CN111353993A - 一种基于机器视觉的螺纹角度测量方法 - Google Patents

一种基于机器视觉的螺纹角度测量方法 Download PDF

Info

Publication number
CN111353993A
CN111353993A CN202010236890.1A CN202010236890A CN111353993A CN 111353993 A CN111353993 A CN 111353993A CN 202010236890 A CN202010236890 A CN 202010236890A CN 111353993 A CN111353993 A CN 111353993A
Authority
CN
China
Prior art keywords
pixel
image
thread
points
coordinates
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
Application number
CN202010236890.1A
Other languages
English (en)
Other versions
CN111353993B (zh
Inventor
李顺
刘伟东
肖恭兵
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010236890.1A priority Critical patent/CN111353993B/zh
Publication of CN111353993A publication Critical patent/CN111353993A/zh
Application granted granted Critical
Publication of CN111353993B publication Critical patent/CN111353993B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/136—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
    • G06T7/194—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
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器视觉的螺纹角度测量方法，包括以下步骤，获取螺纹图像，并调整螺纹轴线和坐标轴水平线使其平行；对螺纹图像进行二值化处理，得到二值化图像；对该图像进行边缘检测，获取二值化图像边缘；对二值化图像进行像素互补，得到像素互补图像并扫描，得到像素互补图像的像素行坐标和像素列坐标；根据像素行坐标和像素列坐标，得到螺峰和螺谷，进而得到螺距值；根据螺距值判断相连的波峰，获取相连波峰的两个波峰像素点和波谷像素点，通过三个像素点计算得到牙型角；本发明利用螺距对螺纹图像进行分析，判断图像波峰像素点和波谷像素点出现的先后关系，进行参数求解，简化螺纹参数计算过程，提高了图像法螺纹测量的适应性。

Description

一种基于机器视觉的螺纹角度测量方法
技术领域
本发明涉及螺纹测量技术的研究领域，特别涉及一种基于机器视觉的螺纹角度测量方法。
背景技术
机器视觉等图像法测量螺纹参数比起传统的接触式测量螺纹参数等方法的优点有耗时低，效率高，可以一次性获取多项螺纹参数。从图像采集到图像处理这个过程中，对求图像相关的螺纹参数的模块化大大提高了求解的过程。然而，在螺纹角度求解的模块中，螺纹角度的求解是根据相邻波峰和相邻波谷相连直线的斜率，通过斜率公式反求得出螺纹角度的方法。但是由于待测螺纹的大小，图像采集设备还有剪裁螺纹图像不同的操作方法等这些客观原因，会造成求解的螺纹角度不精确，所以找到一种快速且实效的螺纹角度求解方法就变得非常迫切。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于机器视觉的螺纹角度测量方法，快速且实效的获取精确螺纹角度。
本发明的目的通过以下的技术方案实现：
一种基于机器视觉的螺纹角度测量方法，其特征在于，包括以下步骤，
S1、获取螺纹图像，并调整螺纹轴线和坐标轴水平线，使其平行；
S2、对螺纹图像进行二值化处理，得到二值化图像；
S3、对二值化图像进行边缘检测，获取二值化图像边缘；
S4、对二值化图像进行像素互补，得到像素互补图像，并扫描像素互补图像，得到像素互补图像的像素行坐标和像素列坐标；
S5、根据像素行坐标和像素列坐标，得到螺峰和螺谷，进而得到螺距值；
S6、根据螺距值判断相连的波峰，获取相连波峰的两个波峰像素点和波谷像素点，通过三个像素点计算得到牙型角。
进一步地，所述步骤S1具体为：获取螺纹图像，判断螺纹轴线和坐标轴水平线是否平行，如果不平行，按照图像中螺纹牙两侧投影线延伸交点间连线求出螺纹轴线与图像坐标系的夹角θ，以θ角度旋转螺纹图像使其轴线和坐标轴水平线平行。
进一步地，所述步骤S2具体为：采用OTSU计算，给螺纹图像定一个阈值，将螺纹图像转换成黑白的二值化图像，其中，黑色像素点为0，白色像素点为1；OTSU计算如下：
记t为前景与背景的分割阈值，前景点数占螺纹图像比例为w0，平均灰度为u0；背景点数占螺纹图像比例为w1，平均灰度为u1，则总螺纹图像的灰度为：
u＝w0*u0+w1*u1，
前景和背景的方差：
Figure BDA0002431303090000023
当方差g最大时，认为此时前景和背景差异最大，此时的灰度值t是最佳阈值，最佳阈值为：
w0*w1*(u0-u1)*(u0-u1)。
进一步地，所述步骤S3具体为：
采用Canny算子进行边缘检测，步骤如下：
S301、使用高斯滤波器平滑二值化图像，并计算二值化图像中每个像素点的梯度强度和方向；
采用大小为(2k+1)×(2k+1)的高斯滤波器核，表达式如下：
Figure BDA0002431303090000021
其中，该高斯核为二维算子，所以i代表x轴方向，j代表y轴方向；σ决定高斯滤波器的宽度，
设3×3的模板为A：
Figure BDA0002431303090000022
Hij为该高斯模板代入到高斯二维函数上各个位置对应的值；
S302、应用极大值抑制；将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较，如果当前像素的梯度强度与另外两个像素相比最大，则保留该像素点为边缘点，否则该像素点将被抑制；
S303、应用双阈值检测，确定真实和潜在的边缘，并通过抑制孤立的弱边缘完成边缘检测；即通过选择高低阈值，如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素；如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素的梯度值小于低阈值，则会被抑制。
进一步地，所述步骤S4具体为：对二值化图像进行像素互补，得到白色像素值构成的像素互补图像，同时扫描像素互补图像，得到像素互补图像的像素行坐标和像素列坐标，把每列像素和每行像素的序号与对应的像素值放在一个数组里；对像素值的每列坐标进行从小到大排序，并由相应的序列号对应其像素值，同时将像素值的每行坐标对应的像素值的每列坐标进行对应的排序，从而得到完整的螺纹图像；
进一步地，所述步骤S5具体为：
S501、提取像素值中最大行坐标像素值对应的序列号和像素值中的最小行坐标对应的序列号，得到图像中的螺峰和螺谷；
S502、根据螺峰和螺谷，获取螺纹牙型上所有连续相邻的波峰像素点和波谷像素点，得到所有像素点的坐标；
S503、将所有相邻的波峰像素点和波谷像素点之间的距离求平均，得到螺距值。
进一步地，所述步骤S6具体为：
根据螺距值判断相连的波峰，获取相连波峰的两个波峰像素点p1,p2和波谷像素点p′，通过上述三个像素点，采用最小二乘法拟合出牙型角两侧的直线方程p1p′，p2p′，根据两直线的斜率进行夹角公式计算，得到牙型角α：
Figure BDA0002431303090000031
采用最小二乘法拟合出牙型角两侧的直线方程分别为：
p1p'＝K1x+b1 p2p'＝K2x+b2
其中，K1,K2分别为两条直线的斜率；
依次采取螺纹图像中满足条件的三个像素点，最终求出平均的牙型角值。
进一步地，还包括，根据螺距值判断最先出现的为波峰像素点还是波谷像素点，如果图像中波峰像素点出现在波谷像素点的前面，在检测过程中，相邻的波峰像素点有可能没有被识别出来，则需要以螺距为判断条件，相邻的波峰点之间的距离不大于螺距长度。
本发明与现有技术相比，具有如下优点和有益效果：
本发明直接采用非接触式图像的像素作为计算依据，减少了传统接触式的测量过程中产生的人为的误差。与现有测量螺纹的技术方法相比，本方法考虑到不同的操作人员在不同的操作环境下进行螺纹图像提取时，螺纹图像会出现不同的大小和截取特点。利用螺距作为判断依据，对系统采集到的螺纹图像进行分析，判断图像波峰像素点和波谷像素点出现的先后关系，再进行相应的参数求解，简化了螺纹参数计算的过程，提高了图像法螺纹测量的适应性。
附图说明
图1为本发明所述一种基于机器视觉的螺纹角度测量方法的流程图；
图2为本发明所述实施例中找出图片中的螺纹轴线与坐标轴之间的夹角示意图；
图3为本发明所述实施例中调整螺纹图像示意图；
图4为本发明所述实施例中对图像进行像素互补处理示意图；
图5为本发明所述实施例中为Canny算子差值运算示意图；
图6为本发明所述实施例中对螺纹图像进行Canny一阶滤波处理后的示意图；
图7为本发明所述实施例中是图中波峰像素点出现在波谷像素点的前面示意图；
图8为本发明所述实施例中是图中波峰像素点出现在波谷像素点的后面示意图；
图9为本发明所述实施例中是用最小二乘法拟合出牙型角两侧直线方程的示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，一种基于机器视觉的螺纹角度测量方法，包括以下步骤：
S1：根据采集螺纹图像与图像坐标系对比，按照图2中螺纹牙两侧投影线延伸交点间连线求出螺纹轴线o'o'与图像坐标轴ox的夹角θ，以θ角度旋转螺纹图像使其轴线和坐标轴水平线平行，得到图3。
S2：选择OTSU算法，对图像进行二值化处理，把灰度图像转换为黑白二值的图像，其中黑色的像素值为0，白色的像素值为1，然后把图像进行像素互补的处理，最终得到由白色像素值构成的螺纹图像，如图4所示。通过假设图像像素能够根据阈值被分为背景和目标两部分，然后计算最佳阈值来区分这两类像素，使得这两类像素区分度最大。
S21：记M＝256单通道灰度分级Sum＝像素总数。
S22：背景像素占比为
Figure BDA0002431303090000051
S23：前景像素占比为
Figure BDA0002431303090000052
S24：背景的平均灰度值为
Figure BDA0002431303090000053
S25：前景的平均灰度值为
Figure BDA0002431303090000054
S26：0→M灰度区间的灰度累计值为μ＝μ0*w0+μ1*w1
S27：类间方差为g＝w0*(μ-μ0)2+w1*(μ-μ1)2
S28：最终化简为g＝w0*w1*(μ0-μ1)2
S3：为了方便测量螺纹参数，突出螺纹特征，接下来对图像使用Canny算子进行边缘检测，把图像按照质心进行剪裁，简化运算。Canny检测边缘的算法如下：
S31：首先滤除噪声以防止由噪声引起的错误检测。使用高斯滤波器与图像进行卷积运算，选择(2k+1)×(2k+1)的高斯滤波器核的生成方程式由下式给出：
Figure BDA0002431303090000055
图像经过高斯滤波之后，图像对应像素点的亮度值L为：
Figure BDA0002431303090000056
S32：图像中的边缘可以指向各个方向，该算法用四个算子来检测图像中像素的水平，垂直和对角边缘关于水平Gx和垂直Gy方向的一阶导数值，将像素点依次和方向算子进行卷积运算得到Gx和Gy，由此可以确定像素点的梯度强度G和梯度方向θ。计算如下：
Figure BDA0002431303090000057
Figure BDA0002431303090000058
S33：非极大值抑制是一种边缘稀疏技术，非极大值抑制的作用在于让图像的边缘更加精确，对图像进行梯度计算后，仅仅基于梯度值提取的边缘仍然很模糊。而非极大值抑制可以帮助将局部最大值之外的所有梯度值抑制为0，对梯度图像中每个像素进行非极大值抑制的算法是：
S34：在跨越梯度方向的两个相邻像素之间使用线性插值来得到要比较的像素梯度。如图5所示，将梯度分为8个方向，分别为E,NE,N,NW,W,SW,S,SE。其中0代表0°-45°，1代表45°-90°，2代表-90°-45°，3代表-45°-0°。像素P的梯度方向为θ，则像素点P1和P2的梯度线性插值为：
Figure BDA0002431303090000061
GP1＝(1-tan(θ))×E+tan(θ)×NE
GP2＝(1-tan(θ))×W+tan(θ)×SW
S35：在施加非极大值抑制之后，剩余的像素可以更准确地表示图像中的实际边缘。然而，任然存在由于噪声和颜色变化引起的一些边缘像素。使用弱梯度值过滤边缘像素，并保留具有高梯度值的边缘像素。如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素，如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素，如果边缘像素的梯度值小于低阈值，则会被抑制。
if(Gp)≥HighThreshold,Gpis an strong edge
else if(Gp)≥LowThreshold,Gpis an weak edge
else Gp should be sup pressed
S36：到目前为止，被划分为强边缘的像素点已经被确定为边缘，因为它们是从图像中的真实边缘中提取出来的。然而，对于弱边缘像素，将会有一些争论，因为这些像素可以从真实边缘提取也可能是因为噪声或颜色变化引起的。为了获得准确的结果，应该抑制由后者引起的弱边缘。由真实边缘引起的弱边缘像素连接到强边缘像素，而噪声响应未连接。为了跟踪边缘连接，通过查看弱边缘像素及其8个邻域像素，只要其中一个为强边缘像素，则该弱边缘像素点就可以保留为真实的边缘。
Figure BDA0002431303090000062
S4：经过边缘检测以后，结果如图6所示，然后扫描图像得到该螺纹图像的像素行坐标和像素列坐标，把每列和每行的像素的序号和对应的像素值放在一个数组里面。
S5：因为螺纹轴线和坐标水平轴平行，所以对获取像素值的每列的坐标进行从小到大的排序，并由相应的序列号对应其像素值。同时将像素值的每行坐标对应的像素值的每列坐标进行对应的排序，从而得到完整的螺纹图像。
S6：提取像素值中的最大行坐标像素值对应的序列号和像素值中的最小行坐标对应的序列号，找出螺纹图像中的螺峰和螺谷，并将这些最值像素点显示在图像上。
S7：然后找到螺纹牙型上所有连续相邻的波峰像素点和波谷像素点，得到所有像素点的坐标。因为螺纹轴线和坐标轴平行，所以两个波峰像素点或者波谷像素点之间相隔的距离就是螺距，将所有相邻的波峰像素点和波谷像素点之间的距离求平均，得到螺距值。
S8：判断所显示的图像是先出现的波峰像素点还是波谷像素点。如果图像中波峰像素点出现在波谷像素点的前面，如图7所示。在检测过程中，相邻的波峰像素点有可能没有被识别出来，则需要以螺距为判断条件，相邻的波峰点之间的距离不大于螺距长度，最后检测到螺纹上相邻的两个波峰像素点和一个波谷像素点，得到两个波峰像素点p1,p2和波谷像素点p'。
S9：如果图像中波谷像素点出现在波峰像素点的前面，如图8所示。在检测过程中，相邻的波谷像素点有可能没有被识别出来，则需要以螺距为判断条件，相邻的波谷点之间的距离不大于螺距长度，最后检测到螺纹上相邻的两个波谷像素点和一个波峰像素点，得到两个波谷像素点p1,p2和波峰像素点p'。
S10：根据上述三个像素点，采用最小二乘法拟合出牙型角两侧的直线方程p1p'p2p'。根据两直线的斜率K1,K2进行夹角公式的计算可以求得牙型角α：
Figure BDA0002431303090000071
S11：依次采集螺纹图像上满足条件的三个像素点，最终求出平均的牙型角值。
如图9所示采用最小二乘法拟合出牙型角两侧的直线方程分别为：
，p1p'＝K1x+b1 p2p'＝K2x+b2
其中，K1,K2分别为两条直线的斜率；
依次采取螺纹图像中满足条件的三个像素点，最终求出平均的牙型角值。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于机器视觉的螺纹角度测量方法，其特征在于，包括以下步骤，
S1、获取螺纹图像，并调整螺纹轴线和坐标轴水平线，使其平行；
S2、对螺纹图像进行二值化处理，得到二值化图像；
S3、对二值化图像进行边缘检测，获取二值化图像边缘；
S4、对二值化图像进行像素互补，得到像素互补图像，并扫描像素互补图像，得到像素互补图像的像素行坐标和像素列坐标；
S5、根据像素行坐标和像素列坐标，得到螺峰和螺谷，进而得到螺距值；
S6、根据螺距值判断相连的波峰，获取相连波峰的两个波峰像素点和波谷像素点，通过三个像素点计算得到牙型角。
2.根据权利要求1所述的一种基于机器视觉的螺纹角度测量方法，其特征在于，所述步骤S1具体为：获取螺纹图像，判断螺纹轴线和坐标轴水平线是否平行，如果不平行，按照图像中螺纹牙两侧投影线延伸交点间连线求出螺纹轴线与图像坐标系的夹角θ，以θ角度旋转螺纹图像使其轴线和坐标轴水平线平行。
3.根据权利要求1所述的一种基于机器视觉的螺纹角度测量方法，其特征在于，所述步骤S2具体为：采用OTSU计算，给螺纹图像定一个阈值，将螺纹图像转换成黑白的二值化图像，其中，黑色像素点为0，白色像素点为1；OTSU计算如下：
记t为前景与背景的分割阈值，前景点数占螺纹图像比例为w0，平均灰度为u0；背景点数占螺纹图像比例为w1，平均灰度为u1，则总螺纹图像的灰度为：
u＝w0*u0+w1*u1，
前景和背景的方差：
Figure FDA0002431303080000011
当方差g最大时，认为此时前景和背景差异最大，此时的灰度值t是最佳阈值，最佳阈值为：
w0*w1*(u0-u1)*(u0-u1)。
4.根据权利要求1所述的一种基于机器视觉的螺纹角度测量方法，其特征在于，所述步骤S3具体为：
采用Canny算子进行边缘检测，步骤如下：
S301、使用高斯滤波器平滑二值化图像，并计算二值化图像中每个像素点的梯度强度和方向；
采用大小为(2k+1)×(2k+1)的高斯滤波器核，表达式如下：
Figure FDA0002431303080000021
其中，该高斯核为二维算子，所以i代表x轴方向，j代表y轴方向；σ决定高斯滤波器的宽度，
设3×3的模板为A：
Figure FDA0002431303080000022
Hij为该高斯模板代入到高斯二维函数上各个位置对应的值；
S302、应用极大值抑制；将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较，如果当前像素的梯度强度与另外两个像素相比最大，则保留该像素点为边缘点，否则该像素点将被抑制；
S303、应用双阈值检测，确定真实和潜在的边缘，并通过抑制孤立的弱边缘完成边缘检测；即通过选择高低阈值，如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素；如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素的梯度值小于低阈值，则会被抑制。
5.根据权利要求1所述的一种基于机器视觉的螺纹角度测量方法，其特征在于，所述步骤S4具体为：对二值化图像进行像素互补，得到白色像素值构成的像素互补图像，同时扫描像素互补图像，得到像素互补图像的像素行坐标和像素列坐标，把每列像素和每行像素的序号与对应的像素值放在一个数组里；对像素值的每列坐标进行从小到大排序，并由相应的序列号对应其像素值，同时将像素值的每行坐标对应的像素值的每列坐标进行对应的排序，从而得到完整的螺纹图像。
6.根据权利要求5所述的一种基于机器视觉的螺纹角度测量方法，其特征在于，所述步骤S5具体为：
S501、提取像素值中最大行坐标像素值对应的序列号和像素值中的最小行坐标对应的序列号，得到图像中的螺峰和螺谷；
S502、根据螺峰和螺谷，获取螺纹牙型上所有连续相邻的波峰像素点和波谷像素点，得到所有像素点的坐标；
S503、将所有相邻的波峰像素点和波谷像素点之间的距离求平均，得到螺距值。
7.根据权利要求1所述的一种基于机器视觉的螺纹角度测量方法，其特征在于，所述步骤S6具体为：
根据螺距值判断相连的波峰，获取相连波峰的两个波峰像素点p1,p2和波谷像素点p′，通过上述三个像素点，采用最小二乘法拟合出牙型角两侧的直线方程p1p′，p2p′，根据两直线的斜率进行夹角公式计算，得到牙型角α：
Figure FDA0002431303080000031
采用最小二乘法拟合出牙型角两侧的直线方程分别为：
p1p'＝K1x+b1 p2p'＝K2x+b2
其中，K1,K2分别为两条直线的斜率；
依次采取螺纹图像中满足条件的三个像素点，最终求出平均的牙型角值。
8.根据权利要求7所述的一种基于机器视觉的螺纹角度测量方法，其特征在于，还包括，根据螺距值判断最先出现的为波峰像素点还是波谷像素点，如果图像中波峰像素点出现在波谷像素点的前面，在检测过程中，相邻的波峰像素点有可能没有被识别出来，则需要以螺距为判断条件，相邻的波峰点之间的距离不大于螺距长度。
CN202010236890.1A 2020-03-30 2020-03-30 一种基于机器视觉的螺纹角度测量方法 Active CN111353993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010236890.1A CN111353993B (zh) 2020-03-30 2020-03-30 一种基于机器视觉的螺纹角度测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010236890.1A CN111353993B (zh) 2020-03-30 2020-03-30 一种基于机器视觉的螺纹角度测量方法

Publications (2)

Publication Number Publication Date
CN111353993A true CN111353993A (zh) 2020-06-30
CN111353993B CN111353993B (zh) 2023-06-23

Family

ID=71196340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010236890.1A Active CN111353993B (zh) 2020-03-30 2020-03-30 一种基于机器视觉的螺纹角度测量方法

Country Status (1)

Country Link
CN (1) CN111353993B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986184A (zh) * 2020-08-25 2020-11-24 金华市计量质量科学研究院(国家机动车机械零部件产品质量监督检验中心(浙江)、金华市标准化研究院) 一种基于大数据分析技术的螺纹测量方法及设备
CN112146593A (zh) * 2020-09-25 2020-12-29 上海红马饲料有限公司 一种基于机器视觉的外螺纹检测方法及实时检测系统
CN112164036A (zh) * 2020-09-15 2021-01-01 西安交通大学 一种钢丝螺套装配参数检测装置及方法
CN112465816A (zh) * 2020-12-17 2021-03-09 哈尔滨市科佳通用机电股份有限公司 一种铁路动车风挡破损故障检测方法、系统及装置
CN113592808A (zh) * 2021-07-28 2021-11-02 福建威而特旋压科技有限公司 一种皮带轮视觉检测方法
CN113701632A (zh) * 2021-09-01 2021-11-26 威海北洋电气集团股份有限公司 一种基于差值的螺纹检测方法
CN113902667A (zh) * 2021-08-23 2022-01-07 浙大宁波理工学院 一种用于机器视觉的螺纹旋向识别方法与系统
CN116580005A (zh) * 2023-05-15 2023-08-11 青岛环球重工科技有限公司 基于图像处理与深度学习的管片模具开模系统的引导方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105241380A (zh) * 2015-09-30 2016-01-13 广州超音速自动化科技股份有限公司 锯齿形螺纹视觉检测方法
CN105258652A (zh) * 2015-09-30 2016-01-20 广州超音速自动化科技股份有限公司 梯形螺纹视觉检测方法
CN109711284A (zh) * 2018-12-11 2019-05-03 江苏博墨教育科技有限公司 一种考试答题卡系统智能识别分析方法
CN110211047A (zh) * 2019-04-10 2019-09-06 陕西理工大学 机器视觉螺纹参数测量的图像旋转方法
CN110428433A (zh) * 2019-07-02 2019-11-08 西华师范大学 一种基于局部阈值的Canny边缘检测算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105241380A (zh) * 2015-09-30 2016-01-13 广州超音速自动化科技股份有限公司 锯齿形螺纹视觉检测方法
CN105258652A (zh) * 2015-09-30 2016-01-20 广州超音速自动化科技股份有限公司 梯形螺纹视觉检测方法
CN109711284A (zh) * 2018-12-11 2019-05-03 江苏博墨教育科技有限公司 一种考试答题卡系统智能识别分析方法
CN110211047A (zh) * 2019-04-10 2019-09-06 陕西理工大学 机器视觉螺纹参数测量的图像旋转方法
CN110428433A (zh) * 2019-07-02 2019-11-08 西华师范大学 一种基于局部阈值的Canny边缘检测算法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986184A (zh) * 2020-08-25 2020-11-24 金华市计量质量科学研究院(国家机动车机械零部件产品质量监督检验中心(浙江)、金华市标准化研究院) 一种基于大数据分析技术的螺纹测量方法及设备
CN112164036A (zh) * 2020-09-15 2021-01-01 西安交通大学 一种钢丝螺套装配参数检测装置及方法
CN112164036B (zh) * 2020-09-15 2022-06-07 西安交通大学 一种钢丝螺套装配参数检测装置及方法
CN112146593A (zh) * 2020-09-25 2020-12-29 上海红马饲料有限公司 一种基于机器视觉的外螺纹检测方法及实时检测系统
CN112465816A (zh) * 2020-12-17 2021-03-09 哈尔滨市科佳通用机电股份有限公司 一种铁路动车风挡破损故障检测方法、系统及装置
CN113592808A (zh) * 2021-07-28 2021-11-02 福建威而特旋压科技有限公司 一种皮带轮视觉检测方法
CN113592808B (zh) * 2021-07-28 2024-04-02 福建威而特旋压科技有限公司 一种皮带轮视觉检测方法
CN113902667A (zh) * 2021-08-23 2022-01-07 浙大宁波理工学院 一种用于机器视觉的螺纹旋向识别方法与系统
CN113701632A (zh) * 2021-09-01 2021-11-26 威海北洋电气集团股份有限公司 一种基于差值的螺纹检测方法
CN113701632B (zh) * 2021-09-01 2024-02-13 威海北洋电气集团股份有限公司 一种基于差值的螺纹检测方法
CN116580005A (zh) * 2023-05-15 2023-08-11 青岛环球重工科技有限公司 基于图像处理与深度学习的管片模具开模系统的引导方法
CN116580005B (zh) * 2023-05-15 2024-03-08 青岛环球重工科技有限公司 基于图像处理与深度学习的管片模具开模系统的引导方法

Also Published As

Publication number Publication date
CN111353993B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN111353993B (zh) 一种基于机器视觉的螺纹角度测量方法
CN111145161B (zh) 一种路面裂缝数字图像处理和识别的方法
CN114757949B (zh) 基于计算机视觉的电线电缆缺陷检测方法及系统
JP6620477B2 (ja) コンクリートのひび割れ検出方法及び検出プログラム
CN109410230B (zh) 一种可抗噪声的改进Canny图像边缘检测方法
CN108629775B (zh) 一种热态高速线材表面图像处理方法
CN106934803B (zh) 电子器件表面缺陷的检测方法及装置
CN111968144B (zh) 一种图像边缘点获取方法及装置
CN111462066B (zh) 一种基于机器视觉的螺纹参数检测方法
CN108416766B (zh) 双侧入光式导光板缺陷视觉检测方法
US20110274353A1 (en) Screen area detection method and screen area detection system
Er-Sen et al. An adaptive edge-detection method based on the canny operator
US20060029257A1 (en) Apparatus for determining a surface condition of an object
CN113781424B (zh) 一种表面缺陷检测方法、装置及设备
CN114693610A (zh) 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质
CN112053376A (zh) 一种基于深度信息的工件焊缝识别方法
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
WO2010061779A1 (ja) 画像処理によるトロリ線の摩耗および偏位測定装置
CN116468687A (zh) 划伤缺陷检测方法、装置及存储介质、电子设备
CN116128873A (zh) 一种基于图像识别的轴承保持器检测方法、设备及介质
CN109800641B (zh) 基于阈值自适应二值化和连通域分析的车道线检测方法
CN117036259A (zh) 一种基于深度学习的金属板材表面缺陷检测方法
JP4293653B2 (ja) 外観検査方法
CN115861220A (zh) 基于改进的ssd算法的冷轧带钢表面缺陷检测方法和系统
JP2004062519A (ja) レーンマーク検出装置

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