CN113838035A - 一种管路焊缝坡口轮廓提取方法 - Google Patents
一种管路焊缝坡口轮廓提取方法 Download PDFInfo
- Publication number
- CN113838035A CN113838035A CN202111139029.4A CN202111139029A CN113838035A CN 113838035 A CN113838035 A CN 113838035A CN 202111139029 A CN202111139029 A CN 202111139029A CN 113838035 A CN113838035 A CN 113838035A
- Authority
- CN
- China
- Prior art keywords
- image
- points
- edge
- extracted
- extracting
- 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
- 238000000605 extraction Methods 0.000 title abstract description 8
- 238000003466 welding Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003208 petroleum Substances 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G06T5/70—
-
- 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
- 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
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30152—Solder
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (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)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种管路焊缝坡口轮廓提取方法,首先对图像进行简单中值滤波处理以减少噪声,再对动态感兴趣区提取,将坡口图像的关键信息定位在图片的中心区域,然后采用局部阈值二值化方法对图像进行处理,接着进行图像的边缘检测和识别,最后利用Hough变化对提取的激光线边缘进行直线检测,得到关键特征点,本发明设计一种基于改进Canny边缘识别算法的管路焊缝坡口轮廓提取方法,对焊缝图像中的激光条纹具有较高的提取精度,能够提高直线的拟合能力,进而实现对焊缝三维轮廓的准确识别。
Description
技术领域
本发明涉及检测技术领域,具体为一种管路焊缝坡口轮廓提取方法。
背景技术
管道在在石油、化工、电力、农业、医药、水利工程等领域中有着重要作用,常见的管道多由管子、联接件和阀门组成,焊接作为管道的重要加工工艺之一,对于管道应用质量,寿命起到重要影响。
近年来,随着我国自动化产业技术的高速发展,专业化、智能化焊接设备应用日益普及,管道焊接机器人及管道自动焊接技术大幅提高了产线的自动化水平,对于提升产能、降低成本和劳动强度、保障生产安全起到了推动作用。
自动化焊接中,精确的焊缝跟踪是保证焊接质量的关键,而焊缝轮廓提取又是焊缝跟踪的关键,它是实现焊接过程自动化的重要因素。
发明内容
本发明的目的在于提供一种管路焊缝坡口轮廓提取方法,以解决上述背景技术中提出的传统焊缝坡口处的几何形状信息获取不完全等问题,大大减少运算时间,降低错误检测率,提高定位精准度。为实现上述目的,本发明提供如下技术方案:
一种管路焊缝坡口轮廓提取方法,一种管路焊缝坡口轮廓提取方法,其特征在于,包括以下步骤:
S1、采集管路焊缝坡口图像,并对管路焊缝坡口图像进行预处理,得到待提取图像;
S2、逐行侧面扫描待提取图像,并把每一行所有像素点的灰度值相加,得到灰度直方图,选取灰度直方图的最大值上下50mm的区域作为边缘检测区域;
S3、采用局部阈值算法对待提取图像进行二值化处理,得到二值化图像;
S4、对二值化图像进行形态学操作,去除图像噪声干扰;
S5、对二值化图像采用8邻域计算梯度幅值和方向;
S6、根据梯度幅值信息找到真实边缘点,并连接为完整的边缘轮廓线;
S7、对边缘轮廓线通过Hough变换进行直线拟合,进而获取管路焊缝坡口的交点坐标值并反馈给焊接机器人。
优选的,所述步骤S1的预处理具体包括:对管路焊缝坡口图像进行中值滤波处理去除孤立点、线的噪声干扰,减少弧光对待提取图像的影响的同时保持图像的边缘特征信息。
优选的,所述步骤S2具体包括:
S21、沿待提取图像的侧面对每一行做扫描投影,然后对每一行进行像素灰度值相加求和,得到灰度直方图;
S22、选取灰度直方图最大值位置上下50mm区域作为边缘检测区域并对待提取图像进行图片分割,以最大值位置作为边缘检测区域的中心位置。
优选的,所述步骤S3具体包括:采用局部阈值算法,以目标像素点为中心选择一个块,然后对块区域里面的像素点进行高斯值计算,将得到的高斯值作为目标像素点的阈值,以此来对目标像素格进行二值化,边缘检测区域中各个像素点的阈值会随着周围邻域块的变化而变化,最终得到二值化图像。
优选的,所述步骤S4具体包括:采用5×5和3×3的十字结构元素对得到的二值化图像进行腐蚀、膨胀操作,保留待提取图像真实信息的同时过滤掉噪声和毛刺干扰。
优选的,所述步骤S5具体包括:
通过计算3×3窗口的中心像素的x、45°、y、135°方向的一阶偏导数有限差分均值,进而确定像素点的梯度幅值,3×3窗口中心像素的梯度幅值M(i,j)和梯度方向θ(i,j)的计算公式如下:
M(i,j)=[Gx 2(i,j)+G45° 2(i,j)+G135° 2(i,j)+Gy 2(i,j)]12
θ(i,j)=arctan[Gy(i,j)/Gx(i,j)]
其中,Gx(i,j)、Gy(i,j)、G45°(i,j)、G135°(i,j)分别为点(i,j)在x、y、45。、135。方向的偏导数。
优选的,所述步骤S6具体包括:
根据非极大值抑制找出所有候选边缘点,通过梯度方向信息区分出真实边缘点和噪声点,剔除无效边缘点,将真实边缘点连接起来形成完整的边缘轮廓线。
优选的,所述步骤S7具体包括:
利用Hough变换对上面提取的边缘轮廓线作直线检测,得到6个关键特征点,根据机械手标定结果获取此6个点的实际坐标并反馈给焊接机器人。
与现有技术相比,本发明的有益效果是:
本发明的管路焊缝坡口轮廓提取方法对焊缝图像中的激光条纹具有较高的提取精度,能够提高直线的拟合能力,实现对焊缝三维轮廓的准确识别,完美解决了传统焊缝坡口处的几何形状信息获取不完全等问题,大大减少运算时间,降低错误检测率,提高定位精准度。
附图说明
图1为本发明一实施方式的整体流程示意图。
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,而不是全部的实施例。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。
本发明所提供的方法首先对图像进行简单中值滤波处理以减少噪声,再对动态感兴趣区提取,将坡口图像的关键信息定位在图片的中心区域。然后采用局部阈值二值化方法对图像进行处理,再进行图像的边缘检测和识别。最后利用Hough变化对提取的激光线边缘进行直线检测,得到关键特征点,本发明设计一种基于改进Canny边缘识别算法的管路焊缝坡口轮廓提取方法,该方法对焊缝图像中的激光条纹具有较高的提取精度,能够提高直线的拟合能力,进而可实现对焊缝三维轮廓的准确识别。具体是:请参阅图1,本发明提供一种技术方案:一种管路焊缝坡口轮廓提取方法,包括以下步骤:
S1、采集管路焊缝坡口图像,并对管路焊缝坡口图像进行预处理,得到待提取图像;
S2、逐行侧面扫描待提取图像,并把每一行所有像素点的灰度值相加,得到灰度直方图,选取灰度直方图的最大值上下50mm的区域作为边缘检测区域;
S3、采用局部阈值算法对待提取图像进行二值化处理,得到二值化图像;
S4、对二值化图像进行形态学操作,去除图像噪声干扰;
S5、对二值化图像采用8邻域计算梯度幅值和方向;
S6、根据梯度幅值信息找到真实边缘点,并连接为完整的边缘轮廓线;
S7、对边缘轮廓线通过Hough变换进行直线拟合,进而获取管路焊缝坡口的交点坐标值并反馈给焊接机器人。
作为本发明一优选实施方案,所述步骤S1的预处理具体包括:对管路焊缝坡口图像进行中值滤波处理去除孤立点、线的噪声干扰,减少弧光对待提取图像的影响的同时保持图像的边缘特征信息。
作为本发明一优选实施方案,所述步骤S2具体包括:
S21、沿待提取图像的侧面对每一行做扫描投影,然后对每一行进行像素灰度值相加求和,得到灰度直方图;
S22、选取灰度直方图最大值位置上下50mm区域作为边缘检测区域并对待提取图像进行图片分割,以最大值位置作为边缘检测区域的中心位置。
作为本发明一优选实施方案,所述步骤S3具体包括:采用局部阈值算法,以目标像素点为中心选择一个块,然后对块区域里面的像素点进行高斯值计算,将得到的高斯值作为目标像素点的阈值,以此来对目标像素格进行二值化,边缘检测区域中各个像素点的阈值会随着周围邻域块的变化而变化,最终得到二值化图像。
作为本发明一优选实施方案,所述步骤S4具体包括:采用5×5和3×3的十字结构元素对得到的二值化图像进行腐蚀、膨胀操作,保留待提取图像真实信息的同时过滤掉噪声和毛刺干扰。
作为本发明一优选实施方案,所述步骤S5具体包括:
通过计算3×3窗口的中心像素的x、45°、y、135°方向的一阶偏导数有限差分均值,进而确定像素点的梯度幅值,3×3窗口中心像素的梯度幅值M(i,j)和梯度方向θ(i,j)的计算公式如下:
M(i,j)=[Gx 2(i,j)+G45° 2(i,j)+G135° 2(i,j)+Gy 2(i,j)]1/2
θ(i,j)=arctan[Gy(i,j)/Gx(i,j)]
其中,Gx(i,j)、Gy(i,j)、G45°(i,j)、G135°(i,j)分别为点(i,j)在x、y、45。、135。方向的偏导数。
作为本发明一优选实施方案,所述步骤S6具体包括:
根据非极大值抑制找出所有候选边缘点,通过梯度方向信息区分出真实边缘点和噪声点,剔除无效边缘点,将真实边缘点连接起来形成完整的边缘轮廓线。
作为本发明一优选实施方案,所述步骤S7具体包括:
利用Hough变换对上面提取的边缘轮廓线作直线检测,得到6个关键特征点,根据机械手标定结果获取此6个点的实际坐标并反馈给焊接机器人。
实施例1:
一种管路焊缝坡口轮廓提取方法,包括以下步骤:
S1:对坡口图像进行中值滤波处理,去除孤立点,线的噪声,减少弧光的影响同时保持图像的边缘和特征信息。
S2:根据拍摄的图片进行图像的动态感兴趣区提取。沿图像侧面对每一行做扫描投影,然后对每一行进行像素灰度值相加求和。选取最大值位置上下50mm区域,从而可获得激光线位置所在。利用程序运算进行图片分割,以最大值位置作为新图像的中心位置。这就是最合适的分割图片,该区域包含坡口特征关键信息。
S3:采用局部阈值算法,以目标像素点为中心选择一个块,然后对块区域里面的像素点进行高斯值计算,将得到的高斯值作为目标像素点的阈值,以此来对目标像素格进行二值化。可保证图像区域中各个像素点的阈值会随着周围邻域块的变化而变化。对图像每一个像素格进行如此操作就完成了对整个图像的二值化处理。得到二值化图像Binary_image。
S4:采用5×5和3×3的十字结构元素对得到的二值化图像Binary_image进行了腐蚀、膨胀操作,既保留了坡口图像的真实信息又过滤掉噪声和毛刺。
采用基于canny边缘识别算子改进版的方法计算梯度幅值和方向。通过计算3×3窗口的中心像素的x、45°、y、135°方向的一阶偏导数有限差分均值,进而确定像素点的梯度幅值,3×3窗口中心像素的梯度幅值M(i,j)和梯度方向θ(i,j)的计算公式如下:
M(i,j)=[Gx 2(i,j)+G45° 2(i,j)+G135° 2(i,j)+Gy 2(i,j)]12
θ(i,j)=arctan[Gy(i,j)/Gx(i,j)]
其中,Gx(i,j)、Gy(i,j)、G45°(i,j)、G135°(i,j)分别为点(i,j)在x、y、45。、135。方向的偏导数。
S6:根据非极大值抑制找出所有候选边缘点,通过梯度方向信息区分出真实边缘点和噪声点,剔除无效边缘点,将真实边缘点连接起来形成完整边缘线Marginal_line。
S7:利用Hough变换对上面提取的激光线边缘线Marginal_line作直线检测,得到6个关键特征点。根据机械手标定结果获取此6个点的实际坐标,并将坐标值发送给机械手,进行下一步轨迹规划。
与现有技术相比,本发明的有益效果是:本发明的管路焊缝坡口轮廓提取方法对焊缝图像中的激光条纹具有较高的提取精度,能够提高直线的拟合能力,实现对焊缝三维轮廓的准确识别,完美解决了传统焊缝坡口处的几何形状信息获取不完全等问题,大大减少运算时间,降低错误检测率,提高定位精准度。
Claims (8)
1.一种管路焊缝坡口轮廓提取方法,其特征在于,包括以下步骤:
S1、采集管路焊缝坡口图像,并对管路焊缝坡口图像进行预处理,得到待提取图像;
S2、逐行侧面扫描待提取图像,并把每一行所有像素点的灰度值相加,得到灰度直方图,选取灰度直方图的最大值上下50mm的区域作为边缘检测区域;
S3、采用局部阈值算法对待提取图像进行二值化处理,得到二值化图像;
S4、对二值化图像进行形态学操作,去除图像噪声干扰;
S5、对二值化图像采用8邻域计算梯度幅值和方向;
S6、根据梯度幅值信息找到真实边缘点,并连接为完整的边缘轮廓线;
S7、对边缘轮廓线通过Hough变换进行直线拟合,进而获取管路焊缝坡口的交点坐标值并反馈给焊接机器人。
2.根据权利要求1所述的一种管路焊缝坡口轮廓提取方法,其特征在于,所述步骤S1的预处理具体包括:对管路焊缝坡口图像进行中值滤波处理去除孤立点、线的噪声干扰,减少弧光对待提取图像的影响的同时保持图像的边缘特征信息。
3.根据权利要求1所述的一种管路焊缝坡口轮廓提取方法,其特征在于,所述步骤S2具体包括:
S21、沿待提取图像的侧面对每一行做扫描投影,然后对每一行进行像素灰度值相加求和,得到灰度直方图;
S22、选取灰度直方图最大值位置上下50mm区域作为边缘检测区域并对待提取图像进行图片分割,以最大值位置作为边缘检测区域的中心位置。
4.根据权利要求1所述的一种管路焊缝坡口轮廓提取方法,其特征在于,所述步骤S3具体包括:采用局部阈值算法,以目标像素点为中心选择一个块,然后对块区域里面的像素点进行高斯值计算,将得到的高斯值作为目标像素点的阈值,以此来对目标像素格进行二值化,边缘检测区域中各个像素点的阈值会随着周围邻域块的变化而变化,最终得到二值化图像。
5.根据权利要求4所述的一种管路焊缝坡口轮廓提取方法,其特征在于,所述步骤S4具体包括:采用5×5和3×3的十字结构元素对得到的二值化图像进行腐蚀、膨胀操作,保留待提取图像真实信息的同时过滤掉噪声和毛刺干扰。
7.根据权利要求6所述的一种管路焊缝坡口轮廓提取方法,其特征在于,所述步骤S6具体包括:
根据非极大值抑制找出所有候选边缘点,通过梯度方向信息区分出真实边缘点和噪声点,剔除无效边缘点,将真实边缘点连接起来形成完整的边缘轮廓线。
8.根据权利要求7所述的一种管路焊缝坡口轮廓提取方法,其特征在于,所述步骤S7具体包括:
利用Hough变换对上面提取的边缘轮廓线作直线检测,得到6个关键特征点,根据机械手标定结果获取此6个点的实际坐标并反馈给焊接机器人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111139029.4A CN113838035A (zh) | 2021-09-27 | 2021-09-27 | 一种管路焊缝坡口轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111139029.4A CN113838035A (zh) | 2021-09-27 | 2021-09-27 | 一种管路焊缝坡口轮廓提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113838035A true CN113838035A (zh) | 2021-12-24 |
Family
ID=78970683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111139029.4A Pending CN113838035A (zh) | 2021-09-27 | 2021-09-27 | 一种管路焊缝坡口轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113838035A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114485403A (zh) * | 2022-01-29 | 2022-05-13 | 中石化石油机械股份有限公司沙市钢管分公司 | 一种埋弧焊管铣边坡口加工尺寸随动测量装置及测量方法 |
CN115115632A (zh) * | 2022-08-29 | 2022-09-27 | 海门市新亚镍丝网有限公司 | 一种纺织品接缝滑移检测伴随现象的分析方法 |
CN115890053A (zh) * | 2023-03-02 | 2023-04-04 | 成都熊谷加世电器有限公司 | 内焊机对口方法、装置、内焊机及存储介质 |
-
2021
- 2021-09-27 CN CN202111139029.4A patent/CN113838035A/zh active Pending
Non-Patent Citations (3)
Title |
---|
王珂娜等: "基于Hough变换的焊接接头自动识别技术研究", 《湖南大学学报(自然科学版)》, pages 99 - 103 * |
田自君等: "基于LoG算子边缘检测的图像二值化处理", 《中国测试技术》, pages 109 - 110 * |
赵洁等: "基于改进Canny算子与图像形态学融合的边缘检测方法", 《微型机与应用》, pages 44 - 47 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114485403A (zh) * | 2022-01-29 | 2022-05-13 | 中石化石油机械股份有限公司沙市钢管分公司 | 一种埋弧焊管铣边坡口加工尺寸随动测量装置及测量方法 |
CN114485403B (zh) * | 2022-01-29 | 2024-04-09 | 中石化石油机械股份有限公司沙市钢管分公司 | 一种埋弧焊管铣边坡口加工尺寸随动测量装置及测量方法 |
CN115115632A (zh) * | 2022-08-29 | 2022-09-27 | 海门市新亚镍丝网有限公司 | 一种纺织品接缝滑移检测伴随现象的分析方法 |
CN115115632B (zh) * | 2022-08-29 | 2023-04-07 | 海门市新亚镍丝网有限公司 | 一种纺织品接缝滑移检测伴随现象的分析方法 |
CN115890053A (zh) * | 2023-03-02 | 2023-04-04 | 成都熊谷加世电器有限公司 | 内焊机对口方法、装置、内焊机及存储介质 |
CN115890053B (zh) * | 2023-03-02 | 2023-08-18 | 成都熊谷加世电器有限公司 | 内焊机对口方法、装置、内焊机及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113838035A (zh) | 一种管路焊缝坡口轮廓提取方法 | |
CN110227876B (zh) | 基于3d点云数据的机器人焊接路径自主规划方法 | |
CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
CN107886495B (zh) | 一种基于相似度匹配的汽车零配件缺陷识别方法 | |
CN110717872B (zh) | 一种激光辅助定位下的v型焊缝图像特征点提取方法及提取系统 | |
CN109839385B (zh) | 一种自适应的pcb板缺陷视觉定位检测及分类系统 | |
CN105678776B (zh) | 一种基于激光视觉传感器焊缝图像特征点提取方法 | |
CN110480127B (zh) | 一种基于结构光视觉传感的焊缝跟踪系统及方法 | |
CN110814465B (zh) | 一种自动焊接焊缝轮廓提取的通用方法 | |
CN114821114A (zh) | 一种基于视觉系统的坡口切割机器人图像处理方法 | |
CN111127402A (zh) | 一种机器人焊接质量的视觉检测方法 | |
CN110728667A (zh) | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 | |
CN110751604A (zh) | 一种基于机器视觉的钢管焊缝缺陷在线检测方法 | |
CN111311618A (zh) | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 | |
CN112184725B (zh) | 一种沥青路面图像的结构光光条中心提取方法 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN111524154B (zh) | 一种基于影像的隧道管片自动化分割方法 | |
CN107463939B (zh) | 一种图像关键直线检测方法 | |
CN113909689A (zh) | 一种激光光条的管道焊接坡口特征提取方法 | |
CN112330667B (zh) | 一种基于形态学的激光条纹中心线提取方法 | |
CN114066752A (zh) | 面向焊缝跟踪的线结构光骨架提取及毛刺去除方法 | |
CN107914067B (zh) | 一种基于被动视觉传感的薄板焊接的焊枪偏差三维提取方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN109615603B (zh) | 一种基于任务驱动的视觉注意模型提取激光条纹的方法 | |
CN114943710A (zh) | 利用改进最小二乘拟合对薄壁圆管类零件圆心定位的方法 |
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 |