CN114120051B - 一种胶条边缘点的筛选方法 - Google Patents

一种胶条边缘点的筛选方法 Download PDF

Info

Publication number
CN114120051B
CN114120051B CN202111330990.1A CN202111330990A CN114120051B CN 114120051 B CN114120051 B CN 114120051B CN 202111330990 A CN202111330990 A CN 202111330990A CN 114120051 B CN114120051 B CN 114120051B
Authority
CN
China
Prior art keywords
edge
points
adhesive tape
value
point
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
Application number
CN202111330990.1A
Other languages
English (en)
Other versions
CN114120051A (zh
Inventor
郭磊
尹仕斌
郭寅
叶琨
曹军旗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yi Si Si Hangzhou Technology Co ltd
Original Assignee
Yi Si Si Hangzhou Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yi Si Si Hangzhou Technology Co ltd filed Critical Yi Si Si Hangzhou Technology Co ltd
Priority to CN202111330990.1A priority Critical patent/CN114120051B/zh
Publication of CN114120051A publication Critical patent/CN114120051A/zh
Application granted granted Critical
Publication of CN114120051B publication Critical patent/CN114120051B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种胶条边缘点的筛选方法，在胶条中设置选框，建立局部坐标系；求取行特征；在行特征上查找边缘点，将边缘点配对，获取多组边缘点对以及待评价特征；分别对待评价特征中的每个特征进行评估，获取综合得分；剔除综合得分低于阈值的边缘点对，利用余下边缘点在局部坐标系下的像素坐标进行聚类得到边缘坐标集合；将坐标超出边缘坐标集合的边缘点剔除；在待处理选框中查找与左侧均值点和右侧均值点位置距离最近的一组边缘点对、保留，剔除其他组边缘点；在每个待处理选框中保留一组边缘点对；记为最终的边缘点；本方法提取的边缘点准确、合理，为后续胶条宽度、连续性的判断提供了有力保障。

Description

一种胶条边缘点的筛选方法
技术领域
本发明涉及涂胶检测领域，具体涉及一种胶条边缘点的筛选方法。
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位置、宽度、灰度、对比度的约束，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，本方法对边缘检测技术方案进行优化，提出了一种胶条边缘点的筛选方法，为每个特性设置评分机制，记录每组边缘点的综合得分，进行初步筛选；再利用位置聚类的方式，对边缘点进行精确筛选；以此获得更加准确的胶条边缘，本方法提取的边缘点准确、合理，为后续胶条宽度、连续性的判断提供了有力保障。
技术方案如下：
一种胶条边缘点的筛选方法，在胶条图像中，沿胶条的延伸方向，预先设置多个胶条骨架点，分别以每个骨架点为中心，设置选框，将整个胶条区域分割成多个互不重叠的子区域；
步骤一、分别在每个选框中，进行如下处理：
1)在选框中，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；记Y轴方向的像素点为列像素点；
求取单列像素点的平均灰度值，并在该列的中间位置处选取一个像素点，记录其位置信息，将平均灰度值赋为该点的灰度值，以此为列特征；遍历选框各列，获取多个列特征、共同组成此选框的行特征；
在行特征上查找边缘点，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；
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的均值记为灰度特征；
位置特征：计算两边缘点的中心点，计算中心点与当前选框中胶条骨架点之间的距离，将距离值记为位置特征；
对比度特征：沿图像X轴，在每个边缘点的左右两侧各取多个像素点，利用这些像素点的灰度计算该边缘点两侧的对比度，记为对比度特征；
宽度特征：将两边缘点之间的距离记为宽度特征；
2)分别对待评价特征中的每个特征进行评估，评估方式为：
当特征的数值处于预设区间以内时，获得最高得分；
当特征的数值处于预设区间以外时，得分依据特征数值与预设区间之间的距离线性递减；
据此得到各特征对应的得分；
利用各特征对应的权重系数，将各个得分组合、形成综合得分；
步骤二、遍历各个选框，得到所有边缘点对以及对应的综合得分；剔除综合得分低于阈值的边缘点对，将余下的边缘点对记为初选集合；
步骤三、利用初选集合中所有的左侧边缘点在局部坐标系下的像素坐标进行聚类，得出左边缘坐标集合；利用初选集合中所有的右侧边缘点在局部坐标系下的像素坐标进行聚类，得出右边缘坐标集合；
在各个待处理选框中，将边缘点的像素坐标超出对应边缘坐标集合的边缘点剔除；
步骤四、判断是否在每个选框中仅包含一组边缘点对：
若是，则直接进行步骤六；若否，则进行步骤五；
步骤五、统计所有选框中被保留的左侧边缘点，解算均值坐标，记为左侧均值点；统计所有选框中被保留的右侧边缘点，解算均值坐标，记为右侧均值点；
将包含有多组边缘点对的单个选框记为待处理选框，在待处理选框中查找与左侧均值点和右侧均值点位置距离最近的一组边缘点对、保留，剔除其他组边缘点；
遍历各个待处理选框，在每个待处理选框中保留一组边缘点对；
步骤六、记录所有选框中被保留的边缘点对，标记各个边缘点在整幅胶条图像中的位置，将其记为最终的边缘点。
进一步，步骤2)中，分别对待评价特征中的每个特征进行评估，评估方式具体为：
分别为每个特征设置评估分段函数，将特征值代入到对应的评估分段函数中，计算得分：
宽度特征的评估分段函数为：
其中，(a1，b1)为宽度特征的预设区间，a1＝(0.8～0.9)×胶条理论宽度，b1＝(1.1～1.2)×胶条理论宽度，c1为定值，其取值范围为：c1＞2b1；
位置特征的评估分段函数为:
其中，(b2，c2)为位置特征的预设区间，b2取值：-(理论胶宽/2)，c2取值：+(理论胶宽/2)；a2取值：-(理论胶宽)，d2取值：+(理论胶宽)；
所述图像为黑白图像，灰度特征的评估分段函数为：
白胶条黑背景：
黑胶条白背景：
其中，(a3，255)为白胶条黑背景图像的灰度特征的预设区间，a3取值(150～200)；(0，b3)为黑胶条白背景图像的灰度特征的预设区间，b3取值(100～150)；
对比度特征的评估分段函数为：
其中，(a4，255)为对比度特征的预设区间，a4取值100～150；
进一步，步骤2)中，利用各特征对应的权重系数，将各个得分组合、形成综合得分；具体为：
在步骤2)中，至少获取宽度特征和位置特征；
所述灰度特征、位置特征、对比度特征和宽度特征的得分取值范围均为0～1；
设置各特征对应的权重系数，其中位置特征和宽度特征的权重系数高于其他特征对应的权重系数；
设置：灰度特征的权重系数A，0≤A＜0.4；对比度特征的权重系数C，0≤C＜0.4；位置特征的权重系数B，0.25＜B＜0.8；宽度相关性的权重系数D，0.25＜D＜0.8；
权重系数A+B+C+D＝1；
利用权重系数将各特征得分组合、形成综合得分Q。
优选，所述选框为矩形区域，其短边尺寸3-11像素；
或者，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，在行特征上查找边缘点，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；利用如下方法：
利用行特征上各点的灰度值得到拟合曲线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。
进一步，步骤三中，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。
进一步，在胶条图像中，沿胶条的延伸方向，预先设置多个胶条骨架点的方法为：在胶条区域先人为选取多个稀疏的骨架点，再利用这些骨架点进行曲线拟合，并对其进行插值操作，在胶条上获取稠密的骨架点。
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，提出了一种胶条边缘点的筛选方法，由于相邻的胶条局部区域在位置、梯度、宽度和灰度上具有比较高的一致性，因此为每个特性设置评分机制，记录每组边缘点的综合得分，进行初步筛选；再利用位置聚类的方式，将边缘点的位置信息逐步精确，使得每个局部矩形区域内只包含一组边缘点，对边缘点进行精确筛选；以此获得更加准确的胶条边缘，本方法提取的边缘点准确、合理，为后续胶条宽度、连续性的判断提供了有力保障。
附图说明
图1为具体实施方式中行特征示意图；
图2为步骤二中得出的初选集合中边缘点示意图；
图3为具体实施方式中宽度特征的评估分段函数示意图；
图4为具体实施方式中位置特征的评估分段函数示意图；
图5a为具体实施方式中白胶条黑背景图像灰度特征的评估分段函数示意图；
图5b为具体实施方式中黑胶条白背景图像灰度特征的评估分段函数示意图；
图6为具体实施方式中对比度特征的评估分段函数示意图；
图7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。
一种胶条边缘点的筛选方法，在胶条图像中，沿胶条的延伸方向，预先设置多个胶条骨架点，分别以每个骨架点为中心，设置选框，将整个胶条区域分割成多个互不重叠的子区域；
其中，选框为矩形区域，其短边尺寸3-11像素；
或者，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。
本实施例中，设置为矩形选框如图7，为了便于显示，图7中选框设置不连续，具体实施时，选框也可以连续设置。
本实施例中，骨架点的获取方式如下：在胶条图像中，沿胶条的延伸方向，预先设置多个胶条骨架点的方法为：在胶条区域先人为选取多个稀疏的骨架点，再利用这些骨架点进行曲线拟合，并对其进行插值操作，在胶条上获取稠密的骨架点。
步骤一、分别在每个选框中，进行如下处理：
1)在选框中，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；记Y轴方向的像素点为列像素点；
求取单列像素点的平均灰度值，并在该列的中间位置处选取一个像素点，记录其位置信息，将平均灰度值赋为该点的灰度值，以此为列特征；遍历选框各列，获取多个列特征、共同组成此选框的行特征(如图1所示)；
在行特征上查找边缘点，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；
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的均值记为灰度特征；
位置特征：计算两边缘点的中心点，计算中心点与当前选框中胶条骨架点之间的距离，将距离值记为位置特征；
对比度特征：沿图像X轴，在每个边缘点的左右两侧各取多个像素点，利用这些像素点的灰度计算该边缘点两侧的对比度，记为对比度特征；
宽度特征：将两边缘点之间的距离记为宽度特征；
2)分别对待评价特征中的每个特征进行评估，评估方式为：
当特征的数值处于预设区间以内时，获得最高得分；
当特征的数值处于预设区间以外时，得分依据特征数值与预设区间之间的距离线性递减；
据此得到各特征对应的得分；
利用各特征对应的权重系数，将各个得分组合、形成综合得分；
步骤二、遍历各个选框，得到所有边缘点对以及对应的综合得分；剔除综合得分低于阈值的边缘点对，将余下的边缘点对记为初选集合(如图2所示)；
步骤三、利用初选集合中所有的左侧边缘点在局部坐标系下的像素坐标进行聚类，得出左边缘坐标集合；利用初选集合中所有的右侧边缘点在局部坐标系下的像素坐标进行聚类，得出右边缘坐标集合；
在各个待处理选框中，将边缘点的像素坐标超出对应边缘坐标集合的边缘点剔除；
步骤四、判断是否在每个选框中仅包含一组边缘点对：
若是，则直接进行步骤六；若否，则进行步骤五；
步骤五、统计所有选框中被保留的左侧边缘点，解算均值坐标，记为左侧均值点；统计所有选框中被保留的右侧边缘点，解算均值坐标，记为右侧均值点；
将包含有多组边缘点对的单个选框记为待处理选框，在待处理选框中查找与左侧均值点和右侧均值点位置距离最近的一组边缘点对、保留，剔除其他组边缘点；
此外补充说明，若存在多组边缘点对与左侧均值点和右侧均值点位置距离相同，且均为最近距离值(小概率情况)，则默认任取一组边缘点对保留；
遍历各个待处理选框，在每个待处理选框中保留一组边缘点对；
步骤六、记录所有选框中被保留的边缘点对，标记各个边缘点在整幅胶条图像中的位置，将其记为最终的边缘点。如图7中筛选到的胶条边缘点(两侧白色圆点)。
作为本发明一种优选的实施方式，步骤2)中，分别对待评价特征中的每个特征进行评估，评估方式具体为：
分别为每个特征设置评估分段函数，将特征值代入到对应的评估分段函数中，计算得分：
如图3所示，宽度特征的评估分段函数为：
其中，(a1，b1)为宽度特征的预设区间，a1＝(0.8～0.9)×胶条理论宽度，b1＝(1.1～1.2)×胶条理论宽度，c1为定值，其取值范围为：c1＞2b1；
如图4所示，位置特征的评估分段函数为:
其中，(b2，c2)为位置特征的预设区间，b2取值：-(理论胶宽/2)，c2取值：+(理论胶宽/2)；a2取值：-(理论胶宽)，d2取值：+(理论胶宽)；
图像为黑白图像，灰度特征的评估分段函数为：
如图5a所示，白胶条黑背景：
如图5b所示，黑胶条白背景：
其中，(a3，255)为白胶条黑背景图像的灰度特征的预设区间，a3取值(150～200)；(0，b3)为黑胶条白背景图像的灰度特征的预设区间，b3取值(100～150)；
如图6所示，对比度特征的评估分段函数为：
其中，(a4，255)为对比度特征的预设区间，a4取值100～150；
其中，步骤2)中，利用各特征对应的权重系数，将各个得分组合、形成综合得分；具体为：
为了边缘筛选更为准确，在步骤2)中，至少获取宽度特征和位置特征；这两个特征更能够表征边缘的特性；
灰度特征、位置特征、对比度特征和宽度特征的得分取值范围均为0～1；
设置各特征对应的权重系数，其中位置特征和宽度特征的权重系数高于其他特征对应的权重系数；
设置：灰度特征的权重系数A，0≤A＜0.4；对比度特征的权重系数C，0≤C＜0.4；位置特征的权重系数B，0.25＜B＜0.8；宽度相关性的权重系数D，0.25＜D＜0.8；
权重系数A+B+C+D＝1；
利用权重系数将各特征得分组合、形成综合得分Q。
更具体的，步骤1)中，在行特征上查找边缘点，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；利用如下方法：
利用行特征上各点的灰度值得到拟合曲线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。
其中，步骤三中，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 (7)

1.一种胶条边缘点的筛选方法，其特征在于：
在胶条图像中，沿胶条的延伸方向，预先设置多个胶条骨架点，分别以每个骨架点为中心，设置选框，将整个胶条区域分割成多个互不重叠的子区域；
步骤一、分别在每个选框中，进行如下处理：
1)在选框中，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；记Y轴方向的像素点为列像素点；
求取单列像素点的平均灰度值，并在该列的中间位置处选取一个像素点，记录其位置信息，将平均灰度值赋为该点的灰度值，以此为列特征；遍历选框各列，获取多个列特征、共同组成此选框的行特征；
在行特征上查找边缘点，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；
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的均值记为灰度特征；
位置特征：计算两边缘点的中心点，计算中心点与当前选框中胶条骨架点之间的距离，将距离值记为位置特征；
对比度特征：沿图像X轴，在每个边缘点的左右两侧各取多个像素点，利用这些像素点的灰度计算该边缘点两侧的对比度，记为对比度特征；
宽度特征：将两边缘点之间的距离记为宽度特征；
2)分别对待评价特征中的每个特征进行评估，评估方式为：
当特征的数值处于预设区间以内时，获得最高得分；
当特征的数值处于预设区间以外时，得分依据特征数值与预设区间之间的距离线性递减；
据此得到各特征对应的得分；
利用各特征对应的权重系数，将各个得分组合、形成综合得分；
步骤二、遍历各个选框，得到所有边缘点对以及对应的综合得分；剔除综合得分低于阈值的边缘点对，将余下的边缘点对记为初选集合；
步骤三、利用初选集合中所有的左侧边缘点在局部坐标系下的像素坐标进行聚类，得出左边缘坐标集合；利用初选集合中所有的右侧边缘点在局部坐标系下的像素坐标进行聚类，得出右边缘坐标集合；
在各个待处理选框中，将边缘点的像素坐标超出对应边缘坐标集合的边缘点剔除；
步骤四、判断是否在每个选框中仅包含一组边缘点对：
若是，则直接进行步骤六；若否，则进行步骤五；
步骤五、统计所有选框中被保留的左侧边缘点，解算均值坐标，记为左侧均值点；统计所有选框中被保留的右侧边缘点，解算均值坐标，记为右侧均值点；
将包含有多组边缘点对的单个选框记为待处理选框，在待处理选框中查找与左侧均值点和右侧均值点位置距离最近的一组边缘点对、保留，剔除其他组边缘点；
遍历各个待处理选框，在每个待处理选框中保留一组边缘点对；
步骤六、记录所有选框中被保留的边缘点对，标记各个边缘点在整幅胶条图像中的位置，将其记为最终的边缘点。
2.如权利要求1所述胶条边缘点的筛选方法，其特征在于：步骤2)中，分别对待评价特征中的每个特征进行评估，评估方式具体为：
分别为每个特征设置评估分段函数，将特征值代入到对应的评估分段函数中，计算得分：
宽度特征的评估分段函数为：
其中，(a1，b1)为宽度特征的预设区间，a1＝(0.8～0.9)×胶条理论宽度，b1＝(1.1～1.2)×胶条理论宽度，c1为定值，其取值范围为：c1＞2b1；
位置特征的评估分段函数为:
其中，(b2，c2)为位置特征的预设区间，b2取值：-(理论胶宽/2)，c2取值：+(理论胶宽/2)；a2取值：-(理论胶宽)，d2取值：+(理论胶宽)；
所述图像为黑白图像，灰度特征的评估分段函数为：
白胶条黑背景：
黑胶条白背景：
其中，(a3，255)为白胶条黑背景图像的灰度特征的预设区间，a3取值(150～200)；(0，b3)为黑胶条白背景图像的灰度特征的预设区间，b3取值(100～150)；
对比度特征的评估分段函数为：
其中，(a4，255)为对比度特征的预设区间，a4取值100～150。
3.如权利要求1所述胶条边缘点的筛选方法，其特征在于：步骤2)中，利用各特征对应的权重系数，将各个得分组合、形成综合得分；具体为：
在步骤2)中，至少获取宽度特征和位置特征；
所述灰度特征、位置特征、对比度特征和宽度特征的得分取值范围均为0～1；
设置各特征对应的权重系数，其中位置特征和宽度特征的权重系数高于其他特征对应的权重系数；
设置：灰度特征的权重系数A，0≤A＜0.4；对比度特征的权重系数C，0≤C＜0.4；位置特征的权重系数B，0.25＜B＜0.8；宽度相关性的权重系数D，0.25＜D＜0.8；
权重系数A+B+C+D＝1；
利用权重系数将各特征得分组合、形成综合得分Q。
4.如权利要求1所述胶条边缘点的筛选方法，其特征在于：所述选框为矩形区域，其短边尺寸3-11像素；
或者，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。
5.如权利要求1所述胶条边缘点的筛选方法，其特征在于：步骤1)中，在行特征上查找边缘点，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；利用如下方法：
利用行特征上各点的灰度值得到拟合曲线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。
6.如权利要求1所述胶条边缘点的筛选方法，其特征在于：步骤三中，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。
7.如权利要求1所述胶条边缘点的筛选方法，其特征在于：在胶条图像中，沿胶条的延伸方向，预先设置多个胶条骨架点的方法为：在胶条区域先人为选取多个稀疏的骨架点，再利用这些骨架点进行曲线拟合，并对其进行插值操作，在胶条上获取稠密的骨架点。
CN202111330990.1A 2021-11-11 2021-11-11 一种胶条边缘点的筛选方法 Active CN114120051B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111330990.1A CN114120051B (zh) 2021-11-11 2021-11-11 一种胶条边缘点的筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111330990.1A CN114120051B (zh) 2021-11-11 2021-11-11 一种胶条边缘点的筛选方法

Publications (2)

Publication Number Publication Date
CN114120051A CN114120051A (zh) 2022-03-01
CN114120051B true CN114120051B (zh) 2024-06-04

Family

ID=80378315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111330990.1A Active CN114120051B (zh) 2021-11-11 2021-11-11 一种胶条边缘点的筛选方法

Country Status (1)

Country Link
CN (1) CN114120051B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114694162B (zh) * 2022-05-31 2022-08-16 深圳航天信息有限公司 基于图像处理的发票图像识别方法及系统
CN115063603B (zh) * 2022-07-27 2023-04-07 海门王巢家具制造有限公司 基于边缘信息的木材年轮线精确提取及复原方法
CN116046791B (zh) * 2023-03-30 2023-06-09 深圳市元硕自动化科技有限公司 点胶缺陷检测方法及检测装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019152424A1 (en) * 2018-01-31 2019-08-08 Monsanto Technology Llc Systems and methods for quantitative phenotype analysis
WO2020133046A1 (zh) * 2018-12-27 2020-07-02 深圳配天智能技术研究院有限公司 一种缺陷检测方法及装置
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
CN112085754A (zh) * 2020-09-09 2020-12-15 易思维（杭州）科技有限公司 反光胶条的边缘检测方法
CN112975907A (zh) * 2021-02-08 2021-06-18 易思维（杭州）科技有限公司 一种对弧状焊缝、胶条的视觉检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8416468B2 (en) * 1999-09-17 2013-04-09 Silverbrook Research Pty Ltd Sensing device for subsampling imaged coded data
DE102009015594B4 (de) * 2009-03-30 2015-07-30 Carl Zeiss Sms Gmbh Verfahren und Vorrichtung zur subpixelgenauen Positionsbestimmung einer Kante einer Markerstruktur in einer Vielzahl von Aufnahmepixeln aufweisenden Aufnahme der Markerstruktur

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019152424A1 (en) * 2018-01-31 2019-08-08 Monsanto Technology Llc Systems and methods for quantitative phenotype analysis
WO2020133046A1 (zh) * 2018-12-27 2020-07-02 深圳配天智能技术研究院有限公司 一种缺陷检测方法及装置
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
CN112085754A (zh) * 2020-09-09 2020-12-15 易思维（杭州）科技有限公司 反光胶条的边缘检测方法
CN112975907A (zh) * 2021-02-08 2021-06-18 易思维（杭州）科技有限公司 一种对弧状焊缝、胶条的视觉检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于局部特征统计的小目标检测算法;王勋;毕笃彦;;中国电子科学研究院学报;20060620(03);全文 *

Also Published As

Publication number Publication date
CN114120051A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN114120051B (zh) 一种胶条边缘点的筛选方法
CN109886896B (zh) 一种蓝色车牌分割与矫正方法
CN107679520B (zh) 一种适用于复杂条件下的车道线视觉检测方法
EP3309703B1 (en) Method and system for decoding qr code based on weighted average grey method
US20210334574A1 (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
CN111080582B (zh) 工件内外表面缺陷检测方法
CN106339707B (zh) 一种基于对称性特征的仪表指针图像识别方法
CN106803257B (zh) 一种作物病害叶片图像中病斑的分割方法
CN102375982A (zh) 一种融合多字符特征的车牌定位方法
JPH0877334A (ja) 顔画像の特徴点自動抽出方法
CN102999886A (zh) 图像边缘检测器及标尺光栅栅线精度检测系统
CN110163039B (zh) 判定车辆行驶状态的方法、设备、存储介质以及处理器
CN117058137B (zh) 一种夹胶玻璃生产质量视觉检测方法
CN114863492B (zh) 一种低质量指纹图像的修复方法及修复装置
CN117437223A (zh) 一种高速板对板连接器缺陷智能检测方法
CN103743750A (zh) 一种大口径光学元件表面损伤分布图的生成方法
CN111832497B (zh) 一种基于几何特征的文本检测后处理方法
CN112085754A (zh) 反光胶条的边缘检测方法
CN111429437A (zh) 面向目标检测的图像无参考清晰度质量检测方法
CN114049606B (zh) 一种基于特征连续性的胶条边缘检测方法
CN115598138A (zh) 基于显著性检测的电源控制电路板瑕疵检测方法及系统
CN115170561A (zh) 一种基于视觉处理的激光切割工件的圆度检测方法及系统
CN111209872B (zh) 一种基于动态规划和多目标优化的实时滚动指纹拼接方法
CN113989823A (zh) 基于ocr坐标的图片表格还原方法及系统

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

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

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant