CN114549513A - 零件识别方法、装置、质检方法、电子设备及存储介质 - Google Patents

零件识别方法、装置、质检方法、电子设备及存储介质 Download PDF

Info

Publication number
CN114549513A
CN114549513A CN202210197210.9A CN202210197210A CN114549513A CN 114549513 A CN114549513 A CN 114549513A CN 202210197210 A CN202210197210 A CN 202210197210A CN 114549513 A CN114549513 A CN 114549513A
Authority
CN
China
Prior art keywords
distance
diameter ratio
outer contour
contour information
detected
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
Application number
CN202210197210.9A
Other languages
English (en)
Inventor
谢晖
金作徽
易建业
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202210197210.9A priority Critical patent/CN114549513A/zh
Publication of CN114549513A publication Critical patent/CN114549513A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及机器视觉检测技术领域，具体公开了一种零件识别方法、装置、质检方法、电子设备及存储介质，其中，零件识别方法包括以下步骤：获取待测零件的外轮廓信息及多个类型的标准零件的外轮廓信息；按照预设的偏转间隔分别获取待测零件的第一距径比集合及多个标准零件分别对应的多个第二距径比集合；根据第一距径比集合与多个第二距径比集合的相关性及最小距离确定待测零件的类型；该识别方法无需对所有位置点进行分析，通过预设的偏转间隔进行取样获取第一距径比集合和第二距径比集合能有效减少分析数据的数据量，并采用距径比进行比对分析，模糊化了具体尺寸参数，在不需要进行缩放操作的前提下有效确保零件识别的准确性。

Description

零件识别方法、装置、质检方法、电子设备及存储介质
技术领域
本申请涉及机器视觉检测技术领域，具体而言，涉及一种零件识别方法、装置、质检方法、电子设备及存储介质。
背景技术
零件制备产出后，需要对零件进行质量检验再进行入库，零件质检一般通过人工进行，但是人工质检效率低下，故有厂家采用机器视觉进行质检的处理手段；机器视觉质检一般通过分析抓取的待测零件的图像上的轮廓信息是否合格以进行质检，在大批量混合零件的质检过程中，需要先识别出零件的类型再进行质检。
现有的零件类型识别手段一般通过缩放算法进行完全的轮廓匹配度比对进行识别，该处理方式因需要对轮廓进行缩放处理存在识别效率低的缺点，若跳过轮廓缩放处理则会影响识别准确性。
针对上述问题，目前尚未有有效的技术解决方案。
发明内容
本申请的目的在于提供一种零件识别方法、装置、质检方法、电子设备及存储介质，在不需要进行缩放操作的前提下有效确保零件识别的准确性。
第一方面，本申请提供了一种零件识别方法，用于在零件质检过程中识别零件类型，所述识别方法包括以下步骤：
获取待测零件的外轮廓信息及多个类型的标准零件的外轮廓信息；
按照预设的偏转间隔分别获取所述待测零件的第一距径比集合及多个所述标准零件分别对应的多个第二距径比集合，距径比为所述外轮廓信息上的位置点到所述外轮廓信息的最小外接圆圆心的距离与所述外轮廓信息的最小外接圆的半径之比；
根据所述第一距径比集合与多个所述第二距径比集合的相关性及最小距离确定待测零件的类型。
本申请的零件识别方法，采用距径比进行比对分析，模糊化了具体尺寸参数，能在无视缩放比例的情况下进行零件类型识别，有效确保零件识别的准确性。
所述的一种零件识别方法，其中，按照预设的偏转间隔获取所述待测零件的第一距径比集合的步骤包括：
获取所述待测零件的外轮廓信息的第一最小外接圆；
按照所述预设的偏转间隔获取所述待测零件的外轮廓信息上的多个第一位置点；
计算所述第一位置点到所述第一最小外接圆圆心的距离与所述第一最小外接圆半径之比，作为所述第一距径比；
收集所有所述第一距径比生成所述第一距径比集合。
所述的一种零件识别方法，其中，所述根据所述第一距径比集合与所述第二距径比集合的相关性及最小距离确定待测零件的类型的步骤包括：
对所述第一距径比集合分别和多个所述第二距径比集合进行相关性分析获取对应的相关系数；
对所述第一距径比集合分别和多个所述第二距径比集合进行最小距离计算获取对应的最小距离值；
当所述第一距径比集合与目标第二距径比集合之间的所述相关系数大于预设的第一阈值且所述最小距离值小于预设的第二阈值时，所述待测零件识别为所述目标第二距径比集合对应的标准零件，所述目标第二距径比集合为任一所述第二距径比集合。
该示例的识别方法能根据两种数据的大小确定待测零件与哪种标准零件同类，使得该示例的识别方法无需基于神经网络训练的模型进行零件识别，且识别过程中计算便捷、数据量小、准度高。
所述的一种零件识别方法，其中，所述获取待测零件的外轮廓信息的步骤包括：获取所述待测零件的数字图像，并从所述数字图像中提取所述待测零件的外轮廓信息。
第二方面，本申请还提供了一种零件识别装置，用于在零件质检过程中识别零件类型，所述识别装置包括：
获取模块，用于获取待测零件的外轮廓信息及多个类型的标准零件的外轮廓信息；
计算模块，用于按照预设的偏转间隔分别获取所述待测零件的第一距径比集合及多个所述标准零件分别对应的多个第二距径比集合，距径比为所述外轮廓信息上的位置点到所述外轮廓信息的最小外接圆圆心的距离与所述外轮廓信息的最小外接圆的半径之比；
判断模块，用于根据所述第一距径比集合与多个所述第二距径比集合的相关性及最小距离确定待测零件的类型。
本申请的零件识别装置采用距径比进行比对分析，模糊化了具体尺寸参数，能在无视缩放比例的情况下进行零件类型识别，有效确保零件识别的准确性。
第三方面，本申请还提供了一种零件质检方法，用于对零件进行质检，所述质检方法包括以下步骤：
获取待测零件及多个类型的标准零件的外轮廓信息；
按照预设的偏转间隔分别获取所述待测零件的第一距径比集合及多个所述标准零件分别对应的多个第二距径比集合，距径比为所述外轮廓信息上的位置点到所述外轮廓信息的最小外接圆圆心的距离与所述外轮廓信息的最小外接圆的半径之比；
根据所述第一距径比集合与多个所述第二距径比集合的相关性及最小距离确定待测零件的类型；
根据所述待测零件及对应的标准零件的外轮廓信息对所述待测零件进行外观检验。
所述的一种零件质检方法，其中，所述根据所述待测零件及对应的标准零件的外轮廓信息对所述待测零件进行外观检验的步骤包括：
通过可缩放的轮廓匹配算法匹配所述待测零件的外轮廓信息与对应的标准零件的外轮廓信息以获取匹配值；
在所述匹配值大于预设第三阈值时通过所述外观检验。
所述的一种零件质检方法，其中，所述质检方法还包括以下步骤：
在所述待测零件通过外观检验后，根据所述标准零件获取功能结构的标准位姿信息；
根据所述标准位姿信息对所述待测零件的功能结构进行检验。
本申请的零件质检方法，通过预设的偏转间隔进行取样获取待测零件的第一距径比集合和多个标准零件的第二距径比集合，并对第一距径比集合及第二距径比集合进行相关性计算和最小距离计算，从而实现零件类型的快速识别，然后基于识别后的待测零件结合标准零件的外轮廓信息进行外观检验，以完成待测零件的质检，具有识别效率高、精度高的特点。
第四方面，本申请还提供了一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第五方面，本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
由上可知，本申请提供了一种零件识别方法、装置、质检方法、电子设备及存储介质，其中，零件识别方法相比传统的外形匹配算法，无需对所有位置点进行分析，通过预设的偏转间隔进行取样获取第一距径比集合和第二距径比集合能有效减少分析数据的数据量，并采用距径比进行比对分析，模糊化了具体尺寸参数，能在无视缩放比例的情况下进行零件类型识别，在不需要进行缩放操作的前提下有效确保零件识别的准确性。
附图说明
图1为本申请实施例提供的零件识别方法的流程图。
图2为一待测零件与对应类型的标准零件的外轮廓线信息的分布示意图。
图3为另一待测零件与不对应类型的标准零件的外轮廓线信息的分布示意图。
图4为本申请实施例提供的零件识别装置的结构示意图。
图5为本申请实施例提供的零件质检方法的流程图。
图6为本申请实施例提供的电子设备的结构示意图。
附图标记：201、获取模块；202、计算模块；203、判断模块；401、处理器；402、存储器；403、通信总线。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
现有的零件识别的方法为对图像中零件轮廓的类型识别处理方法，因拍摄手段或零件位置摆放偏移的原因，图像中零件轮廓存在一定比例偏移，故现有的识别方法在识别处理过程中需调节零件轮廓的缩放比例以配对标准零件的轮廓，在两者无法匹配时认为待测零件并非为该标准零件的类型，若匹配程度满足预期程度后再进行下一步的识别方式，针对每一种标准零件均需要反复调节缩放比例进行调节，存在识别效率低的问题。
第一方面，请参照图1，图1是本申请一些实施例中的一种零件识别方法，用于在零件质检过程中识别零件类型，识别方法包括以下步骤：
A1、获取待测零件的外轮廓信息及多个类型的标准零件的外轮廓信息；
具体地，外轮廓信息通过对关于待测零件及标准零件的图像或照片分析所得，为用于反映对象在对应载体中的外边缘分布特征，可以是线条或者是点阵或者是描点构成的外形轮廓。
更具体地，待测零件的外轮廓信息基于数字图像分析所得，该待测零件的数字图像为通过外部设备拍摄的关于待测零件的平面图像。
更具体地，标准零件为具有标准尺寸的零件或零件模型；本申请实施例的识别方法需要识别待测零件的类型，故需引入不同类型的标准零件的外轮廓信息以对待测零件进行比对识别，从而确定该待测零件为多个类型的标准零件中的哪一种。
更具体地，标准零件的外轮廓信息基于零件模型的投影视图分析所得或是基于预先录入的标注零件的数字图像分析所得，在本申请实施例中，优选为采用基于零件模型的投影视图分析所得。
更具体地，零件模型为三维数字模型，为具有标准尺寸的设计模型或基于标准零件的尺寸建立的重建模型。
A2、按照预设的偏转间隔分别获取待测零件的第一距径比集合及多个标准零件分别对应的多个第二距径比集合，距径比为外轮廓信息上的位置点到外轮廓信息的最小外接圆圆心的距离与外轮廓信息的最小外接圆的半径之比；
具体地，距径比为外轮廓信息的一个比值特征，模糊化了对应的外轮廓信息的具体尺寸参数，其反映了位置点在整体对象中相对于整体尺寸的相对长度特征；在实际获取外轮廓线信息的过程中，可能由于对应的数字图像的获取位置、缩放距离等因素的影响，会引起待测零件缩放比例的变化，因此，若直接用长度信息进行待测零件的类型识别会引起较大偏差，故在本申请实施例中采用模糊化了外轮廓信息具体尺寸参数的距径比作为零件类型识别的数据基础，从而可在忽略缩放比例的条件下进行零件识别，提高识别准确率。
更具体地，第一距径比集合和第二距径比集合均基于同一套预设的偏转间隔进行获取，可保证第一距径比集合中的各个第一距径比和第二距径比集合中的各个第二距径比具有对应偏转间隔获取关系，使得第一距径比能与第二距径比进行比对分析，尤其是在待测零件与标准零件类型对应时，预设的偏转间隔能保证第一距径比与第二距径比的数量及位置关系一一对应。
更具体地，由于第二距径比集合为基于标准零件获取的、且为用于识别待测零件的类型的对比对象，在别的实施例中，第二距径比集合为预先获取且存储于数据库中的数据，在需要进行待测零件识别时，可直接从数据库中提取多个标准零件分别对应的多个第二距径比集合。
A3、根据第一距径比集合与多个第二距径比集合的相关性及最小距离确定待测零件的类型。
具体地，相关性分析为用于对多个具备相关性的元素进行分析的方法，相关性是指多个具备相关性的变量元素的关系，能用于衡量多个变量因素的相关密切程度，在本申请实施例中，用于衡量第一距径比集合中的各个第一距径比和第二距径比集合中的各个第二距径比的相关密切程度，即用于评价第一距径比集合和第二距径比集合中各个对应的元素的匹配程度，相关性越高表明第一距径比集合和第二距径比集合的元素匹配程度越高。
更具体地，最小距离分析法为用于评价两个对象之间整体偏移程度的方法，最小距离为两个对象之间多个对应的元素点之间整体距离，由于第一距径比集合和第二距径比集合均基于预设的偏转间隔获取，使得第一距径比与第二距径比具有对应的位置关系，从而适用于最小距离分析法，最小距离越小表明第一距径比集合和第二距径比集合整体重合度越高。
更具体地，由于不同零件的外形具有差异性，故标准零件并非与待测零件匹配的情况下，第一距径比集合和第二距径比集合各自包含的元素数量可能会出现数量不同的情况，将缺少对应元素的一方设置数值为0的元素，从而使得两者相关性更低、最小距离更大，即使得待测零件的识别结果远离不匹配的零件类型，如第一距径比集合包含X1、X2及X3，某一标准零件的第二距径比集合包含Y1、Y3，则在第二距径比集合中增加Y2=0的元素。
本申请实施例的零件识别方法，相比传统的外形匹配算法，无需对所有位置点进行分析，通过预设的偏转间隔进行取样获取第一距径比集合和第二距径比集合能有效减少分析数据的数据量，从而提高算法识别效率，同时采用距径比进行比对分析，模糊化了具体尺寸参数，能在无视缩放比例的情况下进行零件类型识别，避免因图像获取的位置、缩放条件变化而导致零件识别失败的情况出现，此外，结合相关性及最小距离分析第一距径比集合和第二距径比集合进行零件类型识别的方式能保证识别结果为基于两种维度联合判断获取的识别结果，有效确保零件识别的准确性。
更具体地，本申请实施例的零件识别方法，可以基于待测零件单个朝向的外轮廓信息进行识别，还可以基于待测零件多个朝向的外轮廓信息进行识别；在采用待测零件多个朝向的外轮廓信息进行识别时，需待测零件的各个朝向的外轮廓信息均与一个标准零件的各个朝向的外轮廓信息匹配对应时才确定待测零件为该标准零件对应的类型。
更具体地，本申请实施例的零件识别方法，可以是在待测零件采用特定放置方式时进行识别，还可以是在待测零件随意放置时进行识别，在待测零件采用随意放置进行识别时，步骤A1中的每个标准零件均需获取多个不同角度的外轮廓信息作为多个角度参考分析对象。
更具体地，为更清晰地表达外轮廓信息的特点，引入图2和图3展示待测零件及标准零件的外轮廓信息的关系，图2所示为一种实测的待测零件的外轮廓信息（深色轮廓）及与前者类型一致的标准零件的外轮廓信息（浅色轮廓），可见两种在各个部位均具有对应结构的轮廓特征；图3所示为一种实测的待测零件的外轮廓信息（深色轮廓）及与前者类型不一致的标准零件的外轮廓信息（浅色轮廓），可见两种在多个部位具有不对应结构的轮廓特征。
在一些优选的实施方式中，按照预设的偏转间隔获取待测零件的第一距径比集合的步骤包括：
A21、获取待测零件的外轮廓信息的第一最小外接圆；
A22、按照预设的偏转间隔获取待测零件的外轮廓信息上的多个第一位置点；
具体地，预设的偏转间隔为偏转角度，基于第一最小外接圆及偏转角度能将第一最小外接圆区分为多个区域，第一位置点位于每个区域的分界线上，从而获取了待测零件的外轮廓信息的多个第一位置点。
更具体地，这些第一位置点为待测零件的外轮廓信息中提取的数据点，能概括性地表征了外轮廓信息的局部特征，基于这些第一位置点进行分析能有效减少数据分析量。
A23、计算第一位置点到第一最小外接圆圆心的距离与第一最小外接圆半径之比，作为第一距径比；
具体地，计算距径比的过程，可以是按照偏转间隔顺序地逐个计算获取第一距径比，也可以是同时计算获取所有第一距径比。
更具体地，第一最小外接圆反映了整个待测零件在数字图像中的整体分布情况，第一距径比则反映了位置点在第一最小外接圆中的相对位置。
A24、收集所有第一距径比生成第一距径比集合。
在一些优选的实施方式中，按照预设的偏转间隔获取多个标准零件的分别对应的多个第二距径比集合的方式与获取待测零件的第一距径比集合的方式一致，且采用相同的预设偏转间隔，从而使得第一距径比集合的元素与多个第二距径比集合的元素对应。
在一些优选的实施方式中，步骤A22包括以下子步骤：
A221、按照预设的偏转间隔沿第一最小外接圆的圆心生成若干射线;
具体地，预设的偏转间隔为1-10°。
A222、获取射线与待测零件的外轮廓信息的交点，将该交点视为第一位置点。
在另一些实施方式中，步骤A22包括以下子步骤：
A221’、按照预设的偏转间隔将第一最小外接圆等分为多个扇形
A222’、获取扇形直线边缘与待测零件的外轮廓信息的交点，将该交点视为第一位置点。
在一些优选的实施方式中，根据第一距径比集合与第二距径比集合的相关性及最小距离确定待测零件的类型的步骤包括：
A31、对第一距径比集合分别和多个第二距径比集合进行相关性分析获取对应的相关系数；
具体地，相关性分析可采用各类用于两种集合对象的相关性分析方法进行分析，在本申请实施例中，优选为采用获取皮尔逊相关系数的相关系分析方法。
更具体地，设为皮尔逊相关系数为r，则r通过下式计算获得：
Figure DEST_PATH_IMAGE001
（1）
其中，Xi为第一距径比集合中的第一距径比，Yi为某一第二距径比集合中的第二距 径比，i=1,2,3，…，n（n≥2），i 为距径比序号，
Figure 353420DEST_PATH_IMAGE002
为第一距径比集合中第一距径比的平均 值，
Figure DEST_PATH_IMAGE003
为第二距径比集合中第二距径比的平均值。
更具体地，该相关系数越大，表明第一距径比集合和第二距径比集合相关性越强；该步骤通过第一距径比集合和多个不同类型的标准零件的第二距径比集合进行计算比对，能分别计算出待测零件与多个不同类型的标准零件之间的相关性。
A32、对第一距径比集合分别和多个第二距径比集合进行最小距离计算获取对应的最小距离值；
具体地，最小距离值可采用各类用于两种集合对象的最小距离算法进行计算获取，在本申请实施例中，优选为采用欧式距离的计算方法进行最小距离计算。
更具体地，设最小距离值为d，则d通过下式计算获得：
Figure 208244DEST_PATH_IMAGE004
(2)
其中，X表示第一距径比集合，Y表示第二距径比集合。
具体地，该最小距离算法能分析出各个距径比之间的线性距离关系，并将所有距径比之间的距离关系集中反映在最小距离值d上，使得本申请实施例的识别方法能根据最小距离值直接获取待测零件与不同标准零件之间的相似程度。
A33、当第一距径比集合与目标第二距径比集合之间的相关系数大于预设的第一阈值且最小距离值小于预设的第二阈值时，待测零件识别为目标第二距径比集合对应的标准零件，目标第二距径比集合为任一第二距径比集合。
具体地，步骤A31-A32计算了待测零件与各个标准零件之间的相关系数及最小距离值，使得步骤A33能根据两种数据的大小确定待测零件与哪种标准零件同类，使得本申请实施例的识别方法无需基于神经网络训练的模型进行零件识别，且识别过程中计算便捷、数据量小、准度高。
更具体地，第一阈值和第二阈值根据不同标准零件的差异程度进行设定，如当不同标准零件的差异程度较大时，因为各类标准零件更容易区分开来，使得待测零件与不匹配的标准零件之间具有更小相关系数和更大的最小距离值，识别过程精度要求更低，继而使得第一阈值可以设置得更小且第二阈值可以设置得更大，反之，当不同标准零件的差异程度较小时，第一阈值需要设置得更大且第二阈值需要设置得更小。
在另一些实施方式中，步骤A33可替换为：
A33’、将待测零件识别为第一距径比集合与某一第二距径比集合之间相关系数最大且最小距离值最小所对应的标准零件。
具体地，该步骤无需采用第一阈值及第二阈值的方式进行分析识别待测零件，有效简化整个识别的运算逻辑；但在实际使用过程中，可能会出现多个标准零件与待测零件较为接近而导致相关系数最大、最小距离值不为最小的识别情况，因此，本申请实施例在执行步骤A32后优选为执行A33以识别待测零件的类型。
在另一些实施方式中，根据第一距径比集合与第二距径比集合的相关性及最小距离确定待测零件的类型还可以是包括以下步骤：
A31’、对第一距径比集合分别和多个第二距径比集合进行相关性分析获取对应的相关系数，去除相关系数小于预设的第一阈值的第二距径比集合；
A32’、对第一距径比集合分别和余下的多个第二距径比集合进行最小距离计算获取对应的最小距离值，将待测零件识别为第一距径比集合与第二距径比集合之间最小的最小距离值对应的标准零件。
具体地，上述这种处理方式则基于相关系数小于第一阈值而率先去除了与待测零件较为不相关的标准零件，然后再利用最小距离值判断余下的标准零件中最合适的标准零件的类型，将该类型视为待测零件的类型，这种识别方式能进一步减少整个运算过程的数据计算量，进一步提高待测零件的识别效率。
另外，步骤A32’还可以变换为：当第一距径比集合与余下的某一第二距径比集合最小距离值小于预设的第二阈值时，待测零件识别为该第二距径比集合对应的标准零件。
具体地，该运算方式在计算到最小距离值小于预设的第二阈值时便暂停最小距离值的计算并输出识别结果，能提前结束整个运算过程，提高零件识别效率。
在一些优选的实施方式中，获取待测零件的外轮廓信息的步骤包括：A11、获取待测零件的数字图像，并从数字图像中提取待测零件的外轮廓信息。
具体地，数字图像采用工业相机进行拍摄，在本申请实施例中，优选为采用彩色CCD工业相机，确保抓取的图像具有足够的清晰度以进行待测零件的外轮廓信息的提取。
更具体地，数字图像中提取待测零件的外轮廓信息的步骤包括：
采用区域生长算法对待测零件的数字图像进行分块，并通过面积筛选得到待测零件的外轮廓区域，将外轮廓区域的边缘视为该待测零件的外轮廓信息。
第二方面，请参照图4，图4是本申请一些实施例中提供的一种零件识别装置，用于在零件质检过程中识别零件类型，识别装置包括：
获取模块201，用于获取待测零件的外轮廓信息及多个类型的标准零件的外轮廓信息；
计算模块202，用于按照预设的偏转间隔分别获取待测零件的第一距径比集合及多个标准零件分别对应的多个第二距径比集合，距径比为外轮廓信息上的位置点到外轮廓信息的最小外接圆圆心的距离与外轮廓信息的最小外接圆的半径之比；
判断模块203，用于根据第一距径比集合与多个第二距径比集合的相关性及最小距离确定待测零件的类型。
本申请实施例的零件识别装置，相比传统的外形匹配算法，无需对所有位置点进行分析，通过预设的偏转间隔进行取样获取第一距径比集合和第二距径比集合能有效减少分析数据的数据量，从而提高算法识别效率，同时采用距径比进行比对分析，模糊化了具体尺寸参数，能在无视缩放比例的情况下进行零件类型识别，避免因图像获取的位置、缩放条件变化而导致零件识别失败的情况出现，此外，结合相关性及最小距离分析第一距径比集合和第二距径比集合进行零件类型识别的方式能保证识别结果为基于两种维度联合判断获取的识别结果，有效确保零件识别的准确性。
在一些优选的实施方式中，本申请实施例的零件识别装置用于执行上述第一方面提供的零件识别方法。
第三方面，请参照图5，图5是本申请一些实施例中提供的一种零件质检方法，用于对零件进行质检，识别方法包括以下步骤：
B1、获取待测零件及多个类型的标准零件的外轮廓信息；
B2、按照预设的偏转间隔分别获取待测零件的第一距径比集合及多个标准零件分别对应的多个第二距径比集合，距径比为外轮廓信息上的位置点到外轮廓信息的最小外接圆圆心的距离与外轮廓信息的最小外接圆的半径之比；
B3、根据第一距径比集合与多个第二距径比集合的相关性及最小距离确定待测零件的类型；
B4、根据待测零件及对应的标准零件的外轮廓信息对待测零件进行外观检验。
具体地，步骤B3确定待测零件的类型后，步骤B4为从步骤B1获取的标准零件的外轮廓信息中提取对应类型的外轮廓信息及待测零件的外轮廓信息以对待测零件进行外观检验。
本申请实施例的零件质检方法，通过预设的偏转间隔进行取样获取待测零件的第一距径比集合和多个标准零件的第二距径比集合，并对第一距径比集合及第二距径比集合进行相关性计算和最小距离计算，从而实现零件类型的快速识别，然后基于识别后的待测零件结合标准零件的外轮廓信息进行外观检验，以完成待测零件的质检，具有识别效率高、精度高的特点。
在一些优选的实施方式中，根据待测零件及对应的标准零件的外轮廓信息对待测零件进行外观检验的步骤包括：
B41、通过可缩放的轮廓匹配算法匹配待测零件的外轮廓信息与对应的标准零件的外轮廓信息以获取匹配值；
B42、在匹配值大于预设第三阈值时通过外观检验。
具体地，由于待测零件的外轮廓信息为基于工业相机拍摄的数字图像提出的，故与标准零件的外轮廓信息缩放比例未必保持一致，因此，需要采用可缩放的轮廓匹配算法以使两个外轮廓信息尽可能重合后再进行外观检验，从而确保在两个外轮廓线下在同一缩放条件下进行比对，以提高外观检验的准确性。
在一些优选的实施方式中，待测零件为模具镶件，模具镶件为模具零件中的重要结构件，直接影响了模具的使用功能，故模具镶件的外形及对应的功能结构检验尤为重要，其中，功能结构为模具镶件中起到模具中关键作用的且具有对应结构特点的部位。
因此，在一些优选的实施方式中，该质检方法还包括以下步骤：
B5、在待测零件通过外观检验后，根据标准零件获取功能结构的标准位姿信息；
B6、根据标准位姿信息对待测零件的功能结构进行检验。
具体地，标准零件中具有尺寸、位置合格的功能结果，因此，从标准零件中提取功能结构的标准位姿信息能用于检验待测零件的功能结构是否合格。
更具体地，标准位姿信息为功能结构的位置、朝向、尺寸特点。
在一些优选的实施方式中，根据标准位姿信息对待测零件的功能结构进行检验的步骤包括：
根据数字图像获取待测零件的功能结构的位置信息及形状信息；
根据标准位姿信息对待测零件进行功能结构检验。
在一些优选的实施方式中，根据标准位姿信息对待测零件进行功能结构检验的步骤包括：
根据标准位姿信息计算位置信息及形状信息的偏移量，在偏移量小于预设的第四阈值时将待测零件视为通过功能结构的检验。
第四方面，请参照图6，图6为本申请实施例提供的一种电子设备的结构示意图，本申请提供一种电子设备，包括：处理器401和存储器402，处理器401和存储器402通过通信总线403和/或其他形式的连接机构（未标出）互连并相互通讯，存储器402存储有处理器401可执行的计算机程序，当计算设备运行时，处理器401执行该计算机程序，以执行时执行上述实施例的任一可选的实现方式中的方法。
第五方面，本申请实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory, 简称SRAM），电可擦除可编程只读存储器（ElectricallyErasable Programmable Read-Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory, 简称PROM），只读存储器（Read-Only Memory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。
综上，本申请实施例提供了一种零件识别方法、装置、质检方法、电子设备及存储介质，其中，零件识别方法相比传统的外形匹配算法，无需对所有位置点进行分析，通过预设的偏转间隔进行取样获取第一距径比集合和第二距径比集合能有效减少分析数据的数据量，并采用距径比进行比对分析，模糊化了具体尺寸参数，能在无视缩放比例的情况下进行零件类型识别，在不需要进行缩放操作的前提下有效确保零件识别的准确性。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种零件识别方法，用于在零件质检过程中识别零件类型，其特征在于，所述识别方法包括以下步骤：
获取待测零件的外轮廓信息及多个类型的标准零件的外轮廓信息；
按照预设的偏转间隔分别获取所述待测零件的第一距径比集合及多个所述标准零件分别对应的多个第二距径比集合，距径比为所述外轮廓信息上的位置点到所述外轮廓信息的最小外接圆圆心的距离与所述外轮廓信息的最小外接圆的半径之比；
根据所述第一距径比集合与多个所述第二距径比集合的相关性及最小距离确定待测零件的类型。
2.根据权利要求1所述的一种零件识别方法，其特征在于，按照预设的偏转间隔获取所述待测零件的第一距径比集合的步骤包括：
获取所述待测零件的外轮廓信息的第一最小外接圆；
按照所述预设的偏转间隔获取所述待测零件的外轮廓信息上的多个第一位置点；
计算所述第一位置点到所述第一最小外接圆圆心的距离与所述第一最小外接圆半径之比，作为所述第一距径比；
收集所有所述第一距径比生成所述第一距径比集合。
3.根据权利要求1所述的一种零件识别方法，其特征在于，所述根据所述第一距径比集合与所述第二距径比集合的相关性及最小距离确定待测零件的类型的步骤包括：
对所述第一距径比集合分别和多个所述第二距径比集合进行相关性分析获取对应的相关系数；
对所述第一距径比集合分别和多个所述第二距径比集合进行最小距离计算获取对应的最小距离值；
当所述第一距径比集合与目标第二距径比集合之间的所述相关系数大于预设的第一阈值且所述最小距离值小于预设的第二阈值时，所述待测零件识别为所述目标第二距径比集合对应的标准零件，所述目标第二距径比集合为任一所述第二距径比集合。
4.根据权利要求1所述的一种零件识别方法，其特征在于，所述获取待测零件的外轮廓信息的步骤包括：获取所述待测零件的数字图像，并从所述数字图像中提取所述待测零件的外轮廓信息。
5.一种零件识别装置，用于在零件质检过程中识别零件类型，其特征在于，所述识别装置包括：
获取模块，用于获取待测零件的外轮廓信息及多个类型的标准零件的外轮廓信息；
计算模块，用于按照预设的偏转间隔分别获取所述待测零件的第一距径比集合及多个所述标准零件分别对应的多个第二距径比集合，距径比为所述外轮廓信息上的位置点到所述外轮廓信息的最小外接圆圆心的距离与所述外轮廓信息的最小外接圆的半径之比；
判断模块，用于根据所述第一距径比集合与多个所述第二距径比集合的相关性及最小距离确定待测零件的类型。
6.一种零件质检方法，用于对零件进行质检，其特征在于，所述质检方法包括以下步骤：
获取待测零件及多个类型的标准零件的外轮廓信息；
按照预设的偏转间隔分别获取所述待测零件的第一距径比集合及多个所述标准零件分别对应的多个第二距径比集合，距径比为所述外轮廓信息上的位置点到所述外轮廓信息的最小外接圆圆心的距离与所述外轮廓信息的最小外接圆的半径之比；
根据所述第一距径比集合与多个所述第二距径比集合的相关性及最小距离确定待测零件的类型；
根据所述待测零件及对应的标准零件的外轮廓信息对所述待测零件进行外观检验。
7.根据权利要求6所述的一种零件质检方法，其特征在于，所述根据所述待测零件及对应的标准零件的外轮廓信息对所述待测零件进行外观检验的步骤包括：
通过可缩放的轮廓匹配算法匹配所述待测零件的外轮廓信息与对应的标准零件的外轮廓信息以获取匹配值；
在所述匹配值大于预设第三阈值时通过所述外观检验。
8.根据权利要求6所述的一种零件质检方法，其特征在于，所述质检方法还包括以下步骤：
在所述待测零件通过所述外观检验后，根据所述标准零件获取功能结构的标准位姿信息；
根据所述标准位姿信息对所述待测零件的功能结构进行检验。
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-4任一项所述方法中的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-4任一项所述方法中的步骤。
CN202210197210.9A 2022-03-02 2022-03-02 零件识别方法、装置、质检方法、电子设备及存储介质 Pending CN114549513A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210197210.9A CN114549513A (zh) 2022-03-02 2022-03-02 零件识别方法、装置、质检方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210197210.9A CN114549513A (zh) 2022-03-02 2022-03-02 零件识别方法、装置、质检方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114549513A true CN114549513A (zh) 2022-05-27

Family

ID=81662349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210197210.9A Pending CN114549513A (zh) 2022-03-02 2022-03-02 零件识别方法、装置、质检方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114549513A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071365A (zh) * 2023-03-29 2023-05-05 季华实验室 零件检测方法、装置、设备及存储介质
CN117910171A (zh) * 2024-03-19 2024-04-19 季华实验室 下模随型筋补强方法、装置、电子设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071365A (zh) * 2023-03-29 2023-05-05 季华实验室 零件检测方法、装置、设备及存储介质
CN117910171A (zh) * 2024-03-19 2024-04-19 季华实验室 下模随型筋补强方法、装置、电子设备及存储介质
CN117910171B (zh) * 2024-03-19 2024-05-28 季华实验室 下模随型筋补强方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN113705478B (zh) 一种基于改进YOLOv5的红树林单木目标检测方法
RU2680765C1 (ru) Автоматизированное определение и обрезка неоднозначного контура документа на изображении
CN109977191B (zh) 问题地图检测方法、装置、电子设备和介质
US7027651B2 (en) Geometric hashing method for model-based recognition of an object
CN116188475B (zh) 一种外观缺陷自动光学检测的智慧控制方法、系统及介质
CN114549513A (zh) 零件识别方法、装置、质检方法、电子设备及存储介质
CN111353549B (zh) 图像标签的核验方法及装置、电子设备、存储介质
CN113111844B (zh) 一种作业姿态评估方法、装置、本地终端及可读存储介质
CN112613553B (zh) 图片样本集生成方法、装置、计算机设备和存储介质
CN110057828A (zh) 一种基于机器视觉的表面检测方法及系统
CN113822247A (zh) 基于航拍影像的违章建筑识别方法及系统
CN114092474B (zh) 一种手机外壳复杂纹理背景的加工缺陷检测方法及系统
CN113608378A (zh) 一种基于lcd制程的全自动缺陷检测方法和系统
CN116343228A (zh) 一种水表智能读数方法及系统
CN115599844A (zh) 一种飞机翼面连接件错装漏装可视化检测方法
CN115147363A (zh) 一种基于深度学习算法的影像缺陷检测和分类方法及系统
CN109145752A (zh) 用于评估对象检测和跟踪算法的方法、装置、设备和介质
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN111178405A (zh) 一种融合多种神经网络的相似物体识别方法
CN116468690B (zh) 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统
WO2007004868A1 (en) Method and apparatus for image characterization
Ward et al. A model-based approach to recovering the structure of a plant from images
CN115937991A (zh) 人体摔倒识别方法、装置、计算机设备及存储介质
CN115588196A (zh) 基于机器视觉的指针型仪表读数方法和装置
CN113643296B (zh) 电感元件装配质量检测方法、装置、电子设备及存储介质

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