CN111815705A - 激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备 - Google Patents
激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111815705A CN111815705A CN202010519682.2A CN202010519682A CN111815705A CN 111815705 A CN111815705 A CN 111815705A CN 202010519682 A CN202010519682 A CN 202010519682A CN 111815705 A CN111815705 A CN 111815705A
- Authority
- CN
- China
- Prior art keywords
- pictures
- white board
- position information
- polluted
- area
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 55
- 230000001681 protective effect Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012935 Averaging Methods 0.000 claims abstract description 17
- 230000005484 gravity Effects 0.000 claims description 21
- 238000011109 contamination Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003466 welding Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000002699 waste material Substances 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Input (AREA)
Abstract
本发明提供了一种激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备,通过从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片;对所述多幅白板图片进行分组处理,得到多组白板图片;对每组白板图片进行求取均值处理,得到多幅均值图片;获取所述多幅均值图片的污染区域的中心点的位置信息;根据所述中心点的位置信息判断滤光保护镜片是否受到污染;从而可自动判断滤光保护镜片是否污染,进而避免由于人工判断而导致滤光保护镜片更换不及时和滤光保护镜更换过于频繁的问题。
Description
技术领域
本发明涉及焊接设备技术领域,尤其涉及一种激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备。
背景技术
在自动化焊接过程中,常常会使用激光焊缝跟踪仪来对焊接机器人进行视觉引导,以提高焊接效率。激光焊缝跟踪仪主要由CCD相机、半导体激光器、滤光保护镜片、防飞溅挡板和风冷装置组成,利用光学传播与成像原理,得到激光扫描区域内各个点的位置信息,并通过程序算法完成对常见焊缝的在线实时检测。
由于焊接过程中会产生大量烟尘以及飞溅,容易污染滤光保护镜片表面,而滤光保护镜片的清洁度对测量精度有着较大的影响,任何一点污垢都会给相机成像造成偏差,影响测量数据的准确性。因此,当滤光保护镜片表面有污垢时,需要要及时进行更换,以免影响测量精度。然而,目前对滤光保护镜片是否污染的判断主要依赖于作业人员的主观评判,由于人为主观的偏差,有时会出现滤光保护镜片更换不及时而造成测量数据不准确的现象,有时又会出现滤光保护镜更换过于频繁而造成资源浪费的现象。
发明内容
鉴于上述现有技术的不足之处,本申请实施例的目的在于提供一种激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备,可自动判断滤光保护镜片是否污染,从而避免由于人工判断而导致滤光保护镜片更换不及时和滤光保护镜更换过于频繁的问题。
第一方面,本申请实施例提供一种激光跟踪仪滤光保护镜片污染识别方法,应用于激光跟踪仪,包括步骤:
从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片;
对所述多幅白板图片进行分组处理,得到多组白板图片;
对每组白板图片进行求取均值处理,得到多幅均值图片;
获取所述多幅均值图片的污染区域的中心点的位置信息;
根据所述中心点的位置信息判断滤光保护镜片是否受到污染。
所述的激光跟踪仪滤光保护镜片污染识别方法中,所述对所述多幅白板图片进行分组处理,得到多组白板图片的步骤包括:
对所述多幅白板图片进行随机抽选,组成各组白板图片。
所述的激光跟踪仪滤光保护镜片污染识别方法中,所述对每组白板图片进行求取均值处理,得到多幅均值图片的步骤包括:
获取每组白板图片的各幅白板图片的所有像素点的灰度值;
计算每组白板图片的各幅白板图片的对应像素点的平均灰度值;
以所述平均灰度值作为对应像素点的灰度值生成所述每组白板图片的均值图片。
所述的激光跟踪仪滤光保护镜片污染识别方法中,所述获取每幅均值图片的污染区域的中心点的位置信息,得到多个中心点的位置信息的步骤包括:
对所述均值图片进行二值化处理,得到对应的二值化图片;
在所述二值化图片中提取污染区域的轮廓线;
根据所述污染区域的轮廓线提取所述污染区域的中心点的位置信息。
一些实施方式中,所述获取每幅均值图片的污染区域的中心点的位置信息,得到多个中心点的位置信息的步骤还包括:
若所述污染区域的数量大于一,则仅保留面积最大的污染区域的中心点的位置信息。
所述的激光跟踪仪滤光保护镜片污染识别方法中,所述根据所述中心点的位置信息判断滤光保护镜片是否受到污染的步骤包括:
计算所有属于同一污染区域的中心点的重心点的位置信息;
根据所述重心点的位置信息,计算各个所述属于同一污染区域的中心点与所述重心点之间的距离;
根据所述距离是否不大于预设的距离阈值,判断各个所述属于同一污染区域的中心点是否为合格点;
根据所述合格点的数量是否大于预设的第一数量阈值,判断所述污染区域是否为滤光保护镜片上的污染区域;
若滤光保护镜片上的污染区域的数量大于预设的第二数量阈值,则判定滤光保护镜片受到污染。
所述的激光跟踪仪滤光保护镜片污染识别方法中,所述从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片的步骤之后,还包括:对所述多幅白板图片进行预处理。
第二方面,本申请实施例提供一种激光跟踪仪滤光保护镜片污染识别装置,包括:
第一获取模块,用于使激光跟踪仪从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片;
第一执行模块,用于对所述多幅白板图片进行分组处理,得到多组白板图片;
第二执行模块,用于对每组白板图片进行求取均值处理,得到多幅均值图片;
第二获取模块,用于获取所述多幅均值图片的污染区域的中心点的位置信息;
第三执行模块,用于根据所述中心点的位置信息判断滤光保护镜片是否受到污染。
所述的激光跟踪仪滤光保护镜片污染识别装置中,所述第三执行模块在根据所述中心点的位置信息判断滤光保护镜片是否受到污染时,
计算所有属于同一污染区域的中心点的重心点的位置信息;
根据所述重心点的位置信息,计算各个所述属于同一污染区域的中心点与所述重心点之间的距离;
根据所述距离是否不大于预设的距离阈值,判断各个所述属于同一污染区域的中心点是否为合格点;
根据所述合格点的数量是否大于预设的第一数量阈值,判断所述污染区域是否为滤光保护镜片上的污染区域;
若滤光保护镜片上的污染区域的数量大于预设的第二数量阈值,则判定滤光保护镜片受到污染。
第三方面,本申请实施例提供一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行所述的激光跟踪仪滤光保护镜片污染识别方法。
有益效果:
本申请实施例提供的一种激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备,通过从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片;对所述多幅白板图片进行分组处理,得到多组白板图片;对每组白板图片进行求取均值处理,得到多幅均值图片;获取所述多幅均值图片的污染区域的中心点的位置信息;根据所述中心点的位置信息判断滤光保护镜片是否受到污染;从而可自动判断滤光保护镜片是否污染,进而避免由于人工判断而导致滤光保护镜片更换不及时和滤光保护镜更换过于频繁的问题。
附图说明
图1为本申请实施例提供的激光跟踪仪滤光保护镜片污染识别方法的流程图。
图2为本申请实施例提供的激光跟踪仪滤光保护镜片污染识别装置的模块图。
图3为本申请实施例提供的电子设备的结构示意图。
图4为拍摄得到的幅白板图片的示意图。
图5为均值图片的示意图。
图6为二值化图片的示意图。
图7为污染区域的轮廓线和中心点的示意图。
图8为同一污染区域的多个轮廓线和中心点的示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参阅图1,本申请实施例提供的一种激光跟踪仪滤光保护镜片污染识别方法,应用于激光跟踪仪,包括步骤:
A1.从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片;
A2.对多幅白板图片进行分组处理,得到多组白板图片;
A3.对每组白板图片进行求取均值处理,得到多幅均值图片;
A4.获取多幅均值图片的污染区域的中心点的位置信息;
A5.根据中心点的位置信息判断滤光保护镜片是否受到污染。
其中,可在激光跟踪仪的拍摄范围内放置一块纯色白板,该纯色白板优选为漫反射白板,所谓的纯色白板为广义上的板,可以是传统意义上的板,也可以是白色的纸张、不透光的白色膜等;步骤A1中,通过控制激光跟踪仪运动,从而从不同位置对纯色白板进行拍摄,在拍摄时需保证拍摄视野不超过白板的边界(即对白板内部进行拍摄)。
在一些实施方式中,A2.对多幅白板图片进行分组处理,得到多组白板图片的步骤包括:
对多幅白板图片进行随机抽选,组成各组白板图片。
例如,如图4所示,在步骤A1中总共得到N幅白板图片,N为大于1的正整数,现要把这些白板图片分为K组,每组有M张图片,则从N幅白板图片中随机抽选M张图片组成第一组白板图片,然后在剩下的白板图片中再随机抽选M张图片组成第二组白板图片,依次类推,直到得到第K组白板图片。
对多幅白板图片进行分组处理的方法不限于此,例如,还可以按照拍摄顺序进行分组,即前K张拍摄的图片为第一组,第一组之后拍摄的K张图片为第二组,以此类推。
进一步的,A3.对每组白板图片进行求取均值处理,得到多幅均值图片的步骤包括:
获取每组白板图片的各幅白板图片的所有像素点的灰度值;
计算每组白板图片的各幅白板图片的对应像素点的平均灰度值;
以平均灰度值作为对应像素点的灰度值生成每组白板图片的均值图片。
例如,若每张白板图片有n*n个像素点,这些像素点的坐标分别为(1,1)、(1、2)……(n,n),则以同一组中所有白板图片的(1,1)像素点的灰度值计算得到(1,1)像素点的平均灰度值K11,以同一组中所有白板图片的(1,2)像素点的灰度值计算得到(1,2)像素点的平均灰度值K12,依次类推,直到得到(n,n)像素点的平均灰度Knn,最后,生成一幅有n*n个像素点的均值图片,该均值图片的(1,1)、(1、2)……(n,n)像素点的灰度值分别为K11、K12……Knn;以此类推,得到各组白板图片的均值图片。如图5,为图4中白板图片分组后,其中一组白板图片的均值图片的示意图。
通过对每组图片进行求取均值处理,可有效移除环境光对后续进行污染区域识别的干扰,提高该识别方法的准确性。
一些实施方式中,A4.获取每幅均值图片的污染区域的中心点的位置信息,得到多个中心点的位置信息的步骤包括:
A41.对均值图片进行二值化处理,得到对应的二值化图片;
A42.在二值化图片中提取污染区域的轮廓线;
A43.根据污染区域的轮廓线提取污染区域的中心点的位置信息。
其中,对均值图片进行二值化处理的具体方法为:预设一个灰度阈值,用均值图片中的所有像素点的灰度值与灰度阈值进行比较,若像素点的灰度值小于灰度阈值则把该像素点的灰度值设置为第一预设灰度值,若像素点的灰度值大于或等于灰度阈值则把该像素点的灰度值设置为第二预设灰度值。其中,灰度阈值可在大于0且小于255的范围内取值,可根据实际情况进行设置。其中第一预设灰度值和第二预设灰度值不相等,其具体值可根据实际情况进行设置。例如图6中,第一预设灰度值为255,第二预设灰度值为0,从而得到的二值化图片中,白色区域的灰度值为255,黑色区域的灰度值为0。
由于灰度值越高表示亮度越大,因此,认为均值图片中,灰度值小于灰度阈值的区域为污染区域,因此,在二值化图片中,灰度值为第一预设灰度值的区域就是污染区域,在二值化图片中提取污染区域的轮廓线时,提取灰度值为第一预设灰度值的区域的轮廓线。如图6,图中的白色区域为污染区域,图7中的轮廓线为该区域的轮廓线。
通过轮廓线的像素点的位置信息计算该轮廓线所围的区域(即污染区域)的中心点的位置信息的方法为现有技术,此处不对其进行详述。图7中画出的了图6中的污染区域的中心点(图7中的轮廓线内部的点)。图8中画出了各幅均值图片的二值化图片中,同一污染区域的各个中心点和轮廓线。
该实施例中,通过对均值图片进行二值化处理,可把污染区域和非污染区域明确地区分开,从而方便进行后续的分析。
进一步的,A5.根据中心点的位置信息判断滤光保护镜片是否受到污染的步骤包括:
A51.计算所有属于同一污染区域的中心点的重心点的位置信息;
A52.根据该重心点的位置信息,计算各个属于同一污染区域的中心点与重心点之间的距离;
A53.根据该距离是否不大于预设的距离阈值,判断各个属于同一污染区域的中心点是否为合格点;
A54.根据合格点的数量是否大于预设的第一数量阈值,判断污染区域是否为滤光保护镜片上的污染区域;
A55.若滤光保护镜片上的污染区域的数量大于预设的第二数量阈值,则判定滤光保护镜片受到污染。
假设有K幅均值图片,每幅均值图片中有两个污染区域(相应地,二值化图片中有两个污染区域,分别为第一污染区域和第二污染区域),每幅均值图片可获得两个污染区域的中心点(第一中心点和第二中心点)的位置信息,即总共得到K个第一中心点和K个第二中心点的位置信息;
从而步骤A51中通过K个第一中心点的位置信息计算得到第一个污染区域的重心点(第一重心点)的位置信息,通过K个第二中心点的位置信息计算得到第二个污染区域的重心点(第二重心点)的位置信息;
然后在步骤A52中,计算K个第一中心点与第一重心点的距离,得到K个第一距离,并计算K个第二中心点与第二重心点的距离,得到K个第二距离;
在步骤A53中,用K个第一距离与预设的距离阈值进行比较,若某个第一距离≤预设的距离阈值则判定对应的第一中心点为合格点(第一合格点),并用K个第二距离与预设的距离阈值进行比较,若某个第二距离≤预设的距离阈值则判定对应的第二中心点为合格点(第二合格点);其中距离阈值可根据实际情况设置;
在步骤A54中,若第一合格点的数量大于预设的第一数量阈值,则判定第一污染区域为滤光保护镜片上的污染区域,若第二合格点的数量大于预设的第一数量阈值,则判定第二污染区域为滤光保护镜片上的污染区域;其中第一数量阈值可根据实际情况设置;
在步骤A55中,第二数量阈值可以是1或大于1的正整数,具体可根据实际情况设置;例如,第二数量阈值是1,则只要第一污染区域和第二污染区域中有一个是滤光保护镜片上的污染区域,则判定滤光保护镜片受到污染;
以上只是举例说明,污染区域的数量不为2时,步骤A51-A55的具体执行方式类推。
上述步骤A53中,合格点的数量越多,表明污染区域在镜头中的位置变化越小,当数量大于预设的第一数量阈值时,表明该污染区域是随镜头移动而移动(即污染区域随滤光保护镜片移动而移动),因此可判定该污染区域为滤光保护镜片上的污染区域。
在一些优选实施方式中,A4.获取每幅均值图片的污染区域的中心点的位置信息,得到多个中心点的位置信息的步骤还包括:
A46.若污染区域的数量大于一,则仅保留面积最大的污染区域的中心点的位置信息。
即当存在多个污染区域时,仅以面积最大的污染区域作为后续分析的对象,从而在A5.根据中心点的位置信息判断滤光保护镜片是否受到污染的步骤中,根据该最大的污染区域的中心点的位置信息判断滤光保护镜片是否受到污染。选择面积最大的污染区域进行分析,有利于简化算法,并提高算法稳定性。
优选的,A1.从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片的步骤之后,还包括:对多幅白板图片进行预处理。进行预处理的目的在于去除噪声的干扰,从而提高该方法的准确性。其中,预处理包括高斯滤波处理、对比度提升处理等的至少一种。
在一些实施方式中,在A5.根据中心点的位置信息判断滤光保护镜片是否受到污染的步骤之后,还可包括步骤:若滤光保护镜片受到污染,则发出提醒信号。其中,提醒信号可以是声信号、光信号、图像信号中的至少一种。通过提醒信号提醒工作人员进行滤光保护镜片的更换。
由上可知,该激光跟踪仪滤光保护镜片污染识别方法,通过从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片;对所述多幅白板图片进行分组处理,得到多组白板图片;对每组白板图片进行求取均值处理,得到多幅均值图片;获取所述多幅均值图片的污染区域的中心点的位置信息;根据所述中心点的位置信息判断滤光保护镜片是否受到污染;从而可自动判断滤光保护镜片是否污染,进而避免由于人工判断而导致滤光保护镜片更换不及时和滤光保护镜更换过于频繁的问题。
请参阅图2,本申请实施例还提供一种激光跟踪仪滤光保护镜片污染识别装置,包括第一获取模块1、第一执行模块2、第二执行模块3、第二获取模块4、第三执行模块5;
其中,第一获取模块1,用于使激光跟踪仪从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片;
其中,第一执行模块2,用于对多幅白板图片进行分组处理,得到多组白板图片;
其中,第二执行模块3,用于对每组白板图片进行求取均值处理,得到多幅均值图片;
其中,第二获取模块4,用于获取多幅均值图片的污染区域的中心点的位置信息;
其中,第三执行模块5,用于根据中心点的位置信息判断滤光保护镜片是否受到污染。
其中,所谓的纯色白板为广义上的板,可以是传统意义上的板,也可以是白色的纸张、不透光的白色膜等;第一获取模块1通过控制激光跟踪仪运动,从而从不同位置对纯色白板进行拍摄,在拍摄时需保证拍摄视野不超过白板的边界(即对白板内部进行拍摄)。
在一些实施方式中,第一执行模块2在对多幅白板图片进行分组处理,得到多组白板图片时,对多幅白板图片进行随机抽选,组成各组白板图片。
进一步的,第二执行模块3在对每组白板图片进行求取均值处理,得到多幅均值图片时,获取每组白板图片的各幅白板图片的所有像素点的灰度值,计算每组白板图片的各幅白板图片的对应像素点的平均灰度值,并以平均灰度值作为对应像素点的灰度值生成每组白板图片的均值图片。
在一些实施方式中,第二获取模块4在获取每幅均值图片的污染区域的中心点的位置信息,得到多个中心点的位置信息时,对均值图片进行二值化处理,得到对应的二值化图片,在二值化图片中提取污染区域的轮廓线,并根据污染区域的轮廓线提取污染区域的中心点的位置信息。
进一步的,第三执行模块5在根据中心点的位置信息判断滤光保护镜片是否受到污染时,计算所有属于同一污染区域的中心点的重心点的位置信息,根据重心点的位置信息,计算各个属于同一污染区域的中心点与重心点之间的距离,根据距离是否不大于预设的距离阈值,判断各个属于同一污染区域的中心点是否为合格点,根据合格点的数量是否大于预设的第一数量阈值,判断污染区域是否为滤光保护镜片上的污染区域,若滤光保护镜片上的污染区域的数量大于预设的第二数量阈值,则判定滤光保护镜片受到污染。
在一些优选实施方式中,第二执行模块3在获取每幅均值图片的污染区域的中心点的位置信息,得到多个中心点的位置信息时,若污染区域的数量大于一,则仅保留面积最大的污染区域的中心点的位置信息。
即当存在多个污染区域时,仅以面积最大的污染区域作为后续分析的对象,从而第三执行模块5在根据中心点的位置信息判断滤光保护镜片是否受到污染时,根据该最大的污染区域的中心点的位置信息判断滤光保护镜片是否受到污染。选择面积最大的污染区域进行分析,有利于简化算法,并提高算法稳定性。
优选的,该激光跟踪仪滤光保护镜片污染识别装置还包括第四执行模块,该第四执行模块用于对多幅白板图片进行预处理。进行预处理的目的在于去除噪声的干扰,从而判断结果的准确性。其中,预处理包括高斯滤波处理、对比度提升处理等的至少一种。
在一些实施方式中,该激光跟踪仪滤光保护镜片污染识别装置还包括第五执行模块,该第五执行模块用于在滤光保护镜片受到污染时,发出提醒信号。其中,提醒信号可以是声信号、光信号、图像信号中的至少一种。通过提醒信号提醒工作人员进行滤光保护镜片的更换。
由上可知,该激光跟踪仪滤光保护镜片污染识别装置,通过从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片;对所述多幅白板图片进行分组处理,得到多组白板图片;对每组白板图片进行求取均值处理,得到多幅均值图片;获取所述多幅均值图片的污染区域的中心点的位置信息;根据所述中心点的位置信息判断滤光保护镜片是否受到污染;从而可自动判断滤光保护镜片是否污染,进而避免由于人工判断而导致滤光保护镜片更换不及时和滤光保护镜更换过于频繁的问题。
请参阅图3,本申请实施例还提供一种电子设备100,包括处理器101和存储器102,存储器102中存储有计算机程序,处理器101通过调用存储器102中存储的计算机程序,用于执行上述的激光跟踪仪滤光保护镜片污染识别方法。
其中,处理器101与存储器102电性连接。处理器101是电子设备100的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或调用存储在存储器102内的计算机程序,以及调用存储在存储器102内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
存储器102可用于存储计算机程序和数据。存储器102存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器101通过调用存储在存储器102的计算机程序,从而执行各种功能应用以及数据处理。
在本实施例中,电子设备100中的处理器101会按照如下的步骤,将一个或一个以上的计算机程序的进程对应的指令加载到存储器102中,并由处理器101来运行存储在存储器102中的计算机程序,从而实现各种功能:从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片;对所述多幅白板图片进行分组处理,得到多组白板图片;对每组白板图片进行求取均值处理,得到多幅均值图片;获取所述多幅均值图片的污染区域的中心点的位置信息;根据所述中心点的位置信息判断滤光保护镜片是否受到污染。
由上可知,该电子设备,通过从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片;对所述多幅白板图片进行分组处理,得到多组白板图片;对每组白板图片进行求取均值处理,得到多幅均值图片;获取所述多幅均值图片的污染区域的中心点的位置信息;根据所述中心点的位置信息判断滤光保护镜片是否受到污染;从而可自动判断滤光保护镜片是否污染,进而避免由于人工判断而导致滤光保护镜片更换不及时和滤光保护镜更换过于频繁的问题。
综上所述,虽然本发明已以优选实施例揭露如上,但上述优选实施例并非用以限制本发明,本领域的普通技术人员,在不脱离本发明的精神和范围内,均可作各种更动与润饰,其方案与本发明实质上相同。
Claims (10)
1.一种激光跟踪仪滤光保护镜片污染识别方法,应用于激光跟踪仪,其特征在于,包括步骤:
从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片;
对所述多幅白板图片进行分组处理,得到多组白板图片;
对每组白板图片进行求取均值处理,得到多幅均值图片;
获取所述多幅均值图片的污染区域的中心点的位置信息;
根据所述中心点的位置信息判断滤光保护镜片是否受到污染。
2.根据权利要求1所述的激光跟踪仪滤光保护镜片污染识别方法,其特征在于,所述对所述多幅白板图片进行分组处理,得到多组白板图片的步骤包括:
对所述多幅白板图片进行随机抽选,组成各组白板图片。
3.根据权利要求1所述的激光跟踪仪滤光保护镜片污染识别方法,其特征在于,所述对每组白板图片进行求取均值处理,得到多幅均值图片的步骤包括:
获取每组白板图片的各幅白板图片的所有像素点的灰度值;
计算每组白板图片的各幅白板图片的对应像素点的平均灰度值;
以所述平均灰度值作为对应像素点的灰度值生成所述每组白板图片的均值图片。
4.根据权利要求1所述的激光跟踪仪滤光保护镜片污染识别方法,其特征在于,所述获取每幅均值图片的污染区域的中心点的位置信息,得到多个中心点的位置信息的步骤包括:
对所述均值图片进行二值化处理,得到对应的二值化图片;
在所述二值化图片中提取污染区域的轮廓线;
根据所述污染区域的轮廓线提取所述污染区域的中心点的位置信息。
5.根据权利要求4所述的激光跟踪仪滤光保护镜片污染识别方法,其特征在于,所述获取每幅均值图片的污染区域的中心点的位置信息,得到多个中心点的位置信息的步骤还包括:
若所述污染区域的数量大于一,则仅保留面积最大的污染区域的中心点的位置信息。
6.根据权利要求1所述的激光跟踪仪滤光保护镜片污染识别方法,其特征在于,所述根据所述中心点的位置信息判断滤光保护镜片是否受到污染的步骤包括:
计算所有属于同一污染区域的中心点的重心点的位置信息;
根据所述重心点的位置信息,计算各个所述属于同一污染区域的中心点与所述重心点之间的距离;
根据所述距离是否不大于预设的距离阈值,判断各个所述属于同一污染区域的中心点是否为合格点;
根据所述合格点的数量是否大于预设的第一数量阈值,判断所述污染区域是否为滤光保护镜片上的污染区域;
若滤光保护镜片上的污染区域的数量大于预设的第二数量阈值,则判定滤光保护镜片受到污染。
7.根据权利要求1所述的激光跟踪仪滤光保护镜片污染识别方法,其特征在于,所述从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片的步骤之后,还包括:对所述多幅白板图片进行预处理。
8.一种激光跟踪仪滤光保护镜片污染识别装置,其特征在于,包括:
第一获取模块,用于使激光跟踪仪从不同位置对预设的纯色白板内部进行拍摄,得到多幅白板图片;
第一执行模块,用于对所述多幅白板图片进行分组处理,得到多组白板图片;
第二执行模块,用于对每组白板图片进行求取均值处理,得到多幅均值图片;
第二获取模块,用于获取所述多幅均值图片的污染区域的中心点的位置信息;
第三执行模块,用于根据所述中心点的位置信息判断滤光保护镜片是否受到污染。
9.根据权利要求8所述的激光跟踪仪滤光保护镜片污染识别装置,其特征在于,所述第三执行模块在根据所述中心点的位置信息判断滤光保护镜片是否受到污染时,
计算所有属于同一污染区域的中心点的重心点的位置信息;
根据所述重心点的位置信息,计算各个所述属于同一污染区域的中心点与所述重心点之间的距离;
根据所述距离是否不大于预设的距离阈值,判断各个所述属于同一污染区域的中心点是否为合格点;
根据所述合格点的数量是否大于预设的第一数量阈值,判断所述污染区域是否为滤光保护镜片上的污染区域;
若滤光保护镜片上的污染区域的数量大于预设的第二数量阈值,则判定滤光保护镜片受到污染。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行权利要求1-7任一项所述的激光跟踪仪滤光保护镜片污染识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010519682.2A CN111815705B (zh) | 2020-06-09 | 2020-06-09 | 激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010519682.2A CN111815705B (zh) | 2020-06-09 | 2020-06-09 | 激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815705A true CN111815705A (zh) | 2020-10-23 |
CN111815705B CN111815705B (zh) | 2024-05-07 |
Family
ID=72845670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010519682.2A Active CN111815705B (zh) | 2020-06-09 | 2020-06-09 | 激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815705B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113523548A (zh) * | 2021-07-26 | 2021-10-22 | 天津荣盛盟固利新能源科技有限公司 | 激光焊接保护镜片脏污程度检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662578A (zh) * | 2008-08-29 | 2010-03-03 | 佳能株式会社 | 图像处理装置及其控制方法 |
CN104463827A (zh) * | 2013-09-17 | 2015-03-25 | 联想(北京)有限公司 | 一种图像采集模块的自动检测方法及相应的电子设备 |
JP2015070566A (ja) * | 2013-09-30 | 2015-04-13 | 本田技研工業株式会社 | カメラのレンズ汚れ検知装置 |
CN106839976A (zh) * | 2016-12-22 | 2017-06-13 | 歌尔科技有限公司 | 一种检测镜头中心的方法及装置 |
CN108288264A (zh) * | 2017-12-26 | 2018-07-17 | 横店集团东磁有限公司 | 一种广角摄像头模组脏污测试方法 |
CN109102466A (zh) * | 2017-06-20 | 2018-12-28 | 杭州海康威视数字技术股份有限公司 | 图像污点判定方法及装置 |
-
2020
- 2020-06-09 CN CN202010519682.2A patent/CN111815705B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662578A (zh) * | 2008-08-29 | 2010-03-03 | 佳能株式会社 | 图像处理装置及其控制方法 |
CN104463827A (zh) * | 2013-09-17 | 2015-03-25 | 联想(北京)有限公司 | 一种图像采集模块的自动检测方法及相应的电子设备 |
JP2015070566A (ja) * | 2013-09-30 | 2015-04-13 | 本田技研工業株式会社 | カメラのレンズ汚れ検知装置 |
CN106839976A (zh) * | 2016-12-22 | 2017-06-13 | 歌尔科技有限公司 | 一种检测镜头中心的方法及装置 |
CN109102466A (zh) * | 2017-06-20 | 2018-12-28 | 杭州海康威视数字技术股份有限公司 | 图像污点判定方法及装置 |
CN108288264A (zh) * | 2017-12-26 | 2018-07-17 | 横店集团东磁有限公司 | 一种广角摄像头模组脏污测试方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113523548A (zh) * | 2021-07-26 | 2021-10-22 | 天津荣盛盟固利新能源科技有限公司 | 激光焊接保护镜片脏污程度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111815705B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017067342A1 (zh) | 板卡位置检测方法及装置 | |
CN107610085A (zh) | 一种基于计算机视觉的焊点缺陷检测系统 | |
CN115184359A (zh) | 一种自动调参的表面缺陷检测系统与方法 | |
CN114136975A (zh) | 一种微波裸芯片表面缺陷智能检测系统和方法 | |
CN112304957A (zh) | 一种基于机器视觉的外观缺陷智能检测方法及系统 | |
CN112200776A (zh) | 芯片封装缺陷检测方法和检测装置 | |
CN111426693A (zh) | 一种质量缺陷检测系统及其检测方法 | |
CN110880184A (zh) | 一种基于光流场进行摄像头自动巡检的方法及装置 | |
Prabuwono et al. | Development of intelligent visual inspection system (IVIS) for bottling machine | |
CN113409271B (zh) | 一种镜头油污的检测方法、装置及设备 | |
CN111815705B (zh) | 激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备 | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
CN114226262A (zh) | 瑕疵检测方法、瑕疵分类方法及其系统 | |
CN113727022B (zh) | 巡检图像的采集方法及装置、电子设备、存储介质 | |
CN115984197A (zh) | 基于标准pcb图像的缺陷检测方法及相关装置 | |
CN116237266A (zh) | 一种法兰尺寸测量方法及其设备 | |
CN115035071A (zh) | 一种pad导光板黑点缺陷的视觉检测方法 | |
CN112837285B (zh) | 一种板面图像的边缘检测方法及装置 | |
CN114219758A (zh) | 缺陷检测方法、系统、电子设备和计算机可读存储介质 | |
CN117689660B (zh) | 基于机器视觉的保温杯温度质检方法 | |
Ye et al. | Automatic optical apparatus for inspecting bearing assembly defects | |
CN116600210B (zh) | 基于机器人视觉的图像采集优化系统 | |
CN116046791B (zh) | 点胶缺陷检测方法及检测装置 | |
CN108898590B (zh) | 一种应用于产品外形视觉检测的自身特征提取方法 | |
KR20200023712A (ko) | 전자부품 분류장치 및 그 방법 |
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 |