CN117291985B - 一种零件冲孔的图像定位方法 - Google Patents

一种零件冲孔的图像定位方法 Download PDF

Info

Publication number
CN117291985B
CN117291985B CN202311577204.7A CN202311577204A CN117291985B CN 117291985 B CN117291985 B CN 117291985B CN 202311577204 A CN202311577204 A CN 202311577204A CN 117291985 B CN117291985 B CN 117291985B
Authority
CN
China
Prior art keywords
edge
region
area
index
obtaining
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
CN202311577204.7A
Other languages
English (en)
Other versions
CN117291985A (zh
Inventor
张兼硕
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.)
Qingdao Yilin Sairui Intelligent Technology Co ltd
Original Assignee
Qingdao Yilin Sairui Intelligent Technology 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 Qingdao Yilin Sairui Intelligent Technology Co ltd filed Critical Qingdao Yilin Sairui Intelligent Technology Co ltd
Priority to CN202311577204.7A priority Critical patent/CN117291985B/zh
Publication of CN117291985A publication Critical patent/CN117291985A/zh
Application granted granted Critical
Publication of CN117291985B publication Critical patent/CN117291985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • G06T7/73Determining position or orientation of objects or cameras using feature-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/187Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30164Workpiece; Machine component
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明涉及边缘检测技术领域,具体涉及一种零件冲孔的图像定位方法。该方法对待冲孔零件表面灰度图像划分获得分析区域,根据灰度分布和变化情况,得到像素特征指标确定相似边缘区域;采用canny算法得到待连接边缘,基于区域中的形状特征获得每个相似边缘区域的形状特征指标确定待连接区域;根据待连接边缘中每个待连接区域与其他待连接区域之间的边缘点分布和像素特征得到结构特征指标,结合像素特征指标和形状特征指标,得到每个待连接区域与其他待连接区域之间的连接指标;通过所有连接指标得到连接边缘进行定位。本发明结合零件外界边缘的细节特征得到更准确的边缘结果,使根据边缘结果进行冲孔位置的定位结果精确度更高。

