CN110322395A - 基于图像处理与仿射变换的零件轮廓形状检测方法及装置 - Google Patents
基于图像处理与仿射变换的零件轮廓形状检测方法及装置 Download PDFInfo
- Publication number
- CN110322395A CN110322395A CN201910529243.7A CN201910529243A CN110322395A CN 110322395 A CN110322395 A CN 110322395A CN 201910529243 A CN201910529243 A CN 201910529243A CN 110322395 A CN110322395 A CN 110322395A
- Authority
- CN
- China
- Prior art keywords
- product
- shape
- checked
- image
- affine transformation
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 74
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000012545 processing Methods 0.000 title abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012797 qualification Methods 0.000 claims abstract description 7
- BJQHLKABXJIVAM-UHFFFAOYSA-N bis(2-ethylhexyl) phthalate Chemical compound CCCCC(CC)COC(=O)C1=CC=CC=C1C(=O)OCC(CC)CCCC BJQHLKABXJIVAM-UHFFFAOYSA-N 0.000 claims description 24
- 238000013519 translation Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 12
- 238000013501 data transformation Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 7
- 230000010076 replication Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 11
- 230000002950 deficient Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Classifications
-
- G06T3/02—
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/20036—Morphological image processing
- G06T2207/20044—Skeletonization; Medial axis transform
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种基于图像处理与仿射变换的零件轮廓形状检测方法及装置,所述方法包括:采集待检产品的图像Ii,并从所述图像Ii中提取出待检产品形状区域ROi;根据预存的样本产品形状区域数据对所述待检产品形状区域ROi进行仿射变换;将所述待检产品形状区域ROi进行复制,生成待检产品形状区域元组;其中,所述待检产品形状区域元组与预存的标准检测轮廓区域元组的元素数量相等;将所述待检产品形状区域元组与所述标准检测轮廓区域元组进行比较,以对所述待检产品的合格性进行判定。本发明能够对卡箍零件进行自动识别和检测,从而提高零件检测的效率和准确性。
Description
技术领域
本发明涉及机器视觉检测技术领域,尤其是涉及一种基于图像处理与仿射变换的零件轮廓形状检测方法及装置。
背景技术
制造工厂在生产卡箍零件时需要进行轮廓形状检测(卡箍零件的例子之一如图2所示),以区分生产出来的零件为合格品或不良品。目前,在对卡箍零件进行检测时,需要依赖人工使用机械量具(卡箍零件的检测量具工程图如图3所示)的方式,由工人将待检卡箍零件放入量具中,如果卡箍能顺畅通过量具则为合格品,否则为不良品。但是,采用人工操作检测卡箍零件轮廓形状的方式,效率低下,工人劳动强度大,且容易出现人为误判,因此,传统的采用人工操作检测卡箍零件形状的方法已无法满足智能制造的技术需求。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于图像处理与仿射变换的零件轮廓形状检测方法及装置,能够对卡箍零件进行自动识别和检测,从而提高零件检测的效率和准确性。
为了解决上述技术问题,本发明提供了一种基于图像处理与仿射变换的零件轮廓形状检测方法,包括:
采集待检产品的图像Ii,并从所述图像Ii中提取出待检产品形状区域Roi;
根据预存的样本产品形状区域数据对所述待检产品形状区域ROi进行仿射变换;
将所述待检产品形状区域ROi进行复制,生成待检产品形状区域元组;其中,所述待检产品形状区域元组与预存的标准检测轮廓区域元组的元素数量相等;
将所述待检产品形状区域元组与所述标准检测轮廓区域元组进行比较,以对所述待检产品的合格性进行判定。
进一步地,所述样本产品形状区域数据的获取方法包括:
采集样本产品套入机械量具的标准样本图像I,对所述标准样本图像I进行二值化处理后,提取出样本产品形状区域RO;
分别作出所述样本产品形状区域RO的最小外接矩形Rm和最小外接圆Cm,并计算所述样本产品形状区域RO的辅助中心坐标(Rcx,Rcy)和辅助夹角A,得到所述样本产品形状区域数据;其中,该辅助中心坐标(Rcx,Rcy)为所述最小外接矩形Rm的中心坐标,该辅助夹角A为所述最小外接矩形Rm和所述最小外接圆Cm的中心连线与水平方向的夹角。
进一步地,所述标准检测轮廓区域元组的获取方法包括:
将所述样本产品形状区域RO分别膨胀T1倍和T2倍后相减得到临时区域Rn;其中,T1>T2>0;
从所述标准样本图像I中分割出所述临时区域Rn的图像IO;
利用canny边缘检测法和二值化处理所述图像IO,提取出标准量具检测轮廓PL;
利用仿射变换将所述标准量具检测轮廓PL进行平移产生若干个平移位置,并在每个平移位置通过旋转变换产生若干个轮廓区域;
将所述标准量具检测轮廓PL通过平移和旋转产生的所有轮廓区域进行组合,生成所述标准检测轮廓区域元组。
进一步地,所述根据预存的样本产品形状区域数据对所述待检产品形状区域ROi进行仿射变换,具体包括:
根据预存的样本产品形状区域数据,获取所述样本产品形状区域RO的辅助中心坐标(Rcx,Rcy)和辅助夹角A;
分别作出所述待检产品形状区域ROi的最小外接矩形Rmi和最小外接圆Cmi,并计算所述待检产品形状区域ROi的辅助中心坐标(Rmix,Rmiy)和辅助夹角Ai;其中,该辅助中心坐标(Rmix,Rmiy)为所述最小外接矩形Rmi的中心坐标,该辅助夹角Ai为所述最小外接矩形Rmi和所述最小外接圆Cmi的中心连线与水平方向的夹角;
根据以下公式计算得到仿射变换矩阵H:
θ=A-Ai,
tx=Rcx-cos(A—Ai)Rmix-sin(A—Ai)Rmiy,
ty=Rcy+sin(A-Ai)Rmix-cos(A-Ai)Rmiy;
根据所述仿射变换矩阵H,对所述待检产品形状区域ROi进行仿射变换。
进一步地,所述采集待检产品的图像Ii,并从所述图像Ii中提取出待检产品形状区域ROi,具体的:
采集待检产品的图像Ii,对所述待检产品的图像Ii进行二值化处理后,提取出待检产品形状区域ROi。
为了解决相同的技术问题,本发明还提供了一种基于图像处理与仿射变换的零件轮廓形状检测装置,包括数据采集模块、数据变换模块、数据复制模块和产品检测模块;其中,
所述数据采集模块,用于采集待检产品的图像Ii,并从所述图像Ii中提取出待检产品形状区域ROi;
所述数据变换模块,用于根据预存的样本产品形状区域数据对所述待检产品形状区域ROi进行仿射变换;
所述数据复制模块,用于将所述待检产品形状区域ROi进行复制,生成待检产品形状区域元组;其中,所述待检产品形状区域元组与预存的标准检测轮廓区域元组的元素数量相等;
所述产品检测模块,用于将所述待检产品形状区域元组与所述标准检测轮廓区域元组进行比较,以对所述待检产品的合格性进行判定。
进一步地,所述样本产品形状区域数据的获取方法包括:
采集样本产品套入机械量具的标准样本图像I,对所述标准样本图像I进行二值化处理后,提取出样本产品形状区域RO;
分别作出所述样本产品形状区域RO的最小外接矩形Rm和最小外接圆Cm,并计算所述样本产品形状区域RO的辅助中心坐标(Rcx,Rcy)和辅助夹角A,得到所述样本产品形状区域数据;其中,该辅助中心坐标(Rcx,Rcy)为所述最小外接矩形Rm的中心坐标,该辅助夹角A为所述最小外接矩形Rm和所述最小外接圆Cm的中心连线与水平方向的夹角。
进一步地,所述标准检测轮廓区域元组的获取方法包括:
将所述样本产品形状区域RO分别膨胀T1倍和T2倍后相减得到临时区域Rn;其中,T1>T2>0;
从所述标准样本图像I中分割出所述临时区域Rn的图像IO;
利用canny边缘检测法和二值化处理所述图像IO,提取出标准量具检测轮廓PL;
利用仿射变换将所述标准量具检测轮廓PL进行平移产生若干个平移位置,并在每个平移位置通过旋转变换产生若干个轮廓区域;
将所述标准量具检测轮廓PL通过平移和旋转产生的所有轮廓区域进行组合,生成所述标准检测轮廓区域元组。
进一步地,所述数据变换模块,具体用于:
根据预存的样本产品形状区域数据,获取所述样本产品形状区域RO的辅助中心坐标(Rcx,Rcy)和辅助夹角A;
分别作出所述待检产品形状区域ROi的最小外接矩形Rmi和最小外接圆Cmi,并计算所述待检产品形状区域ROi的辅助中心坐标(Rmix,Rmiy)和辅助夹角Ai;其中,该辅助中心坐标(Rmix,Rmiy)为所述最小外接矩形Rmi的中心坐标,该辅助夹角Ai为所述最小外接矩形Rmi和所述最小外接圆Cmi的中心连线与水平方向的夹角;
根据以下公式计算得到仿射变换矩阵H:
θ=A-Ai,
tx=Rcx-cos(A-Ai)Rmix-sin(A—Ai)Rmiy,
ty=Rcy+sin(A-Ai)Rmix-cos(A-Ai)Rmiy;
根据所述仿射变换矩阵H,对所述待检产品形状区域ROi进行仿射变换。
进一步地,所述数据采集模块,具体用于:
采集待检产品的图像Ii,对所述待检产品的图像Ii进行二值化处理后,提取出待检产品形状区域ROi。
相比于现有技术,本发明实施例具有如下有益效果:
本发明提供了一种基于图像处理与仿射变换的零件轮廓形状检测方法及装置,能够应用机器视觉检测技术替代人工操作检测量具的方式,对复杂零件的轮廓形状进行识别和检测,本发明通过图像处理与仿射变换实现了卡箍零件形状的自动识别,并检测判定待检产品为合格品或不良品,从而有效提高了零件检测的效率和准确性,有利于节约劳动力资源,提高生产效率,减少人为误差,提高产品质量。
附图说明
图1是本发明一实施例提供的基于图像处理与仿射变换的零件轮廓形状检测方法的流程示意图;
图2是本发明一实施例提供的卡箍零件举例示图;
图3是本发明一实施例提供的卡箍零件检测量具工程图;
图4是本发明一实施例提供的样本产品套入机械量具的标准样本图像I;
图5是本发明一实施例提供的图像二值化处理后提取出样本产品形状区域RO示图;
图6是本发明一实施例提供的样本产品形状区域RO的最小外接矩形Rm和最小外接圆Cm示意图;
图7是本发明一实施例提供的临时区域Rn示图;
图8是本发明一实施例提供的从图像I分割出临时区域Rn的图像IO示意图;
图9是本发明一实施例提供的标准量具检测轮廓PL示图;
图10是本发明一实施例提供的标准检测轮廓区域元组示意图;
图11是本发明一实施例提供的待检产品的图像Ii;
图12是本发明一实施例提供的待检产品形状区域ROi示图;
图13是本发明一实施例提供的待检产品形状区域ROi的最小外接矩形Rmi和最小外接圆Cmi示图;
图14是本发明一实施例提供的待检产品形状包含于检测轮廓区域内进行比较的示意图;
图15是本发明一实施例提供的生成标准检测轮廓区域元组的流程示意图;
图16是本发明一实施例提供的生产中的产品检测流程示意图;
图17是本发明一实施例提供的基于图像处理与仿射变换的零件轮廓形状检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,本发明实施例提供了一种基于图像处理与仿射变换的零件轮廓形状检测方法,包括:
步骤S1、采集待检产品的图像Ii,并从所述图像Ii中提取出待检产品形状区域ROi;
步骤S2、根据预存的样本产品形状区域数据对所述待检产品形状区域ROi进行仿射变换;
步骤S3、将所述待检产品形状区域ROi进行复制,生成待检产品形状区域元组;其中,所述待检产品形状区域元组与预存的标准检测轮廓区域元组的元素数量相等;
步骤S4、将所述待检产品形状区域元组与所述标准检测轮廓区域元组进行比较,以对所述待检产品的合格性进行判定。
本发明实施例能够应用机器视觉检测技术替代人工操作检测量具的方式,对复杂零件的轮廓形状进行识别和检测,本发明通过图像处理与仿射变换实现了卡箍零件形状的自动识别,并检测判定待检产品为合格品或不良品,从而有效提高了零件检测的效率和准确性,有利于节约劳动力资源,提高生产效率,减少人为误差,提高产品质量。
本发明通过预存标准检测轮廓区域元组的方式,能够对待检零件进行快速识别和检测。产生标准检测轮廓区域元组的作用是:在与待检产品在接近重合的位置,产生一系列不同位姿的标准检测轮廓区域,将其生成元组预存后,在实际检测中,通过与待检产品形状区域进行元组之间的、简单的比较运算即可作出判断结果,使检测耗时非常短暂,能达到接近实时检测的要求。
在本发明实施例中,步骤S1为采集待检产品的图像Ii(如图11所示),并从所述图像Ii中提取出待检产品形状区域ROi(如图12所示);优选地,步骤S1具体为:采集待检产品的图像Ii,对所述待检产品的图像Ii进行二值化处理后,提取出待检产品形状区域ROi。
在具体实施例中,步骤S2为根据预存的样本产品形状区域数据对所述待检产品形状区域ROi进行仿射变换;可以理解的是,所述样本产品形状区域数据可以提前创建并存储到数据存储区,用于作为检测的依据。
请参见图15,在本发明实施例中,优选地,所述样本产品形状区域数据的获取方法包括:
采集样本产品套入机械量具的标准样本图像I(如图4所示),对所述标准样本图像I进行二值化处理后,提取出样本产品形状区域RO(如图5所示);
分别作出所述样本产品形状区域RO的最小外接矩形Rm和最小外接圆Cm(如图6所示),并计算所述样本产品形状区域RO的辅助中心坐标(Rcx,Rcy)和辅助夹角A,得到所述样本产品形状区域数据;其中,该辅助中心坐标(Rcx,Rcy)为所述最小外接矩形Rm的中心坐标,该辅助夹角A为所述最小外接矩形Rm和所述最小外接圆Cm的中心连线与水平方向的夹角。
在本发明实施例中,优选地,所述标准检测轮廓区域元组的获取方法包括:
将所述样本产品形状区域RO分别膨胀T1倍和T2倍后相减得到临时区域Rn;其中,T1>T2>0;
从所述标准样本图像I中分割出所述临时区域Rn的图像IO;
利用canny边缘检测法和二值化处理所述图像IO,提取出标准量具检测轮廓PL;
利用仿射变换将所述标准量具检测轮廓PL进行平移产生若干个平移位置,并在每个平移位置通过旋转变换产生若干个轮廓区域;
将所述标准量具检测轮廓PL通过平移和旋转产生的所有轮廓区域进行组合,生成所述标准检测轮廓区域元组。
需要说明的是,从所述标准样本图像I中分割出所述临时区域Rn的图像IO时,所述标准样本图像I中包含了两个重要特征信息,一是标准量具的检测轮廓,二是能套入此轮廓中的标准产品的形状特征和位姿信息。
作为举例,可以将所述样本产品形状区域RO分别膨胀20倍和1.5倍后相减得到临时区域Rn(如图7所示);然后从所述标准样本图像I中分割出所述临时区域Rn的图像IO,即相当于在图像I中剪出与Rn相同的区域作为IO(如图8所示);然后利用canny边缘检测法和二值化处理所述图像IO,根据边缘长度提取出标准量具检测轮廓PL(如图9所示)。
请参见图16,需要说明的是,提取出标准量具检测轮廓PL后需要进行仿射变换,作为举例,具体的:
将所述标准量具检测轮廓PL利用仿射变换平移(2n+1)2个位置(n=1,2,3,……,N),可以理解的是,N可以是任意大于0的整数,取值越大平移变换得到的位置就越多,例如在实际应用中N可取值为12,其中在第i个位置(i=0,1,2,......,(2n+1)2-1),轮廓PL平移后的齐次坐标为:
其中, 指求的商,
指求的余数)。
在第i个位置(i=0,1,2,......,(2n+1)2-1),以卡箍区域最小外接矩形Rm的中心坐标(Rcx,Rcy)为圆心将检测轮廓PL旋转2m+1个位置(m=1,2,3,......,M),可以理解的是,M为一个任意的大于0的整数,取值越大旋转变换得到的位置就越多,例如在实际应用中M可取值为7,其中在第j个位置(j=0,1,2,......,2m),轮廓PL旋转后的齐次坐标为:
其中
最后将所述标准量具检测轮廓PL通过平移和旋转产生的所有轮廓区域进行组合,生成所述标准检测轮廓区域元组;作为举例,具体的:
检测轮廓PL进行了(2n+1)2次平移,每次平移后均通过旋转变换产生2m+1个位置的新轮廓,因此,总共产生了(2n+1)2(2m+1)个轮廓区域,如图10所示,将这些轮廓区域以元组PL[(2n+1)2(2m+1)]的形式保存到数据存储区。
在本发明实施例中,进一步地,所述根据预存的样本产品形状区域数据对所述待检产品形状区域ROi进行仿射变换,具体包括:
根据预存的样本产品形状区域数据,获取所述样本产品形状区域RO的辅助中心坐标(Rcx,Rcy)和辅助夹角A;
分别作出所述待检产品形状区域ROi的最小外接矩形Rmi和最小外接圆Cmi(如图13所示),并计算所述待检产品形状区域ROi的辅助中心坐标(Rmix,Rmiy)和辅助夹角Ai;其中,该辅助中心坐标(Rmix,Rmiy)为所述最小外接矩形Rmi的中心坐标,该辅助夹角Ai为所述最小外接矩形Rmi和所述最小外接圆Cmi的中心连线与水平方向的夹角;
根据以下公式计算得到仿射变换矩阵H:
θ=A—Ai,
tx=Rcx—cos(A—Ai)Rmix—sin(A—Ai)Rmiy,
ty=Rcy+sin(A—Ai)Rmix—cos(A—Ai)Rmiy;
根据所述仿射变换矩阵H,对所述待检产品形状区域Roi进行仿射变换。
在本发明实施例中,在所述待检产品形状区域Roi进行仿射变换之前,可以从数据存储区读取出Rm的中心坐标(Rcx,Rcy)与夹角A。在后续需要对待检产品形状区域进行复制以及比较时,可以从数据存储区读取出预存的标准检测轮廓区域元组PL[(2n+1)2(2m+1)];
将形状区域ROi通过仿射变换方式移动到与样本产品形状区域RO接近重合的位置,形状区域ROi变换后的坐标为:
其中,H为仿射变换矩阵,包含平移与旋转的变换;
根据:θ=A-Ai,
可以求得:
tx=Rcx—cos(A-Ai)Rmix-sin(A-Ai)Rmiy,
ty=Rcy+sin(A-Ai)Rmix-cos(A-Ai)Rmiy,
由此就可以确定仿射变换矩阵H。
形状区域ROi经过仿射变换后,通过复制产生与元组PL[(2n+1)2(2m+1)]元素相同的形状区域元组Roi[(2n+1)2(2m+1)],将待检产品形状区域元组ROi[(2n+1)2(2m+1)]与标准检测轮廓区域元组PL[(2n+1)2(2m+1)]进行所有对应位置元素的差值运算(用相应的函数来判断轮廓区域是否包含形状区域),即可判断待检产品形状是否包含于检测轮廓区域内(如图14所示),如果在区域内则为良品,否则为不良品;可以根据出现在区域内的元素数量判断结果的置信度。
需要说明的是,对于以上方法或流程实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作并不一定是本发明实施例所必须的。
请参见图17,为了解决相同的技术问题,本发明还提供了一种基于图像处理与仿射变换的零件轮廓形状检测装置,包括数据采集模块1、数据变换模块2、数据复制模块3和产品检测模块4;其中,
所述数据采集模块1,用于采集待检产品的图像Ii,并从所述图像Ii中提取出待检产品形状区域ROi;
所述数据变换模块2,用于根据预存的样本产品形状区域数据对所述待检产品形状区域ROi进行仿射变换;
所述数据复制模块3,用于将所述待检产品形状区域ROi进行复制,生成待检产品形状区域元组;其中,所述待检产品形状区域元组与预存的标准检测轮廓区域元组的元素数量相等;
所述产品检测模块4,用于将所述待检产品形状区域元组与所述标准检测轮廓区域元组进行比较,以对所述待检产品的合格性进行判定。
进一步地,所述样本产品形状区域数据的获取方法包括:
采集样本产品套入机械量具的标准样本图像I,对所述标准样本图像I进行二值化处理后,提取出样本产品形状区域RO;
分别作出所述样本产品形状区域RO的最小外接矩形Rm和最小外接圆Cm,并计算所述样本产品形状区域RO的辅助中心坐标(Rcx,Rcy)和辅助夹角A,得到所述样本产品形状区域数据;其中,该辅助中心坐标(Rcx,Rcy)为所述最小外接矩形Rm的中心坐标,该辅助夹角A为所述最小外接矩形Rm和所述最小外接圆Cm的中心连线与水平方向的夹角。
进一步地,所述标准检测轮廓区域元组的获取方法包括:
将所述样本产品形状区域RO分别膨胀T1倍和T2倍后相减得到临时区域Rn;其中,T1>T2>0;
从所述标准样本图像I中分割出所述临时区域Rn的图像IO;
利用canny边缘检测法和二值化处理所述图像IO,提取出标准量具检测轮廓PL;
利用仿射变换将所述标准量具检测轮廓PL进行平移产生若干个平移位置,并在每个平移位置通过旋转变换产生若干个轮廓区域;
将所述标准量具检测轮廓PL通过平移和旋转产生的所有轮廓区域进行组合,生成所述标准检测轮廓区域元组。
进一步地,所述数据变换模块2,具体用于:
根据预存的样本产品形状区域数据,获取所述样本产品形状区域RO的辅助中心坐标(Rcx,Rcy)和辅助夹角A;
分别作出所述待检产品形状区域ROi的最小外接矩形Rmi和最小外接圆Cmi,并计算所述待检产品形状区域ROi的辅助中心坐标(Rmix,Rmiy)和辅助夹角Ai;其中,该辅助中心坐标(Rmix,Rmiy)为所述最小外接矩形Rmi的中心坐标,该辅助夹角Ai为所述最小外接矩形Rmi和所述最小外接圆Cmi的中心连线与水平方向的夹角;
根据以下公式计算得到仿射变换矩阵H:
θ=A-Ai,
tx=Rcx-cos(A-Ai)Rmix-sin(A-Ai)Rmiy,
ty=Rcy+sin(A-Ai)Rmix-cos(A-Ai)Rmiy;
根据所述仿射变换矩阵H,对所述待检产品形状区域ROi进行仿射变换。
进一步地,所述数据采集模块1,具体用于:
采集待检产品的图像Ii,对所述待检产品的图像Ii进行二值化处理后,提取出待检产品形状区域ROi。
可以理解的是,上述装置项实施例是与本发明方法项实施例相对应的,本发明提供的一种基于图像处理与仿射变换的零件轮廓形状检测装置,可以实现本发明任意一项方法项实施例所提供的基于图像处理与仿射变换的零件轮廓形状检测方法。
相比于现有技术,本发明实施例具有如下有益效果:
本发明提供了一种基于图像处理与仿射变换的零件轮廓形状检测方法及装置,能够应用机器视觉检测技术替代人工操作检测量具的方式,对复杂零件的轮廓形状进行识别和检测,本发明通过图像处理与仿射变换实现了卡箍零件形状的自动识别,并检测判定待检产品为合格品或不良品,从而有效提高了零件检测的效率和准确性,有利于节约劳动力资源,提高生产效率,减少人为误差,提高产品质量。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于图像处理与仿射变换的零件轮廓形状检测方法,其特征在于,包括:
采集待检产品的图像Ii,并从所述图像Ii中提取出待检产品形状区域ROi;
根据预存的样本产品形状区域数据对所述待检产品形状区域ROi进行仿射变换;
将所述待检产品形状区域ROi进行复制,生成待检产品形状区域元组;其中,所述待检产品形状区域元组与预存的标准检测轮廓区域元组的元素数量相等;
将所述待检产品形状区域元组与所述标准检测轮廓区域元组进行比较,以对所述待检产品的合格性进行判定。
2.根据权利要求1所述的基于图像处理与仿射变换的零件轮廓形状检测方法,其特征在于,所述样本产品形状区域数据的获取方法包括:
采集样本产品套入机械量具的标准样本图像I,对所述标准样本图像I进行二值化处理后,提取出样本产品形状区域RO;
分别作出所述样本产品形状区域RO的最小外接矩形Rm和最小外接圆Cm,并计算所述样本产品形状区域RO的辅助中心坐标(Rcx,Rcy)和辅助夹角A,得到所述样本产品形状区域数据;其中,该辅助中心坐标(Rcx,Rcy)为所述最小外接矩形Rm的中心坐标,该辅助夹角A为所述最小外接矩形Rm和所述最小外接圆Cm的中心连线与水平方向的夹角。
3.根据权利要求2所述的基于图像处理与仿射变换的零件轮廓形状检测方法,其特征在于,所述标准检测轮廓区域元组的获取方法包括:
将所述样本产品形状区域RO分别膨胀T1倍和T2倍后相减得到临时区域Rn;其中,T1>T2>0;
从所述标准样本图像I中分割出所述临时区域Rn的图像IO;
利用canny边缘检测法和二值化处理所述图像IO,提取出标准量具检测轮廓PL;
利用仿射变换将所述标准量具检测轮廓PL进行平移产生若干个平移位置,并在每个平移位置通过旋转变换产生若干个轮廓区域;
将所述标准量具检测轮廓PL通过平移和旋转产生的所有轮廓区域进行组合,生成所述标准检测轮廓区域元组。
4.根据权利要求2所述的基于图像处理与仿射变换的零件轮廓形状检测方法,其特征在于,所述根据预存的样本产品形状区域数据对所述待检产品形状区域ROi进行仿射变换,具体包括:
根据预存的样本产品形状区域数据,获取所述样本产品形状区域RO的辅助中心坐标(Rcx,Rcy)和辅助夹角A;
分别作出所述待检产品形状区域ROi的最小外接矩形Rmi和最小外接圆Cmi,并计算所述待检产品形状区域ROi的辅助中心坐标(Rmix,Rmiy)和辅助夹角Ai;其中,该辅助中心坐标(Rmix,Rmiy)为所述最小外接矩形Rmi的中心坐标,该辅助夹角Ai为所述最小外接矩形Rmi和所述最小外接圆Cmi的中心连线与水平方向的夹角;
根据以下公式计算得到仿射变换矩阵H:
θ=A-Ai,
tx=Rcx-cos(A-Ai)Rmix-sin(A-Ai)Rmiy,
ty=Rcy+sin(A-Ai)Rmix-cos(A-Ai)Rmiy;
根据所述仿射变换矩阵H,对所述待检产品形状区域ROi进行仿射变换。
5.根据权利要求1所述的基于图像处理与仿射变换的零件轮廓形状检测方法,其特征在于,所述采集待检产品的图像Ii,并从所述图像Ii中提取出待检产品形状区域ROi,具体的:
采集待检产品的图像Ii,对所述待检产品的图像Ii进行二值化处理后,提取出待检产品形状区域ROi。
6.一种基于图像处理与仿射变换的零件轮廓形状检测装置,其特征在于,包括数据采集模块、数据变换模块、数据复制模块和产品检测模块;其中,
所述数据采集模块,用于采集待检产品的图像Ii,并从所述图像Ii中提取出待检产品形状区域ROi;
所述数据变换模块,用于根据预存的样本产品形状区域数据对所述待检产品形状区域ROi进行仿射变换;
所述数据复制模块,用于将所述待检产品形状区域ROi进行复制,生成待检产品形状区域元组;其中,所述待检产品形状区域元组与预存的标准检测轮廓区域元组的元素数量相等;
所述产品检测模块,用于将所述待检产品形状区域元组与所述标准检测轮廓区域元组进行比较,以对所述待检产品的合格性进行判定。
7.根据权利要求6所述的基于图像处理与仿射变换的零件轮廓形状检测装置,其特征在于,所述样本产品形状区域数据的获取方法包括:
采集样本产品套入机械量具的标准样本图像I,对所述标准样本图像I进行二值化处理后,提取出样本产品形状区域RO;
分别作出所述样本产品形状区域RO的最小外接矩形Rm和最小外接圆Cm,并计算所述样本产品形状区域RO的辅助中心坐标(Rcx,Rcy)和辅助夹角A,得到所述样本产品形状区域数据;其中,该辅助中心坐标(Rcx,Rcy)为所述最小外接矩形Rm的中心坐标,该辅助夹角A为所述最小外接矩形Rm和所述最小外接圆Cm的中心连线与水平方向的夹角。
8.根据权利要求7所述的基于图像处理与仿射变换的零件轮廓形状检测装置,其特征在于,所述标准检测轮廓区域元组的获取方法包括:
将所述样本产品形状区域RO分别膨胀T1倍和T2倍后相减得到临时区域Rn;其中,T1>T2>0;
从所述标准样本图像I中分割出所述临时区域Rn的图像IO;
利用canny边缘检测法和二值化处理所述图像IO,提取出标准量具检测轮廓PL;
利用仿射变换将所述标准量具检测轮廓PL进行平移产生若干个平移位置,并在每个平移位置通过旋转变换产生若干个轮廓区域;
将所述标准量具检测轮廓PL通过平移和旋转产生的所有轮廓区域进行组合,生成所述标准检测轮廓区域元组。
9.根据权利要求7所述的基于图像处理与仿射变换的零件轮廓形状检测装置,其特征在于,所述数据变换模块,具体用于:
根据预存的样本产品形状区域数据,获取所述样本产品形状区域RO的辅助中心坐标(Rcx,Rcy)和辅助夹角A;
分别作出所述待检产品形状区域ROi的最小外接矩形Rmi和最小外接圆Cmi,并计算所述待检产品形状区域ROi的辅助中心坐标(Rmix,Rmiy)和辅助夹角Ai;其中,该辅助中心坐标(Rmix,Rmiy)为所述最小外接矩形Rmi的中心坐标,该辅助夹角Ai为所述最小外接矩形Rmi和所述最小外接圆Cmi的中心连线与水平方向的夹角;
根据以下公式计算得到仿射变换矩阵H:
θ=A-Ai,
tx=Rcx-cos(A-Ai)Rmix-sin(A-Ai)Rmiy,
ty=Rcy+sin(A-Ai)Rmix-cos(A-Ai)Rmiy;
根据所述仿射变换矩阵H,对所述待检产品形状区域ROi进行仿射变换。
10.根据权利要求6所述的基于图像处理与仿射变换的零件轮廓形状检测装置,其特征在于,所述数据采集模块,具体用于:
采集待检产品的图像Ii,对所述待检产品的图像Ii进行二值化处理后,提取出待检产品形状区域ROi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910529243.7A CN110322395B (zh) | 2019-06-18 | 2019-06-18 | 基于图像处理与仿射变换的零件轮廓形状检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910529243.7A CN110322395B (zh) | 2019-06-18 | 2019-06-18 | 基于图像处理与仿射变换的零件轮廓形状检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110322395A true CN110322395A (zh) | 2019-10-11 |
CN110322395B CN110322395B (zh) | 2023-04-14 |
Family
ID=68119817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910529243.7A Active CN110322395B (zh) | 2019-06-18 | 2019-06-18 | 基于图像处理与仿射变换的零件轮廓形状检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322395B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070738A (zh) * | 2020-09-03 | 2020-12-11 | 广东高臻智能装备有限公司 | 一种口罩鼻梁检测方法及系统 |
CN113838039A (zh) * | 2021-09-29 | 2021-12-24 | 逸美德科技股份有限公司 | 一种能实现多种几何度量特征的检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10247251A (ja) * | 1997-03-05 | 1998-09-14 | Oki Electric Ind Co Ltd | 補間画像生成装置および輪郭データ生成方法ならびに隠蔽領域推定方法 |
CN103499296A (zh) * | 2013-10-21 | 2014-01-08 | 东华大学 | 基于机器视觉的批量零件自动检测系统及方法 |
CN107169951A (zh) * | 2016-03-03 | 2017-09-15 | 成都交大光芒科技股份有限公司 | 一种基于图像的斜腕臂末端管帽的缺失检测方法及系统 |
CN107228860A (zh) * | 2017-06-28 | 2017-10-03 | 北京因时机器人科技有限公司 | 一种基于图像旋转周期特性的齿轮缺陷检测方法 |
CN107945194A (zh) * | 2017-10-31 | 2018-04-20 | 四川长虹电器股份有限公司 | 基于OpenCV技术的票据分割方法 |
CN108010074A (zh) * | 2017-10-19 | 2018-05-08 | 宁波蓝圣智能科技有限公司 | 一种基于机器视觉的工件检测方法及系统 |
CN108827969A (zh) * | 2018-03-20 | 2018-11-16 | 中国科学院自动化研究所 | 金属零件表面缺陷检测与识别方法及装置 |
CN108871185A (zh) * | 2018-05-10 | 2018-11-23 | 苏州大学 | 零件检测的方法、装置、设备以及计算机可读存储介质 |
CN108876842A (zh) * | 2018-04-20 | 2018-11-23 | 苏州大学 | 一种亚像素边缘角度的测量方法、系统、设备及存储介质 |
CN109118471A (zh) * | 2018-06-26 | 2019-01-01 | 广东工业大学 | 一种适用于复杂环境下的打磨工件缺陷检测方法 |
-
2019
- 2019-06-18 CN CN201910529243.7A patent/CN110322395B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10247251A (ja) * | 1997-03-05 | 1998-09-14 | Oki Electric Ind Co Ltd | 補間画像生成装置および輪郭データ生成方法ならびに隠蔽領域推定方法 |
CN103499296A (zh) * | 2013-10-21 | 2014-01-08 | 东华大学 | 基于机器视觉的批量零件自动检测系统及方法 |
CN107169951A (zh) * | 2016-03-03 | 2017-09-15 | 成都交大光芒科技股份有限公司 | 一种基于图像的斜腕臂末端管帽的缺失检测方法及系统 |
CN107228860A (zh) * | 2017-06-28 | 2017-10-03 | 北京因时机器人科技有限公司 | 一种基于图像旋转周期特性的齿轮缺陷检测方法 |
CN108010074A (zh) * | 2017-10-19 | 2018-05-08 | 宁波蓝圣智能科技有限公司 | 一种基于机器视觉的工件检测方法及系统 |
CN107945194A (zh) * | 2017-10-31 | 2018-04-20 | 四川长虹电器股份有限公司 | 基于OpenCV技术的票据分割方法 |
CN108827969A (zh) * | 2018-03-20 | 2018-11-16 | 中国科学院自动化研究所 | 金属零件表面缺陷检测与识别方法及装置 |
CN108876842A (zh) * | 2018-04-20 | 2018-11-23 | 苏州大学 | 一种亚像素边缘角度的测量方法、系统、设备及存储介质 |
CN108871185A (zh) * | 2018-05-10 | 2018-11-23 | 苏州大学 | 零件检测的方法、装置、设备以及计算机可读存储介质 |
CN109118471A (zh) * | 2018-06-26 | 2019-01-01 | 广东工业大学 | 一种适用于复杂环境下的打磨工件缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
刘国奇等: "融合凹点检测与仿射变换的活动轮廓模型", 《中国图象图形学报》 * |
李艳福等: "基于动态参考的钢轨轮廓失真校准方法", 《铁道学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070738A (zh) * | 2020-09-03 | 2020-12-11 | 广东高臻智能装备有限公司 | 一种口罩鼻梁检测方法及系统 |
CN113838039A (zh) * | 2021-09-29 | 2021-12-24 | 逸美德科技股份有限公司 | 一种能实现多种几何度量特征的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110322395B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shufelt et al. | Fusion of monocular cues to detect man-made structures in aerial imagery | |
CN109544533A (zh) | 一种基于深度学习的金属板缺陷检测和度量方法 | |
CN101793843A (zh) | 基于连接表的印刷线路板自动光学检测算法 | |
CN104867137B (zh) | 一种基于改进ransac算法的图像配准方法 | |
CN110390696A (zh) | 一种基于图像超分辨率重建的圆孔位姿视觉检测方法 | |
CN110322395A (zh) | 基于图像处理与仿射变换的零件轮廓形状检测方法及装置 | |
CN106373124B (zh) | 基于灰度共生矩阵与ransac的工业产品表面缺陷视觉检测方法 | |
CN104063873A (zh) | 一种基于压缩感知的轴套类零件表面缺陷在线检测方法 | |
CN106290392A (zh) | 一种小微轴承表面凹痕缺陷在线检测方法及其系统 | |
CN105574161B (zh) | 一种商标图形要素识别方法、装置和系统 | |
Hong-Seok et al. | Development of an inspection system for defect detection in pressed parts using laser scanned data | |
CN102129685B (zh) | 一种基于高斯金字塔分解的不规则圆检测方法 | |
CN112014404A (zh) | 组件检测方法、装置、系统、电子设备及存储介质 | |
CN108509696A (zh) | 基于三维激光扫描技术的古建筑健康监测方法及装置 | |
CN107967401B (zh) | 一种版图重复单元匹配性检查方法及系统 | |
CN110346704A (zh) | 板卡测试中测试文件的确定方法、装置、设备及存储介质 | |
CN103996200B (zh) | 一种基于图像子块参数的快速图像配准方法 | |
CN106528665B (zh) | Aoi设备测试文件查找方法和系统 | |
CN105241406A (zh) | 建筑装饰三维造型精度检验方法 | |
CN109060799A (zh) | 一种装配流水线成品检测判定方法 | |
CN104850692A (zh) | 一种用于芯片设计的智能布线系统设计方法 | |
CN115880305A (zh) | 轴类零件表面缺陷视觉检测方法及装置 | |
CN105866574A (zh) | 自动化测试辅助识别方法和辅助识别系统 | |
Wei et al. | Research of express box defect detection based on machine vision | |
Fucheng et al. | The research of printing's image defect inspection based on machine vision |
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 |