CN111260723B - 棒材的质心定位方法及终端设备 - Google Patents

棒材的质心定位方法及终端设备 Download PDF

Info

Publication number
CN111260723B
CN111260723B CN202010365506.8A CN202010365506A CN111260723B CN 111260723 B CN111260723 B CN 111260723B CN 202010365506 A CN202010365506 A CN 202010365506A CN 111260723 B CN111260723 B CN 111260723B
Authority
CN
China
Prior art keywords
image
initial seed
seed point
centroid
threshold
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.)
Active
Application number
CN202010365506.8A
Other languages
English (en)
Other versions
CN111260723A (zh
Inventor
张耀
刘仁明
张晓琳
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.)
Changsha Haibei Intelligent Technology Co ltd
Original Assignee
Changsha Haibei Intelligent Technology Co ltd
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 Changsha Haibei Intelligent Technology Co ltd filed Critical Changsha Haibei Intelligent Technology Co ltd
Priority to CN202010365506.8A priority Critical patent/CN111260723B/zh
Publication of CN111260723A publication Critical patent/CN111260723A/zh
Application granted granted Critical
Publication of CN111260723B publication Critical patent/CN111260723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种棒材的质心定位方法及终端设备，该方法，包括获取棒材的截面图像I；根据截面图像I，获取截面图像的阈值分割图像I1；采用区域均值漂移聚类法，处理阈值分割图像I1，定位棒材的质心。其首先获取截面图像I的阈值分割图像I1，有效排除钢筋因自身叠放的对齐程度、捆扎大小、颜色差异、切面斜角等自身差异以及阳光照射、明暗不一等外界环境因素等原因，难以克服钢筋截面可能发生粘连，无法使用简单的区域分割方法进行处理的问题，接着再在阈值分割图像I1中，采用区域均值漂移聚类法，求取真实的质心位置，提高了质心定位的准确性和快速性，为棒材计数、焊接等机器人自动化操作提供了坚实的基础。

Description

棒材的质心定位方法及终端设备
技术领域
本发明涉及自动控制领域，特别是涉及一种棒材的质心定位方法及终端设备。
背景技术
在现代工业制造领域中，随着自动控制技术和工业智能化的不断发展，越来越多的传统人工操作项目被智能化的自动控制系统所取代。以机械加工中的焊接工艺为例，传统人工焊接因自身具备伤害性大、危险性高、人工成本贵、效率低、且焊接能力不一、难于统一标准等缺点，已逐渐被机器人焊接所取代，不仅降低了员工危险性和生产成本，也提高了产品质量，创造了可观的经济效益。
但是，在机器人焊接时（例如，钢厂生产的钢筋出厂前，需要对成捆的钢筋焊接特定标牌），由于钢筋叠放的对齐程度、捆扎大小、颜色差异、切面斜角等自身差异以及阳光照射、明暗不一等外界环境因素等各种各样的原因，难以准确定位到钢筋的质心位置，使得机器人自动化焊接的操作难以实现，或者说难以准确实现，这就对如何准确快速的定位钢筋等棒材的质心提出了更高的要求。
发明内容
基于此，有必要针对钢筋等棒材的质心难以准确快速定位的问题，提供一种棒材的质心定位方法、系统和终端设备。
一种棒材的质心定位方法，包括步骤：
S1：获取棒材的截面图像I；
S2：根据截面图像I，获取截面图像的阈值分割图像I1；
S3：采用区域均值漂移聚类法，处理阈值分割图像I1，定位棒材的质心。
优选的，步骤S3包括：
S3a：在阈值分割图像I1中，选定n个初始种子点P(xm,ym)；
S3b：设置m的初始值等于1；
S3c：计算初始种子点P(xm,ym)的作用域范围内的图像的质心S(xm,ym)；
S3d：判断初始种子点P(xm,ym)的位置与图像的质心S(xm,ym)的位置是否相同；
S3e：若不同，则移动初始种子点P(xm,ym)的位置至图像的质心S(xm,ym)的位置，并设置初始种子点P(xm,ym)的活性参数W(m)=1；
S3f：若相同，则设置初始种子点P(xm,ym)的活性参数W(m)=0；
S3g：判断m＝n是否成立，若不成立则设置m=m+1，返回步骤S3c；
S3h：若成立，则统计活性参数W(m)=1所对应的初始种子点P(xm,ym)的个数num，判定个数num是否大于0；若个数num大于0，则返回步骤S3b；
S3i：若个数num不大于0，则定位当前初始种子点P(xm,ym)的位置为棒材的质心。
进一步优选的，步骤S3a包括：
S3a1：在阈值分割图像I1中，以阈值分割图像I1的任意一角为坐标原点，给定行方向步长为h，列方向步长为w，生成网格；
S3a2：选定网格的n个节点为初始种子点P(xm,ym)。
进一步优选的，相邻初始种子点P(xm,ym)的欧式距离D小于棒材的半径的1/2。
进一步优选的，步骤S3c包括：
S3c1：在边长为2r+1的黑图像上，以黑图像的中心点为圆心，取半径为r的圆，生成模板图像；
S3c2：以初始种子点P(xm,ym)的位置为中心，取边长为2r+1的矩形，生成初始种子点P(xm,ym)的感兴趣区域子图；
S3c3：将模板图像与初始种子点P(xm,ym)的感兴趣区域子图取与运算，得到初始种子点P(xm,ym)的作用域子图；
S3c4：在初始种子点P(xm,ym)的作用域子图中，根据公式（1）
Figure 278332DEST_PATH_IMAGE001
，
Figure 726631DEST_PATH_IMAGE002
（1）
计算初始种子点P(xm,ym)的作用域范围内的图像的质心S(xm,ym);
其中，在表征灰度值为0的像素点时，
Figure 332799DEST_PATH_IMAGE003
等于0，在表征灰度值为非0的像素点时，
Figure 259167DEST_PATH_IMAGE003
等于1。
进一步优选的，步骤S3i优选为，在确定个数num不大于0之后，先执行步骤S3i1、S3i2、S3i3中的至少一个，再定位经步骤S3i1、S3i2、S3i3中的至少一个处理后的初始种子点的位置为棒材的质心；
S3i1：具体为删除重复的初始种子点P(xm,ym)；
S3i2：具体为统计初始种子点P(xm,ym)的作用域范围内的非零元个数N，在非零元个数N小于第一阈值时，删除对应的初始种子点P(xm,ym)；
S3i3：具体为统计相邻两个初始种子点的欧式距离D，在欧式距离D小于第二阈值时，取相邻两个初始种子点的中点为一个新的初始种子点。
进一步优选的，步骤S2包括：
S2a：提取截面图像I的每个像素点(x,y)的灰度值G(x,y)；
S2b：生成灰度值统计函数C(v)；
S2c：给定分割比δ，计算得到满足公式（2）的j的最小值为分割阈值g；
Figure 604698DEST_PATH_IMAGE004
（2）
S2d：使用分割阈值g，对截面图像I进行阈值分割，得到阈值分割图像I1。
其中，
0≤x≤H，H代表截面图像I的高；
0≤y≤W，W代表截面图像I的宽；
(x,y)代表截面图像I的像素点；
G(x,y)代表截面图像I的像素点(x,y)的灰度值；
C(v)代表在截面图像I中，灰度值G(x,y)等于v的像素点(x,y)的个数；
0≤δ≤1。
进一步优选的，步骤S2还包括：
S2e:对阈值分割图像I1进行形态学区域填充，获取更新的阈值分割图像I1。
进一步优选的，计时步骤S3的运行时间T，当运行时间T超过第三阈值时，终止质心定位。
一种棒材的质心定位系统，包括：
获取模块，用于获取棒材的截面图像I；
图像处理模块，用于根据截面图像I，获取截面图像的阈值分割图像I1；
质心定位模块，用于采用区域均值漂移聚类法，处理阈值分割图像I1，定位棒材的质心。
本发明的棒材的质心定位方法，首先获取截面图像I（图2）的阈值分割图像I1（图3），有效排除钢筋因自身叠放的对齐程度、捆扎大小、颜色差异、切面斜角等自身差异以及阳光照射、明暗不一等外界环境因素等各种各样的原因，难以克服钢筋截面可能发生粘连，无法使用简单的区域分割方法进行处理的问题，具有强鲁棒性，接着再在阈值分割图像I1（图3）中，采用区域均值漂移聚类法，求取真实的质心位置（图4所示），提高了质心定位的准确性和快速性。进一步的，以视觉引导机器人焊接钢筋端面标牌为例，在本发明质心定位方法指导下，能在钢筋的截面图像中准确找出钢筋端面质心的位置，再通过2维图像坐标向3维空间物理坐标转换，实现目标位置的引导，为全智能化焊接提供强力支撑。值得注意的，本发明的质心定位方法，一方面仅以钢筋作为棒材的可选示例，但该选材示例并不唯一；另一方面，仅以钢筋焊接标牌作为其应用范围的可选示例，该应用范围示例也并不唯一，还可应用于需要定位棒材质心的其它领域，如成捆棒材的计数等。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的质心定位方法的一个实施例的流程图；
图2为本发明的钢筋截面图像I的示例图；
图3为本发明的钢筋阈值分割图像I1的示例图；
图4为本发明的质心定位图像的示例图；
图5为本发明的质心定位方法的步骤S2的一个实施例的流程图；
图6为本发明更新后的阈值分割图像I1的示例图；
图7为本发明的质心定位方法的步骤S3的一个实施例的流程图；
图8为本发明的质心定位方法的步骤S3a的一个实施例的流程图；
图9为本发明的质心定位方法的步骤S3c的一个实施例的流程图；
图10为本发明的质心定位方法的步骤S3c的一个实施例的示意图；
图11为本发明的质心定位系统的一个实施例的结构图；
图12是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。为了说明本发明所述的技术方案，下文以钢筋作为棒材的一个可选示例（本发明所涉及的棒材可选但不仅限于钢筋）作详细说明。如图1所示，本发明一方面提出了一种棒材的质心定位方法，包括步骤：
S1：获取棒材的截面图像I。具体的，现有技术中可通过摄像机、照相机、传感器等获取如图2所示的钢筋截面图像I（可选但不仅限于以该截面图像I的左下角为坐标原点，以H表示截面图像的高，以W表示截面图像的宽，以坐标（x,y）表示各像素点的图像数据，以便于后续理解）。进一步地，为提高质心定位的准确性和快速性，可选但不仅限于对该截面图像数据进行一次均值滤波(可选的，滤波核采用3*3)，得到滤波后图像作为更精确的截面图像I。S2：根据截面图像I（图2所示），获取截面图像的阈值分割图像I1（图3所示）。S3：采用区域均值漂移聚类法，处理上述获取的阈值分割图像I1，以定位棒材的质心（图4所示）。
本发明的棒材的质心定位方法，首先获取截面图像I（图2）的阈值分割图像I1（图3），有效排除钢筋因自身叠放的对齐程度、捆扎大小、颜色差异、切面斜角等自身差异以及阳光照射、明暗不一等外界环境因素等各种各样的原因，难以克服钢筋截面可能发生粘连，无法使用简单的区域分割方法进行处理的问题，具有强鲁棒性，接着再在阈值分割图像I1（图3）中，采用区域均值漂移聚类法，求取真实的质心位置（图4所示），提高了质心定位的准确性和快速性。进一步的，以视觉引导机器人焊接钢筋端面标牌为例，在本发明质心定位方法指导下，能在钢筋的截面图像中准确找出钢筋端面质心的位置，再通过2维图像坐标向3维空间物理坐标转换，实现目标位置的引导，为全智能化焊接提供强力支撑。值得注意的，本发明的质心定位方法，一方面仅以钢筋作为棒材的可选示例，但该选材示例并不唯一；另一方面，仅以钢筋焊接标牌作为其应用范围的可选示例，该应用范围示例也并不唯一，还可应用于需要定位棒材质心的其它领域，如成捆棒材的计数等。
优选的，如图5所示，步骤S2可选但不仅限于包括：
S2a：提取截面图像I的每个像素点(x,y)的灰度值G(x,y)。
S2b：根据每个像素点(x,y)的灰度值G(x,y)，生成灰度值统计函数C(v)，表示在截面图像中，灰度值G(x,y)等于v的像素点(x,y)的像素个数。示例的针对8位的截面图像，灰度值G(x,y)取值范围为0~255；针对10位的截面图像，灰度值G(x,y)取值范围为0~1023；针对12位得截面图像，灰度值G(x,y)取值范围为0~4095。
S2c：给定分割比δ，计算得到满足下述公式（2）的j的最小值为分割阈值g。
Figure 958319DEST_PATH_IMAGE005
（2）
S2d：使用分割阈值g，对截面图像I进行阈值分割，得到分割后的二值图像作为阈值分割图像I1（图3所示）。
进一步地，步骤S2还可选但不仅限于包括填充步骤S2e，即在步骤S2d得到分割后的二值图像（图3所示）后，还对该二值图像进行形态学区域填充，得到填充后的图像（图6所示）作为更进一步精确的、更新后的阈值分割图像I1，以提高后续质心定位的准确性和快速性。
更为优选的，如图7所示，步骤S3可选但不仅限于包括：
S3a：在阈值分割图像I1中，选定n个初始种子点P(m),以其在阈值分割图像I1 中的位置坐标P(xm,ym)表示（其中，xm表示初始种子点P(m)在阈值分割图像I1 中行坐标，ym表示初始种子点P(m)在阈值分割图像I1 中列坐标）。优选的，如图7所示，该n个初始种子点P(xm,ym)可采用网格种子点生成方法确定。具体的，如图8所示，该步骤S3a包括：S3a1：在阈值分割图像I1中，以阈值分割图像I1的任意一角为坐标原点，给定行方向步长为h，列方向步长为w，生成网格；S3a2：选定网格的n个节点，即行列交叉点为初始种子点P(xm,ym)。进一步优选的，为进一步提高质心定位的准确性和快速性，初始种子点P(xm,ym)的间距可选但不仅限于小于棒材（如本文中的钢筋）的半径的1/2。
S3b：设置m的初始值等于1，以一步一步地对所有初始种子点完成遍历操作。
S3c：计算初始种子点P(xm,ym)的作用域范围内的图像的质心S(xm,ym)；具体的，如图9、10所示，该步骤S3c，可选但不仅限于包括：S3c1：在边长为2r+1的黑图像上，以黑图像的中心点为圆心，取半径为r的圆，生成模板图像（如图10所示的模板图像，其为固定不变的图像）；S3c2：以初始种子点P(xm,ym)的位置为中心，取边长为2r+1的矩形，生成初始种子点P(xm,ym)的感兴趣区域子图（ 如图10示例，模板图像在阈值分割图像中滑窗移动至位置1、位置2、位置3以分别截取与模板图像等尺寸的感兴趣区域子图1、感兴趣区域子图2、感兴趣区域子图3）；S3c3将模板图像与初始种子点P(xm,ym)的感兴趣区域子图取与运算，得到初始种子点P(xm,ym)的作用域子图（如图10示例的取与运算结果）；S3c4：在初始种子点P(xm,ym)的作用域子图中，根据公式（1）
Figure 756510DEST_PATH_IMAGE006
，
Figure 486569DEST_PATH_IMAGE007
（1）
计算初始种子点P(xm,ym)的作用域范围内的图像的质心S(xm,ym)。其中，在表征灰度值为0的像素点时，
Figure 686606DEST_PATH_IMAGE008
等于0，在表征灰度值为非0的像素点时，
Figure 414391DEST_PATH_IMAGE008
等于1。
S3d：判断初始种子点P(xm,ym)的位置与图像的质心S(xm,ym)的位置是否相同；S3e：若不同，则表征初始种子点P(xm,ym)的位置与图像的质心S(xm,ym)的位置仍有偏差，一方面需要移动初始种子点P(xm,ym)至图像的质心S(xm,ym)的位置，以纠正此偏差，另一方面需要设置该初始种子点P(xm,ym)的活性参数W(m)=1，以用于后续判断质心定位是否完成；S3f若相同，则设置初始种子点P(xm,ym)的活性参数W(m)=0；
S3g：判断m＝n是否成立，若不成立则表示对所有初始种子点P(xm,ym)的遍历操作仍未完成，需要设置m=m+1，返回步骤S3c；以对剩余的初始种子点进行相同的操作；S3h：若成立，则表示已经完成对所有初始种子点P(xm,ym)的遍历操作，可以进入下一个步骤，统计活性参数W(m)=1所对应的初始种子点P(xm,ym)的个数num，判定个数num是否大于0；若个数num大于0，则表示在上一步骤中仍存在初始种子点位置与计算的图像的质心的位置存在偏差的情况，需要返回步骤S3b；S3i：若个数num不大于0，则表示在上一步骤中不存在初始种子点位置与计算的图像的质心的位置存在偏差的情况，当前定位的质心已达到要求，可以直接进入下一步，定位当前初始种子点P(xm,ym)的位置为棒材的质心。
更为优选的，为进一步提高质心定位的准确性和快速性，在本申请提供的质心定位方法中，步骤S3i优选为，在确定个数num不大于0之后，先执行下述步骤S3i1、S3i2、S3i3中的至少一个(步骤S3i1、S3i2、S3i3可选任意一个、两个或者三个，其先后顺序可任意排序)，再定位经步骤S3i1、S3i2、S3i3中的至少一个处理后的初始种子点的位置为棒材的质心。
具体的，
S3i1：删除重复的初始种子点P(xm,ym)，以聚类所有初始种子点P(xm,ym)。
S3i2：删除不满足定位标准的种子点，即统计初始种子点P(xm,ym)的作用域范围内的非零元个数N，在非零元个数N小于第一阈值，即该初始初始种子点P(xm,ym)的作用域范围内只有少量非零元像素点，即存在许多灰度值为0的像素点（如图所示空白处，没有存放钢筋的位置）时，删除对应的初始种子点P(xm,ym)。具体的，对应某个初始种子点P(xm,ym)，在其作用域范围内，根据公式（3）统计其非零像素点，即非零元个数N，以该非零元个数N为判断依据，设置一个许可范围阈值，简称第一阈值，当该初始种子点P(xm,ym)的作用域范围内的非零元个数N小于第一阈值时，删除该初始种子点。
Figure 699879DEST_PATH_IMAGE009
（3）
S3i3：合并距离较近的相邻初始种子点，为方便理解，记相邻的两个初始种子点的坐标位置为（x1,y1）、（x2,y2）。具体为统计相邻两个初始种子点的欧式距离D，在欧式距离D小于第二阈值时，取相邻两个初始种子点的中点为一个新的初始种子点。更为具体的，根据公式（4）计算两相邻初始种子点的欧式距离D，当两相邻初始种子点的距离非常小，以至于小于所设定的最小值，简称为第二阈值时，根据公式（5）将该两相邻初始种子点合并为一个新的初始种子点。
Figure 469514DEST_PATH_IMAGE010
（4）
Figure 789637DEST_PATH_IMAGE011
（5）
更为优选的，为避免本发明的质心定位方法的实现过程中，出现迭代循环的时间过长或死机，可统计步骤S3的迭代循环次数或运行时间，在迭代循环次数超过次数上限或运行时间超过设定阈值（简称第三阈值）时，退出迭代循环，终止本次定位质心的操作，重新获取棒材的截面图像I，再进行后续图像处理和质心定位，以进一步提高质心定位的快速性。
另一方面，对应本发明的质心定位方法，本发明还提供了一种对应的质心定位系统1，如图11所示，包括：
获取模块11，用于获取棒材的截面图像I；
图像处理模块12，用于根据截面图像I，获取截面图像的阈值分割图像I1；
质心定位模块13，用于采用区域均值漂移聚类法，处理阈值分割图像I1，定位棒材的质心。
上述质心定位系统与上述质心定位方法对应，图像处理模块12，用于实现步骤S2及S2的优选实施例；质心定位模块13，用于实现步骤S3及S3的优选实施例，其具体实施方式和技术效果在此不再赘述。（以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
本发明还提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。图12是本发明一实施例提供的终端设备的示意图。如图12所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如进行棒材的质心定位方法的程序。所述处理器70执行所述计算机程序72时实现上述方法实施例中的步骤，例如，图1所示的S1至S3。或者，所述处理器70执行所述计算机程序72时实现上述各系统实施例中各模块/单元的功能，例如图11所示模块11至13的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在终端设备7中的执行过程。例如，所述计算机程序72可以被分割成获取模块11、图像处理模块12、质心定位模块13（虚拟系统中的模块），各模块具体功能如下：
获取模块11，用于获取棒材的截面图像I；
图像处理模块12，用于根据截面图像I，获取截面图像的阈值分割图像I1；
质心定位模块13，用于采用区域均值漂移聚类法，处理阈值分割图像I1，定位棒材的质心。
所述终端设备7可以是台式计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图12仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储71也可以是终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器71还可以既包括终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及终端设备7所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、子单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、子单元、模块完成，即将所述系统的内部结构划分成不同的功能单元、子单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、子单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元或子单元等既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、子单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、子单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的系统/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备实施例仅仅是示意性的，例如，所述模块、单元或子单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种棒材的质心定位方法，其特征在于，包括步骤：
S1：获取棒材的截面图像I；
S2：根据截面图像I，获取截面图像的阈值分割图像I1；
S3：采用区域均值漂移聚类法，处理阈值分割图像I1，定位棒材的质心；
其中，所述的步骤S3包括：
S3a：在阈值分割图像I1中，选定n个初始种子点P(xm,ym)；
S3b：设置m的初始值等于1；
S3c：计算初始种子点P(xm,ym)的作用域范围内的图像的质心S(xm,ym)；
S3d：判断初始种子点P(xm,ym)的位置与图像的质心S(xm,ym)的位置是否相同；
S3e：若不同，则移动初始种子点P(xm,ym)的位置至图像的质心S(xm,ym)的位置，并设置初始种子点P(xm,ym)的活性参数W(m)＝1；
S3f：若相同，则设置初始种子点P(xm,ym)的活性参数W(m)＝0；
S3g：判断m＝n是否成立，若不成立则设置m＝m+1，返回步骤S3c；
S3h：若成立，则统计活性参数W(m)＝1所对应的初始种子点P(xm,ym)的个数num，判定个数num是否大于0；若个数num大于0，则返回步骤S3b；
S3i：若个数num不大于0，则定位当前初始种子点P(xm,ym)的位置为棒材的质心；
其中，所述的步骤S3c包括：
S3c1：在边长为2r+1的黑图像上，以黑图像的中心点为圆心，取半径为r的圆，生成模板图像；
S3c2：以初始种子点P(xm,ym)的位置为中心，取边长为2r+1的矩形，生成初始种子点P(xm,ym)的感兴趣区域子图；
S3c3：将模板图像与初始种子点P(xm,ym)的感兴趣区域子图取与运算，得到初始种子点P(xm,ym)的作用域子图；
S3c4：在初始种子点P(xm,ym)的作用域子图中，根据公式(1)
Figure FDA0002558501480000011
Figure FDA0002558501480000021
计算初始种子点P(xm,ym)的作用域范围内的图像的质心S(xm,ym)；
其中，在表征灰度值为0的像素点时，K(xm,ym)等于0，在表征灰度值为非0的像素点时，K(xm,ym)等于1。
2.根据权利要求1所述的质心定位方法，其特征在于，步骤S3a包括：
S3a1：在阈值分割图像I1中，以阈值分割图像I1的任意一角为坐标原点，给定行方向步长为h，列方向步长为w，生成网格；
S3a2：选定网格的n个节点为初始种子点P(xm,ym)。
3.根据权利要求2所述的质心定位方法，其特征在于，相邻初始种子点P(xm,ym)的欧式距离D小于棒材的半径的1/2。
4.根据权利要求1-3任意一项所述的质心定位方法，其特征在于，步骤S3i优选为，在确定个数num不大于0之后，先执行步骤S3i1、S3i2、S3i3中的至少一个，再定位经步骤S3i1、S3i2、S3i3中的至少一个处理后的初始种子点的位置为棒材的质心；
S3i1：具体为删除重复的初始种子点P(xm,ym)；
S3i2：具体为统计初始种子点P(xm,ym)的作用域范围内的非零元个数N，在非零元个数N小于第一阈值时，删除对应的初始种子点P(xm,ym)；
S3i3：具体为统计相邻两个初始种子点的欧式距离D，在欧式距离D小于第二阈值时，取相邻两个初始种子点的中点为一个新的初始种子点。
5.根据权利要求4所述的质心定位方法，其特征在于，步骤S2包括：
S2a：提取截面图像I的每个像素点(x,y)的灰度值G(x,y)；
S2b：生成灰度值统计函数C(v)；
S2c：给定分割比δ，计算得到满足公式(2)的j的最小值为分割阈值g；
Figure FDA0002558501480000022
S2d：使用分割阈值g，对截面图像I进行阈值分割，得到阈值分割图像I1；
其中，
0≤x≤H，H代表截面图像I的高；
0≤y≤W，W代表截面图像I的宽；
(x,y)代表截面图像I的像素点；
G(x,y)代表截面图像I的像素点(x,y)的灰度值；
C(v)代表在截面图像I中，灰度值G(x,y)等于v的像素点(x,y)的个数；
0≤δ≤1。
6.根据权利要求5所述的质心定位方法，其特征在于，步骤S2还包括：
S2e:对阈值分割图像I1进行形态学区域填充，获取更新的阈值分割图像I1。
7.根据权利要求1所述的质心定位方法，其特征在于，计时步骤S3的运行时间T，当运行时间T超过第三阈值时，终止质心定位。
8.一种棒材的质心定位终端设备，其特征在于，包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序用于执行如权利要求1-7任意一项所述的棒材的质心定位方法步骤。
CN202010365506.8A 2020-04-30 2020-04-30 棒材的质心定位方法及终端设备 Active CN111260723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010365506.8A CN111260723B (zh) 2020-04-30 2020-04-30 棒材的质心定位方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010365506.8A CN111260723B (zh) 2020-04-30 2020-04-30 棒材的质心定位方法及终端设备

Publications (2)

Publication Number Publication Date
CN111260723A CN111260723A (zh) 2020-06-09
CN111260723B true CN111260723B (zh) 2020-08-14

Family

ID=70948168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010365506.8A Active CN111260723B (zh) 2020-04-30 2020-04-30 棒材的质心定位方法及终端设备

Country Status (1)

Country Link
CN (1) CN111260723B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114248100B (zh) * 2021-12-03 2023-05-26 武汉纺织大学 一种基于图像处理的螺丝孔定位算法及螺丝锁付装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0863604A (ja) * 1994-08-23 1996-03-08 Sumitomo Metal Ind Ltd 画像処理装置および画像処理方法
CN106485708A (zh) * 2016-10-11 2017-03-08 南京航空航天大学 一种基于图像识别的圆木计数方法
CN106839985A (zh) * 2017-03-22 2017-06-13 常熟理工学院 无人天车钢卷抓取的自动识别定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0863604A (ja) * 1994-08-23 1996-03-08 Sumitomo Metal Ind Ltd 画像処理装置および画像処理方法
CN106485708A (zh) * 2016-10-11 2017-03-08 南京航空航天大学 一种基于图像识别的圆木计数方法
CN106839985A (zh) * 2017-03-22 2017-06-13 常熟理工学院 无人天车钢卷抓取的自动识别定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
均值漂移聚类;想起56;《https://blog.csdn.net/u012863603/article/details/84295392》;20181120;第1-2页 *
基于机器视觉的棒材实时识别系统研究;张红;《中国优秀硕士学位论文全文数据库信息科技辑》;20150115(第01期);I138-1089 *
基于模糊梯度卷积核的在线棒材断面中心识别;方红萍等;《计算机工程与设计》;20140930;第35卷(第9期);3249-3253 *
实时棒材图像识别与跟踪方法研究;张育胜;《北京航空航天大学学报》;20060531;第32卷(第5期);575-579 *

Also Published As

Publication number Publication date
CN111260723A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN110032954B (zh) 一种钢筋智能识别与计数方法及系统
CN109543489B (zh) 基于二维码的定位方法、装置和存储介质
US8340433B2 (en) Image processing apparatus, electronic medium, and image processing method
CN109461133B (zh) 桥梁螺栓脱落检测方法及终端设备
CN110223376B (zh) 一种基于单幅堆积颗粒材料图像的三维颗粒重建方法
CN112336342A (zh) 手部关键点检测方法、装置及终端设备
CN105069754A (zh) 基于在图像上无标记增强现实的系统和方法
CN111832634A (zh) 异物检测方法、系统、终端设备及存储介质
CN111260723B (zh) 棒材的质心定位方法及终端设备
CN112198878A (zh) 一种即时地图构建方法、装置、机器人及存储介质
CN110163894B (zh) 基于特征匹配的亚像素级目标跟踪方法
CN108898679B (zh) 一种零部件序号自动标注的方法
CN111429437B (zh) 面向目标检测的图像无参考清晰度质量检测方法
CN111161348A (zh) 一种基于单目相机的物体位姿估计方法、装置及设备
CN112200004A (zh) 图像检测模型的训练方法、装置及终端设备
CN115272379B (zh) 一种基于投影的三维网格模型外轮廓提取方法及系统
CN115601336A (zh) 一种确定目标投影的方法、装置及电子设备
CN114219831A (zh) 目标跟踪方法、装置、终端设备及计算机可读存储介质
CN113627548A (zh) 一种平面工件模板匹配方法、装置、介质及计算机设备
CN112183329A (zh) 植株的补种信息识别方法、装置、计算机设备和存储介质
CN114692661A (zh) 二维码识别方法、存储介质和计算机
Xiong et al. Depth map recovery based on optimal scheduling of invalid point filling
CN111105431A (zh) 一种标记图像的方法及装置
CN116030450B (zh) 棋盘格角点识别方法、装置、设备和介质
CN114779271B (zh) 目标检测方法和装置、电子设备和存储介质

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