Description

一种零件冲孔的图像定位方法
技术领域
本发明涉及边缘检测技术领域,具体涉及一种零件冲孔的图像定位方法。
背景技术
零件冲孔定位指的是使用冲孔机对零件特定部分打孔,在制造过程中对零件表面进行冲压、切割或孔洞加工的一种操作。冲孔通常是通过在金属或其他材料上施加力量,通过冲孔模具将材料切割或者压出一个或多个孔洞。那么精确的定位就成为了较为关键的步骤。
在零件冲孔的图像定位中,常用的方法是通过图像处理技术进行零件的边缘检测和提取,通过分析零件边缘,实现准确的图像定位。在较为常用的canny算法检测边缘中,由于零件具有较为复杂的特征,即零件除了外部的边缘在其可视的表面也存在许多较明显的纹理,使通过canny算法进行边缘提取的过程中,在最后的边缘连接阶段,会将不相关的边缘连接在一起,使得到的边缘结果准确性不高,进而通过边缘结果进行冲孔位置的定位结果精确度不高。
发明内容
为了解决现有技术中canny算法得到的边缘结果准确性不高,进而通过边缘结果进行冲孔位置的定位结果精确度不高的技术问题,本发明的目的在于提供一种零件冲孔的图像定位方法,所采用的技术方案具体如下:
本发明提供了一种零件冲孔的图像定位方法,所述方法包括:
获取待冲孔零件表面灰度图像;将待冲孔零件表面灰度图像划分为预设数量个分析区域;
根据每个分析区域中像素点的灰度分布情况和灰度变化复杂情况,获得每个分析区域的像素特征指标,根据像素特征指标确定分析区域中的相似边缘区域;
采用canny算法获取每个相似边缘区域中的待连接边缘,根据相似边缘区域中待连接边缘的规整程度,获得每个相似边缘区域的形状特征指标;根据形状特征指标确定相似边缘区域中的待连接区域;
在每个待连接区域对应的预设邻域范围内,根据每个待连接区域与其他待连接区域之间边缘点的分布差异情况和像素特征指标的差异情况,获得每个待连接区域与对应每个其他待连接区域之间的结构特征指标;
根据每个待连接区域像素特征指标和形状特征指标,以及与对应每个其他待连接区域之间的结构特征指标,获得每个待连接区域与对应每个其他待连接区域之间的连接指标;根据所有待连接区域的连接指标获得待冲孔零件表面灰度图像中的连接边缘进行冲孔定位。
进一步地,所述像素特征指标的获取方法包括:
对于待冲孔零件表面灰度图像中任意一个分析区域,计算该分析区域中所有像素点的像素值的方差,获得该分析区域的灰度复杂度;
计算该分析区域中所有像素点的梯度幅值的熵值,获得该分析区域的变化复杂度;计算该分析区域中所有像素点的梯度幅值的均值,获得该分析区域的灰度变化度;根据该分析区域的变化复杂度和灰度变化度,获得该分析区域的灰度变化复杂指标;变化复杂度和灰度变化度均与灰度变化复杂指标呈正相关;
根据该分析区域的灰度复杂度和灰度变化复杂指标,获得该分析区域的像素特征指标;灰度复杂度和灰度变化复杂指标均与像素特征指标呈正相关,且像素特征指标为进行归一化处理后的值。
进一步地,所述形状特征指标的获取方法包括:
依次将每个相似边缘区域作为目标区域,从目标区域的左上角开始呈S行遍历对待连接边缘对应边缘点进行标号,获取目标区域的边缘点序列;
计算目标区域的边缘点序列中每个边缘点距离目标区域的主对角线的最短距离,并进行归一化处理获得每个边缘点的距离指标;根据目标区域的边缘点序列中每个边缘点的距离指标获取目标区域的形状特征指标。
进一步地,所述形状特征指标的表达式为:
;式中,/>表示为第/>个相似边缘区域的形状特征指标,/>表示为边缘序列中第/>个边缘点的距离指标,/>表示为第/>个相似边缘区域的边缘序列中边缘点的总数量,/>表示为自然常数。
进一步地,所述结构特征指标的获取方法包括:
对于任意一个待连接区域,依次将该待连接区域对应预设邻域范围内的每个其他待连接区域作为参考区域;
计算该待连接区域与参考区域之间边缘点总数量的差异,获得分布差异值;计算该待连接区域与参考区域之间像素特征指标的差异,获得特征差异值;计算该待连接区域与参考区域中待连接边缘之间的最短距离,获得该待连接区域与参考区域的距离差异值;
根据该待连接区域与参考区域的分布差异值、特征差异值和距离差异值,获得该待连接区域与参考区域的结构特征指标;分布差异值、特征差异值和距离差异值均与结构特征指标呈负相关,结构特征指标为归一化处理后的值。
进一步地,所述连接指标的获取方法包括:
对于任意一个待连接区域,将该待连接区域的像素特征指标与形状特征指标的乘积进行归一化处理,获得该待连接区域的连接特征指标;
将该待连接区域的连接特征指标以及该待连接区域与对应每个其他待连接区域之间的结构特征指标,进行加权求和并归一化处理获得该待连接区域与对应每个其他待连接区域之间的连接指标。
进一步地,所述根据所有待连接区域的连接指标获得待冲孔零件表面灰度图像中的连接边缘进行冲孔定位,包括:
当待连接区域与对应其他待连接区域之间的连接指标大于等于预设连接阈值时,将对应的待连接区域与对应其他待连接区域中的待连接边缘进行连接,获得待冲孔零件表面灰度图像中的连接边缘;
将连接边缘与标准定位模板进行匹配得到定位结果。
进一步地,所述相似边缘区域的获取方法包括:
当分析区域的像素特征指标大于或等于预设像素特征阈值时,将对应的分析区域作为相似边缘区域。
进一步地,所述采用canny算法获取每个相似边缘区域中的待连接边缘,包括:
在对每个相似边缘区域使用canny算法过程中,将还未连接的强边缘和弱边缘作为每个相似边缘区域的待连接边缘。
进一步地,所述待连接区域的获取方法包括:
当相似边缘区域的形状特征指标为正数时,将对应的相似边缘区域作为待连接区域。
本发明具有如下有益效果:
本发明对待冲孔零件表面灰度图像进行分区,以便于对边缘的连接细节特征进行分析。首先为了减少计算并精确地对需要进行连接的边缘区域进行分析,根据划分的分析区域进行像素复杂性的分析,当分析区域中具备的边缘高频信息较多且灰度情况越复杂,越可能为需要分析的外界边缘对应的区域,因此根据灰度分布和变化情况,得到像素特征指标进而确定相似边缘区域。进一步地,由于冲孔零件外界边缘的规则性,需要进行连接的边缘也具有同样的形状特征,因此采用canny算法得到还未进行连接的边缘,基于区域中的形状特征获得每个相似边缘区域的形状特征指标,进而筛除复杂纹理干扰确定能够进行最终连接分析的待连接区域。根据每个待连接区域与局部其他待连接区域之间的边缘点分布情况和像素特征指标,得到结构特征指标,分析边缘结构的相似性,只有边缘结构相似的区域才能进行连接,进一步结合每个待连接区域的像素特征指标和形状特征指标,得到最终每个待连接区域与其他待连接区域之间的连接指标。最终通过所有的连接指标完成canny算法中的边缘连接过程,得到连接边缘用于定位,本发明结合零件外界边缘的细节特征,优化边缘连接的过程,得到更准确的边缘结果,使根据边缘结果进行冲孔位置的定位结果精确度更高。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种零件冲孔的图像定位方法流程图;
图2为本发明一个实施例所提供的一种表面边缘示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种零件冲孔的图像定位方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种零件冲孔的图像定位方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种零件冲孔的图像定位方法流程图,该方法包括以下步骤:
S1:获取待冲孔零件表面灰度图像;将待冲孔零件表面灰度图像划分为预设数量个分析区域。
在本发明实施例中,通过工业相机采集待冲孔零件的表面图像,对表面图像进行图像预处理获得待冲孔零件表面灰度图像,其中图像预处理包括灰度化和图像增强等处理,以便于后续对边缘信息的准确分析,需要说明的是,图像预处理中的灰度化和图像增强为本领域技术人员熟知的技术手段,可选择加权灰度化法进行图像灰度分析,直方图均值化法增强图像提高边缘特征,具体方法的运用和选择在此不做赘述。
在本发明实施例中,通过确定零件表面的外界边缘进行定位,但是在特征结构较为复杂的零件使用canny算法进行边缘检测时,在最后的边缘连接阶段,会将部分结构边缘,即非零件的外部边缘,与外部边缘连接,造成零件的外界边缘检测结果出现误差,在此误差的基础上进行零件的冲孔定位时,会造成定位结果的偏差。请参阅图2,其出示本发明一个实施例提供的一种表面边缘示意图,图2的表面边缘示意图即为直接使用canny算法进行边缘检测时得到的边缘图像,通过图2进行定位时会产生较大误差,因此为了消除连接时的错位情况,需要对外界边缘的细节特征进行分析。
为了对边缘的细节部分进行分析,得到更优的连接结果,通过对图像进行划分实现局部区域的分析,本发明实施例中,设置划分的预设数量为100,具体数值实施者可根据具体实施情况进行调整,将待冲孔零件表面灰度图像划分为预设数量个分析区域。
S2:根据每个分析区域中像素点的灰度分布情况和灰度变化复杂情况,获得每个分析区域的像素特征指标,根据像素特征指标确定分析区域中的相似边缘区域。
首先根据分析区域中的像素特征,将具有边缘信息且可能为外界边缘的区域进行筛选,缩小分析范围提高检测效率和精确度。结合像素点的像素值和梯度幅值进行分析,根据每个分析区域中像素点的灰度分布情况和灰度变化复杂情况,获得每个分析区域的像素特征指标。
优选地,对于待冲孔零件表面灰度图像中任意一个分析区域,所有的分析区域均进行同样的分析,计算该分析区域中所有像素点的像素值的方差,获得该分析区域的灰度复杂度。当方差越大,说明分析区域中的像素值分布越复杂,该分析区域越可能为包含边缘的区域,且位于边界的可能性较大。
计算该分析区域中所有像素点的梯度幅值的熵值,获得该分析区域的变化复杂度,当变化复杂度越大,说明该分析区域中高频信息较多,越可能为边缘区域,需要说明的是,梯度幅值的获取为本领域技术人员熟知的技术手段,如采用索贝尔算子进行获取,在此不做赘述。在本发明实施例中,变化复杂度的具体表达式为:
式中,表示为第/>个分析区域的变化复杂度,/>表示为第/>个分析区域中不同梯度幅值的总数量,/>表示为第/>种梯度幅值的出现概率,/>表示为以2为底的对数函数。需要说明的是,熵值的计算公式为本领域技术人员熟知的技术手段,因此具体公式的意义不再赘述。
进一步地,计算该分析区域中所有像素点的梯度幅值的均值,获得该分析区域的灰度变化度,当灰度变化度越大,说明该分析区域中的像素点越可能为边缘像素点。根据该分析区域的变化复杂度和灰度变化度,获得该分析区域的灰度变化复杂指标,通过灰度变化复杂指标反映该分析区域中存在边缘的可能性,其中,变化复杂度和灰度变化度均与灰度变化复杂指标呈正相关,当变化复杂度越大,灰度变化度越大,说明该分析区域中越可能存在边缘信息,此时对应的灰度变化指标指标越大。
最终,根据该分析区域的灰度复杂度和灰度变化复杂指标,获得该分析区域的像素特征指标,通过像素特征指标反映该分析区域为边界边缘区域的可能性,其中,灰度复杂度和灰度变化复杂指标均与像素特征指标呈正相关,像素特征指标为进行归一化处理后的值,在本发明实施例中,像素特征指标的表达式为:
式中,表示为第/>个分析区域的像素特征指标,/>表示为第/>个分析区域的变化复杂度,/>表示为第/>个分析区域的灰度变化度,/>表示为第/>个分析区域的灰度复杂度,表示为归一化函数,需要说明的是,归一化为本领域技术人员熟知的技术手段,归一化函数的选择可以为线性归一化或标准归一化等,具体的归一化方法在此不做限定。
其中,表示为第/>个分析区域的灰度变化复杂指标,通过乘法和加法反映正相关关系,在本发明其他实施例中,也可运用其他基础数学运算反映正相关关系,如幂运算等,在此不做限制。当灰度复杂度越大,灰度变化复杂指标越大,说明该分析区域越可能在零件边界位置且越可能对应边缘区域,此时对应的像素特征指标是越大的,因此进一步可根据像素特征指标确定分析区域中的相似边缘区域。
优选地,当分析区域的像素特征指标大于或等于预设像素特征阈值时,说明该分析区域中具有边缘可进行细节分析,将对应的分析区域作为相似边缘区域。在本发明实施例中,预设像素特征阈值设置为0.5,具体数值实施者可根据具体实施情况进行调整。
S3:采用canny算法获取每个相似边缘区域中的待连接边缘,根据相似边缘区域中待连接边缘的规整程度,获得每个相似边缘区域的形状特征指标;根据形状特征指标确定相似边缘区域中的待连接区域。
在得到相似边缘区域后,可以对边缘特征进行分析,由于零件的外界边缘通常为规则的边缘,因此边缘形状在相似边缘区域中呈直线分析,进一步需要分析每个相似边缘区域中的边缘规整情况。首先采用canny算法获取每个相似边缘区域中的待连接边缘,优选地,在对每个相似边缘区域使用canny算法过程中,将还未连接的强边缘和弱边缘作为每个相似边缘区域的待连接边缘。
canny算法在进行边缘检测时,主要的过程为:高斯滤波去噪,消除部分干扰影响。计算梯度强度和方向,确定像素点边缘特征。非最大值抑制,保留可能边缘像素点。双阈值,获取强边缘和弱边缘。阈值滞后边缘追踪,连接弱边缘和强边缘得到真实边缘。因此在本发明实施例中,主要在双阈值获得强边缘和弱边缘后停止,将此时得到的所有边缘作为待连接边缘进行分析,优化连接过程。
进一步地,根据相似边缘区域中待连接边缘的规整程度,获得每个相似边缘区域的形状特征指标。优选地,依次将每个相似边缘区域作为目标区域,从目标区域的左上角开始呈S行遍历对待连接边缘对应边缘点进行标号,获取目标区域的边缘点序列,获取边缘点序列的目的是对边缘点进行排序,根据顺序获取边缘与对角线的距离,进而可根据连续的距离变化得到边缘的形状特征。在本发明其他实施例中,也可将目标区域中最左和最上方的待连接边缘的边缘点作为起始点,按照边缘顺序对边缘点进行标号获得边缘点序列,在此不做限制。
计算目标区域的边缘点序列中每个边缘点距离目标区域的主对角线的最短距离,并进行归一化处理获得每个边缘点的距离指标,通过距离指标进行分析,由于主对角线为一条直线,因此当待连接边缘呈规整的直线时,其中的边缘点距离对角线的距离是呈线性变化,需要说明的是,主对角线为目标区域从左上角到右下角对应的对角线,归一化处理后距离指标的取值范围为0至1。在本发明实施例中,最短距离为从边缘点向主对角线做垂线段,其垂线段的长度为最短距离。
根据目标区域的边缘点序列中每个边缘点的距离指标变化情况,获取目标区域的形状特征指标,优选地,形状特征指标的表达式为:
式中,表示为第/>个相似边缘区域的形状特征指标,/>表示为边缘序列中第/>个边缘点的距离指标,/>表示为第/>个相似边缘区域的边缘序列中边缘点的总数量,/>表示为自然常数。
其中,表示为对距离指标在范围0至1上进行定积分得到的定积分值,/>表示为对距离指标进行范围调整。当待连接边缘为直线时,其通过正负累加后的/>是越趋近于定积分值的,且由于直线时距离指标的变化是线性均匀变化,因此/>是小于定积分值的,也即当带连接边缘越接近规整直线时,/>是小于且接近定积分值的。但是当待连接边缘为曲线时,其变化的随机性使得/>不能呈均匀变化累加,因此/>是大于定积分值的。
基于上述特征,根据形状特征指标确定相似边缘区域中的待连接区域,优选地,当相似边缘区域的形状特征指标为正数时,说明待连接边缘呈较为规整的直线形状,将对应的相似边缘区域作为待连接区域。特殊地,当待连接边缘与主对角线平行时,进行累加后为0,并不满足趋近于定积分值的特点,但也能通过形状特征指标为正数的条件筛选出来。
至此,获得可以进行连接的待连接区域。
S4:在每个待连接区域对应的预设邻域范围内,根据每个待连接区域与其他待连接区域之间边缘点的分布差异情况和像素特征指标的差异情况,获得每个待连接区域与对应每个其他待连接区域之间的结构特征指标。
当待连接区域中的待连接边缘需要连接时,其对应最接近的边缘点一定是分布较为相近的且区域内的边缘特征是较为相似的,只有保证区域之间的边缘分布结构是相似的,才能进行连接。因此在每个待连接区域对应的预设邻域范围内进行分析,只有邻近的区域才能完成边缘的连接,在本发明实施例中,预设邻域范围为四邻域范围,实施者可根据具体实施情况进行调整。
对于每个待连接区域的四邻域范围内的其他待连接区域,根据每个待连接区域与其他待连接区域之间边缘点的分布差异情况和像素特征指标的差异情况,获得每个待连接区域与对应每个其他待连接区域之间的结构特征指标。优选地,对于任意一个待连接区域,每一个待连接区域均进行相同的计算分析,依次将该待连接区域对应预设邻域范围内的每个其他待连接区域作为参考区域,依次分析每个邻域范围内其他待连接区域与该连接区域的结构特征。
进一步地,计算该待连接区域与参考区域之间边缘点总数量的差异,获得分布差异值,通过分布差异值反映该待连接区域与参考区域之间整体边缘特征的差异情况,当分布差异值越小,说明边缘点总数量越相近,则结构特征相似性越强。计算该待连接区域与参考区域之间像素特征指标的差异,获得特征差异值,通过特征差异值反映该待连接区域与参考区域之间像素分布特征的差异情况,当特征差异值越小,说明分布复杂程度越接近,则区域之间的结果特征越强。
计算该待连接区域与参考区域中待连接边缘之间的最短距离,获得该待连接区域与参考区域的距离差异值,通过距离差异值反映该待连接区域与参考区域之间待连接边缘的相近程度,只有边缘点距离越近,他们的连接可能性才最高,最优时距离差异为零,此时表示两个待连接边缘已经是连接的。在本发明实施例中,最短距离的计算可以通过计算两条待连接边缘中边缘点之间的欧式距离,将最小的欧式距离作为最短距离,欧式距离的计算为本领域技术人员熟知的技术手段,在此不做赘述。在本发明其他实施例中,也可以通过确定一条待连接边缘与另一条待连接边缘最近的点,通过最近的点作垂线,将垂线段作为最短距离,在此不做限制。
根据该待连接区域与参考区域的分布差异值、特征差异值和距离差异值,获得该待连接区域与参考区域的结构特征指标,综合整体边缘分布,像素特征差异和边缘点位置分布,得到两个区域之间的结构特征指标,反映结构特征的相似程度。其中,分布差异值、特征差异值和距离差异值均与结构特征指标呈负相关,结构特征指标为归一化处理后的值,在本发明实施例中,结构特征指标的表达式为:
式中,表示为第/>个待连接区域与对应预设邻域范围内的第/>个其他待连接区域之间的结构特征指标,/>表示为第/>个待连接区域与对应预设邻域范围内的第/>个其他待连接区域之间的特征差异值,/>表示为第/>个待连接区域与对应预设邻域范围内的第/>个其他待连接区域之间的分布差异值,/>表示为第/>个待连接区域与对应预设邻域范围内的第/>个其他待连接区域之间的距离差异值,/>表示为以自然常数为底的指数函数,表示为归一化函数。/>表示为调整参数,在本发明实施例中设置为0.001,其目的是防止分母为0使公式无意义的情况。
通过比值和负指数幂的形式反映分布差异值、特征差异值和距离差异值均与结构特征指标呈负相关,在本发明其他实施例中,也可运用其他基础数学运算反映分布差异值、特征差异值和距离差异值均与结构特征指标呈负相关,如减法等,在此不做赘述。
至此,完成待连接区域之间的结构特征分析。
S5:根据每个待连接区域像素特征指标和形状特征指标,以及与对应每个其他待连接区域之间的结构特征指标,获得每个待连接区域与对应每个其他待连接区域之间的连接指标;根据所有待连接区域的连接指标获得待冲孔零件表面灰度图像中的连接边缘进行冲孔定位。
最终基于每个待连接区域与对应每个其他待连接区域之间的结构特征指标,综合像素特征指标和形状特征指标,得到该待连接区域与其他待连接区域的可能连接程度,即连接指标,在本发明一个实施例中,对于任意一个待连接区域,所有待连接区域的分析方法一致,将该待连接区域的像素特征指标与形状特征指标的乘积进行归一化处理,获得该待连接区域的连接特征指标,综合像素特征和形状特征,当特征指标越大,说明该连接区域越优,进行连接的效果更好。
将该待连接区域的连接特征指标以及该待连接区域与对应每个其他待连接区域之间的结构特征指标,进行加权求和并归一化处理获得该待连接区域与对应每个其他待连接区域之间的连接指标,连接指标反映两个区域之间的连接可能性,在本发明实施例中,连接指标的表达式为:
式中,表示为第/>个待连接区域与对应预设邻域范围内的第/>个其他待连接区域之间的链接指标,/>表示为第/>个待连接区域与对应预设邻域范围内的第/>个其他待连接区域之间的结构特征指标,/>表示为第/>个待连接区域的像素特征指标,/>表示为第/>个待连接区域的形状特征指标,/>表示为归一化函数。/>和/>表示为加权的权重值,在本发明实施例中,/>和/>设置为0.6和0.4,具体数值实施者可根据具体实施情况进行调整。
其中,表示为第/>个待连接区域的连接特征指标,当待连接区域的连接特征指标越大,结构特征指标越大,说明该待连接区域与其他待连接区域之间的连接性较强,可以进行连接,因此进一步可根据所有待连接区域的连接指标获得待冲孔零件表面灰度图像中的连接边缘,并进行冲孔定位。
优选地,当待连接区域与对应其他待连接区域之间的连接指标大于等于预设连接阈值时,说明区域之间的可连接程度较高,将对应的待连接区域与对应其他待连接区域中的待连接边缘进行连接,获得待冲孔零件表面灰度图像中的连接边缘,连接边缘即为最终该零件的外界边缘。在本发明实施例中,预设连接阈值设置为0.5,具体数值实施者可根据具体实施情况进行调整。
进一步地,将连接边缘与标准边缘定位模板进行匹配得到定位结果。在本发明实施例中,可以使用特征匹配算法将连接边缘与标准定位模板进行匹配,根据匹配结果可以得到连接边缘与标准定位模板之间的偏移量和旋转角等参数,将参数输入到冲孔定位设备中,调整冲孔定位得到冲孔的准确位置,完成定位。需要说明的是,特征匹配算法和匹配调整过程均为本领域技术人员熟知的公知技术手段,在此不做赘述。在本发明其他实施例中,也可采用RANSAC算法得到连接边缘的边缘位置特征,与标准定位模板的位置特征进行匹配,进行冲孔位置定位,在此不做限制,其中RANSAC算法也为本领域技术人员熟知的技术手段,在此不做赘述。
本发明对待冲孔零件表面灰度图像进行分区,以便于对边缘的连接细节特征进行分析。首先为了减少计算并精确地对需要进行连接的边缘区域进行分析,根据划分的分析区域进行像素复杂性的分析,当分析区域中具备的边缘高频信息较多且灰度情况越复杂,越可能为需要分析的外界边缘对应的区域,因此根据灰度分布和变化情况,得到像素特征指标进而确定相似边缘区域。进一步地,由于冲孔零件外界边缘的规则性,需要进行连接的边缘也具有同样的形状特征,因此采用canny算法得到还未进行连接的边缘,基于区域中的形状特征获得每个相似边缘区域的形状特征指标,进而筛除复杂纹理干扰确定能够进行最终连接分析的待连接区域。根据每个待连接区域与局部其他待连接区域之间的边缘点分布情况和像素特征指标,得到结构特征指标,分析边缘结构的相似性,只有边缘结构相似的区域才能进行连接,进一步结合每个待连接区域的像素特征指标和形状特征指标,得到最终每个待连接区域与其他待连接区域之间的连接指标。最终通过所有的连接指标完成canny算法中的边缘连接过程,得到连接边缘用于定位,本发明结合零件外界边缘的细节特征,优化边缘连接的过程,得到更准确的边缘结果,使根据边缘结果进行冲孔位置的定位结果精确度更高。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。

Claims (7)

1.一种零件冲孔的图像定位方法,其特征在于,所述方法包括:
获取待冲孔零件表面灰度图像;将待冲孔零件表面灰度图像划分为预设数量个分析区域;
根据每个分析区域中像素点的灰度分布情况和灰度变化复杂情况,获得每个分析区域的像素特征指标,根据像素特征指标确定分析区域中的相似边缘区域;
采用canny算法获取每个相似边缘区域中的待连接边缘,根据相似边缘区域中待连接边缘的规整程度,获得每个相似边缘区域的形状特征指标;根据形状特征指标确定相似边缘区域中的待连接区域;
在每个待连接区域对应的预设邻域范围内,根据每个待连接区域与其他待连接区域之间边缘点的分布差异情况和像素特征指标的差异情况,获得每个待连接区域与对应每个其他待连接区域之间的结构特征指标;
根据每个待连接区域像素特征指标和形状特征指标,以及与对应每个其他待连接区域之间的结构特征指标,获得每个待连接区域与对应每个其他待连接区域之间的连接指标;根据所有待连接区域的连接指标获得待冲孔零件表面灰度图像中的连接边缘进行冲孔定位;
所述结构特征指标的获取方法包括:
对于任意一个待连接区域,依次将该待连接区域对应预设邻域范围内的每个其他待连接区域作为参考区域;
计算该待连接区域与参考区域之间边缘点总数量的差异,获得分布差异值;计算该待连接区域与参考区域之间像素特征指标的差异,获得特征差异值;计算该待连接区域与参考区域中待连接边缘之间的最短距离,获得该待连接区域与参考区域的距离差异值;
根据该待连接区域与参考区域的分布差异值、特征差异值和距离差异值,获得该待连接区域与参考区域的结构特征指标;分布差异值、特征差异值和距离差异值均与结构特征指标呈负相关,结构特征指标为归一化处理后的值;
所述连接指标的获取方法包括:
对于任意一个待连接区域,将该待连接区域的像素特征指标与形状特征指标的乘积进行归一化处理,获得该待连接区域的连接特征指标;
将该待连接区域的连接特征指标以及该待连接区域与对应每个其他待连接区域之间的结构特征指标,进行加权求和并归一化处理获得该待连接区域与对应每个其他待连接区域之间的连接指标;
所述根据所有待连接区域的连接指标获得待冲孔零件表面灰度图像中的连接边缘进行冲孔定位,包括:
当待连接区域与对应其他待连接区域之间的连接指标大于等于预设连接阈值时,将对应的待连接区域与对应其他待连接区域中的待连接边缘进行连接,获得待冲孔零件表面灰度图像中的连接边缘;
将连接边缘与标准定位模板进行匹配得到定位结果。
2.根据权利要求1所述一种零件冲孔的图像定位方法,其特征在于,所述像素特征指标的获取方法包括:
对于待冲孔零件表面灰度图像中任意一个分析区域,计算该分析区域中所有像素点的像素值的方差,获得该分析区域的灰度复杂度;
计算该分析区域中所有像素点的梯度幅值的熵值,获得该分析区域的变化复杂度;计算该分析区域中所有像素点的梯度幅值的均值,获得该分析区域的灰度变化度;根据该分析区域的变化复杂度和灰度变化度,获得该分析区域的灰度变化复杂指标;变化复杂度和灰度变化度均与灰度变化复杂指标呈正相关;
根据该分析区域的灰度复杂度和灰度变化复杂指标,获得该分析区域的像素特征指标;灰度复杂度和灰度变化复杂指标均与像素特征指标呈正相关,且像素特征指标为进行归一化处理后的值。
3.根据权利要求1所述一种零件冲孔的图像定位方法,其特征在于,所述形状特征指标的获取方法包括:
依次将每个相似边缘区域作为目标区域,从目标区域的左上角开始呈S行遍历对待连接边缘对应边缘点进行标号,获取目标区域的边缘点序列;
计算目标区域的边缘点序列中每个边缘点距离目标区域的主对角线的最短距离,并进行归一化处理获得每个边缘点的距离指标;根据目标区域的边缘点序列中每个边缘点的距离指标获取目标区域的形状特征指标。
4.根据权利要求3所述一种零件冲孔的图像定位方法,其特征在于,所述形状特征指标的表达式为:
;式中,/>表示为第/>个相似边缘区域的形状特征指标,/>表示为边缘序列中第/>个边缘点的距离指标,/>表示为第/>个相似边缘区域的边缘序列中边缘点的总数量,/>表示为自然常数。
5.根据权利要求1所述一种零件冲孔的图像定位方法,其特征在于,所述相似边缘区域的获取方法包括:
当分析区域的像素特征指标大于或等于预设像素特征阈值时,将对应的分析区域作为相似边缘区域。
6.根据权利要求1所述一种零件冲孔的图像定位方法,其特征在于,所述采用canny算法获取每个相似边缘区域中的待连接边缘,包括:
在对每个相似边缘区域使用canny算法过程中,将还未连接的强边缘和弱边缘作为每个相似边缘区域的待连接边缘。
7.根据权利要求4所述一种零件冲孔的图像定位方法,其特征在于,所述待连接区域的获取方法包括:
当相似边缘区域的形状特征指标为正数时,将对应的相似边缘区域作为待连接区域。
CN202311577204.7A 2023-11-24 2023-11-24 一种零件冲孔的图像定位方法 Active CN117291985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311577204.7A CN117291985B (zh) 2023-11-24 2023-11-24 一种零件冲孔的图像定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311577204.7A CN117291985B (zh) 2023-11-24 2023-11-24 一种零件冲孔的图像定位方法

Publications (2)

Publication Number Publication Date
CN117291985A CN117291985A (zh) 2023-12-26
CN117291985B true CN117291985B (zh) 2024-03-15

Family

ID=89257464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311577204.7A Active CN117291985B (zh) 2023-11-24 2023-11-24 一种零件冲孔的图像定位方法

Country Status (1)

Country Link
CN (1) CN117291985B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934317A (zh) * 2024-01-23 2024-04-26 北京世航智能科技有限公司 基于多传感器的水下机器人在线定位方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003260044A (ja) * 2002-03-07 2003-09-16 Fuji Photo Film Co Ltd 異常陰影の検出領域設定装置
JP2011058939A (ja) * 2009-09-09 2011-03-24 Panasonic Electric Works Co Ltd 外観検査装置、外観検査方法
CN114821114A (zh) * 2022-03-28 2022-07-29 南京业恒达智能系统股份有限公司 一种基于视觉系统的坡口切割机器人图像处理方法
CN114994051A (zh) * 2022-05-23 2022-09-02 司贤章 汽车数控锻压件冲孔智能集成实时检测系统
CN116152255A (zh) * 2023-04-21 2023-05-23 高唐县红发塑业有限公司 一种改性塑料生产瑕疵判断方法
CN116309537A (zh) * 2023-04-24 2023-06-23 东莞市京品精密模具有限公司 一种极耳模具表面油污的缺陷检测方法
CN116758057A (zh) * 2023-08-10 2023-09-15 山东贺铭电气有限公司 基于人工智能的通信设备缺陷检测方法
CN116862910A (zh) * 2023-09-04 2023-10-10 山东经典印务有限责任公司 基于自动化裁切生产的视觉检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517318B (zh) * 2019-08-28 2022-05-17 昆山国显光电有限公司 定位方法和装置、存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003260044A (ja) * 2002-03-07 2003-09-16 Fuji Photo Film Co Ltd 異常陰影の検出領域設定装置
JP2011058939A (ja) * 2009-09-09 2011-03-24 Panasonic Electric Works Co Ltd 外観検査装置、外観検査方法
CN114821114A (zh) * 2022-03-28 2022-07-29 南京业恒达智能系统股份有限公司 一种基于视觉系统的坡口切割机器人图像处理方法
CN114994051A (zh) * 2022-05-23 2022-09-02 司贤章 汽车数控锻压件冲孔智能集成实时检测系统
CN116152255A (zh) * 2023-04-21 2023-05-23 高唐县红发塑业有限公司 一种改性塑料生产瑕疵判断方法
CN116309537A (zh) * 2023-04-24 2023-06-23 东莞市京品精密模具有限公司 一种极耳模具表面油污的缺陷检测方法
CN116758057A (zh) * 2023-08-10 2023-09-15 山东贺铭电气有限公司 基于人工智能的通信设备缺陷检测方法
CN116862910A (zh) * 2023-09-04 2023-10-10 山东经典印务有限责任公司 基于自动化裁切生产的视觉检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Realization of CUDA-based real-time registration and target localization for high-resolution video images;Zhi, XY;《JOURNAL OF REAL-TIME IMAGE PROCESSING》;20190801;第16卷(第4期);全文 *
加强边缘感知的盲去模糊算法;邱枫;侯飞;袁野;王文成;;中国图象图形学报;20190616(第06期);5-16 *
基于E-YOLOX的实时金属表面缺陷检测算法;曹义亲;《图学学报》;20230831;第44卷(第4期);677-690 *

Also Published As

Publication number Publication date
CN117291985A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN115829883B (zh) 一种异性金属结构件表面图像去噪方法
CN117291985B (zh) 一种零件冲孔的图像定位方法
CN117173189B (zh) 一种铝合金表面抛光效果视觉检测系统
Aggarwal et al. Feature extraction and LDA based classification of lung nodules in chest CT scan images
CN116777941B (zh) 一种基于机器视觉的型材轮廓检测方法及系统
CN111126174A (zh) 一种用于机器人抓取零件的视觉检测方法
CN116137036B (zh) 基于机器学习的基因检测数据智能处理系统
CN110348459B (zh) 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法
CN117197140B (zh) 基于机器视觉的不规则金属扣成型检测方法
CN117455915B (zh) 基于机器视觉的三轴转台缺陷检测方法
CN112883824A (zh) 一种用于智能采血的手指静脉特征识别装置及其识别方法
CN117633554B (zh) 医用箱式物流传输监测及预警系统
CN115018835A (zh) 一种汽车起动机齿轮检测方法
CN117437219A (zh) 基于计算机视觉的磁胶电感不规则外观缺陷检测方法
CN116596922B (zh) 一种太阳能热水器生产质量检测方法
CN116503426B (zh) 基于图像处理的超声图像分割方法
CN115994870B (zh) 一种用于增强去噪的图像处理方法
CN116740053A (zh) 一种锻造加工智能生产线的管理系统
CN115564705B (zh) 用于精密标准件的毛刺检测精度增强方法及系统
CN115511884A (zh) 基于计算机视觉的冲孔复合模表面质量检测方法
CN115578594A (zh) 基于计算机视觉的边缘定位方法、装置及相关设备
Arora et al. Noise adaptive FCM algorithm for segmentation of MRI brain images using local and non-local spatial information
CN113850252A (zh) 防振锤螺栓检测方法、装置和电子设备
Thomas et al. An automated kidney tumour detection technique from computer tomography images
CN114170200B (zh) 基于人工智能的金属点蚀缺陷程度评估方法及系统

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
GR01 Patent grant
GR01 Patent grant