CN114202487B - 一种定位孔的检测方法 - Google Patents
一种定位孔的检测方法 Download PDFInfo
- Publication number
- CN114202487B CN114202487B CN202210156909.0A CN202210156909A CN114202487B CN 114202487 B CN114202487 B CN 114202487B CN 202210156909 A CN202210156909 A CN 202210156909A CN 114202487 B CN114202487 B CN 114202487B
- Authority
- CN
- China
- Prior art keywords
- image
- gaussian pyramid
- positioning hole
- positioning
- gray level
- 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 34
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000003708 edge detection Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 230000002452 interceptive effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 241001292396 Cirrhitidae Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
- G06T7/70—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
- G06T2207/10—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
- G06T2207/20024—Filtering details
-
- 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
-
- 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
Abstract
本发明提出了一种定位孔的检测方法,通过图像预处理去除图像噪声干扰;使用高斯金字塔将图像不断进行向下采样,在更高层级的高斯金字塔图像上进行处理;使用多阶段目标检测方法先在高斯金字塔的图像上进行初定位,再在原图上进行精定位;在高斯金字塔的上层图像上使用Canny边缘检测方法找出定位孔的位置,再一步步还原到高斯金字塔的下层图像中,直至还原到原图上得到定位孔的区域;从步骤S3中得到的定位孔的区域中使用opencv中的findContours算法来查找定位孔的轮廓;将轮廓拟合成定位孔,过滤掉非定位孔的区域中的干扰点。
Description
【技术领域】
本发明涉及图像处理技术领域,尤其涉及一种定位孔的检测方法。
【背景技术】
当前在工业视觉检测方案中,通常是通过定位找到某些特征点,继而找到所要检测的区域。目前的定位方式主要有传统图像算法和深度学习两大类,其中传统图像算法主要有模板匹配和检测圆等方式,模板匹配方式鲁棒性较强,成功率高,但是需要人工创建模板,操作比较复杂,无法完成自动化操作,圆检测方法则必须保证定位孔是圆形状的,限制较多。
现在基于深度学习的定位方式也是越来越多,在有大量标注数据的情况下,基于深度学习的检测效果非常优秀,但是这种方式需要大量的前期图像和标注数据,应用于工业检测中时,很难有时间来获取大量的图像数据。
综合下来,目前基于定位孔的检测方法,仍存在以下问题:1、自动化检测方法单一且成功率低,无法满足工业上情况繁多的要求;2、深度学习方式需要有大量的数据,且结果没有可解释性,无法满足工业上的低复杂性、可靠性要求;3、手动建模的方式效果好,但是操作复杂,针对频繁切换产品的情况,建模和检测较复杂且耗时长。
鉴于此,实有必要提供一种新型的定位孔的检测方法以克服上述缺陷。
【发明内容】
本发明的目的是提供一种定位孔的检测方法,可以自动支持多种形状的边框孔检测,提高了算法的鲁棒性,还减少了算法所需的时间,提高了生产效率,满足了工业上实时性的要求。
为了实现上述目的,本发明提供一种定位孔的检测方法,包括如下步骤:
S1:通过图像预处理去除图像噪声干扰;
S2:使用高斯金字塔将图像不断进行向下采样,在更高层级的高斯金字塔图像上进行处理,先设定金字塔层数L,将图像分为L层图像,每层图像的大小为下一层图像的1/4倍,再将每层高斯金字塔图像划分成9份小图像,使用多线程技术处理9份小图像,其中每个线程单独处理1份小图像从小图像上开始进行定位孔检测;
S3:使用多阶段目标检测方法先在高斯金字塔的图像上进行初定位,再在原图上进行精定位;
步骤S3还包括步骤S31:在高斯金字塔的上层图像上使用改进后的Canny 边缘检测方法找出定位孔的位置,再一步步还原到高斯金字塔的下层图像中,直至还原到原图上得到定位孔的区域;
S32:采用Canny边缘检测方法计算高斯金字塔图像中的图像中梯度幅值M,具体计算公式如下:
M(x,y)=|dx(x,y)|+|dy(x,y)| (1);
其中,dx表示x方向的梯度,dy表示y方向的梯度;
S33:通过灰度直方图自动获取双阈值;通过Canny边缘检测方法得到定位孔在相应的小图上的坐标,接着根据当前的图像的线程ID,从划分出的9份小图中还原到高斯金字塔的上层图像中,将相应的小图上的坐标扩大10个像素还原到高斯金字塔的下一层图像中,直至还原到原图中;
S4:从步骤S3中得到的定位孔的区域中使用opencv中的findContours算法来查找定位孔的轮廓;
S5:使用道格拉斯-普克算法来将轮廓拟合成定位孔,过滤掉非定位孔的区域中的干扰点。
优选的,步骤S1还包括步骤S11:图像的不检测区域的灰度值设置为0。
优选的,步骤S1还包括步骤S12:使用高斯平滑滤波器对图像进行平滑滤波去除噪声干扰。
优选的,将步骤S33中的灰度直方图的灰度设置为6阶统计灰度值图,将灰度直方图上像素总数大于0.7的灰度值设为高阈值,小于0.3的灰度值设为低阈值。
优选的,所述定位孔的形状为圆形、椭圆形、矩形以及三角形的一种或几种。
与现有技术相比,有益效果在于:1)不需要建模,可以自动的支持圆形、椭圆形、矩形等多种形状的边框孔检测,提高了算法的鲁棒性。
2)本发明的技术方案通过先初定位,再精定位的方式,结合图像金字塔,并行计算等方式,减少了算法所需的时间,提高了生产效率,满足了工业上实时性的要求。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明提供的定位孔的检测方法的流程图。
图2为没有经过过滤检测的图片(左)与经过本发明的定位孔的检测方法检测后形成的图片(右)。
【具体实施方式】
为了使本发明的目的、技术方案和有益技术效果更加清晰明白,以下结合附图和具体实施方式,对本发明进行进一步详细说明。应当理解的是,本说明书中描述的具体实施方式仅仅是为了解释本发明,并不是为了限定本发明。
请参阅图1至图2,本发明提供一种定位孔的检测方法,包括如下步骤:
S1:通过图像预处理去除图像噪声干扰,提高图像质量;
具体的,步骤S1还包括步骤S11:将图像的不检测区域的灰度值设置为0,如此可以加速后面的轮廓查找算法的时间,由于图像中的定位孔的检测区域一般都在图上的边缘、非功能区等位置,在全图上只占很小的一部分区域,因此,该操作虽然简单,但是可以为后面的检测方法减少约90%的时间;
步骤S1还包括S12:使用高斯平滑滤波器对图像进行平滑滤波,去除成像上造成的噪声干扰。
S2:使用高斯金字塔将图像不断进行向下采样,在更高层级的高斯金字塔图像上进行处理,先设定高斯金字塔层数L,将图像分为L层图像,每层图像的大小为下一层图像的1/4倍,再将每层高斯金字塔图像划分成9份小图像,使用多线程技术处理9份小图像,其中每个线程单独处理1份小图像从小图像上开始进行定位孔检测;
S3:使用多阶段目标检测方法先在高斯金字塔的图像上进行初定位,再在原图上进行精定位;
步骤3还包括步骤S31:在高斯金字塔的上层图像上使用改进后的Canny 边缘检测方法找出定位孔的大致位置,再一步步还原到高斯金字塔的下层图像中,直至还原到原图上,得到定位孔的区域。
Canny边缘检测方法是在传统图像中使用最多,效果最好的一种边缘检测方法,主要原因在于它的梯度方向的非极大值抑制和双阈值判定边缘。因为本文中的高斯金字塔图像是经过下采样后的,会丢失部分信息,而且这里只需要初定位,因此对Canny边缘检测方法进行了改进,改进点如下:
S32:采用改进的Canny边缘检测方法计算高斯金字塔图像中的图像中梯度幅值M,具体计算公式如下:
M(x,y)=|dx(x,y)|+|dy(x,y)| (1);
其中,dx表示x方向的梯度,dy表示y方向的梯度,该操作可以针对每个像素,减少2次平方和一次开根号计算。
S33:通过灰度直方图自动获取双阈值,避免人工设置阈值的操作;
步骤S33还包括步骤S331:将灰度设置为6阶统计灰度值图,将灰度直方图上像素总数大于0.7的灰度值设为高阈值,小于0.3的灰度值设为低阈值。
通过双边阈值(高阈值 、低阈值 )来判断相应的小图像中的一个点是否是边缘,若该点的梯度幅值大于高阈值,则表示该点是边缘点;若该点的梯度幅值小于低阈值,则该点不是边缘点;若该点在低阈值和高阈值之间,则表示该点的周围存有边缘点。
通过Canny边缘检测方法得到定位孔在相应的小图上的大致坐标,接着根据线程ID,从划分出的9份小图中先还原到高斯金字塔的上层图像中,然后将相应的小图上的坐标扩大10个像素还原到高斯金字塔的下一层图像中,一直循环这个过程直至还原到原图中。
S4:从步骤S3中得到的定位孔的区域中使用opencv中的findContours算法来查找定位孔的轮廓。
S5:使用道格拉斯-普克算法来将轮廓拟合出定位孔,过滤掉非定位孔的区域的干扰点(如图2所示)。
需要说明的是,在本实施例中,所述定位孔的形状为圆形、椭圆形、矩形以及三角形的一种或几种。
本发明与传统的通过建模的算法相比的速度对比如下表1,
表1:
通过表1可知,opencv、halcon的模板匹配的算法与本发明实施例的检测方法相比,在小图(小尺寸)中,三种算法的速度相差不大;中等尺寸的图上,本发明实施例的检测方法比halcon和opencv的模板匹配的速度稍微慢一点;在大图(大尺寸)上来说,本发明实施例的检测方法的速度优势显著,达到了最快的速度,若检测的图片尺寸越大,则本发明实施例的检测方法的速度优势越明显。
本发明并不仅仅限于说明书和实施方式中所描述,因此对于熟悉领域的人员而言可容易地实现另外的优点和修改,故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下,本发明并不限于特定的细节、代表性的设备和这里示出与描述的示例。
Claims (5)
1.一种定位孔的检测方法,其特征在于,包括如下步骤:
S1:通过图像预处理去除图像噪声干扰;
S2:使用高斯金字塔将图像不断进行向下采样,在更高层级的高斯金字塔图像上进行处理,先设定高斯金字塔层数L,将图像分为L层图像,每层图像的大小为下一层图像的1/4倍,再将每层高斯金字塔图像划分成9份小图像,使用多线程技术处理9份小图像,其中每个线程单独处理1份小图像从小图像上开始进行定位孔检测;
S3:使用多阶段目标检测方法先在高斯金字塔的图像上进行初定位,再在原图上进行精定位;
步骤S3还包括步骤S31:在高斯金字塔的上层图像上使用Canny边缘检测方法找出定位孔的位置,再一步步还原到高斯金字塔的下层图像中,直至还原到原图上得到定位孔的区域;
S32:采用Canny边缘检测方法计算高斯金字塔图像中的图像中梯度幅值M,具体计算公式如下:
M(x,y)=|dx(x,y)|+|dy(x,y)| (1);
其中,dx表示x方向的梯度,dy表示y方向的梯度;
S33:通过灰度直方图自动获取双阈值;通过Canny边缘检测方法得到定位孔在相应的小图上的坐标,接着根据当前的图像的线程ID,从划分出的9份小图中还原到高斯金字塔的上层图像中,将相应的小图上的坐标扩大10个像素还原到高斯金字塔的下一层图像中,直至还原到原图中;
S4:从步骤S3中得到的定位孔的区域中使用opencv中的findContours算法来查找定位孔的轮廓;
S5:使用道格拉斯-普克算法来将轮廓拟合成定位孔,过滤掉非定位孔的区域中的干扰点。
2.如权利要求1所述的定位孔的检测方法,其特征在于,步骤S1还包括步骤S11:图像的不检测区域的灰度值设置为0。
3.如权利要求2所述的定位孔的检测方法,其特征在于,步骤S1还包括步骤S12:使用高斯平滑滤波器对图像进行平滑滤波去除噪声干扰。
4.如权利要求1所述的定位孔的检测方法,其特征在于,将步骤S33中的灰度直方图的灰度设置为6阶统计灰度值图,将灰度直方图上像素总数大于0.7的灰度值设为高阈值,小于0.3的灰度值设为低阈值。
5.如权利要求1所述的定位孔的检测方法,其特征在于,所述定位孔的形状为圆形、椭圆形、矩形以及三角形的一种或几种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210156909.0A CN114202487B (zh) | 2022-02-21 | 2022-02-21 | 一种定位孔的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210156909.0A CN114202487B (zh) | 2022-02-21 | 2022-02-21 | 一种定位孔的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114202487A CN114202487A (zh) | 2022-03-18 |
CN114202487B true CN114202487B (zh) | 2022-07-08 |
Family
ID=80645747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210156909.0A Active CN114202487B (zh) | 2022-02-21 | 2022-02-21 | 一种定位孔的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202487B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9855444B2 (en) * | 2008-05-22 | 2018-01-02 | Scott Penfold | X-ray detector for proton transit detection apparatus and method of use thereof |
CN107578418B (zh) * | 2017-09-08 | 2020-05-19 | 华中科技大学 | 一种融合色彩和深度信息的室内场景轮廓检测方法 |
CN113450292B (zh) * | 2021-06-17 | 2022-08-16 | 重庆理工大学 | 一种pcba零部件高精度视觉定位方法 |
-
2022
- 2022-02-21 CN CN202210156909.0A patent/CN114202487B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114202487A (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN107610111B (zh) | 一种基于深度学习的焊点图像检测方法 | |
JP3435684B2 (ja) | 画像情報処理装置 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN112365448B (zh) | 一种经编织造过程中的织物疵点检测方法 | |
CN112001906A (zh) | 一种结合非极大值抑制的钢板焊缝图像检测方法 | |
CN111932490B (zh) | 一种用于工业机器人的视觉系统抓取信息提取方法 | |
CN111652844B (zh) | 一种基于数字图像区域增长的x射线缺陷检测方法及系统 | |
CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
CN115359047A (zh) | 用于pcb板智能焊接的异常缺陷检测方法 | |
CN110348442B (zh) | 一种基于支持向量机的船载雷达图像海上油膜识别方法 | |
CN114792310A (zh) | 一种LCD屏幕中边缘模糊的Mura缺陷检测方法 | |
CN114202487B (zh) | 一种定位孔的检测方法 | |
US6289123B1 (en) | Character extracting method and its apparatus | |
CN117197064A (zh) | 一种无接触眼红程度自动分析方法 | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及系统 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
CN115908399A (zh) | 一种基于改进视觉注意机制的磁片瑕疵检测方法 | |
CN115564727A (zh) | 一种爆光显影异常缺陷检测方法及系统 | |
CN114354631A (zh) | 一种基于视觉的阀门毛坯表面缺陷检测方法 | |
CN109934818B (zh) | 一种果实外部轮廓畸形检测方法 | |
CN114255253A (zh) | 边缘检测方法、边缘检测装置及计算机可读存储介质 |
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 |