CN114399463A - 一种基于数字图像处理的锯片拾取方法及系统 - Google Patents
一种基于数字图像处理的锯片拾取方法及系统 Download PDFInfo
- Publication number
- CN114399463A CN114399463A CN202111484764.9A CN202111484764A CN114399463A CN 114399463 A CN114399463 A CN 114399463A CN 202111484764 A CN202111484764 A CN 202111484764A CN 114399463 A CN114399463 A CN 114399463A
- Authority
- CN
- China
- Prior art keywords
- saw blade
- image
- picture
- circle
- edge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 238000011160 research Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000003628 erosive effect Effects 0.000 description 4
- 230000008672 reprogramming Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- 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
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于数字图像处理的锯片拾取方法及系统,它涉及机械领域和人工智能制造领域,具体涉及一种基于数字图像处理的锯片拾取方法及系统的改进。具体工作流程如下:图像识别系统首先通过投影仪在计算机的控制下对锯片投射,将锯片通过编码好的编码投射出光栅条纹;摄像机将投影在锯片上的光栅条纹和锯片的图像传回计算机,计算机对摄像机传回的图像进行处理后,通过软件的通讯接口与机器人控制系统的通讯接口进行锯片抓取位置的数据交换;机器人控制系统在数据交换后,将锯片抓取位置的数据通过ROS系统写入控制器;机器人控制检测端通过控制器,将锯片通过吸盘吸附起来,并将其放到指定的位置上。它通过对锯片自动识别和定位的研究,对待拾取的锯片进行人工智能处理,实时获得机器人拾取锯片时的点位,控制机器人准确抓取锯片;从而可以保证对于生产和检测过程中锯片质量的稳定,以满足当前对于锯片精度的要求。
Description
技术领域
本发明涉及机械领域和人工智能制造领域,具体涉及一种基于数字图像处理的锯片拾取方法及系统的改进。
背景技术
工业生产随着机器人的参与,生产的效率得到了极大地提高。在最近的十年里,逐渐成为衡量一个国家制造业水平重要标志。欧美发达国家希望在技术、产业方面继续领先优势,抢占制造业高端。智能装备将是未来制造业发展的主要方向。
随着高精度智能制造的进一步需求,传统的锯片已经不能满足越来越高的需求,对锯片的要求越来越高,因此对于锯片从生产到检测的每个细节,对锯片各处细节检测要求也越来越高,为了保证生产、检测细节的稳定,这需要对锯片的每个细节进行拍照、分析,才能保证每个细节的稳定。
传统的锯片拾取机器人的局限性在于他们只能每次从完全相同的位置拾取锯片,缺乏应对不同拾取对象的能力。解决这个问题的方法就是将机器人与视觉系统结合,使其能够自动抓取。其在工业生产、质量检测领域有广泛应用。将机器视觉和工业机器人结合,通过相机采集的图像信息,使用计算机进行图像处理,获取锯片信息。可以实现对工业机器人的引导,增加工业机器人的抗干扰能力和灵活性。
在工业应用中,都是根据某一类形状大小都相同的锯片对工业机器人进行编程。在对相同形状,不同大小的锯片进行拾取时,依然需要重新编程对机器人进行设定的工作是重复的。
发明内容
本发明的目的在于针对现有技术的缺陷和不足,提供一种基于数字图像处理的锯片拾取方法及系统,它通过对锯片自动识别和定位的研究,对待拾取的锯片进行人工智能处理,实时获得机器人拾取锯片时的点位,控制机器人准确抓取锯片;从而可以保证对于生产和检测过程中锯片质量的稳定,以满足当前对于锯片精度的要求。
为实现上述目的,本发明采用以下技术方案是:它包括视觉系统1、图像识别系统2、机器人控制系统3和机器人控制检测端4;视觉系统1 中摄像机拾取对象为锯片,视觉系统1包括摄像机11与投影仪12,图像识别系统2包括图像获取与识别和通讯接口两部分,机器人控制系统3包括控制器、ROS系统;被控制的对象为机器人控制检测端4;
具体工作流程如下:图像识别系统2首先通过投影仪12在计算机的控制下对锯片投射,将锯片通过编码好的编码投射出光栅条纹;摄像机11 将投影在锯片上的光栅条纹和锯片的图像传回计算机,计算机对摄像机11 传回的图像进行处理后,通过软件的通讯接口与机器人控制系统3的通讯接口进行锯片抓取位置的数据交换;机器人控制系统4在数据交换后,将锯片抓取位置的数据通过ROS系统写入控制器;机器人控制检测端4通过控制器,将锯片通过吸盘吸附起来,并将其放到指定的位置上。
所述的视觉系统1和图像识别系统2工作流程为:利用工业相机对锯片进行拍摄,通过以太网线将锯片图片传回到计算机中,并以.jpg的格式保存;将待处理的锯片图片导入到图像识别系统2软件中,并将导入的锯片图片进行二值化处理,使其变成二值图像;
所述的二值化处理分为两个步骤:第一个步骤,将图像变成灰度图像,即使原本的三通道彩色图像,转换为单通道的图像,即黑白图像;第二个步骤是将由256个亮度等级组成的灰度图像通过与之选取后获得一个可以反映图像整体和局部特征的二值化图像,具体采用阈值处理;对二值化后的锯片图片进行滤波,去除图片中的噪音。将得到的锯片边缘形状图片拟合成一个圆形,并根据锯片边缘上的点找到拟合圆的圆心和半径。锯片拟合成圆形采用霍夫变换法检测圆形。
直角坐标下圆的平面坐标为
(x-a)2+((y-b)2=r2
为快速得到锯片圆心的坐标和半径,采用黄金分割方法进行寻优;将拟合圆的水平直径的三分之一点的位置记录下来,作为机器人使用吸盘吸附的点位。
该处理使得图像变得简单,数据量变小,有利于图像的进一步处理。
所述的通讯接口的通讯协议采用modbus协议,通讯方式采用 TCP/IP。
协议如下表所示
报文 | 字节 | 范围 | 备注 |
事务处理标识符 | 2 | 0x0000-0xffff | 由服务器赋值,通常为0 |
协议标识符 | 2 | 0x0000-0xffff | 通常为0 |
长度字段 | 2 | 0x0000-0xffff | 数据长度 |
从站地址 | 1 | 0x00-0xff | 从站网址最后一个码 |
功能码 | 1 | 0x00-0xff | 表述功能 |
地址 | 2 | 0x0000-0xffff | 对应读写地址 |
内容 | 4 | 0x00000000-0xffffffff | 读写内容 |
CRC校验 | 2 | 0x0000-0xffff | 校验 |
所述的阈值处理采用方法如下:对于图像I(x,y),前景(即目标)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1;
ω0+ω1=1
图像的总平均灰度记为μ,类间方差记为δ2。
图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作 N0,像素灰度大于阈值T的像素个数记作N1,
其中N0+N1=M×N,则
总平均灰度为μ=ω0μ0+ω1μ1
类间方差为δ2=ω0(μ-μ0)2+ω1(μ-μ1)2=ω0ω1(μ0-μ1)2
阈值T的取值范围为0~256之间的整数,取T在该范围内的类间方差δ2最大时,T的值作为二值化的阈值。
所述的滤波方法采用中值滤波高斯滤波和形态学处理;中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点。本发明采用的领域范围为一个3x3的方形领域;
设一点在图像中的位置为I(x,y),则该点在中值滤波后的取值应为
G(x,y)=med{I(x±1,y±1)}
高斯滤波用于对图像进行高斯加权平均。使用一个3x3的高斯掩膜与图像矩阵进行二维卷积。
所述的高斯掩膜的形成方式如下:首先确定掩膜大小为3x3的矩形掩膜。设掩膜中每个方格的坐标为(x,y),锚点(μ1,μ2)为(0,0)。则根据高斯概率分布
最后再将掩膜进行归一化。
形态学处理是对模糊后的图像进行开操作,即先腐蚀后膨胀。腐蚀能够消融锯片的边界,腐蚀的结构是使物体变小。膨胀能使锯片边界扩大,用于将图像中原本断裂开来的图像桥接起来,对图像进行二值化之后,很容易使一个连通的物体断裂为两个部分用膨胀就可以解决这个问题。开运算可以使图像的轮廓变得光滑,还能使狭窄的连接断开和消除细毛刺。
具体:
由于生产线上的锯片移动速度较快,为1秒钟一个锯片。为了提高滤波速度,采用压缩感知算法选取滤波数据来源,如此可大大提高滤波速度。
压缩感知数学模型为
其中展开系数θi≤x,ψi≥ψT ix写成矩阵的形式可以得到:
x=Ψθ
Ψ=[ψ1,ψ2,...ψN]∈RN×N为正交基字典矩阵(满足ΨΨT=ΨTΨ=I),展开系数向量θ=[θ1,θ2,...θN]T假设系数向量θ是K-稀疏的,即其中非零系数的个数K<<N,那么采用另一个与正交基字典Ψ不相关的观测矩阵Φ:MxN(M<N),其每一行可以看作是一个传感器,它与系数相乘,获取了信号的部分信息,对信号x 执行一个压缩观测:
y=Φx
可以得到M个线性观测(或投影)y∈RM,这些少量线性投影中则包含了重构信号x的足够信息;对滤波后的锯片图片进行Canny边缘提取,得到锯片的边缘形状。
Canny边缘算子是一种既能滤去噪声,又能保持边缘特性的边缘检测最优滤波器。采用二维高斯函数任意方向上的一阶方向导数为噪声滤波器,通过与图像卷积进行滤波;然后对滤波后的图像寻找图像梯度的局部最大值,以此来缺点图像边缘。根据对信噪比与定位乘积进行测度,得到最优化逼近算子。高斯函数在某一方向n上的异界方向导数为
M(x,y)=|dx(x,y)|+|dy(x,y)|
梯度方向
之后在每一点上,领域中心x与沿着其对应的梯度方向的两个像素相比,若中心像素为最大值,则保留,否则中心置0,得到细化的边缘。
将得到的锯片边缘形状图片拟合成一个圆形,并根据锯片边缘上的点找到拟合圆的圆心和半径。锯片拟合成圆形采用霍夫变换法检测圆形。
直角坐标下圆的平面坐标为
(x-a)2+(y-b)2=r2
为快速得到锯片圆心的坐标和半径,采用黄金分割方法进行寻优。
对圆心横坐标与纵坐标取最小值的68.1%作为分界点,将圆心可能位置分为四个象限。令圆的半径r从最小值到最大值遍历满足直角坐标下圆的一般方程的r,每计算一个值,就对数组元素加1。计算结束后计算数组元素累加值。如果在某一象限内数组元素累加值最大,则将该象限继续以68.1%的比例分为四个象限,分别计算数组元素累加值最大,取数组元素累加值最大继续分割,如此反复得到最终的圆心位置以及半径大小。
本发明的目的在于克服现有锯片拾取系统对相同形状,不同大小的锯片进行拾取时,依然需要重新编程对机器人进行设定的问题,提出了一种基于数字图像处理的锯片拾取方法及系统。
它通过对锯片自动识别和定位的研究,对待拾取的锯片进行人工智能处理,实时获得机器人拾取锯片时的点位,控制机器人准确抓取锯片;从而可以保证对于生产和检测过程中锯片质量的稳定,以满足当前对于锯片精度的要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的系统框图。
图2是本发明实施基于数字图像处理的锯片拾取方法流程图。
图3是本发明实施基于数字图像处理的锯片拾取方法二值化处理流程图。
图4是本发明实施基于数字图像处理的锯片拾取方法滤波处理流程图。
图5是本发明实施基于数字图像处理的锯片拾取方法边缘提取流程图。
图6是本发明利用工业相机拍照的原始图像。
图7是对原始图像进行二值化并消除噪音后的图像。
图8是将消除噪音后的图像的锯片轮廓绘制出来。
图9是将锯片所在的同心圆绘制出来。
附图标记说明:视觉系统1、图像识别系统2、机器人控制系统3、机器人控制检测端4、包括摄像机11、投影仪12。
具体实施方式
参看图1-9所示,本具体实施方式采用的技术方案是:
利用工业相机对锯片进行拍摄。通过以太网线将锯片图片传回到计算机中,并以.jpg的格式保存。如图6所示。
将待处理的锯片图片导入到软件中,并将导入的锯片图片进行二值化处理,使其变成二值图像。二值化图像处理分为两个步骤。第一个步骤,将图像变成灰度图像,即使原本的三通道彩色图像,转换为单通道的图像,即黑白图像。第二个步骤是将由256个亮度等级组成的灰度图像通过与之选取后获得一个可以反映图像整体和局部特征的二值化图像。使得图像变得简单,数据量变小,有利于图像的进一步处理。在阈值处理过程中,采用方法如下:
对于图像I(x,y),前景和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1。ω0+ω1=1
图像的总平均灰度记为μ,类间方差记为δ2。
图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作 N0,像素灰度大于阈值T的像素个数记作N1,
其中N0+N1=M×N,则
总平均灰度为μ=ω0μ0+ω1μ1
类间方差为δ2=ω0(μ-μ0)2+ω1(μ-μ1)2=ω0ω1(μ0-μ1)2
阈值T的取值范围为0~256之间的整数,取T在该范围内的类间方差δ2最大时,T的值作为二值化的阈值。
对二值化后的锯片图片进行滤波,去除图片中的噪音。滤波的方法采用中值滤波高斯滤波和形态学处理。
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点。本发明采用的领域范围为一个3x3的方形领域。
设一点在图像中的位置为I(x,y),则该点在中值滤波后的取值应为
G(x,y)=med{I(x±1,y±1)}
高斯滤波用于对图像进行高斯加权平均。使用一个3x3的高斯掩膜与图像矩阵进行二维卷积。高斯掩膜的形成方式如下
首先确定掩膜大小为3x3的矩形掩膜。设掩膜中每个方格的坐标为(x,y),锚点(μ1,μ2)为(0,0)。则根据高斯概率分布
最后再将掩膜进行归一化。
形态学处理是对模糊后的图像进行开操作,即先腐蚀后膨胀。腐蚀能够消融锯片的边界,腐蚀的结构是使物体变小。膨胀能使锯片边界扩大,用于将图像中原本断裂开来的图像桥接起来,对图像进行二值化之后,很容易使一个连通的物体断裂为两个部分用膨胀就可以解决这个问题。开运算可以使图像的轮廓变得光滑,还能使狭窄的连接断开和消除细毛刺。得到的结果如图7所示。
对滤波后的锯片图片进行Canny边缘提取,得到锯片的边缘形状。 Canny边缘算子是一种既能滤去噪声,又能保持边缘特性的边缘检测最优滤波器。采用二维高斯函数任意方向上的一阶方向导数为噪声滤波器,通过与图像卷积进行滤波;然后对滤波后的图像寻找图像梯度的局部最大值,以此来缺点图像边缘。根据对信噪比与定位乘积进行测度,得到最优化逼近算子。高斯函数在某一方向n上的异界方向导数为
M(x,y)=|dx(x,y)|+|dy(x,y)|
梯度方向
之后在每一点上,领域中心x与沿着其对应的梯度方向的两个像素相比,若中心像素为最大值,则保留,否则中心置0,得到细化的边缘。得到的结果如图8所示。
将得到的锯片边缘形状图片拟合成一个圆形,并根据锯片边缘上的点找到拟合圆的圆心和半径。锯片拟合成圆形采用霍夫变换法检测圆形。
直角坐标下圆的平面坐标为
(x-a)2+(y-b)2=r2
为快速得到锯片圆心的坐标和半径,采用黄金分割方法进行寻优。其方法如下:
对圆心横坐标与纵坐标取最小值的68.1%作为分界点,将圆心可能位置分为四个象限。令圆的半径r从最小值到最大值遍历满足直角坐标下圆的一般方程的r,每计算一个值,就对数组元素加1。计算结束后计算数组元素累加值。如果在某一象限内数组元素累加值最大,则将该象限继续以68.1%的比例分为四个象限,分别计算数组元素累加值最大,取数组元素累加值最大继续分割,如此反复得到最终的圆心位置以及半径大小。得到的结果如图9所示。将拟合圆的水平直径的三分之一点的位置记录下来,作为机器人使用吸盘吸附的点位。
本发明的目的在于克服现有锯片拾取系统对相同形状,不同大小的锯片进行拾取时,依然需要重新编程对机器人进行设定的问题,提出了一种基于数字图像处理的锯片拾取方法及系统。
它通过对锯片自动识别和定位的研究,对待拾取的锯片进行人工智能处理,实时获得机器人拾取锯片时的点位,控制机器人准确抓取锯片;从而可以保证对于生产和检测过程中锯片质量的稳定,以满足当前对于锯片精度的要求。
以上所述,仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于数字图像处理的锯片拾取方法及系统,其特征在于:它包括视觉系统1、图像识别系统2、机器人控制系统3和机器人控制检测端4;视觉系统1中摄像机拾取对象为锯片,视觉系统1包括摄像机11与投影仪12,图像识别系统2包括图像获取与识别和通讯接口两部分,机器人控制系统3包括控制器、ROS系统;被控制的对象为机器人控制检测端4;具体工作流程如下:图像识别系统2首先通过投影仪12在计算机的控制下对锯片投射,将锯片通过编码好的编码投射出光栅条纹;摄像机11将投影在锯片上的光栅条纹和锯片的图像传回计算机,计算机对摄像机11传回的图像进行处理后,通过软件的通讯接口与机器人控制系统3的通讯接口进行锯片抓取位置的数据交换;机器人控制系统4在数据交换后,将锯片抓取位置的数据通过ROS系统写入控制器;机器人控制检测端4通过控制器,将锯片通过吸盘吸附起来,并将其放到指定的位置上。
2.根据权利要求书1所述的一种基于数字图像处理的锯片拾取方法及系统,其特征在于所述的视觉系统1和图像识别系统2工作流程为:利用工业相机对锯片进行拍摄,通过以太网线将锯片图片传回到计算机中,并以.jpg的格式保存;将待处理的锯片图片导入到图像识别系统2软件中,并将导入的锯片图片进行二值化处理,使其变成二值图像;所述的二值化处理分为两个步骤:第一个步骤,将图像变成灰度图像,即使原本的三通道彩色图像,转换为单通道的图像,即黑白图像;第二个步骤是将由256个亮度等级组成的灰度图像通过与之选取后获得一个可以反映图像整体和局部特征的二值化图像,具体采用阈值处理;对二值化后的锯片图片进行滤波,去除图片中的噪音;将得到的锯片边缘形状图片拟合成一个圆形,并根据锯片边缘上的点找到拟合圆的圆心和半径;锯片拟合成圆形采用霍夫变换法检测圆形;
直角坐标下圆的平面坐标为
(x-a)2+(y-b)2=r2
为快速得到锯片圆心的坐标和半径,采用黄金分割方法进行寻优;将拟合圆的水平直径的三分之一点的位置记录下来,作为机器人使用吸盘吸附的点位。
3.根据权利要求1所述的一种基于数字图像处理的锯片拾取方法及系统,其特征在于:所述的通讯接口的通讯协议采用modbus协议,通讯方式采用TCP/IP。
4.根据权利要求2所述的一种基于数字图像处理的锯片拾取方法及系统,其特征在于:所述的阈值处理采用方法如下:对于图像I(x,y),前景(即目标)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1;
ω0+ω1=1
图像的总平均灰度记为μ,类间方差记为δ2;
图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,
其中N0+N1=M×N,则
总平均灰度为μ=ω0μ0+ω1μ1
类间方差为δ2=ω0(μ-μ0)2+ω1(μ-μ1)2=ω0ω1(μ0-μ1)2
阈值T的取值范围为0~256之间的整数,取T在该范围内的类间方差δ2最大时,T的值作为二值化的阈值。
5.根据权利要求4所述的一种基于数字图像处理的锯片拾取方法及系统,其特征在于:所述的滤波方法采用中值滤波高斯滤波和形态学处理;中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点;它采用的领域范围为一个3x3的方形领域;
设一点在图像中的位置为I(x,y),则该点在中值滤波后的取值应为
G(x,y)=med{I(x±1,y±1)}
高斯滤波用于对图像进行高斯加权平均;使用一个3x3的高斯掩膜与图像矩阵进行二维卷积。
7.根据权利要求1所述的一种基于数字图像处理的锯片拾取方法及系统,其特征在于:摄像机11拍摄为为1秒钟一个锯片;采用压缩感知算法选取滤波数据来源;压缩感知数学模型为
其中展开系数θi≥x,ψi≥ψT ix写成矩阵的形式可以得到:
x=Ψθ
Ψ=[ψ1,ψ2,...ψN]∈RN×N为正交基字典矩阵(满足ΨΨT=ΨTΨ=I),展开系数向量θ=[θ1,θ2,...θN]T假设系数向量θ是K-稀疏的,即其中非零系数的个数K<<N,那么采用另一个与正交基字典Ψ不相关的观测矩阵φ:MxN(M<N),其每一行可以看作是一个传感器,它与系数相乘,获取了信号的部分信息,对信号x执行一个压缩观测:
y=Φx
可以得到M个线性观测(或投影)y∈RM,这些少量线性投影中则包含了重构信号x的足够信息;对滤波后的锯片图片进行Canny边缘提取,得到锯片的边缘形状。
8.根据权利要求6所述的一种基于数字图像处理的锯片拾取方法及系统,其特征在于:Canny边缘算子是一种既能滤去噪声,又能保持边缘特性的边缘检测最优滤波器;采用二维高斯函数任意方向上的一阶方向导数为噪声滤波器,通过与图像卷积进行滤波;然后对滤波后的图像寻找图像梯度的局部最大值,以此来缺点图像边缘;根据对信噪比与定位乘积进行测度,得到最优化逼近算子;高斯函数在某一方向n上的异界方向导数为
M(x,y)=|dx(x,y)|+|dy(x,y)|
梯度方向
之后在每一点上,领域中心x与沿着其对应的梯度方向的两个像素相比,若中心像素为最大值,则保留,否则中心置0,得到细化的边缘;
将得到的锯片边缘形状图片拟合成一个圆形,并根据锯片边缘上的点找到拟合圆的圆心和半径,锯片拟合成圆形采用霍夫变换法检测圆形;
直角坐标下圆的平面坐标为
(x-a)2+(y-b)2=r2
为快速得到锯片圆心的坐标和半径,采用黄金分割方法进行寻优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111484764.9A CN114399463A (zh) | 2021-12-07 | 2021-12-07 | 一种基于数字图像处理的锯片拾取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111484764.9A CN114399463A (zh) | 2021-12-07 | 2021-12-07 | 一种基于数字图像处理的锯片拾取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399463A true CN114399463A (zh) | 2022-04-26 |
Family
ID=81225384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111484764.9A Pending CN114399463A (zh) | 2021-12-07 | 2021-12-07 | 一种基于数字图像处理的锯片拾取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399463A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116891177A (zh) * | 2023-09-01 | 2023-10-17 | 河南科技学院 | 一种工件分拣起重机吊具 |
CN118181304A (zh) * | 2024-05-13 | 2024-06-14 | 浙江正雅齿科股份有限公司 | 壳状矫治器的拾取方法、电子设备和存储介质 |
-
2021
- 2021-12-07 CN CN202111484764.9A patent/CN114399463A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116891177A (zh) * | 2023-09-01 | 2023-10-17 | 河南科技学院 | 一种工件分拣起重机吊具 |
CN116891177B (zh) * | 2023-09-01 | 2023-12-05 | 河南科技学院 | 一种工件分拣起重机吊具 |
CN118181304A (zh) * | 2024-05-13 | 2024-06-14 | 浙江正雅齿科股份有限公司 | 壳状矫治器的拾取方法、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN114399463A (zh) | 一种基于数字图像处理的锯片拾取方法及系统 | |
CN111251336B (zh) | 一种基于视觉定位的双臂协同智能装配系统 | |
CN109784250B (zh) | 自动引导小车的定位方法和装置 | |
CN112950667A (zh) | 一种视频标注方法、装置、设备及计算机可读存储介质 | |
CN112233181A (zh) | 6d位姿识别的方法、装置及计算机存储介质 | |
KR100823549B1 (ko) | 조선소 소조립 용접부재 위치 인식 방법 | |
CN104657728B (zh) | 基于计算机视觉的条码识别系统 | |
CN110009615B (zh) | 图像角点的检测方法及检测装置 | |
CN114029946A (zh) | 一种基于3d光栅引导机器人定位抓取的方法、装置及设备 | |
CN111260788A (zh) | 一种基于双目视觉的配电柜开关状态识别方法 | |
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 | |
CN105991913B (zh) | 一种基于机器视觉定位摄像模组的花瓣槽角度的方法 | |
CN111192326A (zh) | 一种用于视觉识别电动汽车直流充电插口的方法及系统 | |
CN107680035B (zh) | 一种参数标定方法和装置、服务器及可读存储介质 | |
CN113822810A (zh) | 一种基于机器视觉的三维空间中工件的定位方法 | |
CN113689365B (zh) | 一种基于Azure Kinect的目标跟踪定位方法 | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
CN115690107B (zh) | 基于图像处理的豆荚果粒高通量计数方法、系统及装置 | |
CN111461230A (zh) | 一种基于牙科stl模型和二维图像配准的牙模分类识别方法 | |
CN116594351A (zh) | 一种基于机器视觉的数控加工单元系统 | |
CN115841632A (zh) | 输电线路提取方法、装置以及双目测距方法 | |
CN111630569A (zh) | 双目匹配的方法、视觉成像装置及具有存储功能的装置 | |
CN114004895A (zh) | 一种基于多目视觉的运动物体图像特征点识别与重建方法 | |
CN106650717B (zh) | 一种带厚度干扰的圆形物体的精确定位方法 |
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 |