CN110689535B - 一种工件识别方法、装置及电子设备和存储介质 - Google Patents
一种工件识别方法、装置及电子设备和存储介质 Download PDFInfo
- Publication number
- CN110689535B CN110689535B CN201910936866.6A CN201910936866A CN110689535B CN 110689535 B CN110689535 B CN 110689535B CN 201910936866 A CN201910936866 A CN 201910936866A CN 110689535 B CN110689535 B CN 110689535B
- Authority
- CN
- China
- Prior art keywords
- image
- feature points
- matched
- feature
- characteristic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003860 storage Methods 0.000 title claims description 13
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 238000013139 quantization Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种工件识别方法、装置及设备和介质，该方法包括：对待识别图像进行粗定位，确定待识别图像中的候选感兴趣区域；基于划分条件候选感兴趣区域中各个层次对应的特征点；将第一层次的特征点确定为待匹配特征点，利用预设模板数据对待匹配特征点进行匹配，得到目标匹配度；若目标匹配度小于第一预设阈值，则禁止执行后续匹配过程；若目标匹配度不小于第一预设阈值，则将下一层次的特征点确定为待匹配特征点，返回对待匹配特征点进行匹配的步骤，直至所有层次特征点均匹配完成，得到工件的位姿信息。本申请通过粗定位缩小特征匹配范围；若任一层次特征点的匹配度小于阈值，则不再执行后续匹配过程，避免了无用的工作，提升了工作效率。
Description
技术领域
本申请涉及图像识别技术领域，更具体地说，涉及一种工件识别方法、装置及一种电子设备和一种计算机可读存储介质。
背景技术
随着科技的进步，越来越多的工业机器人被应用于生产领域，以替换人工进行重复性的生产活动。工业机器人是面向工业制造领域的多关节机械臂或多自由度的机器装置，可以根据编码的程序以及人工智能技术来自动执行相关的工作。实践表明，工业机器人能够显著提高工业生产效率，是工业自动化生产过程的核心部分，具有非常广阔的发展前景。
在当前的工业产线中，工件的检测与识别是不可或缺的部分，是赋予机器感知外界环境的能力，主要是利用摄像头进行目标工件图像的采集，再由计算机对获取的图像进行智能化的分析，自动识别定位出工件，然后将识别得到的工件信息反馈给机器人控制系统，最后由控制系统操控机器人完成工件的抓取任务。
目前的工件智能化识别方法主要有两种，一种是深度学习方法，这种方法需要人工标注较多的数据进行训练，检测过程也非常耗时，导致人力成本和时间成本较高；另一种是特征提取和匹配方法，这种方法通常对目标工件图像进行全部扫描以提取特征，进而对所有特征进行匹配，识别耗时长，效率低下。
因此，如何解决上述问题是本领域技术人员需要重点关注的。
发明内容
本申请的目的在于提供一种工件识别方法、装置及一种电子设备和一种计算机可读存储介质，提高了工件识别的工作效率。
为实现上述目的，本申请提供了一种工件识别方法，包括：
获取待识别图像，并对所述待识别图像进行初始粗定位，确定所述待识别图像中的候选感兴趣区域；
获取针对所述候选感兴趣区域中特征点的划分条件，并基于所述划分条件确定各个层次对应的特征点；
将第一层次的特征点确定为待匹配特征点，并利用预设模板数据对所述待匹配特征点进行匹配，得到目标匹配度；
若所述目标匹配度小于第一预设阈值，则禁止执行后续匹配过程；
若所述目标匹配度不小于所述第一预设阈值，则将下一层次的特征点确定为所述待匹配特征点，并返回执行所述利用预设模板数据对所述待匹配特征点进行匹配的步骤，直至所有层次的特征点均匹配完成，得到工件的位姿信息。
可选的，对所述待识别图像进行初始粗定位，确定所述待识别图像中的候选感兴趣区域，包括：
