CN112750107A - 基于轮廓边数拟合与凸包处理的球形工件识别方法及系统 - Google Patents
基于轮廓边数拟合与凸包处理的球形工件识别方法及系统 Download PDFInfo
- Publication number
- CN112750107A CN112750107A CN202110032818.1A CN202110032818A CN112750107A CN 112750107 A CN112750107 A CN 112750107A CN 202110032818 A CN202110032818 A CN 202110032818A CN 112750107 A CN112750107 A CN 112750107A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- edge
- convex hull
- identified
- processing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012545 processing Methods 0.000 title claims abstract description 49
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims description 18
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 239000006002 Pepper Substances 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 235000002566 Capsicum Nutrition 0.000 claims description 2
- 235000016761 Piper aduncum Nutrition 0.000 claims description 2
- 235000017804 Piper guineense Nutrition 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims description 2
- 235000008184 Piper nigrum Nutrition 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 150000003839 salts Chemical class 0.000 claims description 2
- 230000008569 process Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012216 screening 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于轮廓边数拟合与凸包处理的球形工件识别方法及系统,包括:获取通过摄像头采集的待识别工件的两个拍摄角度的图像;对所述两个角度的图像进行预处理操作,得到预处理后的两幅图像;对每一幅预处理后的图像进行边缘轮廓提取;基于获取的边缘轮廓进行多边形拟合处理,得到待识别工件的若干条边;基于所得到的待识别工件的若干条边,构建凸包集合;基于凸包集合得到待识别工件的凸包边数;判断两个拍摄角度图像的凸包边数是否均超过设定阈值,如果是,则判定当前待识别工件为球形工件;否则,判定当前待识别工件为非球形工件。
Description
技术领域
本申请涉及工件识别技术领域,特别是涉及基于轮廓边数拟合与凸包处理的球形工件识别方法及系统。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术,并不必然构成现有技术。
球体工件分拣在工厂工件的分拣中占有较大的数量,通过视觉机器人的视觉识别、定位球体,然后将信息发送给机器人,可实现球体工件的分拣。如何提取球体特征是工厂球状物体的识别和分拣能否成功的关键。
传统图像处理算法存在识别和定位准确度低、鲁棒性差的问题,因此发展出基于深度学习的球体识别,深度学习框架易受复杂环境噪音的影响,具有特殊性的问题,且无可避免的需要大量的原始图像。
发明内容
为了解决现有技术的不足,本申请提供了基于轮廓边数拟合与凸包处理的球形工件识别方法及系统;该方法具有通用性,不受复杂场景限制。
第一方面,本申请提供了基于轮廓边数拟合与凸包处理的球形工件识别方法;
基于轮廓边数拟合与凸包处理的球形工件识别方法,包括:
获取通过摄像头采集的待识别工件的两个拍摄角度的图像;
对所述两个角度的图像进行预处理操作,得到预处理后的两幅图像;
对每一幅预处理后的图像进行边缘轮廓提取;基于获取的边缘轮廓进行多边形拟合处理,得到待识别工件的若干条边;
基于所得到的待识别工件的若干条边,构建凸包集合;基于凸包集合得到待识别工件的凸包边数;
判断两个拍摄角度图像的凸包边数是否均超过设定阈值,如果是,则判定当前待识别工件为球形工件;否则,判定当前待识别工件为非球形工件。
第二方面,本申请提供了基于轮廓边数拟合与凸包处理的球形工件识别系统;
基于轮廓边数拟合与凸包处理的球形工件识别系统,包括:
获取模块,其被配置为:获取通过摄像头采集的待识别工件的两个拍摄角度的图像;
预处理模块,其被配置为:对所述两个角度的图像进行预处理操作,得到预处理后的两幅图像;
边缘轮廓提取与多边拟合模块,其被配置为:对每一幅预处理后的图像进行边缘轮廓提取;基于获取的边缘轮廓进行多边形拟合处理,得到待识别工件的若干条边;
凸包集合构建模块,其被配置为:基于所得到的待识别工件的若干条边,构建凸包集合;基于凸包集合得到待识别工件的凸包边数;
判断两个拍摄角度图像的凸包边数是否均超过设定阈值,如果是,则判定当前待识别工件为球形工件;否则,判定当前待识别工件为非球形工件。
第三方面,本申请还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述第一方面所述的方法。
第四方面,本申请还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
第五方面,本申请还提供了一种计算机程序(产品),包括计算机程序,所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比,本申请的有益效果是:
针对识别率低,方法结合了泛洪处理和形态学操作来优化图像,提取了更优异的图像识别信息。针对受环境影响和需要大量原始图像,采用同一物体两个角度获取的图像,避免了一个方向受噪音影响而造成的识别错误,同时不需要大量的原始图像。针对鲁棒性差和特殊性的问题,采用基于轮廓提取和拟合的凸包处理获得多边形拟合边的数量,从不同方向获得同一组待测对象的两个二维图像。设两个二维图像中同一待测目标对象的拟合边数为X,Y,提取X,Y以形成二维数组M,令M=[X,Y]。如果数组M的两个值X,Y都大于设置的阈值,则将待测目对象定义为球形。方法利用K-NN算法获得第一次分类结果,其次再使用霍夫圆变换进行二次检测,进一步筛选K-NN的分类结果,可以避免其他几何和空间参数设置面临的鲁棒性差的弊端,具有通用性。结果证明提出的方法可以实现高精度的球形物体识别和分类。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为第一个实施例的多边形拟合原理图;
图2(a)为第一个实施例的表示选取直线p1p2,由于p3、p4和p5都在直线一侧,则将直线p1p2加入凸包集合;
图2(b)为第一个实施例的表示选取直线p1p2,由于p3、p4和p5不在同一侧,则不将直线p1p2加入凸包集合;
图3为第一个实施例的方法流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
传统图像处理算法存在识别和定位准确度低、鲁棒性差的问题。深度学习框架易受复杂环境噪音的影响,具有特殊性的,且无可避免的需要大量原始图像的问题。
实施例一
本实施例提供了基于轮廓边数拟合与凸包处理的球形工件识别方法;
如图3所示,基于轮廓边数拟合与凸包处理的球形工件识别方法,包括:
S101:获取通过摄像头采集的待识别工件的两个拍摄角度的图像;
S102:对所述两个角度的图像进行预处理操作,得到预处理后的两幅图像;
S103:对每一幅预处理后的图像进行边缘轮廓提取;基于获取的边缘轮廓进行多边形拟合处理,得到待识别工件的若干条边;
S104:基于所得到的待识别工件的若干条边,构建凸包集合;基于凸包集合得到待识别工件的凸包边数;
判断两个拍摄角度图像的凸包边数是否均超过设定阈值,如果是,则判定当前待识别工件为球形工件;否则,判定当前待识别工件为非球形工件。
作为一个或多个实施例,所述方法,还包括:
S105:将已经被判定为球形工件的两个角度拍摄图像,再输入到预先训练好的K-NN分类模型中,K-NN分类模型输出待识别工件为球形工件或非球形工件的识别结果,从而避免误判。
作为一个或多个实施例,所述方法,还包括:
S106:将K-NN分类模型识别为球形工件的图像,再通过高斯滤波进行处理去除噪音,对高斯滤波处理后的图像进行形态学处理,对形态学处理后的图像进行边缘检测处理,得到边缘点,所述边缘点即为前景点;
按照霍夫圆形变换算法,计算出边缘点的圆和圆心;
根据边缘点的圆,计算边缘点总数A,对边缘点计算出标准差;
如果标准差小于边缘点总数,那么表示已经被识别为球形工件的识别结果是正确的,不存在误判;否则表示识别结果是错误的,存在误判。
作为一个或多个实施例,所述S101:获取通过摄像头采集的待识别工件的两个拍摄角度的图像;具体包括:
将摄像机安装在支架上,移动支架拍摄同一个待识别工件的不同拍摄角度的图像。
本申请采用同一物体两个角度获取的图像,避免了一个方向受噪音影响而造成的识别错误,同时不需要大量的原始图像。
将摄像机固定在支架上,移动支架拍摄同一组待测目标对象的不同角度(根据不同场景场设置不同角度)图像信息。
作为一个或多个实施例,所述S102:对所述两个角度的图像进行预处理操作,得到预处理后的两幅图像;具体包括:
S1021:对每个角度的拍摄图像进行中值滤波去除椒盐噪音,得到去噪后的图像;
S1022:对去噪后的图像采用非递归的扫描线法进行像素填充;
S1023:对像素填充后的图像,利用泛洪处理,实现对图像的归一化。
示例性的,相对原始图像,方法利用基于中值滤波和泛洪处理相结合去去除椒盐噪音以获得去噪图像,然后采用非递归的扫描线法进行像素填充,最终通过利用泛洪处理将额外的区域归一化。
作为一个或多个实施例,所述S102:对所述两个角度的图像进行预处理操作,得到预处理后的两幅图像;具体还包括:
S1024:对归一化后的图像进行灰度变换;
S1025:对灰度变换后的图像,采用形态学重建算法去除噪音残余;
S1026:采用最大类间方差法获取最优阈值,计算不同阈值下的类间方差,通过比较所有的方差,得到最优阈值;利用最优阈值将图像的灰度值分割成两个部分,即背景和目标,泛洪处理和形态学操作是在此基础上进行的。
本申请结合泛洪处理和形态学操作来优化图像,提取了更优异的图像识别信息。
示例性的,相对去噪图像,方法采用灰度变换结合形态学处理获得高质量图像,高质量图像的噪音残余采用自适应形态学重建算法结合闭操作的方法去除。然后采用最大类间方差法获取最优阈值,设阈值k的取值区间为0~L-1,其中L为灰度级,计算不同k值下类间的方差,通过比较所有方差,得出最佳阈值。
作为一个或多个实施例,所述S103:对每一幅预处理后的图像进行边缘轮廓提取;具体包括:
根据当前像素点的像素值与当前像素点的八邻域的像素值,来进行边缘点提取;如果当前像素点的像素值为零,且当前像素点的八邻域像素点的像素值也为零,则表示当前像素点为内部点,对内部点的像素值置为255;最终得到边缘轮廓。
示例性的,获取边缘轮廓,即将目标图像的内部点消除。其中内部点需要根据当前像素点的邻域来进行判断,判断过程为假定邻域窗口为3*3窗口,P(x,y)为目标像素,假设目标像素为黑色0,背景像素为白色255,当P(x,y)=0和P(x,y)的八个邻域像素均为目标像素0时,该点为内部点。把满足条件的内部点全部用背景点255替换,最终得到边缘轮廓。
作为一个或多个实施例,S103:所述基于获取的边缘轮廓进行多边形拟合处理,得到待识别工件的若干条边;具体包括:
S1031:任意选取边缘轮廓上一点A,设置一个距离阈值T,1≤T≤5;
S1032:以A为起始点,搜索方向沿顺时针方向,遍历每一个点,直到搜索到距离A点的最远点D停止,再搜索距离A点最远点Q;
S1033:如果Q与D点重合,则取A和D为第一组顶点,否则,继续搜索距离A点最远点,直到获得互为最远点的一组点,这样快速定位出边缘轮廓上一组顶点;
S1034:设定位出的这组顶点的最远距离为H;比较H和T,如果H>T,则表示A为一个顶点,返回S1031;直至找出所有点,然后依次连接所有顶点,得到待识别工件的若干条边;否则,不是顶点,结束。
示例性的,相对于获得的边缘轮廓,本申请将轮廓进行多边形拟合来达到平滑待测物体轮廓的效果。多边形拟合的过程为任意选取轮廓上一点A,一般选取所记录的轮廓起点,设置一个距离阈值T,为保证拟合后轮廓仍保持原轮廓较多的细节特征,取1≤T≤5。以A为起始点,搜索方向沿顺时针方向,遍历每一个点,直到搜索到距离A点的最远点D停止,再搜索距离D点最远点Q,若Q与A点重合,则取AD为第一组顶点,否则继续搜索距离A点最远点,直到获得互为最远点的一组点,这样可以快速定位轮廓上一组顶点,设这组顶点的最远距离为H。比较H和T,如果H>T,则A为一个顶点,继续算法,相反则不是顶点,跳出算法。当A为顶点时,对线段AD两侧轮廓上的点继续进行分割,直至找出所有点,然后依次连接所有顶点,如图1所示。
作为一个或多个实施例,所述S104:基于所得到的待识别工件的若干条边,构建凸包集合;基于凸包集合得到待识别工件的凸包边数;具体包括:
假设多边形拟合得到n个点,随机选定一条边,遍历除了选定边以外的n-2个点,如果被遍历的点都在选定边的一侧,则将选定边加入凸包集合,不断重复直到所有边都被遍历完毕;否则,不将选定边加入凸包集合。
本申请采用基于轮廓提取和拟合的凸包处理获得多边形拟合边的数量,从不同方向获得同一组待测对象的两个二维图像。设两个二维图像中同一待测目标对象的拟合边数为X,Y,提取X,Y以形成二维数组M,令M=[X,Y]。如果数组M的两个值X,Y都大于设置的阈值,则将待测目对象定义为球形。
示例性的,假设有n个点,选定一条边,遍历其他n-2个点,如果所有点都在该条边的一侧,则加入凸包集合,不断重复,直到所有边都被遍历完。我们可以通过式子1判断点p3是在直线p1p2的左边还是右边(坐标:p1(x1,y1),p2(x2,y2),p3(x3,y3)):
当上式结果为正时,p3在直线p1p2的左侧;当结果为负时,p3在直线p1p2的右边,结果如图2(a)和图2(b)所示。
采用二维数组的数值大小判定待测目标对象是否为球形。对同一待测目标对象的两个不同方向进行多边形拟合和凸包边数提取,设X、Y分别为不同方向所获得的边数,令数组M=[X,Y],在实验样本的相同条件下,同一物体在不同方向上的拟合边数X,Y同时大于16时,球形的概率为0.988,故设阈值为16。
用公式2表示。
当X,Y同时大于16,定义为球形描述符,当满足这个条件时判断为球形。
作为一个或多个实施例,所述S105:将已经被判定为球形工件的两个角度拍摄图像,再输入到预先训练好的K-NN分类模型中,K-NN分类模型输出待识别工件为球形工件或非球形工件的识别结果,从而避免误判;具体包括:
将已经被判定为球形工件的两个角度拍摄图像,分别提取待分析图像特征;
将提取的待分析图像特征与已知工件形状类型的工件图像特征进行距离计算;
从已知工件形状类型的工件图像中,挑选出距离最近的K个工件图像;
对K个工件图像进行回归,得到当前拍摄图像中的工件对应的工件形状类型。
本申请利用K-NN算法获得第一次分类结果,其次再使用霍夫圆变换进行二次检测,进一步筛选K-NN的分类结果,可以避免其他几何和空间参数设置面临的鲁棒性差的弊端。
在提出的球形描述符的基础上,选用K-NN分类框架和优化的霍夫圆形变换算法区分球形和其他物体。根据二维数组是数值型数据和对象具有多个标签的特点,选用K-NN框架进行分类,通过10倍交叉实验选取最近邻样本数。
最后采用霍夫圆形变换算法解决当物体呈现不规则形状时也会产生拟合边数同时大于预定阈值的情况和采集图像信息因为要从两个方向采集同一个物体的信息时面对重叠或遮挡的情况也会产生不必要的误差的问题。
针对输入的图像,利用高斯滤波处理多余的噪音,其次对离散点进行形态学处理,然后对图像进行边缘检测,获取边界点,即前景点。假如图像中存在圆形,那么其轮廓必定属于前景点。按照霍夫圆形变换原理求得圆和圆心,对于误判的圆形,假设边缘点数达到累加单元最大值A时,对边缘点求标准差σ,比较A和σ的大小,如果σ小于A,那么正确识别,否则错误识别。将得到的结果与经过K-NN分类后的结果进行过滤和筛选,进一步提高检测的准确度。
最终方法实现了球形物件的识别,精确度达到了98.8%,球形识别的精度被提高。
实施例二
本实施例提供了基于轮廓边数拟合与凸包处理的球形工件识别系统;
基于轮廓边数拟合与凸包处理的球形工件识别系统,包括:
获取模块,其被配置为:获取通过摄像头采集的待识别工件的两个拍摄角度的图像;
预处理模块,其被配置为:对所述两个角度的图像进行预处理操作,得到预处理后的两幅图像;
边缘轮廓提取与多边拟合模块,其被配置为:对每一幅预处理后的图像进行边缘轮廓提取;基于获取的边缘轮廓进行多边形拟合处理,得到待识别工件的若干条边;
凸包集合构建模块,其被配置为:基于所得到的待识别工件的若干条边,构建凸包集合;基于凸包集合得到待识别工件的凸包边数;
判断两个拍摄角度图像的凸包边数是否均超过设定阈值,如果是,则判定当前待识别工件为球形工件;否则,判定当前待识别工件为非球形工件。
此处需要说明的是,上述获取模块、预处理模块、边缘轮廓提取与多边拟合模块和凸包集合构建模块对应于实施例一中的步骤S101至S104,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统,可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的方法。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述的方法。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.基于轮廓边数拟合与凸包处理的球形工件识别方法,其特征是,包括:
获取通过摄像头采集的待识别工件的两个拍摄角度的图像;
对所述两个角度的图像进行预处理操作,得到预处理后的两幅图像;
对每一幅预处理后的图像进行边缘轮廓提取;基于获取的边缘轮廓进行多边形拟合处理,得到待识别工件的若干条边;
基于所得到的待识别工件的若干条边,构建凸包集合;基于凸包集合得到待识别工件的凸包边数;
判断两个拍摄角度图像的凸包边数是否均超过设定阈值,如果是,则判定当前待识别工件为球形工件;否则,判定当前待识别工件为非球形工件。
2.如权利要求1所述的基于轮廓边数拟合与凸包处理的球形工件识别方法,其特征是,所述方法,还包括:
将已经被判定为球形工件的两个角度拍摄图像,再输入到预先训练好的K-NN分类模型中,K-NN分类模型输出待识别工件为球形工件或非球形工件的识别结果,从而避免误判。
3.如权利要求1所述的基于轮廓边数拟合与凸包处理的球形工件识别方法,其特征是,所述方法,还包括:
将K-NN分类模型识别为球形工件的图像,再通过高斯滤波进行处理去除噪音,对高斯滤波处理后的图像进行形态学处理,对形态学处理后的图像进行边缘检测处理,得到边缘点,所述边缘点即为前景点;
按照霍夫圆形变换算法,计算出边缘点的圆和圆心;
根据边缘点的圆,计算边缘点总数A,对边缘点计算出标准差;
如果标准差小于边缘点总数,那么表示已经被识别为球形工件的识别结果是正确的,不存在误判;否则表示识别结果是错误的,存在误判。
4.如权利要求1所述的基于轮廓边数拟合与凸包处理的球形工件识别方法,其特征是,对所述两个角度的图像进行预处理操作,得到预处理后的两幅图像;具体包括:
对每个角度的拍摄图像进行中值滤波去除椒盐噪音,得到去噪后的图像;
对去噪后的图像采用非递归的扫描线法进行像素填充;
对像素填充后的图像,利用泛洪处理,实现对图像的归一化;
或者,
对所述两个角度的图像进行预处理操作,得到预处理后的两幅图像;具体还包括:
对归一化后的图像进行灰度变换;
对灰度变换后的图像,采用形态学重建算法去除噪音残余;
采用最大类间方差法获取最优阈值,计算不同阈值下的类间方差,通过比较所有的方差,得到最优阈值,利用最优阈值将图像的灰度值分割成两个部分,即背景和目标,泛洪处理和形态学操作是在此基础上进行的。
5.如权利要求1所述的基于轮廓边数拟合与凸包处理的球形工件识别方法,其特征是,对每一幅预处理后的图像进行边缘轮廓提取;具体包括:
根据当前像素点的像素值与当前像素点的八邻域的像素值,来进行边缘点提取;如果当前像素点的像素值为零,且当前像素点的八邻域像素点的像素值也为零,则表示当前像素点为内部点,对内部点的像素值置为255;最终得到边缘轮廓。
6.如权利要求1所述的基于轮廓边数拟合与凸包处理的球形工件识别方法,其特征是,所述基于获取的边缘轮廓进行多边形拟合处理,得到待识别工件的若干条边;具体包括:
(1):任意选取边缘轮廓上一点A,设置一个距离阈值T,1≤T≤5;
(2):以A为起始点,搜索方向沿顺时针方向,遍历每一个点,直到搜索到距离A点的最远点D停止,再搜索距离D点最远点Q;
(3):如果Q与A点重合,则取A和D为第一组顶点,否则,继续搜索距离A点最远点,直到获得互为最远点的一组点,这样快速定位出边缘轮廓上一组顶点;
(4):设定位出的这组顶点的最远距离为H;比较H和T,如果H>T,则表示A为一个顶点,返回(1);直至找出所有点,然后依次连接所有顶点,得到待识别工件的若干条边;否则,不是顶点,结束。
7.如权利要求1所述的基于轮廓边数拟合与凸包处理的球形工件识别方法,其特征是,基于所得到的待识别工件的若干条边,构建凸包集合;基于凸包集合得到待识别工件的凸包边数;具体包括:
假设多边形拟合得到n个点,随机选定一条边,遍历除了选定边以外的n-2个点,如果被遍历的点都在选定边的一侧,则将选定边加入凸包集合,不断重复直到所有边都被遍历完毕;否则,不将选定边加入凸包集合。
8.基于轮廓边数拟合与凸包处理的球形工件识别系统,其特征是,包括:
获取模块,其被配置为:获取通过摄像头采集的待识别工件的两个拍摄角度的图像;
预处理模块,其被配置为:对所述两个角度的图像进行预处理操作,得到预处理后的两幅图像;
边缘轮廓提取与多边拟合模块,其被配置为:对每一幅预处理后的图像进行边缘轮廓提取;基于获取的边缘轮廓进行多边形拟合处理,得到待识别工件的若干条边;
凸包集合构建模块,其被配置为:基于所得到的待识别工件的若干条边,构建凸包集合;基于凸包集合得到待识别工件的凸包边数;
判断两个拍摄角度图像的凸包边数是否均超过设定阈值,如果是,则判定当前待识别工件为球形工件;否则,判定当前待识别工件为非球形工件。
9.一种电子设备,其特征是,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032818.1A CN112750107A (zh) | 2021-01-11 | 2021-01-11 | 基于轮廓边数拟合与凸包处理的球形工件识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032818.1A CN112750107A (zh) | 2021-01-11 | 2021-01-11 | 基于轮廓边数拟合与凸包处理的球形工件识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112750107A true CN112750107A (zh) | 2021-05-04 |
Family
ID=75650724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110032818.1A Pending CN112750107A (zh) | 2021-01-11 | 2021-01-11 | 基于轮廓边数拟合与凸包处理的球形工件识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112750107A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113731857A (zh) * | 2021-09-15 | 2021-12-03 | 重庆大学 | 小包装药袋自动分拣系统及其控制方法 |
CN114428876A (zh) * | 2021-12-29 | 2022-05-03 | 广州盖盟达工业品有限公司 | 一种工业器械的图像搜索方法、装置、存储介质及设备 |
CN114549406A (zh) * | 2022-01-10 | 2022-05-27 | 华院计算技术(上海)股份有限公司 | 热轧线的管理方法、装置及系统、计算设备和存储介质 |
CN115601385A (zh) * | 2022-04-12 | 2023-01-13 | 北京航空航天大学(Cn) | 气泡形态处理方法、设备、介质及程序产品 |
WO2024061101A1 (zh) * | 2022-09-20 | 2024-03-28 | 顺丰科技有限公司 | 非常规件识别方法、装置、计算机设备及存储介质 |
CN117830336A (zh) * | 2024-03-04 | 2024-04-05 | 福建帝视科技集团有限公司 | 一种基于线扫描相机成像的多边形轮廓检测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132153A (zh) * | 2020-09-22 | 2020-12-25 | 山东大学 | 基于聚类和形态学处理的番茄果实识别方法及系统 |
-
2021
- 2021-01-11 CN CN202110032818.1A patent/CN112750107A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132153A (zh) * | 2020-09-22 | 2020-12-25 | 山东大学 | 基于聚类和形态学处理的番茄果实识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
BOCHANG ZOU, HUADONG QIU, YUFENG LU: "Spherical object recognition based on the number of contour edges extracted by fitting and convex hull processing", 《PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS,PART D: JOURNAL OF AUTOMOBILE ENGINEERING》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113731857A (zh) * | 2021-09-15 | 2021-12-03 | 重庆大学 | 小包装药袋自动分拣系统及其控制方法 |
CN113731857B (zh) * | 2021-09-15 | 2023-04-25 | 重庆大学 | 小包装药袋自动分拣系统及其控制方法 |
CN114428876A (zh) * | 2021-12-29 | 2022-05-03 | 广州盖盟达工业品有限公司 | 一种工业器械的图像搜索方法、装置、存储介质及设备 |
CN114549406A (zh) * | 2022-01-10 | 2022-05-27 | 华院计算技术(上海)股份有限公司 | 热轧线的管理方法、装置及系统、计算设备和存储介质 |
CN114549406B (zh) * | 2022-01-10 | 2022-11-22 | 华院计算技术(上海)股份有限公司 | 热轧线的管理方法、装置及系统、计算设备和存储介质 |
CN115601385A (zh) * | 2022-04-12 | 2023-01-13 | 北京航空航天大学(Cn) | 气泡形态处理方法、设备、介质及程序产品 |
WO2024061101A1 (zh) * | 2022-09-20 | 2024-03-28 | 顺丰科技有限公司 | 非常规件识别方法、装置、计算机设备及存储介质 |
CN117830336A (zh) * | 2024-03-04 | 2024-04-05 | 福建帝视科技集团有限公司 | 一种基于线扫描相机成像的多边形轮廓检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112750107A (zh) | 基于轮廓边数拟合与凸包处理的球形工件识别方法及系统 | |
CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN110309687B (zh) | 一种二维码图像的校正方法及校正装置 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN108369650B (zh) | 标识校准图案的可能特征点的方法 | |
CN106709524B (zh) | 一种电气工程图中的元件符号检测与识别方法 | |
CN106960178B (zh) | 绝缘子识别模型的训练方法以及绝缘子的识别与定位方法 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
US10521659B2 (en) | Image processing device, image processing method, and image processing program | |
CN111178190B (zh) | 基于深度图像的目标检测方法、装置及存储介质 | |
CN115018846B (zh) | 基于ai智能相机的多目标裂纹缺陷检测方法和装置 | |
CN108875504B (zh) | 基于神经网络的图像检测方法和图像检测装置 | |
CN109447117B (zh) | 双层车牌识别方法、装置、计算机设备及存储介质 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN110689578A (zh) | 一种基于单目视觉的无人机障碍物识别方法 | |
US20230030689A1 (en) | Systems and methods for quantifying light flares in images | |
Seib et al. | Object recognition using hough-transform clustering of surf features | |
CN114612490B (zh) | 一种基于显微镜图像的栅藻类细胞统计方法 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN114863464A (zh) | 一种pid图纸图件信息的二阶识别方法 | |
CN108985294B (zh) | 一种轮胎模具图片的定位方法、装置、设备及存储介质 | |
JP7294454B2 (ja) | オブジェクト検出方法及びオブジェクト検出装置 | |
CN115830049A (zh) | 角点检测的方法和装置 | |
CN115019069A (zh) | 模板匹配方法、模板匹配装置以及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210504 |