CN114897846A - 一种基于机器视觉的点阵目标规律性检测方法 - Google Patents
一种基于机器视觉的点阵目标规律性检测方法 Download PDFInfo
- Publication number
- CN114897846A CN114897846A CN202210551450.4A CN202210551450A CN114897846A CN 114897846 A CN114897846 A CN 114897846A CN 202210551450 A CN202210551450 A CN 202210551450A CN 114897846 A CN114897846 A CN 114897846A
- Authority
- CN
- China
- Prior art keywords
- blob
- adjacent
- blobs
- image
- regularity
- 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
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于机器视觉的点阵目标规律性检测方法,其包括以下步骤:1)采用工业相机对点阵目标进行图像采集,获得待检测图像;2)对待检测图像进行Blob分析,获得若干个Blob;3)对每个Blob的尺寸属性信息进行计算及异常判断,和/或对每个Blob的位置属性信息进行计算与异常判断,若有异常,则点阵目标不具有规律性,若无异常,则点阵目标具有规律性。本发明通过图像采集和Blob分析,采用尺寸规律性检测法和/或位置规律性检测法可以自动检测出待检测点阵目标是否具有规律性,若不具有规律性则为不合格产品,从而实现机器替代人工进行自动检测,具有应用范围广、检测速度快、检测稳定性好、精准度高、检测成本低、可长时间工作等优点。
Description
技术领域
本发明属于产品检测技术领域,尤其是涉及一种基于机器视觉的点阵目标规律性检测方法。
背景技术
目前,在诸如LED灯珠或者布匹等点阵目标产品生产过程中,时有发生LED灯珠的错装、漏装等现象,或者出现布匹表面出现瑕疵等问题,导致会有不合格产品产生,有必要对点阵目标产品进行规律性检测,以确保其质量。然而,现有技术中,通常是依靠人工目视进行检测,不仅增加了人工成本和管理成本,而且由于人眼检测的疲劳性和不稳定性,无法保证检测的准确率和效率,人工检测在效率上无法满足现代生产的要求。
因此,急需研究一种检测速度快,准确率高的基于机器视觉的点阵目标规律性检测方法。
发明内容
本发明的目的在于针对现有技术中存在的不足,提供一种设计合理,检测速度快,准确率高的基于机器视觉的点阵目标规律性检测方法。
为了实现上述目的,本发明采用以下技术方案:
本发明基于机器视觉的点阵目标规律性检测方法,其包括以下步骤:
1)采用工业相机对点阵目标进行图像采集,获得待检测图像;
2)对待检测图像进行Blob分析,获得若干个Blob;
3)采用尺寸规律性检测法对每个Blob的尺寸属性信息进行计算及异常判断,和/或采用位置规律性检测法对每个Blob的位置属性信息进行计算与异常判断,若有异常,则点阵目标不具有规律性,若无异常,则点阵目标具有规律性。
作为优选,步骤2)中对待检测图像进行Blob分析的具体步骤为:
2.1)将待检测图像转换为灰度图像进行高斯滤波处理,获得滤波后图像;
2.2)对滤波后图像进行高低灰度阈值的二值化处理,获得二值化图像;
2.3)对二值化图像基于边缘检测算法进行轮廓查找,获得若干个不同的轮廓连通域;
2.4)对若干个轮廓连通域分别采用不同标记进行标记,即得若干个Blob。
作为优选,步骤3)中对每个Blob的尺寸属性信息进行计算及异常判断,其具体步骤为:
3.11)提取每个Blob的尺寸属性信息,尺寸属性信息至少包括最小外接圆半径、面积和周长中的一种以上尺寸属性值;
3.12)将每个Blob的每种尺寸属性值与其他Blob相应尺寸属性值的平均值进行偏差计算,得到偏差值;
3.13)比较偏差值是否在预设的偏差值阈值范围内,若是,则判断为无异常,若否,则判断为有异常。
作为优选,步骤3)中对每个Blob的位置属性信息进行计算与异常判断,其具体步骤为:
3.21)将若干个Blob中除了位于待检测图像四周边缘的Blob以外的其他Blob作为基准Blob;
3.22)对每个基准Blob找到与其邻近的邻近Blob,形成邻近关系集合;
3.23)对所有邻近关系集合分别进行邻近Blob数量计算,并求得中位数;
3.24)比较每个基准Blob的邻近Blob数量与中位数是否一致,若是,则执行步骤3.25),若否,则判断为有异常;
