CN111445512B - 一种复杂产线背景中的轮毂参数特征提取方法 - Google Patents
一种复杂产线背景中的轮毂参数特征提取方法 Download PDFInfo
- Publication number
- CN111445512B CN111445512B CN202010551540.4A CN202010551540A CN111445512B CN 111445512 B CN111445512 B CN 111445512B CN 202010551540 A CN202010551540 A CN 202010551540A CN 111445512 B CN111445512 B CN 111445512B
- Authority
- CN
- China
- Prior art keywords
- image
- hub
- lun
- production line
- background
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 9
- 230000008447 perception Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种复杂产线背景中的轮毂参数特征提取方法，包括以下步骤：从轮毂图像中分离滚道产线背景图像；对轮毂尺寸进行测量，对轮毂轮辐数量进行统计，对轮毂内孔数量进行统计。本发明的提取方法能够成功将轮毂从复杂产线中分离，有效地提取轮毂的尺寸大小，轮辐数量以及内孔的数量，耗费时间少，测量精度高。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种复杂产线背景中的轮毂参数特征提取方法。
背景技术
在工业4.0框架下，智慧工厂的感知和控制技术必须具备高速、高精度、模块化、智能化、无损感知等特点，能够根据不同的任务实现自主配置和自适应调节，满足定制和个性化产品的自适应制造，然而传统的感知控制技术无法满足上述需求。机器视觉技术涉及神经生物学、计算机学、图像处理学、模式识别和人工智能等多门学科，具有高效率、高精度、非接触和易集成等特点，是实现现代集成制造技术的基础。将机器视觉技术应用到轮毂生产之中，可以在很大程度上提高生产过程的机械化和智能化水平。应用机器视觉检测与控制技术代替人眼、人脑、人手来进行检测、测量、分析、判断和决策控制，以满足智慧工厂对环境感知和自主控制的多项需求。
传统的轮毂制造业想要搭建上述的智慧工厂，就必须完成轮毂的生产智能化。轮毂生产智能化最重要的一步就是实现轮毂的类型识别，基于图像的轮毂类型识别技术是目前轮毂等零部件制造业构建智能化工厂的关键技术，研究该技术对实现工厂自动化，提高生产效率，降低生产成本具有关键作用。大部分技术人员研究轮毂分类识别的基本思想是基于图像处理方法提取轮毂大小尺寸、内孔个数等特征构建投票分类器进行分类。但是这些方法仅仅适用于完全处于黑色背景中的轮毂。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供一种复杂产线背景中的轮毂参数特征提取方法，本发明能够成功将轮毂从复杂产线中分离，有效地提取轮毂的尺寸大小，轮辐数量以及内孔的数量，耗费时间少，测量精度高。
为了实现上述目的，本发明采用以下技术方案：
一种复杂产线背景中的轮毂参数特征提取方法，包括以下步骤：
S1：从轮毂图像中分离滚道产线背景图像；
S2：对轮毂尺寸进行测量，对轮毂轮辐数量进行统计；
S3：对轮毂内孔数量进行统计。
进一步地，步骤S1具体过程如下：
S11：图像传感器端采集的轮毂图像
以及相应的背景图像 
作
为输入图像；
S12：计算轮毂图像
的灰度直方图
，基于灰度直方图分析，确
定分割阈值，只保留图像中高于阈值的像素值；
S13：基于图像差分算法公式：
，计算分离滚道产线
后的输出图像
，并采用中值滤波算法对输出图像进行优化。
进一步地，步骤S2具体过程如下：
S21：首先对步骤S1得到的图像进行Canny边缘检测，获取所有闭合轮廓；
S22：统计所有闭合轮廓数量，输出轮辐窗数量，轮辐窗数量为所有闭合轮廓数量-1；
S23：基于轮廓面积对所有闭合轮廓进行排序，输出面积最大的轮廓，并基于最小圆拟合算法拟合最大轮廓，输出该最小圆的圆心位置与半径，轮毂尺寸用圆心与半径进行度量。
进一步地，所述S3具体步骤如下：
S31：对原轮毂图像
进行均值滤波，滤波核半径选择为轮毂图像高度的
，
得到背景图像的近似值
；
S32：采用图像相除方法
计算出
，并将所有
像素标准化到区间[0,255]以内，并再次基于图像差分算法计算输出图像
：
S33：对
图像进行分段线性变换，并对该图像采用基于最大类间方差的阈
值分割算法进行处理以及腐蚀膨胀操作；
S34：对步骤S33输出图像进行边缘检测，获取所有轮廓；计算所有轮廓的纵横比
，
并保留纵横比稳定在
范围内的轮廓，最终获得螺纹孔，统计出螺纹孔个数即内
孔数量。
进一步地，对
图像进行分段线性变换，依据公式如下： 
本发明的有益效果是：
本发明的方法能够成功地将轮毂从复杂产线中分离，有效地提取轮毂的尺寸大小，轮辐数量以及内孔的数量，耗费时间少，消耗总时间为2s左右，满足实时性要求，能够实现完全自动化生产。
附图说明
图1是本发明方法的总流程图。
图2是本发明采集的背景图像。
图3 是本发明采集的轮毂图像。
图4 是本发明从滚道产线上分割出的轮毂图像。
图5是本发明获取的轮毂闭合轮廓图像。
图6 是本发明轮毂轮辐数量统计与轮毂尺寸测量结果示意图。
图7 是本发明基于图像差分算法计算得到的输出图像示意图。
图8是本发明基于最大类间方差的阈值分割算法以及腐蚀膨胀操作所得图像示意图。
图9 是本发明获得的螺纹孔的示意图。
具体实施方式
以下结合附图对本发明的技术方案做进一步详细说明，应当指出的是，具体实施方式只是对本发明的详细说明，不应视为对本发明的限定。
如图1-7所示，一种复杂产线背景中的轮毂参数特征提取方法，包括以下步骤：
S1：从轮毂图像中分离滚道产线背景图像，具体步骤如下：
S11：通过图像传感器端采集如图3所示的轮毂图像
以及相应的如图2所示
的背景图像 
作为输入图像；
S12：计算轮毂图像
的灰度直方图
，基于灰度直方图分析，
轮毂的主要特征像素绝大部分都散布在直方图的波峰处，而波谷为滚道下的支架干扰，因
此确定分割阈值为40，即只保留图像中高于40的像素值；
S13：基于图像差分算法公式：
，计算分离滚道产线
后的输出图像
，实现轮毂与滚道产线的完全分离。这样做的一个结果是轮毂上会出
现黑色条纹，因此要采用核尺寸大小为13的中值滤波算法完成对输出图像的优化，从而清
除黑色条纹，保持轮毂平面的完整性，如图4所示。
S2：对轮毂尺寸进行测量，对轮毂轮辐数量进行统计，具体步骤如下：
S21：首先对步骤S1得到的滚道产线分离后的图像进行Canny边缘检测，获取所有闭合轮廓，如图5所示；
S22：统计步骤S21中所有闭合轮廓数量，输出轮辐窗数量，轮辐窗数量为所有闭合轮廓数量-1（去掉外圆轮廓）；
S23：基于轮廓面积对所有闭合轮廓进行排序，输出面积最大的轮廓，为了提高轮毂半径测量的精度，选择基于最小圆拟合算法拟合最大轮廓，输出该最小圆的圆心位置与半径，作为轮毂测量半径，轮毂尺寸用圆心与半径进行度量，计算结果如图6所示。
S3：对轮毂内孔数量进行统计；具体步骤如下：
S31：对原轮毂图像
进行均值滤波，构建背景图像的近似值，具体为：采取
基于局部阈值分割算法对图像的背景进行近似建模，即对原轮毂图像
进行均值滤
波，滤波核半径选择为轮毂图像高度的
，得到背景图像的近似值
；
S32：基于上述两种图像（轮毂图像与背景图像），采用图像相除方法
计算出
，并将所有像素标准化到区间[0,255]以内，
并再次基于图像差分算法计算输出图像
：
，结果如图7
所示；
S33：对
进行分段线性变换，依据公式如下： 
并对该图像采用基于最大类间方差的阈值分割算法进行处理，具体算法流程如下所示：
步骤1. 计算输入图像的灰度直方图
并归一化为
；
步骤2. 遍历灰度直方图，计算累加直方图
； i取值为0-k，k取值为0-255，i，k都是常数，其取值范围是依据像素值在0-255确定的；
步骤3. 遍历灰度直方图计算一阶累加直方图
；
步骤4. 计算整张图片的平均灰度
；
步骤5. 计算
。
最后采用1次腐蚀1次膨胀操作，膨胀操作就是按如下公式求取原图像
局部
最大值作为新图像在该点处的像素值，输出图像
，
指的是
像素值不为0
的局部区域
的位置索引；
与膨胀操作相反，腐蚀操作取局部最小值。本步骤的输出结果如图8所示；
S34：由于螺纹孔具有圆的特性，同时面积较小，对检测出的轮廓滤除面积过大，纵横比不满足要求的轮廓，即可获得螺纹孔的轮廓，因此对上一步输出图像进行边缘检测，获取所有轮廓，然后计算所有轮廓的纵横比ϵ，并保留纵横比稳定在0.9<ϵ<1范围内的轮廓，消除面积过大的轮廓，最终获得螺纹孔，统计出螺纹孔个数即内孔数量，结果如图9所示。
上述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (1)
1.一种复杂产线背景中的轮毂参数特征提取方法，其特征是，包括以下步骤：
S1：从轮毂图像中分离滚道产线背景图像；
S2：对轮毂尺寸进行测量，对轮毂轮辐数量进行统计；
S3：对轮毂内孔数量进行统计；
步骤S1具体过程如下：
S11：图像传感器端采集的轮毂图像I(r，c)lun以及相应的背景图像I(r，c)ground作为输入图像；
S12：计算轮毂图像I(r，c)lun的灰度直方图Hist(I(r，c)lun)，基于灰度直方图分析，确定分割阈值为40，只保留图像中高于阈值的像素值；
S13：基于图像差分算法公式：O(r，c)＝I(r，c)lun-I(r，c)ground，计算分离滚道产线后的输出图像O(r，c)，并采用核尺寸大小为13的中值滤波算法对输出图像进行优化；
步骤S2具体过程如下：
S21：首先对步骤S1得到的图像进行Canny边缘检测，获取所有闭合轮廓；
S22：统计所有闭合轮廓数量，输出轮辐窗数量，轮辐窗数量为所有闭合轮廓数量-1；
S23：基于轮廓面积对所有闭合轮廓进行排序，输出面积最大的轮廓，并基于最小圆拟合算法拟合最大轮廓，输出该最小圆的圆心位置与半径，轮毂尺寸用圆心与半径进行度量；
所述S3具体步骤如下：
S31：对原轮毂图像I(r，c)lun进行均值滤波，构建背景图像的近似值，具体为：采取基于局部阈值分割算法对图像的背景进行近似建模，即对原轮毂图像I(r，c)lun进行均值滤波，滤波核半径选择为轮毂图像高度的
得到背景图像的近似值I′(r，c)ground；
S32：采用图像相除方法O′(r，c)＝I(r，c)lun/I′(r，c)ground计算出O′(r，c)，并将所有像素标准化到区间[0，255]以内，并再次基于图像差分算法计算输出图像O″(r，c)：
O″(r，c)＝I(r，c)lun-O′(r，c)；
S33：对O″(r，c)图像进行分段线性变换，并对该图像采用基于最大类间方差的阈值分割算法进行处理以及腐蚀膨胀操作；
S34：对步骤S33输出图像进行边缘检测，获取所有轮廓；计算所有轮廓的纵横比∈，并保留纵横比稳定在0.9＜∈＜1范围内的轮廓，最终获得螺纹孔，统计出螺纹孔个数即内孔数量；
对O″(r，c)图像进行分段线性变换，依据公式如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010551540.4A CN111445512B (zh) | 2020-06-17 | 2020-06-17 | 一种复杂产线背景中的轮毂参数特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010551540.4A CN111445512B (zh) | 2020-06-17 | 2020-06-17 | 一种复杂产线背景中的轮毂参数特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111445512A CN111445512A (zh) | 2020-07-24 |
| CN111445512B true CN111445512B (zh) | 2020-10-16 |
Family
ID=71653746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010551540.4A Active CN111445512B (zh) | 2020-06-17 | 2020-06-17 | 一种复杂产线背景中的轮毂参数特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111445512B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184600A (zh) * | 2020-08-18 | 2021-01-05 | 洛阳中信成像智能科技有限公司 | 一种混线生产线中的轮毂型号识别方法 |
| CN112308916B (zh) * | 2020-09-21 | 2024-03-26 | 广东电网有限责任公司广州供电局 | 一种基于图像靶标的目标位姿识别方法 |
| CN113160162B (zh) * | 2021-04-14 | 2022-02-18 | 深圳远荣智能制造股份有限公司 | 应用于工件的孔识别方法、孔识别装置和孔处理设备 |
| CN115082425A (zh) * | 2022-07-19 | 2022-09-20 | 深圳市信润富联数字科技有限公司 | 轮毂尺寸测量方法、装置、电子装置及可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10740595B2 (en) * | 2017-09-28 | 2020-08-11 | Nec Corporation | Long-tail large scale face recognition by non-linear feature level domain adaption |
| CN108596931A (zh) * | 2018-05-11 | 2018-09-28 | 浙江大学 | 一种基于Canny算子的噪声鲁棒轮毂边缘检测算法 |
-
2020
- 2020-06-17 CN CN202010551540.4A patent/CN111445512B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111445512A (zh) | 2020-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445512B (zh) | 一种复杂产线背景中的轮毂参数特征提取方法 | |
| CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
| CN109490316B (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
| CN116205919A (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
| Liang et al. | Defect detection of rail surface with deep convolutional neural networks | |
| CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析系统及方法 | |
| CN103530878A (zh) | 一种基于融合策略的边缘提取方法 | |
| CN109461141A (zh) | 一种工件缺胶检测方法 | |
| CN103886589A (zh) | 面向目标的自动化高精度边缘提取方法 | |
| CN111340824A (zh) | 一种基于数据挖掘的图像特征分割方法 | |
| CN103870808A (zh) | 一种手指静脉识别方法 | |
| CN108647722B (zh) | 一种基于过程尺寸特征的锌矿品位软测量方法 | |
| CN113870235A (zh) | 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法 | |
| CN116758077B (zh) | 一种冲浪板表面平整度在线检测方法及系统 | |
| CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及系统 | |
| CN116740044B (zh) | 基于视觉检测与控制的铜管铣面加工方法及系统 | |
| CN116485797A (zh) | 基于人工智能的涂料色差快速检测方法 | |
| CN113298798A (zh) | 基于特征融合的主轴颈缺陷检测方法 | |
| CN111489367B (zh) | 一种自动化选择轮毂二维码打码可行区域的定位方法 | |
| CN111738931A (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
| CN112102189B (zh) | 一种线结构光光条中心线提取方法 | |
| CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
| CN117197700B (zh) | 智能化无人巡检接触网缺陷识别系统 |
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 |