CN116542968A - 一种基于模板匹配的钢筋智能计数方法 - Google Patents

一种基于模板匹配的钢筋智能计数方法 Download PDF

Info

Publication number
CN116542968A
CN116542968A CN202310781032.9A CN202310781032A CN116542968A CN 116542968 A CN116542968 A CN 116542968A CN 202310781032 A CN202310781032 A CN 202310781032A CN 116542968 A CN116542968 A CN 116542968A
Authority
CN
China
Prior art keywords
area
face
steel bar
areas
steel bars
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
Application number
CN202310781032.9A
Other languages
English (en)
Inventor
郑贺民
马国伟
康景亮
黄轶淼
巫环
郭钟文
牛远志
郭鑫飞
张少朋
姜自明
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.)
Guangdong Guangzhou Zhanjiang Railway Co ltd
Hebei University of Technology
China Railway Design Corp
Original Assignee
Guangdong Guangzhou Zhanjiang Railway Co ltd
Hebei University of Technology
China Railway Design Corp
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 Guangdong Guangzhou Zhanjiang Railway Co ltd, Hebei University of Technology, China Railway Design Corp filed Critical Guangdong Guangzhou Zhanjiang Railway Co ltd
Priority to CN202310781032.9A priority Critical patent/CN116542968A/zh
Publication of CN116542968A publication Critical patent/CN116542968A/zh
Pending legal-status Critical Current

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/30242—Counting objects in 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明为一种基于模板匹配的钢筋智能计数方法，所述计数方法包括以下步骤：在工厂的钢筋绑扎区，采用工业相机垂直于钢筋端面的拍摄方式采集钢筋端面照片；对采集到的钢筋端面照片进行灰度化、滤波、二值化及形态学处理，并标记所有连通区域；提取所有连通区域的面积和重心特征，进行连通区域分类，根据连通区域的面积对不同分类情况进行划分，进而对于不同分类的钢筋连通区域分别进行计数:对分类为单根钢筋的直接使用面积计数法进行计数；对分类为粘连钢筋的使用结合面积、重心等特征的多模板匹配进行识别计数；对于分类为残缺钢筋的根据重心和欧氏距离进行计数；分类为噪声的直接清除不计。本发明方法识别速度更快且精度更高。

Description

一种基于模板匹配的钢筋智能计数方法
技术领域
本发明属于图像分析数据处理技术领域，具体是一种基于模板匹配的钢筋智能计数方法。
背景技术
钢筋在现代建筑工程建设中应用非常广泛，钢筋材料也是建筑工程中最为关键的材料。在房产和设施需求猛增的趋势下，给建筑业带来的不仅是钢筋材料价格的飞速增长的问题，同时还伴随着钢筋如何进行快速而准确的核查和验收计数的问题。
在传统的建筑行业中，钢筋计数通常依靠人工检测，无论是通过称重方式来检测，还是通过人工视觉来检测，都费时费力且精度不足，称重方式容易受到钢筋的尺寸、类型的不同的影响；人工视觉的方式会造成人力资源的严重浪费，结果仅听信于计数者，而且容易眼睛疲劳，从而导致计数不准确。在工厂实际生产中，现场光源环境不确定，采集后的图片需要进行预处理，否则将直接影响图像质量和识别精度。而常用的面积计数方法容易漏记、多记，且不能直观显示识别结果，不便于结果分析。因此，发明一种快速、准确的基于模板匹配的钢筋智能计数方法尤为重要。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提供一种快速、准确的基于模板匹配的钢筋智能计数方法。
本发明解决所述技术问题采用的技术方案是：
一种基于模板匹配的钢筋智能计数方法，包括以下步骤：
在工厂的钢筋绑扎区，采用工业相机垂直于钢筋端面的拍摄方式，将工业相机到钢筋端面的垂直距离调整为设置的工业相机工作距离，根据工作距离布置图像采集环境，进行采集钢筋端面照片；
对采集到的钢筋端面照片进行灰度化、滤波、二值化及形态学处理，并标记所有连通区域；
提取所有连通区域的面积和重心特征，进行连通区域分类，所述连通区域分类过程是：将连通区域的面积按降序排列，设置有效面积，获得有效面积内连通区域的个数，以有效面积除以有效面积内连通区域的个数获得平均面积，以平均面积作为单根钢筋的端面标准面积S，再由单根钢筋的端面标准面积S根据公式S=πD²/4求得标准单根钢筋直径D，然后将各个连通区域的面积与单根钢筋的端面标准面积的比值作为连通区域分类依据，比值小于0.15的划分为噪声类连通区域，比值为[0.15,0.5)的划分为残缺端面类连通区域，比值为[0.5,1.4]的划分为单根钢筋端面类连通区域，比值大于1.4的划分为粘连端面类连通区域，并且对残缺端面类连通区域按照连通区域的面积大小进行从小到大标号；
钢筋计数：对分类为单根钢筋端面类连通区域，则直接使用面积计数法进行计数，获得所有分类为单根钢筋端面类连通区域的钢筋数量；所述面积计数法对符合面积比的连通区域标记一个以1/3D为半径的圆形，单根钢筋端面类连通区域的钢筋计数器加1；
对分类为粘连端面类连通区域，则使用基于NCC算法的多模板匹配进行识别计数，所述基于NCC算法的多模板匹配是以十字模板作为粗略模板匹配，正八边形模板作为精确模板匹配，具体是：先用十字模板对图片进行步长为D的匹配，找到可能的钢筋中心点，再用以D为直径的圆的外切正八边形对可能的钢筋中心点位置进行精确匹配，对精确匹配到的结果标记一个以1/3D为半径的正八边形，粘连端面类连通区域的钢筋计数器加1，获得所有分类为粘连端面类连通区域的钢筋数量；
对于分类为残缺端面类连通区域，由于残缺端面类连通区域按照连通区域的面积大小进行从小到大标号，将残缺端面类连通区域的重心坐标依次两两进行欧氏距离计算：
，
其中（x1,y1）、(x2,y2)为两个相邻的连通区域重心坐标，根据每个连通区域的重心坐标判断欧式距离来进行计数，如果欧氏距离d小于标准单根钢筋直径D，则归为同一根钢筋，标记一个以1/3D为半径的圆形，残缺端面类连通区域的钢筋计数器加1；否则只将计算欧氏距离用到的标号小的残缺端面类连通区域记为一根钢筋；获得所有分类为残缺端面类连通区域的钢筋数量；
对分类为噪声类连通区域，则直接清除不计；
将所有分类为单根钢筋端面类连通区域的钢筋数量、所有分类为粘连端面类连通区域的钢筋数量和所有分类为残缺端面类连通区域的钢筋数量的计数结果相加获得钢筋总数。
进一步地，所述基于NCC算法的多模板匹配进行识别计数的过程是：首先使用D个元素水平垂直相交的十字模板从图像左上角开始，从左向右、从上到下扫描，以D为步长，记录每次模板下覆盖的目标像素数量，如果目标像素数量大于D，则记录此时的模板中心点作为可能的匹配点，并以模板中心点作一个长宽为D的最小包围矩形，以最小包围矩形标记可能的匹配点；如果目标像素数量不大于D则继续扫描，然后再用正八边形模板对可能的匹配点位置进行匹配，用NCC算法计算匹配区域的相似度R(i,j)：
其中T为正八边形模板，C为可能的匹配点所在的最小包围矩形区域，T()为正八边形模板中某点的灰度值减去正八边形模板平均灰度值的结果，C()为最小包围矩形区域中某点的灰度值减去最小包围矩形区域平均灰度值的结果，m和n分别为最小包围矩形区域的长和宽，i和j为正八边形模板左上角点的横坐标和纵坐标，x和y分别取值为不大于m和n的整数；所述正八边形模板为以D为直径的圆的外切正八边形；
如果相似度R(i,j)大于设定的相似度阈值，则再对这个区域使用8-邻接准则进行连通域个数判断，如果连通域个数大于1个，则说明匹配位置不准确，需要根据覆盖情况调整模板的覆盖位置，直到连通域个数为1；若相似度R(i,j)小于或等于设定的相似度阈值，则判断此处存在一根钢筋，标记一个以1/3D为半径的正八边形，粘连端面类连通区域的钢筋计数器加1。
所述根据覆盖情况调整模板的覆盖位置的具体过程是：用8-邻接准则判断所述粘连端面类连通区域中连通域个数大于1时，则此区域内存在多根钢筋，获得该粘连端面类连通区域中每个连通域的重心坐标，然后计算每个连通域的重心坐标和正八边形模板中心的欧式距离，则将正八边形模板向最小欧氏距离的那个连通域的重心方向移动，再次进行连通域个数判断，直到连通域个数为1。
进一步地，对采集到的钢筋端面照片进行灰度化、滤波、二值化及形态学处理，并标记所有连通区域的过程是：
将工业相机采集的彩色钢筋端面图像利用基于整数移位的方式进行快速灰度化，设图像灰度化处理后的钢筋端面图像为钢筋端面灰度图像，则钢筋端面灰度图像中的像素点的亮度值为G*，；
其中R、G、B为彩色钢筋端面图像的三个分量，分别代表Red颜色通道、Green颜色通道及Blue颜色通道的亮度值；
使用自适应对比度增强法，将滑动窗口作为辅助，对钢筋端面灰度图像进行处理，获得的钢筋端面对比度增强图像；
再对钢筋端面对比度增强图像利用3*3的维纳滤波去除高斯噪声，利用5*5的滑动窗口的中值滤波来去除椒盐噪声，获得去噪图像；
使用引入类内方差的最大类间方差法对去噪图像进行二值化处理，获得钢筋端面二值化图像；再对钢筋端面二值化图像进行形态学处理，包括腐蚀、膨胀、开操作、闭操作或孔洞填充操作，获得二值化处理后的图像；
对二值化处理后的图像选用基于8-邻接关系的行程标记法来标记连通区域。
进一步地，钢筋计数时，对单根钢筋端面类连通区域的单根钢筋标记为一个以1/3D为半径的蓝色圆形，对残缺端面类连通区域的残缺钢筋标记为一个以1/3D为半径的红色圆形，对粘连端面类连通区域的粘连钢筋标记为一个以1/3D为半径的绿色正八边形。
进一步地，所述有效面积的设置方式是：在按照连通区域的面积降序排列后，舍弃排序中前1/4和后1/4的连通区域，以保留的连通区域的面积总和作为有效面积。
与现有技术相比，本发明的有益效果在于：
1、针对钢筋端面二值图像的目标连通区域存在的多种分类情况，本发明方法根据连通区域的面积对不同分类情况进行划分，进而对于不同分类的钢筋连通区域分别进行计数:对分类为单根钢筋的直接使用面积计数法进行计数；对分类为粘连钢筋的使用结合面积、重心等特征的多模板匹配进行识别计数；对于分类为残缺钢筋的根据重心和欧氏距离进行计数；分类为噪声的直接清除不计；识别速度更快且精度更高。
2、本发明在图像预处理过程中，在对采集到的钢筋端面图像进行灰度化的时候，采用基于7位移位运算的快速灰度化方式，提高灰度化效率，避免了采用常规的灰度化方法，会存在大量的浮点运算，造成耗时过多的问题。图像预处理中，在对去噪图像进行二值化后，利用二值形态学中的腐蚀、膨胀、开操作、闭操作、孔洞填充等方法对钢筋端面二值化图像进行处理，使钢筋端面图像特征更明显；同时基于8-邻接关系，采用行程标记法对连通区域进行标记，对标记后的连通区域提取面积、周长、重心等特征，利用迭代思想求出单根钢筋的端面标准面积，依据连通区域的面积与单根钢筋的端面标准面积的比值进行分类，有效区分钢筋端面图像中存在的钢筋堆叠粘连、存在缺口、断裂等不同类别，便于后面的计数处理。
3、本方法使用局部自适应增强算法（ACE）对图像进行处理，在增强对比度的同时也使端面图像的亮度更加均匀，避免了采集钢筋端面时存在的光照不均匀的问题，能很好的突出细节并且使亮度均匀；选用5*5模板的中值滤波和3*3的维纳滤波组合成的双层滤波来进行去噪处理，拥有更好的滤波效果且图像失真程度较小，减少了钢筋端面图像采集时可能存在的高斯噪声和椒盐噪声影响。使用引入类内方差的最大类间方差法（OSTU）来将钢筋端面图像分割为背景和目标两部分，考虑了钢筋之间的差异，能够有效减少钢筋端面图像中的钢筋存在生锈、油污等现象对图像处理的影响。
附图说明
图1为本发明基于模板匹配的钢筋智能计数方法一种实施例的整体流程图；
图2为本发明方法中钢筋端面灰度图像；
图3为本发明方法中钢筋端面对比度增强图像；
图4为本发明方法中钢筋端面二值化图像；
图5为本发明方法中二值形态学处理图像；
图6为本发明方法中钢筋计数结果图像。
具体实施方式
下面结合实施例及附图进一步解释本发明，但并不以此作为对本申请保护范围的限定。
本发明基于模板匹配的钢筋智能计数方法（参见图1），用于快速、准确的基于图像分析进行钢筋智能计数，包括以下步骤：
步骤一、图像采集
在工厂的钢筋绑扎区，采用工业相机垂直于钢筋端面的拍摄方式，将工业相机到钢筋端面的垂直距离调整为设置的工业相机工作距离，根据工作距离布置图像采集环境，进行采集钢筋端面照片。
步骤二、图像灰度化
工业相机为摄像机，摄像机采集的钢筋端面图像为彩色图像，采用的是RGB颜色模式，其中包含R、G、B三个分量，分别代表Red颜色通道、Green颜色通道及Blue颜色通道的亮度值，每个彩色像素点可以拥有255*255*255种取值范围；利用基于整数移位的方式对钢筋端面图像进行快速灰度化，设图像灰度化处理后的钢筋端面图像为钢筋端面灰度图像，参见图2，钢筋端面灰度图像中的像素点的亮度值为G*，基于整数移位的方式的计算公式是：；
步骤三、图像对比度增强
使用自适应对比度增强（ACE）方式，将滑动窗口作为辅助，对钢筋端面灰度图像进行处理，根据更小范围的局部信息来自适应地调整图像对比度，从而进一步突出图像细节部分，减少图像背景的影响，获得的钢筋端面对比度增强图像如图3所示。
步骤四、双层滤波去噪
在采集、传输等一系列操作后，采集到的钢筋端面图像可能存在高斯噪声和椒盐噪声。因此采用双层滤波的方式来处理，利用3*3的维纳滤波去除高斯噪声，利用5*5的滑动窗口的中值滤波来去除椒盐噪声，从而减小因为钢筋自身的生锈、油污及腐蚀和采集钢筋端面图像时背景和光照条件的不稳定所导致的噪声对钢筋计数的影响。
步骤五、图像二值化处理
在最大类间方差法（OSTU）的基础上引入类内方差对图像进行二值化处理。引入类内方差，则在选取分割阈值时需要满足两个条件：一个是类间方差最大，一个是类内方差最小。引入类内方差可以很好的减少由于钢筋自身的生锈、油污及腐蚀导致的低灰度像素的像素分布不均匀的影响，获得钢筋端面二值化图像，如图4所示。
步骤六、二值图像处理
经过步骤五中的处理后，钢筋端面可能存在缺失、孔洞等因素，单个钢筋的断裂可能被识别为多个钢筋；紧密相连在一起的钢筋，可能会被识别为一个或多个钢筋；钢筋端面的边界可能存在的倒刺和杂乱的噪点。所以对钢筋端面二值化图像进行形态学处理，包括腐蚀、膨胀、开操作、闭操作或孔洞填充操作，获得二值化处理后的图像，如图5所示，具体是：
（1）腐蚀
腐蚀是将目标的图像沿着它的边界变小的一个过程，可以消除背景中的噪声，从而断开一些比较小的粘连情况。
（2）膨胀
膨胀是将探测到的目标点周围直接扩充一圈，可以有效地平滑目标的边界、填充钢筋端面图像可能存在的孔洞。
（3）开操作
开操作就是先进行腐蚀操作，再进行膨胀操作的一种运算，可以在腐蚀操作消除噪声和断开细小连接的基础上，基本保持大面积的前提下将目标边界变的更平滑。
（4）闭操作
闭操作是与开操作相反的过程，先进行膨胀操作，再进行腐蚀操作，能够在腐蚀操作断开细小的粘连的基础上，平滑目标边界且不明显的改变目标区域的面积。
（5）孔洞填充
孔洞填充是一种复杂的运算，包含了膨胀运算、求补集、交集等的原理，与边界提取是相反的过程。
步骤七、标记连通区域
在二值化处理后的图像中，像素只有黑白两种灰度值，黑色灰度值的像素点为背景，白色灰度值的像素点为目标。为了更接近人的视觉判别、更好的提取目标的特征，对二值化处理后的图像选用基于8-邻接关系的行程标记法来标记连通区域。
步骤八、连通区域特征提取
要识别目标，就要对目标的形状特征进行提取和分析，主要是对面积、周长、重心等形状特征进行提取。
（1）面积特征
将连通区域的目标像素数作为连通区域的面积特征。
（2）周长特征
周长可以看做是对目标物体外轮廓的一种量化，利用轮廓追踪法来追踪物体的外部轮廓，将区域轮廓的像素数作为周长。
（3）重心特征
目标区域的重心特征是将目标定位的一个重要特征，也是直观显示识别结果的重要参数。这里将连通区域看成一个矩形，使用一阶中心距来计算重心。
步骤九、连通区域分类
在知道连通区域面积的基础上，根据连通区域面积的分布，利用迭代的思想求出单根钢筋的端面标准面积S。将连通区域的面积按降序排列，取排序后位于整个排序中间的25%—75%范围内的连通区域的总面积作为有效面积，获得有效面积内连通区域的个数，以有效面积求平均获得平均面积，以平均面积作为单根钢筋的端面标准面积S，再由单根钢筋的端面标准面积S根据公式S=πD²/4求得标准单根钢筋直径D，然后将各个连通区域的面积与单根钢筋的端面标准面积的比值作为连通区域分类依据，比值小于0.15的划分为噪声类连通区域，比值为[0.15,0.5)的划分为残缺端面类连通区域，比值为[0.5,1.4]的划分为单根钢筋端面类连通区域，比值大于1.4的划分为粘连端面类连通区域，并且对残缺端面类连通区域按照连通区域的面积大小进行从小到大标号。
步骤十、钢筋计数
本发明在连通区域分类的基础上，对分类为单根钢筋的直接使用面积计数法进行计数，对符合面积比的区域标记一个以1/3D为半径的蓝色圆形；
对分类为粘连钢筋的使用基于NCC算法的多模板匹配进行识别计数，由于钢筋端面大致于类圆形，所以将十字模板作为粗略模板匹配、正八边形模板作为精确模板匹配，先用十字模板对图片进行步长为D的匹配，找到可能的钢筋中心点，再用正八边形进行精确匹配；
首先使用D个元素水平垂直相交的十字模板从图像左上角开始，从左向右、从上到下扫描，以D为步长，记录下每次模板下覆盖的目标像素数量，如果目标像素数量大于D，则记录此时的模板中心点作为可能的匹配点，并以模板中心点作一个长宽为D的最小包围矩形，以最小包围矩形标记可能的匹配点；否则继续扫描，然后再用以D为直径的圆的外切正八边形对可能的匹配点位置进行匹配，用NCC算法计算匹配区域的相似度R(i,j)：
其中，T为正八边形模板，C为可能的匹配点所在的最小包围矩形区域，T()为正八边形模板中某点的灰度值减去正八边形模板平均灰度值的结果，C()为最小包围矩形区域中某点的灰度值减去最小包围矩形区域平均灰度值的结果，m和n分别为最小包围矩形区域的长和宽，i和j为正八边形模板左上角点的横坐标和纵坐标；x和y分别取值为不大于m和n的整数；
如果相似度R(i,j)大于设定的相似度阈值（本实施例中相似度阈值取为0.8），则再对这个区域使用8-邻接准则进行连通域个数判断，如果连通域个数大于1个，则说明匹配位置不准确，需要根据覆盖情况调整模板的覆盖位置，即用8-邻接准则判断该粘连端面类连通区域中连通域个数大于1时，则此区域内存在多根钢筋，则获得该粘连端面类连通区域中每个连通域的重心坐标，然后计算每个连通域的重心坐标和正八边形模板中心的欧式距离，则将正八边形模板向最小欧氏距离的那个连通域的重心方向移动，再次进行连通域个数判断，直到连通域个数为1；
若相似度R(i,j)小于或等于设定的相似度阈值，则判断此处存在一根钢筋，标记一个以1/3D为半径的绿色正八边形，粘连端面类连通区域的钢筋计数器加1。
对于分类为残缺端面类连通区域，由于残缺端面类连通区域按照连通区域的面积大小进行从小到大标号，将残缺端面类连通区域的重心坐标依次按照公式
两两进行欧氏距离计算，其中（x1,y1）、(x2,y2)为两个相邻的连通区域重心坐标，根据每个连通区域的重心坐标判断欧式距离来进行计数，如果欧氏距离d小于标准单根钢筋直径D，则归为同一根钢筋，标记一个以1/3D为半径的红色圆形，残缺端面类连通区域的钢筋计数器加1；否则只将计算欧氏距离用到的标号小的残缺端面类连通区域记为一根钢筋；获得所有分类为残缺端面类连通区域的钢筋数量；
对分类为噪声类连通区域，则直接清除不计，
将所有分类为单根钢筋端面类连通区域的钢筋数量、所有分类为粘连端面类连通区域的钢筋数量和所有分类为残缺端面类连通区域的钢筋数量的计数结果相加即为钢筋总数。
图6为本实施例中钢筋计数结果图像，钢筋总数为209，图中由于灰度化后不能显示所标记的红色圆形和绿色正八边形、蓝色圆形。
本发明未述及之处适用于现有技术。

Claims (5)

1.一种基于模板匹配的钢筋智能计数方法，其特征在于，所述计数方法包括以下步骤：
在工厂的钢筋绑扎区，采用工业相机垂直于钢筋端面的拍摄方式采集钢筋端面照片；
对采集到的钢筋端面照片进行灰度化、滤波、二值化及形态学处理，并标记所有连通区域；
提取所有连通区域的面积和重心特征，进行连通区域分类，所述连通区域分类过程是：将连通区域的面积按降序排列，设置有效面积，获得有效面积内连通区域的个数，以有效面积除以有效面积内连通区域的个数获得平均面积，以平均面积作为单根钢筋的端面标准面积S，再由单根钢筋的端面标准面积S根据公式S=πD²/4求得标准单根钢筋直径D，然后将各个连通区域的面积与单根钢筋的端面标准面积的比值作为连通区域分类依据，比值小于0.15的划分为噪声类连通区域，比值为[0.15,0.5)的划分为残缺端面类连通区域，比值为[0.5,1.4]的划分为单根钢筋端面类连通区域，比值大于1.4的划分为粘连端面类连通区域，并且对残缺端面类连通区域按照连通区域的面积大小进行从小到大标号；
钢筋计数：对分类为单根钢筋端面类连通区域，则直接使用面积计数法进行计数，获得所有分类为单根钢筋端面类连通区域的钢筋数量；
对分类为粘连端面类连通区域，则使用基于NCC算法的多模板匹配进行识别计数，先用十字模板对图片进行步长为D的匹配，找到可能的钢筋中心点，再用以D为直径的圆的外切正八边形对可能的钢筋中心点位置进行精确匹配，对精确匹配到的结果标记一个以1/3D为半径的正八边形，获得所有分类为粘连端面类连通区域的钢筋数量；
对于分类为残缺端面类连通区域，将残缺端面类连通区域的重心坐标依次两两进行欧氏距离d计算；若欧氏距离d小于标准单根钢筋直径D，则归为同一根钢筋，标记一个以1/3D为半径的圆形；否则只将计算欧氏距离用到的标号小的残缺端面类连通区域记为一根钢筋；获得所有分类为残缺端面类连通区域的钢筋数量；
对分类为噪声类连通区域，则直接清除不计；
将所有分类为单根钢筋端面类连通区域的钢筋数量、所有分类为粘连端面类连通区域的钢筋数量和所有分类为残缺端面类连通区域的钢筋数量的计数结果相加获得钢筋总数。
2.根据权利要求1所述的基于模板匹配的钢筋智能计数方法，其特征在于，所述基于NCC算法的多模板匹配进行识别计数的过程是：首先使用D个元素水平垂直相交的十字模板从图像左上角开始，从左向右、从上到下扫描，以D为步长，记录每次模板下覆盖的目标像素数量，如果目标像素数量大于D，则记录此时的模板中心点作为可能的匹配点，并以模板中心点作一个长宽为D的最小包围矩形，以最小包围矩形标记可能的匹配点；如果目标像素数量不大于D则继续扫描，然后再用正八边形模板对可能的匹配点位置进行匹配，用NCC算法计算匹配区域的相似度R(i,j)：
其中，T()为正八边形模板中某点的灰度值减去正八边形模板平均灰度值的结果，C()为最小包围矩形区域中某点的灰度值减去最小包围矩形区域平均灰度值的结果，m和n分别为最小包围矩形区域的长和宽，i和j为正八边形模板左上角点的横坐标和纵坐标，x和y分别取值为不大于m和n的整数；
若相似度R(i,j)大于设定的相似度阈值，则再对这个区域使用8-邻接准则进行连通域个数判断，如果连通域个数大于1个，则说明匹配位置不准确，需要根据覆盖情况调整模板的覆盖位置，直到连通域个数为1；若相似度R(i,j)小于或等于设定的相似度阈值，则判断此处存在一根钢筋，标记一个以1/3D为半径的绿色正八边形。
3.根据权利要求1所述的基于模板匹配的钢筋智能计数方法，其特征在于，对采集到的钢筋端面照片进行灰度化、滤波、二值化及形态学处理，并标记所有连通区域的过程是：
将工业相机采集的彩色钢筋端面图像利用基于整数移位的方式进行快速灰度化，设图像灰度化处理后的钢筋端面图像为钢筋端面灰度图像；
使用自适应对比度增强法，将滑动窗口作为辅助，对钢筋端面灰度图像进行处理，获得的钢筋端面对比度增强图像；
再对钢筋端面对比度增强图像利用3*3的维纳滤波去除高斯噪声，利用5*5的滑动窗口的中值滤波来去除椒盐噪声，获得去噪图像；
使用引入类内方差的最大类间方差法对去噪图像进行二值化处理，获得钢筋端面二值化图像；再对钢筋端面二值化图像进行形态学处理，包括腐蚀、膨胀、开操作、闭操作或孔洞填充操作，获得二值化处理后的图像；
对二值化处理后的图像选用基于8-邻接关系的行程标记法来标记连通区域。
4.根据权利要求1所述的基于模板匹配的钢筋智能计数方法，其特征在于，钢筋计数时，对单根钢筋端面类连通区域的单根钢筋标记为一个以1/3D为半径的蓝色圆形，对残缺端面类连通区域的残缺钢筋标记为一个以1/3D为半径的红色圆形，对粘连端面类连通区域的粘连钢筋标记为一个以1/3D为半径的绿色正八边形。
5.根据权利要求1所述的基于模板匹配的钢筋智能计数方法，其特征在于，所述有效面积的设置方式是：在按照连通区域的面积降序排列后，舍弃排序中前1/4和后1/4的连通区域，以保留的连通区域的面积总和作为有效面积。
CN202310781032.9A 2023-06-29 2023-06-29 一种基于模板匹配的钢筋智能计数方法 Pending CN116542968A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310781032.9A CN116542968A (zh) 2023-06-29 2023-06-29 一种基于模板匹配的钢筋智能计数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310781032.9A CN116542968A (zh) 2023-06-29 2023-06-29 一种基于模板匹配的钢筋智能计数方法

Publications (1)

Publication Number Publication Date
CN116542968A true CN116542968A (zh) 2023-08-04

Family

ID=87449112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310781032.9A Pending CN116542968A (zh) 2023-06-29 2023-06-29 一种基于模板匹配的钢筋智能计数方法

Country Status (1)

Country Link
CN (1) CN116542968A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116804865A (zh) * 2023-08-28 2023-09-26 成都飞机工业（集团）有限责任公司 一种三轴自动化程编特征识别与刀轨生成方法
CN117291912A (zh) * 2023-11-24 2023-12-26 江西中汇云链供应链管理有限公司 一种基于深度学习和激光雷达的铝棒仓储盘点方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200941358A (en) * 2008-03-21 2009-10-01 Huper Lab Co Ltd Vertical people monitoring and counting method
CN107301421A (zh) * 2016-04-15 2017-10-27 中兴通讯股份有限公司 车辆颜色的识别方法及装置
CN109544562A (zh) * 2018-11-09 2019-03-29 北京工业大学 基于图像的钢筋端面自动识别计数算法
CN111462061A (zh) * 2020-03-24 2020-07-28 华南理工大学 一种用于电子元器件计数的检测方法
CN216784076U (zh) * 2022-03-01 2022-06-21 广东顺德富意德智能包装科技有限公司 一种自动计数包装系统
KR20230047279A (ko) * 2021-09-30 2023-04-07 단국대학교 산학협력단 영상분석을 활용한 철근 정보 추출 자동화 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200941358A (en) * 2008-03-21 2009-10-01 Huper Lab Co Ltd Vertical people monitoring and counting method
CN107301421A (zh) * 2016-04-15 2017-10-27 中兴通讯股份有限公司 车辆颜色的识别方法及装置
CN109544562A (zh) * 2018-11-09 2019-03-29 北京工业大学 基于图像的钢筋端面自动识别计数算法
CN111462061A (zh) * 2020-03-24 2020-07-28 华南理工大学 一种用于电子元器件计数的检测方法
KR20230047279A (ko) * 2021-09-30 2023-04-07 단국대학교 산학협력단 영상분석을 활용한 철근 정보 추출 자동화 방법
CN216784076U (zh) * 2022-03-01 2022-06-21 广东顺德富意德智能包装科技有限公司 一种自动计数包装系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
严星: "基于图像分析的成捆钢筋端面识别与计数方法研究", 《CNKI》, pages 1 - 5 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116804865A (zh) * 2023-08-28 2023-09-26 成都飞机工业（集团）有限责任公司 一种三轴自动化程编特征识别与刀轨生成方法
CN116804865B (zh) * 2023-08-28 2023-12-08 成都飞机工业（集团）有限责任公司 一种三轴自动化程编特征识别与刀轨生成方法
CN117291912A (zh) * 2023-11-24 2023-12-26 江西中汇云链供应链管理有限公司 一种基于深度学习和激光雷达的铝棒仓储盘点方法及系统

Similar Documents

Publication Publication Date Title
CN114723701B (zh) 基于计算机视觉的齿轮缺陷检测方法和系统
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN116542968A (zh) 一种基于模板匹配的钢筋智能计数方法
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
CN102426649B (zh) 一种简单的高准确率的钢印数字自动识别方法
CN111179243A (zh) 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统
CN111415363B (zh) 一种图像边缘识别方法
CN109001212A (zh) 一种基于机器视觉的不锈钢汤勺缺陷检测方法
CN110569857B (zh) 一种基于质心距离计算的图像轮廓角点检测方法
CN108376403B (zh) 基于霍夫圆变换的网格菌落图像分割方法
CN104537651B (zh) 一种路面图像中裂缝比例检测方法及系统
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN114972356B (zh) 塑料制品表面缺陷检测识别方法及系统
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
WO2021135675A1 (zh) 一种棒材自动计数方法及装置
CN109658391B (zh) 一种基于轮廓归并和凸包拟合的圆半径测量方法
CN113298776B (zh) 一种金属闭式水泵叶轮外观缺陷检测方法
CN115049657A (zh) 一种玻璃缺陷检测方法
CN106529551B (zh) 面向包装行业的类圆对象智能识别计数检测方法
CN115294379B (zh) 基于光学信息的浮选法泡沫识别方法
CN117710399B (zh) 一种基于视觉的地质调查中裂缝轮廓提取方法
CN115330795A (zh) 布匹毛刺缺陷检测方法
CN107516315B (zh) 一种基于机器视觉的掘进机出渣监测方法
CN110807354B (zh) 一种工业流水线产品计数方法
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20230804