CN116051587A - 一种用于目标检测的运动轨迹生成方法 - Google Patents

一种用于目标检测的运动轨迹生成方法 Download PDF

Info

Publication number
CN116051587A
CN116051587A CN202310107785.1A CN202310107785A CN116051587A CN 116051587 A CN116051587 A CN 116051587A CN 202310107785 A CN202310107785 A CN 202310107785A CN 116051587 A CN116051587 A CN 116051587A
Authority
CN
China
Prior art keywords
information
contour
industrial
coordinate
generation method
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.)
Granted
Application number
CN202310107785.1A
Other languages
English (en)
Other versions
CN116051587B (zh
Inventor
焦文华
谢小浩
于利君
李瑞林
骆园
周旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202310107785.1A priority Critical patent/CN116051587B/zh
Publication of CN116051587A publication Critical patent/CN116051587A/zh
Application granted granted Critical
Publication of CN116051587B publication Critical patent/CN116051587B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/20Analysis of motion
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40Document-oriented image-based pattern recognition
    • G06V30/42Document-oriented image-based pattern recognition based on the type of document
    • G06V30/422Technical drawings; Geographical maps
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于目标检测的运动轨迹生成方法,步骤如下:提取工业件的CAD信息,获取粗略轮廓信息;自动插值补全轮廓信息;对轮廓信息做矢量信息判定;自动矢量整合轮廓封闭式排序信息,获得整个轮廓带矢量排序的坐标点信息;对轮廓绝对坐标数据整合优化并提取出相对坐标信息;辅助运动控制,使相机能够拍摄到工业件的所有清晰的局部图像并排序;获得拍摄到的工业件缺陷照片的序号,以及工业件的起止照片的序号,自动反馈缺陷的位置坐标,并绘制缺陷在整个轮廓的位置图。本发明采用上述的一种用于目标检测的运动轨迹生成方法,实现对工业件质检先导条件的高效化、高精化的处理,同时提高了工业质检的效率与精度,便于快速更换规格型号。

Description

一种用于目标检测的运动轨迹生成方法
技术领域
本发明涉及目标检测技术领域,尤其是涉及一种用于目标检测的运动轨迹生成方法。
背景技术
越来越多的制造业使用CAD技术,将整个工业件的准确构造以计算机的一个CAD文件的形式呈现出来,包括且不限于形状大小特征。
现有技术中,当一个工业件生产后,还需要对工业件做缺陷检测,一些工业品生产节拍非常快,在线缺陷检测的场景下,工业件在高速传送带上一般不停顿,而检测相机一般是静止的,这样相机与被测工业件存在相对运动,如果被测工业件的检测面高度上存在较大波动起伏,则拍摄物距存在远近变化,如果这种远近变化超过光学系统的设计景深,需要对这种远近变化进行补偿,才能清晰成像。
大部分工业件质量检测的厂家仍在使用传统的逐点手工测绘方法,要实现缺陷检测就需要对工业件在传送带上的运动曲线作提取。在提取运动轨迹前,对每一种型号的工业件就需要做一次手工的测量求其轮廓,从而得到工业件的轮廓尺寸信息,手工测绘工业件轮廓信息耗时耗力,不同种类工业件就需再测一次,即使同种工件为提高精度,需要将轮廓加密,计算量也要极大地增加。手工测绘效率差、误差大,人工也容易受到主观状态等突发因素的影响。
显然,面对日益增长的工业件型号种类需求,人工手工测绘已经不能够胜任工业件制造数字化、智能化发展的需要。
发明内容
本发明的目的是提供一种用于目标检测的运动轨迹生成方法,实现对工业件质检先导条件的高效化、高精化的处理,同时提高了工业质检的效率与精度,并针对同一产线的新的规格型号的工业部件,可以快速生成运动轨迹并切换到新的运动轨迹上,支持多规格型号柔性质检。
为实现上述目的,本发明提供了一种用于目标检测的运动轨迹生成方法,步骤如下:
S1、提取工业件的CAD信息,获取粗略轮廓信息;
S2、在S1获得的粗略轮廓信息基础上,自动插值补全轮廓信息;
S3、遍历出所有插值后的轮廓段落,对轮廓信息做矢量信息判定;
S4、根据判定结果,自动矢量整合轮廓封闭式排序信息,获得整个轮廓带矢量排序的坐标点信息;
S5、对轮廓绝对坐标数据作整合优化处理,并计算相对坐标信息;
S6、利用步骤S5中计算出的相对坐标信息辅助运动控制,调整相机与目标工业件的相对位置,使相机能拍摄到工业件的所有清晰局部图像并排序;
S7、基于步骤S6获得的工业件缺陷照片的序号,以及拍摄到工业件的起止照片序号的条件下,换算出工业件缺陷照片对应的缺陷点在整体的位置坐标,自动反馈缺陷的位置坐标,并绘制缺陷在整个轮廓的位置图。
优选的,在步骤S1中,提取工业件的CAD信息包括提取所有线段的起止点坐标信息和提取所有弧线段的起止点、圆心及弧度信息。
优选的,在步骤S2中,自动插值补全轮廓信息包括补全线段插值处理和补全弧线插值处理。
优选的,在步骤S2中,所述补全线段插值处理为等线段间隔插值处理;
所述补全弧线插值处理为等弧长间隔插值处理,其插值密度不必与线段插值密度相等。
优选的,在步骤S3中,遍历出所有插值后的轮廓段落是获取整个工业件轮廓的线段、弧段集合,其中工业件轮廓的每个线段和弧段为插值后的点集合。
优选的,在步骤S3中,矢量信息判定为判定所有段落集合及段落内部点集合是否按照确切的圆周方向排序;若判断为是,则直接进入步骤S5;否则,进入步骤S4。
优选的,在步骤S4中,自动矢量整合包括局部矢量整合和整体矢量整合,所述局部矢量整合是整合每个线段(以及曲线段)内部的坐标点集合的矢量信息;所述整体矢量整合是整合所有曲线段(包括线段、弧线段)段落集合的矢量信息。
优选的,在步骤S4中,整个轮廓带矢量排序的坐标点信息为整个轮廓排序的坐标点点集,所述点集头端和末端皆取自最小y值的坐标点。
优选的,在步骤S5中,整合优化处理步骤如下:
S51、调整轮廓坐标的起止点,按轮廓顺时针圆周方向从y最小坐标再回到y最小坐标,将所有的段落分段消除掉,得到整个轮廓的点集和;
S52、将步骤S51中获得的整个轮廓坐标点点集分类成四段,并且让每一段坐标点按照总体上y坐标升序的趋势排序,同时将整个轮廓的冗余坐标点去除;
S53、调整四段轮廓所包含的坐标点数目。
优选的,在步骤S6中,辅助运动控制是根据传送带上工业件的相对运动,调整由工业件反射到摄像头的光路长度。
因此,本发明采用上述一种用于目标检测的运动轨迹生成方法,通过直接从工业件CAD文件提取坐标信息,并且自动补全调整优化处理轮廓坐标信息,实现了对工业件质检先导条件(即获取高清图像信息)的高效化、高精化的处理,解决了以往普通方法手工测量每一种工业件尺寸轮廓低效、高误差、精度波动大等问题,大大提高了轮廓信息与运动控制信息的准确性,进一步高自动化高效率高精度地获取工业件的图像,从而大大提高了工业质检的效率与精度。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明一种用于目标检测的运动轨迹生成方法实施例的总流程图;
图2是本发明一种用于目标检测的运动轨迹生成方法实施例的算法流程图;
图3是本发明一种用于目标检测的运动轨迹生成方法实施例中矢量信息判断与整合的工作示意图;
图4是本发明一种用于目标检测的运动轨迹生成方法实施例中反馈功能的示意图;
图5是本发明一种用于目标检测的运动轨迹生成方法实施例中提取出的轮廓绝对坐标的仿真验证图;
图6是本发明一种用于目标检测的运动轨迹生成方法实施例中方案一的现场布置仿真示意图;
图7是本发明一种用于目标检测的运动轨迹生成方法实施例中方案二的现场布置仿真示意图;
图8是本发明一种用于目标检测的运动轨迹生成方法实施例中查询验证反馈功能的图形化界面形式的示意图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
如图1所示,一种用于目标检测的运动轨迹生成方法,具体实现步骤如下:
S1、提取工业件的CAD信息,获取粗略轮廓信息包括提取所有线段的起止点坐标信息和提取所有弧线段的起止点、圆心及弧度信息。
S2、自动插值补全轮廓信息包括补全线段插值处理和补全弧线插值处理。补全线段插值处理为等线段间隔插值处理,插值密度可人为一键调控。补全弧线插值处理为等弧长间隔插值处理,插值密度可人为一键调控,且其插值密度不必与线段插值密度相等。
S3、遍历出所有插值后的轮廓段落是获取整个工业件轮廓的线段、弧段集合,其中工业件轮廓的每个线段和弧段为插值后的点集合。
如图2所示,矢量信息判定为判定所有段落集合及段落内部点集合是否一致按照确切的圆周方向排序,若判断为是则无需矢量信息整合直接进入步骤S5,否则,进入步骤S4,如图3所示对段落间矢量信息整合,且对段落内点集合矢量信息整合。
S4、自动矢量整合轮廓封闭式排序信息,自动矢量整合包括局部矢量整合和整体矢量整合。局部矢量整合是整合每个线段(以及曲线段)内部的坐标点集合的矢量信息,整体矢量整合是整合所有曲线段(包括线段、弧线段)段落集合的矢量信息。
获得整个轮廓带矢量排序的坐标点信息为整个轮廓按逆时针(或顺时针)排序的坐标点点集,点集头端和末端皆取自最小y值的坐标点,如图5所示为提取出的轮廓绝对坐标的仿真验证图。
S5、对轮廓绝对坐标数据作整合优化处理并计算相对坐标信息,步骤如下:
S51、调整轮廓坐标的起止点,按轮廓顺时针圆周方向从y最小坐标再回到y最小坐标。进一步,将所有的段落分段消除掉,整理成一个整个轮廓的点集和,最终使得整个轮廓的坐标点排序方式更加规范化。
S52、将步骤S4中获得的整个轮廓坐标点点集分类成四段,并且让每一段坐标点按照总体上y坐标升序的趋势排序,同时将整个轮廓的冗余坐标点去除,对应标记为camera1-4功能块,其中有两种方案:
方案一:如图6所示,此时工业件侧身放置,按照最上点d1、最下点d4、最左点d2、最右点d3四个极值端点整合分类成四段;
方案二:如图7所示,此时工业件两条相对规则的水平短边作为上下两条平行边,正身放置,将上下两条平行边的四个顶角点d5、d6、d7、d8作为端点分类成四段。
根据方案一、方案二有两种不同的处理方法:
其中如图6所示,方案一具体为按照最左、最右、最上、最下四个极值坐标点,分成四段轮廓,左下对应camera1,左上对应camera2,右上对应camera3,右下对应camera4,且每段曲线宏观的矢量排序趋势都是由y轴方向从下往上(注:局部可能出现y降序,这是因为需要保障每个camera段内部的矢量信息正确,但整体的总趋势是y升序方向);
其中如图7所示,方案二具体为按照上下两条平行的水平边的顶点d5、d6、d7、d8划分成四段,上下两条相对规则的水平边分别对应camera3、camera4,分别与上下两个线扫相机一一对应;左右两条不规则边分别对应camera1、camera2,分别与左右两个激光laser1、laser2一一对应。
S53、调整四段轮廓所包含的坐标点数目,考虑有效性和可靠性,坐标点数目可人为一键调整限制,如在汽车工业件轮廓提取实例中每段轮廓设置成300个以下。
计算出相对坐标信息,实现工业件CAD文件信息的高效、精确提取整合。具体为将y轴设定为主轴(即为传送带运动方向),将光路长度设定为从轴。上一步骤中获取了标记为camera1-4的四段曲线,每一段的点集的y坐标减去相应段起点的y坐标值。从而获得y坐标的相对位移值,即主轴的偏移量。每一段的点集的x坐标减去相应段起点的x坐标值,然后再将得到的值乘以矫正系数k,此处k=2/2(k的计算公式为:k=1/2*1/cosα,其中,α为激光射线与激光设备点处朝传送带区域方向的水平射线夹角。如图6所示,与laser1、laser2、laser3、laser4一一对应(也与camera1-4一一对应)的α分别为图6中的α1、α2、α3、α4,此时,由于图6中这四个角皆为45°,故求得k为2/2;同理,如图7中所示,由于水平激光射线与激光设备点处朝传送带区域方向的水平射线夹角为0°,故通过上述公式计算k=1/2*1/cos0,求得两个水平激光对应的k皆为1/2),得到从轴的偏移量,作为控制光路路程的相对变化的棱镜的相对位移值。从而使得工业件被照射点的反射光路距离在工业件运动过程中保持稳定特定值(与相机焦距成一一严格对应关系)并反射光到达固定镜头,相机镜头获得稳定且清晰成像,作为工业件瑕疵检测所须的先导条件。
S6、利用步骤S5中计算出的相对坐标信息辅助运动控制,根据传送带上工业件的相对运动,通过调整相机与目标工业件的相对位置,调整由工业件反射到摄像头的光路长度,以保持物距恒定,对物距进行补偿,来自动匹配被拍摄目标工业件的远近变化,使相机能稳定并拍摄到工业件的所有清晰局部图像并排序。
具体的实施过程中,主轴偏移量与从轴偏移量一一对应,得出了运动控制坐标曲线。根据现场设备,理想条件下已经可以用于运动控制获得工业件的清晰成像,但由于运动控制设备(如PLC)的限制,通常需要对运动控制坐标曲线做平滑处理,从而保证运动控制设备正常运转。平滑处理具体目的为拟合一条新的运动控制坐标曲线,其一要保证从轴跟随主轴移动,两者配合扫描出指定形状的轨迹;其二要使得新的曲线光滑,速度(轨迹函数一阶导)和加速度(轨迹函数二阶导)应连续变化,不要突变。
平滑处理具体实施为,首先插值重采样处理,获取均匀的主轴的位移序列以及相对应的从轴序列;其次,做光滑处理,采用Savitzky-Golay滤波方法,根据需求调节其中的平滑参数获取保真度与平滑度均衡适应的新曲线。用于运动控制,最终使得工业件清晰成像于高速相机。
如图6所示,工业件侧置,从上往下竖直运动,其中1、2、3、4表示四个激光点laser1-4,对应camera1-4四段曲线,数字标号相同的一一对应。每个激光从棱角出发沿对角线以射线打光,将工业件竖直向下的运动方向定为主轴正方向,以2号激光以及对应的camera2曲线为例,工业件运动过程中沿主轴正方向行进,将该方向偏移量作为主轴偏移量,对于2号激光,最初与工业件的camera2段的最底部的点相交作为初始状态,此时激光的到交点距离为L(也就是激光的光路长度),当工业件继续往下运动,光路长度会产生偏移量,该偏移量作为从轴偏移量。将主轴偏移量与从轴偏移量对应起来,再根据现场布置,通常在工业件的每一个camera段曲线正好进入正方形区域的状态(首次感应临界态,此时被传感器感知到)与工业件正好到达初始状态之间做补零处理,如对于camera2曲线段,T的长度就是主轴从首次感应临界态到达初始状态的总偏移量,除以间隔量(本次实例中设置为4mm),即可获得需要补零的点数n,主轴从0开始以等间隔量均匀补充n个值,放置在原主轴偏移量的起始处,原主轴偏移量则顺次往后排列并且每个需要加上总偏移量T;从轴偏移量需在起始处补充n个0值,原从轴偏移量则顺次往后排列。最终即可获得工业件运动状态(带补零)的偏移量,从而可以推导出工业件运动轨迹,引导控制从工业件被打光处的反射光到高速相机设备的光路长度,使保持物距恒定,进而清晰成像。其它三个激光以及对应曲线的曲线运动轨迹获取的方法同理。
如图7所示,工业件正立,从上往下竖直运动,此时工业件放置的需求是上下两条边为规则边(曲线特征简单且长度短),保持水平方向放置;左右两条边为不规则边(曲线特征复杂且长度长),保持相对竖直。对两条不规则边,仍旧由两个激光打光(如图7中laser1、laser2所示),但激光方向为水平照射。同理于上述方案一,竖直方向往下运动的路程为主轴量,激光到工业件的距离长度作为从轴量,将主轴量的偏移量(即变化量),与从轴的偏移量一一对应起来,即可获得这两条不规则边的运动轨迹,同理方案一做相应的补零操作,最终进而引导运动控制,同理使得工业件被激光照射处反射光到高速相机的光路路程始终保持一定值,从而清晰成像于相机中;对于两条规则边,采用两个线扫相机,因为规则边曲线段特征简单,且水平,只用让相机始终保持与水平边直线的距离(物距)保持一定(根据相机焦距设置为固定值),通过线扫移动拍摄直线边的多个局部点,即可获得清晰成像,用于后续的瑕疵检测。
上述图7所示,方案二是在方案一基础上的发展改善方案,可达到保证可靠性的同时保障经济效益的目的。
S7、如图4、图8所示,基于步骤S6获得的工业件缺陷照片的序号,以及拍摄到工业件的起止照片序号的条件下,以图形界面形式,换算出工业件缺陷照片对应的缺陷点在整体的位置坐标(算法采用线性关系换算),自动反馈缺陷的位置坐标,打印缺陷位置并且自动绘制缺陷在整个轮廓的位置图,如图8所示,从而达到智能反馈的目的。
对于每种有待质检的新型号的工业部件,仅仅需要重复S1~S7便可快速获取该工业部件的轮廓与运动轨迹。由于整个数据处理与运算过程比较简单、计算量小、时间复杂度小,并依托于CPU处理能力,整个过程可实时高速计算完成。
因此,本发明采用上述一种用于目标检测的运动轨迹生成方法,通过直接从工业件CAD文件提取坐标信息,并且自动补全调整优化处理轮廓坐标信息,实现了对工业件质检先导条件(即获取高清图像信息)的高效化、高精化的处理。由于整个数据计算过程实时性强、效率高,本发明可以快速兼容更多新型号的工业部件,解决了以往普通方法手工测量每一种工业件尺寸轮廓低效、高误差、精度波动大等问题,大大提高了轮廓信息与运动控制信息的准确性,进一步高自动化高效率高精度地获取工业件的图像,从而大大提高了工业件工业质检的效率与精度。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (10)

1.一种用于目标检测的运动轨迹生成方法,其特征在于:步骤如下:
S1、提取工业件的CAD信息,获取粗略轮廓信息;
S2、在S1获得的粗略轮廓信息基础上,自动插值补全轮廓信息;
S3、遍历出所有插值后的轮廓段落,对轮廓信息做矢量信息判定;
S4、根据判定结果,自动矢量整合轮廓封闭式排序信息,获得整个轮廓带矢量排序的坐标点信息;
S5、对轮廓绝对坐标数据作整合优化处理,并计算相对坐标信息;
S6、利用步骤S5中计算出的相对坐标信息辅助运动控制,调整相机与目标工业件的相对位置,使相机能拍摄到工业件的所有清晰局部图像并排序;
S7、基于步骤S6获得的工业件缺陷照片的序号,以及拍摄到工业件的起止照片序号的条件下,换算出工业件缺陷照片对应的缺陷点在整体的位置坐标,自动反馈缺陷的位置坐标,并绘制缺陷在整个轮廓的位置图。
2.根据权利要求1所述的一种用于目标检测的运动轨迹生成方法,其特征在于:在步骤S1中,提取工业件的CAD信息包括提取所有线段的起止点坐标信息和提取所有弧线段的起止点、圆心及弧度信息。
3.根据权利要求1所述的一种用于目标检测的运动轨迹生成方法,其特征在于:在步骤S2中,自动插值补全轮廓信息包括补全线段插值处理和补全弧线插值处理。
4.根据权利要求3所述的一种用于目标检测的运动轨迹生成方法,其特征在于:在步骤S2中,所述补全线段插值处理为等线段间隔插值处理;
所述补全弧线插值处理为等弧长间隔插值处理,其插值密度不必与线段插值密度相等。
5.根据权利要求1所述的一种用于目标检测的运动轨迹生成方法,其特征在于:在步骤S3中,遍历出所有插值后的轮廓段落是获取整个工业件轮廓的线段、弧段集合,其中工业件轮廓的每个线段和弧段为插值后的点集合。
6.根据权利要求1所述的一种用于目标检测的运动轨迹生成方法,其特征在于:在步骤S3中,矢量信息判定为判定所有段落集合及段落内部点集合是否按照确切的圆周方向排序;若判断为是,则直接进入步骤S5;否则,进入步骤S4。
7.根据权利要求1所述的一种用于目标检测的运动轨迹生成方法,其特征在于:在步骤S4中,自动矢量整合包括局部矢量整合和整体矢量整合,所述局部矢量整合是整合每个线段(以及曲线段)内部的坐标点集合的矢量信息;所述整体矢量整合是整合所有曲线段(包括线段、弧线段)段落集合的矢量信息。
8.根据权利要求1所述的一种用于目标检测的运动轨迹生成方法,其特征在于:在步骤S4中,整个轮廓带矢量排序的坐标点信息为整个轮廓排序的坐标点点集,所述点集头端和末端皆取自最小y值的坐标点。
9.根据权利要求1所述的一种用于目标检测的运动轨迹生成方法,其特征在于:在步骤S5中,整合优化处理步骤如下:
S51、调整轮廓坐标的起止点,按轮廓顺时针圆周方向从y最小坐标再回到y最小坐标,将所有的段落分段消除掉,得到整个轮廓的点集和;
S52、将步骤S51中获得的整个轮廓坐标点点集分类成四段,并且让每一段坐标点按照总体上y坐标升序的趋势排序,同时将整个轮廓的冗余坐标点去除;
S53、调整四段轮廓所包含的坐标点数目。
10.根据权利要求1所述的一种用于目标检测的运动轨迹生成方法,其特征在于:在步骤S6中,辅助运动控制是根据传送带上工业件的相对运动,调整由工业件反射到摄像头的光路长度。
CN202310107785.1A 2023-02-13 2023-02-13 一种用于目标检测的运动轨迹生成方法 Active CN116051587B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310107785.1A CN116051587B (zh) 2023-02-13 2023-02-13 一种用于目标检测的运动轨迹生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310107785.1A CN116051587B (zh) 2023-02-13 2023-02-13 一种用于目标检测的运动轨迹生成方法

Publications (2)

Publication Number Publication Date
CN116051587A true CN116051587A (zh) 2023-05-02
CN116051587B CN116051587B (zh) 2023-08-11

Family

ID=86121894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310107785.1A Active CN116051587B (zh) 2023-02-13 2023-02-13 一种用于目标检测的运动轨迹生成方法

Country Status (1)

Country Link
CN (1) CN116051587B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009236550A (ja) * 2008-03-26 2009-10-15 Aisin Seiki Co Ltd 欠陥検出方法
CN103810343A (zh) * 2014-02-24 2014-05-21 清华大学 一种零件关键工艺表面的创成式精细化表征方法
CN107679333A (zh) * 2017-10-19 2018-02-09 大连理工大学 一种二维拓扑优化结果几何重构的方法
WO2018046948A1 (en) * 2016-09-09 2018-03-15 The University Of Warwick Three-dimensional shape error detection
CN109954983A (zh) * 2017-12-25 2019-07-02 广州智信科技有限公司 自动切割方法
CN112598784A (zh) * 2020-12-23 2021-04-02 深兰人工智能芯片研究院(江苏)有限公司 轮廓扫描结果的调整方法、装置、电子设备及存储介质
US20220057779A1 (en) * 2020-08-20 2022-02-24 Guangdong University Of Technology Method and device for intelligently controlling continuous processing of flexible material

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009236550A (ja) * 2008-03-26 2009-10-15 Aisin Seiki Co Ltd 欠陥検出方法
CN103810343A (zh) * 2014-02-24 2014-05-21 清华大学 一种零件关键工艺表面的创成式精细化表征方法
WO2018046948A1 (en) * 2016-09-09 2018-03-15 The University Of Warwick Three-dimensional shape error detection
CN107679333A (zh) * 2017-10-19 2018-02-09 大连理工大学 一种二维拓扑优化结果几何重构的方法
CN109954983A (zh) * 2017-12-25 2019-07-02 广州智信科技有限公司 自动切割方法
US20220057779A1 (en) * 2020-08-20 2022-02-24 Guangdong University Of Technology Method and device for intelligently controlling continuous processing of flexible material
CN112598784A (zh) * 2020-12-23 2021-04-02 深兰人工智能芯片研究院(江苏)有限公司 轮廓扫描结果的调整方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘建春;林海森;黄勇杰;江骏杰;: "基于机器视觉的金属边缘细微缺陷检测方法的研究", 制造技术与机床, no. 11 *
陆地: "基于图像处理的图形轮廓自动识别技术研究", 长安大学学报(建筑与环境科学版), no. 01 *

Also Published As

Publication number Publication date
CN116051587B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
US11042146B2 (en) Automated 360-degree dense point object inspection
US11087458B2 (en) Automated in-line object inspection
WO2020223594A2 (en) Automated 360-degree dense point object inspection
US8050491B2 (en) CAD modeling system and method
CN107121093A (zh) 一种基于主动视觉的齿轮测量装置及测量方法
CN112964186B (zh) 一种轴孔自动化装配过程中间隙测量装置及方法
CN108428251A (zh) 一种基于机器视觉技术激光结构光自动标定方法
CN102538707B (zh) 一种对工件进行三维定位的装置及方法
CN107932185A (zh) 基于视觉的数控机床全闭环系统
CN112170836B (zh) 一种3d打印设备自动嫁接打印的方法
CN109483887A (zh) 激光选区熔化过程中成形层轮廓精度在线检测方法
CN116051587B (zh) 一种用于目标检测的运动轨迹生成方法
Peña et al. A procedure to integrate a cis sensor in an additive manufacturing machine for in-situ digitizing of deposited material layers
CN113063804B (zh) 一种基于图像处理的热切机视觉系统自动定位方法
CN106705836A (zh) 一种t型导轨尺寸参数自动检测系统
CN108170095A (zh) 基于视觉的数控机床全闭环系统的加工方法
CN115453839A (zh) 一种面向dlp3d打印的单光源水平校准方法
KR102222898B1 (ko) 레이저를 이용한 가공품 검사 장치 및 검사 방법
CN106767517B (zh) 一种自由曲面内三维缝隙形貌自动采集方法及采集装置
CN107991990A (zh) 一种基于视觉的数控机床全闭环系统
Wang et al. An on-machine and vision-based depth-error measurement method for micro machine tools
CN110884126A (zh) 一种大画幅3d打印的高精度打印系统及打印方法
CN118314138B (zh) 一种基于机器视觉的激光加工方法及系统
CN115471536A (zh) 一种基于sad立体匹配和高精度设备协同的柔性橡胶工件3d壁厚提取方法
Jinquan et al. Research on Visual Recognition Method of Elbow Based on Improved Bezier Curve

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