CN109658402A - 基于计算机视觉成像的工业型材几何尺寸自动检测方法 - Google Patents
基于计算机视觉成像的工业型材几何尺寸自动检测方法 Download PDFInfo
- Publication number
- CN109658402A CN109658402A CN201811539019.8A CN201811539019A CN109658402A CN 109658402 A CN109658402 A CN 109658402A CN 201811539019 A CN201811539019 A CN 201811539019A CN 109658402 A CN109658402 A CN 109658402A
- Authority
- CN
- China
- Prior art keywords
- profile
- curve
- vertex
- straight line
- slot
- 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.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 36
- 230000004438 eyesight Effects 0.000 title claims abstract description 20
- 238000003384 imaging method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000013459 approach Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 239000000284 extract Substances 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 210000003296 saliva Anatomy 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 238000003801 milling Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于计算机视觉成像的工业型材几何尺寸自动检测方法,包括步骤:从输入源获取图像,自动检测型材位置并提取感兴趣区;对提取图像进行检测前预处理,改善图片动态范围并得到二值图;分别提取内外轮廓,并做多边形拟合;对于外轮廓,判断多边形顶点处于直线或曲线上,对于内轮廓,判断其为孔或槽;对于外轮廓,根据判断结果计算直线与曲线参数,对于内轮廓,计算孔的位置与半径,槽的位置、长宽与倾斜度;最后,输出检测参数,并将检测结果标注于原图,展现给用户。本发明自动识别图片中工业型材位置,运用计算机视觉和图像处理技术,精确检测输出工业型材的直线、曲线、内部钻孔、锯槽与铣槽各项参数,并将结果标注于原图上。
Description
技术领域
本发明涉及计算机视觉与图形图像处理技术领域,具体涉及一种基于计算机视觉成像的工业型材几何尺寸自动检测方法。
背景技术
由于工业自动化的高度发展,工厂为了提高工件检测效率,开始引入自动化的、非接触式的工件尺寸检测方法。并且近年来照相机成像技术愈发成熟,因此可以通过计算级视觉技术和图像处理技术通过图像对工业型材的尺寸参数较为精确地测量。
Nobuyuki Ostu于1979年的IEEE期刊上发表了题为《A Threshold SelectionMethod from Gray-Level Histograms》的文章。文章提出了一种自动基于聚类选取阈值的方法对图片进行二值化。这种方法能够在图像二值化过程中很好地将目标物体与背景区分开来,因此能很好地保存工业型材需要检测的细节。
Satoshi Suzuki与Keiichi Abe于1985年发表了题为《TopologicalStructuralAnalysis ofDigitized Binary Image by BorderFollowing》的文章,公开了一种基于边缘跟随的二值图拓扑结构分析方法。文中利用跟踪边界与边界编号的方法分析二值图片中的拓扑结构,构建各个轮廓的拓扑关系树,从而能够分析出内外轮廓的相互包含关系。
David Douglas与Thomas Peucker于1973年发表了题为《Algorithms for theReduction ofthe Number ofPoints Required to Represent a Digitized Line oritsCaricature》的文章,提出了一种迭代适应点算法将曲线近似表示为一系列点,并且减少点数目的方法。使用这种方法对轮廓进行多边形拟合,可以准确提取轮廓主要特征而减少噪声干扰。
