CN116823708A - 基于机器视觉的pc构件边模识别与定位研究 - Google Patents
基于机器视觉的pc构件边模识别与定位研究 Download PDFInfo
- Publication number
- CN116823708A CN116823708A CN202310216009.5A CN202310216009A CN116823708A CN 116823708 A CN116823708 A CN 116823708A CN 202310216009 A CN202310216009 A CN 202310216009A CN 116823708 A CN116823708 A CN 116823708A
- Authority
- CN
- China
- Prior art keywords
- image
- component
- identification
- side mold
- detection
- 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
Links
- 238000011160 research Methods 0.000 title description 6
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 238000003909 pattern recognition Methods 0.000 claims 1
- 238000012567 pattern recognition method Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 3
- 230000003628 erosive effect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000006187 pill Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
-
- 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
-
- 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)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的PC构件识别与定位方法，包括采集PC构件图像，得到PC构件初步图像，对所述PC构件初步图像进行灰度化处理，噪声滤波处理，边缘检测，扩张与侵蚀，得到图像，然后进行基于色彩信息的边模特征识别，进行边模轮廓检测，边模尺寸测量，完成识别后信号传给单片机，控制机械手进行定位与抓取。该方法基于OpenCV识别，实现了机器视觉对PC构件的高效识别，将复杂的运算过程简化，提高了整个测试过程的准确性和快速性，在PC构件边模的识别定位方向上得到了较理想的效果，具有较强的实用性。
Description
技术领域
本发明涉及工业视觉检测技术领域，尤其是基于机器视觉的识别与检测方法。
背景技术
建筑工地中最常用的装配式混凝土预制件就是通过在提前在工厂中制造预制件然后再将其运送到工地后进行组装而成的。发展装配式建筑是对传统现场施工方式的重要变革，同时也是整个建筑业的发展目标和必然趋势。从长远来看，发展能耗低、使用方便、生产效率高、工程质量高的装配式建筑，是实现我国的土建行业工业化和发展绿色现代化的必经之路。
组装模板时，要确保模板前的接缝严密，符合设计要求，在现有技术中，PC构件边模往往都是采用人工进行测量、挑选和组装+，容易在过程中存在误差和遗漏现象，在安装前，通常需要进行对PC构件边模科学的校验，清洗和测量，此过程往往也是人工进行操作，同样也有因人为疏忽而产生的误差。
发明内容
针对上述的不足，本发明提供了一种基于机器视觉的PC构件边模识别与定位研究方法。
本方法采用以下技术方案：根据该研究任务，首先确定了将OpenCV作为边模识别定位的研究平台，利用OpenCV-Python联合编程，将复杂的运算过程简化，提高了整个测试过程的准确性和快速性。再通过对PC构件边模图像进行图像预处理的研究和分析，将图像的RGB信息转化到HSV颜色空间中，判断HSV色彩空间图像的对应颜色区域，对边模图像进行灰度化和噪声滤波处理，除去大部分干扰信息和噪声后，利用腐蚀运算和膨胀运算进行图形预处理后，运用形态特征和几何知识寻找矩形轮廓。最后通过对比识别算法，选出基于基于色彩信息的边模识别算法对边模进行识别，又由于获得的是图片的像素，找到像素与实际尺寸之间的比例关系，进行相应的检测之后，完成对边模的轮廓定位。且在整个研究过程针对PC构件实际生产线进行讨论和分析，在PC构件边模的识别定位方向上得到了较理想的效果，具有较强的实用性。
附图说明
附图1为本发明预处理流程，附图2为图1中边模灰度化图像，附图3为边模灰度图像直方图，附图4为高斯滤波后图像，附图5为canny边模检测图像，附图6为边模边缘扩张图像，附图7为边模边缘扩张侵蚀图像，附图8为PC构件边模轮廓定位流程图，附图9为边模轮廓识别图，附图10为边模轮廓尺寸测量图，附图11为中心位置和边模抓取位置图。
具体实施方式
本申请实施例公开一种基于机器视觉的PC构件边模识别与定位。参照图1，一种基于距离变换的中药丸视觉引导定位方法，包括，
采集PC构件图像，得到PC构件初步图像，
对所述PC构件初步图像进行灰度化处理，正常情况下，利用相机获取的彩色图像，是由R、G、B三个成分来构成每个像素颜色，而每个成分的取值范围都在0-255之间，而灰度图像是R、G、B分量相同的一种特殊彩色图像，将彩色图像的R、G、B分量相等的过程，即令R＝G＝B，极大的缩减了图像所占空间。故得到PC构件边模灰度化图像，如附图2。
以灰度级为横坐标，频率为纵坐标，绘制频率同灰度级的关系图像就是一幅灰度图像的直方图，如附图3。
由于工作和摄影环境中的不确定性，为尽可能避免噪声的干扰，保留图像的细节特征，采用滤波器对PC构件边模图像进行噪声滤波。高斯滤波作为线性滤波的一种，相比于其他滤波方式，其设计原理相对简单，通用性能较好，可有效抑制异常信号和噪声。其原理是针对图像中的每一个点与高斯内核进行卷积计算，并将计算结果相加，输出到目标图像中。
在二维平面中的高斯分布公式：
式中(x，y)为点的坐标，σ为(x，y)的标准差。此外，OpenCV为特定尺寸的高斯内核，如3*3，5*5，7*7都有特殊的实现，故在此参数下的高斯滤波往往性能要比其他参数下效果更佳，噪声滤波更为明显。所得到的高斯滤波图像如附图4。
为了方便对图像中PC构件边模进行定位识别，需要对边模的边缘进行检测和提取，Canny边缘检测可以很好地兼顾噪声和边缘检测的精确度，因此它所探测到的图像的边缘位置不仅具有很高的精度，而且完整、连接程度好。故此次研究选择Canny边缘算子。本研究中Canny边模边缘检测算法的步骤：(1)对边模彩色图像进行灰度化处理，得到边模灰度图像。(2)使用高斯滤波器对边模灰度图像进行噪声滤波和平滑处理。(3)计算图像梯度及其方向。(4)对所得梯度进行非极大值抑制，保留局部梯度最大的点，以得到细化的边缘，消除边缘检测带来的杂散响应。(5)进行双阈值检测，检测来确定真实的和潜在的边缘，完成Canny边模边缘检测，得到Canny边缘检测图像，如附图5所示。
其中膨胀用来处理缺陷问题，而腐蚀用来处理毛刺问题。在对边模图像进行扩张处理时，需要先选定图像中一个像素点，规定好每个像素点扩张的范围后，将所选图像与选定内核进行卷积，定义图像的内核的中心为锚点，扫描出图像的最大像素值，然后将其替换锚点位置的像素。得到的边模边缘扩张侵蚀效果图如附图7。
为识别出PC构件边模，需选择合理的识别算法，由于实际生产和工作中，PC构件边模往往采用得是碳含量最大不超过1.2％的钢，也称作不锈钢，其具有较高的硬度，PC构件边模的颜色在同一厂家内往往是单一的，且切换颜色进行识别所做的程序修改较少，可提前对不同颜色的边模进行编码，根据实际所需进行选用，故经过分析可得，可采用基于色彩信息的识别算法中的基于HSV色彩空间的颜色识别算法进行PC构件边模的识别。先通过查阅资料获得所识别颜色相对应的阈值，进行将图像上各像素点与之进行对比和匹配，做出颜色分割，进而获得所要识别对象，流程图如附图8。
当获得PC构件边模图像的特征轮廓后，为了便于对边模图像进行后续的定位，需要完成图像的定位流程，PC构件边模轮廓定位流程包括边模矩形轮廓检测、预设每单位尺寸像素比、边模图像的直线检测、边模图像的圆检测、边模尺寸测量和边模中心位置定位和边模抓取点的选择，如附图9。
为了避免直线轮廓和顶点出现误差和噪声，需要进行图像直线检测和圆检测。HoughLines函数会接受一个由Canny边缘检测滤波器处理过的单通道二值图像，故直线检测常在图像预处理之后使用。由于HoughLinesP函数作为Hough函数的优化版本[41]，其课通过分析点的子集并估计这些点都属于一条直线的概率，故本次直线检测选择，HoughLinesP函数。圆检测可以用HoughCircles函数来完成，此函数与HoughLines函数类似，用Hough变换在边模灰度图像中寻找圆，确定出该曲线的描述参数，从而提取图像中的规则圆，之后便可完成对PC构件图像中的圆绘制。经过检测后，便可绘制出如附图9所示的PC构件边模轮廓图像。
在图像处理中，常常利用欧几里得距离变换，也就是对一张二值化图像，将像素的值转化为该点到达最近的背景点的距离，进而计算其距离。通俗来讲，欧几里得距离(欧几里得度量)是指欧几里得空间中两点间“普通”(即直线)距离，若使用这个距离，则欧几里得空间即成为度量空间。
在二维空间中，欧几里得距离公式：
式中A为点(x1，y1)与点(x2，y2)之间的欧式距离，式中|B|为点(x1，y1)到原点的欧几里得距离。
在三维空间中，欧几里得距离公式：
式中A为点(x1，y1，z1)与点(x2，y2，z2)之间的欧式距离，式中|B|为点(x1，y1，z1)到原点的欧几里得距离。
在N维空间中，欧几里得距离公式：
式中σ(x，y)为点(x1，x2，…，xn)到点(y1，y2，…，yn)之间的欧式距离。
计算在处理中得到的顶点之间的欧几里得距离，定义每单位尺寸像素比的大小，通过将相应的欧几里德距离除以每单位尺寸像素比的值来计算对象的尺寸(以英寸为单位)，利用在本次研究中所得到的的PC构件边模的像素数目，即可得到所要识别图像中的PC构件边模的尺寸，被识别出的PC构件边模被框出，其边模的尺寸在两边侧方进行标注，进而完成PC构件边模的识别，如附图10所示。
通过之前的算法处理，可得到PC构件边模的轮廓故可根据边界框获取其几何中心点，将几何中心点作为定位点，可直接利用此坐标作为PC构件边模的位置坐标。在实际工业生产中，PC构件边模最终是为生产PC构件服务，且现在实际工厂中大多数为机械臂操作，为了保证自动化生产线上工序的进行，和方便PC构件被识别后的进一步的搬运、拼装、组合等，所以为了提高后续PC构件生产效率，需要设计方便流水线操作的抓取点(Grab Point)。通过分析可得出，为了方便机械臂的抓取，选择如附图11中所示，在边线中点作为抓取点，通过计算PC边模构件质量进行受力分析，选择合适的抓取力和力矩，即可完成PC构件边模的抓取，进而可进行下一工序的生产和作业。
对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。
Claims (5)
1.一种基于机器视觉的PC构件边摸识别与定位方法，其特征在于：包括，
采集PC构件图像，得到PC构件初步图像，
对所述PC构件初步图像进行灰度化处理，得到PC构件边模灰度化图像，
绘制边模图像直方图，得到图像灰度和频率之间的关系，
边模图像噪声滤波处理，采用高斯滤波得到滤波后图像，
边模图像边缘检测，采用canny边模边缘检测，
边模边缘扩张与侵蚀，
采用基于HSV色彩信息的边模识别办法，进行PC构件边摸识别，
边模矩形轮廓检测，
预设每单位尺寸像素比，
边模图像的直线检测，
边模图像的圆检测，
边模尺寸测量和边模中心位置定位和边模抓取点的选择。
2.根据权利要求1所述的一种基于机器视觉PC构件边模识别与定位方法，其特征在于：所述的边模图像噪声滤波处理的具体方法包括，
采用高斯滤波，针对图像中的每一个点与高斯内核进行卷积计算，并将计算结果相加，输出到目标图像中。
3.根据权利要求1所述的一种基于机器视觉PC构件边模识别与定位方法，其特征在于：所述的边模图像边缘检测具体方法包括，
对边模彩色图像进行灰度化处理，得到边模灰度图像，
使用高斯滤波器对边模灰度图像进行噪声滤波和平滑处理，
计算图像梯度及其方向，
对所得梯度进行非极大值抑制，保留局部梯度最大的点，以得到细化的边缘，消除边缘检测带来的杂散响应，
进行双阈值检测，检测来确定真实的和潜在的边缘，完成Canny边模边缘检测。
4.根据权利要求1所述的一种基于机器视觉PC构件边模识别与定位方法，其特征在于：所述的采用基于HSV色彩空间的颜色识别算法具体方法包括，查阅资料获得所识别颜色相对应的阈值，进行将图像上各像素点与之进行对比和匹配，做出颜色分割，
获得目标颜色的识别对象。
5.根据权利要求1所述的一种基于机器视觉PC构件边模识别与定位方法，其特征在于：所述的边模图像直线检测与圆检测采用的具体方法包括，
检测参数空间中的极值点，
将图像空间中的曲线(包括直线)变换到参数空间中，
确定出该曲线的描述参数，从而提取影像中的规则曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310216009.5A CN116823708A (zh) | 2023-03-08 | 2023-03-08 | 基于机器视觉的pc构件边模识别与定位研究 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310216009.5A CN116823708A (zh) | 2023-03-08 | 2023-03-08 | 基于机器视觉的pc构件边模识别与定位研究 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116823708A true CN116823708A (zh) | 2023-09-29 |
Family
ID=88124742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310216009.5A Pending CN116823708A (zh) | 2023-03-08 | 2023-03-08 | 基于机器视觉的pc构件边模识别与定位研究 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116823708A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952979A (zh) * | 2024-03-27 | 2024-04-30 | 山东力加力钢结构有限公司 | 一种建设工程质量检测监管方法及系统 |
-
2023
- 2023-03-08 CN CN202310216009.5A patent/CN116823708A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952979A (zh) * | 2024-03-27 | 2024-04-30 | 山东力加力钢结构有限公司 | 一种建设工程质量检测监管方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106404793B (zh) | 基于视觉的轴承密封件缺陷检测方法 | |
| CN111862037A (zh) | 基于机器视觉的精密孔类零件几何特征检测方法及系统 | |
| CN112037203A (zh) | 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 | |
| CN108171102A (zh) | 一种基于视觉的零件快速识别方法 | |
| CN115096206B (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| CN113393426B (zh) | 一种轧钢板表面缺陷检测方法 | |
| CN113689415A (zh) | 一种基于机器视觉的钢管壁厚在线检测方法 | |
| CN110334727B (zh) | 一种隧道裂缝智能匹配检测方法 | |
| CN116758067B (zh) | 基于特征匹配的金属结构件检测方法 | |
| CN113822810A (zh) | 一种基于机器视觉的三维空间中工件的定位方法 | |
| CN115937203A (zh) | 一种基于模板匹配的视觉检测方法、装置、设备及介质 | |
| CN116823708A (zh) | 基于机器视觉的pc构件边模识别与定位研究 | |
| CN112819935A (zh) | 基于双目立体视觉实现工件三维重建的方法 | |
| CN116883498A (zh) | 基于灰度质心提取算法的视觉合作靶标特征点定位方法 | |
| CN116862910A (zh) | 基于自动化裁切生产的视觉检测方法 | |
| CN114485433A (zh) | 基于伪随机散斑的三维测量系统、方法及装置 | |
| CN116580005B (zh) | 基于图像处理与深度学习的管片模具开模系统的引导方法 | |
| CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
| CN112991327A (zh) | 基于机器视觉的钢格网焊接系统、方法和终端设备 | |
| JP2002140713A (ja) | 画像処理方法およびその装置 | |
| CN115511884B (zh) | 基于计算机视觉的冲孔复合模表面质量检测方法 | |
| CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 | |
| CN116152147A (zh) | 一种连接器插针位置偏差检测方法 | |
| CN114354631A (zh) | 一种基于视觉的阀门毛坯表面缺陷检测方法 |
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 |