CN117115174B - 一种钳子外形自动检测方法及系统 - Google Patents

一种钳子外形自动检测方法及系统 Download PDF

Info

Publication number
CN117115174B
CN117115174B CN202311387044.XA CN202311387044A CN117115174B CN 117115174 B CN117115174 B CN 117115174B CN 202311387044 A CN202311387044 A CN 202311387044A CN 117115174 B CN117115174 B CN 117115174B
Authority
CN
China
Prior art keywords
gray value
gray
image
suspicious
value
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
CN202311387044.XA
Other languages
English (en)
Other versions
CN117115174A (zh
Inventor
徐一铭
徐军
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.)
Zhangjiagang Jinyang Tools Co ltd
Original Assignee
Zhangjiagang Jinyang Tools 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 Zhangjiagang Jinyang Tools Co ltd filed Critical Zhangjiagang Jinyang Tools Co ltd
Priority to CN202311387044.XA priority Critical patent/CN117115174B/zh
Publication of CN117115174A publication Critical patent/CN117115174A/zh
Application granted granted Critical
Publication of CN117115174B publication Critical patent/CN117115174B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种钳子外形自动检测方法及系统，属于图像处理技术领域，该方法步骤包括：将钳子的降噪后灰度图像中像素点数量最多的灰度值作为主体灰度值；将小于主体灰度值的每个灰度值均记为可疑灰度值，计算出每个可疑灰度值为齿尖灰度值的概率，选取最大概率的可疑灰度值作为齿尖灰度值；将齿尖灰度值与主体灰度值之间的灰度值作为易误检灰度值，计算出每个易误检灰度值的易误检概率，同时计算出降噪后灰度图像中每个灰度值的均衡化后灰度值并得到增强后图像；识别出增强后图像中钳子边缘信息；本发明在对钳子外形图像进行边缘检测时能准确的识别出钳嘴精细的齿状边缘，保证了边缘检测的准确性。

Description

一种钳子外形自动检测方法及系统
技术领域
本发明属于图像处理技术领域，具体涉及一种钳子外形自动检测方法及系统。
背景技术
钳子是目前常见的手工工具，目前钳子的生产技术已经相对成熟，但是在对于制造质量和精度要求越来越高的当下，在生产过程中准确的评估钳子的外形尺寸，并产出合格的产品对于企业在市场上的竞争影响力是非常重要的，目前在利用计算机视觉对钳子的外形进行检测时对于钳子主体边缘和钳嘴边缘采用的是同样的边缘识别方法；
但是由于在实际生产过程中对使用影响较大的缺陷主要存在钳头部分，同时由于钳头的钳嘴区域内部齿形结构较为精细，进而导致在对钳嘴边缘进行检测时不能完整的提取出钳嘴边缘而导致出现误检的情况，容易造成将质量不合格的产品误检为合格的产品，进而影响产品检测的准确性。
发明内容
本发明提供一种钳子外形自动检测方法及系统，用于解决现有技术中在对钳子图像进行识别时不能准确的识别出钳嘴区域内部齿形结构，进而导致在对钳嘴边缘进行检测时不能完整的提取出钳嘴边缘而导致误检的问题。
本发明的一种钳子外形自动检测方法采用如下技术方案：
获取钳子的降噪后灰度图像；
将降噪后灰度图像中像素点数量最多的灰度值作为主体灰度值；
将小于主体灰度值的每个灰度值均记为可疑灰度值，根据每个可疑灰度值对应像素点的位置，计算出每个可疑灰度值为齿尖灰度值的概率，选取最大概率的可疑灰度值作为齿尖灰度值，将齿尖灰度值对应的像素点记为齿尖像素点；
将齿尖灰度值与主体灰度值之间的灰度值作为易误检灰度值，获取每个易误检灰度值对应连通域；
根据每个易误检灰度值对应的每个像素点与距离最近的齿尖像素点之间的距离、每个易误检灰度值对应连通域的数量、每个易误检灰度值对应连通域的面积，计算出每个易误检灰度值的易误检概率；
根据每个易误检灰度值的易误检概率，计算出降噪后灰度图像中每个灰度值的均衡化后灰度值；
根据每个灰度值的均衡化后灰度值构建增强后图像；
识别出增强后图像中钳子边缘信息。
进一步地，根据每个可疑灰度值对应像素点的位置，计算出每个可疑灰度值为齿尖灰度值的概率的步骤包括：
获取每个可疑灰度值对应像素点的横坐标和纵坐标；
根据每个可疑灰度值对应像素点的横坐标，计算出每个可疑灰度值对应像素点关于横坐标的方差；
根据每个可疑灰度值对应像素点的纵坐标，计算出每个可疑灰度值对应像素点关于纵坐标的方差；
根据每个可疑灰度值对应像素点关于横坐标和纵坐标的方差，计算出每个可疑灰度值为齿尖灰度值的概率。
进一步地，每个可疑灰度值为齿尖灰度值的概率计算公式为：
其中，表示第/>个可疑灰度值为齿尖灰度值的概率；/>表示第/>个可疑灰度值对应像素点关于横坐标的方差；/>表示第/>个可疑灰度值对应像素点关于纵坐标的方差；/>表示自然常数。
进一步地，每个易误检灰度值的易误检概率的计算公式为：
其中，表示第/>个易误检灰度值的易误检概率；/>表示第/>个易误检灰度值对应的第/>个像素点与距离最近的齿尖像素点之间的距离；/>表示第/>个易误检灰度值对应的像素点总数量；/>表示第/>个易误检灰度值对应的连通域数量；/>表示全部易误检灰度值中对应的连通域数量最大值；/>表示全部易误检灰度值中对应的连通域数量最小值；表示第/>个易误检灰度值对应的第/>个连通域的面积；/>表示第/>个易误检灰度值对应的全部连通域的面积均值；/>表示线性归一化函数。
进一步地，根据每个易误检灰度值的易误检概率，计算出降噪后灰度图像中每个灰度值的均衡化后灰度值的步骤包括：
将降噪后灰度图像中除易误检灰度值之外的灰度值标记为其他灰度值，将其他灰度值对应的易误检概率设置为0；
计算出降噪后灰度图像中每个灰度值对应的像素点数量与降噪后灰度图像中像素点总数量的比值，记为每个灰度值对应的数量比值；
用1减去每个灰度值对应的易误检概率，作为每个灰度值对应的映射转化权重；
将每个灰度值对应的映射转化权重与对应的数量比值相乘，得到每个灰度值对应的映射转化基数；
将小于每个灰度值的所有灰度值对应的映射转化基数累加，得到降噪后灰度图像中每个灰度值的均衡化后灰度值。
进一步地，降噪后灰度图像中每个灰度值的均衡化后灰度值的计算公式为：
其中，表示降噪后灰度图像中第/>个灰度值的均衡化后灰度值；/>表示第/>个灰度值的易误检概率；/>表示第/>个灰度值对应的像素点总数量；/>表示降噪后灰度图像中像素点总数。