Gander,Walter,Gene H.Golub,Rolf Strebel于1996年发表了题为《Least-Square Fitting ofCircles and Ellipses》的文章,公开了一种使用最小二乘法拟合圆或椭圆的方法。这种方法首先用最小二乘法建立输入点关于拟合后圆的残差方程,然后通过解残差方程使其尽可能为零的方法确定圆的圆心坐标与半径。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于计算机视觉成像的工业型材几何尺寸自动检测方法。
本发明的目的可以通过采取如下技术方案达到:
一种基于计算机视觉成像的工业型材几何尺寸自动检测方法,所述的工业型材几何尺寸自动检测方法包括以下步骤:
S1、从输入源获取图像,自动检测型材位置并提取感兴趣区域;
S2、对提取的图像感兴趣区域进行检测前预处理,改善图像动态范围并得到二值图;
S3、分别提取内外轮廓,并做多边形拟合;
S4、对于外轮廓,判断多边形顶点处于直线或曲线上,对于内轮廓,判断其为孔或槽;
S5、对于外轮廓,根据判断结果计算直线与曲线参数,对于内轮廓,计算孔的位置与半径,槽的位置、长宽与倾斜度;
S6、输出检测参数,并将检测结果标注于原图,展现给用户。
进一步地,所述的步骤S1中检测型材位置的过程如下:
以中值滤波平滑图像,提取全部轮廓,对外部轮廓进行矩形拟合,提取面积最大矩形区域。
进一步地,所述的步骤S2的过程如下:
以直方图拉伸的方法提高图像动态范围,使用中值滤波、高斯滤波去除噪声,采用大津法对图像进行二值化得到二值图。大津法是一种自适应确定二值化阈值的方法,该算法将图像分为背景和目标两类,并自动确定令两类类间方差最大的阈值,对图片进行二值化。
进一步地,所述的步骤S3的过程如下:
S31、使用Suzuki-Abe算法提取轮廓,跟踪二值图边界并对边界编号,构建各个轮廓的拓扑关系树,分析内外轮廓的相互包含关系,实现从二值图中提取轮廓;
S32、根据轮廓拓扑结构区分外部轮廓与内部轮廓并分别存储;
S33、使用Ramer–Douglas–Peucker算法进行多边形拟合,使用上一步提取出的轮廓点迭代选取适应点,将曲线近似表示为一系列适应点并减少点的数目,即对轮廓做多边形拟合,得到逆时针排序的多边形顶点。
进一步地,所述的步骤S32中区分外部轮廓与内部轮廓的方法如下:
遍历步骤S31中生成的拓扑关系树,若某轮廓无父轮廓,则为外轮廓;若某轮廓有父轮廓,则为内轮廓。
进一步地,所述的步骤S4的过程如下:
对于外轮廓,遍历步骤S3中多边形拟合得到的顶点,每次按顺序向后取t个点使用最小二乘法计算圆方程得到残差,与经验得到的阈值比较判断该顶点处于轮廓直线或曲线上;
对于内轮廓,使用步骤S3中多边形拟合得到的全部顶点做最小二乘法计算圆的方程,并由残差判断内部轮廓为圆孔或槽。
进一步地,所述的步骤S5的过程如下:
根据步骤S4中多边形顶点判断结果计算出直线和曲线的参数,若相邻两顶点属于直线顶点,则使用两顶点作为线段端点计算出直线的长度与坐标,若连续几个顶点位于原轮廓曲线上,则使用最小二乘法计算曲线相切圆的半径和圆心坐标,将检测到的直线和曲线标注在原图外轮廓上;
根据步骤S4中内轮廓类型判断结果计算出孔和槽的参数,对于判定为圆孔的内轮廓,使用多边形拟合得到的顶点通过最小二乘法计算孔的圆心坐标与半径;对于判定为槽的内轮廓通过寻找最小面积旋转矩形算法得到完全包围槽外轮廓且面积最小的旋转矩形,进而计算槽的坐标、长宽与旋转角度;然后将检测到的圆孔和槽标注在原图上。
进一步地,所述的步骤S6的过程如下:
使用像素与实际距离的比值将检测到长度参数转化为毫米输出,并且在原图中对检测到的顶点、直线、曲线、与曲线相切的圆、内部孔、槽进行标注。
本发明相对于现有技术具有如下的优点及效果:
本发明相比传统检测方法提供了一种快速高效、非接触式的尺寸检测方法。现有的方法要求工件图像质量较高,而本方法适用范围广、检测结果精确,表现稳定;并且此方法对硬件设备要求简单,具有易普及,易使用等特点。在实际使用中可以通过传送带与照相机连续取图进行自动化检验,并且检测结果参数可以直接提供给下游程序使用,具有自动化、易移植的优势,方便了生产过程中工件尺寸的检测。
附图说明
图1是本发明公开的基于计算机视觉成像的工业型材几何尺寸自动检测方法的流程图;
图2是本发明中自动寻找到的型材位置图像;
图3是本发明中经过预处理及二值化之后的型材图像;
图4是本发明中提取的外轮廓图像;
图5是外轮廓直线与曲线检测结果示意图;
图6是内部孔与槽的检测结果示意图;
图7是最终基于计算机视觉成像的工业型材自动几何尺寸检测结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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
请参见图1,本实施例公开了一种基于计算机视觉成像的工业型材几何尺寸自动检测方法,包括以下步骤:
S1、从输入源获取图像,自动检测型材位置并提取感兴趣区域(ROI),提取感兴趣区域的结果请参见图2;
其中,步骤S1中检测型材位置的过程具体如下:
以中值滤波平滑图像,提取全部轮廓,对外部轮廓进行矩形拟合,提取面积最大矩形区域。
S2、对提取的图像感兴趣区域进行检测前预处理,改善图像动态范围并得到二值图。对感兴趣区域图片进行预处理并二值化的结果,请参见图3;
其中,步骤S2中对提取的图像感兴趣区域进行检测前预处理的过程具体如下:
以直方图拉伸的方法提高图像动态范围,使用中值滤波、高斯滤波去除噪声,使用大津法对图像进行二值化。大津法是一种自适应确定二值化阈值的方法,该算法将图像分为背景和目标两类,并自动确定令两类类间方差最大的阈值,对图片进行二值化。
S3、分别提取内外轮廓,并做多边形拟合;
其中,步骤S3提取内部与外部轮廓并进行多边形拟合,具体包括:
S31、使用Suzuki-Abe算法提取轮廓。该算法基本原理为跟踪二值图边界并对边界编号,构建各个轮廓的拓扑关系树,从而能够分析出内外轮廓的相互包含关系,实现从二值图中提取轮廓;
S32、根据轮廓拓扑结构区分外部轮廓与内部轮廓并分别存储;其中区分内外轮廓方法如下:遍历步骤S31中生成的拓扑关系树,若某轮廓无父轮廓,则为外轮廓;若某轮廓有父轮廓,则为内轮廓。提取结果请参见图4,图4呈现的是使用Suzuki-Abe算法提取板材外部轮廓的结果;
S33、使用Ramer–Douglas–Peucker算法进行多边形拟合。该算法基本原理为使用上一步提取出的轮廓点迭代选取适应点,将曲线近似表示为一系列适应点并减少点的数目,即对轮廓做多边形拟合,得到逆时针排序的多边形顶点;
S4、对于外轮廓,判断多边形顶点处于直线或曲线上,对于内轮廓,判断其为孔或槽;
其中,步骤S4中,对于外轮廓,判断多边形顶点处于外轮廓的直线还是曲线上,对于内轮廓,判断其为孔或切槽,具体包括:
S41、对于外轮廓,遍历步骤S3中多边形拟合得到的顶点,每次按顺序向后取t个点使用最小二乘法计算圆方程得到残差,与经验得到的阈值比较判断该顶点处于轮廓直线或曲线上;
S42、对于内轮廓,使用步骤S3中多边形拟合得到的全部顶点做最小二乘法计算圆的方程,并由残差判断内部轮廓为圆孔或槽。
S5、对于外轮廓,根据判断结果计算直线与曲线参数,对于内轮廓,计算孔的位置与半径,槽的位置、长宽与倾斜度,检测结果请参见图5、图6。图5中呈现的是对板材外轮廓检测得到的顶点,以及由顶点确定出的直线;图6中呈现的是对内轮廓进行多边形拟合、判断类别、计算参数得到的检测结果。
其中,步骤S5中计算直线与曲线参数,具体包括:
S51、根据步骤S4中多边形顶点判断结果计算出直线和曲线的参数。若相邻两顶点属于直线顶点,则使用两顶点作为线段端点计算出直线的长度与坐标。若连续几个顶点位于原轮廓曲线上,则使用最小二乘法计算曲线相切圆的半径和圆心坐标,将检测到的直线和曲线标注在原图外轮廓上;
S52、根据步骤S4中内轮廓类型判断结果计算出孔和槽的参数。对于判定为圆孔的内轮廓,使用多边形拟合得到的顶点通过最小二乘法计算孔的圆心坐标与半径;对于判定为槽的内轮廓通过寻找最小面积旋转矩形算法得到完全包围槽外轮廓且面积最小的旋转矩形,进而计算槽的坐标、长宽与旋转角度;然后将检测到的圆孔和槽标注在原图上;
S6、输出检测参数,并将检测结果标注于原图,展现给用户,检测结果全部标注于原图的效果,请参照图7。
步骤S6中结果的输出使用像素与实际距离(毫米)的比值将检测到长度参数转化为毫米输出,并且在原图中对检测到的顶点、直线、曲线、与曲线相切的圆、内部孔、槽进行标注。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于计算机视觉成像的工业型材几何尺寸自动检测方法,其特征在于,所述的工业型材几何尺寸自动检测方法包括以下步骤:
S1、从输入源获取图像,自动检测型材位置并提取感兴趣区域;
S2、对提取的图像感兴趣区域进行检测前预处理,改善图像动态范围并得到二值图;
S3、分别提取内外轮廓,并做多边形拟合;
S4、对于外轮廓,判断多边形顶点处于直线或曲线上,对于内轮廓,判断其为孔或槽;
S5、对于外轮廓,根据判断结果计算直线与曲线参数,对于内轮廓,计算孔的位置与半径,槽的位置、长宽与倾斜度;
S6、输出检测参数,并将检测结果标注于原图,展现给用户。
2.根据权利要求1所述的基于计算机视觉成像的工业型材几何尺寸自动检测方法,其特征在于,所述的步骤S1中检测型材位置的过程如下:
以中值滤波平滑图像,提取全部轮廓,对外部轮廓进行矩形拟合,提取面积最大矩形区域。
3.根据权利要求1所述的基于计算机视觉成像的工业型材几何尺寸自动检测方法,其特征在于,所述的步骤S2的过程如下:
以直方图拉伸的方法提高图像动态范围,使用中值滤波、高斯滤波去除噪声,采用大津法对图像进行二值化得到二值图。
4.根据权利要求1所述的基于计算机视觉成像的工业型材几何尺寸自动检测方法,其特征在于,所述的步骤S3的过程如下:
S31、使用Suzuki-Abe算法提取轮廓,跟踪二值图边界并对边界编号,构建各个轮廓的拓扑关系树,分析内外轮廓的相互包含关系,实现从二值图中提取轮廓;
S32、根据轮廓拓扑结构区分外部轮廓与内部轮廓并分别存储;
S33、使用Ramer–Douglas–Peucker算法进行多边形拟合,使用上一步提取出的轮廓点迭代选取适应点,将曲线近似表示为一系列适应点并减少点的数目,即对轮廓做多边形拟合,得到逆时针排序的多边形顶点。
5.根据权利要求4所述的基于计算机视觉成像的工业型材几何尺寸自动检测方法,其特征在于,所述的步骤S32中区分外部轮廓与内部轮廓的方法如下:
遍历步骤S31中生成的拓扑关系树,若某轮廓无父轮廓,则为外轮廓;若某轮廓有父轮廓,则为内轮廓。
6.根据权利要求1所述的基于计算机视觉成像的工业型材几何尺寸自动检测方法,其特征在于,所述的步骤S4的过程如下:
对于外轮廓,遍历步骤S3中多边形拟合得到的顶点,每次按顺序向后取t个点使用最小二乘法计算圆方程得到残差,与经验得到的阈值比较判断该顶点处于轮廓直线或曲线上;
对于内轮廓,使用步骤S3中多边形拟合得到的全部顶点做最小二乘法计算圆的方程,并由残差判断内部轮廓为圆孔或槽。
7.根据权利要求1所述的基于计算机视觉成像的工业型材几何尺寸自动检测方法,其特征在于,所述的步骤S5的过程如下:
根据步骤S4中多边形顶点判断结果计算出直线和曲线的参数,若相邻两顶点属于直线顶点,则使用两顶点作为线段端点计算出直线的长度与坐标,若连续几个顶点位于原轮廓曲线上,则使用最小二乘法计算曲线相切圆的半径和圆心坐标,将检测到的直线和曲线标注在原图外轮廓上;
根据步骤S4中内轮廓类型判断结果计算出孔和槽的参数,对于判定为圆孔的内轮廓,使用多边形拟合得到的顶点通过最小二乘法计算孔的圆心坐标与半径;对于判定为槽的内轮廓通过寻找最小面积旋转矩形算法得到完全包围槽外轮廓且面积最小的旋转矩形,进而计算槽的坐标、长宽与旋转角度;然后将检测到的圆孔和槽标注在原图上。
8.根据权利要求1所述的基于计算机视觉成像的工业型材几何尺寸自动检测方法,其特征在于,所述的步骤S6的过程如下:
使用像素与实际距离的比值将检测到长度参数转化为毫米输出,并且在原图中对检测到的顶点、直线、曲线、与曲线相切的圆、内部孔、槽进行标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811539019.8A CN109658402B (zh) | 2018-12-17 | 2018-12-17 | 基于计算机视觉成像的工业型材几何尺寸自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811539019.8A CN109658402B (zh) | 2018-12-17 | 2018-12-17 | 基于计算机视觉成像的工业型材几何尺寸自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109658402A true CN109658402A (zh) | 2019-04-19 |
CN109658402B CN109658402B (zh) | 2023-04-18 |
Family
ID=66113407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811539019.8A Active CN109658402B (zh) | 2018-12-17 | 2018-12-17 | 基于计算机视觉成像的工业型材几何尺寸自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658402B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097540A (zh) * | 2019-04-20 | 2019-08-06 | 东莞中科蓝海智能视觉科技有限公司 | 多边形工件的视觉检测方法及装置 |
CN110598694A (zh) * | 2019-08-14 | 2019-12-20 | 广东奥普特科技股份有限公司 | 一种快速处理感兴趣区域图像的算法 |
CN110942107A (zh) * | 2019-12-16 | 2020-03-31 | 上海大学 | 基于零件工程图像的复合磨削加工特征自动识别方法 |
CN111833317A (zh) * | 2020-06-30 | 2020-10-27 | 佛山科学技术学院 | 基于增强现实的工业产品规格检测方法及设备 |
CN112257178A (zh) * | 2020-10-22 | 2021-01-22 | 江南造船(集团)有限责任公司 | 船舶管系开孔轮廓生成方法、***、介质及装置 |
CN112508136A (zh) * | 2021-02-04 | 2021-03-16 | 常州微亿智造科技有限公司 | 标注转换方法和装置 |
CN113096116A (zh) * | 2021-04-28 | 2021-07-09 | 东南大学 | 一种基于灰阶图像的医用超声设备性能的自动检测方法 |
CN113160182A (zh) * | 2021-04-25 | 2021-07-23 | 湖南九九智能环保股份有限公司 | 一种基于图像识别的成堆型材计数*** |
CN113554582A (zh) * | 2020-04-22 | 2021-10-26 | 中国科学院长春光学精密机械与物理研究所 | 电子设备盖板上功能孔的缺陷检测方法、装置以及*** |
CN114851549A (zh) * | 2022-05-14 | 2022-08-05 | 重庆理工大学 | 一种选择性激光烧结成形的产品制造方法 |
CN116188761A (zh) * | 2023-02-02 | 2023-05-30 | 杭州图谱光电科技有限公司 | 一种可用于规则形状阵列图的自动识别定位方法及装置 |
CN117308780A (zh) * | 2023-09-26 | 2023-12-29 | 深圳市深杰皓科技有限公司 | 一种基于视觉检测的风叶检测装置和*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100061637A1 (en) * | 2008-09-05 | 2010-03-11 | Daisuke Mochizuki | Image processing method, image processing apparatus, program and image processing system |
CN102496023A (zh) * | 2011-11-23 | 2012-06-13 | 中南大学 | 像素层面的感兴趣区域提取方法 |
CN103425988A (zh) * | 2013-07-03 | 2013-12-04 | 江南大学 | 一种具有圆弧几何基元的实时定位与匹配方法 |
CN103793712A (zh) * | 2014-02-19 | 2014-05-14 | 华中科技大学 | 一种基于边缘几何特征的图像识别方法及*** |
CN106846404A (zh) * | 2017-01-16 | 2017-06-13 | 河海大学常州校区 | 一种基于工件内外轮廓几何特征的快速位姿检测方法 |
-
2018
- 2018-12-17 CN CN201811539019.8A patent/CN109658402B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100061637A1 (en) * | 2008-09-05 | 2010-03-11 | Daisuke Mochizuki | Image processing method, image processing apparatus, program and image processing system |
CN102496023A (zh) * | 2011-11-23 | 2012-06-13 | 中南大学 | 像素层面的感兴趣区域提取方法 |
CN103425988A (zh) * | 2013-07-03 | 2013-12-04 | 江南大学 | 一种具有圆弧几何基元的实时定位与匹配方法 |
CN103793712A (zh) * | 2014-02-19 | 2014-05-14 | 华中科技大学 | 一种基于边缘几何特征的图像识别方法及*** |
CN106846404A (zh) * | 2017-01-16 | 2017-06-13 | 河海大学常州校区 | 一种基于工件内外轮廓几何特征的快速位姿检测方法 |
Non-Patent Citations (1)
Title |
---|
赵磊: "基于机器视觉的密封件外观检测技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097540A (zh) * | 2019-04-20 | 2019-08-06 | 东莞中科蓝海智能视觉科技有限公司 | 多边形工件的视觉检测方法及装置 |
CN110598694A (zh) * | 2019-08-14 | 2019-12-20 | 广东奥普特科技股份有限公司 | 一种快速处理感兴趣区域图像的算法 |
CN110598694B (zh) * | 2019-08-14 | 2023-03-21 | 广东奥普特科技股份有限公司 | 一种快速处理感兴趣区域图像的方法 |
CN110942107A (zh) * | 2019-12-16 | 2020-03-31 | 上海大学 | 基于零件工程图像的复合磨削加工特征自动识别方法 |
CN110942107B (zh) * | 2019-12-16 | 2023-05-19 | 上海大学 | 基于零件工程图像的复合磨削加工特征自动识别方法 |
CN113554582A (zh) * | 2020-04-22 | 2021-10-26 | 中国科学院长春光学精密机械与物理研究所 | 电子设备盖板上功能孔的缺陷检测方法、装置以及*** |
CN111833317A (zh) * | 2020-06-30 | 2020-10-27 | 佛山科学技术学院 | 基于增强现实的工业产品规格检测方法及设备 |
CN112257178A (zh) * | 2020-10-22 | 2021-01-22 | 江南造船(集团)有限责任公司 | 船舶管系开孔轮廓生成方法、***、介质及装置 |
CN112508136A (zh) * | 2021-02-04 | 2021-03-16 | 常州微亿智造科技有限公司 | 标注转换方法和装置 |
CN113160182A (zh) * | 2021-04-25 | 2021-07-23 | 湖南九九智能环保股份有限公司 | 一种基于图像识别的成堆型材计数*** |
CN113096116A (zh) * | 2021-04-28 | 2021-07-09 | 东南大学 | 一种基于灰阶图像的医用超声设备性能的自动检测方法 |
CN114851549A (zh) * | 2022-05-14 | 2022-08-05 | 重庆理工大学 | 一种选择性激光烧结成形的产品制造方法 |
CN114851549B (zh) * | 2022-05-14 | 2024-01-26 | 重庆理工大学 | 一种选择性激光烧结成形的产品制造方法 |
CN116188761A (zh) * | 2023-02-02 | 2023-05-30 | 杭州图谱光电科技有限公司 | 一种可用于规则形状阵列图的自动识别定位方法及装置 |
CN116188761B (zh) * | 2023-02-02 | 2024-02-02 | 杭州图谱光电科技有限公司 | 一种可用于规则形状阵列图的自动识别定位方法及装置 |
CN117308780A (zh) * | 2023-09-26 | 2023-12-29 | 深圳市深杰皓科技有限公司 | 一种基于视觉检测的风叶检测装置和*** |
Also Published As
Publication number | Publication date |
---|---|
CN109658402B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658402A (zh) | 基于计算机视觉成像的工业型材几何尺寸自动检测方法 | |
CN110672617B (zh) | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 | |
CN114359270B (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
CN102937595B (zh) | 一种pcb板检测方法、装置及*** | |
CN101996405B (zh) | 一种快速的玻璃图像缺陷检测及分类方法及其装置 | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测***及方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN104198497B (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
CN103606169A (zh) | 一种检测瓶盖缺陷的方法 | |
CN104680550A (zh) | 一种通过图像特征点的轴承表面瑕疵检测的方法 | |
CN104197836A (zh) | 基于机器视觉的汽车门锁装配尺寸检测方法 | |
Li et al. | SVM-based information fusion for weld deviation extraction and weld groove state identification in rotating arc narrow gap MAG welding | |
CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
CN105184792B (zh) | 一种圆锯片磨损量在线测量方法 | |
CN107016394B (zh) | 一种交叉纤维特征点匹配方法 | |
CN104574353A (zh) | 基于视觉显著性的表面缺陷判定方法 | |
CN106340010B (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
CN116563279B (zh) | 基于计算机视觉的量测开关检测方法 | |
CN106875441A (zh) | 一种基于机器视觉的在线pe瓶识别定位方法 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
Zhao et al. | Design of real-time steel bars recognition system based on machine vision | |
CN103489195B (zh) | 金属罐罐身图案方向检测方法 | |
Li et al. | Real-time detection method for surface defects of stamping parts based on template matching |
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 |