对所述待识别图像进行特征提取，确定对应的特征积分图；
利用预设窗口在所述特征积分图上滑动，以便基于所述预设窗口内的特征数据与第二预设阈值的大小比较结果生成对应的二值化图像；
对所述二值化图像进行区域联通，得到所述候选感兴趣区域。
可选的，对所述待识别图像进行特征提取，包括：
利用高斯滤波对所述待识别图像进行滤波处理，得到滤波后图像；
对所述滤波后图像进行梯度计算和角度计算，得到图中每一点对应的梯度幅值及角度值；
对所述梯度幅值和所述角度值执行滤波和量化操作，生成角度特征和梯度特征。
可选的，对所述待识别图像进行特征提取，确定对应的特征积分图，包括：
提取所述待识别图像中的特征，生成特征图像；
基于第一公式对所述特征图像进行积分图计算，得到对应的特征积分图；所述第一公式为：
其中，(x,y)为图中横坐标为x，纵坐标为y的点；SAT(x,y)为点(x,y)对应的特征积分；I(x,y)为所述特征图像的特征数据，包含角度特征和梯度特征。
可选的，所述第二预设阈值为根据所有所述梯度特征的均值确定的数值。
可选的，所述预设模板数据的获取过程，包括：
获取预设模板图像，并基于所述预设模板图像的中心点对所述预设模板图像进行旋转，得到各个角度下对应的模板图像；
对各个角度下对应的模板图像进行角度特征提取与幅度特征提取，得到所述预设模板数据。
可选的，所述利用预设模板数据对所述待匹配特征点进行匹配，得到目标匹配度，包括：
基于第二公式利用所述预设模板数据对所述待匹配特征点进行匹配，得到所述目标匹配度；
所述第二公式为：
其中，Score为所述目标匹配度；N为所述待匹配特征点的总数目；ω为权重；v和α分别为所述预设模板数据中的幅度特征值和角度特征值；t和β分别为所述待匹配特征点对应的幅度特征值和角度特征值。
为实现上述目的，本申请提供了一种工件识别装置，包括：
区域确定模块，用于获取待识别图像，并对所述待识别图像进行初始粗定位，确定所述待识别图像中的候选感兴趣区域；
特征点确定模块，用于获取针对所述候选感兴趣区域中特征点的划分条件，并基于所述划分条件确定各个层次对应的特征点；
特征匹配模块，用于将第一层次的特征点确定为待匹配特征点，并利用预设模板数据对所述待匹配特征点进行匹配，得到目标匹配度；
第一执行模块，用于若所述目标匹配度小于第一预设阈值，则禁止执行后续匹配过程；
第二执行模块，用于若所述目标匹配度不小于所述第一预设阈值，则将下一层次的特征点确定为所述待匹配特征点，并返回执行所述利用预设模板数据对所述待匹配特征点进行匹配的步骤，直至所有层次的特征点均匹配完成，得到工件的位姿信息。
为实现上述目的，本申请提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现前述公开的任一种工件识别方法的步骤。
为实现上述目的，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现前述公开的任一种工件识别方法的步骤。
通过以上方案可知，本申请提供的一种工件识别方法，包括：获取待识别图像，并对所述待识别图像进行初始粗定位，确定所述待识别图像中的候选感兴趣区域；获取针对所述候选感兴趣区域中特征点的划分条件，并基于所述划分条件确定各个层次对应的特征点；将第一层次的特征点确定为待匹配特征点，并利用预设模板数据对所述待匹配特征点进行匹配，得到目标匹配度；若所述目标匹配度小于第一预设阈值，则禁止执行后续匹配过程；若所述目标匹配度不小于所述第一预设阈值，则将下一层次的特征点确定为所述待匹配特征点，并返回执行所述利用预设模板数据对所述待匹配特征点进行匹配的步骤，直至所有层次的特征点均匹配完成，得到工件的位姿信息。
本申请在获取到包含工件的待识别图像之后，将首先对待识别图像进行初始粗定位，确定其中的候选感兴趣区域，缩小后续的特征匹配范围，降低了特征匹配的工作量；进而基于预设的划分条件对候选感兴趣区域中的特征点进行划分，以便依次对各个层次对应的特征点进行匹配，若任一层次特征点的匹配度小于预设阈值，则不再执行后续的匹配过程，避免了无用的匹配工作，显著提升了识别工作效率。本申请还公开了一种工件识别装置及一种电子设备和一种计算机可读存储介质，同样能实现上述技术效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种工件识别方法的流程图；
图2为本申请实施例公开的预设模板数据获取过程的流程图；
图3为本申请实施例公开的一种工件识别装置的结构图；
图4为本申请实施例公开的一种电子设备的结构图；
