分别由1、2、3、4、5、6、7、8示意；由于待识别的八边形管状物体是一个对称的封闭(或近乎封闭)曲线,八个角到重心的距离最远,八条边到重心的距离最近,因此在欧氏距离曲线上形成了具有8个峰值的曲线,如图10所示，则根据这一特点，可作为判断候选目标物体曲线是否是八边形(或其他多边形)；接着通过判断距离曲线的峰值数量,每个峰值之间的高度差值小于设定阈值,即峰值高度接近；峰值与峰值之间的距离差值小于设定阈值,即峰值间距接近，由此判断该候选目标物体的曲线是否符合多边形条件，如果满足，其中的重心(x0,y0)就是所需要计算的重心，且符合上述条件的当前所述候选目标物体的曲线就是八边形管状物体边缘的中心线,如图7所示中，八边形管状物体白色区域中的连续的黑色线条即为八边形管状物体边缘的中心线；反之则不是，然后继续判断所述候选目标物体曲线是否为最后一个候选目标物体曲线，若是，结束检测，若不是，对下一个候选目标物体曲线重新进行判别是否满足多边形条件。
S5、将满足多边形条件的候选目标物体曲线作为八边形管状物体内外边缘之间的中心线l，在所述中心线上做垂线，每条垂线的灰度轮廓曲线上的波谷点就是多边形管道物体的边界点；
在当前所述候选目标物体中心线其中一段上选取若干点,每个点间隔距离为Δd,在对应点上沿着中心线法线方向
Figure BDA0002040225920000061
作垂线
Figure BDA0002040225920000062
其中
Figure BDA0002040225920000063
第i个垂线记为
Figure BDA0002040225920000064
将图11中多尺度滤波图像的第i个垂线
Figure BDA0002040225920000065
的灰度轮廓曲线表示为
Figure BDA0002040225920000066
如图12所示,其表现为类似高斯四阶导数形状，因此在灰度轮廓曲线上很容易找到波谷点A和波谷点B的位置，而波谷点A和波谷点B分别为八边形管道的外边界点和内边界点。
S6、重复步骤S5，直至遍历完整段中心线l，得到外边界集合linner＝{Ai,i＝1...N}，内边界集合louter＝{Bi,i＝1...N}，最后通过对linner和louter做直线拟合,得到物体内外边缘，从而完成定位目标物体边缘。
S7、判断是否完成最后一个候选目标物体曲线的边界点提取，若是，则结束检测，若不是，对下一个候选目标物体曲线进行重复所述S4、S5、S6，从而实现识别目标物体、检测目标物体、定位目标物体边缘。
通过图8可显示出本发明检测方法对八边形管道的实验结果，图中画出的两个白色线部分即为八边形管道内、外侧边缘，成像质量高，检测效果明显。
综上，本发明中的检测方法能够在一般工业环境下识别目标、检测目标、准确定位目标边缘，并可检测规则的多边形边缘,例如四边形,六边形,八边形等，更具有较好的鲁棒性，适用于低对比度背景复杂环境下的物体检测，为开放环境下的多边形管状物体的边缘打磨或自动焊接提供了可靠的视觉定位技术。

Claims (7)

1.一种适用于低成像质量多边形管状物体的边缘检测方法，其特征在于：其包括以下步骤：
S1、输入目标物体的图像，采用滤波器对图像进行滤波处理后，选取最大响应结果作为最终输出结果；
S2、对滤波后的图像进行细化处理：通过采用非极大值抑制NMS算法搜索出图像的局部最大极值点，得到细化后的单像素线条图像；
S3、采用大津法OTSU自适应阈值进行二值化处理得到二值化图像，随后对二值化图像进行形态学滤波操作，最后保留下来的曲线作为候选目标物体曲线；
S4、对经过所述S3的候选目标物体进行判别是否满足多边形条件：计算候选目标物体的轮廓点到其重心点的欧式距离，形成具有多个峰值的欧式距离曲线，若每个峰值之间的高度差值和峰值与峰值之间的距离差值均小于设定阈值，即判断所述候选目标物体曲线符合多边形条件，反之则不是，然后判断所述候选目标物体曲线是否为最后一个候选目标物体曲线，若是，结束检测，若不是，对下一个候选目标物体曲线重新进行判别是否满足多边形条件；
S5、将满足多边形条件的候选目标物体曲线作为多边形物体边缘之间的中心线，在所述中心线上做垂线，每条垂线的灰度轮廓曲线上的波谷点就是多边形管道物体的边界点；
S6、重复所述S5，直至遍历完整段中心线，得到多边形管道物体的所有边界点；
S7、判断是否完成最后一个候选目标物体曲线的边界点提取，若是，则结束检测，若不是，对下一个候选目标物体曲线进行重复所述S4、S5、S6，从而实现识别目标物体、检测目标物体、定位目标物体边缘；
所述S4中，所述候选目标物体的曲线长度为L∈(Lmin,Lmax)，对所述候选目标物体的曲线计算重心(x0,y0),
Figure FDA0002756070150000011
其中，xi,yi是当前候选目标物体曲线的x,y坐标,N是当前候选目标物体曲线的像素个数；
选定所述候选目标物体的曲线上的一个起始点，沿一个方向顺序依次计算所述候选目标物体上每个点到重心(x0,y0)的欧氏距离，从而判断所述候选目标物体的曲线是否符合多边形条件，如果满足，其中的重心(x0,y0)就是所需要计算的重心，且当前所述候选目标物体的曲线就是多边形物体边缘的中心线。
2.根据权利要求1所述的一种适用于低成像质量多边形管状物体的边缘检测方法，其特征在于：所述S1中，输入的目标物体图像表示为f(x,y)，通过采用高斯二阶导数滤波器g(x,y)对图像进行滤波处理，
其中，所述滤波器
Figure FDA0002756070150000021
在滤波过程中不断改变滤波器方向，则将旋转了θ角度的滤波器表示为g(Rθ(x,y))，其中，旋转矩阵
Figure FDA0002756070150000022
目标物体图像f(x,y)通过与不断旋转的滤波器卷积滤波,最后选取最大响应结果作为最终的输出结果,输出结果记为rst(x,y)，
Figure FDA0002756070150000023
其中θ*为：
Figure FDA0002756070150000024
则在得到图像滤波结果rst(x,y)的同时，还得到了图像的方向角度θ*(x,y)。
3.根据权利要求1所述的一种适用于低成像质量多边形管状物体的边缘检测方法，其特征在于：所述S1中，对目标物体图像进行多尺度滤波，得到多个响应结果，最大的响应结果rst*作为最终输出,表示为：
Figure FDA0002756070150000025
尺度范围σ∈[σmin,σmax]。
4.根据权利要求1所述的一种适用于低成像质量多边形管状物体的边缘检测方法，其特征在于：所述S2中，采用图像的方向角度θ*(x,y)作为细化时的搜索方向，搜索出图像的局部最大极值点。
5.根据权利要求1所述的一种适用于低成像质量多边形管状物体的边缘检测方法，其特征在于：所述S3中，通过形态学的闭运算操作，使得单像素线条图像中未连接的间断曲线完整连接起来；通过形态学的开运算操作，滤除剩余的噪声；通过形态学的细化操作，进一步确保图像中的曲线是单像素曲线。
6.根据权利要求1所述的一种适用于低成像质量多边形管状物体的边缘检测方法，其特征在于：所述S5中，在当前所述候选目标物体中心线其中一段上选取若干点,在对应点上沿着中心线法线方向
Figure FDA0002756070150000031
作垂线
Figure FDA0002756070150000032
其中
Figure FDA0002756070150000033
将垂线
Figure FDA0002756070150000034
的灰度轮廓曲线表示为
Figure FDA0002756070150000035
在灰度轮廓曲线上的波谷点Ai和波谷点Bi，就是当前所述候选目标物体的外边界点和内边界点。
7.根据权利要求1所述的一种适用于低成像质量多边形管状物体的边缘检测方法，其特征在于：所述S6中，在所述候选目标物体的中心线剩余段上重复做垂线，直至遍历完整段中心线，得到外边界集合linner＝{Ai,i＝1...N}，内边界集合louter＝{Bi,i＝1...N}，最后通过对linner和louter做直线拟合,得到物体内外边缘，从而完成定位目标物体边缘。
CN201910339447.4A 2019-04-25 2019-04-25 一种适用于低成像质量多边形管状物体的边缘检测方法 Active CN110060270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910339447.4A CN110060270B (zh) 2019-04-25 2019-04-25 一种适用于低成像质量多边形管状物体的边缘检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910339447.4A CN110060270B (zh) 2019-04-25 2019-04-25 一种适用于低成像质量多边形管状物体的边缘检测方法

Publications (2)

Publication Number Publication Date
CN110060270A CN110060270A (zh) 2019-07-26
CN110060270B true CN110060270B (zh) 2021-05-04

Family

ID=67320793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910339447.4A Active CN110060270B (zh) 2019-04-25 2019-04-25 一种适用于低成像质量多边形管状物体的边缘检测方法

Country Status (1)

Country Link
CN (1) CN110060270B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288572B (zh) * 2019-06-13 2021-09-21 北京理工大学 血管中心线自动提取方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2511817A (en) * 2013-03-14 2014-09-17 Imagination Tech Ltd Rendering in computer graphics systems
CN105160343A (zh) * 2015-08-12 2015-12-16 蓝网科技股份有限公司 应用于胶片按需打印系统的信息识别方法和装置
CN106504225A (zh) * 2016-09-27 2017-03-15 深圳增强现实技术有限公司 一种规则多边形的识别方法和装置
CN107516095A (zh) * 2016-06-16 2017-12-26 阿里巴巴集团控股有限公司 一种图像识别方法及装置
CN108053414A (zh) * 2017-12-13 2018-05-18 太仓鼎诚电子科技有限公司 一种机器视觉边缘检测技术
CN108364311A (zh) * 2018-01-29 2018-08-03 深圳市亿图视觉自动化技术有限公司 一种金属部件自动定位方法及终端设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5016246B2 (ja) * 2006-03-28 2012-09-05 クラリオン株式会社 ナビゲーション装置、及びナビゲーション方法
CN101388077A (zh) * 2007-09-11 2009-03-18 松下电器产业株式会社 目标形状检测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2511817A (en) * 2013-03-14 2014-09-17 Imagination Tech Ltd Rendering in computer graphics systems
CN105160343A (zh) * 2015-08-12 2015-12-16 蓝网科技股份有限公司 应用于胶片按需打印系统的信息识别方法和装置
CN107516095A (zh) * 2016-06-16 2017-12-26 阿里巴巴集团控股有限公司 一种图像识别方法及装置
CN106504225A (zh) * 2016-09-27 2017-03-15 深圳增强现实技术有限公司 一种规则多边形的识别方法和装置
CN108053414A (zh) * 2017-12-13 2018-05-18 太仓鼎诚电子科技有限公司 一种机器视觉边缘检测技术
CN108364311A (zh) * 2018-01-29 2018-08-03 深圳市亿图视觉自动化技术有限公司 一种金属部件自动定位方法及终端设备

Also Published As

Publication number Publication date
CN110060270A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN110163853B (zh) 一种边缘缺陷的检测方法
CN105334219B (zh) 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN107610111B (zh) 一种基于深度学习的焊点图像检测方法
CN109060836B (zh) 基于机器视觉的高压油管接头外螺纹检测方法
CN107679520B (zh) 一种适用于复杂条件下的车道线视觉检测方法
CN106404793B (zh) 基于视觉的轴承密封件缺陷检测方法
CN107424144B (zh) 基于激光视觉的焊缝跟踪图像处理方法
CN116703907B (zh) 一种基于机器视觉的汽车铸件表面缺陷检测方法
CN113870235A (zh) 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法
CN116758083B (zh) 基于计算机视觉的金属洗脸盆缺陷快速检测方法
CN116597392B (zh) 基于机器视觉的液压油杂质识别方法
CN110717872A (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
CN115063423B (zh) 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN115880248B (zh) 一种表面划痕缺陷识别方法及视觉检测设备
CN113077437B (zh) 工件质量检测方法及其系统
CN111932490B (zh) 一种用于工业机器人的视觉系统抓取信息提取方法
CN111127498B (zh) 一种基于边缘自生长的Canny边缘检测方法
CN112750107A (zh) 基于轮廓边数拟合与凸包处理的球形工件识别方法及系统
CN111754422A (zh) 一种基于EDLines和LSM的视觉巡边方法
CN115063430A (zh) 基于图像处理的电气管道裂纹检测方法
CN115311289A (zh) 一种素色布匹油渍缺陷检测方法
CN115294159A (zh) 金属紧固件腐蚀区域分割方法
CN109544513A (zh) 一种钢管端面缺陷提取识别的方法

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