CN112488207B - 一种基于仿真图像的高相似度零件视觉识别方法及系统 - Google Patents
一种基于仿真图像的高相似度零件视觉识别方法及系统 Download PDFInfo
- Publication number
- CN112488207B CN112488207B CN202011388570.4A CN202011388570A CN112488207B CN 112488207 B CN112488207 B CN 112488207B CN 202011388570 A CN202011388570 A CN 202011388570A CN 112488207 B CN112488207 B CN 112488207B
- Authority
- CN
- China
- Prior art keywords
- image
- identified
- simulation
- information
- similarity
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于仿真图像的高相似度零件视觉识别方法及系统,该方法针对左右对称、形状差异较小的高相似度零件,设计了一种基于机器视觉与仿真图像的识别方法。首先对零件进行三维建模,再进行高还原度的图形渲染,模拟真实环境下的图像样貌;接着采集高相似度零件区分度最高的视角下的图像;接着将零件放置在旋转工作平台上,并采集图像;通过将真实图像与仿真图像进行匹配对齐,获取虚实图像变换矩阵;通过算法得到旋转工作台的旋转角度,将零件旋转至区分度最高的视角,再次采集图像;最后获取零件的轮廓信息,通过与模板进行匹配得到最终识别结果。
Description
技术领域
本发明涉及机器视觉技术领域,具体涉及一种基于仿真图像的高相似度零件视觉识别方法及系统。
背景技术
在进行零件区分时有的零件人工区分较为简单但有的零件人工无法较快区分,往往只有同一族内的零件较难区分。而且,零件的分类识别问题中存在着无法使用统一的夹具、较难定位等问题,给分类工作造成了一定的难度。目前,针对高相似度零件的分类任务只能采取人工比对的方式进行,此方式不仅工作量较大,而且无法保证分类的精度。目前,有针对零件分类问题的识别方法的提出:
吕政阳等(“CN110866894A-一种基于机器视觉技术的跨粒度的钣金件识别系统及方法”)提出通过人工视觉引导的方式将高相似度飞机钣金件调整至可区分的视角。
方舟等(方舟.基于GAPSO-SVM的钣金零件图像识别方法[J].机械制造与自动化,2020,(5):116-118+122)提出将遗传算法的交叉变异操作引入粒子群算法,形成遗传粒子群算法。采用遗传粒子群算法同时进行支持向量机的参数优化和特征选择。其他的基于机器视觉的零件分类方法在分类识别的过程中存在着计算复杂度高、识别精度低等问题。同时,在各个领域零件的识别任务存在着相似的问题,需要一种适用性强、计算复杂度低、识别准确且高效的分类方法。
发明内容
发明目的:为了克服现有技术的不足,本发明提供一种基于仿真图像的高相似度零件视觉识别方法,该方法可以解决了零件识别速度和精度低的问题,本发明还提供一种基于仿真图像的高相似度零件视觉识别系统。
技术方案:本发明所述的基于仿真图像的高相似度零件视觉识别方法,包括:
(1)对已有的零件模型进行图形渲染,模拟出真实环境下的零件图像样貌,得到零件的仿真图形;
(2)人工选取区分度最高的区域,确定拍摄合适的角度,采集图像并提取相关特征信息入库;
(3)用旋转工作台旋转所述待识别零件至合适位置拍摄零件的主视图像和侧视图像,提取待识别零件的主视觉特征信息Tm和辅助视觉特征信息Ta;
(4)将待识别零件与仿真零件进行对比匹配筛选出多个高相似度的仿真零件;
(5)将获取的待识别零件的图像与多个高相似度的仿真图像进行对比,获得真实图像轮廓与各个虚拟图像轮廓之间的旋转矩阵R;
1)通过Canny算法提取仿真图像与待识别零件的实际拍摄图像的轮廓信息;
2)使用ICP算法获取仿真图像轮廓到真实图像轮廓的转换矩阵R。
(6)通过旋转矩阵R得出旋转工作台的旋转角度,将旋转矩阵R通过旋转变换矩阵得到旋转角度θ。通过直流电机控制旋转工作台,将零件位置转动至所需视角下,用辅助相机再次采集零件的侧视图像;
旋转变换矩阵:
(7)根据上一步获得的实拍侧视图像获取所述待识别零件的轮廓信息,与数据库中的仿真零件信息进行匹配与识别,确定待识别零件的图号信息,进而获得最相似的细粒度匹配仿真零件的图号。
进一步的,包括:
所述步骤(4),具体包括:
(41)依次计算数据库中所有仿真零件Hi的粗粒度特征向量vci与待识别零件的粗粒度特征向量uc两个特征向量间的距离Di;
(42)将所有距离值Di小于距离阈值的对应零件称作匹配备选零件,记为A0,A1,...Am,其中,m为满足距离阈值要求的零件个数;
(43)计算各个匹配备选零件A0,A1,...Am的辅助视觉特征信息Vai与待识别零件的辅助视觉特征信息Ta的相似度,筛选得到相似度最大的进行细粒度筛选的备选仿真图A0,A1,...An,其中,n为满足相似度要求的零件个数。
进一步的,包括:
所述步骤(43)包括:
若零件辅助视觉特征信息Vai是由所有辅助图像Iai组成,则使用模板匹配的方法,依次计算匹配备选零件A0,A1,...Am的Vai与待识别零件的零件辅助特征信息Ta的相似度,根据相似度对匹配结果进行筛选;否则,
若零件辅助特征信息Vai是由零件图形轮廓Ji组成,依次计算匹配备选零件A0,A1,...Am的Vai与待识别零件B的零件辅助特征信息Ta的相似度,根据相似度对匹配结果进行筛选。
进一步的,包括:
所述零件图形轮廓提取算法为:利用拓扑结构分析以及边界追踪技术从二值图像中得到有序的轮廓点集合,通过层次结构对轮廓进行表示,从而有效地区分内、外轮廓,保证轮廓信息的完整性
进一步的,包括:
所述步骤(3)中,旋转工作台上方设置有龙门型支架,龙门型支架的横杆上设置有主相机,其两端的竖杆上设置有一个或多个辅助相机,所述主相机置于所述待识别零件的正上方,用于拍摄主视图像,辅助相机用于拍摄侧视图像。
另一方面,本发明还提供一种基于仿真图像的高相似度零件视觉识别系统,包括:
仿真零件构建模块,用于对已有的零件模型进行图形渲染,模拟出真实环境下的零件图像样貌,得到零件仿真图像;
仿真零件特征提取模块,用于提取不同种类的仿真零件的视觉特征信息,并将相关信息保存至数据库;
待识别零件特征提取模块,用于采用旋转工作台旋转所述待识别零件至合适位置拍摄零件的主视图像和侧视图像,提取待识别零件的视觉特征信息;
第一匹配模块,用于将待识别零件与仿真零件进行对比匹配筛选出多个高相似度的零件;
旋转矩阵获取模块,用于将获取的待识别零件的图像与多个高相似度的仿真图像进行对比,获得真实图像轮廓与各个虚拟图像轮廓之间的旋转矩阵R;
1)通过Canny算法提取仿真图像与待识别零件的实际拍摄图像的轮廓信息;
2)使用ICP算法获取仿真图像轮廓到真实图像轮廓的转换矩阵R。
位置调整模块,用于通过旋转矩阵R得出旋转工作台的旋转角度。
将旋转矩阵R通过旋转变换矩阵得到旋转角度θ。通过直流电机控制旋转工作台,将零件位置转动至所需视角下,用辅助相机再次采集零件的侧视图像;
旋转变换矩阵:
第二匹配模块,根据上一步获得的实拍侧视图像获取所述待识别零件的轮廓信息,与数据库中的仿真零件信息进行匹配与识别,确定待识别零件的图号信息,进而获得最相似的细粒度匹配仿真零件的图号。
有益效果:本发明通过采用旋转工作台的形式,无需人工调整零件摆放位置,便于细粒度识别,节约人工成本;本发明通过采仿真图像对比完成零件的识别,降低了计算量,节约了人工分类的成本,有效地提高了零件识别速度。
附图说明
图1为本发明识别方法详细流程图;
图2为本发明实施例旋转工作台的立体示意图;
图3为本发明实施例所述的旋转工作台的主视图;
图4为本发明实施例所述的旋转工作台的俯视图;
图5为本发明实施例所述的旋转工作台的侧视图;
图6是本发明实施例所述的部分零件的特征数据及零件间的相对距离。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,并不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
参阅图1所示,本发明公开了基于仿真图像的高相似度零件视觉识别方法,包括以下步骤:
S1.利用CAD对零件进行三维建模,并对其进行高还原度的图形渲染,模拟出真实环境下的零件图像样貌。
S2.提取仿真零件主图像Imi中的特征数据,选取l种特征数据组成l维特征向量vci=(x1,x2,...,xn)T,其中,i为当前零件编号,x1,x2,...,xn为各特征值,vci为零件粗粒度区分特征;提取主图像Imi的零件图形轮廓数据作为零件细粒度区分特征vfi;vci、vfi共同作为仿真零件主视觉特征信息Vmi。将零件图号、零件主视觉特征信息Vmi共同保存在零件数据库中。
本实施实例中使用成像分辨率1456像素X1088像素的相机作为主相机,搭配使用工业相机镜头。
本发明实施例中针对主图像Imi的零件主视觉特征信息Vmi,其提取算法具体包括:
S2.2.1对仿真零件主图像Imi进行高斯滤波去除图像中的噪声点,并进行处理得到二值化图像;
S2.2.2提取主图像Imi的形状因子及旋转不变矩阵特征数据,选取二值化零件图形的轮廓周长、面积数值;
对零件图形进行最小外接椭圆拟合,计算拟合椭圆的长轴、短轴长度;
计算图形最小包围盒面积;
计算图形最小外接圆的半径;
计算图形的1阶、2阶Hu矩及0阶、2阶Zernike矩组成10维特征向量vci=(x1,x2,...,x10)T,其中,i为当前零件编号,x1,x2,...,x10为各特征值,vci为零件粗粒度区分特征。
S3.用旋转工作台旋转零件至合适位置利用主相机拍摄待识别零件主视图像,用旋转工作台旋转零件至合适位置利用辅助相机2拍摄零件侧视图像。
如图2-5所示,旋转工作台4上放置零件,使用直流电机驱动工作台旋转方向。旋转工作台4上方设置有龙门型支架,龙门型支架的横杆上设置有主相机1,其两端的竖杆上设置有一个或多个辅助相机2,竖杆下端设置有光源3,主相机1置于待识别零件的正上方,用于拍摄主视图像,辅助相机2用于拍摄侧视图像。
S4提取待识别零件B的视觉特征信息Tm,与系统中数据库模块的零件信息进行匹配与识别,确定待识别零件B的图号信息。对待识别零件B的视觉特征信息Tm的在线提取方法与构建零件数据库时对样本零件Hi的视觉特征信息Vi的提取方法完全一致。
待识别零件数据特征与数据库中的零件信息进行匹配与识别包括具体以下步骤:
S4.1对于待识别零件B,依次计算数据库中所有零件Hi的粗粒度特征向量vci与待识别零件B的粗粒度特征向量uc两个特征向量间的距离Di;
S4.2将所有距离值Di小于距离阈值的对应零件称作匹配备选零件,记为A0,A1,...Am,其中,m为满足距离阈值要求的零件个数;
S4.3通过模板匹配法或迭代最近点算法,计算匹配备选零件A0,A1,...Am的辅助视觉特征信息Vai与待识别零件B的辅助视觉特征信息Ta的相似度,筛选得到相似度结果大于辅助信息相似度阈值Tsim的细粒度备选零件A0,A1,...An,其中,n为满足大于辅助信息相似度阈值要求的零件个数。
通过模板匹配法或迭代最近点算法进行粗力度识别包括以下两个步骤:
1)如果零件辅助特征信息Vai是由所有辅助图像Iai组成,则使用模板匹配的方法,依次计算匹配备选零件A0,A1,...Am的Vai与待识别零件B的零件辅助特征信息Ta的相似度,根据相似度对匹配结果进行筛选;
2)如果零件辅助特征信息Vai是由零件图形轮廓Ji组成,则使用迭代最近点算法,依次计算匹配备选零件A0,A1,...Am的Vai与待识别零件B的零件辅助特征信息Ta的相似度,根据相似度对匹配结果进行筛选。
零件图形轮廓提取算法为:利用拓扑结构分析以及边界追踪技术从二值图像中得到有序的轮廓点集合,通过层次结构对轮廓进行表示,从而有效地区分内、外轮廓,保证轮廓信息的完整性。
S5将获取的待识别零件的图像与多个高相似度的仿真图像进行对比,获得真实图像轮廓与各个虚拟图像轮廓之间的旋转矩阵R。具体方法为:
1)通过Canny算法提取仿真图像与待识别零件的实际拍摄图像的轮廓信息;
2)使用ICP算法获取仿真图像轮廓到真实图像轮廓的转换矩阵R。将旋转矩阵R通过旋转变换矩阵得到旋转角度θ
旋转变换矩阵:
旋转工作台自动调整零件旋转γ度使拍摄到的零件位于区分度最高的视角,使用辅助相机组拍摄一张或多张待识别零件的辅助图像Ka,提取相应的零件辅助特征信息Ta。
若粗粒度识别后匹配的相似度零件较多,则需要多次旋转工作台,用辅助相机拍摄多张辅助图片。使用与S2.2.2相同的提取方法的方法,提取相应的零件辅助特征信息Tai,i=1,2,……,n。
S6通过旋转矩阵R得出旋转工作台的旋转角度,旋转放置零件的工作台改变待识别零件B的位置和角度,用辅助相机再次采集零件的侧视图像。下一步用来和仿真零件信息对比。
S7获取上一步采集的辅助图像的零件轮廓信息,与系统中数据库模块的仿真零件信息进行匹配与识别,确定待识别零件的图号信息,获得最终识别结果。
依次计算高相似度的细粒度备选零件A0,A1,...Am的细粒度区分特征vfi与待识别零件B的细粒度区分特征uf的相似度,根据计算结果选择最相似的细粒度匹配零件的图号作为结果输出,从而确定待识别零件B的图号。
本发明通过计算拟合椭圆与水平方向夹角,将零件图形轮廓绕重心点旋转该角度后作为迭代最近点算法的初值,通过传统迭代最近点算法实现待识别零件轮廓与备选匹配零件轮廓间的匹配,并计算轮廓点对之间的平均距离作为相似度依据。本实例中统计了部分零件的特征数据及零件间的相对距离,如图6所示。
从数据分析上可以看出本发明方法具有良好的识别精度和鲁棒性,可以使用该发明对零件进行高效、稳定的识别。从视觉角度可以看出,使用迭代最近点算法对轮廓进行匹配,具有较好的识别效果,可以有效地对高相似度的零件进行识别。
另一方面,本发明还提供一种基于仿真图像的高相似度零件视觉识别系统,包括:
仿真零件构建模块,用于对已有的零件模型进行图形渲染,模拟出真实环境下的零件图像样貌,得到仿真零件;
仿真零件特征提取模块,用于提取不同种类的仿真零件的视觉特征信息,并将相关信息保存至数据库;
待识别零件特征提取模块,用于采用旋转工作台旋转所述待识别零件至合适位置拍摄零件的主视图像和侧视图像,提取待识别零件的视觉特征信息;
第一匹配模块,用于将待识别零件与仿真零件进行对比匹配筛选出多个高相似度的零件;
旋转矩阵获取模块,用于将获取的待识别零件的图像与多个高相似度的仿真图像进行对比,获得真实图像轮廓与各个虚拟图像轮廓之间的旋转矩阵R;
1)通过Canny算法提取仿真图像与待识别零件的实际拍摄图像的轮廓信息;
2)使用ICP算法获取仿真图像轮廓到真实图像轮廓的转换矩阵R。
位置调整模块,用于通过旋转矩阵R得出旋转工作台的旋转角度,将旋转矩阵R通过旋转变换矩阵得到旋转角度θ。通过直流电机控制旋转工作台,将零件位置转动至所需视角下
旋转变换矩阵:
旋转放置零件的旋转工作台进而改变待识别零件的位置和角度,用辅助相机再次采集零件的侧视图像;
第二匹配模块,根据上一步获得的实拍侧视图像获取所述待识别零件的轮廓信息,与数据库中的仿真零件信息进行匹配与识别,确定待识别零件的图号信息,进而获得最相似的细粒度匹配仿真零件的图号。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于仿真图像的高相似度零件视觉识别方法,其特征在于,包括以下步骤:
(1)对已有的零件模型进行图形渲染,模拟出真实环境下的零件图像样貌,得到零件的仿真图像;
(2)人工选取区分度最高的区域,确定拍摄合适的角度,采集图像并提取相关特征信息入库;
(3)旋转工作台旋转待识别零件B至合适位置拍摄零件的主视图像和侧视图像,提取待识别零件的主视觉特征信息Tm和辅助视觉特征信息Ta;
(4)将待识别零件与高相似度仿真零件进行对比匹配筛选出高相似度零件;
(5)将获取的待识别零件的图像与多个高相似度的仿真图像进行对比,获得真实图像轮廓与各个虚拟图像轮廓之间的旋转矩阵R;
(51)通过Canny算法提取仿真图像与待识别零件的实际拍摄图像的轮廓信息;
(52)使用ICP算法获取仿真图像轮廓到真实图像轮廓的转换矩阵R;
(6)通过旋转矩阵R得出旋转工作台的旋转角度,将旋转矩阵R通过旋转变换矩阵得到旋转角度θ,通过直流电机控制旋转工作台,将零件位置转动至所需视角下,用辅助相机再次采集零件的侧视图像;
旋转变换矩阵:
(7)根据上一步获得的实拍侧视图像获取所述待识别零件的轮廓信息,与数据库中的仿真零件信息进行匹配与识别,确定待识别零件的图号信息,进而获得最相似的细粒度匹配仿真零件的图号。
2.根据权利要求1所述的基于仿真图像的高相似度零件视觉识别方法,其特征在于,所述步骤(4),具体包括:
(41)依次计算数据库中所有仿真零件Hi的粗粒度特征向量Vci与待识别零件的粗粒度特征向量uc两个特征向量间的距离Di;
(42)将所有距离值Di小于距离阈值的对应零件称作匹配备选零件;
(43)通过模板匹配法或迭代最近点算法,计算匹配备选零件A0,A1,...Am的辅助视觉特征信息Val与待识别零件B的辅助视觉特征信息Ta的相似度,筛选得到相似度结果大于辅助信息相似度阈值Tsim的细粒度备选零件A0,A1,...An,其中,n为满足大于辅助信息相似度阈值要求的零件个数;其中,m为满足距离阈值要求的零件个数。
3.根据权利要求2所述的基于仿真图像的高相似度零件视觉识别方法,其特征在于,所述步骤(43)包括:
若零件辅助视觉特征信息Vai是由所有辅助图像Iai组成,则使用模板匹配的方法,依次计算匹配备选零件的Vai与待识别零件的零件辅助视觉特征信息Ta的相似度,根据相似度对匹配结果进行筛选;否则,
若零件辅助视觉特征信息Vai是由零件图形轮廓Ji组成,则使用迭代最近点算法,依次计算匹配备选零件A0,A1,...Am的Vai与待识别零件B的零件辅助视觉特征信息Ta的相似度,根据相似度对匹配结果进行筛选。
4.根据权利要求3所述的基于仿真图像的高相似度零件视觉识别方法,其特征在于,所述零件图形轮廓提取算法为:利用拓扑结构分析以及边界追踪技术从二值图像中得到有序的轮廓点集合,通过层次结构对轮廓进行表示,从而有效地区分内、外轮廓,保证轮廓信息的完整性。
5.根据权利要求1所述的基于仿真图像的高相似度零件视觉识别方法,其特征在于,所述步骤(3)中,旋转工作台上方设置有龙门型支架,龙门型支架的横杆上设置有主相机,其两端的竖杆上设置有一个或多个辅助相机,所述主相机置于所述待识别零件的正上方,用于拍摄主视图像,辅助相机用于拍摄侧视图像。
6.一种基于仿真图像的高相似度零件视觉识别系统,其特征在于,包括:
仿真零件构建模块,用于对已有的零件模型进行图形渲染,模拟出真实环境下的零件图像样貌,得到零件仿真图像;
仿真零件特征提取模块,用于提取不同种类的仿真零件的视觉特征信息,并将相关信息保存至数据库;
待识别零件特征提取模块,用于采用旋转工作台旋转所述待识别零件至合适位置拍摄零件的主视图像和侧视图像,提取待识别零件的主视觉特征信息Tm和辅助视觉特征信息Ta;
第一匹配模块,用于将待识别零件与仿真零件进行对比匹配筛选出多个高相似度的零件;
旋转矩阵获取模块,用于将获取的待识别零件的图像与多个高相似度的仿真图像进行对比,获得真实图像轮廓与各个虚拟图像轮廓之间的旋转矩阵R;
(51)通过Canny算法提取仿真图像与待识别零件的实际拍摄图像的轮廓信息;
(52)使用ICP算法获取仿真图像轮廓到真实图像轮廓的转换矩阵R;
位置调整模块,用于通过旋转变换矩阵R得出旋转工作台的旋转角度,
将旋转矩阵R通过旋转换矩阵得到旋转角度θ通过直流电机控制旋转工作台,将零件位置转动至所需视角下,用辅助相机再次采集零件的侧视图像;
旋转变换矩阵:
第二匹配模块,根据上一步获得的实拍侧视图像获取所述待识别零件的轮廓信息,与数据库中的仿真零件信息进行匹配与识别,确定待识别零件的图号信息,进而获得最相似的细粒度匹配仿真零件的图号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011388570.4A CN112488207B (zh) | 2020-12-02 | 2020-12-02 | 一种基于仿真图像的高相似度零件视觉识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011388570.4A CN112488207B (zh) | 2020-12-02 | 2020-12-02 | 一种基于仿真图像的高相似度零件视觉识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112488207A CN112488207A (zh) | 2021-03-12 |
CN112488207B true CN112488207B (zh) | 2023-09-22 |
Family
ID=74938894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011388570.4A Active CN112488207B (zh) | 2020-12-02 | 2020-12-02 | 一种基于仿真图像的高相似度零件视觉识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488207B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114040116B (zh) * | 2021-11-30 | 2022-09-20 | 安徽精研塑胶制品有限公司 | 塑胶模材良品监测反馈系统 |
CN114842375A (zh) * | 2022-04-20 | 2022-08-02 | 成都飞机工业(集团)有限责任公司 | 一种基于镜面反射的成组高相似度零件识别方法及系统 |
CN114757924A (zh) * | 2022-04-20 | 2022-07-15 | 成都飞机工业(集团)有限责任公司 | 一种基于双面拍摄的对称相似零件识别方法及系统 |
CN117289626B (zh) * | 2023-11-27 | 2024-02-02 | 杭州维讯机器人科技有限公司 | 一种用于工业化的虚拟仿真方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108555908A (zh) * | 2018-04-12 | 2018-09-21 | 同济大学 | 一种基于rgbd相机的堆叠工件姿态识别及拾取方法 |
CN110795835A (zh) * | 2019-10-16 | 2020-02-14 | 江苏科技大学 | 一种基于自动同步建模的三维工序模型逆向生成方法 |
CN110866894A (zh) * | 2019-10-08 | 2020-03-06 | 南京航空航天大学 | 一种基于机器视觉技术的跨粒度的钣金件识别系统及方法 |
JP2020097067A (ja) * | 2018-12-17 | 2020-06-25 | 株式会社東京精密 | 補助方法及び補助装置 |
CN211282714U (zh) * | 2019-11-28 | 2020-08-18 | 威克迈动力系统部件(廊坊)有限公司 | 一种角度识别旋转装置 |
CN111711765A (zh) * | 2020-05-29 | 2020-09-25 | 杭州电子科技大学 | 一种零件生产工序检验系统 |
CN111914112A (zh) * | 2020-07-07 | 2020-11-10 | 西安交通大学 | 一种基于点云分类网络的零件cad模型重用方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9990685B2 (en) * | 2016-03-21 | 2018-06-05 | Recognition Robotics, Inc. | Automated guidance system and method for a coordinated movement machine |
-
2020
- 2020-12-02 CN CN202011388570.4A patent/CN112488207B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108555908A (zh) * | 2018-04-12 | 2018-09-21 | 同济大学 | 一种基于rgbd相机的堆叠工件姿态识别及拾取方法 |
JP2020097067A (ja) * | 2018-12-17 | 2020-06-25 | 株式会社東京精密 | 補助方法及び補助装置 |
CN110866894A (zh) * | 2019-10-08 | 2020-03-06 | 南京航空航天大学 | 一种基于机器视觉技术的跨粒度的钣金件识别系统及方法 |
CN110795835A (zh) * | 2019-10-16 | 2020-02-14 | 江苏科技大学 | 一种基于自动同步建模的三维工序模型逆向生成方法 |
CN211282714U (zh) * | 2019-11-28 | 2020-08-18 | 威克迈动力系统部件(廊坊)有限公司 | 一种角度识别旋转装置 |
CN111711765A (zh) * | 2020-05-29 | 2020-09-25 | 杭州电子科技大学 | 一种零件生产工序检验系统 |
CN111914112A (zh) * | 2020-07-07 | 2020-11-10 | 西安交通大学 | 一种基于点云分类网络的零件cad模型重用方法 |
Non-Patent Citations (2)
Title |
---|
基于Hu-SIFT特征匹配与遗传算法的零件视觉分拣方法;鲁晟燚,梁冬泰,梁丹,吴晓成;《传感器与微系统》;全文 * |
面向数控工艺复用的柴油机关键件特征定义;张辉,李磊磊,官威,欧联春,李群,张胜文;《制造技术与机床》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112488207A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488207B (zh) | 一种基于仿真图像的高相似度零件视觉识别方法及系统 | |
CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
CN106651942B (zh) | 基于特征点的三维旋转运动检测与旋转轴定位方法 | |
CN106127780B (zh) | 一种曲面表面缺陷自动检测方法及其装置 | |
CN111474184B (zh) | 基于工业机器视觉的aoi字符缺陷检测方法和装置 | |
CN106709950B (zh) | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 | |
CN105740899B (zh) | 一种机器视觉图像特征点检测与匹配复合的优化方法 | |
WO2020124988A1 (zh) | 一种基于视觉的车位检测方法及装置 | |
CN104484648B (zh) | 基于轮廓识别的机器人可变视角障碍物检测方法 | |
CN112476434A (zh) | 一种基于协作机器人的视觉3d取放方法及系统 | |
CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
CN112067233B (zh) | 一种用于风洞模型六自由度运动捕获方法 | |
CN110866894B (zh) | 一种基于机器视觉技术的跨粒度的钣金件识别系统及方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN110490936A (zh) | 车辆摄像头的标定方法、装置、设备及可读存储介质 | |
CN110926330A (zh) | 图像处理装置和图像处理方法 | |
CN110910350A (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN109242787A (zh) | 一种中小学艺术测评中绘画录入方法 | |
CN113393439A (zh) | 一种基于深度学习的锻件缺陷检测方法 | |
CN111161295A (zh) | 一种菜品图像背景剥离方法 | |
CN114331995A (zh) | 一种基于改进2d-icp的多模板匹配实时定位方法 | |
CN115014248B (zh) | 一种激光投射线的识别与平面度判定方法 | |
CN111127556B (zh) | 基于3d视觉的目标物体识别和位姿估算方法以及装置 | |
CN114463425B (zh) | 一种基于概率Hough直线检测的工件表面无特征点定位方法 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 |
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 |