图5为本申请实施例公开的另一种电子设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在现有技术中，针对工件进行智能化识别的方法主要有两种，一种是深度学习方法，这种方法需要人工标注较多的数据进行训练，检测过程也非常耗时，导致人力成本和时间成本较高；另一种是特征提取和匹配方法，这种方法通常对目标工件图像进行全部扫描以提取特征，进而对所有特征进行匹配，识别耗时长，效率低下。
因此，本申请实施例公开了一种工件识别方法，提高了工件识别的工作效率。
参见图1所示，本申请实施例公开的一种工件识别方法包括：
S101：获取待识别图像，并对待识别图像进行初始粗定位，确定待识别图像中的候选感兴趣区域；
本申请实施例中，首先获取待识别图像。上述待识别图像为包含待识别工件的图像，具体可以通过摄像头对包含待识别工件的图像进行采集，或可以通过预设接口导入预先采集好的包含待识别工件的图像。
在获取到待识别图像之后，对该待识别图像进行初始的粗定位，从而确定待识别图像中的候选感兴趣区域，便于后续直接对候选感兴趣区域进行特征匹配，缩小特征匹配的范围。
本步骤中，上述对待识别图像进行初始粗定位，以确定待识别图像中的候选感兴趣区域的过程可以具体包括：对待识别图像进行特征提取，确定对应的特征积分图；利用预设窗口在特征积分图上滑动，以便基于预设窗口内的特征数据与第二预设阈值的大小比较结果生成对应的二值化图像；进而对二值化图像进行区域联通，得到候选感兴趣区域。
作为一种可行的实施方式，上述对待识别图像进行特征提取的过程可以具体包括：利用高斯滤波对待识别图像进行滤波处理，得到滤波后图像，以去除待识别图像中的噪点信息，实现图像数据的平滑处理。进而对滤波后图像进行梯度计算和角度计算，得到图中每一点对应的梯度幅值及角度值；在梯度计算时，可以采用简单的差分算子进行计算，为了进一步简化计算量，可以采用取绝对值的近似值来计算梯度幅值。
具体地，可利用横向梯度计算公式、纵向梯度计算公式和梯度幅值计算公式确定梯度幅值。其中，横向梯度计算公式为：
其中，s_Gx为横向梯度值；M和N分别为图像中的行数和列数；f(x,y)为图中点(x,y)的灰度值。纵向梯度计算公式为：
其中，s_Gy为纵向梯度值。梯度幅值计算公式为：s_G＝|s_Gx|+|s_Gy|。另外，可利用角度计算公式确定角度值；其中，角度计算公式为：
为点(x,y)的角度值。
最后对梯度幅值和角度值执行滤波和量化操作，生成最终的角度特征和梯度特征。本申请实施例中，可针对梯度幅值设置阈值TH进行梯度幅值的滤波，具体地，可根据公式
将不大于阈值TH的梯度幅值置为负一，由于梯度幅值时将横向梯度值和纵向梯度值的绝对值相加，很可能超出(0，255)的范围，因此还需对滤波后的梯度幅值进行归一化处理。针对角度值，本申请实施例设置阈值TL实现角度值的滤波。具体地，可根据公式
将不大于阈值TL的角度值置为负一，其中，
Hist(x,y)为角度直方图统计值，针对图像中每一点，取以其为中心的n*n邻域；H()为统计每个角度的直方图信息的函数。在得到角度特征和梯度特征之后，可以根据数量进行适当的剔除。
在具体实施中，特征积分图的确定过程可以包括：首先提取待识别图像中的特征，生成对应的特征图像，并对特征图像进行积分图计算，得到对应的特征积分图。具体地，可以基于第一公式对特征图像进行积分图计算，第一公式为：
其中，(x,y)为图中横坐标为x，纵坐标为y的点；SAT(x,y)为点(x,y)对应的特征积分；I(x,y)为特征图像的特征数据，包含角度特征和梯度特征，得到的I(x,y)过程可以参考上述对待识别图像进行特征提取的过程，得到角度特征和梯度特征，综合两者中非负一的数值，得到特征积分图，图中每一点的数值与梯度值相等。
需要说明的是，本申请实施例中的预设窗口可选择标准模板的尺寸，利用预设窗口在特征积分图上滑动，基于预设窗口内的特征数据与第二预设阈值的大小比较结果生成对应的二值化图像时，可基于二值化公式实现。二值化公式为：
其中，
为预设窗口内特征数据的均值。通过二值化公式，能够将预设窗口内的特征数据均值小于特征阈值的0.8倍的区域进行滤除。
S102：获取针对候选感兴趣区域中特征点的划分条件，并基于划分条件确定各个层次对应的特征点；
在本步骤中，获取预先设定的划分条件，该划分条件用于对候选感兴趣区域中的特征点进行划分，从而可划分候选感兴趣区域中的特征点，得到各个层次对应的特征点。例如，若候选感兴趣区域中的特征点共有100个，划分条件为四级等分条件，则可将候选感兴趣区域中的特征点进行四等分，得到四个层次的特征点，每一层次包含25个特征点。
S103：将第一层次的特征点确定为待匹配特征点，并利用预设模板数据对待匹配特征点进行匹配，得到目标匹配度；
本申请实施例中，首先将第一层次的特征点确定为待匹配特征点，并基于预设模板数据对待匹配特征点进行匹配，得到目标匹配度，上述匹配度具体用于表征待匹配特征点与预设模板数据的相似度。
S104：若目标匹配度小于第一预设阈值，则禁止执行后续匹配过程；
S105：若目标匹配度不小于第一预设阈值，则将下一层次的特征点确定为待匹配特征点，并返回执行利用预设模板数据对待匹配特征点进行匹配的步骤，直至所有层次的特征点均匹配完成，得到工件的位姿信息。
需要说明的是，本申请实施例预先设定划分条件，该划分条件用于将特征点进行划分，从而可以先对划分后得到的部分特征点进行匹配，若对部分特征点进行匹配后得到的匹配度小于预设阈值，则无需再执行后续的匹配过程，提前结束工件的识别工作。若对每个层次的特征点进行匹配后匹配度均大于第一预设阈值，则所有层次的特征点均匹配完成，进而根据匹配结果确定工件的位置和姿态信息。
例如，若候选感兴趣区域中的特征点总数为60个，若候选感兴趣区域与模板数据的匹配度达到80％则判定为匹配成功，即候选感兴趣区域中至少需要有48个点与模板数据匹配，假设划分条件为将特征点进行三等分，每一层次包含20个特征点，若对第一层次的特征点进行匹配后，得到的匹配度为50％，对第二层次的特征点进行匹配后得到的匹配度也为50％，即此时候选感兴趣区域中有20个点与模板数据匹配，即便第三层次所有特征点均能与模板数据匹配，最终得到的匹配度也无法达到80％，因此本申请实施例不再对第三层次的特征点进行匹配，避免了无用的工作量。
可以理解的是，上述每个层次得到目标匹配度之后，需要确定目标匹配度与第一预设阈值的大小比较关系。其中，各个层次对应的第一预设阈值可以为不同的数值，具体可在实施过程中根据实际情况进行设定。当然，可以设定初始值之后，在后续不断的工作过程中根据情况对初始值进行修正。
本申请在获取到包含工件的待识别图像之后，将首先对待识别图像进行初始粗定位，确定其中的候选感兴趣区域，缩小后续的特征匹配范围，降低了特征匹配的工作量；进而基于预设的划分条件对候选感兴趣区域中的特征点进行划分，以便依次对各个层次对应的特征点进行匹配，若任一层次特征点的匹配度小于预设阈值，则不再执行后续的匹配过程，避免了无用的匹配工作，显著提升了识别工作效率。
本申请实施例针对预设模板数据的获取过程进行详细的解释和说明。参见图2所示，具体的：
S201：获取预设模板图像，并基于预设模板图像的中心点对预设模板图像进行旋转，得到各个角度下对应的模板图像；
S202：对各个角度下对应的模板图像进行角度特征提取与幅度特征提取，得到预设模板数据。
可以理解的是，本申请实施例可基于预设模板图像的中心点旋转306度，生成多角度模板图，进而对各个角度下的模板图像进行特征提取，得到角度特征和幅度提取。具体地，针对模板图像进行特征提取的过程可基于上述实施例公开的对待识别图像进行特征提取的过程，在此不再进行赘述。
本申请实施例中，在利用预设模板数据对待匹配特征点进行匹配时，可以具体基于第二公式实现对待匹配特征点的匹配，以便得到目标匹配度。具体地，第二公式为：
其中，Score为目标匹配度；N为待匹配特征点的总数目；ω为权重；v和α分别为预设模板数据中的幅度特征值和角度特征值；t和β分别为待匹配特征点对应的幅度特征值和角度特征值。
在第二公式中，第一部分表征幅度匹配度，第二部分表征角度匹配度。在具体实施中，上述权重ω的值可以具体设定为0.4，即角度匹配度的重要性相较幅度匹配度较高。
需要说明的是，本申请实施例在对特征点进行匹配时，将综合角度特征的匹配及幅度特征的匹配，能够进一步提高匹配的准确度。
下面对本申请实施例提供的一种工件识别装置进行介绍，下文描述的一种工件识别装置与上文描述的一种工件识别方法可以相互参照。
参见图3所示，本申请实施例提供的一种工件识别装置包括：
区域确定模块301，用于获取待识别图像，并对待识别图像进行初始粗定位，确定待识别图像中的候选感兴趣区域；
特征点确定模块302，用于获取针对候选感兴趣区域中特征点的划分条件，并基于划分条件确定各个层次对应的特征点；
特征匹配模块303，用于将第一层次的特征点确定为待匹配特征点，并利用预设模板数据对待匹配特征点进行匹配，得到目标匹配度；
第一执行模块304，用于若目标匹配度小于第一预设阈值，则禁止执行后续匹配过程；
第二执行模块305，用于若目标匹配度不小于第一预设阈值，则将下一层次的特征点确定为待匹配特征点，并返回执行利用预设模板数据对待匹配特征点进行匹配的步骤，直至所有层次的特征点均匹配完成，得到工件的位姿信息。
关于上述模块301至305的具体实施过程可参考前述实施例提供的相应内容，在此不再进行赘述。
本申请还提供了一种电子设备，参见图4所示，本申请实施例提供的一种电子设备包括：
存储器100，用于存储计算机程序；
处理器200，用于执行计算机程序时可以实现上述实施例所提供的工件识别方法的步骤。
具体的，存储器100包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令，该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。处理器200在一些实施例中可以是一中央处理器(CentralProcessing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，为电子设备提供计算和控制能力，执行存储器100中保存的计算机程序时，可以实现前述任一种实施例提供的工件识别方法的步骤。
在上述实施例的基础上，作为优选实施方式，参见图5所示，电子设备还包括：
输入接口300，与处理器200相连，用于获取外部导入的计算机程序、参数和指令，经处理器200控制保存至存储器100中。该输入接口300可以与输入装置相连，接收用户手动输入的参数或指令。该输入装置可以是显示屏上覆盖的触摸层，也可以是终端外壳上设置的按键、轨迹球或触控板，也可以是键盘、触控板或鼠标等。
显示单元400，与处理器200相连，用于显示处理器200处理的数据以及用于显示可视化的用户界面。该显示单元400可以为LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。
网络端口500，与处理器200相连，用于与外部各终端设备进行通信连接。该通信连接所采用的通信技术可以为有线通信技术或无线通信技术，如移动高清链接技术(MHL)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术等。
图5仅示出了具有组件100-500的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本申请还提供了一种计算机可读存储介质，该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。该存储介质上存储有计算机程序，计算机程序被处理器执行时实现前述任一种实施例提供的工件识别方法的步骤。
本申请在获取到包含工件的待识别图像之后，将首先对待识别图像进行初始粗定位，确定其中的候选感兴趣区域，缩小后续的特征匹配范围，降低了特征匹配的工作量；进而基于预设的划分条件对候选感兴趣区域中的特征点进行划分，以便依次对各个层次对应的特征点进行匹配，若任一层次特征点的匹配度小于预设阈值，则不再执行后续的匹配过程，避免了无用的匹配工作，显著提升了识别工作效率。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种工件识别方法，其特征在于，包括：
获取待识别图像，并对所述待识别图像进行初始粗定位，确定所述待识别图像中的候选感兴趣区域；
获取针对所述候选感兴趣区域中特征点的划分条件，并基于所述划分条件确定各个层次对应的特征点；
将第一层次的特征点确定为待匹配特征点，并利用预设模板数据对所述待匹配特征点进行匹配，得到目标匹配度；
若所述目标匹配度小于第一预设阈值，则禁止执行后续匹配过程；
若所述目标匹配度不小于所述第一预设阈值，则将下一层次的特征点确定为所述待匹配特征点，并返回执行所述利用预设模板数据对所述待匹配特征点进行匹配的步骤，直至所有层次的特征点均匹配完成，得到工件的位姿信息。
2.根据权利要求1所述的工件识别方法，其特征在于，对所述待识别图像进行初始粗定位，确定所述待识别图像中的候选感兴趣区域，包括：
对所述待识别图像进行特征提取，确定对应的特征积分图；
利用预设窗口在所述特征积分图上滑动，以便基于所述预设窗口内的特征数据与第二预设阈值的大小比较结果生成对应的二值化图像；
对所述二值化图像进行区域联通，得到所述候选感兴趣区域。
3.根据权利要求2所述的工件识别方法，其特征在于，对所述待识别图像进行特征提取，包括：
利用高斯滤波对所述待识别图像进行滤波处理，得到滤波后图像；
对所述滤波后图像进行梯度计算和角度计算，得到图中每一点对应的梯度幅值及角度值；
对所述梯度幅值和所述角度值执行滤波和量化操作，生成角度特征和梯度特征。
4.根据权利要求3所述的工件识别方法，其特征在于，对所述待识别图像进行特征提取，确定对应的特征积分图，包括：
提取所述待识别图像中的特征，生成特征图像；
基于第一公式对所述特征图像进行积分图计算，得到对应的特征积分图；所述第一公式为：
其中，(x,y)为图中横坐标为x，纵坐标为y的点；SAT(x,y)为点(x,y)对应的特征积分；I(x,y)为所述特征图像的特征数据，包含角度特征和梯度特征。
5.根据权利要求4所述的工件识别方法，其特征在于，所述第二预设阈值为根据所有所述梯度特征的均值确定的数值。
6.根据权利要求1所述的工件识别方法，其特征在于，所述预设模板数据的获取过程，包括：
获取预设模板图像，并基于所述预设模板图像的中心点对所述预设模板图像进行旋转，得到各个角度下对应的模板图像；
对各个角度下对应的模板图像进行角度特征提取与幅度特征提取，得到所述预设模板数据。
7.根据权利要求1至6任一项所述的工件识别方法，其特征在于，所述利用预设模板数据对所述待匹配特征点进行匹配，得到目标匹配度，包括：
基于第二公式利用所述预设模板数据对所述待匹配特征点进行匹配，得到所述目标匹配度；
所述第二公式为：
其中，Score为所述目标匹配度；N为所述待匹配特征点的总数目；ω为权重；v和α分别为所述预设模板数据中的幅度特征值和角度特征值；t和β分别为所述待匹配特征点对应的幅度特征值和角度特征值。
8.一种工件识别装置，其特征在于，包括：
区域确定模块，用于获取待识别图像，并对所述待识别图像进行初始粗定位，确定所述待识别图像中的候选感兴趣区域；
特征点确定模块，用于获取针对所述候选感兴趣区域中特征点的划分条件，并基于所述划分条件确定各个层次对应的特征点；
特征匹配模块，用于将第一层次的特征点确定为待匹配特征点，并利用预设模板数据对所述待匹配特征点进行匹配，得到目标匹配度；
第一执行模块，用于若所述目标匹配度小于第一预设阈值，则禁止执行后续匹配过程；
第二执行模块，用于若所述目标匹配度不小于所述第一预设阈值，则将下一层次的特征点确定为所述待匹配特征点，并返回执行所述利用预设模板数据对所述待匹配特征点进行匹配的步骤，直至所有层次的特征点均匹配完成，得到工件的位姿信息。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述工件识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述工件识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910936866.6A CN110689535B (zh) | 2019-09-29 | 2019-09-29 | 一种工件识别方法、装置及电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910936866.6A CN110689535B (zh) | 2019-09-29 | 2019-09-29 | 一种工件识别方法、装置及电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110689535A CN110689535A (zh) | 2020-01-14 |
| CN110689535B true CN110689535B (zh) | 2022-05-17 |
Family
ID=69111190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910936866.6A Active CN110689535B (zh) | 2019-09-29 | 2019-09-29 | 一种工件识别方法、装置及电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110689535B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738321B (zh) * | 2020-06-12 | 2023-08-08 | 腾讯音乐娱乐科技（深圳）有限公司 | 数据处理方法、装置、终端设备以及存储介质 |
| CN112132465A (zh) * | 2020-09-23 | 2020-12-25 | 创新奇智(青岛)科技有限公司 | 工件加工耗时统计方法、装置、电子设备及可读存储介质 |
| CN112528761B (zh) * | 2020-11-24 | 2023-04-07 | 上海墨说科教设备有限公司 | 图像中特定目标提取方法、系统、电子设备及存储介质 |
| CN113312936B (zh) * | 2021-05-13 | 2024-08-13 | 阳光电源股份有限公司 | 一种图像定位标识识别方法及服务器 |
| CN113554616A (zh) * | 2021-07-21 | 2021-10-26 | 深圳市蓝蓝科技有限公司 | 基于数控机床的在线测量引导方法及系统 |
| CN113658253B (zh) * | 2021-07-27 | 2024-06-21 | 广东省大湾区集成电路与系统应用研究院 | 模板匹配定位方法、装置、图像采集设备及存储介质 |
| CN114913318B (zh) * | 2022-05-24 | 2024-05-14 | 三门峡云硕智能科技有限公司 | 视觉图形码的识别方法、识别系统以及出入库管理方法 |
| CN116071361B (zh) * | 2023-03-20 | 2023-07-04 | 深圳思谋信息科技有限公司 | 针对工件的视觉定位方法、装置、计算机设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751559A (zh) * | 2009-12-31 | 2010-06-23 | 中国科学院计算技术研究所 | 人脸皮肤斑痣点检测及利用皮肤斑痣识别人脸的方法 |
| CN105608463A (zh) * | 2015-12-14 | 2016-05-25 | 武汉大学 | 一种立体图像特征匹配方法 |
| CN106534766A (zh) * | 2015-09-09 | 2017-03-22 | 广州市维安电子技术有限公司 | 一种使用ptz摄像机对目标进行自动跟踪的方法及装置 |
| CN109711416A (zh) * | 2018-11-23 | 2019-05-03 | 西安天和防务技术股份有限公司 | 目标识别方法、装置、计算机设备和存储介质 |
| CN109801318A (zh) * | 2019-01-30 | 2019-05-24 | 东北大学 | 一种快速物体匹配算法 |
| CN110058705A (zh) * | 2019-04-28 | 2019-07-26 | 视辰信息科技(上海)有限公司 | 绘本辅助阅读方法、计算设备、点读侧设备与电子设备 |
| CN110163185A (zh) * | 2019-05-31 | 2019-08-23 | Oppo广东移动通信有限公司 | 静脉图像采集方法及相关产品 |
-
2019
- 2019-09-29 CN CN201910936866.6A patent/CN110689535B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751559A (zh) * | 2009-12-31 | 2010-06-23 | 中国科学院计算技术研究所 | 人脸皮肤斑痣点检测及利用皮肤斑痣识别人脸的方法 |
| CN106534766A (zh) * | 2015-09-09 | 2017-03-22 | 广州市维安电子技术有限公司 | 一种使用ptz摄像机对目标进行自动跟踪的方法及装置 |
| CN105608463A (zh) * | 2015-12-14 | 2016-05-25 | 武汉大学 | 一种立体图像特征匹配方法 |
| CN109711416A (zh) * | 2018-11-23 | 2019-05-03 | 西安天和防务技术股份有限公司 | 目标识别方法、装置、计算机设备和存储介质 |
| CN109801318A (zh) * | 2019-01-30 | 2019-05-24 | 东北大学 | 一种快速物体匹配算法 |
| CN110058705A (zh) * | 2019-04-28 | 2019-07-26 | 视辰信息科技(上海)有限公司 | 绘本辅助阅读方法、计算设备、点读侧设备与电子设备 |
| CN110163185A (zh) * | 2019-05-31 | 2019-08-23 | Oppo广东移动通信有限公司 | 静脉图像采集方法及相关产品 |
Non-Patent Citations (2)
| Title |
|---|
| "Research of a Fast and Accurate Algorithm for Workpiece Recognition";Jinghua Liu et al.;《International Conference on Automation,Electronics and Electrical Engineering》;20181231;全文 * |
| "基于运动平滑约束项的快速误匹配剔除算法";李为 等;《计算机应用》;20181231;第38卷(第9期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110689535A (zh) | 2020-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110689535B (zh) | 一种工件识别方法、装置及电子设备和存储介质 | |
| CN112465748B (zh) | 基于神经网络的裂缝识别方法、装置、设备及存储介质 | |
| US9483707B2 (en) | Method and device for recognizing a known object in a field of view of a three-dimensional machine vision system | |
| CN104350509B (zh) | 快速姿势检测器 | |
| CN110738101A (zh) | 行为识别方法、装置及计算机可读存储介质 | |
| CN109325456B (zh) | 目标识别方法、装置、目标识别设备及存储介质 | |
| CN109159113B (zh) | 一种基于视觉推理的机器人作业方法 | |
| CN111127548B (zh) | 抓取位置检测模型训练方法、抓取位置检测方法及装置 | |
| CN109978911B (zh) | 一种图像特征点跟踪方法和相机 | |
| CN111582123B (zh) | 一种基于信标识别与视觉slam的agv定位方法 | |
| US11380010B2 (en) | Image processing device, image processing method, and image processing program | |
| CN112231033A (zh) | 结合rpa与ai的软件界面元素的匹配方法及装置 | |
| CN109376783B (zh) | 机器人自适应地形分类方法、系统与计算机可读存储介质 | |
| CN105868766A (zh) | 喷涂流水线工件自动检测与识别方法 | |
| CN112307994A (zh) | 基于扫地机的障碍物识别方法、电子装置及存储介质 | |
| CN103870824A (zh) | 一种在人脸检测跟踪过程中的人脸捕捉方法及装置 | |
| CN112579907B (zh) | 一种异常任务检测方法、装置、电子设备和存储介质 | |
| CN109492702B (zh) | 基于排序度量函数的行人重识别方法、系统、装置 | |
| Pradhan et al. | A hand gesture recognition using feature extraction | |
| JP6958719B2 (ja) | 画像解析装置、画像解析方法および画像解析プログラム | |
| CN114419308A (zh) | 基于感兴趣区域的颜色识别方法、系统、电子设备和介质 | |
| CN107194402A (zh) | 一种并行细化骨架提取方法 | |
| Badi et al. | New method for optimization of static hand gesture recognition | |
| CN112270384B (zh) | 一种回环检测方法、装置及电子设备和存储介质 | |
| CN116721246B (zh) | 连续帧点云快速标注方法及系统 |
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 |