CN108230327A - 一种基于mvp平台的包装定位与分类研究通用方法 - Google Patents
一种基于mvp平台的包装定位与分类研究通用方法 Download PDFInfo
- Publication number
- CN108230327A CN108230327A CN201611155676.3A CN201611155676A CN108230327A CN 108230327 A CN108230327 A CN 108230327A CN 201611155676 A CN201611155676 A CN 201611155676A CN 108230327 A CN108230327 A CN 108230327A
- Authority
- CN
- China
- Prior art keywords
- packaging
- image
- mvp
- platforms
- universal method
- 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
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000011160 research Methods 0.000 title claims abstract description 15
- 238000013145 classification model Methods 0.000 claims abstract description 5
- 238000010276 construction Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 2
- 238000012856 packing Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了视觉分类定位技术领域的一种基于MVP平台的包装定位与分类研究通用方法,该基于MVP平台的包装定位与分类研究通用方法的具体步骤如下:S1:运用全局阈值分割和连通性分析对图像进行预处理;S2:得到包装边缘的精确位置和方向,创建模板;S3:对包装在图像上位置的精确获取;S4:对不同包装进行训练,分类建模;S5:提取包装区域;本发明通过机器视觉***进行包装定位与分类研究,实现对包装图像位置的精确获取,为机械手抓取奠定基础,同时可避免人为因素造成的包装分类错误,实现对包装准确分类。
Description
技术领域
本发明涉及视觉分类定位技术领域,具体为一种基于MVP平台的包装定位与分类研究通用方法。
背景技术
劳动密集型制造业对“机器换人”的需求日益提升。我国人口结构的老龄化,促使劳动力成本进一步抬高,加之我国制造业自动化水平较低,自动化设备较为老旧,导致我国劳动密集型制造业有较大的设备采购和更新换代的需求,所以我国劳动密集型制造业对机器视觉***需求潜力巨大。
智能视觉***相对于传统机械***,具有准确性高、速度快、精度高等优点。现代化工业的飞速发展,人口红利的衰减和第三次工业革命的到来,使得科学技术飞速发展,智能视觉***与工业机器人的结合,使得复杂的自动化控制成为可能,智能视觉***在各大领域广泛应用。
MVP能将机器视觉软件标准化,各个功能模块能够达到高度的复用性,并且能够自由灵活的组装,产品开发不需要专业的软件人员,只需要产品组员懂得按手册进行拼装即可,大大节省了人力资源,缩短了产品研发时间,同时还能保证产品具有高度的稳定性。
以往包装订单完成是人工读取订单、手动取货、打包,耗时、耗力、易出错,比较智能的做法是通过控制机械手示教抓取固定位置处的包装,完成订单码垛,当包装种类数目较多时,需要占用较大空间,不利于形成统一的生产线。为此,我们提出了一种基于MVP平台的包装定位与分类研究通用方法投入使用,以解决上述问题。
发明内容
本发明的目的在于提供一种基于MVP平台的包装定位与分类研究通用方法,已解决上述背景技术中提出的以往包装订单完成是人工读取订单、手动取货、打包,耗时、耗力、易出错,比较智能的做法是通过控制机械手示教抓取固定位置处的包装,完成订单码垛,当包装种类数目较多时,需要占用较大空间,不利于形成统一的生产线问题。
为实现上述目的,本发明提供如下技术方案:一种基于MVP平台的包装定位与分类研究通用方法,该基于MVP平台的包装定位与分类研究通用方法的具体步骤如下:
S1:运用全局阈值分割和连通性分析对图像进行预处理,将包装区域从图像中分离;
S2:对步骤S1包装进行边缘检测与跟踪,得到包装边缘的精确位置和方向,创建模板;
S3:基于图像边缘的模板匹配,采用金字塔搜索策略在图像中寻找模板,缩小搜索范围,达到对包装在图像上位置的精确获取;
S4:基于支持向量机的包装分类方法,利用灰度共生矩阵,通过计算能量、相关性、对比度、熵、均值、方差和各向异性7个纹理特征量,对不同包装进行训练,分类建模;
S5:提取包装区域,利用步骤S4中的分类器,实现对包装的分类。
优选的,所述步骤S1中高清彩色图像由CCD高清面阵彩色相机借助光源采集获得。
优选的,所述步骤S3中,在进行模板匹配时,模板所有边缘点与离它最近的图像边缘点之间的均方距离最小,采用距离变换找出最近距离。
优选的,所述步骤S4中的分类建模图像为多张包装高清彩色图像采用统计平均法合成。
优选的,所述步骤S4中创建模分类器包括如下步骤:
S41:利用灰度共生矩阵,从均值、方差、能量、相关性、对比度、熵和各向异性7个特征来训练样本,特征空间维度设为7,对15类包装进行分类,样本分类个数设为15;
S42:添加、分析包装样本,提取样本7个不同特征,训练样本构成不同类。
与现有技术相比,本发明的有益效果是:本发明对包装分类定位更加准确,有利于形成统一的生产线,节省人力、物力,提高了生产效率,本发明通过机器视觉***进行包装定位与分类研究,实现对包装图像位置的精确获取,为机械手抓取奠定基础,同时可避免人为因素造成的包装分类错误,实现对包装准确分类。
附图说明
图1为本发明工作流程图;
图2为本发明实施例一中图像金字塔模型结构图;
图3为本发明实施例二中支持向量机映射结构图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
实施例一
在计算待测图像边缘与模板图像相似度时,采用模板所有边缘点与离它最近的待测图像边缘点之间的均方距离最小作为相似度。此过程中可以采用距离变换找出最近距离,也可以缩小搜索范围,最后计算相似度的局部最小值,均方边缘距离(SED)为:
如果不使用停止标准,上述模板匹配算法的复杂度为O(whn),w为图像的宽度,h为图像的高度,n为模板中点的个数,即使使用停止标准,并不能改变算法复杂度,算法速度提升比例也只是个常数。机器视觉应用中,要尽可能降低图像处理时间,要想提高算法速度,必须减少w、h、n数值,图像金字塔正是通过减小图像宽高来提升算法运行效率的方法。
请参阅图2,图像金字塔是对图像或者模板进行二次抽样,将图像大小多次缩小为上一层图像的一半,构成金字塔图像。随着图层的增加,宽高减半,分辨率也逐渐降低,为了消除抽样后图像锯齿效应,使用均值滤波平滑图像。当在高层搜索到模板实例以后,将匹配结果映射到金字塔下一层,即将坐标乘以2,考虑到匹配位置可能存在偏差,将匹配结果周围的一个区域作为搜索区域,最终追踪到图像金字塔最底层,由于是在小区域内进行相似度计算、阈值分割、提取局部极值,所以运行速度非常快。
实施例二
在样本数量足够多时,高斯混合模型对于分类具有较好的鲁棒性,但对于解决小样本、非线性及高维模式识别问题时,高斯混合模型却表现的不尽人意,支持向量机却很大的优势,将统计学***面,然后基于Mercer核展开定理,通过非线性映射ψ,通过将样本空间映射到高维乃至于无穷维的特征空间,从而使得在特征空间中可以应用线性学习机的方法解决样本空间中的高维非线性分类和回归等问题。由于支持向量机应用了基于核的展开和计算理论,所以不需要求解非线性映射的显示表达式,相比于线性模型,在高维空间中应用线性学习机,可以避免“维灾数”和计算的复杂度。
非线性SVM分类函数好比一个神经网络,每个中间层节点是输入样本与一个支持向量的内积,输出是若干个中间层节点的线性组合。
请参阅图3,灰度共生矩阵表示像素对的联合分布概率,为一对称矩阵,不仅反映图像灰度在相相邻间隔、邻的方向、变化幅度的综合信息,也反映了相同的灰度级像素之间的位置分布特征,是计算纹理特征的基础。计算得到包装灰度共生矩阵以后,往往不直接应用它,而是在此基础上计算纹理特征量,本***采用能量、相关性、对比度、熵、均值、方差、各向异性等特征量来表示。借助于以上7个特性,对15类包装进行分类。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于MVP平台的包装定位与分类研究通用方法,其特征在于:该基于MVP平台的包装定位与分类研究通用方法的具体步骤如下:
S1:运用全局阈值分割和连通性分析对图像进行预处理,将包装区域从图像中分离;
S2:对步骤S1包装进行边缘检测与跟踪,得到包装边缘的精确位置和方向,创建模板;
S3:基于图像边缘的模板匹配,采用金字塔搜索策略在图像中寻找模板,缩小搜索范围,达到对包装在图像上位置的精确获取;
S4:基于支持向量机的包装分类方法,利用灰度共生矩阵,通过计算能量、相关性、对比度、熵、均值、方差和各向异性7个纹理特征量,对不同包装进行训练,分类建模;
S5:提取包装区域,利用步骤S4中的分类器,实现对包装的分类。
2.根据权利要求1所述的一种基于MVP平台的包装定位与分类研究通用方法,其特征在于:所述步骤S1中高清彩色图像由CCD高清面阵彩色相机借助光源采集获得。
3.根据权利要求1所述的一种基于MVP平台的包装定位与分类研究通用方法,其特征在于:所述步骤S3中,在进行模板匹配时,模板所有边缘点与离它最近的图像边缘点之间的均方距离最小,采用距离变换找出最近距离。
4.根据权利要求1所述的一种基于MVP平台的包装定位与分类研究通用方法,其特征在于:所述步骤S4中的分类建模图像为多张包装高清彩色图像采用统计平均法合成。
5.根据权利要求1所述的一种基于MVP平台的包装定位与分类研究通用方法,其特征在于:所述步骤S4中创建模分类器包括如下步骤:
S41:利用灰度共生矩阵,从均值、方差、能量、相关性、对比度、熵和各向异性7个特征来训练样本,特征空间维度设为7,对15类包装进行分类,样本分类个数设为15;
S42:添加、分析包装样本,提取样本7个不同特征,训练样本构成不同类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611155676.3A CN108230327A (zh) | 2016-12-14 | 2016-12-14 | 一种基于mvp平台的包装定位与分类研究通用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611155676.3A CN108230327A (zh) | 2016-12-14 | 2016-12-14 | 一种基于mvp平台的包装定位与分类研究通用方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108230327A true CN108230327A (zh) | 2018-06-29 |
Family
ID=62650133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611155676.3A Pending CN108230327A (zh) | 2016-12-14 | 2016-12-14 | 一种基于mvp平台的包装定位与分类研究通用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108230327A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654902A (zh) * | 2012-01-16 | 2012-09-05 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
CN103499297A (zh) * | 2013-10-25 | 2014-01-08 | 爱科维申科技(天津)有限公司 | 一种基于ccd的高精度测量方法 |
CN103914707A (zh) * | 2014-04-15 | 2014-07-09 | 广西交通投资集团有限公司 | 基于支持向量机的绿色通道产品辅助判别方法 |
CN104574408A (zh) * | 2015-01-16 | 2015-04-29 | 东华大学 | 基于形状特征提取的工业透明薄膜包装检测方法及装置 |
CN105701476A (zh) * | 2016-02-04 | 2016-06-22 | 合肥泰禾光电科技股份有限公司 | 一种基于机器视觉的生产线产品自动化识别***及方法 |
CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
-
2016
- 2016-12-14 CN CN201611155676.3A patent/CN108230327A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654902A (zh) * | 2012-01-16 | 2012-09-05 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
CN103499297A (zh) * | 2013-10-25 | 2014-01-08 | 爱科维申科技(天津)有限公司 | 一种基于ccd的高精度测量方法 |
CN103914707A (zh) * | 2014-04-15 | 2014-07-09 | 广西交通投资集团有限公司 | 基于支持向量机的绿色通道产品辅助判别方法 |
CN104574408A (zh) * | 2015-01-16 | 2015-04-29 | 东华大学 | 基于形状特征提取的工业透明薄膜包装检测方法及装置 |
CN105701476A (zh) * | 2016-02-04 | 2016-06-22 | 合肥泰禾光电科技股份有限公司 | 一种基于机器视觉的生产线产品自动化识别***及方法 |
CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
Non-Patent Citations (3)
Title |
---|
李勇等: ""基于机器视觉的零件表面瑕疵自动分拣***设计"", 《自动化与仪器仪表》 * |
焦亮等: ""基于机器视觉的随机纹理瓷砖的分选***"", 《计算机***应用》 * |
金灿: ""基于HALCON的印刷图像质量检测技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109870983B (zh) | 处理托盘堆垛图像的方法、装置及用于仓储拣货的*** | |
CN113192040A (zh) | 一种基于YOLO v4改进算法的织物瑕疵检测方法 | |
CN111368852A (zh) | 基于深度学习的物品识别预分拣***、方法及机器人 | |
Alidoost et al. | A CNN-based approach for automatic building detection and recognition of roof types using a single aerial image | |
CN111507976B (zh) | 基于多角度成像的缺陷检测方法及*** | |
CN109598211A (zh) | 一种实时动态人脸识别方法及*** | |
CN109829476B (zh) | 基于yolo的端到端三维物体检测方法 | |
CN110163271A (zh) | 一种基于球面投影网格和球面卷积的全景影像目标检测方法 | |
CN108648194A (zh) | 基于cad模型三维目标识别分割和位姿测量方法及装置 | |
CN114549507B (zh) | 改进Scaled-YOLOv4的织物瑕疵检测方法 | |
CN111368637A (zh) | 一种基于多掩模卷积神经网络的搬运机器人识别目标方法 | |
Roggiolani et al. | Hierarchical approach for joint semantic, plant instance, and leaf instance segmentation in the agricultural domain | |
CN111724354A (zh) | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 | |
Zheng et al. | Feature enhancement for multi-scale object detection | |
CN109584206A (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
Lin et al. | An antagonistic training algorithm for TFT-LCD module mura defect detection | |
CN113628170B (zh) | 一种基于深度学习的激光线提取方法及*** | |
CN104778683B (zh) | 一种基于泛函映射的多模态图像分割方法 | |
CN113011506A (zh) | 一种基于深度重分形频谱网络的纹理图像分类方法 | |
CN117079125A (zh) | 一种基于改进型YOLOv5的猕猴桃授粉花朵识别方法 | |
CN108230327A (zh) | 一种基于mvp平台的包装定位与分类研究通用方法 | |
CN106056575A (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
CN116051808A (zh) | 一种基于YOLOv5的轻量化零件识别定位方法 | |
CN114723757A (zh) | 一种基于深度学习算法的高精度晶圆缺陷检测方法及*** | |
CN103942764B (zh) | 一种基于模块分析技术的二维光纤光谱图像修复算法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |
|
RJ01 | Rejection of invention patent application after publication |