CN111462066A - 一种基于机器视觉的螺纹参数检测方法 - Google Patents
一种基于机器视觉的螺纹参数检测方法 Download PDFInfo
- Publication number
- CN111462066A CN111462066A CN202010236884.6A CN202010236884A CN111462066A CN 111462066 A CN111462066 A CN 111462066A CN 202010236884 A CN202010236884 A CN 202010236884A CN 111462066 A CN111462066 A CN 111462066A
- Authority
- CN
- China
- Prior art keywords
- thread
- image
- coordinate
- value
- complementary
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 230000000295 complement effect Effects 0.000 claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000005520 cutting process Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000003708 edge detection Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007619 statistical method 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
- G06T7/10—Segmentation; 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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
Abstract
本发明公开的一种基于机器视觉的螺纹参数检测方法,包括以下步骤:获取螺纹图像,并对螺纹图像调整相对坐标位置;对螺纹图像进行预处理,获得预处理螺纹图像;所述预处理包括二值化、裁剪、去噪、滤波、像素互补;将预处理螺纹图像以质心进行裁剪,得到裁剪互补螺纹图像;对裁剪互补螺纹图像进行边缘检测,提取裁剪互补螺纹图像的边缘轮廓;扫描裁剪互补螺纹图像,获取像素值坐标;根据像素值坐标,计算获得螺纹参数;本发明采用图像的像素作为计算依据,优化了非接触图像法测量螺纹的流程,将视野中的螺纹进行适当的裁剪,并设计算法将部分测量的参数放在一个螺纹单冠峰上面,简化了图像处理的过程,提高了图像法螺纹测量的适应性。
Description
技术领域
本发明涉及螺纹测量技术领域,特别涉及一种基于机器视觉的螺纹参数检测方法。
背景技术
机器视觉等图像法测量螺纹的参数具有耗时低,效率高,对检测人员的专业知识要求不高的特点。该方法能一次性获取图像中多项螺纹的参数。随着工业相机和镜头的处理速度和分辨率等性能不断提高,非接触式的图像处理来检测螺纹参数开始被广泛的运用到工业生产中。然而,由于在生产过程中螺纹的牙型误差,和受获取图像时螺纹安装水平影响,被测螺纹轴线很难与图像坐标系坐标轴完全平行,使得用图像法求解螺纹参数变得十分困难。对于图像法螺纹参数检测而言,找到一种实效的螺纹参数求解方法就变得非常迫切。
发明内容
本发明的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参数检测方法,直接采用图像的像素作为计算依据,减少了传统测量中人为的误差,简化了图像处理的过程,提高了图像法螺纹测量的适应性。
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参数检测方法,其特征在于,包括以下步骤:
S1、获取螺纹图像,并对螺纹图像调整相对坐标位置;
S2、对螺纹图像进行预处理,获得预处理螺纹图像;所述预处理包括二值化、裁剪、去噪、滤波、像素互补;
S3、将预处理螺纹图像以质心进行裁剪,得到裁剪互补螺纹图像;
S4、对裁剪互补螺纹图像进行边缘检测,提取裁剪互补螺纹图像的边缘轮廓;
S5、扫描裁剪互补螺纹图像,获取像素值坐标;
S6、根据像素值坐标,计算获得螺纹参数。
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,若螺纹轴线和坐标轴水平线不平行,按照螺纹图像中螺纹牙两侧投影线延伸交点间的连线,计算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:
对螺纹图像进行二值化处理,即给螺纹图像定一个阈值,使螺纹图像转化为二值图像,通过OTSU算法,把螺纹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,将白色像素值比例占总像素50%以上的部分裁剪,得到裁剪图像;
去噪:把噪声分为频率域噪声和空间域噪声,对于频率域噪声,使用低通滤波器进行处理;对于空间域噪声,使用平均滤波和中值滤波进行处理;
滤波:采用微纳滤波法对图像进行处理;构建维纳公式如下:
像素互补:将维纳滤波后图像的灰度值进行颠倒,即把该图像白色区域变成黑色区域,把黑色区域变成白色区域,得到互补图像。
进一步地,所述去噪,其微纳滤波窗口为K,K小于5。
进一步地,所述步骤S3具体为:
将预处理螺纹图像以质心进行裁剪,得到裁剪螺纹图像;即把预处理螺纹图像对于互补图像质心像素值的列坐标和横坐标进行剪裁,以质心对称,得到剪裁互补螺纹图像。
进一步地,所述步骤S4具体为,对裁剪互补螺纹图像使用sobel算子进行边缘检测,即sobel算子把裁剪互补螺纹图像中每个像素的邻域灰度值进行加权差运算,使用离散性差分算子,得到图像亮度函数梯度的近似值,得到光滑连续边缘,即裁剪互补螺纹图像边缘,利用Sobel算子计算如下:
Δxf(x,y)=[f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]
Δyf(x,y)=[f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)]-[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)]
其中,Sobel算子为二维算子,该算子包含两个方向的3×3的矩阵,分别为横向卷积因子Gx和纵向卷积因子Gy,Gx和Gy向卷积分别与图像做平面卷积,即可得到横向及纵向的图像梯度值Δxf(x,y)和Δyf(x,y),假设待处理图像的某个像素点f(x,y)周围的像素为A如下所示:
Δxf(x,y)=Gx·A=[f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]
Δyf(x,y)=Gy·A=[f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)]-[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)] ;
通过裁剪互补螺纹图像边缘,计算出半小径,半小径=图像的高-最大行坐标,即小径=2*半小径;螺牙深度=(大劲-小径)/2,,牙顶高=牙底高=螺牙深度/2。
进一步地,所述步骤S5具体为:
S501、对裁剪互补螺纹图像扫描得到非零像素的行和列坐标;
S502、把每列的非零像素的序号放在一个数列里面;
S503、扫描每一行,当某一行的值等于白色像素的最小行坐标时,则保存此时对应列坐标的值,同时记录当前列的序号,此时获取到的是螺纹表面的波峰的坐标A(xa,ya);
S504、记录行的序号,扫描从所获得的白色最小值像素的序号之后开始,当最大值的行坐标等于该行的值的时候,记录此时的行值和列值,此时获取到的是螺纹表面的波谷的坐B(xb,yb);
计算出半小径,半小径=(图像下边界线坐标—xb),由于对称性,所以螺纹的小径=2*半小径;半大径=(图像下边界线坐标—xa),同理螺纹的大径=2* 半大径,螺牙深度=(大径-小径)/2,牙顶高=牙底高=螺牙深度/2,中径=小径+螺牙深度。
进一步地,所述步骤S6具体为:
根据最大像素的列坐标对应的行列值和最小像素值列坐标对应的行列值;剪裁检测到裁剪互补螺纹图像的边缘,并根据所得到的坐标值得到螺纹的单冠峰;
根据计算出的中径作出一条中径线,中径和单冠峰的两个交点之间的距离:
牙侧角为牙型角α的一半,已知A、P1、P2点的坐标,而由上可知|P1P2|=S;
由三角函数关系可知:
|P1P2|=S
根据牙侧角的值,求出牙型角α:α=2γ=arcsin[(S)/2(|AP1|)]。
本发明与现有技术相比,具有如下优点和有益效果:
本发明提供一种基于机器视觉的螺纹参数检测方法,这种方法直接采用图像的像素作为计算依据,减少了传统测量中人为的误差。并且采用远心镜头收集螺纹的图像,能有效的解决传统工业镜头的视差,使得精度能得到保障。优化了非接触图像法测量螺纹的流程,将视野中的螺纹进行适当的裁剪,并设计算法将部分测量的参数放在一个螺纹单冠峰上面,简化了图像处理的过程,提高了图像法螺纹测量的适应性,把未来机器视觉的在线检测推向实际应用提供了一个新思路。
附图说明
图1为本发明所述一种基于机器视觉的螺纹参数检测方法的流程图;
图2(a)(b)(c)为判别图像中螺纹轴线是否和坐标轴平行并进行调整示意图;
图3为本发明所述实施例中对螺纹图像进行裁剪示意图;
图4为本发明所述实施例中维纳滤波器滤波流程的示意图;
图5为本发明所述实施例中对图像进行滤波处理使用的不同尺寸算子示意图;
图6为本发明所述实施例中对滤波后的图像进行互补图像处理示意图;
图7为本发明所述实施例中是以质心为中点对螺纹图像进行1/4剪裁操作示意图;
图8为本发明所述实施例中对螺纹图像进行边缘检测处理示意图;
图9为本发明所述实施例中对螺纹像素坐标扫描生成示意图;
图10为本发明所述实施例中螺纹图像的单冠峰图。
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。
一种基于机器视觉的螺纹参数检测方法,如图1所示,包括以下步骤:
第一步:使用采集图像的方法进行螺纹测量的系统来说,首先根据采集螺纹图像与图像坐标系对比,可以划分为以下两种情况。第一种情况见图2(a) 所示,采集图像中的螺纹轴线o'o'与图像坐标系的坐标轴平行。第二种情况见图 2(b)所示,当图像中的螺纹轴线o'o'与图像坐标系的坐标轴不平行时,因为螺纹工作面为螺纹牙两侧螺旋面,按照图像中螺纹牙两侧投影线延伸交点间连线的方法可以求解出螺纹轴线与图像坐标系夹角θ,见图2(c),把图像以θ角度旋转,使得螺纹轴线和坐标系水平轴平行。
剪裁图像,将拍出来的灰度图像进行适当的裁剪,因为测量的螺纹参数的数量级在毫米级别,所以要保证测量的螺纹在整个图片视野里的大小适中,方便我们进行检测螺纹参数的操作流程,提高测量数据的准确率,同时对图像进行二值化,选择OTSU算法,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,见图3。
由于图像采集装置和周围光照环境的影响等外部因素,采集到的图像会出现不同程度的噪声点。在图像的采集过程中,噪声在频率域和空间域对图像都有影响,对空间域的噪声,一般使用平均滤波或者是中值滤波,而在频率域中,因为噪声的幅度在高频带宽上面,所以使用低通滤波器来减少噪声对图像的影响。
将图像通过实验算法对比,并分析不同的参数对去噪效果的影响,最后采用维纳滤波算法,它对高斯噪声给图像带来的影响起到了恢复作用。维纳滤波是一种统计方法,它用优准则是基于图像和噪声各自的相关矩阵,该方法能根据图像的局部方差调整滤波器的输出,局部方差最大,滤波器的平滑作用就越强,维纳滤波能最大限度从受干扰信号中滤除噪声信号,提取有用信号。
维纳滤波的滤波过程是平稳随机的过程,要求滤波器的输入信号统计特性已知。基本维纳滤波器的工作过程就是在均方误差最小的前提下求得滤波器的冲激响应g(x),即维纳—霍夫方程的解,维纳滤波的滤波示意图如图4所示。
假设图4中滤波器的输入受噪声干扰的图像信号为:s(x)=f(x)+ε(x),其中 f(x)表示图像有用信号,ε(x)表示噪声信号,对图像信号滤波的结果是希望在经过滤波器后得到的去噪图像信号f'(x)与图像有用信号f(x)之间的误差最小,称 f'(x)为f(x)的估计值。用e(x)来表示它们之间的误差,即e(x)=f'(x)-f(x),此时均方误差最小即e(x)的平方的期望最小,即ε2=E[e2(x)],计算该式子的最小值。
为了进一步优化维纳滤波器对图像噪声点的去除效果,选择不同的参数对图像所含的噪声图像进行去噪处理并对比去噪的效果。如图5所示,分别选择 3×3 6×6 9×9 12×12四种不同的参数,当选择维纳滤波窗口越大时,维纳滤波对图像的伤害越严重,细节部分大量丢失,综合而言当维纳滤波窗口为3 的时候,去噪效果最好。
进行互补图像处理,对图像进行图像像素互补的操作,将图像的灰度值进行颠倒,原来图像白色区域变成黑色区域,黑色区域变成白色区域,处理好的图像我们称为互补图像,如图6所示。
对图像进行剪裁,能简化我们的计算复杂度。将图像相对于其质心像素点的列坐标和横坐标进行剪裁,所以该图像以质心对称,得到1/4的互补图像,如图7所示。
根据剪裁获得的图像,扫描图像得到像素非零值的最大行和最小行的值,可以计算出半大径=最大行像素坐标-最小行像素坐标,可得大径=2*半大径。
接下来对图像使用sobel算子进行边缘检测,sobel算子把图像中的每个像素点的上下左右四个邻域的灰度值进行加权差,使用离散性差分算子,得到图像亮度函数梯度的近似值,最终得到光滑连续的边缘,如图8所示。
S12:该算法是先进行加权平均,然后进行微分运算;具体算子如下:
Δxf(x,y)=[f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]
Δyf(x,y)=[f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)]-[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)]
通过sobel算子处理后得到图像的边缘轮廓,可以计算出半小径=图像的高- 最大行坐标,则小径=2*半小径。
为了计算螺纹其他参数,得到精确的参数结果,设计以下算法,把螺纹精确分割使其只留下一个单冠峰,只关注白色像素(非零像素)构成的螺纹,具体步骤如下:
S501、对裁剪互补螺纹图像扫描得到非零像素的行和列坐标;
S502、把每列的非零像素的序号放在一个数列里面;
S503、扫描每一行,当某一行的值等于白色像素的最小行坐标时,则保存此时对应列坐标的值,同时记录当前列的序号,此时获取到的是螺纹表面的波峰的坐标A(xa,ya);
S504、记录行的序号,扫描从所获得的白色最小值像素的序号之后开始,当最大值的行坐标等于该行的值的时候,记录此时的行值和列值,此时获取到的是螺纹表面的波谷的坐B(xb,yb);对图8进行扫描出来的效果图如图9所示:
如图9所示,设检测出来的波峰为A(xa,ya),波谷为B(xb,yb)。计算出半小径,半小径=(图像下边界线坐标—xb),由于对称性,所以螺纹的小径=2*半小径;半大径=(图像下边界线坐标—xa),同理螺纹的大径=2*半大径,螺牙深度=(大径-小径)/2,牙顶高=牙底高=螺牙深度/2,中径=小径+螺牙深度。
进一步地:
根据最大像素的列坐标对应的行列值和最小像素值列坐标对应的行列值;剪裁检测到裁剪互补螺纹图像的边缘,并根据所得到的坐标值得到螺纹的单冠峰,如图10所示;
根据计算出的中径作出一条中径线,中径和单冠峰的两个交点之间的距离:
牙侧角为牙型角α的一半,已知A、P1、P2点的坐标,而由上可知|P1P2|=S;
由三角函数关系可知:
|P1P2|=S
根据牙侧角的值,求出牙型角α:α=2γ=arcsin[(S)/2(|AP1|)]。
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参数检测方法,其特征在于,包括以下步骤:
S1、获取螺纹图像,并对螺纹图像调整相对坐标位置;
S2、对螺纹图像进行预处理,获得预处理螺纹图像;所述预处理包括二值化、裁剪、去噪、滤波、像素互补;
S3、将预处理螺纹图像以质心进行裁剪,得到裁剪互补螺纹图像;
S4、对裁剪互补螺纹图像进行边缘检测,提取裁剪互补螺纹图像的边缘轮廓;
S5、扫描裁剪互补螺纹图像,获取像素值坐标;
S6、根据像素值坐标,计算获得螺纹参数。
2.根据权利要求1所述的一种基于机器视觉的螺纹参数检测方法,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,若螺纹轴线和坐标轴水平线不平行,按照螺纹图像中螺纹牙两侧投影线延伸交点间的连线,计算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2所述的一种基于机器视觉的螺纹参数检测方法,其特征在于,所述步骤S2具体为:
对螺纹图像进行二值化处理,即给螺纹图像定一个阈值,使螺纹图像转化为二值图像,通过OTSU算法,把螺纹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,将白色像素值比例占总像素50%以上的部分裁剪,得到裁剪图像;
去噪:把噪声分为频率域噪声和空间域噪声,对于频率域噪声,使用低通滤波器进行处理;对于空间域噪声,使用平均滤波和中值滤波进行处理;
滤波:采用微纳滤波法对图像进行处理;构建维纳公式如下:
像素互补:将维纳滤波后图像的灰度值进行颠倒,即把该图像白色区域变成黑色区域,把黑色区域变成白色区域,得到互补图像。
4.根据权利要求3所述的一种基于机器视觉的螺纹参数检测方法,其特征在于,所述去噪,其微纳滤波窗口为K,K小于5。
5.根据权利要求3所述的一种基于机器视觉的螺纹参数检测方法,其特征在于,所述步骤S3具体为:
将预处理螺纹图像以质心进行裁剪,得到裁剪螺纹图像;即把预处理螺纹图像对于互补图像质心像素值的列坐标和横坐标进行剪裁,以质心对称,得到剪裁互补螺纹图像。
6.根据权利要求1所述的一种基于机器视觉的螺纹参数检测方法,其特征在于,所述步骤S4具体为,对裁剪互补螺纹图像使用sobel算子进行边缘检测,即sobel算子把裁剪互补螺纹图像中每个像素的邻域灰度值进行加权差运算,使用离散性差分算子,得到图像亮度函数梯度的近似值,得到光滑连续边缘,即裁剪互补螺纹图像边缘,利用Sobel算子计算如下:
Δxf(x,y)=[f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]
Δyf(x,y)=[f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)]-[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)]
其中,Sobel算子为二维算子,该算子包含两个方向的3×3的矩阵,分别为横向卷积因子Gx和纵向卷积因子Gy,Gx和Gy向卷积分别与图像做平面卷积,即可得到横向及纵向的图像梯度值Δxf(x,y)和Δyf(x,y),假设待处理图像的某个像素点f(x,y)周围的像素为A如下所示:
Δxf(x,y)=Gx·A=[f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]
Δyf(x,y)=Gy·A=[f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)]-[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)];
通过裁剪互补螺纹图像边缘,计算出半小径,半小径=图像的高-最大行坐标,即小径=2*半小径;螺牙深度=(大劲-小径)/2,,牙顶高=牙底高=螺牙深度/2。
7.根据权利要求1所述的一种基于机器视觉的螺纹参数检测方法,其特征在于,所述步骤S5具体为:
S501、对裁剪互补螺纹图像扫描得到非零像素的行和列坐标;
S502、把每列的非零像素的序号放在一个数列里面;
S503、扫描每一行,当某一行的值等于白色像素的最小行坐标时,则保存此时对应列坐标的值,同时记录当前列的序号,此时获取到的是螺纹表面的波峰的坐标A(xa,ya);
S504、记录行的序号,扫描从所获得的白色最小值像素的序号之后开始,当最大值的行坐标等于该行的值的时候,记录此时的行值和列值,此时获取到的是螺纹表面的波谷的坐B(xb,yb);
计算出半小径,半小径=(图像下边界线坐标—xb),由于对称性,所以螺纹的小径=2*半小径;半大径=(图像下边界线坐标—xa),同理螺纹的大径=2*半大径,螺牙深度=(大径-小径)/2,牙顶高=牙底高=螺牙深度/2,中径=小径+螺牙深度。
8.根据权利要求7所述的一种基于机器视觉的螺纹参数检测方法,其特征在于,所述步骤S6具体为:
根据最大像素的列坐标对应的行列值和最小像素值列坐标对应的行列值;剪裁检测到裁剪互补螺纹图像的边缘,并根据所得到的坐标值得到螺纹的单冠峰;
根据计算出的中径作出一条中径线,中径和单冠峰的两个交点之间的距离:
牙侧角为牙型角α的一半,已知A、P1、P2点的坐标,而由上可知|P1P2|=S;
由三角函数关系可知:
|P1P2|=S
根据牙侧角的值,求出牙型角α:α=2γ=arcsin[(S)/2(|AP1|)]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236884.6A CN111462066B (zh) | 2020-03-30 | 2020-03-30 | 一种基于机器视觉的螺纹参数检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236884.6A CN111462066B (zh) | 2020-03-30 | 2020-03-30 | 一种基于机器视觉的螺纹参数检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462066A true CN111462066A (zh) | 2020-07-28 |
CN111462066B CN111462066B (zh) | 2023-04-21 |
Family
ID=71679286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010236884.6A Active CN111462066B (zh) | 2020-03-30 | 2020-03-30 | 一种基于机器视觉的螺纹参数检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462066B (zh) |
Cited By (7)
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 |
CN112629407A (zh) * | 2020-11-24 | 2021-04-09 | 西安理工大学 | 基于图像分析的螺纹钢尺寸测量方法 |
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 |
CN114235688A (zh) * | 2021-11-23 | 2022-03-25 | 德创智控科技(苏州)有限公司 | 一种针对手机边框的螺纹及螺牙视觉检测系统及方法 |
CN116718791A (zh) * | 2023-04-13 | 2023-09-08 | 东莞市杜氏诚发精密弹簧有限公司 | 扭矩弹簧的转速检测方法、设备、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993787A (zh) * | 2019-02-20 | 2019-07-09 | 陕西理工大学 | 一种图像法螺纹中径求解方法 |
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 |
-
2020
- 2020-03-30 CN CN202010236884.6A patent/CN111462066B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993787A (zh) * | 2019-02-20 | 2019-07-09 | 陕西理工大学 | 一种图像法螺纹中径求解方法 |
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 |
Cited By (11)
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 |
CN112629407A (zh) * | 2020-11-24 | 2021-04-09 | 西安理工大学 | 基于图像分析的螺纹钢尺寸测量方法 |
CN112629407B (zh) * | 2020-11-24 | 2024-03-22 | 西安理工大学 | 基于图像分析的螺纹钢尺寸测量方法 |
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 |
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 |
CN114235688A (zh) * | 2021-11-23 | 2022-03-25 | 德创智控科技(苏州)有限公司 | 一种针对手机边框的螺纹及螺牙视觉检测系统及方法 |
CN116718791A (zh) * | 2023-04-13 | 2023-09-08 | 东莞市杜氏诚发精密弹簧有限公司 | 扭矩弹簧的转速检测方法、设备、系统及存储介质 |
CN116718791B (zh) * | 2023-04-13 | 2024-04-26 | 东莞市杜氏诚发精密弹簧有限公司 | 扭矩弹簧的转速检测方法、设备、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111462066B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462066B (zh) | 一种基于机器视觉的螺纹参数检测方法 | |
CN109003258B (zh) | 一种高精度亚像素圆形零件测量方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN108921865B (zh) | 一种抗干扰的亚像素直线拟合方法 | |
CN111968144B (zh) | 一种图像边缘点获取方法及装置 | |
CN107203973B (zh) | 一种三维激光扫描系统中线激光中心的亚像素定位方法 | |
CN109060836B (zh) | 基于机器视觉的高压油管接头外螺纹检测方法 | |
CN111353993B (zh) | 一种基于机器视觉的螺纹角度测量方法 | |
CN104331876B (zh) | 直线检测、图像处理的方法及相关装置 | |
CN108416809B (zh) | 一种基于机器视觉的钢桶螺纹盖位姿识别方法 | |
CN110569857B (zh) | 一种基于质心距离计算的图像轮廓角点检测方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN110717909A (zh) | 一种金属表面划痕检测方法与装置 | |
CN106875430B (zh) | 动态背景下基于固定形态的单一运动目标追踪方法和装置 | |
CN105787912B (zh) | 一种基于分类的阶跃型边缘亚像素定位方法 | |
CN115096206A (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN106778766B (zh) | 一种基于定位点的旋转数字识别方法及系统 | |
CN109671084B (zh) | 一种工件形状的测量方法 | |
CN112330667B (zh) | 一种基于形态学的激光条纹中心线提取方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN116485884B (zh) | 基于计算机视觉的精酿啤酒瓶口实时定位方法及系统 | |
CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 | |
CN113658153B (zh) | 一种轮廓数据特征点检测方法及装置 | |
CN111191534B (zh) | 一种模糊航空图像中的道路提取方法 |
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 |