CN113469980A - 一种基于图像处理的法兰识别方法 - Google Patents
一种基于图像处理的法兰识别方法 Download PDFInfo
- Publication number
- CN113469980A CN113469980A CN202110776870.8A CN202110776870A CN113469980A CN 113469980 A CN113469980 A CN 113469980A CN 202110776870 A CN202110776870 A CN 202110776870A CN 113469980 A CN113469980 A CN 113469980A
- Authority
- CN
- China
- Prior art keywords
- flange
- image
- total
- value
- roundness
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims description 65
- 230000000877 morphologic effect Effects 0.000 claims description 16
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
- G01B11/2408—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures for measuring roundness
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
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 Analysis (AREA)
Abstract
本发明涉及计算机视觉技术领域,具体公开了一种基于图像处理的法兰识别方法,包括:获取待识别法兰图像,并通过处理后得到多个目标法兰轮廓,并进一步得到多个拟合后的目标法兰椭圆轮廓;循环计算多个拟合后的目标法兰椭圆轮廓的总圆度值,并不断更新总圆度最小值;当循环到一定次数,选择最后更新的总圆度最小值,并根据最小总圆度值得到其对应的拟合后目标法兰椭圆轮廓,将最小总圆度值对应的拟合后目标法兰椭圆轮廓显示在待识别法兰图像上,得到法兰识别结果。本发明解决了智能输油臂粗定位中的法兰识别问题,该方法通用性好,有着较高的识别率。
Description
技术领域
本发明涉及计算机视觉技术领域,更具体地,涉及一种基于图像处理的法兰识别方法。
背景技术
随着工业自动化程度的不断提高,越来越多的劳动力被机器代替。传统的海上输油臂是以人工遥控的方式来与船上的法兰进行对接,这不仅效率不够高,还要承担高额的人力成本。智能输油臂的出现实现了其与法兰的自动对接,减少了人力成本提高了效率,并将成为智慧码头的重要组成部分。计算机等技术的发展使得视觉定位的应用越来越广泛,根据应用场景,选择双目定位方法,法兰的识别成功率直接影响着定位结果。
发明内容
针对现有技术中存在的上述弊端,本发明提供了一种基于图像处理的法兰识别方法,解决了智能输油臂粗定位中的法兰识别问题,该方法通用性好,有着较高的识别率。
作为本发明的第一个方面,提供一种基于图像处理的法兰识别方法,包括:
步骤S1:获取待识别法兰图像;
步骤S2:对所述待识别法兰图像进行处理,得到处理后的法兰图像;
步骤S3:对所述处理后的法兰图像进行图像二值化处理,得到二值化图像;
步骤S4:对所述二值化图像进行形态学操作,得到形态学操作后的法兰图像;
步骤S5:对所述形态学操作后的法兰图像中的所有轮廓进行筛选,以得到多个目标法兰轮廓;
步骤S6:对多个所述目标法兰轮廓分别进行椭圆拟合,得到多个拟合后的目标法兰椭圆轮廓;
步骤S7:循环计算所述多个拟合后的目标法兰椭圆轮廓的总圆度值s,并提前设定总圆度最小值smin,根据循环计算结果更新所述总圆度最小值smin;
步骤S8:判断所述总圆度值s的计算次数i是否大于等于总计算次数M,当小于所述总计算次数M时,计算次数i加1,以计算次数i加1返回至步骤S3,开始循环计算所述总圆度值s,并不断更新总圆度最小值smin,直至计算次数i大于等于所述总计算次数M;当大于等于所述总计算次数M时,选择最后更新的总圆度最小值smin所对应的最小总圆度值s,并根据所述最小总圆度值s得到其对应的拟合后目标法兰椭圆轮廓,并执行步骤S9;
步骤S9:将所述最小总圆度值s对应的拟合后目标法兰椭圆轮廓显示在所述待识别法兰图像上,得到法兰识别结果。
进一步地,在所述步骤S2中还包括:
对所述待识别法兰图像进行中值滤波处理,得到滤波后的法兰图像;
将所述滤波后的法兰图像转换为灰度图像。
进一步地,在所述步骤S3和S4中还包括:
对所述灰度图像进行图像二值化处理,得到二值化图像;
对所述二值化图像依次进行闭操作运算和开操作运算,以得到所述形态学操作后的法兰图像。
进一步地,还包括:
判断所述滤波后的法兰图像是否为灰度图像;
若所述滤波后的法兰图像为彩色图像,则先将其灰度化,灰度化的公式为Gray(i,j)=aR(i,j)+bG(i,j)+cB(i,j),其中,Gray表示一像素点灰度化以后的值,R、G、B分别表示对应像素上的红、绿、蓝的颜色分量值,a、b、c分别为红、绿、蓝的权重,此处a、b、c按照人眼的敏感程度取标准值,分别为0.299、0.578、0.114;
若所述滤波后的法兰图像为灰度图像,则直接进行图像二值化处理。
进一步地,在所述步骤S3中还包括:
将图像二值化的初始阈值设为0,图像二值化的公式为:
其中,T表示阈值,该图像二值化的公式含义为高于阈值的像素点设为最亮,低于阈值的像素点设为最暗。
进一步地,在所述步骤S6中还包括:
采用最小二乘法对多个所述目标法兰轮廓分别进行椭圆拟合,得到多个拟合后的目标法兰椭圆轮廓。
进一步地,在所述步骤S7中还包括:
分别计算每一所述拟合后的目标法兰椭圆轮廓的圆度值,并根据每一所述拟合后的目标法兰椭圆轮廓的圆度值计算出所述多个拟合后的目标法兰椭圆轮廓的总圆度值s;
其中,通过公式C=b/a来计算每一所述拟合后的目标法兰椭圆轮廓的圆度值,其中a表示椭圆的长半轴,b表示椭圆的短半轴,则所有拟合后的目标法兰椭圆轮廓的总圆度值s的计算公式为:
其中,C1,C2,...,Cn分别表示每一所述拟合后的目标法兰椭圆轮廓的圆度值,n表示判定为目标法兰椭圆轮廓的个数,正常情况下,总圆度值s不会大于1,因此将总圆度最小值smin的初始值设为1,将当前计算出的总圆度值s与总圆度最小值smin相比,若smin>s,则将s赋值给smin,以更新总圆度最小值smin。
进一步地,在所述步骤S8中还包括:
当所述总圆度值s的计算次数i小于总计算次数M时,计算次数i加1,以计算次数i加1返回至步骤S3,再次计算所有拟合后的目标法兰椭圆轮廓的总圆度值s,若此次计算出的总圆度值s小于上一次计算中更新后的总圆度最小值smin,则将此次计算出的总圆度值s继续赋值给所述总圆度最小值smin,以继续更新总圆度最小值smin,将继续更新后的总圆度最小值smin用于下一次的所述总圆度值s的计算中,直至计算次数i大于等于总计算次数M。
进一步地,在所述步骤S1中还包括:采用高清摄像头获取待识别法兰图像。
本发明提供的一种基于图像处理的法兰识别方法具有以下优点:该方法应用在智能输油臂上,对船上的法兰有着较高的识别率与准确率。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。
图1为本发明提供的一种基于图像处理的法兰识别方法的流程图。
图2为本发明提供的待识别法兰图像示意图。
图3为本发明提供的法兰识别结果示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于图像处理的法兰识别方法其具体实施方式、结构、特征及其功效,详细说明如后。显然,所描述的实施例为本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,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,都属于本发明的保护范围。
在本实施例中提供了一种基于图像处理的法兰识别方法,如图1所示,一种基于图像处理的法兰识别方法包括:
步骤S1:获取待识别法兰图像,如图2所示;
步骤S2:对所述待识别法兰图像进行处理,得到处理后的法兰图像;
步骤S3:对所述处理后的法兰图像进行图像二值化处理,得到二值化图像;
步骤S4:对所述二值化图像进行形态学操作,得到形态学操作后的法兰图像;
步骤S5:对所述形态学操作后的法兰图像中的所有轮廓进行筛选,以得到多个目标法兰轮廓;
步骤S6:对多个所述目标法兰轮廓分别进行椭圆拟合,得到多个拟合后的目标法兰椭圆轮廓;
步骤S7:循环计算所述多个拟合后的目标法兰椭圆轮廓的总圆度值s,并提前设定总圆度最小值smin,根据循环计算结果更新所述总圆度最小值smin;
步骤S8:判断所述总圆度值s的计算次数i是否大于等于总计算次数M,当小于所述总计算次数M时,计算次数i加1,以计算次数i加1返回至步骤S3,开始循环计算所述总圆度值s,并不断更新总圆度最小值smin,直至计算次数i大于等于所述总计算次数M;当大于等于所述总计算次数M时,选择最后更新的总圆度最小值smin所对应的最小总圆度值s,并根据所述最小总圆度值s得到其对应的拟合后目标法兰椭圆轮廓,并执行步骤S9;
步骤S9:将所述最小总圆度值s对应的拟合后目标法兰椭圆轮廓显示在所述待识别法兰图像上,得到法兰识别结果,如图3所示的黑色填充部分。
优选地,在所述步骤S2中还包括:
对所述待识别法兰图像进行中值滤波处理,得到滤波后的法兰图像;
将所述滤波后的法兰图像转换为灰度图像。
需要说明的是,在获取待识别法兰图像的过程中,难免会产生一些不必要的干扰信息,它们在很大程度上影响了图像的质量,并对图像的处理结果可能产生较大的影响,本发明对获取到的原图像进行中值滤波处理,中值滤波不仅能够有效去除噪声,还保护了边缘细节。
优选地,在所述步骤S3和S4中还包括:
对所述灰度图像进行图像二值化处理,得到二值化图像;
对所述二值化图像依次进行闭操作运算和开操作运算,以得到所述形态学操作后的法兰图像。
需要说明的是,二值化图像可能会存在一些微小孔洞和一些毛刺,对其先进行闭操作运算,以填补微小的孔洞,再对图像进行开操作运算,来去除边缘上的毛刺,得到形态学操作后的法兰图像,这样可以更好的对法兰进行识别。
优选地,还包括:
判断所述滤波后的法兰图像是否为灰度图像;
若所述滤波后的法兰图像为彩色图像,则先将其灰度化,灰度化的公式为Gray(i,j)=aR(i,j)+bG(i,j)+cB(i,j),其中,Gray表示一像素点灰度化以后的值,R、G、B分别表示对应像素上的红、绿、蓝的颜色分量值,a、b、c分别为红、绿、蓝的权重,此处a、b、c按照人眼的敏感程度取标准值,分别为0.299、0.578、0.114;
若所述滤波后的法兰图像为灰度图像,则直接进行图像二值化处理。
优选地,在所述步骤S3中还包括:
将图像二值化的初始阈值设为0,图像二值化的公式为:
其中,T表示阈值,该图像二值化的公式含义为高于阈值的像素点设为最亮,低于阈值的像素点设为最暗。
需要说明的是,将灰度图像以0为阈值开始二值化。
需要说明的是,对所述形态学操作后的法兰图像中的所有轮廓进行筛选,通过大小限制将过大或者过小的轮廓去除,以得到多个目标法兰轮廓;具体地,对所述形态学操作后的法兰图像在进行轮廓的检测与筛选,对于二值化图像的轮廓检测,就是找到每个连通域的轮廓。根据船上法兰的大小和法兰到输油臂的距离范围可以确定出法兰在图像中的面积大小范围,根据这个范围可以排除那些一定不是法兰的轮廓,从而筛选出可能是法兰的轮廓。
优选地,在所述步骤S6中还包括:
采用最小二乘法对多个所述目标法兰轮廓分别进行椭圆拟合,得到多个拟合后的目标法兰椭圆轮廓。
需要说明的是,由于法兰平面与相机平面一定存在角度,因此,所拍摄到的法兰不会是一个完美的圆但又非常接近圆,因此,采用最小二乘法对筛选出来的每一条目标法兰轮廓进行椭圆拟合,得到拟合后的目标法兰椭圆轮廓。
需要说明的是,椭圆拟合的时候,从椭圆拟合算法中,可以得到圆心与半径,即可画出结果,椭圆拟合算法为已有算法,为本领域技术人员公知的常规技术,此处不再赘述。
优选地,在所述步骤S7中还包括:
分别计算每一所述拟合后的目标法兰椭圆轮廓的圆度值,并根据每一所述拟合后的目标法兰椭圆轮廓的圆度值计算出所述多个拟合后的目标法兰椭圆轮廓的总圆度值s;
其中,通过公式C=b/a来计算每一所述拟合后的目标法兰椭圆轮廓的圆度值,其中a表示椭圆的长半轴,b表示椭圆的短半轴,则所有拟合后的目标法兰椭圆轮廓的总圆度值s的计算公式为:
其中,C1,C2,...,Cn分别表示每一所述拟合后的目标法兰椭圆轮廓的圆度值,n表示判定为目标法兰椭圆轮廓的个数,正常情况下,总圆度值s不会大于1,因此将总圆度最小值smin的初始值设为1,将当前计算出的总圆度值s与总圆度最小值smin相比,若smin>s,则将s赋值给smin,以更新总圆度最小值smin。
需要说明的是,通过限制每一所述拟合后的目标法兰椭圆轮廓的圆度值的数值来排除不可能为法兰的轮廓,由于法兰在图像中非常接近圆,因此,形态学操作处理后的图像中的非法兰部分几乎都被有效清除,一幅图像可能存在多个法兰,因此采用上述公式来判定一幅图像上所有拟合后的目标法兰椭圆轮廓的总圆度值s。
应当理解的是,在一次循环中,通过上几个步骤,可以得出拟合后的目标法兰椭圆轮廓在图像中的长短半轴,利用长短半轴得到其圆度值C,一张图像可能存在多个法兰,共为n个,所以s是总圆度值,取每次循环的最小总圆度值s,因此最小总圆度值s可以保证取到的法兰边缘最接近真实边缘。
优选地,在所述步骤S8中还包括:
当所述总圆度值s的计算次数i小于总计算次数M时,计算次数i加1,以计算次数i加1返回至步骤S3,再次计算所有拟合后的目标法兰椭圆轮廓的总圆度值s,若此次计算出的总圆度值s小于上一次计算中更新后的总圆度最小值smin,则将此次计算出的总圆度值s继续赋值给所述总圆度最小值smin,以继续更新总圆度最小值smin,将继续更新后的总圆度最小值smin用于下一次的所述总圆度值s的计算中,直至计算次数i大于等于总计算次数M。
需要说明的是,总计算次数M指的是循环计算次数的阈值,本发明不做限定,可以根据需求自行设定,例如总计算次数M可以为255。
下面对通过循环计算所有拟合后的目标法兰椭圆轮廓的总圆度值s,根据循环计算结果更新总圆度最小值smin,得到最后更新的总圆度最小值smin,选择最后更新的总圆度最小值smin所对应的最小总圆度值s,并根据所述最小总圆度值s得到其对应的拟合后目标法兰椭圆轮廓,举例说明如下:
第一次计算中:总圆度值s=0.9,由于总圆度最小值smin的初始值设为1,1>0.9,将0.9赋值给总圆度最小值smin,此时,总圆度最小值smin=0.9;
第二次计算中:总圆度值s=0.8,由于第一次计算中更新后的总圆度最小值smin=0.9,0.9>0.8,将0.8赋值给总圆度最小值smin,此时,总圆度最小值smin=0.8;
第三次计算中:总圆度值s=0.7,由于第二次计算中更新后的总圆度最小值smin=0.8,0.8>0.7,将0.7赋值给总圆度最小值smin,此时,总圆度最小值smin=0.7;
第四次计算中:总圆度值s=0.8,由于第三次计算中更新后的总圆度最小值smin=0.7,0.8>0.7,此时,不会更新总圆度最小值smin,总圆度最小值smin依然为0.7;
......
以此类推,直到第i次计算中:总圆度值s=0.5,由于第i-1次计算中更新后的总圆度最小值smin=0.6,0.6>0.5,将0.5赋值给总圆度最小值smin,此时,总圆度最小值smin=0.5,选择最后更新的总圆度最小值0.5所对应的最小总圆度值s,并根据所述最小总圆度值0.5得到其对应的拟合后目标法兰椭圆轮廓,也即为第i次计算中所针对的拟合后目标法兰椭圆轮廓。
优选地,在所述步骤S1中还包括:采用高清摄像头获取待识别法兰图像。
具体地,选用大恒CCD相机与海康威视镜头组合后的设备采集待识别法兰图像,所采集到的待识别法兰图像高为3672个像素,宽为5496个像素。
本发明提供的一种基于图像处理的法兰识别方法,应用在智能输油臂上,对船上的法兰有着较高的识别率与准确率。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种基于图像处理的法兰识别方法,其特征在于,包括:
步骤S1:获取待识别法兰图像;
步骤S2:对所述待识别法兰图像进行处理,得到处理后的法兰图像;
步骤S3:对所述处理后的法兰图像进行图像二值化处理,得到二值化图像;
步骤S4:对所述二值化图像进行形态学操作,得到形态学操作后的法兰图像;
步骤S5:对所述形态学操作后的法兰图像中的所有轮廓进行筛选,以得到多个目标法兰轮廓;
步骤S6:对多个所述目标法兰轮廓分别进行椭圆拟合,得到多个拟合后的目标法兰椭圆轮廓;
步骤S7:循环计算所述多个拟合后的目标法兰椭圆轮廓的总圆度值s,并提前设定总圆度最小值smin,根据循环计算结果更新所述总圆度最小值smin;
步骤S8:判断所述总圆度值s的计算次数i是否大于等于总计算次数M,当小于所述总计算次数M时,计算次数i加1,以计算次数i加1返回至步骤S3,开始循环计算所述总圆度值s,并不断更新总圆度最小值smin,直至计算次数i大于等于所述总计算次数M;当大于等于所述总计算次数M时,选择最后更新的总圆度最小值smin所对应的最小总圆度值s,并根据所述最小总圆度值s得到其对应的拟合后目标法兰椭圆轮廓,并执行步骤S9;
步骤S9:将所述最小总圆度值s对应的拟合后目标法兰椭圆轮廓显示在所述待识别法兰图像上,得到法兰识别结果。
2.根据权利要求1所述的一种基于图像处理的法兰识别方法,其特征在于,在所述步骤S2中还包括:
对所述待识别法兰图像进行中值滤波处理,得到滤波后的法兰图像;
将所述滤波后的法兰图像转换为灰度图像。
3.根据权利要求2所述的一种基于图像处理的法兰识别方法,其特征在于,在所述步骤S3和S4中还包括:
对所述灰度图像进行图像二值化处理,得到二值化图像;
对所述二值化图像依次进行闭操作运算和开操作运算,以得到所述形态学操作后的法兰图像。
4.根据权利要求2所述的一种基于图像处理的法兰识别方法,其特征在于,还包括:
判断所述滤波后的法兰图像是否为灰度图像;
若所述滤波后的法兰图像为彩色图像,则先将其灰度化,灰度化的公式为Gray(i,j)=aR(i,j)+bG(i,j)+cB(i,j),其中,Gray表示一像素点灰度化以后的值,R、G、B分别表示对应像素上的红、绿、蓝的颜色分量值,a、b、c分别为红、绿、蓝的权重,此处a、b、c按照人眼的敏感程度取标准值,分别为0.299、0.578、0.114;
若所述滤波后的法兰图像为灰度图像,则直接进行图像二值化处理。
6.根据权利要求1所述的一种基于图像处理的法兰识别方法,其特征在于,在所述步骤S6中还包括:
采用最小二乘法对多个所述目标法兰轮廓分别进行椭圆拟合,得到多个拟合后的目标法兰椭圆轮廓。
7.根据权利要求1所述的一种基于图像处理的法兰识别方法,其特征在于,在所述步骤S7中还包括:
分别计算每一所述拟合后的目标法兰椭圆轮廓的圆度值,并根据每一所述拟合后的目标法兰椭圆轮廓的圆度值计算出所述多个拟合后的目标法兰椭圆轮廓的总圆度值s;
其中,通过公式C=b/a来计算每一所述拟合后的目标法兰椭圆轮廓的圆度值,其中a表示椭圆的长半轴,b表示椭圆的短半轴,则所有拟合后的目标法兰椭圆轮廓的总圆度值s的计算公式为:
其中,C1,C2,...,Cn分别表示每一所述拟合后的目标法兰椭圆轮廓的圆度值,n表示判定为目标法兰椭圆轮廓的个数,正常情况下,总圆度值s不会大于1,因此将总圆度最小值smin的初始值设为1,将当前计算出的总圆度值s与总圆度最小值smin相比,若smin>s,则将s赋值给smin,以更新总圆度最小值smin。
8.根据权利要求7所述的一种基于图像处理的法兰识别方法,其特征在于,在所述步骤S8中还包括:
当所述总圆度值s的计算次数i小于总计算次数M时,计算次数i加1,以计算次数i加1返回至步骤S3,再次计算所有拟合后的目标法兰椭圆轮廓的总圆度值s,若此次计算出的总圆度值s小于上一次计算中更新后的总圆度最小值smin,则将此次计算出的总圆度值s继续赋值给所述总圆度最小值smin,以继续更新总圆度最小值smin,将继续更新后的总圆度最小值smin用于下一次的所述总圆度值s的计算中,直至计算次数i大于等于总计算次数M。
9.根据权利要求1所述的一种基于图像处理的法兰识别方法,其特征在于,在所述步骤S1中还包括:采用高清摄像头获取待识别法兰图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776870.8A CN113469980B (zh) | 2021-07-09 | 2021-07-09 | 一种基于图像处理的法兰识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776870.8A CN113469980B (zh) | 2021-07-09 | 2021-07-09 | 一种基于图像处理的法兰识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469980A true CN113469980A (zh) | 2021-10-01 |
CN113469980B CN113469980B (zh) | 2023-11-21 |
Family
ID=77879460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110776870.8A Active CN113469980B (zh) | 2021-07-09 | 2021-07-09 | 一种基于图像处理的法兰识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469980B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114485484A (zh) * | 2021-11-25 | 2022-05-13 | 郑州郑大智能科技股份有限公司 | 一种环形工件尺寸数字化检测及校正方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100061637A1 (en) * | 2008-09-05 | 2010-03-11 | Daisuke Mochizuki | Image processing method, image processing apparatus, program and image processing system |
US20150063651A1 (en) * | 2013-08-28 | 2015-03-05 | Fujitsu Limited | Image processing apparatus and image processing method |
CN105956600A (zh) * | 2016-04-15 | 2016-09-21 | 南京理工大学 | 复杂背景下基于椭圆拟合和svm的螺栓识别方法 |
CN107369140A (zh) * | 2017-06-29 | 2017-11-21 | 大连理工大学 | 非结构化环境下的高精密靶球中心提取方法 |
CN108734189A (zh) * | 2017-04-20 | 2018-11-02 | 天津工业大学 | 浓雾天气下基于大气散射模型和深度学习的车牌识别系统 |
WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN109843819A (zh) * | 2016-09-08 | 2019-06-04 | 康宁股份有限公司 | 具有具形态学属性的孔的制品及其制造方法 |
US20190347497A1 (en) * | 2017-01-25 | 2019-11-14 | Wuhan Jimu Intelligent Technology Co., Ltd. | Road sign recognition method and system |
CN111161343A (zh) * | 2019-12-30 | 2020-05-15 | 芜湖哈特机器人产业技术研究院有限公司 | 一种水泵口环视觉识别方法 |
CN111178173A (zh) * | 2019-12-14 | 2020-05-19 | 杭州电子科技大学 | 一种目标菌落生长特征识别方法 |
CN112082493A (zh) * | 2020-09-03 | 2020-12-15 | 武汉工程大学 | 基于双目成像的管道法兰内半径视觉测量方法 |
-
2021
- 2021-07-09 CN CN202110776870.8A patent/CN113469980B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100061637A1 (en) * | 2008-09-05 | 2010-03-11 | Daisuke Mochizuki | Image processing method, image processing apparatus, program and image processing system |
US20150063651A1 (en) * | 2013-08-28 | 2015-03-05 | Fujitsu Limited | Image processing apparatus and image processing method |
CN105956600A (zh) * | 2016-04-15 | 2016-09-21 | 南京理工大学 | 复杂背景下基于椭圆拟合和svm的螺栓识别方法 |
CN109843819A (zh) * | 2016-09-08 | 2019-06-04 | 康宁股份有限公司 | 具有具形态学属性的孔的制品及其制造方法 |
US20190347497A1 (en) * | 2017-01-25 | 2019-11-14 | Wuhan Jimu Intelligent Technology Co., Ltd. | Road sign recognition method and system |
CN108734189A (zh) * | 2017-04-20 | 2018-11-02 | 天津工业大学 | 浓雾天气下基于大气散射模型和深度学习的车牌识别系统 |
CN107369140A (zh) * | 2017-06-29 | 2017-11-21 | 大连理工大学 | 非结构化环境下的高精密靶球中心提取方法 |
WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN111178173A (zh) * | 2019-12-14 | 2020-05-19 | 杭州电子科技大学 | 一种目标菌落生长特征识别方法 |
CN111161343A (zh) * | 2019-12-30 | 2020-05-15 | 芜湖哈特机器人产业技术研究院有限公司 | 一种水泵口环视觉识别方法 |
CN112082493A (zh) * | 2020-09-03 | 2020-12-15 | 武汉工程大学 | 基于双目成像的管道法兰内半径视觉测量方法 |
Non-Patent Citations (3)
Title |
---|
CHENYU WANG 等: "Design of a New Vision-Based Method for the Bolts Looseness Detection in Flange Connections", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS ( VOLUME: 67, ISSUE: 2, FEBRUARY 2020)》 * |
曹俊丽;李居峰;: "基于莱特准则的椭圆拟合优化算法", 计算机应用, no. 01 * |
胡瑞钦;张立建;孟少华;: "基于OpenCV的图像椭圆特征识别与定位研究", 计算机测量与控制, no. 12 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114485484A (zh) * | 2021-11-25 | 2022-05-13 | 郑州郑大智能科技股份有限公司 | 一种环形工件尺寸数字化检测及校正方法 |
CN114485484B (zh) * | 2021-11-25 | 2024-05-07 | 郑州郑大智能科技股份有限公司 | 一种环形工件尺寸数字化检测及校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113469980B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3679512B2 (ja) | 画像抽出装置および方法 | |
US8340364B2 (en) | Iris data extraction | |
CN108288264B (zh) | 一种广角摄像头模组脏污测试方法 | |
US20110019912A1 (en) | Detecting And Correcting Peteye | |
WO2015070723A1 (zh) | 眼部图像处理方法和装置 | |
CN111027541A (zh) | 基于可见光和热成像的火焰检测方法、系统及存储介质 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN114820417A (zh) | 图像异常检测方法、装置、终端设备和可读存储介质 | |
JP2018120445A (ja) | 車番認識装置 | |
CN107273884A (zh) | 一种基于移动终端摄像头的车辆牌照识别方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN112686120A (zh) | 一种基于无人机航拍图像的输电线异常检测方法 | |
CN113469980A (zh) | 一种基于图像处理的法兰识别方法 | |
CN109766846B (zh) | 一种基于视频的自适应多车道车流检测方法及系统 | |
JP3814353B2 (ja) | 画像分割方法および画像分割装置 | |
JP2005165387A (ja) | 画面のスジ欠陥検出方法及び装置並びに表示装置 | |
CN111192280B (zh) | 一种基于局部特征的视盘边缘检测方法 | |
CN112001920A (zh) | 眼底图像识别方法及装置和设备 | |
CN111462250A (zh) | 校正系统及校正方法 | |
CN115424107A (zh) | 基于图像融合与深度学习的水下桥墩表观病害检测方法 | |
Srigowri | Enhancing unpaired underwater images with cycle consistent network | |
CN110688876A (zh) | 一种基于视觉的车道线检测方法及装置 | |
CN113052833A (zh) | 一种基于红外热辐射的非视域成像方法 | |
CN113516709B (zh) | 一种基于双目视觉的法兰定位方法 |
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 |