CN114842375A - 一种基于镜面反射的成组高相似度零件识别方法及系统 - Google Patents
一种基于镜面反射的成组高相似度零件识别方法及系统 Download PDFInfo
- Publication number
- CN114842375A CN114842375A CN202210416239.1A CN202210416239A CN114842375A CN 114842375 A CN114842375 A CN 114842375A CN 202210416239 A CN202210416239 A CN 202210416239A CN 114842375 A CN114842375 A CN 114842375A
- Authority
- CN
- China
- Prior art keywords
- image
- view image
- identified
- group
- top view
- 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 42
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及机器视觉技术领域,公开了一种基于镜面反射的成组高相似度零件识别方法,首先,成组依次放置标准零件,获取标准零件的全局图像,提取标准零件的顶视图像的特征信息,对侧面图像进行预处理生成侧面模板图像,将图像信息保存进零件库中;其次,获取待识别零件的全局图像,进行分割处理,获取待识别零件的顶视图像和侧面图像,提取待识别零件的顶视图像的特征信息,将待识别零件的顶视图像的特征信息和零件库中的零件特征信息进行匹配,输出目标组零件;最后,计算将待识别零件的顶视图像与目标组零件的顶视图像的仿射变换矩阵,确定待识别零件的图号信息。本发明还公开了一种基于镜面反射的成组高相似度零件识别系统。
Description
技术领域
本发明涉及机器视觉技术领域,具体地说,是一种基于镜面反射的成组高相似度零件识别方法及系统,基于成组高相似度零件的特点,首先确定组类再检索组内零件信息进行匹配,既提高了算法的准确性又降低了计算成本。
背景技术
成组技术是将多种零件按其工艺的相似性进行分离并形成零件组,把在同一零件组中生产量小的零件汇集成生产量更大的组,从而使小批量生产获得接近于大批量生产的经济效益。同一组内的零件往往具有外形结构高度相似的特点(如图2所示)。
过去采用人工分拣的方式进行分类识别不仅费时费力,而且受工人经验的影响,难以适应自动化生产的要求。传统机器视觉通过提取图像的轮廓信息和灰度信息等进行特征匹配识别,受到零件结构特征的约束,往往难以将特征区域稳定呈现在视域范围内。采集过多的特征信息又会影响计算效率,从而影响时效性。针对这类成组高相似度的零件,需要一种针对性强、识别准确而高效的识别方法。
目前针对这类零件的识别问题的识别方法提出的有:汪锐等(“CN104596573A-一种采用反射镜辅助毛片测试的方法和装置”)提出通过反射镜辅助的方式,将毛片各方为图像反射至正面,从而通过一个相机快速获取毛片各方位图像,通机器视觉处理检测各种毛片参数并获取分类结果。相比该方法,本发明提供了一种基于镜面反射的成组高相似度零件识别方法及系统,通过分步处理顶视图像与侧面图像,首先确定组类再检索组内零件信息进行匹配,既提高了算法的准确性又降低了计算成本。
发明内容
本发明的目的在于提供一种基于镜面反射的成组高相似度零件识别方法及系统,基于成组高相似度零件的特点,首先确定组类再检索组内零件信息进行匹配,既提高了算法的准确性又降低了计算成本。
本发明通过下述技术方案实现:一种基于镜面反射的成组高相似度零件识别方法,包括以下步骤:
步骤S1.成组依次放置标准零件,获取标准零件的全局图像,对标准零件的全局图像进行分割处理获取标准零件的顶视图像和侧面图像,提取标准零件的顶视图像的特征信息,对侧面图像进行预处理生成侧面模板图像,将上述图像信息保存进零件库中作为零件特征信息;
步骤S2.获取待识别零件的全局图像,对待识别零件的全局图像进行分割处理,获取待识别零件的顶视图像和侧面图像,提取待识别零件的顶视图像的特征信息,将所述待识别零件的顶视图像的特征信息和零件库中的零件特征信息进行匹配,输出目标组零件;
步骤S3.计算将待识别零件的顶视图像与目标组零件的顶视图像的仿射变换矩阵,令待识别零件相对位置与目标零件组的顶视位置一致,重新获取待识别零件的侧面图像,对预处理后的待识别零件的侧面图像在零件库中进行模板匹配计算,确定待识别零件的图号信息。
本发明公开了一种基于镜面反射的成组高相似度零件识别方法及系统,属于机器视觉技术领域,使用机器视觉相关技术,针对成组出现的区分区域难以显示在检测视域内的相似零件,设计使用镜面反射镜进行辅助识别;可移动的反射镜安装于载物平台侧面,可以将待识别零件的侧面图像,反射成像到顶部的工业相机中,从而通过单个工业相机拍摄到包含顶视信息与侧面信息的全局图像;分割全局图像得到顶视图像与侧面图像,通过计算顶视图像中零件的最小包围盒面积以及长宽比信息作为区分每组相似零件的特征信息,保存包含侧面图像和顶视图像的全局图像,预处理后保存作为匹配模板建立零件库;在检测时,通过分割全局图像并计算零件的最小包围盒面积以及长宽比得到零件库中相似度最高的一组目标零件,再计算零件库内顶视图像与实际拍摄顶视图之间的仿射变换矩阵,控制工作台旋转使得零件实际摆放位置与入库位置大致重合,最后拍摄并分割出侧面图像进行模板匹配计算实现组内零件区分,对于区分区域难以显示在检测视域内的成组相似零件具有良好的适用性。
为了更好地实现本发明,进一步地,所述步骤S1包括:
成组依次放置标准零件Pij,使用顶部相机采集标准零件Pij的全局图像Igij,分割出顶视图像Itij和具有区分度的侧面图像Iaij,移动反射镜位置保证具有区分的侧面图像Iaij通过反射镜完整反射至顶部相机,并记录下反光镜移动的位置(xj,yi),提取顶视图像Itij的特征信息Fij,将侧面图像Iaij处理成侧面模板图像Icij并保存至零件库中,循环往复采集全组零件信息,其中,i为当前零件组号,j为组内零件编号,i=1,2,……,m,j=1,2,……,n。
为了更好地实现本发明,进一步地,所述步骤S2包括:
使用顶部相机在线拍摄并分割出待识别零件Pm的顶视图像Imt,提取其特征信息Fm,与零件库中的零件特征信息进行匹配并筛选出相似度最高的目标组零件,并将反射镜移动至该组零件库内对应的位置(xj,yi)。
为了更好地实现本发明,进一步地,所述步骤S3包括:
计算待识别零件Pm顶视图像与目标组零件入库顶视图像的仿射变换矩阵M,通过水平转台调整待识别零件Pm相对位置与目标零件组的顶视位置重合,采集此时全局图像Img2并分割出侧面图像Ima2,再通过对预处理后的侧面图像进行模板匹配计算确定待识别零件Pm的图号信息。
为了更好地实现本发明,进一步地,包括:
步骤a1.在视觉工作平台上放置某一组标准零件Pij,i=1,2,……,m,j=1,2,……,n,使之位于顶部相机的正下方,移动反射镜位置保证具有区分的侧面图像通过反射镜完整反射至顶部相机,同时记录下反射镜移动的中心位置(xj,yj);拍摄标准零件Pij的全局图像Igij,分割出顶视图像Itij并提取顶视图像特征信息Fij,通过提取边缘轮廓将具有区分度的侧面图像Iaij处理成侧面模板图像Icij保存入零件库;
步骤Sa2.重复步骤S1.1,保证组内零件入库位置相同,直至一组内所有相似零件的反光镜位置信息、图像信息与特征信息都存入零件库;
步骤Sa3.构建下一组零件库,直至完成全组零件信息入库。
为了更好地实现本发明,进一步地,包括:
步骤Sb1.放置待识别零件Pm,并将其中心放置在顶部相机光轴下;
步骤Sb2.顶部相机拍摄并分割出待识别零件Pm的顶视图像Imt,预处理后提取待识别零件Pm的最小包围盒面积以及长宽比作为特征信息Fm;
步骤Sb3.计算待识别零件Pm与库内所有零件特征信息的百分比偏差,得到偏差最小的目标零件组Gm。
为了更好地实现本发明,进一步地,包括:
步骤Sc1.从数据库中提取目标零件组Gm的一种零件的顶视图像Imt2,计算其与待识别零件Pm顶视图像Iti之间的仿射变换矩阵M,并将其转换为水平转台的转动角度θ,控制零件旋转至相同的位置,同时控制反射镜运动至入库时的对应位置(xm,ym);
步骤Sc2.拍摄并分割出此时待识别零件Pm侧面图像Ima2,将其与零件库中组内所有标准零件的侧面图像进行模板匹配计算,根据匹配程度的高低,确定待识别零件Pm的图号信息。
为了更好地实现本发明,进一步地,本发明还提供了一种基于镜面反射的成组高相似度零件识别系统,包括检测模块和数字图像处理模块,其中:
检测模块,包括电机、水平转台、环形光源、工业相机和反射镜;用于采集标准零件的全局图像,用于采集待识别零件的全局图像;
数字图像处理模块,用于对标准零件的全局图像进行分割处理获取标准零件的顶视图像和侧面图像,用于对待识别零件的全局图像进行分割处理获取待识别零件的顶视图像和侧面图像;用于根据仿射变换矩阵算法将待识别零件的顶视图像与对应的标准零件的顶视图像相似度计算,确定待识别零件的图号信息;用于图像存储和相关数字图像的计算。
为了更好地实现本发明,进一步地,包括:
反射镜与水平转台依靠电机执行运动,通过电机转动方向、步长与圈数的反馈确定反射镜运动位置与水平转台旋转角度;
环形光源,用于为工业相机提供稳定的拍摄环境,提高图像质量。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明通过反射镜辅助的方式,使用单个工业相机即可获取较为完整的零件特征图形信息,进而保证了分类的精度;
(2)本发明分步处理顶视图像与侧面图像,首先确定组类再检索组内零件信息进行匹配,既提高了算法的准确性又降低了计算成本。
附图说明
本发明结合下面附图和实施例做进一步说明,本发明所有构思创新应视为所公开内容和本发明保护范围。
图1为本发明提供的一种基于镜面反射的成组高相似度零件识别方法的流程示意图;
图2为本发明提供的一种基于镜面反射的成组高相似度零件识别方法中仅在细节处有微小差异的成组相似零件;
图3为本发明提供的一种基于镜面反射的成组高相似度零件识别方法中全局图像分割示意图;
图4为本发明提供的一种基于镜面反射的成组高相似度零件识别方法中旋转前全局图像示意图;
图5为本发明提供的一种基于镜面反射的成组高相似度零件识别方法中旋转后全局图像示意图;
图6为本发明实施例明提供的一种基于镜面反射的成组高相似度零件识别方法中示反射镜辅助立体示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;也可以是直接相连,也可以是通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1:
本实施例的一种基于镜面反射的成组高相似度零件识别方法,如图1所示,在本实施中,具体操作方法为:
1、在视觉工作平台上放置某一组标准零件Pij,i=1,2,……,m,j=1,2,……,n。尽量使之位于相机的正下方,移动反射镜位置保证具有区分的侧面图像通过反射镜完整反射至顶部相机,同时记录下反射镜移动的中心位置(xj,yj);拍摄标准零件Pij的全局图像Igij,分割出顶视图像Itij并提取顶视图像特征信息Fij,通过边缘轮廓提取将具有区分度的侧面图像Iaij保存入零件库;
2、反复进行以上步骤,保证组内零件入库位置大致相同,直至一组内所有相似零件的反光镜位置信息、图像信息与特征信息都存入零件库;接着构建下一组零件库,直至完成全组零件信息入库;
3、放置待测零件,并尽量将其中心放置在相机光轴下;相机拍摄并分割出待识别零件的顶视图像Imt,预处理后提取零件的最小包围盒面积以及长宽比作为特征信息Fm;
4、计算待识别零件与库内所有零件特征信息的百分比偏差,得到偏差最小的目标零件组Gm;
5、由于组内零件入库位置大致相同,从数据库中提取目标零件组Gm的一种零件的顶视图像Imt2,计算其与待识别零件顶视图像Iti之间的仿射变换矩阵M,并将其转换为旋转工作台的转动角度θ,控制零件旋转至相同的位置,同时控制反射镜分别运动至入库时的位置(xm,ym);
6、拍摄并分割出此时待测零件侧面图像Ima2,将其与零件库中组内所有标准零件的侧面图像进行模板匹配计算,根据匹配程度的高低,确定待识别零件的图号信息。
本实施例用机器视觉相关技术,针对成组出现的区分区域难以显示在检测视域内的相似零件,设计使用镜面反射镜进行辅助识别;可移动的反射镜安装于载物平台侧面,可以将待识别零件的侧面图像,反射成像到顶部的工业相机中,从而通过单个工业相机拍摄到包含顶视信息与侧面信息的全局图像;分割全局图像得到顶视图像与侧面图像,通过计算顶视图像中零件的最小包围盒面积以及长宽比信息作为区分每组相似零件的特征信息,保存包含侧面图像和顶视图像的全局图像,预处理后保存作为匹配模板建立零件库;在检测时,通过分割全局图像并计算零件的最小包围盒面积以及长宽比得到零件库中相似度最高的一组目标零件,再计算零件库内顶视图像与实际拍摄顶视图之间的仿射变换矩阵,控制工作台旋转使得零件实际摆放位置与入库位置大致重合,最后拍摄并分割出侧面图像进行模板匹配计算实现组内零件区分,对于区分区域难以显示在检测视域内的成组相似零件具有良好的适用性。
实施例2:
本实施例在实施例1的基础上做进一步优化,在本实施例中,如图2-图3所示,在视觉工作平台上放置某一组标准零件Pij,i=1,2,……,m,j=1,2,……,n。尽量使之位于相机的正下方,移动反射镜位置保证具有区分的侧面图像通过反射镜完整反射至顶部相机,同时记录下反射镜移动的中心位置(xj,yj);拍摄标准零件Pij的全局图像Igij,分割出顶视图像Itij并提取顶视图像特征信息Fij,通过边缘轮廓提取将具有区分度的侧面图像Iaij保存入零件库,分割示例如图3所示;反复进行以上步骤,保证组内零件入库位置大致相同,直至一组内所有相似零件的反光镜位置信息、图像信息与特征信息都存入零件库;接着构建下一组零件库,直至完成全组零件信息入库。
本实施例的其他部分与实施例1相同,故不再赘述。
实施例3:
本实施例在上述实施例1或2的基础上做进一步优化,在本实施例中,零件库信息的提取方法具体包括:
对标准零件全局图像进行高斯滤波去除图像中的噪声点,并进行阈值化处理得到二值化图像;由于相机位置固定,将二值化后的图像按照固定的大小分割,获取包含圆形转台与标准零件的顶视图区域作为顶视图像Itij,通过边缘轮廓提取分割出包含区分特征信息的侧面模板图像ILai;
计算顶视图零件的最小包围盒面积以及长宽比作为特征信息保存至零件库中。
本实施例的其他部分与上述实施例1或2相同,故不再赘述。
实施例4:
本实施例在上述实施例1-3任一项的基础上做进一步优化,在本实施例中,放置待测零件,并尽量将其中心放置在相机光轴下;相机拍摄并分割出待识别零件的顶视图像Imt,预处理后提取零件的最小包围盒面积以及长宽比作为特征信息Fm;计算待识别零件与库内所有零件特征信息的百分比偏差,得到偏差最小的目标零件组Gm。
本实施例的其他部分与上述实施例1-3任一项相同,故不再赘述。
实施例5:
本实施例在上述实施例1-4任一项基础上做进一步优化,在本实施例中,如图4-图5所示,由于组内零件入库位置大致相同,从数据库中提取目标零件组Gm的一种零件的顶视图像Imt2,计算其与待识别零件顶视图像Iti之间的仿射变换矩阵M,并将其转换为旋转工作台的转动角度θ,控制零件旋转至相同的位置,同时控制反射镜分别运动至入库时的位置(xm,ym)。拍摄并分割出此时待测零件侧面图像Ima2,将其与零件库中组内所有标准零件的侧面图像进行模板匹配计算,根据匹配程度的高低,确定待识别零件的图号信息。
本实施例的其他部分与上述实施例1-4任一项相同,故不再赘述。
实施例6:
本实施例在上述实施例1-5任一项基础上做进一步优化,在本实施例中,仿射变换矩阵M使用OpenCV开源库中的仿射变换API计算过程为:
其中α、β表示旋转角度、tx、ty表示平移向量,当零件摆放位置大致位于相机正下方时平移向量可忽略不计。
本实施例的其他部分与上述实施例1-5任一项相同,故不再赘述。
实施例7:
本实施例在上述实施例1-6任一项基础上做进一步优化,在本实施例中,模板匹配算法的实施方法具体为:
待测零件侧面图像Ima2二值化后通过边缘轮廓提取分割出包含区分特征信息的侧面模板图像;分割后的模板图像尺寸小于原尺寸,将模板图像以滑动窗口的形式在候选组Gm内零件所有侧面图像中按一定步长进行滑动,逐步计算模板图像与当前子窗口内候选零件图像区域灰度值相似度,并保存滑动过程中最大的相似度数值,作为待识别零件与当前候选零件的相似度依据,选择相似度较大的候选零件作为识别结果进行输出,完成零件的细粒度识别,输出识别结果。
本实施例的其他部分与上述实施例1-6任一项相同,故不再赘述。
实施例8:
本实施例在上述实施例1-7任一项基础上做进一步优化,在本实施例中,如图6所示,本发明还提供了一种基于镜面反射的成组高相似度零件识别方法及系统,系统包括检测模块和数字图像处理模块,检测模块,包括电机、水平转台、环形光源、工业相机和反射镜;用于采集标准零件的全局图像,用于采集待识别零件的全局图像;数字图像处理模块,用于对标准零件的全局图像进行分割处理获取标准零件的顶视图像和侧面图像,用于对待识别零件的全局图像进行分割处理获取待识别零件的顶视图像和侧面图像;用于根据仿射变换矩阵算法将待识别零件的顶视图像与对应的标准零件的顶视图像相似度计算,确定待识别零件的图号信息;用于图像存储和相关数字图像的计算。
检测模块由反射镜、工业相机、水平转台、电机、环形光源等组成。其中反射镜与水平转台依靠电机执行运动,通过电机转动方向、步长与圈数的反馈确定反射镜运动位置与水平转台旋转角度;环形光源用于为工业相机提供稳定的拍摄环境,提高图像质量;上述部件安装于整体检测平台,如图6所示;计算机软件控制数字图像处理与零件库的使用。
本实施例的其他部分与上述实施例1-7任一项相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (9)
1.一种基于镜面反射的成组高相似度零件识别方法,其特征在于,包括以下步骤:
步骤S1.成组依次放置标准零件,获取标准零件的全局图像,对标准零件的全局图像进行分割处理获取标准零件的顶视图像和侧面图像,提取标准零件的顶视图像的特征信息,对侧面图像进行预处理生成侧面模板图像,将上述图像信息保存进零件库中作为零件特征信息;
步骤S2.获取待识别零件的全局图像,对待识别零件的全局图像进行分割处理,获取待识别零件的顶视图像和侧面图像,提取待识别零件的顶视图像的特征信息,将所述待识别零件的顶视图像的特征信息和零件库中的零件特征信息进行匹配,输出目标组零件;
步骤S3.计算将待识别零件的顶视图像与目标组零件的顶视图像的仿射变换矩阵,令待识别零件相对位置与目标零件组的顶视位置一致,重新获取待识别零件的侧面图像,对预处理后的待识别零件的侧面图像在零件库中进行模板匹配计算,确定待识别零件的图号信息。
2.一种基于镜面反射的成组高相似度零件识别方法,其特征在于,所述步骤S1包括:
成组依次放置标准零件Pij,使用顶部相机采集标准零件Pij的全局图像Igij,分割出顶视图像Itij和具有区分度的侧面图像Iaij,移动反射镜位置保证具有区分的侧面图像Iaij通过反射镜完整反射至顶部相机,并记录下反光镜移动的位置(xj,yi),提取顶视图像Itij的特征信息Fij,将侧面图像Iaij处理成侧面模板图像Icij并保存至零件库中,循环往复采集全组零件信息,其中,i为当前零件组号,j为组内零件编号,i=1,2,……,m,j=1,2,……,n。
3.一种基于镜面反射的成组高相似度零件识别方法,其特征在于,所述步骤S2包括:
使用顶部相机在线拍摄并分割出待识别零件Pm的顶视图像Imt,提取其特征信息Fm,与零件库中的零件特征信息进行匹配并筛选出相似度最高的目标组零件,并将反射镜移动至该组零件库内对应的位置(xj,yi)。
4.一种基于镜面反射的成组高相似度零件识别方法,其特征在于,所述步骤S3包括:
计算待识别零件Pm顶视图像与目标组零件入库顶视图像的仿射变换矩阵M,通过水平转台调整待识别零件Pm相对位置与目标零件组的顶视位置重合,采集此时全局图像Img2并分割出侧面图像Ima2,再通过对预处理后的侧面图像进行模板匹配计算确定待识别零件Pm的图号信息。
5.根据权利要求2所述的一种基于镜面反射的成组高相似度零件识别方法,其特征在于,包括:
步骤a1.在视觉工作平台上放置某一组标准零件Pij,i=1,2,……,m,j=1,2,……,n,使之位于顶部相机的正下方,移动反射镜位置保证具有区分的侧面图像通过反射镜完整反射至顶部相机,同时记录下反射镜移动的中心位置(xj,yj);拍摄标准零件Pij的全局图像Igij,分割出顶视图像Itij并提取顶视图像特征信息Fij,通过提取边缘轮廓将具有区分度的侧面图像Iaij处理成侧面模板图像Icij保存入零件库;
步骤Sa2.重复步骤S1.1,保证组内零件入库位置相同,直至一组内所有相似零件的反光镜位置信息、图像信息与特征信息都存入零件库;
步骤Sa3.构建下一组零件库,直至完成全组零件信息入库。
6.根据权利要求3所述的一种基于镜面反射的成组高相似度零件识别方法,其特征在于,包括:
步骤Sb1.放置待识别零件Pm,并将其中心放置在顶部相机光轴下;
步骤Sb2.顶部相机拍摄并分割出待识别零件Pm的顶视图像Imt,预处理后提取待识别零件Pm的最小包围盒面积以及长宽比作为特征信息Fm;
步骤Sb3.计算待识别零件Pm与库内所有零件特征信息的百分比偏差,得到偏差最小的目标零件组Gm。
7.根据权利要求4所述的一种基于镜面反射的成组高相似度零件识别方法,其特征在于,包括:
步骤Sc1.从数据库中提取目标零件组Gm的一种零件的顶视图像Imt2,计算其与待识别零件Pm顶视图像Iti之间的仿射变换矩阵M,并将其转换为水平转台的转动角度θ,控制零件旋转至相同的位置,同时控制反射镜运动至入库时的对应位置(xm,ym);
步骤Sc2.拍摄并分割出此时待识别零件Pm侧面图像Ima2,将其与零件库中组内所有标准零件的侧面图像进行模板匹配计算,根据匹配程度的高低,确定待识别零件Pm的图号信息。
8.一种基于镜面反射的成组高相似度零件识别系统,其特征在于,包括检测模块和数字图像处理模块,其中:
检测模块,包括电机、水平转台、环形光源、工业相机和反射镜;用于采集标准零件的全局图像,用于采集待识别零件的全局图像;
数字图像处理模块,用于对标准零件的全局图像进行分割处理获取标准零件的顶视图像和侧面图像,用于对待识别零件的全局图像进行分割处理获取待识别零件的顶视图像和侧面图像;用于根据仿射变换矩阵算法将待识别零件的顶视图像与对应的标准零件的顶视图像相似度计算,确定待识别零件的图号信息;用于图像存储和相关数字图像的计算。
9.根据权利要求8所述的一种基于双面拍摄的对称相似零件识别系统,其特征在于,包括:反射镜与水平转台依靠电机执行运动,通过电机转动方向、步长与圈数的反馈确定反射镜运动位置与水平转台旋转角度;
环形光源,用于为工业相机提供稳定的拍摄环境,提高图像质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210416239.1A CN114842375A (zh) | 2022-04-20 | 2022-04-20 | 一种基于镜面反射的成组高相似度零件识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210416239.1A CN114842375A (zh) | 2022-04-20 | 2022-04-20 | 一种基于镜面反射的成组高相似度零件识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114842375A true CN114842375A (zh) | 2022-08-02 |
Family
ID=82566547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210416239.1A Pending CN114842375A (zh) | 2022-04-20 | 2022-04-20 | 一种基于镜面反射的成组高相似度零件识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842375A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004093973A (ja) * | 2002-08-30 | 2004-03-25 | Sharp Corp | 全方位視覚システムおよび中心座標検出方法 |
CN104596573A (zh) * | 2014-10-26 | 2015-05-06 | 汪锐 | 一种采用反射镜辅助毛片测试的方法和装置 |
CN104616104A (zh) * | 2015-01-30 | 2015-05-13 | 江苏科技大学 | 船用柴油机零件快速编码管理系统及管理方法 |
CN112488207A (zh) * | 2020-12-02 | 2021-03-12 | 江苏科技大学 | 一种基于仿真图像的高相似度零件视觉识别方法及系统 |
CN113408643A (zh) * | 2021-06-30 | 2021-09-17 | 成都飞机工业(集团)有限责任公司 | 一种基于示教机器人辅助的钣金件识别方法 |
-
2022
- 2022-04-20 CN CN202210416239.1A patent/CN114842375A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004093973A (ja) * | 2002-08-30 | 2004-03-25 | Sharp Corp | 全方位視覚システムおよび中心座標検出方法 |
CN104596573A (zh) * | 2014-10-26 | 2015-05-06 | 汪锐 | 一种采用反射镜辅助毛片测试的方法和装置 |
CN104616104A (zh) * | 2015-01-30 | 2015-05-13 | 江苏科技大学 | 船用柴油机零件快速编码管理系统及管理方法 |
CN112488207A (zh) * | 2020-12-02 | 2021-03-12 | 江苏科技大学 | 一种基于仿真图像的高相似度零件视觉识别方法及系统 |
CN113408643A (zh) * | 2021-06-30 | 2021-09-17 | 成都飞机工业(集团)有限责任公司 | 一种基于示教机器人辅助的钣金件识别方法 |
Non-Patent Citations (2)
Title |
---|
XIANG BAI等: "Detection and recognition of contour parts based on shape similarity", 《PATTERN RECOGNITION》, vol. 41, no. 07, 31 July 2008 (2008-07-31), pages 2189 - 2199, XP022594763 * |
王鹏等: "基于航空结构件制造特征的CAPP系统的检索算法研究", 《航空工程进展》, vol. 09, no. 01, 18 February 2018 (2018-02-18), pages 131 - 138 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520274B (zh) | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 | |
CN113393426B (zh) | 一种轧钢板表面缺陷检测方法 | |
CN111178190B (zh) | 基于深度图像的目标检测方法、装置及存储介质 | |
CN105184225B (zh) | 一种多国纸币图像识别方法和装置 | |
CN114743259A (zh) | 位姿估计方法、位姿估计系统、终端、存储介质及应用 | |
CN109101976B (zh) | 一种灭弧栅片表面缺陷的检测方法 | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN115830359A (zh) | 复杂场景下基于目标检测和模板匹配的工件识别计数方法 | |
CN112329880A (zh) | 一种基于相似性度量和几何特征的模板快速匹配方法 | |
Guo et al. | Machine vision-based intelligent manufacturing using a novel dual-template matching: a case study for lithium battery positioning | |
CN113947576A (zh) | 容器定位方法、装置、容器存取设备及存储介质 | |
CN117195928B (zh) | 一种基于深度学习的条码定位检测方法 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN114842375A (zh) | 一种基于镜面反射的成组高相似度零件识别方法及系统 | |
CN116863463A (zh) | 一种鸡蛋流水线快速识别计数方法 | |
Kottari et al. | Real time vision-based measurements for quality control of industrial rods on a moving conveyor | |
CN108037503B (zh) | 一种面向家居板材上下料的基于激光雷达的平面多板材定位方法 | |
CN114187269B (zh) | 小零器件表面缺陷边缘快速检测方法 | |
CN114782535A (zh) | 工件位姿识别方法、装置、计算机设备及存储介质 | |
CN114264236A (zh) | 基于机器视觉的工件几何尺寸自动化检测方法及系统 | |
CN118135179B (zh) | 切割板件的级联识别方法、装置、计算机设备和存储介质 | |
CN111951287A (zh) | 一种二维码检测和识读方法 | |
CN116740549B (zh) | 车辆零件识别方法及系统 | |
CN118261874B (zh) | 基于图像分割大模型和多元高阶回归拟合的鱼竿钓性分析方法 | |
CN112767304B (zh) | 一种基于视觉的太阳花模组位置和方向检测方法 |
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 |