CN116503390A - 一种基于计算机视觉的五金零件缺陷检测方法 - Google Patents
一种基于计算机视觉的五金零件缺陷检测方法 Download PDFInfo
- Publication number
- CN116503390A CN116503390A CN202310746501.3A CN202310746501A CN116503390A CN 116503390 A CN116503390 A CN 116503390A CN 202310746501 A CN202310746501 A CN 202310746501A CN 116503390 A CN116503390 A CN 116503390A
- Authority
- CN
- China
- Prior art keywords
- cloud data
- point cloud
- hardware
- feature descriptor
- hardware part
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 31
- 238000005452 bending Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000889 atomisation Methods 0.000 description 5
- 239000003571 electronic cigarette Substances 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请涉及图像处理领域,提供一种基于计算机视觉的五金零件缺陷检测方法,包括采集五金零件的点云数据;基于点云数据在空间中的分布混乱程度确定五金零件中的每一点云数据的整体特征描述符;基于点云数据的局部弯曲程度确定五金零件中每一点云数据的局部特征描述符;基于整体特征描述符以及局部特征描述符对五金零件进行缺陷检测。本发明针对每一个点云数据构建特征描述符,进而进行缺陷检测,该方法能够提高检测准确性。
Description
技术领域
本申请涉及图像处理领域,特别是涉及一种基于计算机视觉的五金零件缺陷检测方法。
背景技术
在五金零件生产过程中,不良的加工设备或工人的不当操作容易导致五金零件表面产生缺陷,如果直接将这些表面存在缺陷的五金零件应用于工业产品的制造上,将严重影响工业产品的质量。
传统的五金零件表面缺陷检测方法主要是通过计算机视觉进行检测,能够自动高效的完成对五金零件表面缺陷的检测,但对环境较为敏感,且电子烟五金零件较小,通过计算机视觉的方法在识别时存在精度不高的问题;基于模板匹配的方法相对简单,具有可靠性高、识别速度快等优点,但不同的电子烟五金零件具有不同的结构特点,使用模板匹配算法进行匹配时,匹配效果可能有一定差异。
发明内容
本发明提供一种基于计算机视觉的五金零件缺陷检测方法,该方法能够提高检测准确性。
第一方面,本申请提供一种基于计算机视觉的五金零件缺陷检测方法,包括:
采集五金零件的点云数据;
基于点云数据在空间中的分布混乱程度确定五金零件中的每一点云数据的整体特征描述符;
基于点云数据的局部弯曲程度确定五金零件中每一点云数据的局部特征描述符;
基于整体特征描述符以及局部特征描述符对五金零件进行缺陷检测。
优选的,基于点云数据在空间中的分布混乱程度确定五金零件中每一点云数据的整体特征描述符,包括:
基于点云数据建立极对数空间直角坐标系;其中,极对数空间直角坐标系中的X轴正方向为点云数据的X轴正方向,Z轴正方向为点云数据的Z轴正方向;在极对数空间直角坐标系中,坐标点记为,其中/>表示坐标点到坐标原点的距离,/>表示坐标点与坐标原点的连线在x-y平面上的投影与x轴的夹角,记为方位角,/>表示坐标点与坐标原点的连线与z轴的夹角,记为极角;
基于点云数据在极对数空间直角坐标系中的分布情况确定五金零件中每一点云数据的整体特征描述符。
优选的,基于点云数据在极对数空间直角坐标系中的分布情况确定五金零件中每一点云数据的整体特征描述符,包括:
在极对数空间直角坐标系中将预设半径分为N段,以得到mN个区域,其中,m为三维空间的象限数量;
基于点云数据在各个区域内的分布情况定五金零件中每一点云数据的整体特征描述符。
优选的,基于点云数据在各个区域内的分布情况定五金零件的整体特征描述符,包括:
根据点云数据出现在第i个区域的概率、第i个区域内点云数据的数量、第i个区域内第j个点云数据到坐标原点的距离、预设半径计算第i个区域的区域概率;
基于第i个区域的区域概率计算点云数据的K近邻分布熵:点云数据的K近邻分布熵为整体特征描述符,用于表征点云数据周围的点云数据分布混乱程度。
优选的,基于点云数据的局部弯曲程度确定五金零件的局部特征描述符,包括:
基于点云数据建立极对数空间直角坐标系;
将极对数空间直角坐标系中距离点云数据最近的k个点确定为点云数据的K近邻点;
遍历点云数据对应的K近邻点,直至将点云数据对应的K近邻点连为一条路径;
根据路径构建结构复杂度,将结构复杂度确定为点云数据的局部特征描述符。
优选的,根据路径确定结构复杂度,包括:
根据路径经过的点云数据的顺序,得到极角序列和方位角序列;
通过K近邻点的数量、方位角差分序列确定点云数据不在竖直平面的可能性;方位角差分序列是通过对方位角序列一阶差分计算得到的;
通过K近邻点的数量、极角序列计算点云数据不在水平平面的可能性;
根据点云数据不在竖直平面的可能性以及点云数据不在水平平面的可能性确定结构复杂度。
优选的,基于整体特征描述符以及局部特征描述符对五金零件进行缺陷检测,包括:
利用最小二乘法对点云数据的K近邻点组成的K近邻曲面进行拟合,得到点云数据对应的拟合曲面;
利用曲率半径法计算点云数据对应的拟合曲面的曲率半径;
基于点云数据对应的曲率半径、整体特征描述符以及局部特征描述符对五金零件进行缺陷检测。
优选的,基于点云数据对应的曲率半径、整体特征描述符以及局部特征描述符对五金零件进行缺陷检测,包括:
基于点云数据对应的曲率半径、整体特征描述符以及局部特征描述符构建五金零件中的每一点云数据对应的特征描述符;
计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度;
基于相似度确定五金零件是否存在缺陷。
优选的,计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度,包括:
基于曲率半径相似度的权重、检测五金零件中点云数据点与参考五金零件中点云数据的曲率半径的欧氏距离、五金零件整体描述符相似度的权重、检测五金零件中点云数据点与参考五金零件中点云数据的整体描述符的欧氏距离;五金零件局部描述符相似度的权重,检测五金零件中点云数据点与参考五金零件中点云数据的局部描述符的欧氏距离计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度。
优选的,利用如下公式计算相似度:
;
其中RSD表示相似度,表示曲率半径相似度的权重,/>表示对括号内的数据进行线性归一化处理,避免量纲不同带来的影响,/>表示检测五金零件中点云数据点与参考五金零件中点云数据的曲率半径的欧氏距离,反映其相似度,/>表示五金零件整体描述符相似度的权重,/>表示检测五金零件中点云数据点与参考五金零件中点云数据的整体描述符的欧氏距离;/>表示五金零件局部描述符相似度的权重,/>表示检测五金零件中点云数据点与参考五金零件中点云数据的局部描述符的欧氏距离。
本申请的有益效果,区别于现有技术,本申请的基于计算机视觉的五金零件缺陷检测方法,包括采集五金零件的点云数据;基于点云数据在空间中的分布混乱程度确定五金零件中的每一点云数据的整体特征描述符;基于点云数据的局部弯曲程度确定五金零件中每一点云数据的局部特征描述符;基于整体特征描述符以及局部特征描述符对五金零件进行缺陷检测。本发明针对每一个点云数据构建特征描述符,进而进行缺陷检测,该方法能够提高检测准确性。
附图说明
图1为本发明基于计算机视觉的五金零件缺陷检测方法的一实施例的流程示意图;
图2为图1中步骤S13的一实施例的流程示意图;
图3是图1中步骤S14的一实施例的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。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。
下面结合附图和实施例对本申请进行详细的说明。
请参见图1,图1为本发明基于计算机视觉的五金零件缺陷检测方法的一实施例的流程示意图,具体包括:
步骤S11:采集五金零件的点云数据。
本申请以五金零件中的电子烟雾化芯支架为例进行说明。使用激光三维扫描仪获取电子烟雾化芯支架的三维模型,采集点云数据,得到每个点的空间坐标,由于获取到的点云数据中可能存在噪声和异常点影响后续的匹配,据此本发明使用VoxelGrid滤波器对点云数据进行预处理,既能够初步对点云数据进行降采样,在一定程度上减少计算量,又能够避免噪声和异常点对ICP匹配算法匹配结果的影响。
步骤S12:基于点云数据在空间中的分布混乱程度确定五金零件中的每一点云数据的整体特征描述符。
在一实施例中,基于点云数据建立极对数空间直角坐标系;其中,极对数空间直角坐标系中的X轴正方向为点云数据的X轴正方向,Z轴正方向为点云数据的Z轴正方向;在极对数空间直角坐标系中,坐标点记为,其中/>表示坐标点到坐标原点的距离,/>表示坐标点与坐标原点的连线在x-y平面上的投影与x轴的夹角,记为方位角,/>表示坐标点与坐标原点的连线与z轴的夹角,记为极角;基于点云数据在极对数空间直角坐标系中的分布情况确定五金零件中每一点云数据的整体特征描述符。
具体的,以点云数据中的一个点为例,以该点/>为坐标原点、以点云数据中的x轴正方向作为x轴正方向、以点云数据中的z轴正方向作为z轴正方向建立极对数空间直角坐标系,使用极对数坐标是为了使构建的整体特征描述符对邻近采样点更敏感,强化局部特性。
根据点所在的极对数空间直角坐标系,则在极对数空间直角坐标系中点坐标记为/>,其中/>表示点到坐标原点的距离,/>表示点与坐标原点的连线在x-y平面上的投影与x轴的夹角,记为方位角,/>表示点与坐标原点的连线与z轴的夹角,记为极角,则可以根据雾化器支架点云在极对数空间直角坐标系中的分布情况确定雾化器支架中每一点云数据的整体特征描述符。
在一具体实施例中,在极对数空间直角坐标系中将预设半径r分为N段,以得到mN个区域,其中,m为三维空间的象限数量;基于点云数据在各个区域内的分布情况定五金零件中每一点云数据的整体特征描述符。具体的,三维空间内有8个象限,以点为原点建立的极对数空间直角坐标系中,取预设半径r为2,将预设半径按照距离分为N段(N通常取经验值4),得到8N个区域,基于点云数据在8N个区域内的分布情况定五金零件中每一点云数据的整体特征描述符。
在一实施例中,根据点云数据出现在第i个区域的概率、第i个区域内点云数据的数量、第i个区域内第j个点云数据到坐标原点的距离、预设半径计算第i个区域的区域概率。具体的,第i个区域的区域概率计算方式为:
;
其中,表示第i个区域的区域概率,/>表示点云数据出现在第i个区域的概率,即第i个区域内的点数占点总数的比例,/>表示第i个区域内点云数据的数量,/>表示第i个区域内第j个点云数据到坐标原点的距离,r表示区域半径,本发明中取经验值2。
基于第i个区域的区域概率计算点云数据的K近邻分布熵。具体的,K近邻分布熵的计算方式为:
;
E表示点云数据的K近邻分布熵。点云数据的K近邻分布熵为整体特征描述符,用于表征点云数据周围的点云数据分布混乱程度。
步骤S13:基于点云数据的局部弯曲程度确定五金零件中每一点云数据的局部特征描述符。
具体的,请结合图2,步骤S13具体包括:
步骤S21:基于点云数据建立极对数空间直角坐标系。
具体的,建立极对数空间直角坐标系的方式如上述步骤S12中,在此不再赘述。
步骤S22:将极对数空间直角坐标系中距离点云数据最近的k个点确定为点云数据的K近邻点。
以点云数据 为例,通过上述步骤S21得到以点云数据点/>为中心的极对数空间直角坐标系,则距离点云数据 />最近的K个点记为该点云数据的K近邻点(K通常取经验值15)。
步骤S23:遍历点云数据对应的K近邻点,直至将点云数据对应的K近邻点连为一条路径。
以点云数据为起点,找到距离点云数据/>最近的点,记为点A,计算未在路径上的点中距离点A最近的点,记为点B,计算未在路径上的点中距离点B最近的点,如此往复,直至将点云数据/>的所有K近邻点连为一条路径。
步骤S24:根据路径构建结构复杂度,将结构复杂度确定为点云数据的局部特征描述符。
具体的,根据路径经过的点云数据的顺序,得到极角序列和方位对方位角序列一阶差分计算得到方位角差分序列,通过K近邻点的数量、方位角差分序列确定点云数据不在竖直平面的可能性;通过K近邻点的数量、极角序列计算点云数据不在水平平面的可能性;根据点云数据不在竖直平面的可能性以及点云数据不在水平平面的可能性确定结构复杂度。从雾化芯支架图中可以看出,雾化芯支架中的平整表面不存在倾斜部分,即平整表面只有水平平面与竖直平面,在两种平面内的点,在极对数空间直角坐标系中,各点极坐标中或/>的变化较小,且接近于0,据此可以构建结构复杂度指标。
在一具体实施例中,结构复杂度的计算方式为:
;
其中,表示点云数据不在竖直平面的可能性,表示点云数据不在水平平面的可能性。
具体的,其中DPL表示点云数据的结构复杂度,K表示点云数据/>的近邻点数,通常取经验值15,/>表示方位角差分序列中第b个元素的值,/>表示极角序列中第c个元素的值。
反映了点云数据/>不在竖直平面的可能性,当点云数据/>与其K近邻点处于同一竖直平面时,各点之间极坐标中/>的变化越小,则越接近0,/>越接近0,表明点云数据/>越可能位于竖直平面内;当点云数据/>与其K近邻点不处于同一竖直平面时,各点极坐标中的大小可能各不相同,则/>越接近1,/>越接近1,表明点云数据/>越不可能位于竖直平面内。
反映了点云数据/>不在水平平面的可能性,当点云数据/>与其K近邻点处于同一水平平面时,各点极坐标中/>的值较小,接近于0,则越接近0,/>越接近0,表明点云数据/>越可能位于水平平面内;当点云数据/>与其K近邻点不处于同一水平平面时,各点极坐标中/>的大小可能各不相同,则/>越接近1,/>越接近1,表明点云数据/>越不可能位于水平平面内。
当点云数据位于水平平面时,/>的值较小,当点云数据/>位于竖直平面时,/>的值较小,故取二者最小值作为点云数据/>的结构复杂度,若二者最小值接近于0,则表明点云数据/>处于平面内,结构较为简单,对应的结构复杂度较小,若二者最小值较大,则表明点云数据/>既不处于水平平面内,又不处于竖直平面内,结构相对复杂,对应的结构复杂度较大。
将结构复杂度确定为点云数据的局部特征描述符。
步骤S14:基于整体特征描述符以及局部特征描述符对五金零件进行缺陷检测。
具体的,请结合图3,步骤S14包括:
步骤S31:利用最小二乘法对点云数据的K近邻点组成的K近邻曲面进行拟合,得到点云数据对应的拟合曲面。
以点云数据 为例,通过上述步骤S21得到以点云数据点/>为中心的极对数空间直角坐标系,则距离点云数据 />最近的K个点记为该点云数据的K近邻点(K通常取经验值15)。K近邻点所组成的曲面记为该点的K近邻曲面,通过最小二乘法对该点的K近邻曲面进行拟合,得到拟合曲面S。
步骤S32:利用曲率半径法计算点云数据对应的拟合曲面的曲率半径。
通过曲率半径法计算得到点云数据的拟合曲面S的曲率半径,将其作为点云数据/>的曲率半径。
步骤S33:基于点云数据对应的曲率半径、整体特征描述符以及局部特征描述符对五金零件进行缺陷检测。
具体的,基于点云数据对应的曲率半径、整体特征描述符以及局部特征描述符构建五金零件中的每一点云数据对应的特征描述符。
通过上述步骤所得点云数据的曲率半径反映了该点的弧度特征,整体特征描述符反映了点云数据/>周围空间内点的分布情况,局部特征描述符反映了点云数据/>所处位置的结构复杂性,则可以构建五金零件例如雾化芯支架的特征描述符,记为/>,反映了雾化芯支架整体与局部的结构特征,其中R表示点云数据/>的曲率半径,E表示点云数据/>整体特征描述符,DPL表示点云数据局部特征描述符。
计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度。
在一实施例中,基于曲率半径相似度的权重、检测五金零件中点云数据点与参考五金零件中点云数据的曲率半径的欧氏距离、五金零件整体描述符相似度的权重、检测五金零件中点云数据点与参考五金零件中点云数据的整体描述符的欧氏距离;五金零件局部描述符相似度的权重,检测五金零件中点云数据点与参考五金零件中点云数据的局部描述符的欧氏距离计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度。
具体的,利用如下公式计算相似度:
;
其中RSD表示相似度,表示曲率半径相似度的权重,通常取经验值0.3,/>表示对括号内的数据进行线性归一化处理,避免量纲不同带来的影响,/>表示检测五金零件中点云数据点与参考五金零件中点云数据的曲率半径的欧氏距离,反映其相似度,/>表示五金零件整体描述符相似度的权重,通常取经验值0.3,/>表示检测五金零件中点云数据点与参考五金零件中点云数据的整体描述符的欧氏距离;/>表示五金零件局部描述符相似度的权重,通常取经验值0.4,/>表示检测五金零件中点云数据点与参考五金零件中点云数据的局部描述符的欧氏距离。距离越小,表明检测点云数据点与参考点云数据点越相似,对应的相似度越大;距离越大,表明检测点云数据点与参考点云数据点越不相似,对应的相似度越小。
通过上述方法,可以计算得到检测点云数据中各点与参考点云数据中各点的相似度,得到相似度矩阵。
基于相似度确定五金零件是否存在缺陷。根据上述步骤得到的相似度矩阵,使用ICP匹配算法对点云数据进行匹配,则可以根据匹配结果计算雾化芯支架标准匹配水平,其计算公式如下:
;
其中Q表示检测五金零件与参考五金零件的匹配水平,表示检测点云数据量,表示参考点云数据量,n表示匹配成功点对数,/>表示第q个匹配成功点对之间的距离。
匹配成功点对数越多,匹配点对之间的距离越小,表明待检测五金零件与参考五金零件的差异越小,越不可能存在缺陷,对应的匹配水平值越大。匹配成功点对数越少,匹配点对之间的距离越大,表明检测五金零件与参考五金零件的差异越大,越可能存在缺陷,对应的匹配水平值越小。
本发明通过分析五金零件的结构特征,分别基于点云数据在空间中的混乱程度构建雾化芯支架整体特征描述符、基于局部点云数据的表面特征构建结构复杂度作为雾化芯支架局部特征描述符,基于雾化芯支架整体特征描述符与雾化芯支架局部特征描述符,结合曲率半径,构建特征描述符,将其作为3DSC算法中电子烟雾化芯支架的结构特征描述符,进而计算相似度,得到相似度矩阵,在使用ICP算法进行匹配时,匹配结果更准确。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于计算机视觉的五金零件缺陷检测方法,其特征在于,包括:
采集五金零件的点云数据;
基于所述点云数据在空间中的分布混乱程度确定所述五金零件中的每一点云数据的整体特征描述符;
基于所述点云数据的局部弯曲程度确定所述五金零件中每一点云数据的局部特征描述符;
基于所述整体特征描述符以及所述局部特征描述符对所述五金零件进行缺陷检测。
2.根据权利要求1所述的基于计算机视觉的五金零件缺陷检测方法,其特征在于,基于所述点云数据在空间中的分布混乱程度确定所述五金零件中每一点云数据的整体特征描述符,包括:
基于所述点云数据建立极对数空间直角坐标系;其中,极对数空间直角坐标系中的X轴正方向为点云数据的X轴正方向,Z轴正方向为点云数据的Z轴正方向;在极对数空间直角坐标系中,坐标点记为,其中/>表示坐标点到坐标原点的距离,/>表示坐标点与坐标原点的连线在x-y平面上的投影与x轴的夹角,记为方位角,/>表示坐标点与坐标原点的连线与z轴的夹角,记为极角;
基于所述点云数据在所述极对数空间直角坐标系中的分布情况确定所述五金零件中每一点云数据的整体特征描述符。
3.根据权利要求2所述的基于计算机视觉的五金零件缺陷检测方法,其特征在于,基于所述点云数据在所述极对数空间直角坐标系中的分布情况确定所述五金零件中每一点云数据的整体特征描述符,包括:
在极对数空间直角坐标系中将预设半径分为N段,以得到mN个区域,其中,m为三维空间的象限数量;
基于点云数据在各个区域内的分布情况确定所述五金零件中每一点云数据的整体特征描述符。
4.根据权利要求3所述的基于计算机视觉的五金零件缺陷检测方法,其特征在于,基于点云数据在各个区域内的分布情况确定所述五金零件的整体特征描述符,包括:
根据点云数据出现在第i个区域的概率、第i个区域内点云数据的数量、第i个区域内第j个点云数据到坐标原点的距离、预设半径计算第i个区域的区域概率;
基于第i个区域的区域概率计算点云数据的K近邻分布熵:点云数据的K近邻分布熵为整体特征描述符,用于表征点云数据周围的点云数据分布混乱程度。
5.根据权利要求1所述的基于计算机视觉的五金零件缺陷检测方法,其特征在于,基于所述点云数据的局部弯曲程度确定所述五金零件的局部特征描述符,包括:
基于所述点云数据建立极对数空间直角坐标系;
将极对数空间直角坐标系中距离点云数据最近的k个点确定为点云数据的K近邻点;
遍历点云数据对应的K近邻点,直至将点云数据对应的K近邻点连为一条路径;
根据所述路径构建结构复杂度,将所述结构复杂度确定为点云数据的所述局部特征描述符。
6.根据权利要求5所述的基于计算机视觉的五金零件缺陷检测方法,其特征在于,根据所述路径确定结构复杂度,包括:
根据路径经过的点云数据的顺序,得到极角序列和方位角序列;
通过K近邻点的数量、方位角差分序列确定点云数据不在竖直平面的可能性;方位角差分序列是通过对方位角序列一阶差分计算得到的;
通过K近邻点的数量、极角序列计算点云数据不在水平平面的可能性;
根据点云数据不在竖直平面的可能性以及点云数据不在水平平面的可能性确定结构复杂度。
7.根据权利要求6所述的基于计算机视觉的五金零件缺陷检测方法,其特征在于,基于所述整体特征描述符以及所述局部特征描述符对所述五金零件进行缺陷检测,包括:
利用最小二乘法对点云数据的K近邻点组成的K近邻曲面进行拟合,得到点云数据对应的拟合曲面;
利用曲率半径法计算点云数据对应的拟合曲面的曲率半径;
基于点云数据对应的所述曲率半径、所述整体特征描述符以及所述局部特征描述符对所述五金零件进行缺陷检测。
8.根据权利要求7所述的基于计算机视觉的五金零件缺陷检测方法,其特征在于,基于点云数据对应的所述曲率半径、所述整体特征描述符以及所述局部特征描述符对所述五金零件进行缺陷检测,包括:
基于点云数据对应的所述曲率半径、所述整体特征描述符以及所述局部特征描述符构建五金零件中的每一点云数据对应的特征描述符;
计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度;
基于所述相似度确定所述五金零件是否存在缺陷。
9.根据权利要求8所述的基于计算机视觉的五金零件缺陷检测方法,其特征在于,计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度,包括:
基于曲率半径相似度的权重、检测五金零件中点云数据点与参考五金零件中点云数据的曲率半径的欧氏距离、五金零件整体描述符相似度的权重、检测五金零件中点云数据点与参考五金零件中点云数据的整体描述符的欧氏距离;五金零件局部描述符相似度的权重,检测五金零件中点云数据点与参考五金零件中点云数据的局部描述符的欧氏距离计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度。
10.根据权利要求9所述的基于计算机视觉的五金零件缺陷检测方法,其特征在于:
利用如下公式计算相似度:
;
其中RSD表示相似度,表示曲率半径相似度的权重,/>表示对括号内的数据进行线性归一化处理,避免量纲不同带来的影响,/>表示检测五金零件中点云数据点与参考五金零件中点云数据的曲率半径的欧氏距离,反映其相似度,/>表示五金零件整体描述符相似度的权重,/>表示检测五金零件中点云数据点与参考五金零件中点云数据的整体描述符的欧氏距离;/>表示五金零件局部描述符相似度的权重,/>表示检测五金零件中点云数据点与参考五金零件中点云数据的局部描述符的欧氏距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310746501.3A CN116503390B (zh) | 2023-06-25 | 2023-06-25 | 一种基于计算机视觉的五金零件缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310746501.3A CN116503390B (zh) | 2023-06-25 | 2023-06-25 | 一种基于计算机视觉的五金零件缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503390A true CN116503390A (zh) | 2023-07-28 |
CN116503390B CN116503390B (zh) | 2023-09-22 |
Family
ID=87326933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310746501.3A Active CN116503390B (zh) | 2023-06-25 | 2023-06-25 | 一种基于计算机视觉的五金零件缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503390B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014166376A1 (zh) * | 2013-04-12 | 2014-10-16 | 北京大学 | 获取图像的紧凑全局特征描述子的方法及图像检索方法 |
US20170053192A1 (en) * | 2015-08-18 | 2017-02-23 | Parking Vision Information Technologies, INC. | Systems and methods for detecting parking occupancy status |
CN110084812A (zh) * | 2019-05-10 | 2019-08-02 | 广东工业大学 | 一种太赫兹图像缺陷检测方法、装置、系统及存储介质 |
CN111553410A (zh) * | 2020-04-27 | 2020-08-18 | 哈尔滨工程大学 | 基于关键点局部曲面特征直方图和空间关系的点云识别方法 |
CN114511571A (zh) * | 2020-10-28 | 2022-05-17 | 刘晋浩 | 一种点云数据语义分割方法、系统及相关组件 |
CN115830015A (zh) * | 2023-02-09 | 2023-03-21 | 深圳市威祥五金制品有限公司 | 基于计算机视觉的五金冲压配件质量检测方法 |
-
2023
- 2023-06-25 CN CN202310746501.3A patent/CN116503390B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014166376A1 (zh) * | 2013-04-12 | 2014-10-16 | 北京大学 | 获取图像的紧凑全局特征描述子的方法及图像检索方法 |
US20170053192A1 (en) * | 2015-08-18 | 2017-02-23 | Parking Vision Information Technologies, INC. | Systems and methods for detecting parking occupancy status |
CN110084812A (zh) * | 2019-05-10 | 2019-08-02 | 广东工业大学 | 一种太赫兹图像缺陷检测方法、装置、系统及存储介质 |
CN111553410A (zh) * | 2020-04-27 | 2020-08-18 | 哈尔滨工程大学 | 基于关键点局部曲面特征直方图和空间关系的点云识别方法 |
CN114511571A (zh) * | 2020-10-28 | 2022-05-17 | 刘晋浩 | 一种点云数据语义分割方法、系统及相关组件 |
CN115830015A (zh) * | 2023-02-09 | 2023-03-21 | 深圳市威祥五金制品有限公司 | 基于计算机视觉的五金冲压配件质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116503390B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022042579A1 (zh) | 一种用于lcd屏幕的缺陷检测方法、装置 | |
CN109583324A (zh) | 一种基于单点多盒检测器的指针仪表读数自动识别方法 | |
Yu et al. | Fast bridge deflection monitoring through an improved feature tracing algorithm | |
CN114549835A (zh) | 一种基于深度学习的指针式仪表矫正识别方法及装置 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN107092863A (zh) | 一种变电站巡检机器人的指针式仪表读数识别方法 | |
CN110889455A (zh) | 一种化工园巡检机器人的故障检测定位及安全评估方法 | |
CN114264582B (zh) | 一种超低粉尘在线监测分析控制系统 | |
CN110211178B (zh) | 一种利用投影计算的指针式仪表识别方法 | |
CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN112215060B (zh) | 一种基于霍夫变换的高精度机械式仪表示数识别方法 | |
CN106815830B (zh) | 图像的缺陷检测方法 | |
CN113761705A (zh) | 基于多维属性相关分析的多传感器融合方法及系统 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN116503390B (zh) | 一种基于计算机视觉的五金零件缺陷检测方法 | |
CN116630662A (zh) | 一种应用于视觉slam的特征点误匹配剔除方法 | |
CN115512343A (zh) | 一种圆形指针式仪表校正和读数识别方法 | |
JP3460824B2 (ja) | 形状認識方法及び装置 | |
US20190205613A1 (en) | Distorted fingerprint matching using pose and minutia grouping | |
CN117274966B (zh) | 室外工业仪表监测方法、系统、可读存储介质及计算机 | |
CN115994942B (zh) | 三维模型的对称提取方法、装置、设备及存储介质 | |
CN116892880B (zh) | 一种基于机器视觉的电子元器件高精度检测系统 | |
CN116182807B (zh) | 一种姿态信息确定方法、装置、电子设备、系统和介质 | |
CN117235650B (zh) | 一种高空作业状态检测方法、装置、设备及介质 | |
CN116310285B (zh) | 一种基于深度学习的指针式仪表自动读数方法及系统 |
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 |