CN110852265A - 一种应用在工业流水线上的快速目标检测和定位方法 - Google Patents

一种应用在工业流水线上的快速目标检测和定位方法 Download PDF

Info

Publication number
CN110852265A
CN110852265A CN201911094446.4A CN201911094446A CN110852265A CN 110852265 A CN110852265 A CN 110852265A CN 201911094446 A CN201911094446 A CN 201911094446A CN 110852265 A CN110852265 A CN 110852265A
Authority
CN
China
Prior art keywords
area
target
independent
max
minimum
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
CN201911094446.4A
Other languages
English (en)
Other versions
CN110852265B (zh
Inventor
任桢
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.)
Tianjin Jinhang Institute of Technical Physics
Original Assignee
Tianjin Jinhang Institute of Technical Physics
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 Tianjin Jinhang Institute of Technical Physics filed Critical Tianjin Jinhang Institute of Technical Physics
Priority to CN201911094446.4A priority Critical patent/CN110852265B/zh
Publication of CN110852265A publication Critical patent/CN110852265A/zh
Application granted granted Critical
Publication of CN110852265B publication Critical patent/CN110852265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V2201/07—Target detection
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种应用在工业流水线上的快速目标检测和定位方法，属于工业图像处理技术领域。本发明提供了一种在工业中自动检测识别流水线上的物体、并精确定位物体的中心和角度姿态的图像信息处理方法。该方法采用并行多线程处理方式，可快速准确的实现单类多目标、多类多目标的快速检测和准确定位，为机器手臂对目标实施准确抓取提供保障。

