CN113592955B - 一种基于机器视觉的圆形工件平面坐标高精度定位方法 - Google Patents
一种基于机器视觉的圆形工件平面坐标高精度定位方法 Download PDFInfo
- Publication number
- CN113592955B CN113592955B CN202110850090.3A CN202110850090A CN113592955B CN 113592955 B CN113592955 B CN 113592955B CN 202110850090 A CN202110850090 A CN 202110850090A CN 113592955 B CN113592955 B CN 113592955B
- Authority
- CN
- China
- Prior art keywords
- workpiece
- camera
- image
- coordinates
- images
- 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 72
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000003708 edge detection Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 15
- 230000033001 locomotion Effects 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T7/13—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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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)
- Machine Tool Sensing Apparatuses (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于机器视觉的圆形工件平面坐标高精度定位方法,解决现有激光加工无法实现工件微米级精度定位的问题。该方法包括:1)确定相机的参数;2)获取被加工件不同部分边缘的图像;3)获取高分辨率的图像;4)消除图像中工件区域内部的空洞;5)采用基于Zernike矩的亚像素边缘检测算法提取各图像中被加工件的轮廓坐标点,然后像素坐标转化为机床坐标系坐标,并对各部分轮廓坐标点进行补偿,获得各部分轮廓像素点坐标对应的机床坐标系绝对坐标;步骤六、采用随机采样一致算法对步骤五获取的绝对坐标进行拟合,最终获得圆心坐标。本发明方法基于机器视觉算法,精度高,自动化程度高,效率高。
Description
技术领域
本发明属于激光加工领域,具体涉及一种基于机器视觉的圆形工件平面坐标高精度定位方法。
背景技术
激光加工技术是一种高精度的加工手段,可以实现不同微米甚至亚微米级的制造,已成为航空、航天、航海、汽车、电子等多个领域的关键加工技术。随着以上领域提出的高精度高品质的制造要求,对定位方式和定位手段提出了更高的要求。随着机器视觉的逐步发展,机器视觉已替代人工操作成为工件定位监测的新手段,在可以提高工作效率的同时也能够更好的保证精度要求,降低误差。
基于机器视觉的检测定位方式有很多,例如结构光、双目视觉等,但大多数算法精度最高仅能达到几十微米,要达到激光加工过程中微米级精度的制造要求,则必须对几十毫米级目标工件达到几微米的定位精度,以上方法显然无法满足,而且在实际工程应用中,微米级定位往往是视觉定位的极限精度,此时提升相机、镜头以及光源等硬件参数定位效果也无法继续提高,因此仍然亟需一种更高精度的定位手段和算法。
中国专利CN112001917A公开了一种基于机器视觉的圆形有孔零件形位公差检测方法,用于提高零件形位公差检测的效率和精度。由其公开内容可知,该方法通过两次标定消除畸变,并计算实际像素和物理尺寸的关系,提取图像连通域和二值图像轮廓,计算获得圆心坐标和边缘轮廓,计算连通区域的外接矩形和最小外接矩形进行孔的圆度分析,再对边缘信息进行霍夫圆变换得到圆心与半径信息,并与之前得到的数据比较,计算零件形位公差。该方法直接进行边缘提取并使用霍夫圆变换可以实现圆度分析和形位公差的计算,但无法实现工件微米级精度定位。
中国专利CN110599544A公开了一种基于机器视觉的工件定位方法及装置,可以对工件进行准确的识别与定位。该方法通过预测框的回归坐标确定目标工件的轮廓和中心点的二维坐标,标注图像作为训练集输入到Fast-R-CNN神经网络中并输出目标工件的预测框,计算测试框和预测框的重合度,并对预测框进行阈值分割,并采用边缘检测算法和最小外接矩形法获取目标工件轮廓和中心点坐标,该方法结合深度学习和图像处理算法对目标工件进行识别与定位,鲁棒性和普适性好,但对于较大的目标工件,仍无法达到微米级定位要求。
发明内容
本发明的目的是解决现有激光加工无法实现工件微米级精度定位的问题,提供一种基于机器视觉的圆形工件平面坐标高精度定位方法。
为实现上述目的,本发明采用以下技术方案:
一种基于机器视觉的圆形工件平面坐标高精度定位方法,包括以下步骤:
步骤一、根据被加工件的定位精度进行相机与镜头的参数选型,进而确定相机的安装位置,采用张正友标定法对相机进行标定,获得相机的内参数、外参数和畸变系数,并使用畸变系数对图像进行校正;
步骤二、将被加工件放置在工作台上,根据被加工件的大小设置机床的移动向量,根据该移动向量移动机床,由相机获取被加工件不同部分边缘的图像;
步骤三、对步骤二获取的多个图像进行滤波和图像超分辨率增强处理,获取多个高分辨率图像;
步骤四、对步骤三获取的多个图像进行阈值分割,采用形态学处理或漫水填充对阈值分割后的图像进行处理,消除图像中工件区域内部的空洞;
步骤五、对于步骤四得到的多个图像,采用基于Zernike矩的亚像素边缘检测算法提取各图像中被加工件的轮廓坐标点,然后根据步骤一获取的相机外参数将像素坐标转化为机床坐标系坐标,并根据步骤二中的机床移动向量对各部分轮廓坐标点进行补偿,获得各部分轮廓像素点坐标对应的机床坐标系绝对坐标;
步骤六、采用随机采样一致算法对步骤五获取的绝对坐标进行拟合,最终获得圆心坐标。
同时,本发明还提供另一种基于机器视觉的圆形工件平面坐标高精度定位方法,包括以下步骤:
步骤一、根据被加工件的定位精度进行相机与镜头的参数选型,进而确定相机的安装位置,采用张正友标定法对相机进行标定,获得相机的内参数、外参数和畸变系数,并使用畸变系数对图像进行校正;
步骤二、将被加工件放置在五轴加工机床的工作台上,将五轴加工机床的旋转轴C轴旋转一周,相机拍摄n张不同旋转角度的图片,并记录各图像的旋转矩阵,此时相机获取多个被加工件不同部分边缘图像;
步骤三、对步骤二获取的多个图像进行滤波和图像超分辨率增强处理,获取多个高分辨率图像;
步骤四、对步骤三获取的多个图像进行阈值分割,采用形态学处理或漫水填充对阈值分割后的图像进行处理,消除图像中工件区域内部的空洞;
步骤五、对于步骤四处理后的多个图像,采用基于Zernike矩的亚像素边缘检测算法提取各图像中被加工件的轮廓坐标点,并对每张图像中的轮廓点坐标乘以步骤二的旋转矩阵进行复位,得到复位后被加工件的轮廓坐标点;
步骤六、采用随机采样一致算法对被加工件的轮廓坐标点进行拟合,得到图像坐标系下的圆心坐标,并通过步骤一中标定好的相机外参数将图像坐标系下的圆心坐标转化为机床坐标系下的圆心坐标,得到圆形工件实际位置的圆心坐标。
进一步地,步骤一中,根据被加工件的定位精度确定相机的分辨率、视场范围、工作距离,此时,相机分辨率大于400万,且视场范围应小于2mm,采用高分辨率的相机,可实现微米级精度定位。
进一步地,步骤四中,形态学处理具体采用闭运算,从而去除图像噪声对边缘检测精度的影响,提高定位精度。
进一步地,步骤三中,图像超分辨率增强具体采用基于深度学习的方法,滤波具体采用均值滤波或高斯滤波。
与现有技术相比,本发明具有如下有益效果:
1.本发明方法基于机器视觉算法,精度高,自动化程度高,效率高。
2.本发明方法采用图像超分辨率增强和亚像素边缘检测等算法代替更高分辨率的相机用于成像质量和检测质量的提升,并且由于相机像元大小的影响,当分辨率达到一定程度后,相机分辨率的增大将无法提升检测精度,采用亚像素边缘检测算法可突破该瓶颈,从而提升检测精度。
3.对于几十厘米大小直径的圆形工件,要达到微米级定位精度,单张图像显然无法满足。本发明方法固定相机后,移动机床来获取分辨率更高的圆形工件不同部位图像,并采用标定和距离补偿等手段将各个图像坐标系进行统一,此种方法可以在相机分辨率无法保证的情况下突破定位极限,满足精度要求。
4.本发明方法采用了基于Zernike矩边缘提取算法,在不改变硬件成本的前提下将检测精度提高到亚像素级。
5.本发明方法采用闭运算对阈值分割后的图像进行处理,消除图像中工件区域内部的无数小型黑洞,从而去除图像噪声对边缘检测精度的影响,提高定位精度。同时,由于图像分辨率极高,圆形工件制件过程中边缘并不规则,呈锯齿状,本发明方法采用随机采样一致算法对边缘进行拟合,在提高拟合精度的同时,还能够剔除闭运算无法消除的黑洞,从而提高拟合精度。
附图说明
图1为本发明基于机器视觉的圆形工件平面坐标高精度定位系统图;
图2为本发明方法中相机采集工件边缘图像过程示意图;
图3为本发明方法中采集图片轮廓点复位方式示意图。
附图标记:1-相机,2-被加工件。
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。
本发明供一种基于机器视觉的圆形工件平面坐标高精度定位方法,该方法主要从硬件和算法两方面保证工件微米级精度定位。首先,在硬件方面,采用高分辨率的相机,选择相机分辨率大于400万,且视场范围应小于2mm,1个像素代表1μm,也就是说,当光源照射工件成像清晰、算法准确没有误差的理想情况下时,定位精度最高可达到1μm;为进一步保证精度,减小成像质量和算法误差带来的影响,可通过图像超分辨率算法进一步提升图像质量,此时由于图像是通过算法插值获得,并不受像元影响,接下来进行图像处理获取工件边缘轮廓时采用亚像素边缘检测算法,这是由于数字图像通常是被离散化成像素形式,每个像素对应一个整数坐标位置,这对于边缘检测而言并不精确,因此采用亚像素边缘检测算法将工件轮廓像素坐标精确到浮点坐标位置,使其更加接近真实坐标,进一步提升精度。
本发明提供一种基于机器视觉的圆形工件平面坐标高精度定位方法,该方法包括以下步骤:
步骤一、如图1所示,根据被加工件2的定位精度确定相机分辨率、视场范围、工作距离等参数,进而确定相机1的安装位置,采用标定板和张正友标定法对相机进行标定,获得相机的内参数(焦距、主点坐标)、外参数(旋转矩阵、平移矩阵)和畸变系数(径向畸变、切向畸变),并使用畸变系数对相机图像进行校正;
步骤二、将被加工件放置在工作台上,根据被加工件的大小设置机床的移动距离,即机床的移动向量,根据该移动向量移动机床,由相机获取被加工件不同部分边缘的图像;
该步骤中,如图2所示,可将被加工件放置在机床工作台的中心位置上,由相机获取被加工件不同部分图像,可选取2×2、3×3或4×4次拍摄,由于实际采集过程中,正中间部分无法获得轮廓边缘图像,因此可减少圆形被加工件中间部分图像的采集;
步骤三、对被加工件的各部分图像进行预处理,使用滤波算法去除图像中的噪声,并对该图像进行图像超分辨率增强,以获得更高分辨率的图像;
该步骤中,对被加工件各部分图像进行图像超分辨率增强、滤波等预处理,进一步提升图像精度并去除图像中的噪声,图像超分辨率增强处理具体可采用基于深度学习的方法等,滤波算法具体可采用均值滤波或高斯滤波等;
步骤四、对步骤三获取的多个图像进行阈值分割,并采用形态学处理或漫水填充等方法去除内部孔洞;
该步骤中、调整参数对各灰度图像进行阈值分割,对于阈值分割后的二值图像,可能在被加工件内部存在空洞,因此采用形态学处理或者漫水填充等方法进行去除,形态学处理具体可采用闭运算;
步骤五、为进一步提高精度,对于步骤四处理后的多个图像,采用基于Zernike矩的亚像素边缘检测算法提取各图像中被加工件的轮廓坐标点,根据标定好的相机外参数将像素坐标转化为机床坐标系坐标,并根据机床的移动向量对各部分轮廓坐标点进行补偿,获得各部分轮廓像素点坐标对应的机床坐标系绝对坐标;
步骤六、采用随机采样一致算法对工件轮廓进行拟合,最终获得圆心坐标,精度可达微米级。
此外,可通过改变步骤二中的图像采集方式和步骤五中的坐标点拟合方式,对上述方案进行改进,将五轴加工机床上的旋转轴C轴旋转一周,相机拍摄n张不同旋转角度的图片,每次旋转角度即为360/n,对每张图片进行步骤三和步骤四的操作,并采用步骤五中的基于Zernike矩的亚像素边缘检测算法提取被加工件各部分图像中的工件轮廓,并对每张图像中的轮廓点坐标乘以旋转矩阵进行复位,如图3所示,即得到几乎完整的工件轮廓点图,再通过随机采样一致算法(RANSAC)进行轮廓拟合,并通过步骤一中标定好的相机参数将像素坐标转化为机床坐标系坐标,即可得到工件实际位置与目标放置位置的坐标差。
因此,本发明还提供了另一种基于机器视觉的圆形工件平面坐标高精度定位方法,该方法包括以下步骤:
步骤一、根据被加工件的定位精度确定相机分辨率、视场范围、工作距离等参数,进而确定相机安装位置,采用标定板和张正友标定法对相机进行标定,获得相机的内参数、外参数和畸变系数,并使用畸变系数对图像进行校正;
步骤二、将被加工件放置在五轴加工机床的工作台上,将五轴加工机床的旋转轴C轴旋转一周,相机拍摄n张不同旋转角度的图片,每次旋转角度为360/n,并记录各图像的旋转矩阵,由相机获取被加工件不同部分边缘图像;
步骤三、对被加工件的各部分图像进行预处理,使用滤波算法去除图像中的噪声,并对该图像进行图像超分辨率增强,以获得更高分辨率的图像;
步骤四、对步骤三获取的多个图像进行阈值分割,并采用形态学处理或漫水填充等方法去除内部孔洞;
步骤五、对于步骤四处理后的多个图像,采用基于Zernike矩的亚像素边缘检测算法提取各图像中被加工件的轮廓坐标点,并对每张图像中的轮廓点坐标点乘以旋转矩阵进行复位,得到几乎完整的工件轮廓点图;
步骤六、采用随机采样一致算法对被加工件的轮廓坐标点进行拟合,得到图像坐标系下的圆心坐标,并通过步骤一中标定好的相机外参数将像素坐标(即图像中的坐标)转化为机床坐标系坐标,即可得到圆形工件实际位置的圆心坐标。
上述定位方法相对于平移获取移动向量的方法可以消除机床带来的误差,定位精度更高,由于平移获取移动向量的方法需要移动运动机床中的X轴和Y轴,其定位精度和重复定位精度都会对采集工件图像坐标点产生影响,通过相机选型条件可知,1像素可表示1μm,目前高精度的五轴加工机床的定位精度也仅能达到0.5μm,并且通过X方向和Y方向的叠加,这将对定位精度产生不小的影响。而通过旋转轴则可以避免上述问题,首先仅通过C轴进行旋转运动,误差源比平移方法少;其次,旋转轴的旋转精度并不会对其轮廓拟合与圆心定位产生影响,由图3可以看出,旋转轴旋转精度仅仅影响θ值的精度,当旋转工件采集工件边缘特征图像,单幅图像的轮廓点始终是与工件实际轮廓重合。
基于上述描述,本发明具有以下特点:
对于几十厘米大小直径的圆形工件,要达到微米级定位精度,单张图像显然无法满足,因此本发明方法固定相机后,移动机床来获取分辨率更高的圆形工件不同部位图像,并采用标定和距离补偿等手段将各个图像坐标系进行统一,此种方法可以在相机分辨率无法保证的情况下突破定位极限,满足精度要求。
本发明方法采用了基于Zernike矩边缘提取算法,在不改变硬件成本的前提下将检测精度提高到亚像素级。
本发明方法采用闭运算对阈值分割后的图像进行处理,消除图像中工件区域内部的无数小型黑洞,这些小型黑洞产生的原因是为保证圆形工件边缘清晰度,不能将光源亮度调到很高,工件表面较为粗糙,无法完整成像,本发明方法消除黑洞,从而去除图像噪声对边缘检测精度的影响,提高定位精度。同时,由于图像分辨率极高,圆形工件制件过程中边缘并不规则,呈锯齿状。此外,本发明方法采用随机采样一致算法对边缘进行拟合,在提高拟合精度的同时,还能够剔除闭运算无法消除的黑洞,这些黑洞在边缘拟合时将成为噪声点,影响拟合精度。
Claims (10)
1.一种基于机器视觉的圆形工件平面坐标高精度定位方法,其特征在于,包括以下步骤:
步骤一、根据被加工件的定位精度进行相机与镜头的参数选型,进而确定相机的安装位置,采用张正友标定法对相机进行标定,获得相机的内参数、外参数和畸变系数,并使用畸变系数对图像进行校正;
步骤二、将被加工件放置在工作台上,根据被加工件的大小设置机床的移动向量,根据该移动向量移动机床,由相机获取被加工件不同部分边缘的图像;
步骤三、对步骤二获取的多个图像进行滤波和图像超分辨率增强处理,获取多个高分辨率图像;
步骤四、对步骤三获取的多个图像进行阈值分割,采用形态学处理或漫水填充对阈值分割后的图像进行处理,消除图像中工件区域内部的空洞;
步骤五、对于步骤四得到多个图像,采用基于Zernike矩的亚像素边缘检测算法提取各图像中被加工件的轮廓坐标点,然后根据步骤一获取的相机外参数将像素坐标转化为机床坐标系坐标,并根据步骤二中的机床移动向量对各部分轮廓坐标点进行补偿,获得各部分轮廓像素点坐标对应的机床坐标系绝对坐标;
步骤六、采用随机采样一致算法对步骤五获取的绝对坐标进行拟合,最终获得圆心坐标。
2.根据权利要求1所述的基于机器视觉的圆形工件平面坐标高精度定位方法,其特征在于:步骤一中,根据被加工件的定位精度确定相机的分辨率、视场范围和工作距离。
3.根据权利要求2所述的基于机器视觉的圆形工件平面坐标高精度定位方法,其特征在于:步骤一中,相机分辨率大于400万,且视场范围小于2mm。
4.根据权利要求1或2或3所述的基于机器视觉的圆形工件平面坐标高精度定位方法,其特征在于:步骤四中,形态学处理具体采用闭运算。
5.根据权利要求4所述的基于机器视觉的圆形工件平面坐标高精度定位方法,其特征在于:步骤三中,图像超分辨率增强具体采用基于深度学习的方法,滤波具体采用均值滤波或高斯滤波。
6.一种基于机器视觉的圆形工件平面坐标高精度定位方法,其特征在于,包括以下步骤:
步骤一、根据被加工件的定位精度进行相机与镜头的参数选型,进而确定相机的安装位置,采用张正友标定法对相机进行标定,获得相机的内参数、外参数和畸变系数,并使用畸变系数对图像进行校正;
步骤二、将被加工件放置在五轴加工机床的工作台上,将五轴加工机床的旋转轴C轴旋转一周,相机拍摄n张不同旋转角度的图片,并记录各图像的旋转矩阵,此时相机获取多个被加工件不同部分边缘图像;
步骤三、对步骤二获取的多个图像进行滤波和图像超分辨率增强处理,获取多个高分辨率图像;
步骤四、对步骤三获取的多个图像进行阈值分割,采用形态学处理或漫水填充对阈值分割后的图像进行处理,消除图像中工件区域内部的空洞;
步骤五、对于步骤四处理后的多个图像,采用基于Zernike矩的亚像素边缘检测算法提取各图像中被加工件的轮廓坐标点,并对每张图像中的轮廓点坐标乘以步骤二的旋转矩阵进行复位,得到复位后被加工件的轮廓坐标点;
步骤六、采用随机采样一致算法对被加工件的轮廓坐标点进行拟合,得到图像坐标系下的圆心坐标,并通过步骤一中标定好的相机外参数将图像坐标系下的圆心坐标转化为机床坐标系下的圆心坐标,得到圆形工件实际位置的圆心坐标。
7.根据权利要求6所述的基于机器视觉的圆形工件平面坐标高精度定位方法,其特征在于:步骤一中,根据被加工件的定位精度确定相机的分辨率、视场范围和工作距离。
8.根据权利要求7所述的基于机器视觉的圆形工件平面坐标高精度定位方法,其特征在于:步骤一中,相机分辨率大于400万,且视场范围应小于2mm。
9.根据权利要求6或7或8所述的基于机器视觉的圆形工件平面坐标高精度定位方法,其特征在于:步骤四中,形态学处理具体采用闭运算。
10.根据权利要求9所述的基于机器视觉的圆形工件平面坐标高精度定位方法,其特征在于:步骤三中,图像超分辨率增强具体采用基于深度学习的方法,滤波具体采用均值滤波或高斯滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110850090.3A CN113592955B (zh) | 2021-07-27 | 2021-07-27 | 一种基于机器视觉的圆形工件平面坐标高精度定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110850090.3A CN113592955B (zh) | 2021-07-27 | 2021-07-27 | 一种基于机器视觉的圆形工件平面坐标高精度定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592955A CN113592955A (zh) | 2021-11-02 |
CN113592955B true CN113592955B (zh) | 2024-04-09 |
Family
ID=78250641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110850090.3A Active CN113592955B (zh) | 2021-07-27 | 2021-07-27 | 一种基于机器视觉的圆形工件平面坐标高精度定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592955B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166144B (zh) * | 2021-11-22 | 2023-09-22 | 天津科技大学 | 一种齿轮倒角加工装夹后加工轮廓的标定方法 |
CN114519747B (zh) * | 2022-02-28 | 2024-02-09 | 嘉兴市像景智能装备有限公司 | 一种泛电子领域自动光学检测设备的标定方法 |
CN114580522B (zh) * | 2022-02-28 | 2023-08-11 | 中国科学院西安光学精密机械研究所 | 一种基于最小二乘圆拟合法对多光学目标进行识别的方法 |
CN115026839B (zh) * | 2022-07-29 | 2024-04-26 | 西南交通大学 | 一种轨道车辆转向架斜楔支撑机器人摇枕孔定位方法 |
CN115463804A (zh) * | 2022-08-04 | 2022-12-13 | 东莞市慧视智能科技有限公司 | 一种基于点胶路径的点胶方法 |
CN115222817B (zh) * | 2022-08-31 | 2022-11-29 | 成都千嘉科技股份有限公司 | 一种指针式压力表的指针定位方法 |
CN115830053B (zh) * | 2023-01-17 | 2023-09-05 | 江苏金恒信息科技股份有限公司 | 一种基于机器视觉的帘线钢镶嵌样边缘定位方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004114203A (ja) * | 2002-09-25 | 2004-04-15 | Meiki & Co Ltd | ワーク形状測定装置及び該装置を用いた形状測定システム |
CN207013813U (zh) * | 2017-04-28 | 2018-02-16 | 浙江亚太机电股份有限公司 | 一种超密齿内孔成型装置 |
CN107804708A (zh) * | 2017-09-21 | 2018-03-16 | 华南理工大学 | 一种贴装机取料旋转轴的旋转中心定位方法 |
CN109190628A (zh) * | 2018-08-15 | 2019-01-11 | 东北大学 | 一种基于机器视觉的板材镰刀弯检测方法 |
WO2019090487A1 (zh) * | 2017-11-07 | 2019-05-16 | 大连理工大学 | 数控机床高动态大范围任意轮廓误差单目六维测量方法 |
CN110110760A (zh) * | 2019-04-17 | 2019-08-09 | 浙江工业大学 | 一种基于机器视觉的工件定位与识别方法 |
CN110599544A (zh) * | 2019-08-08 | 2019-12-20 | 佛山科学技术学院 | 一种基于机器视觉的工件定位方法及装置 |
CN111178296A (zh) * | 2019-12-31 | 2020-05-19 | 深圳市鲲鹏智能装备制造有限公司 | 多工件视觉定位和识别方法 |
CN111862037A (zh) * | 2020-07-17 | 2020-10-30 | 华中科技大学无锡研究院 | 基于机器视觉的精密孔类零件几何特征检测方法及系统 |
CN112001917A (zh) * | 2020-09-04 | 2020-11-27 | 南京大学金陵学院 | 一种基于机器视觉的圆形有孔零件形位公差检测方法 |
CN113059404A (zh) * | 2021-04-19 | 2021-07-02 | 曹智军 | 一种数控铣床视觉定位工件方法 |
-
2021
- 2021-07-27 CN CN202110850090.3A patent/CN113592955B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004114203A (ja) * | 2002-09-25 | 2004-04-15 | Meiki & Co Ltd | ワーク形状測定装置及び該装置を用いた形状測定システム |
CN207013813U (zh) * | 2017-04-28 | 2018-02-16 | 浙江亚太机电股份有限公司 | 一种超密齿内孔成型装置 |
CN107804708A (zh) * | 2017-09-21 | 2018-03-16 | 华南理工大学 | 一种贴装机取料旋转轴的旋转中心定位方法 |
WO2019090487A1 (zh) * | 2017-11-07 | 2019-05-16 | 大连理工大学 | 数控机床高动态大范围任意轮廓误差单目六维测量方法 |
CN109190628A (zh) * | 2018-08-15 | 2019-01-11 | 东北大学 | 一种基于机器视觉的板材镰刀弯检测方法 |
CN110110760A (zh) * | 2019-04-17 | 2019-08-09 | 浙江工业大学 | 一种基于机器视觉的工件定位与识别方法 |
CN110599544A (zh) * | 2019-08-08 | 2019-12-20 | 佛山科学技术学院 | 一种基于机器视觉的工件定位方法及装置 |
CN111178296A (zh) * | 2019-12-31 | 2020-05-19 | 深圳市鲲鹏智能装备制造有限公司 | 多工件视觉定位和识别方法 |
CN111862037A (zh) * | 2020-07-17 | 2020-10-30 | 华中科技大学无锡研究院 | 基于机器视觉的精密孔类零件几何特征检测方法及系统 |
CN112001917A (zh) * | 2020-09-04 | 2020-11-27 | 南京大学金陵学院 | 一种基于机器视觉的圆形有孔零件形位公差检测方法 |
CN113059404A (zh) * | 2021-04-19 | 2021-07-02 | 曹智军 | 一种数控铣床视觉定位工件方法 |
Non-Patent Citations (3)
Title |
---|
基于亚像素边缘检测的圆定位技术的研究与应用;张璐;孔凡国;;五邑大学学报(自然科学版);20180515(02);64-70 * |
基于圆形特征点的非线性相机标定方法;油世明;张维忠;王静;;青岛大学学报(自然科学版);20091215(04);70-74 * |
基于机器视觉的自动插件系统设计与研究;尤波;武坤;许家忠;陈国杰;梁强;田建德;;光电工程;20170915(09);75-82+88 * |
Also Published As
Publication number | Publication date |
---|---|
CN113592955A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592955B (zh) | 一种基于机器视觉的圆形工件平面坐标高精度定位方法 | |
CN111260731B (zh) | 一种棋盘格亚像素级角点自适应检测的方法 | |
CN104981105B (zh) | 一种快速精确获得元件中心和偏转角度的检测及纠偏方法 | |
JP6899189B2 (ja) | ビジョンシステムで画像内のプローブを効率的に採点するためのシステム及び方法 | |
CN114494045B (zh) | 一种基于机器视觉的大型直齿轮几何参数测量系统及方法 | |
CN111402330B (zh) | 一种基于平面靶标的激光线关键点提取方法 | |
CN115096206B (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
CN113324478A (zh) | 一种线结构光的中心提取方法及锻件三维测量方法 | |
CN112729112B (zh) | 基于机器人视觉的发动机缸体孔径与孔位检测方法 | |
CN113516716B (zh) | 一种单目视觉位姿测量及调整方法和系统 | |
CN113822810A (zh) | 一种基于机器视觉的三维空间中工件的定位方法 | |
CN115527049A (zh) | 一种引线框架引脚间距的高精度测量方法 | |
CN109671084B (zh) | 一种工件形状的测量方法 | |
CN112330667B (zh) | 一种基于形态学的激光条纹中心线提取方法 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 | |
CN111256612A (zh) | 基于机器视觉的直齿渐开线小模数齿轮的测量方法 | |
CN108389204B (zh) | 一种面向高速在线检测的退化图像模糊核双参数直接估算方法 | |
CN114963981A (zh) | 一种基于单目视觉的筒状零件对接非接触式测量方法 | |
CN114511498A (zh) | 基于单目视觉的螺旋桨振动测量方法 | |
Fan et al. | Dimensional inspecting system of shaft parts based on machine vision | |
Zixin et al. | A fast tool edge detection method based on Zernike moments algorithm | |
Xiao et al. | Part coaxiality detection based on polynomial interpolation subpixel edge detection algorithm | |
CN109872367B (zh) | 带有ccd相机雕刻机的校正方法及校正系统 | |
CN117392127B (zh) | 一种显示面板边框的检测方法、装置和电子设备 |
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 |