CN116071344A - 一种基于机器视觉的曲面标签拼接检测系统 - Google Patents
一种基于机器视觉的曲面标签拼接检测系统 Download PDFInfo
- Publication number
- CN116071344A CN116071344A CN202310168560.7A CN202310168560A CN116071344A CN 116071344 A CN116071344 A CN 116071344A CN 202310168560 A CN202310168560 A CN 202310168560A CN 116071344 A CN116071344 A CN 116071344A
- Authority
- CN
- China
- Prior art keywords
- camera
- image
- point
- coordinate system
- template
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000003384 imaging method Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 32
- 238000001914 filtration Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 18
- 241001292396 Cirrhitidae Species 0.000 claims description 17
- 238000013519 translation Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000007547 defect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000037303 wrinkles Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims 2
- 235000013361 beverage Nutrition 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000011217 control strategy Methods 0.000 abstract 1
- 238000004806 packaging method and process Methods 0.000 abstract 1
- 238000007639 printing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 241000226585 Antennaria plantaginifolia Species 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 235000013405 beer Nutrition 0.000 description 1
- 235000012206 bottled water Nutrition 0.000 description 1
- 235000015218 chewing gum Nutrition 0.000 description 1
- 229940112822 chewing gum Drugs 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/146—Aligning or centring of the image pick-up or image-field
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
-
- 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)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明本涉及一种基于机器视觉的曲面标签拼接检测系统,属于视觉检测技术领域,用于解决对圆柱形饮料瓶标签进行检测的问题。其包括四台高速高分辨率CCD面阵相机,用于高速拍摄被检查产品图像信息;每个相机配套两个LED光源,分别设置在相机的上方和下方,对标签检测区域进行打光;一套图像处理系统,用于对图像信息进行处理并运行曲面标签拼接检测方法;以及一套信号控制系统。通过创新曲面标签拼接检测方法对每个相机获得平面标签图像进行拼接融合,获得拼接标签平面图像。本基于机器视觉的曲面标签拼接检测方法通过基于机器视觉的检测方法,实现了对圆柱包装产品外观标签、表面脏污、标签破损的检测与控制策略研究,大大提高生产的品质和效率。
Description
本申请是分案申请,原申请的申请号是201911078594.7,原申请日是2019年11月06日,原申请的全部内容通过引用结合在本申请中。
技术领域
本发明属于视觉检测技术领域,涉及一种检测系统及方法,特别是一种基于机器视觉的曲面标签拼接检测系统及方法。
背景技术
随着生活水平的不断提高,瓶装水、饮料、乳制品、啤酒、口香糖、奶粉及罐装产品需求日益剧增,智能制造技术的高速发展,生产线的生产速度持续增加(>28000个/小时)等,传统生产线上人工检测方式已无法满足现代化生产需求,针对圆柱形包装品的外观检测需求会越来越多,设备代替人工是具有重大意义。
目前市场中针对圆柱形产品的标签检测软件系统都是四个相机独立的软件检测系统,没有将四个相机拍照的内容联系起来的检测系统(每个相机图像完成曲面矫正平面后,进行特征拼接及融合),市场中现有软件的缺点为检测系统检测内容单一(标签位置,高低标签、倒标及斜标),检测精度低,并且检测效率较低。
发明内容
本发明的目的是针对现有的技术存在上述问题,提出了一种基于机器视觉的曲面标签拼接检测系统及方法,该检测系统及方法要解决的技术问题是:如何实现对圆柱形饮料瓶标签进行准确、高精度检测。
本发明的目的可通过下列技术方案来实现:
一种基于机器视觉的曲面标签拼接检测系统及方法,在检测系统中,包括四台高速高分辨率CCD面阵相机、八个高亮LED光源、一套图像处理系统和一套信号控制系统,四台面阵相机呈90度间隔放置,对圆柱形饮料瓶标签进行360度无盲区检测,每个相机配套两块LED光源,分别从上面和下面对标签区域进行打光,通过采用上面光和下面光相结合的方式,可保证标签区域亮度均匀,极大提高标签印刷缺陷检测精度,其包括以下步骤:
步骤一:建立四目联合标定系统,得到产品的深度图像,利用含有深度信息的图像获得产品轮廓与模板的偏差,通过线性比例变化得到缩放比;
步骤二:相机实时自动采集图片,使用软件实时裁切图像,根据图像距离中心位置的左右偏移,对图像进行标定后,自动放射变换到模板位置,实现与模板一样的大小;
步骤三:将曲面图像展开为平面图像,将平面图像修正到亚像素精度;
步骤四:将曲面图像展开为平面图像后,获得每个平面图像的边界特征图,在边界处将四个相机的图像进行融合,确定每个相机图像的连接处没有图像重叠及上下错位的情况;
步骤五:针对不同的标签检测需求,利用Halcon实现算法实现对标签褶皱、歪斜和字符模糊缺陷的提取及检测;
步骤六:检测人员观察计算机终端,记录识别结果。
使用单个相机进行多点棋盘格标定工作,将每个相机的视场角畸变进行调整,其次确定相机的内参和外参,使用相邻两个相机的联合标定整个系统,多点棋盘格使用SADDLE_POINTS_SUB_PIX函数获得鞍点,获取棋盘格图形亚像素信息,并且利用棋盘格黑白的顺序,制定出图像的方向信息及图像灰度的变化信息,通过高斯滤波函数平滑图形信息,提取出棋盘格边缘特征,使用连续的二次多边形拟合查找定位出每个点X和Y的序列关系,采用黑塞矩阵判断出每个边缘特征的权重信息,通过与预设值对比的偏差变化从而判断出鞍点坐标位置,相邻两个相机具有相同的内参即焦距、畸变、中心坐标与像元尺寸,两相机的中心与第一相机的X轴重合,P(xc,yc,zc)为空间某点,Image1和Image2为两成像平面,点P在左成像平面成像的点为Pl(ul,vl),在右成像平面成像的点为Pr(ur,vr),相机安装的高度相同,即P点在两成像平面的安装高度相同,则有:
vl=vr
由几何关系可得到:
式中xc——P点x方向空间坐标;
yc——P点y方向空间坐标;
zc——P点z方向空间坐标;
ul——左平面成像上点为Pl的行坐标;
vl——左平面成像上点为Pl的列坐标;
ur——右平面成像上点为Pr的行坐标;
vr——右平面成像上点为Pr的行坐标;
b——基线距离,即两相机的距离;
双目视觉系统中视场差的定义为点P在两侧成像平面相应点Pl和Pr的位置差;
由此可以计算出空间中某点在左摄像机坐标系中的坐标为:
确定相机的外参,即图像坐标系与像素坐标系有以下关系:
(1)世界坐标系(Xw,Yw,Zw)的坐标转换为摄像机坐标系(Xc,Yc,Zc)的坐标,需要通过一次刚体变换,所谓刚体变换为世界坐标系经过平移加旋转与摄像机坐标系重合,该变换关系为:
式中R——旋转矩阵
T——平移向量
T(Tx,Ty,Tz)为平移向量,R(α,β,γ)为旋转矩阵,其中α,β,γ分别是绕相机x、y和z轴分别旋转的角度,即
R(α,β,γ)=R(α)R(β)R(γ)
(2)下面是相机坐标系(Xc,Yc,Zc)到图像坐标系(x,y)的齐次变换,如果不考虑畸变,则有:
(3)以上是理想的情况,但是事实上因为加工误差等,相机畸变不可避免。把畸变考虑进去,则畸变图像坐标(x,y)与原图像坐标(x′,y′)有以下关系:
式中,δx′为原图像在坐标系中x轴向的畸变量,
δy′为原图像在坐标系中y轴向的畸变量;
(4)图像坐标系(x,y)在不考虑畸变的情况下,其与像素坐标系(u,v)有如下的齐次变换关系:
不考虑相机镜头畸变的情况下,世界坐标系与图像坐标系的关系,即为通用的相机模型。
式中M1—相机内部参数;
M2—相机外部参数;
Wh—三维空间点在世界坐标系下的齐次坐标;
s—比例因子;
其中,M1等参数是相机加工时确定的,与相机本身的结构有关,称为相机的内参,而M2描述了两相机的位置,与相机的摆放有关,即为通常所说的外参,而Wh为世界坐标系下物体的齐次坐标,用于描述物体的空间位置;
考虑畸变,则相机模型变为非线性模型,其比线性模型多了畸变系数,如相机针孔成像模型计算得到的理想坐标为(x,y),而实际图像点的坐标为(x′,y′),则有:
式中k1——x方向的畸变;
k2——y方向的畸变系数;
在双目系统标定过程中,首先需要提供相机内参的初始值,相机畸变系数设为0,相机设置内参初始值用到的算子为:gen_cam_par_area_scan_division,标定板的圆形标记点空间坐标可以从标定板描述文件中读取,用到的算子为set_calib_data_calib_object,左右相机的内参标定结果如下表所示,
从上表可以看出,左相机畸变系数κ=1226.62,右相机的畸变系数κ=3425.91,左右摄像机的畸变均为正数,说明所拍摄的照片畸变属于枕形畸变;
标定得到的该双目的外参如下表所示,
标定得到的旋转矩阵得到的信息有:右相机相对于左相机绕X轴旋转0.95°,绕Y轴旋转13.67°,绕Z轴旋转0.75°,X轴和Z轴的旋转相对于Y轴小很多,这说明基本上右相机绕着Y轴旋转了13.67°和左相机重合,由平移向量得到的信息为右相机相对左相机平移距离为:
