CN106372644A - 一种用于轮毂分拣***的图像识别方法 - Google Patents
一种用于轮毂分拣***的图像识别方法 Download PDFInfo
- Publication number
- CN106372644A CN106372644A CN201610703704.4A CN201610703704A CN106372644A CN 106372644 A CN106372644 A CN 106372644A CN 201610703704 A CN201610703704 A CN 201610703704A CN 106372644 A CN106372644 A CN 106372644A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- image
- characteristic area
- point
- pseudo
- 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
Classifications
-
- 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
- G06V10/443—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 by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于轮毂分拣***的图像识别方法,包括以下步骤:A、对采集来的图像进行灰度变换;B、对灰度图像进行滤波处理,提高灰度图像的分辨率;C、在灰度图像上采集特征区域,并对确定的特征点中的伪特征区域进行排除;D、使用采集到的特征区域与预先设定的特征区域数据库进行比对,得出图像类别。本发明可以解决现有技术的不足,提高了机器视觉检测的识别准确率。
Description
技术领域
本发明涉及图像识别技术领域,尤其是一种用于轮毂分拣***的图像识别方法。
背景技术
在汽车铝合金轮毂生产线上,对于轮毂型号的判别依据其外形特征。为了提高生产线的生产效率和降低人为误判,现在的铝合金轮毂生产线大都采用机器视觉检测。但是,现有的机器视觉检测对于图像的识别能力较差,在图像清晰度较差的情况下,识别准确率较低。
发明内容
本发明要解决的技术问题是提供一种用于轮毂分拣***的图像识别方法,能够解决现有技术的不足,提高了机器视觉检测的识别准确率。
为解决上述技术问题,本发明所采取的技术方案如下。
一种用于轮毂分拣***的图像识别方法,包括以下步骤:
A、对采集来的图像进行灰度变换;
B、对灰度图像进行滤波处理,提高灰度图像的分辨率;
C、在灰度图像上采集特征区域,并对确定的特征点中的伪特征区域进行排除;
D、使用采集到的特征区域与预先设定的特征区域数据库进行比对,得出图像类别。
作为优选,步骤B中,滤波处理的滤波函数为,
其中,x,y为当前像素点的坐标值,G为当前像素点的灰度值,σ为当前像素点的灰度值与其相邻像素点灰度值的标准差。
作为优选,步骤C中,对确定的特征点中的伪特征区域进行排除的步骤包括,
C1、将特征区域中像素点的灰度值组成灰度值矩阵,求取灰度值矩阵的特征向量,求取任意两个特征向量差值的模的最大值,若求取的最大值超过了特征区域数据库中记录的特征向量差值的模的最大值,则标记为伪特征区域;
C2、在标记为伪特征区域内选取若干特征点,依次建立每个特征点到其它特征点的映射关系,求取伪特征区域内映射关系与特征区域数据库中记录的映射关系的线性相关度,若线性相关度超过设定值,则取消伪特征区域的标记。
作为优选,步骤D中,使用采集到的特征区域与预先设定的特征区域数据库进行比对包括以下步骤,
建立特征点的灰度值与其相邻像素点灰度值的标准差σ和特征点灰度值G与其它特征点相应的标准差σ和灰度值G的二元映射关系,求取上述二元映射关系与特征区域数据库中记录的各个特征区域的二元映射关系的二元相关度,将采集到的特征区域判定为与之二元相关度最大的对应的特征区域数据库内的特征区域。
采用上述技术方案所带来的有益效果在于:本发明通过改进对于图像的滤波处理过程,减少了在滤波处理过程中图像特征的丢失。通过建立相应的映射关系对特征区域进行判断,可以降低运算量。所以,在同样硬件配置和处理时间的情况下,可以对于更多的图像特征进行判断,进而提高对于机器视觉检测的识别准确率。
具体实施方式
一种用于轮毂分拣***的图像识别方法,于包括以下步骤:
A、对采集来的图像进行灰度变换;
B、对灰度图像进行滤波处理,提高灰度图像的分辨率;
C、在灰度图像上采集特征区域,并对确定的特征点中的伪特征区域进行排除;
D、使用采集到的特征区域与预先设定的特征区域数据库进行比对,得出图像类别。
步骤B中,滤波处理的滤波函数为,
其中,x,y为当前像素点的坐标值,G为当前像素点的灰度值,σ为当前像素点的灰度值与其相邻像素点灰度值的标准差。
步骤C中,对确定的特征点中的伪特征区域进行排除的步骤包括,
C1、将特征区域中像素点的灰度值组成灰度值矩阵,求取灰度值矩阵的特征向量,求取任意两个特征向量差值的模的最大值,若求取的最大值超过了特征区域数据库中记录的特征向量差值的模的最大值,则标记为伪特征区域;
C2、在标记为伪特征区域内选取若干特征点,依次建立每个特征点到其它特征点的映射关系,求取伪特征区域内映射关系与特征区域数据库中记录的映射关系的线性相关度,若线性相关度超过设定值,则取消伪特征区域的标记。
步骤D中,使用采集到的特征区域与预先设定的特征区域数据库进行比对包括以下步骤,
建立特征点的灰度值与其相邻像素点灰度值的标准差σ和特征点灰度值G与其它特征点相应的标准差σ和灰度值G的二元映射关系,求取上述二元映射关系与特征区域数据库中记录的各个特征区域的二元映射关系的二元相关度,将采集到的特征区域判定为与之二元相关度最大的对应的特征区域数据库内的特征区域。
其中,标准差σ和灰度值G的二元映射关系采用,
形式的二元映射。这一形式的映射关系可以有效降低同一特征区域内二元映射的相似度,从而提高二元映射比对时的准确度。
与传统的图像识别方法(此处使用常见的图像边缘识别方法进行对比)相比,本发明所提供的图像识别方法可以在存在较大干扰信号的情况下,保持较高的识别准确率,详见下表:
5%强度的干扰信号 | 15%强度的干扰信号 | |
本发明识别方法 | 识别准确率为97.6% | 识别准确率为93.1% |
图像边缘识别方法 | 识别准确率为95.9% | 识别准确率为81.3% |
上述描述仅作为本发明可实施的技术方案提出,不作为对其技术方案本身的单一限制条件。
Claims (4)
1.一种用于轮毂分拣***的图像识别方法,其特征在于:于包括以下步骤:
A、对采集来的图像进行灰度变换;
B、对灰度图像进行滤波处理,提高灰度图像的分辨率;
C、在灰度图像上采集特征区域,并对确定的特征点中的伪特征区域进行排除;
D、使用采集到的特征区域与预先设定的特征区域数据库进行比对,得出图像类别。
2.根据权利要求1所述的用于轮毂分拣***的图像识别方法,其特征在于:步骤B中,滤波处理的滤波函数为,
其中,x,y为当前像素点的坐标值,G为当前像素点的灰度值,σ为当前像素点的灰度值与其相邻像素点灰度值的标准差。
3.根据权利要求2所述的用于轮毂分拣***的图像识别方法,其特征在于:步骤C中,对确定的特征点中的伪特征区域进行排除的步骤包括,
C1、将特征区域中像素点的灰度值组成灰度值矩阵,求取灰度值矩阵的特征向量,求取任意两个特征向量差值的模的最大值,若求取的最大值超过了特征区域数据库中记录的特征向量差值的模的最大值,则标记为伪特征区域;
C2、在标记为伪特征区域内选取若干特征点,依次建立每个特征点到其它特征点的映射关系,求取伪特征区域内映射关系与特征区域数据库中记录的映射关系的线性相关度,若线性相关度超过设定值,则取消伪特征区域的标记。
4.根据权利要求3所述的用于轮毂分拣***的图像识别方法,其特征在于:步骤D中,使用采集到的特征区域与预先设定的特征区域数据库进行比对包括以下步骤,
建立特征点的灰度值与其相邻像素点灰度值的标准差σ和特征点灰度值G与其它特征点相应的标准差σ和灰度值G的二元映射关系,求取上述二元映射关系与特征区域数据库中记录的各个特征区域的二元映射关系的二元相关度,将采集到的特征区域判定为与之二元相关度最大的对应的特征区域数据库内的特征区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610703704.4A CN106372644A (zh) | 2016-08-22 | 2016-08-22 | 一种用于轮毂分拣***的图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610703704.4A CN106372644A (zh) | 2016-08-22 | 2016-08-22 | 一种用于轮毂分拣***的图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106372644A true CN106372644A (zh) | 2017-02-01 |
Family
ID=57878692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610703704.4A Pending CN106372644A (zh) | 2016-08-22 | 2016-08-22 | 一种用于轮毂分拣***的图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106372644A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614977A (zh) * | 2018-11-14 | 2019-04-12 | 华南理工大学 | 一种轮毂型号识别方法 |
CN111687444A (zh) * | 2020-06-16 | 2020-09-22 | 浙大宁波理工学院 | 一种汽车轮毂立体识别码的识别与定位方法及其装置 |
CN112287933A (zh) * | 2019-12-20 | 2021-01-29 | 中北大学 | 一种汽车轮毂x射线图像文字干扰的去除方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101114335A (zh) * | 2007-07-19 | 2008-01-30 | 南京大学 | 全角度快速指纹识别方法 |
CN103090790A (zh) * | 2012-12-21 | 2013-05-08 | 宁波赛恩斯智能科技有限公司 | 轮毂自动识别装置和方法 |
CN104001676A (zh) * | 2014-05-04 | 2014-08-27 | 广东都市丽人实业有限公司 | 大型多品种混搭内衣自动化分拣方法及生产线 |
WO2014142099A1 (ja) * | 2013-03-12 | 2014-09-18 | 日本電気株式会社 | 識別方法、識別システム、識別装置及びプログラム |
-
2016
- 2016-08-22 CN CN201610703704.4A patent/CN106372644A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101114335A (zh) * | 2007-07-19 | 2008-01-30 | 南京大学 | 全角度快速指纹识别方法 |
CN103090790A (zh) * | 2012-12-21 | 2013-05-08 | 宁波赛恩斯智能科技有限公司 | 轮毂自动识别装置和方法 |
WO2014142099A1 (ja) * | 2013-03-12 | 2014-09-18 | 日本電気株式会社 | 識別方法、識別システム、識別装置及びプログラム |
CN104001676A (zh) * | 2014-05-04 | 2014-08-27 | 广东都市丽人实业有限公司 | 大型多品种混搭内衣自动化分拣方法及生产线 |
Non-Patent Citations (1)
Title |
---|
徐国庆: "指纹识别***中的特征提取与匹配算法的研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614977A (zh) * | 2018-11-14 | 2019-04-12 | 华南理工大学 | 一种轮毂型号识别方法 |
CN112287933A (zh) * | 2019-12-20 | 2021-01-29 | 中北大学 | 一种汽车轮毂x射线图像文字干扰的去除方法及*** |
CN111687444A (zh) * | 2020-06-16 | 2020-09-22 | 浙大宁波理工学院 | 一种汽车轮毂立体识别码的识别与定位方法及其装置 |
CN111687444B (zh) * | 2020-06-16 | 2021-04-30 | 浙大宁波理工学院 | 一种汽车轮毂立体识别码的识别与定位方法及其装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103871053B (zh) | 一种基于视觉显著性的布匹瑕疵检测方法 | |
CN104732211B (zh) | 一种基于自适应阈值的交通标志检测方法 | |
CN110751051B (zh) | 一种基于机器视觉的异常驾驶行为检测方法 | |
CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN102999916B (zh) | 一种彩色图像的边缘提取方法 | |
CN107248161A (zh) | 一种多特征融合的有监督视网膜血管提取方法 | |
CN107153848A (zh) | 基于OpenCV的仪表图像自动识别方法 | |
CN106709450A (zh) | 一种指纹图像识别方法及*** | |
CN104794491A (zh) | 基于预分类的模糊聚类钢板表面缺陷检测方法 | |
CN106295588A (zh) | 一种白带显微图像中白细胞的自动识别方法 | |
CN106960438A (zh) | 基于霍夫直线变换对输电线路的异物识别方法 | |
CN104732536A (zh) | 一种基于改进形态学的亚像素边缘检测方法 | |
CN104794440B (zh) | 一种基于多分块多尺度lbp的假指纹检测方法 | |
CN103604809A (zh) | 一种图案布匹瑕疵在线视觉检测方法 | |
CN109708907B (zh) | 一种基于包络信息的设备故障特征提取方法 | |
CN106372644A (zh) | 一种用于轮毂分拣***的图像识别方法 | |
CN108229304B (zh) | 一种***化的基于聚类思想的驾驶行为识别方法 | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN103218605A (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN109741314A (zh) | 一种零件的视觉检测方法及*** | |
CN108734131B (zh) | 一种图像中的交通标志对称性检测方法 | |
CN107607540A (zh) | 一种基于机器视觉的t恤在线检测及分选方法 | |
CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 | |
CN106778541A (zh) | 一种基于视觉的多层梁中外梁孔的识别与定位方法 | |
CN106127209A (zh) | 一种基于局部边缘特征整合的目标物体轮廓提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170201 |
|
RJ01 | Rejection of invention patent application after publication |