进一步地，根据每个灰度值的均衡化后灰度值构建增强后图像的步骤包括：
将降噪后灰度图像中每个灰度值映射为均衡化后灰度值得到增强后图像。
进一步地，识别出增强后图像中钳子边缘信息的步骤包括：
对增强后图像进行边缘检测识别出钳子边缘信息。
进一步地，获取钳子的降噪后灰度图像的步骤包括：
采集钳子图像，并对采集的钳子图像进行灰度化处理得到钳子的灰度图像；
对钳子的灰度图像进行高斯滤波处理得到钳子的降噪后灰度图像。
一种钳子外形自动检测系统，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现一种钳子外形自动检测方法的步骤。
本发明的有益效果是：
本发明提供的一种钳子外形自动检测方法及系统，通过齿尖像素点的空间分布进行分析，由于齿尖像素点的位置分布相对离散，因此根据每个灰度值对应像素点的位置分布越离散该灰度值为齿尖灰度值的概率越大。
由于钳子的主体部分是金属光泽的，所以钳子的主体部分灰度值较高，易误检像素点即各个锯齿边缘部分的像素点，由于锯齿部分为直边，这些像素点在平滑的过程中，滤波核内锯齿像素点和非锯齿像素点的数量相差不大，与锯齿尖像素相比灰度值降低的水平不大。由于锯齿形状的缘故，距离锯齿尖像素点的距离越近，即平均距离越小，则灰度降低相对多的概率越大，其易误检概率越大，同时易误检像素点还存在一些其他特征，其灰度值降低的水平也相对接近，因此同一灰度级的易误检像素点在空间上分布往往相对集中，因此根据每个易误检灰度值对应的每个像素点与距离最近的齿尖像素点之间的距离、每个易误检灰度值对应连通域的数量、每个易误检灰度值对应连通域的面积，计算出每个易误检灰度值的易误检概率。
易误检灰度值在进行直方图均衡化增强的过程中，由于在滤波后出现一定灰度值差异，会导致在后续边缘检测中出现一定误检现象，因此需要根据每个易误检灰度值的易误检概率，计算出降噪后灰度图像中每个灰度值的均衡化后灰度值；根据每个灰度值的均衡化后灰度值构建增强后图像，得到增强后图像后再进行后续检测，与现有检测方法相比，误检概率降低，对钳头部分的锯齿状边缘检测更完整，可实现误检率更低的钳子外形自动检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明的一种钳子外形自动检测方法的实施例总体步骤流程图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
本发明的一种钳子外形自动检测方法的实施例，如图1所示，该方法包括：
实施例1：
S1、获取钳子的降噪后灰度图像。
获取钳子的降噪后灰度图像的步骤包括：采集钳子图像，并对采集的钳子图像进行灰度化处理得到钳子的灰度图像；对钳子的灰度图像进行高斯滤波处理得到钳子的降噪后灰度图像。
在本实施例中，首先搭建黑色传送带采像场景，使用CCD工业相机对黑色传送带上的钳子进行采像得到钳子图像，使用CCD工业相机进行采像能避免照明光线侧向打光及金属钳子反光直射采像设备而影响图像采集效果，在采集钳子图像后，对采集的钳子图像进行灰度化处理并进行高斯滤波降噪得到钳子的降噪后灰度图像。
S2、将降噪后灰度图像中像素点数量最多的灰度值作为主体灰度值。
选取降噪后灰度图像中像素点数量最多的灰度级作为主体灰度值的步骤包括：构建降噪后灰度图像的灰度直方图，根据灰度直方图选取像素点数量最多的灰度级作为主体灰度值。
对于降噪后灰度图像，由于其自身滤波特性，会将相对细微的锯齿部分边缘弱化，例如：当锯齿尖部像素点进行滤波时，滤波核内大部分像素点为非锯齿部分图像的像素点，因此滤波后该像素点的像素值会相对于锯齿图像被弱化，其边缘特征会被削弱，以此类推，对于锯齿边缘部分其他像素点其像素值会被依次弱化，在后续Canny边缘检测过程可能会被抑制，因此需要对其增强。
本步骤的主要目的是计算滤波后图像的灰度直方图，然后结合直方图判断易误检区域的像素点。
S3、将小于主体灰度值的每个灰度值均记为可疑灰度值，根据每个可疑灰度值对应像素点的位置，计算出每个可疑灰度值为齿尖灰度值的概率，选取最大概率的可疑灰度值作为齿尖灰度值，将齿尖灰度值对应的像素点记为齿尖像素点。
进一步地，根据每个可疑灰度值对应像素点的位置，计算出每个可疑灰度值为齿尖灰度值的概率的步骤包括：获取每个可疑灰度值对应像素点的横坐标和纵坐标；根据每个可疑灰度值对应像素点的横坐标，计算出每个可疑灰度值对应像素点关于横坐标的方差；根据每个可疑灰度值对应像素点的纵坐标，计算出每个可疑灰度值对应像素点关于纵坐标的方差；根据每个可疑灰度值对应像素点关于横坐标和纵坐标的方差，计算出每个可疑灰度值为齿尖灰度值的概率。
需要说明的是，在当前钳子灰度图像中，像素点数量最多的灰度级是钳子的主体部分，其灰度值相对较大；再易误检区域内的部分，高斯滤波过程中其锯齿尖部在平滑后灰度值降低程度是最大的,且锯齿尖部分对应的此类像素点位置相对离散；而对于边缘部分或靠近边缘的部分，其在高斯滤波后像素点灰度值同样会出现一定程度的降低，降低的程度比锯齿尖较少，且由于锯齿为直边，这些边缘部分在滤波过程中灰度值降低的程度也相对类似，每个锯齿部分对应的此类像素点数量相较于齿尖部分相对多一些。
首先构建降噪后灰度图像的灰度直方图，将灰度直方图中最高的立柱对应的灰度值，即将降噪后灰度图像中像素点数量最多的灰度值作为主体灰度值，由于钳子的主体部分是金属光泽的，灰度值比较高，但是锯齿部分或者其他边缘等易误检的都是由一定阴影会导致滤波后可能被平滑，边缘检测的效果不好，因此在主体灰度值/>的左侧获取易误检像素点，将小于主体灰度值的每个灰度值均记为可疑灰度值，根据每个可疑灰度值对应像素点的位置，计算出每个可疑灰度值为齿尖灰度值的概率。
每个可疑灰度值为齿尖灰度值的概率计算公式为：
其中，表示第/>个可疑灰度值为齿尖灰度值的概率；/>表示第/>个可疑灰度值对应像素点关于横坐标的方差；/>表示第/>个可疑灰度值对应像素点关于纵坐标的方差；/>表示自然常数。
在每个可疑灰度值为齿尖灰度值的概率计算公式中，将每个可疑灰度值对应像素点关于横坐标的方差和每个可疑灰度值对应像素点关于纵坐标的方差求均值取反后，利用指数函数将方差均值归一化，即通过该方差均值评估当前灰度级内锯齿尖像素点的概率。由于锯齿尖部分像素点所处的位置分布相对离散，因此方差均值越大，当前灰度级的锯齿尖像素点概率越大，取最大的概率的可疑灰度值作为齿尖灰度值。
S4、将齿尖灰度值与主体灰度值之间的灰度值作为易误检灰度值，获取每个易误检灰度值对应连通域。
获取每个易误检灰度值对应连通域的过程为，例如：在获取第个易误检灰度值对应连通域的过程中，将图像中灰度值均为第/>个易误检灰度值相同且连通的多个像素点构成的区域，作为第/>个易误检灰度值对应连通域。
S5、根据每个易误检灰度值对应的每个像素点与距离最近的齿尖像素点之间的距离、每个易误检灰度值对应连通域的数量、每个易误检灰度值对应连通域的面积，计算出每个易误检灰度值的易误检概率。
根据上述分析，则其他易误检像素点灰度值应该分布在与/>之间，然后再计算每个易误检灰度值的易误检概率。
获取锯齿尖像素点灰度级后，则可以计算中间各灰度级的易误检概率。易误检像素点即各个锯齿边缘部分的像素点，由于锯齿部分为直边，这些像素点在平滑的过程中，滤波核内锯齿像素点和非锯齿像素点的数量相差不大，与锯齿尖像素相比灰度值降低的水平不大。由于锯齿形状的缘故，距离锯齿尖像素点的距离越近，即平均距离越小，则灰度降低相对多的概率越大，其易误检概率越大。此外，易误检像素点还存在一些其他特征，作为边缘部分像素点滤波核内计算过程相对类似，其灰度值降低的水平也相对接近，因此同一灰度级的易误检像素点在空间上分布往往相对集中，对同一灰度级的像素点进行连通域检测，得到的连通域数量越少，连通域面积差距越小，其易误检概率越大。
每个易误检灰度值的易误检概率的计算公式为：
其中，表示第/>个易误检灰度值的易误检概率；/>表示第/>个易误检灰度值对应的第/>个像素点与距离最近的齿尖像素点之间的距离；/>表示第/>个易误检灰度值对应的像素点总数量；/>表示第/>个易误检灰度值对应的连通域数量；/>表示全部易误检灰度值中对应的连通域数量最大值；/>表示全部易误检灰度值中对应的连通域数量最小值；表示第/>个易误检灰度值对应的第/>个连通域的面积；/>表示第/>个易误检灰度值对应的全部连通域的面积均值；/>表示线性归一化函数。
在每个易误检灰度值的易误检概率的计算公式中，通过计算第个易误检灰度值对应的各像素点与距离最近的齿尖像素点之间的平均距离判断自身的易误检概率，计算的平均距离越小，该灰度级的易误检概率越大。/>表示第/>个易误检灰度值对应的连通域数量；/>表示全部易误检灰度值中对应的连通域数量最大值；/>表示全部易误检灰度值中对应的连通域数量最小值，通过/>将各灰度级连通域数量归一化表示连通域数量对易误检概率的影响因素，该值越大，易误检概率越小；由于钳子颜色表现主要通过金属反光，其灰度级内像素点分布相对均匀，各连通域的大小差距应该相对较小，/>表示第/>个灰度级中第/>个连通域的面积，/>表示第/>个灰度级中连通域的面积均值，做差后通过平方放大差异，然后对该差异求均，/>表示当前灰度级中连通域面积差距，该值越小，则该灰度级的易误检概率越高。连通域的数量、大小差异都是关于灰度级内部连通域对易误检概率的影响，因此将两者联立相乘，则在一定连通域数量下，连通域大小差距越小，则易误检概率越大。
S6、根据每个易误检灰度值的易误检概率，计算出降噪后灰度图像中每个灰度值的均衡化后灰度值。
根据每个易误检灰度值的易误检概率，计算出降噪后灰度图像中每个灰度值的均衡化后灰度值的步骤包括：将降噪后灰度图像中除易误检灰度值之外的灰度值标记为其他灰度值，将其他灰度值对应的易误检概率设置为0；计算出降噪后灰度图像中每个灰度值对应的像素点数量与降噪后灰度图像中像素点总数量的比值，将该比值作为每个灰度值对应的数量比值；用1减去每个灰度值对应的易误检概率，作为每个灰度值对应的映射转化权重；将每个灰度值对应的映射转化权重与对应的数量比值相乘，得到每个灰度值对应的映射转化基数；将小于每个灰度值的所有灰度值对应的映射转化基数累加，得到降噪后灰度图像中每个灰度值的均衡化后灰度值。
降噪后灰度图像中每个灰度值的均衡化后灰度值的计算公式为：
其中，表示降噪后灰度图像中第/>个灰度值的均衡化后灰度值；/>表示第/>个灰度值的易误检概率；/>表示第/>个灰度值对应的像素点总数量；/>表示降噪后灰度图像中像素点总数。本步骤通过结合灰度级的易误检概率，其易误检概率越高，在映射关系中转化的占比越低，则增强后映射在同一灰度级的概率越大，则后续边缘检测过程中误检的概率越低。
S7、根据每个灰度值的均衡化后灰度值构建增强后图像。
根据每个灰度值的均衡化后灰度值构建增强后图像的步骤包括：将降噪后灰度图像中每个灰度值映射为均衡化后灰度值得到增强后图像。
需要说明的是，利用灰度映射关系能将降噪后灰度图像中每个灰度值都映射为新的灰度值，若输入的图像中两种像素的灰度值是相邻的，而输出的图像中两种像素的灰度值间有了间隔，即映射的结果使两种像素间的灰度差增大了，那么图像的对比度得到了增强，因此把将降噪后灰度图像中每个灰度值映射为均衡化后灰度值得到增强后图像。
S8、识别出增强后图像中钳子边缘信息。
识别出增强后图像中钳子边缘信息的步骤包括：对增强后图像进行边缘检测识别出钳子边缘信息。利用现有sobel算子边缘检测算法对增强后图像进行后续边缘检测处理，使用sobel算子计算像素梯度，在经过非极大值抑制、双阈值处理等步骤，这些步骤均为现有技术方法，在此不过多赘述。在得到钳子准确边缘信息后分析钳子是否为合格产品。
实施例2：
本实施例提供一种钳子外形自动检测系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如一种钳子外形自动检测方法的步骤。
本发明提供一种钳子外形自动检测方法及系统，用于解决现有技术中在对钳子图像进行识别时不能准确的识别出钳嘴区域内部齿形结构，进而导致在对钳嘴边缘进行检测时不能完整的提取出钳嘴边缘而导致误检的问题。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种钳子外形自动检测方法，其特征在于，该方法包括：
获取钳子的降噪后灰度图像；
将降噪后灰度图像中像素点数量最多的灰度值作为主体灰度值；
将小于主体灰度值的每个灰度值均记为可疑灰度值，根据每个可疑灰度值对应像素点的位置，计算出每个可疑灰度值为齿尖灰度值的概率，选取最大概率的可疑灰度值作为齿尖灰度值，将齿尖灰度值对应的像素点记为齿尖像素点；
将齿尖灰度值与主体灰度值之间的灰度值作为易误检灰度值，获取每个易误检灰度值对应连通域；
根据每个易误检灰度值对应的每个像素点与距离最近的齿尖像素点之间的距离、每个易误检灰度值对应连通域的数量、每个易误检灰度值对应连通域的面积，计算出每个易误检灰度值的易误检概率；
根据每个易误检灰度值的易误检概率，计算出降噪后灰度图像中每个灰度值的均衡化后灰度值；
根据每个灰度值的均衡化后灰度值构建增强后图像；
识别出增强后图像中钳子边缘信息；
根据每个可疑灰度值对应像素点的位置，计算出每个可疑灰度值为齿尖灰度值的概率的步骤包括：
获取每个可疑灰度值对应像素点的横坐标和纵坐标；
根据每个可疑灰度值对应像素点的横坐标，计算出每个可疑灰度值对应像素点关于横坐标的方差；
根据每个可疑灰度值对应像素点的纵坐标，计算出每个可疑灰度值对应像素点关于纵坐标的方差；
根据每个可疑灰度值对应像素点关于横坐标和纵坐标的方差，计算出每个可疑灰度值为齿尖灰度值的概率；
每个可疑灰度值为齿尖灰度值的概率计算公式为：
其中，表示第/>个可疑灰度值为齿尖灰度值的概率；/>表示第/>个可疑灰度值对应像素点关于横坐标的方差；/>表示第/>个可疑灰度值对应像素点关于纵坐标的方差；/>表示自然常数；
每个易误检灰度值的易误检概率的计算公式为：
其中，表示第/>个易误检灰度值的易误检概率；/>表示第/>个易误检灰度值对应的第/>个像素点与距离最近的齿尖像素点之间的距离；/>表示第/>个易误检灰度值对应的像素点总数量；/>表示第/>个易误检灰度值对应的连通域数量；/>表示全部易误检灰度值中对应的连通域数量最大值；/>表示全部易误检灰度值中对应的连通域数量最小值；/>表示第/>个易误检灰度值对应的第/>个连通域的面积；/>表示第/>个易误检灰度值对应的全部连通域的面积均值；/>表示线性归一化函数；
根据每个易误检灰度值的易误检概率，计算出降噪后灰度图像中每个灰度值的均衡化后灰度值的步骤包括：
将降噪后灰度图像中除易误检灰度值之外的灰度值标记为其他灰度值，将其他灰度值对应的易误检概率设置为0；
计算出降噪后灰度图像中每个灰度值对应的像素点数量与降噪后灰度图像中像素点总数量的比值，记为每个灰度值对应的数量比值；
用1减去每个灰度值对应的易误检概率，作为每个灰度值对应的映射转化权重；
将每个灰度值对应的映射转化权重与对应的数量比值相乘，得到每个灰度值对应的映射转化基数；
将小于每个灰度值的所有灰度值对应的映射转化基数累加，得到降噪后灰度图像中每个灰度值的均衡化后灰度值；
降噪后灰度图像中每个灰度值的均衡化后灰度值的计算公式为：
其中，表示降噪后灰度图像中第/>个灰度值的均衡化后灰度值；/>表示第/>个灰度值的易误检概率；/>表示第/>个灰度值对应的像素点总数量；/>表示降噪后灰度图像中像素点总数；
根据每个灰度值的均衡化后灰度值构建增强后图像的步骤包括：
将降噪后灰度图像中每个灰度值映射为均衡化后灰度值得到增强后图像。
2.根据权利要求1所述的一种钳子外形自动检测方法，其特征在于，识别出增强后图像中钳子边缘信息的步骤包括：
对增强后图像进行边缘检测识别出钳子边缘信息。
3.根据权利要求1所述的一种钳子外形自动检测方法，其特征在于，获取钳子的降噪后灰度图像的步骤包括：
采集钳子图像，并对采集的钳子图像进行灰度化处理得到钳子的灰度图像；
对钳子的灰度图像进行高斯滤波处理得到钳子的降噪后灰度图像。
4.一种钳子外形自动检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~3任意一项所述方法的步骤。
CN202311387044.XA 2023-10-25 2023-10-25 一种钳子外形自动检测方法及系统 Active CN117115174B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311387044.XA CN117115174B (zh) 2023-10-25 2023-10-25 一种钳子外形自动检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311387044.XA CN117115174B (zh) 2023-10-25 2023-10-25 一种钳子外形自动检测方法及系统

Publications (2)

Publication Number Publication Date
CN117115174A CN117115174A (zh) 2023-11-24
CN117115174B true CN117115174B (zh) 2024-02-06

Family

ID=88800662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311387044.XA Active CN117115174B (zh) 2023-10-25 2023-10-25 一种钳子外形自动检测方法及系统

Country Status (1)

Country Link
CN (1) CN117115174B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108305250A (zh) * 2018-01-30 2018-07-20 昆明理工大学 非结构化机器人视觉检测机械零件的同步识别与定位方法
CN111353981A (zh) * 2020-02-28 2020-06-30 广州大学 基于机器视觉的齿轮检测方法、系统及存储介质
CN115082481A (zh) * 2022-08-23 2022-09-20 聊城市誉林工业设计有限公司 一种用于齿轮的图像增强方法
CN115711888A (zh) * 2022-11-02 2023-02-24 广东欧派克家居智能科技有限公司 一种指甲刀缺陷检测方法及装置
CN116740054A (zh) * 2023-08-08 2023-09-12 天筛(聊城)生物科技有限公司 一种基于图像处理的舌象齿痕检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108305250A (zh) * 2018-01-30 2018-07-20 昆明理工大学 非结构化机器人视觉检测机械零件的同步识别与定位方法
CN111353981A (zh) * 2020-02-28 2020-06-30 广州大学 基于机器视觉的齿轮检测方法、系统及存储介质
CN115082481A (zh) * 2022-08-23 2022-09-20 聊城市誉林工业设计有限公司 一种用于齿轮的图像增强方法
CN115711888A (zh) * 2022-11-02 2023-02-24 广东欧派克家居智能科技有限公司 一种指甲刀缺陷检测方法及装置
CN116740054A (zh) * 2023-08-08 2023-09-12 天筛(聊城)生物科技有限公司 一种基于图像处理的舌象齿痕检测方法

Also Published As

Publication number Publication date
CN117115174A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN110097034B (zh) 一种智能人脸健康程度的识别与评估方法
CN109507192B (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
CN109410230B (zh) 一种可抗噪声的改进Canny图像边缘检测方法
CN113592861B (zh) 一种基于动态阈值的桥梁裂缝检测方法
CN115841434B (zh) 一种用于气体浓度分析的红外图像增强方法
CN108563979B (zh) 一种基于航拍农田图像判别水稻稻瘟病病情的方法
CN109671046B (zh) 利用皮肤图像分析皮肤水分的方法及装置
CN117095004B (zh) 基于计算机视觉的挖掘机行走架主体焊接变形检测方法
CN115131359B (zh) 一种金属加工件表面麻点缺陷检测方法
CN116703909B (zh) 一种电源适配器生产质量智能检测方法
CN111145205B (zh) 基于红外图像的多猪只场景下猪体温检测方法
CN110288540B (zh) 一种碳纤维导线x射线图像在线成像标准化方法
CN117115174B (zh) 一种钳子外形自动检测方法及系统
CN111507347A (zh) 一种基于偏微分方程的电力设备红外图像增强与分割方法
CN115830021A (zh) 一种用于五金件加工的金属表面缺陷检测方法
CN113052833A (zh) 一种基于红外热辐射的非视域成像方法
Di et al. The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature
CN113834447A (zh) 一种户外复杂环境下高动态激光光条自适应成像处理方法
TW201810182A (zh) 皮膚組織估測方法及應用其之系統
KR101334029B1 (ko) 두경부 근육 추출 방법 및 ｒｏｉ분석 방법
CN116883401B (zh) 一种工业产品生产质量检测系统
CN117808799B (zh) 基于人工智能的倒角设备加工质量检测方法
CN116188510B (zh) 一种基于多传感器的企业排放数据采集系统
Gumiran et al. Enhancing Threshold-based Phenotyping by Normalizing Image Luminosity

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