CN111191589A - 一种水泵叶片识别抓取方法 - Google Patents
一种水泵叶片识别抓取方法 Download PDFInfo
- Publication number
- CN111191589A CN111191589A CN201911395802.6A CN201911395802A CN111191589A CN 111191589 A CN111191589 A CN 111191589A CN 201911395802 A CN201911395802 A CN 201911395802A CN 111191589 A CN111191589 A CN 111191589A
- Authority
- CN
- China
- Prior art keywords
- water pump
- pump blade
- grabbing
- blade
- features
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开一种水泵叶片识别抓取方法,包括以下步骤:S1、利用工业相机下采集水泵叶片的原图像;S2、对原图像进行降噪与二值化处理;S3、利用水泵叶片的轮廓信息进行特征提取,遍历轮廓特征,通过最小外接矩形拟合,筛除不满足轮廓要求的特征;S4、对筛选出的特征进行椭圆拟合,判断水泵叶片的首端与尾端;S5、判断水泵叶片的正向与反向;S6、输出水泵叶片的抓取点像素坐标;S7、在每个水泵叶片的抓取点画一个圆形区域,检测在该圆形区域水泵叶片是否有干扰,最终得到可抓取的水泵叶片抓取点坐标;本方法能快速准确地对水泵叶片进行识别,采用视觉算法与工业机器人结合进行叶片定位抓取作业,避免人为因素,提高效率。
Description
技术领域
本发明涉及水泵制造技术领域,具体是一种水泵叶片识别抓取方法。
背景技术
传统泵体制造业中,泵体叶片一般人工放置于卡盘工装叶片槽内,上盖板进行冲压点焊,效率低,且叶片上料后的冲压焊接工序是随着叶片上料后马上进行的,一旦人员疲劳,很容易发生事故,造成人员伤亡;而且人工工作环境噪声很大,对工人的健康有很大的影响,而采用普通的振动盘上料由于叶片本身的形状特征又无法振成理想的状态。
发明内容
本发明的目的在于提供一种水泵叶片识别抓取方法,该方法能够快速准确地对水泵叶片进行识别,避免人为因素,提高效率,便于后续机器人的抓取。
本发明解决其技术问题所采用的技术方案是:
一种水泵叶片识别抓取方法,包括以下步骤:
S1、利用工业相机下采集水泵叶片的原图像;
S2、对原图像进行降噪与二值化处理;
S3、遍历轮廓特征并筛除不满足轮廓要求的特征;
S4、对筛选出的特征进行椭圆拟合,判断水泵叶片的首端与尾端;
S5、判断水泵叶片的正向与反向;
S6、输出水泵叶片的抓取点像素坐标;
S7、筛除干扰水泵叶片,最终得到可抓取的水泵叶片抓取点坐标。
进一步的,步骤S3利用水泵叶片的轮廓信息进行特征提取,遍历轮廓特征,通过最小外接矩形拟合,筛除不满足轮廓要求的特征。
进一步的,步骤S4根据水泵叶片的两个端点到椭圆中心的距离大小判定水泵叶片的首端与尾端。
进一步的,步骤S5根据步骤S3外接矩形的四个角点及中间像素点建立斜率分别为k1、k2的两个直线方程函数f1与f2,将斜率k2的直线外检测出的水泵叶片头部P0点坐标代入其直线方程中,得到计算结果f2(P0);将斜率k1的直线外中间点Pmid代入其直线方程中,得到计算结果f1(Pmid),根据计算f1(Pmid) *f2(P0)结果的正负来判断水泵叶片的正向与反向。
进一步的,步骤S6执行时在每个水泵叶片上提取两个固定几何位置的像素值,判断这两点是否在水泵叶片上,剔除检测失败的水泵叶片。
进一步的,步骤S7执行时在每个水泵叶片的抓取点画一个圆形区域,检测在该圆形区域水泵叶片是否有干扰,最终得到可抓取的水泵叶片抓取点坐标。
本发明的有益效果是,利用水泵叶片的轮廓进行视觉化处理,快速准确地对水泵叶片进行识别,采用视觉算法与工业机器人结合进行叶片定位抓取作业,避免人为因素,提高效率。
附图说明
下面结合附图和实施例对本发明进一步说明:
图1是本发明的流程示意图;
图2是本发明步骤S1的示意图;
图3是本发明步骤S3与S4的示意图;
图4是本发明步骤S5建立直线方程函数的示意图;
图5是本发明步骤S5水泵叶片正向与反向的判断流程图;
图6是本发明步骤S5的结果示意图;
图7是本发明步骤S6的示意图;
图8是本发明步骤S7的示意图。
具体实施方式
如图1所示,本发明提供一种水泵叶片识别抓取方法,包括以下步骤:
S1、结合图2所示,利用工业相机下采集水泵叶片的原图像;
S2、对原图像进行降噪与二值化处理;
S3、结合图3所示,利用水泵叶片的轮廓信息进行特征提取,遍历轮廓特征,通过最小外接矩形拟合,筛除不满足轮廓要求的特征;
S4、对筛选出的特征进行椭圆拟合,判断水泵叶片的首端与尾端;根据水泵叶片的两个端点到椭圆中心的距离大小判定水泵叶片的首端与尾端;
S5、判断水泵叶片的正向与反向;结合图4~6所示,根据步骤S3外接矩形的四个角点及中间像素点建立斜率分别为k1、k2的两个直线方程函数f1与f2,将斜率k2的直线外检测出的水泵叶片头部P0点坐标代入其直线方程中,得到计算结果f2(P0);将斜率k1的直线外中间点Pmid代入其直线方程中,得到计算结果f1(Pmid),根据计算f1(Pmid) *f2(P0)结果的正负来判断水泵叶片的正向与反向;
S6、结合图7所示,获取水泵叶片的抓取点像素坐标;在每个水泵叶片上提取两个固定几何位置的像素值,判断这两点是否在水泵叶片上,剔除检测失败的水泵叶片;
S7、结合图8所示,在每个水泵叶片的抓取点画一个圆形区域,检测在该圆形区域水泵叶片是否有干扰,最终得到可抓取的水泵叶片抓取点坐标。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制;任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (6)
1.一种水泵叶片识别抓取方法,其特征在于,包括以下步骤:
S1、利用工业相机下采集水泵叶片的原图像;
S2、对原图像进行降噪与二值化处理;
S3、遍历轮廓特征并筛除不满足轮廓要求的特征;
S4、对筛选出的特征进行椭圆拟合,判断水泵叶片的首端与尾端;
S5、判断水泵叶片的正向与反向;
S6、输出水泵叶片的抓取点像素坐标;
S7、筛除干扰水泵叶片,最终得到可抓取的水泵叶片抓取点坐标。
2.根据权利要求1所述的一种水泵叶片识别抓取方法,其特征在于,步骤S3利用水泵叶片的轮廓信息进行特征提取,遍历轮廓特征,通过最小外接矩形拟合,筛除不满足轮廓要求的特征。
3.根据权利要求1所述的一种水泵叶片识别抓取方法,其特征在于,步骤S4根据水泵叶片的两个端点到椭圆中心的距离大小判定水泵叶片的首端与尾端。
4.根据权利要求1所述的一种水泵叶片识别抓取方法,其特征在于,步骤S5根据步骤S3外接矩形的四个角点及中间像素点建立斜率分别为k1、k2的两个直线方程函数f1与f2,将斜率k2的直线外检测出的水泵叶片头部P0点坐标代入其直线方程中,得到计算结果f2(P0);将斜率k1的直线外中间点Pmid代入其直线方程中,得到计算结果f1(Pmid),根据计算f1(Pmid) *f2(P0)结果的正负来判断水泵叶片的正向与反向。
5.根据权利要求1所述的一种水泵叶片识别抓取方法,其特征在于,步骤S6执行时在每个水泵叶片上提取两个固定几何位置的像素值,判断这两点是否在水泵叶片上,剔除检测失败的水泵叶片。
6.根据权利要求1所述的一种水泵叶片识别抓取方法,其特征在于,步骤S7执行时在每个水泵叶片的抓取点画一个圆形区域,检测在该圆形区域水泵叶片是否有干扰,最终得到可抓取的水泵叶片抓取点坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911395802.6A CN111191589B (zh) | 2019-12-30 | 2019-12-30 | 一种水泵叶片识别抓取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911395802.6A CN111191589B (zh) | 2019-12-30 | 2019-12-30 | 一种水泵叶片识别抓取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111191589A true CN111191589A (zh) | 2020-05-22 |
CN111191589B CN111191589B (zh) | 2023-01-24 |
Family
ID=70707957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911395802.6A Active CN111191589B (zh) | 2019-12-30 | 2019-12-30 | 一种水泵叶片识别抓取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191589B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050079815A1 (en) * | 2003-09-19 | 2005-04-14 | Tyson Fresh Meats, Inc. | Automated classifier and meat cut fat trimming method and apparatus |
US20110138625A1 (en) * | 2009-12-16 | 2011-06-16 | United Technologies Corporation | Repair of integrally bladed rotors |
CN104697462A (zh) * | 2015-03-24 | 2015-06-10 | 武汉克诺德智能科技有限公司 | 一种基于中轴线的航空叶片型面特征参数提取方法 |
CN108460788A (zh) * | 2018-03-20 | 2018-08-28 | 西安新拓三维光测科技有限公司 | 一种用于大型风力叶片运动追踪的视频测量方法 |
CN109322797A (zh) * | 2017-07-31 | 2019-02-12 | 上海绿孚科技有限公司 | 基于声音处理的风力发电机组的叶片状态监测系统及检测方法 |
CN110110414A (zh) * | 2019-04-26 | 2019-08-09 | 西北工业大学 | 薄壁叶片加工误差补偿几何建模方法 |
-
2019
- 2019-12-30 CN CN201911395802.6A patent/CN111191589B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050079815A1 (en) * | 2003-09-19 | 2005-04-14 | Tyson Fresh Meats, Inc. | Automated classifier and meat cut fat trimming method and apparatus |
US20110138625A1 (en) * | 2009-12-16 | 2011-06-16 | United Technologies Corporation | Repair of integrally bladed rotors |
CN104697462A (zh) * | 2015-03-24 | 2015-06-10 | 武汉克诺德智能科技有限公司 | 一种基于中轴线的航空叶片型面特征参数提取方法 |
CN109322797A (zh) * | 2017-07-31 | 2019-02-12 | 上海绿孚科技有限公司 | 基于声音处理的风力发电机组的叶片状态监测系统及检测方法 |
CN108460788A (zh) * | 2018-03-20 | 2018-08-28 | 西安新拓三维光测科技有限公司 | 一种用于大型风力叶片运动追踪的视频测量方法 |
CN110110414A (zh) * | 2019-04-26 | 2019-08-09 | 西北工业大学 | 薄壁叶片加工误差补偿几何建模方法 |
Non-Patent Citations (2)
Title |
---|
L. COLONE等: ""Mass detection, localization and estimation for wind turbine blades based on statistical pattern recognition"", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
王浩等: ""航空发动机损伤叶片再制造修复方法与实现"", 《航空学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111191589B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109060836B (zh) | 基于机器视觉的高压油管接头外螺纹检测方法 | |
CN109727244B (zh) | 一种磁瓦表面裂纹检测方法 | |
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 | |
CN116703907B (zh) | 一种基于机器视觉的汽车铸件表面缺陷检测方法 | |
CN110766018B (zh) | 一种棒材自动计数方法及装置 | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN107176432A (zh) | 一种基于机器视觉的锚杆异物及皮带撕裂检测系统 | |
CN113077437B (zh) | 工件质量检测方法及其系统 | |
CN108230315B (zh) | 一种基于机器视觉的口罩带缺失检测方法 | |
CN111127402A (zh) | 一种机器人焊接质量的视觉检测方法 | |
CN108765419A (zh) | 结构光视觉焊缝图像信息自适应提取方法 | |
CN106485696B (zh) | 一种基于机器视觉的易爆危险品压合缺陷的检测方法 | |
CN106529551B (zh) | 面向包装行业的类圆对象智能识别计数检测方法 | |
CN111932490A (zh) | 一种用于工业机器人的视觉系统抓取信息提取方法 | |
CN103387123A (zh) | 基于机器视觉的矿用胶带撕裂智能检测系统 | |
CN108268841A (zh) | 一种轧钢板热喷字符串识别与验证系统及方法 | |
CN111275659A (zh) | 一种焊缝图像处理方法、装置、终端设备及存储介质 | |
CN108872252A (zh) | 一种钢梁裂纹检测系统 | |
CN111161343A (zh) | 一种水泵口环视觉识别方法 | |
CN105057899B (zh) | 一种应用于智能激光切割的扫描图像识别方法 | |
CN111191589B (zh) | 一种水泵叶片识别抓取方法 | |
CN113012181B (zh) | 一种基于Hough变换的新型类圆形检测方法 | |
CN111127410B (zh) | 一种汽车仪表盘印刷瑕疵的自动检测方法 | |
CN115272299A (zh) | 一种卫生口罩缺陷识别方法 | |
CN107967479B (zh) | 一种带污损票据的字符识别方法及系统 |
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 |