CN117132655A - 基于机器视觉的灌装桶口位置测量方法 - Google Patents
基于机器视觉的灌装桶口位置测量方法 Download PDFInfo
- Publication number
- CN117132655A CN117132655A CN202311390998.6A CN202311390998A CN117132655A CN 117132655 A CN117132655 A CN 117132655A CN 202311390998 A CN202311390998 A CN 202311390998A CN 117132655 A CN117132655 A CN 117132655A
- Authority
- CN
- China
- Prior art keywords
- image
- template
- target image
- filling
- pixel
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000691 measurement method Methods 0.000 claims abstract description 9
- 238000005498 polishing Methods 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000005530 etching Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 230000008054 signal transmission Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 101100408454 Arabidopsis thaliana PLC6 gene Proteins 0.000 description 1
- 101100408456 Arabidopsis thaliana PLC8 gene Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009924 canning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- 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
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及桶口位置测量技术领域,具体涉及一种基于机器视觉的灌装桶口位置测量方法,包括采集目标图像,在目标图像中框选桶口区域图像并制作模板图像,对模板图像与目标图像进行预处理,包括灰度化、自适应阈值和滤波,将预处理后的模板图像与目标图像匹配,得到匹配的桶口图像,对匹配到的桶口图像进行粗定位,通过粗定位得到的坐标位置移动相机至桶口的上方,通过环形光源垂直辅助打光、并对模板匹配方法得到的桶口图像进行处理,使用基于霍夫梯度变换改进的圆形检测方法计算桶口的位置;本发明设有粗定位与精定位两步操作,并通过环形光源近距离打光方式滤除噪声;选择高精度棋盘格标定比率,引入亚像素角点检测法,有效提高标定比率的精度。
Description
技术领域
本发明涉及桶口位置测量技术领域,具体涉及基于机器视觉的灌装桶口位置测量方法。
背景技术
近年来,随着机器视觉技术的发展,越来越多的领域开始尝试使用机器视觉技术来辅助实现自动化和智能化,如何精准定位灌装桶口对许多涉及液体灌装的工厂来说一直是一个具有挑战性的难题。目前,国内大多数自动化工厂仍采用人工灌装或半自动灌装等方法,普遍存在精度差、灌装效率低等问题。尤其是对于灌装有毒或腐蚀性较强的液体,也易对人体造成较大的伤害。故利用机器视觉算法技术对灌装桶口精准测量定位,能够减轻人工劳动强度,提高灌装效率。
发明内容
本发明的目的是提供基于机器视觉的灌装桶口位置测量方法,实现对灌装桶口的高精度化测量定位。
为达到以上之目的,本发明采用的技术方案是:
基于机器视觉的灌装桶口位置测量方法,包括以下步骤:
步骤一:面阵相机视觉成像系统实时采集灌装桶口的图像即为目标图像;
步骤二:在目标图像中人工框选桶口区域图像并制作模板图像;
步骤三:对模板图像与目标图像进行图像预处理操作,包括灰度化处理、自适应阈值处理和滤波处理;
步骤四:将预处理后的模板图像与目标图像进行模板匹配,得到匹配的灌装桶口图像;
步骤五:对匹配到的灌装桶口图像进行粗定位;
步骤六:通过粗定位得到的坐标位置移动相机到灌装桶口的正上方,通过环形光源辅助打光、并对此时模板匹配方法得到的灌装桶口图像进行步骤三的图像预处理操作,使用基于霍夫梯度变换改进的圆形检测方法计算桶口的精确位置,实现灌装桶口的精定位。
作为上述技术方案的进一步描述,所述步骤三的具体步骤包括:
步骤3-1:对模板图像与目标图像进行灰度化处理,增强模板图像与目标图像的特征;
步骤3-2:对得到的模板图像与目标图像进行自适应阈值处理,从灰度图像中分离目标区域与背景区域;
步骤3-3:对得到的模板图像与目标图像进行滤波中的腐蚀与膨胀操作,去除图像中的噪声点;
步骤3-4:对得到的模板图像与目标图像进行高斯滤波处理,对整幅图像的像素值进行加权平均,距离处理像素点越近的点权重越大,距离像素点越远的点权重越小;
步骤3-5:对得到的模板图像与目标图像进行中值滤波处理,将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。
作为上述技术方案的进一步描述,所述步骤四的具体步骤包括:
步骤4-1:将预处理后的模板图像与目标图像进行模板匹配,选取模板匹配的方法为归一化平方差匹配方法,具体步骤:首先,对目标图像和模板图像的像素做均值和标准差归一化处理;随后,从目标图像与模板图像中提取出一组特征点,包括角点和边缘点,对于每个特征点使用局部图像块的灰度值进行描述,并将特征点的信息转化为一个矩阵;接着,将目标图像与模板图像的特征点进行匹配,建立对应的特征关系,通过像素点之间的平方差作为匹配指标,计算出差异最小的变换参数;最后,根据计算的变换参数,将模板图像与目标图像匹配;
步骤4-2:根据模板匹配的匹配值,返回多个匹配的位置坐标,选择最佳匹配结果的位置坐标;
步骤4-3:根据最佳匹配的位置坐标,用矩形框将其框出,并返回最佳匹配图像。
作为上述技术方案的进一步描述,所述步骤五的具体步骤包括:
步骤5-1:首先运用面阵相机视觉成像系统实时采集棋盘格角点图像,利用亚像素角点检测方法,提取并计算棋盘格单边像素长度,并依据真实的棋盘格单边长度进行比率换算,得到单位长度1mm实际对应的图像像素值;
步骤5-2:然后根据步骤4-3中返回的灌装桶口图像进行粗定位算法,根据霍夫圆检测算法计算出灌装桶口距离图像像素坐标系的中心点的相对位置,坐标轴X轴正方向为向右,坐标轴Y轴正方向为向下,与机械结构运动的坐标系方向一致,根据粗定位算法计算出的相对位置坐标,移动相机至灌装桶口正上方。
作为上述技术方案的进一步描述,所述步骤六的具体步骤包括:
步骤6-1:通过粗定位得到的坐标位置移动相机到灌装桶口正上方,发现此时相机位置距离桶口正上方的位置会存在一定的偏差;
步骤6-2:在步骤6-1的基础上对匹配的灌装桶口图像进行精定位,通过可伸缩光源支撑架将环形光源升降到灌装桶口正上方30mm处,辅助光源从上方竖直向下打光,便于灌装桶口精准的测量;
步骤6-3:在此时位置再运用基于霍夫梯度变换改进的圆检测算法,通过比率换算计算出此时灌装桶口在机器坐标系中的坐标,再将此坐标值通过信号传输发送给PLC,具体步骤为:首先利用传统的霍夫梯度法计算出此时匹配到的灌装桶口图像中存在的圆轮廓,一般为多个圆轮廓,其次,将这些圆轮廓返回的半径值经过归一化、直方图算法处理,此时待测桶口的真实半径值应与直方图的峰值相对应,再进一步,将峰值设置为调用霍夫圆检测算法的圆轮廓半径阈值。
与现有技术相比,本发明的有益效果为:
1、本发明所公开的基于机器视觉的灌装桶口位置测量方法考虑到相机采集的灌装桶口图像存在噪声的问题,会造成霍夫圆检测算法误检的现象,为了精确测量桶口位置坐标设置粗定位与精定位两步骤操作,在精定位步骤中引入改进的霍夫圆检测算法,有效的提高了灌装桶口圆轮廓检测的精度与速度。
2、本发明考虑到像素值与真实值换算存在误差,故选择了高精度加工的棋盘格用于标定比率,并在角点检测中采用了亚像素角点检测的方法,进一步提高了标定比率的精度。
3、本发明通过环形光源离桶口近距离垂直打光的方式,增强待测灌装桶口相应区域的亮度,区别于辅助光源倾斜打光方式产生的效果,便于改进的霍夫圆检测算法精准定位桶口圆轮廓,提高测量精度。
附图说明
图1为本发明基于机器视觉的罐装桶口精准定位的算法流程图;
图2为真实值与像素值比率换算的效果图;
图3为灌装桶口检测的效果图一;
图4为灌装桶口检测的效果图二;
图5为本发明的实施例的设备示意图;
图中:1、可调节相机高度支架;2、面阵相机;3、可伸缩光源支撑架;4、环形光源;5、物料桶;6、传送平台;7、光电传感器;8、PLC;9、交换机;10、防爆电气柜;11、显示屏;12、工控机。
具体实施方式
下面结合附图并通过具体实施方式来进一步详细的说明本发明的技术方案,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图5所示为本实施例的设备示意图,包括传送平台6,放置在传送平台6上进行移动输送的物料桶5,以及设置在传送平台6旁的光电传感器7,传送平台6上方的面阵相机2用可调节相机高度支架1固定,面阵相机2下方的环形光源4用可伸缩光源支撑架3上下移动,防爆电气柜10内的PLC8为可编程逻辑控制器,通过交换机9实现上位机与下位机的实时通信,操作界面由显示屏11和工控机12组成,光电传感器7检测桶到位后,视觉测量定位系统运行。
请结合参阅图1~图5,本发明提供一种技术方案:基于机器视觉的灌装桶口位置测量方法,其特征在于:包括以下步骤:
步骤一:面阵相机视觉成像系统实时采集灌装桶口的图像即为目标图像;
步骤二:在目标图像中人工框选桶口区域图像并制作模板图像;
步骤三:对模板图像与目标图像进行图像预处理操作,包括灰度化处理、自适应阈值处理和滤波处理;
步骤四:将预处理后的模板图像与目标图像进行模板匹配,得到匹配的灌装桶口图像;
步骤五:对匹配到的灌装桶口图像进行粗定位;
步骤六:通过粗定位得到的坐标位置移动相机到灌装桶口的正上方,通过环形光源辅助打光、并对此时模板匹配方法得到的灌装桶口图像进行步骤三的图像预处理操作,使用基于霍夫梯度变换改进的圆形检测方法计算桶口的精确位置,实现灌装桶口的精定位。
步骤三的具体步骤包括:
步骤3-1:对模板图像与目标图像进行灰度化处理,增强模板图像与目标图像的特征,便于后续进行模板匹配、桶口位置计算等操作;
步骤3-2:对得到的模板图像与目标图像进行自适应阈值处理,目的是为了从灰度图像中分离目标区域与背景区域,与二值化阈值分割不同,自适应阈值处理方法不计算图像的全局阈值,根据像素的邻域块的像素值分布来确定该像素位置上的阈值,不同亮度、对比度、纹理特征的局部图像区域会拥有相应的局部二值化阈值;
步骤3-3:对得到的模板图像与目标图像进行滤波中的腐蚀与膨胀操作,尽可能去除图像中的噪声点;
腐蚀操作,即将预处理后的图像外围突出轮廓点加以腐蚀,具体原理为拾取每一个位置的矩形邻域内值的最小值作为该位置的输出灰度值,这里的邻域是十字交叉形结构,这个结构被定义为结构元,实际上就是个0和1的二值矩阵,
假设给定像素矩阵为:
,
以及一个十字交叉结构元:
,
在对点处的像素值处理时,也就是要在其十字领域内找最小值,并赋值给,假设十字领域内最小值为,故原像素矩阵经过腐蚀操作变为:
,
从上述像素矩阵图中很容易的看出,腐蚀操作将灰度值降低了,也就是说腐蚀后的输出图像总体亮度比原图有所降低,图像中比较亮的区域面积会变小,比较暗的区域面积增大;
膨胀相当于是腐蚀反向操作,图像中较亮的物体尺寸会变大,较暗的物体尺寸会减小。还是相同的例子,在的十字邻域内找最大值,假设最大值为,将赋值到这个位置,故原像素矩阵经过腐蚀操作变为:
;
从上述像素矩阵图中很容易的看出,膨胀操作将灰度值提高了,也就是说膨胀后的输出图像总体亮度比原图有所提高,图像中比较亮的区域面积会变大,比较暗的区域面积减小;
步骤3-4:对得到的模板图像与目标图像进行高斯滤波处理,用于消除模板图像与目标图像中的高斯噪声,其原理是对整幅图像的像素值进行加权平均,距离处理像素点越近的点权重越大,距离像素点越远的点权重越小;
步骤3-5:对得到的模板图像与目标图像进行中值滤波处理,用于消除模板图像与目标图像中的椒盐噪声与脉冲噪声,保留图像边缘特征,其方法是将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。
步骤四的具体步骤包括:
步骤4-1:将预处理后的模板图像与目标图像进行模板匹配,选取模板匹配的方法为归一化平方差匹配方法,具体步骤:首先,对目标图像和模板图像的像素做均值和标准差归一化处理;随后,从目标图像与模板图像中提取出一组特征点,包括角点和边缘点,对于每个特征点使用局部图像块的灰度值进行描述,并将特征点的信息转化为一个矩阵;接着,将目标图像与模板图像的特征点进行匹配,建立对应的特征关系,通过像素点之间的平方差作为匹配指标,计算出差异最小的变换参数;最后,根据计算的变换参数,将模板图像与目标图像匹配;
步骤4-2:根据模板匹配的匹配值,返回多个匹配的位置坐标,选择最佳匹配结果的位置坐标,最佳匹配结果即通过模板匹配算法得到的图像为目标图像中桶口区域的图像;
步骤4-3:根据最佳匹配的位置坐标,用矩形框将其框出,并返回最佳匹配图像。
步骤五的具体步骤包括:
步骤5-1:如图2所示,运用面阵相机视觉成像系统实时采集棋盘格角点图像,利用亚像素角点检测方法,提取并计算棋盘格单边像素长度,并依据真实的棋盘格单边长度进行比率换算,得到单位长度1mm实际对应的图像像素值,铝制棋盘格参数:单元方格边长:15mm,图案阵列:12*9,图案加工精度±0.005mm;
步骤5-2:然后根据步骤4-3中返回的灌装桶口图像进行粗定位算法,如图3和图4所示(图3为灌装铁桶桶口检测的效果图,图4为灌装塑料桶桶口检测的效果图),根据霍夫圆检测算法计算出灌装桶口距离图像像素坐标系的中心点(即图中XY轴线相交点)的相对位置,坐标轴X轴正方向为向右,坐标轴Y轴正方向为向下,与机械结构运动的坐标系方向一致,故根据粗定位算法计算出的相对位置坐标,移动相机至灌装桶口正上方。
步骤六的具体步骤包括:
步骤6-1:通过粗定位得到的坐标位置移动相机到灌装桶口正上方,发现此时相机位置距离桶口正上方的位置会存在一定的偏差;
步骤6-2:在步骤6-1的基础上对匹配的灌装桶口图像进行精定位,通过可伸缩光源支撑架将环形光源升降到灌装桶口正上方30mm处,辅助光源通过从上方竖直向下打光的方式可以增强待测灌装桶口相应区域的亮度,区别于辅助光源倾斜打光方式产生的效果,便于改进的霍夫圆检测算法精准定位桶口圆轮廓,实现高精度测量;
步骤6-3:在此时位置再运用基于霍夫梯度改进的圆检测算法,通过比率换算计算出此时灌装桶口在机器坐标系中的坐标,再将此坐标值通过信号传输发送给PLC,让机器完成灌装动作,改进的霍夫圆检测算法具体步骤为:首先利用传统的霍夫梯度法计算出此时匹配到的灌装桶口图像中存在的圆轮廓,一般为多个圆轮廓,其次,将这些圆轮廓返回的半径值经过归一化、直方图算法处理,此时待测桶口的真实半径值应与直方图的峰值相对应,再进一步,将直方图此时对应的峰值设置为霍夫圆检测算法的圆轮廓半径阈值,可以有效滤除非待测桶口的圆轮廓,提高计算速度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,进行相关的多种变化、改型或添加,均应该涵盖在本发明的保护范围之内。
Claims (4)
1.基于机器视觉的灌装桶口位置测量方法,其特征在于:包括以下步骤:
步骤一:面阵相机视觉成像系统实时采集灌装桶口的图像即为目标图像;
步骤二:在目标图像中人工框选桶口区域图像并制作模板图像;
步骤三:对模板图像与目标图像进行图像预处理操作,包括灰度化处理、自适应阈值处理和滤波处理;
步骤四:将预处理后的模板图像与目标图像进行模板匹配,得到匹配的灌装桶口图像;
步骤五:对匹配到的灌装桶口图像进行粗定位;
步骤六:通过粗定位得到的坐标位置移动相机到灌装桶口的正上方,通过环形光源辅助打光、并对此时模板匹配方法得到的灌装桶口图像进行步骤三的图像预处理操作,使用基于霍夫梯度变换改进的圆形检测方法计算桶口的精确位置,实现灌装桶口的精定位;所述步骤六的具体步骤包括:
步骤6-1:移动相机到灌装桶口上方,此时相机位置距离桶口正上方的位置会存在一定的偏差;
步骤6-2:在步骤6-1的基础上对匹配的灌装桶口图像进行精定位,通过可伸缩光源支撑架将环形光源升降到灌装桶口正上方30mm处,辅助光源从上方竖直向下打光;
步骤6-3:在此时位置再运用基于霍夫梯度变换改进的圆检测算法,通过比率换算计算出此时灌装桶口在机器坐标系中的坐标,再将此坐标值通过信号传输发送给PLC,具体步骤为:首先利用霍夫梯度法计算出此时匹配到的灌装桶口图像中存在的圆轮廓,其次,将这些圆轮廓返回的半径值经过归一化、直方图算法处理,此时待测桶口的真实半径值应与直方图的峰值相对应,再进一步,将峰值设置为调用霍夫圆检测算法的圆轮廓半径阈值。
2.根据权利要求1所述的基于机器视觉的灌装桶口位置测量方法,其特征在于:所述步骤三的具体步骤包括:
步骤3-1:对模板图像与目标图像进行灰度化处理,增强模板图像与目标图像的特征;
步骤3-2:对得到的模板图像与目标图像进行自适应阈值处理,从灰度图像中分离目标区域与背景区域;
步骤3-3:对得到的模板图像与目标图像进行滤波中的腐蚀与膨胀操作,去除图像中的噪声点;
腐蚀操作,即将预处理后的图像外围突出轮廓点加以腐蚀,具体原理为拾取每一个位置的矩形邻域内值的最小值作为该位置的输出灰度值,这里的邻域是十字交叉形结构,这个结构被定义为结构元,实为0和1的二值矩阵,假设给定像素矩阵为:
,
以及一个十字交叉结构元:
,
在对点处的像素值处理时,也就是要在其十字领域内找最小值,并赋值给,假设十字领域内最小值为,故原像素矩阵经过腐蚀操作变为:
,
膨胀相当于是腐蚀反向操作,在的十字邻域内找最大值,假设最大值为,将赋值到这个位置,故原像素矩阵经过腐蚀操作变为:
;
步骤3-4:对得到的模板图像与目标图像进行高斯滤波处理,对整幅图像的像素值进行加权平均,距离处理像素点越近的点权重越大,距离像素点越远的点权重越小;
步骤3-5:对得到的模板图像与目标图像进行中值滤波处理,将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。
3.根据权利要求1所述的基于机器视觉的灌装桶口位置测量方法,其特征在于:所述步骤四的具体步骤包括:
步骤4-1:将预处理后的模板图像与目标图像进行模板匹配,选取模板匹配的方法为归一化平方差匹配方法,具体步骤:首先,对目标图像和模板图像的像素做均值和标准差归一化处理;随后,从目标图像与模板图像中提取出一组特征点,包括角点和边缘点,对于每个特征点使用局部图像块的灰度值进行描述,并将特征点的信息转化为一个矩阵;接着,将目标图像与模板图像的特征点进行匹配,建立对应的特征关系,通过像素点之间的平方差作为匹配指标,计算出差异最小的变换参数;最后,根据计算的变换参数,将模板图像与目标图像匹配;
步骤4-2:根据模板匹配的匹配值,返回多个匹配的位置坐标,选择最佳匹配结果的位置坐标;
步骤4-3:根据最佳匹配的位置坐标,用矩形框将其框出,并返回最佳匹配图像。
4.根据权利要求1所述的基于机器视觉的灌装桶口位置测量方法,其特征在于:所述步骤五的具体步骤包括:
步骤5-1:首先运用面阵相机视觉成像系统实时采集棋盘格角点图像,利用亚像素角点检测方法,提取并计算棋盘格单边像素长度,并依据真实的棋盘格单边长度进行比率换算,得到单位长度1mm实际对应的图像像素值;棋盘格参数:单元方格边长:15mm,图案阵列:12*9;
步骤5-2:根据步骤4-3中返回的灌装桶口图像进行粗定位算法,根据霍夫圆检测算法计算出灌装桶口距离图像像素坐标系的中心点的相对位置,坐标轴X轴正方向为向右,坐标轴Y轴正方向为向下,与机械结构运动的坐标系方向一致,根据粗定位算法计算出的相对位置坐标,移动相机至灌装桶口正上方。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311390998.6A CN117132655B (zh) | 2023-10-25 | 2023-10-25 | 基于机器视觉的灌装桶口位置测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311390998.6A CN117132655B (zh) | 2023-10-25 | 2023-10-25 | 基于机器视觉的灌装桶口位置测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132655A true CN117132655A (zh) | 2023-11-28 |
CN117132655B CN117132655B (zh) | 2024-01-26 |
Family
ID=88851104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311390998.6A Active CN117132655B (zh) | 2023-10-25 | 2023-10-25 | 基于机器视觉的灌装桶口位置测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132655B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670875A (zh) * | 2024-01-31 | 2024-03-08 | 深圳市恒星包装机械有限公司 | 一种罐装封尾过程中视觉检测方法及系统 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003024859A1 (de) * | 2001-09-20 | 2003-03-27 | Krones Ag | Verfahren zur kontrolle verschlüssen auf gefässen |
CN201670717U (zh) * | 2010-04-20 | 2010-12-15 | 湖南信息职业技术学院 | 一种基于视觉定位的偏心桶灌装装置 |
CN102749031A (zh) * | 2012-06-26 | 2012-10-24 | 河海大学常州校区 | 自动灌装桶的加注口快速视觉定位方法 |
CN103738902A (zh) * | 2014-01-02 | 2014-04-23 | 长春北方仪器设备有限公司 | 一种视觉定位灌装机器人系统及视觉定位灌装方法 |
DE102015205505A1 (de) * | 2015-03-26 | 2016-09-29 | Mando Corporation | Verfahren und Vorrichtung zum Detektieren elliptischer Strukturen in einem Bild |
CN207890142U (zh) * | 2017-12-08 | 2018-09-21 | 上海霄腾机电设备有限公司 | 一种试剂管灌装定位机构 |
CN109433641A (zh) * | 2018-09-30 | 2019-03-08 | 南通大学 | 基于机器视觉的片剂胶囊灌装遗漏智能检测方法 |
CN110936077A (zh) * | 2019-12-31 | 2020-03-31 | 南京衍构科技有限公司 | 一种膜式水冷壁堆焊路径生成方法 |
CN112164071A (zh) * | 2020-09-16 | 2021-01-01 | 电子科技大学 | 基于机器视觉的双层箱内层箱箱口定位算法 |
CN112686920A (zh) * | 2020-12-31 | 2021-04-20 | 天津理工大学 | 一种圆形零件几何尺寸参数视觉测量方法及系统 |
CN112707358A (zh) * | 2020-12-16 | 2021-04-27 | 烟台星座工贸有限公司 | 一种用于液体原料灌装的自动化装置 |
CN112734750A (zh) * | 2021-01-25 | 2021-04-30 | 上海交通大学 | 罐盖视觉检测与定位方法及系统、介质、装置 |
CN113313725A (zh) * | 2021-05-28 | 2021-08-27 | 湖北三江航天江河化工科技有限公司 | 含能材料药桶的桶口识别方法及系统 |
CN113371660A (zh) * | 2021-05-12 | 2021-09-10 | 展一智能科技(东台)有限公司 | 一种桶口识别定位装置、灌装机及桶口识别定位方法 |
CN114331995A (zh) * | 2021-12-24 | 2022-04-12 | 无锡超通智能制造技术研究院有限公司 | 一种基于改进2d-icp的多模板匹配实时定位方法 |
CN114494045A (zh) * | 2022-01-10 | 2022-05-13 | 南京工大数控科技有限公司 | 一种基于机器视觉的大型直齿轮几何参数测量系统及方法 |
CN218259094U (zh) * | 2022-10-09 | 2023-01-10 | 冠礼控制科技(上海)有限公司 | 一种新型全自动电子级化学品罐充流水线系统 |
CN115752969A (zh) * | 2022-11-22 | 2023-03-07 | 江苏金旺智能科技有限公司 | 一种铝箔封口密封性检测方法及系统和设备 |
CN115893294A (zh) * | 2022-12-09 | 2023-04-04 | 苏州岗上机器人有限公司 | 基于2d相机的机器人自动加注方法 |
-
2023
- 2023-10-25 CN CN202311390998.6A patent/CN117132655B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003024859A1 (de) * | 2001-09-20 | 2003-03-27 | Krones Ag | Verfahren zur kontrolle verschlüssen auf gefässen |
CN201670717U (zh) * | 2010-04-20 | 2010-12-15 | 湖南信息职业技术学院 | 一种基于视觉定位的偏心桶灌装装置 |
CN102749031A (zh) * | 2012-06-26 | 2012-10-24 | 河海大学常州校区 | 自动灌装桶的加注口快速视觉定位方法 |
CN103738902A (zh) * | 2014-01-02 | 2014-04-23 | 长春北方仪器设备有限公司 | 一种视觉定位灌装机器人系统及视觉定位灌装方法 |
DE102015205505A1 (de) * | 2015-03-26 | 2016-09-29 | Mando Corporation | Verfahren und Vorrichtung zum Detektieren elliptischer Strukturen in einem Bild |
CN207890142U (zh) * | 2017-12-08 | 2018-09-21 | 上海霄腾机电设备有限公司 | 一种试剂管灌装定位机构 |
CN109433641A (zh) * | 2018-09-30 | 2019-03-08 | 南通大学 | 基于机器视觉的片剂胶囊灌装遗漏智能检测方法 |
CN110936077A (zh) * | 2019-12-31 | 2020-03-31 | 南京衍构科技有限公司 | 一种膜式水冷壁堆焊路径生成方法 |
CN112164071A (zh) * | 2020-09-16 | 2021-01-01 | 电子科技大学 | 基于机器视觉的双层箱内层箱箱口定位算法 |
CN112707358A (zh) * | 2020-12-16 | 2021-04-27 | 烟台星座工贸有限公司 | 一种用于液体原料灌装的自动化装置 |
CN112686920A (zh) * | 2020-12-31 | 2021-04-20 | 天津理工大学 | 一种圆形零件几何尺寸参数视觉测量方法及系统 |
CN112734750A (zh) * | 2021-01-25 | 2021-04-30 | 上海交通大学 | 罐盖视觉检测与定位方法及系统、介质、装置 |
CN113371660A (zh) * | 2021-05-12 | 2021-09-10 | 展一智能科技(东台)有限公司 | 一种桶口识别定位装置、灌装机及桶口识别定位方法 |
CN113313725A (zh) * | 2021-05-28 | 2021-08-27 | 湖北三江航天江河化工科技有限公司 | 含能材料药桶的桶口识别方法及系统 |
CN114331995A (zh) * | 2021-12-24 | 2022-04-12 | 无锡超通智能制造技术研究院有限公司 | 一种基于改进2d-icp的多模板匹配实时定位方法 |
CN114494045A (zh) * | 2022-01-10 | 2022-05-13 | 南京工大数控科技有限公司 | 一种基于机器视觉的大型直齿轮几何参数测量系统及方法 |
CN218259094U (zh) * | 2022-10-09 | 2023-01-10 | 冠礼控制科技(上海)有限公司 | 一种新型全自动电子级化学品罐充流水线系统 |
CN115752969A (zh) * | 2022-11-22 | 2023-03-07 | 江苏金旺智能科技有限公司 | 一种铝箔封口密封性检测方法及系统和设备 |
CN115893294A (zh) * | 2022-12-09 | 2023-04-04 | 苏州岗上机器人有限公司 | 基于2d相机的机器人自动加注方法 |
Non-Patent Citations (4)
Title |
---|
孔峰: "基于单目机器视觉的在线自动灌装系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 3, pages 138 - 1569 * |
岳晓峰等: "剧毒液体灌装机桶口的检测与定位系统", 《化工自动化及仪表》, vol. 32, no. 1, pages 48 - 50 * |
张铖: "基于机器视觉的自动灌装控制系统研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 1, pages 029 - 720 * |
董树巍等: "基于机器视觉的全自动定值灌装系统", 《衡器》, vol. 40, no. 11, pages 29 - 32 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670875A (zh) * | 2024-01-31 | 2024-03-08 | 深圳市恒星包装机械有限公司 | 一种罐装封尾过程中视觉检测方法及系统 |
CN117670875B (zh) * | 2024-01-31 | 2024-04-02 | 深圳市恒星包装机械有限公司 | 一种罐装封尾过程中视觉检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117132655B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111896556B (zh) | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 | |
CN109003258B (zh) | 一种高精度亚像素圆形零件测量方法 | |
CN117132655B (zh) | 基于机器视觉的灌装桶口位置测量方法 | |
CN109974582B (zh) | 一种汽车线束的芯线尺寸非接触式视觉检测装置及方法 | |
CN108764234B (zh) | 一种基于巡检机器人的液位仪表读数识别方法 | |
CN106934813A (zh) | 一种基于视觉定位的工业机器人工件抓取实现方法 | |
CN108007388A (zh) | 一种基于机器视觉的转盘角度高精度在线测量方法 | |
CN109978940B (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
CN103063137B (zh) | 一种基于机器视觉的药瓶测量系统及其测量方法 | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN107101598B (zh) | 一种压电陶瓷银片同心度质量自动检测方法和装置 | |
CN108107837A (zh) | 一种基于视觉引导的玻璃加工装置及方法 | |
CN111462066A (zh) | 一种基于机器视觉的螺纹参数检测方法 | |
CN110569857A (zh) | 一种基于质心距离计算的图像轮廓角点检测方法 | |
CN114494045A (zh) | 一种基于机器视觉的大型直齿轮几何参数测量系统及方法 | |
CN110717909A (zh) | 一种金属表面划痕检测方法与装置 | |
CN115096206A (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
CN113643280A (zh) | 一种基于计算机视觉的板材分拣系统及方法 | |
CN113658092A (zh) | 一种基于图像处理的铝电解电容缺陷检测方法 | |
CN114235837A (zh) | 基于机器视觉的led封装表面缺陷检测方法、装置、介质及设备 | |
CN111402330A (zh) | 一种基于平面靶标的激光线关键点提取方法 | |
Yang et al. | Vial bottle mouth defect detection based on machine vision | |
CN113996500A (zh) | 一种基于视觉点胶机器人的点胶智能识别系统 | |
CN115861217A (zh) | 一种基于视觉的背光板电路板缺陷检测系统及方法 | |
CN104614372B (zh) | 一种太阳能硅片检测方法 |
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 |