CN116385440A - 一种弧形刀片视觉检测方法 - Google Patents
一种弧形刀片视觉检测方法 Download PDFInfo
- Publication number
- CN116385440A CN116385440A CN202310653101.8A CN202310653101A CN116385440A CN 116385440 A CN116385440 A CN 116385440A CN 202310653101 A CN202310653101 A CN 202310653101A CN 116385440 A CN116385440 A CN 116385440A
- Authority
- CN
- China
- Prior art keywords
- binary image
- image
- point
- sampling
- sampling point
- 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
Links
- 238000001514 detection method Methods 0.000 title abstract description 17
- 230000000007 visual effect Effects 0.000 title abstract description 6
- 238000005070 sampling Methods 0.000 claims abstract description 203
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000011179 visual inspection Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005498 polishing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012360 testing method Methods 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Abstract
本发明涉及图像数据处理技术领域,提出了一种弧形刀片视觉检测方法,包括:获取第一二值图像及第二二值图像;获取第一模板图像,获得若干采样点,获取相似度度量矩阵;建立坐标系得到对称点;得到对称非相似性;构成局部外观描述矩阵,得到总相似度量矩阵;得到完成匹配的采样点的比例;获取第二模板图像,获得若干采样点,获取形状上下文矩阵;建立坐标系,得到映射点,根据映射点得到的毛刺采样点;获取采样点的权重,得到外观描述矩阵,构建总相似矩阵并得到采样点比例;得到磨削平滑指数,根据磨削平滑指数检测弧形刀片是否合格。本发明提高了形状上下文算法的识别精度,最终通过构建磨削平滑指数指标,检测平地机弧形刀片的整体质量。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种弧形刀片视觉检测方法。
背景技术
平地机弧形刀片是平地机的主要工作装置,与其它辅助装置相互配合能够进行土壤的切削、刮送和整平作业,为了保证平地机弧形刀片在使用中不出现故障,避免影响工期,需要对生产过程中的平地机弧形刀片进行质量检测。生产平地机弧形刀片的关键步骤在于磨削,对平地机弧形刀片的磨削不合格,对平地机弧形刀片的质量有较大影响。
目前一般通过机器视觉的方式对其进行检测,能够做到无损检测且效率较高,但是传统的视觉检测方法没有针对性,在对缺陷进行识别时,存在识别精度不高、识别难度较大的问题,在后续针对缺陷进行分析时,影响分析结果。
发明内容
本发明提供一种弧形刀片视觉检测方法,以解决识别精度不高、识别难度较大的问题,所采用的技术方案具体如下:
本发明一个实施例提供了一种弧形刀片视觉检测方法,该方法包括以下步骤:
获取第一二值图像及第二二值图像;
获取第一模板图像,对第一二值图像和第一模板图像获得若干采样点,获取第一二值图像和第一模板图像所有采样点的相似度度量矩阵;以第一二值图像和第一模板图像建立坐标系得到对称点;根据对称点与最近采样点的距离得到第一二值图像和第一模板图像的对称非相似性;将所有采样点的对称非相似性构成局部外观描述矩阵,根据局部外观描述矩阵和相似度度量矩阵得到总相似度量矩阵;根据总相似度量矩阵获取第一二值图像和第一模板图像采样点的点对距离,并得到完成匹配的采样点的比例,将未完成匹配的采样点记为毛刺采样点;
获取第二模板图像,对第二二值图像和第二模板图像获得若干采样点,获取第二二值图像和第二模板图像所有采样点的形状上下文矩阵;以第二二值图像和第二模板图像建立坐标系,将第一二值图像的毛刺采样点映射到第二二值图像中得到映射点,根据映射点得到第二二值图像的毛刺采样点;根据匹配距离获取采样点的权重,根据采样点权重和采样点的曲率得到采样点的曲率非相似性,并得到外观描述矩阵,根据外观描述矩阵和形状上下文矩阵构建总相似矩阵并得到第二二值图像匹配成功的采样点占总采样点的比例;
根据第一二值图像和第二二值图像完成匹配的采样点所占比例得到磨削平滑指数,根据磨削平滑指数检测弧形刀片是否合格。
优选的,所述获取第一二值图像及第二二值图像的方法为:
使用CCD相机从上向下采集图像,得到弧形刀片的正面图像为矩形,将该图像二值化后得到第一二值图像,使用CCD相机从前向后采集图像,得到弧形刀片侧面弧度的图像,该图像为一个弧度,将该图像二值化后得到第二二值图像。
优选的,所述以第一二值图像和第一模板图像建立坐标系得到对称点的方法为:
在第一二值图像上,以该第一二值图像的中心点为原点坐标建立坐标系,得到该第一二值图像的任意一个采样点关于y轴的对称点,在第一模板图像上,以该第一模板图像的中心点为原点坐标建立坐标系,得到该第一模板图像的任意一个采样点关于y轴的对称点。
优选的,所述根据对称点与最近采样点的距离得到第一二值图像和第一模板图像的对称非相似性的方法为:
对于第一二值图像中的每个采样点找到其对称点,将第一二值图像中的每个采样点的对称点与第一二值图像中的所有采样点计算欧式距离,得到第一二值图像的每个采样点对应的最小欧式距离记为第一距离,对于第一模板图像中的每个采样点找到其对称点,将第一模板图像中的每个采样点的对称点与第一模板图像中的所有采样点计算欧式距离,得到第一模板图像中的每个采样点对应的最小欧式距离记为第二距离,令第一距离和第二距离的比值与第二距离与第一距离的比值的和作为两个采样点的对称非相似性。
优选的,所述以第二二值图像和第二模板图像建立坐标系的方法为:
在第二二值图像中找到弧度最低点,以第二二值图像中的弧度最低点为坐标原点,x轴为第二二值图像中的水平直线,y轴为第二二值图像中的竖直直线,在第二模板图像中找到弧度最低点,以第二模板图像中的弧度最低点为坐标原点,x轴为第二模板图像中的水平直线,y轴为第二模板图像中的竖直直线。
优选的,所述弧度最低点为为弧形刀片采样点纵坐标的最小值所在的点。
优选的,所述将第一二值图像的毛刺采样点映射到第二二值图像中的方法为:
式中,表示第二二值图像中毛刺采样点横坐标的最小值,表示第二二值图
像中毛刺采样点横坐标的最大值,表示第一二值图像中毛刺采样点横坐标的最小值,表示第一二值图像中毛刺采样点横坐标的最大值,表示第一二值图像中毛刺采样点
的横坐标,表示第二二值图像映射后毛刺点的横坐标。
优选的,所述根据匹配距离获取采样点的权重的方法为:
对于第二二值图像中的采样点,分为毛刺采样点和普通采样点,普通采样点的权重取1,根据匈牙利所发得到第一二值图像的最小匹配距离与预设阈值t的比值作为毛刺采样点的权重。
优选的,所述根据采样点权重和采样点的曲率得到采样点的曲率非相似性的方法为:
本发明的有益效果是:本发明通过平地机弧形刀片对称性构建对称非相似性函数,检测平地机弧形刀片的毛刺情况并识别其位置,通过结合毛刺像素点的位置及曲率构建曲率非相似性函数检测局部曲率,使其更能代表平地机弧形刀片的局部特征,提高了形状上下文算法的识别精度,最终通过构建磨削平滑指数指标,检测平地机弧形刀片的整体质量。
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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种弧形刀片视觉检测方法的流程示意图;
图2为形状上下文的极对数坐标系。
具体实施方式
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,所描述的实施例仅仅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。
请参阅图1,其示出了本发明一个实施例提供的一种弧形刀片视觉检测方法流程图,该方法包括以下步骤:
步骤S001,采集弧形刀片的正面图像和侧面图像,并将图像二值化。
在平地机弧形刀片的生产线中,所生产的产品是固定的,使用两个机位的CCD相机分别在平地机弧形刀片的正上方与侧方拍摄经过磨削处理后的平地机弧形刀片,并标记感兴趣区域,得到原始的平地机弧形刀片正面RGB图像与侧面RGB图像,将其转换为灰度图像。
在图像的获取过程中,常常会由于各种原因产生噪声对图像质量造成干扰,导致对图像的分析结果不准确,且形状上下文算法对噪声较为敏感,因此本发明使用K近邻平滑滤波技术对灰度图像进行去噪处理,K近邻平滑滤波技术为公知技术,本发明不再赘述。将去噪后的灰度图像使用OTSU算法进行二值化处理,得到两个方向平地机弧形刀片图像的预处理结果,分别记为第一二值图像与第二二值图像,并使用两个相机分别拍摄无缺陷的平地机弧形刀片图像,以上述相同步骤进行处理,得到第一模板图像与第二模板图像,其中OTSU算法为公知技术,本发明不再赘述。
步骤S002,对于第一二值图像和第一模板图像采样点的相似性构建相似度量矩阵和局部外观描述矩阵,由此完成采样点的匹配得到完成匹配的采样点的比例。
由于第一二值图像和第二二值图像是从不同角度得到的,其中第一二值图像是弧形刀片的正面,即刀片整体,第二二值图像为一个弧形,是弧形刀片的侧面,本实施例对第一二值图像进行毛刺检测,反应打磨效果,具体分析如下:
对第一二值图像和第一模板图像使用Canny边缘检测算子检测边缘,得到轮廓点,
对第一二值图像和第一模板图像的轮廓点进行均匀采样,轮廓点均匀采样存在公知技术,
在此不做赘述,采样点的数量不宜过多,否则计算量较大,影响在后续步骤中的计算时间,
同时不宜过少,否则轮廓采样点无法代表平地机弧形刀片的整体轮廓,设采样点的数量为,在本实施例中,取100。
对每个采样点构建以其为中心的极对数坐标系,将其分为个角度区域与个距
离区域,共计K个区域,将其周围的采样点映射到各区域,统计落在各区域内采样点的数量
占总采样点数量的比例,构建形状上下文直方图矩阵,每个采样点的极对数坐标系如图2所
示,在本实施例中,的大小取经验值12,的大小取经验值5,则区域数量K为60。
基于此,可以得到每个采样点的形状上下文向量,根据每个采样点的形状上下文
向量使用卡方统计计算第一二值图像和第一模板图像的每一个采样点的相似度,将两张图
像采样点的相似度构成一个相似度度量矩阵,相似度度量矩阵的大小为,相似度度
量矩阵的第i行第j列的元素表示第一二值图像中第i个采样点与第一模板图像中
第j个采样点的形状上下文相似度。
从平地机弧形刀片产品的特点可以看出,从其上方拍摄得到的第一二值图像中,若平地机弧形刀片的表面无毛刺,则上下两部分应当是对称的,若平地机弧形刀片的表面存在毛刺,则上下两部分对应位置的点是不对称的,且存在的毛刺越多,其对称性越差。
以第一二值图像和第一模板图像的中心点分别作为坐标原点构建平面直角坐标
系,x轴为水平方向经过中心点的直线,y轴为竖直方向上经过中心点的直线,在第一二值图
像上,第i个采样点关于y轴的对称点为,获得对称点最近的采样点,
得到最近的采样点与对称点的距离记为,同样的,在第一模板图像上,第j个采
样点关于y轴的对称点为,获得对称点距离最近的采样点,得到最
近的采样点到对称点的距离记为,由于第一二值图像和第一模板图像为对称图
像,因此第一模板图像的距离及时存在误差,也无限接近与0,由此得到第一二值图像与
第一模板图像的采样点的对称非相似性函数,公式如下:
式中,表示第一二值图像中第i个采样点关于y轴的对称点距离最近的采样点
的距离,表示第一模板图像中第j个采样点关于y轴的对称点距离最近的采样点的距离,表示第一二值图像中第i个采样点与第一模板图像中第j个采样点的对称非相似
性。
和的差异越大时,表明第一二值图像的采样点与第一模板图像的采样点局
部差异越大,即第一二值图像中的毛刺越大,打磨效果越差,对称非相似性的值越大;和的差异越小,表明第一二值图像与第一模板图像的局部差异越小,即第一二值图像中的
边缘越平整,打磨效果越好,对称非相似性的值越小。
将第一二值图像中每个采样点与第一模板图像中每个采样点的对称非相似性构
成局部外观描述矩阵,矩阵的维度为,局部外观描述矩阵中第i行第j列的元素表示
第一二值图像中第i个采样点与第一模板图像中第j个采样点的对称非相似性。
将相似度度量矩阵以及局部外观描述矩阵同位置元素进行加权求和,得到总相似度量矩阵,公式如下:
式中,表示第一二值图像中第i个采样点与第一模板图像中第j个采样点的
形状上下文相似度,表示第一二值图像中第i个采样点与第一模板图像中第j个采
样点的对称非相似性,表示形状上下文相似度的权重,本实施例中取为0.7,表示对
称非相似性函数的权重,在本实施例中取经验值为0.3,表示第一二值图像中第i个
采样点与第一模板图像中第j个采样点的总相似度。
将总相似度度量矩阵作为距离矩阵,使用匈牙利算法计算得到第一二值图像与第
一模板图像的点对距离。当第一二值图像中存在毛刺时,会导致第一二值图像中存在毛刺
部分的采样点与第一模板图像中对应采样点的点对距离较大,强行进行匹配时,会出现匹
配错误的问题;当第一二值图像中不存在毛刺时,使用匈牙利算法计算得到的第一二值图
像与第一模板图像的点对距离都较小。因此本发明设定阈值t,将第一二值图像与第一模板
图像的点对距离大于等于阈值的点对不进行匹配,并将第一二值图像中的该采样点标记为
毛刺采样点,其点对距离记为,将第一二值图像与第一模板图像的点对距离小
于阈值的点进行匹配,本发明中阈值t取经验值10。
统计采样点中所有匹配成功的采样点的数量,得到匹配成功的采样点占总采样点的比例。
至此,得到了第一二值图像匹配成功的采样点占总采样点的比例。
步骤S003,根据第二二值图像和第二模板图像得到形状上下文矩阵,将第一二值图像的毛刺采样点映射到第二二值图像中,根据映射点计算权重得到外观描述矩阵,根据形状上下文矩阵和外观描述矩阵得到总相似矩阵,并得到完成匹配的采样点比例。
之后对第二二值图像进行曲率匹配检测,反映曲率匹配程度,具体方式如下:
首先,使用形状上下文的算法对第二二值图像和第二模板图像进行采样,由于弧
度对平地机弧形刀片的质量影响较大,故采样点数量应较大一些,使轮廓点更能代表平
地机弧形刀片整体的轮廓,故本实施例中采样点数量的大小取经验值为120。获取采样点
后,构建第二二值图像与第二模板图像的形状上下文矩阵,则矩阵维度为,矩阵
中第m行第n列的元素表示第二二值图像中第m个采样点与第二模板图像中第n个采样点的
形状上下文相似度。其构建过程为公知技术,且前文对此有所描述,本发明不再赘述。
由于毛刺的存在,在得到图像时毛刺在一定程度上会影响到曲率,故对毛刺位置
曲率的检测应更严谨,即毛刺位置曲率的权重应较大,更容易识别出曲率出现问题的位置,
据此构建外观描述矩阵,该矩阵维度为,矩阵中第m行第n列的元素记为,其含义为第二二值图像中第m个采样点与第二模板图像中第n个采样点的曲率非
相似性,分别以第二二值图像和第二模板图像的弧度最低点为坐标原点构建平面直角坐标
系,所述弧度最低点为弧形刀片采样点纵坐标的最小值所在的点,x轴为水平方向直线,y轴
为竖直方向直线,根据第一二值图像得到的毛刺采样点进行映射得到第二二值图像的采样
点,映射方式如下:
式中,表示第二二值图像中毛刺采样点横坐标的最小值,表示第二二值图
像中毛刺采样点横坐标的最大值,表示第一二值图像中毛刺采样点横坐标的最小值,表示第一二值图像中毛刺采样点横坐标的最大值,表示第一二值图像中毛刺采样点
的横坐标,表示第二二值图像映射后毛刺点的横坐标。基于同样的方式得到第一二值图
像的毛刺采样点映射后的纵坐标,由此完毛刺采样点的映射。
完成映射后,对于得到的毛刺点,在第二二值图像中计算毛刺点与所有采样点的欧氏距离,将最近的m个采样点作为第二二值图像的毛刺采样点,将第二二值图像的毛刺采样点放入一个集合中,集合记为R,在本实施例中,将m取3。
在第二二值图像中,对于毛刺采样点和普通的采样点,其权值应该不同,当采样点
在毛刺采样点集合内R时,其权重应较大,用以更严谨的检测该处的曲率,当采样点不在毛
刺采样点集合内R时,其权重应取1,正常检测该处的曲率,据此可以得到权重,将第一二
值图像的最小匹配距离与阈值t的比值作为毛刺采样点的权重,所述第一二值图像的最小
匹配距离由匈牙利算法公知得到,在此不做赘述。
对于每个采样点,根据其相邻的边缘像素点计算采样点的曲率,曲率的计算为现有公式,在此就不做详细赘述。
根据第二二值图像和第二模板图像,公式如下:
得到曲率非相似性后,所有采样点的曲率非相似性得到外观描述矩阵,曲率非
相似性函数的值越大,表明第二二值图像中的采样点与第二模板图像的采样点的局部曲率
相似性越低,即平地机弧形刀片的弧度与生产标准相差越大,平地机弧形刀片的质量越差;
曲率非相似性函数的值越小,表明第二二值图像中的采样点与第二模板图像中的采样点的
局部曲率相似性越高,即平地机弧形刀片的弧度越接近生产标准,平地机弧形刀片的质量
越好。
将总相似度度量矩阵作为距离矩阵,使用匈牙利算法计算得到第二二值图像与
第二模板图像的点对距离。当第二二值图像中曲率不符合生产标准时,会导致第二二值图
像中不符合生产标准部分的采样点与第二模板图像中对应采样点的点对距离较大,强行进
行匹配时,会出现匹配错误的问题。因此本实施例设定阈值t,将第二二值图像与第二模板
图像的点对距离大于等于阈值的点对不进行匹配,将第二二值图像与第二模板图像的点对
距离小于阈值的点进行匹配。通过计算匹配成功点占总采样点的比例,衡量平地机弧形
刀片的弧度是否符合生产标准。
至此,得到了第二二值图像匹配成功的采样点占总采样点的比例。
步骤S004,根据第一二值图像和第二二值图像中匹配成功的采样点占总采样点的比例判断弧形刀片是否合格。
结合第一二值图像对毛刺的检测结果以及第二二值图像对曲率的检测结果,构建磨削平滑指数,该指数的构建如下:
式中,表示第一二值图像匹配的采样点占总采样点的比例,表示第二二值图
像匹配的采样点占总采样点的比例,表示对毛刺检测结果的权重,表示对曲率检测结
果的权重。根据经验所得,在实际使用中,平地机弧形刀片的曲率对其质量的影响较大,毛
刺大小对质量的影响较小,故本发明对取经验值0.8,对取经验值0.2。
根据经验值,当GSI大于0.9,表示对平地机弧形刀片磨削步骤的检测合格,可以进入生产流程中的下一步;当GSI小于等于0.9,表示对平地机弧形刀片磨削步骤的检测不合格,需要再次进入磨削步骤进行操作。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种弧形刀片视觉检测方法,其特征在于,该方法包括以下步骤:
获取第一二值图像及第二二值图像;
获取第一模板图像,对第一二值图像和第一模板图像获得若干采样点,获取第一二值图像和第一模板图像所有采样点的相似度度量矩阵;以第一二值图像和第一模板图像建立坐标系得到对称点;根据对称点与最近采样点的距离得到第一二值图像和第一模板图像的对称非相似性;将所有采样点的对称非相似性构成局部外观描述矩阵,根据局部外观描述矩阵和相似度度量矩阵得到总相似度量矩阵;根据总相似度量矩阵获取第一二值图像和第一模板图像采样点的点对距离,并得到完成匹配的采样点的比例,将未完成匹配的采样点记为毛刺采样点;
获取第二模板图像,对第二二值图像和第二模板图像获得若干采样点,获取第二二值图像和第二模板图像所有采样点的形状上下文矩阵;以第二二值图像和第二模板图像建立坐标系,将第一二值图像的毛刺采样点映射到第二二值图像中得到映射点,根据映射点得到第二二值图像的毛刺采样点;根据匹配距离获取采样点的权重,根据采样点权重和采样点的曲率得到采样点的曲率非相似性,并得到外观描述矩阵,根据外观描述矩阵和形状上下文矩阵构建总相似矩阵并得到第二二值图像匹配成功的采样点占总采样点的比例;
根据第一二值图像和第二二值图像完成匹配的采样点所占比例得到磨削平滑指数,根据磨削平滑指数检测弧形刀片是否合格。
2.根据权利要求1所述的一种弧形刀片视觉检测方法,其特征在于,所述获取第一二值图像及第二二值图像的方法为:
使用CCD相机从上向下采集图像,得到弧形刀片的正面图像为矩形,将该图像二值化后得到第一二值图像,使用CCD相机从前向后采集图像,得到弧形刀片侧面弧度的图像,该图像为一个弧度,将该图像二值化后得到第二二值图像。
3.根据权利要求1所述的一种弧形刀片视觉检测方法,其特征在于,所述以第一二值图像和第一模板图像建立坐标系得到对称点的方法为:
在第一二值图像上,以该第一二值图像的中心点为原点坐标建立坐标系,得到该第一二值图像上任意一个采样点关于y轴的对称点,在第一模板图像上,以该第一模板图像的中心点为原点坐标建立坐标系,得到该第一模板图像上任意一个采样点关于y轴的对称点。
4.根据权利要求1所述的一种弧形刀片视觉检测方法,其特征在于,所述根据对称点与最近采样点的距离得到第一二值图像和第一模板图像的对称非相似性的方法为:
对于第一二值图像中的每个采样点找到其对称点,将第一二值图像中的每个采样点的对称点与第一二值图像中的所有采样点计算欧式距离,得到第一二值图像的每个采样点对应的最小欧式距离记为第一距离,对于第一模板图像中的每个采样点找到其对称点,将第一模板图像中的每个采样点的对称点与第一模板图像中的所有采样点计算欧式距离,得到第一模板图像中的每个采样点对应的最小欧式距离记为第二距离,令第一距离和第二距离的比值与第二距离与第一距离的比值的和作为两个采样点的对称非相似性。
5.根据权利要求1所述的一种弧形刀片视觉检测方法,其特征在于,所述以第二二值图像和第二模板图像建立坐标系的方法为:
在第二二值图像中找到弧度最低点,以第二二值图像中的弧度最低点为坐标原点,x轴为第二二值图像中的水平直线,y轴为第二二值图像中的竖直直线,在第二模板图像中找到弧度最低点,以第二模板图像中的弧度最低点为坐标原点,x轴为第二模板图像中的水平直线,y轴为第二模板图像中的竖直直线。
6.根据权利要求5所述的一种弧形刀片视觉检测方法,其特征在于,所述弧度最低点为弧形刀片采样点纵坐标的最小值所在的点。
8.根据权利要求1所述的一种弧形刀片视觉检测方法,其特征在于,所述根据匹配距离获取采样点的权重的方法为:
对于第二二值图像中的采样点,分为毛刺采样点和普通采样点,普通采样点的权重取1,根据匈牙利所发得到第一二值图像的最小匹配距离与预设阈值t的比值作为毛刺采样点的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310653101.8A CN116385440B (zh) | 2023-06-05 | 2023-06-05 | 一种弧形刀片视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310653101.8A CN116385440B (zh) | 2023-06-05 | 2023-06-05 | 一种弧形刀片视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385440A true CN116385440A (zh) | 2023-07-04 |
CN116385440B CN116385440B (zh) | 2023-08-11 |
Family
ID=86971591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310653101.8A Active CN116385440B (zh) | 2023-06-05 | 2023-06-05 | 一种弧形刀片视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385440B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392133A (zh) * | 2023-12-12 | 2024-01-12 | 江苏中科云控智能工业装备有限公司 | 一种基于机器视觉的压铸件毛刺检测系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170008650A1 (en) * | 2013-12-28 | 2017-01-12 | Huazhong University Of Science And Technology | Attitude estimation method and system for on-orbit three-dimensional space object under model restraint |
CN107610159A (zh) * | 2017-09-03 | 2018-01-19 | 西安电子科技大学 | 基于曲率滤波和时空上下文的红外弱小目标跟踪方法 |
CN112508084A (zh) * | 2020-12-04 | 2021-03-16 | 宁波智能装备研究院有限公司 | 复杂工业环境下基于模糊相似性度量的机器视觉检测方法 |
CN112819094A (zh) * | 2021-02-25 | 2021-05-18 | 北京时代民芯科技有限公司 | 一种基于结构相似度度量的目标检测与识别方法 |
CN113379777A (zh) * | 2021-05-26 | 2021-09-10 | 西安电子科技大学 | 一种基于最小外接矩形垂直内距离比例的形状描述与检索方法 |
EP3977046A1 (de) * | 2019-05-29 | 2022-04-06 | Polytec GmbH | Interferometrische messvorrichtung und interferometrisches verfahren zur bestimmung der oberflächentopographie eines messobjekts |
CN116030061A (zh) * | 2023-03-29 | 2023-04-28 | 深圳市捷超行模具有限公司 | 一种基于视觉的硅胶成型效果检测方法 |
-
2023
- 2023-06-05 CN CN202310653101.8A patent/CN116385440B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170008650A1 (en) * | 2013-12-28 | 2017-01-12 | Huazhong University Of Science And Technology | Attitude estimation method and system for on-orbit three-dimensional space object under model restraint |
CN107610159A (zh) * | 2017-09-03 | 2018-01-19 | 西安电子科技大学 | 基于曲率滤波和时空上下文的红外弱小目标跟踪方法 |
EP3977046A1 (de) * | 2019-05-29 | 2022-04-06 | Polytec GmbH | Interferometrische messvorrichtung und interferometrisches verfahren zur bestimmung der oberflächentopographie eines messobjekts |
CN112508084A (zh) * | 2020-12-04 | 2021-03-16 | 宁波智能装备研究院有限公司 | 复杂工业环境下基于模糊相似性度量的机器视觉检测方法 |
CN112819094A (zh) * | 2021-02-25 | 2021-05-18 | 北京时代民芯科技有限公司 | 一种基于结构相似度度量的目标检测与识别方法 |
CN113379777A (zh) * | 2021-05-26 | 2021-09-10 | 西安电子科技大学 | 一种基于最小外接矩形垂直内距离比例的形状描述与检索方法 |
CN116030061A (zh) * | 2023-03-29 | 2023-04-28 | 深圳市捷超行模具有限公司 | 一种基于视觉的硅胶成型效果检测方法 |
Non-Patent Citations (4)
Title |
---|
DANIEL CABRINI HAUAGGE等: "Image matching using local symmetry features", 《2012 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, pages 206 - 213 * |
GIORGIO RICCA等: "Detecting Curves of Symmetry in Images Via Hough Transform", 《MATHEMATICS IN COMPUTER SCIENCE》, pages 179 - 205 * |
申亚辉: "基于形状匹配和分析的交通标志自动识别算法研究", 《工程科技Ⅱ辑》, no. 05, pages 6 - 47 * |
霍云等: "基于对称特征相似性的图像识别算法研究", 《光学技术》, vol. 35, no. 2, pages 292 - 294 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392133A (zh) * | 2023-12-12 | 2024-01-12 | 江苏中科云控智能工业装备有限公司 | 一种基于机器视觉的压铸件毛刺检测系统及方法 |
CN117392133B (zh) * | 2023-12-12 | 2024-02-20 | 江苏中科云控智能工业装备有限公司 | 一种基于机器视觉的压铸件毛刺检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116385440B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764257B (zh) | 一种多视角的指针式仪表识别方法 | |
CN112949564B (zh) | 一种基于深度学习的指针式仪表自动读数方法 | |
US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN111488874A (zh) | 一种指针式仪表倾斜校正方法及系统 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN109871829B (zh) | 一种基于深度学习的检测模型训练方法和装置 | |
CN116385440B (zh) | 一种弧形刀片视觉检测方法 | |
CN114627080B (zh) | 基于计算机视觉的车辆冲压配件缺陷检测方法 | |
TWI765442B (zh) | 瑕疵等級判定的方法及存儲介質 | |
CN113920081A (zh) | 一种刀具磨损度检测方法 | |
CN112149667A (zh) | 一种基于深度学习的指针式仪表的自动读数的方法 | |
CN115330791A (zh) | 一种零件毛刺检测方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN116958125B (zh) | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 | |
CN104574312A (zh) | 标靶图像求圆心的方法和装置 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
CN116862910B (zh) | 基于自动化裁切生产的视觉检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN112258536B (zh) | 一种胼胝体及小脑蚓部的一体化定位及分割方法 | |
WO2019007164A1 (zh) | 纸币涂鸦的检测方法及装置 | |
CN115690104A (zh) | 一种晶圆裂缝检测方法、装置及存储介质 | |
CN112819823A (zh) | 一种面向家具板材的圆孔检测方法、系统及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Visual Inspection Method for Curved Blades Granted publication date: 20230811 Pledgee: China Postal Savings Bank Co.,Ltd. Jining Branch Pledgor: Shandong Juning Machinery Co.,Ltd. Registration number: Y2024980000478 |