通过相机标定结果,建立模板产品在中心位置时,模板产品在每个相机中的深度信息,相机一表示为Z1,相机二表示为Z2,相机三表示为Z3,相机四表示为Z4,产品通过检测中心位置,每个相机获得的产品中心的偏移位置分别为Z1',Z2',Z3'和Z4',设Z'为相机获得的产品中心的偏移位置,Z为模板产品中心的位置,根据预先模板关系,根据预先模板关系,导出当前图像中产品的直径d,通过线性比例变换获取检测产品直径变化d';
式中,d′为图像中产品的直径变化,d为模板产品直径,Z′为相机获得的产品中心的偏移位置,Z为模板产品中心的位置;
获取出图像的边缘后,通过线性比例变换得出图像横向X及纵向Y缩放比系数ψ,从而保证产品做曲面矫正时,保证与建模比例相同。
采用鞍点、黑塞矩阵、高斯核或双线性插值等方法得到曲面图像展开为平面的图像,亚像素精度修正步骤如下:
步骤一:在模板图像中设置包含目标物体的感兴趣区域,将其他不需要的部分排除在外,并对模板中感兴趣区域构建多层金字塔;
步骤二:对模板的金字塔各层进行边缘滤波,得到模板的边缘系列,然后对这边缘系列进行旋转;
步骤三:在目标图像中设置感兴趣检测区域作为搜索区域来提高搜索速度;
步骤四:同样对目标图像的搜索区域生成金字塔,然后边缘滤波的处理,得到的是经过边缘滤波图像金字塔;
步骤五:从金字塔的最顶层开始逐层对处理后的目标图像进行模板匹配,得到相应的相似度量,取得局部最大的相似度量为匹配点;
步骤六:对上述最后得到的匹配点用最小二乘法修正得到亚像素精度的匹配
获得边界特征图过程中对相机的边缘进行特征提取方式分为两种:第一种是基于外形匹配的,将特征明显的区域手动建立模板,第二种是基于角点匹配的方式,通过角点特征和灰度值变化的方式提取特征。
Halcon算法如下:
(1)使用Halcon的算子rgb1_to_gray将RGB图像转化为灰度图像,正常的彩色图片有R、G、B三个通道,称之为真彩色图片,为了提高图像处理速度,图像处理时需要将彩色图像转化为灰度图像,彩色图像转化为灰度图像时,需要计算每个通道的有效亮度值,其计算公式为:
G(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)
式中G(i,j)——(i,j)点的灰度值;
R(i,j)——彩色图像(i,j)点的R通道灰度值;
G(i,j)——彩色图像(i,j)点的G通道灰度值;
B(i,j)——彩色图像(i,j)点的B通道灰度值;
(2)设置ROI,设置ROI的目的是减小处理的区域,设置的ROI区域为板坯附近的区域,用算子gen_rectangle1得到一个矩形,然后用reduce_domain去除掉ROI以外的区域;(3)均值滤波,使用的算子为mean_image,该算子利用均值来平滑图像去除噪声,均值滤波的尺寸自己可以选取;
(4)动态阈值,动态阈值的算子是dyn_threshold。输入为均值滤波后的图像和原图像,输出为动态阈值分割的结果,可以通过调节滤波的尺寸来调节图像分割的结果,滤波尺寸越小,分割出来的是一些边缘,随着滤波尺寸的增加,边缘也会越来越宽,通俗讲动态阈值可以理解为对比度,即某一像素和其周边的像素进行比较;
(5)联通域分析,联通域分析为计算分割的区域中连接在一起的部分,连接在一起的部分属于一个连通域,该过程用到的算子是connection,即把上述动态阈值分割的区域分开成单个联通区域;
(6)形状选择。形状选择用到的算子是select_shape,通过面积特征把干扰区域去掉,面积特征的参数为“area”,另外,该算子有大约70个参数,其中有“col”、“row”、“width”、“height”等;
(7)形状填充,使用的算子为fill_up,即把区域的孔洞填充上,使其成为单连通区域。
(8)开运算,开运算的算子为opening_circle,为利用圆形结构元对图形进行开运算;另外Halcon还有算子opening_rectangle1,为利用矩形区域对图形进行开运算,opening为利用自己定义的结构元对图形进行开运算;
(9)求差,使用模板信息中的预设特征,用算子difference求差,计算两个区域的差值;
(10)缺陷提取,在halcon里是一种形状变换,算子用到的是shape_trans,参数设为“convex”,使原始图形变换为凸图形,另外还有参数“ellipse”和“rectangle2”等,即把原始形状的区域变换为椭圆和矩形。
与现有技术相比,本基于机器视觉的曲面标签拼接检测装置以及方法具有以下优点:
提出使用多相机联合标定,进行曲面标签拼接与检测技术。将四相机联合进行标定,然后将圆柱物体展开为平面后,采用特征提取的方式将每个相机的平面标签图像进行拼接融合。获得拼接标签平面图像后,可以检测标签的合缝线偏差、主要特征歪斜、前后标签的位移偏差距离、标签褶皱、标签破损、字符多印、字符缺印以及可以提高传统检测缺陷的种类及精度。
附图说明
图1是本发明中工位分布图;
图2是本发明中检测方法的流程图;
图3是本发明中四目标定系统的标定流程图;
图4是本发明中产品缩放比例及裁切比例的流程图;
图5是本发明中棋盘格展开的流程图;
图6是本发明中特征匹配及边缘融合的流程图;
图7是本发明中缺陷提取及特殊位置测量的流程图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
请参阅图1-7,本实施例提供了一种基于机器视觉的曲面标签拼接检测方法,在检测系统中,包括四台高速高分辨率CCD面阵相机、八个高亮LED光源、一套图像处理系统和一套信号控制系统,四台面阵相机呈90度间隔放置,对圆柱形饮料瓶标签进行360度无盲区检测,每个相机配套两块LED光源,分别从上面和下面对标签区域进行打光,通过采用上面光和下面光相结合的方式,可保证标签区域亮度均匀,极大提高标签印刷缺陷检测精度,其包括以下步骤:
步骤一:建立四目联合标定系统,得到产品的深度图像,利用含有深度信息的图像获得产品轮廓与模板的偏差,通过线性比例变化得到缩放比;
步骤二:相机实时自动采集图片,使用软件实时裁切图像,根据图像距离中心位置的左右偏移,对图像进行标定后,自动放射变换到模板位置,实现与模板一样的大小;
步骤三:将曲面图像展开为平面图像,将平面图像修正到亚像素精度;
步骤四:将曲面图像展开为平面图像后,获得每个平面图像的边界特征图,在边界处将四个相机的图像进行融合,确定每个相机图像的连接处没有图像重叠及上下错位的情况;
步骤五:针对不同的标签检测需求,利用Halcon实现算法实现对标签褶皱、歪斜和字符模糊缺陷的提取及检测;
步骤六:检测人员观察计算机终端,记录识别结果。
使用单个相机进行多点棋盘格标定工作,将每个相机的视场角畸变进行调整,其次确定相机的内参和外参,使用相邻两个相机的联合标定整个系统,多点棋盘格使用SADDLE_POINTS_SUB_PIX函数获得鞍点,获取棋盘格图形亚像素信息,并且利用棋盘格黑白的顺序,制定出图像的方向信息及图像灰度的变化信息,通过高斯滤波函数平滑图形信息,提取出棋盘格边缘特征,使用连续的二次多边形拟合查找定位出每个点X和Y的序列关系,采用黑塞矩阵判断出每个边缘特征的权重信息,通过与预设值对比的偏差变化从而判断出鞍点坐标位置,相邻两个相机具有相同的内参即焦距、畸变、中心坐标与像元尺寸,两相机的中心与第一相机的X轴重合,P(xc,yc,zc)为空间某点,Image1和Image2为两成像平面,点P在左成像平面成像的点为Pl(ul,vl),在右成像平面成像的点为Pr(ur,vr),相机安装的高度相同,即P点在两成像平面的安装高度相同,则有:
vl=vr
由几何关系可得到:
式中xc——P点x方向空间坐标;
yc——P点y方向空间坐标;
zc——P点z方向空间坐标;
ul——左平面成像上点为Pl的行坐标;
vl——左平面成像上点为Pl的列坐标;
ur——右平面成像上点为Pr的行坐标;
vr——右平面成像上点为Pr的行坐标;
b——基线距离,即两相机的距离;
双目视觉系统中视场差的定义为点P在两侧成像平面相应点Pl和Pr的位置差。
由此可以计算出空间中某点在左摄像机坐标系中的坐标为:
确定相机的外参,即图像坐标系与像素坐标系有以下关系:
(1)世界坐标系(Xw,Yw,Zw)的坐标转换为摄像机坐标系(Xc,Yc,Zc)的坐标,需要通过一次刚体变换,所谓刚体变换为世界坐标系经过平移加旋转与摄像机坐标系重合,该变换关系为:
式中R——旋转矩阵
T——平移向量
T(Tx,Ty,Tz)为平移向量,R(α,β,γ)为旋转矩阵,其中α,β,γ分别是绕相机x、y和z轴分别旋转的角度,即
R(α,β,γ)=R(α)R(β)R(γ)
(2)下面是相机坐标系(Xc,Yc,Zc)到图像坐标系(x,y)的齐次变换,如果不考虑畸变,则有:
(3)以上是理想的情况,但是事实上因为加工误差等,相机畸变不可避免。把畸变考虑进去,则畸变图像坐标(x,y)与原图像坐标(x′,y′)有以下关系:
式中,δx′为原图像在坐标系中x轴向的畸变量,
δy′为原图像在坐标系中y轴向的畸变量;
(4)图像坐标系(x,y)在不考虑畸变的情况下,其与像素坐标系(u,v)有如下的齐次变换关系:
不考虑相机镜头畸变的情况下,世界坐标系与图像坐标系的关系,即为通用的相机模型。
式中M1——相机内部参数;
M2——相机外部参数;
Wh——三维空间点在世界坐标系下的齐次坐标;
s——比例因子;
M1等参数是相机加工时确定的,与相机本身的结构有关,称为相机的内参,而M2描述了两相机的位置,与相机的摆放有关,即为通常所说的外参,而Wh为世界坐标系下物体的齐次坐标,用于描述物体的空间位置;
考虑畸变,则相机模型变为非线性模型,其比线性模型多了畸变系数,如相机针孔成像模型计算得到的理想坐标为(x,y),而实际图像点的坐标为(x′,y′),则有:
式中k1——x方向的畸变;
k2——y方向的畸变系数;
在双目系统标定过程中,首先需要提供相机内参的初始值,相机畸变系数设为0,相机设置内参初始值用到的算子为:gen_cam_par_area_scan_division,标定板的圆形标记点空间坐标可以从标定板描述文件中读取,用到的算子为set_calib_data_calib_object,左右相机的内参标定结果如下表所示,
从上表可以看出,左相机畸变系数κ=1226.62,右相机的畸变系数κ=3425.91,左右摄像机的畸变均为正数,说明所拍摄的照片畸变属于枕形畸变;
标定得到的该双目的外参如下表所示,
标定得到的旋转矩阵得到的信息有:右相机相对于左相机绕X轴旋转0.95°,绕Y轴旋转13.67°,绕Z轴旋转0.75°,X轴和Z轴的旋转相对于Y轴小很多,这说明基本上右相机绕着Y轴旋转了13.67°和左相机重合,由平移向量得到的信息为右相机相对左相机平移距离为:
通过相机标定结果,建立模板产品在中心位置时,模板产品在每个相机中的深度信息,相机一表示为Z1,相机二表示为Z2,相机三表示为Z3,相机四表示为Z4,产品通过检测中心位置,每个相机获得的产品中心的偏移位置分别为Z1',Z2',Z3'和Z4',设Z'为相机获得的产品中心的偏移位置,Z为模板产品中心的位置,根据预先模板关系,根据预先模板关系,导出当前图像中产品的直径d,通过线性比例变换获取产品直径变化d';
式中,d′为图像中产品的直径变化,d为模板产品直径,Z′为相机获得的产品中心的偏移位置,Z为模板产品中心的位置;
获取出图像的边缘后,通过线性比例变换得出图像横向X及纵向Y缩放比系数ψ,从而保证产品做曲面矫正时,保证与建模比例相同。
在本实施例中,确定两相机内参和第二个相机相对第一个相机的位置对得到点P到双目系统的距离。
采用鞍点、黑塞矩阵、高斯核或双线性插值等方法得到曲面图像展开为平面的图像,亚像素精度修正步骤如下:
步骤一:在模板图像中设置包含目标物体的感兴趣区域,将其他不需要的部分排除在外,并对模板中感兴趣区域构建多层金字塔;
步骤二:对模板的金字塔各层进行边缘滤波,得到模板的边缘系列,然后对这边缘系列进行旋转;
步骤三:在目标图像中设置感兴趣检测区域作为搜索区域来提高搜索速度;
步骤四:同样对目标图像的搜索区域生成金字塔,然后边缘滤波的处理,得到的是经过边缘滤波图像金字塔;
步骤五:从金字塔的最顶层开始逐层对处理后的目标图像进行模板匹配,得到相应的相似度量,取得局部最大的相似度量为匹配点;
步骤六:对上述最后得到的匹配点用最小二乘法修正得到亚像素精度的匹配。
获得边界特征图过程中对相机的边缘进行特征提取方式分为两种:第一种是基于外形匹配的,将特征明显的区域手动建立模板,第二种是基于角点匹配的方式,通过角点特征和灰度值变化的方式提取特征。
Halcon算法如下:
(1)使用Halcon的算子rgb1_to_gray将RGB图像转化为灰度图像,正常的彩色图片有R、G、B三个通道,称之为真彩色图片,为了提高图像处理速度,图像处理时需要将彩色图像转化为灰度图像,彩色图像转化为灰度图像时,需要计算每个通道的有效亮度值,其计算公式为:
G(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)
式中G(i,j)——(i,j)点的灰度值;
R(i,j)——彩色图像(i,j)点的R通道灰度值;
G(i,j)——彩色图像(i,j)点的G通道灰度值;
B(i,j)——彩色图像(i,j)点的B通道灰度值;
(2)设置ROI,设置ROI的目的是减小处理的区域,设置的ROI区域为板坯附近的区域,用算子gen_rectangle1得到一个矩形,然后用reduce_domain去除掉ROI以外的区域
(3)均值滤波,使用的算子为mean_image,该算子利用均值来平滑图像去除噪声,均值滤波的尺寸自己可以选取;
(4)动态阈值,动态阈值的算子是dyn_threshold。输入为均值滤波后的图像和原图像,输出为动态阈值分割的结果,可以通过调节滤波的尺寸来调节图像分割的结果,滤波尺寸越小,分割出来的是一些边缘,随着滤波尺寸的增加,边缘也会越来越宽,通俗讲动态阈值可以理解为对比度,即某一像素和其周边的像素进行比较;
(5)联通域分析,联通域分析为计算分割的区域中连接在一起的部分,连接在一起的部分属于一个连通域,该过程用到的算子是connection,即把上述动态阈值分割的区域分开成单个联通区域;
(6)形状选择,形状选择用到的算子是select_shape,通过面积特征把干扰区域去掉,面积特征的参数为“area”,另外,该算子有大约70个参数,其中有“col”、“row”、“width”、“height”等;
(7)形状填充,使用的算子为fill_up,即把区域的孔洞填充上,使其成为单连通区域。
(8)开运算,开运算的算子为opening_circle,为利用圆形结构元对图形进行开运算;另外Halcon还有算子opening_rectangle1,为利用矩形区域对图形进行开运算,opening为利用自己定义的结构元对图形进行开运算;
(9)求差。使用模板信息中的预设特征,用算子difference求差,计算两个区域的差值;
(10)缺陷提取,在halcon里是一种形状变换,算子用到的是shape_trans,参数设为“convex”,使原始图形变换为凸图形,另外还有参数“ellipse”和“rectangle2”等,即把原始形状的区域变换为椭圆和矩形。
上述“圆形结构元”、“结构元”属于形态学方法进行图像处理时用到一个辅助工具,即结构元。所谓结构元就是一个形状和大小已知的像素点集,根据不同的图像分析目的,常用的结构元有矩形、扁平形、圆形等;而且在Halcon机器视觉函数库中在开运算过程中所用到的算子类型是根据结构元的形状来确定的,比如开运算的算子opening_circle,即为利用圆形结构元对图形进行开运算;另外类似的还有算子opening_rectangle1为利用矩形结构元对图形进行开运算,而opening算子是利用自己定义形状的结构元对图形进行开运算,这些算子的名称以及所代表的具体含义均基于Halcon机器视觉函数库的规范。
综上,提出使用多相机联合标定,进行曲面标签拼接与检测技术。将四相机联合进行标定,然后将圆柱物体展开为平面后,采用特征提取的方式将每个相机的平面标签图像进行拼接融合。获得拼接标签平面图像后,可以检测标签的合缝线偏差、主要特征歪斜、前后标签的位移偏差距离、标签褶皱、标签破损、字符多印、字符缺印以及可以提高传统检测缺陷的种类及精度。
上面对本专利的较佳实施方式作了详细说明,但是本专利并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本专利宗旨的前提下做出各种变化。
Claims (5)
1.一种基于机器视觉的曲面标签拼接检测系统,其包括如下模块:
四台高速高分辨率CCD面阵相机,用于高速拍摄被检查产品图像信息,四台面阵相机呈90度间隔放置;
八个高亮LED光源,为每个相机配套两个LED光源,分别设置在相机的上方和下方,分别从上面和下面对标签检测区域进行打光;
一套图像处理系统,用于对四台高速高分辨率CCD面阵相机获取的图像信息进行处理并运行曲面标签拼接检测方法;
以及一套信号控制系统,用于对上述模块进行协调控制;
其中,该曲面标签拼接检测方法包括如下步骤:
步骤一:建立四目联合标定系统,得到产品的深度图像,利用含有深度信息的图像获得产品轮廓与模板的偏差,通过线性比例变化得到缩放比;
步骤二:相机实时自动采集图片,使用软件实时裁切图像,根据图像距离中心位置的左右偏移,对图像进行标定后,自动放射变换到模板位置,实现与模板一样的大小;
步骤三:将曲面图像展开为平面图像,将平面图像修正到亚像素精度;
步骤四:将曲面图像展开为平面图像后,获得每个平面图像的边界特征图,在边界处将四个相机的图像进行融合,确定每个相机图像的连接处没有图像重叠及上下错位的情况;
步骤五:针对不同的标签检测需求,利用Halcon实现算法实现对标签褶皱、歪斜和字符模糊缺陷的提取及检测;
步骤六:检测人员观察计算机终端,记录识别结果;
所述步骤一中四目联合标定系统使用单个相机进行多点棋盘格标定工作,将每个相机的视场角畸变进行调整,其次确定相机的内参和外参,使用相邻两个相机联合标定整个系统,多点棋盘格使用SADDLE_POINTS_SUB_PIX函数获得鞍点,获取棋盘格图形亚像素信息,并且利用棋盘格黑白的顺序,制定出图像的方向信息及图像灰度的变化信息,通过高斯滤波函数平滑图形信息,提取出棋盘格边缘特征,使用连续的二次多边形拟合查找定位出每个点X和Y的序列关系,采用黑塞矩阵判断出每个边缘特征的权重信息,通过与预设值对比的偏差变化从而判断出鞍点坐标位置,相邻两个相机具有相同的内参即焦距、畸变、中心坐标与像元尺寸,两相机的中心与第一相机的X轴重合,P(xc,yc,zc)为空间某点,Image1和Image2为两成像平面,点P在左成像平面成像的点为Pl(ul,vl),在右成像平面成像的点为Pr(ur,vr),相机安装的高度相同,即P点在两成像平面的安装高度相同,则有:
vl=vr
由几何关系可得到:
式中xc——P点x方向空间坐标;
yc——P点y方向空间坐标;
zc——P点z方向空间坐标;
ul——左平面成像上点为Pl的行坐标;
vl——左平面成像上点为Pl的列坐标;
ur——右平面成像上点为Pr的行坐标;
vr——右平面成像上点为Pr的行坐标;
b——基线距离,即两相机的距离;
d——视差值,即视差图求得的像素值;
f——焦距;
双目视觉系统中视场差的定义为点P在两侧成像平面相应点Pl和Pr的位置差;
由此可以计算出空间中某点在左摄像机坐标系中的坐标为:
2.如权利要求1所述的基于机器视觉的曲面标签拼接检测系统,其特征在于,所述确定相机的外参,即图像坐标系与像素坐标系有以下关系:
(1)世界坐标系(Xw,Yw,Zw)的坐标转换为摄像机坐标系(Xc,Yc,Zc)的坐标,需要通过一次刚体变换,所谓刚体变换为世界坐标系经过平移加旋转与摄像机坐标系重合,该刚体变换为:
式中R——旋转矩阵
T——平移向量
T(Tx,Ty,Tz)为平移向量,R(α,β,γ)为旋转矩阵,其中α,β,γ分别是绕相机x、y和z轴分别旋转的角度,即
R(α,β,γ)=R(α)R(β)R(γ)
(2)下面是相机坐标系(Xc,Yc,Zc)到图像坐标系(x,y)的齐次变换,不考虑畸变,则有:
(3)考虑相机畸变,则畸变图像坐标(x,y)与原图像坐标(x′,y′)有以下关系:
式中,δx′为原图像在坐标系中x轴向的畸变量,
δy′为原图像在坐标系中y轴向的畸变量;
(4)图像坐标系(x,y)在不考虑畸变的情况下,其与像素坐标系(u,v)有如下的齐次变换关系:
不考虑相机镜头畸变的情况下,世界坐标系与图像坐标系的关系,即为通用的相机模型
式中M1——相机内部参数;
M2——相机外部参数;
Wh——三维空间点在世界坐标系下的齐次坐标;
s——比例因子;
参数M1是相机加工时确定的,与相机本身的结构有关,称为相机的内参,M2描述了两相机的位置,与相机的摆放有关,为外参,而Wh为世界坐标系下物体的齐次坐标,用于描述物体的空间位置;
其中,相机模型变为非线性模型,其比线性模型多了畸变系数,相机针孔成像模型计算得到的理想坐标为(x,y),而实际图像点的坐标为(x′,y′),则有:
式中k1——x方向的畸变;
k2——y方向的畸变系数;
在双目系统标定过程中,首先需要提供相机内参的初始值,相机畸变系数设为0,相机设置内参初始值用到的算子为:gen_cam_par_area_scan_division,标定板的圆形标记点空间坐标可以从标定板描述文件中读取,用到的算子为set_calib_data_calib_object,得到左右相机的内参标定结果以及该双目的外参标定结果,外参标定结果中旋转矩阵得到的信息包含:右相机相对于左相机绕X轴旋转角度,绕Y轴旋转角度,绕Z轴旋转角度,当X轴和Z轴的旋转相对于Y轴小时,这说明基本上右相机绕着Y轴旋转一个小角度既可以和左相机重合,由平移向量得到右相机相对左相机平移距离;
通过相机标定结果,建立模板产品在中心位置时,模板产品在每个相机中的深度信息,相机一表示为Z1,相机二表示为Z2,相机三表示为Z3,相机四表示为Z4,产品通过检测中心位置,每个相机获得的产品中心的偏移位置分别为Z1',Z2',Z3'和Z4',设Z'为相机获得的产品中心的偏移位置,Z为模板产品中心的位置,根据预先模板关系,导出当前图像中产品的直径d,通过线性比例变换获取产品直径变化d';
式中,d′为图像中产品的直径变化,d为模板产品直径,Z′为相机获得的产品中心的偏移位置,Z为模板产品中心的位置;
获取出图像的边缘后,通过线性比例变换得出图像横向X及纵向Y缩放比系数ψ。
3.如权利要求1所述的基于机器视觉的曲面标签拼接检测系统,其特征在于,步骤三采用鞍点、黑塞矩阵、高斯核或双线性插值方法得到曲面图像展开为平面的图像,亚像素精度修正步骤如下:
步骤一:在模板图像中设置包含目标物体的感兴趣区域,将其他不需要的部分排除在外,并对模板中感兴趣区域构建多层金字塔;
步骤二:对模板的金字塔各层进行边缘滤波,得到模板图像的边缘系列,然后对边缘系列进行旋转;
步骤三:在目标图像中设置感兴趣检测区域作为搜索区域来提高搜索速度;
步骤四:同样对目标图像的搜索区域生成金字塔,然后进行边缘滤波处理,得到的是经过边缘滤波的金字塔;
步骤五:从金字塔的最顶层开始逐层对处理后的目标图像进行模板匹配,得到相应的相似度量,取得局部最大的相似度量为匹配点;
步骤六:得到的匹配点用最小二乘法修正得到亚像素精度的匹配。
4.如权利要求1所述的基于机器视觉的曲面标签拼接检测系统,其特征在于,所述步骤四中,获得边界特征图过程中对相机的边缘进行特征提取方式分为两种:第一种是基于外形匹配的,第二种是基于角点匹配的方式,通过角点特征和灰度值变化的方式提取特征。
5.如权利要求1所述的基于机器视觉的曲面标签拼接检测系统,其特征在于,所述步骤五中所述的Halcon算法如下:
(1)使用Halcon的算子rgb1_to_gray将RGB图像转化为灰度图像,计算R、G、B三个通道的有效亮度值的计算公式为:
G(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)
式中G(i,j)——(i,j)点的灰度值;
R(i,j)——彩色图像(i,j)点的R通道灰度值;
G(i,j)——彩色图像(i,j)点的G通道灰度值;
B(i,j)——彩色图像(i,j)点的B通道灰度值;
(2)设置ROI,设置的ROI区域为板坯附近的区域,用算子gen_rectangle1得到一个矩形,然后用reduce_domain去除掉ROI以外的区域;
(3)均值滤波,使用的算子为mean_image,该mean_image算子利用均值来平滑图像去除噪声,均值滤波的尺寸可通过选取确定;
(4)动态阈值,动态阈值的算子是dyn_threshold,输入为均值滤波后的图像和原图像,输出为动态阈值分割的结果,通过调节滤波的尺寸来调节图像分割的结果;
(5)联通域分析,联通域分析为计算分割的区域中连接在一起的部分,连接在一起的部分属于一个连通域,该联通域分析过程用到的算子是connection,即把动态阈值分割的区域分开成单个联通区域;
(6)形状选择,形状选择用到的算子是select_shape,通过面积特征把干扰区域去掉,面积特征的参数为“area”;
(7)形状填充,使用的算子为fill_up,即把区域的孔洞填充上,使其成为单连通区域;
(8)开运算,开运算的算子为opening_circle,为利用圆形结构元对图形进行开运算;另外Halcon还有算子opening_rectangle1,为利用矩形区域对图形进行开运算,opening为利用自己定义的结构元对图形进行开运算;
(9)求差,使用模板信息中的预设特征,用算子difference求差,计算两个区域的差值;
(10)缺陷提取,在halcon里是一种形状变换,算子用到的是shape_trans,参数设为“convex”,使原始图形变换为凸图形,另外还有参数“ellipse”和“rectangle2”,即把原始形状的区域变换为椭圆和矩形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310168560.7A CN116071344A (zh) | 2019-11-06 | 2019-11-06 | 一种基于机器视觉的曲面标签拼接检测系统 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911078594.7A CN112837257B (zh) | 2019-11-06 | 2019-11-06 | 一种基于机器视觉的曲面标签拼接检测方法 |
CN202310168560.7A CN116071344A (zh) | 2019-11-06 | 2019-11-06 | 一种基于机器视觉的曲面标签拼接检测系统 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911078594.7A Division CN112837257B (zh) | 2019-11-06 | 2019-11-06 | 一种基于机器视觉的曲面标签拼接检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116071344A true CN116071344A (zh) | 2023-05-05 |
Family
ID=75921371
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310168560.7A Pending CN116071344A (zh) | 2019-11-06 | 2019-11-06 | 一种基于机器视觉的曲面标签拼接检测系统 |
CN201911078594.7A Active CN112837257B (zh) | 2019-11-06 | 2019-11-06 | 一种基于机器视觉的曲面标签拼接检测方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911078594.7A Active CN112837257B (zh) | 2019-11-06 | 2019-11-06 | 一种基于机器视觉的曲面标签拼接检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116071344A (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554591B (zh) * | 2021-06-08 | 2023-09-01 | 联宝(合肥)电子科技有限公司 | 一种标签定位方法及设备 |
CN113418466B (zh) * | 2021-06-15 | 2022-05-03 | 浙江大学 | 一种相机位姿可调的四目立体视觉测量装置 |
CN113537301B (zh) * | 2021-06-23 | 2022-08-16 | 天津中科智能识别产业技术研究院有限公司 | 基于模板自适应匹配瓶体标签的缺陷检测方法 |
CN113658080B (zh) * | 2021-08-23 | 2023-12-22 | 宁波棱镜空间智能科技有限公司 | 一种基于特征点匹配的线扫圆柱体几何校正方法及装置 |
CN113744133A (zh) * | 2021-09-13 | 2021-12-03 | 烟台艾睿光电科技有限公司 | 一种图像拼接方法、装置、设备及计算机可读存储介质 |
CN114152208B (zh) * | 2021-11-24 | 2023-04-07 | 燕山大学 | 基于dic技术的4d打印柔性蒙皮变形效能评估方法 |
CN114331833B (zh) * | 2021-12-10 | 2024-04-12 | 扬州大学 | 基于标定与精确几何结构的瓶体标签稳定高质量拼接方法 |
CN114778547A (zh) * | 2022-04-01 | 2022-07-22 | 西南交通大学 | 一种基于图像处理的曲面零件表面粘贴质量的检测方法 |
CN115719308B (zh) * | 2022-11-29 | 2024-01-26 | 中国科学院长春光学精密机械与物理研究所 | 一种枕形双曲边缘影像的完善拼接方法 |
CN116596824B (zh) * | 2023-07-17 | 2023-09-12 | 中国空气动力研究与发展中心高速空气动力研究所 | 多相机三维面模型融合方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710932B (zh) * | 2009-12-21 | 2011-06-22 | 华为终端有限公司 | 图像拼接方法及装置 |
CN102288613B (zh) * | 2011-05-11 | 2014-03-26 | 北京科技大学 | 一种灰度和深度信息融合的表面缺陷检测方法 |
CN103533277A (zh) * | 2013-10-21 | 2014-01-22 | 北京理工大学 | 一种曲面多投影拼接方法 |
US10580135B2 (en) * | 2016-07-14 | 2020-03-03 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for splicing images |
CN106952257B (zh) * | 2017-03-21 | 2019-12-03 | 南京大学 | 一种基于模板匹配与相似度计算的曲面标签破损缺陷检测方法 |
CN109190628A (zh) * | 2018-08-15 | 2019-01-11 | 东北大学 | 一种基于机器视觉的板材镰刀弯检测方法 |
-
2019
- 2019-11-06 CN CN202310168560.7A patent/CN116071344A/zh active Pending
- 2019-11-06 CN CN201911078594.7A patent/CN112837257B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112837257B (zh) | 2023-04-07 |
CN112837257A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112837257B (zh) | 一种基于机器视觉的曲面标签拼接检测方法 | |
CN111047510B (zh) | 一种基于标定的大视场角图像实时拼接方法 | |
CN111062873B (zh) | 一种基于多对双目相机的视差图像拼接与可视化方法 | |
CN108760767B (zh) | 基于机器视觉的大尺寸液晶屏缺陷检测方法 | |
CN100384220C (zh) | 摄像机标定数据的采集方法及其标定板 | |
US6768509B1 (en) | Method and apparatus for determining points of interest on an image of a camera calibration object | |
WO2017092631A1 (zh) | 鱼眼图像的畸变图像校正方法及鱼眼相机的标定方法 | |
CN109285194B (zh) | 相机标定板及相机标定数据采集方法 | |
CN109064409B (zh) | 一种移动机器人的视觉图像拼接系统及方法 | |
CN109685913B (zh) | 基于计算机视觉定位的增强现实实现方法 | |
CN104392416B (zh) | 一种运动场景的视频拼接方法 | |
CN110033407B (zh) | 一种盾构隧道表面图像标定方法、拼接方法及拼接系统 | |
CN110827392B (zh) | 单目图像三维重建方法、系统及装置 | |
CN107239748A (zh) | 基于棋盘格标定技术的机器人目标识别与定位方法 | |
CN108716890A (zh) | 一种基于机器视觉的高精度尺寸检测方法 | |
CN112304960B (zh) | 一种基于深度学习的高分辨率图像物体表面缺陷检测方法 | |
CN106952262B (zh) | 一种基于立体视觉的船板加工精度分析方法 | |
CN106998430B (zh) | 基于多相机的360度视频回放方法 | |
CN104794683A (zh) | 基于围绕渐变拼缝区域平面扫描的视频拼接方法 | |
CN110099268B (zh) | 色彩自然匹配与显示区自然融合的盲区透视化显示方法 | |
CN112232319A (zh) | 一种基于单目视觉定位的扫描拼接方法 | |
CN108917640A (zh) | 一种激光盲孔深度检测方法及其系统 | |
CN116152068A (zh) | 一种可用于太阳能板图像的拼接方法 | |
CN112183134A (zh) | 一种快递条码的拼接及校正方法 | |
CN114331835A (zh) | 一种基于最优映射矩阵的全景图像拼接方法及装置 |
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 |