CN111062287A - 一种基于机器视觉的旋帽定心及其一字槽角度识别的方法 - Google Patents

一种基于机器视觉的旋帽定心及其一字槽角度识别的方法 Download PDF

Info

Publication number
CN111062287A
CN111062287A CN201911251829.8A CN201911251829A CN111062287A CN 111062287 A CN111062287 A CN 111062287A CN 201911251829 A CN201911251829 A CN 201911251829A CN 111062287 A CN111062287 A CN 111062287A
Authority
CN
China
Prior art keywords
template
image
center
array
straight line
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.)
Pending
Application number
CN201911251829.8A
Other languages
English (en)
Inventor
许东来
李明飞
孙国芹
杨巨辉
卢超伟
李文豪
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201911251829.8A priority Critical patent/CN111062287A/zh
Publication of CN111062287A publication Critical patent/CN111062287A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/443—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 by matching or filtering
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)

Abstract

一种基于机器视觉的旋帽定心及其一字槽角度识别的方法，其步骤为：预先获取该类型旋帽的图像，进行图像处理建立模板，使模板图像焦点中心即为旋帽中心，建立模板数据库；采集需定位旋帽的待识别图像；进行图像处理后，与模板图像进行匹配。对匹配结果进行处理，得到多个旋帽圆心坐标(X01,Y01),(X02,Y02)，…；根据得到的旋帽中心建立相对坐标系，再次建立新模板，存至模板数据库；在相对坐标系下建立直线识别区域，进行一字槽直线的识别，得到多个直线的起始点和终止点；计算直线的斜率并反求角度，取各个直线角度的中值为此时一字槽的与水平坐标的夹角。本发明对工业自动化有着重大意义。

Description

一种基于机器视觉的旋帽定心及其一字槽角度识别的方法
技术领域
本发明涉及定位技术领域，特别涉及到视觉定位和角度测量以及机器学习的一种方法。
背景技术
基于机器视觉和自动化以及人工智能行业正在日益兴起，该方法是通过 CCD或者CMOS摄像头技术的发展，进行图像采集并进行图像的处理，此外由于Labview、Matlab、以及Open-CV等图像处理软件的功能逐渐完善和强大，对于图像的去燥，滤波的处理更加的成熟，使得该方法的精度得到大幅度提高。旋帽圆心和一字槽角度的定位对实现工业自动化和自动装配、拆卸以及人工智能有重大意义。
发明内容
为了能使工业自动化更加的完善、转配和拆卸更加的智能自动化，本发明提供一种种视觉定位旋帽圆心和一字槽角度的方法，包括以下步骤：
步骤(1)：预先获取该类型一字旋帽的图像，对图像灰度化后进行截图处理，使其焦点中心即为旋帽中心，并建立包含该一字旋帽图像的数据库，设置为模板，具体步骤如下：
(1.1)先将待识别旋帽进行Saturation饱和度面的灰度化处理，进行旋帽的截图，使其图片的焦点中心为旋帽的中心，为后续的匹配结果中心即为旋帽的中心作为基础依据，建立初始模板1；
(1.2)将旋帽在进行二值化处理，进行旋帽的截图，使其图片的焦点中心为旋帽的中心，为后续的匹配结果中心即为旋帽的中心作为基础依据，建立初始模板2；
(1.3)将初始模板1和初始模板2存储至模板数据库中；
步骤(2)：通过基于CCD器件的摄像头采集需定位环境内旋帽的待识别图像；
步骤(3)：将待识别图像进行灰度化、二值化傅里叶滤波后，与数据库中的模板图像进行匹配，根据匹配得到的结果，具体步骤如下：
(3.1)将待识别图像进行Saturation饱和度面的灰度化处理，使其变为灰度图像，与模板数据库中的初始模板1进行匹配，将匹配度设置为满分的百分之80，匹配个数最多为4个,将匹配后得到的所有结果存贮至数组1中；
(3.2)对原图进行抽取Red红色面进行灰度化处理，再进行二值化处理，寻找黑色部分，上限值为75，得到二值化图像，然后进行傅里叶滤波，滤去边缘间断点，使图像更加的圆滑.将处理后的二值图像与模板数据库中的模板进行二次匹配，将匹配度设置为满分的百分之80，即认定其为所需寻找旋帽，将匹配后得到的所有结果存贮至数组1中；
步骤(4)：对匹配结果得到焦点中心进行计算处理得到4个旋帽圆心坐标(X01,Y01),(X02,Y02)，(X03,Y03)，(X04,Y04)，具体步骤如下：
(4.1)将步骤(3)中的多组匹配结果整合为一个数组；
(4.2)将(4.1)中的整合数组减去其第一个元素后得到一个新的数组，在新的数组中的元素中，满足X≤10，Y≤10的元素认定为一类元素，X,Y为数组中的元素,追溯至原结果数组，将其提取出来为数组3，进行取均值，认定为其中一个旋帽的圆心坐标；
(4.3)将整合后的数组去除数组3以后，构成另一个新的数组，在此新的数组中减去其第一个元素后重复(4.2)，依次类推找出所有旋帽的圆心坐标，根据各个旋帽圆心到坐标原点的距离，从小到大依次排序，将旋帽坐标命名为1号坐标(X01,Y01)、2号坐标(X02,Y02)…；
步骤(5)：对图片进行截图，建立新的模板存至模板数据库，用于下次的识别，以下步骤中的R均为旋帽外切圆的半径，具体步骤如下：
(5.1)根据步骤(4)中求出的圆心坐标建立截图感兴趣区域即ROI；
(5.2)以(X01-R,Y01-R)为矩形左上顶点，(X01+R,Y01+R)为矩形右下顶点截图，并进行相应的模板学习后，另存为新的模板；
(5.3)以(X02-R,Y02-R)为矩形左上顶点，(X02+R,Y02+R)为矩形右下顶点截图，并进行相应的模板学习后，另存为新的模板。依次类推，找出所有旋帽的感兴趣区域即ROI，建立新的模板；
步骤(6)：进行一字槽直线的识别，得到多个直线的起始点和终止点。
具体步骤如下：
(6.1)对原始图片进行抽取Red红色平面进行灰度化处理；
(6.2)以步骤(4)求出的圆心坐标为根据，以(X0i-R,Y0i-R)为矩形左上顶点，(X0i+R,Y0i+R)为矩形右下顶点，建立直线识别的矩形感兴趣区域即ROI；
(6.3)识别参数的设值，设值识别的直线长度最短为一字槽长度的三分之一，边缘阈值设置为75；
(6.4)对于一字槽的边缘进行直线识别输出识别后得到的所有直线的起始点，终止点坐标，如表1；
表1
结果 1 2 3 4
起始点X坐标 1035.13 1011.18 1037.03 998.46
起始点Y坐标 636.00 590.03 560.00 554.00
终止点X坐标 1030.38 997.85 1019.42 98.32
终止点Y坐标 675.95 705.03 693.04 639.95
步骤(7)：根据直线的起始点和终止点计算识别得到的直线的斜率并反求角度，取各个直线角度的中值认定为此时一字槽与像素坐标X轴的夹角，具体步骤如下：
(7.1)根据步骤(6)得到的所有直线的起始点和终止点坐标，利用两点法求各个直线的斜率K。计算公式如下：
Figure RE-GDA0002387313560000031
根据计算得到的K值，利用反三角函数求出直线角度值β，计算公式如下：
β＝arctanK
(7.2)将各个直线的β值进行排序，并求其各个直线的β值的中值α；
(7.3)利用分段法计算一字槽的角度θ，计算公式如下：
Figure RE-GDA0002387313560000041
本发明对于旋帽圆心的定位的创新在于，采用S面的灰度图像模板匹配，为了提高识别准确的和稳定性，设置匹配度为满分的百分之80，后期进行灰度图像和的模板匹配再次进行定位圆心。
本发明对于多个旋帽圆心的同时定位的创新在于，在多个匹配坐标出来以后，对坐标进行分类处理，将所有匹配中心坐标整合为一个数组，然后整合数组减去其第一个元素后得到一个新的数组，在新的数组中的元素中，满足X≤10，Y≤10(X,Y为数组中的元素)的元素认定为一类元素，追溯至原结果数组，将其提取出来为数组3，进行取均值，认定为其中一个旋帽的圆心坐标。依次得出所有待识别旋帽圆心坐标。
本发明对自主机器学习的创新在于，得到圆心坐标(X0i，Y0i)后，对图像以(X0i-R,Y0i-R)为矩形左上顶点，(X0i+R,Y0i+R)为矩形右下顶点，建立截图的矩形感兴趣区域即ROI，并对图片进行模板参数的处理，存储至模板数据库中，进行以后的模板匹配，提高识别准确度和稳定性。
本发明对于一字槽角度的识别创新在于，为了提高识别精度特缩小识别区域，基于旋帽圆心坐标(X0i，Y0i)的识别，以(X0i-R,Y0i-R)为矩形左上顶点，(X0i+R,Y0i+R)为矩形右下顶点，建立直线识别的矩形ROI。在此区域内进行边缘直线检测，以检测一字槽的边缘，将检测得到的直线，以起始点和终止点的坐标形式输出。根据识别得到的直线起始点和终止点，根据两点公式
Figure RE-GDA0002387313560000042
求出各个直线斜率K。并反求出其角度β。为了提高识别的准确性，故将各个β值从小到大依次排序，求其中值α，由于两点公式中(x2≠x1)的情况，所造成的无法检测出90°情况，当一字槽角度89.498≤θ≤-89.498时， K≥114或K≤-114，此时认定一字槽角度为90°；故特构造以下分段函数
Figure RE-GDA0002387313560000051
求出其一字槽角度值θ。
本发明提供了一种视觉定位旋帽圆心和一字槽角度的方法，为自动装配和拆卸提供了依据，对工业自动化有着重大意义。
附图说明
图1,为本发明的流程图。
图2为本发明中单个待识别旋帽初始S面灰度模板图。
图3为本发明的单个待识别旋帽二值化模板图。
图4为本发明的待识别图像的S面灰度化模板图。
图5为本发明的待识别图像的二值化以及定位结果图。
图6为本发明的角度识别中一字槽边缘直线图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1至图5，一种视觉定位旋帽圆心的方法，具体步骤如下：
步骤(1)：预先获取该类型一字旋帽的图像，对图像灰度化后进行截图处理，使其焦点中心即为旋帽中心，并建立包含该一字旋帽图像的数据库，设置为模板，具体步骤如下：
(1.1)先将待识别旋帽进行Saturation饱和度面的灰度化处理，进行旋帽的截图，使其图片的焦点中心为旋帽的中心，为后续的匹配结果中心即为旋帽的中心作为基础依据，建立初始模板1；
(1.2)将旋帽在进行二值化处理，进行旋帽的截图，使其图片的焦点中心为旋帽的中心，为后续的匹配结果中心即为旋帽的中心作为基础依据，建立初始模板2；
(1.3)将初始模板1和初始模板2存储至模板数据库中；
步骤(2)：通过基于CCD器件的摄像头采集需定位环境内旋帽的待识别图像；
步骤(3)：将待识别图像进行灰度化、二值化傅里叶滤波后，与数据库中的模板图像进行匹配，根据匹配得到的结果，具体步骤如下：
(3.1)将待识别图像进行Saturation饱和度面的灰度化处理，使其变为灰度图像，与模板数据库中的初始模板1进行匹配，将匹配度设置为满分的百分之80，匹配个数最多为4个,将匹配后得到的所有结果存贮至数组1中；
(3.2)对原图进行抽取Red红色面进行灰度化处理，再进行二值化处理，寻找黑色部分，上限值为75，得到二值化图像，然后进行傅里叶滤波，滤去边缘间断点，使图像更加的圆滑.将处理后的二值图像与模板数据库中的模板进行二次匹配，匹配度设置为满分的百分之80，即认定其为所需寻找旋帽，将匹配后得到的所有结果存贮至数组1中；
步骤(4)：对匹配结果得到焦点中心进行计算处理得到4个旋帽圆心坐标(X01,Y01),(X02,Y02)，(X03,Y03)，(X04,Y04)，具体步骤如下：
(4.1)将步骤(3)中的多组匹配结果整合为一个数组；
(4.2)将(4.1)中的整合数组减去其第一个元素(X1,Y1)后得到一个新的数组，在新的数组中的元素中，满足X≤10，Y≤10的元素认定为一类元素，X,Y为数组中的元素,追溯至原结果数组，将其提取出来为数组3，进行取均值，认定为其中一个旋帽的圆心坐标；
(4.3)将整合后的数组去除数组3以后，构成另一个新的数组，在此新的数组中减去其第一个元素后重复(4.2)，依次类推找出所有旋帽的圆心坐标 (X0i,Y0i)，根据各个旋帽圆心到坐标原点的距离，从小到大依次排序，将旋帽坐标命名为1号坐标(X01,Y01)、2号坐标(X02,Y02)…；
步骤(5)：对图片进行截图，建立新的模板存至模板数据库，用于下次的识别，以下步骤中的R均为旋帽外切圆半径R具体步骤如下：
(5.1)根据步骤(4)中求出的圆心坐标建立截图感兴趣区域即ROI；
(5.2)以(X01-R,Y01-R)为矩形左上顶点，(X01+R,Y01+R)为矩形右下顶点截图，并进行相应的模板学习后，另存为新的模板；
(5.3)以(X02-R,Y02-R)为矩形左上顶点，(X02+R,Y02+R)为矩形右下顶点截图，并进行相应的模板学习后，另存为新的模板。依次类推，找出所有旋帽的感兴趣区域即ROI，建立新的模板；
参照图6，一字槽角度的识别方法如下：
步骤(6)：进行一字槽直线的识别，得到多个直线的起始点和终止点。
具体步骤如下：
(6.1)对原始图片进行抽取Red红色平面进行灰度化处理；
(6.2)以步骤(4)求出的圆心坐标为根据，以(X0i-R,Y0i-R)为矩形左上顶点，(X0i+R,Y0i+R)为矩形右下顶点，建立直线识别的矩形感兴趣区域即ROI；
(6.3)识别参数的设值，设值识别的直线长度最短为一字槽长度的三分之一，边缘阈值设置为75；
(6.4)对于一字槽的边缘进行直线识别输出识别后得到的所有直线的起始点，终止点坐标，如表1；
表1
结果 1 2 3 4
起始点X坐标 1035.13 1011.18 1037.03 998.46
起始点Y坐标 636.00 590.03 560.00 554.00
终止点X坐标 1030.38 997.85 1019.42 98.32
终止点Y坐标 675.95 705.03 693.04 639.95
步骤(7)：根据直线的起始点和终止点计算识别得到的直线的斜率并反求角度，取各个直线角度的中值认定为此时一字槽与像素水平的夹角，具体步骤如下：
(7.1)根据步骤(6)得到的所有直线的起始点和终止点坐标，利用两点法求各个直线的斜率K。计算公式如下：
Figure RE-GDA0002387313560000081
根据计算得到的K值，利用反三角函数求出直线角度值β，计算公式如下：
β＝arctanK
(7.2)将各个直线的β值进行排序，并求各个直线的β值的中值α；
(7.3)利用分段法计算一字槽的角度θ，计算公式如下：
Figure RE-GDA0002387313560000082

Claims (1)

1.一种基于机器视觉的旋帽定心及其一字槽角度识别的方法，其特征在于
步骤(1)：预先获取该类型一字旋帽的图像，对图像灰度化后进行截图处理，使其焦点中心即为旋帽中心，并建立包含该一字旋帽图像的数据库，设置为模板，具体步骤如下：
(1.1)先将待识别旋帽进行Saturation饱和度面的灰度化处理，进行旋帽的截图，使其图片的焦点中心为旋帽的中心，为后续的匹配结果中心即为旋帽的中心作为基础依据，建立初始模板1；
(1.2)将旋帽在进行二值化处理，进行旋帽的截图，使其图片的焦点中心为旋帽的中心，为后续的匹配结果中心即为旋帽的中心作为基础依据，建立初始模板2；
(1.3)将初始模板1和初始模板2存储至模板数据库中；
步骤(2)：通过基于CCD器件的摄像头采集需定位环境内旋帽的待识别图像；
步骤(3)：将待识别图像进行灰度化、二值化、傅里叶滤波后，与数据库中的模板图像进行匹配，根据匹配得到结果，具体步骤如下：
(3.1)将待识别图像进行Saturation饱和度面的灰度化处理，使其变为灰度图像，与模板数据库中的初始模板1进行匹配，将匹配度设置为满分的百分之80，匹配个数最多为4个,将匹配后得到的所有结果存贮至数组1中；
(3.2)对原图进行抽取Red红色面进行灰度化处理，再进行二值化处理，，寻找黑色部分，上限值为75，得到二值化图像，然后进行傅里叶滤波，滤去边缘间断点，使图像更加的圆滑.将处理后的二值图像与模板数据库中的模板进行二次匹配，匹配度设置为满分的百分之80，即认定其为所需寻找旋帽，将匹配后得到的所有结果存贮至数组1中；
步骤(4)：对匹配结果得到焦点中心进行计算处理得到4个旋帽圆心坐标(X01,Y01),(X02,Y02)，(X03,Y03)，(X04,Y04)，具体步骤如下：
(4.1)将步骤(3)中的多组匹配结果整合为一个数组；该数组格式为[(X1,Y1),(X2,Y2),(X3,Y3),…，(Xn,Yn)]；
(4.2)将(4.1)中的整合数组减去其第一个元素后得到一个新的数组，在新的数组中的元素中，满足X≤10，Y≤10的元素认定为一类元素，X,Y为数组中的元素；追溯至原结果数组，将其提取出来为数组3，进行取均值，认定为其中一个旋帽的圆心坐标；
(4.3)将整合后的数组去除数组3以后，构成另一个新的数组，在此新的数组中减去其第一个元素后重复(4.2)，依次类推找出所有旋帽的圆心坐标，根据各个旋帽圆心到坐标原点的距离，从小到大依次排序，将旋帽坐标命名为1号坐标(X01,Y01)、2号坐标(X02,Y02)…；
步骤(5)：对图片进行截图，建立新的模板存至模板数据库，用于下次的识别，以下步骤中R为旋帽外切圆半径，具体步骤如下：
(5.1)根据步骤(4)中求出的圆心坐标建立截图感兴趣区域即ROI；坐标系以图片左上顶点为原点，向右为X轴正向，向下为Y轴正向；
(5.2)以(X01-R,Y01-R)为矩形左上顶点，(X01+R,Y01+R)为矩形右下顶点截图，并进行相应的模板学习后，另存为新的模板；
(5.3)以(X02-R,Y02-R)为矩形左上顶点，(X02+R,Y02+R)为矩形右下顶点截图，并进行相应的模板学习后，另存为新的模板；依次类推，找出所有旋帽的矩形感兴趣区域即ROI，建立新的模板；
步骤(6)：进行一字槽直线的识别，得到多个直线的起始点和终止点；具体步骤如下：
(6.1)对原始图片进行抽取Red红色平面进行灰度化处理；
(6.2)以步骤(4)求出的圆心坐标为根据，以(X0i-R,Y0i-R)为矩形左上顶点，(X0i+R,Y0i+R)为矩形右下顶点，建立直线识别的矩形感兴趣区域即ROI；
(6.3)识别参数的设值，设值识别的直线长度最短为一字槽长度的三分之一，边缘阈值设置为75；
(6.4)对于一字槽的边缘进行直线识别输出识别后得到的所有直线的起始点，终止点坐标；
步骤(7)：根据直线的起始点和终止点计算识别得到的直线的斜率并反求角度，取各个直线角度的中值认定为此时一字槽与像素坐标X轴的夹角，具体步骤如下：
(7.1)根据步骤(6)得到的所有直线的起始点和终止点坐标，利用两点法求各个直线的斜率K；
Figure FDA0002309267140000031
根据计算得到的K值，利用反三角函数求出直线角度值β，计算公式如下：
β＝arctanK
(7.2)将各个直线的β值进行排序，并求各个直线的β值的中值α；
(7.3)利用分段法计算一字槽的角度θ，由于两点公式中x2≠x1的情况，所造成的无法检测出90°情况，当一字槽角度89.498≤θ≤-89.498时，K≥114或K≤-114，此时认定一字槽角度为90°；故特构造以下分段函数：
Figure FDA0002309267140000032
CN201911251829.8A 2019-12-09 2019-12-09 一种基于机器视觉的旋帽定心及其一字槽角度识别的方法 Pending CN111062287A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911251829.8A CN111062287A (zh) 2019-12-09 2019-12-09 一种基于机器视觉的旋帽定心及其一字槽角度识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911251829.8A CN111062287A (zh) 2019-12-09 2019-12-09 一种基于机器视觉的旋帽定心及其一字槽角度识别的方法

Publications (1)

Publication Number Publication Date
CN111062287A true CN111062287A (zh) 2020-04-24

Family

ID=70300446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911251829.8A Pending CN111062287A (zh) 2019-12-09 2019-12-09 一种基于机器视觉的旋帽定心及其一字槽角度识别的方法

Country Status (1)

Country Link
CN (1) CN111062287A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070814A (zh) * 2020-08-31 2020-12-11 杭州迅蚁网络科技有限公司 一种靶标角度识别方法、装置
CN117030018A (zh) * 2023-07-03 2023-11-10 广东盈科电子有限公司 一种数码管颜色测试方法、系统、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980859A (zh) * 2017-03-20 2017-07-25 中信戴卡股份有限公司 一种用于识别铝车轮背腔字符的方法
CN108876762A (zh) * 2018-05-11 2018-11-23 西安交通大学苏州研究院 面向智能生产线的机器人视觉识别定位方法
CN110211182A (zh) * 2019-05-31 2019-09-06 东北大学 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980859A (zh) * 2017-03-20 2017-07-25 中信戴卡股份有限公司 一种用于识别铝车轮背腔字符的方法
CN108876762A (zh) * 2018-05-11 2018-11-23 西安交通大学苏州研究院 面向智能生产线的机器人视觉识别定位方法
CN110211182A (zh) * 2019-05-31 2019-09-06 东北大学 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070814A (zh) * 2020-08-31 2020-12-11 杭州迅蚁网络科技有限公司 一种靶标角度识别方法、装置
CN117030018A (zh) * 2023-07-03 2023-11-10 广东盈科电子有限公司 一种数码管颜色测试方法、系统、装置及存储介质

Similar Documents

Publication Publication Date Title
CN106446894B (zh) 一种基于轮廓识别球型目标物位置的方法
CN109658402B (zh) 基于计算机视觉成像的工业型材几何尺寸自动检测方法
CN107941808B (zh) 基于机器视觉的3d打印成型质量检测系统及方法
CN108917593B (zh) 一种基于待测工件基元组态的智能测量系统及方法
CN106251353A (zh) 弱纹理工件及其三维位姿的识别检测方法及系统
CN109839385B (zh) 一种自适应的pcb板缺陷视觉定位检测及分类系统
CN112419297A (zh) 一种螺栓松动检测方法、装置、设备及存储介质
CN108764234B (zh) 一种基于巡检机器人的液位仪表读数识别方法
CN107452030B (zh) 基于轮廓检测和特征匹配的图像配准方法
CN108022232B (zh) 一种飞行器表面铆钉检测方法
CN108694716B (zh) 一种工件检测方法、模型训练方法及设备
CN111062287A (zh) 一种基于机器视觉的旋帽定心及其一字槽角度识别的方法
CN115597494B (zh) 一种基于点云的预制构件预留孔的精度检测方法、系统
CN111382658A (zh) 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法
CN115115607B (zh) 一种基于图像分析的图像形状特征提取识别方法
CN107895166B (zh) 基于特征描述子的几何哈希法实现目标鲁棒识别的方法
CN115937203A (zh) 一种基于模板匹配的视觉检测方法、装置、设备及介质
CN113989308B (zh) 一种基于霍夫变换与模板匹配的多边形目标分割方法
JP5027783B2 (ja) 円検出装置
TW201601119A (zh) 物件辨識與定位方法
CN110378337B (zh) 金属切削刀具图纸标识信息视觉输入方法及系统
CN111861997A (zh) 一种花纹板材圆孔尺寸检测方法、系统及装置
CN111243006A (zh) 一种基于图像处理的液滴接触角及尺寸的测量方法
Li et al. AdaHC: Adaptive hedge horizontal cross-section center detection algorithm
CN103871048B (zh) 一种基于直线基元的几何哈希法实时定位与匹配方法

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