CN116823925B - 高精度o型橡胶圈内径外径测量方法、装置及电子设备 - Google Patents

高精度o型橡胶圈内径外径测量方法、装置及电子设备 Download PDF

Info

Publication number
CN116823925B
CN116823925B CN202311104585.7A CN202311104585A CN116823925B CN 116823925 B CN116823925 B CN 116823925B CN 202311104585 A CN202311104585 A CN 202311104585A CN 116823925 B CN116823925 B CN 116823925B
Authority
CN
China
Prior art keywords
pixel
rubber ring
edge
sub
precision
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
CN202311104585.7A
Other languages
English (en)
Other versions
CN116823925A (zh
Inventor
李哲诚
沈阳
陈玮
殷晓平
李鹏飞
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.)
Suzhou Jushi Xinghua Intelligent Equipment Co ltd
Original Assignee
Suzhou Jushi Xinghua Intelligent Equipment 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 Suzhou Jushi Xinghua Intelligent Equipment Co ltd filed Critical Suzhou Jushi Xinghua Intelligent Equipment Co ltd
Priority to CN202311104585.7A priority Critical patent/CN116823925B/zh
Publication of CN116823925A publication Critical patent/CN116823925A/zh
Application granted granted Critical
Publication of CN116823925B publication Critical patent/CN116823925B/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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
    • G01B11/12—Measuring arrangements characterised by the use of optical techniques for measuring diameters internal diameters
    • 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
    • G06T7/13—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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种高精度O型橡胶圈内径外径测量方法、装置及电子设备，包括：对获取的待测量橡胶圈的多张橡胶圈图像进行边缘点提取，得到亚像素级精度的橡胶圈边缘点；基于不同的epsilon参数，计算各epsilon参数下各橡胶圈图像对应的亚像素精度边缘点的周长；根据各epsilon参数下，各橡胶圈图像对应的周长之间的标准差，从不同的epsilon参数中确定最优epsilon参数；根据最优epsilon参数，对各橡胶圈图像对应的亚像素精度边缘点进行稀释处理，得到对应的边缘点总数量减少的目标边缘点；根据各橡胶圈图像对应的目标边缘点，确定对应的边缘总周长，并根据边缘总周长确定O型橡胶圈内径外径。

Description

高精度O型橡胶圈内径外径测量方法、装置及电子设备
技术领域
本公开涉及橡胶圈测量技术领域，尤其涉及一种高精度O型橡胶圈内径外径测量方法、装置及电子设备。
背景技术
对橡胶圈进行高精度的内径和外径测量，从而检测橡胶圈是否合格。由于橡胶圈具有弹性和较大的表面摩擦力，将橡胶圈放在平面上成像时，橡胶圈可能不是正圆，因此需要通过测量橡胶圈的内外周长，从而间接测量橡胶圈的内径和外径。
相关技术中，对橡胶圈的外边缘进行周长计算时发现，对同一个橡胶圈进行多次周长计算的值之间存在不可忽视的波动。使用例如高斯模糊法进行预处理，并不能有效地改善周长重复性存在波动。
发明内容
为克服相关技术中存在的测量橡胶圈内径外径的准确性较低的技术问题，本公开提供一种高精度O型橡胶圈内径外径测量方法、装置及电子设备。
在本公开实施例的第一方面，提供一种高精度O型橡胶圈内径外径测量方法，包括：
获取待测量橡胶圈的多张橡胶圈图像；
分别对多张所述橡胶圈图像进行边缘点提取，得到对应的亚像素级精度的橡胶圈边缘点；
基于不同的epsilon参数，使用道格拉斯-普克算法，计算各所述epsilon参数下各所述橡胶圈图像对应的亚像素精度边缘点对应的周长；
根据各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差，从所述不同的epsilon参数中确定最优epsilon参数；
根据所述最优epsilon参数，使用道格拉斯-普克算法，对各所述橡胶圈图像对应的亚像素精度边缘点进行稀释处理，得到对应的边缘点总数量减少的目标边缘点；
根据各所述橡胶圈图像对应的所述目标边缘点，确定对应的边缘总周长，并根据所述边缘总周长确定所述O型橡胶圈内径外径。
优选地，所述分别对多张所述橡胶圈图像进行边缘点提取，得到对应的亚像素级精度的橡胶圈边缘点，包括：
对多张所述橡胶圈图像，分别用边缘提取算法，提取像素级精度的边缘点；
基于亚像素边缘提取算法，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点。
优选地，所述基于亚像素边缘提取算法，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点，包括：
基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，得到对应的二维多项式；
确定各所述二维多项式的Hessian矩阵，其中，所述Hessian矩阵为所述二维多项式的二阶偏导数矩阵；
求解各所述Hessian矩阵，得到对应的两个特征值和两个特征向量；
根据各所述Hessian矩阵中最小的所述特征值以及特征向量，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量；
根据对应的所述偏移量，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点。
优选地，所述根据各所述Hessian矩阵中最小的所述特征值以及特征向量，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量，包括：
根据各所述Hessian矩阵中最大的所述特征值对应的特征向量，确定边缘响应最强的方向；
根据各所述Hessian矩阵中最小的所述特征值以及所述橡胶圈图像对应的像素级精度的边缘点的灰度值的梯度在边缘响应最强的方向上的投影，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量。
优选地，所述通过如下公式确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量：
偏移量=-1/2×（梯度在边缘响应最强的方向上的投影/最小特征值）
优选地，所述基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，得到对应的二维多项式，包括：
基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，分别与Facet模型中对应的系数相乘；
对相乘后得到的多项式进行求和，得到对应的二维多项式。
优选地，所述根据各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差，从所述不同的epsilon参数中确定最优epsilon参数，包括：
计算各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差；
将标准差数值最小对应的epsilon参数作为最优epsilon参数。
优选地，所述根据各所述橡胶圈图像对应的所述目标边缘点，确定对应的边缘总周长，包括：
各所述橡胶圈图像对应的所述目标边缘点中，每相邻的目标边缘点之间的间距累加，得到对应的边缘总周长。
在本公开实施例的第二方面，提供一种高精度O型橡胶圈内径外径测量装置，包括：
获取模块，用于获取待测量橡胶圈的多张橡胶圈图像；
提取模块，用于分别对多张所述橡胶圈图像进行边缘点提取，得到对应的亚像素级精度的橡胶圈边缘点；
计算模块，用于基于不同的epsilon参数，使用道格拉斯-普克算法，计算各所述epsilon参数下各所述橡胶圈图像对应的亚像素精度边缘点对应的周长；
第一确定模块，用于根据各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差，从所述不同的epsilon参数中确定最优epsilon参数；
稀释模块，用于根据所述最优epsilon参数，使用道格拉斯-普克算法，对各所述橡胶圈图像对应的亚像素精度边缘点进行稀释处理，得到对应的边缘点总数量减少的目标边缘点；
第二确定模块，用于根据各所述橡胶圈图像对应的所述目标边缘点，确定对应的边缘总周长，并根据所述边缘总周长确定所述O型橡胶圈内径外径。
优选地，所述提取模块，用于：
对多张所述橡胶圈图像，分别用边缘提取算法，提取像素级精度的边缘点；
基于亚像素边缘提取算法，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点。
优选地，所述提取模块，用于：
基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，得到对应的二维多项式；
确定各所述二维多项式的Hessian矩阵，其中，所述Hessian矩阵为所述二维多项式的二阶偏导数矩阵；
求解各所述Hessian矩阵，得到对应的两个特征值和两个特征向量；
根据各所述Hessian矩阵中最小的所述特征值以及特征向量，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量；
根据对应的所述偏移量，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点。
优选地，所述提取模块，用于：
根据各所述Hessian矩阵中最大的所述特征值对应的特征向量，确定边缘响应最强的方向；
根据各所述Hessian矩阵中最小的所述特征值以及所述橡胶圈图像对应的像素级精度的边缘点的灰度值的梯度在边缘响应最强的方向上的投影，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量。
优选地，所述提取模块，用于通过如下公式确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量：
偏移量=-1/2×（梯度在边缘响应最强的方向上的投影/最小特征值）
优选地，所述提取模块，用于：
基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，分别与Facet模型中对应的系数相乘；
对相乘后得到的多项式进行求和，得到对应的二维多项式。
优选地，所述第一确定模块，用于：
计算各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差；
将标准差数值最小对应的epsilon参数作为最优epsilon参数。
优选地，所述第二确定模块，用于：
各所述橡胶圈图像对应的所述目标边缘点中，每相邻的目标边缘点之间的间距累加，得到对应的边缘总周长。
在本公开实施例的第三方面，提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面中任一项所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：
对获取的待测量橡胶圈的多张橡胶圈图像进行边缘点提取，得到亚像素级精度的橡胶圈边缘点；基于不同的epsilon参数，计算各epsilon参数下各橡胶圈图像对应的亚像素精度边缘点的周长；根据各epsilon参数下，各橡胶圈图像对应的周长之间的标准差，从不同的epsilon参数中确定最优epsilon参数，自动确定合适的参数，具有较高的拍摄环境和样品兼容性；根据最优epsilon参数，对各橡胶圈图像对应的亚像素精度边缘点进行稀释处理，得到对应的边缘点总数量减少的目标边缘点；根据各橡胶圈图像对应的目标边缘点，确定对应的边缘总周长，并根据边缘总周长确定O型橡胶圈内径外径。提高了测量橡胶圈内径外径的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种高精度O型橡胶圈内径外径测量方法的结构示意图。
图2是根据一示例性实施例示出的一种橡胶圈图像的示意图。
图3是根据一示例性实施例示出的一种橡胶圈图像局部的放大示意图。
图4是根据一示例性实施例示出的一种像素级精度的橡胶圈图像局部的放大示意图。
图5是根据一示例性实施例示出的一种亚像素级精度的橡胶圈图像局部的放大示意图。
图6是根据一示例性实施例示出的一种总数量减少的目标边缘点组成的图像的示意图。
图7是根据一示例性实施例示出的一种实现图1中步骤S12的流程图。
图8是根据一示例性实施例示出的一种实现图2中步骤S122的流程图。
图9是根据一示例性实施例示出的一种高精度O型橡胶圈内径外径测量装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在进行亚像素精度的边缘提取时，可能每次提取都会产生一个微小的随机误差，使得提取的边缘出现一定程度的参差不齐，由于误差的随机性导致最终累加每相邻边缘点后，得到的周长也具有一定的随机性误差，造成同一个橡胶圈进行多次周长计算的值之间存在不可忽视的波动。导致橡胶圈的内径和外径测量时存在精度不高的问题。
图1是根据一示例性实施例示出的一种高精度O型橡胶圈内径外径测量方法的流程图。如图1所示，高精度O型橡胶圈内径外径测量方法包括：
在步骤S11中，获取待测量橡胶圈的多张橡胶圈图像；
例如，参见图2所示，获取待测量橡胶圈的32张橡胶圈图像，每次采集完可以取下橡胶圈重新放回。
在步骤S12中，分别对多张所述橡胶圈图像进行边缘点提取，得到对应的亚像素级精度的橡胶圈边缘点；
参见图3所示，橡胶圈图像的局部放大以后呈现不清晰的边缘点，因此可以通过例如边缘检测加边缘提取等边缘点提取算法进行边缘点提取，得到如图4所示的像素级精度的边缘点，其中，每一个白色像素对应一个提取到的像素级精度的边缘点。进一步地，参见图5所示，将像素级精度的边缘点进行处理，得到亚像素级精度的橡胶圈边缘点。其中，白色线为提取到的亚像素级精度边缘点的连线。
在步骤S13中，基于不同的epsilon参数，使用道格拉斯-普克算法，计算各所述epsilon参数下各所述橡胶圈图像对应的亚像素精度边缘点对应的周长。
使用道格拉斯-普克算法中不同的epsilon参数处理后计算周长，计算所得的32个周长数据的标准差。
本公开实施例中，为了对橡胶圈图像进行针对性优化调参，根据实际测试结果选择了一个具有客观依据和相应效果的epsilon参数范围。具体来说，选取从0.001到0.1的范围内的epsilon参数值，并以0.001为步进进行选择。这个范围不仅可以提高计算速度，还能足够覆盖正常使用场景。然后，对于每一个选定的epsilon参数值，使用道格拉斯-普克算法处理亚像素精度边缘点。通过这种方式，确保了在一定范围内的精度已经足够，而更高的epsilon精度对算法检测结果的精度影响微小。
本公开实施例中，道格拉斯-普克算法的具体实施过程如下：首先，根据亚像素精度的边缘点的坐标构建得到亚像素精度边缘点列表，从亚像素精度边缘点列表中选取第一个点和最后一个点作为初始直线段的端点，构建直线段。接着，计算亚像素精度边缘点列表中剩余的所有其他边缘点到这条直线段的距离。找到距离最大的边缘点，如果该距离大于当前的epsilon参数值，则将该点加入到新的边缘点列表中，并将原始直线段分为两段，以该点为分割点。然后，对这两段直线段分别递归执行上述过程，直到所有分割后的直线段的最大距离都小于等于当前的epsilon参数值。最后，将处理后的边缘点连接起来，计算得到周长。
在步骤S14中，根据各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差，从所述不同的epsilon参数中确定最优epsilon参数。
本公开实施例中，在计算完所有预设epsilon参数值对应的周长后，计算所得的32个周长数据的标准差。选择使得标准差最小的epsilon参数值作为优选参数。之后可以使用该优选的epsilon参数对之后的实际检测样品进行实际周长检测。
通过以上步骤，我们可以根据32张样品图片来调整epsilon参数，从而使得使用道格拉斯-普克算法计算得到的周长结果标准差最小。这样可以提高针对该类产品的周长检测精度，解决橡胶圈的内径和外径测量时存在的精度不高的问题。
其中，将epsilon参数视为一个函数的输入，将计算所得的32个周长数据的标准差视为函数的输出，对这个函数使用粗略搜索和精细搜索相结合搜索算法找到这些周长数据的标准差最低时对应的最优epsilon值。对(0,0.1]输入范围内进行粗略搜索，计算0.01，0.02，0.03直到0.1这10个输入对应的输出值，找到最小的输出值对应的输入0.01,再减少搜索步进继续搜索0.001,0.002直到0.019这19个输入，在搜索到的最佳区域内进行更精细的搜索来找到最小值,重复上述过程，直到达到所需的精度为止。
在步骤S15中，根据所述最优epsilon参数，使用道格拉斯-普克算法，对各所述橡胶圈图像对应的亚像素精度边缘点进行稀释处理，得到对应的边缘点总数量减少的目标边缘点。
其中，使用最优epsilon值的道格拉斯-普克算法对亚像素级精度的边缘点进行处理，得到一组总数减少的边缘点。参见图6所示，原本密集的边缘点被降低为少数具有代表性的边缘点。
在步骤S16中，根据各所述橡胶圈图像对应的所述目标边缘点，确定对应的边缘总周长，并根据所述边缘总周长确定所述O型橡胶圈内径外径。
其中，O型橡胶圈的内径和外径分别指如图6所示的，该圆环内孔黑白分界线的圆形的半径和该圆环最外圈黑白分界的圆形的半径。实际检测时这两个圆形不一定是正圆。通过分别测量这两个类圆形的周长（即内径和外径所对应的周长），然后使用正圆的周长公式（周长=2πr）反推出相应的半径，从而得到O型橡胶圈的内径和外径。
其中，将橡胶圈边缘识别的更加平滑，可以有效消除边缘上的细微波动，最后将每对相邻边缘点的间距累加，得到圆形橡胶圈的外边缘的总周长。
对同一组橡胶圈分别使用本发明的方法和商业软件Halcon中的算法进行对比测试，发现本发明的方法重复性更好。检测15种不同型号橡胶圈的内径和外径，每种重复测试32次。使用第一种型号的橡胶圈可以测得最优epsilon参数为0.0037，使用此参数测得该型号橡胶圈32次重复测量的最大值与最小值之差为0.57(单位为像素宽)，而使用Halcon的算法测量结果为1.23。使用epsilon参数为0.0037对后续14种不同大小的橡胶圈测试并和Halcon的算法进行对比，发现本方法每种橡胶圈32次重复测量的最大值与最小值之差约为Halcon的一半，说明本方法的测量重复性更好，测量误差更低。
上述技术方案对获取的待测量橡胶圈的多张橡胶圈图像进行边缘点提取，得到亚像素级精度的橡胶圈边缘点；基于不同的epsilon参数，计算各epsilon参数下各橡胶圈图像对应的亚像素精度边缘点的周长；根据各epsilon参数下，各橡胶圈图像对应的周长之间的标准差，从不同的epsilon参数中确定最优epsilon参数，自动确定合适的参数，具有较高的拍摄环境和样品兼容性；根据最优epsilon参数，对各橡胶圈图像对应的亚像素精度边缘点进行稀释处理，得到对应的边缘点总数量减少的目标边缘点；根据各橡胶圈图像对应的目标边缘点，确定对应的边缘总周长，并根据边缘总周长确定O型橡胶圈内径外径。提高了测量橡胶圈内径外径的准确性。
优选地，参见图7所示，在步骤S12中，所述分别对多张所述橡胶圈图像进行边缘点提取，得到对应的亚像素级精度的橡胶圈边缘点，包括：
在步骤S121中，对多张所述橡胶圈图像，分别用边缘提取算法，提取像素级精度的边缘点。
本公开实施例中，用OpenCV自带的边缘提取算法findcontour提取像素级精度的边缘点。
在步骤S122中，基于亚像素边缘提取算法，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点。
其中，使用亚像素边缘提取算法将像素级精度的边缘点提升到亚像素级精度，使用3×3大小的facet模型掩码进行卷积以实现二维多项式拟合。
优选地，参见图8所示，在步骤S122中，所述基于亚像素边缘提取算法，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点，包括：
在步骤S1221中，基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，得到对应的二维多项式。
其中，3×3的矩阵用于对每个像素及其邻域进行拟合。Facet模型可以表示为一个二维多项式 f(x, y) = a[0]+ a[1]x + a[2]y + a[3]x^2 + a[4]xy + a[5]y^2。其中使用最小二乘法解出a[0]到a[5]的值如下：
a[0] = (-m[0]+ 2.0 * m[1] - m[2]+ 2.0 * m[3] + 5.0 * m[4] + 2.0 * m[5] - m[6]+ 2.0 * m[7] - m[8]) / 9.0；
a[1] = (-m[0]+ m[2] - m[3]+ m[5] - m[6]+ m[8]) / 6.0；
a[2] = (m[6]+ m[7] + m[8]- m[0] - m[1]- m[2]) / 6.0；
a[3] = (m[0]- 2.0 * m[1] + m[2]+ m[3] - 2.0 * m[4] + m[5]+ m[6] - 2.0* m[7] + m[8]) / 6.0；
a[4] = (-m[0]+ m[2] + m[6]- m[8]) / 4.0；
a[5] = (m[0]+ m[1] + m[2]- 2.0 * (m[3] + m[4]+ m[5]) + m[6]+ m[7] + m[8]) / 6.0；
其中，m[0]、m[1]、m[2]、m[3]分别为掩码的中心的各橡胶圈图像对应的像素级精度的边缘点的左上方，上方，右上方，左边的像素的灰度值；m[4]为掩码的中心的各橡胶圈图像对应的像素级精度的边缘点的灰度值，分别为掩码的中心的各橡胶圈图像对应的像素级精度的边缘点的m[5]、m[6]、m[7]和m[8]分别为掩码的中心的各橡胶圈图像对应的像素级精度的边缘点的右边，左下方，下方，右下方的像素的灰度值。
在步骤S1222中，确定各所述二维多项式的Hessian矩阵，其中，所述Hessian矩阵为所述二维多项式的二阶偏导数矩阵。
其中， Hessian矩阵是一个2×2的二阶偏导数矩阵，二维多项式f(x, y)的二阶偏导数为 d^2f/dx^2 = 2a[3]，d^2f/dy^2 = 2a[5]，d^2f/dxdy = a[4]。
在步骤S1223中，求解各所述Hessian矩阵，得到对应的两个特征值和两个特征向量。
其中，求解Hessian矩阵的特征值和特征向量。在二维空间中，Hessian矩阵会有两个特征值和两个对应的特征向量。
在步骤S1224中，根据各所述Hessian矩阵中最小的所述特征值以及特征向量，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量。
其中，通过特征值和特征向量来计算像素级精度和亚像素级精度之间的偏移量。最大的特征值对应的特征向量给出了边缘响应最强的方向，而最小的特征值则给出了亚像素级精度的偏移量。
在步骤S1225中，根据对应的所述偏移量，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点。
上述技术方案计算出边缘点在x和y方向上的亚像素偏移量，将原本像素级精度的边缘点提高到亚像素级精度。
优选地，在步骤S1224中，所述根据各所述Hessian矩阵中最小的所述特征值以及特征向量，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量，包括：
根据各所述Hessian矩阵中最大的所述特征值对应的特征向量，确定边缘响应最强的方向；
根据各所述Hessian矩阵中最小的所述特征值以及所述橡胶圈图像对应的像素级精度的边缘点的灰度值的梯度在边缘响应最强的方向上的投影，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量。
优选地，所述通过如下公式确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量：
偏移量=-1/2×（梯度在边缘响应最强的方向上的投影/最小特征值）
优选地，在步骤S1221中，所述基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，得到对应的二维多项式，包括：
基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，分别与Facet模型中对应的系数相乘；
对相乘后得到的多项式进行求和，得到对应的二维多项式。
本公开实施例中，将处于掩码的中心的像素及其8个邻域像素的灰度值与Facet模型中对应的系数相乘，然后求和，得到对应的二维多项式。
优选地，在步骤S14中，所述根据各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差，从所述不同的epsilon参数中确定最优epsilon参数，包括：
计算各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差；
将标准差数值最小对应的epsilon参数作为最优epsilon参数。
优选地，在步骤S16中，所述根据各所述橡胶圈图像对应的所述目标边缘点，确定对应的边缘总周长，包括：
各所述橡胶圈图像对应的所述目标边缘点中，每相邻的目标边缘点之间的间距累加，得到对应的边缘总周长。
本公开实施例还提供一种高精度O型橡胶圈内径外径测量装置，参见图9所示，高精度O型橡胶圈内径外径测量装置包括：获取模块410、提取模块420、计算模块430、第一确定模块440、稀释模块450和第二确定模块460。
获取模块410，用于获取待测量橡胶圈的多张橡胶圈图像；
提取模块420，用于分别对多张所述橡胶圈图像进行边缘点提取，得到对应的亚像素级精度的橡胶圈边缘点；
计算模块430，用于基于不同的epsilon参数，使用道格拉斯-普克算法，计算各所述epsilon参数下各所述橡胶圈图像对应的亚像素精度边缘点对应的周长；
第一确定模块440，用于根据各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差，从所述不同的epsilon参数中确定最优epsilon参数；
稀释模块450，用于根据所述最优epsilon参数，使用道格拉斯-普克算法，对各所述橡胶圈图像对应的亚像素精度边缘点进行稀释处理，得到对应的边缘点总数量减少的目标边缘点；
第二确定模块460，用于根据各所述橡胶圈图像对应的所述目标边缘点，确定对应的边缘总周长，并根据所述边缘总周长确定所述O型橡胶圈内径外径。
优选地，所述提取模块420，用于：
对多张所述橡胶圈图像，分别用边缘提取算法，提取像素级精度的边缘点；
基于亚像素边缘提取算法，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点。
优选地，所述提取模块420，用于：
基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，得到对应的二维多项式；
确定各所述二维多项式的Hessian矩阵，其中，所述Hessian矩阵为所述二维多项式的二阶偏导数矩阵；
求解各所述Hessian矩阵，得到对应的两个特征值和两个特征向量；
根据各所述Hessian矩阵中最小的所述特征值以及特征向量，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量；
根据对应的所述偏移量，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点。
优选地，所述提取模块420，用于：
根据各所述Hessian矩阵中最大的所述特征值对应的特征向量，确定边缘响应最强的方向；
根据各所述Hessian矩阵中最小的所述特征值以及所述橡胶圈图像对应的像素级精度的边缘点的灰度值的梯度在边缘响应最强的方向上的投影，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量。
优选地，所述提取模块，用于通过如下公式确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量：
偏移量=-1/2×（梯度在边缘响应最强的方向上的投影/最小特征值）
优选地，所述提取模块420，用于：
基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，分别与Facet模型中对应的系数相乘；
对相乘后得到的多项式进行求和，得到对应的二维多项式。
优选地，所述第一确定模块440，用于：
计算各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差；
将标准差数值最小对应的epsilon参数作为最优epsilon参数。
优选地，所述第二确定模块460，用于：
各所述橡胶圈图像对应的所述目标边缘点中，每相邻的目标边缘点之间的间距累加，得到对应的边缘总周长。
本公开实施例还提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现前述实施例中任一项所述方法的步骤。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (3)

1.一种高精度O型橡胶圈内径外径测量方法，其特征在于，包括：
获取待测量橡胶圈的多张橡胶圈图像；
分别对多张所述橡胶圈图像进行边缘点提取，得到对应的亚像素级精度的橡胶圈边缘点；
基于不同的epsilon参数，使用道格拉斯-普克算法，计算各所述epsilon参数下各所述橡胶圈图像对应的亚像素精度边缘点对应的周长；
根据各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差，从所述不同的epsilon参数中确定最优epsilon参数；
根据所述最优epsilon参数，使用道格拉斯-普克算法，对各所述橡胶圈图像对应的亚像素精度边缘点进行稀释处理，得到对应的边缘点总数量减少的目标边缘点；
根据各所述橡胶圈图像对应的所述目标边缘点，确定对应的边缘总周长，并根据所述边缘总周长确定所述O型橡胶圈内径外径；
所述分别对多张所述橡胶圈图像进行边缘点提取，得到对应的亚像素级精度的橡胶圈边缘点，包括：
对多张所述橡胶圈图像，分别用边缘提取算法，提取像素级精度的边缘点；
基于亚像素边缘提取算法，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点；
所述基于亚像素边缘提取算法，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点，包括：
基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，得到对应的二维多项式；
确定各所述二维多项式的Hessian矩阵，其中，所述Hessian矩阵为所述二维多项式的二阶偏导数矩阵；
求解各所述Hessian矩阵，得到对应的两个特征值和两个特征向量；
根据各所述Hessian矩阵中最小的所述特征值以及特征向量，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量；
根据对应的所述偏移量，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点；
所述根据各所述Hessian矩阵中最小的所述特征值以及特征向量，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量，包括：
根据各所述Hessian矩阵中最大的所述特征值对应的特征向量，确定边缘响应最强的方向；
根据各所述Hessian矩阵中最小的所述特征值以及所述橡胶圈图像对应的像素级精度的边缘点的灰度值的梯度在边缘响应最强的方向上的投影，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量；
通过如下公式确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量：
偏移量=-1/2×（梯度在边缘响应最强的方向上的投影/最小特征值）；
所述基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，得到对应的二维多项式，包括：
基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，分别与Facet模型中对应的系数相乘；
对相乘后得到的多项式进行求和，得到对应的二维多项式；
所述根据各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差，从所述不同的epsilon参数中确定最优epsilon参数，包括：
计算各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差；
将标准差数值最小对应的epsilon参数作为最优epsilon参数；
所述根据各所述橡胶圈图像对应的所述目标边缘点，确定对应的边缘总周长，包括：
各所述橡胶圈图像对应的所述目标边缘点中，每相邻的目标边缘点之间的间距累加，得到对应的边缘总周长；
其中，所述道格拉斯-普克算法的具体实施过程如下：
根据亚像素精度的边缘点的坐标构建得到亚像素精度边缘点列表，从亚像素精度边缘点列表中选取第一个点和最后一个点作为初始直线段的端点，构建直线段；
计算亚像素精度边缘点列表中剩余的所有其他边缘点到这条直线段的距离；
找到距离最大的边缘点，如果该距离大于当前的epsilon参数值，则将该点加入到新的边缘点列表中，并将原始直线段分为两段，以该点为分割点；
对这两段直线段分别递归执行上述过程，直到所有分割后的直线段的最大距离都小于等于当前的epsilon参数值，将处理后的边缘点连接起来，计算得到周长。
2.一种高精度O型橡胶圈内径外径测量装置，其特征在于，包括：
获取模块，用于获取待测量橡胶圈的多张橡胶圈图像；
提取模块，用于分别对多张所述橡胶圈图像进行边缘点提取，得到对应的亚像素级精度的橡胶圈边缘点；
计算模块，用于基于不同的epsilon参数，使用道格拉斯-普克算法，计算各所述epsilon参数下各所述橡胶圈图像对应的亚像素精度边缘点对应的周长；
第一确定模块，用于根据各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差，从所述不同的epsilon参数中确定最优epsilon参数；
稀释模块，用于根据所述最优epsilon参数，使用道格拉斯-普克算法，对各所述橡胶圈图像对应的亚像素精度边缘点进行稀释处理，得到对应的边缘点总数量减少的目标边缘点；
第二确定模块，用于根据各所述橡胶圈图像对应的所述目标边缘点，确定对应的边缘总周长，并根据所述边缘总周长确定所述O型橡胶圈内径外径；
所述分别对多张所述橡胶圈图像进行边缘点提取，得到对应的亚像素级精度的橡胶圈边缘点，包括：
对多张所述橡胶圈图像，分别用边缘提取算法，提取像素级精度的边缘点；
基于亚像素边缘提取算法，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点；
所述基于亚像素边缘提取算法，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点，包括：
基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，得到对应的二维多项式；
确定各所述二维多项式的Hessian矩阵，其中，所述Hessian矩阵为所述二维多项式的二阶偏导数矩阵；
求解各所述Hessian矩阵，得到对应的两个特征值和两个特征向量；
根据各所述Hessian矩阵中最小的所述特征值以及特征向量，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量；
根据对应的所述偏移量，将所述像素级精度的边缘点进行像素提升，得到各所述橡胶圈图像对应的亚像素级精度的橡胶圈边缘点；
所述根据各所述Hessian矩阵中最小的所述特征值以及特征向量，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量，包括：
根据各所述Hessian矩阵中最大的所述特征值对应的特征向量，确定边缘响应最强的方向；
根据各所述Hessian矩阵中最小的所述特征值以及所述橡胶圈图像对应的像素级精度的边缘点的灰度值的梯度在边缘响应最强的方向上的投影，确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量；
通过如下公式确定各所述橡胶圈图像对应的像素级精度的边缘点在像素级精度与亚像素级精度之间的偏移量：
偏移量=-1/2×（梯度在边缘响应最强的方向上的投影/最小特征值）；
所述基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，得到对应的二维多项式，包括：
基于亚像素边缘提取算法中预设尺寸的掩码，根据处于所述掩码的中心的各所述橡胶圈图像对应的像素级精度的边缘点的灰度值，以及与其相邻的像素的灰度值，分别与Facet模型中对应的系数相乘；
对相乘后得到的多项式进行求和，得到对应的二维多项式；
所述根据各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差，从所述不同的epsilon参数中确定最优epsilon参数，包括：
计算各所述epsilon参数下，各所述橡胶圈图像对应的周长之间的标准差；
将标准差数值最小对应的epsilon参数作为最优epsilon参数；
所述根据各所述橡胶圈图像对应的所述目标边缘点，确定对应的边缘总周长，包括：
各所述橡胶圈图像对应的所述目标边缘点中，每相邻的目标边缘点之间的间距累加，得到对应的边缘总周长；
其中，所述道格拉斯-普克算法的具体实施过程如下：
根据亚像素精度的边缘点的坐标构建得到亚像素精度边缘点列表，从亚像素精度边缘点列表中选取第一个点和最后一个点作为初始直线段的端点，构建直线段；
计算亚像素精度边缘点列表中剩余的所有其他边缘点到这条直线段的距离；
找到距离最大的边缘点，如果该距离大于当前的epsilon参数值，则将该点加入到新的边缘点列表中，并将原始直线段分为两段，以该点为分割点；
对这两段直线段分别递归执行上述过程，直到所有分割后的直线段的最大距离都小于等于当前的epsilon参数值，将处理后的边缘点连接起来，计算得到周长。
3.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1所述方法的步骤。
CN202311104585.7A 2023-08-30 2023-08-30 高精度o型橡胶圈内径外径测量方法、装置及电子设备 Active CN116823925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311104585.7A CN116823925B (zh) 2023-08-30 2023-08-30 高精度o型橡胶圈内径外径测量方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311104585.7A CN116823925B (zh) 2023-08-30 2023-08-30 高精度o型橡胶圈内径外径测量方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN116823925A CN116823925A (zh) 2023-09-29
CN116823925B true CN116823925B (zh) 2023-11-17

Family

ID=88114932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311104585.7A Active CN116823925B (zh) 2023-08-30 2023-08-30 高精度o型橡胶圈内径外径测量方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN116823925B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528614A (zh) * 2015-12-02 2016-04-27 北京大学 一种漫画图像版面的识别方法和自动识别系统
CN108830868A (zh) * 2018-04-19 2018-11-16 江南大学 一种基于Snake模型和迭代极性转换回归结合的圆弧拟合方法
CN116309275A (zh) * 2022-12-13 2023-06-23 常州大学 一种电池片图像亚像素边缘检测方法、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8559698B2 (en) * 2012-03-09 2013-10-15 National Applied Research Laboratories Method of inspecting chip defects

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528614A (zh) * 2015-12-02 2016-04-27 北京大学 一种漫画图像版面的识别方法和自动识别系统
CN108830868A (zh) * 2018-04-19 2018-11-16 江南大学 一种基于Snake模型和迭代极性转换回归结合的圆弧拟合方法
CN116309275A (zh) * 2022-12-13 2023-06-23 常州大学 一种电池片图像亚像素边缘检测方法、装置及存储介质

Also Published As

Publication number Publication date
CN116823925A (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN111160337B (zh) 一种指针式仪表读数的自动识别方法、系统、介质及设备
US20070127821A1 (en) Image processing apparatus
TWI786293B (zh) 估計在一影像中之一極值點之一次級像素位置的方法及裝置、立體攝影機系統及相關的非暫時性電腦可讀媒體
CN111504188B (zh) 基于机器视觉的圆弧零件测量方法及装置
CN110349199B (zh) 一种物体圆度测量方法
CN109655234B (zh) 一种针对于相机的自动化测试方法
CN112686920A (zh) 一种圆形零件几何尺寸参数视觉测量方法及系统
CN114529613B (zh) 一种圆阵列标定板的特征点高精度坐标提取方法
JP2009259036A (ja) 画像処理装置、画像処理方法、画像処理プログラム、記録媒体、及び画像処理システム
CN104330245B (zh) 一种波前编码成像系统焦面位置测试方法与装置
CN112017223A (zh) 基于改进SIFT-Delaunay的异源图像配准方法
CN113838139B (zh) 图像传感器的参数检测方法、装置、电子设备及存储介质
CN114998571B (zh) 基于固定尺寸标志物的图像处理及颜色检测方法
CN110634146B (zh) 一种圆心亚像素精度定位方法
CN116823925B (zh) 高精度o型橡胶圈内径外径测量方法、装置及电子设备
CN117830139B (zh) 一种高强度冲压件缺陷检测方法
US6532310B1 (en) Removing noise caused by artifacts from a digital image signal
CN112819842B (zh) 适用于工件质检的工件轮廓曲线拟合方法、装置及介质
CN113409369A (zh) 基于改进rift的多模遥感图像配准方法
CN117218054A (zh) 一种恒星背景下的空间目标检测方法
CN113554688B (zh) 一种基于单目视觉的o型密封圈尺寸测量方法
CN114387232A (zh) 一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法
TW202316367A (zh) 決定去模糊化濾波器係數的方法
CN113469969A (zh) 图像生成方法、图像生成装置、检测设备及可读存储介质
CN109215068B (zh) 图像放大率测量方法及装置

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