CN114708265B - 一种高铁动车组关键部件图像识别检测方法及系统 - Google Patents
一种高铁动车组关键部件图像识别检测方法及系统 Download PDFInfo
- Publication number
- CN114708265B CN114708265B CN202210627624.0A CN202210627624A CN114708265B CN 114708265 B CN114708265 B CN 114708265B CN 202210627624 A CN202210627624 A CN 202210627624A CN 114708265 B CN114708265 B CN 114708265B
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- degrees
- circle
- algorithm
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 230000002146 bilateral effect Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 241001482237 Pica Species 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 241000271559 Dromaiidae Species 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001483 mobilizing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种高铁动车组关键部件图像识别检测方法及系统，图像识别检测方法包括以下步骤：采集零件图像，并进行双边滤波去噪；基于梯度幅值算法和图像分割方法对Canny算法进行改进，用改进后的Canny算法提取零件图像边缘；对霍夫变换算法进行改进，利用改进的霍夫变换算法对零件图像进行检测；采用空间圆投影分割方法对零件图像进行处理。利用改进Canny算法提取零件边缘，基于改进的霍夫变换检测标准圆形零件并获取非标准圆形零件参数，采用空间圆投影分割方法检测非标准圆形零件，可同时实现对标准圆形零件和非标准圆形零件的高精度快速检测，大幅提升对零件的测量测量精度以及提高测量效率。
Description
技术领域
本发明属于高铁动车技术领域，更具体地，涉及一种高铁动车组关键部件图像识别检测方法及系统。
背景技术
随着我国高速铁路大量动车组的上线运行，对动车组在运行可靠性和安全性方面的要求越来越高。其中的关键部件又是动车组最重要的组成部分之一，其运行状态直接影响到列车的行车安全，因此对于高铁动车组关键部件的图像识别与故障检测显得尤为重要。其中对于机械零件圆形尺寸的精确测量也是重要的研究方向，随着对机械零件圆形尺寸的测量精度要求明显提升，传统检测方法也因其测量效率低下，精度易受测量工程师主观影响，只能对大批量零件进行抽样检测等弊端而面临淘汰。设计和开发一种高铁动车组关键部件的图像识别检测方法与系统，实现高铁动车组关键部件的自动识别与故障检测，对提升动车组故障检修工作的精确度、效率与安全性具有重要的实用价值，为列车的安全运行提供了有力的保障。
为解决上述问题，专利CN 111862037 A公开了一种基于机器视觉的精密孔类零件几何特征检测方法，包括：通过工业相机拍摄标定板图像，并根据该标定板图像计算出工业相机的内参和外参，并对标定板图像进行畸变校正；根据校正后的标定板图像中的角点距离计算出像素当量；获取待测精密孔类零件的图像并进行处理；对处理后的待测零件图像进行像素级圆孔轮廓的粗定位和精定位，得到亚像素精度的圆孔直径；依据像素当量和亚像素精度的圆孔直径，得到待测零件的实际尺寸。可以实现图像边缘的亚像素级定位，大大提高精密孔类零件几何特征的检测精度，但是其检测方法并不适用于圆形零件的检测，更无法用于非标准的圆形零件的检测。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种高铁动车组关键部件图像识别检测方法及系统，图像识别检测方法，利用改进Canny算法提取零件边缘，基于改进的霍夫变换检测标准圆形零件并获取非标准圆形零件参数，采用空间圆投影分割方法检测非标准圆形零件，可同时实现对标准圆形零件和非标准圆形零件的高精度快速检测，大幅提升对零件的测量测量精度以及提高测量效率。
为实现上述目的，按照本发明的一方面，提供一种高铁动车组关键部件图像识别检测方法，包括以下步骤：
S100 采集零件图像，并进行双边滤波去噪；
S200基于梯度幅值算法和图像分割方法对Canny算法进行改进，用改进后的Canny算法提取零件图像边缘；
S300对霍夫变换算法进行改进，利用改进的霍夫变换算法对零件图像进行检测；
S400采用空间圆投影分割方法对零件图像进行处理。
进一步地，所述基于梯度幅值算法对Canny算法进行改进包括：
使用Sobel算子的3X3模板来对任意像素的0度、180度，水平、90度、270度，竖直、45度、135度、280度、315度八个方向进行梯度幅值计算；利用绝对值来近似梯度的幅值：
M（x,y）≈|gx|+|gy|
其中：M（x,y）为梯度强度；（x，y）为图中任意一点坐标， f（x，y）为（x ，y）处幅值；gx为梯度偏x方向；gy为梯度偏y方向 ；
在幅值公式中加入新的梯度方向信息，整合如下：
M(x,y,ɑ)=| gxcosɑ|+|gysinɑ|；
g(x,y)=arctan[gx/gy]
其中：M(x,y,ɑ)为加入新的梯度方向信息后的梯度强度；ɑ为方向角度；g(x,y)为梯度方向；gx为梯度偏x方向；gy为梯度偏y方向。
进一步地，所述基于图像分割方法对Canny算法进行改进包括：引入图像分割方法；采用自适应阈值确定方法确定图像二值化的阈值。
进一步地，所述改进后的Canny算法提取零件图像边缘包括以下步骤：
S201：导入双边滤波后的图像；
S202：根据梯度公式
得到梯度幅值和梯度方向，为PicA梯度信息，根据传统Sobel 算子公式
得到图像梯度矢量gx和gy为PicB梯度信息，根据公式
得到梯度方向，最后根据改进公式M(x,y,ɑ)=| gxcosɑ|+|gysinɑ|得到幅值；
其中：M（x,y）为梯度强度；S0、S1、S2、S3、S4、S5、S6、S7分别为0 度、180 度（水平）、90度、270 度（竖直）、45 度、135 度、280 度、315 度八个方向梯度 Sobel 算子；（x ，y）为图中任意一点坐标， f（x，y）为（x ，y）处幅值；ɑ（x，y）为梯度方向；gx为梯度偏x方向；gy为梯度偏y方向；M(x,y,ɑ)为加入新的梯度方向信息后的梯度强度；ɑ为方向角度；
S203：分别对PicA、PicB进行非极大值抑制；
S204：利用OTSU的方法寻找自适应最大阈值，进行双阈值筛选，挑选出边缘点；
S205：输出两幅图像，PicA，PicB的边缘位置信息；
S206：以PicA为基准，以PicB为参照，对PicA进行边缘修补，这样就可以得到连续、准确的边缘。
进一步地，所述改进的霍夫变换算法对零件图像进行检测包括：
S301随机取点并筛选出候选点；
S302基于候选点以及期望值得到候选圆；
S303 以最小二乘拟合算法拟合出圆的实际尺寸，重复S301直至得到所有圆的尺寸。
进一步地，所述S301包括：随机取不在同一直线上的三个点，确定拟合出的圆的参数，再任取一点，如果圆心参数与该点距离在一定阈值之内，保留并继续取点，得到候选点。
进一步地，所述S302包括：将候选点与第一组外轮廓所求的参数圆进行求距离值；设置期望值，统计位于参数圆的候选点点数，若点数多于期望值，得到候选圆。
进一步地，所述S303包括：寻找第一个圆上所有点和计算参数，将在圆1上的所有点标记为数字1，在采样下一个点组和甄别候选点时，取样的点标号全部相同时，便跳过，第二个圆标记为2，以此类推直到找出所有圆。
进一步地，所述空间圆投影分割方法包括：
S401将图中各点及找出的齿轮中心位置进行转换，得到极坐标中对应位置，将齿轮展开；
S402用matlab中的findpeaks函数寻找展开图的顶点，记录下顶点坐标，顶点个数即齿数，顶点纵坐标为顶点到齿轮中心距离；
S403将顶点到齿轮中心距离转换得到齿顶圆半径、齿根圆半径。
按照本发明的另一方面，提供一种高铁动车组关键部件图像识别检测系统，包括：
图像采集模块：包括光源、相机和固定装置，用于采集零件图像；
图像显示与运算模块：显示采集的图像、图像预处理以及图像检测数据，执行图像预处理与检测运算；
图像预处理与检测模块，用于执行所述的方法，调动图像显示与运算模块的运转和对图像采集模块获取图像特征进行提取、识别和增强。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1.本发明的图像识别检测方法，利用改进Canny算法提取零件边缘，基于改进的霍夫变换检测标准圆形零件并获取非标准圆形零件参数，采用空间圆投影分割方法检测非标准圆形零件，可同时实现对标准圆形零件和非标准圆形零件的高精度快速检测，大幅提升对零件的测量测量精度以及提高测量效率。
2.本发明的图像识别检测方法，用改进的Canny算法，运用双边滤波对空间域和灰度域双重加入的特点，解决了高斯滤波模糊边缘导致边缘信息丢失的问题，再利用OTSU分割算法自适应寻找最佳高低阈值，达到抗噪性能好，定位准确，细化程度高，具有自适应性。
3、本发明的图像识别检测方法，在针对标准圆形零件检测时，采用一种基于改进霍夫变换的快速算法，提高了测量速度和精度，实现了对多个圆孔孔径的实时测量。
附图说明
图1为本发明的测量系统工作原理图；
图2为本发明的新梯度幅值算子边缘提取效果图；
图3为本发明的最优阈值分割结果图；
图4为本发明的改进Canny算法进行边缘提取效果图；
图5为本发明的候选点选取原理图；
图6为本发明实施例一种高铁动车组关键部件图像识别检测方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图6所示，本发明实施例提供一种高铁动车组关键部件图像识别检测方法，包括以下步骤：
S100 采集零件图像，并进行双边滤波去噪；
S200基于梯度幅值算法和图像分割方法对Canny算法进行改进，用改进后的Canny算法提取零件图像边缘；
S300对霍夫变换算法进行改进，利用改进的霍夫变换算法对零件图像进行检测；
S400采用空间圆投影分割方法对零件图像进行检测。
具体而言，所述基于梯度幅值算法对Canny算法进行改进包括：使用Sobel算子的3X3模板来对任意像素的0度、180度，水平、90度、270度，竖直、45度、135度、280度、315度八个方向进行梯度幅值计算；利用绝对值来近似梯度的幅值：
M（x,y）≈|gx|+|gy|
其中：M（x,y）为梯度强度；（x，y）为图中任意一点坐标， f（x，y）为（x，y）处幅值；gx为梯度偏x方向；gy为梯度偏y方向 ；
在幅值公式中加入新的梯度方向信息，整合如下：
M(x,y,ɑ)=| gxcosɑ|+|gysinɑ|；
g(x,y)=arctan[gx/gy]
其中：M(x,y,ɑ)为加入新的梯度方向信息后的梯度强度；ɑ为方向角度；g(x,y)为梯度方向；gx为梯度偏x方向；gy为梯度偏y方向。
传统的梯度幅值算法使用的是2X2模板，这种算法边缘定位较为准确，但容易将噪声包含进去，得到伪边缘。虽然在概念上2X2模板简单，但是对于中心对称模板计算没有意义。
传统的算法公式在求解平方根时需要大量计算开销和损失，利用绝对值来近似梯度的幅值，这样不仅在计算上更有吸引力而且仍保持灰度级相对变化。
Canny算子判断边缘的唯一依据是像素点梯度幅值，因为图像中的像素点除了有梯度值的信息以外，还有梯度的方向信息，根据噪声的梯度没有特定方向，边缘点信息的梯度方向一般指向边缘法线的特点，本发明在幅值公式中加入新的梯度方向信息，使用新梯度幅值算子进行边缘提取效果如图2所示。
具体而言，所述基于图像分割方法对Canny算法进行改进包括：引入图像分割方法，采用自适应阈值确定方法-OSTU（最大类间方差法）确定图像二值化的阈值。
图像分割主要是为了减少图像无关细节的影响而增强感兴趣的信息，当把需要的信息分割出来后便停止分割。图像二值化就是将图中所有像素变为只有0和255，即只有黑色和白色，通常选取一个阈值，高于此阈值的像素变为白色，低于此阈值的像素变为黑色，由此可见选取一个合适的阈值对于图像分割效果非常重要。本发明采用一种自适应阈值确定方法-OSTU（最大类间方差法），此方法将图片分为两部分，目标C0和C1。两者之间差别越大，则说明两者之间的类间方差越大，如果取图中最大类间方差时，则此时目标和背景分割效果最好。根据图像变化，自适应选取合适的阈值进行比较提取边缘，如图3所示为最优阈值分割结果。
如图4所示为利用改进后Canny算法得到图像边缘提取，改进后的Canny算法包括如下步骤：
S201：导入双边滤波后的图片；
S202：根据梯度公式
得到梯度幅值和梯度方向，为PicA梯度信息，根据传统Sobel 算子公式
得到图像梯度矢量gx和gy为PicB梯度信息，根据公式
得到梯度方向，最后根据改进公式M(x,y,ɑ)=| gxcosɑ|+|gysinɑ|得到幅值；
其中：M（x,y）为梯度强度；S0、S1、S2、S3、S4、S5、S6、S7分别为0 度、180 度（水平）、90度、270 度（竖直）、45 度、135 度、280 度、315 度八个方向梯度 Sobel 算子；（x ，y）为图中任意一点坐标， f（x，y）为（x ，y）处幅值；ɑ（x，y）为梯度方向；gx为梯度偏x方向；gy为梯度偏y方向；M(x,y,ɑ)为加入新的梯度方向信息后的梯度强度；ɑ为方向角度；
S203：分别对PicA、PicB进行非极大值抑制；
S204：利用OTSU的方法寻找自适应最大阈值，进行双阈值筛选，挑选出边缘点；
S205：输出两幅图像，PicA，PicB的边缘位置信息；
S206：以PicA为基准，以PicB为参照，对PicA进行边缘修补，这样就可以得到连续、准确的边缘。
改进的霍夫变换算法包括如下步骤：
S301随机取点并筛选出候选点；
具体而言，针对图像中存在多个圆，在检测每一个有效圆取点过程中，进行判定，首先随机取不在同一直线上的三个点，（根据已有的传统算法，外轮廓图已经可以考虑不受噪声影响，默认取点就在某一目标圆上）确定该组参数，再任取一点，如果该组拟合出的圆心参数与该点距离在一定阈值之内，则说明，该点近似于在该点组拟合圆上，可能是同一圆上点，保留并继续取点，这些保留下来的点称为候选点。
需要说明的是，在理想情况下，只用找出圆心距离为零的点即可，不需要设置阈值，但是由于数字图像的量化误差，图像也并不是光滑的曲线。因此是不可能计算出的数值刚好为零，如果整数运算，那么误差又会增大，候选点数量增多影响下一步的运算，因此必须设置阈值。
如图5所示，选取候选点时，第一次取点设为点a,b,c，这三个点拟合一个圆，以点d到圆边缘的距离为阈值，明显可以看出，点e到圆边缘的距离小于点d，点e就作为候选点。
S302基于候选点以及期望值得到候选圆；
所述得到候选圆包括如下过程：
将候选点与第一组外轮廓所求的参数圆进行求距离值；设置期望值，统计位于参数圆的候选点点数，若点数多于期望值，得到候选圆。这一步判断是为了防止第一组随机取点取到零件花纹或者内部轮廓上去。
S303 以最小二乘拟合算法拟合出圆的实际尺寸，重复S301直至得到所有圆的尺寸。
S302中得到的候选圆与实际轮廓对比，需要计算的尺寸和显示尺寸并不一样，所以此时并不能把第一组的参数当做实际参数输出，需要在做一个最小二乘拟合出实际尺寸。
根据最小二乘法原理，因为计算机中的操作为像素操作，计算得出的像素值并不是真正的实际像素值大小，为了精确必须应用一步最小二乘拟合的思想,该过程就是寻找第一个圆上所有点和计算参数的步骤，检测完后，将在圆1上的所有点标记为数字1，在采样下一个点组和甄别候选点时，取样的点标号全部相同时，便跳过。第二个圆标记为2，以此类推第n个圆点组标记为n，直到找出所有圆。这样一来减少了累加和比较的步骤，在计算机运算中，比较算法是最为耗时的，传统随机霍夫变换还需要对图中所有点进行比较、累加，然后在进行累加器的大小排序，因此本发明直接省略累加比较过程，大大减小时间又提高了精度。
所述采用空间圆投影分割方法包括：使用最佳拟合圆作为模板，将中心孔遮盖，得到齿轮外轮廓，将坐标转换到极坐标中，将齿轮分割展开，得到齿数、齿顶圆半径及齿根圆半径等零件尺寸参数。具体步骤如下：
S401：将图中各点及找出的齿轮中心位置进行转换，得到极坐标中对应位置，将齿轮展开；
S402：用matlab中的findpeaks函数寻找展开图的顶点，记录下顶点坐标，顶点个数即齿数，顶点纵坐标为顶点到齿轮中心距离；
S403：将顶点到齿轮中心距离转换得到齿顶圆半径、齿根圆半径。
圆投影分割法是建立一个新的极坐标系，根据原坐标系中齿轮边缘上点与中心距离、及其同图像坐标系正向轴之间的夹角这两者之间的映射关系，把齿轮的轮廓曲线投影到新的极坐标系中，然后寻找峰值点，确定峰值点个数和坐标，从而来计算齿轮齿数。最后根据测得的圆的尺寸和齿数实现了圆形标准零件和异性圆形零件尺寸参数的检测。
基于上述实施例，本发明提供一种高铁动车组关键部件图像识别检测系统，包括：
图像采集模块：包括光源、相机和固定装置，用于采集零件图像；
图像显示与运算模块：显示采集的图像、图像预处理以及图像检测数据，执行图像预处理与检测运算；
图像预处理与检测模块，用于执行所述方法，调动图像显示与运算模块的运转和对图像采集模块获取图像特征进行提取、识别和增强。
如图1所示为本系统的零件检测流程，图像采集模块的光源的照射下，相机实现图像采集，并传输至图像预处理与检测模块，图像预处理与检测模块调动图像显示与运算模块的运转和对图像采集模块获取图像特征进行提取、识别和增强，实现零件检测。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种高铁动车组关键部件图像识别检测方法，其特征在于，包括以下步骤：
S100 采集零件图像，并进行双边滤波去噪；
S200基于梯度幅值算法和图像分割方法对Canny算法进行改进，用改进后的Canny算法提取零件图像边缘；
所述基于梯度幅值算法对Canny算法进行改进包括：
使用Sobel算子的3X3模板来对任意像素的0度、180度，水平、90度、270度，竖直、45度、135度、280度、315度八个方向进行梯度幅值计算；利用绝对值来近似梯度的幅值：
M（x,y）≈|gx|+|gy|
其中：M（x,y）为梯度强度；（x，y）为图中任意一点坐标；gx为梯度偏x方向；gy为梯度偏y方向 ；
在幅值公式中加入新的梯度方向信息，整合如下：
M(x,y,ɑ)=| gxcosɑ|+|gysinɑ|；
g(x,y)=arctan[gx/gy]
其中：M(x,y,ɑ)为加入新的梯度方向信息后的梯度强度；ɑ为方向角度；g(x,y)为梯度方向；gx为梯度偏x方向；gy为梯度偏y方向；
S300对霍夫变换算法进行改进，利用改进的霍夫变换算法对S200处理后的零件图像进行检测；
S400采用空间圆投影分割方法对S200处理后的零件图像进行处理。
2.如权利要求1所述的高铁动车组关键部件图像识别检测方法，其特征在于，所述基于图像分割方法对Canny算法进行改进包括：引入图像分割方法；采用自适应阈值确定方法确定图像二值化的阈值。
3.如权利要求2所述的高铁动车组关键部件图像识别检测方法，其特征在于，所述改进后的Canny算法提取零件图像边缘包括以下步骤：
S201：导入双边滤波后的图像；
S202：根据梯度公式
得到梯度幅值和梯度方向，为PicA梯度信息，根据传统Sobel 算子公式
得到图像梯度矢量gx和gy，为PicB梯度信息，根据公式
得到梯度方向，最后根据改进公式M(x,y,ɑ)=|gxcosɑ|+|gysinɑ|得到幅值；
其中：M（x,y）为梯度强度；S0、S1、S2、S3、S4、S5、S6、S7分别为0 度、180 度，水平、90 度、270 度，竖直、45 度、135 度、280 度、315 度八个方向梯度 Sobel 算子；（x ，y）为图中任意一点坐标， f（x，y）为（x ，y）处幅值；ɑ（x，y）为梯度方向；gx为梯度偏x方向；gy为梯度偏y方向；M(x,y,ɑ)为加入新的梯度方向信息后的梯度强度；ɑ为方向角度；
S203：分别对PicA、PicB进行非极大值抑制；
S204：利用OTSU的方法寻找自适应最大阈值，进行双阈值筛选，挑选出边缘点；
S205：输出两幅图像，PicA，PicB的边缘位置信息；
S206：以PicA为基准，以PicB为参照，对PicA进行边缘修补，这样就可以得到连续、准确的边缘。
4.如权利要求1-3任一项所述的高铁动车组关键部件图像识别检测方法，其特征在于，所述改进的霍夫变换算法对零件图像进行检测包括：
S301随机取点并筛选出候选点；
S302基于候选点以及期望值得到候选圆；
S303 以最小二乘拟合算法拟合出圆的实际尺寸，重复S301直至得到所有圆的尺寸。
5.如权利要求4所述的高铁动车组关键部件图像识别检测方法，其特征在于，所述S301包括：随机取不在同一直线上的三个点，确定拟合出的圆的参数，再任取一点，如果圆心参数与该点距离在一定阈值之内，保留并继续取点，得到候选点。
6.如权利要求5所述的高铁动车组关键部件图像识别检测方法，其特征在于，所述S302包括：将候选点与第一组外轮廓所求的参数圆进行求距离值；设置期望值，统计位于参数圆的候选点点数，若点数多于期望值，得到候选圆。
7.如权利要求6所述的高铁动车组关键部件图像识别检测方法，其特征在于，所述S303包括：寻找第一个圆上所有点和计算参数，将在圆1上的所有点标记为数字1，在采样下一个点组和甄别候选点时，取样的点标号全部相同时，便跳过，第二个圆标记为2，以此类推直到找出所有圆。
8.如权利要求7所述的高铁动车组关键部件图像识别检测方法，其特征在于，所述空间圆投影分割方法包括：
S401将图中各点及找出的齿轮中心位置进行转换，得到极坐标中对应位置，将齿轮展开；
S402用matlab中的findpeaks函数寻找展开图的顶点，记录下顶点坐标，顶点个数即齿数，顶点纵坐标为顶点到齿轮中心距离；
S403将顶点到齿轮中心距离转换得到齿顶圆半径、齿根圆半径。
9.一种高铁动车组关键部件图像识别检测系统，其特征在于，包括：
图像采集模块：包括光源、相机和固定装置，用于采集零件图像；
图像显示与运算模块：显示采集的图像、图像预处理以及图像检测数据，执行图像预处理与检测运算；
图像预处理与检测模块，用于执行权利要求1-8任一项所述的方法，调动图像显示与运算模块的运转和对图像采集模块获取图像特征进行提取、识别和增强。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210627624.0A CN114708265B (zh) | 2022-06-06 | 2022-06-06 | 一种高铁动车组关键部件图像识别检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210627624.0A CN114708265B (zh) | 2022-06-06 | 2022-06-06 | 一种高铁动车组关键部件图像识别检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114708265A CN114708265A (zh) | 2022-07-05 |
| CN114708265B true CN114708265B (zh) | 2022-08-23 |
Family
ID=82177852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210627624.0A Active CN114708265B (zh) | 2022-06-06 | 2022-06-06 | 一种高铁动车组关键部件图像识别检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114708265B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111578838A (zh) * | 2020-05-25 | 2020-08-25 | 安徽工业大学 | 一种齿轮尺寸视觉测量装置及测量方法 |
| 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 |
| CN112132886A (zh) * | 2020-09-30 | 2020-12-25 | 哈尔滨理工大学 | 一种航空零件圆孔圆心快速定位及圆度检测方法 |
| CN114494045A (zh) * | 2022-01-10 | 2022-05-13 | 南京工大数控科技有限公司 | 一种基于机器视觉的大型直齿轮几何参数测量系统及方法 |
| CN114549403A (zh) * | 2022-01-07 | 2022-05-27 | 中国地质大学（武汉） | 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10275888B2 (en) * | 2016-09-16 | 2019-04-30 | Oracle International Corporation | Algorithmic method for detection of documents in images |
-
2022
- 2022-06-06 CN CN202210627624.0A patent/CN114708265B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111578838A (zh) * | 2020-05-25 | 2020-08-25 | 安徽工业大学 | 一种齿轮尺寸视觉测量装置及测量方法 |
| 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 |
| CN112132886A (zh) * | 2020-09-30 | 2020-12-25 | 哈尔滨理工大学 | 一种航空零件圆孔圆心快速定位及圆度检测方法 |
| CN114549403A (zh) * | 2022-01-07 | 2022-05-27 | 中国地质大学（武汉） | 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 |
| CN114494045A (zh) * | 2022-01-10 | 2022-05-13 | 南京工大数控科技有限公司 | 一种基于机器视觉的大型直齿轮几何参数测量系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于亚像素的圆孔几何参数立体视觉高精度测量;徐博等;《航空计算技术》;20080515(第03期);全文 * |
| 基于图像识别的齿轮尺寸测量研究;熊文豪等;《现代制造工程》;20200318(第03期);第116-120页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114708265A (zh) | 2022-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
| CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
| CN107203973B (zh) | 一种三维激光扫描系统中线激光中心的亚像素定位方法 | |
| CN108918526B (zh) | 一种柔性ic封装基板线路的缺口缺陷检测方法 | |
| CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
| CN110569857B (zh) | 一种基于质心距离计算的图像轮廓角点检测方法 | |
| CN108007388A (zh) | 一种基于机器视觉的转盘角度高精度在线测量方法 | |
| CN106407924A (zh) | 基于路面特征的双目道路识别检测方法 | |
| CN110378957B (zh) | 面向冶金作业的鱼雷罐车视觉识别与定位方法及其系统 | |
| CN107564006B (zh) | 一种利用Hough变换的圆形目标检测方法 | |
| CN111539436B (zh) | 一种基于一字模板匹配的轨道扣件定位方法 | |
| CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
| CN110415296B (zh) | 一种有阴影光照下矩形状电器件的定位方法 | |
| CN104899888A (zh) | 一种基于Legendre矩的图像亚像素边缘检测方法 | |
| CN112233116A (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
| CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
| CN105678737A (zh) | 一种基于Radon变换的数字图像角点检测方法 | |
| CN113793309B (zh) | 一种基于形态学特征的亚像素级椭圆检测方法 | |
| CN114485433A (zh) | 基于伪随机散斑的三维测量系统、方法及装置 | |
| CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
| CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
| CN113408519A (zh) | 一种基于模板旋转匹配的指针仪表读数的方法及系统 | |
| CN113160132A (zh) | 焊缝缺陷图像的检测处理方法及系统 | |
| CN114708265B (zh) | 一种高铁动车组关键部件图像识别检测方法及系统 | |
| CN111178210B (zh) | 一种十字标记的图像识别及对准方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |