CN111241332A - 一种通过自动识别工件搜索其对应测量程序的方法 - Google Patents
一种通过自动识别工件搜索其对应测量程序的方法 Download PDFInfo
- Publication number
- CN111241332A CN111241332A CN202010050437.1A CN202010050437A CN111241332A CN 111241332 A CN111241332 A CN 111241332A CN 202010050437 A CN202010050437 A CN 202010050437A CN 111241332 A CN111241332 A CN 111241332A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- program
- proshort
- imagelong
- prolong
- 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
- 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
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明是一种自动识别工件搜索其对应测量程序的方法,属于工件测量技术领域,该自动识别工件搜索其对应测量程序的方法包括:S1、获取工件的图像信息;S2、提取工件的最小外接矩形参数;S3、确定待搜程序中需要搜索计算出的各个工件外接矩形的长边ProLong和短边ProShort;S4、为每一个工件外接边长建立与其对应的搜索程序;S5、获取每一个搜索程序各自需要搜索的待搜数据库数据;S6、按照所需触发条件,触发相应的搜索程序,进行数据匹配;S7、通过外接矩形的长边和短边之间相似程度的判别,提取前十个相似度高的方案,供用户选择。本发明在工件较多的情况下能快速找出测量程序,测量工件。
Description
技术领域
本发明涉及工件测量技术领域,具体是一种通过自动识别工件搜索其对应测量程序的方法。
背景技术
在工业生产的过程中,每时每刻都要生产许多的工件,为了检查这些工件是否合格,需要对工件的尺寸进行测量,如果用人工进行检测,将无法在短时间内完成检测,且在人工计算中,可能会出现错误记载,造成测算错误,由此市面上采用灰度直方图统计的方法进行统计和测算,但是这种方法会在搜索过程中将不是该工件的测量程序检出来,造成搜索不精确。
为了避免搜索不准确的情况,有必要设计出一种能够在工件和测量程序比较多的时候,切换测量程序时,能快速帮用户找到想使用的测量程序并进行测量,降低测量工人需要记忆工件和对应工件测量程序的复杂度的方法。
发明内容
本发明的目的在于提供一种通过自动识别工件搜索其对应测量程序的方法,以解决现有技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:本通过自动识别工件搜索其对应测量程序的方法包括:
S1、获取工件的图像信息;
S2、提取工件的最小外接矩形参数;
S3、确定待搜程序中需要搜索计算出的各个工件外接矩形的长边ProLong和短边ProShort;
S4、为每一个工件外接边长建立与其对应的搜索程序;
S5、获取每一个搜索程序各自需要搜索的待搜数据库数据;
S6、按照所需触发条件,触发相应的搜索程序,进行数据匹配;
S7、通过外接矩形的长边和短边之间相似程度的判别,提取前十个相似度高的方案,供用户选择。
相较于传统的测量方法,本方法能够提供多个相似匹配度供用户进行选择,提高测量精度,极大的节省了人力和物力。
作为进一步的优化,所述步骤S1包括:
T1、对工件的图像进行预处理;
T2、对预处理后的工件图像的边沿进行提取处理。
作为进一步的优化,所述步骤T1具体为对图像进行滤波去噪和伽玛矫正,所述步骤T1主要作用为提高图像的清晰度。所述步骤T2主要是对已经进行预处理的图像进行加工处理,提取工件图像的边沿数据。通过步骤T1和T2主要是为了在提取图像信息时,能够精准获取图像信息,提取工件的边沿信息。
作为进一步的优化,所述步骤S2包括:
Q1、不同光照下自动识别工件算法;
Q2、二值化图像后,提取到工件轮廓,并计算轮廓的最小外接矩形,以及矩形的长边ImageLong和短边ImageShort。
通过光照算法,计算出不同光照背景下应该接收的工件图像信息,并进行提取数据,计算出轮廓的最小外接矩形。
作为进一步的优化,所述步骤Q1包括:
A1、计算图像的标准方差std_val和均值mean_val;
A2、设定两个阀值范围,bThresh1=30,bThresh2=80,用于区别表光,背光下工件轮廓提取;
A3、对图像之间区域的平均灰度avgGray进行计算。
通过设定具体阀值进一步的限定光照背景,然后对图像之间区域的平均灰度进行计算。
作为进一步的优化,所述步骤A3的方法为:当avgGray<bThresh1时,为表光,则按工件比背景亮进行提取,分割前景和背景的分割点为:ThreshVal=avgGray+bThresh1;当bThresh1<=avgGray<bThresh2时,则按工件比背景亮进行提取,分割前景和背景的分割点为:ThreshVal=bThresh2;当avgGray>=bThresh1时,则按工件比背景暗进行提取,分割前景和背景的分割点为:ThreshVal=1.3*bThresh2。
自动提取阀值公式为:
ThreshVal=avgGray+bThresh1;(avgGray<bThresh1);
ThreshVal=bThresh2;(bThresh1<=avgGray<bThresh2);
ThreshVal=1.3XbThresh2;(avgGray>=bThresh2)。
公式中ThreshVal代表分割前景和背景的分割点。
作为进一步的优化,所述步骤S4包括:
S401、确定每一组工件数据各自对应的搜索模式;
S402、根据预先存储的搜索模式和搜索程序的对应关系,获取搜索程序;
S403、将搜索程序分配给相对应的那组工件数据。
所述步骤S4具体流程为首先需要确定要进行搜索的模式,将每一组已经确定好的工件外接矩形边长数据与搜索模式挂钩,接着建立搜索程序,将搜索程序和搜索模式通过信息通道连接在一起,最后将工件数据录入到搜索程序中,在进行检索数据时能够快速找到相近的工件外接矩形的边长。
作为进一步的优化,所述步骤S5包括:
S501、对每一组工件数据进行解析;
S502、获取每一组工件数据各自对应的需要进行搜索的待搜数据库数据。
所述步骤S5为将工件图像转换为数据的形式,然后将工件数据转换为数据库数据,通过对比进行匹配。
作为进一步的优化,所述步骤S6中匹配中使用的相似度计算方法为:
(1)、对放大倍率进行归一化,例如拍照的倍率为1,而测试程序中的图像为3,则对测量程序中的ProShort=ProShort/(3/1),ProLong=ProLong/(3/1);保持工件当前的图像放大倍率与被比较的测量程序中的放大倍率一致;
(2)、比较Imageshort和ProShort,如果ImageShort小于Proshort,则Scale1=ImageShort/Proshort,否则Scale1=ProShort/ImageLong,其中Scale代表相似度;
(3)、比较ImageLong和ProLong,如果ImageLong小于ProLong,则Scale2=ImageLong/ProLong,否则Scale2=ProLong/ImageLong;
(4)、比较ImageShort/ImageLong和ProShort/ProLong,如果ImageShort/ImageLong小于ProShort/ProLong,则Scale3=(ImageShort/ImageLong)/(ProShort/ProLong),否则Scale3=(ProShort/ProLong)/(ImageShort/ImageLong);
S605、总相似度为三种相似度之积,Scale=Scale1*Scale2*Scale3。
相似度的匹配公式如下:
Scale1=min(ProShort/ImageShort,ImageShort/ProShort);
Scale2=min(ImageLong/PeoLong,ProLong/ImageLong);
Scale3=min【(ProShort/ProLong)/(ImageShort/ImageLong),(ImageShort/ImageLong)/(ProShort/ProLong)】。
与现有技术相比,本发明的有益效果是:在工件和测量程序都比较多时,且处于切换测量程序的过程中,能快速的帮用户找到想使用的测量程序进行测量,降低了测量工人需要记忆工件和对应工件测量程序的复杂度。与灰度直方图进行对比,采用轮廓相似度比例进行搜索的准确度更高。
附图说明
图1为本发明一种通过自动识别工件搜索其对应测量程序的方法的示意框图;
图2为本发明一种通过自动识别工件搜索其对应测量程序的方法的处理图像的示意图;
图3为本发明一种通过自动识别工件搜索其对应测量程序的方法提取参数示意框图;
图4为本发明一种通过自动识别工件搜索其对应测量程序的方法的不同光照计算流程框图;
图5为本发明一种通过自动识别工件搜索其对应测量程序的方法的建议对应关系的示意框图;
图6为本发明一种通过自动识别工件搜索其对应测量程序的方法转换数据框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1-6所示,本通过自动识别工件搜索其对应测量程序的方法包括:
S1、获取工件的图像信息;
S2、提取工件的最小外接矩形参数;
S3、确定待搜程序中需要搜索计算出的各个工件外接矩形的长边ProLong和短边ProShort;
S4、为每一个工件外接边长建立与其对应的搜索程序;
S5、获取每一个搜索程序各自需要搜索的待搜数据库数据;
S6、按照所需触发条件,触发相应的搜索程序,进行数据匹配;
S7、通过外接矩形的长边和短边之间相似程度的判别,提取前十个相似度高的方案,供用户选择。
步骤S1包括:
T1、对工件的图像进行预处理;
T2、对预处理后的工件图像的边沿进行提取处理。
步骤T1具体为对图像进行滤波去噪和伽玛矫正,步骤T1主要作用为提高图像的清晰度。步骤T2需要对工件边沿进行数据提取,用于后续的数据匹配。
步骤S2包括:
Q1、不同光照下自动识别工件算法;
Q2、二值化图像后,提取到工件轮廓,并计算轮廓的最小外接矩形,以及矩形的长边ImageLong和短边ImageShort。
步骤Q1和步骤Q2主要为提供算法进行计算工件的最小外接矩形的边长。
步骤Q1包括:
A1、计算图像的标准方差std_val和均值mean_val;
A2、设定两个阀值范围,bThresh1=30,bThresh2=80,用于区别表光,背光下工件轮廓提取;
A3、对图像之间区域的平均灰度avgGray进行计算。
步骤A3的方法为:当avgGray<bThresh1时,为表光,则按工件比背景亮进行提取,分割前景和背景的分割点为:ThreshVal=avgGray+bThresh1;当bThresh1<=avgGray<bThresh2时,则按工件比背景亮进行提取,分割前景和背景的分割点为:ThreshVal=bThresh2;当avgGray>=bThresh1时,则按工件比背景暗进行提取,分割前景和背景的分割点为:ThreshVal=1.3*bThresh2。
自动提取阀值公式为:
ThreshVal=avgGray+bThresh1;(avgGray<bThresh1);
ThreshVal=bThresh2;(bThresh1<=avgGray<bThresh2);
ThreshVal=1.3XbThresh2;(avgGray>=bThresh2)。
公式中ThreshVal代表分割前景和背景的分割点。
步骤S4包括:
S401、确定每一组工件数据各自对应的搜索模式;
S402、根据预先存储的搜索模式和搜索程序的对应关系,获取搜索程序;
S403、将搜索程序分配给相对应的那组工件数据。
步骤S4具体流程为首先需要确定要进行搜索的模式,将每一组已经确定好的工件外接矩形边长数据与搜索模式挂钩,接着建立搜索程序,将搜索程序和搜索模式通过信息通道连接在一起,最后将工件数据录入到搜索程序中,在进行检索数据时能够快速找到相近的工件外接矩形的边长。
步骤S5包括:
S501、对每一组工件数据进行解析;
S502、获取每一组工件数据各自对应的需要进行搜索的待搜数据库数据。
步骤S5主要将获取的工件数据转换为数据库数据,方便进行对比,测算出匹配度,进一步提高的精准度。
步骤S6中匹配中使用的相似度计算方法为:
(1)、对放大倍率进行归一化,例如拍照的倍率为1,而测试程序中的图像为3,则对测量程序中的ProShort=ProShort/(3/1),ProLong=ProLong/(3/1);保持工件当前的图像放大倍率与被比较的测量程序中的放大倍率一致;
(2)、比较Imageshort和ProShort,如果ImageShort小于Proshort,则Scale1=ImageShort/Proshort,否则Scale1=ProShort/ImageLong,其中Scale代表相似度;
(3)、比较ImageLong和ProLong,如果ImageLong小于ProLong,则Scale2=ImageLong/ProLong,否则Scale2=ProLong/ImageLong;
(4)、比较ImageShort/ImageLong和ProShort/ProLong,如果ImageShort/ImageLong小于ProShort/ProLong,则Scale3=(ImageShort/ImageLong)/(ProShort/ProLong),否则Scale3=(ProShort/ProLong)/(ImageShort/ImageLong);
S605、总相似度为三种相似度之积,Scale=Scale1*Scale2*Scale3。
相似度的匹配公式如下:
Scale1=min(ProShort/ImageShort,ImageShort/ProShort);
Scale2=min(ImageLong/PeoLong,ProLong/ImageLong);
Scale3=min【(ProShort/ProLong)/(ImageShort/ImageLong);(ImageShort/ImageLong)/(ProShort/ProLong)】。
工作原理:本通过自动识别工件搜索其对应测量程序的方法为:
第一步需要通过滤波去噪和伽马矫正对工件图像进行处理,提高图像的清晰度。第二步对处理后的工件图像的边沿进行信息采集,提取边沿数据。第三步设定两个阀值范围,对工件图像处在不同光照环境下的数据进行筛选计算,减少环境因素造成的测算不精准,并计算出工件最小外接矩形的边长。第四步确定待搜程序中需要搜索计算出的各个工件外接矩形的长边ProLong和短边ProShort。第五步为首先需要确定要进行搜索的模式,将每一组已经确定好的工件外接矩形边长数据与搜索模式挂钩,接着建立搜索程序,将搜索程序和搜索模式通过信息通道连接在一起,最后将工件数据录入到搜索程序中,在进行检索数据时能够快速找到相近的工件外接矩形的边长。第六步将每一个搜索程序内部的工件数据转换为数据库数据。第七步将获取到的数据库数据与程序中的数据库数据进行对比,获得数据的匹配度。第八步通过外接矩形的长边和短边之间相似程度的判别,提取前十个相似度高的方案,供用户选择。
实施例1,在不同光照下自动识别工件并提取最小外接矩形算法。
1、平均灰度等于20时,为表光,按照工件比背景亮进行提取,分割前景和背景的分割点为100。
2、平均灰度大于等于30且平均灰度小于80时,平均灰度取50,则按照工件比背景亮进行提取,分割前景和背景的分割点为80。
3、平均灰度大于等于80时,平均灰度取值为100,则按工件比背景暗进行提取,分割前景和背景的分割点为130。
实施例2,匹配中使用的相似度计算方法:
1、ProLong取值为4,ProShort取值为3,ImageLong取值为5,ImageShort取值为4。
Scale1=0.75;
Scale2=0.8;
Scale3=0.93;
Scale=0.56。
算出总相似度,将总相似度降序排入搜索列表中。
2、ProLong取值为4,ProShort取值为3,ImageLong取值为3,ImageShort取值为4。
Scale1=0.67;
Scale2=0.75;
Scale3=0.89;
Scale=0.45。
算出总相似度,将总相似度降序排入搜索列表中。
3、ProLong取值为5,ProShort取值为2,ImageLong取值为6,ImageShort取值为3。
Scale1=0.75;
Scale2=0.83;
Scale3=0.8;
Scale=0.49。
算出总相似度,将总相似度降序排入搜索列表中。
4、ProLong取值为10,ProShort取值为7,ImageLong取值为5,ImageShort取值为4。
Scale1=0.57;
Scale2=0.5;
Scale3=0.89;
Scale=0.25。
算出总相似度,将总相似度降序排入搜索列表中。
5、ProLong取值为12,ProShort取值为6,ImageLong取值为14,ImageShort取值为5。
Scale1=0.83;
Scale2=0.86;
Scale3=0.71;
Scale=0.51。
算出总相似度,将总相似度降序排入搜索列表中。
6、ProLong取值为12,ProShort取值为8,ImageLong取值为11,ImageShort取值为7。
Scale1=0.89;
Scale2=0.92;
Scale3=0.95;
Scale=0.78。
算出总相似度,将总相似度降序排入搜索列表中。
7、ProLong取值为4,ProShort取值为3,ImageLong取值为15,ImageShort取值为13。
Scale1=0.23;
Scale2=0.26;
Scale3=0.87;
Scale=0.05。
算出总相似度,将总相似度降序排入搜索列表中。
8、ProLong取值为4,ProShort取值为3,ImageLong取值为5,ImageShort取值为4。
Scale1=0.75;
Scale2=0.8;
Scale3=0.93;
Scale=0.55。
算出总相似度,将总相似度降序排入搜索列表中。
9、ProLong取值为7,ProShort取值为3,ImageLong取值为6,ImageShort取值为5。
Scale1=0.6;
Scale2=0.85;
Scale3=0.51;
Scale=0.26。
算出总相似度,将总相似度降序排入搜索列表中。
10、ProLong取值为20,ProShort取值为18,ImageLong取值为7,ImageShort取值为6。
Scale1=0.33;
Scale2=0.35;
Scale3=0.95;
Scale=0.11。
算出总相似度,将总相似度降序排入搜索列表中。
11、ProLong取值为21,ProShort取值为20,ImageLong取值为18,ImageShort取值为17。
Scale1=0.85;
Scale2=0.85;
Scale3=0.99;
Scale=0.71。
算出总相似度,将总相似度降序排入搜索列表中。
将测算出来的匹配度按照降序的方式进行排布,将相似度最高的测量程序放在搜索列表最前面,方便用户选择。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种通过自动识别工件搜索其对应测量程序的方法,其特征在于:该自动识别工件搜索其对应测量程序的方法包括:
S1、获取工件的图像信息;
S2、提取工件的最小外接矩形参数;
S3、确定待搜程序中需要搜索计算出的各个工件外接矩形的长边ProLong和短边ProShort;
S4、为每一个工件外接边长建立与其对应的搜索程序;
S5、获取每一个搜索程序各自需要搜索的待搜数据库数据;
S6、按照所需触发条件,触发相应的搜索程序,进行数据匹配;
S7、通过外接矩形的长边和短边之间相似程度的判别,提取前十个相似度高的方案,供用户选择。
2.根据权利要求1所述的一种通过自动识别工件搜索其对应测量程序的方法,其特征在于:所述步骤S1包括:
T1、对工件的图像进行预处理;
T2、对预处理后的工件图像的边沿进行提取处理。
3.根据权利要求2所述的一种通过自动识别工件搜索其对应测量程序的方法,其特征在于:所述步骤T1具体为对图像进行滤波去噪和伽玛矫正,所述步骤T1主要作用为提高图像的清晰度,所述步骤T2主要是对已经进行预处理的图像进行加工处理,提取工件图像的边沿数据。
4.根据权利要求1所述的一种通过自动识别工件搜索其对应测量程序的方法,其特征在于:所述步骤S2包括:
Q1、不同光照下自动识别工件算法;
Q2、二值化图像后,提取到工件轮廓,并计算轮廓的最小外接矩形,以及矩形的长边ImageLong和短边ImageShort。
5.根据权利要求4所述的一种通过自动识别工件搜索其对应测量程序的方法,其特征在于:所述步骤Q1包括:
A1、计算图像的标准方差std_val和均值mean_val;
A2、设定两个阀值范围;
A3、对图像之间区域的平均灰度avgGray进行计算。
6.根据权利要求5所述的一种通过自动识别工件搜索其对应测量程序的方法,其特征在于:所述步骤A3的方法为:当avgGray<bThresh1时,为表光,则按工件比背景亮进行提取,分割前景和背景的分割点为:ThreshVal=avgGray+bThresh1;当bThresh1<=avgGray<bThresh2时,则按工件比背景亮进行提取,分割前景和背景的分割点为:ThreshVal=bThresh2;当avgGray>=bThresh1时,则按工件比背景暗进行提取,分割前景和背景的分割点为:ThreshVal=1.3*bThresh2;
自动提取阀值公式为:
ThreshVal=avgGray+bThresh1;(avgGray<bThresh1);
ThreshVal=bThresh2;(bThresh1<=avgGray<bThresh2);
ThreshVal=1.3XbThresh2;(avgGray>=bThresh2);
公式中ThreshVal代表分割前景和背景的分割点。
7.根据权利要求1所述的一种通过自动识别工件搜索其对应测量程序的方法,其特征在于:所述步骤S4包括:
S401、确定每一组工件数据各自对应的搜索模式;
S402、根据预先存储的搜索模式和搜索程序的对应关系,获取搜索程序;
S403、将搜索程序分配给相对应的那组工件数据。
所述步骤S4具体流程为首先需要确定要进行搜索的模式,将每一组已经确定好的工件外接矩形边长数据与搜索模式挂钩,接着建立搜索程序,将搜索程序和搜索模式通过信息通道连接在一起,最后将工件数据录入到搜索程序中,在进行检索数据时能够快速找到相近的工件外接矩形的边长。
8.根据权利要求1所述的一种通过自动识别工件搜索其对应测量程序的方法,其特征在于:所述步骤S5包括:
S501、对每一组工件数据进行解析;
S502、获取每一组工件数据各自对应的需要进行搜索的待搜数据库数据。
9.根据权利要求1所述的一种通过自动识别工件搜索其对应测量程序的方法,其特征在于:所述步骤S6中匹配中使用的相似度计算方法为:
(1)、对放大倍率进行归一化,例如拍照的倍率为1,而测试程序中的图像为3,则对测量程序中的ProShort=ProShort/(3/1),ProLong=ProLong/(3/1);保持工件当前的图像放大倍率与被比较的测量程序中的放大倍率一致;
(2)、比较Imageshort和ProShort,如果ImageShort小于Proshort,则Scale1=ImageShort/Proshort,否则Scale1=ProShort/ImageLong,其中Scale代表相似度;
(3)、比较ImageLong和ProLong,如果ImageLong小于ProLong,则Scale2=ImageLong/ProLong,否则Scale2=ProLong/ImageLong;
(4)、比较ImageShort/ImageLong和ProShort/ProLong,如果ImageShort/ImageLong小于ProShort/ProLong,则Scale3=(ImageShort/ImageLong)/(ProShort/ProLong),否则Scale3=(ProShort/ProLong)/(ImageShort/ImageLong);
(5)、总相似度为三种相似度之积,Scale=Scale1*Scale2*Scale3。
相似度的匹配公式如下:
Scale1=min(ProShort/ImageShort,ImageShort/ProShort);
Scale2=min(ImageLong/PeoLong,ProLong/ImageLong);
Scale3=min【(ProShort/ProLong)/(ImageShort/ImageLong),(ImageShort/ImageLong)/(ProShort/ProLong)】。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010050437.1A CN111241332B (zh) | 2020-01-17 | 2020-01-17 | 一种通过自动识别工件搜索其对应测量程序的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010050437.1A CN111241332B (zh) | 2020-01-17 | 2020-01-17 | 一种通过自动识别工件搜索其对应测量程序的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111241332A true CN111241332A (zh) | 2020-06-05 |
CN111241332B CN111241332B (zh) | 2023-08-18 |
Family
ID=70864666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010050437.1A Active CN111241332B (zh) | 2020-01-17 | 2020-01-17 | 一种通过自动识别工件搜索其对应测量程序的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111241332B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1277385A (zh) * | 1999-06-15 | 2000-12-20 | 株式会社三丰 | 图像测定装置、方法以及媒体 |
US20020178135A1 (en) * | 1998-02-24 | 2002-11-28 | Sumiyo Tanaka | Image searching system and image searching method, and a recording medium storing an image searching program |
CN1908964A (zh) * | 2006-08-22 | 2007-02-07 | 北京方正奥德计算机系统有限公司 | 一种图像线性几何变形自动矫正的方法 |
CN101216841A (zh) * | 2008-01-14 | 2008-07-09 | 南京搜拍信息技术有限公司 | 交互式图像搜索系统和方法 |
WO2014206037A1 (en) * | 2013-06-25 | 2014-12-31 | Tencent Technology (Shenzhen) Company Limited | Apparatuses and methods for web page sharing |
CN104864826A (zh) * | 2014-02-25 | 2015-08-26 | 冯黎 | 一种基于零件特征识别的智能测量系统 |
CN105180855A (zh) * | 2014-04-08 | 2015-12-23 | 赫克斯冈技术中心 | 生成关于坐标测量机的传感器链的信息的方法 |
CN106526269A (zh) * | 2016-09-26 | 2017-03-22 | 广州致远电子股份有限公司 | 一种数据测量方法及系统 |
CN108171102A (zh) * | 2016-12-07 | 2018-06-15 | 广州映博智能科技有限公司 | 一种基于视觉的零件快速识别方法 |
CN108491498A (zh) * | 2018-03-20 | 2018-09-04 | 山东神博数字技术有限公司 | 一种基于多特征检测的卡口图像目标搜索方法 |
CN108596223A (zh) * | 2018-04-11 | 2018-09-28 | 珠海博明视觉科技有限公司 | 一种自动生成物体数据集的方法 |
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 |
-
2020
- 2020-01-17 CN CN202010050437.1A patent/CN111241332B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020178135A1 (en) * | 1998-02-24 | 2002-11-28 | Sumiyo Tanaka | Image searching system and image searching method, and a recording medium storing an image searching program |
CN1277385A (zh) * | 1999-06-15 | 2000-12-20 | 株式会社三丰 | 图像测定装置、方法以及媒体 |
CN1908964A (zh) * | 2006-08-22 | 2007-02-07 | 北京方正奥德计算机系统有限公司 | 一种图像线性几何变形自动矫正的方法 |
CN101216841A (zh) * | 2008-01-14 | 2008-07-09 | 南京搜拍信息技术有限公司 | 交互式图像搜索系统和方法 |
WO2014206037A1 (en) * | 2013-06-25 | 2014-12-31 | Tencent Technology (Shenzhen) Company Limited | Apparatuses and methods for web page sharing |
CN104864826A (zh) * | 2014-02-25 | 2015-08-26 | 冯黎 | 一种基于零件特征识别的智能测量系统 |
CN105180855A (zh) * | 2014-04-08 | 2015-12-23 | 赫克斯冈技术中心 | 生成关于坐标测量机的传感器链的信息的方法 |
CN106526269A (zh) * | 2016-09-26 | 2017-03-22 | 广州致远电子股份有限公司 | 一种数据测量方法及系统 |
CN108171102A (zh) * | 2016-12-07 | 2018-06-15 | 广州映博智能科技有限公司 | 一种基于视觉的零件快速识别方法 |
CN108491498A (zh) * | 2018-03-20 | 2018-09-04 | 山东神博数字技术有限公司 | 一种基于多特征检测的卡口图像目标搜索方法 |
CN108596223A (zh) * | 2018-04-11 | 2018-09-28 | 珠海博明视觉科技有限公司 | 一种自动生成物体数据集的方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111241332B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110389127B (zh) | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 | |
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
TWI525317B (zh) | 整合影像分析與資料挖礦之自動光學檢測缺陷影像分類方法 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
CN108960237B (zh) | 一种指针式油位计读数识别方法 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN115082466B (zh) | 一种pcb表面焊点缺陷检测方法及系统 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN114445707A (zh) | 瓶装水标签缺陷智能化视觉精细检测方法 | |
CN115546155A (zh) | 一种基于机器视觉的铆钉尺寸检测方法 | |
CN116703911A (zh) | 一种led灯生产质量检测系统 | |
CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN113793322A (zh) | 一种对磁性材料自动检测的方法、电子设备和存储介质 | |
CN111241332B (zh) | 一种通过自动识别工件搜索其对应测量程序的方法 | |
CN115311288B (zh) | 一种汽车贴膜破损检测方法 | |
CN115753791B (zh) | 基于机器视觉的缺陷检测方法、装置以及系统 | |
CN116542910A (zh) | 基于亚像素边缘提取的冲压件圆孔定位及形变检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |