CN115861357B - 基于k均值聚类与点位规划的工件过渡边缘检测方法 - Google Patents
基于k均值聚类与点位规划的工件过渡边缘检测方法 Download PDFInfo
- Publication number
- CN115861357B CN115861357B CN202310166604.2A CN202310166604A CN115861357B CN 115861357 B CN115861357 B CN 115861357B CN 202310166604 A CN202310166604 A CN 202310166604A CN 115861357 B CN115861357 B CN 115861357B
- Authority
- CN
- China
- Prior art keywords
- point
- class
- straight line
- distribution
- degrees
- 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
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于K均值聚类与点位规划的工件过渡边缘检测方法,包括以下步骤:设置ROI区域和搜索方向,生成搜索框集合;对搜索框集合进行遍历,并依次对每个搜索框进行K均值聚类;针对聚类结果计算类中心距离、亮暗比例、亮暗分布类型;判断类中心距离是否大于阈值1,亮暗比例是否小于阈值2,亮暗分布类型是否等同于1;当条件满足时,则将搜索框的中心点存入点集合中;判断是否遍历完所有搜索框;判断是否搜索完整个ROI区域;对点集合进行离群点删除;对点集合中的点进行直线拟合,输出直线的斜率和截距。该方法可以检测处在过渡带上的直线,并且能够过滤相对明显的噪声。
Description
技术领域
本发明涉及缺陷检测的技术领域,尤其是一种基于K均值聚类与点位规划的工件过渡边缘检测方法。
背景技术
直线是一种常见的边缘类型,有关直线的提取算法作为工业缺陷检测领域的基础算子具有广泛的用途,可以用于工件的尺寸测量和定位等多种场景。直线特征也广泛存在于各种工件当中且仅用两个点就可以表示,使得基于直线提取算法的视觉方案通常具有很快的运行效率。
常见的直线提取算法主要思想是基于像素梯度值的判断,比如使用Canny算法或者Sobel算法先提取边缘,再对边缘点进行拟合得到直线。这类算法在背景噪声不强或者目标直线所在区域具有明显对比度的场景下有比较好的检测效果,但是对于复杂背景、直线恰好处在渐变区域的场景下,该类算法便会出现检测不稳定的情况,通常将像素值渐变的图像区域称为过渡或过渡带。
换言之,正因为工业现场质检数据存在多样性,受光源、工件批次差异等多种因素影响,无法保证目标直线总是都处于背景噪声少、对比度强的环境条件下被检测,所以使用常见的基于梯度判断的思想不能稳定检测出处于过渡带上的直线。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。
为此,本发明提出一种基于K均值聚类与点位规划的工件过渡边缘检测方法,可以检测处在过渡带上的直线,并且能够过滤相对明显的噪声,从而提高设备模型的稳定性、通用性,降低现场工作难度。
根据本发明实施例的一种基于K均值聚类与点位规划的工件过渡边缘检测方法,包括以下步骤:
第1步骤、设置ROI区域和搜索方向:设置一个感兴趣区域,该感兴趣区域是一个可旋转的矩形框,搜索方向平行于该感兴趣区域的一条边;
第3步骤、对搜索框集合进行遍历,并依次对每个搜索框进行K均值聚类;
第5步骤、判断类中心距离是否大于阈值1,并且判断亮暗比例是否小于阈值2,并且判断亮暗分布类型是否等同于1;当任意一项不满足条件,则返回至第3步骤;当全部满足条件,则进入下一步;
第6步骤、当条件满足时,则将搜索框的中心点存入点集合中;
第7步骤、判断是否遍历完所有搜索框:当判断没有遍历完所有搜索框时,则返回至第3步骤;当判断遍历完所有搜索框,则进入下一步;
第8步骤、判断是否搜索完整个ROI区域:当判断没有搜索完整个ROI区域时,则沿着搜索方向移动搜索框集,并返回至第3步骤;当判断搜索完整个ROI区域时,则进入下一步;
第9步骤、对点集合进行离群点删除;
第10步骤、对点集合中的点进行直线拟合,输出直线的斜率和截距。
本发明的有益效果是,该基于K均值聚类与点位规划的工件过渡边缘检测方法可以应用在复杂背景、过渡带上的直线提取,在工业缺陷检测中,直线特征广泛存在于各种工件当中,而实际现场环境又复杂多样,能够在复杂背景和过渡带上检测出直线对于缺陷检测领域具有重要的应用价值,由于采用了聚类算法提取直线点集而非阈值分割的方式来检测边缘直线上的点,采用了无监督学习技术,不需要训练从而大大提高了直线提取算法的应用效率,稳定性高,精度高,且泛化能力强,适用于更加广泛的实际场景,减少了现场工作人员调试的时间,并提高了生产效率。
根据本发明一个实施例,所述第2步骤的具体步骤如下:
第2.1步骤、在矩形的感兴趣区域内生成一个与方向向量/>垂直的方向向量/>,再沿着方向向量/>的方向生成若干个均匀排列的小矩形,若干个均匀排列的小矩形用表示,其中的/>是大于等于1的正整数,这组搜索框集合用/>表示;
同理,
的中心点坐标通过将前一个点坐标带入上述公式计算得出。
第4.2步骤、设定一个经过原点的直线方程为y = kx,k的初始值为0;
其中,公式(5)中各个符号所表示的具体含义如下所示:
第4.5步骤、对直线进行旋转并重复上述第4.3步骤和第4.4步骤。
根据本发明一个实施例,在所述第4.3步骤中,
根据本发明一个实施例,在所述第4.5步骤中,当直线角度大于45度小于135度或者大于-45度小于-135度时,采用直线方程x = y / k作为直线方程;其余角度则采用y=kx表示直线方程;当斜率为正负90度时,取x = 0作为直线方程。
根据本发明一个实施例,在所述第4.5步骤中,取直线与x轴正方向成0度、45度、90度、135度、180度、-45度、-90度、-135度八个方向的直线方程,只要搜索每个小矩形类型分布满足上述八种直线方程之一,认为分布集中。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是感兴趣区域与搜索方向的示意图;
图2是类别分布判断示意图;
图3是本发明的算法流程图;
图4是测试效果图一;
图5是测试效果图二;
图6是测试效果图三;
图7是测试效果图四;
图8是测试效果图五;
图9是测试效果图六。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“一侧”、“另一侧”、“两侧”、“之间”、“中部”、“上端”、“下端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
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”、“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,可以是直接相连,也可以通过中间媒介间接相连。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。
下面参考附图具体描述本发明实施例的基于K均值聚类与点位规划算法的工件过渡边缘检测方法。K均值聚类也称为Kmeans聚类。点位规划是使用线性函数对点集的位置分布进行分类。
见图1、图2、图3和图4,本发明的基于K均值聚类与点位规划的工件过渡边缘检测方法,包括以下步骤:
第1步骤、设置ROI区域和搜索方向:设置一个感兴趣区域和一个搜索方向,该感兴趣区域是一个可旋转的矩形框,搜索方向平行于该感兴趣区域的一条边。感兴趣区域用表示,搜索方向用方向向量/>表示,方向向量/>的长度等于所平行的感兴趣区域中边的边长。
第2.1步骤、在矩形的感兴趣区域内生成一个与方向向量/>垂直的方向向量/>,再沿着方向向量/>的方向生成若干个均匀排列的小矩形,若干个均匀排列的小矩形用表示,其中的/>是大于等于1的正整数,这组搜索框集合用/>表示;
第4步骤、针对聚类结果计算类中心距离、亮暗比例/>、亮暗分布类型/>,判断搜索框集合/>中每个小矩形/>的类别分布是否集中,用亮暗分布类型/>表示,亮暗分布类型/>为1表示分布集中,亮暗分布类型/>为0表示分布不集中,具体步骤如下:
第4.2步骤、设定一个经过原点的直线方程为y = kx,k的初始值为0;
其中,公式(5)中各个符号所表示的具体含义如下所示:
第4.5步骤、对直线进行旋转并重复上述第4.3步骤和第4.4步骤,当直线角度大于45度小于135度或者大于-45度小于-135度时,采用直线方程x = y / k作为直线方程;其余角度则采用y=kx表示直线方程;当斜率为正负90度时,取x = 0作为直线方程。考虑到实际运行效率,取直线与x轴正方向成0度、45度、90度、135度、180度、-45度、-90度、-135度八个方向的直线方程,只要搜索每个小矩形类型分布满足上述八种直线方程之一,认为分布集中,如图2所示。
第5步骤、判断类中心距离是否大于阈值1,并且判断亮暗比例是否小于阈值2,并且判断亮暗分布类型是否等同于1;当任意一项不满足条件,则返回至第3步骤;当全部满足条件,则进入下一步。具体地,对每个小矩形而言,当满足以下三个条件时,将其中心点坐标记录到一个点集合/>当中,条件一、类中心距离/>大于阈值1,阈值1可以参考待提取的直线与背景的灰度值之差来设置,该阈值1设置得越大,当条件满足时,表示直线与背景灰度差越明显,反之越不明显;条件二、亮暗比例/>小于阈值2,阈值2推荐值是0.05,该阈值2设置得越小,当条件满足时,表示两个类别之间的数量比例越接近,反之表示亮暗比例差别比较大;条件三、小矩形/>的亮暗分布类型/>为1。
第6步骤、当条件满足时,则将搜索框的中心点存入点集合中:沿着方向向量的方向按照固定步长/>移动搜索框集合/>,重复第3步骤~第5步骤,直至搜索完整个感兴趣区域/>。其中,/>是搜索框集合/>的移动步长。
第7步骤、判断是否遍历完所有搜索框:当判断没有遍历完所有搜索框时,则返回至第3步骤;当判断遍历完所有搜索框,则进入下一步;
第8步骤、判断是否搜索完整个ROI区域:当判断没有搜索完整个ROI区域时,则沿着搜索方向移动搜索框集,并返回至第3步骤;当判断搜索完整个ROI区域时,则进入下一步;具体地,当搜索完整个感兴趣区域后对点集合/>中的离群点进行过滤,计算每个点与领域内的点之间的欧式距离/>,当欧式距离/>大于设定阈值时,判断当前点为离群点,则将该点从点集合/>中剔除。其中,该阈值的取值范围归一化到[0,1]。
见图4~图9,它们都是基于K均值聚类与点位规划的工件过渡边缘检测方法的测试效果图。
见图4,矩形框R1是ROI区域,中间竖线L1是提取到的目标直线。
见图5,大的矩形框R2是ROI区域,三个小的矩形框R3是进行聚类的搜索框,三个点P1是找到的目标直线上的点。
见图6,矩形框R4是ROI区域,中间横线L2是找到的目标直线。
见图7,利用该算法找到的处于“回”字工件中心区域的边缘目标点P2。
见图8,矩形框R5是ROI区域,中间竖线L3是找到的目标直线。
见图9,矩形框R6是ROI区域,中间竖线L4是找到的目标直线。
由上面六张图可以看出,对于这种处在复杂背景、过渡带上的目标直线,该算法依然可以找到直线或者边缘点,经过现场实际应用验证,该算法具有不错的鲁棒性和准确性。
该基于K均值聚类与点位规划的工件过渡边缘检测方法,可以有效地提取处在过渡带和复杂背景上的目标直线,能有效抵抗噪声干扰,且采用无监督学习和位置规划技术,不需要训练;对处于过渡带上的目标直线,使用阈值分割的方式无法稳定提取出目标直线,本算法由于采用聚类的思想对目标直线附近的区域进行聚类,无论对比度强弱,总能对点集进行分类,进而依据分类结果来判断当前点是否为直线上的点,避免直接依赖于梯度差的方式来提取直线上的点,使得算法可以应用在更加广泛的工业检测场景;在复杂背景下有许多噪声的干扰,对搜索区域聚类以后再判断类别点的分布形态,利用位置规划的思想可以有效降低对噪声区域的误判,最后对离群点进行剔除,进一步提高该算法对噪声的抵抗力;采用无监督学习技术不需要大量数据训练,算法运行效率高、适合工业领域的应用。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于K均值聚类与点位规划的工件过渡边缘检测方法,其特征在于,包括以下步骤:
第1步骤、设置ROI区域和搜索方向:设置一个感兴趣区域和一个搜索方向,该感兴趣区域是一个可旋转的矩形框,搜索方向平行于该感兴趣区域的一条边;
第3步骤、对搜索框集合进行遍历,并依次对每个搜索框进行K均值聚类;
第5步骤、判断类中心距离是否大于阈值1,并且判断亮暗比例是否小于阈值2,并且判断亮暗分布类型是否等同于1;当任意一项不满足条件,则返回至第3步骤;当全部满足条件,则进入下一步;
第6步骤、当条件满足时,则将搜索框的中心点存入点集合中;
第7步骤、判断是否遍历完所有搜索框:当判断没有遍历完所有搜索框时,则返回至第3步骤;当判断遍历完所有搜索框,则进入下一步;
第8步骤、判断是否搜索完整个ROI区域:当判断没有搜索完整个ROI区域时,则沿着搜索方向移动搜索框集,并返回至第3步骤;当判断搜索完整个ROI区域时,则进入下一步;
第9步骤、对点集合进行离群点删除;
3.根据权利要求2所述的基于K均值聚类与点位规划的工件过渡边缘检测方法,其特征在于:所述第2步骤的具体步骤如下:
第2.1步骤、在矩形的感兴趣区域内生成一个与方向向量/>垂直的方向向量/>,再沿着方向向量/>的方向生成若干个均匀排列的小矩形,若干个均匀排列的小矩形用表示,其中的/>是大于等于1的正整数,这组搜索框集合用/>表示;
5.根据权利要求4所述的基于K均值聚类与点位规划的工件过渡边缘检测方法,其特征在于:在所述第4步骤中,判断集合中每个小矩形/>的类别分布是否集中,用亮暗分布类型/>表示,亮暗分布类型/>为1表示分布集中,亮暗分布类型/>为0表示分布不集中,具体步骤如下:
第4.2步骤、设定一个经过原点的直线方程为y = kx,k的初始值为0;
第4.5步骤、对直线进行旋转并重复上述第4.3步骤和第4.4步骤。
8.根据权利要求5所述的基于K均值聚类与点位规划的工件过渡边缘检测方法,其特征在于:在所述第4.5步骤中,当直线角度大于45度小于135度或者大于-45度小于-135度时,采用直线方程x = y / k作为直线方程;
余角度则采用y=kx表示直线方程;
当斜率为正负90度时,取x = 0作为直线方程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310166604.2A CN115861357B (zh) | 2023-02-27 | 2023-02-27 | 基于k均值聚类与点位规划的工件过渡边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310166604.2A CN115861357B (zh) | 2023-02-27 | 2023-02-27 | 基于k均值聚类与点位规划的工件过渡边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115861357A CN115861357A (zh) | 2023-03-28 |
CN115861357B true CN115861357B (zh) | 2023-06-20 |
Family
ID=85659011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310166604.2A Active CN115861357B (zh) | 2023-02-27 | 2023-02-27 | 基于k均值聚类与点位规划的工件过渡边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861357B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426169A (zh) * | 2013-07-26 | 2013-12-04 | 西安华海盈泰医疗信息技术有限公司 | 一种医学图像的分割算法 |
CN110428430A (zh) * | 2019-07-03 | 2019-11-08 | 广州微林软件有限公司 | 一种区域内的直线定位拟合方法及应用 |
CN112085675A (zh) * | 2020-08-31 | 2020-12-15 | 四川大学 | 深度图像去噪方法、前景分割方法及人体运动监测方法 |
CN112862760A (zh) * | 2021-01-19 | 2021-05-28 | 浙江大学 | 一种轴承外圈表面缺陷区域检测方法 |
CN114693610A (zh) * | 2022-03-15 | 2022-07-01 | 中南大学 | 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质 |
CN115456905A (zh) * | 2022-09-26 | 2022-12-09 | 南京邮电大学 | 一种基于明暗区域分割的单幅图像去雾方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679638A (zh) * | 2013-12-25 | 2014-03-26 | 广州广电运通金融电子股份有限公司 | 残缺或变形的四边形图像的校正方法 |
-
2023
- 2023-02-27 CN CN202310166604.2A patent/CN115861357B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426169A (zh) * | 2013-07-26 | 2013-12-04 | 西安华海盈泰医疗信息技术有限公司 | 一种医学图像的分割算法 |
CN110428430A (zh) * | 2019-07-03 | 2019-11-08 | 广州微林软件有限公司 | 一种区域内的直线定位拟合方法及应用 |
CN112085675A (zh) * | 2020-08-31 | 2020-12-15 | 四川大学 | 深度图像去噪方法、前景分割方法及人体运动监测方法 |
CN112862760A (zh) * | 2021-01-19 | 2021-05-28 | 浙江大学 | 一种轴承外圈表面缺陷区域检测方法 |
CN114693610A (zh) * | 2022-03-15 | 2022-07-01 | 中南大学 | 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质 |
CN115456905A (zh) * | 2022-09-26 | 2022-12-09 | 南京邮电大学 | 一种基于明暗区域分割的单幅图像去雾方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115861357A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Augmented ship tracking under occlusion conditions from maritime surveillance videos | |
Li et al. | Robust welding seam tracking and recognition | |
CN108510476B (zh) | 一种基于机器视觉的手机屏线路检测方法 | |
CN111832659B (zh) | 一种基于特征点提取算法检测的激光标刻系统及方法 | |
CN113340909B (zh) | 一种基于机器视觉的胶线缺陷检测方法 | |
CN107452035B (zh) | 车道线图像分析方法、装置及其计算机可读取式媒体 | |
CN109767445A (zh) | 一种高精度的pcb缺陷智能检测方法 | |
CN113838089A (zh) | 一种基于特征匹配算法的气泡轨迹跟踪方法 | |
CN112560538A (zh) | 一种根据图像冗余信息快速定位受损qr码的方法 | |
Zhao et al. | Recognition of flooding and sinking conditions in flotation process using soft measurement of froth surface level and QTA | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
Deng et al. | A weld seam feature real-time extraction method of three typical welds based on target detection | |
Yang et al. | A method for wafer defect detection using spatial feature points guided affine iterative closest point algorithm | |
CN113393447B (zh) | 基于深度学习的针尖正位度检测方法及系统 | |
CN115861357B (zh) | 基于k均值聚类与点位规划的工件过渡边缘检测方法 | |
CN110348363B (zh) | 基于多帧角度信息融合消除相似车辆干扰的车辆跟踪方法 | |
CN111754497B (zh) | 一种基于几何代数的工业缺陷检测方法和系统 | |
Zhou et al. | An adaptive clustering method detecting the surface defects on linear guide rails | |
CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 | |
CN113096090B (zh) | 带倒角的端面间隙视觉测量方法、装置、设备及存储介质 | |
Yu et al. | Roust vanishing point detection based on the combination of edge and optical flow | |
Sun et al. | Saliency-Induced Moving Object Detection for Robust RGB-D Vision Navigation Under Complex Dynamic Environments | |
CN113192061A (zh) | Led封装外观检测图像的提取方法、装置、电子设备和存储介质 | |
CN113284158A (zh) | 一种基于结构约束聚类的图像边缘提取方法及系统 | |
CN113807293B (zh) | 减速带的检测方法、系统、设备及计算机可读存储介质 |
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 |