CN111415376B - 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 - Google Patents
汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 Download PDFInfo
- Publication number
- CN111415376B CN111415376B CN202010124193.7A CN202010124193A CN111415376B CN 111415376 B CN111415376 B CN 111415376B CN 202010124193 A CN202010124193 A CN 202010124193A CN 111415376 B CN111415376 B CN 111415376B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- automobile glass
- point
- edge
- 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
Links
- 239000011521 glass Substances 0.000 title claims abstract description 151
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000000605 extraction Methods 0.000 title claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 34
- 230000009466 transformation Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000011524 similarity measure Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 12
- 238000004590 computer program Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000007688 edging Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种汽车玻璃亚像素轮廓提取方法、汽车玻璃检测方法及装置，属于玻璃检测技术领域，用于解决目前接触式玻璃检测方法测量误差大、检测时间长等问题，采用方案具体为：获取标准汽车玻璃图像和待检测的汽车玻璃图像；对各汽车玻璃图像进行预处理，预处理包括Sigma滤波、中值滤波和图像增强；对预处理后的各汽车玻璃图像进行边缘提取，得到各汽车玻璃图像的像素级边缘轮廓；对像素级边缘轮廓进行亚像素定位，得到各汽车玻璃图像的亚像素边缘轮廓；对得到的标准汽车玻璃轮廓和待检测汽车玻璃轮廓进行配准；计算待检测玻璃的误差尺寸。本发明的方法及装置均具有配准精度高、检测效率高且检测精度高等优点。
Description
技术领域
本发明主要涉及汽车玻璃检测技术领域，具体涉及一种汽车玻璃亚像素轮廓提取方法、基于机器视觉的汽车玻璃检测方法及装置。
背景技术
近年来，我国对汽车产品的需求量日益增大，在汽车生产过程中，汽车玻璃是重要的材料之一，随着生产技术的不断发展，高端汽车产品对汽车玻璃的质量要求也越来越高，汽车玻璃的形状质量和外观尺寸都是衡量汽车玻璃生产是否合格的重要指标。
在现有的玻璃生产技术中，首先通过延压工序使玻璃成型，再根据尺寸进行裁剪，获取玻璃原片，这种玻璃原片的形状质量和外观尺寸是达不到用户装配所需质量要求的。因此，在后续生产过程中需要对玻璃原片进行磨边处理，从而得到满足用户需求的玻璃。在磨边处理过程中，由于磨边机器机械磨损，尺寸错误等问题，会出现玻璃尺寸不合格的情况，需要将这种有瑕疵的玻璃挑选出来，再进行后续处理。
在现有技术中，目前工厂对玻璃尺寸的检测主要采取的是人工手动测量或采用三坐标测量仪测量，这些测量方法都是接触式测量方法。人工手动测量采取的是三点测量法，首先取一块模板玻璃，用三个定位块在玻璃的两条基准边上取三点定位，固定好位置后将待测量的玻璃放到模板玻璃上，将两块玻璃对准并固定好位置，然后用测量尺或小型测量仪进行测量。三坐标测量仪是采用探针分别测量模板玻璃和待检测玻璃各个点的坐标位置，根据这些点的空间坐标值，根据拟合计算，可以得到模板玻璃和待检测玻璃的几何尺寸、形状和位置公差。上述测量方法都是接触式测量方法，人工手动检测根据检测人的不同会得到不同的检测结果，难以客观衡量检测结果的好坏，三坐标测量仪每次测量时需要获取满足一定数量的点进行拟合计算，因此测量耗时较长，不利于工厂的自动化生产。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种检测精度高、处理速度快、持续时间长的基于机器视觉的汽车玻璃亚像素轮廓提取方法及提取装置，并相应提供一种检测精度高、检测效率高的汽车玻璃检测方法。
为解决上述技术问题，本发明提出的技术方案为：
一种汽车玻璃亚像素轮廓提取方法，包括以下步骤：
步骤1)获取标准汽车玻璃图像和待检测的汽车玻璃图像；
步骤2)对各汽车玻璃图像进行预处理，预处理包括Sigma滤波、中值滤波和图像增强；
步骤3)对预处理后的各汽车玻璃图像进行边缘提取，得到各汽车玻璃图像的像素级边缘轮廓；
步骤4)对像素级边缘轮廓进行亚像素定位，得到各汽车玻璃图像的亚像素边缘轮廓。
作为上述技术方案的进一步改进，步骤2)中的Sigma滤波处理为：用一个N×N(N=3,5,7,…,)的窗口在图像上滑动滤波，首先计算滤波窗口中所有像素灰度值的标准差σ；设中心点像素灰度值为p，根据v=[p-2σ,p+2σ]计算置信区间范围，选择所有在置信区间范围内的窗口像素的灰度值用于计算其平均值，得到的平均值作为窗口中心点像素灰度值的滤波值；如果没有像素点的灰度值在置信区间内，则中心点像素的灰度值保持不变。
作为上述技术方案的进一步改进，步骤2)中的中值滤波处理为：用一个N×N(N=3,5,7,…,)的窗口在图像上滑动滤波，将窗口中所有像素点的灰度值按照升序或降序排列，取排列的中值作为窗口中心点像素灰度值的滤波值。
作为上述技术方案的进一步改进，步骤2)中的图像增强处理为：用低通滤波器对图像进行滤波，得到原图像的灰度平均值，根据下式计算最终的灰度值；
g(x,y)=[f(x,y)-m(x,y)]×Factor+f(x,y)
其中，f(x,y)为原始灰度值，g(x,y)为增强后的灰度值，m(x,y)为灰度平均值，Factor为对比度度量因子。
作为上述技术方案的进一步改进，在步骤3)中，通过Canny算子对预处理后的图像进行边缘提取，具体步骤为：
步骤3.1)用一维高斯函数对图像进行平滑滤波，高斯函数G(x,y)表示如下：
用高斯函数G(x,y)对原始图像f(x,y)进行卷积计算，得到平滑图像I(x,y)：
I(x,y)=G(x,y)*f(x,y)
步骤3.2)用一阶偏导的有限差分对平滑图像I(x,y)进行梯度计算；
其中一阶偏导表达式如下：
梯度幅值的计算公式为：
梯度方向的计算公式为：
步骤3.3)对梯度幅值进行非极大值抑制，以提高边缘定位的精度；
步骤3.4)分别用高阈值Th和低阈值Tl对步骤3.3)中提取到的所有潜在边缘点进行判断，点(x,y)处的梯度幅值为P(x,y)，若P(x,y)＞Th，则该点一定是边缘点，且是强边缘点；若P(x,y)＜Tl，则该点一定不是所求边缘点；若Tl＜P(x,y)＜Th，则该点是弱边缘点，需要进一步进行判断，寻找该点邻域内是否有大于Th的点，如果有，则该点是边缘点，如果没有，则该点不是边缘点；将得到的边缘点进行连接，得到目标图像的像素级边缘。
作为上述技术方案的进一步改进，在步骤4)中，采用双线性插值的方法对步骤3)得到的像素级边缘轮廓进行亚像素定位，具体为：选取点P(x,y)为插值点，以插值点位中心，选取四个相邻像素点P11(x1,y1)、P12(x1,y2)、P21(x2,y1)和P22(x2,y2)，设亮度函数在这个四邻域内的亮度函数是线性变化的，分别计算这四个相邻像素点到插值点P(x,y)的水平距离和垂直距离，并用距离作为它们灰度值的权重进行插值计算，便可得到插值点P(x,y)的灰度值；
设像素点的灰度值用函数g表示，首先在x方向上进行插值计算，计算公式如下：
然后对y方向进行线性插值计算，可得到插值点P(x,y)像素的灰度值，
化简得：
再将所有的插值点进行连接，便可得到亚像素阈值分割后的边缘轮廓。
本发明还公开了一种基于机器视觉的汽车玻璃检测方法，包括步骤：
S01、按如上所述的汽车玻璃亚像素轮廓提取方法，提取各汽车玻璃图像的亚像素边缘轮廓；
S02、对得到的标准汽车玻璃轮廓和待检测汽车玻璃轮廓进行配准；
S03、计算待检测玻璃的误差尺寸。
作为上述技术方案的进一步改进，步骤S02中的图像配准方法的具体步骤如下：
S21、对标准汽车玻璃轮廓图像和待检测汽车玻璃轮廓图像进行降采样来构建图像金字塔；
S22、对顶层的图像用相似性度量公式计算在所有可能的位姿的相似度量，并运用加速中止策略对遍历计算进行加速；
S23)将配准结果映射到图像金字塔的下一层，并将配准结果周围的区域确定为新的搜索区域；
S24)重复步骤S22到步骤S23，直到映射到金字塔的底层，配准结束，输出配准结果。
作为上述技术方案的进一步改进，步骤S22具体包括：
S221、将一个图像模板定义为点集pi=(ri,ci)T，(i=1,…,n)，并由Canny算子滤波可得到其每个像素点相对应的方向向量di=(ti,ui)T(i=1,…,n)；
S222、对模板做仿射变换，并将经过仿射变换后所有平移部分从模板中分离；
S223、在对待搜索图像中的某个像素点q=(r,c)T进行搜索时，通过计算仿射变换后的模板中所有像素点的方向向量与待搜索图像中对应点处方向向量的点积总和，再对其进行归一化处理，可以得到变换后的模板在点q处的相似度量；
将相似度量进行归一化之后会返回一个比1小的数值，这个数值则作为潜在的匹配对象的匹配分值，分值越接近于1，表示匹配结果越好；
S224、预先自定义一个匹配分值的阈值smin，在配准时会对图像所有的像素点进行计算；当使用相似度量算子进行计算时，sj表示累计到匹配模板的第j个元素时所有向量点积的总和，若sj＜smin-1+j/n，匹配分数必定会小于smin，匹配分数必定会比阈值smin小，可以在第j个元素后结束当前匹配。
本发明进一步公开了一种汽车玻璃亚像素轮廓提取装置，包括：
图像获取模块，用于获取标准汽车玻璃图像和待检测的汽车玻璃图像；
预处理模块，用于对各汽车玻璃图像进行预处理，预处理包括Sigma滤波、中值滤波和图像增强；
边缘提取模块，用于对预处理后的图像进行边缘提取，得到汽车玻璃的像素级边缘轮廓；
亚像素定位模块，用于对像素级边缘轮廓进行亚像素定位，得到汽车玻璃的亚像素边缘轮廓。
与现有技术相比，本发明的优点在于：
(1)本发明通过对原始汽车玻璃图像进行预处理，预处理包括Sigma滤波、中值滤波和图像增强处理，将原始图像中的噪声去除，使图像更清晰；其中利用图像增强技术，增强图像的边缘信息，使图像边缘信息更清晰以便于提取。利用Canny算子对图像进行边缘粗提取，再利用双线性插值方法进行亚像素定位，得到汽车玻璃的亚像素轮廓信息，用于后续的图像配准尺寸检测工作，提高检测精度，有利于实现工厂的自动化生产。
(2)本发明获取汽车玻璃的图像，再对获取到的汽车玻璃图像进行系列处理，计算得到玻璃的尺寸信息，根据设置的公差判断生产的玻璃是否合格，此种非接触式测量方法，耗时较短，测量精度高，可以大大提高工厂的生产效率，实现玻璃制造行业的快速高效发展。
(3)本发明利用形状模板相似度量和图像金字塔相结合，将标准汽车玻璃轮廓和待检测汽车玻璃轮廓进行配准，计算待检测玻璃与模板玻璃的误差，此种配准方法可以有效提高配准速度，从而提高检测速度。
附图说明
图1为本发明的提取方法在实施例的方法流程图。
图2为本发明中通过Canny算子提取边缘的方法流程图。
图3为本发明中双线性插值法示意图。
图4为本发明的检测方法在具体实施例的方法流程图。
图5为本发明中配准的方法流程图。
图6为本发明中图像金字塔示意图。
图7为本发明中轮廓误差示意图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1所示，本实施例的汽车玻璃亚像素轮廓提取方法，包括以下步骤：
步骤1)获取标准汽车玻璃图像和待检测的汽车玻璃图像；
步骤2)对各汽车玻璃图像进行预处理，预处理包括Sigma滤波、中值滤波和图像增强；
步骤3)对预处理后的各汽车玻璃图像进行边缘提取，得到各汽车玻璃图像的像素级边缘轮廓；
步骤4)对像素级边缘轮廓进行亚像素定位，得到各汽车玻璃图像的亚像素边缘轮廓。
本实施例中，步骤2)中的Sigma滤波处理为：用一个N×N(N=3,5,7,…,)的窗口在图像上滑动滤波，首先计算滤波窗口中所有像素灰度值的标准差σ，设中心点像素灰度值为p，根据v=[p-2σ,p+2σ]计算置信区间范围，选择所有在置信区间范围内的窗口像素的灰度值用于计算其平均值，得到的平均值作为窗口中心点像素灰度值的滤波值。如果没有像素点的灰度值在置信区间内，则中心点像素的灰度值保持不变。
本实施例中，步骤2)中的中值滤波处理为：用一个N×N(N＝3,5,7,…,)的窗口在图像上滑动滤波，将窗口中所有像素点的灰度值按照升序或降序排列，取排列的中值作为窗口中心点像素灰度值的滤波值。
本实施例中，步骤2)中的图像增强的处理为：首先用低通滤波器对图像进行滤波，得到原图像的灰度平均值，根据下式计算最终的灰度值；
g(x,y)＝[f(x,y)-m(x,y)]×Factor+f(x,y)
其中，f(x,y)为原始灰度值，g(x,y)为增强后的灰度值，m(x,y)为灰度平均值，Factor为对比度度量因子。
本发明通过对原始汽车玻璃图像进行预处理，预处理包括Sigma滤波、中值滤波和图像增强处理，将原始图像中的噪声去除，使图像更清晰；其中利用图像增强技术，增强图像的边缘信息，使图像边缘信息更清晰以便于提取。
本实施例中，在步骤3)中，通过Canny算子对预处理后的图像进行边缘提取，对应步骤为：
步骤3.1)用一维高斯函数对图像进行平滑滤波，高斯函数G(x,y)表示如下：
用高斯函数G(x,y)对原始图像f(x,y)进行卷积计算，得到平滑图像I(x,y)：
I(x,y)＝G(x,y)*f(x,y)
步骤3.2)用2×2邻域内的一阶偏导的有限差分对平滑图像I(x,y)进行梯度计算，一阶偏导表达式如下：
梯度幅值的计算公式为：
梯度方向的计算公式为：
步骤3.3)对梯度幅值进行非极大值抑制，目的是为了提高边缘定位的精度。由于图像中灰度变化的区域都较为集中，将一定范围内梯度方向上灰度变化最大的点保留，将灰度变化不是最大的点剔除，可以剔除很大一部分点，提高边缘定位的精度。点(x,y)处的梯度幅值为P(x,y)，若P(x,y)在3×3邻域内大于相邻两个像素点的梯度幅值，则将该点保留，这个点是所求的边缘点：否则该点不是所求边缘点，将该点剔除。
步骤3.4)对梯度幅值进行非极大值抑制只是对图像边缘进行了粗提取，提取到了图像中所有潜在的边缘点，需要这些潜在边缘点进行精确定位，从而确定真正的边缘点。分别用高阈值Th和低阈值Tl对步骤3.3)中提取到的所有潜在边缘点进行判断，点(x,y)处的梯度幅值为P(x,y)，若P(x,y)＞Th，则该点一定是边缘点，且是强边缘点；若P(x,y)＜Tl，则该点一定不是所求边缘点；若Tl＜P(x,y)＜Th，则该点是弱边缘点，需要进一步进行判断，寻找该点邻域内时候有大于Th的点，如果有，则该点是边缘点，如果没有，则该点不是边缘点；将得到的边缘点进行连接，得到目标图像的像素级边缘。
本实施例中，步骤4)利用双线性插值的方法对步骤3)得到的像素级边缘轮廓进行亚像素定位，具体地，步骤4)中双线性插值法的核心思想是分别对x和y方向进行插值计算。如图3所示，选取点P(x,y)为插值点，以插值点位中心，选取四个相邻像素点P11(x1,y1)、P12(x1,y2)、P21(x2,y1)和P22(x2,y2)，设亮度函数在这个四邻域内的亮度函数是线性变化的，双线性插值法分别计算这四个相邻点到插值点P(x,y)的水平距离和垂直距离，并用距离作为它们灰度值的权重进行插值计算，便可得到插值点P(x,y)的灰度值。
设像素点的灰度值用函数g表示，首先在x方向上进行插值计算，计算公式如下：
然后对y方向进行线性插值计算，可得到插值点P(x,y)像素的灰度值，
化简得，
通过双线性插值法得到的插值点的灰度值g(x,y)通常为浮点数，对其进行四舍五入取整，再将所有的插值点进行连接，便可得到亚像素阈值分割后的边缘轮廓。
本发明利用Canny算子对图像进行边缘粗提取，再利用双线性插值方法进行亚像素定位，得到汽车玻璃的亚像素轮廓信息，用于后续的图像配准尺寸检测工作，提高检测精度。
如图4所示，本发明还公开了一种基于机器视觉的汽车玻璃检测方法，包括步骤：
S01、按如上所述的汽车玻璃亚像素轮廓提取方法，提取各汽车玻璃图像的亚像素边缘轮廓；
S02、对得到的标准汽车玻璃轮廓和待检测汽车玻璃轮廓进行配准；
S03、计算待检测玻璃的误差尺寸。
本实施例中，步骤S02中的图像配准方法的子步骤如下：
S21、通过卷积计算对标准汽车玻璃轮廓图像和待检测汽车玻璃轮廓图像进行降采样来构建图像金字塔，图像金字塔的层数L由图像的分辨率决定，金字塔如图6所示；采用的卷积方式为卷积核为2×2的均值滤波器；
S22、对顶层的图像用相似性度量公式计算在所有可能的位姿的相似度量，并运用加速中止策略对遍历计算进行加速；
具体地，步骤S22中相似度量计算的子步骤如下：
S221、将一个图像模板定义为点集pi=(ri,ci)T，(i＝1,…,n)，并由Canny算子滤波可得到其每个像素点相对应的方向向量di＝(ti,ui)T(i=1,…,n)；
S222、对模板做仿射变换，并将经过仿射变换后所有平移部分从模板中分离，计算公式如下：
p′i＝Api
d′i＝(A-1)T
其中θ为旋转角度；
S223、在对待搜索图像中的某个像素点q＝(r,c)T进行搜索时，可以通过计算仿射变换后的模板中所有像素点的方向向量与待搜索图像中对应点处方向向量的点积总和，再对其进行归一化处理，可以得到变换后的模板在点q处的相似度量，下式为相似度量计算公式：
将相似度量进行归一化之后会返回一个比1小的数值，这个数值则作为潜在的匹配对象的匹配分值，分值越接近于1，表示匹配结果越好；
S224、预先自定义一个匹配分值的阈值smin，在配准时会对图像所有的像素点进行计算，但其中的极大部分像素点并不能满足预先设定的阈值smin。当使用上述相似度量算子进行计算时，sj表示累计到匹配模板的第j个元素时所有向量点积的总和，计算公式如下：
由于总和里剩下的n-j项都小于或等于1，因此，若sj＜smin-1+j/n，匹配分数必定会小于smin，匹配分数必定会比阈值smin小，可以在第j个元素后结束当前匹配。
S23、将配准结果映射到图像金字塔的下一层，并将配准结果周围的区域确定为新的搜索区域；
S24、重复步骤S22-步骤S23，直到映射到金字塔的底层，配准结束，输出配准结果。
本实施例中，在步骤S03中，在图像匹配完成后，就可以计算两个玻璃轮廓之间的误差，玻璃轮廓是玻璃边缘上所有点的点集。假设待检测玻璃上有一点P，它到模板玻璃轮廓上的最短距离就是该点的误差，如图7所示，d2为所求误差，若d2＜0，则表示待检玻璃比模板玻璃要小；若d2＞0，则表示待检玻璃比模板玻璃要大；在误差d2在预设阈值时，则表明待检玻璃合格，否则则表明待检玻璃偏大或者偏小，属于不合格产品。
本发明利用形状模板相似度量和图像金字塔相结合，将标准汽车玻璃轮廓和待检测汽车玻璃轮廓进行配准，计算待检测玻璃与模板玻璃的误差，此种配准方法可以有效提高配准速度，从而提高检测速度。
本发明还公开了一种汽车玻璃亚像素轮廓提取装置，包括：
图像获取模块，用于获取标准汽车玻璃图像和待检测的汽车玻璃图像；
预处理模块，用于对各汽车玻璃图像进行预处理，预处理包括Sigma滤波、中值滤波和图像增强；
边缘提取模块，用于对预处理后的图像进行边缘提取，得到汽车玻璃的像素级边缘轮廓；
亚像素定位模块，用于对像素级边缘轮廓进行亚像素定位，得到汽车玻璃的亚像素边缘轮廓。
本发明进一步公开了一种基于机器视觉的汽车玻璃检测装置，包括：
如上所述的汽车玻璃亚像素轮廓提取装置，用于得到汽车玻璃的亚像素边缘轮廓；
配准模块，用于对得到的标准汽车玻璃轮廓和待检测汽车玻璃轮廓进行配准；
计算模块，用于计算待检测玻璃的误差尺寸。
本发明实施例还公开了一种计算机可读储存介质，其上储存有计算机程序，计算机程序在被处理器运行时执行如上所述的汽车玻璃亚像素轮廓提取方法的步骤。同时，本发明实施例还公开了一种计算机设备，包括处理器和存储器，存储器上存储有计算机程序，计算机程序在被处理器运行时执行如上所述的汽车玻璃亚像素轮廓提取方法的步骤。
本发明实施例还公开了一种计算机可读储存介质，其上储存有计算机程序，计算机程序在被处理器运行时执行如上所述的基于机器视觉的汽车玻璃检测方法的步骤。同时，本发明实施例还公开了一种计算机设备，包括处理器和存储器，存储器上存储有计算机程序，计算机程序在被处理器运行时执行如上所述的基于机器视觉的汽车玻璃检测方法的步骤。
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，计算机程序可存储于一个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，计算机程序包括计算机程序代码，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。计算机可读介质可以包括：能够携带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。存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现各种功能。存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其它易失性固态存储器件等。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (7)
1.一种汽车玻璃亚像素轮廓提取方法，其特征在于，包括以下步骤：
步骤1）获取标准汽车玻璃图像和待检测的汽车玻璃图像；
步骤2）对各汽车玻璃图像进行预处理，预处理包括Sigma滤波、中值滤波和图像增强；
步骤3）对预处理后的各汽车玻璃图像进行边缘提取，得到各汽车玻璃图像的像素级边缘轮廓；
步骤4）对像素级边缘轮廓进行亚像素定位，得到各汽车玻璃图像的亚像素边缘轮廓；
步骤2）中的Sigma滤波处理为：用一个的窗口在图像上滑动滤波，首先计算滤波窗口中所有像素灰度值的标准差/>；设中心点像素灰度值为/>，根据计算置信区间范围，选择所有在置信区间范围内的窗口像素的灰度值用于计算其平均值，得到的平均值作为窗口中心点像素灰度值的滤波值；如果没有像素点的灰度值在置信区间内，则中心点像素的灰度值保持不变；
步骤2）中的中值滤波处理为：用一个的窗口在图像上滑动滤波，将窗口中所有像素点的灰度值按照升序或降序排列，取排列的中值作为窗口中心点像素灰度值的滤波值；
步骤2）中的图像增强处理为：用低通滤波器对图像进行滤波，得到原图像的灰度平均值，根据下式计算最终的灰度值；
其中，为原始灰度值，/>为增强后的灰度值，/>为灰度平均值，/>为对比度度量因子。
2.根据权利要求1所述的汽车玻璃亚像素轮廓提取方法，其特征在于，在步骤3）中，通过Canny算子对预处理后的图像进行边缘提取，具体步骤为：
步骤3.1）用一维高斯函数对图像进行平滑滤波，高斯函数表示如下：
用高斯函数对原始图像/>进行卷积计算，得到平滑图像/>：
步骤3.2）用一阶偏导的有限差分对平滑图像进行梯度计算；
其中一阶偏导表达式如下：
梯度幅值的计算公式为：
梯度方向的计算公式为：
步骤3.3）对梯度幅值进行非极大值抑制，以提高边缘定位的精度；
步骤3.4）分别用高阈值和低阈值/>对步骤3.3）中提取到的所有潜在边缘点进行判断，点/>处的梯度幅值为/>，若/> ，则该点一定是边缘点，且是强边缘点；若/>，则该点一定不是所求边缘点；若/>，则该点是弱边缘点，需要进一步进行判断，寻找该点邻域内是否有大于/>的点，如果有，则该点是边缘点，如果没有，则该点不是边缘点；将得到的边缘点进行连接，得到目标图像的像素级边缘。
3. 根据权利要求1所述的汽车玻璃亚像素轮廓提取方法，其特征在于，在步骤4）中，采用双线性插值的方法对步骤3）得到的像素级边缘轮廓进行亚像素定位，具体为：选取点为插值点，以插值点位中心，选取四个相邻像素点/>、/>、/>和/>，设亮度函数在这个四邻域内的亮度函数是线性变化的，分别计算这四个相邻像素点到插值点/>的水平距离和垂直距离，并用距离作为它们灰度值的权重进行插值计算，便可得到插值点/>的灰度值；
设像素点的灰度值用函数表示，首先在/>方向上进行插值计算，计算公式如下：
然后对方向进行线性插值计算，可得到插值点/>像素的灰度值，
化简得：
再将所有的插值点进行连接，便可得到亚像素阈值分割后的边缘轮廓。
4.一种基于机器视觉的汽车玻璃检测方法，其特征在于，包括步骤：
S01、按如权利要求1～3中任意一项所述的汽车玻璃亚像素轮廓提取方法，提取各汽车玻璃图像的亚像素边缘轮廓；
S02、对得到的标准汽车玻璃轮廓和待检测汽车玻璃轮廓进行配准；
S03、计算待检测玻璃的误差尺寸。
5.根据权利要求4所述的基于机器视觉的汽车玻璃检测方法，其特征在于，步骤S02中的图像配准方法的具体步骤如下：
S21、对标准汽车玻璃轮廓图像和待检测汽车玻璃轮廓图像进行降采样来构建图像金字塔；
S22、对顶层的图像用相似性度量公式计算在所有可能的位姿的相似度量，并运用加速中止策略对遍历计算进行加速；
S23）将配准结果映射到图像金字塔的下一层，并将配准结果周围的区域确定为新的搜索区域；
S24）重复步骤S22到步骤S23，直到映射到金字塔的底层，配准结束，输出配准结果。
6.根据权利要求5所述的基于机器视觉的汽车玻璃检测方法，其特征在于，步骤S22具体包括：
S221、将一个图像模板定义为点集 ，并由Canny算子滤波可得到其每个像素点相对应的方向向量/>；
S222、对模板做仿射变换，并将经过仿射变换后所有平移部分从模板中分离；
S223、在对待搜索图像中的某个像素点 进行搜索时，通过计算仿射变换后的模板中所有像素点的方向向量与待搜索图像中对应点处方向向量的点积总和，再对其进行归一化处理，可以得到变换后的模板在点/>处的相似度量；
将相似度量进行归一化之后会返回一个比1小的数值，这个数值则作为潜在的匹配对象的匹配分值，分值越接近于1，表示匹配结果越好；
S224、预先自定义一个匹配分值的阈值，在配准时会对图像所有的像素点进行计算；当使用相似度量算子进行计算时，/>表示累计到匹配模板的第/>个元素时所有向量点积的总和，若/>，匹配分数必定会小于/>，匹配分数必定会比阈值/>小，可以在第/>个元素后结束当前匹配。
7.一种汽车玻璃亚像素轮廓提取装置，用于执行如权利要求1～3中任意一项所述的汽车玻璃亚像素轮廓提取方法的步骤，其特征在于，包括：
图像获取模块，用于获取标准汽车玻璃图像和待检测的汽车玻璃图像；
预处理模块，用于对各汽车玻璃图像进行预处理，预处理包括Sigma滤波、中值滤波和图像增强；
边缘提取模块，用于对预处理后的图像进行边缘提取，得到汽车玻璃的像素级边缘轮廓；
亚像素定位模块，用于对像素级边缘轮廓进行亚像素定位，得到汽车玻璃的亚像素边缘轮廓。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010124193.7A CN111415376B (zh) | 2020-02-27 | 2020-02-27 | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010124193.7A CN111415376B (zh) | 2020-02-27 | 2020-02-27 | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111415376A CN111415376A (zh) | 2020-07-14 |
| CN111415376B true CN111415376B (zh) | 2023-09-22 |
Family
ID=71492837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010124193.7A Active CN111415376B (zh) | 2020-02-27 | 2020-02-27 | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111415376B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240667A (zh) * | 2021-06-08 | 2021-08-10 | 长春汽车工业高等专科学校 | 一种基于图像处理的汽车模具平面裂纹检测方法 |
| CN113578778A (zh) * | 2021-07-27 | 2021-11-02 | 福建工程学院 | 利用轮廓特征和色彩特征检测汽车玻璃混线的方法及系统 |
| CN113470056B (zh) * | 2021-09-06 | 2021-11-16 | 成都新西旺自动化科技有限公司 | 一种基于高斯模型卷积的亚像素边缘点检测方法 |
| CN114140416A (zh) * | 2021-11-26 | 2022-03-04 | 南京颖图电子技术有限公司 | 一种基于机器视觉的玻璃边缘检测方法和系统 |
| CN114494045B (zh) * | 2022-01-10 | 2024-04-16 | 南京工大数控科技有限公司 | 一种基于机器视觉的大型直齿轮几何参数测量系统及方法 |
| CN115277984B (zh) * | 2022-07-24 | 2024-07-26 | 湖南大学 | 玻璃尺寸检测中自适应的相机调整曝光时间的方法 |
| CN116818778B (zh) * | 2023-08-31 | 2023-11-10 | 靖江市恒友汽车部件制造有限公司 | 一种汽车部件快速智能检测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732536A (zh) * | 2015-03-18 | 2015-06-24 | 广东顺德西安交通大学研究院 | 一种基于改进形态学的亚像素边缘检测方法 |
| CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
| CN108470349A (zh) * | 2018-03-29 | 2018-08-31 | 汕头大学 | 一种运动背景下的微小机械零件尺寸测量筛选方法 |
| CN109741356A (zh) * | 2019-01-10 | 2019-05-10 | 哈尔滨工业大学（深圳） | 一种亚像素边缘检测方法及系统 |
| CN109801318A (zh) * | 2019-01-30 | 2019-05-24 | 东北大学 | 一种快速物体匹配算法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104077773A (zh) * | 2014-06-23 | 2014-10-01 | 北京京东方视讯科技有限公司 | 图像边缘检测方法、图像目标识别方法及装置 |
| CN109035276B (zh) * | 2018-06-26 | 2022-03-18 | 北京中科慧眼科技有限公司 | 一种图像边缘提取方法、装置及自动驾驶系统 |
-
2020
- 2020-02-27 CN CN202010124193.7A patent/CN111415376B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732536A (zh) * | 2015-03-18 | 2015-06-24 | 广东顺德西安交通大学研究院 | 一种基于改进形态学的亚像素边缘检测方法 |
| CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
| CN108470349A (zh) * | 2018-03-29 | 2018-08-31 | 汕头大学 | 一种运动背景下的微小机械零件尺寸测量筛选方法 |
| CN109741356A (zh) * | 2019-01-10 | 2019-05-10 | 哈尔滨工业大学（深圳） | 一种亚像素边缘检测方法及系统 |
| CN109801318A (zh) * | 2019-01-30 | 2019-05-24 | 东北大学 | 一种快速物体匹配算法 |
Non-Patent Citations (4)
| Title |
|---|
| 改进canny算子的亚像素定位算法;舒启林;山博;;机械设计与制造(第10期);全文 * |
| 李长云等.《智能感知技术及在电气工程中的应用》.电子科技大学出版社,2017,第125-126页. * |
| 李雪娇等.基于机器视觉的大型零件尺寸测量技术研究.《光电技术应用》.2017,(第undefined期),第44-47页. * |
| 谢伟.《多帧影像超分辨率复原重建关键技术研究》.武汉大学出版社,2014,第84-85页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111415376A (zh) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111415376B (zh) | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 | |
| CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
| CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
| CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN109490316B (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
| CN109658398B (zh) | 一种基于三维测量点云的零件表面缺陷识别与评估方法 | |
| CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
| CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
| CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
| CN112651259B (zh) | 二维码的定位方法、基于二维码的移动机器人定位方法 | |
| CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
| CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
| CN115096206B (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
| CN115331119B (zh) | 一种固体废弃物识别方法 | |
| CN111415378B (zh) | 用于汽车玻璃检测的图像配准方法及汽车玻璃检测方法 | |
| CN112884746B (zh) | 一种基于边缘形状匹配的字符缺陷智能检测算法 | |
| CN116358449A (zh) | 一种基于双目面结构光的飞机铆钉凹凸量测量方法 | |
| CN112734761A (zh) | 工业品图像边界轮廓提取方法 | |
| CN105258647A (zh) | 一种汽车锁扣铆点的视觉检测方法 | |
| CN114580559A (zh) | 一种基于单目视觉系统的测速方法 | |
| CN112241964A (zh) | 一种用于线结构光非接触测量的光条中心提取方法 | |
| CN116503462A (zh) | 一种圆形斑点圆心快速提取方法及系统 | |
| CN118196043A (zh) | 一种基于机器视觉与三维点云融合的整车部件检测方法 | |
| CN104573635B (zh) | 一种基于三维重建的微小高度识别方法 |
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 |