CN114049606B - 一种基于特征连续性的胶条边缘检测方法 - Google Patents
一种基于特征连续性的胶条边缘检测方法 Download PDFInfo
- Publication number
- CN114049606B CN114049606B CN202111331053.8A CN202111331053A CN114049606B CN 114049606 B CN114049606 B CN 114049606B CN 202111331053 A CN202111331053 A CN 202111331053A CN 114049606 B CN114049606 B CN 114049606B
- Authority
- CN
- China
- Prior art keywords
- edge
- correlation
- adhesive tape
- edge point
- points
- 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
- 239000002390 adhesive tape Substances 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003708 edge detection Methods 0.000 title claims abstract description 8
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004026 adhesive bonding Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于特征连续性的胶条边缘检测方法，在胶条图像中，设置多个选框，在每个选框中查找边缘点，并进行配对，获取多组边缘点对以及待评价特征；沿胶条轨迹，将各边缘点对排序；根据排序，查找任一相邻两组边缘点对；基于待评价特征，解算相邻边缘点对待评价特征的相关性：判断得到的各相关性是否高于各自的预设阈值；若是，则认为这两组边缘点对满足特征连续性要求、将其存储到边缘点集，将满足特征连续性要求的边缘点都存储到边缘点集中，获得胶条边缘；本方法在在筛选边缘点时，增加了特征连续性的约束，以此获得更加准确的胶条边缘。
Description
技术领域
本发明涉及涂胶检测领域，具体涉及一种基于特征连续性的胶条边缘检测方法。
背景技术
涂胶工艺在工业制造行业中有着广泛的应用，主要用于替代传统的焊接工艺，现有技术中，采用视觉检测方法对胶条进行智能监控，成为主流的涂胶检测方法；其中，如何准确获取胶条两侧边缘点，是判断胶条宽度和连续性的关键步骤；如专利CN111862131A胶条边缘检测方法及其应用，CN11019316A一种胶条检测自动示教方法，两篇公开文件中提出的将整个胶条区域划分为多个小区域，在每个小区域中分别获取边缘点信息，以此来更加合理、快速的提取胶条边缘点，这类方法在边缘点提取精度和速度上有所提升，但其缺乏对胶条边缘整体连续性的约束，没有考虑胶条小区域相互之间的延续性、相关性，容易将错误边缘点混杂在正确边缘点之中，进而影响涂胶质量监测的准确性。
发明内容
为了解决上述技术问题，本方法在现有技术的基础上，对边缘检测技术方案进行优化，提出了一种基于特征连续性的胶条边缘检测方法，在筛选边缘点时，增加了特征连续性的约束，以此获得更加准确的胶条边缘。
技术方案如下：
1)在胶条图像中，沿胶条的延伸方向，设置多个选框，将整个胶条区域分割成多个互不重叠的子区域；
分别在每个选框中，进行如下处理：
①在当前选框中，以选框中局部胶条的延伸方向为Y轴、垂直于延伸方向为X轴，建立局部坐标系；
②以平行于所述局部坐标系X轴的方向，在选框中查找边缘点，并将其分别对应存储到左侧边缘点集合、右侧边缘点集合中；
③按行将左侧边缘点集合、右侧边缘点集合内的边缘点进行配对，获取多组边缘点对以及待评价特征；所述待评价特征为：灰度特征、位置特征、梯度特征和宽度特征中的至少两种；对于同一胶条选用相同的待评价特征；
灰度特征：将两个边缘点以及两点之间各点灰度值所形成灰度序列记为灰度特征；
位置特征：将两边缘点在整幅胶条图像中的像素坐标记为位置特征；
梯度特征：将两边缘点在各自八邻域范围内的梯度方向记为梯度特征；
宽度特征：将两边缘点之间的距离记为宽度特征；
2)沿胶条轨迹，将各边缘点对排序；根据排序，查找任一相邻两组边缘点对；
基于步骤1)得出的单组边缘点对的待评价特征，解算相邻边缘点对待评价特征的相关性：
计算两组边缘点对灰度特征之间的相关性，将得出的匹配率记为灰度特征相关性；
在两组边缘点对中，将位于同侧的两边缘点的位置特征分别作差，取差值平均值记为位置特征相关性；
在两组边缘点对中，将位于同侧的两边缘点的梯度特征分别作差，取差值平均值记为梯度特征相关性；
取两组边缘点对宽度特征之间的差值记为宽度特征相关性；
3)判断得到的各相关性是否高于各自的预设阈值；
若是，则认为这两组边缘点对满足特征连续性要求、将其存储到边缘点集，进行步骤4)；
若否，则直接进行步骤4)；
4)对其他相邻边缘点对重复步骤2)、3)，直到遍历完所有相邻的边缘点对，将满足特征连续性要求的边缘点都存储到边缘点集中，获得胶条边缘。
进一步，所述选框可以设置为以下两种形式：
I、所述选框为矩形区域，其短边平行于选框中Y轴，宽度为3-11像素。
II、所述选框为扇环形区域，其以预设初始点的图像坐标为圆心、环宽d的取值为3～11像素、圆心角取值为30°～120°，系统内预存有初始内环半径，每次更新检测区域时，新的扇环形区域的内环半径为上一次内环半径加上步长。
进一步，步骤1)中，以平行于所述局部坐标系X轴的方向，在选框中查找边缘点，并将其分别对应存储到左侧边缘点集合、右侧边缘点集合中；具体为：
在所述选框中，求取Y轴方向上各列的灰度平均值；利用各列的灰度平均值得到拟合曲线I，并对该拟合曲线I进行高斯平滑滤波得到曲线Ⅱ；
求取曲线Ⅱ上各点的一阶导数和二阶导数，选取一阶导数大于预设阈值且二阶导数等于零的点，标记为边缘点；
分析单个边缘点两侧的像点灰度变化，若从亮到暗，则将其存储到左侧边缘点集合中；若从暗到亮，则将其存储到右侧边缘点集合中；
遍历各个边缘点，将其分别对应存储到左侧边缘点集合、右侧边缘点集合中。
优选，步骤3)中，将得到的各相关性进行组合，再判断其是否高于预设组合阈值，具体为：
在步骤2)中，至少获取灰度特征相关性和位置特征相关性；
所述灰度特征相关性的取值范围0～1；
将位置特征相关性、梯度特征相关性和宽度特征相关性分别进行归一化处理；
设置各相关性对应的权重系数，其中位置相关性的权重系数高于其他相关性对应的权重系数；
利用归一化后的各个相关性及其对应的权重系数进行组合，得到边缘相关性Q，判断Q是否高于对应预设组合阈值Q’，若是，则认为这两组边缘点对满足特征连续性要求，若否，则不满足。
进一步，设置：灰度相关性的权重系数A，0＜A＜0.5；位置相关性的权重系数B，0.25＜B＜0.8；梯度相关性的权重系数C，0≤C＜0.4；宽度相关性的权重系数D，0≤D＜0.4；
权重系数A+B+C+D＝1。
进一步，将所述位置相关性、梯度相关性和宽度相关性分别进行归一化处理；具体为：
其中位置标准值根据经验值或涂胶工艺参数预先设置；
利用归一化后的各个相关性及其对应的权重系数进行组合，得到边缘相关性Q：
Q＝A×灰度相关性+B×归一化位置相关性+C×归一化梯度相关性+D×归一化宽度相关性。
进一步，步骤3)中，将得到的各相关性进行单独判断，具体为：分别预设各个相关性各自对应的预设阈值，将各相关性分别与对应的预设阈值进行比较，当其均高于阈值时，认为这两组边缘点对满足特征连续性要求，否则，不满足。
进一步，在步骤4)之后，还包括以下步骤：
步骤5)、将步骤4)得出的边缘点集中所有的左侧边缘点在各自选框中的像素坐标，记为左坐标集合；所有的右侧边缘点在各自选框中的像素坐标，记为右坐标集合；
步骤6)、利用所述左坐标集合、右坐标集合进行聚类，得出左聚类集合、右聚类集合；
步骤7)、在各个选框中，剔除位置特征超出左聚类集合或右聚类集合的边缘点；
步骤8)、则统计所有的选框中，被保留的左、右边缘点，将其记为新的左坐标集合、右坐标集合，利用新的左坐标集合、右坐标集合重新执行步骤6)～7)；
步骤9)、重复步骤8)2～5次，统计所有的选框中，被保留的左、右边缘点，将其记为最终的胶条边缘点。
进一步，步骤6)中，聚类方法为K-means聚类方法、均值漂移聚类方法或DBSCAN聚类方法。
由于相邻的胶条区域，在位置、梯度、宽度和灰度上具有比较高的一致性，因此，本胶条边缘检测方法，在检测边缘点时利用这一特征连续性特点，对边缘点增加了特征连续性的约束，判断、筛选胶条边缘点，能够获得更加准确的胶条边缘。
附图说明
图1为具体实施方式中选框示意图；
图2为具体实施方式中筛选到的胶条边缘点(两侧白色圆点)示意图。
具体实施方式
以下结合附图和具体实施方式对本发明的技术方案进行详细描述。
1)在胶条图像中，沿胶条的延伸方向，如图1所示，设置多个选框，将整个胶条区域分割成多个互不重叠的子区域；
为了提高检测精度，选框设置数量应当较多，优选为：单个选框的短边尺寸小于整个胶条长度的十分之一，短边为与选框内部局部胶条的延伸方向同向的边；
分别在每个选框中，进行如下处理：
①在当前选框中，以选框中局部胶条的延伸方向为Y轴、垂直于延伸方向为X轴，建立局部坐标系；
②以平行于局部坐标系X轴的方向，在选框中查找边缘点，并将其分别对应存储到左侧边缘点集合、右侧边缘点集合中；
③按行将左侧边缘点集合、右侧边缘点集合内的边缘点进行配对，获取多组边缘点对以及待评价特征；待评价特征为：灰度特征、位置特征、梯度特征和宽度特征中的至少两种；对于同一胶条选用相同的待评价特征；
灰度特征：将两个边缘点以及两点之间各点灰度值所形成灰度序列记为灰度特征；
位置特征：将两边缘点在整幅胶条图像中的像素坐标记为位置特征；
梯度特征：将两边缘点在各自八邻域范围内的梯度方向记为梯度特征；
宽度特征：将两边缘点之间的距离记为宽度特征；
2)沿胶条轨迹，将各边缘点对排序；根据排序，查找任一相邻两组边缘点对；
基于步骤1)得出的单组边缘点对的待评价特征，解算相邻边缘点对待评价特征的相关性：
计算两组边缘点对灰度特征之间的相关性，将得出的匹配率记为灰度特征相关性；
在两组边缘点对中，将位于同侧的两边缘点的位置特征分别作差，取差值平均值记为位置特征相关性；
在两组边缘点对中，将位于同侧的两边缘点的梯度特征分别作差，取差值平均值记为梯度特征相关性；
取两组边缘点对宽度特征之间的差值记为宽度特征相关性；
3)判断得到的各相关性是否高于各自的预设阈值；
若是，则认为这两组边缘点对满足特征连续性要求、将其存储到边缘点集，进行步骤4)；
若否，则直接进行步骤4)；
4)对其他相邻边缘点对重复步骤2)、3)，直到遍历完所有相邻的边缘点对，将满足特征连续性要求的边缘点都存储到边缘点集中，获得胶条边缘，如图2中胶条两侧的白色圆点，为了便于显示，图2中选框设置不连续。
其中，选框可以设置为以下两种形式：
I、选框为矩形区域，其短边平行于选框中Y轴，宽度为3-11像素。
II、选框为扇环形区域，其以预设初始点的图像坐标为圆心、环宽d的取值为3～11像素、圆心角取值为30°～120°，系统内预存有初始内环半径，每次更新检测区域时，新的扇环形区域的内环半径为上一次内环半径加上步长。
具体的，步骤1)中，以平行于局部坐标系X轴的方向，在选框中查找边缘点，并将其分别对应存储到左侧边缘点集合、右侧边缘点集合中；具体为：
在选框中，求取Y轴方向上各列的灰度平均值；利用各列的灰度平均值得到拟合曲线I，并对该拟合曲线I进行高斯平滑滤波得到曲线Ⅱ；
求取曲线Ⅱ上各点的一阶导数和二阶导数，选取一阶导数大于预设阈值且二阶导数等于零的点，标记为边缘点；
分析单个边缘点两侧的像点灰度变化，若从亮到暗，则将其存储到左侧边缘点集合中；若从暗到亮，则将其存储到右侧边缘点集合中；
遍历各个边缘点，将其分别对应存储到左侧边缘点集合、右侧边缘点集合中。
由于灰度、位置的连续性更有利于判断相关性较强的边缘点，作为一种优选的实施方式，步骤3)中，将得到的各相关性进行组合，再判断其是否高于预设组合阈值，具体为：
在步骤2)中，至少获取灰度特征相关性和位置特征相关性；
灰度特征相关性的取值范围0～1；
将位置特征相关性、梯度特征相关性和宽度特征相关性分别进行归一化处理；
设置各相关性对应的权重系数，其中位置相关性的权重系数高于其他相关性对应的权重系数；
利用归一化后的各个相关性及其对应的权重系数进行组合，得到边缘相关性Q，判断Q是否高于对应预设组合阈值Q’，若是，则认为这两组边缘点对满足特征连续性要求，若否，则不满足。
具体的，设置：灰度相关性的权重系数A，0＜A＜0.5；位置相关性的权重系数B，0.25＜B＜0.8；梯度相关性的权重系数C，0≤C＜0.4；宽度相关性的权重系数D，0≤D＜0.4；
权重系数A+B+C+D＝1。
具体解算时，将位置相关性、梯度相关性和宽度相关性分别进行归一化处理；具体为：
其中位置标准值根据经验值或涂胶工艺参数预先设置；
利用归一化后的各个相关性及其对应的权重系数进行组合，得到边缘相关性Q：
Q＝A×灰度相关性+B×归一化位置相关性+C×归一化梯度相关性+D×归一化宽度相关性。
此外，与上述组合判断相关性之外，在步骤3)中，也可以将得到的各相关性进行单独判断，具体为：分别预设各个相关性各自对应的预设阈值，将各相关性分别与对应的预设阈值进行比较，当其均高于阈值时，认为这两组边缘点对满足特征连续性要求，否则，不满足。
为了进一步筛选获得准确边缘点，在步骤4)之后，还包括以下步骤：
步骤5)、将步骤4)得出的边缘点集中所有的左侧边缘点在各自选框中的像素坐标，记为左坐标集合；所有的右侧边缘点在各自选框中的像素坐标，记为右坐标集合；
步骤6)、利用左坐标集合、右坐标集合进行聚类，得出左聚类集合、右聚类集合；
步骤7)、在各个选框中，剔除位置特征超出左聚类集合或右聚类集合的边缘点；
步骤8)、则统计所有的选框中，被保留的左、右边缘点，将其记为新的左坐标集合、右坐标集合，利用新的左坐标集合、右坐标集合重新执行步骤6)～7)；
步骤9)、重复步骤8)2～5次，统计所有的选框中，被保留的左、右边缘点，将其记为最终的胶条边缘点。
其中，步骤6)中，聚类方法为K-means聚类方法、均值漂移聚类方法或DBSCAN聚类方法。
前面对本发明具体示例性实施方案所呈现的描述是出于说明和描述的目的。前面的描述并不想要成为毫无遗漏的，也不是想要把本发明限制为所公开的精确形式，显然，根据上述教导很多改变和变化都是可能的。选择示例性实施方案并进行描述是为了解释本发明的特定原理及其实际应用，从而使得本领域的其它技术人员能够实现并利用本发明的各种示例性实施方案及其不同选择形式和修改形式。本发明的范围旨在由所附权利要求书及其等价形式所限定。
Claims (10)
1.一种基于特征连续性的胶条边缘检测方法，其特征在于：
1)在胶条图像中，沿胶条的延伸方向，设置多个选框，将整个胶条区域分割成多个互不重叠的子区域；
分别在每个选框中，进行如下处理：
①在当前选框中，以选框中局部胶条的延伸方向为Y轴、垂直于延伸方向为X轴，建立局部坐标系；
②以平行于所述局部坐标系X轴的方向，在选框中查找边缘点，并将其分别对应存储到左侧边缘点集合、右侧边缘点集合中；
③按行将左侧边缘点集合、右侧边缘点集合内的边缘点进行配对，获取多组边缘点对以及待评价特征；所述待评价特征为：灰度特征、位置特征、梯度特征和宽度特征中的至少两种；对于同一胶条选用相同的待评价特征；
灰度特征：将两个边缘点以及两点之间各点灰度值所形成灰度序列记为灰度特征；
位置特征：将两边缘点在整幅胶条图像中的像素坐标记为位置特征；
梯度特征：将两边缘点在各自八邻域范围内的梯度方向记为梯度特征；
宽度特征：将两边缘点之间的距离记为宽度特征；
2)沿胶条轨迹，将各边缘点对排序；根据排序，查找任一相邻两组边缘点对；
基于步骤1)得出的单组边缘点对的待评价特征，解算相邻边缘点对待评价特征的相关性：
计算两组边缘点对灰度特征之间的相关性，将得出的匹配率记为灰度特征相关性；
在两组边缘点对中，将位于同侧的两边缘点的位置特征分别作差，取差值平均值记为位置特征相关性；
在两组边缘点对中，将位于同侧的两边缘点的梯度特征分别作差，取差值平均值记为梯度特征相关性；
取两组边缘点对宽度特征之间的差值记为宽度特征相关性；
3)判断得到的各相关性是否高于各自的预设阈值；
若是，则认为这两组边缘点对满足特征连续性要求、将其存储到边缘点集，进行步骤4)；
若否，则直接进行步骤4)；
4)对其他相邻边缘点对重复步骤2)、3)，直到遍历完所有相邻的边缘点对，将满足特征连续性要求的边缘点都存储到边缘点集中，获得胶条边缘。
2.如权利要求1所述基于特征连续性的胶条边缘检测方法，其特征在于：所述选框为矩形区域，其短边平行于选框中Y轴，宽度为3-11像素。
3.如权利要求1所述基于特征连续性的胶条边缘检测方法，其特征在于：所述选框为扇环形区域，其以预设初始点的图像坐标为圆心、环宽d的取值为3～11像素、圆心角取值为30°～120°，系统内预存有初始内环半径，每次更新检测区域时，新的扇环形区域的内环半径为上一次内环半径加上步长。
4.如权利要求1所述基于特征连续性的胶条边缘检测方法，其特征在于：步骤1)中，以平行于所述局部坐标系X轴的方向，在选框中查找边缘点，并将其分别对应存储到左侧边缘点集合、右侧边缘点集合中；具体为：
在所述选框中，求取Y轴方向上各列的灰度平均值；利用各列的灰度平均值得到拟合曲线I，并对该拟合曲线I进行高斯平滑滤波得到曲线Ⅱ；
求取曲线Ⅱ上各点的一阶导数和二阶导数，选取一阶导数大于预设阈值且二阶导数等于零的点，标记为边缘点；
分析单个边缘点两侧的像点灰度变化，若从亮到暗，则将其存储到左侧边缘点集合中；若从暗到亮，则将其存储到右侧边缘点集合中；
遍历各个边缘点，将其分别对应存储到左侧边缘点集合、右侧边缘点集合中。
5.如权利要求1～4中任一项所述基于特征连续性的胶条边缘检测方法，其特征在于：步骤3)中，将得到的各相关性进行组合，再判断其是否高于预设组合阈值，具体为：
在步骤2)中，至少获取灰度特征相关性和位置特征相关性；
所述灰度特征相关性的取值范围0～1；
将位置特征相关性、梯度特征相关性和宽度特征相关性分别进行归一化处理；
设置各相关性对应的权重系数，其中位置相关性的权重系数高于其他相关性对应的权重系数；
利用归一化后的各个相关性及其对应的权重系数进行组合，得到边缘相关性Q，判断Q是否高于对应预设组合阈值Q’，若是，则认为这两组边缘点对满足特征连续性要求，若否，则不满足。
6.如权利要求5所述基于特征连续性的胶条边缘检测方法，其特征在于：
设置：灰度相关性的权重系数A，0＜A＜0.5；位置相关性的权重系数B，0.25＜B＜0.8；梯度相关性的权重系数C，0≤C＜0.4；宽度相关性的权重系数D，0≤D＜0.4；
权重系数A+B+C+D＝1。
7.如权利要求5所述基于特征连续性的胶条边缘检测方法，其特征在于：将所述位置相关性、梯度相关性和宽度相关性分别进行归一化处理；具体为：
其中位置标准值根据经验值或涂胶工艺参数预先设置；
利用归一化后的各个相关性及其对应的权重系数进行组合，得到边缘相关性Q：
Q＝A×灰度相关性+B×归一化位置相关性+C×归一化梯度相关性+D×归一化宽度相关性。
8.如权利要求1～4中任一项所述基于特征连续性的胶条边缘检测方法，其特征在于：步骤3)中，将得到的各相关性进行单独判断，具体为：分别预设各个相关性各自对应的预设阈值，将各相关性分别与对应的预设阈值进行比较，当其均高于阈值时，认为这两组边缘点对满足特征连续性要求，否则，不满足。
9.如权利要求1～4中任一项所述基于特征连续性的胶条边缘检测方法，其特征在于：在步骤4)之后，还包括以下步骤：
步骤5)、将步骤4)得出的边缘点集中所有的左侧边缘点在各自选框中的像素坐标，记为左坐标集合；所有的右侧边缘点在各自选框中的像素坐标，记为右坐标集合；
步骤6)、利用所述左坐标集合、右坐标集合进行聚类，得出左聚类集合、右聚类集合；
步骤7)、在各个选框中，剔除位置特征超出左聚类集合或右聚类集合的边缘点；
步骤8)、则统计所有的选框中，被保留的左、右边缘点，将其记为新的左坐标集合、右坐标集合，利用新的左坐标集合、右坐标集合重新执行步骤6)～7)；
步骤9)、重复步骤8)2～5次，统计所有的选框中，被保留的左、右边缘点，将其记为最终的胶条边缘点。
10.如权利要求9所述基于特征连续性的胶条边缘检测方法，其特征在于：步骤6)中，聚类方法为K-means聚类方法、均值漂移聚类方法或DBSCAN聚类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111331053.8A CN114049606B (zh) | 2021-11-11 | 2021-11-11 | 一种基于特征连续性的胶条边缘检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111331053.8A CN114049606B (zh) | 2021-11-11 | 2021-11-11 | 一种基于特征连续性的胶条边缘检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114049606A CN114049606A (zh) | 2022-02-15 |
| CN114049606B true CN114049606B (zh) | 2024-05-31 |
Family
ID=80208983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111331053.8A Active CN114049606B (zh) | 2021-11-11 | 2021-11-11 | 一种基于特征连续性的胶条边缘检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114049606B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537808A (zh) * | 2018-04-08 | 2018-09-14 | 易思维（天津）科技有限公司 | 一种基于机器人示教点信息的涂胶在线检测方法 |
| CN110189316A (zh) * | 2019-05-29 | 2019-08-30 | 易思维（杭州）科技有限公司 | 一种胶条检测自动示教方法 |
| CN111862131A (zh) * | 2020-07-31 | 2020-10-30 | 易思维（杭州）科技有限公司 | 胶条边缘检测方法及其应用 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10510148B2 (en) * | 2017-12-18 | 2019-12-17 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Systems and methods for block based edgel detection with false edge elimination |
-
2021
- 2021-11-11 CN CN202111331053.8A patent/CN114049606B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537808A (zh) * | 2018-04-08 | 2018-09-14 | 易思维（天津）科技有限公司 | 一种基于机器人示教点信息的涂胶在线检测方法 |
| CN110189316A (zh) * | 2019-05-29 | 2019-08-30 | 易思维（杭州）科技有限公司 | 一种胶条检测自动示教方法 |
| CN111862131A (zh) * | 2020-07-31 | 2020-10-30 | 易思维（杭州）科技有限公司 | 胶条边缘检测方法及其应用 |
Non-Patent Citations (1)
| Title |
|---|
| 胎面缠绕机胶条宽度检测和控制方法的改进;王超;张立平;王爱震;范立鹏;;橡胶科技;20160515(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114049606A (zh) | 2022-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11403839B2 (en) | Commodity detection terminal, commodity detection method, system, computer device, and computer readable medium | |
| CN103759758B (zh) | 一种基于机械角度和刻度识别的汽车仪表指针的位置检测方法 | |
| CN114120051B (zh) | 一种胶条边缘点的筛选方法 | |
| EP3667286A1 (en) | Tire image recognition method and tire image recognition device | |
| CN103345755B (zh) | 一种基于Harris算子的棋盘格角点亚像素提取方法 | |
| CN108985337A (zh) | 一种基于图像深度学习的产品表面划痕检测方法 | |
| CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
| CN104599288A (zh) | 一种基于肤色模板的特征跟踪方法及装置 | |
| CN105046701A (zh) | 一种基于构图线的多尺度显著目标检测方法 | |
| CN101751556B (zh) | 物件外观模型产生方法、物件辨识方法以及监控系统 | |
| CN104598914A (zh) | 一种肤色检测的方法及装置 | |
| CN110288624A (zh) | 一种图像中直线段的检测方法、装置及相关设备 | |
| CN107264570A (zh) | 钢轨光带分布检测装置与方法 | |
| CN117437223A (zh) | 一种高速板对板连接器缺陷智能检测方法 | |
| CN116188544A (zh) | 一种结合边缘特征的点云配准方法 | |
| CN113947714B (zh) | 一种视频监控和遥感的多模态协同优化方法及系统 | |
| CN111582270A (zh) | 基于高精度的桥梁区域视觉靶标特征点的识别追踪方法 | |
| CN114049606B (zh) | 一种基于特征连续性的胶条边缘检测方法 | |
| CN110942444A (zh) | 物体检测方法和装置 | |
| CN117058137B (zh) | 一种夹胶玻璃生产质量视觉检测方法 | |
| CN112085754B (zh) | 反光胶条的边缘检测方法 | |
| CN111339914B (zh) | 一种基于单张图片的室内天花板地面识别方法 | |
| CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
| CN110031471B (zh) | 大口径光学元件表面缺陷增长分析方法、系统、装置 | |
| CN112461345B (zh) | 一种基于lsd直线检测算法的汽车衡轧线出界检测方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051 Applicant after: Yi Si Si (Hangzhou) Technology Co.,Ltd. Address before: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051 Applicant before: ISVISION (HANGZHOU) TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |