CN117611517A - 机器视觉同心圆检测方法 - Google Patents
机器视觉同心圆检测方法 Download PDFInfo
- Publication number
- CN117611517A CN117611517A CN202311317569.6A CN202311317569A CN117611517A CN 117611517 A CN117611517 A CN 117611517A CN 202311317569 A CN202311317569 A CN 202311317569A CN 117611517 A CN117611517 A CN 117611517A
- Authority
- CN
- China
- Prior art keywords
- circle
- list
- point
- points
- boundary
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000012549 training Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
-
- 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
- G06T7/60—Analysis of geometric attributes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及机器视觉同心圆检测方法,在工艺参数模板中配置圆形检测参数;获取待检测图像;将图像转为灰度图;根据工艺参数中配置的同心圆中间区域及屏蔽的扇形区域,得到待检测区域;根据射线数量POINTS_NUM及屏蔽扇形区域,计算每个射线间间隔的角度;求射线Ln与同心圆的交点;根据查找策略INSIDE2OUTSIDE和BLACK2WHITE,找到圆形边界的点C1;找到其他边界点C2…Cn,记所有边界点的集合为C_LIST;根据去离群点数量OUTLIERS_NUM,去除C_LIST中的离群点,得到最终C_LIST_LAST;利用C_LIST_LAST点集,拟合圆形,得到圆形圆心和半径。更具鲁棒性。
Description
技术领域
本发明涉及一种机器视觉同心圆检测方法。
背景技术
目前,圆形检测是机器视觉中的一个基本问题,涉及到自动检测给定图像中圆形的参数(圆心坐标和半径),常用的圆形检测方法有:
1)霍夫变换,是一种常用的圆形检测方法,可以检测任意尺度和位置的圆形,是将圆形表示为一个参数空间中的点,通过在参数空间中搜索圆心和半径,找到最佳圆形拟合;
2)边缘检测,通过检测图像边缘来检测圆形,在圆形边缘的位置,边缘的梯度方向将垂直于圆形的切线,检测圆形边缘后,使用渐近线法,计算圆心和半径;
3)模板匹配,通过匹配圆形模板与图像中的圆形边缘进行圆形检测,预先准备一个圆形模板,然后将其滑动至图像中,找到最佳的匹配位置;
4)机器学习,使用机器学习算法进行圆形检测,将训练样本中的圆形数据输入模型中进行训练,然后在测试数据中使用模型进行圆形检测。
上述检测方法存在以下问题:①对于圆形噪声和部分遮挡情况下的检测效果不佳;②对于形状、大小差异较大或数量较多的圆形检测效率较低;③模板匹配需要预先准备模板,同时模板的准确性对检测效果影响较大;④机器学习需要大量的训练数据,而且数据需覆盖不同大小、姿态等方面的变化。
发明内容
本发明的目的是克服现有技术存在的不足,提供一种机器视觉同心圆检测方法。
本发明的目的通过以下技术方案来实现:
机器视觉同心圆检测方法,特点是:包括以下步骤:
步骤1)在工艺参数模板中配置圆形检测参数;
步骤2)获取待检测图像;
步骤3)对图像进行预处理,将图像转为灰度图;
步骤4)根据工艺参数中配置的同心圆中间区域以及屏蔽的扇形区域,得到待检测区域;
步骤5)根据射线数量POINTS_NUM以及屏蔽扇形区域,计算每个射线之间间隔的角度;
步骤6)通过步骤5)求得的角度,求射线Ln与同心圆的交点;
步骤7)根据查找策略INSIDE2OUTSIDE和BLACK2WHITE,找到圆形边界的点C1;
步骤8)重复步骤6)和步骤7)找到其他边界点C2…Cn,记所有边界点的集合为C_LIST;
步骤9)根据去离群点数量OUTLIERS_NUM,去除C_LIST中的离群点,得到最终C_LIST_LAST;
步骤10)利用C_LIST_LAST点集,拟合圆形,得到圆形的圆心(X,Y)和半径R。
进一步地,上述的机器视觉同心圆检测方法,其中,步骤1),模板参数包含:
同心圆圆心O(x,y),半径MAX_R,MIN_R;
设置屏蔽扇形区域;
扫描方向,从内到外,从外到内;
边界检测策略,从亮到暗,从暗到亮;
射线数量(拟合点数量):POINTS_NUM;
去离群点数量,OUTLIERS_NUM;由POINTS_NUM-OUTLIERS_NUM个点拟合圆。
进一步地,上述的机器视觉同心圆检测方法,其中,步骤8),求解边界点的方法为:
设第i个像素点的值为p_i;
相邻两个像素点的差值为diff_i=|p_i-p_{i-1}|;
如果diff_i>k,其中,k指判断像素为边界点的条件,两个相邻的像素点的差>k时,认为该点为边界点,根据不同场景进行改变;
则认为该像素点为边界点,返回该像素点的坐标,即边界点Ci的k坐标;
迭代所有射线,获得所有边界点的坐标。
进一步地,上述的机器视觉同心圆检测方法,其中,根据设置的边界条件创建边界检测器,当像素值的差>=K时,则判定是圆形边界,再根据设置条件即扫描方向由内向外扫描或由外向内扫描,迭代判断相邻的两个像素点的像素值的差,如果相邻的两个点的像素值的差>=K,则认为该点为圆形上的一点Cn,将该点保存到P_LIST中;如果射线迭代结束均没有符合边缘检测器条件的点,则迭代扫描下一条射线,直到扫描完成所有的射线为止;当所有的射线迭代完成后,采用P_LIST拟合圆形,圆形为同心圆检测法检测出的圆形。
进一步地,上述的机器视觉同心圆检测方法,其中,步骤9),去离群点的方法为:
使步骤8)中获得的C_LIST拟合圆形,得到C_LIST的圆心C_LIST_CENTER(X_TEMP,Y_TEMP);
剔除C_LIST中距离求得圆心C_LIST_CENTER欧氏距离最远的一个点,得到C_LIST_TEMP;
重复OUTLIERS_NUM次,得到最终用于拟合圆形的集合C_LIST_LAST。
进一步地,上述的机器视觉同心圆检测方法,其中,步骤9),通过点集拟合圆形的方法为:
设圆的方程为:(x-a)2+(y-b)2=R2,则圆心坐标为(a,b),半径为R;
通过点集(x1,y1),(x2,y2),...,(xn,yn)的坐标,得到以下方程组:
∑(xi 2+a2-2axi+yi 2+b2-2byi)=nR2∑(xi-a)2+∑(yi-b)2=nR2根据最小二乘法,求解上述公式得到:
a≈(x1+x2+...+xn)/n
b≈(y1+y2+...+yn)/n
R2≈((x1-a)2+(x2-a)2+(y1-b)2+(y2-b)2+...+(xn
-a)2+(yn-b)2)/n
利用最小二乘法拟合圆形,不在同一条直线上的三个点拟合圆形。
进一步地,上述的机器视觉同心圆检测方法,其中,获得拟合圆形的点集P_LIST,对P_LIST进行圆形拟合,假设拟合出的圆形的圆心坐标为P_center1(X1,Y1),半径为R1;迭代P_LIST中的点,求所有的点距离圆心P_center1的距离D_LIST1;利用D_LIST1减去半径R1,得出所有的点距离拟合圆形轮廓的偏移差,去除偏移差最大的一个点,得到剩下的点集P_LIST_2;重复去除偏移点,重复K次;获得最终点集P_LIST_K,利用P_LIST_K拟合圆形拟合出检测到的圆并输出圆心P_centerK和半径RK。
进一步地,上述的机器视觉同心圆检测方法,其中,步骤10),利用最小二乘法拟合圆形,不在同一条直线上的三个点拟合圆形。
本发明与现有技术相比具有显著的优点和有益效果,具体体现在以下方面:
本发明方法利用同心圆对中心的圆形进行检测,利用射线法对同心圆中间区域进行目标边缘检测。可根据使用场景的实际情况,配置模板参数,检测到目标圆形的目标的同时,屏蔽或跨过干扰背景或者非目标圆;相比现有技术,在噪声和部分遮挡的情况下的处理,更具有鲁棒性,且不需要进行预先训练以及匹配模板的设置,使用起来更加容易。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明具体实施方式了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1:步骤1)逻辑示意图;
图2:本发明求解边界点流程示意图;
图3:本发明去除圆形拟合点集噪声示意图。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,方位术语和次序术语等仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了解决形噪声和部分遮挡情况下检测效果不佳的问题以及对于形状、大小差异较大或数量较多圆形检测效率较低的问题,避免传统技术需预先准备圆形检测模板且模板准确性对检测效果影响较大的问题,机器学习需大量的训练数据,数据要覆盖不同大小、姿态等方面的变化且由于需要训练模型,需要更多的时间来构建和调整模型的问题。
本发明机器视觉同心圆检测方法,具体包括以下步骤:
步骤1)在工艺参数模板中配置圆形检测参数;
如图1,模板参数包含:
同心圆圆心O(x,y),半径MAX_R,MIN_R;
设置屏蔽扇形区域,用于检测圆形且当圆形被部分遮挡的场景;
扫描方向,从内到外,从外到内:INSIDE2OUTSIDE(从内到外,从圆心向边缘);e.g内到外,即为A→B;
边界检测策略,从亮到暗,从暗到亮:BLACK2WHITE;e.g如图1中所示,从A到B扫描的情况下,从亮场到暗场(找到亮到暗的分界线)找到C1;
射线数量,即拟合点数量:POINTS_NUM;图1中所示数量为5,分别为C1,C2,C3,C4,C5;
去离群点数量,OUTLIERS_NUM;由POINTS_NUM-OUTLIERS_NUM个点拟合圆;
步骤2)获取待检测图像;
步骤3)对图像进行预处理,将图像转为灰度图;
步骤4)根据工艺参数中配置的同心圆中间区域以及屏蔽的扇形区域,得到待检测区域;
步骤5)根据射线数量POINTS_NUM以及屏蔽扇形区域,计算每个射线之间间隔的角度;
步骤6)通过步骤5)求得的角度,求射线Ln与同心圆的交点,如图1中A和B;
步骤7)根据查找策略INSIDE2OUTSIDE和BLACK2WHITE,找到圆形边界的点C1;
步骤8)重复步骤6)和步骤7)找到其他边界点C2…Cn,记所有边界点的集合为C_LIST;
求解边界点的方法为:
设第i个像素点的值为p_i;
相邻两个像素点的差值为diff_i=|p_i-p_{i-1}|;
如果diff_i>k,其中,k指判断像素为边界点的条件,两个相邻的像素点的差>k时,认为该点为边界点,k根据不同场景进行改变;
则认为该像素点为边界点,返回该像素点的坐标,即边界点Ci的k坐标;
迭代所有射线,获得所有边界点的坐标;
步骤9)根据去离群点数量OUTLIERS_NUM,去除C_LIST中的离群点,得到最终C_LIST_LAST;
如图3,去离群点的方法为:
使步骤8)中获得的C_LIST拟合圆形,得到C_LIST的圆心C_LIST_CENTER(X_TEMP,Y_TEMP);
剔除C_LIST中距离求得圆心C_LIST_CENTER欧氏距离最远的一个点,得到C_LIST_TEMP;
重复OUTLIERS_NUM次,得到最终用于拟合圆形的集合C_LIST_LAST;
通过点集拟合圆形的方法为:
设圆的方程为:(x-a)2+(y-b)2=R2,则圆心坐标为(a,b),半径为R;
通过点集(x1,y1),(x2,y2),...,(xn,yn)的坐标,得到以下方程组:
∑(xi 2+a2-2axi+yi 2+b2-2byi)=nR2∑(xi-a)2+∑(yi-b)2=nR2根据最小二乘法,求解上述公式得到:
a≈(x1+x2+...+xn)/n
b≈(y1+y2+...+yn)/n
R2≈((x1-a)2+(x2-a)2+(y1-b)2+(y2-b)2+...+(xn
-a)2+(yn-b)2)/n
利用最小二乘法拟合圆形,不在同一条直线上的三个点拟合圆形;
步骤10)利用C_LIST_LAST点集,拟合圆形,得到圆形的圆心(X,Y)和半径R;利用最小二乘法拟合圆形,不在同一条直线上的三个点拟合圆形。
步骤1),可添加或替换其他检测策略(主要针对多层嵌套圆形的检测),目标圆半径范围的限制策略;目标圆为从内→外/外→内的第几个圆;目标圆为从亮→暗/暗→亮的第几个圆。
欧氏距离可采用距离定义的计算方式:
曼哈顿距离(Manhattan Distance),通过计算两个点在各个坐标轴上的差值的绝对值之和来衡量,用于处理离散特征或者在特征空间中存在明显分割的情况;
切比雪夫距离(Chebyshev Distance),通过计算两个点在各个坐标轴上的差值的最大值来衡量,用于处理具有不同尺度或方向的特征;
闵可夫斯基距离(Minkowski Distance),是欧氏距离和曼哈顿距离的一种泛化形式,通过调整一个参数来平衡两者之间的权重;
马氏距离(Mahalanobis Distance),考虑特征之间的协方差,用于处理具有相关性的特征;
余弦相似度(Cosine Similarity),通过计算两个向量之间的夹角余弦值来衡量,用于处理文本分类、推荐系统任务。
如图2,根据设置的边界条件创建边界检测器,当像素值的差>=K时,则判定是圆形边界,再根据设置条件(扫描方向)由内向外扫描或由外向内扫描(迭代判断相邻的两个像素点的像素值的差),如果相邻的两个点的像素值的差>=K,那么则认为该点为圆形上的一点Cn,将该点保存到P_LIST中;如果射线迭代结束均没有符合边缘检测器条件的点,则迭代扫描下一条射线,直到扫描完成所有的射线为止;当所有的射线迭代完成后,采用P_LIST拟合圆形,圆形为同心圆检测法检测出来的圆形。
如图3,获得拟合圆形的点集P_LIST后,对P_LIST进行圆形拟合,假设拟合出的圆形的圆心坐标为P_center1(X1,Y1),半径为R1;迭代P_LIST中的点,求所有的点距离圆心P_center1的距离D_LIST1;利用D_LIST1减去半径R1,得出所有的点距离拟合圆形轮廓的偏移差,去除偏移差最大的一个点,得到剩下的点集P_LIST_2;重复去除偏移点,重复K次;获得最终点集P_LIST_K,利用P_LIST_K拟合圆形拟合出检测到的圆并输出圆心P_centerK和半径RK。
综上所述,本发明方法利用同心圆对中心的圆形进行检测,利用射线法对同心圆中间区域进行目标边缘检测。可根据使用场景的实际情况,配置模板参数,检测到目标圆形的目标的同时,屏蔽或跨过干扰背景或者非目标圆;相比现有技术,在噪声和部分遮挡的情况下的处理,更具有鲁棒性,且不需要进行预先训练以及匹配模板的设置,使用起来更加容易。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,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。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
上述仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.机器视觉同心圆检测方法,其特征在于:包括以下步骤:
步骤1)在工艺参数模板中配置圆形检测参数;
步骤2)获取待检测图像;
步骤3)对图像进行预处理,将图像转为灰度图;
步骤4)根据工艺参数中配置的同心圆中间区域以及屏蔽的扇形区域,得到待检测区域;
步骤5)根据射线数量POINTS_NUM以及屏蔽扇形区域,计算每个射线之间间隔的角度;
步骤6)通过步骤5)求得的角度,求射线Ln与同心圆的交点;
步骤7)根据查找策略INSIDE2OUTSIDE和BLACK2WHITE,找到圆形边界的点C1;
步骤8)重复步骤6)和步骤7)找到其他边界点C2…Cn,记所有边界点的集合为C_LIST;
步骤9)根据去离群点数量OUTLIERS_NUM,去除C_LIST中的离群点,得到最终C_LIST_LAST;
步骤10)利用C_LIST_LAST点集,拟合圆形,得到圆形的圆心(X,Y)和半径R。
2.根据权利要求1所述的机器视觉同心圆检测方法,其特征在于:步骤1),模板参数包含:
同心圆圆心O(x,y),半径MAX_R,MIN_R;
设置屏蔽扇形区域;
扫描方向,从内到外,从外到内;
边界检测策略,从亮到暗,从暗到亮;
射线数量,即拟合点数量:POINTS_NUM;
去离群点数量,OUTLIERS_NUM;由POINTS_NUM-OUTLIERS_NUM个点拟合圆。
3.根据权利要求1所述的机器视觉同心圆检测方法,其特征在于:
步骤8),求解边界点的方法为:
设第i个像素点的值为p_i;
相邻两个像素点的像素值差值为diff_i=|p_i-p_{i-1}|;
如果diff_i>k,其中,k指判断像素为边界点的条件,两个相邻的像素点的差>k时,认为该点为边界点,根据不同场景进行改变;
则认为该像素点为边界点,返回该像素点的坐标,即边界点Ci的k坐标;
迭代所有射线,获得所有边界点的坐标。
4.根据权利要求1或3所述的机器视觉同心圆检测方法,其特征在于:根据设置的边界条件创建边界检测器,当像素值的差>=K时,则判定是圆形边界,再根据设置条件即扫描方向由内向外扫描或由外向内扫描,迭代判断相邻的两个像素点的像素值的差,如果相邻的两个点的像素值的差>=K,则认为该点为圆形上的一点Cn,将该点保存到P_LIST中;如果射线迭代结束均没有符合边缘检测器条件的点,则迭代扫描下一条射线,直到扫描完成所有的射线为止;当所有的射线迭代完成后,采用P_LIST拟合圆形,圆形为同心圆检测法检测出的圆形。
5.根据权利要求1所述的机器视觉同心圆检测方法,其特征在于:
步骤9),去离群点的方法为:
使步骤8)中获得的C_LIST拟合圆形,得到C_LIST的圆心C_LIST_CENTER(X_TEMP,Y_TEMP);
剔除C_LIST中距离求得圆心C_LIST_CENTER欧氏距离最远的一个点,得到C_LIST_TEMP;
重复OUTLIERS_NUM次,得到最终用于拟合圆形的集合C_LIST_LAST。
6.根据权利要求4所述的机器视觉同心圆检测方法,其特征在于:
步骤9),通过点集拟合圆形的方法为:
设圆的方程为:(x-a)2+(y-b)2=R2,则圆心坐标为(a,b),半径为R;
通过点集(x1,y1),(x2,y2),...,(xn,yn)的坐标,得到以下方程组:
∑(xi 2+a2-2axi+yi 2+b2-2byi)=nR2∑(xi-a)2+∑(yi-b)2=nR2根据最小二乘法,求解上述公式得到:
a≈(x1+x2+...+xn)/n
b≈(y1+y2+...+yn)/n
R2≈((x1-a)2+(x2-a)2+(y1-b)2+(y2-b)2+...+(xn-a)2+(yn-b)2)/n
利用最小二乘法拟合圆形,不在同一条直线上的三个点拟合圆形。
7.根据权利要求1所述的机器视觉同心圆检测方法,其特征在于:获得拟合圆形的点集P_LIST,对P_LIST进行圆形拟合,假设拟合出的圆形的圆心坐标为P_center1(X1,Y1),半径为R1;迭代P_LIST中的点,求所有的点距离圆心P_center1的距离D_LIST1;利用D_LIST1减去半径R1,得出所有的点距离拟合圆形轮廓的偏移差,去除偏移差最大的一个点,得到剩下的点集P_LIST_2;重复去除偏移点,重复K次;获得最终点集P_LIST_K,利用P_LIST_K拟合圆形拟合出检测到的圆并输出圆心P_centerK和半径RK。
8.根据权利要求1所述的机器视觉同心圆检测方法,其特征在于:步骤10),利用最小二乘法拟合圆形,不在同一条直线上的三个点拟合圆形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311317569.6A CN117611517A (zh) | 2023-10-12 | 2023-10-12 | 机器视觉同心圆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311317569.6A CN117611517A (zh) | 2023-10-12 | 2023-10-12 | 机器视觉同心圆检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117611517A true CN117611517A (zh) | 2024-02-27 |
Family
ID=89944884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311317569.6A Pending CN117611517A (zh) | 2023-10-12 | 2023-10-12 | 机器视觉同心圆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611517A (zh) |
-
2023
- 2023-10-12 CN CN202311317569.6A patent/CN117611517A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105334219B (zh) | 一种残差分析动态阈值分割的瓶口缺陷检测方法 | |
JP4825253B2 (ja) | 可変形オブジェクト認識のためのシステムおよび方法 | |
CN107230203B (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
US7526140B2 (en) | Model-based localization and measurement of miniature surface mount components | |
CN107292869B (zh) | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 | |
CN115984271B (zh) | 基于角点检测的金属毛刺识别方法 | |
CN106897990B (zh) | 轮胎模具的字符缺陷检测方法 | |
Cao et al. | Large-complex-surface defect detection by hybrid gradient threshold segmentation and image registration | |
US6993177B1 (en) | Gauging based on global alignment and sub-models | |
CN111160477B (zh) | 一种基于特征点检测的图像模板匹配方法 | |
CN107748855B (zh) | 一种二维码寻像图形的检测方法 | |
CN115018846B (zh) | 基于ai智能相机的多目标裂纹缺陷检测方法和装置 | |
CN109978940A (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
CN112233116A (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN115272305B (zh) | 一种纽扣孔洞缺陷检测方法 | |
Wankhede et al. | A low cost surface strain measurement system using image processing for sheet metal forming applications | |
US6829382B2 (en) | Structure-guided automatic alignment for image processing | |
CN116385440B (zh) | 一种弧形刀片视觉检测方法 | |
KR20040081102A (ko) | 파트 모델을 자동으로 정의하는 방법 | |
CN111738195A (zh) | 一种虹膜定位方法及计算机可读存储介质 | |
CN117611517A (zh) | 机器视觉同心圆检测方法 | |
CN105787487B (zh) | 一种剪切工具图片的相似度匹配方法 | |
CN114742749A (zh) | 基于图像处理的pvc薄膜质量检测方法 | |
Rao et al. | A real-time auto-recognition method for pointer-meter under uneven illumination |
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 |