CN111062912A - 一种轮胎断面关键目标的特征提取与检测定位方法 - Google Patents
一种轮胎断面关键目标的特征提取与检测定位方法 Download PDFInfo
- Publication number
- CN111062912A CN111062912A CN201911144579.8A CN201911144579A CN111062912A CN 111062912 A CN111062912 A CN 111062912A CN 201911144579 A CN201911144579 A CN 201911144579A CN 111062912 A CN111062912 A CN 111062912A
- Authority
- CN
- China
- Prior art keywords
- section
- binary image
- point
- foreground
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title abstract description 17
- 238000000605 extraction Methods 0.000 title description 2
- 238000012216 screening Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims description 13
- 238000007619 statistical method Methods 0.000 claims description 6
- 210000003746 feather Anatomy 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011160 research 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
-
- G06T5/70—
-
- 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
- G06T7/10—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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种轮胎断面关键目标的特征提取与检测定位方法。步骤如下：1.断面图像前景检测；2.断面关键点的检测定位。断面图像前景检测采用sauvola算法完成断面图像背景去除，并消除断面碎屑及其他噪声对点位检测的干扰。关键点包括断面左上关键点和右上关键点，其特征表现为断面在该点位处呈现90到145之间的角度。断面关键点的检测定位过程为：对截取的关键点区域进行特征点查找，依据关键点的先验位置信息对特征点进行第一轮筛选；依据关键点的特征信息，以特征点为圆心，统计不同半径圆内前景像素占比的均值和方差进行特征点的第二轮筛选；依据方差最小原则确定关键点的最终位置。本发明可应用于轮胎制造过程的断面分析，具有效率高、准确率高等特点。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种轮胎断面关键目标的特征提取与检测定位方法。
背景技术
轮胎断面是从轮胎胎圈径向切取的部分取样，轮胎断面分析是轮胎生产制造过程中的重要检测步骤。一方面能够提前发现轮胎的制造缺陷，避免不合格的轮胎投入使用而造成安全隐患，同时排查出生产过程中哪一道工序存在偏差，以及时作出调整；另一方面还可以积累轮胎研发的数据，为新型轮胎的研发和设计提供经验指导和数据支持。因此，轮胎断面检测研究对于轮胎的质量评估和研发具有重要的理论意义和实践意义。
轮胎断面检测是轮胎质量评估的重要手段之一。传统的轮胎断面检测方式是通过截取轮胎的断面，采用人工测量的方式采集相关指标对断面进行评估，最终对轮胎的质量作出判定。这样的方式既浪费人力又耗时，而且主观意识对测量的精度具有重要的影响。近年来，随着数字图像处理技术的兴起和应用，使得利用数字图像处理技术对轮胎断面进行分析成为可能。因此，利用数字图像处理技术，将指标的人工测量采集方式转换为通过特征提取和检测的方式实现智能采集对于断面检测以及轮胎质量的评估具有重要的现实意义。
一种轮胎断面关键目标的特征提取与检测定位方法，主要是针对轮胎断面的左上关键点和右上关键点的检测方法，其定义为行驶面边线。
发明内容
本发明的目的是提出一种轮胎断面关键目标的特征提取与检测定位方法，可以将其应用于轮胎断面分析，检验轮胎质量是否符合标准。
本发明解决其技术问题所采用的技术方案包含如下步骤：
步骤1、断面图像前景检测
1-1.根据采集的断面灰度图像生成含内轮廓的断面二值图像；
1-2.根据含内轮廓的断面二值图像获取断面内部背景二值图像；
1-3.根据含内轮廓的断面二值图像获取断面内轮廓二值图像；
1-4.根据断面内部背景二值图像和断面内轮廓二值图像，获取断面前景灰度图像；
步骤2、断面关键点的检测定位
2-1.截取断面前景灰度图像左上角的1/4图像区域作为初始待查找图像，并进行二值化处理，获取初始待查找二值图像；
2-2.利用Canny算子提取初始待查找二值图像的轮廓边缘，并提取特征点；
2-3.通过两轮特征点筛选，查找初始左上关键点；
2-4.截取断面前景灰度图像中初始左上关键点所在的区域作为待查找图像，并获取特征点；
2-5.通过两轮特征点筛选，确定左上关键点的最终位置；
2-6.截取断面前景灰度图像右上角的1/4图像区域作为初始待查找图像，并进行二值化处理，获取初始待查找二值图像，然后重复步骤2-2到步骤2-5，确定右上关键点的最终位置。
进一步的，步骤1-1所述的根据采集的断面灰度图像生成含内轮廓的断面二值图像包括：将竖向分割的断面灰度图像分别采用sauvola算法获取各二值图像，并按照分割规则拼接得到拼接后的二值图像；卷积滤波和形态学处理后，筛选出周长最长的轮廓区域，填充其内部得到含内轮廓的断面二值图像。
进一步的，步骤1-2具体实现如下：以含内轮廓的断面二值图像前景区域的左右外轮廓为边界，填充中间区域得到填充图像，并与含内轮廓的断面二值图像进行图像差值运算，得到断面内部背景二值图像。
进一步的，步骤1-3具体实现如下：首先根据含内轮廓的断面二值图像得到含内轮廓的断面前景灰度图像；然后分别统计分割后的含内轮廓的断面前景灰度图像的第一灰度直方图，获取灰度值在10到60之间的像素个数均值，并将第一灰度直方图除以该均值得到第二灰度直方图；接着筛查第二灰度直方图左右波峰之间的最小灰度值作为阈值获取各个内轮廓二值图像，其中左右波峰定义为：5-127的灰度区间内，第二灰度直方图的最左侧波峰和最右侧波峰；最后按照分割规则拼接得到各个内轮廓二值图像得到断面内轮廓二值图像。
进一步的，步骤1-4具体实现如下：首先将断面内轮廓二值图像和断面内部背景二值图像合并，筛选出面积最大的区域；接着以该区域左右外轮廓为边界填充中间区域得到含内轮廓的断面内部背景二值图像；最后依据断面内部背景二值图像去除含内轮廓的断面二值图像的内轮廓区域，得到断面前景灰度图像。
进一步的，步骤2-3具体实现如下：
2-3-1.根据初始待查找二值图像前景区域的最上侧点、左边界点以及特征点的y坐标均值对特征点进行初始左上关键点的第一轮筛选；
2-3-2.以特征点为圆心，统计分析不同半径的同心圆内初始待查找二值图像前景像素的占比进行初始左上关键点的第二轮筛选；依据方差最小原则，查找初始左上关键点。
进一步的，步骤2-3-1具体实现如下：
针对初始左上关键点：获取初始待查找二值图像前景区域行坐标最小的情况下列坐标最小的前景像素点为最上侧点topPoint，列坐标最小的情况下行坐标最小的前景像素点为左边界点xPoint，特征点featurePoints的y坐标均值为mean_y，筛选出满足以下三个条件的特征点featurePoints[j]，其中j为特征点序号：
(1)featurePoints[j].y<topPoint.y+Δy，Δy的取值在100到200之间；
(2)featurePoints[j].y<mean_y；
(3)初始左上关键点筛选条件：featurePoints[j].x<xPoint.x+Δx1，Δx1的取值在50到150之间；
针对初始右上关键点：获取初始待查找二值图像前景区域行坐标最小的情况下列坐标最小的前景像素点为最上侧点topPoint，列坐标最大的情况下行坐标最小的前景像素点为右边界点xPoint，特征点featurePoints的y坐标均值为mean_y，筛选出满足以下三个条件的特征点featurePoints[j]，其中j为特征点序号：
(1)featurePoints[j].y<topPoint.y+Δy，Δy的取值在100到200之间；
(2)featurePoints[j].y<mean_y；
(3)初始右上关键点筛选条件：featurePoints[j].x>xPoint.x-Δx2，Δx2的取值在150到250之间。
进一步的，步骤2-3-2具体实现如下：
以特征点为圆心，统计不同半径的圆内初始待查找二值图像前景像素占比的均值和方差，筛选出均值在0.25-0.4范围内的特征点作为第二轮筛选；依据断面左上关键点或右上关键点的特征表现为：断面在该点位处呈现90到145之间的角度，因此通过统计以特征点为圆心的圆内初始待查找二值图像前景像素的占比将这一特征表现进行量化，设置0.25-0.4的阈值范围对特征点进行筛选。
进一步的，步骤2-5具体实现如下：2-5-1.根据待查找二值图像前景区域的最上侧点以及特征点的y坐标均值对特征点进行左上关键点的第一轮筛选；2-5-2.以特征点为圆心，统计分析不同半径的同心圆内待查找二值图像前景像素的占比进行左上关键点的第二轮筛选；依据方差最小原则，确定左上关键点的最终位置。
进一步的，步骤2-5-1具体实现如下：获取待查找二值图像前景区域行坐标最小的情况下列坐标最小的前景像素点为最上侧点topPoint，特征点featurePoints的y坐标均值为mean_y，筛选出满足以下两个条件的特征点featurePoints[j]，其中j为特征点序号：
(1)featurePoints[j].y>topPoint.y+Δy，Δy的取值在250到350之间；
(2)featurePoints[j].y>mean_y。
本发明有益效果如下：
为解决传统检测手段存在的不足，本发明提出一种轮胎断面关键目标的特征提取与检测定位方法，其检测步骤包括：(1)断面图像前景检测；(2)断面关键点的检测定位。断面图像前景检测采用sauvola算法完成断面图像背景去除。这一步的主要作用是消除断面碎屑及其他噪声对点位检测定位的干扰。关键点包括断面左上关键点和右上关键点，其特征表现为断面在该点位处呈现90到145之间的角度。断面关键点的检测定位过程为：对截取的关键点区域进行特征点查找，依据关键点的先验位置信息进行特征点的第一轮筛选；依据关键点的特征表现，以特征点为圆心，统计不同半径的圆内前景像素占比的均值和方差进行特征点的第二轮筛选；依据方差最小原则，确定关键点的最终位置。本发明可应用于轮胎制造过程的断面分析，具有效率高、准确率高等特点。
附图说明
图1为本发明算法流程图；
图2为断面关键点的位置图；
图3为关键点检测过程中第二轮筛选方式的示意图；
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明属于图像处理技术领域，具体涉及一种轮胎断面关键目标的特征提取与检测定位方法。
如图1所示，一种轮胎断面关键目标的特征提取与检测定位方法，包含如下步骤：
1、断面图像前景检测
S1、根据采集的断面灰度图像生成含内轮廓的断面二值图像；
S2、以所述含内轮廓的断面二值图像获取断面内部背景二值图像；
S3、以所述含内轮廓的断面二值图像获取断面内轮廓二值图像；
S4、根据所述断面内部背景二值图像和断面内轮廓二值图像，获取断面前景灰度图像。
2、断面关键点的检测定位
S5、截取断面前景灰度图像左(右)上角的1/4图像区域作为初始待查找图像，并进行二值化处理；
S6、利用Canny算子提取初始待查找二值图像的轮廓边缘，并提取特征点；
S7、如图2所示，通过两轮特征点筛选，查找初始左上关键点2_1(右上关键点2_2)；
S8、截取断面前景灰度图像初始左上关键点2_1(右上关键点2_2)所在的区域作为待查找图像，并获取特征点；
S9、通过两轮特征点筛选，确定左上关键点2_1(右上关键点2_2)的最终位置。
具体的，根据采集的断面灰度图像生成含内轮廓的断面二值图像的步骤包括：将竖向分割的断面灰度图像分别采用sauvola算法获取各二值图像，并按照分割规则拼接得到拼接后的二值图像；卷积滤波和形态学处理后，筛选出周长最长的轮廓区域，填充其内部得到含内轮廓的断面二值图像。
具体的，以含内轮廓的断面二值图像获取断面内部背景二值图像的步骤包括：以含内轮廓的断面二值图像前景区域的左右外轮廓为边界，填充中间区域，得到填充图像，并与含内轮廓的断面二值图像进行图像差值运算，得到断面内部背景二值图像。
具体的，以含内轮廓的断面二值图像获取断面内轮廓二值图像的步骤包括：首先根据含内轮廓的断面二值图像得到含内轮廓的断面前景灰度图像；然后分别统计分割后的含内轮廓的断面前景灰度图像的第一灰度直方图，获取灰度值在10到60之间的像素个数均值，并将第一灰度直方图除以该均值得到第二灰度直方图；接着筛查第二灰度直方图左右波峰之间的最小灰度值作为阈值获取各个内轮廓二值图像，其中左右波峰定义为：5-127的灰度区间内，第二灰度直方图的最左侧波峰和最右侧波峰；最后按照分割规则拼接得到各个内轮廓二值图像得到断面内轮廓二值图像。
具体的，获取断面前景灰度图像的步骤包括：首先将断面内轮廓二值图像和断面内部背景二值图像合并，筛选出面积最大的区域；接着以该区域左右外轮廓为边界填充中间区域得到含内轮廓的断面内部背景二值图像；最后依据断面内部背景二值图像去除含内轮廓的断面二值图像的内轮廓区域，得到断面前景灰度图像。
具体的，通过两轮特征点筛选查找初始左上关键点2_1(右上关键点2_2)的步骤包括：根据初始待查找二值图像前景区域的的最上侧点、左(右)边界点以及特征点的y坐标均值对特征点进行初始左(右)上关键点的第一轮筛选；以特征点为圆心，统计分析不同半径的同心圆内初始待查找二值图像前景像素的占比进行初始左(右)上关键点的第二轮筛选；依据方差最小原则，查找初始左上关键点2_1(右上关键点2_2)。
具体的，根据初始待查找二值图像前景区域的的最上侧点、左(右)边界点以及特征点的y坐标均值对特征点进行初始左(右)上关键点的第一轮筛选的步骤包括：获取初始待查找二值图像前景区域行坐标最小的情况下列坐标最小的前景像素点为最上侧点topPoint，列坐标最小(大)的情况下行坐标最小的前景像素点为左(右)边界点xPoint，特征点featurePoints的y坐标均值为mean_y，筛选出满足以下三个条件的特征点featurePoints[j]，其中j为特征点序号：
(1)featurePoints[j].y<topPoint.y++Δy，Δy的取值在100到200之间；
(2)featurePoints[j].y<mean_y；
(3)初始左上关键点筛选条件：featurePoints[j].x<xPoint.x+Δx1，Δx1的取值在50到150之间；初始右上关键点筛选条件：featurePoints[j].x>xPoint.x-Δx2，Δx2的取值在150到250之间。
具体的，以特征点为圆心，统计分析不同半径的同心圆内初始待查找二值图像前景像素的占比进行初始左(右)上关键点的第二轮筛选的步骤包括：如图3所示，以断面3_2查找到的特征点3_1为圆心，统计不同半径的圆3_3内初始待查找二值图像前景像素3_4占比的均值和方差，筛选出均值在0.25-0.4范围内的特征点作为第二轮筛选。依据断面左(右)上关键点的特征表现为：断面在该点位处呈现90到145之间的角度，因此通过统计以特征点为圆心的圆内前景像素的占比将这一特征表现进行量化，设置0.25-0.4的阈值范围对特征点进行筛选。
具体的，通过两轮特征点筛选，确定左上关键点2_1(右上关键点2_2)的最终位置的步骤包括：根据待查找二值图像前景区域的最上侧点以及特征点的y坐标均值对特征点进行左上关键点2_1(右上关键点2_2)的第一轮筛选；以特征点为圆心，统计分析不同半径的同心圆内待查找二值图像前景像素的占比进行左上关键点2_1(右上关键点2_2)的第二轮筛选；依据方差最小原则，确定左上关键点2_1(右上关键点2_2)的最终位置。
具体的，根据待查找二值图像前景区域的最上侧点以及特征点的的y坐标均值对特征点进行左上关键点2_1(右上关键点2_2)的第一轮筛选步骤包括：获取待查找二值图像前景区域行坐标最小的情况下列坐标最小的前景像素点为最上侧点topPoint，特征点featurePoints的y坐标均值为mean_y，筛选出满足以下两个条件的特征点featurePoints[j]，其中j为特征点序号：
(1)featurePoints[j].y>topPoint.y+Δy，Δy的取值在250到350之间；
(2)featurePoints[j].y>mean_y。
虽然通过具体实施方式描绘了本发明，本领域普通技术人员知道，本发明有许多变形和变化而不脱离本发明的精神，希望所附的权利要求包括这些变形和变化而不脱离本发明的精神。
Claims (10)
1.一种轮胎断面关键目标的特征提取与检测定位方法，其特征在于包含如下步骤：
步骤1、断面图像前景检测
1-1.根据采集的断面灰度图像生成含内轮廓的断面二值图像；
1-2.根据含内轮廓的断面二值图像获取断面内部背景二值图像；
1-3.根据含内轮廓的断面二值图像获取断面内轮廓二值图像；
1-4.根据断面内部背景二值图像和断面内轮廓二值图像，获取断面前景灰度图像；
步骤2、断面关键点的检测定位
2-1.截取断面前景灰度图像左上角的1/4图像区域作为初始待查找图像，并进行二值化处理，获取初始待查找二值图像；
2-2.利用Canny算子提取初始待查找二值图像的轮廓边缘，并提取特征点；
2-3.通过两轮特征点筛选，查找初始左上关键点；
2-4.截取断面前景灰度图像中初始左上关键点所在的区域作为待查找图像，并获取特征点；
2-5.通过两轮特征点筛选，确定左上关键点的最终位置；
2-6.截取断面前景灰度图像右上角的1/4图像区域作为初始待查找图像，并进行二值化处理，获取初始待查找二值图像，然后重复步骤2-2到步骤2-5，确定右上关键点的最终位置。
2.根据权利要求1所述的一种轮胎断面关键目标的特征提取与检测定位方法，其特征在于步骤1-1所述的根据采集的断面灰度图像生成含内轮廓的断面二值图像包括：将竖向分割的断面灰度图像分别采用sauvola算法获取各二值图像，并按照分割规则拼接得到拼接后的二值图像；卷积滤波和形态学处理后，筛选出周长最长的轮廓区域，填充其内部得到含内轮廓的断面二值图像。
3.根据权利要求2所述的一种轮胎断面关键目标的特征提取与检测定位方法，其特征在于步骤1-2具体实现如下：以含内轮廓的断面二值图像前景区域的左右外轮廓为边界，填充中间区域得到填充图像，并与含内轮廓的断面二值图像进行图像差值运算，得到断面内部背景二值图像。
4.根据权利要求3所述的一种轮胎断面关键目标的特征提取与检测定位方法，其特征在于步骤1-3具体实现如下：首先根据含内轮廓的断面二值图像得到含内轮廓的断面前景灰度图像；然后分别统计分割后的含内轮廓的断面前景灰度图像的第一灰度直方图，获取灰度值在10到60之间的像素个数均值，并将第一灰度直方图除以该均值得到第二灰度直方图；接着筛查第二灰度直方图左右波峰之间的最小灰度值作为阈值获取各个内轮廓二值图像，其中左右波峰定义为：5-127的灰度区间内，第二灰度直方图的最左侧波峰和最右侧波峰；最后按照分割规则拼接得到各个内轮廓二值图像得到断面内轮廓二值图像。
5.根据权利要求4所述的一种轮胎断面关键目标的特征提取与检测定位方法，其特征在于步骤1-4具体实现如下：首先将断面内轮廓二值图像和断面内部背景二值图像合并，筛选出面积最大的区域；接着以该区域左右外轮廓为边界填充中间区域得到含内轮廓的断面内部背景二值图像；最后依据断面内部背景二值图像去除含内轮廓的断面二值图像的内轮廓区域，得到断面前景灰度图像。
6.根据权利要求5所述的一种轮胎断面关键目标的特征提取与检测定位方法，其特征在于步骤2-3具体实现如下：
2-3-1.根据初始待查找二值图像前景区域的最上侧点、左边界点以及特征点的y坐标均值对特征点进行初始左上关键点的第一轮筛选；
2-3-2.以特征点为圆心，统计分析不同半径的同心圆内初始待查找二值图像前景像素的占比进行初始左上关键点的第二轮筛选；依据方差最小原则，查找初始左上关键点。
7.根据权利要求6所述的一种轮胎断面关键目标的特征提取与检测定位方法，其特征在于步骤2-3-1具体实现如下：
针对初始左上关键点：获取初始待查找二值图像前景区域行坐标最小的情况下列坐标最小的前景像素点为最上侧点topPoint，列坐标最小的情况下行坐标最小的前景像素点为左边界点xPoint，特征点featurePoints的y坐标均值为mean_y，筛选出满足以下三个条件的特征点featurePoints[j]，其中j为特征点序号：
(1)featurePoints[j].y<topPoint.y+Δy，Δy的取值在100到200之间；
(2)featurePoints[j].y<mean_y；
(3)初始左上关键点筛选条件：featurePoints[j].x<xPoint.x+Δx1，Δx1的取值在50到150之间；
针对初始右上关键点：获取初始待查找二值图像前景区域行坐标最小的情况下列坐标最小的前景像素点为最上侧点topPoint，列坐标最大的情况下行坐标最小的前景像素点为右边界点xPoint，特征点featurePoints的y坐标均值为mean_y，筛选出满足以下三个条件的特征点featurePoints[j]，其中j为特征点序号：
(1)featurePoints[j].y<topPoint.y+Δy，Δy的取值在100到200之间；
(2)featurePoints[j].y<mean_y；
(3)初始右上关键点筛选条件：featurePoints[j].x>xPoint.x-Δx2，Δx2的取值在150到250之间。
8.根据权利要求6或7所述的一种轮胎断面关键目标的特征提取与检测定位方法，其特征在于步骤2-3-2具体实现如下：
以特征点为圆心，统计不同半径的圆内初始待查找二值图像前景像素占比的均值和方差，筛选出均值在0.25-0.4范围内的特征点作为第二轮筛选；依据断面左上关键点或右上关键点的特征表现为：断面在该点位处呈现90到145之间的角度，因此通过统计以特征点为圆心的圆内初始待查找二值图像前景像素的占比将这一特征表现进行量化，设置0.25-0.4的阈值范围对特征点进行筛选。
9.根据权利要求8所述的一种轮胎断面关键目标的特征提取与检测定位方法，其特征在于步骤2-5具体实现如下：
2-5-1.根据待查找二值图像前景区域的最上侧点以及特征点的y坐标均值对特征点进行左上关键点的第一轮筛选；
2-5-2.以特征点为圆心，统计分析不同半径的同心圆内待查找二值图像前景像素的占比进行左上关键点的第二轮筛选；依据方差最小原则，确定左上关键点的最终位置。
10.根据权利要求9所述的一种轮胎断面关键目标的特征提取与检测定位方法，其特征在于步骤2-5-1具体实现如下：获取待查找二值图像前景区域行坐标最小的情况下列坐标最小的前景像素点为最上侧点topPoint，特征点featurePoints的y坐标均值为mean_y，筛选出满足以下两个条件的特征点featurePoints[j]，其中j为特征点序号：
(1)featurePoints[j].y>topPoint.y+Δy，Δy的取值在250到350之间；
(2)featurePoints[j].y>mean_y。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911144579.8A CN111062912B (zh) | 2019-11-20 | 2019-11-20 | 一种轮胎断面关键目标的特征提取与检测定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911144579.8A CN111062912B (zh) | 2019-11-20 | 2019-11-20 | 一种轮胎断面关键目标的特征提取与检测定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111062912A true CN111062912A (zh) | 2020-04-24 |
| CN111062912B CN111062912B (zh) | 2023-05-26 |
Family
ID=70298298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911144579.8A Active CN111062912B (zh) | 2019-11-20 | 2019-11-20 | 一种轮胎断面关键目标的特征提取与检测定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062912B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111625977A (zh) * | 2020-05-09 | 2020-09-04 | 山东玲珑轮胎股份有限公司 | 一种轮胎断面的生成方法 |
| CN112365488A (zh) * | 2020-11-24 | 2021-02-12 | 合肥工业大学 | 一种轮胎截面不同成分几何参数的检测系统及方法 |
| CN111625977B (zh) * | 2020-05-09 | 2024-05-14 | 山东玲珑轮胎股份有限公司 | 一种轮胎断面的生成方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014111411A (ja) * | 2012-12-05 | 2014-06-19 | Toyo Tire & Rubber Co Ltd | タイヤのリム組み付け状態解析装置、その方法及びプログラム |
| CN105719286A (zh) * | 2016-01-18 | 2016-06-29 | 深圳市三杰宜科技有限公司 | 一种轮胎测量的方法和系统 |
| US20160339658A1 (en) * | 2014-01-10 | 2016-11-24 | The Yokohama Rubber Co., Ltd. | Method and Device for Detecting Material Bonding Problems Inside Tire |
| CN107230207A (zh) * | 2017-06-23 | 2017-10-03 | 合肥美亚光电技术股份有限公司 | 轮胎的检测方法及系统 |
| CN110060240A (zh) * | 2019-04-09 | 2019-07-26 | 南京链和科技有限公司 | 一种基于摄像的轮胎轮廓测量方法 |
| CN110455555A (zh) * | 2019-07-23 | 2019-11-15 | 安徽佳通乘用子午线轮胎有限公司 | 一种轮胎带束层铺设角的测定方法 |
-
2019
- 2019-11-20 CN CN201911144579.8A patent/CN111062912B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014111411A (ja) * | 2012-12-05 | 2014-06-19 | Toyo Tire & Rubber Co Ltd | タイヤのリム組み付け状態解析装置、その方法及びプログラム |
| US20160339658A1 (en) * | 2014-01-10 | 2016-11-24 | The Yokohama Rubber Co., Ltd. | Method and Device for Detecting Material Bonding Problems Inside Tire |
| CN105719286A (zh) * | 2016-01-18 | 2016-06-29 | 深圳市三杰宜科技有限公司 | 一种轮胎测量的方法和系统 |
| CN107230207A (zh) * | 2017-06-23 | 2017-10-03 | 合肥美亚光电技术股份有限公司 | 轮胎的检测方法及系统 |
| CN110060240A (zh) * | 2019-04-09 | 2019-07-26 | 南京链和科技有限公司 | 一种基于摄像的轮胎轮廓测量方法 |
| CN110455555A (zh) * | 2019-07-23 | 2019-11-15 | 安徽佳通乘用子午线轮胎有限公司 | 一种轮胎带束层铺设角的测定方法 |
Non-Patent Citations (2)
| Title |
|---|
| G. PREVIATI，ET AL.: "Shear force development by pneumatic tyres in steady state conditions: a review of modelling aspects" * |
| 肖玉霜 等: "轮胎断面轮廓精确重构方法研究" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111625977A (zh) * | 2020-05-09 | 2020-09-04 | 山东玲珑轮胎股份有限公司 | 一种轮胎断面的生成方法 |
| CN111625977B (zh) * | 2020-05-09 | 2024-05-14 | 山东玲珑轮胎股份有限公司 | 一种轮胎断面的生成方法 |
| CN112365488A (zh) * | 2020-11-24 | 2021-02-12 | 合肥工业大学 | 一种轮胎截面不同成分几何参数的检测系统及方法 |
| CN112365488B (zh) * | 2020-11-24 | 2022-10-14 | 合肥工业大学 | 一种轮胎截面不同成分几何参数的检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111062912B (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108073918B (zh) | 眼底视网膜的血管动静脉交叉压迫特征提取方法 | |
| CN104156951B (zh) | 一种针对支气管肺泡灌洗液涂片的白细胞检测方法 | |
| CN115457041A (zh) | 一种道路质量识别检测方法 | |
| CN108960237B (zh) | 一种指针式油位计读数识别方法 | |
| CN107367241B (zh) | 一种基于机器视觉的汽车轮胎花纹识别方法 | |
| CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
| CN110717900B (zh) | 基于改进Canny边缘检测算法的受电弓磨耗检测方法 | |
| CN112132159B (zh) | 一种连续剖面点云特征分析的路面坑槽提取方法 | |
| CN115578389A (zh) | 一种沟槽mos器件的缺陷检测方法 | |
| CN111476804B (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
| CN115082410A (zh) | 基于图像处理的卡簧缺陷检测方法 | |
| CN109724988B (zh) | 一种基于多模板匹配的pcb板缺陷定位方法 | |
| CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
| CN112184725B (zh) | 一种沥青路面图像的结构光光条中心提取方法 | |
| CN115861320A (zh) | 一种汽车零件加工信息智能检测方法 | |
| CN110473225B (zh) | 一种非均匀照度沥青混合料颗粒识别方法 | |
| CN111062912A (zh) | 一种轮胎断面关键目标的特征提取与检测定位方法 | |
| CN110544262A (zh) | 一种基于机器视觉的子宫颈细胞图像分割方法 | |
| CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
| CN116091495B (zh) | 一种道路病害精准检测方法 | |
| CN117173661A (zh) | 基于计算机视觉的沥青道路质量检测方法 | |
| CN104504702A (zh) | 基于方格搜索法的水泥刻槽路面裂缝识别方法 | |
| CN115376131A (zh) | 一种点状编码标志的设计与识别方法 | |
| CN111627053B (zh) | 通用喷丝孔清洗洁净度检测方法及系统 | |
| CN114152211B (zh) | 一种基于显微图像处理的压裂支撑剂圆度测量方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Bo Inventor after: Wang Yunzhou Inventor after: Huang Xiaolin Inventor after: Chen Linfeng Inventor after: Zhang Zhengchun Inventor after: Jiang Guixuan Inventor before: Wang Yunzhou Inventor before: Wang Bo Inventor before: Huang Xiaolin Inventor before: Chen Linfeng Inventor before: Zhang Zhengchun Inventor before: Jiang Guixuan |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |