CN116721100B - 工业视觉窄区域切割方法、装置、电子设备及存储介质 - Google Patents

工业视觉窄区域切割方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116721100B
CN116721100B CN202310994184.7A CN202310994184A CN116721100B CN 116721100 B CN116721100 B CN 116721100B CN 202310994184 A CN202310994184 A CN 202310994184A CN 116721100 B CN116721100 B CN 116721100B
Authority
CN
China
Prior art keywords
narrow
region
narrow region
straight
original
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.)
Active
Application number
CN202310994184.7A
Other languages
English (en)
Other versions
CN116721100A (zh
Inventor
张琦
郑军
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.)
Jushi Technology Shenzhen Co ltd
Original Assignee
Jushi Technology Shenzhen Co ltd
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 Jushi Technology Shenzhen Co ltd filed Critical Jushi Technology Shenzhen Co ltd
Priority to CN202310994184.7A priority Critical patent/CN116721100B/zh
Publication of CN116721100A publication Critical patent/CN116721100A/zh
Application granted granted Critical
Publication of CN116721100B publication Critical patent/CN116721100B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明提供的一种工业视觉窄区域切割方法、装置、电子设备及存储介质，涉及图像处理技术领域。该方法：首先，对工业视觉图像进行窄区域提取，获得未切割的原始窄区域；然后，从所述原始窄区域中拆分出直线窄区域；接着，在所述直线窄区域的数量大于一个的情况下，基于所有所述直线窄区域，确定切割线，并利用所述切割线对所述原始窄区域进行切割处理，工业视觉图像中的每个窄区域，从而无需花费大量时间进行调参或获取用于深度学习的待标注的训练图像，并且切割结果能够进行解释，实现在降低时间成本的情况下，准确提取工业视觉图像中的每个窄区域。

Description

工业视觉窄区域切割方法、装置、电子设备及存储介质
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种工业视觉窄区域切割方法、装置、电子设备及存储介质。
背景技术
当前在工业视觉检测领域，涉及许多关于PCB板中的引线等窄区域的检测需求。在窄区域检测过程中，很重要的一步就是将处于连接状态的窄区域切割开来，因为在窄区域连接的拐角处，很容易发生过杀或者漏检。
现有的窄区域切割方法主要有传统和深度学习两大类，其中，传统主要靠角点检测等算法找出许多切割点，但需要大量时间调整参数，从而过滤掉不正确的切割点。基于深度学习的分割方法需要大量的前期图像和标注数据，而在工业视觉检测中，获取大量的图像数据的时间成本非常高，且得到的切割结果也无法进行解释，可靠性较低。
也就是说，如何降低时间成本以及提高切割结果的准确性是目前亟需解决的问题。
发明内容
本发明提供了一种工业视觉窄区域切割方法、装置、电子设备及存储介质，其能够在低时间成本的情况下，准确地对窄区域进行切割。
本发明的技术方案可以这样实现：
第一方面，本发明提供一种工业视觉窄区域切割方法，用于图像中窄区域的提取，所述方法包括：
对工业视觉图像进行窄区域提取，获得未切割的原始窄区域；
从所述原始窄区域中拆分出直线窄区域；
在所述直线窄区域的数量大于一个的情况下，基于所有所述直线窄区域，确定切割线，并利用所述切割线对所述原始窄区域进行切割处理，得到所述工业视觉图像中的每个窄区域。
可选地，所述从所述原始窄区域中拆分出直线窄区域的步骤包括：
对所述原始窄区域的骨架进行连通域分割，得到多个不连通的骨架轮廓；
针对每个所述骨架轮廓，根据组成所述骨架轮廓的直线，从所述原始窄区域中拆分出所述骨架轮廓对应的直线窄区域，得到每个所述骨架轮廓对应的直线窄区域。
可选地，所述根据组成所述骨架轮廓的直线，从所述原始窄区域中拆分出所述骨架轮廓对应的直线窄区域的步骤包括：
获取所述原始窄区域的距离变换图像；
针对组成所述骨架轮廓的任一目标直线，根据所述距离变换图像，确定所述目标直线的宽度；
根据所述目标直线的宽度、长度、斜率以及中心点坐标，构造参考矩形，利用所述参考矩形与所述原始窄区域进行交集操作，得到一个所述直线窄区域；
遍历组成所述骨架轮廓的每条直线，得到所述骨架轮廓对应的所有所述直线窄区域。
可选地，所述基于所有所述直线窄区域，确定切割线的步骤包括：
在所述直线窄区域的数量为两个的情况下，确定两个所述直线窄区域之间的最短连线，并将所述最短连线的垂直中线作为所述切割线。
可选地，所述基于所有所述直线窄区域，确定切割线的步骤还包括：
在所述直线窄区域的数量大于两个的情况下，将所有所述直线窄区域中距离所述原始窄区域内首个像素点最近的所述直线窄区域作为第一基准区域；
将剩余的所有所述直线窄区域中距离所述第一基准区域最近的所述直线窄区域作为第二基准区域；
确定所述第一基准区域与所述第二基准区域之间的最短连线，并将所述最短连线的垂直中线作为一条所述切割线。
可选地，所述方法还包括：
统计剩余的所述直线窄区域的数量；
若剩余的所述直线窄区域的数量不为零，则将所述第二基准区域作为所述第一基准区域，并返回所述将剩余的所有所述直线窄区域中距离所述第一基准区域最近的所述直线窄区域作为第二基准区域的步骤，直至剩余的所述直线窄区域的数量为零。
可选地，所述从所述原始窄区域中拆分出直线窄区域的步骤之后，所述方法还包括：
在所述直线窄区域的数量为一个的情况下，不对所述原始窄区域进行切割处理。
第二方面，本发明提供一种图像处理装置，用于图像中窄区域的提取，所述装置包括：
获得模块，用于对工业视觉图像进行窄区域提取，获得未切割的原始窄区域；
拆分模块，用于从所述原始窄区域中拆分出直线窄区域；
确定模块，用于在所述直线窄区域的数量大于一个的情况下，基于所述直线窄区域，确定切割线，并利用所述切割线对所述原始窄区域进行切割处理，得到所述工业视觉图像中的每个窄区域。
第三方面，本发明提供一种电子设备，其包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如前述第一方面所述的工业视觉窄区域切割方法。
第四方面，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如前述第一方面所述的工业视觉窄区域切割方法。
相较于现有技术，本发明提供的一种工业视觉窄区域切割方法，首先，对工业视觉图像进行窄区域提取，获得未切割的原始窄区域；然后，从原始窄区域中拆分出直线窄区域；接着，在直线窄区域的数量大于一个的情况下，基于所有直线窄区域，确定切割线，并利用切割线对原始窄区域进行切割处理，得到工业视觉图像中的每个窄区域。由于本发明通过对从工业视觉图像中提取的未切割的原始窄区域中拆分出直线窄区域，并在直线窄区域的数量大于一个的情况下，基于所有直线窄区域，确定用于切割原始窄区域的切割线，从而无需花费大量时间进行调参或获取用于深度学习的待标注的训练图像，并且切割结果能够进行解释，实现在降低时间成本的情况下，对准确提取工业视觉图像中的每个窄区域。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的一种工业视觉窄区域切割方法的流程示意图一；
图2为本发明实施例提供的一种原始窄区域的示例图；
图3为本发明实施例提供的一种直线窄区域的获取流程示意图；
图4为本发明实施例提供的一种直线窄区域的示例图；
图5为本发明实施例提供的一种切割线确定流程示意图；
图6为本发明实施例提供的一种切割线的示例图；
图7为本发明实施例提供的一种工业视觉窄区域切割方法的流程示意图二；
图8为本发明实施例提供的一种图像处理装置的功能单元示意框图；
图9为本发明实施例提供的一种电子设备的结构示意框图。
图标：100-工业视觉窄区域切割装置；101-获得模块；102-拆分模块；103-确定模块；200-电子设备；210-存储器；220-处理器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
为了在低时间成本的情况下，准确地对窄区域进行切割，发明实施例提供了一种工业视觉窄区域切割方法，下面将进行详细介绍。
请参照图1，该工业视觉窄区域切割方法包括步骤S101~S103。
S101，对工业视觉图像进行窄区域提取，获得未切割的原始窄区域。
由于工业视觉图像上的窄区域对应PCB板上的用于连接不同工件的引线，其在像素特征下为小于等于6像素的线段，作为一种可能的实现方式，可以根据像素特征实现从工业视觉图像上实现窄区域提取，即设定像素阈值，获取满足设定的像素阈值的区域作为原始窄区域。
作为另一种可能的实现方式，可以使用二值化和顶帽算法将工业视觉图像上的原始窄区域提取出来，过程如下：
首先通过对工业视觉图像进行二值化处理，从得到的二值图像将窄区域和与其相联通的整个区域提取出来，针对提取结果，根据窄区域的宽度阈值，溶蚀掉窄区域，保留其他区域，再用提取的结果减去其他区域，剩下的结果就是未被切割的原始窄区域。
如图2所示，提取出的原始窄区域是处于连接状态的。
在本发明实施例中，为了保障原始窄区域的提取效果，在执行步骤S101之前，还可以对工业视觉图像进行相应的预处理，以去除图像噪声干扰，提高图像内容的质量。
基于效果和速度的平衡，预处理过程可以是使用高斯平滑滤波器对图像进行平滑滤波。
S102，从原始窄区域中拆分出直线窄区域。
其中，步骤S102可以包括子步骤S102-1~S102-2。
S102-1，对原始窄区域的骨架进行连通域分割，得到多个不连通的骨架轮廓。
其中，原始窄区域的骨架的提取过程如下：
首先，生成一张二值辅助图像；然后，针对原始窄区域中的每个像素点，根据该像素点周围的8邻域的特性，判断该像素点是否为需要删除的像素点，若是，则在二值辅助图像上进行标记，迭代遍历原始窄区域中的每个像素点后，将带标记的二值辅助图像与原始窄区域进行交集操作，得到原始窄区域的骨架。
S102-2，针对每个骨架轮廓，根据组成骨架轮廓的直线，从原始窄区域中拆分出骨架轮廓对应的直线窄区域，得到每个骨架轮廓对应的直线窄区域。
其中，骨架轮廓包括直线和拐角曲线。
对于任一骨架轮廓，可以采用Ramer-Douglas-Peucker算法将该骨架轮廓拆分为直线和拐角曲线，实现过程可以如下：
首先，选择骨架的起始点和结束点，对于位于起始点与结束点之间的各中间点，将其中与起始点的距离以及与结束点的距离最大的中间点作为当前最远点。
然后，计算起始点和结束点之间的各中间点到当前最远点的距离，若存在到当前最远点的距离超过预设阈值的中间点，择保留当前最远点，并以起始点和当前最远点作为端点，按照它们的连线将骨架分割为两段。
递归处理上面分割的两段骨架，直到得到所有的直线与拐角曲线。
在完成拆分后，可以根据长度、曲率等特征过滤掉拐角曲线，筛选出该骨架轮廓的所有直线。
请参照图3，步骤S102-2中的“根据组成该骨架轮廓的直线，从原始窄区域中拆分出该骨架轮廓对应的直线窄区域”的实现过程可以如下：
S201，获取原始窄区域的距离变换图像。
在本发明实施例中，可以利用快速距离变换算法得到原始窄区域的距离变换图像，实现过程如下：
首先，将原始窄区域的所有像素点的距离先设置为无穷大，再将其中选定的目标像素点的距离设置为0。
然后，从原始窄区域的左上角开始，按行进行遍历，对于每个像素点，计算位于其左边和上方的像素点之间的距离加上1的最小值，并将该像素点的距离值更新为前面计算结果。
接着，从原始窄区域的右下角开始，按行进行遍历，对于每个像素点，计算位于其右边和下方的像素点的之间的距离加上1的最小值，并将计算结果与该像素点的当前距离值进行比较，取较小值作为该像素点的最终的距离值。
遍历完成后，每个像素点的距离值即为其到目标像素点的最短距离，生成原始窄区域的距离变换图像。
S202，针对组成骨架轮廓的任一目标直线，根据距离变换图像，确定目标直线的宽度。
其中，通过目标直线在距离变换图像上的位置，计算目标直线的宽度。
S203，根据目标直线的宽度、长度、斜率以及中心点坐标，构造参考矩形，利用参考矩形与原始窄区域进行交集操作，得到一个直线窄区域。
可以理解地，直线窄区域就是位于参考矩形内的原始窄区域。
通过遍历组成骨架轮廓的每条直线，得到骨架轮廓对应的所有直线窄区域。
可以理解地，对每个骨骼轮廓均执行步骤S201~S204，得到每个骨架轮廓对应的所有直线窄区域，从而从原始窄区域中拆分出所有直线窄区域。
如图4所示，位于图2的左上方的原始窄区域拆分出两个直线窄区域，分别是直线窄区域1和直线窄区域2。
下面继续对图1中的步骤S103进行介绍。
S103，在直线窄区域的数量大于一个的情况下，基于所有直线窄区域，确定切割线，并利用切割线对原始窄区域进行切割处理，得到工业视觉图像中的每个窄区域。
其中，“基于直线窄区域，确定切割线”存在下述两种情形。
情形一：直线窄区域的数量为两个。
在该情形下，先确定两个直线窄区域之间的最短连线，并将最短连线的垂直中线作为切割线。
其中，可以通过计算分属两个直线窄区域中的任意两个像素点之间距离，将距离最短的分属两个直线窄区域中的像素点之间的连线作为两个直线窄区域之间的最短连线。
情形二：直线窄区域的数量大于两个。
请参照图5，在该情形下，切割线的确定过程可以包括步骤S301~S305。
S301，将所有直线窄区域中距离原始窄区域内首个像素点最近的直线窄区域作为第一基准区域。
其中，原始窄区域内的首个像素点是距离工业视觉图像的坐标系原点最近的像素点。
对于任意一个直线窄区域，该直线窄区域中不同的像素点与原始窄区域内的首个像素点之间的距离不同，可以将其中的最短距离作为该直线窄区域与原始窄区域内的首个像素点的有效距离。
分别计算每个直线窄区域与原始窄区域内的首个像素点的有效距离，具有最小有效距离的直线窄区域便是距离原始窄区域内的首个像素点最近的第一基准区域。
S302，将剩余的所有直线窄区域中距离第一基准区域最近的直线窄区域作为第二基准区域。
对于剩余的任意一个直线窄区域，该直线窄区域中不同的像素点与第一基准区域中不同像素点之间的距离不同，可以将其中的最短距离作为该直线窄区域与第一基准区域的有效距离。
分别计算每个直线窄区域与第一基准区域的有效距离，具有最小有效距离的直线窄区域便是距离第一基准区域最近的第二基准区域。
S303，确定第一基准区域与第二基准区域之间的最短连线，并将最短连线的垂直中线作为一条切割线。
其中，可以通过计算分属第一基准区域和第二基准区域中的任意两个像素点之间距离，将距离最短的分属第一基准区域和第二基准区域中的像素点之间的连线作为第一基准区域和第二基准区域之间的最短连线。
S304，统计剩余的直线窄区域的数量。
其中，如果剩余的直线窄区域的数量为零时，意味着已经得到了所有的切割线。
S305，若剩余的直线窄区域的数量不为零，则将第二基准区域作为第一基准区域，并返回将剩余的所有直线窄区域中距离第一基准区域最近的直线窄区域作为第二基准区域的步骤，直至剩余的直线窄区域的数量为零。
示例性地，对于图4中的两个直线窄区域，按照上述方法得到的切割线如图6所示，按照该切割线可以对图2中的原始窄区域进行切割处理。
为了进一步解释步骤S301~S305，示例性地，假设从原始窄区域中拆分出的5个直线窄区域，分别是直线窄区域A、直线窄区域B、直线窄区域C、直线窄区域D以及直线窄区域E。
其中与原始窄区域内的首个像素点最近的是直线窄区域B，将直线窄区域B作为第一基准区域。
再将直线窄区域A、直线窄区域C、直线窄区域D以及直线窄区域E中距离直线窄区域B最近的直线窄区域D作为第二基准区域。
确定直线窄区域B与直线窄区域D之间的最短连线，并将该最短连线的垂直中线作为一条用于切割原始窄区域的切割线。
由于剩余的直线窄区域的数量不为零，将直线窄区域D作为第一基准区域，将直线窄区域A、直线窄区域C以及直线窄区域E中距离直线窄区域D最近的直线窄区域A作为第二基准区域。
确定直线窄区域D与直线窄区域A之间的最短连线，并将该最短连线的垂直中线作为一条用于切割原始窄区域的切割线。
由于剩余的直线窄区域的数量不为零，将直线窄区域A作为第一基准区域，将直线窄区域C和直线窄区域E中距离直线窄区域A最近的直线窄区域E作为第二基准区域。
确定直线窄区域A与直线窄区域E之间的最短连线，并将该最短连线的垂直中线作为一条用于切割原始窄区域的切割线。
由于剩余的直线窄区域的数量不为零，将直线窄区域E作为第一基准区域，将直线窄区域C作为第二基准区域。
确定直线窄区域E与直线窄区域C之间的最短连线，并将该最短连线的垂直中线作为一条用于切割原始窄区域的切割线。
此时，剩余的直线窄区域的数量为零，一共得到四条用于切割原始窄区域的切割线。
请参照图7，该工业视觉窄区域切割方法还包括与步骤S103并列的步骤S104。
S104，在直线窄区域的数量为一个的情况下，不对原始窄区域进行切割处理。
可以理解地，当直线窄区域的数量为一个时，意味着原始窄区域本身就是一条直线，不需要进行切割。
相较于现有技术，本发明实施例的有益效果包括：
（1）通过对从工业视觉图像中提取的原始窄区域中拆分出直线窄区域，并在直线窄区域的数量大于一个的情况下，基于所有直线窄区域，确定用于切割原始窄区域的切割线，由于无需花费大量时间进行调参或获取用于深度学习的待标注的训练图像，从而低时间成本；
（2）通过确定两个直线窄区域之间的最短连线，将最短连线的垂直中线作为切割线，并按照切割线对原始窄区域进行切割，从而使切割结果能够进行解释，实现对原始窄区域的准确切割。
为了执行上述方法实施例及各个可能的实施方式中的相应步骤，下面给出一种图像处理装置100的实现方式。
请参照图8，该图像处理装置100包括获得模块101、拆分模块102以及确定模块103。
获得模块101，用于对工业视觉图像进行窄区域提取，获得未切割的原始窄区域。
拆分模块102，用于从原始窄区域中拆分出直线窄区域。
确定模块103，用于在直线窄区域的数量大于一个的情况下，基于所有直线窄区域，确定切割线，并利用切割线对原始窄区域进行切割处理，得到工业视觉图像中的每个窄区域。
可选地，拆分模块102具体用于对原始窄区域的骨架进行连通域分割，得到多个不连通的骨架轮廓；针对每个骨架轮廓，根据组成骨架轮廓的直线，从原始窄区域中拆分出骨架轮廓对应的直线窄区域，得到每个骨架轮廓对应的直线窄区域。
可选地，拆分模块102在用于根据组成骨架轮廓的直线，从原始窄区域中拆分出骨架轮廓对应的直线窄区域时，具体用于获取原始窄区域的距离变换图像；针对组成骨架轮廓的任一目标直线，根据距离变换图像，确定目标直线的宽度；根据目标直线的宽度、长度、斜率以及中心点坐标，构造参考矩形，利用参考矩形与原始窄区域进行交集操作，得到一个直线窄区域；遍历组成骨架轮廓的每条直线，得到骨架轮廓对应的所有直线窄区域。
可选地，确定模块103具体用于若直线窄区域的数量为两个，则确定两个直线窄区域之间的最短连线，并将最短连线的垂直中线作为切割线。
可选地，确定模块103还具体用于若直线窄区域的数量大于两个，则将所有直线窄区域中距离原始窄区域内首个像素点最近的直线窄区域作为第一基准区域；将剩余的所有直线窄区域中距离第一基准区域最近的直线窄区域作为第二基准区域；确定第一基准区域与第二基准区域之间的最短连线，并将最短连线的垂直中线作为一条切割线。
可选地，确定模块103在用于确定第一基准区域与第二基准区域之间的最短连线，并将最短连线的垂直中线作为第一基准区域与第二基准区域之间的切割线之后，还具体用于统计剩余的直线窄区域的数量；若剩余的直线窄区域的数量不为零，则将第二基准区域作为第一基准区域，并返回将剩余的所有直线窄区域中距离第一基准区域最近的直线窄区域作为第二基准区域的步骤，直至剩余的直线窄区域的数量为零。
可选地，确定模块103还用于在直线窄区域的数量为一个的情况下，不对原始窄区域进行切割处理。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的图像处理装置100的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
进一步地，本发明实施例还提供了一种电子设备200，请参照图9，电子设备200可以包括存储器210和处理器220。
其中，处理器220可以是一个通用的中央处理器(Central Processing Unit，CPU)，微处理器，特定应用集成电路(Application-Specific Integrated Circuit，ASIC)，或一个或多个用于控制上述方法实施例提供的工业视觉窄区域切割方法的程序执行的集成电路。
存储器210可以是ROM或可存储静态信息和指令的其它类型的静态存储设备，RAM或者可存储信息和指令的其它类型的动态存储设备，也可以是电可擦可编程只读存储器(Electrically Erasable Programmabler-Only MEMory，EEPROM)、只读光盘(CompactdiscRead-Only MEMory，CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质，但不限于此。存储器210可以是独立存在，通过通信总线与处理器220相连接。存储器210也可以和处理器220集成在一起。其中，存储器210用于存储执行本申请方案的机器可执行指令。处理器220用于执行存储器210中存储的机器可执行指令，以实现上述的方法实施例。
本发明实施例还提供一种包含计算机程序的计算机可读存储介质，计算机程序在被执行时可以用于执行上述的方法实施例提供的工业视觉窄区域切割方法中的相关操作。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种工业视觉窄区域切割方法，用于图像中窄区域的提取，所述图像中的窄区域对应PCB板上的用于连接不同工件的引线，所述图像中的窄区域在像素特征下为小于或等于设定像素的线段，其特征在于，所述方法包括：
对工业视觉图像进行窄区域提取，获得未切割的原始窄区域；
从所述原始窄区域中拆分出直线窄区域；
在所述直线窄区域的数量大于一个的情况下，基于所有所述直线窄区域，确定切割线，并利用所述切割线对所述原始窄区域进行切割处理，得到所述工业视觉图像中的每个窄区域，其中，所述切割线为两个所述直线窄区域之间的最短连线的垂直中线，每个所述直线窄区域均与一个或两个其他直线窄区域共同确定一条或两条所述切割线。
2.如权利要求1所述的方法，其特征在于，所述从所述原始窄区域中拆分出直线窄区域的步骤包括：
对所述原始窄区域的骨架进行连通域分割，得到多个不连通的骨架轮廓；
针对每个所述骨架轮廓，根据组成所述骨架轮廓的直线，从所述原始窄区域中拆分出所述骨架轮廓对应的直线窄区域，得到每个所述骨架轮廓对应的直线窄区域。
3.如权利要求2所述的方法，其特征在于，所述根据组成所述骨架轮廓的直线，从所述原始窄区域中拆分出所述骨架轮廓对应的直线窄区域的步骤包括：
获取所述原始窄区域的距离变换图像；
针对组成所述骨架轮廓的任一目标直线，根据所述距离变换图像，确定所述目标直线的宽度；
根据所述目标直线的宽度、长度、斜率以及中心点坐标，构造参考矩形，利用所述参考矩形与所述原始窄区域进行交集操作，得到一个所述直线窄区域；
遍历组成所述骨架轮廓的每条直线，得到所述骨架轮廓对应的所有所述直线窄区域。
4.如权利要求1所述的方法，其特征在于，所述基于所有所述直线窄区域，确定切割线的步骤包括：
若所述直线窄区域的数量为两个，则确定两个所述直线窄区域之间的最短连线，并将所述最短连线的垂直中线作为所述切割线。
5.如权利要求4所述的方法，其特征在于，所述基于所有所述直线窄区域，确定切割线还包括：
若所述直线窄区域的数量大于两个，则将所有所述直线窄区域中距离所述原始窄区域内首个像素点最近的所述直线窄区域作为第一基准区域；
将剩余的所有所述直线窄区域中距离所述第一基准区域最近的所述直线窄区域作为第二基准区域；
确定所述第一基准区域与所述第二基准区域之间的最短连线，并将所述最短连线的垂直中线作为一条所述切割线。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
统计剩余的所述直线窄区域的数量；
若剩余的所述直线窄区域的数量不为零，则将所述第二基准区域作为所述第一基准区域，并返回所述将剩余的所有所述直线窄区域中距离所述第一基准区域最近的所述直线窄区域作为第二基准区域的步骤，直至剩余的所述直线窄区域的数量为零。
7.如权利要求1所述的方法，其特征在于，所述从所述原始窄区域中拆分出直线窄区域的步骤之后，所述方法还包括：
在所述直线窄区域的数量为一个的情况下，不对所述原始窄区域进行切割处理。
8.一种图像处理装置，用于图像中窄区域的提取，所述图像中的窄区域对应PCB板上的用于连接不同工件的引线，所述图像中的窄区域在像素特征下为小于或等于设定像素的线段，其特征在于，所述装置包括：
获得模块，用于对工业视觉图像进行窄区域提取，获得未切割的原始窄区域；
拆分模块，用于从所述原始窄区域中拆分出直线窄区域；
确定模块，用于在所述直线窄区域的数量大于一个的情况下，基于所述直线窄区域，确定切割线，并利用所述切割线对所述原始窄区域进行切割处理，得到所述工业视觉图像中的每个窄区域，其中，所述切割线为两个所述直线窄区域之间的最短连线的垂直中线，每个所述直线窄区域均与一个或两个其他直线窄区域共同确定一条或两条所述切割线。
9.一种电子设备，其特征在于，其包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1~7任一项所述的工业视觉窄区域切割方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1~7任一项所述的工业视觉窄区域切割方法。
CN202310994184.7A 2023-08-09 2023-08-09 工业视觉窄区域切割方法、装置、电子设备及存储介质 Active CN116721100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310994184.7A CN116721100B (zh) 2023-08-09 2023-08-09 工业视觉窄区域切割方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310994184.7A CN116721100B (zh) 2023-08-09 2023-08-09 工业视觉窄区域切割方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116721100A CN116721100A (zh) 2023-09-08
CN116721100B true CN116721100B (zh) 2023-11-24

Family

ID=87873723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310994184.7A Active CN116721100B (zh) 2023-08-09 2023-08-09 工业视觉窄区域切割方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116721100B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4179684A (en) * 1974-07-19 1979-12-18 Cheng George C Graphic conversion system for electronic data processing
CN101574758A (zh) * 2009-05-26 2009-11-11 友达光电股份有限公司 窄边框的切割方法
CN107977972A (zh) * 2017-12-01 2018-05-01 浙江科技学院 一种图像分割方法
CN112509038A (zh) * 2020-12-15 2021-03-16 华南理工大学 结合视觉仿真的自适应图像模板截取方法、系统及存储介质
CN113610761A (zh) * 2021-07-06 2021-11-05 上海望友信息科技有限公司 判断断头线的方法、装置、电子设备及存储介质
CN114387515A (zh) * 2021-12-31 2022-04-22 潮州三环（集团）股份有限公司 一种基于机器视觉的切割路径规划方法及装置
CN114494169A (zh) * 2022-01-18 2022-05-13 南京邮电大学 基于机器视觉的工业柔性物体检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4179684A (en) * 1974-07-19 1979-12-18 Cheng George C Graphic conversion system for electronic data processing
CN101574758A (zh) * 2009-05-26 2009-11-11 友达光电股份有限公司 窄边框的切割方法
CN107977972A (zh) * 2017-12-01 2018-05-01 浙江科技学院 一种图像分割方法
CN112509038A (zh) * 2020-12-15 2021-03-16 华南理工大学 结合视觉仿真的自适应图像模板截取方法、系统及存储介质
CN113610761A (zh) * 2021-07-06 2021-11-05 上海望友信息科技有限公司 判断断头线的方法、装置、电子设备及存储介质
CN114387515A (zh) * 2021-12-31 2022-04-22 潮州三环（集团）股份有限公司 一种基于机器视觉的切割路径规划方法及装置
CN114494169A (zh) * 2022-01-18 2022-05-13 南京邮电大学 基于机器视觉的工业柔性物体检测方法

Also Published As

Publication number Publication date
CN116721100A (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
JP4926116B2 (ja) 画像検査装置
CN110502985B (zh) 表格识别方法、装置及表格识别设备
CN112598922B (zh) 车位检测方法、装置、设备及存储介质
WO2014129018A1 (ja) 文字認識装置、文字認識方法及び記録媒体
JPH08287184A (ja) 画像切り出し装置及び文字認識装置
CN110660072A (zh) 一种直线边缘的识别方法、装置、存储介质及电子设备
CN113409461A (zh) 构建地貌地图的方法、装置、电子设备和可读存储介质
JP5772675B2 (ja) 濃淡画像のエッジ抽出方法、エッジ抽出装置並びに濃淡画像のエッジ抽出プログラム
CN111814673A (zh) 一种修正文本检测边界框的方法、装置、设备及存储介质
CN116721100B (zh) 工业视觉窄区域切割方法、装置、电子设备及存储介质
CN109934800A (zh) 一种烟包卡纸的定位方法及系统
CN108804978B (zh) 一种版面分析方法及装置
CN115311350A (zh) 边浪缺陷的位置参数确定方法、装置、电子设备及介质
JP2020173584A (ja) 物体検出装置
JPH06208625A (ja) 画像処理方法及び装置
CN115631198A (zh) 玻璃显示屏的裂纹检测方法、装置及计算机设备
JP5439069B2 (ja) 文字認識装置及び文字認識方法
JP2010191767A (ja) 文字認識装置及び文字認識方法
CN113554024A (zh) 一种车辆的清洁度的确定方法、装置及计算机设备
CN112669365A (zh) 一种复杂环境下的低依赖性棋盘角点检测方法及装置
CN112651946A (zh) 芯片金线检测方法、装置、电子设备及介质
US20240020846A1 (en) Corner point detection method and apparatus
CN117351011B (zh) 屏幕缺陷检测方法、设备和可读存储介质
CN117237669B (zh) 结构件特征提取方法、装置、设备及存储介质
CN113538460B (zh) 一种页岩ct图像裁剪方法及系统

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