CN116704209A - 一种法兰轮廓快速提取方法及系统 - Google Patents
一种法兰轮廓快速提取方法及系统 Download PDFInfo
- Publication number
- CN116704209A CN116704209A CN202310986585.8A CN202310986585A CN116704209A CN 116704209 A CN116704209 A CN 116704209A CN 202310986585 A CN202310986585 A CN 202310986585A CN 116704209 A CN116704209 A CN 116704209A
- Authority
- CN
- China
- Prior art keywords
- segment
- strand
- data
- flange
- value
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000008859 change Effects 0.000 claims abstract description 33
- 238000003708 edge detection Methods 0.000 claims abstract description 24
- 108020004705 Codon Proteins 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种法兰轮廓快速提取方法及系统,包括:通过对法兰表面图像进行边缘检测获取多个连通域轮廓边缘;通过改进的链码编码规则对连通域轮廓边缘进行编码,得到法兰表面轮廓像素点的链码;根据每个链码子段的距离计算链码子段的关注程度;根据链码子段的数据距离值以及链码子段长度计算链码子段频数变化值;根据链码子段的频数变化值和关注程度计算链码子段的优选程度;通过链码子段优选程度获得法兰表面的可能轮廓边缘拟合得到目标轮廓边缘。本发明通过获取法兰图像的边缘,利用轮廓边缘的规律性变化特性得到边缘点隶属于轮廓边缘的概率,从而排除其他边缘点对轮廓边缘的干扰。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种法兰轮廓快速提取方法及系统。
背景技术
在计算机视觉和图像处理中,轮廓提取是一种非常重要的技术。它可以从图像中提取出与物体边缘相关的信息,从而对物体进行识别、分割、跟踪等操作。法兰轮廓是一种特殊的轮廓,它是由圆弧或线段组成的轮廓。法兰轮廓在工业制造、机器人视觉等领域中得到广泛应用。
目前,已经有很多关于法兰轮廓提取的方法和系统被提出。其中,一些方法和系统基于传统的边缘检测和曲线拟合技术,但这些方法存在一些问题,如对噪声敏感、对不规则形状难以处理等。另一些方法和系统基于深度学习技术,但是这些方法需要大量的标注数据和计算资源,不太适用于实际应用中。
发明内容
本发明提供一种法兰轮廓快速提取方法及系统,以解决现有的问题。
本发明的以一种法兰轮廓快速提取方法及系统采用如下技术方案:
一方面,本发明的实施例提供了一种法兰轮廓快速提取方法,该方法包括以下步骤:
获取待检测法兰表面图像;
对法兰表面图像进行边缘检测得到法兰表面轮廓效果图,对法兰表面轮廓效果图进行区域标记获取多个连通域轮廓边缘;通过改进的链码编码规则对连通域轮廓边缘进行编码,得到法兰表面轮廓像素点的链码;将链码按照固定长度分为多个链码子段;根据每个链码子段的距离类型数量和距离值计算链码子段的关注程度;根据链码子段的数据类型、距离值以及链码子段长度计算链码子段频数变化值;根据链码子段的频数变化值和关注程度计算链码子段的优选程度;通过链码子段优选程度获得法兰表面的可能轮廓边缘,再由法兰表面可能的轮廓边缘拟合得到目标轮廓边缘;
根据法兰表面的目标轮廓边缘实现质量检测。
优选的,所述改进的链码编码规则获取方法如下:
取链码的八个方向,从水平正右方向顺时针旋转一次得到0,1,2,1,0,1,2,1八个链码值,得到的八个链码值记为改进的链码编码规则。
优选的,所述根据每个链码子段的距离类型数量和距离值计算链码子段的关注程度,包括的具体公式如下:
将链码子段中相同的数据记为一类数据,计算每类数据中的每类距离值与每类数据中所有距离值均值的差异,根据差异获得链码子段的关注程度。
优选的,所述计算每类数据中的每类距离值与每类数据中所有距离值均值的差异,根据差异获得链码子段的关注程度,包括的具体公式如下:
式中表示每个链码子段的关注程度,/>表示每个链码子段中数据类型的数量,/>表示第/>类数据的距离值的类型数量,/>表示第/>类数据第/>类距离的距离值,/>表示第/>类数据中的距离值的均值,/>为以自然常数为底的指数函数。
优选的,所述距离值和距离类型数量的获取方法如下:
对于任意一个链码子段,获取其中的第x个数据,记为,在该链码子段中获取与/>取值相同的且与第x数据序号最接近的数据,该数据的序号记为y,即第y个数据与第x个数据取值相同且相距最近,那么将/>作为第x个数据的距离值;如果不存在于/>取值相同的数据时,将链码子段长度记为第x个数据的距离值;
获得链码子段中所有数据的距离值,将相同的距离值记为一个类型的距离值,统计出链码子段中距离类型数量。
优选的,所述根据链码子段的数据类型、距离值以及链码子段长度计算链码子段频数变化值,包括的具体公式如下:
式中表示数据频率变化值,/>表示每个链码子段中数据类型数量,/>表示第/>类数据的距离值种类的数量,/>表示第/>类数据中第/>类距离的距离值,/>表示链码子段链码长度,/>表示链码子段中第/>数据的数值,/>为以自然常数为底的指数函数。
优选的,所述根据链码子段的频数变化值和关注程度计算链码子段的优选程度,包括的具体公式如下:
表示以第/>个链码子段的频数变化值,/>表示以第/>个链码子段的频数变化值,/>表示以第/>个链码子段为的频数变化值,/>表示当前第c个链码子段的关注程度,/>为以自然常数为底的指数函数,/>表示第c个链码子段的优选程度。
优选的,所述通过对法兰表面图像进行边缘检测得到法兰表面轮廓效果图,包括的具体方法如下:
对法兰表面图像进行灰度化处理得到法兰表面灰度图像,将法兰表面灰度图像输入语义分割神经网络中获得法兰表面灰度图像中法兰的语义区域,法兰表面灰度图像上语义区域内的像素点不变,其他像素点灰度值设置为0,得到法兰区域表面图像,利用Canny边缘检测算法获得法兰区域表面图像的边缘,记为法兰表面轮廓效果图。
优选的,所述根据法兰表面的目标轮廓边缘实现质量检测,包括的具体方法如下:
将目标轮廓边缘记为A,质量合格的法兰产品的轮廓边缘记为B,A与B进行对,如果A中不重合的轮廓像素点占B中的轮廓像素点的数量超过预设百分比,则法兰质量不合格。
另一方面,本发明实施例提供一种法兰轮廓快速提取系统,该系统包括以下模块:
数据采集模块,用于获取待检测法兰表面图像;
数据处理模块,用于进行边缘检测得到法兰表面轮廓效果图,对法兰表面轮廓效果图进行区域标记获取多个连通域轮廓边缘;通过改进的链码编码规则对连通域轮廓边缘进行编码,得到法兰表面轮廓像素点的链码;将链码按照固定长度分为多个链码子段;根据每个链码子段的距离类型数量和距离值计算链码子段的关注程度;根据链码子段的数据类型、距离值以及链码子段长度计算链码子段频数变化值;根据链码子段的频数变化值和关注程度计算链码子段的优选程度;通过链码子段优选程度获得法兰表面的可能轮廓边缘,再由法兰表面可能的轮廓边缘拟合得到目标轮廓边缘;
质量检测模块,根据法兰表面的目标轮廓边缘实现质量检测。
本发明的技术方案的有益效果是:本发明通过获取法兰图像的边缘,利用轮廓边缘的规律性变化特性获取边缘点隶属于轮廓边缘的概率,排除其他边缘点的干扰,最终通过拟合获取法兰的边缘轮廓,克服了现有边缘轮廓检测受到其他边缘干扰的问题,同时排除噪声的干扰,令最终提取的边缘轮廓更加准确。
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为本发明一种法兰轮廓快速提取方法的步骤流程图;
图2为法兰表面的连通域轮廓边缘;
图3为传统的八链码方向示意图;
图4为本实施改进的链码方向示意图;
图5为法兰轮廓边缘的链码子段之间的变化趋势。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种法兰轮廓快速提取方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种法兰轮廓快速提取方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种法兰轮廓快速提取方法的步骤流程图,该方法包括以下步骤:
步骤S001:对采集待检测法兰表面图像并进行语义分割得到待检测法兰区域表面图像。
利用工业相机采集法兰表面图像,对法兰表面图像进行灰度化处理得到法兰表面灰度图像。将法兰表面灰度图像输入语义分割神经网络中获得法兰表面灰度图像中法兰的语义区域,法兰表面灰度图像上语义区域内的像素点不变,其他像素点灰度值设置为0,得到法兰区域表面图像。
本实施例使用的语义分割神经网络是DeeplabV3神经网络,其他实施中可使用其他语义分割神经网络,本实施例不进行具体限定。
训练语义分割神经网络所使用的数据集的获取方法为:采集大量法兰表面图像并得到其法兰表面灰度图像,人为的对每张法兰表面灰度图像进行标注得到标签,其中像素属于背景类的标注为0,属于待检测法兰区域表面图像的标注为1。将所有法兰表面灰度图像和对应的标签作为数据集。
语义分割神经网络的训练方法是公知的本实施例不再具体进行赘述。
步骤S002:通过待检测法兰区域表面图像进行边缘检测获取合适的边缘检测效果图。
法兰轮廓属于边缘信息,要进行法兰边缘轮廓检测需要先进行相应的边缘检测获取对应的边缘信息。本实施利用canny边缘检测获取法兰区域表面图像的边缘检测效果图。由于法兰表面本身会存在一定的纹理,因此获取的边缘检测效果图中会存在一些伪边缘,若边缘检测的阈值选择过大,法兰的一些轮廓会消失,若边缘检测的阈值选择过小,会将法兰中自身纹理边缘分割出来,导致伪边缘过多,故选择不同边缘检测阈值进行边缘检测,得到不同阈值下的边缘检测效果。
步骤S003:采用改进的链码编码规则获取法兰轮廓表面图像的链码。
需要说明的是,法兰表面在加工过程中会形成纹理,即法兰表面灰度图像中像素点的灰度值会存在一定程度的变化,在进行边缘检测时会出现较多的边缘纹理信息,对于法兰的轮廓边缘,通常呈现圆形边缘或直线边缘,法兰的轮廓边缘存在较强的规则性,而加工过程中形成的纹理边缘规则性弱。
需要进一步说明的是,又因为图像中只需获取单像素组成的边缘,通过对边缘像素点进行链码编码,根据链码编码方向变化的规律性获取对应边缘链码隶属于轮廓边缘的概率,故采用链码对边缘像素点进行编码时,编码信息会存在一定的规律性,规律性越强,则对应的边缘点隶属于轮廓边缘的概率越大,规律性越弱,则对应的边缘点隶属于轮廓边缘的概率越小,由此获取轮廓边缘的概率,进而获取对应的轮廓边缘信息。
通过边缘检测获取多条边缘,故通过八连通区域标记算法获取隶属于同一连通域的边缘,如图2所示。通过八连通获取多个边缘连通域,对单连通域进行链码编码,若获取的连通域为闭合的连通域,在进行链码编码时以图像的左上角为坐标系原点,从上到下从左往右的第一个边缘点作为链码码头进行链码编码,若不为闭合连通域,则从不闭合的端点上到下从左往右开始进行编码,其中传统的八方向链码如图3所示。
由于法兰的轮廓边缘通常呈现圆形,故顺时针编码与逆时针编码是相同的,故本实施的链码编码规则如图4所示,将根据本实施所述链码编码规则对连通域边缘进行链码编码,由于轮廓边缘的方向变换存在规律性,故通过计算获取链码编码变换的规律性进行边缘概率计算,由于链码存在变化规律,故将链码分为链码子段,轮廓边缘的链码子段内链码编码呈现周期性,相邻链码子段内字符交替频率呈现递增或递减。本实施例以每个链码子段长为L=16进行叙述。因为长度过短会导致链码子段内周期性变化不明显,链码子段过多会呈现多种变化,本实施以L=16为例进行说明;如果链码子段长度不足L时,将剩余链码子段也参与后续的处理,直接对链码进行以下操作。
步骤S004:通过链码子段的周期性获取链码子段的关注程度,数据的频率变化计算链码子段的频率变化值。
(1)每个链码子段中包含的是如图4所示的链码编码数据,链码子段中取值相同的数据分为一类,例如链码子段为0020010110120101,包含了“0”、“1”、“2”三类数据。对于任意一个链码子段,获取其中的第x个数据,记为,在该链码子段中获取与/>取值相同的且与第x数据序号最接近的数据,该数据的序号记为y,即第y个数据与第x个数据取值相同且相距最近,那么将/>作为第x个数据的距离值;如果不存在于/>取值相同的数据时,将链码子段长度记为第x个数据的距离值。
至此,得到了链码子段中第x个数据的距离值,同理得到链码子段中所有数据的距离值,那么也可得到每类数据的所有距离值;对于每类数据的所有距离值,将距离值相同的也分为一类,那么至此每个链码子段包含了若干类数据,且每类数据又包含了若干类的距离值。
通过计算链码子段的周期性获取链码子段的关注程度:分析可知若链码子段为法兰轮廓边缘的链码子段时,链码子段中的链码编码呈现一定的周期性,链码数据呈现一定步长的交替出现,而若链码子段为法兰其他伪边缘(自身纹理或其他)的链码子段时,由于自身纹理的产生不一定有规律,故链码编码的周期性较弱,所述链码子段的关注程度为:
以任意一个链码子段为例上式中表示当前链码子段的关注程度,/>表示该链码子段中数据类型的数量,/>表示第/>类数据的距离值的类型数量,/>表示第/>类数据第/>类距离的距离值,/>表示第/>类数据中的距离值的均值,/>为以自然常数为底的指数函数,链码子段的关注程度越大,说明该链码子段中各数据类型的周期性越小,即该链码子段越有可能为法兰的轮廓边缘。
(2)计算链码子段的优选程度:隶属于法兰轮廓边缘的链码子段之间呈现规律性的变化趋势,如图5所示,按照图4所示的链码规则,将图的链码记为/>,将图/>的链码记为/>,将图/>的链码记为/>,将图/>的链码记为,将图/>的链码记为/>,将图/>的链码记为,将图/>的链码记为/>。链码中字符的变化频数是呈现先递增再递减的趋势,以实施例进行说明,从正北方向到正东方向链码子段中数据频数的变化是先递增再递减,同时,数据变化频数递增过程中,链码子段的数值总和是越来越大的,且同一数据相邻位置的距离越来越近,故计算链码子段数据频数变化值:
式中表示数据频率变化值,/>表示该链码子段中数据类型数量,/>表示第/>类数据的距离值种类的数量,/>表示第/>类数据中第/>类距离的距离值,/>表示链码子段链码长度,表示链码子段中第/>数据的数值,/>为以自然常数为底的指数函数,链码子段链码中数据频率变化越快,数据频率变化值越大。
步骤S005:根基链码子段数据频数变化值计算链码子段的优选程度,再通过优选程度选取法兰表面可能的轮廓边缘。
至此,获取每个链码子段的数据频率变化值,/>表示以第/>个链码子段的频数变化值,/>表示以第/>个链码子段的频数变化值,/>表示以第/>个链码子段为的频数变化值,/>为以自然常数为底的指数函数,/>表示第c个链码子段的关注程度,/>表示第c个链码子段的优选程度,/>为以自然常数为底的指数函数;数据频率变化趋势越相似,则第/>个链码子段的关注程度越大。设定关注程度阈值/>,本实施以/>=0.65进行叙述,当计算得到的链码子段优选程度大于阈值时,将其标记为法兰表面可能的轮廓边缘。
需要说明的是,第一个链码子段和最后一个链码子段的数据频率变化值设置为0。
通过上述优选程度计算得到最有可能的法兰轮廓边缘,但此时获取的目标边缘为断断续续的边缘,故根据法兰表面可能的轮廓边缘进行拟合,获取拟合轮廓边缘作为目标边缘。
步骤S006:根据法兰表面的轮廓边缘实现质量检测。
至此本实施例提取出法兰的目标边缘,将待检测的法兰轮廓边缘A和质量合格的法兰产品的轮廓边缘B进行比对,如果任意待检测的法兰轮廓边缘A中不重合的轮廓像素点占B中的轮廓像素点的数量超过2%,则说明待检测法兰质量不合格,否则合格。
最后,本实施例提供一种法兰轮廓快速提取系统,该系统包括以下模块:
数据采集模块,用于获取待检测法兰表面图像;
数据处理模块,用于边缘检测得到法兰表面轮廓效果图,对法兰表面轮廓效果图进行区域标记获取多个连通域轮廓边缘;通过改进的链码编码规则对连通域轮廓边缘进行编码,得到法兰表面轮廓像素点的链码;将链码按照固定长度分为多个链码子段;根据每个链码子段的距离类型数量和距离值计算链码子段的关注程度;根据链码子段的数据类型、距离值以及链码子段长度计算链码子段频数变化值;根据链码子段的频数变化值和关注程度计算链码子段的优选程度;通过链码子段优选程度获得法兰表面的可能轮廓边缘,再由法兰表面可能的轮廓边缘拟合得到目标轮廓边缘;
质量检测模块,根据法兰表面的目标轮廓边缘实现质量检测。
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 (10)
1.一种法兰轮廓快速提取方法,其特征在于,该方法包括以下步骤:
获取待检测法兰表面图像;
对法兰表面图像进行边缘检测得到法兰表面轮廓效果图,对法兰表面轮廓效果图进行区域标记获取多个连通域轮廓边缘;通过改进的链码编码规则对连通域轮廓边缘进行编码,得到法兰表面轮廓像素点的链码;将链码按照固定长度分为多个链码子段;根据每个链码子段的距离类型数量和距离值计算链码子段的关注程度;根据链码子段的数据类型、距离值以及链码子段长度计算链码子段频数变化值;根据链码子段的频数变化值和关注程度计算链码子段的优选程度;通过链码子段优选程度获得法兰表面的可能轮廓边缘,再由法兰表面可能的轮廓边缘拟合得到目标轮廓边缘;
根据法兰表面的目标轮廓边缘实现质量检测。
2.根据权利要求1所述一种法兰轮廓快速提取方法,其特征在于,所述改进的链码编码规则获取方法如下:
取链码的八个方向,从水平正右方向顺时针旋转一次得到0,1,2,1,0,1,2,1八个链码值,得到的八个链码值记为改进的链码编码规则。
3.根据权利要求1所述一种法兰轮廓快速提取方法,其特征在于,所述根据每个链码子段的距离类型数量和距离值计算链码子段的关注程度,包括的具体公式如下:
将链码子段中相同的数据记为一类数据,计算每类数据中的每类距离值与每类数据中所有距离值均值的差异,根据差异获得链码子段的关注程度。
4.根据权利要求3所述一种法兰轮廓快速提取方法,其特征在于,所述计算每类数据中的每类距离值与每类数据中所有距离值均值的差异,根据差异获得链码子段的关注程度,包括的具体公式如下:
式中表示每个链码子段的关注程度,/>表示每个链码子段中数据类型的数量,/>表示第/>类数据的距离值的类型数量,/>表示第/>类数据第/>类距离的距离值,/>表示第/>类数据中的距离值的均值,/>为以自然常数为底的指数函数。
5.根据权利要求3所述一种法兰轮廓快速提取方法,其特征在于,所述距离值和距离类型数量的获取方法如下:
对于任意一个链码子段,获取其中的第x个数据,记为,在该链码子段中获取与/>取值相同的且与第x数据序号最接近的数据,该数据的序号记为y,即第y个数据与第x个数据取值相同且相距最近,那么将/>作为第x个数据的距离值;如果不存在于/>取值相同的数据时,将链码子段长度记为第x个数据的距离值;
获得链码子段中所有数据的距离值,将相同的距离值记为一个类型的距离值,统计出链码子段中距离类型数量。
6.根据权利要求1所述一种法兰轮廓快速提取方法,其特征在于,所述根据链码子段的数据类型、距离值以及链码子段长度计算链码子段频数变化值,包括的具体公式如下:
式中表示数据频率变化值,/>表示每个链码子段中数据类型数量,/>表示第/>类数据的距离值种类的数量,/>表示第/>类数据中第/>类距离的距离值,/>表示链码子段链码长度,/>表示链码子段中第/>数据的数值,/>为以自然常数为底的指数函数。
7.根据权利要求1所述一种法兰轮廓快速提取方法,其特征在于,所述根据链码子段的频数变化值和关注程度计算链码子段的优选程度,包括的具体公式如下:
表示以第/>个链码子段的频数变化值,/>表示以第/>个链码子段的频数变化值,/>表示以第/>个链码子段为的频数变化值,/>表示当前第c个链码子段的关注程度,/>为以自然常数为底的指数函数,/>表示第c个链码子段的优选程度。
8.根据权利要求1所述一种法兰轮廓快速提取方法,其特征在于,所述通过对法兰表面图像进行边缘检测得到法兰表面轮廓效果图,包括的具体方法如下:
对法兰表面图像进行灰度化处理得到法兰表面灰度图像,将法兰表面灰度图像输入语义分割神经网络中获得法兰表面灰度图像中法兰的语义区域,法兰表面灰度图像上语义区域内的像素点不变,其他像素点灰度值设置为0,得到法兰区域表面图像,利用Canny边缘检测算法获得法兰区域表面图像的边缘,记为法兰表面轮廓效果图。
9.根据权利要求1所述一种法兰轮廓快速提取方法,其特征在于,所述根据法兰表面的目标轮廓边缘实现质量检测,包括的具体方法如下:
将目标轮廓边缘记为A,质量合格的法兰产品的轮廓边缘记为B,A与B进行对,如果A中不重合的轮廓像素点占B中的轮廓像素点的数量超过预设百分比,则法兰质量不合格。
10.一种法兰轮廓快速提取系统,其特征在于,该系统包括以下模块:
数据采集模块,用于获取待检测法兰表面图像;
数据处理模块,用于对法兰表面图像进行边缘检测得到法兰表面轮廓效果图,对法兰表面轮廓效果图进行区域标记获取多个连通域轮廓边缘;通过改进的链码编码规则对连通域轮廓边缘进行编码,得到法兰表面轮廓像素点的链码;将链码按照固定长度分为多个链码子段;根据每个链码子段的距离类型数量和距离值计算链码子段的关注程度;根据链码子段的数据类型、距离值以及链码子段长度计算链码子段频数变化值;根据链码子段的频数变化值和关注程度计算链码子段的优选程度;通过链码子段优选程度获得法兰表面的可能轮廓边缘,再由法兰表面可能的轮廓边缘拟合得到目标轮廓边缘;
质量检测模块,根据法兰表面的目标轮廓边缘实现质量检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310986585.8A CN116704209B (zh) | 2023-08-08 | 2023-08-08 | 一种法兰轮廓快速提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310986585.8A CN116704209B (zh) | 2023-08-08 | 2023-08-08 | 一种法兰轮廓快速提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116704209A true CN116704209A (zh) | 2023-09-05 |
CN116704209B CN116704209B (zh) | 2023-10-17 |
Family
ID=87841830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310986585.8A Active CN116704209B (zh) | 2023-08-08 | 2023-08-08 | 一种法兰轮廓快速提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704209B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152187A (zh) * | 2023-10-30 | 2023-12-01 | 山东中科冶金矿山机械有限公司 | 一种地质测绘中裂缝轮廓提取方法 |
CN117237595A (zh) * | 2023-11-15 | 2023-12-15 | 深圳市金三维实业有限公司 | 一种智能手表外壳划痕区域快速提取方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009122998A (ja) * | 2007-11-15 | 2009-06-04 | Lattice Technology Inc | ソリッド/サーフェースモデルから外形線を抽出する方法及びコンピュータソフトウエアプログラム |
JP2009217799A (ja) * | 2008-02-14 | 2009-09-24 | Seiko Epson Corp | 輪郭検出方法、輪郭検出装置および輪郭検出プログラム |
US20160110627A1 (en) * | 2013-04-01 | 2016-04-21 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirket | System and method for describing image outlines |
US20160267675A1 (en) * | 2014-06-23 | 2016-09-15 | Boe Technology Group Co., Ltd. | Image edge detection method and apparatus thereof, image target identification method and apparatus thereof |
CN106780377A (zh) * | 2016-12-07 | 2017-05-31 | 天津大学 | 一种医学图像分割中基于Freeman链码的轮廓平滑方法 |
CN108391130A (zh) * | 2018-01-16 | 2018-08-10 | 浙江万里学院 | 一种面向多视点视频的形状编码方法 |
CN109859227A (zh) * | 2019-01-17 | 2019-06-07 | 平安科技(深圳)有限公司 | 翻拍图像检测方法、装置、计算机设备及存储介质 |
CN110136159A (zh) * | 2019-04-29 | 2019-08-16 | 辽宁工程技术大学 | 面向高分辨率遥感影像的线段提取方法 |
CN113284157A (zh) * | 2021-05-26 | 2021-08-20 | 广东工业大学 | 一种大幅面皮革轮廓检测与轨迹优化方法 |
CN114648511A (zh) * | 2022-03-28 | 2022-06-21 | 杭州电子科技大学 | 一种大肠杆菌轮廓的精确提取及识别方法 |
CN116168230A (zh) * | 2022-12-13 | 2023-05-26 | 广州航海学院 | 一种基于自适应链码识别船舶类型的方法 |
CN116433700A (zh) * | 2023-06-13 | 2023-07-14 | 山东金润源法兰机械有限公司 | 一种法兰零件轮廓视觉定位方法 |
-
2023
- 2023-08-08 CN CN202310986585.8A patent/CN116704209B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009122998A (ja) * | 2007-11-15 | 2009-06-04 | Lattice Technology Inc | ソリッド/サーフェースモデルから外形線を抽出する方法及びコンピュータソフトウエアプログラム |
JP2009217799A (ja) * | 2008-02-14 | 2009-09-24 | Seiko Epson Corp | 輪郭検出方法、輪郭検出装置および輪郭検出プログラム |
US20160110627A1 (en) * | 2013-04-01 | 2016-04-21 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirket | System and method for describing image outlines |
US20160267675A1 (en) * | 2014-06-23 | 2016-09-15 | Boe Technology Group Co., Ltd. | Image edge detection method and apparatus thereof, image target identification method and apparatus thereof |
CN106780377A (zh) * | 2016-12-07 | 2017-05-31 | 天津大学 | 一种医学图像分割中基于Freeman链码的轮廓平滑方法 |
CN108391130A (zh) * | 2018-01-16 | 2018-08-10 | 浙江万里学院 | 一种面向多视点视频的形状编码方法 |
CN109859227A (zh) * | 2019-01-17 | 2019-06-07 | 平安科技(深圳)有限公司 | 翻拍图像检测方法、装置、计算机设备及存储介质 |
CN110136159A (zh) * | 2019-04-29 | 2019-08-16 | 辽宁工程技术大学 | 面向高分辨率遥感影像的线段提取方法 |
CN113284157A (zh) * | 2021-05-26 | 2021-08-20 | 广东工业大学 | 一种大幅面皮革轮廓检测与轨迹优化方法 |
CN114648511A (zh) * | 2022-03-28 | 2022-06-21 | 杭州电子科技大学 | 一种大肠杆菌轮廓的精确提取及识别方法 |
CN116168230A (zh) * | 2022-12-13 | 2023-05-26 | 广州航海学院 | 一种基于自适应链码识别船舶类型的方法 |
CN116433700A (zh) * | 2023-06-13 | 2023-07-14 | 山东金润源法兰机械有限公司 | 一种法兰零件轮廓视觉定位方法 |
Non-Patent Citations (5)
Title |
---|
XIAOJIN LIU 等: "Facial Spot Contour Extraction based on Color Image Processing", ACM, pages 87 - 92 * |
尹加杰;金守峰;陈阳;李毅;仝梦圆;高凯;: "基于光切显微镜的表面粗糙度视觉综合测量方法", 舰船电子工程, no. 07, pages 181 - 185 * |
戴玉静;李辉;张静;: "基于模糊线段和链码相结合的关键点检测方法", 工业控制计算机, no. 10, pages 77 - 78 * |
袁铸;张毅;: "链码跟踪在矩形检测中的应用", 计算机与数字工程, no. 04, pages 812 - 817 * |
饶芮菱;金雪峰;鲁怀伟;: "基于链码的二维碎片轮廓匹配算法", 计算技术与自动化, no. 02, pages 34 - 37 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152187A (zh) * | 2023-10-30 | 2023-12-01 | 山东中科冶金矿山机械有限公司 | 一种地质测绘中裂缝轮廓提取方法 |
CN117152187B (zh) * | 2023-10-30 | 2024-01-26 | 山东中科冶金矿山机械有限公司 | 一种地质测绘中裂缝轮廓提取方法 |
CN117237595A (zh) * | 2023-11-15 | 2023-12-15 | 深圳市金三维实业有限公司 | 一种智能手表外壳划痕区域快速提取方法 |
CN117237595B (zh) * | 2023-11-15 | 2024-03-29 | 深圳市金三维实业有限公司 | 一种智能手表外壳划痕区域快速提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116704209B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116704209B (zh) | 一种法兰轮廓快速提取方法及系统 | |
CN105069389B (zh) | 二维码分块解码方法及系统 | |
CN105069394B (zh) | 二维码加权平均灰度法解码方法及系统 | |
CN111626190A (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
CN116188462B (zh) | 一种基于视觉鉴定的贵金属质量检测方法及系统 | |
CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN108764004B (zh) | 一种基于编码环采样的环状编码标记点解码识别方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN107220962B (zh) | 一种隧道裂纹的图像检测方法和装置 | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN113920148B (zh) | 基于多边形的建筑物边界提取方法、设备及存储介质 | |
CN116758528B (zh) | 基于人工智能的丙烯酸乳液颜色变化识别方法 | |
CN116863253B (zh) | 基于大数据分析的运维风险预警方法 | |
CN115311507A (zh) | 基于数据处理的建筑板材分类方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN114417904A (zh) | 一种基于深度学习的条形码识别方法及图书检索系统 | |
CN112258525B (zh) | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN110427907A (zh) | 一种灰度图边界检测和噪声帧填充的人脸识别预处理方法 | |
CN112329674B (zh) | 基于多纹理特征融合的结冰湖泊检测方法和装置 | |
CN113920147B (zh) | 基于深度学习的遥感影像建筑物提取方法及设备 | |
CN115880683A (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN115965796A (zh) | 一种基于图像识别的金属锈蚀检测方法及系统 | |
CN110490885B (zh) | 改进的自适应阈值二值化方法及vin码字符分割方法 | |
CN109871910B (zh) | 一种手写字符识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |