CN116993804B - 一种基于lsm算法的箍筋尺寸检测方法及系统 - Google Patents

一种基于lsm算法的箍筋尺寸检测方法及系统 Download PDF

Info

Publication number
CN116993804B
CN116993804B CN202311249770.5A CN202311249770A CN116993804B CN 116993804 B CN116993804 B CN 116993804B CN 202311249770 A CN202311249770 A CN 202311249770A CN 116993804 B CN116993804 B CN 116993804B
Authority
CN
China
Prior art keywords
line segment
line
stirrup
line segments
coordinates
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
CN202311249770.5A
Other languages
English (en)
Other versions
CN116993804A (zh
Inventor
郑贺民
马国伟
康景亮
黄轶淼
巫环
郭钟文
牛远志
郭鑫飞
张少朋
姜自明
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.)
Guangdong Guangzhou Zhanjiang Railway Co ltd
Hebei University of Technology
China Railway Design Corp
Original Assignee
Guangdong Guangzhou Zhanjiang Railway Co ltd
Hebei University of Technology
China Railway Design Corp
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 Guangdong Guangzhou Zhanjiang Railway Co ltd, Hebei University of Technology, China Railway Design Corp filed Critical Guangdong Guangzhou Zhanjiang Railway Co ltd
Priority to CN202311249770.5A priority Critical patent/CN116993804B/zh
Publication of CN116993804A publication Critical patent/CN116993804A/zh
Application granted granted Critical
Publication of CN116993804B publication Critical patent/CN116993804B/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
    • 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
    • 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
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0608—Height gauges
    • 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
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • 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
    • G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
    • 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
    • G06T2207/30136—Metal

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

本发明为一种基于LSM算法的箍筋尺寸检测方法及系统，包括以下内容：使用工业相机采集待测箍筋的图像；利用直线提取算法获得箍筋边缘的小线段，利用LSM算法将断续的小线段融合成多条长线段；通过LSM算法输出的每条线段都包含端点的横纵坐标信息；利用输出的线段确定待测箍筋的内外轮廓，获得箍筋在图像中的像素尺寸，最后根据成像原理求出箍筋的真实尺寸；根据LSM算法输出的线段的端点坐标，将线段按照端点坐标向两边延长，以线段的延长线表示所在的直线，根据直线相交原理求出外轮廓的四个交点坐标，获得箍筋四角的角度。本发明利用机器视觉技术，自动识别箍筋尺寸和夹角，实现尺寸和角度的在线检测，减少人工成本，自动化程度高，方法简单。

Description

一种基于LSM算法的箍筋尺寸检测方法及系统
技术领域
本发明属于箍筋尺寸检测技术领域，具体是一种基于LSM算法的箍筋尺寸检测方法及系统。
背景技术
从本世纪初开始，随着国家经济的高速发展,热轧钢筋的生产也实现了突飞猛进的增长，箍筋作为钢筋加工的重要产品之一，每年的需求巨大。评判起到固定支撑作用的钢筋笼和格构柱性能关键是箍筋尺寸是否合规，标准的箍筋能增加斜截面抗剪强度，否则会存在极大的安全隐患，要求试验室对送检的钢筋样品对钢筋的直径、肋高、肋间距等尺寸偏差进行检验。
传统箍筋尺寸检测主要是人工方式,如中国专利201410442675.1公开一种自动采集钢筋混凝土用钢筋尺寸偏差数据检测方法与装置，该方法工人读取数显游标卡尺的数据，检测后再人工输入上传到管理信息系统，这种方式时间成本高，自动化程度低，完全依靠人力。随着计算机技术的发展，基于机器视觉的尺寸检测技术层出不穷，又如中国专利202210533608.5公开一种基于机器视觉的卡箍类零件尺寸检测方法，通过Canny算法和亚像素边缘精提取方式进行自动检测，取代了人工。中国专利201911328093.X公开一种基于图像处理的钢筋尺寸检测系统及方法，该方法利用无人机采集图片经霍夫直线检测获得轮廓边缘进而确定钢筋尺寸，该方法受无人机设备所限，不适合工业环境的应用。
发明一种快速高效实时性强的基于图像检测的箍筋尺寸、角度检测系统尤为重要。
发明内容
针对现有技术的不足，本发明拟解决技术问题是：提供一种自动化检测箍筋尺寸和角度的基于LSM算法的箍筋尺寸检测方法及系统。
本发明解决所述技术问题采用的技术方案是：
第一方面，本发明提供一种基于LSM算法的箍筋尺寸检测方法，所述检测方法包括以下内容：
使用工业相机采集待测箍筋的图像；
利用直线提取算法获得箍筋边缘的小线段，利用LSM算法将断续的小线段融合成多条长线段；
通过LSM算法输出的每条线段都包含x1、y1、x2、y2信息,其中(x1,y1)和(x2,y2)代表着线段的两端点坐标；利用输出的线段确定待测箍筋的内外轮廓，内外轮廓划分依据：首先根据线段所在直线的斜率，划分为水平线段和垂直线段，斜率为0表示水平线段，斜率为无穷大表示为垂直线段，获得四条线段组成的水平线段组和四条线段组成的垂直线段组，在四条线段组成的水平线段组中，线段的y坐标为最大值和最小值的两条水平线段为水平方向的外轮廓，线段的y坐标介于最大值和最小值的两条水平线段为水平方向的内轮廓；在四条线段组成的垂直线段组中，线段的x坐标为最大值和最小值的两条垂直线段为垂直方向的外轮廓，线段x坐标介于最大值和最小值的两条垂直线段为垂直方向的内轮廓；垂直方向的内轮廓和水平方向的内轮廓构成箍筋的内轮廓，垂直方向的外轮廓和水平方向的外轮廓构成箍筋的外轮廓；
根据内外轮廓的上下边线段左右对应端点的y坐标平均差值，计算在水平方向箍筋内外轮廓的高，分别记为h1和h2；根据内外轮廓的左右边线段上下对应端点的x坐标平均差值，计算在竖直方向箍筋内外轮廓的宽，分别记为d1和d2，至此获得箍筋在图像中的像素尺寸，最后根据成像原理求出箍筋的真实尺寸；
根据LSM算法输出的线段的端点坐标，将线段按照端点坐标向两边延长，以线段的延长线表示所在的直线，根据直线相交原理求出外轮廓的四个交点坐标，获得箍筋四角的角度。
所述y坐标平均差值是指：外轮廓上边线段左端点和右端点的y坐标分别减去外轮廓下边线段的左端点和右端点的y坐标，获得的差值再求平均为外轮廓的高度；
或者求外轮廓上边线段左端点和右端点的y坐标平均值，外轮廓下边线段左端点和右端点的y坐标平均值，这两个平均值做差为外轮廓的高度。
四个交点坐标分别记为A、B、C、D，根据四个交点坐标计算出线段AB、BC、CD、AD、AC、BD的线段长度，再根据余弦公式(9)
求出cos∠BAD的值，最后计算反余弦求出∠BAD，同理获得任意相邻两边之间的角度∠ADC、∠DCB、∠CBA。
所述利用LSM算法将断续的小线段融合成多条长线段的过程是：
将利用直线提取算法获得的小线段构成箍筋轮廓的线段集箍筋轮廓的线段集/>中的小线段按长度降序排列，其中初次检测出的线段集/>中最长线段记为L1，剩余线段组成线段集/>然后将/>中的线段与L1进行角度滤波、空间相似性滤波，其中空间相似性滤波包括两部分：水平距离滤波和垂直距离滤波，并遵循先水平距离滤波再垂直距离滤波的顺序，获得垂直方向上距离较近的线段L2，形成新的线段集/>将L1与L2看作一线段对(L1,L2)；
如果满足合并条件，将L1和中的线段L2合并，则合并后的线段M立即替换L1并删除所合并的线段L2，将/>中的剩余段与合并后的线段M再进行合并条件判断，此时合并后的线段M为新的L1；
所述合并条件为满足下述的两个条件：
第一个条件：判断L1和L2的最近的两个端点之间的欧式距离d是否小于自适应空间邻近度阈值τs，若小于则进行第二个条件判断验证角度关系；若不小于，则不进行合并；
第二个条件：判断L1和L2之间的夹角是否小于自适应的角度阈值若小于则认为两线段满足合并条件；若不小于，则不进行合并；
满足合并条件进行合并的过程是：将L1最远端点与L2的中点相连并延长至L2最远端点的x或y坐标处为合并后的线段M，此时合并后的线段M与合并前原线段L1之间形成的夹角为θl2_2；
检验合并结果：判断合并后的线段M与合并前原线段L1之间的夹角θl2_2是否大于τθ/2，若大于则认为合并不成功，放弃合并，其中τθ为用户定义的空间阈值；若不大于则认为合并成功。
所述自适应的角度阈值为：
其中，τθ为用户定义的空间阈值；λ为L2的长度以L1的长度进行归一化后的结果加上欧式距离d以自适应空间邻近度阈值τs进行归一化后的结果；
所述自适应空间邻近度阈值τs为：
τs＝ξsl1
其中，ξs是用户输入参数，0<ξs<1，l1为L1的长度。
第二方面，本发明提供一种基于LSM算法的箍筋尺寸检测系统，所述检测系统包括图像采集模块，执行所述的检测方法。
与现有技术相比，本发明有益效果在于：
本发明利用机器视觉技术，自动识别箍筋尺寸和夹角，实现尺寸和角度的在线检测，减少人工成本，自动化程度高，方法简单。
与人工测量相比效率高，在测量箍筋的尺寸，完成一份完整的原始记录，至少需要11min的工时；本申请线段融合和尺寸检测部分所花费时间大概在5ms左右，满足实时性要求，大大提高了检测精度，并且填补了箍筋检测的空缺。
本发明中根据检测箍筋物体的特性对LSM算法合并规则进行了优化，采用了改良的LSM算法，优化了线段融合规则，利用中点合并，使其角度误差更小。
附图说明
图1：本发明基于LSM算法的箍筋尺寸检测方法的流程图。
图2：LSM算法进行直线检测的流程图。
图3：L1和L2的最近的两个端点之间的欧式距离d的示意图。
图4：LSM算法采用不同的融合方式进行合并的效果对比图。
图5：线段融合情况图。
图6：输入、输出、尺寸、角度检测示意图，其中(a)为输入的箍筋示意图，(b)为输出的箍筋示意图，(c)为尺寸检测的示意图，(d)为角度检测的标注示意图。
图7：内外轮廓划分流程图。
具体实施方式
下面结合实施例及附图进一步解释本发明，但并不以此作为对本申请保护范围的限定。
本发明基于LSM(英文全称为perceptually accurate line segment merging，简称为LSM)算法的箍筋尺寸检测方法的流程如图1所示，步骤如下：
1.图像采集
工业相机采用倾斜拍摄，待测物件要确保处于相机视野的正中，识别精度可以调节相机与箍筋水平距离和相机焦距，采集到的图片以png格式输入到部署算法的计算机。
2.LSM直线段检测
由如LSD等传统算法检测箍筋边缘多为细小线段，不能生成完整的长直线段，故此LSM算法将断续的小线段融合成一条长线段。流程图2如所示。所述传统算法包括但不限于Hough_line直线检测算法、LSD直线检测算法、FLD直线检测算法、EDlines直线检测算法、LSWMS直线检测算法、CannyLines直线检测算法、MCMLSD直线检测算法等。
2.1)对于采集到的图片采用LSD直线检测算法等传统算法生成箍筋轮廓的线段集
2.2)数据预处理
将步骤2.1)获得的箍筋轮廓的线段集中的线段按长度降序排列，其中初次检测出的线段集/>中最长线段记为L1，剩余线段组成线段集/>然后将/>与L1进行角度滤波、空间相似性滤波处理。其中空间相似性滤波包括两部分：水平距离滤波和垂直距离滤波，遵循先水平距离滤波再垂直距离滤波的顺序。
角度滤波目的是根据角度将线段集分组。线段集中与L1角度小于用户定义的空间阈值τθ的线段满足公式(1)，得到满足角度滤波后的线段L′2构成的线段集记为/>
上述中，τθ为用户定义的空间阈值，用于根据绝对角度差对线段进行分组，其中|θ2-θ1|表示绝对角度差，θ1为L1与竖直方向的夹角，θ2为L′2与竖直方向的夹角。
根据空间相似性进一步更新线段集空间相似性滤波遵循先水平距离滤波再垂直距离滤波的顺序。根据水平距离滤波：剪除角度滤波后获得的线段集/>中水平距离中较远的线段，获得线段集/>筛选寻找与箍筋最长线段L1在水平方向上相近的线段L”2，即满足公式(2)
根据垂直距离滤波：在水平距离滤波后按照公式(3)剪除中垂直距离较远的线段，获得垂直方向上距离较近的线段L2，形成新的线段集/>满足公式(3)的线段留下
将线段L1与线段L2看作一线段对即(L1,L2)。其中(l1,l2)表示线段对的长度，(θ1,θ2)表示线段对中的线段与竖直方向的夹角。任一线段Li有两个端点(xi1,yi1)和(xi2,yi2)，(x11,y11)、(x12,y12)为线段L1的两个端点，x21、x22为线段L”2的两个端点的横坐标，y21、y22为线段L2的两个端点的纵坐标；τs为自适应空间邻近度阈值，由用户根据L1的长度自定义设置。
2.3)线段融合规则检验
如果满足合并条件，将线段L1和线段集中的线段L2合并，则合并后的线段M立即替换L1并删除所合并的线段L2，考虑将/>中的剩余段与合并后的线段M合并。
所述合并条件为满足下述的两个条件：
第一个合并条件：如果线段L1和L2的最近的两个端点(c1和c2)之间的欧式距离d小于自适应空间邻近度阈值τs，如图3所示，则下一步需验证角度关系。
其中θ为线段L1与线段L2的夹角，τs为用于计算自适应空间邻近度阈值，为用户定义空间邻近度参数，可合并性与l1的长度成正比，为公式(4)，表示与线段L1的长度l1自适应空间邻近度阈值
τs＝ξsl1 (4)
其中ξs是用户输入参数，0<ξs<1
第二个合并条件：如果线段L1和L2之间的夹角小于自适应的角度阈值则认为两线段满足融合条件。其中/>的推导过程如下：
归一化较短线段L2，得用公式(5)表示
归一化两线的空间距离，得用公式(6)表示
二者相加得到参数λ，λ表示为L2的长度以L1的长度进行归一化后的结果加上欧式距离d以自适应空间邻近度阈值τs进行归一化后的结果，用公式(7)表示；
自适应的角度阈值用公式(8)表示：
不满足上述的两个合并条件，不进行合并。
满足合并条件进行合并，具体有两种合并方式：
第一种合并方式：将线段L1最远端点与L2的中点相连并延长至L2最远端点的x或y坐标处，为合并后的线段M，此时合并后的线段M与合并前原线段L1之间形成的夹角为θl2_2；
第二种合并方式：将线段L1最远端点和L2最远端点直接相连形成的夹角θl2_1，直接相连形成的线段为合并后的线段M；
第一种合并方式相对于第二种合并方式，减少了角度偏移误差，如图4所示。
两线段不同空间位置的各种合并情况如图5所示，图5中分别为两个线段之间有一定距离且空间不相交、空间相交、空间重合的情况，其中水平线段是箍筋线段集中的长线段L1、倾斜线段是箍筋线段集中的线段L2，水平线段上的黑色点代表最终合并的线段M的一个端点，倾斜线段上的黑色点代表倾斜线段的中点。
检验合并结果：为了确保合并后的线段不会偏离L1太远，需要检验合并结果。如果合并后的线段M与合并前原线段L1之间的夹角大于τθ/2，则认为合并不成功，放弃合并。
3.尺寸和角度检测
将图6中(a)图作为输入，采用第一种合并方式的LSM算法输出结果如图6中(b)图所示，
3.1)尺寸计算
采用第一种合并方式的LSM算法输出每条线段都包含x1、y1、x2、y2等信息,其中(x1,y1)和(x2,y2)代表着线段的两端点坐标。利用输出的线段确定待测箍筋的内外轮廓，内外轮廓划分依据：首先根据线段所在直线的斜率，划分为水平线段和垂直线段，即斜率为0表示水平线段，斜率为无穷大表示为垂直线段，获得四条线段组成的水平线段组和四条线段组成的垂直线段组，在四条线段组成的水平线段组中，线段的y坐标为最大值和最小值的两条水平线段为水平方向的外轮廓，线段的y坐标介于最大值和最小值的两条水平线段为水平方向的内轮廓；在四条线段组成的垂直线段组中，线段的x坐标为最大值和最小值的两条垂直线段为垂直方向的外轮廓，线段x坐标介于最大值和最小值的两条垂直线段为垂直方向的内轮廓；垂直方向的内轮廓和水平方向的内轮廓构成箍筋的内轮廓，垂直方向的外轮廓和水平方向的外轮廓构成箍筋的外轮廓；内外轮廓划分流程如图7所示。
根据内外轮廓的上下边线段左右对应端点的y坐标平均差值(即外轮廓上边线段左端点和右端点的y坐标分别减去外轮廓下边线段的左端点和右端点的y坐标，获得的差值再求平均即为外轮廓的高度；或者求外轮廓上边线段左端点和右端点的y坐标平均值，外轮廓下边线段左端点和右端点的y坐标平均值，这两个平均值做差为外轮廓的高度；宽度的计算与高度计算一致)，计算在水平方向箍筋内外轮廓的高，分别记为h1和h2；根据内外轮廓的左右边线段上下对应端点的x坐标平均差值，计算在竖直方向箍筋内外轮廓的宽，分别记为d1和d2，如图6中(c)图所示，至此获得箍筋在图像中的像素尺寸，最后根据成像原理求出箍筋的真实尺寸；
3.2)角度测量
根据LSM算法输出的线段的端点坐标，将线段按照端点坐标向两边延长，以线段的延长线表示所在的直线，根据直线相交原理求出外轮廓四个交点坐标A、B、C、D，如图6中(d)图所示，并计算出线段AB、BC、CD、AD、AC、BD的线段长度，进而根据余弦公式(9)
求出cos∠BAD的值，最后计算反余弦即可求出∠BAD，为BA边与AD边之间的夹角，同理可以获得任意相邻两边之间的其他角度，即∠ADC、∠DCB、∠CBA。
本发明未述及之处适用于现有技术。

Claims (6)

1.一种基于LSM算法的箍筋尺寸检测方法，其特征在于，所述检测方法包括以下内容：
使用工业相机采集待测箍筋的图像；
利用直线提取算法获得箍筋边缘的小线段，利用LSM算法将断续的小线段融合成多条长线段；
通过LSM算法输出的每条线段都包含x1、y1、x2、y2信息,其中(x1,y1)和(x2,y2)代表着线段的两端点坐标；利用输出的线段确定待测箍筋的内外轮廓，内外轮廓划分依据：首先根据线段所在直线的斜率，划分为水平线段和垂直线段，斜率为0表示水平线段，斜率为无穷大表示为垂直线段，获得四条线段组成的水平线段组和四条线段组成的垂直线段组，在四条线段组成的水平线段组中，线段的y坐标为最大值和最小值的两条水平线段为水平方向的外轮廓，线段的y坐标介于最大值和最小值的两条水平线段为水平方向的内轮廓；在四条线段组成的垂直线段组中，线段的x坐标为最大值和最小值的两条垂直线段为垂直方向的外轮廓，线段x坐标介于最大值和最小值的两条垂直线段为垂直方向的内轮廓；垂直方向的内轮廓和水平方向的内轮廓构成箍筋的内轮廓，垂直方向的外轮廓和水平方向的外轮廓构成箍筋的外轮廓；
根据内外轮廓的上下边线段左右对应端点的y坐标平均差值，计算在水平方向箍筋内外轮廓的高，分别记为h1和h2；根据内外轮廓的左右边线段上下对应端点的x坐标平均差值，计算在竖直方向箍筋内外轮廓的宽，分别记为d1和d2，至此获得箍筋在图像中的像素尺寸，最后根据成像原理求出箍筋的真实尺寸；
根据LSM算法输出的线段的端点坐标，将线段按照端点坐标向两边延长，以线段的延长线表示所在的直线，根据直线相交原理求出外轮廓的四个交点坐标，获得箍筋四角的角度。
2.根据权利要求1所述的基于LSM算法的箍筋尺寸检测方法，其特征在于，所述y坐标平均差值是指：外轮廓上边线段左端点和右端点的y坐标分别减去外轮廓下边线段的左端点和右端点的y坐标，获得的差值再求平均为外轮廓的高度；
或者求外轮廓上边线段左端点和右端点的y坐标平均值，外轮廓下边线段左端点和右端点的y坐标平均值，这两个平均值做差为外轮廓的高度。
3.根据权利要求1所述的基于LSM算法的箍筋尺寸检测方法，其特征在于，四个交点坐标分别记为A、B、C、D，根据四个交点坐标计算出线段AB、BC、CD、AD、AC、BD的线段长度，再根据余弦公式(9)
求出cos∠BAD的值，最后计算反余弦求出∠BAD，同理获得任意相邻两边之间的角度∠ADC、∠DCB、∠CBA。
4.根据权利要求1所述的基于LSM算法的箍筋尺寸检测方法，其特征在于，所述利用LSM算法将断续的小线段融合成多条长线段的过程是：
将利用直线提取算法获得的小线段构成箍筋轮廓的线段集箍筋轮廓的线段集/>中的小线段按长度降序排列，其中初次检测出的线段集/>中最长线段记为L1，剩余线段组成线段集/>然后将/>中的线段与L1进行角度滤波、空间相似性滤波，其中空间相似性滤波包括两部分：水平距离滤波和垂直距离滤波，并按照先水平距离滤波再垂直距离滤波的顺序，获得垂直方向上距离较近的线段L2，形成新的线段集/>将L1与L2看作一线段对(L1，L2)；
如果满足合并条件，将L1和中的线段L2合并，则合并后的线段M立即替换L1并删除所合并的线段L2，将/>中的剩余段与合并后的线段M再进行合并条件判断，此时合并后的线段M为新的L1；
所述合并条件为满足下述的两个条件：
第一个条件：判断L1和L2的最近的两个端点之间的欧式距离d是否小于自适应空间邻近度阈值τs，若小于则进行第二个条件判断验证角度关系；若不小于，则不进行合并；
第二个条件：判断L1和L2之间的夹角是否小于自适应的角度阈值若小于则认为两线段满足合并条件；若不小于，则不进行合并；
满足合并条件进行合并的过程是：将L1最远端点与L2的中点相连并延长至L2最远端点的x或y坐标处为合并后的线段M，此时合并后的线段M与合并前原线段L1之间形成的夹角为θl2_2；
检验合并结果：判断合并后的线段M与合并前原线段L1之间的夹角θl2_2是否大于τθ/2，若大于则认为合并不成功，放弃合并，其中τθ为用户定义的空间阈值；若不大于则认为合并成功。
5.根据权利要求4所述的基于LSM算法的箍筋尺寸检测方法，其特征在于，所述自适应的角度阈值为：
其中，τθ为用户定义的空间阈值；λ为L2的长度以L1的长度进行归一化后的结果加上欧式距离d以自适应空间邻近度阈值τs进行归一化后的结果；
所述自适应空间邻近度阈值τs为：
τs＝ξsl1
其中，ξs是用户输入参数，0＜ξs＜1，l1为L1的长度。
6.一种基于LSM算法的箍筋尺寸检测系统，其特征在于，所述检测系统包括图像采集模块，执行权利要求1-5任一所述的检测方法。
CN202311249770.5A 2023-09-26 2023-09-26 一种基于lsm算法的箍筋尺寸检测方法及系统 Active CN116993804B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311249770.5A CN116993804B (zh) 2023-09-26 2023-09-26 一种基于lsm算法的箍筋尺寸检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311249770.5A CN116993804B (zh) 2023-09-26 2023-09-26 一种基于lsm算法的箍筋尺寸检测方法及系统

Publications (2)

Publication Number Publication Date
CN116993804A CN116993804A (zh) 2023-11-03
CN116993804B true CN116993804B (zh) 2023-12-05

Family

ID=88523520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311249770.5A Active CN116993804B (zh) 2023-09-26 2023-09-26 一种基于lsm算法的箍筋尺寸检测方法及系统

Country Status (1)

Country Link
CN (1) CN116993804B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018173276A (ja) * 2017-03-31 2018-11-08 オリンパス株式会社 計測支援装置、計測支援方法及びプログラム
CN110097087A (zh) * 2019-04-04 2019-08-06 浙江科技学院 一种自动钢筋捆扎位置识别方法
CN110136156A (zh) * 2018-02-02 2019-08-16 北京三快在线科技有限公司 一种多边形区域检测方法及装置
CN110889827A (zh) * 2019-11-06 2020-03-17 国网山西省电力公司吕梁供电公司 一种基于视觉的输电线路杆塔在线识别和倾斜检测方法
CN111179232A (zh) * 2019-12-20 2020-05-19 山东大学 基于图像处理的钢筋尺寸检测系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018173276A (ja) * 2017-03-31 2018-11-08 オリンパス株式会社 計測支援装置、計測支援方法及びプログラム
CN110136156A (zh) * 2018-02-02 2019-08-16 北京三快在线科技有限公司 一种多边形区域检测方法及装置
CN110097087A (zh) * 2019-04-04 2019-08-06 浙江科技学院 一种自动钢筋捆扎位置识别方法
CN110889827A (zh) * 2019-11-06 2020-03-17 国网山西省电力公司吕梁供电公司 一种基于视觉的输电线路杆塔在线识别和倾斜检测方法
CN111179232A (zh) * 2019-12-20 2020-05-19 山东大学 基于图像处理的钢筋尺寸检测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LSM: perceptually accurate line segment merging;Naila Hamid et al.;《Journal of Electronic Imaging》;第25卷(第6期);第1-11页 *

Also Published As

Publication number Publication date
CN116993804A (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
US11551341B2 (en) Method and device for automatically drawing structural cracks and precisely measuring widths thereof
CN105067638B (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN109900711A (zh) 基于机器视觉的工件缺陷检测方法
CN115375686B (zh) 一种基于图像处理的玻璃边缘瑕疵检测方法
CN113077437B (zh) 工件质量检测方法及其系统
CN113340909B (zh) 一种基于机器视觉的胶线缺陷检测方法
CN102441581A (zh) 基于机器视觉的型钢断面尺寸在线检测的装置及方法
CN114627080B (zh) 基于计算机视觉的车辆冲压配件缺陷检测方法
CN112465809B (zh) 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置
US20160321797A1 (en) Imaging-based methods for detecting and measuring defects in extruded cellular ceramic articles
CN115063423A (zh) 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法
CN115100116A (zh) 一种基于三维点云的板材缺陷检测方法
CN111539927A (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法
CN113240623A (zh) 一种路面病害检测方法及装置
CN116228651A (zh) 一种布匹缺陷检测方法、系统、设备及介质
CN108492306A (zh) 一种基于图像轮廓的x型角点提取方法
CN114612471A (zh) 一种复杂纹理瓷砖表面缺陷检测方法
CN112053333B (zh) 一种基于机器视觉的方坯检测方法、系统、设备及介质
CN111539951B (zh) 一种陶瓷砂轮头轮廓尺寸视觉检测方法
CN116993804B (zh) 一种基于lsm算法的箍筋尺寸检测方法及系统
CN111476792B (zh) 一种板带钢图像轮廓的提取方法
CN116612461A (zh) 一种基于目标检测的指针式仪表全过程自动读数方法
CN113239832B (zh) 基于图像识别的隐患智能识别方法及系统
CN112837285B (zh) 一种板面图像的边缘检测方法及装置
CN114663402A (zh) 一种基于Hough直线检测和曲线拟合的线缆脱垂检测方法

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
GR01 Patent grant
GR01 Patent grant