3.25)对比较结果为一致的每个基准Blob与其每个邻近Blob分别进行相对位置信息提取,相对位置信息至少包括角度和距离,并求得每个邻近Blob的平均相对位置信息;
3.26)根据平均相对位置信息,求得每个基准Blob的邻近Blob理论分布范围,并判断每个邻近Blob理论分布范围内是否都存在邻近Blob,若是,则判断为无异常,若否,则判断为有异常。
作为优选,在步骤3.22)中对每个基准Blob找到与其邻近的邻近Blob,其具体步骤为:
3.221)对每个基准Blob通过遍历法找到与其最近的Blob,计算获得两者之间的中心距离L;
3.222)通过预设的比例系数F,求得一个略大于F*L的数值作为搜索半径R;其中,F>1,F*L表示中心距离L与比例系数F的乘积;
3.223)以基准Blob的中心为圆心、以R为半径,从基准Blob的正上方开始,按顺时针方向覆盖搜索,凡是被覆盖到中心点的其他Blob均作为该基准Blob的邻近Blob。
作为优选,步骤3.25)中求得每个邻近Blob的平均相对位置信息的具体步骤为:
3.251)根据公式(1)计算比较结果为一致的所有基准Blob的第j个邻近Blob的平均角度Aj,
Aj=(α1j+α2j+α3j+α4j+……+αnj)/n (1)
其中,n表示比较结果为一致的基准Blob的数量,j表示基准Blob的邻近Blob的序号,n和j均为自然数;
α1j表示第1个比较结果为一致的基准Blob的第j个邻近Blob的角度,
α2j表示第2个比较结果为一致的基准Blob的第j个邻近Blob的角度,
α3j表示第3个比较结果为一致的基准Blob的第j个邻近Blob的角度,
α4j表示第4个比较结果为一致的基准Blob的第j个邻近Blob的角度,
αnj表示第n个比较结果为一致的基准Blob的第j个邻近Blob的角度;
3.252)根据公式(2)计算比较结果为一致的所有基准Blob的第j个邻近Blob的平均距离Dj,
Dj=(L1j+L2j+L3j+L4j+……+Lnj)/n (2)
其中,
L1j表示第1个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离,
L2j表示第2个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离,
L3j表示第3个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离,
L4j表示第4个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离,
Lnj表示第n个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离;
3.253)按照步骤3.251)和步骤3.252),计算所有邻近Blob的平均角度和平均距离,从而求得每个邻近Blob的平均相对位置信息。
作为优选,在步骤3.26)中,求得每个基准Blob的邻近Blob理论分布范围,其方法为:
以每个基准Blob的中心为基准点,在其周围设定数量与中位数相等的J个邻近Blob理论范围,每个邻近Blob理论范围均根据相应的平均相对位置信息确定其圆心位置,并以预设的容差阈值作为半径。
本发明还提供一种如上述任一项所述的基于机器视觉的点阵目标规律性检测方法,其应用于LED灯珠检测或者布匹检测。
本发明采用以上技术方案,与现有技术相比,本发明基于机器视觉的点阵目标规律性检测方法通过采用工业相机对点阵目标进行图像采集,以便采用机器对待检测图像进行Blob分析,并且可以采用尺寸规律性检测法对每个Blob的尺寸属性信息进行计算及异常判断,和/或采用位置规律性检测法对每个Blob的位置属性信息进行计算与异常判断,可以自动检测出待检测点阵目标是否具有规律性,若有异常,则点阵目标不具有规律性,为不合格产品。本发明实现了机器替代人工进行自动检测,能够节约人工成本,减少了人为影响,具有应用范围广、检测速度快、检测稳定性好、精准度高、检测成本低、可长时间工作等优点。
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,现针对附图进行如下说明:
图1为本发明基于机器视觉的点阵目标规律性检测方法的流程框图;
图2为本发明步骤3.22)中基准Blob找到与其邻近的邻近Blob的示意图;
图3为本发明步骤3.25)中第j个邻近Blob的平均相对位置信息的示意图;
图4为本发明步骤3.26)中基准Blob的邻近Blob理论分布范围的示意图;
图5为本发明步骤3.26)中通过邻近Blob理论分布范围判断是否存在邻近Blob的一种实施例示意图。
具体实施方式
以下所描述的实施例仅是本发明一部分实施例,并不代表与本发明相一致的所有实施例。现结合附图,对示例性实施例进行如下说明:
如图1-5之一所示,本发明基于机器视觉的点阵目标规律性检测方法,其包括以下步骤:
1)采用工业相机对点阵目标进行图像采集,获得待检测图像;
2)对待检测图像进行Blob分析,获得若干个Blob;
3)采用尺寸规律性检测法对每个Blob的尺寸属性信息进行计算及异常判断,和/或采用位置规律性检测法对每个Blob的位置属性信息进行计算与异常判断,若有异常,则点阵目标不具有规律性,若无异常,则点阵目标具有规律性。
较佳的,步骤2)中对待检测图像进行Blob分析的具体步骤为:
2.1)将待检测图像转换为灰度图像进行高斯滤波处理,获得滤波后图像;
2.2)对滤波后图像进行高低灰度阈值的二值化处理,获得二值化图像;
2.3)对二值化图像基于边缘检测算法进行轮廓查找,获得若干个不同的轮廓连通域;
2.4)对若干个轮廓连通域分别采用不同标记进行标记,即得若干个Blob。
实施例1
作为一种优选的实施方式,本发明基于机器视觉的点阵目标规律性检测方法,其包括以下步骤:
1)采用工业相机对点阵目标进行图像采集,获得待检测图像;
2)对待检测图像进行Blob分析,获得若干个Blob;
3)采用尺寸规律性检测法对每个Blob的尺寸属性信息进行计算及异常判断,若有异常,则点阵目标不具有规律性,若无异常,则点阵目标具有规律性;
其中,对每个Blob的尺寸属性信息进行计算及异常判断的具体步骤为:
3.11)提取每个Blob的尺寸属性信息,尺寸属性信息至少包括最小外接圆半径、面积和周长中的一种以上尺寸属性值;
3.12)将每个Blob的每种尺寸属性值与其他Blob相应尺寸属性值的平均值进行偏差计算,得到偏差值;
3.13)比较偏差值是否在预设的偏差值阈值范围内,若是,则判断为无异常,若否,则判断为有异常。
实施例2
作为另一种优选的实施方式,本发明基于机器视觉的点阵目标规律性检测方法,其包括以下步骤:
1)采用工业相机对点阵目标进行图像采集,获得待检测图像;
2)对待检测图像进行Blob分析,获得若干个Blob:
3)采用位置规律性检测法对每个Blob的位置属性信息进行计算与异常判断,若有异常,则点阵目标不具有规律性,若无异常,则点阵目标具有规律性;
其中,对每个Blob的位置属性信息进行计算与异常判断的具体步骤为:
3.21)将若干个Blob中除了位于待检测图像四周边缘的Blob以外的其他Blob作为基准Blob;
3.22)对每个基准Blob找到与其邻近的邻近Blob,形成邻近关系集合;
3.23)对所有邻近关系集合分别进行邻近Blob数量计算,并求得中位数;
3.24)比较每个基准Blob的邻近Blob数量与中位数是否一致,若是,则执行步骤3.25),若否,则判断为有异常;
3.25)对比较结果为一致的每个基准Blob与其每个邻近Blob分别进行相对位置信息提取,相对位置信息至少包括角度和距离,并求得每个邻近Blob的平均相对位置信息;
3.26)根据平均相对位置信息,求得每个基准Blob的邻近Blob理论分布范围,并判断每个邻近Blob理论分布范围内是否都存在邻近Blob,若是,则判断为无异常,若否,则判断为有异常。
需要说明的是,本发明上述实施例1和实施例2既可以分开进行单独应用,也可以同时进行联合应用。
如图2所示,作为一种优选的实施方式,在上述实施例2的基础上,步骤3.22)中对每个基准Blob找到与其邻近的邻近Blob的具体步骤为:
3.221)对每个基准Blob通过遍历法找到与其最近的Blob,计算获得两者之间的中心距离L;
3.222)通过预设的比例系数F,求得一个略大于F*L的数值作为搜索半径R;其中,F>1,F*L表示中心距离L与比例系数F的乘积;
3.223)以基准Blob的中心为圆心、以R为半径,从基准Blob的正上方开始,按顺时针方向覆盖搜索,凡是被覆盖到中心点的其他Blob均作为该基准Blob的邻近Blob。
作为一种优选的实施方式,在上述实施例2的基础上,步骤3.24)比较每个基准Blob的邻近Blob数量与中位数是否一致,若否,说明基准Blob存在邻近Blob偏多或者偏少的现象,则判断为有异常;中位数J,代表其中一个规律,即合格的一个基准Blob,其周围会围绕J个邻近Blob。
如图3所示,作为一种优选的实施方式,在上述实施例2的基础上,步骤3.25)中求得每个邻近Blob的平均相对位置信息的具体步骤为:
3.251)根据公式(1)计算比较结果为一致的所有基准Blob的第j个邻近Blob的平均角度Aj,
Aj=(α1j+α2j+α3j+α4j+……+αnj)/n (1)
其中,n表示比较结果为一致的基准Blob的数量,j表示基准Blob的邻近Blob的序号,n和j均为自然数;
α1j表示第1个比较结果为一致的基准Blob的第j个邻近Blob的角度,
α2j表示第2个比较结果为一致的基准Blob的第j个邻近Blob的角度,
α3j表示第3个比较结果为一致的基准Blob的第j个邻近Blob的角度,
α4j表示第4个比较结果为一致的基准Blob的第j个邻近Blob的角度,
αnj表示第n个比较结果为一致的基准Blob的第j个邻近Blob的角度;
3.252)根据公式(2)计算比较结果为一致的所有基准Blob的第j个邻近Blob的平均距离Dj,
Dj=(L1j+L2j+L3j+L4j+……+Lnj)/n (2)
其中,
L1j表示第1个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离,
L2j表示第2个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离,
L3j表示第3个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离,
L4j表示第4个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离,
Lnj表示第n个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离;
3.253)按照步骤3.251)和步骤3.252),计算所有邻近Blob的平均角度和平均距离,从而求得每个邻近Blob的平均相对位置信息。
其中,平均相对位置信息,代表合格的一个基准Blob,其周围的邻近Blob按规律理论上所在的相对位置。
需要说明的是,在图3中,仅示意了比较结果为一致的基准Blob中的4个基准Blob,以及与其第j个邻近Blob的角度和中心距离,具体的,j=1。
如图4所示,作为一种优选的实施方式,在上述实施例2的基础上,步骤3.26)中求得每个基准Blob的邻近Blob理论分布范围的方法为:
以每个基准Blob的中心为基准点,在其周围设定数量与中位数相等的J个邻近Blob理论范围,每个邻近Blob理论范围均根据相应的平均相对位置信息确定其圆心位置,并以预设的容差阈值作为半径。
如图5所示,在上述实施例2的基础上,图5示意了步骤3.26)中判断每个邻近Blob理论分布范围内是否都存在邻近Blob的一种实施例;在图5中,通过求得的一个基准Blob的6个邻近Blob理论分布范围,来判断该基准Blob的6个邻近Blob理论分布范围内是否都存在有邻近Blob,在本实施例中,其中4个邻近Blob理论分布范围内分别存在有邻近Blob,其余2个邻近Blob理论分布范围内均不存在邻近Blob,因此,判断为有异常。
以上仅为本发明的较佳具体实施例,并不用以限制本发明保护范围;凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验所做的均等变化、修改、替换和变型,皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种基于机器视觉的点阵目标规律性检测方法,其特征在于:其包括以下步骤:
1)采用工业相机对点阵目标进行图像采集,获得待检测图像;
2)对待检测图像进行Blob分析,获得若干个Blob;
3)对每个Blob的尺寸属性信息进行计算及异常判断,和/或对每个Blob的位置属性信息进行计算与异常判断,若有异常,则点阵目标不具有规律性,若无异常,则点阵目标具有规律性。
2.根据权利要求1所述的基于机器视觉的点阵目标规律性检测方法,其特征在于:步骤2)中对待检测图像进行Blob分析的具体步骤为:
2.1)将待检测图像转换为灰度图像进行高斯滤波处理,获得滤波后图像;
2.2)对滤波后图像进行高低灰度阈值的二值化处理,获得二值化图像;
2.3)对二值化图像基于边缘检测算法进行轮廓查找,获得若干个不同的轮廓连通域;
2.4)对若干个轮廓连通域分别采用不同标记进行标记,即得若干个Blob。
3.根据权利要求1所述的基于机器视觉的点阵目标规律性检测方法,其特征在于:步骤3)中对每个Blob的尺寸属性信息进行计算及异常判断的具体步骤为:
3.11)提取每个Blob的尺寸属性信息,尺寸属性信息至少包括最小外接圆半径、面积和周长中的一种以上尺寸属性值;
3.12)将每个Blob的每种尺寸属性值与其他Blob相应尺寸属性值的平均值进行偏差计算,得到偏差值;
3.13)比较偏差值是否在预设的偏差值阈值范围内,若是,则判断为无异常,若否,则判断为有异常。
4.根据权利要求1所述的基于机器视觉的点阵目标规律性检测方法,其特征在于:步骤3)中对每个Blob的位置属性信息进行计算与异常判断的具体步骤为:
3.21)将若干个Blob中除了位于待检测图像四周边缘的Blob以外的其他Blob作为基准Blob;
3.22)对每个基准Blob找到与其邻近的邻近Blob,形成邻近关系集合;
3.23)对所有邻近关系集合分别进行邻近Blob数量计算,并求得中位数;
3.24)比较每个基准Blob的邻近Blob数量与中位数是否一致,若是,则执行步骤3.25),若否,则判断为有异常;
3.25)对比较结果为一致的每个基准Blob与其每个邻近Blob分别进行相对位置信息提取,相对位置信息至少包括角度和距离,并求得每个邻近Blob的平均相对位置信息;
3.26)根据平均相对位置信息,求得每个基准Blob的邻近Blob理论分布范围,并判断每个邻近Blob理论分布范围内是否都存在邻近Blob,若是,则判断为无异常,若否,则判断为有异常。
5.根据权利要求4所述的基于机器视觉的点阵目标规律性检测方法,其特征在于:步骤3.22)中对每个基准Blob找到与其邻近的邻近Blob的具体步骤为:
3.221)对每个基准Blob通过遍历法找到与其最近的Blob,计算获得两者之间的中心距离L;
3.222)通过预设的比例系数F,求得一个略大于F*L的数值作为搜索半径R;
其中,F>1,F*L表示中心距离L与比例系数F的乘积;
3.223)以基准Blob的中心为圆心、以R为半径,从基准Blob的正上方开始,按顺时针方向覆盖搜索,凡是被覆盖到中心点的其他Blob均作为该基准Blob的邻近Blob。
6.根据权利要求4所述的基于机器视觉的点阵目标规律性检测方法,其特征在于:步骤3.25)中求得每个邻近Blob的平均相对位置信息的具体步骤为:
3.251)根据公式(1)计算比较结果为一致的所有基准Blob的第j个邻近Blob的平均角度Aj,
Aj=(α1j+α2j+α3j+α4j+……+αnj)/n (1)
其中,n表示比较结果为一致的基准Blob的数量,j表示基准Blob的邻近Blob的序号,n和j均为自然数;
α1j表示第1个比较结果为一致的基准Blob的第j个邻近Blob的角度,
α2j表示第2个比较结果为一致的基准Blob的第j个邻近Blob的角度,
α3j表示第3个比较结果为一致的基准Blob的第j个邻近Blob的角度,
α4j表示第4个比较结果为一致的基准Blob的第j个邻近Blob的角度,
αnj表示第n个比较结果为一致的基准Blob的第j个邻近Blob的角度;
3.252)根据公式(2)计算比较结果为一致的所有基准Blob的第j个邻近Blob的平均距离Dj,
Dj=(L1j+L2j+L3j+L4j+……+Lnj)/n (2)
其中,
L1j表示第1个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离,
L2j表示第2个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离,
L3j表示第3个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离,
L4j表示第4个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离,
Lnj表示第n个比较结果为一致的基准Blob与其第j个邻近Blob的中心距离;
3.253)按照步骤3.251)和步骤3.252),计算所有邻近Blob的平均角度和平均距离,从而求得每个邻近Blob的平均相对位置信息。
7.根据权利要求4所述的基于机器视觉的点阵目标规律性检测方法,其特征在于:步骤3.26)中求得每个基准Blob的邻近Blob理论分布范围的方法为:
以每个基准Blob的中心为基准点,在其周围设定数量与中位数相等的J个邻近Blob理论范围,每个邻近Blob理论范围均根据相应的平均相对位置信息确定其圆心位置,并以预设的容差阈值作为半径。
8.一种如权利要求1-7之一所述的基于机器视觉的点阵目标规律性检测方法,其应用于LED灯珠检测或者布匹检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210551450.4A CN114897846A (zh) | 2022-05-20 | 2022-05-20 | 一种基于机器视觉的点阵目标规律性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210551450.4A CN114897846A (zh) | 2022-05-20 | 2022-05-20 | 一种基于机器视觉的点阵目标规律性检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897846A true CN114897846A (zh) | 2022-08-12 |
Family
ID=82723919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210551450.4A Pending CN114897846A (zh) | 2022-05-20 | 2022-05-20 | 一种基于机器视觉的点阵目标规律性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897846A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116337868A (zh) * | 2023-02-28 | 2023-06-27 | 靖江安通电子设备有限公司 | 一种表面缺陷检测方法及检测系统 |
-
2022
- 2022-05-20 CN CN202210551450.4A patent/CN114897846A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116337868A (zh) * | 2023-02-28 | 2023-06-27 | 靖江安通电子设备有限公司 | 一种表面缺陷检测方法及检测系统 |
CN116337868B (zh) * | 2023-02-28 | 2023-09-19 | 靖江安通电子设备有限公司 | 一种表面缺陷检测方法及检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
JP6598162B2 (ja) | 線形クラスタリングに基づくマルチタイプのbgaチップの視覚識別方法 | |
CN107941808B (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
CN110751604B (zh) | 一种基于机器视觉的钢管焊缝缺陷在线检测方法 | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN107633502B (zh) | 一种轴孔装配自动对中的靶心识别方法 | |
CN102779279A (zh) | 搅拌摩擦焊弧形纹间距的图像识别方法 | |
CN115345876B (zh) | 一种基于超声图像的螺栓螺纹缺陷检测方法 | |
CN105825169A (zh) | 一种基于道路影像的路面裂缝识别方法 | |
CN114219773B (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
CN114897846A (zh) | 一种基于机器视觉的点阵目标规律性检测方法 | |
CN112150418A (zh) | 一种磁粉探伤智能识别方法 | |
CN105184792B (zh) | 一种圆锯片磨损量在线测量方法 | |
CN115018827A (zh) | 一种建材焊缝质量自动检测方法 | |
CN111665251A (zh) | 一种表面缺陷视觉检测方法 | |
CN114881965A (zh) | 一种基于人工智能和图像处理的木板节子检测方法 | |
CN117085969B (zh) | 人工智能工业视觉检测方法、装置、设备及存储介质 | |
CN105631857B (zh) | 一种光学元件表面的划痕检测方法和装置 | |
CN110516725B (zh) | 基于机器视觉的木板条纹间距和颜色的检测方法 | |
CN112102287B (zh) | 一种基于图像的生球裂纹自动检测与识别方法 | |
CN104259110A (zh) | 一种陶瓷阀芯的检测方法 | |
CN115100197B (zh) | 一种工件磨削加工表面烧伤检测方法 | |
CN104881652A (zh) | 一种基于玉米穗凸性特征的行数自动检测算法 | |
CN114882009A (zh) | 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 | |
CN111257422B (zh) | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
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 |