CN112017232B - 图像内圆形图案的定位方法、装置及设备 - Google Patents
图像内圆形图案的定位方法、装置及设备 Download PDFInfo
- Publication number
- CN112017232B CN112017232B CN202010893596.8A CN202010893596A CN112017232B CN 112017232 B CN112017232 B CN 112017232B CN 202010893596 A CN202010893596 A CN 202010893596A CN 112017232 B CN112017232 B CN 112017232B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- caliper
- circle
- target circle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 1
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- 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
- G06T7/60—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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像内圆形图案的定位方法、装置及设备，属于机器视觉技术领域。图像内圆形图案的定位方法，包括：根据图像内目标圆形的初步边缘位置，向目标圆形的边缘分布设置多个虚拟卡尺；分别获取各虚拟卡尺所在区域的最小外接矩形；分别获取各最小外接矩形内对应于边缘的轮廓点位置信息；根据各轮廓点位置信息，计算获取目标圆形的半径和圆心。能够精确的对图像中的圆形图案进行定位，并且具有较短的部署时间，便于实施，成本较低。
Description
技术领域
本发明涉及机器视觉技术领域，具体而言，涉及一种图像内圆形图案的定位方法、装置及设备。
背景技术
基于机器视觉的工业机器人定位系统，一般包括摄像机系统和控制系统。一般的机器人视觉定位系统都是使用CCD(电荷耦合器件，Charge Coupled Device)摄像头，将图像信号输入给计算机对其快速处理。
机器视觉实现精确定位，现在一般采用的是机器学习的方法，采用预先采集的大量目标数据训练出一种最接近真实目标的模型，然后通过将实际目标输入计算得到的模型，即可输出结果。此方法识别定位效率高，泛用性强，是现在市场上的主流应用方法。但是此方法前期部署需要进行大量的机器学习，部署时间极长，且对运算硬件要求较高，没有办法应对一些周期短、产品更新迭代快的案例，也不利于降低生产成本。
发明内容
本发明的目的在于提供一种图像内圆形图像的定位方法、装置及设备，能够精确的对图像中的圆形图案进行定位，并且具有较短的部署时间，便于实施，成本较低。
本发明的实施例是这样实现的：
本发明实施例的一方面，提供一种图像内圆形图案的定位方法，包括：
根据图像内目标圆形的初步边缘位置，向目标圆形的边缘分布设置多个虚拟卡尺；
分别获取各虚拟卡尺所在区域的最小外接矩形；
分别获取各最小外接矩形内对应于边缘的轮廓点位置信息；
根据各轮廓点位置信息，计算获取目标圆形的半径和圆心。
可选地，根据各轮廓点位置信息，计算获取目标圆形的半径和圆心，包括：
根据各轮廓点位置信息，分别计算各轮廓点对应的质心位置；
根据各轮廓点对应的质心位置对目标圆形进行拟合，计算获取目标圆形的半径和圆心。
可选地，根据图像内目标圆形的初步边缘位置，向目标圆形的边缘分布设置多个虚拟卡尺之后，方法还包括：
根据虚拟卡尺的中心位置确定虚拟卡尺是否在图像内；
中心位置位于图像内的虚拟卡尺确定为目标卡尺。
可选地，分别获取各虚拟卡尺所在区域的最小外接矩形，包括：
根据目标卡尺对应的长边和短边以及目标卡尺的水平夹角，确定各目标卡尺的最小外接矩形的宽和长；
根据各目标卡尺的中心位置及其对应的最小外接矩形的宽和长，确定各目标卡尺对应的最小外接矩形。
可选地，分别获取各最小外接矩形内对应于边缘的轮廓点位置信息，包括：
通过canny边缘检测算法获取最小外接矩形内目标圆形的边缘轮廓；
根据边缘轮廓获取轮廓点位置信息。
可选地，在根据边缘轮廓获取轮廓点位置信息之后，方法还包括：
选取满足预设阈值的轮廓点，预设阈值范围根据获取初步位置的目标圆形的初步周长确定。
可选地，在分别获取各虚拟卡尺所在区域的最小外接矩形之后，方法还包括：
对各最小外接矩形进行坐标转换，获取转换后的最小外接矩形，其中，各转换后的最小外接矩形的长度方向与水平方向一致。
可选地，根据各轮廓点对应的质心位置对目标圆形进行拟合，计算获取目标圆形的半径和圆心，包括：
通过最小二乘法对各质心位置进行曲线拟合，以得到目标圆形的拟合曲线，目标圆形的拟合曲线对应的半径和圆心作为目标圆形的半径和圆心。
本发明实施例的另一方面，提供一种图像内圆形图案的定位装置，包括：
第一获取模块，用于根据图像内目标圆形的初步边缘位置，向目标圆形的边缘分布设置多个虚拟卡尺；
第二获取模块，用于分别获取各虚拟卡尺所在区域的最小外接矩形；
第三获取模块，用于分别获取各最小外接矩形内对应于边缘的轮廓点位置信息；
计算模块，用于根据各轮廓点位置信息，计算获取目标圆形的半径和圆心。
本发明实施例的又一方面，提供一种图像内圆形图案的定位设备，包括处理器、存储介质、总线以及图像采集单元，图像采集单元用于采集包含目标圆形的图像，存储介质存储有处理器可执行的机器可读指令，当图像内圆形图案的定位设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行如权利要求如上的图像内圆形图案的定位方法。
本发明实施例的有益效果包括：
本发明实施例提供的一种图像内圆形图案的定位方法，可以首先获取图像内目标圆形的初步位置，并根据该初步位置，向圆形边缘分布设置多个卡尺。通过各卡尺能够分别将初步位置判断后的目标圆形的边缘轮廓按照一定区域进行划分框选。然后分别获取各卡尺所在区域的最小外接矩形，并分别获取各最小外接矩形内对应于目标圆形的边缘的轮廓点。通过获取的轮廓点能够分别表征出个最小外接矩形内的卡尺区域对应框选处的目标圆形的边缘轮廓。因此，之后根据各轮廓点对目标圆形进行拟合计算，便能够得到目标圆形相对精确的半径和圆心。通过该方法，能够快速精确的对图像内圆形图案(即目标圆形)进行定位，以得到其对应的半径和圆心。并且，由于该方法没有采用机器学习，而使直接进行定位识别。因此，前期部署不需要进行大量的机器学习，时间较短，且对设备的计算性能要求较低，因此便于实施且成本较低，能够更好的适用于周期短、产品更新迭代快的案例。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的图像内圆形图案的定位方法的流程示意图之一；
图2为本发明实施例提供的图像内圆形图案的定位方法的流程示意图之二；
图3为本发明实施例提供的图像内圆形图案的定位方法的流程示意图之三；
图4为本发明实施例提供的图像内圆形图案的定位方法的流程示意图之四；
图5为本发明实施例提供的图像内圆形图案的定位装置的结构示意图之一；
图6为本发明实施例提供的图像内圆形图案的定位装置的结构示意图之二；
图7为本发明实施例提供的图像内圆形图案的定位设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
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。
在本发明的描述中，需要说明的是，术语“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
本发明实施例提供一种图像内圆形图像的定位方法，如图1所示，包括：
S101：根据图像内目标圆形的初步边缘位置，向目标圆形的边缘分布设置多个虚拟卡尺。
S102：分别获取各虚拟卡尺所在区域的最小外接矩形。
S103：分别获取各最小外接矩形内对应于边缘的轮廓点位置信息。
S014：根据各轮廓点位置信息，计算获取目标圆形的半径和圆心。
其中，由于机器视觉中，所识别的目标圆形通常具有相对于背景较为明显的像素特征，因此，获取图像内目标圆形的初步边缘位置，具体可以通过模板匹配(例如采用相关法、误差法、二次匹配误差法等模板匹配算法)进行目标圆形的初步定位，以得到目标圆形的初步位置和大致轮廓，以便于根据该初步位置向目标圆形的边缘分布设置卡尺。
在该方法中，为了后续能够根据卡尺所框选的目标圆形的边缘轮廓进行相对准确的目标圆形测量，此处设置的多个卡尺，通常可以采用均匀分布的方式，以尽可能使目标圆形的边缘轮廓能够完全被设置的多个卡尺划分框选。当然，在实际应用中，设置的卡尺也可以根据预设的特征规则，分布设置在特定范围(可以是能够表征目标圆形位置特征的边缘区域)内的目标圆形边缘，此处不做限制。
通常，根据轮廓点进行计算获取目标圆形的半径和圆心，可以通过将轮廓点作为拟合点进行曲线拟合以得到近似于目标圆形的拟合曲线，然后根据该拟合曲线计算目标圆形的圆心坐标和半径。还可以通过根据各轮廓点以及圆的几何表达式，通过赋值计算的方式得到近似于目标圆形的曲线方程，从而根据该曲线方程计算目标圆形的圆心坐标和半径。对此，在本发明实施例中不做限制，本领域技术人员可以根据实际情况进行设置。
本发明实施例提供的图像内圆形图案的定位方法，可以首先获取图像内目标圆形的初步位置，并根据该初步位置，向圆形边缘分布设置多个卡尺。通过各卡尺能够分别将初步位置判断后的目标圆形的边缘轮廓按照一定区域进行划分框选。然后分别获取各卡尺所在区域的最小外接矩形，并分别获取各最小外接矩形内对应于目标圆形的边缘的轮廓点。通过获取的轮廓点能够分别表征出个最小外接矩形内的卡尺区域对应框选处的目标圆形的边缘轮廓。因此，之后再根据各轮廓点对目标圆形进行拟合计算，便能够得到目标圆形相对精确的半径和圆心。通过该方法，能够快速精确的对图像内圆形图案(即目标圆形)进行定位，以得到其对应的半径和圆心。并且，由于该方法没有采用机器学习，而使直接进行定位识别。因此，前期部署不需要进行大量的机器学习，时间较短，且对设备的计算性能要求较低，因此便于实施且成本较低，能够更好的适用于周期短、产品更新迭代快的案例。
可选地，根据各轮廓点位置信息，计算获取目标圆形的半径和圆心，如图2所示，包括：
S201：根据各轮廓点位置信息，分别计算各轮廓点对应的质心位置。
S202：根据各轮廓点对应的质心位置对目标圆形进行拟合，计算获取目标圆形的半径和圆心。
其中，各最小外接矩形内获取的轮廓点的质心，为对于任一个最小外接矩形：其内部获取的轮廓点所构成的轮廓点组的几何质心。
通过获取各最小外接矩形内的轮廓点对应的质心，以该质心作为后续用于拟合目标圆形的拟合曲线的拟合点，能够精简用于拟合计算目标圆形的拟合曲线的拟合点数量，从而减少数据计算量，提高该方法实施过程的速度。
可选地，根据图像内目标圆形的初步边缘位置，向目标圆形的边缘分布设置多个虚拟卡尺之后，该方法还包括：
根据虚拟卡尺的中心位置确定虚拟卡尺是否在图像内；
中心位置位于图像内的虚拟卡尺确定为目标卡尺。
由于目标圆形的圆心可能没有处于图像的几何中心，因此目标圆形的边缘不同位置距离图像的边缘的距离可能存在差异。所以在向目标圆形的边缘设置卡尺时，卡尺所框选区域的中心可能存在位于图像内或位于图像外的情况。
因此，在该方法中，通过根据卡尺的中心是否位于图像内来确定用于后续对目标圆形进行定位的目标卡尺，能够筛选出会向后续步骤引入误差，或无法用于目标圆形定位的卡尺，从而提高目标圆形的定位精度，并避免该方法实施过程中进行多于计算而降低效率。
示例地，确定目标卡尺的具体判断条件可以是，若卡尺的中心位于图像之外，则舍弃该卡尺，若卡尺的中心位于图像内，则确定该卡尺为目标卡尺。
并且，在本发明实施例，考虑到制定的卡尺的规格可能在目标圆形的边缘时会超出图像，因此，还可以对图像的边界进行扩充，例如，将原始图像的边界向外扩充一个卡尺长度的距离，并且，保持扩充部分的区域的灰度值与原始图像的边界处的灰度值一致。当然，在本发明中，对此不做限制，本领域技术人员可以根据实际情况进行图像边界的扩充或不扩充。
可选地，分别获取各虚拟卡尺所在区域的最小外接矩形，如图3所示，包括：
S301：根据目标卡尺对应的长边和短边以及目标卡尺的水平夹角，确定各目标卡尺的最小外接矩形的宽和长。
S302：根据各目标卡尺的中心及其对应的最小外接矩形的宽和长，确定各目标卡尺对应的最小外接矩形。
通过根据目标卡尺对应的长边和短边以及目标卡尺的水平夹角，确定各目标卡尺的最小外接矩形的宽和长，能够相对准确的得到各目标卡尺所对应的最小外接矩形。
示例地，目标卡尺的最小外接矩形的宽(RectangleW)和长(RectangleH)，的具体计算可以如下：
其中，θ为该目标卡尺的长度方向与水平方向的夹角，取值在0到2π之间，Height为目标卡尺的长边尺寸，Width为目标卡尺的短边尺寸。
通常，目标卡尺的中心与其最小外接矩形的中心的坐标一致。
可选地，分别获取各最小外接矩形内对应于边缘的轮廓点位置信息，如图4所示，包括：
S401：通过canny边缘检测算法获取最小外接矩形内目标圆形的边缘轮廓。
S402：根据边缘轮廓获取轮廓点位置信息。
在本发明实施例中，进行canny边缘检测算法之前，还可以先对各最小外接矩形内的图像进行中值滤波去噪以及形态学处理，从而能够避免图像中的噪点对后续获取轮廓点造成不良影响而产生误差。
该方法，通过canny边缘检测算法，能够相对便捷，高效且准确的得到各最小外接矩形内的轮廓点，能够节省该方法实施过程中的资源占用并提高效率。
可选地，在根据边缘轮廓获取轮廓点位置信息之后，该方法还包括：
选取满足预设阈值的轮廓点，预设阈值范围根据获取初步位置的目标圆形的初步周长确定。
通过对边缘轮廓点进行选取确定，能够避免最小外接矩形因其内确定的轮廓点较多而后续计算得到的质心向目标圆形的圆心偏离，从而导致的最终根据各质心拟合所得到的目标圆形的拟合曲线相比于实际的目标圆形的半径偏小。
示例地，选取满足预设阈值的轮廓点，具体可以是，对于任一个最小外接矩形：当获取的其内的轮廓点的个数小于预设阈值时，则选取所有轮廓点。而当获取的其内的轮廓点的个数大于预设阈值时，则选取偏离最小外接矩形的中心的横坐标最远的N个轮廓点(即沿最小外接矩形的长度方向距离其中心最远的N个轮廓点)，其中，N等于预设阈值。
可选地，在分别获取各虚拟卡尺所在区域的最小外接矩形之后，该方法还包括：
对各最小外接矩形进行坐标转换，获取转换后的最小外接矩形，其中，各转换后的最小外接矩形的长度方向与水平方向一致。
通过对各最小外接矩形进行调整，以使其长度方向与水平方向一致，能够将因与水平方向具有夹角而框选到的多余图像信息剔除出最小外接矩形(即卡尺所在区域)。从而，提高后续根据最小外接矩形内的图像获取轮廓点的准确性，进而提高最后拟合的目标圆形的拟合曲线的准确性。
示例地，旋转各最小外接矩形时，最小外接矩形的坐标转换可以如下：
其中，θ为最小外接矩形的长度方向与水平线间的夹角，X’、Y’分别为旋转前最小外接矩形的坐标，X、Y分别为旋转后最小外接矩形的坐标。
可选地，根据各轮廓点对应的质心位置对目标圆形进行拟合，计算获取目标圆形的半径和圆心，包括：
通过最小二乘法对各质心位置进行曲线拟合，以得到目标圆形的拟合曲线，目标圆形的拟合曲线对应的半径和圆心作为目标圆形的半径和圆心。
通过最小二乘法对各质心进行拟合，得到的算法相对简洁，且得到的拟合曲线相对准确。
其中，当该方法中还对各最小外接矩形进行了旋转，则在根据各质心对目标圆形进行拟合时，相应的，需要将各质点的坐标转换为原始坐标。示例地，具体转换计算可以如下：
其中，θ为最小外接矩形的长度方向与水平线间的夹角，X’、Y’分别为当前坐标，X、Y分别为原始坐标，x0、y0分别为最小外接矩形(卡尺)的中心的坐标。
需要说明的是，在实际应用中，通过得到拟合曲线之后，还可以根据得到的目标圆形的拟合曲线对各作为拟合点的轮廓点或质点异常点(即距离拟合曲线较远的点)进行剔除，之后再根据剩下的拟合点进行重新拟合，得到新的拟合曲线，如此不断重复迭代进行曲线拟合。最终得到的没有异常点的拟合曲线，或异常点数量小于或等于允许阈值的拟合曲线，则不再进行迭代重复。如此，最终的得到的拟合曲线与实际的目标圆形更加接近，从而提高该方法最终得到的目标圆形的圆心位置和半径的精确度。
本发明实施例的另一方面，提供一种图像内圆形图案的定位装置，如图5所示，包括：
第一获取模块501，用于根据图像内目标圆形的初步边缘位置，向目标圆形的边缘分布设置多个虚拟卡尺；
第二获取模块502，用于分别获取各虚拟卡尺所在区域的最小外接矩形；
第三获取模块503，用于分别获取各最小外接矩形内对应于边缘的轮廓点位置信息；
计算模块504，用于根据各轮廓点位置信息，计算获取目标圆形的半径和圆心。
本发明实施例提供的图像内圆形图案的定位装置，可以首先通过第一获取模块，获取图像内目标圆形的初步位置，并根据该初步位置，向圆形边缘分布设置多个卡尺。通过各卡尺能够分别将初步位置判断后的目标圆形的边缘轮廓按照一定区域进行划分框选。然后通过第二获取模块，分别获取各卡尺所在区域的最小外接矩形，并通过第三获取模块，分别获取各最小外接矩形内对应于目标圆形的边缘的轮廓点。通过获取的轮廓点能够分别表征出个最小外接矩形内的卡尺区域对应框选处的目标圆形的边缘轮廓。因此，之后再通过计算模块，根据各质心对目标圆形进行拟合，便能够得到目标圆形相对精确的半径和圆心。通过该装置，能够快速精确的对图像内圆形图案(即目标圆形)进行定位，以得到其对应的半径和圆心。并且，由于该方法没有采用机器学习，而使直接进行定位识别。因此，前期部署不需要进行大量的机器学习，时间较短，且对设备的计算性能要求较低，因此便于实施且成本较低，能够更好的适用于周期短、产品更新迭代快的案例。
可选地，计算模块504，具体用于根据各轮廓点位置信息，分别计算各轮廓点对应的质心位置；根据各轮廓点对应的质心位置对目标圆形进行拟合，计算获取目标圆形的半径和圆心。
可选地，如图6所述，该装置还包括：
选取模块601，用于根据虚拟卡尺的中心位置确定虚拟卡尺是否在图像内；中心位置位于图像内的虚拟卡尺确定为目标卡尺。
可选地，第二获取模块502具体用于，根据目标卡尺对应的长边和短边以及目标卡尺的水平夹角，确定各目标卡尺的最小外接矩形的宽和长；根据各目标卡尺的中心及其对应的最小外接矩形的宽和长，确定各目标卡尺对应的最小外接矩形。
可选地，第三获取模块503具体用于，通过canny边缘检测算法获取最小外接矩形内目标圆形的边缘轮廓；根据边缘轮廓获取轮廓点位置信息。
可选地，如图6所示，该装置还包括：
筛选模块602，用于选取满足预设阈值的轮廓点，预设阈值范围根据获取初步位置的目标圆形的初步周长确定。
可选地，如图6所示，该装置还包括：
调整模块603，用于对各最小外接矩形进行坐标转换，获取转换后的最小外接矩形，其中，各转换后的最小外接矩形的长度方向与水平方向一致。
可选地，计算模块还具体用于，通过最小二乘法对各质心进行曲线拟合，以得到目标圆形的拟合曲线，目标圆形的拟合曲线对应的半径和圆心作为目标圆形的半径和圆心。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中方法的对应过程，本发明中不再赘述。
本发明实施例还提供一种图像内圆形图案的定位设备，该设备可以是能够执行前述图像内圆形图案的定位方法的手机、计算机、建模设备等。
如图7所示，该图像内圆形图案的定位设备，可以包括处理器31、存储介质32、总线(图中未示出)以及图像采集单元33，图像采集单元33用于采集包含目标圆形的图像，存储介质32存储有处理器31可执行的机器可读指令，当图像内圆形图案的定位设备运行时，处理器31与存储介质32之间通过总线通信，处理器31执行机器可读指令，以执行如前述的图像内圆形图案的定位方法。具体实现方式和技术效果类似，在此不再赘述。
其中，图像采集单元33可以采用ccd相机或其他能够进行图像采集的设备或器件，此处不做限制。
为了便于说明，在上述图像内圆形图案的定位设备中仅描述了一个处理器。然而，应当注意，本发明中的图像内圆形图案的定位设备还可以包括多个处理器，因此本发明中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若图像内圆形图案的定位设备的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B等。
在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用指令集处理器(Application Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing，RISC)、或微处理器等，或其任意组合。
本发明实施例还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行如前述的图像内圆形图案的定位方法。具体实现方式和技术效果类似，在此同样不再赘述。
可选地，该存储介质可以是U盘、移动硬盘、ROM、RAM、磁碟或者光盘等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种图像内圆形图案的定位方法，其特征在于，包括：
根据图像内目标圆形的初步边缘位置，向所述目标圆形的边缘分布设置多个虚拟卡尺；
分别获取各所述虚拟卡尺所在区域的最小外接矩形；
分别获取各所述最小外接矩形内对应于所述边缘的轮廓点位置信息；
根据各所述轮廓点位置信息，计算获取所述目标圆形的半径和圆心；
所述分别获取各所述最小外接矩形内对应于所述边缘的轮廓点位置信息，包括：
通过canny边缘检测算法获取所述最小外接矩形内所述目标圆形的边缘轮廓；
根据所述边缘轮廓获取所述轮廓点位置信息；
所述根据各所述轮廓点位置信息，计算获取所述目标圆形的半径和圆心，包括：
根据各所述轮廓点位置信息，分别计算各所述轮廓点对应的质心位置；
根据各所述轮廓点对应的质心位置对所述目标圆形进行拟合，计算获取所述目标圆形的半径和圆心；
在所述根据图像内目标圆形的初步边缘位置，向所述目标圆形的边缘分布设置多个虚拟卡尺之后，所述方法还包括：
根据所述虚拟卡尺的中心位置确定所述虚拟卡尺是否在图像内；
所述中心位置位于所述图像内的虚拟卡尺确定为目标卡尺。
2.如权利要求1所述的方法，其特征在于，所述分别获取各所述虚拟卡尺所在区域的最小外接矩形，包括：
根据所述目标卡尺对应的长边和短边以及所述目标卡尺的水平夹角，确定各所述目标卡尺的最小外接矩形的宽和长；
根据各所述目标卡尺的中心位置及其对应的最小外接矩形的宽和长，确定各所述目标卡尺对应的最小外接矩形。
3.如权利要求1所述的方法，其特征在于，在所述根据所述边缘轮廓获取所述轮廓点位置信息之后，所述方法还包括：
选取满足预设阈值的所述轮廓点，所述预设阈值范围根据获取初步位置的所述目标圆形的初步周长确定。
4.如权利要求1至3任一项所述的方法，其特征在于，在所述分别获取各所述虚拟卡尺所在区域的最小外接矩形之后，所述方法还包括：
对各所述最小外接矩形进行坐标转换，获取转换后的最小外接矩形，其中，各所述转换后的最小外接矩形的长度方向与水平方向一致。
5.如权利要求1所述的方法，其特征在于，所述根据各所述轮廓点对应的质心位置对所述目标圆形进行拟合，计算获取所述目标圆形的半径和圆心，包括：
通过最小二乘法对各所述质心位置进行曲线拟合，以得到所述目标圆形的拟合曲线，所述目标圆形的拟合曲线对应的半径和圆心作为所述目标圆形的半径和圆心。
6.一种图像内圆形图案的定位装置，其特征在于，包括：
第一获取模块，用于根据图像内目标圆形的初步边缘位置，向所述目标圆形的边缘分布设置多个虚拟卡尺；根据所述虚拟卡尺的中心位置确定所述虚拟卡尺是否在图像内；所述中心位置位于所述图像内的虚拟卡尺确定为目标卡尺；
第二获取模块，用于分别获取各所述虚拟卡尺所在区域的最小外接矩形；
第三获取模块，用于分别获取各所述最小外接矩形内对应于所述边缘的轮廓点位置信息；
计算模块，用于根据各所述轮廓点位置信息，计算获取所述目标圆形的半径和圆心；
所述第三获取模块，具体用于通过canny边缘检测算法获取所述最小外接矩形内所述目标圆形的边缘轮廓；根据所述边缘轮廓获取所述轮廓点位置信息；
所述计算模块，具体用于根据各所述轮廓点位置信息，分别计算各所述轮廓点对应的质心位置；根据各所述轮廓点对应的质心位置对所述目标圆形进行拟合，计算获取所述目标圆形的半径和圆心。
7.一种图像内圆形图案的定位设备，其特征在于，包括处理器、存储介质、总线以及图像采集单元，所述图像采集单元用于采集包含目标圆形的图像，所述存储介质存储有所述处理器可执行的机器可读指令，当图像内圆形图案的定位设备运行时，所述处理器与所述存储介质之间通过所述总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010893596.8A CN112017232B (zh) | 2020-08-31 | 2020-08-31 | 图像内圆形图案的定位方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010893596.8A CN112017232B (zh) | 2020-08-31 | 2020-08-31 | 图像内圆形图案的定位方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112017232A CN112017232A (zh) | 2020-12-01 |
| CN112017232B true CN112017232B (zh) | 2024-03-15 |
Family
ID=73502466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010893596.8A Active CN112017232B (zh) | 2020-08-31 | 2020-08-31 | 图像内圆形图案的定位方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112017232B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634300B (zh) * | 2020-12-25 | 2022-11-22 | 创新奇智(北京)科技有限公司 | 一种工件装配方法、装置和系统 |
| CN113160223A (zh) * | 2021-05-17 | 2021-07-23 | 深圳中科飞测科技股份有限公司 | 轮廓的确定方法、确定装置、检测设备及存储介质 |
| CN114581445B (zh) * | 2022-05-06 | 2022-09-30 | 深圳市元硕自动化科技有限公司 | 点胶产品分段检测方法、系统、设备及存储介质 |
| CN115420216B (zh) * | 2022-09-01 | 2023-05-12 | 宁波九菱电机有限公司 | 一种电机生产检测方法、系统、存储介质及智能终端 |
| CN116079292B (zh) * | 2023-01-31 | 2024-01-23 | 凌波微步半导体设备(常熟)有限公司 | 一种焊盘识别方法及半导体芯片焊线机 |
| CN116188761B (zh) * | 2023-02-02 | 2024-02-02 | 杭州图谱光电科技有限公司 | 一种可用于规则形状阵列图的自动识别定位方法及装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493892A (zh) * | 2009-02-27 | 2009-07-29 | 中国农业大学 | 图像特征提取方法及装置 |
| CN106446894A (zh) * | 2016-09-27 | 2017-02-22 | 广东技术师范学院 | 一种基于轮廓识别球型目标物位置的方法 |
| CN106568384A (zh) * | 2017-01-17 | 2017-04-19 | 浙江大学台州研究院 | 大倒角石英晶片尺寸测量方法 |
| WO2018102990A1 (en) * | 2016-12-06 | 2018-06-14 | SZ DJI Technology Co., Ltd. | System and method for rectifying a wide-angle image |
| CN108765378A (zh) * | 2018-05-07 | 2018-11-06 | 上海理工大学 | 基于g代码引导下工件轮廓飞边凸起的机器视觉检测方法 |
| CN109816675A (zh) * | 2018-12-28 | 2019-05-28 | 歌尔股份有限公司 | 物体的检测方法、检测装置及存储介质 |
| CN110672617A (zh) * | 2019-09-14 | 2020-01-10 | 华南理工大学 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
| CN110751669A (zh) * | 2019-09-24 | 2020-02-04 | 武汉科技大学 | 一种新型cbocp在线红外转炉出钢钢流自动检测与跟踪方法及系统 |
| CN111161339A (zh) * | 2019-11-18 | 2020-05-15 | 珠海随变科技有限公司 | 一种间距测量方法、装置、设备以及计算机可读介质 |
| CN111307039A (zh) * | 2020-03-06 | 2020-06-19 | 珠海随变科技有限公司 | 一种物体长度识别方法、装置、终端设备和存储介质 |
| CN111399245A (zh) * | 2020-05-13 | 2020-07-10 | 浙江水晶光电科技股份有限公司 | 一种激光发射模组和3d成像装置 |
| CN111445511A (zh) * | 2020-03-24 | 2020-07-24 | 杭州东信北邮信息技术有限公司 | 一种图像中圆的检测方法 |
| CN111524126A (zh) * | 2020-04-29 | 2020-08-11 | 四川大学 | 一种自动特征形貌识别方法 |
-
2020
- 2020-08-31 CN CN202010893596.8A patent/CN112017232B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493892A (zh) * | 2009-02-27 | 2009-07-29 | 中国农业大学 | 图像特征提取方法及装置 |
| CN106446894A (zh) * | 2016-09-27 | 2017-02-22 | 广东技术师范学院 | 一种基于轮廓识别球型目标物位置的方法 |
| WO2018102990A1 (en) * | 2016-12-06 | 2018-06-14 | SZ DJI Technology Co., Ltd. | System and method for rectifying a wide-angle image |
| CN106568384A (zh) * | 2017-01-17 | 2017-04-19 | 浙江大学台州研究院 | 大倒角石英晶片尺寸测量方法 |
| CN108765378A (zh) * | 2018-05-07 | 2018-11-06 | 上海理工大学 | 基于g代码引导下工件轮廓飞边凸起的机器视觉检测方法 |
| CN109816675A (zh) * | 2018-12-28 | 2019-05-28 | 歌尔股份有限公司 | 物体的检测方法、检测装置及存储介质 |
| CN110672617A (zh) * | 2019-09-14 | 2020-01-10 | 华南理工大学 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
| CN110751669A (zh) * | 2019-09-24 | 2020-02-04 | 武汉科技大学 | 一种新型cbocp在线红外转炉出钢钢流自动检测与跟踪方法及系统 |
| CN111161339A (zh) * | 2019-11-18 | 2020-05-15 | 珠海随变科技有限公司 | 一种间距测量方法、装置、设备以及计算机可读介质 |
| CN111307039A (zh) * | 2020-03-06 | 2020-06-19 | 珠海随变科技有限公司 | 一种物体长度识别方法、装置、终端设备和存储介质 |
| CN111445511A (zh) * | 2020-03-24 | 2020-07-24 | 杭州东信北邮信息技术有限公司 | 一种图像中圆的检测方法 |
| CN111524126A (zh) * | 2020-04-29 | 2020-08-11 | 四川大学 | 一种自动特征形貌识别方法 |
| CN111399245A (zh) * | 2020-05-13 | 2020-07-10 | 浙江水晶光电科技股份有限公司 | 一种激光发射模组和3d成像装置 |
Non-Patent Citations (2)
| Title |
|---|
| Research of surface defect detection system for stator based on machine vision;Dai Binyu 等;《Chinese Journal of Sensors and Actuators》;20191031;第32卷(第10期);全文 * |
| 基于Hough变换运用形状角及梯度检测圆;方菲 等;《机械工程与自动化》;20150131(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112017232A (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112017232B (zh) | 图像内圆形图案的定位方法、装置及设备 | |
| US10115035B2 (en) | Vision system and analytical method for planar surface segmentation | |
| CN107766859B (zh) | 移动机器人定位方法、装置及移动机器人 | |
| CN110211110B (zh) | 一种构件尺寸的检测方法、系统及终端设备 | |
| CN110807807B (zh) | 一种单目视觉的目标定位的图案、方法、装置及设备 | |
| CN107356213B (zh) | 滤光片同心度测量方法及终端设备 | |
| CN113324478A (zh) | 一种线结构光的中心提取方法及锻件三维测量方法 | |
| CN112686950B (zh) | 位姿估计方法、装置、终端设备及计算机可读存储介质 | |
| CN103093223A (zh) | 一种光斑图像中心的快速定位方法 | |
| CN115937203B (zh) | 一种基于模板匹配的视觉检测方法、装置、设备及介质 | |
| CN114037675A (zh) | 一种飞机样板缺陷检测方法及装置 | |
| CN103824275A (zh) | 在图像中搜寻鞍点状结构并测定其信息的系统和方法 | |
| CN105405122A (zh) | 一种基于数据平稳性的圆检测方法 | |
| CN110458951B (zh) | 一种电网杆塔的建模数据获取方法及相关装置 | |
| CN116592776B (zh) | 一种基于三维点云的管径尺寸检测方法、装置及电子设备 | |
| WO2024021803A1 (zh) | 标记孔的定位方法、装置、装配设备及存储介质 | |
| CN115846890B (zh) | 镭雕设备的控制方法、镭雕设备以及计算机可读存储介质 | |
| CN105335971A (zh) | 基于图像的工件加工精确定位方法 | |
| CN117315046A (zh) | 一种环视相机标定方法、装置、电子设备及存储介质 | |
| CN116958218A (zh) | 一种基于标定板角点对齐的点云与图像配准方法及设备 | |
| CN106934846B (zh) | 一种布料图像处理方法及系统 | |
| JP6874987B2 (ja) | 地物形状抽出装置、地物形状抽出方法、及びプログラム | |
| CN116399262A (zh) | 一种工件精度检测方法、系统及设备 | |
| CN114998571A (zh) | 基于固定尺寸标志物的图像处理及颜色检测方法 | |
| CN114049304A (zh) | 一种3d光栅检测方法、装置、计算机设备及可读存储介质 |
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 |