CN115096206B - 一种基于机器视觉的零件尺寸高精度测量方法 - Google Patents
一种基于机器视觉的零件尺寸高精度测量方法 Download PDFInfo
- Publication number
- CN115096206B CN115096206B CN202210544236.6A CN202210544236A CN115096206B CN 115096206 B CN115096206 B CN 115096206B CN 202210544236 A CN202210544236 A CN 202210544236A CN 115096206 B CN115096206 B CN 115096206B
- Authority
- CN
- China
- Prior art keywords
- pixel
- boundary
- gradient
- size
- precision
- 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
- 238000000691 measurement method Methods 0.000 title claims description 4
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000003708 edge detection Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 24
- 238000010586 diagram Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06T7/0002—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
- G06T7/13—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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的零件尺寸高精度测量方法，通过改进Canny像素级算法提取零件的几何要素特征来满足亚像素级别的高精度边缘检测的需求，经过数字图像处理、轮廓特征提取和区域特征提取后，通过编写的边缘链接算法对边缘进行处理，再对轮廓进行准确拟合。随后，通过绘制最小外接矩形对零件的整体尺寸进行测量，基于Harris角点检测算法找到特征点位置并获得坐标，可以实现零件指定位置的测量。最终根据模型库里已经标定的标准将零件的像素尺寸转换为实际尺寸，从而实现对零件尺寸的高精度测量任务。本发明可以有效提高后期测量精度，可以实现自由度较高的测量任务。
Description
技术领域
本发明属于机器视觉技术领域，具体涉及一种零件尺寸高精度测量方法。
背景技术
在机械制造过程中，对零件的尺寸进行测量是组织互换性生产必不可少的一步，即对零件几何参数(长度、角度、表面粗糙度、几何形状和相互位置等)进行测量和检验。在传统行业中，零件尺寸的检测仍处于人工检测的阶段，受工人个人因素的影响，效率和质量难以保证，传统的人工检查方法已不能满足行业需求。基于机器视觉的检测方法得到广泛应用，硬件系统的精度不断提高，各种新的检测算法层出不穷，并被广泛应用于视觉测量等领域，且取得了巨大的成功。
近年来，视觉测量技术已取得了较大的发展，但其仍是一个挑战性问题，其难点主要在于如何高精度、高效率且实时的完成尺寸的测量。目前，研究人员主要从硬件系统和软件系统两个方面进行研究与改进。对于硬件系统，研究者们研发了各种高精密的运动平台，选用高分辨率相机和畸变小的镜头以及超精细传感器，但其研发成本相对较高。对于软件系统，目前国内外学者致力于研究尺寸测量算法，但大多数先进的算法都是被运用到检测复杂的自然场景下图像的边缘检测，对于工业背景下的零件尺寸检测仍处于试验性阶段。应用在零件尺寸测量的算法仍具有一定的局限性，对于一些边缘缺陷的处理效果尚不理想，难以满足高精度测量的要求。
对于一个高精度机器视觉系统来说，若它可精确定位边缘，则意味着对于任何已知尺寸的被测物，都可以根据其影像和标定的结果，得到精确的实际尺寸。因此，零件视觉测量算法研究的难点主要体现在边缘检测算法方面，改进图像边缘检测算法是提高零件视觉测量精度与效率的关键。
发明内容
为了克服现有技术的不足，本发明提供了一种基于机器视觉的零件尺寸高精度测量方法，通过改进Canny像素级算法提取零件的几何要素特征来满足亚像素级别的高精度边缘检测的需求，经过数字图像处理、轮廓特征提取和区域特征提取后，通过编写的边缘链接算法对边缘进行处理，再对轮廓进行准确拟合。随后，通过绘制最小外接矩形对零件的整体尺寸进行测量，基于Harris角点检测算法找到特征点位置并获得坐标，可以实现零件指定位置的测量。最终根据模型库里已经标定的标准将零件的像素尺寸转换为实际尺寸，从而实现对零件尺寸的高精度测量任务。本发明可以有效提高后期测量精度，可以实现自由度较高的测量任务。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1：采集待检测的零件原始图像；
步骤2：亚像素级边缘检测；
步骤2-1：对零件原始图像进行灰度化处理；
步骤2-2：再用高斯滤波器平滑图像；
步骤2-3：计算梯度幅值和方向；
使用Sobel算子计算平滑后的图像中每个像素点的梯度；
所述Sobel算子是一个3x3的矩阵，称为卷积核，通过计算图像中每个像素及其周围8个像素与卷积核的卷积，得到该像素的新值，对一个像素完成一次滤波；重复上述卷积过程，完成图像中所有像素的滤波，具体表示如下：
Sobel算子计算x方向的梯度：
Sobel算子计算y方向的梯度：
梯度幅值的计算公式为：
梯度方向的计算公式为：
θ＝atan2(Gy,Gx) (4)
其中，I表示图像；
步骤2-4：确定梯度极大值；
对于每个像素点，进行如下操作：
a)将像素点梯度方向近似为以下值中最接近的一个(0,45,90,135,180,225,270,315)；
b)用二次曲线拟合梯度方向上相邻三点处的梯度幅值；
c)将边缘点定义为二次曲线拟合结果的最大值，保留该像素点位置，删除该梯度方向上的其他像素点；
得到亚像素级精度的边缘提取；
步骤2-5：双阈值处理；
设定阈值上界和阈值下界，根据图像中像素点的梯度值进行判断，如果大于等于阈值上界则判定为边界，称为强边界；若小于等于阈值下界则判定为非边界；像素点介于阈值上界和阈值下界之间则判定为是候选项，称为弱边界；
步骤2-6：滞后跟踪边缘；
和强边界相连的弱边界判定为边界；不与强边界相连的弱边界判定为非边界；
将最终得到的边界作为零件的边缘轮廓；
步骤3：尺寸测量；
步骤3-1：整体尺寸定位及测量；
根据步骤2获取的零件边缘轮廓通过minAreaRect算子获取零件边缘最小外接矩形；
步骤3-2：特征点定位；
基于Harris角点检测算法获取零件边缘轮廓特征点坐标；
步骤3-3：局部尺寸测量；
选择要测量位置相关的特征点，计算特征点坐标之间的差值得到对应像素尺寸；
步骤3-4：实际尺寸；
根据事先标定的结果即比例因子K将所有的像素尺寸转换为相应的实际尺寸；计算公式如下：
实际尺寸＝K*像素尺寸 (6)
优选地，所述高斯滤波器使用的高斯函数如下：
其中，(x,y)表示像素点坐标，σ表示方差。
本发明的有益效果如下：
1、本发明对图像进行亚像素级边缘检测，提取到更加细致的边缘轮廓线，有效提高后期测量精度。
2、本发明利用二次曲线拟合梯度方向上相邻三点处的梯度幅值，将边缘点定义为二次曲线拟合结果的最大值，有利于准确预测梯度最大的像素点，有效提高了检测精度。
3、本发明在提取到的精度较高的边缘轮廓上利用最小外接矩形对零件整体尺寸进行测量，随后定位多个特征点，计算机通过对用户选择的特征点坐标的计算，可以实现自由度较高的测量任务。
附图说明
图1为本发明方法中的灰度化处理示意图。
图2为本发明方法中的高斯滤波处理示意图。
图3为本发明方法中的梯度值示意图。
图4为本发明方法中的确定梯度极大值原理示意图。
图5为本发明方法中的梯度极大值示意图。
图6为本发明方法中的双阈值处理示意图。
图7为本发明方法中的滞后跟踪边缘处理示意图。
图8为本发明方法中的最小外接矩形示意图。
图9为本发明方法中的特征点定位示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
由于工业背景下零件边缘检测与其他的边缘检测任务之间存在一定的差异性，在将其他先进的运用于自然场景图像上的算法应用到零件尺寸检测任务上存在计算量大、实时性差的问题，不利于在实际工业中的部署和应用，且普通的算法对于多种微小边缘的检测能力较差，无法满足尺寸高精度测量。为解决上述问题，本发明基于Canny 像素级边缘检测算法，采用二次曲线拟合梯度方向上相邻三点处的梯度幅值，将边缘点定义为二次函数插补结果的最大值，有利于找到梯度最大的像素点，对图像进行亚像素级边缘检测，提取到更加细致的边缘轮廓线，有效提高后期测量精度；在提取到的精度较高的边缘轮廓上利用最小外接矩形对零件整体尺寸进行测量，随后定位多个特征点，计算机通过对用户选择的特征点坐标的计算，可以实现精度较高的测量任务。
一种基于机器视觉的零件尺寸高精度测量方法，通过改进Canny像素级算法提取零件的几何要素特征来满足亚像素级别的高精度边缘检测的需求，经过数字图像处理、轮廓特征提取和区域特征提取后，通过编写的边缘链接算法对边缘进行处理，再对轮廓进行准确拟合。随后，通过绘制最小外接矩形对零件的整体尺寸进行测量，基于 Harris角点检测算法找到特征点位置并获得坐标，可以实现零件指定位置的测量。最终根据模型库里已经标定的标准将零件的像素尺寸转换为实际尺寸，从而实现对零件尺寸的高精度测量任务。本发明有效提高后期测量精度，可以实现自由度较高的测量任务。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1：采集待检测的零件原始图像；
步骤2：亚像素级边缘检测；
步骤2-1：如图1所示，首先对零件原始图像进行灰度化处理；
步骤2-2：再用高斯滤波器平滑图像；
滤波过程中使用的高斯函数如下：
对原始数据与高斯mask作卷积，通过高斯滤波对图像进行平滑处理，可以保证特征点和边缘的特性，不会改变原图像的边缘走向。这一步的处理结果如图2所示；
步骤2-3：计算梯度幅值和方向；
如图3所示，为使用Sobel算子计算平滑后图像中每个像素点的梯度的结果；
所述Sobel算子是一个3x3的矩阵，称为卷积核，通过计算图像中每个像素及其周围8个像素与卷积核的卷积，得到该像素的新值，对一个像素完成一次滤波；重复上述卷积过程，完成图像中所有像素的滤波，具体表示如下：
Sobel算子计算x方向的梯度：
Sobel算子计算y方向的梯度：
梯度幅值的计算公式为：
梯度方向的计算公式为：
θ＝atan2(Gy，Gx) (5)
其中，I表示图像；
步骤2-4：确定梯度极大值；这一步的目的是将模糊的边界变得清晰，并且尽可能得到精度较高的边缘线；通俗的讲，就是保留了每个像素点上梯度强度的极大值，而删掉其他的值。
如图4所示，为确定梯度极大值的原理图，即对于每个像素点，进行如下操作：
a)将像素点梯度方向近似为以下值中最接近的一个(0，45，90，135，180，225，270，315)(即上下左右和45度方向)；
b)用二次曲线拟合梯度方向上相邻三点处的梯度幅值；
c)将边缘点定义为二次曲线拟合结果的最大值，保留该像素点位置，删除该梯度方向上的其他像素点；
这一步的处理结果如图5所示，得到亚像素级精度的边缘提取，有效提高去噪能力和检测精度；
步骤2-5：双阈值处理；
设定阈值上界和阈值下界，图像中的像素点如果大于等于阈值上界则判定为边界(称为强边界，strong edge)；像素点小于等于阈值下界则判定为非边界；像素点介于阈值上界和阈值下界之间则判定为是候选项(称为弱边界，weak edge)，需要进行下一步处理；以此完成对边界的筛选分类，结果如图6所示。
步骤2-6：滞后跟踪边缘；
如图7所示，继续对上一步判定为弱边界的点进行处理，将与强边界相连的弱边界判定为边界；不与强边界相连的弱边界判定为非边界；这样就得到了比较精确且连续的亚像素级别的边缘轮廓线，为接下来的尺寸测量提供很好的基础。
将最终得到的边界作为零件的边缘轮廓；
步骤3：尺寸测量；
步骤3-1：整体尺寸定位及测量；
如图8所示，根据步骤2获取的零件边缘轮廓，运用OpenCV中的minAreaRect 算子获取零件边缘最小外接矩形，并将矩形的长、宽等像素尺寸进行保存，需进行下一步处理；
步骤3-2：特征点定位；
如图9所示，基于Harris角点检测算法获取零件边缘轮廓特征点坐标；
步骤3-3：局部尺寸测量；
手动选择要测量位置相关的特征点，计算机自动计算特征点坐标之间的差值得到对应像素尺寸；
步骤3-4：实际尺寸；
根据事先标定的结果(比例因子K)将所有的像素尺寸转换为相应的实际尺寸；计算公式如下：
实际尺寸＝K*像素尺寸 (6) 。
Claims (2)
1.一种基于机器视觉的零件尺寸高精度测量方法，其特征在于，包括如下步骤：
步骤1：采集待检测的零件原始图像；
步骤2：亚像素级边缘检测；
步骤2-1：对零件原始图像进行灰度化处理；
步骤2-2：再用高斯滤波器平滑图像；
步骤2-3：计算梯度幅值和方向；
使用Sobel算子计算平滑后的图像中每个像素点的梯度；
所述Sobel算子是一个3x3的矩阵，称为卷积核，通过计算图像中每个像素及其周围8个像素与卷积核的卷积，得到该像素的新值，对一个像素完成一次滤波；重复上述卷积过程，完成图像中所有像素的滤波，具体表示如下：
Sobel算子计算x方向的梯度：
Sobel算子计算y方向的梯度：
梯度幅值的计算公式为：
梯度方向的计算公式为：
θ＝atan2(Gy,Gx) (4)
其中，I表示图像；
步骤2-4：确定梯度极大值；
对于每个像素点，进行如下操作：
a)将像素点梯度方向近似为以下值中最接近的一个(0,45,90,135,180,225,270,315)；
b)用二次曲线拟合梯度方向上相邻三点处的梯度幅值；
c)将边缘点定义为二次曲线拟合结果的最大值，保留该像素点位置，删除该梯度方向上的其他像素点；
得到亚像素级精度的边缘提取；
步骤2-5：双阈值处理；
设定阈值上界和阈值下界，根据图像中像素点的梯度值进行判断，如果大于等于阈值上界则判定为边界，称为强边界；若小于等于阈值下界则判定为非边界；像素点介于阈值上界和阈值下界之间则判定为是候选项，称为弱边界；
步骤2-6：滞后跟踪边缘；
和强边界相连的弱边界判定为边界；不与强边界相连的弱边界判定为非边界；
将最终得到的边界作为零件的边缘轮廓；
步骤3：尺寸测量；
步骤3-1：整体尺寸定位及测量；
根据步骤2获取的零件边缘轮廓通过minAreaRect算子获取零件边缘最小外接矩形；
步骤3-2：特征点定位；
基于Harris角点检测算法获取零件边缘轮廓特征点坐标；
步骤3-3：局部尺寸测量；
选择要测量位置相关的特征点，计算特征点坐标之间的差值得到对应像素尺寸；
步骤3-4：实际尺寸；
根据事先标定的结果即比例因子K将所有的像素尺寸转换为相应的实际尺寸；计算公式如下：
实际尺寸＝K*像素尺寸 (6)。
2.根据权利要求1所述的一种基于机器视觉的零件尺寸高精度测量方法，其特征在于，所述高斯滤波器使用的高斯函数如下：
其中，(x,y)表示像素点坐标，σ表示方差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210544236.6A CN115096206B (zh) | 2022-05-18 | 2022-05-18 | 一种基于机器视觉的零件尺寸高精度测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210544236.6A CN115096206B (zh) | 2022-05-18 | 2022-05-18 | 一种基于机器视觉的零件尺寸高精度测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115096206A CN115096206A (zh) | 2022-09-23 |
| CN115096206B true CN115096206B (zh) | 2024-04-30 |
Family
ID=83289876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210544236.6A Active CN115096206B (zh) | 2022-05-18 | 2022-05-18 | 一种基于机器视觉的零件尺寸高精度测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115096206B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116399302B (zh) * | 2023-06-08 | 2024-03-22 | 中交天津港湾工程研究院有限公司 | 基于双目视觉和神经网络模型实时监测强夯夯沉量的方法 |
| CN116433700B (zh) * | 2023-06-13 | 2023-08-18 | 山东金润源法兰机械有限公司 | 一种法兰零件轮廓视觉定位方法 |
| CN117274288B (zh) * | 2023-09-27 | 2024-05-03 | 河海大学 | 基于改进lsd算法的轴类零件亚像素边缘检测方法 |
| CN117557619A (zh) * | 2023-10-20 | 2024-02-13 | 广州明毅智能科技有限公司 | 晶片图像尺寸的确定方法、装置、计算机设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5222430B1 (ja) * | 2012-10-19 | 2013-06-26 | 株式会社イノテック | 寸法計測装置、寸法計測方法及び寸法計測装置用のプログラム |
| CN104359403A (zh) * | 2014-11-21 | 2015-02-18 | 天津工业大学 | 基于亚像素边缘算法的平面零件尺寸测量方法 |
| CN113112496A (zh) * | 2021-04-30 | 2021-07-13 | 哈尔滨工业大学 | 一种基于自适应阈值的亚像素轴类零件尺寸测量方法 |
| CN113724193A (zh) * | 2021-06-04 | 2021-11-30 | 重庆理工大学 | Pcba零部件尺寸及间隙高精度视觉测量方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364280B (zh) * | 2018-01-03 | 2022-04-15 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
-
2022
- 2022-05-18 CN CN202210544236.6A patent/CN115096206B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5222430B1 (ja) * | 2012-10-19 | 2013-06-26 | 株式会社イノテック | 寸法計測装置、寸法計測方法及び寸法計測装置用のプログラム |
| CN104359403A (zh) * | 2014-11-21 | 2015-02-18 | 天津工业大学 | 基于亚像素边缘算法的平面零件尺寸测量方法 |
| CN113112496A (zh) * | 2021-04-30 | 2021-07-13 | 哈尔滨工业大学 | 一种基于自适应阈值的亚像素轴类零件尺寸测量方法 |
| CN113724193A (zh) * | 2021-06-04 | 2021-11-30 | 重庆理工大学 | Pcba零部件尺寸及间隙高精度视觉测量方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于曲线拟和的亚像素边缘检测;李云;夏若安;;重庆科技学院学报(自然科学版);20081215(第06期);全文 * |
| 基于机器视觉的大型零件尺寸测量技术研究;李雪娇;姜月秋;李伟帅;高宏伟;;光电技术应用;20170415(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115096206A (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115096206B (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
| CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
| CN109816652B (zh) | 一种基于灰度显著性的复杂铸件缺陷识别方法 | |
| CN109003258B (zh) | 一种高精度亚像素圆形零件测量方法 | |
| CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
| CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
| CN111126174A (zh) | 一种用于机器人抓取零件的视觉检测方法 | |
| CN113592955B (zh) | 一种基于机器视觉的圆形工件平面坐标高精度定位方法 | |
| CN114494045B (zh) | 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 | |
| CN105894521A (zh) | 基于高斯拟合的亚像素边缘检测方法 | |
| JP2021168143A (ja) | ビジョンシステムで画像内のプローブを効率的に採点するためのシステム及び方法 | |
| CN113324478A (zh) | 一种线结构光的中心提取方法及锻件三维测量方法 | |
| CN112767359B (zh) | 复杂背景下的钢板角点检测方法及系统 | |
| CN107644417B (zh) | 应变片外观缺损检测方法 | |
| CN111311618A (zh) | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 | |
| CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
| CN111160477B (zh) | 一种基于特征点检测的图像模板匹配方法 | |
| CN113222955A (zh) | 一种基于机器视觉的齿轮尺寸参数自动测量方法 | |
| CN116503462A (zh) | 一种圆形斑点圆心快速提取方法及系统 | |
| CN115527049A (zh) | 一种引线框架引脚间距的高精度测量方法 | |
| CN109671084B (zh) | 一种工件形状的测量方法 | |
| CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
| CN113538399A (zh) | 一种用于获取工件精准轮廓的方法、机床及存储介质 | |
| CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 | |
| CN114998571A (zh) | 基于固定尺寸标志物的图像处理及颜色检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |