CN105405141B - 一种自动识别工件凹凸台边缘的方法 - Google Patents
一种自动识别工件凹凸台边缘的方法 Download PDFInfo
- Publication number
- CN105405141B CN105405141B CN201510771830.9A CN201510771830A CN105405141B CN 105405141 B CN105405141 B CN 105405141B CN 201510771830 A CN201510771830 A CN 201510771830A CN 105405141 B CN105405141 B CN 105405141B
- Authority
- CN
- China
- Prior art keywords
- edge
- evaluation
- estimate
- workpiece
- matching degree
- 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
Links
Classifications
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种自动识别工件凹凸台边缘的方法,该方法包括:获取工件的图像;对工件的图像进行边缘提取处理;根据边缘的圆度和边缘的闭合度,进而对提取出的边缘进行凹凸台边缘的判断。通过利用本发明的方法便能够对不同类型的工件的凹凸台进行自动化定位和测量,这样便无需针对不同类型的工件而设计不同相匹配的软件程序,大大提高了自动化测量***的操作兼容性和灵活性,减少工作人员的工作量和工作负担。本发明作为一种自动识别工件凹凸台边缘的方法可广泛应用于机械自动化测量领域中。
Description
技术领域
本发明涉及工件凹凸台自动化测量技术,尤其涉及一种自动识别工件凹凸台边缘的方法。
背景技术
对于目前现有的自动化测量***,其主要是依靠软件编程来实现自动化测量的。然而,每种类型的工件均不相同,因此,为了实现不同工件的凹凸台的自动化测量,工作人员则需要设计不同相匹配的软件编程,这样不仅大大增加工作人员的工作量和工作负担,而且还降低操作灵活性,无法实现真正的自动化测量。
发明内容
为了解决上述技术问题,本发明的目的是提供一种自动识别工件凹凸台边缘的方法。
本发明所采用的技术方案是:一种自动识别工件凹凸台边缘的方法,该方法包括:
A、获取工件的图像;
B、对工件的图像进行边缘提取处理;
C、根据边缘的圆度和边缘的闭合度,进而对提取出的边缘进行凹凸台边缘的判断。
进一步,所述步骤B包括:
B1、对工件的图像进行预处理;
B2、对预处理后的工件的图像进行边缘提取处理。
进一步,所述步骤B1具体为:对工件的图像进行图像滤波处理和图像增强处理。
进一步,所述步骤C具体包括:
C1、计算边缘的圆度值,然后将计算出的圆度值转换成第一评价值;
C2、计算边缘与其它边缘之间的距离,然后将计算得出的最小距离转换为该边缘的闭合度,所述的闭合度作为第二评价值;
C3、根据第一评价值和第二评价值,进而对边缘进行凹凸台边缘的判断。
进一步,所述步骤C1中所述的将计算出的圆度值转换成第一评价值,其所采用的计算公式如下:
M=(1-|p|)*100
其中,M表示为第一评价值,p表示为圆度值,|p|表示为圆度值的绝对值。
进一步,所述步骤C3具体为:
当第一评价值和第二评价值均大于等于第一阈值时,则判断该边缘为凹凸台边缘;
当第一评价值和/或第二评价值大于等于第二阈值且小于第一阈值时,则根据正确边缘信息集合和错误边缘信息集合,进而对边缘进行比较判断处理;
当第一评价值和第二评价值均小于第二阈值时,则判断该边缘为非凹凸台边缘。
进一步,所述根据正确边缘信息集合和错误边缘信息集合,进而对边缘进行比较判断处理这一步骤,其具体为:
根据正确边缘信息集合,从而计算提取出的边缘与正确边缘信息集合中的边缘信息之间的第一匹配度;
根据错误边缘信息集合,从而计算提取出的边缘与错误边缘信息集合中的边缘信息之间的第二匹配度;
根据第一匹配度和第二匹配度,从而对提取出的边缘进行比较判断处理。
进一步,所述根据第一匹配度和第二匹配度,从而对提取出的边缘进行比较判断处理这一步骤,其具体为:
当计算出的第一匹配度大于等于第三阈值时,则判断该边缘为凹凸台边缘;
当计算出的第二匹配度大于等于第四阈值时,则判断该边缘为非凹凸台边缘;
当第一匹配度小于第三阈值且第二匹配度小于第四阈值时,则判断该边缘为无用边缘,并且将该边缘的信息存储于错误边缘信息集合中。
进一步,所述正确边缘信息集合和错误边缘信息集合中均包含相连边缘之间的夹角信息。
本发明的有益效果是:通过使用本发明的方法,能够自动地识别出工件的凹凸台边缘,这样便能根据识别出的凹凸台边缘从而对工件的凹凸台进行定位以及对其尺寸进行测量。由此可得,通过利用本发明的方法便能够对不同类型的工件的凹凸台进行自动化定位和测量,这样工作人员便无需针对不同类型的工件而设计不同相匹配的软件程序才能实现凹凸台的自动测量,大大提高了自动化测量***的操作兼容性和灵活性,减少工作人员的工作量和工作负担,为工作人员带来极大的便利性。
附图说明
下面结合附图对本发明的具体实施方式作进一步说明:
图1是本发明一种自动识别工件凹凸台边缘的方法的步骤流程图;
图2是本发明一种自动识别工件凹凸台边缘的方法的一具体实施例步骤流程图。
具体实施方式
如图1所示,一种自动识别工件凹凸台边缘的方法,该方法包括:
A、获取工件的图像;
B、对工件的图像进行边缘提取处理;
C、根据边缘的圆度和边缘的闭合度,进而对提取出的边缘进行凹凸台边缘的判断。由此可得,通过使用本发明的方法便能自动地识别出工件的凹凸台边缘,而根据识别出的凹凸台边缘,便能对工件的凹凸台进行定位和尺寸测量,由此可知,本发明的方法可适用于不同类型的工件,对不同类型的工件均可实现凹凸台的自动测量,这样工作人员则无需针对不同类型的工件而设计不同相匹配的软件程序,大大减少工作人员的工作量和工作负担,为工作人员带来极大的便利性。
进一步作为优选的实施方式,所述步骤B包括:
B1、对工件的图像进行预处理;
B2、对预处理后的工件的图像进行边缘提取处理。从工件的图像中所提取出的边缘,其包括有工件外轮廓边缘、凹凸台边缘、噪声边缘、工件缺陷边缘等。
进一步作为优选的实施方式,所述的预处理包括图像滤波处理和图像增强处理,由此可得,所述步骤B1具体为:对工件的图像进行图像滤波处理和图像增强处理。而对于所述的预处理,其主要用于提高图像的质量。
进一步作为优选的实施方式,所述步骤C具体包括:
C1、计算边缘的圆度值,然后将计算出的圆度值转换成第一评价值;
对于所述的圆度值,当一条边缘为圆时,该边缘的圆度值为1,当一条边缘为直线时,圆度值为-1,而其它曲线的圆度值则在-1~1之间,因此,所述的圆度值可以作为凹凸台边缘的评价标准之一,而对于所述的凹凸台边缘,其是由规则曲线(圆弧或直线)组成的;
C2、计算边缘与其它边缘之间的距离,然后将计算得出的最小距离转换为该边缘的闭合度,所述的闭合度作为第二评价值;
对于所述的闭合度,由于凹凸台边缘属于闭合性边缘,因此判断边缘的闭合度可以根据边缘与周围其他边缘之间是否存在相连从而来判断边缘是否为凹凸台边缘,而由于在实际图像获取中,边缘不一定能完整提取出来,因此,以边缘与周围最近的边缘之间的距离来作为闭合度;
C3、根据第一评价值和第二评价值,进而对边缘进行凹凸台边缘的判断。
进一步作为优选的实施方式,所述步骤C1中所述的将计算出的圆度值转换成第一评价值,其所采用的计算公式如下:
M=(1-|p|)*100
其中,M表示为第一评价值,p表示为圆度值,|p|表示为圆度值的绝对值。由此可得,当第一评价值的数值越高,则能说明该边缘越接近规则曲线(圆弧或直线)。
进一步作为优选的实施方式,所述步骤C3具体为:
当第一评价值和第二评价值均大于等于第一阈值时,则判断该边缘为凹凸台边缘;
当第一评价值和/或第二评价值大于等于第二阈值且小于第一阈值时,则根据正确边缘信息集合和错误边缘信息集合,进而对边缘进行比较判断处理;
当第一评价值和第二评价值均小于第二阈值时,则判断该边缘为非凹凸台边缘。所述的第一阈值大于第二阈值,具体地,所述的第一阈值可为90分,第二阈值可为70分。
另外,对于所述的正确边缘信息集合,其为包含了凹凸台边缘信息的集合,而对于所述的错误边缘信息集合,其为包含了被***判断为凹凸台边缘但实际却是无用边缘的边缘信息的集合。
进一步作为优选的实施方式,所述根据正确边缘信息集合和错误边缘信息集合,进而对边缘进行比较判断处理这一步骤,其具体为:
根据正确边缘信息集合,从而计算提取出的边缘与正确边缘信息集合中的边缘信息之间的第一匹配度;
根据错误边缘信息集合,从而计算提取出的边缘与错误边缘信息集合中的边缘信息之间的第二匹配度;
根据第一匹配度和第二匹配度,从而对提取出的边缘进行比较判断处理。
进一步作为优选的实施方式,所述根据第一匹配度和第二匹配度,从而对提取出的边缘进行比较判断处理这一步骤,其具体为:
当计算出的第一匹配度大于等于第三阈值时,即表示边缘与凹凸台边缘的匹配度很高,此时,则判断该边缘为凹凸台边缘;
当计算出的第二匹配度大于等于第四阈值时,即表示边缘与无用边缘的匹配度很高,此时,则判断该边缘为非凹凸台边缘;
当第一匹配度小于第三阈值且第二匹配度小于第四阈值时,即表示边缘与凹凸台边缘和无用边缘的匹配度均不高,此时,则判断该边缘为无用边缘,并且将该边缘的信息存储于错误边缘信息集合中,这样则能够不断提高识别准确率。
进一步作为优选的实施方式,所述正确边缘信息集合和错误边缘信息集合中均包含相连边缘之间的夹角信息。也就是说,对于所述正确边缘信息集合和错误边缘信息集合中所包含的边缘信息,其中包含有相连边缘之间的夹角信息。
本发明方法一具体实施例
如图2所示,一种自动识别工件凹凸台边缘的方法,其具体包括:
S1、获取工件的图像;
S2、对工件的图像进行图像滤波处理和图像增强处理;
S3、对预处理后的工件的图像进行边缘提取处理,其中,提取出的边缘包括边缘h1、h2、……、hn;
S4、计算边缘的圆度值,例如计算边缘h1的圆度值,然后将计算出的圆度值转换成第一评价值,而转换所采用的计算公式如下:
M=(1-|p|)*100
其中,M表示为第一评价值,p表示为圆度值,|p|表示为圆度值的绝对值;
S5、计算边缘与其它提取出的边缘之间的距离,然后将计算得出的最小距离转换为该边缘的闭合度,所述的闭合度作为第二评价值;
例如,计算边缘h1与其它边缘h2、……、hn之间的距离,并且边缘h1与边缘h17之间的距离最小,也就是说,边缘h17为边缘h1的最近边缘,那么则将边缘h1与边缘h17之间的距离相对应地转换为边缘h1的闭合度,而最小距离的值越小,边缘h1的闭合度越高;
在本实施例中,所述的第一评价值和第二评价值,实质为一评价分数;
S6、根据第一评价值和第二评价值,进而对边缘进行凹凸台边缘的判断,具体如下:
(1)、当第一评价值和第二评价值均大于90分时,则判断该边缘为凹凸台边缘;
(2)、当第一评价值和/或第二评价值大于等于70分且小于90分时,即当第一评价值和第二评价值均大于等于70分且小于90分,或者第一评价值和第二评价值中其中一个大于等于70分且小于90分时,则根据正确边缘信息集合和错误边缘信息集合,进而对该边缘进行比较判断处理;
其中,对于所述的根据正确边缘信息集合和错误边缘信息集合,进而对边缘进行比较判断处理,其具体为:
根据正确边缘信息集合,从而计算提取出的边缘与正确边缘信息集合中的边缘信息之间的第一匹配度;
根据错误边缘信息集合,从而计算提取出的边缘与错误边缘信息集合中的边缘信息之间的第二匹配度;
根据第一匹配度和第二匹配度,从而对提取出的边缘进行比较判断处理,具体地,当计算出的第一匹配度大于等于第三阈值时,则判断该边缘为凹凸台边缘;当计算出的第二匹配度大于等于第四阈值时,则判断该边缘为非凹凸台边缘;当第一匹配度小于第三阈值且第二匹配度小于第四阈值时,则判断该边缘为无用边缘,并且将该边缘的信息存储于错误边缘信息集合中;
(3)、当第一评价值和第二评价值均小于70分时,则判断该边缘为非凹凸台边缘。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种自动识别工件凹凸台边缘的方法,其特征在于:该方法包括:
A、获取工件的图像;
B、对工件的图像进行边缘提取处理;
C1、计算边缘的圆度值,然后将计算出的圆度值转换成第一评价值;所述的将计算出的圆度值转换成第一评价值,其所采用的计算公式如下:
M=(1-|p|)*100
其中,M表示为第一评价值,p表示为圆度值,|p|表示为圆度值的绝对值;
C2、计算边缘与其它边缘之间的距离,然后将计算得出的最小距离转换为该边缘的闭合度,所述的闭合度作为第二评价值;
C3、根据第一评价值和第二评价值,进而对边缘进行凹凸台边缘的判断;
所述步骤C3具体为:
当第一评价值和第二评价值均大于等于第一阈值时,则判断该边缘为凹凸台边缘;
当第一评价值和第二评价值均小于第二阈值时,则判断该边缘为非凹凸台边缘。
2.根据权利要求1所述一种自动识别工件凹凸台边缘的方法,其特征在于:所述步骤B包括:
B1、对工件的图像进行预处理;
B2、对预处理后的工件的图像进行边缘提取处理。
3.根据权利要求2所述一种自动识别工件凹凸台边缘的方法,其特征在于:所述步骤B1具体为:对工件的图像进行图像滤波处理和图像增强处理。
4.根据权利要求1-3任一项所述一种自动识别工件凹凸台边缘的方法,其特征在于:所述步骤C3还具体为:
当第一评价值和/或第二评价值大于等于第二阈值且小于第一阈值时,则根据正确边缘信息集合和错误边缘信息集合,进而对边缘进行比较判断处理;
所述根据正确边缘信息集合和错误边缘信息集合,进而对边缘进行比较判断处理这一步骤,其具体为:
根据正确边缘信息集合,从而计算提取出的边缘与正确边缘信息集合中的边缘信息之间的第一匹配度;
根据错误边缘信息集合,从而计算提取出的边缘与错误边缘信息集合中的边缘信息之间的第二匹配度;
根据第一匹配度和第二匹配度,从而对提取出的边缘进行比较判断处理;
所述根据第一匹配度和第二匹配度,从而对提取出的边缘进行比较判断处理这一步骤,其具体为:
当计算出的第一匹配度大于等于第三阈值时,则判断该边缘为凹凸台边缘;
当计算出的第二匹配度大于等于第四阈值时,则判断该边缘为非凹凸台边缘。
5.根据权利要求4所述一种自动识别工件凹凸台边缘的方法,其特征在于:所述根据第一匹配度和第二匹配度,从而对提取出的边缘进行比较判断处理这一步骤,其还具体为:
当第一匹配度小于第三阈值且第二匹配度小于第四阈值时,则判断该边缘为无用边缘,并且将该边缘的信息存储于错误边缘信息集合中。
6.根据权利要求5所述一种自动识别工件凹凸台边缘的方法,其特征在于:所述正确边缘信息集合和错误边缘信息集合中均包含相连边缘之间的夹角信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510771830.9A CN105405141B (zh) | 2015-11-11 | 2015-11-11 | 一种自动识别工件凹凸台边缘的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510771830.9A CN105405141B (zh) | 2015-11-11 | 2015-11-11 | 一种自动识别工件凹凸台边缘的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105405141A CN105405141A (zh) | 2016-03-16 |
CN105405141B true CN105405141B (zh) | 2018-05-29 |
Family
ID=55470608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510771830.9A Active CN105405141B (zh) | 2015-11-11 | 2015-11-11 | 一种自动识别工件凹凸台边缘的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105405141B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101387493A (zh) * | 2008-07-10 | 2009-03-18 | 长春理工大学 | 铁塔构件孔的形位尺寸非接触光电检测方法 |
CN101510295A (zh) * | 2009-04-01 | 2009-08-19 | 苏州有色金属研究院有限公司 | 基于PCIe和Vision Assistan的机器视觉***的设计方法 |
CN101619964A (zh) * | 2009-05-26 | 2010-01-06 | 北京理工大学 | 一种基于工艺匹配的微小型结构件快速显微检测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6384421B1 (en) * | 1999-10-07 | 2002-05-07 | Logical Systems Incorporated | Vision system for industrial parts |
DE102011002625A1 (de) * | 2011-01-13 | 2012-07-19 | Dr. Johannes Heidenhain Gmbh | Vorrichtung und Verfahren zum Erfassen der Lage eines Objekts in einer Werkzeugmaschine |
-
2015
- 2015-11-11 CN CN201510771830.9A patent/CN105405141B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101387493A (zh) * | 2008-07-10 | 2009-03-18 | 长春理工大学 | 铁塔构件孔的形位尺寸非接触光电检测方法 |
CN101510295A (zh) * | 2009-04-01 | 2009-08-19 | 苏州有色金属研究院有限公司 | 基于PCIe和Vision Assistan的机器视觉***的设计方法 |
CN101619964A (zh) * | 2009-05-26 | 2010-01-06 | 北京理工大学 | 一种基于工艺匹配的微小型结构件快速显微检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105405141A (zh) | 2016-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106404793B (zh) | 基于视觉的轴承密封件缺陷检测方法 | |
CN112233133B (zh) | 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN107798326B (zh) | 一种轮廓视觉检测方法 | |
CN104331710B (zh) | 开关状态识别*** | |
CN107016394B (zh) | 一种交叉纤维特征点匹配方法 | |
CN107516308B (zh) | 一种电池盖帽正面视觉检测方法 | |
CN103149222A (zh) | 射线实时成像中缺陷检测方法 | |
CN107490582A (zh) | 一种流水线工件检测*** | |
Adem et al. | Defect detection of seals in multilayer aseptic packages using deep learning | |
CN104535589A (zh) | 一种低压电流互感器在线检测方法和装置 | |
CN103198705A (zh) | 车位状态自动检测方法 | |
Yang et al. | Vial bottle mouth defect detection based on machine vision | |
CN103955933A (zh) | 一种基于机器视觉的汽车拉环锁扣铆合的检测方法 | |
CN105405141B (zh) | 一种自动识别工件凹凸台边缘的方法 | |
CN105469401B (zh) | 一种基于计算机视觉的船槽定位方法 | |
CN109308707B (zh) | 铝锭厚度非接触式在线测量方法 | |
Ping et al. | Whole surface defect detection method for bearing rings based on machine vision | |
Dang et al. | A novel method for detecting weld defects accurately and reliably in radiographic images | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN105095897B (zh) | 一种基于梯度图像和相似度加权的数字识别方法 | |
CN205620320U (zh) | 基于多管脚的缺陷检测装置 | |
CN113763379B (zh) | 吊弦断股检测方法、装置、计算机设备及存储介质 | |
Tabernik et al. | Deep-learning-based computer vision system for surface-defect detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191106 Address after: 225631, Jiangsu, Yangzhou City, Gaoyou Province three town industrial concentrated area Patentee after: Yangzhou Shuangxing Fire Technology Co., Ltd Address before: 528225, Guangdong City, Foshan Province Nanhai District lion town Nanhai software technology park, industry think tank city A seat research building A502 room Patentee before: FOSHAN QINGZI PRECISION MEASUREMENT AND CONTROL TECHNOLOGY CO., LTD. |
|
TR01 | Transfer of patent right |