CN115578594A - 基于计算机视觉的边缘定位方法、装置及相关设备 - Google Patents
基于计算机视觉的边缘定位方法、装置及相关设备 Download PDFInfo
- Publication number
- CN115578594A CN115578594A CN202211288606.0A CN202211288606A CN115578594A CN 115578594 A CN115578594 A CN 115578594A CN 202211288606 A CN202211288606 A CN 202211288606A CN 115578594 A CN115578594 A CN 115578594A
- Authority
- CN
- China
- Prior art keywords
- edge
- straight line
- edge straight
- target
- line
- 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
- 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
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种基于计算机视觉的边缘定位方法,包括:获取加工后工件的原始图像;预处理原始图像,以确定目标边缘区域;对目标边缘区域进行轮廓提取及筛选,以获取可疑边缘直线轮廓;基于最小二乘法将可疑边缘直线轮廓拟合成拟合边缘直线;代入拟合边缘直线的若干特征属性至预设计算模型中,得到直线加权分数值,以确定目标边缘直线;基于目标边缘直线设置预设定位工具的定位参数,以定位目标边缘直线。本案通过预设计算模型引入拟合边缘直线的若干特征属性得到的直线加权分数值来确定目标边缘直线,实现对目标边缘直线的准确定位,提高了边缘定位的识别准确度。本申请还提供一种基于计算机视觉的边缘定位装置、电子设备及计算机可读存储介质。
Description
技术领域
本申请涉及视觉检测技术领域,具体涉及一种基于计算机视觉的边缘定位方法、装置、电子设备及计算机可读存储介质。
背景技术
工件经过前段的加工工序(例如:CNC加工),会在工件表面留下与工件的边缘相似的加工纹理,影响视觉定位。由于是在工件表面形成的纹理,所以很难通过打光等传统方式去除掉。目前工件的边缘定位方法是通过基准点进行初定位,校正卡尺位置,利用卡尺进行边缘搜索,初定位时定位精度较低,导致卡尺搜索范围设置较大。因此,容易误抓取到刀纹形成的干扰边,寻边精度不高且寻边所需时间较长,影响了边缘定位效率。
发明内容
鉴于以上内容,有必要提供一种基于计算机视觉的边缘定位方法、装置、电子设备及计算机可读存储介质,以提高边缘定位的识别准确度。
本申请实施例提供一种基于计算机视觉的边缘定位方法,包括:
获取加工后工件的原始图像;
预处理所述原始图像,以确定目标边缘区域;
对所述目标边缘区域进行轮廓提取及筛选,以获取可疑边缘直线轮廓;
基于最小二乘法将所述可疑边缘直线轮廓拟合成拟合边缘直线;
代入所述拟合边缘直线的若干特征属性至预设计算模型中,得到直线加权分数值,以确定目标边缘直线,所述预设计算模型满足关系式:
其中,表示所述拟合边缘直线的直线加权分数值,ai表示所述拟合边缘直线的第i个特征属性,表示对应于所述拟合边缘直线的若干特征属性的标准边缘直线的若干特征属性的平均值,wi表示所述拟合边缘直线的第i个特征属性的权值;
基于所述目标边缘直线设置预设定位工具的定位参数,以定位所述目标边缘直线。
上述基于计算机视觉的边缘定位方法通过预设计算模型引入拟合边缘直线的若干特征属性计算得到拟合边缘直线的直线加权分数值,基于拟合边缘直线的直线加权分数值确定目标边缘直线,实现对目标边缘直线的准确定位,提高了边缘定位的识别准确度。
在一些实施例中,所述预设计算模型的训练方法包括:
获取训练数据,其中,所述训练数据包括多张包含所述标准边缘直线的标准图像及多张包含所述目标边缘直线的检测图像;
基于多张所述标准图像中所述标准边缘直线的若干特征属性,得到所述标准边缘直线的若干特征属性的平均值;
代入多张所述检测图像中所述目标边缘直线的若干特征属性至基准训练模型,得到所述目标边缘直线的直线加权分数值,所述基准训练计算模型满足关系式:
其中,表示所述目标边缘直线的直线加权分数值,ai1表示所述目标边缘直线的第i1个特征属性表示对应于所述目标边缘直线的若干特征属性的所述标准边缘直线的特征属性的平均值,wi1表示所述目标边缘直线的第i1个特征属性的权值;
在一些实施例中,所述预处理所述原始图像,以确定目标边缘区域包括:
利用模板匹配方法确定所述工件的标记点;
根据所述标记点确定偏移值,并基于所述偏移值得到仿射矩阵;
根据所述仿射矩阵对所述原始图像进行仿射变换,得到初始边缘区域;
滤波处理所述初始边缘区域,得到所述目标边缘区域。
在一些实施例中,所述对所述目标边缘区域进行轮廓提取及筛选,以获取可疑边缘直线轮廓包括:
基于轮廓提取算法提取所述目标边缘区域的初始可疑边缘直线轮廓;
筛选掉所述初始可疑边缘直线轮廓中长度过长或过短的初始可疑边缘直线轮廓,得到可疑边缘直线轮廓。
在一些实施例中,所述代入所述拟合边缘直线的若干特征属性至预设计算模型中,得到直线加权分数值,以确定目标边缘直线包括:
在一些实施例中,所述特征属性包括直线法向量、距离值、边缘幅度值、直线度、轮廓长度中的至少一种。
在一些实施例中,所述预设定位工具为卡尺。
本申请实施例还提供一种基于计算机视觉的边缘定位装置,包括:
图像获取模块,用于获取加工后工件的原始图像;
图像预处理模块,用于预处理所述原始图像,以确定目标边缘区域;
轮廓提取模块,用于对所述目标边缘区域进行轮廓提取及筛选,以获取可疑边缘直线轮廓;
直线拟合模块,用于基于最小二乘法将所述可疑边缘直线轮廓拟合成拟合边缘直线;
直线计算模块,用于代入所述拟合边缘直线的若干特征属性至预设计算模型中,得到直线加权分数值,以确定目标边缘直线,所述预设计算模型满足关系式:
其中,表示所述拟合边缘直线的直线加权分数值,ai表示所述拟合边缘直线的第i个特征属性,表示对应于所述拟合边缘直线的若干特征属性的标准边缘直线的若干特征属性的平均值,wi表示所述拟合边缘直线的第i个特征属性的权值;
直线定位模块,用于基于所述目标边缘直线设置预设定位工具的定位参数,以定位所述目标边缘直线。
本申请实施例还提供一种电子设备,包括:
存储器,用于存储计算机指令;
处理器,与所述存储器耦合,用于调用所述存储器中的计算机指令以执行上述实施例所述的基于计算机视觉的边缘定位方法。
本申请实施例还提供一种计算机可读存储介质,
所述计算机可读存储介质存储计算机指令,所述计算机指令被处理器运行时执行上述实施例所述的基于计算机视觉的边缘定位方法。
上述基于计算机视觉的边缘定位装置、电子设备及计算机可读存储介质,能够实现对目标边缘直线的准确定位,提高了边缘定位的识别准确度。
附图说明
图1为本申请实施例基于计算机视觉的边缘定位方法的流程图。
图2为图1中S20的流程图。
图3为图1中S30的流程图。
图4为图1中S50中预设计算模型的训练方法的流程图。
图5为本申请实施例基于计算机视觉的边缘定位装置的组成图。
图6为本申请实施例电子设备的架构图。
主要元件符号说明
边缘定位装置 10
图像获取模块 11
图像预处理模块 12
轮廓提取模块 13
直线拟合模块 14
直线计算模块 15
直线定位模块 16
电子设备 20
处理器 21
存储器 22
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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申请,并不用于限定本申请。基于本申请中的实施例,本领域普通技术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,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“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,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
以下结合附图,对本案的各实施例进行详细说明。
请参见图1,本申请实施例提供一种基于计算机视觉的边缘定位方法,用于对工件的边缘进行定位,其中,工件的材质可以为金属,且呈加工后的状态,加工方式可以为CNC加工。
在一些实施例中,基于计算机视觉的边缘定位方法包括:
S10,获取加工后工件的原始图像。
在本实施例中,加工后的工件指需要进行边缘定位的对象。
具体地,在CNC机台上装配有摄像装置,该摄像装置用于采集加工后的工件的原始图像。例如,摄像装置可以是CCD相机、CMOS相机等。
进一步地,在采集原始图像时,需要将加工后擦拭干净的工件放置于CNC 机台上,摄像装置对工件进行拍照,以取得更加清晰的原始图像,从而减少指纹、灰尘等外部作业环境对边缘定位的干扰。
S20,预处理原始图像,以确定目标边缘区域。
请参见图2,在一些实施例中,S20预处理原始图像,以确定目标边缘区域包括:
S210,利用模板匹配方法确定工件的标记点。
具体地,模板匹配方法的详细过程为:根据拍摄装置和成像的特点,估计标记点的成像结果半径大致范围,预先生成模板组,例如,定为半径分别为4 像素至12像素,共9个模板,模板形状近似为圆形;在原始图像的所有区域内,分别使用每个模板匹配;用绝对差和作相似性判别,求和范围为模板对应的圆形范围;若绝对差和结果小于模板像素数的35%、在邻域范围内最小且唯一,则认为匹配相似性达到要求,记当前点为中心、模板半径范围内的像素总体形成的区域为标记点。因为模板值全为1,原始图像上值为1或0,所以绝对差和计算的结果是原始图像上当前点为中心的、与模板对应的圆形邻域内像素与模板中像素不同的总个数。
为了进一步提高模板匹配的可靠性,一种改进是:在模板组的每个模板的边界处向外扩展一圈,这一圈像素取值为0;形成的新模板仍近似为圆形,内部全1,最外一圈全0,匹配时的求和范围包括最外一圈;绝对差和结果小于模板像素数(包括扩展的一圈)的35%时达到相似性要求,记录当前点为中心、与边界扩展前的模板对应的像素总体形成的区域为标记点。
这种改进相当于在模板的外圈加了一层相反的取值,使最优匹配区域真正类似标记点,区域本身是圆面,周围是背景。这种方法排除了原匹配方法中的一部分不可能是真实标记点的候选标记点,提高了算法鲁棒性,这种方法也不需要先排除大片连续区域再匹配。
S220,根据标记点确定偏移值,并基于偏移值得到仿射矩阵。
具体地,根据标记点的坐标信息确定偏移值,然后基于偏移值计算旋转角度和缩放尺度,接着基于旋转角度和缩放尺度计算仿射矩阵。
S230,根据仿射矩阵对原始图像进行仿射变换,得到初始边缘区域。
具体地,通过仿射变换截取上述原始图像中的感兴趣区域图像,即初始边缘区域。需要说明的是,仿射变换为图像处理领域的常规操作,这里不对本申请所采用的仿射变换方法进行限定。
S240,滤波处理初始边缘区域,得到目标边缘区域。
具体地,上述滤波处理包括双边滤波处理、Candy滤波处理以及拉普拉斯算子滤波处理。具体地,对上述初始边缘区域进行双边滤波处理,去掉图像的干扰(锈斑、油漆残留等)信息,保留上述初始边缘区域的边界信息。对上述初始边缘区域进行Candy滤波,以提取初始边缘区域的边缘信息,Candy滤波用于提取图像的边缘信息。对上述初始边缘区域进行拉普拉斯算子滤波,进行图像增强。进行滤波处理可以抑制噪声并使图像平滑,以便于后续对目标边缘区域进行直线的提取。
上述步骤依次通过模板匹配、仿射变换、滤波处理、轮廓提取等方法对采集到的工件的原始图像进行预处理,预处理之后可以初步过滤掉干扰特征,得到需要进行图像分析的刀纹图像信息。例如,干扰特征为图像亮暗不均、擦拭不佳、铝屑刮痕等。
S30,对目标边缘区域进行轮廓提取及筛选,以获取可疑边缘直线轮廓。
请参见图3,在一些实施例中,S30对目标边缘区域进行轮廓提取及筛选,以获取可疑边缘直线轮廓包括:
S310,基于轮廓提取算法提取目标边缘区域的初始可疑边缘直线轮廓。
具体地,预设轮廓提取算法为Canny算法或阈值分割算法等。在本实施例中,采用Canny算法,它是目前最流行和效果较好的边缘轮廓提取算法。
进一步地,对于背景纹理比较多的图像,在提取边缘轮廓之前,可以把目标边缘区域转变为二值图像,设置合适的阈值,防止背景的纹理被当成边缘被提取出来。
S320,筛选掉初始可疑边缘直线轮廓中长度过长或过短的初始可疑边缘直线轮廓,得到可疑边缘直线轮廓。
具体地,采用Hough变换找出一定长度范围内的直线,设定最小长度和最大长度,过短的直线很可能是曲线边界的直线段,过长的直线很可能是钣金的边缘,筛选掉长度过长或过短的初始可疑边缘直线轮廓,留下可疑边缘直线轮廓。
S40,基于最小二乘法将可疑边缘直线轮廓拟合成拟合边缘直线。
具体地,基于已获取的像素点坐标信息,按照最小二乘法确定目标边缘区域中可疑边缘直线轮廓的斜率和截距,基于该斜率、截距,确定该目标边缘区域中的拟合边缘直线。最小二乘法进行直线检测时,能够得到拟合边缘直线的大概位置和方向。
S50,代入拟合边缘直线的若干特征属性至预设计算模型中,得到直线加权分数值,以确定目标边缘直线。
具体地,预设计算模型满足关系式:
例如,特征属性可以包括直线法向量、距离值、边缘幅度值、直线度、轮廓长度中的至少一种,即特征属性可以是上述单个特征属性,也可以为上述任意两个及以上特征属性的组合。
上述特征属性为边缘定位常见的直线特征属性,适用范围广,同时,对于提高边缘直线定位准确度起着重要作用,故此,本实施例列举出上述特征属性。
在本实施例中,拟合边缘直线的特征属性包括直线法向量、距离值、边缘幅度值、直线度这4种特征属性。
首先,分别将这4个特征属性代入至预设计算模型所满足的关系式:
其中,a1表示目标边缘直线的直线法向量,a2表示目标边缘直线的距离值,即目标边缘直线到定位点的距离,a3表示目标边缘直线的边缘幅度值,a4表示目标边缘直线的直线度;表示标准边缘直线的直线法向量的平均值,表示标准边缘直线的距离值的平均值,即标准边缘直线到定位点的距离的平均值,表示标准边缘直线的边缘幅度值的平均值,表示标准边缘直线的直线度的平均值,w1、w2、w3、w4分别代表a1、a2、a3、a4在目标边缘直线中所占的权值。
上述步骤,通过引入4个特征属性:直线法向量、距离值、边缘幅度值、直线度结合预设计算模型,对直线进行初步筛选,以确定目标边缘直线的初步位置。
请参见图4,在一些实施例中,S50中预设计算模型的训练方法包括:
S1,获取训练数据,其中,训练数据包括多张包含标准边缘直线的标准图像及多张包含目标边缘直线的检测图像。
需要说明的是,标准图像是指已经经过边缘定位的符合标准的图像,标准边缘直线是指经过检测符合标准的目标边缘直线。检测图像是指已经经过边缘定位但不一定符合标准的图像,目标边缘直线指已经经过边缘定位确定出的目标边缘直线。例如,训练数据包括100张标准图像,1000张检测图像。
S2,基于多张标准图像中标准边缘直线的若干特征属性,得到标准边缘直线的若干特征属性的平均值。
具体地,对标准边缘直线的每一个特征属性进行平均值计算,得到标准边缘直线的每个特征属性的平均值。
S3,代入多张检测图像中目标边缘直线的若干特征属性至基准训练模型,得到目标边缘直线的直线加权分数值。
具体地,基准训练计算模型满足关系式:
其中,表示目标边缘直线的直线加权分数值,ai1表示目标边缘直线的第 i1个特征属性,表示对应于目标边缘直线的若干特征属性的标准边缘直线的特征属性的平均值,wi1表示目标边缘直线的第i1个特征属性的权值。
例如,当标准边缘直线及目标边缘直线都包括直线法向量、距离值、边缘幅度值、直线度这4个特征属性时,分别将这4个特征属性代入至基准训练计算模型所满足的关系式:
其中,a11表示目标边缘直线的直线法向量,a21表示目标边缘直线的距离值,即目标边缘直线到定位点的距离,a31表示目标边缘直线的边缘幅度值,a41表示目标边缘直线的直线度;表示标准边缘直线的直线法向量的平均值,表示标准边缘直线的距离值的平均值,即标准边缘直线到定位点的距离的平均值,表示标准边缘直线的边缘幅度值的平均值,表示标准边缘直线的直线度的平均值;w11、w21、w31、w41分别代表a11、a21、a31、a41在目标边缘直线所占的权值。
具体地,将w11、w21、w31、w41其中的三个变量提取出来分别按照0~1的值拆分成100份,即0、0.01、0.02、0.03、…、0.09、1。按照穷举法进行排列组合,排列完成后将第四个变量进行补充,使得w11+21+31+41=1。例如:
w11=0.01、w21=0.01、w31=0.01时,w41=0.97;
w11=0.02、w21=0.01、w31=0.01时,w41=0.96;
…
w11=1、w21=0、w31=0时,w41=0;
w11=0.01、w21=0.02、w31=0.01时,w41=0.96;
w11=0.01、w21=0.03、w31=0.01时,w41=0.95;
…
w11=0、w21=1、w31=0时,w41=0;
…
w41=0.01、w21=0.01、w31=0.01时,w11=0.97;
…
w41=1、w21=0、w31=0时,w11=0。
根据上述组合,计算出每组w11、w21、w31、w41对应的代入1000组a11、a21、 a31、a41所求出的1000个的值,并计算出每组w11、w21、w31、w41对应的 1000个的值的总和,将每次计算出的的值的总和进行比较,求出最大的并确定该对应的一组w11、w21、w31、w41的值。
上述步骤通过代入100张标准图片中标准边缘直线的特征属性的平均值及提取1000张包含目标边缘直线的图片中目标边缘直线的特征属性至基准训练计算模型满足的关系式中,并循环改变目标边缘直线的特征属性所占权值,得到多组目标边缘直线的直线加权分数值,进行比较得到最优的目标边缘直线的特征属性所占权值作为公式常量。通过多次训练,不断进行筛选,能够提高预设计算模型的计算精度,从而提高边缘定位的准确性。
S60,基于目标边缘直线设置预设定位工具的定位参数,以定位目标边缘直线。
具体地,预设定位工具为卡尺,在通过预设计算模型确定目标边缘直线的初步位置的基础上通过卡尺进行精确测量,能够提高边缘识别准确度。
故此,上述基于计算机视觉的边缘定位方法通过预设计算模型引入拟合边缘直线的多个特征属性对直线进行筛选,能够准确定位出目标边缘直线,降低了工件在边缘定位过程中刀纹的干扰,提高了边缘定位的识别准确度。
请参阅图5,本申请实施例还提供一种基于计算机视觉的边缘定位装置10。
在本实施例中,基于上述实施例中的基于计算机视觉的边缘定位方法相同的思想,该基于计算机视觉的边缘定位装置10可用于执行上述基于计算机视觉的边缘定位方法。为了便于说明,基于计算机视觉的边缘定位装置10实施例的组成图中,仅仅示出了与本申请实施例相关的部分,本领域技术人员可以理解,图示结构并不构成对该基于计算机视觉的边缘定位装置10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
在一些实施例中,基于计算机视觉的边缘定位装置10包括图像获取模块11、图像预处理模块12、轮廓提取模块13、直线拟合模块14、直线计算模块15及直线定位模块16。图像获取模块11用于获取加工后工件的原始图像。图像预处理模块12用于预处理原始图像,以确定目标边缘区域。轮廓提取模块13用于对目标边缘区域进行轮廓提取及筛选,以获取可疑边缘直线轮廓。直线拟合模块14用于基于最小二乘法将可疑边缘直线轮廓拟合成拟合边缘直线。直线计算模块15,用于代入拟合边缘直线的若干特征属性至预设计算模型中,得到直线加权分数值,以确定目标边缘直线,预设计算模型满足关系式:
其中,表示拟合边缘直线的直线加权分数值,ai表示拟合边缘直线的第i个特征属性,表示对应于拟合边缘直线的若干特征属性的标准边缘直线的若干特征属性的平均值,wi表示拟合边缘直线的第i个特征属性的权值。直线定位模块16,用于基于目标边缘直线设置预设定位工具的定位参数,以定位目标边缘直线。
上述基于计算机视觉的边缘定位装置10通过预设计算模型引入拟合边缘直线的多个特征属性对直线进行筛选,能够准确定位出目标边缘直线,降低了工件在边缘定位过程中刀纹的干扰,提高了边缘定位的识别准确度。
请参阅图6,本申请实施例还提供一种电子设备20。
在一些实施例中,电子设备20包括处理器21和存储器22。存储器22用于存储计算机指令,处理器21与存储器22耦合,用于调用存储器22中的计算机指令以执行如上述实施例的基于计算机视觉的边缘定位方法的步骤。
示例性的,计算机指令可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器22中,并由处理器21执行。一个或多个模块/单元可以是能够完成特定功能的一系列计算机指令指令段,指令段用于描述计算机指令在电子设备20中的执行过程。例如,可以分割成图5所示的图像获取模块11、图像预处理模块12、轮廓提取模块13、直线拟合模块14、直线计算模块15及直线定位模块16。
电子设备20可以是桌上型计算机、笔记本、掌上电脑、工业电脑、平板电脑、服务器等计算设备。本领域技术人员可以理解,示意图仅仅是电子设备20 的示例,并不构成对电子设备20的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如电子设备20还可以包括代入输出设备、网络接入设备、总线等。
处理器21可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器、单片机或者处理器21也可以是任何常规的处理器等。
存储器22可用于存储计算机指令和/或模块/单元,处理器21通过运行或执行存储在存储器22内的计算机指令和/或模块/单元,以及调用存储在存储器22 内的数据,实现电子设备20的各种功能。存储器22可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据电子设备20的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
上述电子设备20用于执行如上述实施例的基于计算机视觉的边缘定位方法的步骤,通过预设计算模型引入拟合边缘直线的多个特征属性对直线进行筛选,能够准确定位出目标边缘直线,降低了工件在边缘定位过程中刀纹的干扰,提高了边缘定位的识别准确度。
本申请还公开一种计算机可读存储介质,计算机可读存储介质存储计算机指令,当计算机指令被处理器21运行时执行如上述实施例的基于计算机视觉的边缘定位方法的步骤。其中,存储介质可以是U盘、移动硬盘、只议存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
上述计算机可读存储介质用于执行如上述实施例的基于计算机视觉的边缘定位方法的步骤,通过预设计算模型引入拟合边缘直线的多个特征属性对直线进行筛选,能够准确定位出目标边缘直线,降低了工件在边缘定位过程中刀纹的干扰,提高了边缘定位的识别准确度。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种基于计算机视觉的边缘定位方法,其特征在于,包括:
获取加工后工件的原始图像;
预处理所述原始图像,以确定目标边缘区域;
对所述目标边缘区域进行轮廓提取及筛选,以获取可疑边缘直线轮廓;
基于最小二乘法将所述可疑边缘直线轮廓拟合成拟合边缘直线;
代入所述拟合边缘直线的若干特征属性至预设计算模型中,得到直线加权分数值,以确定目标边缘直线,所述预设计算模型满足关系式:
其中,表示所述拟合边缘直线的直线加权分数值,ai表示所述拟合边缘直线的第i个特征属性,表示对应于所述拟合边缘直线的若干特征属性的标准边缘直线的若干特征属性的平均值,wi表示所述拟合边缘直线的第i个特征属性的权值;
基于所述目标边缘直线设置预设定位工具的定位参数,以定位所述目标边缘直线。
2.如权利要求1所述的基于计算机视觉的边缘定位方法,其特征在于,所述预设计算模型的训练方法包括:
获取训练数据,其中,所述训练数据包括多张包含所述标准边缘直线的标准图像及多张包含所述目标边缘直线的检测图像;
基于多张所述标准图像中所述标准边缘直线的若干特征属性,得到所述标准边缘直线的若干特征属性的平均值;
代入多张所述检测图像中所述目标边缘直线的若干特征属性至基准训练模型,得到所述目标边缘直线的直线加权分数值,所述基准训练计算模型满足关系式:
其中,表示所述目标边缘直线的直线加权分数值,ai1表示所述目标边缘直线的第i1个特征属性,表示对应于所述目标边缘直线的若干特征属性的所述标准边缘直线的特征属性的平均值,wi1表示所述目标边缘直线的第i1个特征属性的权值;
3.如权利要求1所述的基于计算机视觉的边缘定位方法,其特征在于,所述预处理所述原始图像,以确定目标边缘区域包括:
利用模板匹配方法确定所述工件的标记点;
根据所述标记点确定偏移值,并基于所述偏移值得到仿射矩阵;
根据所述仿射矩阵对所述原始图像进行仿射变换,得到初始边缘区域;
滤波处理所述初始边缘区域,得到所述目标边缘区域。
4.如权利要求1所述的基于计算机视觉的边缘定位方法,其特征在于,所述对所述目标边缘区域进行轮廓提取及筛选,以获取可疑边缘直线轮廓包括:
基于轮廓提取算法提取所述目标边缘区域的初始可疑边缘直线轮廓;
筛选掉所述初始可疑边缘直线轮廓中长度过长或过短的初始可疑边缘直线轮廓,得到可疑边缘直线轮廓。
6.如权利要求2所述的基于计算机视觉的边缘定位方法,其特征在于,
所述特征属性包括直线法向量、距离值、边缘幅度值、直线度、轮廓长度中的至少一种。
7.如权利要求1所述的基于计算机视觉的边缘定位方法,其特征在于,
所述预设定位工具为卡尺。
8.一种基于计算机视觉的边缘定位装置,其特征在于,包括:
图像获取模块,用于获取加工后工件的原始图像;
图像预处理模块,用于预处理所述原始图像,以确定目标边缘区域;
轮廓提取模块,用于对所述目标边缘区域进行轮廓提取及筛选,以获取可疑边缘直线轮廓;
直线拟合模块,用于基于最小二乘法将所述可疑边缘直线轮廓拟合成拟合边缘直线;
直线计算模块,用于代入所述拟合边缘直线的若干特征属性至预设计算模型中,得到直线加权分数值,以确定目标边缘直线,所述预设计算模型满足关系式:
其中,表示所述拟合边缘直线的直线加权分数值,ai表示所述拟合边缘直线的第i个特征属性,表示对应于所述拟合边缘直线的若干特征属性的标准边缘直线的若干特征属性的平均值,wi表示所述拟合边缘直线的第i个特征属性的权值;
直线定位模块,用于基于所述目标边缘直线设置预设定位工具的定位参数,以定位所述目标边缘直线。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机指令;
处理器,与所述存储器耦合,用于调用所述存储器中的计算机指令以执行如权利要求1至7中任意一项所述的基于计算机视觉的边缘定位方法。
10.一种计算机可读存储介质,其特征在于,
所述计算机可读存储介质存储计算机指令,所述计算机指令被处理器运行时执行如权利要求1至7中任意一项所述的基于计算机视觉的边缘定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211288606.0A CN115578594A (zh) | 2022-10-20 | 2022-10-20 | 基于计算机视觉的边缘定位方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211288606.0A CN115578594A (zh) | 2022-10-20 | 2022-10-20 | 基于计算机视觉的边缘定位方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115578594A true CN115578594A (zh) | 2023-01-06 |
Family
ID=84586847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211288606.0A Pending CN115578594A (zh) | 2022-10-20 | 2022-10-20 | 基于计算机视觉的边缘定位方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578594A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116079292A (zh) * | 2023-01-31 | 2023-05-09 | 凌波微步半导体设备(常熟)有限公司 | 一种焊盘识别方法及半导体芯片焊线机 |
-
2022
- 2022-10-20 CN CN202211288606.0A patent/CN115578594A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116079292A (zh) * | 2023-01-31 | 2023-05-09 | 凌波微步半导体设备(常熟)有限公司 | 一种焊盘识别方法及半导体芯片焊线机 |
CN116079292B (zh) * | 2023-01-31 | 2024-01-23 | 凌波微步半导体设备(常熟)有限公司 | 一种焊盘识别方法及半导体芯片焊线机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN109035276B (zh) | 一种图像边缘提取方法、装置及自动驾驶系统 | |
CN110765992B (zh) | 印章鉴别方法、介质、设备及装置 | |
CN108564579B (zh) | 一种基于时空相关的混凝土裂缝检测方法及检测装置 | |
US20080292192A1 (en) | Human detection device and method and program of the same | |
CN102722731A (zh) | 一种基于改进sift算法的高效图像匹配方法 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN113109368A (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN108269274B (zh) | 基于傅里叶变换和Hough变换的图像配准方法 | |
CN109858438B (zh) | 一种基于模型拟合的车道线检测方法 | |
CN111489337A (zh) | 一种自动光学检测伪缺陷去除方法及系统 | |
CN113516619A (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN110807354B (zh) | 一种工业流水线产品计数方法 | |
CN107895166B (zh) | 基于特征描述子的几何哈希法实现目标鲁棒识别的方法 | |
CN115578594A (zh) | 基于计算机视觉的边缘定位方法、装置及相关设备 | |
CN111126296A (zh) | 水果定位方法及装置 | |
CN112926695B (zh) | 基于模板匹配的图像识别方法和系统 | |
CN112950594B (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
CN107808165B (zh) | 一种基于susan角点检测的红外图像匹配方法 | |
CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
Ahn et al. | Segmenting a noisy low-depth-of-field image using adaptive second-order statistics | |
CN110705569A (zh) | 一种基于纹理特征的图像局部特征描述子提取方法 | |
CN115294119A (zh) | 基于机器视觉的梅花螺纹头部内槽污渍检测方法 |
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 |