CN114549403B - 一种机械零部件侧剖面多单体智能精密几何圆心检测方法 - Google Patents

一种机械零部件侧剖面多单体智能精密几何圆心检测方法 Download PDF

Info

Publication number
CN114549403B
CN114549403B CN202210017542.4A CN202210017542A CN114549403B CN 114549403 B CN114549403 B CN 114549403B CN 202210017542 A CN202210017542 A CN 202210017542A CN 114549403 B CN114549403 B CN 114549403B
Authority
CN
China
Prior art keywords
circle
image
candidate
gradient
parameters
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
CN202210017542.4A
Other languages
English (en)
Other versions
CN114549403A (zh
Inventor
金亚睿
郝国成
锅娟
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202210017542.4A priority Critical patent/CN114549403B/zh
Publication of CN114549403A publication Critical patent/CN114549403A/zh
Application granted granted Critical
Publication of CN114549403B publication Critical patent/CN114549403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30164—Workpiece; Machine component
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种机械零部件侧剖面多单体智能精密几何圆心检测方法，背景板用于安装待测机械零件，光源设于背景板的相对面，工业相机获取待测机械零件图像，计算机提取所述图像的特征要素，对进行图像预处理，计算所述图像上每一点的梯度幅值，并设定阈值；比对所有梯度幅值与阈值大小，去除小于阈值的梯度幅值，确定候选圆；结合梯度运算进行Hough变换算法检测候选圆的参数；利用卷积神经网络滤除假圆，并定位圆心位置。通过结合梯度运算的精确检测定位算法定位图像中的圆心位置，以及圆在图像上的其他几何参数，具有圆心定位精度高、误差小，适用于各种复杂环境检测的优势。

Description

一种机械零部件侧剖面多单体智能精密几何圆心检测方法
技术领域
本发明涉及图像识别技术领域，尤其涉及一种机械零部件侧剖面多单体智能精密几何圆心检测方法。
背景技术
在工业生产中，常常需要对产品进行检测和识别。早期的方法主要是依靠肉眼观察，这种方法存在很多缺陷：(1)专业性强。很多应用场合下，操作人员必须具备丰富的相关知识和经验。(2)工作极其繁重，易引起误判。工业生产中，检测样本数量通常非常大，工作量很大。长时间进行这样枯燥繁重的工作，人员易疲劳并引起误判。(3)主观性强。对于同一样本，不同的操作人员的观测结果可能出现很大差异。(4)检测效率低，检测精度差。在样本量巨大的情况下，要求在较短时间内完成精确的人工检测几乎不可能。上述问题的存在大大影响检测的效果。
虽然现在具备高度智能化和自动化的机器在工业生产领域被广泛应用，利用机器视觉技术进行产品的检测与识别，已经逐渐取代肉眼观察。但现有的机器视觉领域中，仍存在在复杂背景图像中无法对物体进行精确识别的难题。
发明内容
本发明提供了一种机械零部件侧剖面多单体智能精密几何圆心检测方法，以解决现有技术存在处理复杂环境下的圆心检测难题，准确地定位出复杂背景下的图片中圆心的位置。
为解决上述问题，本发明提供一种机械零部件侧剖面多单体智能精密几何圆心检测方法，基于机械零部件侧剖面多单体智能精密几何圆心检测系统，所述机械零部件侧剖面多单体智能精密几何圆心检测系统包括：
试验台，包括背景板和光源，所述背景板用于安装待测机械零件，所述光源设于所述背景板的相对面，以照亮所述背景板；
工业相机，活动设于所述背景板的相对面，以拍摄所述待测机械零件，获取图像；
相机轨迹控制平台，用于安装所述工业相机，以驱动所述工业相机活动；
计算机，包括图像处理模块，用于提取所述图像的特征要素；
图像采集输入模块，与所述工业相机、所述相机轨迹控制平台和所述计算机通信连接，以将所述工业相机获取的图像传输至所述计算机；
可编程逻辑控制器，与所述计算机通信连接，以输出显示所述图像的特征要素；
所述机械零部件测剖面多单体智能精密几何圆心检测方法包括以下步骤：
S10：获取待测机械零件的图像；
S20：基于所述待测机械零件的图像，进行图像预处理，对所述图像灰度化和滤波；
S30：计算所述图像上每一点的梯度幅值，并设定所述梯度幅值的阈值；
S40：比对所有所述梯度幅值与所述阈值大小，去除小于所述阈值的梯度幅值，确定候选圆；
S50：基于所述候选圆，结合梯度运算进行Hough变换算法检测所述候选圆的参数；
S60：基于所述候选圆的参数，利用卷积神经网络滤除假圆，并定位圆心位置，所述假圆为无效候选圆。
可选地，梯度方向角表示所述图像中灰度变化最剧烈的方向，所述梯度方向角与圆的切线方向垂直；计算所述图像上每一点的梯度幅值具体包括如下步骤：
S31：计算梯度近似值：
G(x,y)＝[Gx,Gy]T；
其中，Gx＝f[i,j+1]-f[i,j]，Gy＝f[i,j]-f[i+1,j]，f[i,j]表灰度图像第i行第j列的灰度值；
S32：基于Sobel算子对Gx和Gy进行计算，所述Gx和Gy采用的卷积模板为：
S33：计算所述梯度幅值和所述梯度方向角；其中，
所述梯度幅值为：
所述梯度方向角为：为梯度方向角。
可选地，所述基于所述候选圆，结合梯度运算进行Hough变换算法检测所述候选圆的参数具体包括如下步骤：
S51：采用Hough变换算法在所述图像上进行随机采样，获取边缘点；
S52：基于所述梯度幅值和所述梯度方向角，获取每一所述边缘点的坐标为(x，y)、梯度幅值为|G(x,y)|，梯度方向角的正余弦值分别为：
获得圆的极坐标方程为：
S53：在所述图像上随机采样两个所述边缘点的坐标分别为m(x1，y1)和n(x2，y2)，基于梯度计算，两个所述边缘点分别对应为和/>
S53：将步骤S53中的参数代入步骤S52中的极坐标方程，获取所述候选圆的参数(a，b，r)分别为：
特殊情况当x1＝x2，y1≠y2时：
当x1≠x2，y1＝y2时：
可选地，所述获取所述候选圆的参数(a，b，r)步骤之后还包括：
步骤S54：统计落入所述候选圆上的所述边缘点的点数，统计区间为所述候选圆外接正方形和所述候选圆内接正方形之间的区域，去除所述区域外的所述边缘点；
步骤S55：基于所述候选圆的参数，获取所述区域内的边缘点至所述候选圆的圆心的距离d；
步骤S56：若|d-r|≤σ，则对应的所述边缘点在所述候选圆上，记为保留边缘点，否则，去除对应的所述边缘点；其中，σ为所述图像计算的许可余量；
步骤57：获取每一所述保留边缘点的梯度幅值，并将所述梯度幅值进行累加后求取所述保留边缘点的梯度均值；
步骤58：比对所有所述候选圆上的所述梯度均值与所述阈值大小，大于或等于所述阈值的所述候选圆为真圆；否则，为假圆。
可选地，选出所述真圆和所述假圆之后，将所有所述真圆的参数进行存储，获得所述真圆的参数集S(a,b,r)，再将每次采样获得的参数集Sn(a,b,r)与已存储的参数集S(a,b,r)进行比较，在参数集S(a,b,r)中获取Sc(a,b,r)，所述Sc(a,b,r)满足|Sn-Sc|≤ε，其中，ε为容错误差；
将参数集S(a,b,r)中的所述Sc(a,b,r)的值更换为所述Sn(a,b,r)与所述Sc(a,b,r)的均值，并将更新后的所述Sc(a,b,r)对应的有效采样次数采样加1；
进行多次采样后，获得参数集S(a,b,r)以及所述参数集S(a,b,r)中每一个所述候选圆对应的有效采样次数为value，设定所述value的阈值为μ，当value<μ时，在对应的所述候选圆对应的边缘点中进行μ-value次采样，并计算所述候选圆的参数，将计算出参数取平均值来修正原来的参数；当value≥μ时，原有的所述候选圆的参数保持不变。
可选地，所述待测零件包括多个圆时，在所述采用Hough变换算法在所述图像上进行随机采样，获取边缘点步骤中，利用梯度方向信息，以降低所述随机采样带来的无效积累。
可选地，所述基于所述候选圆的参数，利用卷积神经网络滤除假圆，并定位圆心位置具体包括以下步骤：
S61：基于所述图像，采用25幅进行分割，其中，前5幅作为测试集的原始图像，后20幅作为训练集的原始图像；
S62：对所述25幅图像做圆形检测，分别获取候选圆的参数；
S63：基于每一所述候选圆，以圆心为中心，直径为边长，在所述25幅图像中画正方形；
S64：在所述正方形图像中，所述候选圆外部分的像素设置为零；
S65：保存所述正方形图像，并将所述正方形的尺寸标准化，以使每一幅图像的尺寸大小相同；
S66：将所述正方形图像作为训练集输入至卷积神经网络，所述卷积神经网络为第一卷积层采用3个5x5卷积核提取特征，得到3通道特征图，第二卷积层采用4个3x3卷积核得到4通道特征图；
S67：卷积层后加入最大池化层，输出层数据xi(i＝1,2)，用softmax分类器进行处理，分类识别结果R为：
S68：根据训练出的卷积神经网络判断测试集中的每一正方形图像中圆是否真实存在，若不存在，则在圆形检测结果中舍去对应的所述候选圆。
可选地，所述相机轨迹控制平台为伺服机械手或XYZ三轴滑动平台。
本发明与现有技术相比具有显著的优点和有益效果，具体体现在以下方面：
本发明首先利用相机轨迹控制单元控制工业相机滑动轨迹，实现定点拍照；接着采用图像采集输入模块，完成对图像的采集，并通过接口电路将图像数据输入并保存在计算机，接着将采集到的图像传输到图像预处理模块，提取图像中的特征元素，然后将预处理过后的图像通过结合梯度运算的精确检测定位算法定位图像中的圆心位置，以及圆在图像上的其他几何参数，具有圆心定位精度高、误差小，适用于各种复杂环境检测的优势。
附图说明
图1为本发明实施例中机械零部件侧剖面多单体智能精密几何圆心检测方法的流程示意图；
图2为本发明实施例中机械零部件侧剖面多单体智能精密几何圆心检测系统的结构示意图；
图3为本发明实施例中利用梯度方向信息降低无效积累的原理示意图；
图4为本发明实施例中图像灰度化的示意图；
图5为图4中图像灰度化的一种变换效果示意图；
图6为图4中图像灰度化的另一种变换效果示意图；
图7为图4中的图像直方图；
图8为图5中的图像直方图；
图9为图4中图像进行3x3中值滤波后的效果示意图；
图10为图4中图像进行5x5中值滤波后的效果示意图；
图11为图4中图像进行7x7中值滤波后的效果示意图；
图12为图4中的图像预处理后的效果示意图；
图13为图12中的图像边缘检测结果示意图；
图14为图13中的图像圆检测效果示意图；
图15为图14中滤除假圆后的效果示意图
图16为去除假圆的圆心定位误差比较表；
图17为本实施例的图像最终测试效果示意图。
附图标记说明：机械零部件侧剖面多单体智能精密几何圆心检测系统100、试验台1、背景板11、光源12、工业相机2、相机轨迹控制平台3、计算机4、图像采集输入模块5、可编程逻辑控制器6、待测机械零件200。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
如图1-4所示，本发明的实施例提供一种机械零部件侧剖面多单体智能精密几何圆心检测方法，基于机械零部件侧剖面多单体智能精密几何圆心检测系统100，参照图2所示，所述机械零部件侧剖面多单体智能精密几何圆心检测系统100包括试验台1、工业相机2、相机轨迹控制平台3、计算机4、图像采集输入模块5和可编程逻辑控制器6，试验台1包括背景板11和光源12，所述背景板11用于安装待测机械零件200，所述光源12设于所述背景板11的相对面，以照亮所述背景板11；工业相机2活动设于所述背景板11的相对面，以拍摄所述待测机械零件200，获取图像；相机轨迹控制平台3用于安装所述工业相机2，以驱动所述工业相机2活动；计算机4包括图像处理模块，用于提取所述图像的特征要素；图像采集输入模块5与所述工业相机2、所述相机轨迹控制平台3和所述计算机4通信连接，以将所述工业相机2获取的图像传输至所述计算机4；可编程逻辑控制器6与所述计算机4通信连接，以输出显示所述图像的特征要素。
相机轨迹控制平台3可以采用伺服机械手或者XYZ三轴滑动平台，通过相机轨迹控制平台3可以驱动工业相机2活动以改变位置，从而实现对待测机械零件200定点拍照，获取图像。此处的工业相机2可以采用CCD相机，光源12为自然光或者日光灯，也可以采用相机自带的闪光灯，主要用于照亮待测机械零件200，便于工业相机2拍摄清楚。图像采集输入模块5为机械零件滚轴图像的输入模块，用于完成对图像的采集，并通过接口电路将图像数据输入并保存在至计算机4。
参照图1所示，所述机械零部件测剖面多单体智能精密几何圆心检测方法包括以下步骤：
S10：获取待测机械零件200的图像。
S20：基于所述待测机械零件200的图像，进行图像预处理，对所述图像灰度化和滤波。
在图像预处理过程中，具体做法是采用图像增强的方式，使目标图像与背景能够更好的分离，接着采用图像去噪的方法使图像突出低频主干成分，抑制高频噪声干扰，减小突变梯度，提高图像质量，以便运动圆检测算法更加准确地确定圆心的位置。
S30：计算所述图像上每一点的梯度幅值，并设定所述梯度幅值的阈值。
此处，传统利用Hough变换检测圆形，先进行边缘检测，再根据二值边缘图像进行圆的检测，其检测的精确度很大程度上取决于边缘检测的结果。边缘检测误差被传递到Hough变换过程中，检测精度大大降低。所以在完成图像灰度化和图像平滑滤波之后，计算出图像上每一点的梯度幅值，并设定梯度幅值的阈值。
S40：比对所有所述梯度幅值与所述阈值大小，去除小于所述阈值的梯度幅值，确定候选圆。
将每一点的梯度幅值与阈值进行比较，不满足阈值条件的像素点将不参与后面的运算。这样与传统的直接进行边缘检测相比，引入梯度计算可以大大提高检测精度和效率。
S50：基于所述候选圆，结合梯度运算进行Hough变换算法检测所述候选圆的参数。
Hough变换是圆形检测的常用方法，其原理是利用可点与线的对偶性，将图像中的曲线检测问题变成参数空间中的聚焦点问题，对参数空间中的点进行累加统计，其中累加最大值的参数就是所求圆的参数。Hough变换方法具有可靠性和精度高等优点，但其缺点同样明显，所需要的存储空间要求大，计算时间长，这使得Hough变换很难应用在实际检测中。本申请为了更好地将Hough变换应用到圆检测系统中，本申请提出多单体智能精密几何圆心检测方法。
传统的Hough变换采用三维积累阵列A(a,b,r)求得圆心和半径，每次检测园都要遍历整个三维参数空间，计算量巨大，运算效率低下。传统的随机Hough变换(RandomizedHough Transform，RHT)算法随机选取图像空间边缘点中不在一条直线上的三点，将这三点映射成参数空间中的一点，候选圆存在的判断条件为积累次数，当积累次数大于阈值则定位候选圆。将传统Hough变换中的一对多的映射改成了多对一的问题。但是对于多圆检测的复杂背景，虽然检测速度提升，但是会导致大量的无效采样以及无效积累。
S60：基于所述候选圆的参数，利用卷积神经网络滤除假圆，并定位圆心位置，所述假圆为无效候选圆。
本发明首先利用相机轨迹控制单元控制工业相机2滑动轨迹，实现定点拍照；接着采用图像采集输入模块5，完成对图像的采集，并通过接口电路将图像数据输入并保存在计算机4，接着将采集到的图像传输到图像预处理模块，提取图像中的特征元素，然后将预处理过后的图像通过结合梯度运算的精确检测定位算法定位图像中的圆心位置、圆心在图像上的坐标参数，以及圆在图像上的其他几何参数，具有圆心定位精度高、误差小，适用于各种复杂环境检测的优势。
进一步地，梯度方向角表示所述图像中灰度变化最剧烈的方向，所述梯度方向角与圆的切线方向垂直。计算所述图像上每一点的梯度幅值具体包括如下步骤：
S31：计算梯度近似值：
G(x,y)＝[Gx,Gy]T；
其中，Gx＝f[i,j+1]-f[i,j]，Gy＝f[i,j]-f[i+1,j]，f[i,j]表灰度图像第i行第j列的灰度值；
对于数字图像，像素点的灰度值是离散的，故而可以得出上述梯度近似值的表达式。
S32：基于Sobel算子对Gx和Gy进行计算，所述Gx和Gy采用的卷积模板为：
S33：计算所述梯度幅值和所述梯度方向角；其中，
所述梯度幅值为：
所述梯度方向角为：为梯度方向角。
利用梯度方向角的表达式可以得出：
进一步地，所述基于所述候选圆，结合梯度运算进行Hough变换算法检测所述候选圆的参数具体包括如下步骤：
随机Hough变换在随机采样的过程中，随机选取三个边缘点，三个点的坐标分别为(x1，y1)，(x2，y2)，(x3，y3)，带入圆的方程可以得到候选圆的圆心坐标和半径。但是公式复杂运算量大，为了提高运算速度，主要是利用圆的几何特性减少随机采样点，并且减少无效采样的累计。
传统的RHT算法是通过随机采样3个边缘点确定候选圆，假设一张图片里面有N个待检测的圆，每个圆周上面有k个点，还有m个被错认为边缘的非圆周点，那么三个点位于同一圆上面的概率P是：
由此可知，每一次的采样点数越少，则边缘点位于同一个圆上面的概率越高。这也与圆的几何特性相关，当两个边缘点在同一个候选圆上，则两点形成线段的中垂线与圆周的交点中一定存在第三个点。故而在前面预处理过程中引入梯度的知识，经过预处理之后，可以知道每一个边缘点的坐标、梯度幅值和梯度方向角。
S51：采用Hough变换算法在所述图像上进行随机采样，获取边缘点；
S52：基于所述梯度幅值和所述梯度方向角，获取每一所述边缘点的坐标为(x，y)、梯度幅值为|G(x,y)|，梯度方向角的正余弦值分别为：
获得圆的极坐标方程为：
此处，获得圆的极坐标方程是靠标准Hough变换(Standard Hough Transform，SHT)将圆的方程进行改写得到。
S53：在所述图像上随机采样两个所述边缘点的坐标分别为m(x1，y1)和n(x2，y2)，基于梯度计算，两个所述边缘点分别对应为和/>此处的随机采样是在预处理后的边缘图像上获取。
S53：将步骤S53中的参数代入步骤S52中的极坐标方程，获取所述候选圆的参数(a，b，r)分别为：
特殊情况当x1＝x2，y1≠y2时：
当x1≠x2，y1＝y2时：
此处，上述求取候选圆的参数S(a，b，r)时，分母不能为0，即当x1≠x2，y1≠y2时，当x1≠x2，y1＝y2时，/>当x1＝x2，y1≠y2时，/>但是在实际的数字图像采样中这些值为0是基本不可能的，可以忽略不计。
进一步地，所述获取所述候选圆的参数(a，b，r)步骤之后还包括：
步骤S54：统计落入所述候选圆上的所述边缘点的点数，统计区间为所述候选圆外接正方形和所述候选圆内接正方形之间的区域，去除所述区域外的所述边缘点；此处，不在所述区域的边缘点一定不在候选圆上。
步骤S55：基于所述候选圆的参数，获取所述区域内的边缘点至所述候选圆的圆心的距离d；
步骤S56：若|d-r|≤σ，则对应的所述边缘点在所述候选圆上，记为保留边缘点，否则，去除对应的所述边缘点；其中，σ为所述图像计算的许可余量；
步骤57：获取每一所述保留边缘点的梯度幅值，并将所述梯度幅值进行累加后求取所述保留边缘点的梯度均值；
步骤58：比对所有所述候选圆上的所述梯度均值与所述阈值大小，大于或等于所述阈值的所述候选圆为真圆；否则，为假圆。
传统Hough变换在执行投票时，每一票的权值默认为1，相当于对个数的统计。本发明是将边缘点的梯度幅值作为每一次的投票权值，即每次累加边缘点的梯度均值，这样可使得峰值更加明显，更方便合适阈值的设定，选出候选圆。
进一步地，选出所述真圆和所述假圆之后，将所有所述真圆的参数进行存储，获得所述真圆的参数集S(a,b,r)，再将每次采样获得的参数集Sn(a,b,r)与已存储的参数集S(a,b,r)进行比较，在参数集S(a,b,r)中获取Sc(a,b,r)，所述Sc(a,b,r)满足|Sn-Sc|≤ε，其中，ε为容错误差；
将参数集S(a,b,r)中的所述Sc(a,b,r)的值更换为所述Sn(a,b,r)与所述Sc(a,b,r)的均值，并将更新后的所述Sc(a,b,r)对应的有效采样次数采样加1；
进行多次采样后，获得参数集S(a,b,r)以及所述参数集S(a,b,r)中每一个所述候选圆对应的有效采样次数为value，设定所述value的阈值为μ，当value<μ时，在对应的所述候选圆对应的边缘点中进行μ-value次采样，并计算所述候选圆的参数，将计算出参数取平均值来修正原来的参数；当value≥μ时，原有的所述候选圆的参数保持不变。最终得到一个完整的候选圆参数集S(a，b，r)。
进一步地，所述待测零件包括多个圆时，在所述采用Hough变换算法在所述图像上进行随机采样，获取边缘点步骤中，利用梯度方向信息，以降低所述随机采样带来的无效积累。
具体地，如图3所示，圆O1和圆O2为两个待检测圆，随机采样两个边缘点m(x1，y1)和n(x2，y2)，显然m和n不在同一个圆上面。如果随机采样选择了这两个点必然会加大计算量，并对后面投票选择候选圆增加无效累计。理想情况下，如果两个点在同一个圆上，如图中的m和a两点，则m、a的梯度方向所在直线相交点为圆心，且交点到m和a两点的距离相等，为半径；如果两点不在同一个圆上，如图中的m、n两点，则m梯度方向所在直线过圆心O1，n梯度方向所在直线过圆心O2，这两条直线的交点为点c，显然c不在m与a的垂直平分线上，即c到m的距离d1不等于c到m的距离d2，且往往相差甚远，当然也可能m和n不在同一个圆上面，但是d1＝d2，但是概率很低可以不予考虑。但是在面对实际图像采样到的两个点绝对满足d1＝d2基本不可能，所以将判断条件弱化为|d1-d2|≤σ，σ为计算误差。
进一步地，所述基于所述候选圆的参数，利用卷积神经网络滤除假圆，并定位圆心位置具体包括以下步骤：
S61：基于所述图像，采用25幅进行分割，其中，前5幅作为测试集的原始图像，后20幅作为训练集的原始图像；
S62：对所述25幅图像做圆形检测，分别获取候选圆的参数；
S63：基于每一所述候选圆，以圆心为中心，直径为边长，在所述25幅图像中画正方形；
S64：在所述正方形图像中，所述候选圆外部分的像素设置为零；
S65：保存所述正方形图像，并将所述正方形的尺寸标准化，以使每一幅图像的尺寸大小相同；
S66：将所述正方形图像作为训练集输入至卷积神经网络，所述卷积神经网络为第一卷积层采用3个5x5卷积核提取特征，得到3通道特征图，第二卷积层采用4个3x3卷积核得到4通道特征图；
S67：卷积层后加入最大池化层，输出层数据xi(i＝1,2)，用softmax分类器进行处理，分类识别结果R为：
S68：根据训练出的卷积神经网络判断测试集中的每一正方形图像中圆是否真实存在，若不存在，则在圆形检测结果中舍去对应的所述候选圆。
由于图像背景复杂，可能在边缘检测的时候有非圆形边缘被检测到，带入之后的计算并拟合出圆形。因此，通过上述步骤，利用卷积神经网络无处候选圆中被错误拟合的假圆，可以提高检测精度。
以工业相机2采集到的机械零件侧面滚轴的图像为例进行验证与分析说明。首先采用图像增强的方式，使目标图像与背景能够更好的分离，接着采用图像去噪的方法使图像突出低频主干成分，抑制高频噪声干扰，减小突变梯度，提高图像质量，以便运用圆心定位算法更加准确地确定圆心的位置。
图像增强中首先对图像进行灰度变换，灰度变换为逐点运算，按照一定变换关系，由输入像素点的灰度值运算得到相应输出像素点的灰度值。本专利采用线性变换的方式当函数斜率大于1，实现灰度拉伸，运行效果如图4-图6所示。
由图5和图6可以看出，在系统中工业相机2的工作环境下，当线性变换函数参数选择0.1和0.5时灰度变换效果较好。
然后再对灰度图像采用直方图均衡化，实现灰度图像中灰度值直方图均匀分布，主要作用是当不同灰度级的出现概率均匀分布时，图像具有最大信息熵运行效果如图7和图8所示。
再进一步地对图像去噪，突出低频主干成分，抑制高频噪声干扰，减小突变梯度，提高图像质量。采用中值滤波，中值滤波属于非线性滤波，在模板区域内对像素灰度值进行排序，将像素作为输出。运行效果如图9-11所示。图像经过上述处理后，效果如图12所示。
然后对处理后的图像进行边缘检测，本专利采用的边缘检测算子为Canny算子，因为与其它边缘检测算子相比，Canny边缘检测算子具有高的检测率和定位精度，并计算检测出来的边缘点在原图像中的梯度信息。边缘检测结果如图13所示。采用结合梯度运算的快速随机Hough变换算法，对边缘图像进行圆检测。为了验证算法性能，首先利用传统的随机Hough变换对边缘图像处理，并在原灰度图像中对监测结果进行标记，效果图如图14所示。
从图14中可以看出直接进行随机采样，由于多元检测背景复杂，最终结果出现了大量的通过非圆形边缘拟合出来的假圆。引入边缘点的梯度信息减少无效累计，利用圆的几何特性降低采样点数后，再对灰度图像进行检测，检测结果如图15所示。可以看出相较于传统随机Hough变换大量的假圆被滤除，检测精度也有了很大的提高，但是可以看出图像中还存在少量漏检和非圆形边缘拟合出来的假圆。
最后再结合卷积神经网络(CNN)分类算法滤除圆检测图像中的假圆，提高整个圆检测的健壮性。采集标准的训练数据的图片分割为若干相同的正方形，并将正方形黑色边框周围的像素清零，获取标准数据的特征信息，作为训练集，从而搭建训练模型。用训练好的模型对测试集进行测试。测试效果可以参照图16中的圆心定位误差比较表，可以看出，误差整体较小，表中测试文件300mm-1的误差相较于其他测试文件大，主要是因为可以满足本系统的需求，再将训练好的模型对本系统工业相机2采集到的照片进行测试，效果如图17所示，可以看出图像中几乎不存在非圆形边缘拟合出来的假圆，并且准确地定位出复杂环境下圆心的位置。
虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (4)

1.一种机械零部件侧剖面多单体智能精密几何圆心检测方法，其特征在于，基于机械零部件侧剖面多单体智能精密几何圆心检测系统，所述机械零部件侧剖面多单体智能精密几何圆心检测系统包括：
试验台，包括背景板和光源，所述背景板用于安装待测机械零件，所述光源设于所述背景板的相对面，以照亮所述背景板；
工业相机，活动设于所述背景板的相对面，以拍摄所述待测机械零件，获取图像；
相机轨迹控制平台，用于安装所述工业相机，以驱动所述工业相机活动；
计算机，包括图像处理模块，用于提取所述图像的特征要素；
图像采集输入模块，与所述工业相机、所述相机轨迹控制平台和所述计算机通信连接，以将所述工业相机获取的图像传输至所述计算机；
可编程逻辑控制器，与所述计算机通信连接，以输出显示所述图像的特征要素；
所述机械零部件测剖面多单体智能精密几何圆心检测方法包括以下步骤：
S10：获取待测机械零件的图像；
S20：基于所述待测机械零件的图像，进行图像预处理，对所述图像灰度化和滤波；
S30：计算所述图像上每一点的梯度幅值，并设定所述梯度幅值的阈值；
S40：比对所有所述梯度幅值与所述阈值大小，去除小于所述阈值的梯度幅值，确定候选圆；
S50：基于所述候选圆，结合梯度运算进行Hough变换算法检测所述候选圆的参数；
S60：基于所述候选圆的参数，利用卷积神经网络滤除假圆，并定位圆心位置，所述假圆为无效候选圆；
其中，梯度方向角表示所述图像中灰度变化最剧烈的方向，所述梯度方向角与圆的切线方向垂直；计算所述图像上每一点的梯度幅值具体包括如下步骤：
S31：计算梯度近似值：
；
其中，，/>，/>表灰度图像第i行第j列的灰度值；
S32：基于Sobel算子对和/>进行计算，所述/>和/>采用的卷积模板为：
，/>；
S33：计算所述梯度幅值和所述梯度方向角；其中，
所述梯度幅值为：；
所述梯度方向角为：，/>为梯度方向角；
所述基于所述候选圆，结合梯度运算进行Hough变换算法检测所述候选圆的参数具体包括如下步骤：
S51：采用Hough变换算法在所述图像上进行随机采样，获取边缘点；
S52：基于所述梯度幅值和所述梯度方向角，获取每一所述边缘点的坐标为(x，y)、梯度幅值为，梯度方向角/>的正余弦值分别为：
，获得圆的极坐标方程为：
， />；
S53：在所述图像上随机采样两个所述边缘点的坐标分别为m和/>，基于梯度计算，两个所述边缘点分别对应为/>和/>；
代入步骤S52中的极坐标方程，获取所述候选圆的参数（a，b，r）分别为：
i=1,2/>；
i=1,2/>；
；
特殊情况当，/>时：
；
当，/>时：
；
所述获取所述候选圆的参数（a，b，r）步骤之后还包括：
步骤S54：统计落入所述候选圆上的所述边缘点的点数，统计区间为所述候选圆外接正方形和所述候选圆内接正方形之间的区域，去除所述区域外的所述边缘点；
步骤S55：基于所述候选圆的参数，获取所述区域内的边缘点至所述候选圆的圆心的距离d；
步骤S56：若，则对应的所述边缘点在所述候选圆上，记为保留边缘点，否则，去除对应的所述边缘点；其中，/>为所述图像计算的许可余量；
步骤S57：获取每一所述保留边缘点的梯度幅值，并将所述梯度幅值进行累加后求取所述保留边缘点的梯度均值；
步骤S58：比对所有所述候选圆上的所述梯度均值与所述阈值大小，大于或等于所述阈值的所述候选圆为真圆；否则，为假圆；
所述基于所述候选圆的参数，利用卷积神经网络滤除假圆，并定位圆心位置具体包括以下步骤：
S61：基于所述图像，采用25幅进行分割，其中，前5幅作为测试集的原始图像，后20幅作为训练集的原始图像；
S62：对所述25幅图像做圆形检测，分别获取候选圆的参数；
S63：基于每一所述候选圆，以圆心为中心，直径为边长，在所述25幅图像中画正方形；
S64：在所述正方形图像中，所述候选圆外部分的像素设置为零；
S65：保存所述正方形图像，并将所述正方形的尺寸标准化，以使每一幅图像的尺寸大小相同；
S66：将所述正方形图像作为训练集输入至卷积神经网络，所述卷积神经网络为第一卷积层采用3个5x5卷积核提取特征，得到3通道特征图，第二卷积层采用4个3x3卷积核得到4通道特征图；
S67：卷积层后加入最大池化层，输出层数据，用softmax分类器进行处理，分类识别结果R为：
i=1，2；
S68：根据训练出的卷积神经网络判断测试集中的每一正方形图像中圆是否真实存在，若不存在，则在圆形检测结果中舍去对应的所述候选圆。
2.根据权利要求1所述的机械零部件侧剖面多单体智能精密几何圆心检测方法，其特征在于，选出所述真圆和所述假圆之后，将所有所述真圆的参数进行存储，获得所述真圆的参数集，再将每次采样获得的参数集/>与已存储的参数集/>进行比较，在参数集/>中获取/>，所述/>满足/>，其中，/>为容错误差；
将参数集中的所述/>的值更换为所述/>与所述/>的均值，并将更新后的所述/>对应的有效采样次数采样加1；
进行多次采样后，获得参数集以及所述参数集/>中每一个所述候选圆对应的有效采样次数为value，设定所述value的阈值为/>，当/>时，在对应的所述候选圆对应的边缘点中进行/>次采样，并计算所述候选圆的参数，将计算出参数取平均值来修正原来的参数；当/>时，原有的所述候选圆的参数保持不变。
3.根据权利要求1所述的机械零部件侧剖面多单体智能精密几何圆心检测方法，其特征在于，待测零件包括多个圆时，在所述采用Hough变换算法在所述图像上进行随机采样，获取边缘点步骤中，利用梯度方向信息，以降低所述随机采样带来的无效积累。
4.根据权利要求1所述的机械零部件侧剖面多单体智能精密几何圆心检测方法，其特征在于，所述相机轨迹控制平台为伺服机械手或XYZ三轴滑动平台。
CN202210017542.4A 2022-01-07 2022-01-07 一种机械零部件侧剖面多单体智能精密几何圆心检测方法 Active CN114549403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210017542.4A CN114549403B (zh) 2022-01-07 2022-01-07 一种机械零部件侧剖面多单体智能精密几何圆心检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210017542.4A CN114549403B (zh) 2022-01-07 2022-01-07 一种机械零部件侧剖面多单体智能精密几何圆心检测方法

Publications (2)

Publication Number Publication Date
CN114549403A CN114549403A (zh) 2022-05-27
CN114549403B true CN114549403B (zh) 2024-05-14

Family

ID=81669003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210017542.4A Active CN114549403B (zh) 2022-01-07 2022-01-07 一种机械零部件侧剖面多单体智能精密几何圆心检测方法

Country Status (1)

Country Link
CN (1) CN114549403B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708265B (zh) * 2022-06-06 2022-08-23 武汉工程大学 一种高铁动车组关键部件图像识别检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014009291A1 (en) * 2012-07-12 2014-01-16 Osram Gmbh Vision based occupancy detection system and method
CN103808730A (zh) * 2013-01-25 2014-05-21 常州先进制造技术研究所 发动机凸轮轴零部件表面缺陷检测方法
CN107532125A (zh) * 2015-02-18 2018-01-02 西门子医疗保健诊断公司 用于视觉系统的基于图像的管槽圆形检测
CN111862037A (zh) * 2020-07-17 2020-10-30 华中科技大学无锡研究院 基于机器视觉的精密孔类零件几何特征检测方法及系统
CN113034485A (zh) * 2021-04-09 2021-06-25 浙江欧视电科技有限公司 融合Hough变换和卡尺聚类的圆检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014009291A1 (en) * 2012-07-12 2014-01-16 Osram Gmbh Vision based occupancy detection system and method
CN103808730A (zh) * 2013-01-25 2014-05-21 常州先进制造技术研究所 发动机凸轮轴零部件表面缺陷检测方法
CN107532125A (zh) * 2015-02-18 2018-01-02 西门子医疗保健诊断公司 用于视觉系统的基于图像的管槽圆形检测
CN111862037A (zh) * 2020-07-17 2020-10-30 华中科技大学无锡研究院 基于机器视觉的精密孔类零件几何特征检测方法及系统
CN113034485A (zh) * 2021-04-09 2021-06-25 浙江欧视电科技有限公司 融合Hough变换和卡尺聚类的圆检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于Hough变换运用形状角及梯度检测圆;方菲;耿春明;;机械工程与自动化;20150215(01);全文 *
方菲 ; 耿春明 ; .基于Hough变换运用形状角及梯度检测圆.机械工程与自动化.2015,(01),全文. *
贾明 ; 武立勇 ; 王琳琳.基于梯度方向和概率估计的随机圆检测算法.《半导体光电》.2019,全文. *

Also Published As

Publication number Publication date
CN114549403A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN112818988B (zh) 一种指针式仪表自动识别读数方法及系统
CN104112269B (zh) 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统
CN109635806B (zh) 基于残差网络的电表数值识别方法
CN109490316A (zh) 一种基于机器视觉的表面缺陷检测算法
CN115311629B (zh) 一种折弯机的异常折弯精度监测系统
CN110334727B (zh) 一种隧道裂缝智能匹配检测方法
CN113838054A (zh) 基于人工智能的机械零件表面损伤检测方法
CN114549403B (zh) 一种机械零部件侧剖面多单体智能精密几何圆心检测方法
CN111487192A (zh) 一种基于人工智能的机器视觉表面缺陷检测装置及方法
CN115597494B (zh) 一种基于点云的预制构件预留孔的精度检测方法、系统
CN112014407A (zh) 一种集成电路晶圆表面缺陷检测的方法
CN115841488A (zh) 一种基于计算机视觉的pcb板的检孔方法
CN114155226A (zh) 一种微小缺陷边缘计算方法
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法
CN116993725B (zh) 一种柔性电路板智能贴片信息处理系统
CN114065798A (zh) 基于机器识别的视觉识别方法及装置
CN117330582A (zh) 一种高分子pe薄膜表面晶点检测系统
CN116777917A (zh) 一种光缆生产用缺陷检测方法及系统
CN114004812A (zh) 采用引导滤波与神经网络模型的螺纹孔检测方法及系统
CN109063738A (zh) 一种压缩感知的陶瓷水阀片自动在线检测方法
CN111507177B (zh) 一种用于计量周转柜的识别方法及装置
CN114677428A (zh) 基于无人机图像处理的输电线覆冰厚度检测方法
CN110070520B (zh) 基于深度神经网络的路面裂缝检测模型构建及检测方法
CN116523906B (zh) 一种玻璃基板光学性能检测方法和系统
CN113447381B (zh) 一种布氏硬度检测方法及检测系统

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
GR01 Patent grant
GR01 Patent grant