Description

一种应用在工业流水线上的快速目标检测和定位方法
技术领域
本发明属于工业图像处理技术领域，具体涉及一种应用在工业流 水线上的快速目标检测和定位方法。
背景技术
随着2012年Delta并联机器人专利解禁，我国并联机器人行业开 始迅速发展。并联机器人除可应用于航天上的飞船对接器、航海上的 潜艇救援对接器外，在工业上还广泛应用于医疗、电子、食品加工、 化工等行业，用于满足工业自动化生产线上精准抓取作业的需求，实 现分拣、搬运、装箱等任务，其具有速度快、承载能力强、精度高、 误差小、无须大空间等优点，可替代繁重、重复性的人力劳动，极大 的降低工人的劳动强度和企业的生产成本。
在并联机器人应用系统中，机器视觉模块是其重要组成，并联机 器人通过机器视觉模块实现对产品的检测识别和精确定位，引导机械 手快速、精准的实现产品的抓取，图1给出了由机器视觉模块和机械 抓取机构等组成的并联机器人系统。如图1，机器视觉模块主要由快 速图像采集相机和图像信息处理系统组成。图像采集相机可快速实时 获取工作流水线上的目标物体图像，并将获取的图像传输给图像信息 处理系统，图像信息处理系统对获取的图像进行快速目标检测，求取 目标的中心位置，计算目标与水平方向的旋转角度(姿态)，并将计 算获取的位置、姿态信息传输给运动解算模块，由运动解算模块解算 出抓取机械手的运动控制信息，并由抓取机械手完成抓取操作。
要实现抓取机械手的准确抓取，图像信息处理系统中的目标物体 检测定位算法需要能在有限的时间内，准确的实现对图像中目标物的 检测和位置、姿态的求取。随着2012年国外专利解禁，近几年来并 联机器人在国内工业领域的应用发展迅速，几乎每年成倍数的销售量 在增长。但并联机器人系统中，视觉处理的目标物检测、位姿求取等 核心算法仍被康耐视等国外工业相机的提供企业所垄断，国内的并联 机器人研发企业通常采取购买国外工业相机和算法使用权的方法补 足并联机器人系统的短板。
发明内容
(一)要解决的技术问题
为解决并联机器人系统中，机器视觉模块对采集的工业流水线上 目标图像中单类单目标、单类多目标或多类多目标物体的准确检测定 位，尤其是对灰度不均匀的目标物体的检测定位的问题，提出了一种 应用在工业流水线上的快速目标检测和精确定位方法。
(二)技术方案
为了解决上述技术问题，本发明提供了一种应用在工业流水线上 的快速目标检测和定位方法，包括以下步骤：
(1)获取待处理的图像数据I；
(2)获取预先设定的目标特性参数，参数项包括目标物体在图 像中的区域面积最大值Smax、区域面积最小值Smin、长边最大值Lmax、 长边最小值Lmin、短边最大值Wmax、短边最小值Wmin、最小灰度梯度阈 值Gmin；
(3)对图像I进行平滑滤波，得到图像数据Is；
(4)对Is进行梯度滤波处理，得到滤波后图像数据Ig；
(5)对Ig利用最小灰度梯度阈值Gmin进行灰度阈值分割，得到二 值图像数据Ib，如下式所示：
Figure BDA0002267869070000021
式(1)中Ig(x,y)表示梯度图像Ig中坐标(x,y)处的梯度值， Ib(x,y)＝0表示目标区，Ib(x,y)＝255表示背景区；
(6)对二值图像数据Ib进行形态学滤波，得到图像数据IP；
(7)对图像数据IP进行区域生长处理，得到生长后的n个独立 目标区域A；
(8)对每个独立目标区进行编号Ai,i＝1～n，获取每个独立目标 区域的面积ai，记录每个目标区域内像素点的坐标位置
Ai(x,y)；
(9)利用步骤(2)中的已知条件对独立区域进行初步筛除，如 果独立区域Ai的面积Smin<ai<Smax则该区域保留为疑似目 标区域，否则该区域被视为非目标区域；
(10)求取每个区域的正外接矩形，对于正外接矩形中的疑似目 标区域Ai，水平方向投影得到最大、最小投影值ymax(Ai)、ymin(Ai)，垂 直方向投影得到最大、最小投影值xmax(Ai)、xmin(Ai)，由此得独立区域 Ai的正外接矩形Ri，Ri的长为xmax(Ai)-xmin(Ai)，宽为ymax(Ai)-ymin(Ai)；
(11)判断保留的独立区域Ai个数是否小于1，如小于1则图像 中无目标，本幅图像处理结束，如等于1则图像中可能存在一个目标， 如大于1则可能存在多个目标；
(12)当独立区域个数为1时，进入单线程模式，独立区域个数 大于1时，进入多线程模式；
(13)在单线程模式下，对独立区域Ai进行边缘提取，得到独立 区域的外轮廓边缘Bi；
(14)将步骤10中求取的独立区域Ai的正外接矩形Ri的中心Oi， 作为独立区域的初始中心Oi，建立直角坐标系XOiY，求取边缘Bi在坐 标系XOiY的X轴和Y轴上的投影长度即为独立区域在当前 坐标系下外接矩形的边长，求取当前外接矩形面积
Figure BDA0002267869070000042
(15)将坐标系XOiY以Oi为中心，逆时针旋转角度α，得到X'OiY'， 求取边缘Bi在坐标系X'OiY'的X轴和Y轴上的投影，计算此时外接矩 形面积
Figure BDA0002267869070000043
(16)重复步骤15，每次步进旋转角度α，直到坐标系X'OiY'相 对初始坐标系XOiY旋转到90度为止，比较每次旋转计算得到外接矩 形面积
Figure BDA0002267869070000044
记录获得最小外接矩形时坐标系的旋转角度θ；
(17)以θ角为中心，以[θ-t,θ+t]作为坐标系的旋转角度范围， 以0.1°作为步进旋转角度，按照步骤16，求取在[θ-t,θ+t]角度范围内， 最小外接矩形面积对应的角度θ'和最小外接矩形的四个顶点P1～P4；
(18)由最小外接矩形的四个顶点P1～P4求取最小外接矩形的几 何中心Oi'；
(19)利用步骤2中的已知参数对步骤18中的最小外接矩形进 行判定，最小外接矩形的长边L满足Lmin≤L≤Lmax，短边M满足 Mmin≤M≤Mmax，则判定该独立区域为目标区域，目标的形心为Oi'， 目标的姿态角为θ'，否则该独立区域不是目标；
(20)当独立区域个数大于1时，进入多线程模式，在多线程模 式下，首先启动一个新处理线程，然后选择二个独立区域，将一个独 立区域交给新启动的线程，按照步骤14～19，对该独立区域进行处 理，将另一个独立区域交给主线程，也按照步骤14～19，对该独立区域进行处理；
(22)主线程处理完毕，查询新创建线程的处理情况，如新创建 线程未处理完，则持续查询处理结果，如新创建线程已处理完毕，则 判断独立区域是否处理完毕；
(23)如独立区域处理完毕，则终止新建线程，输出最终结果， 如独立区域未处理完毕，则继续选择独立区域，并按照步骤14～19 对独立区域进行处理，直至所有独立区域处理完毕。
(三)有益效果
本发明提供了一种在工业中自动检测识别流水线上的物体、并精 确定位物体的中心和角度姿态的图像信息处理方法。该方法采用并行 多线程处理方式，可快速准确的实现单类多目标、多类多目标的快速 检测和准确定位，为机器手臂对目标实施准确抓取提供保障。
附图说明
图1为并联机器人系统物体分拣模拟示意图；
图2为工业流水线快速目标检测定位算法流程图；
图3为正外接矩形求取示意图；
图4为独立区域形心及姿态求取示意；
图5为目标图像及初始参数测量示意；
图6为阈值分割和形态滤波图像示例；
图7为二值区域生长和初步独立目标去除图像示例；
图8为独立区域正外接矩形图像示例；
图9为独立区域的外轮廓提取图像示例；
图10标注了目标中心和外接矩形姿态的图像示例。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实 施例，对本发明的具体实施方式作进一步详细描述。
为解决并联机器人系统中，机器视觉模块对采集的工业流水线上 目标图像中单类单目标、单类多目标或多类多目标物体的准确检测定 位，尤其是对灰度不均匀的目标物体的检测定位的问题，提出了一种 应用在工业流水线上的快速目标检测和精确定位方法。该方法将目标 的松弛成像尺寸范围和宽泛的灰度数值范围作为先验输入，通过梯度 滤波消除目标灰度不均匀影响，将阈值分割、区域生长、形态学滤波、 边缘检测等基本图像处理算法进行逻辑结合，构建有效地目标检测算 法框架，并提出了对目标边缘进行旋转坐标系投影变换的方法，实现 了目标位置和姿态的准确求取，同时为了提升算法的运算速度，构建 了多线程处理框架，方法流程框图如图2所示。
本发明提出的应用在工业流水线上的快速目标检测和精确定位 方法，其具体方法包括以下步骤：
(1)获取待处理的图像数据I；
(2)获取预先设定的目标特性参数，参数项包括目标物体在图 像中的区域面积最大值Smax、区域面积最小值Smin、长边最大值Lmax、 长边最小值Lmin、短边最大值Wmax、短边最小值Wmin、最小灰度梯度阈 值Gmin；
(3)对图像I进行平滑滤波，得到图像数据Is，平滑滤波可采用 中值滤波或其它不影响图像边缘清晰度的方法；
(4)对Is进行梯度滤波处理，得到滤波后图像数据Ig，梯度滤 波可采用Rorberts算子或者拉普拉斯算子；
(5)对Ig利用最小灰度梯度阈值Gmin进行灰度阈值分割，得到二 值图像数据Ib，如下式所示：
Figure BDA0002267869070000071
式(1)中Ig(x,y)表示梯度图像Ig中坐标(x,y)处的梯度值， Ib(x,y)＝0表示目标区，Ib(x,y)＝255表示背景区。
(6)对二值图像数据Ib进行形态学滤波，得到图像数据IP；
(7)对图像数据IP进行区域生长处理，得到生长后的n个独立 目标区域A；
(8)对每个独立目标区进行编号Ai,i＝1～n，获取每个独立目标 区域的面积ai，记录每个目标区域内像素点的坐标位置
Ai(x,y)；
(9)利用步骤2中的已知条件对独立区域进行初步筛除，如果 独立区域Ai的面积Smin<ai<Smax则该区域保留为疑似目标 区域，否则该区域被视为非目标区域；
(10)求取每个区域的正外接矩形，正外接矩形求取方法如图3 所示，对于图3中的疑似目标区域Ai，水平方向投影得到最大、最小 投影值ymax(Ai)、ymin(Ai)，垂直方向投影得到最大、最小投影值xmax(Ai)、 xmin(Ai)，由此得独立区域Ai的正外接矩形Ri，如图3中虚线表示的外 矩形所示，Ri的长为xmax(Ai)-xmin(Ai)，宽为ymax(Ai)-ymin(Ai)；
(11)判断保留的独立区域Ai个数是否小于1，如小于1则图像 中无目标，本幅图像处理结束，如等于1则图像中可能存在一个目标， 如大于1则可能存在多个目标；
(12)当独立区域个数为1时，进入单线程模式，独立区域个数 大于1时，进入多线程模式；
(13)在单线程模式下，对独立区域Ai进行边缘提取，得到独立 区域的外轮廓边缘Bi；
(14)将步骤10中求取的独立区域Ai的正外接矩形Ri的中心Oi， 如图3，作为独立区域的初始中心Oi，建立直角坐标系XOiY，如图4 所示，求取边缘Bi在坐标系XOiY的X轴和Y轴上的投影长度
Figure BDA0002267869070000081
即为独立区域在当前坐标系下外接矩形的边长，求取当前外接矩形面 积
Figure BDA0002267869070000082
(15)将坐标系XOiY以Oi为中心，逆时针旋转角度α，得到X'OiY'， 求取边缘Bi在坐标系X'OiY'的X轴和Y轴上的投影，计算此时外接矩 形面积
Figure BDA0002267869070000083
(16)重复步骤15，每次步进旋转角度α，直到坐标系X'OiY'相 对初始坐标系XOiY旋转到90度为止，比较每次旋转计算得到外接矩 形面积
Figure BDA0002267869070000084
记录获得最小外接矩形时坐标系的旋转角度θ，如图4；
(17)为了获取更精确的角度，以θ角为中心，以[θ-t,θ+t]作为 坐标系的旋转角度范围，以0.1°作为步进旋转角度，按照步骤16，求 取在[θ-t,θ+t]角度范围内，最小外接矩形面积对应的角度θ'和最小外 接矩形的四个顶点P1～P4，如图4；
(18)由最小外接矩形的四个顶点P1～P4求取最小外接矩形的几 何中心Oi'；
(19)利用步骤2中的已知参数对步骤18中的最小外接矩形进 行判定，最小外接矩形的长边L满足Lmin≤L≤Lmax，短边M满足 Mmin≤M≤Mmax，则判定该独立区域为目标区域，目标的形心为Oi'， 目标的姿态角(目标长边与X轴的夹角)为θ'，否则该独立区域不是 目标；
(20)当独立区域个数大于1时，进入多线程模式，在多线程模 式下，首先启动一个新处理线程，然后选择二个独立区域，将一个独 立区域交给新启动的线程，按照步骤14～19，对该独立区域进行处 理，将另一个独立区域交给主线程，也按照步骤14～19，对该独立区域进行处理；
(22)主线程处理完毕，查询新创建线程的处理情况，如新创建 线程未处理完，则持续查询处理结果，如新创建线程已处理完毕，则 判断独立区域是否处理完毕；
(23)如独立区域处理完毕，则终止新建线程，输出最终结果， 如独立区域未处理完毕，则继续选择独立区域，并按照步骤14～19 对独立区域进行处理，直至所有独立区域处理完毕。
所述步骤(16)中，α可设置为2。
所述步骤(17)中，t可设置为1。
下面举例说明。
利用CCD相机获取传送带上的象棋和某药品目标图像，并通过 测量得到象棋和药品目标的输入参数，如图5、表1所示，其中Smax可 采用Lmax×Wmax求取；Smin设置不要过大，可设置为小于Lmin×Wmin的 结果，如对药品目标可设置为500；Lmax、Wmax的数值应略大于目标实际边像素数值；Lmin、Wmin的数值应小于目标实际边像素数值。
表1目标输入参数
参数名称 药袋(目标1) 象棋(目标2)
区域面积最大值S<sub>max</sub> 102315(359×285) 32376(228×142)
区域面积最小值S<sub>min</sub> 500 500
长边最大值L<sub>max</sub> 359 228
长边最小值L<sub>min</sub> 252 142
短边最大值W<sub>max</sub> 285 228
短边最小值W<sub>min</sub> 166 142
最小灰度梯度阈值G<sub>min</sub> 20 20
(1)将图像进行3×3的中值滤波预处理；
(2)采用Roberts算子进行梯度滤波；
(3)按照表1中的梯度阈值Gmin对目标进行阈值分割，如图6 所示；
(4)对阈值分割后的图像进行形态学开运算；
(5)进行区域生长处理，经对区域生长确定的独立区域进行初 步筛除，得到2个独立目标区域，如图7所示；
(6)求取目标的正外接矩形，如图8所示，进入多线程模式；
(7)获取象棋、药袋目标的边缘轮廓，如图9中左、右图所示；
求取象棋、药袋的中心和姿态角度如表2所示，图10中(a)、(b) 给出了绘制了中心和标识姿态的外接矩形的目标。
表2求得的多类目标的中心和姿态数值
参数名称 药袋(x,y) 象棋(x,y)
中心坐标 722.3，614.8 476.0，281.5
姿态角度 -81.99 0
可以看出，本发明针对并联机器人视觉系统在工业流水线作业中 对目标物体的准确检测定位需求，提出采用基于区域生长、梯度均匀 性抑制、形态学滤波、阈值分割、投射边缘检测等算法相结合的目标 检测方法，实现了工业流水线上目标物体的准确检测；为解决检测后 目标的准确定位和定姿，同时为了提升算法的效率，提出了采用多线 程处理与变步长旋转坐标系下边缘投影相结合的方法。使用前述提出 的方法，对工业流水线上采集的多种特定目标图像集进行检测和位姿 测量仿真验证，目标物体的准确检测和定位概率可达到99.98％。
本发明自主提出了有效的流水线上目标检测及定位新框架，突破 了国外技术的限制壁垒，通过采用多种图像处理技术的有机组合，可 获得精确到0.1度的目标姿态，可实现亚象素级的目标定位。
以上所述仅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，在不脱离本发明技术原理的前提下，还可以 做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种应用在工业流水线上的快速目标检测和定位方法，其特征在于，包括以下步骤：
(1)获取待处理的图像数据I；
(2)获取预先设定的目标特性参数，参数项包括目标物体在图像中的区域面积最大值Smax、区域面积最小值Smin、长边最大值Lmax、长边最小值Lmin、短边最大值Wmax、短边最小值Wmin、最小灰度梯度阈值Gmin；
(3)对图像I进行平滑滤波，得到图像数据Is；
(4)对Is进行梯度滤波处理，得到滤波后图像数据Ig；
(5)对Ig利用最小灰度梯度阈值Gmin进行灰度阈值分割，得到二值图像数据Ib，如下式所示：
Figure FDA0002267869060000011
式(1)中Ig(x,y)表示梯度图像Ig中坐标(x,y)处的梯度值，Ib(x,y)＝0表示目标区，Ib(x,y)＝255表示背景区；
(6)对二值图像数据Ib进行形态学滤波，得到图像数据IP；
(7)对图像数据IP进行区域生长处理，得到生长后的n个独立目标区域A；
(8)对每个独立目标区进行编号Ai,i＝1～n，获取每个独立目标区域的面积ai，记录每个目标区域内像素点的坐标位置Ai(x,y)；
(9)利用步骤(2)中的已知条件对独立区域进行初步筛除，如果独立区域Ai的面积Smin<ai<Smax则该区域保留为疑似目标区域，否则该区域被视为非目标区域；
(10)求取每个区域的正外接矩形，对于正外接矩形中的疑似目标区域Ai，水平方向投影得到最大、最小投影值ymax(Ai)、ymin(Ai)，垂直方向投影得到最大、最小投影值xmax(Ai)、xmin(Ai)，由此得独立区域Ai的正外接矩形Ri，Ri的长为xmax(Ai)-xmin(Ai)，宽为ymax(Ai)-ymin(Ai)；
(11)判断保留的独立区域Ai个数是否小于1，如小于1则图像中无目标，本幅图像处理结束，如等于1则图像中可能存在一个目标，如大于1则可能存在多个目标；
(12)当独立区域个数为1时，进入单线程模式，独立区域个数大于1时，进入多线程模式；
(13)在单线程模式下，对独立区域Ai进行边缘提取，得到独立区域的外轮廓边缘Bi；
(14)将步骤10中求取的独立区域Ai的正外接矩形Ri的中心Oi，作为独立区域的初始中心Oi，建立直角坐标系XOiY，求取边缘Bi在坐标系XOiY的X轴和Y轴上的投影长度即为独立区域在当前坐标系下外接矩形的边长，求取当前外接矩形面积
Figure FDA0002267869060000022
(15)将坐标系XOiY以Oi为中心，逆时针旋转角度α，得到X'OiY'，求取边缘Bi在坐标系X'OiY'的X轴和Y轴上的投影，计算此时外接矩形面积
Figure FDA0002267869060000023
(16)重复步骤15，每次步进旋转角度α，直到坐标系X'OiY'相对初始坐标系XOiY旋转到90度为止，比较每次旋转计算得到外接矩形面积
Figure FDA0002267869060000031
记录获得最小外接矩形时坐标系的旋转角度θ；
(17)以θ角为中心，以[θ-t,θ+t]作为坐标系的旋转角度范围，以0.1°作为步进旋转角度，按照步骤16，求取在[θ-t,θ+t]角度范围内，最小外接矩形面积对应的角度θ'和最小外接矩形的四个顶点P1～P4；
(18)由最小外接矩形的四个顶点P1～P4求取最小外接矩形的几何中心O′i；
(19)利用步骤2中的已知参数对步骤18中的最小外接矩形进行判定，最小外接矩形的长边L满足Lmin≤L≤Lmax，短边M满足Mmin≤M≤Mmax，则判定该独立区域为目标区域，目标的形心为O′i，目标的姿态角为θ'，否则该独立区域不是目标；
(20)当独立区域个数大于1时，进入多线程模式，在多线程模式下，首先启动一个新处理线程，然后选择二个独立区域，将一个独立区域交给新启动的线程，按照步骤14～19，对该独立区域进行处理，将另一个独立区域交给主线程，也按照步骤14～19，对该独立区域进行处理；
(22)主线程处理完毕，查询新创建线程的处理情况，如新创建线程未处理完，则持续查询处理结果，如新创建线程已处理完毕，则判断独立区域是否处理完毕；
(23)如独立区域处理完毕，则终止新建线程，输出最终结果，如独立区域未处理完毕，则继续选择独立区域，并按照步骤14～19对独立区域进行处理，直至所有独立区域处理完毕。
2.如权利要求1所述的方法，其特征在于，所述步骤(16)中，α设置为2。
3.如权利要求1所述的方法，其特征在于，步骤(17)中，t设置为1。
4.如权利要求1所述的方法，其特征在于，步骤(3)中平滑滤波采用不影响图像边缘清晰度的方法。
5.如权利要求4所述的方法，其特征在于，步骤(3)中平滑滤波采用中值滤波方法。
6.如权利要求1所述的方法，其特征在于，步骤(4)中梯度滤波采用Rorberts算子。
7.如权利要求1所述的方法，其特征在于，步骤(4)中梯度滤波采用拉普拉斯算子。
8.如权利要求1至7中任一项所述的方法，其特征在于，步骤(1)中利用CCD相机获取目标图像作为待处理的图像数据。
9.如权利要求8所述的方法，其特征在于，其中Smax采用Lmax×Wmax求取。
10.如权利要求9所述的方法，其特征在于，Smin设置为小于Lmin×Wmin的结果；Lmax、Wmax的数值大于目标实际边像素数值；Lmin、Wmin的数值小于目标实际边像素数值。
CN201911094446.4A 2019-11-11 2019-11-11 一种应用在工业流水线上的快速目标检测和定位方法 Active CN110852265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911094446.4A CN110852265B (zh) 2019-11-11 2019-11-11 一种应用在工业流水线上的快速目标检测和定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911094446.4A CN110852265B (zh) 2019-11-11 2019-11-11 一种应用在工业流水线上的快速目标检测和定位方法

Publications (2)

Publication Number Publication Date
CN110852265A true CN110852265A (zh) 2020-02-28
CN110852265B CN110852265B (zh) 2023-05-26

Family

ID=69601182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911094446.4A Active CN110852265B (zh) 2019-11-11 2019-11-11 一种应用在工业流水线上的快速目标检测和定位方法

Country Status (1)

Country Link
CN (1) CN110852265B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738367A (zh) * 2020-08-17 2020-10-02 成都中轨轨道设备有限公司 一种基于图像识别的零件分类方法
CN112607142A (zh) * 2020-12-29 2021-04-06 杭州千岛湖瑞淳机器人研究院有限公司 一种咖啡杯装入隔板设备
CN116331763A (zh) * 2023-04-17 2023-06-27 中建幕墙有限公司 建筑幕墙型材处理装置及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934813A (zh) * 2015-12-31 2017-07-07 沈阳高精数控智能技术股份有限公司 一种基于视觉定位的工业机器人工件抓取实现方法
WO2018196370A1 (zh) * 2017-04-25 2018-11-01 华南理工大学 一种基于模式识别的视觉投影交互系统及交互方法
CN110315525A (zh) * 2018-03-29 2019-10-11 天津工业大学 一种基于视觉引导的机器人工件抓取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934813A (zh) * 2015-12-31 2017-07-07 沈阳高精数控智能技术股份有限公司 一种基于视觉定位的工业机器人工件抓取实现方法
WO2018196370A1 (zh) * 2017-04-25 2018-11-01 华南理工大学 一种基于模式识别的视觉投影交互系统及交互方法
CN110315525A (zh) * 2018-03-29 2019-10-11 天津工业大学 一种基于视觉引导的机器人工件抓取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
伍锡如;黄国明;孙立宁: "基于深度学习的工业分拣机器人快速视觉识别与定位算法" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738367A (zh) * 2020-08-17 2020-10-02 成都中轨轨道设备有限公司 一种基于图像识别的零件分类方法
CN111738367B (zh) * 2020-08-17 2020-11-13 成都中轨轨道设备有限公司 一种基于图像识别的零件分类方法
CN112607142A (zh) * 2020-12-29 2021-04-06 杭州千岛湖瑞淳机器人研究院有限公司 一种咖啡杯装入隔板设备
CN112607142B (zh) * 2020-12-29 2022-03-18 杭州千岛湖瑞淳机器人研究院有限公司 一种咖啡杯装入隔板设备
CN116331763A (zh) * 2023-04-17 2023-06-27 中建幕墙有限公司 建筑幕墙型材处理装置及方法
CN116331763B (zh) * 2023-04-17 2023-12-05 中建幕墙有限公司 建筑幕墙型材处理装置及方法

Also Published As

Publication number Publication date
CN110852265B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN107145905B (zh) 电梯紧固螺帽松动的图像识别检测方法
CN105930858B (zh) 一种带旋转、缩放的快速高精度几何模板匹配方法
WO2022027949A1 (zh) 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统
CN110315525A (zh) 一种基于视觉引导的机器人工件抓取方法
CN110852265A (zh) 一种应用在工业流水线上的快速目标检测和定位方法
US9483707B2 (en) Method and device for recognizing a known object in a field of view of a three-dimensional machine vision system
CN111915485B (zh) 一种特征点稀疏工件图像的快速拼接方法及系统
JP2023134688A (ja) ビジョンシステムで画像内のパターンを検出及び分類するためのシステム及び方法
CN114347015B (zh) 一种机器人抓取控制方法、系统、装置及介质
CN110763700A (zh) 一种半导体元器件缺陷检测方法和设备
Sansoni et al. Optoranger: A 3D pattern matching method for bin picking applications
CN109740613A (zh) 一种基于Feature-Shift和预测的视觉伺服控制方法
CN112936257A (zh) 一种工件抓取方法、装置、计算机设备及存储介质
Oh et al. Development of structured light based bin picking system using primitive models
Fontana et al. A comparative assessment of parcel box detection algorithms for industrial applications
Um et al. Suction point selection algorithm based on point cloud for plastic waste sorting
Hargas et al. Novel machine vision tools applied in biomechatronic tasks
Frank et al. Stereo-vision for autonomous industrial inspection robots
CN114187269B (zh) 小零器件表面缺陷边缘快速检测方法
CN113487538B (zh) 一种多目标分割缺陷检测方法、装置及其计算机存储介质
CN115100416A (zh) 一种不规则钢板位姿识别方法及相关设备
CN112907510B (zh) 一种表面缺陷检测方法
Kiddee et al. A geometry based feature detection method of V-groove weld seams for thick plate welding robots
CN112200821A (zh) 一种用于流水线多隔分装目标的检测和定位方法
Lan et al. Weld Recognition of Pressure Vessel Based on Texture Feature

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