CN111583114A - 一种管道螺纹自动测量装置及测量方法 - Google Patents

一种管道螺纹自动测量装置及测量方法 Download PDF

Info

Publication number
CN111583114A
CN111583114A CN202010362170.XA CN202010362170A CN111583114A CN 111583114 A CN111583114 A CN 111583114A CN 202010362170 A CN202010362170 A CN 202010362170A CN 111583114 A CN111583114 A CN 111583114A
Authority
CN
China
Prior art keywords
image
point
thread
diameter
value
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
CN202010362170.XA
Other languages
English (en)
Other versions
CN111583114B (zh
Inventor
吴玉秀
张东红
刘航宇
朱一凡
彭艳
朱小强
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.)
Anhui University of Technology AHUT
Original Assignee
Anhui University of Technology AHUT
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 Anhui University of Technology AHUT filed Critical Anhui University of Technology AHUT
Priority to CN202010362170.XA priority Critical patent/CN111583114B/zh
Publication of CN111583114A publication Critical patent/CN111583114A/zh
Application granted granted Critical
Publication of CN111583114B publication Critical patent/CN111583114B/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
    • G06T7/10—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
    • 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
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

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 Processing (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种管道螺纹自动测量装置及测量方法，属于计算机视觉技术领域。本发明利用工业相机分段对螺纹进行测量，同时使用激光做基准线，保证工业相机拍摄时图像能够处于同一维度内。获得螺纹图像后，先对一段图像中的螺纹图像进行螺高和螺距的提取，提取完成后，利用图像拼接和图像融合算法，将每一段获得的螺高和螺距拼接融合，获取整个螺纹的数据。图像拼接和图像融合算法，能够解决单一图像信息的不确定问题，且每次采集螺纹的一小块区域，然后通过平移得到螺纹的全景图像，即给出螺纹在平移过程中每一区域的螺纹信息，增加数据的可靠性。本发明不仅可以测量大零件，也可以适用小物体的图像检测。

Description

一种管道螺纹自动测量装置及测量方法
技术领域
本发明涉及计算机视觉技术领域，更具体地说，涉及一种管道螺纹自动测量装置及测量方法。
背景技术
螺纹检测方法主要有接触式和非接触式两种。接触式检测又包括对螺纹的综合评估(如量规)和对单个或少量几何参数的测量(如量针法)。而非接触式的测量方法，主要是利用螺纹表面的光学信息来进行检测。目前制造业主要使用接触式测量对螺纹进行检测，但是在深海螺纹本身体积较大和要求精度较高的情况下，接触式检测的效果不佳，很难保证测量的精度。
基于此，随着图像处理技术的快速发展和新型光学元件与光源的不断涌现，机器视觉测量技术越来越多的得到应用，该技术能够高精度、自动化的检测螺纹。目前国内主要有天津大学的左建中、刘峰等在2006年提出一种检测螺纹的机器视觉系统，该系统实现了对螺纹多个单项参数的测量，文章深入研究了测量方法的流程，介绍了螺纹图像处理过程和螺纹参数提取方法，并对测量系统的误差做了分析。电子科技大学的姜籍翔在2014年设计了一种全新的检测系统，该系统采用了两个相机来完成螺纹参数的测量，研究了图像处理和参数提取的相关算法，详细分析了测量系统各个部分对检测结果的误差影响。浙江大学的马睿在2019年提出基于图像的外螺纹参数综合检测方法研究，文中通过对检测平台进行改进使得被测件可以连续转动，通过CCD相机得到一系列螺纹参数的特征点，重建螺纹的三维线框模型，拟合螺纹线从轴向和径向对被测件进行综合检测，使得提取到的参数误差较小。但是由于这些检测系统和算法都是采用被测件是小螺纹，对于深海螺纹等大零件，这些检测系统和算法都不能很好地完成检测效果。考虑到深海螺纹应用环境的复杂性，其更换难度大且成本高，若产品不合格造成石油泄漏，会对海水污染造成非常严重的后果，赔偿的代价巨大。
经检索，中国专利申请号：201910133017.7，申请日为：2019年2月22日，发明名称为：一种基于机器视觉和虚拟仪器的外螺纹多参数评定方法。该申请案的方法步骤如下：通过图像处理得到外螺纹边缘，采用LabVIEW编程提取特征点牙顶点和牙底点，将外螺纹的牙顶点进行最小二乘拟合直线l1和l4，牙底点进行最小二乘拟合直线l2和l3，牙顶点到对边拟合线的距离的平均值得到大径，牙底点到对边拟合线的距离平均值得到小径，做l1、l2两条直线的中线k1和l3、l4两条直线的中线k2，两直线k1k2之间的距离为外螺纹中径，通过求中径线和牙侧线之间的距离得到螺距。该申请案可对螺纹进行非接触式测量，但是该申请案同样只能对小螺纹进行测量，当螺纹尺寸过大，该申请案便不能保证测量的螺纹的精度。
发明内容
1.发明要解决的技术问题
针对现有检测系统和算法只能检测小螺纹的局限性，本发明提供一种管道螺纹自动测量装置及测量方法，本发明利用激光做基准线，分段对螺纹进行测量，再通过图像拼接和图像融合获取整个螺纹的数据，根据具体需求选择合适的程序，对具体数据进行分析处理，从而使处理结果更加准确。
2.技术方案
为达到上述目的，本发明提供的技术方案为：
本发明的一种管道螺纹自动测量装置，包括底板和支架，所述的底板安装于支架的底部；还包括伺服电机、工业相机、滑块和激光器；所述的工业相机通过滑块安装在支架上；所述的伺服电机设置多个，其中，2个伺服电机控制滑块移动，驱动滑块带动工业相机沿水平方向运动；2个伺服电机设置在滑块上，控制工业相机沿竖直方向运动；所述的激光器一端固定于支架上，另一端为移动端，由一伺服电机驱动。
更进一步地，所述的滑块安装在滑台上，该滑台设置在支架上，滑台与伺服电机连接，由伺服电机驱动滑台在支架上移动。
更进一步地，所有伺服电机均与控制面板连接，由控制面板控制伺服电机进行动作；所述的控制面板与计算机连接。
利用上述装置进行的管道螺纹自动测量的方法，其步骤为：
步骤一、对通过相机获得的图像进行预处理，对图像进行滤波、灰度转化、锐化处理，并对图像进行阈值变换，将图像与背景分开；
步骤二、在图片预处理的基础上，对图中螺纹进行边缘粗提取；
步骤三、对提取的图像进行8邻接处理和细化处理；
步骤四、在提取出螺纹边缘的图像上进行螺纹螺距与螺高的提取；
步骤五、利用图像拼接与图像融合算法将不同区域内提取的螺纹螺距与螺高拼接融合，获得整个螺纹的长度信息。
更进一步地，所述的步骤一中，先利用式(3)对图像进行中值滤波，
g(x,y)＝med{f(x-k,y-l),(k,l∈W)} (3)
式中，f(x,y)，g(x,y)分别为原始图像和滤波后图像，W为输入的二维模板，k、l为模板的二维数据序列；
再利用式(4)将彩色图像转化为灰度图像，
Gray＝R*0.299+G*0.587+B*0.114 (4)
其中，R、G、B为彩色图像红、绿、蓝三个颜色通道的像素值；
为使图像清晰，利用Sobel算子对图像进行锐化，计算过程如式(5)、(6)、(7)，
Gx＝[g(x+1，y-1)+2*g(x+1，y)+g(x+1，y+1)]-[g(x-1，y-1)+2*g(x-1，y)+g(x-1，y+1)] (5)
Gy＝[g(x-1，y-1)+2*g(x，y-1)+g(x+1，y-1)]-[g(x-1，y+1)+2*g(x，y+1)+g(x+1，y+1)] (6)
Figure BDA0002475484630000031
式中，Gx，Gy分别表示为横向及纵向边缘检测的图像灰度值，g(a，b)表示图像(a，b)点的灰度值，G为图像在每一点上的灰度值的近似梯度；
最后设定合适的阈值，对图像进行阈值变换，将图像与背景分开；对于图像G(x，y)，前景和背景的分割阈值为T，属于前景的像素点数占整幅图像的比例为ω1，其平均灰度μ1；背景像素点数占整幅图像的比例为ω2，其平均灰度为μ2；图像的总平均灰度为μ，类间方差为σ，图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N1，像素灰度大于阈值T的像素个数记作N2，通过式(8)、(9)、(10)、(11)计算得到类间方差σ，
Figure BDA0002475484630000032
N1+N2＝M×N，ω1+ω2＝1 (9)
μ＝μ1×ω1+μ2×ω2，σ＝ω1×(μ-μ1)2+ω2×(μ-μ2)2 (10)
σ＝ω1×ω2×(μ1-μ2)2 (11)
通过式(11)，通过遍历像素值的方法得到不同的类间方差，由这些类间方差比较出类间方差的最大值，最大值对应的灰度就是最佳阈值T。
更进一步地，所述的步骤二中，利用Canny算子对图像进行边缘检测，先利用高斯滤波器进行平滑滤波，抑制图像噪声，然后使用非极值抑制算法，细化平滑后的图像梯度幅值矩阵，寻找图像中的可能边缘点，最后利用双门限检测通过双阈值递归寻找图像边缘点，实现图像中螺纹边缘粗提取。
更进一步地，所述的步骤三中，采用8邻接处理，判断提取的图像中某一像素周围八个像素是否连通；同时使用“Zhang并行快速细化算法”对经8邻接处理过的图像的轮廓曲线进行细化处理。
更进一步地，所述的步骤四中，对于螺距的提取，利用相邻两顶径之间的距离计算螺距，采用遍历像素值的方法，寻找像素值为255的点并保存其坐标值，该点为第一个顶径点；再次同样的方法寻找第二个顶径点，并保存其坐标值；第二次检测到像素值为255对应的坐标减去第一次检测到像素值为255对应的坐标即为螺距；
对于螺高的提取，利用螺纹大径与小径进行计算，具体步骤如下：
S1、将螺纹的边界划分为左边界、右边界，并分别储存左右边界集；
S2、将所有左右螺纹边界点求平均值作为中心点，也作为螺纹边界的原点，并对边界进行中值滤波，得到滤波后的边界点；
S3、采用最小二乘法拟合所有顶径点为顶径直线，拟合所有底径点为底径直线，顶径和底径直线的中线确定为螺纹边界的拟合直线；
S4、分别计算平行于左边界拟合直线且过中心点的直线，和平行于右边界拟合直线且过中心点的直线；
S5、计算左边界各点到中心点的直线的距离，找出其中的极大值、极小值，保存极大值索引值的与极小值索引值；右边界做相同处理；
S6、通过极值点的索引值找到大径和小径在滤波前所对应的点坐标，储存左边界大径、小径对应的坐标点；右边界的处理相同；
S7、通过大径对应的坐标点，拟合出左边界所有大径点的直线，右边界处理同左边；计算左边界大径对应点到右边界大径坐标点对应的拟合直线的距离，得到左边界大径各点的直径；计算右边界大径点到左边界大径的坐标点对应的拟合直线的距离，得到右边界大径各点的直径值；取平均值得到平均大径ML；用同样的方式获取平均小径MS，则螺高Height为
Height＝(ML-MS)×0.5 (12)。
更进一步地，所述的步骤五中，利用SURF算法实现图像拼接，针对图像像素G(x，y)，首先求出第一帧图像和后一帧图像上各自图像中每一个像素点的海森矩阵H，选用二阶标准高斯函数作为滤波器，计算出H矩阵的三个矩阵元素L_xx、L_xy、L_yy，进而计算出H矩阵：
Figure BDA0002475484630000041
高斯滤波后，H矩阵的计算如下，
L(x，t)＝S(t)·G(x，t) (16)
其中，L(x，t)是一幅图像在不同解析度下的表示，S(t)为高斯核，高斯核的计算公式如式(17)，
Figure BDA0002475484630000042
其中，s(x)为高斯函数，t为高斯方差；
将经过海森矩阵处理的每一个像素点与其同一幅图像中的周围的像素点进行比较，利用H矩阵的判别式判定该店是否为最大值或最小值，是则保留作为特征点，反之剔除；H矩阵的判别式为
Figure BDA0002475484630000051
得到两幅图像各自特征点集后，利用最近邻搜索算法进行图像的配准；首先利用SURF算法提取出的特征点，建立KD-tree，然后在待匹配图像上选取一点K，采用BBF算法遍历KD-tree，分别按照式(18)计算K与该KD-tree中每个点的欧式距离，找到与点K的欧式距离最小的两个关键点并且记录欧式距离的值；最后按照式(19)计算最小欧氏距离与次小欧式距离的比值，若该值小于阈值T，则认为欧氏距离最小的那个点与点K相匹配，反之不匹配；
Figure BDA0002475484630000052
Figure BDA0002475484630000053
其中，N代表特征向量的维数，Dmin1、Dmin2分别代表KD-tree中的点距离K的最小值和次小值；
找到匹配对后，利用findHomography函数求得变换矩阵M，即完成图像拼接；变换矩阵M为
Figure BDA0002475484630000054
其中参数m0～m7由findHomography函数处理得到；之后使用随机抽样一致算法剔除可能造成错误匹配的点对。
更进一步地，所述的步骤五中，在进行图像融合时，使用加权融合对图像进行融合，融合图像I在点(x，y)处的像素值可由式(21)求得：
Figure BDA0002475484630000055
其中，I1、I2分别为参考图像和待拼接图像，R1、R3分别代表参考图像和待拼接图像中未参与配准的区域，R2代表参与配准的区域，即图像的重合区域；
Figure BDA0002475484630000056
分别代表参考图像和待拼接图像中重合部分对应像素的权值，并且有
Figure BDA0002475484630000057
3.有益效果
采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：
(1)鉴于现有的螺纹检测系统和算法只能检测小螺纹，不能很好的检测大螺纹数据的问题，本发明提供一种管道螺纹自动测量装置及测量方法，利用工业相机分段拍摄管道螺纹，提取每一段螺纹的螺高和螺距，再通过图像拼接和图像融合算法，将每一段获得的螺高和螺距拼接融合，获取整个螺纹的数据。图像拼接和图像融合算法，能够解决单一图像信息的不确定性问题；且每次采集螺纹的一小块区域，然后，通过平移得到螺纹的全景图像，即给出螺纹在平移过程中每一区域的螺纹信息，增加数据的可靠性。
(2)本发明的自动测量装置采用激光作为基准线，保证在螺纹平移的过程中，相机拍摄到的图像处于同一维度内，保证了图像在采用拼接与融合算法时，螺纹整体图像能够保持完整。同时，本发明采用多个工业相机单元，能够给出在全景图像中螺纹的真实长度。
(3)本发明采用低通滤波器可滤除图像的噪声，高通滤波器用来锐化图像边缘，突出螺纹的轮廓信息。即提高图像轮廓的清晰性，同时也提高了数据的稳定性与可靠性。本发明所搭建的平台，不仅可以测量直径大于60mm的大零件，而且同样也适用被测件是小螺纹等其他小物体的图像检测。
附图说明
图1为本发明测距系统中LED灯位置示意图；
图2为本发明测距系统的整体结构示意图；
图3为本发明检测算法的基本原理流程框图；
图4为本发明螺纹大径和小径提取算法流程框图。
示意图中的标号说明：1、LED灯；2、底板；3、支架；4、伺服电机；5、工业相机；6、滑块；7、滑台；8、激光器；9、控制面板；10、计算机。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。
实施例1
结合图2，本实施例的一种管道螺纹自动测量装置，包括底板2和支架3，所述的底板2安装于支架3的底部。还包括伺服电机4、工业相机5、滑块6和激光器8；所述的工业相机5通过滑块6安装在支架3上；所述的伺服电机4设置多个，其中，2个伺服电机4控制滑块6移动，驱动滑块6带动工业相机5沿水平方向运动；2个伺服电机4设置在滑块6上，控制工业相机5沿竖直方向运动；所述的激光器8一端固定于支架3上，另一端为移动端，由一伺服电机4驱动。所述的滑块6安装在滑台7上，该滑台7设置在支架3上，滑台7与一伺服电机4连接，由伺服电机4驱动滑台7在支架3上移动。
所有伺服电机4均与控制面板9连接，由控制面板9控制伺服电机4进行动作；所述的控制面板9与计算机10连接，将采集到的信息传输至计算机10进行计算。本实施例中，共设置了两个工业相机5，以测量整个螺纹的长度。本实施例利用激光器8发射激光作为基准线，保证在螺纹平移的过程中，相机拍摄到的图像处于同一维度内，保证了图像在采用拼接与融合算法时，螺纹整体图像能够保持完整。所述的激光器8发射两道呈一定倾斜角度的基准线，构造一个平面出来，为下面的螺纹拼接和融合算法提供基准。激光器8上设置的伺服电机4驱动激光器8，保证图像在移动过程中激光器8的移动端能够准确无误的跟随被测件，以保证图像拼接的准确性。
本实施例中设置有六个伺服电机4，分别为控制滑块6部分2个、控制相机部分2部分2个，控制滑台7部分1个，控制激光器8部分1个。各个伺服电机4内均内置编码器，提供各个部分的移动量。
结合图1，本实施例还在底板2上设置有LED灯1，用于提供光源，使拍摄时光线充足。
本实施例中，对螺纹图图像采集前，需要对光源类型和照明方式进行选择，然后再选择相机和镜头的类型，最后在进行相机标定和距离标定，减少畸变的影响。光源类型选择为红光的LED光，因为要提取螺纹的轮廓信息，所以选择背景色和前景色差别较大的像素光的光源。照明方式选择背光照明，背光照明会丢失物体表面特征，突出边缘信息，也不会有亮点现象。对于相机和镜头的选择，要综合考虑测量的精度D(mm)和被测件的视野范围FOV(mm)。
根据分辨率F的公式，
Figure BDA0002475484630000071
选择合适像素的相机，由相机中的参数，结合工作距离WD(mm)，算出镜头的焦距f，
Figure BDA0002475484630000072
其中X为相机的芯片长度(mm)。结合以上运算，本实施例选择大恒公司生产的相机与镜头。
实施例2
结合图3，本实施例使用实施例1的设备，对拍摄到的螺纹图像进行螺距和螺高的提取，具体步骤如下：
步骤一、对通过相机获得的图像进行预处理，对图像进行滤波、灰度转化、锐化处理，并对图像进行阈值变换，将图像与背景分开：
首先对图像进行滤波，使用中值滤波即在不损坏图像的轮廓信息的情况下抑制干扰和噪声。中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。滤波后图像为：
g(x，y)＝med{f(x-k，y-l)，(k，l∈W)} (3)
其中，f(x，y)，g(x，y)分别为原始图像和滤波后图像，k、l为模板的二维数据序列，W为输入的二维模板，能够在整幅图像上滑动，通常尺寸为3*3或5*5区域。
然后，对图像进行灰度转化，将彩色图像转化为灰度图像更加有利于后续轮廓的提取，灰度值公式如下：
Gray＝R*0.299+G*0.587+B*0.114 (4)
其中，R、G、B为彩色图像红、绿、蓝三个颜色通道的像素值。
得出灰度图像后，由于步骤一采用低通滤波器，会造成图像模糊。为了使图像清晰，必须进行图像的锐化来强化边缘信息，故而使用高通滤波器让图像频谱中的高频分量流过，突出螺纹的轮廓信息。本实施例采用Sobel算子，它是一种主要用于边缘检测的离散微分算子，结合了高斯平滑和微分求导，用来计算图像灰度函数的近似梯度。计算过程如下：
Gx＝[g(x+1，y-1)+2*g(x+1，y)+g(x+1，y+1)]-[g(x-1，y-1)+2*g(x-1，y)+g(x-1，y+1)] (5)
Gy＝[g(x-1，y-1)+2*g(x，y-1)+g(x+1，y-1)]-[g(x-1，y+1)+2*g(x，y+1)+g(x+1，y+1)] (6)
Figure BDA0002475484630000081
式中，Gx，Gy分别表示为横向及纵向边缘检测的图像灰度值，g(a，b)表示图像(a，b)点的灰度值，G为图像在每一点上的灰度值的近似梯度。
最后设定合适的阈值，对图像进行阈值变换，将图像与背景分开。阈值的确定非常重要，阈值的得当，既能保证图像边缘信息的完整性，又能减少背景和噪声的干扰。本实施例中阈值变换采用OTSU，此算法计算简单，且不受图像亮度和对比度的影响，它是按图像的灰度特性，将图像分为背景和前景两部分。因方差是灰度分布均匀性的一种度量，背景和前景之间的类间方差越大，说明构成图像的两部分的差别越大，当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。对于图像G(x，y)，前景和背景的分割阈值为T，属于前景的像素点数占整幅图像的比例为ω1，其平均灰度μ1；背景像素点数占整幅图像的比例为ω2，其平均灰度为μ2。图像的总平均灰度为μ，类间方差为σ，图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N1，像素灰度大于阈值T的像素个数记作N2，通过式(8)、(9)、(10)、(11)计算得到类间方差σ，
Figure BDA0002475484630000082
N1+N2＝M×N，ω1+ω2＝1 (9)
μ＝μ1×ω1+μ2×ω2，σ＝ω1×(μ-μ1)2+ω2×(μ-μ2)2 (10)
σ＝ω1×ω2×(μ1-μ2)2 (11)
通过式(11)，通过遍历像素值的方法得到不同的类间方差，由这些类间方差比较出类间方差的最大值，最大值对应的灰度就是最佳阈值T。
步骤二、在图片预处理的基础上，对图中螺纹进行边缘粗提取：
接下来，进行螺纹边缘粗提取。所谓边缘是指其周围像素灰度有阶跃变化或屋顶变化的像素的集合，沿边缘走向的像素变化平缓，而垂直于边缘方向的像素变化剧烈。边缘点就是图像中灰度值导数较大或极大的地方。由此定义，本实施例采用Canny算子，进行边缘检测。Canny算子的基本思想是先对处理的图像选择一定的高斯滤波器进行平滑滤波，抑制图像噪声，然后采用非极值抑制的算法，细化平滑后的图像梯度幅值矩阵，寻找图像中的可能边缘点，最后利用双门限检测通过双阈值递归寻找图像边缘点，实现边缘提取，它使用2种不同的阈值分别检测强边缘和弱边缘，并且仅当弱边缘与强边缘相连时才将弱边缘包含在输出图像中，因此容易测出真正的弱边缘。
步骤三、对提取的图像进行8邻接处理和细化处理：
由步骤二处理的图像一般存在连通性问题，故而采用8邻接处理，判断某一像素周围八个像素是否连通，这样可以使图像连通性问题得到改善，图像不会出现丢失像素的问题。但是8邻接处理会使轮廓曲线变粗，因此，需要对图像进行细化。本实施例采用“Zhang并行快速细化算法”对图像的轮廓曲线进行细化处理。该算法可以使轮廓曲线宽度变成或接近单像素，这样就可以更好的确定轮廓曲线上点的像素位置，提高轮廓测量的精度。细化的目的也是将图像的骨架提取出来并同时保持图像细小部分的连通性。具体步骤参考，张天永在1984年发表在ACM通信上的《A fast thinning algorithm for thinning digitalpatterns》。
步骤四、在提取出螺纹边缘的图像上进行螺纹螺距与螺高的提取：
螺纹边缘提取出来后，对于由两个相机采集的一个区域内，进行螺纹螺距与螺高的提取。对于螺距的提取，利用相邻两顶径之间的距离计算螺距，采用遍历像素值的方法，寻找像素值为255的点并保存其坐标值，该点为第一个顶径点；再次同样的方法寻找第二个顶径点，并保存其坐标值；由于我们是每次相机只采集某一区域的轮廓信息，所以合适的顶径点只有两个。第二次检测到像素值为255对应的坐标减去第一次检测到像素值为255对应的坐标即为螺距。之后由串口程序发送指令驱动电机使相机移动，移动的距离根据测量的精度要求，设定为1cm。通过对每一幅图像的螺距数据进行比较分析，结合测量精度，判断该产品是否合格，是否达到要求的精度。
结合图4，对于螺高的提取，利用螺纹大径与小径进行计算，本实施例取螺纹大径与小径的差值的一半作为螺高。具体步骤如下：
S1、将螺纹的边界划分为左边界、右边界，并分别储存左右边界集。
S2、将所有左右螺纹边界点求平均值作为中心点，也作为螺纹边界的原点，并对边界进行中值滤波，得到滤波后的边界点。滤波后的边界虽然损失了细节，但却平滑了很多，减少了噪声的影响，更便于找到顶径和底径的位置。
S3、采用最小二乘法拟合所有顶径点为顶径直线，拟合所有底径点为底径直线，顶径和底径直线的中线确定为螺纹边界的拟合直线。
S4、分别计算平行于左边界拟合直线且过中心点的直线，和平行于右边界拟合直线且过中心点的直线。
S5、计算左边界各点到中心点的直线的距离，找出其中的极大值、极小值，保存极大值索引值的与极小值索引值。极大值索引值的与极小值索引值均为向量值，可指向滤波后螺纹边界的极值点，也对应着滤波前的大径小径的位置。右边界做相同处理。
S6、通过极值点的索引值找到大径和小径在滤波前所对应的点坐标，储存左边界大径、小径对应的坐标点。右边界的处理相同。
S7、通过大径对应的坐标点，拟合出左边界所有大径点的直线，右边界处理同左边；计算左边界大径对应点到右边界大径坐标点对应的拟合直线的距离，得到左边界大径各点的直径；计算右边界大径点到左边界大径的坐标点对应的拟合直线的距离，得到右边界大径各点的直径值；取平均值得到平均大径ML；用同样的方式获取平均小径MS，则螺高Height为
Height＝(ML-MS)×0.5 (12)
相同地，当相机移动1cm后，螺高计算过程同上。通过对每一幅图像的螺高数据进行比较分析，结合测量精度，判断该产品是否合格，是否达到要求的精度。
步骤五、利用图像拼接与图像融合算法将不同区域内提取螺纹螺距与螺高拼接融合，获得整个螺纹的长度信息：
由于相机每次只采集一个螺距区域的图像，为完整地呈现整个螺纹信息，需要在工作台安装2个相机，并且通过图像拼接与图像融合算法，将两次采集到的图像融合拼接在一起，由于设定相机移动距离固定，所以每次采集的新图像都包含了上一次图像的一部分区域，为的是两幅图像有更多的特征点，以便融合后更加的贴近原图，减少失真，故而螺纹整幅图像都呈现在计算机上，进一步可以计算出整个螺纹的长度。本实施例采用SURF算法来实现图像拼接，SURF(SpeededUp Robust Features)直译为“加速版的具有鲁棒性的特征”算法，该算法在多幅图像下具有更好地稳定性，并且它利用了harr特征和积分图像的概念，在程序的运行时间方面有了大大的提高。
针对图像像素G(x，y)，首先求出第一帧图像和后一帧图像上各自图像中每一个像素点的海森矩阵H。海森矩阵(Hessian)是一个自变量为向量的实值函数的二阶偏导数组成的方块矩阵。假设每幅图像的像素点设为函数f(x，y)，Hessian矩阵H是函数、偏导数组成。
Figure BDA0002475484630000111
本实施例中，选用二阶标准高斯函数作为滤波器，图像像素G(x，y)假设即为函数f(x，y)。计算出H矩阵的三个矩阵元素L_xx、L_xy、L_yy，进而计算出H矩阵：
Figure BDA0002475484630000112
高斯滤波后，H矩阵的计算如下，
L(x，t)＝S(t)·G(x，t) (16)
其中，L(x，t)是一幅图像在不同解析度下的表示，S(t)为高斯核，高斯核的计算公式如式(17)，
Figure BDA0002475484630000113
其中，s(x)为高斯函数，t为高斯方差；
将经过海森矩阵处理的每一个像素点与其同一幅图像中的周围的像素点进行比较，利用H矩阵的判别式判定该店是否为最大值或最小值，是则保留作为特征点，反之剔除；H矩阵的判别式为
Figure BDA0002475484630000114
得到两幅图像各自特征点集后，利用最近邻搜索算法进行图像的配准；首先利用SURF算法提取出的特征点，建立KD-tree，然后在待匹配图像上选取一点K，采用BBF算法遍历KD-tree，分别按照式(18)计算K与该KD-tree中每个点的欧式距离，找到与点K的欧式距离最小的两个关键点并且记录欧式距离的值；最后按照式(19)计算最小欧氏距离与次小欧式距离的比值，若该值小于阈值T，则认为欧氏距离最小的那个点与点K相匹配，反之不匹配；
Figure BDA0002475484630000115
Figure BDA0002475484630000116
其中，N代表特征向量的维数，Dmin1、Dmin2分别代表KD-tree中的点距离K的最小值和次小值；
找到匹配对后，利用findHomography函数求得变换矩阵M，即完成图像拼接；变换矩阵M为
Figure BDA0002475484630000121
其中参数m0～m7由findHomography函数处理得到；之后使用随机抽样一致算法剔除可能造成错误匹配的点对。
最后，进行图像融合处理，通过上述操作后，理论上已经获得了完整的拼接图像，但是由于采集时间、光照强度等条件的不同，进行拼接的两幅图像不可避免地会受到相应的影响，以至使得拼接图像存在明显的拼接缝或模糊现象，造成图像的失真。因此，图像融合的目的就是消除图像配准后存在的拼接缝隙，使得重叠区域平滑过渡。本实施例采用图像融合处理方法是加权融合，即在重叠部分由前一幅图像慢慢过渡到第二幅图像，将图像的重叠区域的像素值按一定的权值相加合成新的图像，并且运算量相对较小，算法易于实现。融合图像I在点(x，y)处的像素值可由式(21)求得：
Figure BDA0002475484630000122
其中，I1、I2分别为参考图像和待拼接图像，R1、R3分别代表参考图像和待拼接图像中未参与配准的区域，R2代表参与配准的区域，即图像的重合区域。
Figure BDA0002475484630000123
分别代表参考图像和待拼接图像中重合部分对应像素的权值，并且有
Figure BDA0002475484630000124
当两幅图像融合之后，相机继续移动，采集下一幅图像再重复以上步骤，直至在工作台上的螺纹信息被全部采集完毕，并且将此数据与之前已经采集到的螺距数据进行分析，由于采用融合图像的方法，并且保证了相机在移动过程中不会丢失某一帧的图像，所以每次融合后的图像都是螺纹整体图像的一部分。由于融合会存在重复的区域，而重复的区域是由相机移动距离来定，所以结合每次检测的螺距信息和相机移动的距离来间接判断该螺纹的长度信息。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (10)

1.一种管道螺纹自动测量装置，包括底板(2)和支架(3)，所述的底板(2)安装于支架(3)的底部；其特征在于：还包括伺服电机(4)、工业相机(5)、滑块(6)和激光器(8)；所述的工业相机(5)通过滑块(6)安装在支架(3)上；所述的伺服电机(4)设置多个，其中，2个伺服电机(4)控制滑块(6)移动，驱动滑块(6)带动工业相机(5)沿水平方向运动；2个伺服电机(4)设置在滑块(6)上，控制工业相机(5)沿竖直方向运动；所述的激光器(8)一端固定于支架(3)上，另一端为移动端，由一伺服电机(4)驱动。
2.根据权利要求1所述的一种管道螺纹自动测量装置，其特征在于：所述的滑块(6)安装在滑台(7)上，该滑台(7)设置在支架(3)上，滑台(7)与伺服电机(4)连接，由伺服电机(4)驱动滑台(7)在支架(3)上移动。
3.根据权利要求1或2所述的一种管道螺纹自动测量装置，其特征在于：所有伺服电机(4)均与控制面板(9)连接，由控制面板(9)控制伺服电机(4)进行动作；所述的控制面板(9)与计算机(10)连接。
4.利用权利要求1-3任一项所述的装置进行管道螺纹自动测量的方法，其特征在于，其步骤为：
步骤一、对通过相机获得的图像进行预处理，对图像进行滤波、灰度转化、锐化处理，并对图像进行阈值变换，将图像与背景分开；
步骤二、在图片预处理的基础上，对图中螺纹进行边缘粗提取；
步骤三、对提取的图像进行8邻接处理和细化处理；
步骤四、在提取出螺纹边缘的图像上进行螺纹螺距与螺高的提取；
步骤五、利用图像拼接与图像融合算法将不同区域内提取的螺纹螺距与螺高拼接融合，获得整个螺纹的长度信息。
5.根据权利要求4所述一种管道螺纹自动测量方法，其特征在于：所述的步骤一中，先利用式(3)对图像进行中值滤波，
g(x，y)＝med{f(x-k，y-l)，(k，l∈W)} (3)
式中，f(x，y)，g(x，y)分别为原始图像和滤波后图像，W为输入的二维模板，k、l为模板的二维数据序列；
再利用式(4)将彩色图像转化为灰度图像，
Gray＝R*0.299+G*0.587+B*0.114 (4)
其中，R、G、B为彩色图像红、绿、蓝三个颜色通道的像素值；
为使图像清晰，利用Sobel算子对图像进行锐化，计算过程如式(5)、(6)、(7)，
Gx＝[g(x+1，y-1)+2*g(x+1，y)+g(x+1，y+1)]-[g(x-1，y-1)+2*g(x-1，y)+g(x-1，y+1)](5)
Gy＝[g(x-1，y-1)+2*g(x，y-1)+g(x+1，y-1)]-[g(x-1，y+1)+2*g(x，y+1)+g(x+1，y+1)](6)
Figure FDA0002475484620000021
式中，Gx，Gy分别表示为横向及纵向边缘检测的图像灰度值，g(a，b)表示图像(a，b)点的灰度值，G为图像在每一点上的灰度值的近似梯度；
最后设定合适的阈值，对图像进行阈值变换，将图像与背景分开；对于图像G(x，y)，前景和背景的分割阈值为T，属于前景的像素点数占整幅图像的比例为ω1，其平均灰度μ1；背景像素点数占整幅图像的比例为ω2，其平均灰度为μ2；图像的总平均灰度为μ，类间方差为σ，图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N1，像素灰度大于阈值T的像素个数记作N2，通过式(8)、(9)、(10)、(11)计算得到类间方差σ，
Figure FDA0002475484620000022
N1+N2＝M×N，ω1+ω2＝1 (9)
μ＝μ1×ω1+ω2×ω2，σ＝ω1×(μ-μ1)2+ω2×(μ-μ2)2 (10)
σ＝ω1×ω2×(μ1-μ2)2 (11)
通过式(11)，通过遍历像素值的方法得到不同的类间方差，由这些类间方差比较出类间方差的最大值，最大值对应的灰度就是最佳阈值T。
6.根据权利要求5所述一种管道螺纹自动测量方法，其特征在于：所述的步骤二中，利用Canny算子对图像进行边缘检测，先利用高斯滤波器进行平滑滤波，抑制图像噪声，然后使用非极值抑制算法，细化平滑后的图像梯度幅值矩阵，寻找图像中的可能边缘点，最后利用双门限检测通过双阈值递归寻找图像边缘点，实现图像中螺纹边缘粗提取。
7.根据权利要求6所述一种管道螺纹自动测量方法，其特征在于：所述的步骤三中，采用8邻接处理，判断提取的图像中某一像素周围八个像素是否连通；同时使用“Zhang并行快速细化算法”对经8邻接处理过的图像的轮廓曲线进行细化处理。
8.根据权利要求7所述一种管道螺纹自动测量方法，其特征在于：所述的步骤四中，对于螺距的提取，利用相邻两顶径之间的距离计算螺距，采用遍历像素值的方法，寻找像素值为255的点并保存其坐标值，该点为第一个顶径点；再次同样的方法寻找第二个顶径点，并保存其坐标值；第二次检测到像素值为255对应的坐标减去第一次检测到像素值为255对应的坐标即为螺距；
对于螺高的提取，利用螺纹大径与小径进行计算，具体步骤如下：
S1、将螺纹的边界划分为左边界、右边界，并分别储存左右边界集；
S2、将所有左右螺纹边界点求平均值作为中心点，也作为螺纹边界的原点，并对边界进行中值滤波，得到滤波后的边界点；
S3、采用最小二乘法拟合所有顶径点为顶径直线，拟合所有底径点为底径直线，顶径和底径直线的中线确定为螺纹边界的拟合直线；
S4、分别计算平行于左边界拟合直线且过中心点的直线，和平行于右边界拟合直线且过中心点的直线；
S5、计算左边界各点到中心点的直线的距离，找出其中的极大值、极小值，保存极大值索引值的与极小值索引值；右边界做相同处理；
S6、通过极值点的索引值找到大径和小径在滤波前所对应的点坐标，储存左边界大径、小径对应的坐标点；右边界的处理相同；
S7、通过大径对应的坐标点，拟合出左边界所有大径点的直线，右边界处理同左边；计算左边界大径对应点到右边界大径坐标点对应的拟合直线的距离，得到左边界大径各点的直径；计算右边界大径点到左边界大径的坐标点对应的拟合直线的距离，得到右边界大径各点的直径值；取平均值得到平均大径ML；用同样的方式获取平均小径MS，则螺高Height为
Height＝(ML-MS)×0.5 (12)。
9.根据权利要求8所述一种管道螺纹自动测量方法，其特征在于：所述的步骤五中，利用SURF算法实现图像拼接，针对图像像素G(x，y)，首先求出第一帧图像和后一帧图像上各自图像中每一个像素点的海森矩阵H，选用二阶标准高斯函数作为滤波器，计算出H矩阵的三个矩阵元素L_xx、L_xy、L_yy，进而计算出H矩阵：
Figure FDA0002475484620000031
高斯滤波后，H矩阵的计算如下，
L(x，t)＝S(t)·G(x，t) (16)
其中，L(x，t)是一幅图像在不同解析度下的表示，S(t)为高斯核，高斯核的计算公式如式(17)，
Figure FDA0002475484620000032
其中，s(x)为高斯函数，t为高斯方差；
将经过海森矩阵处理的每一个像素点与其同一幅图像中的周围的像素点进行比较，利用H矩阵的判别式判定该店是否为最大值或最小值，是则保留作为特征点，反之剔除；H矩阵的判别式为
Figure FDA0002475484620000041
得到两幅图像各自特征点集后，利用最近邻搜索算法进行图像的配准；首先利用SURF算法提取出的特征点，建立KD-tree，然后在待匹配图像上选取一点K，采用BBF算法遍历KD-tree，分别按照式(18)计算K与该KD-tree中每个点的欧式距离，找到与点K的欧式距离最小的两个关键点并且记录欧式距离的值；最后按照式(19)计算最小欧氏距离与次小欧式距离的比值，若该值小于阈值T，则认为欧氏距离最小的那个点与点K相匹配，反之不匹配；
Figure FDA0002475484620000042
Figure FDA0002475484620000043
其中，N代表特征向量的维数，Dmin1、Dmin2分别代表KD-tree中的点距离K的最小值和次小值；
找到匹配对后，利用findHomography函数求得变换矩阵M，即完成图像拼接；变换矩阵M为
Figure FDA0002475484620000044
其中参数m0～m7由findHomography函数处理得到；之后使用随机抽样一致算法剔除可能造成错误匹配的点对。
10.根据权利要求9所述一种管道螺纹自动测量方法，其特征在于：所述的步骤五中，在进行图像融合时，使用加权融合对图像进行融合，融合图像I在点(x，y)处的像素值可由式(21)求得：
Figure FDA0002475484620000045
其中，I1、I2分别为参考图像和待拼接图像，R1、R3分别代表参考图像和待拼接图像中未参与配准的区域，R2代表参与配准的区域，即图像的重合区域；
Figure FDA0002475484620000046
分别代表参考图像和待拼接图像中重合部分对应像素的权值，并且有
Figure FDA0002475484620000047
CN202010362170.XA 2020-04-30 2020-04-30 一种管道螺纹自动测量装置及测量方法 Active CN111583114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010362170.XA CN111583114B (zh) 2020-04-30 2020-04-30 一种管道螺纹自动测量装置及测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010362170.XA CN111583114B (zh) 2020-04-30 2020-04-30 一种管道螺纹自动测量装置及测量方法

Publications (2)

Publication Number Publication Date
CN111583114A true CN111583114A (zh) 2020-08-25
CN111583114B CN111583114B (zh) 2023-02-24

Family

ID=72112482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010362170.XA Active CN111583114B (zh) 2020-04-30 2020-04-30 一种管道螺纹自动测量装置及测量方法

Country Status (1)

Country Link
CN (1) CN111583114B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112304239A (zh) * 2020-10-16 2021-02-02 大连理工大学 一种微小螺纹副轮廓及中心特征提取方法
CN112378338A (zh) * 2020-11-25 2021-02-19 上海里莱技术服务中心 一种基于Hough变换的外螺纹检测方法
CN113012115A (zh) * 2021-03-03 2021-06-22 珠海迪沃航空工程有限公司 一种螺栓立体成像检测系统及方法
CN113804702A (zh) * 2021-10-28 2021-12-17 江西电信信息产业有限公司 一种基于视觉智能分析的铜线排线检测方法
CN113902668A (zh) * 2021-08-23 2022-01-07 浙大宁波理工学院 一种用于脚踏板螺纹识别的螺纹区域提取方法与系统
CN115619782A (zh) * 2022-12-15 2023-01-17 常州海图信息科技股份有限公司 基于机器视觉的井筒360全景拼接检测系统及方法
CN113804702B (zh) * 2021-10-28 2024-07-09 江西电信信息产业有限公司 一种基于视觉智能分析的铜线排线检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2447735A1 (de) * 2010-10-29 2012-05-02 HILTI Aktiengesellschaft Messgerät für eine berührungslose Messung von Abständen bei einem Zielobjekt
US20130208997A1 (en) * 2010-11-02 2013-08-15 Zte Corporation Method and Apparatus for Combining Panoramic Image
CN105957015A (zh) * 2016-06-15 2016-09-21 武汉理工大学 一种螺纹桶内壁图像360度全景拼接方法及系统
CN106657789A (zh) * 2016-12-29 2017-05-10 核动力运行研究所 一种螺纹全景图像合成方法
CN109060836A (zh) * 2018-08-28 2018-12-21 南通大学 基于机器视觉的高压油管接头外螺纹检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2447735A1 (de) * 2010-10-29 2012-05-02 HILTI Aktiengesellschaft Messgerät für eine berührungslose Messung von Abständen bei einem Zielobjekt
US20130208997A1 (en) * 2010-11-02 2013-08-15 Zte Corporation Method and Apparatus for Combining Panoramic Image
CN105957015A (zh) * 2016-06-15 2016-09-21 武汉理工大学 一种螺纹桶内壁图像360度全景拼接方法及系统
CN106657789A (zh) * 2016-12-29 2017-05-10 核动力运行研究所 一种螺纹全景图像合成方法
CN109060836A (zh) * 2018-08-28 2018-12-21 南通大学 基于机器视觉的高压油管接头外螺纹检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周高磊等: "基于SURF和改进配准的图像拼接算法", 《现代计算机》 *
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》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112304239A (zh) * 2020-10-16 2021-02-02 大连理工大学 一种微小螺纹副轮廓及中心特征提取方法
CN112378338A (zh) * 2020-11-25 2021-02-19 上海里莱技术服务中心 一种基于Hough变换的外螺纹检测方法
CN113012115A (zh) * 2021-03-03 2021-06-22 珠海迪沃航空工程有限公司 一种螺栓立体成像检测系统及方法
CN113012115B (zh) * 2021-03-03 2023-02-14 珠海迪沃航空工程有限公司 一种螺栓立体成像检测系统及方法
CN113902668A (zh) * 2021-08-23 2022-01-07 浙大宁波理工学院 一种用于脚踏板螺纹识别的螺纹区域提取方法与系统
CN113902668B (zh) * 2021-08-23 2022-04-08 浙大宁波理工学院 一种用于脚踏板螺纹识别的螺纹区域提取方法与系统
CN113804702A (zh) * 2021-10-28 2021-12-17 江西电信信息产业有限公司 一种基于视觉智能分析的铜线排线检测方法
CN113804702B (zh) * 2021-10-28 2024-07-09 江西电信信息产业有限公司 一种基于视觉智能分析的铜线排线检测方法
CN115619782A (zh) * 2022-12-15 2023-01-17 常州海图信息科技股份有限公司 基于机器视觉的井筒360全景拼接检测系统及方法

Also Published As

Publication number Publication date
CN111583114B (zh) 2023-02-24

Similar Documents

Publication Publication Date Title
CN111583114B (zh) 一种管道螺纹自动测量装置及测量方法
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN113450307B (zh) 一种产品边缘缺陷检测方法
CN105913093B (zh) 一种用于文字识别处理的模板匹配方法
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
CN109871895B (zh) 电路板的缺陷检测方法和装置
CN105334219B (zh) 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN109060836B (zh) 基于机器视觉的高压油管接头外螺纹检测方法
CN107239742B (zh) 一种仪表指针刻度值计算方法
CN114821114B (zh) 一种基于视觉系统的坡口切割机器人图像处理方法
EP1980843A1 (en) Method and apparatus for detecting defects in optical components.
CN111612737B (zh) 一种人造板表面瑕疵检测装置及检测方法
CN108520514B (zh) 基于计算机视觉的印刷电路板电子元器一致性检测方法
CN101487838A (zh) 一种异形纤维的尺度形状特征的提取方法
CN111415376B (zh) 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法
CN111260640A (zh) 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置
CN110207592A (zh) 建筑裂缝测量方法、装置、计算机设备和存储介质
CN114627080B (zh) 基于计算机视觉的车辆冲压配件缺陷检测方法
KR20200082746A (ko) 골수 판독을 위한 셀존 레이블링 장치 및 이를 포함하는 셀존 검출 시스템
CN113658092A (zh) 一种基于图像处理的铝电解电容缺陷检测方法
CN110544235A (zh) 一种基于微分几何的柔性电路板图像区域识别方法
CN115100206A (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN108109154A (zh) 一种工件的新型定位及数据获取方法
CN106546185A (zh) 一种基于机器视觉检测的轮廓质量检测方法
CN116030055A (zh) 一种电梯相关配件质量检测方法

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