CN116843761A - 螺栓尺寸测量方法和装置、电子设备及存储介质 - Google Patents

螺栓尺寸测量方法和装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116843761A
CN116843761A CN202310555291.XA CN202310555291A CN116843761A CN 116843761 A CN116843761 A CN 116843761A CN 202310555291 A CN202310555291 A CN 202310555291A CN 116843761 A CN116843761 A CN 116843761A
Authority
CN
China
Prior art keywords
bolt
thread
image
profile
curvature
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
CN202310555291.XA
Other languages
English (en)
Inventor
谢丰源
刘成沛
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.)
Wuyi University
Original Assignee
Wuyi University
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 Wuyi University filed Critical Wuyi University
Priority to CN202310555291.XA priority Critical patent/CN116843761A/zh
Publication of CN116843761A publication Critical patent/CN116843761A/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
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种螺栓尺寸测量方法和装置、电子设备及存储介质。该方法包括通过对拍摄螺栓的相机进行标定；获取相机拍摄螺栓的图像，从图像中识别螺栓的螺纹边缘轮廓区域；对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓；通过改进的自适应DP算法分割螺纹轮廓，得到多个轮廓段；使用Hough变换对轮廓段进行拟合，得到光滑的螺纹轮廓；基于优化后的FRPD算法检测光滑的螺纹轮廓对应曲率的角点；对角点采用最小二乘法变换进行拟合，以计算得到螺栓的螺纹大径和螺纹小径的尺寸。基于此，本发明实施例的螺栓尺寸测量方法具有较高的测量精度、准确性和实时性，可用于机械装备制造领域中螺栓零件尺寸的检测。

Description

螺栓尺寸测量方法和装置、电子设备及存储介质
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种螺栓尺寸测量方法和装置、电子设备及存储介质。
背景技术
在机械装配工作中，螺栓的频繁拆装更换将导致不同型号的螺栓被混合使用，并且螺栓杆也会由于受到横向载荷导致塑性变形和孔径磨损，这将危及螺栓的固定效果和机械装备的使用效率。螺栓在反复使用过程中，螺栓螺纹孔径会由于受力发生塑性变形，磨损严重的螺栓杆将不再满足预紧力的要求。针对螺栓杆直径的变化大小可以采用游标卡尺测量的方法，但是测量过程相对繁琐，而且游标卡尺的精度有一定的限度。
在对零件尺寸进行测量方面，现有技术主要通过人工检测，但人工检测存在很大的主观因素。且人工测量方法存在一定的局限性，如精度低、效率低、实时性差的问题。
发明内容
本发明实施例的主要目的在于提出一种螺栓尺寸测量方法和装置、电子设备及存储介质，能够提高螺栓尺寸测量的精度和效率，且具有较高的测量精度、准确性和实时性，可用于机械装备制造领域中螺栓零件尺寸的检测。
为实现上述目的，本发明实施例的第一方面提出了一种螺栓尺寸测量方法，所述方法包括：
对拍摄螺栓的相机进行标定；
获取所述相机拍摄所述螺栓的图像，从所述图像中识别螺栓的螺纹边缘轮廓区域；
对所述螺纹边缘轮廓区域进行特征提取，得到所述螺栓的螺纹轮廓；
通过改进的自适应DP算法分割所述螺纹轮廓，得到多个轮廓段；
使用Hough变换对所述轮廓段进行拟合，得到光滑的所述螺纹轮廓；
基于优化后的FRPD算法检测光滑的所述螺纹轮廓对应曲率的角点；
对所述角点采用最小二乘法变换进行拟合，以计算得到所述螺栓的螺纹大径和螺纹小径的尺寸。
在一些实施例，在所述获取所述相机拍摄所述螺栓的图像，从所述图像中识别螺栓的螺纹边缘轮廓区域之后，还包括：
对所述螺纹边缘轮廓区域进行图像透射变换，得到变换矩阵；
根据所述变换矩阵对所述螺纹边缘轮廓区域进行图像矫正。
在一些实施例，所述对所述螺纹边缘轮廓区域进行特征提取，得到所述螺栓的螺纹轮廓，包括：
采用双边滤波器对所述图像进行降噪处理；
对降噪处理后的所述图像进行二值化处理，并计算所述图像的梯度幅值和梯度角度；
根据所述梯度幅值和所述梯度角度对所述图像进行非极大值抑制处理，得到所述图像的阈值和灰度信息；
使用Otsu算法对所述图像的阈值进行分割；
利用所述图像的灰度信息将所述图像分类成目标和背景，其中，所述目标为所述螺栓的螺纹轮廓。
在一些实施例，所述通过改进的自适应DP算法分割螺纹轮廓，包括：
使用改进后的自适应DP算法将所述螺纹轮廓按照其几何特征分割为直线和圆弧；
根据所述螺纹轮廓的曲率特征和形状特征来自适应地调整采样点的数量和位置；
对于所述螺纹轮廓上的每个采样点，通过计算采样点前后若干个采样点的位置和曲率来得到采样点的曲率的变化情况；
根据所述曲率的变化情况确定所述螺纹轮廓的采样密度；
根据所述采样密度的变化情况调整所述螺纹轮廓的采样点；
根据所述采样点分割所述螺纹轮廓。
在一些实施例，所述根据所述采样密度的变化情况调整所述螺纹轮廓的采样点，包括：
在分割过程中，基于曲率的变化来调整分割点的位置，对于确定需要增加采样密度的区域，在该区域内插入新的采样点，对于确定需要减少采样密度的区域，删除一些采样点；
基于曲率的方法通过计算所述螺纹轮廓在每个采样点处的曲率来调整分割点的位置。
在一些实施例，所述基于曲率的方法通过计算所述螺纹轮廓在每个采样点处的曲率来调整分割点的位置，包括：
对于所述螺纹轮廓上的每个采样点，通过数值微分法计算每个采样点前后若干个点的位置和曲率来得到该采样点的曲率；
根据曲率的变化情况判断需要分割的采样点和需要合并的采样点；
若曲率在两个相邻采样点之间发生的变化超过预设阈值，则判断这两个相邻采样点之间需要分割，并在这两个相邻采样点之间插入一个新的采样点；
若曲率在两个相邻采样点之间发生的变化未超过预设阈值，则判断这两个相邻采样点需要合并，并将这两个相邻采样点合并为一个采样点。
在一些实施例，在所述对所述角点采用最小二乘法变换进行拟合，以计算得到所述螺栓的螺纹大径和螺纹小径的尺寸之后，还包括：
将所述螺栓的螺纹大径和螺纹小径的尺寸分别与预设的标准合格尺寸进行对比，得到对比结果；
基于所述对比结果对所述螺栓进行型号分类和质量分类。
为实现上述目的，本发明实施例的第二方面提出了一种螺栓尺寸测量装置，所述装置包括：
标定模块，用于对拍摄螺栓的相机进行标定；
识别模块，用于获取所述相机拍摄所述螺栓的图像，从所述图像中识别螺栓的螺纹边缘轮廓区域；
提取模块，用于对所述螺纹边缘轮廓区域进行特征提取，得到所述螺栓的螺纹轮廓；
分割模块，用于通过改进的自适应DP算法分割所述螺纹轮廓，得到多个轮廓段；
拟合模块，用于使用Hough变换对所述轮廓段进行拟合，得到光滑的所述螺纹轮廓；
检测模块，用于基于优化后的FRPD算法检测光滑的所述螺纹轮廓对应曲率的角点；
计算模块，用于对所述角点采用最小二乘法变换进行拟合，以计算得到所述螺栓的螺纹大径和螺纹小径的尺寸。
为实现上述目的，本发明实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
为实现上述目的，本发明实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本发明提出的螺栓尺寸测量方法和装置、电子设备及存储介质,通过对拍摄螺栓的相机进行标定；获取相机拍摄螺栓的图像，从图像中识别螺栓的螺纹边缘轮廓区域；对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓；通过改进的自适应DP算法分割螺纹轮廓，得到多个轮廓段；使用Hough变换对轮廓段进行拟合，得到光滑的螺纹轮廓；基于优化后的FRPD算法检测光滑的螺纹轮廓对应曲率的角点；对角点采用最小二乘法变换进行拟合，以计算得到螺栓的螺纹大径和螺纹小径的尺寸。基于此，通过从图像中识别螺栓的螺纹边缘轮廓区域；对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓，使用改进优化后的DP算法自适应平滑轮廓，并在此基础上使用优化后的FRPD算法检测角点，对检测到的角点采用最小二乘法变换进行拟合，得到大径和小径位置处的假想圆柱母线，通过对两直线距离的计算测量实现对螺栓尺寸的高精度、实时性检测和型号质量分类。基于此，本发明实施例的螺栓尺寸测量方法具有较高的测量精度、准确性和实时性，可用于机械装备制造领域中螺栓零件尺寸的检测，为该领域提供重要的技术支持。
附图说明
图1是本发明实施例提供的螺栓尺寸测量方法的主流程图；
图2是本发明实施例提供的螺栓尺寸测量方法的子流程图；
图3是本发明实施例提供的螺栓尺寸测量方法的子流程图；
图4是本发明实施例提供的螺栓尺寸测量方法的子流程图；
图5是本发明实施例提供的螺栓尺寸测量方法的子流程图；
图6是本发明实施例提供的螺栓尺寸测量方法的子流程图；
图7是本发明实施例提供的螺栓尺寸测量方法的子流程图；
图8是本发明实施例提供的螺栓尺寸测量装置的结构示意图；
图9是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
针对现有技术中人工检测存在精度低、效率低、实时性差等的技术问题，本发明实施例提供了一种螺栓尺寸测量方法和装置、电子设备及存储介质，通过对拍摄螺栓的相机进行标定；获取相机拍摄螺栓的图像，从图像中识别螺栓的螺纹边缘轮廓区域；对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓；通过改进的自适应DP算法分割螺纹轮廓，得到多个轮廓段；使用Hough变换对轮廓段进行拟合，得到光滑的螺纹轮廓；基于优化后的FRPD算法检测光滑的螺纹轮廓对应曲率的角点；对角点采用最小二乘法变换进行拟合，以计算得到螺栓的螺纹大径和螺纹小径的尺寸。基于此，通过从图像中识别螺栓的螺纹边缘轮廓区域；对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓，使用改进优化后的DP算法自适应平滑轮廓，并在此基础上使用优化后的FRPD算法检测角点，对检测到的角点采用最小二乘法变换进行拟合，得到大径和小径位置处的假想圆柱母线，通过对两直线距离的计算测量实现对螺栓尺寸的高精度、实时性检测和型号质量分类。基于此，本发明实施例的螺栓尺寸测量方法具有较高的测量精度、准确性和实时性，可用于机械装备制造领域中螺栓零件尺寸的检测，为该领域提供重要的技术支持。
本发明实施例提供的螺栓尺寸测量方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本发明实施例中的螺栓尺寸测量方法。
图1是本发明实施例提供的螺栓尺寸测量方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S107。
步骤S101，对拍摄螺栓的相机进行标定；
步骤S102，获取相机拍摄螺栓的图像，从图像中识别螺栓的螺纹边缘轮廓区域；
步骤S103，对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓；
步骤S104，通过改进的自适应DP算法分割螺纹轮廓，得到多个轮廓段；
步骤S105，使用Hough变换对轮廓段进行拟合，得到光滑的螺纹轮廓；
步骤S106，基于优化后的FRPD算法检测光滑的螺纹轮廓对应曲率的角点；
步骤S107，对角点采用最小二乘法变换进行拟合，以计算得到螺栓的螺纹大径和螺纹小径的尺寸。
在一些实施例中，为了更准确地校正图像，使用相机标定技术。相机标定可以确定摄像头的内部和外部参数，从而使校正过程更加准确。因此，在任何场景的应用中都需要对系统进行标定。包括相机内参数标定与外参手眼标定。其中相机内参标定是解决相机镜头的畸变影响后期算法特征提取精度而影响小径计算精度。而外参手眼标定是解决后期系统部署到数字化智能制造与运维工厂中，机械手能够正确的对螺栓进行分类处理。在进行相机标定前先建立像素坐标系PCS(O-uv)、图像坐标系I PCS(O-XY)、相机坐标系CCS(O-XcYcZc)、机械手坐标系RCS(O-XrYrZr)、世界坐标系SCS(O-XwYwZw)。
在一些实施例中，对于图像获取，本发明实施例采用工业相机和光圈搭建的检测平台进行拍摄。在该检测平台中，相机和光圈的相对位置保持不变，以确保拍摄出来的螺栓图像清晰完整，且不存在明显的畸变。
在一些实施例中，为了对图像进行特征提取，往往需要预处理图像以满足后续算法的要求。由于螺栓随意放置，螺栓与相机拍摄的角度不一定为正下方，因此螺栓图像可能存在一定程度的形状变化，需要对图像进行校正。为了解决透视变形，需要对螺栓外螺纹区域的图像进行几何变换。透视变换能够将变形的图像矫正，并将其投影到一个新的视平面上。公式(1)为图像透视变换的公式。
式中：hj＝[uj,vj,1]表示的是原始图像的一个像素点坐标；h i＝[u i,vi,1]表示经过透视变换后对应像素点的坐标；T是透视变换矩阵。对已知变换前后图像四组对应点,并令a33＝0即可根据公式(2)计算出变换矩阵T如下。
在一些实施例中，对于螺栓的螺纹轮廓特征提取，该步骤的目的是从图像中识别螺栓螺纹区域，并获取螺栓螺纹的边缘轮廓，最终提取出螺栓的螺纹边缘轮廓用于尺寸计算。首先对图像进行降噪处理，采用双边滤波器进行处理。双边滤波是一种非线性滤波方法，可以同时考虑图像的空间邻近度和像素值相似度，达到保边去噪的效果。然后，在降噪处理后对图像进行二值化处理，并计算图像的梯度。本发明实施例采用Sobel算子的一阶梯度模板来求图像的梯度幅值，并将其扩展到水平、垂直、45°和135°四个方向上的一阶梯度模板。四个方向上的一阶梯度分量Gx(x,y)、Gy(x,y)、G45(x,y)和G135(x,y)由卷积核进行卷积得到。梯度幅值和梯度角度可以由四个方向一阶梯度分量求得。公式(3)是梯度幅值公式，公式(4)是梯度角度公式。
最后对梯度图像进行非极大值抑制操作，然后使用Otsu算法对阈值进行分割，利用图像的灰度信息，把图像分类成目标和背景。
在一些实施例中，对于螺纹轮廓的角点检测，本发明实施例使用优化改进后的DP(动态规划，Dynamic Programmi)算法将螺纹轮廓按照其几何特征分割为直线和圆弧，然后使用Hough霍夫变换对轮廓段进行拟合得到光滑的轮廓，去除量化噪声和局部细节，最后使用优化后的FRPD(fast corner detecion based on the ratio of parallelogramdiagonals，利用平行四边形对角线之比快速估计曲率的角点检测)算法估计曲率检测角点。
在一些实施例中，对于优化改进后的DP算法，由于现有的DP算法采用了递归思想，它通过折线段来逼近轮廓，弯曲部分的轮廓会被过度分割，因此，对DP算法进行优化改进：①采用自适应采样方法：根据轮廓的曲率变化，自动调整采样点的间距，使得轮廓的曲率变化不大的地方采样点间距较大，而曲率变化较大的地方采样点间距较小。这样可以保证精度的同时，减少采样点的数量，提高算法效率。采用自适应采样方法可以根据轮廓的曲率和形状等特征来自适应地调整采样点的数量和位置，从而实现更加准确和高效的轮廓描述。具体来说，采用以下步骤来实现自适应采样方法：1)计算曲率：对于轮廓上的每个采样点，可以通过计算其前后若干个点的位置和曲率来得到该点的曲率。曲率可以反映轮廓的弯曲程度和形状特征，因此可以用来控制采样点的数量和位置。2)确定采样密度：根据曲率的变化情况，可以确定轮廓的采样密度。一般来说，如果曲率在某个区域内发生了较大的变化，则该区域需要增加采样点的密度；如果曲率在某个区域内变化不大，则该区域可以减少采样点的密度。3)调整采样点：根据采样密度的变化情况，可以调整轮廓的采样点。对于需要增加采样密度的区域，可以在该区域内插入新的采样点；对于需要减少采样密度的区域，可以删除一些采样点，从而减少采样点的数量。自适应采样方法可以根据轮廓的特征进行自适应调整，从而实现更加准确和高效的轮廓描述。该方法可以避免过度分割和欠分割的情况，同时可以减少采样点的数量，提高计算效率。②基于曲率的方法避免过度分割：在分割过程中，基于曲率的变化来调整分割点的位置。具体来说，计算轮廓在每个采样点处的曲率，并将曲率变化较大的点作为分割点，从而避免在弯曲部分过度分割的情况。基于曲率的方法可以通过计算轮廓在每个采样点处的曲率来调整分割点的位置，从而避免在弯曲部分过度分割的情况。具体来说，可以采用以下步骤来实现基于曲率的方法：1)计算曲率：对于轮廓上的每个采样点，可以通过计算其前后若干个点的位置和曲率来得到该点的曲率。计算曲率的方法采用数值微分法。2)判断分割点：根据曲率的变化情况，判断哪些点需要分割，哪些点可以合并。一般来说，如果曲率在两个相邻点之间发生了较大的变化，则这两个点之间需要分割；如果曲率在两个相邻点之间变化不大，则可以将这两个点合并。3)调整分割点：根据判断结果，可以对轮廓的分割点进行调整。对于需要分割的点，在该点处插入一个新的采样点，从而实现分割；对于可以合并的点，将这两个点合并为一个点，从而减少分割点的数量。基于曲率的方法可以有效地避免在弯曲部分过度分割的情况，从而提高轮廓分割的准确度和效率。
在一些实施例中，对于优化的FRPD算法估计曲率检测角点，FRPD算法是利用平行四边形对角线之比估计曲率值，FRPD算法不需要平方根运算，大大降低了计算复杂度，且该算法在相同的图像数据集下平均重复率最高，定位更加准确，具有优异的角点检测性能，角点检测速度约是CTAR算法的3倍，对噪声具有良好的鲁棒性。但是，这种方法在计算曲率值时，可能会受到曲线方向的影响，因此需要进行方向估计和校正，以提高曲率值的准确度。本发明基于累加器的方法对其进行优化，通过对曲线上不同方向的弦进行投票，统计得到曲线的主方向，并对曲线进行旋转，使其主方向与水平方向对齐，以进一步提高特征检测的准确度和鲁棒性。
在一些实施例中，对于螺栓的螺纹大径和螺纹小径的计算，对检测到的角点采用最小二乘法变换进行拟合，得到大径和小径位置处的假想圆柱母线，通过对两直线距离的计算测量实现对螺栓尺寸的高精度、实时性检测。
在一些实施例中，还可以包括螺栓型号质量分类，将上述方法测得的螺栓尺寸与标准合格的尺寸进行对比，可实现对螺母尺寸的自动测量、型号分类和质量控制。通过对螺栓的型号、质量新旧坏程度进行判断，实现使用机械手对不同的螺栓进行快速分类处理。因此，本方法能够快速地部署到数字化智能制造与运维工厂中，实现机械系统生产与运维中螺栓的快速识别和分类。
基于此，通过从图像中识别螺栓的螺纹边缘轮廓区域；对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓，使用改进优化后的DP算法自适应平滑轮廓，并在此基础上使用优化后的FRPD算法检测角点，对检测到的角点采用最小二乘法变换进行拟合，得到大径和小径位置处的假想圆柱母线，通过对两直线距离的计算测量实现对螺栓尺寸的高精度、实时性检测和型号质量分类。基于此，本发明实施例的螺栓尺寸测量方法具有较高的测量精度、准确性和实时性，可用于机械装备制造领域中螺栓零件尺寸的检测，为该领域提供重要的技术支持。相较于现有检测方法，本发明实施例采用改进的DP算法和优化后的FRPD角点检测算法实现对螺栓尺寸的快速精确测量，满足实时性要求，检测速度更快，检测精度更高，鲁棒性更好。
请参阅图2，在一些实施例中，在步骤S102之后还可以包括但不限于包括步骤S201至步骤S202：
步骤S201，对螺纹边缘轮廓区域进行图像透射变换，得到变换矩阵；
步骤S202，根据变换矩阵对螺纹边缘轮廓区域进行图像矫正。
在一些实施例中，通过对螺纹边缘轮廓区域进行图像透射变换，得到变换矩阵，再根据变换矩阵对螺纹边缘轮廓区域进行图像矫正，以确保拍摄出来的螺栓图像清晰完整，且不存在明显的畸变。
请参阅图3，在一些实施例中，步骤S103可以包括但不限于包括步骤S301至步骤S305：
步骤S301，采用双边滤波器对图像进行降噪处理；
步骤S302，对降噪处理后的图像进行二值化处理，并计算图像的梯度幅值和梯度角度；
步骤S303，根据梯度幅值和梯度角度对图像进行非极大值抑制处理，得到图像的阈值和灰度信息；
步骤S304，使用Otsu算法对图像的阈值进行分割；
步骤S305，利用图像的灰度信息将图像分类成目标和背景，其中，目标为螺栓的螺纹轮廓。
在一些实施例中，从图像中识别螺栓螺纹区域，并获取螺栓螺纹的边缘轮廓，最终提取出螺栓的螺纹边缘轮廓用于尺寸计算。首先对图像进行降噪处理，采用双边滤波器进行处理。双边滤波是一种非线性滤波方法，可以同时考虑图像的空间邻近度和像素值相似度，达到保边去噪的效果。然后，在降噪处理后对图像进行二值化处理，并计算图像的梯度。本发明实施例采用Sobel算子的一阶梯度模板来求图像的梯度幅值，并将其扩展到水平、垂直、45°和135°四个方向上的一阶梯度模板。四个方向上的一阶梯度分量Gx(x,y)、Gy(x,y)、G45(x,y)和G135(x,y)由卷积核进行卷积得到。梯度幅值和梯度角度可以由四个方向一阶梯度分量求得。公式(3)是梯度幅值公式，公式(4)是梯度角度公式。
最后对梯度图像进行非极大值抑制操作，然后使用Otsu算法对阈值进行分割，利用图像的灰度信息，把图像分类成目标和背景。
请参阅图4，在一些实施例中，步骤S104可以包括但不限于包括步骤S401至步骤S406：
步骤S401，使用改进后的自适应DP算法将螺纹轮廓按照其几何特征分割为直线和圆弧；
步骤S402，根据螺纹轮廓的曲率特征和形状特征来自适应地调整采样点的数量和位置；
步骤S403，对于螺纹轮廓上的每个采样点，通过计算采样点前后若干个采样点的位置和曲率来得到采样点的曲率的变化情况；
步骤S404，根据曲率的变化情况确定螺纹轮廓的采样密度；
步骤S405，根据采样密度的变化情况调整螺纹轮廓的采样点；
步骤S406，根据采样点分割螺纹轮廓。
在一些实施例中，使用优化改进后的DP算法将螺纹轮廓按照其几何特征分割为直线和圆弧，然后使用Hough变换对轮廓段进行拟合得到光滑的轮廓，去除量化噪声和局部细节，最后使用优化后的FRPD算法估计曲率检测角点。对于优化改进后的DP算法，由于现有的DP算法采用了递归思想，它通过折线段来逼近轮廓，弯曲部分的轮廓会被过度分割，因此，对DP算法进行优化改进采用自适应采样方法：根据轮廓的曲率变化，自动调整采样点的间距，使得轮廓的曲率变化不大的地方采样点间距较大，而曲率变化较大的地方采样点间距较小。这样可以保证精度的同时，减少采样点的数量，提高算法效率。采用自适应采样方法可以根据轮廓的曲率和形状等特征来自适应地调整采样点的数量和位置，从而实现更加准确和高效的轮廓描述。具体来说，采用以下步骤来实现自适应采样方法：1)计算曲率：对于轮廓上的每个采样点，可以通过计算其前后若干个点的位置和曲率来得到该点的曲率。曲率可以反映轮廓的弯曲程度和形状特征，因此可以用来控制采样点的数量和位置。2)确定采样密度：根据曲率的变化情况，可以确定轮廓的采样密度。一般来说，如果曲率在某个区域内发生了较大的变化，则该区域需要增加采样点的密度；如果曲率在某个区域内变化不大，则该区域可以减少采样点的密度。3)调整采样点：根据采样密度的变化情况，可以调整轮廓的采样点。对于需要增加采样密度的区域，可以在该区域内插入新的采样点；对于需要减少采样密度的区域，可以删除一些采样点，从而减少采样点的数量。自适应采样方法可以根据轮廓的特征进行自适应调整，从而实现更加准确和高效的轮廓描述。该方法可以避免过度分割和欠分割的情况，同时可以减少采样点的数量，提高计算效率。
请参阅图5，在一些实施例中，步骤S405可以包括但不限于包括步骤S501至步骤S502：
步骤S501，在分割过程中，基于曲率的变化来调整分割点的位置，对于确定需要增加采样密度的区域，在该区域内插入新的采样点，对于确定需要减少采样密度的区域，删除一些采样点；
步骤S502，基于曲率的方法通过计算螺纹轮廓在每个采样点处的曲率来调整分割点的位置。
在一些实施例中，基于曲率的方法避免过度分割，在分割过程中，基于曲率的变化来调整分割点的位置。具体来说，计算轮廓在每个采样点处的曲率，并将曲率变化较大的点作为分割点，从而避免在弯曲部分过度分割的情况。基于曲率的方法可以通过计算轮廓在每个采样点处的曲率来调整分割点的位置，从而避免在弯曲部分过度分割的情况。
请参阅图6，在一些实施例中，步骤S502可以包括但不限于包括步骤S601至步骤S604：
步骤S601，对于螺纹轮廓上的每个采样点，通过数值微分法计算每个采样点前后若干个点的位置和曲率来得到该采样点的曲率；
步骤S602，根据曲率的变化情况判断需要分割的采样点和需要合并的采样点；
步骤S603，若曲率在两个相邻采样点之间发生的变化超过预设阈值，则判断这两个相邻采样点之间需要分割，并在这两个相邻采样点之间插入一个新的采样点；
步骤S604，若曲率在两个相邻采样点之间发生的变化未超过预设阈值，则判断这两个相邻采样点需要合并，并将这两个相邻采样点合并为一个采样点。
在一些实施例中，可以采用以下步骤来实现基于曲率的方法通过计算螺纹轮廓在每个采样点处的曲率来调整分割点的位置：1)计算曲率：对于轮廓上的每个采样点，可以通过计算其前后若干个点的位置和曲率来得到该点的曲率。计算曲率的方法采用数值微分法。2)判断分割点：根据曲率的变化情况，判断哪些点需要分割，哪些点可以合并。一般来说，如果曲率在两个相邻点之间发生了较大的变化，则这两个点之间需要分割；如果曲率在两个相邻点之间变化不大，则可以将这两个点合并。3)调整分割点：根据判断结果，可以对轮廓的分割点进行调整。对于需要分割的点，在该点处插入一个新的采样点，从而实现分割；对于可以合并的点，将这两个点合并为一个点，从而减少分割点的数量。基于曲率的方法可以有效地避免在弯曲部分过度分割的情况，从而提高轮廓分割的准确度和效率。
请参阅图7，在一些实施例中，在步骤S107之后还可以包括但不限于包括步骤S701至步骤S702：
步骤S701，将螺栓的螺纹大径和螺纹小径的尺寸分别与预设的标准合格尺寸进行对比，得到对比结果；
步骤S702，基于对比结果对螺栓进行型号分类和质量分类。
在一些实施例中，将螺栓的螺纹大径和螺纹小径的尺寸分别与预设的标准合格尺寸进行对比，得到对比结果，基于对比结果对螺栓进行型号分类和质量分类。通过对螺栓的型号、质量新旧坏程度进行判断，实现使用机械手对不同的螺栓进行快速分类处理。因此，本方法能够快速地部署到数字化智能制造与运维工厂中，实现机械系统生产与运维中螺栓的快速识别和分类。
综上所述，本发明实施例通过对螺栓的图像进行处理，结合双边滤波、Sobe l算子求图像的梯度幅值和Otsu算法对阈值进行分割得到螺纹精确的轮廓特征图像，使用改进优化后的DP算法自适应平滑轮廓，并在此基础上使用优化后的FRPD算法检测角点，对检测到的角点采用最小二乘法变换进行拟合，得到大径和小径位置处的假想圆柱母线，通过对两直线距离的计算测量实现对螺栓尺寸的高精度、实时性检测和型号质量分类。该方法具有较高的测量精度、准确性和实时性，可用于机械装备制造领域中螺栓零件尺寸的检测，为该领域提供重要的技术支持。
请参阅图8，本发明实施例还提供一种螺栓尺寸测量装置，可以实现上述螺栓尺寸测量方法，该装置包括：
标定模块810，用于对拍摄螺栓的相机进行标定；
识别模块820，用于获取相机拍摄螺栓的图像，从图像中识别螺栓的螺纹边缘轮廓区域；
提取模块830，用于对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓；
分割模块840，用于通过改进的自适应DP算法分割螺纹轮廓，得到多个轮廓段；
拟合模块850，用于使用Hough变换对轮廓段进行拟合，得到光滑的螺纹轮廓；
检测模块860，用于基于优化后的FRPD算法检测光滑的螺纹轮廓对应曲率的角点；
计算模块870，用于对角点采用最小二乘法变换进行拟合，以计算得到螺栓的螺纹大径和螺纹小径的尺寸。
基于此，本发明实施例的螺栓尺寸测量装置，标定模块810对拍摄螺栓的相机进行标定；识别模块820获取相机拍摄螺栓的图像，从图像中识别螺栓的螺纹边缘轮廓区域；提取模块830对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓；分割模块840通过改进的自适应DP算法分割螺纹轮廓，得到多个轮廓段；拟合模块850使用Hough变换对轮廓段进行拟合，得到光滑的螺纹轮廓；检测模块860基于优化后的FRPD算法检测光滑的螺纹轮廓对应曲率的角点；计算模块870对角点采用最小二乘法变换进行拟合，以计算得到螺栓的螺纹大径和螺纹小径的尺寸。本发明实施例通过对拍摄螺栓的相机进行标定；获取相机拍摄螺栓的图像，从图像中识别螺栓的螺纹边缘轮廓区域；对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓；通过改进的自适应DP算法分割螺纹轮廓，得到多个轮廓段；使用Hough变换对轮廓段进行拟合，得到光滑的螺纹轮廓；基于优化后的FRPD算法检测光滑的螺纹轮廓对应曲率的角点；对角点采用最小二乘法变换进行拟合，以计算得到螺栓的螺纹大径和螺纹小径的尺寸。基于此，通过从图像中识别螺栓的螺纹边缘轮廓区域；对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓，使用改进优化后的DP算法自适应平滑轮廓，并在此基础上使用优化后的FRPD算法检测角点，对检测到的角点采用最小二乘法变换进行拟合，得到大径和小径位置处的假想圆柱母线，通过对两直线距离的计算测量实现对螺栓尺寸的高精度、实时性检测和型号质量分类。基于此，本发明实施例的螺栓尺寸测量方法具有较高的测量精度、准确性和实时性，可用于机械装备制造领域中螺栓零件尺寸的检测，为该领域提供重要的技术支持。
该螺栓尺寸测量装置的具体实施方式与上述螺栓尺寸测量方法的具体实施例基本相同，在此不再赘述。
本发明实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述螺栓尺寸测量方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本发明实施例所提供的技术方案。
存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本发明实施例的螺栓尺寸测量方法，即通过对拍摄螺栓的相机进行标定；获取相机拍摄螺栓的图像，从图像中识别螺栓的螺纹边缘轮廓区域；对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓；通过改进的自适应DP算法分割螺纹轮廓，得到多个轮廓段；使用Hough变换对轮廓段进行拟合，得到光滑的螺纹轮廓；基于优化后的FRPD算法检测光滑的螺纹轮廓对应曲率的角点；对角点采用最小二乘法变换进行拟合，以计算得到螺栓的螺纹大径和螺纹小径的尺寸。基于此，通过从图像中识别螺栓的螺纹边缘轮廓区域；对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓，使用改进优化后的DP算法自适应平滑轮廓，并在此基础上使用优化后的FRPD算法检测角点，对检测到的角点采用最小二乘法变换进行拟合，得到大径和小径位置处的假想圆柱母线，通过对两直线距离的计算测量实现对螺栓尺寸的高精度、实时性检测和型号质量分类。基于此，本发明实施例的螺栓尺寸测量方法具有较高的测量精度、准确性和实时性，可用于机械装备制造领域中螺栓零件尺寸的检测，为该领域提供重要的技术支持。
输入/输出接口903，用于实现信息输入及输出。
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息。
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线实现彼此之间在设备内部的通信连接。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述螺栓尺寸测量方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例提供的螺栓尺寸测量方法、螺栓尺寸测量装置、电子设备及存储介质，通过对拍摄螺栓的相机进行标定；获取相机拍摄螺栓的图像，从图像中识别螺栓的螺纹边缘轮廓区域；对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓；通过改进的自适应DP算法分割螺纹轮廓，得到多个轮廓段；使用Hough变换对轮廓段进行拟合，得到光滑的螺纹轮廓；基于优化后的FRPD算法检测光滑的螺纹轮廓对应曲率的角点；对角点采用最小二乘法变换进行拟合，以计算得到螺栓的螺纹大径和螺纹小径的尺寸。基于此，通过从图像中识别螺栓的螺纹边缘轮廓区域；对螺纹边缘轮廓区域进行特征提取，得到螺栓的螺纹轮廓，使用改进优化后的DP算法自适应平滑轮廓，并在此基础上使用优化后的FRPD算法检测角点，对检测到的角点采用最小二乘法变换进行拟合，得到大径和小径位置处的假想圆柱母线，通过对两直线距离的计算测量实现对螺栓尺寸的高精度、实时性检测和型号质量分类。基于此，本发明实施例的螺栓尺寸测量方法具有较高的测量精度、准确性和实时性，可用于机械装备制造领域中螺栓零件尺寸的检测，为该领域提供重要的技术支持。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读程序、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读程序、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
本发明实施例描述的实施例是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本发明实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本发明的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本发明实施例的优选实施例，并非因此局限本发明实施例的权利范围。本领域技术人员不脱离本发明实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本发明实施例的权利范围之内。

Claims (10)

1.一种螺栓尺寸测量方法，其特征在于，所述方法包括：
对拍摄螺栓的相机进行标定；
获取所述相机拍摄所述螺栓的图像，从所述图像中识别螺栓的螺纹边缘轮廓区域；
对所述螺纹边缘轮廓区域进行特征提取，得到所述螺栓的螺纹轮廓；
通过改进的自适应DP算法分割所述螺纹轮廓，得到多个轮廓段；
使用Hough变换对所述轮廓段进行拟合，得到光滑的所述螺纹轮廓；
基于优化后的FRPD算法检测光滑的所述螺纹轮廓对应曲率的角点；
对所述角点采用最小二乘法变换进行拟合，以计算得到所述螺栓的螺纹大径和螺纹小径的尺寸。
2.根据权利要求1所述的方法，其特征在于，在所述获取所述相机拍摄所述螺栓的图像，从所述图像中识别螺栓的螺纹边缘轮廓区域之后，还包括：
对所述螺纹边缘轮廓区域进行图像透射变换，得到变换矩阵；
根据所述变换矩阵对所述螺纹边缘轮廓区域进行图像矫正。
3.根据权利要求1所述的方法，其特征在于，所述对所述螺纹边缘轮廓区域进行特征提取，得到所述螺栓的螺纹轮廓，包括：
采用双边滤波器对所述图像进行降噪处理；
对降噪处理后的所述图像进行二值化处理，并计算所述图像的梯度幅值和梯度角度；
根据所述梯度幅值和所述梯度角度对所述图像进行非极大值抑制处理，得到所述图像的阈值和灰度信息；
使用Otsu算法对所述图像的阈值进行分割；
利用所述图像的灰度信息将所述图像分类成目标和背景，其中，所述目标为所述螺栓的螺纹轮廓。
4.根据权利要求1所述的方法，其特征在于，所述通过改进的自适应DP算法分割螺纹轮廓，包括：
使用改进后的自适应DP算法将所述螺纹轮廓按照其几何特征分割为直线和圆弧；
根据所述螺纹轮廓的曲率特征和形状特征来自适应地调整采样点的数量和位置；
对于所述螺纹轮廓上的每个采样点，通过计算采样点前后若干个采样点的位置和曲率来得到采样点的曲率的变化情况；
根据所述曲率的变化情况确定所述螺纹轮廓的采样密度；
根据所述采样密度的变化情况调整所述螺纹轮廓的采样点；
根据所述采样点分割所述螺纹轮廓。
5.根据权利要求4所述的方法，其特征在于，所述根据所述采样密度的变化情况调整所述螺纹轮廓的采样点，包括：
在分割过程中，基于曲率的变化来调整分割点的位置，对于确定需要增加采样密度的区域，在该区域内插入新的采样点，对于确定需要减少采样密度的区域，删除一些采样点；
基于曲率的方法通过计算所述螺纹轮廓在每个采样点处的曲率来调整分割点的位置。
6.根据权利要求5所述的方法，其特征在于，所述基于曲率的方法通过计算所述螺纹轮廓在每个采样点处的曲率来调整分割点的位置，包括：
对于所述螺纹轮廓上的每个采样点，通过数值微分法计算每个采样点前后若干个点的位置和曲率来得到该采样点的曲率；
根据曲率的变化情况判断需要分割的采样点和需要合并的采样点；
若曲率在两个相邻采样点之间发生的变化超过预设阈值，则判断这两个相邻采样点之间需要分割，并在这两个相邻采样点之间插入一个新的采样点；
若曲率在两个相邻采样点之间发生的变化未超过预设阈值，则判断这两个相邻采样点需要合并，并将这两个相邻采样点合并为一个采样点。
7.根据权利要求1至6任意一项所述的方法，其特征在于，在所述对所述角点采用最小二乘法变换进行拟合，以计算得到所述螺栓的螺纹大径和螺纹小径的尺寸之后，还包括：
将所述螺栓的螺纹大径和螺纹小径的尺寸分别与预设的标准合格尺寸进行对比，得到对比结果；
基于所述对比结果对所述螺栓进行型号分类和质量分类。
8.一种螺栓尺寸测量装置，其特征在于，所述装置包括：
标定模块，用于对拍摄螺栓的相机进行标定；
识别模块，用于获取所述相机拍摄所述螺栓的图像，从所述图像中识别螺栓的螺纹边缘轮廓区域；
提取模块，用于对所述螺纹边缘轮廓区域进行特征提取，得到所述螺栓的螺纹轮廓；
分割模块，用于通过改进的自适应DP算法分割所述螺纹轮廓，得到多个轮廓段；
拟合模块，用于使用Hough变换对所述轮廓段进行拟合，得到光滑的所述螺纹轮廓；
检测模块，用于基于优化后的FRPD算法检测光滑的所述螺纹轮廓对应曲率的角点；
计算模块，用于对所述角点采用最小二乘法变换进行拟合，以计算得到所述螺栓的螺纹大径和螺纹小径的尺寸。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的螺栓尺寸测量方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的螺栓尺寸测量方法。
CN202310555291.XA 2023-05-16 2023-05-16 螺栓尺寸测量方法和装置、电子设备及存储介质 Pending CN116843761A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310555291.XA CN116843761A (zh) 2023-05-16 2023-05-16 螺栓尺寸测量方法和装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310555291.XA CN116843761A (zh) 2023-05-16 2023-05-16 螺栓尺寸测量方法和装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116843761A true CN116843761A (zh) 2023-10-03

Family

ID=88164195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310555291.XA Pending CN116843761A (zh) 2023-05-16 2023-05-16 螺栓尺寸测量方法和装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116843761A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952976A (zh) * 2024-03-26 2024-04-30 深圳亚太航空技术股份有限公司 一种高锁螺栓检测系统及其方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952976A (zh) * 2024-03-26 2024-04-30 深圳亚太航空技术股份有限公司 一种高锁螺栓检测系统及其方法

Similar Documents

Publication Publication Date Title
CN109632808B (zh) 棱边缺陷检测方法、装置、电子设备及存储介质
CN116843761A (zh) 螺栓尺寸测量方法和装置、电子设备及存储介质
CN109447117B (zh) 双层车牌识别方法、装置、计算机设备及存储介质
CN115018846B (zh) 基于ai智能相机的多目标裂纹缺陷检测方法和装置
CN115330767A (zh) 一种腐蚀箔生产异常识别方法
CN113077437B (zh) 工件质量检测方法及其系统
CN117764989B (zh) 一种视觉辅助的显示屏缺陷检测方法
CN115131444A (zh) 一种基于单目视觉点胶平台的标定方法
CN112861870A (zh) 指针式仪表图像矫正方法、系统及存储介质
CN117808796B (zh) 一种基于计算机视觉的齿轮表面损伤检测方法
CN114998571A (zh) 基于固定尺寸标志物的图像处理及颜色检测方法
CN114257736A (zh) 一种工件自适应拍摄方法
CN116485884B (zh) 基于计算机视觉的精酿啤酒瓶口实时定位方法及系统
CN117392127A (zh) 一种显示面板边框的检测方法、装置和电子设备
CN110310239B (zh) 一种基于特性值拟合消除光照影响的图像处理方法
CN113298725A (zh) 一种轮船图标图像叠加误差的纠正方法
CN113034526A (zh) 一种抓取方法、抓取装置及机器人
CN113920065B (zh) 用于工业现场的视觉检测系统成像质量评价方法
CN113592953B (zh) 一种基于特征点集的双目非合作目标位姿测量方法
CN115578314A (zh) 基于连续边缘提取的眼镜框识别及抓取上料方法
CN115222744A (zh) 基于深度估计的刀具磨损程度判定方法
CN109949245B (zh) 十字激光检测定位方法、装置、存储介质及计算机设备
CN109087278B (zh) 基于改进Canny算子的安全套正反面识别法
CN109272462B (zh) 适用于金属工件识别的图像自校正方法、设备及存储设备
CN111462053A (zh) 一种图像形态学处理方法和系统

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