CN111047588A - 一种轴型小零件尺寸的图像化测量方法 - Google Patents
一种轴型小零件尺寸的图像化测量方法 Download PDFInfo
- Publication number
- CN111047588A CN111047588A CN201911373427.5A CN201911373427A CN111047588A CN 111047588 A CN111047588 A CN 111047588A CN 201911373427 A CN201911373427 A CN 201911373427A CN 111047588 A CN111047588 A CN 111047588A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- calculating
- straight line
- size
- 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
- 238000000691 measurement method Methods 0.000 title claims abstract description 10
- 238000003384 imaging method Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000007514 turning Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000003754 machining Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Images
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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于图像处理的轴形小零件尺寸的非接触测量方法。测量步骤包括:以固定距离采集零件的原始图像;对图像进行灰度化、亚像素定位和二值化,纠正图像的角度,使零件主轴线为竖直方向;利用形态学方法对预处理后的图像进行轮廓提取,并对轮廓进行中值滤波;再在滤波后的轮廓范围内精确定位轮廓所对应的直线段,以直线段作为零件边缘,计算边缘之间的像素距离;以标定板为对象,进行前述同样步骤的处理,得到图像拍摄距离所对应的标定系数;最后根据标定系数和像素距离计算零件的尺寸。本发明能对加工过程中的小零件尺寸进行实时测量,测量过程中与零件没有直接接触,具有精度高、适应范围广的优点。
Description
技术领域
本发明属于机械加工行业小零件尺寸的测量技术领域,涉及一种轴形小零件的尺寸测量方法,涉及一种基于图像处理和机器视觉的非接触式零件尺寸的精密测量方法。
背景技术
在机械加工行业,工件的尺寸精度是最基本的要求,随着生产自动化的提高,对加工出来的零件尺寸的测量要求越来越高,一方面要求保证测量精度,另一方面要求测量速度快。目前零件尺寸的测量主要依靠手工进行,比如使用游标卡尺、千分尺等工具,有些先进的测量设备如三坐标测量台等正在逐步应用于复杂形状零件的测量。现代制造业需要实时、在线、快速的测量方法及装置,以便对每一个零件的生产过程都能进行追溯,实现对生产和制造过程的全面监控,依赖手工的传统测量方法无法满足这一需求。随着计算机及图像处理技术的飞速发展,采用图像检测这种非接触式的零件尺寸的测量方法受到越来越多的重视和应用。
发明内容
本发明的目的在于提供一种基于图像处理和机器视觉的零件尺寸测量方法。为实现上述目的,本发明提供一种轴形小零件尺寸的图像化测量方法,包括以下步骤:
步骤一,将工业相机以固定距离放置于零件上方,拍摄零件得到原始图像;。
步骤二,对图像进行预处理,其过程为:首先对图像进行畸变矫正,对图像进行灰度化处理,然后使用大津法(OTSU法)计算类间方差,并以类间方差最大时的阈值作为二值化阈值;然后使用基于二次插值法的亚像素定位提高图像分辨率;然后根据二值化阈值对图像进行二值化处理,再对二值化后的图像进行开运算;然后计算开运算后的图像的协方差矩阵,协方差矩阵的定义为:
设图像具有M×N个像素点,每个像素点的像素值为f(i,j)中,(p+q)阶矩由下式给出:
(p+q))阶中心矩为:
其中,xc与yc是区域质心的坐标,由以下关系式得到:
其中m10,m00,m01分别为(1+0)阶矩、(0+0)阶矩和(0+1)阶矩;
则图像的协方差矩阵Ψ定义为:
计算Ψ的两个特征值,然后由特征值得到相应的两个特征向量,将最大特征值对应的特征向量的角度作为图像的偏转角度,再以偏转角度对图像进行旋转,使零件主轴线为图像的竖直方向;
步骤三,利用形态学方法对预处理后的图像进行轮廓提取,其过程为:先分别对图像使用腐蚀操作和膨胀操作;然后用膨胀后的图像减去腐蚀后的图像,得到边缘轮廓;最后对边缘轮廓进行中值滤波;
步骤四,在滤波后的轮廓范围内精确定位轮廓所对应的直线段,以直线段作为边缘,并计算边缘间的像素距离,其过程为:先使用线段检测算子(Line-Segment-Detector,简称LSD)确定各个直线段的区域,然后使用概率霍夫变换法检测各个轮廓区域中的直线段,最后计算各直线所对应边缘之间的像素距离;
步骤五,依据同样距离、同样检测条件下的标定板图像计算标定系数:设标定板一个方格边长的尺寸为d,标定板图像中一个方格边长的像素距离为I,则固定拍摄距离所对应的标定系数D为:
步骤六,根据边缘的像素距离和标定系数计算得到轴形零件的各个实际尺寸:设步骤四中得到的边缘之间的像素距离为R,则实际尺寸L为:
L=D×R
上述步骤四中使用的LSD算法定位直线段区域,其过程又包含4个步骤:
步骤1,计算图像中每个像素的梯度大小:计算图像梯度时使用2×2的模板,表示如下:
计算像素点附近的level-line角度θ,生成一个单位向量域(level-line区域);则θ计算如下:
梯度幅值:
步骤2,根据梯度幅值对像素进行伪排序:在0与梯度幅值最大值之间等间隔、均匀地设置n个容器,其中n小于总像素点个数;然后将各个像素根据其梯度幅值大小分别列入这n个容器中,并设其中梯度幅值小于阈值的像素点为USED状态,其他像素点为UNUSED状态;
步骤3,生成各个线性支持区域(line support region):先以梯度幅值最大的容器中的像素点为种子,再以种子点为中心进行邻域搜索,并将θ与区域角度Θregion之间的差值在[-τ,τ]以内且为未使用状态(UNUSED)的像素点加入该区域,同时将区域角度Θregion更新为:
重复以上操作,直至全部点用尽;然后更换下一个梯度最大的容器,再重复步骤3,直到所有的像素点用尽,转至步骤4;
步骤4,矩形估计:找到每个线性支持区域的最小外接矩形,这样可以得到m个矩形区域,每个矩形区域对应一条直线段。
附图说明
图1为本发明尺寸检测算法流程图;
图2为待测轴形工件基本结构示意图;
图3为经过预处理及轮廓提取平滑后的零件轮廓图;
图4为经过直线检测的结果图;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
参见图1所示,本实施例提供的针对如图2所示零件的图像化测量方法包括以下步骤:
步骤一,将工业用CCD相机以固定距离放置于零件上方,拍摄零件得到原始图像。由于金属零件自身的高反光特点,在光源方面只能选择背光源以减少反光对边缘的影响。使用时调整好距离和角度使得零件图像清晰准确。
步骤二,对图像进行预处理,其过程为:首先对图像进行畸变矫正,对图像进行灰度化处理,然后使用大津法(OTSU法)计算类间方差,并以类间方差最大时的阈值作为二值化阈值;然后使用基于二次插值法的亚像素定位提高图像分辨率;然后根据二值化阈值对图像进行二值化处理,再对二值化后的图像进行开运算;然后计算开运算后的图像的协方差矩阵,协方差矩阵的定义为:
设图像具有M×N个像素点,每个像素点的像素值为f(i,j),定义(p+q)阶矩为:
则(p+q)阶中心矩为:
其中,xc与yc是区域质心的坐标,其计算公式为:
其中m10,m00,m01分别为(1+0)阶矩、(0+0)阶矩和(0+1)阶矩;
则图像的协方差矩阵Ψ定义为:
计算Ψ的两个特征值,然后由特征值得到相应的两个特征向量,将最大特征值对应的特征向量的角度作为图像的偏转角度,再以偏转角度对图像进行旋转,使零件主轴线为图像的竖直方向;
步骤三,利用形态学方法对预处理后的图像进行轮廓提取,其过程为:先选取3×3的模板,分别对图像使用腐蚀操作和膨胀操作;然后用膨胀后的图像减去腐蚀后的图像,得到边缘轮廓;最后使用3×3模板对边缘轮廓进行中值滤波,获得的图像如图3所示;
步骤四,在滤波后的轮廓范围内精确定位轮廓所对应的直线段,以直线段作为边缘,并计算边缘间的像素距离,其过程为:先使用线段检测算子(Line-Segment-Detector,简称LSD)确定各个直线段的区域;然后使用概率霍夫变换法检测各个轮廓区域中的直线段,得到直线段的首尾坐标;最后计算各直线所对应边缘之间的像素距离,结果如图4所示,图中的加粗的黑线段即是检测到的直线段。其中,使用LSD算法定位直线矩形区域可分为4个步骤:
步骤1,计算图像中每个像素的梯度大小:计算图像梯度时使用2×2的模板,表示如下:
计算像素点附近的level-line角度θ,生成一个单位向量域(level-line区域);则θ计算如下:
梯度幅值:
步骤2,根据梯度幅值对像素进行伪排序:在0与梯度幅值最大值之间等间隔、均匀地设置1024个容器;然后将各个像素根据其梯度幅值大小分别列入这n个容器中,并设其中梯度幅值小于阈值的像素点为USED状态,其他像素点为UNUSED状态;
步骤3,生成各个线性支持区域(line support region):先以梯度幅值最大的容器中的像素点为种子,再以种子点为中心进行邻域搜索,并将θ与区域角度Θregion之间的差值在[-τ,τ]以内且为未使用状态(UNUSED)的像素点加入该区域,同时将区域角度Θregion更新为:
重复以上操作,直至全部点用尽;然后更换下一个梯度最大的容器,再重复步骤3,直到所有的像素点用尽,转至步骤4;
步骤4,矩形估计:找到每个线性支持区域的最小外接矩形,这样可以得到7个矩形区域,每个矩形区域对应一条直线段,如图4所示。
步骤五,依据同样距离、同样检测条件下的标定板图像计算标定系数:所用标定板一个方格边长的尺寸为d=10mm,标定板图像中一个方格边长的像素距离为I=250,则固定拍摄距离所对应的标定系数D为:
步骤六,根据边缘的像素距离和标定系数计算得到轴形零件的各个实际尺寸:步骤四中得到的图4边缘中,线段4的像素距离为R=418,则换算的尺寸L为:
L=D×R=0.04×418=16.72mm
而零件标准尺寸中,线段4所示部分的长度为16.80mm,检测误差为0.08mm。
本发明实例给出了一种轴形小零件尺寸的图像化测量方法,以满足现代机械加工生产过程中对零件尺寸的高精度、实时检测需求,提高检测效率和降低成本;同时检测的数据易于存档,可以随时调用查看。通过图像的采集、去噪、矫正、二值化、旋转、形态学处理等得到较为满意的轮廓图像;然后对图像进行边缘检测得到直线部分的像素距离和坐标;最后根据标定系数换算得到实际物理尺寸。以上实例仅仅用于帮助理解本发明的方法和核心思想,不能认定本发明只限于上述实施例。在具体实践时,根据本发明的思想,在具体实施方式及应用范围上均会有改变之处,对本发明的各种等价形式的修改和替换都应落入本发明的保护范围内。
Claims (2)
1.一种轴形小零件尺寸的图像化测量方法,其特征在于,包括以下步骤:
步骤一,将工业相机以固定距离放置于零件上方,拍摄零件得到原始图像;
步骤二,对图像进行预处理,其过程为:首先对图像进行畸变矫正,对图像进行灰度化处理,然后使用大津法(OTSU法)计算类间方差,并以类间方差最大时的阈值作为二值化阈值;然后使用基于二次插值法的亚像素定位提高图像分辨率;然后根据二值化阈值对图像进行二值化处理,再对二值化后的图像进行开运算;然后计算开运算后的图像的协方差矩阵,协方差矩阵的定义为:
设图像具有M×N个像素点,每个像素点的像素值为f(i,j),定义(p+q)阶矩为:
则(p+q)阶中心矩为:
其中,xc与yc是区域质心的坐标,其计算公式为:
其中m10,m00,m01分别为(1+0)阶矩、(0+0)阶矩和(0+1)阶矩;
则图像的协方差矩阵Ψ定义为:
计算Ψ的两个特征值,然后由特征值得到相应的两个特征向量,将最大特征值对应的特征向量的角度作为图像的偏转角度,再以偏转角度对图像进行旋转,使零件主轴线为图像的竖直方向;
步骤三,利用形态学方法对预处理后的图像进行轮廓提取,其过程为:先分别对图像使用腐蚀操作和膨胀操作;然后用膨胀后的图像减去腐蚀后的图像,得到边缘轮廓;最后对边缘轮廓进行中值滤波;
步骤四,在滤波后的轮廓范围内精确定位轮廓所对应的直线段,以直线段作为边缘,并计算边缘间的像素距离,其过程为:先使用线段检测算子(Line-Segment-Detector,简称LSD)确定各个直线段的区域,然后使用概率霍夫变换法检测各个轮廓区域中的直线段,最后计算各直线所对应边缘之间的像素距离;
步骤五,依据同样距离、同样检测条件下的标定板图像计算标定系数:设标定板一个方格边长的尺寸为d,标定板图像中一个方格边长的像素距离为I,则固定拍摄距离所对应的标定系数D为:
步骤六,根据边缘的像素距离和标定系数计算得到轴形零件的各个实际尺寸:设步骤四中得到的边缘之间的像素距离为R,则实际尺寸L为:
L=D×R 。
2.根据权利要求1所述的一种轴形小零件尺寸的图像化测量方法,其特征在于,步骤四中使用的LSD算法定位直线段区域包含4个步骤:
步骤1,计算图像中每个像素的梯度大小:计算图像梯度时使用2×2的模板,表示如下:
计算像素点附近的level-line角度θ,生成一个单位向量域(level-line区域),θ的计算为:
则每个像素的梯度幅值为:
步骤2,根据梯度幅值对像素进行伪排序:在0与梯度幅值最大值之间等间隔、均匀地设置n个容器,其中n小于总像素点个数;然后将各个像素根据其梯度幅值大小分别列入这n个容器中,并设其中梯度幅值小于阈值的像素点为USED状态,其他像素点为UNUSED状态;
步骤3,生成各个线性支持区域(line support region):先以梯度幅值最大的容器中的像素点为种子,再以种子点为中心进行邻域搜索,并将θ与区域角度Θregion之间的差值在[-τ,τ]以内且为未使用状态(UNUSED)的像素点加入该区域,同时将区域角度Θregion更新为:
重复以上操作,直至该容器内的全部点用尽;然后更换下一个梯度最大的容器,再重复步骤3,直到所有的像素点用尽,转至步骤4;
步骤4,矩形估计:找到每个线性支持区域的最小外接矩形,这样可以得到m个矩形区域,每个矩形区域对应一条直线段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911373427.5A CN111047588A (zh) | 2019-12-26 | 2019-12-26 | 一种轴型小零件尺寸的图像化测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911373427.5A CN111047588A (zh) | 2019-12-26 | 2019-12-26 | 一种轴型小零件尺寸的图像化测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111047588A true CN111047588A (zh) | 2020-04-21 |
Family
ID=70240422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911373427.5A Pending CN111047588A (zh) | 2019-12-26 | 2019-12-26 | 一种轴型小零件尺寸的图像化测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047588A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111504208A (zh) * | 2020-05-21 | 2020-08-07 | 南京鸿亦沄智能科技有限公司 | 一种基于计算机视觉的非接触式树木胸径测量方法及*** |
CN111539951A (zh) * | 2020-05-13 | 2020-08-14 | 西安交通大学 | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 |
CN111862082A (zh) * | 2020-07-31 | 2020-10-30 | 成都盛锴科技有限公司 | 一种列车闸片厚度复核方法及其*** |
CN112419398A (zh) * | 2020-11-25 | 2021-02-26 | 创新奇智(西安)科技有限公司 | 矩形工件尺寸测量方法、装置、设备及存储介质 |
CN113361446A (zh) * | 2021-06-22 | 2021-09-07 | 公安部第一研究所 | 一种x射线包裹图像提取方法 |
CN113588654A (zh) * | 2021-06-24 | 2021-11-02 | 宁波大学 | 一种发动机热交换器接口的三维视觉检测方法 |
CN114252018A (zh) * | 2021-12-29 | 2022-03-29 | 西安奕斯伟材料科技有限公司 | 晶体直径检测方法、***及计算机程序产品 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279756A (zh) * | 2015-10-19 | 2016-01-27 | 天津理工大学 | 基于自适应区域分割的缺口圆弧零件尺寸视觉检测方法 |
CN105321188A (zh) * | 2014-08-04 | 2016-02-10 | 江南大学 | 基于前景概率的目标跟踪方法 |
CN105865344A (zh) * | 2016-06-13 | 2016-08-17 | 长春工业大学 | 一种基于机器视觉的工件尺寸测量方法和装置 |
JP2017015445A (ja) * | 2015-06-29 | 2017-01-19 | 成隆 柾 | 画像処理による計測方法及び計測プログラム |
CN106989672A (zh) * | 2017-04-17 | 2017-07-28 | 天津大学 | 一种基于机器视觉的工件测量方法 |
CN108596055A (zh) * | 2018-04-10 | 2018-09-28 | 西北工业大学 | 一种复杂背景下高分辨遥感图像的机场目标检测方法 |
CN109357630A (zh) * | 2018-10-30 | 2019-02-19 | 南京工业大学 | 一种多类型工件批量视觉测量***及方法 |
CN109472822A (zh) * | 2018-12-29 | 2019-03-15 | 上海大学 | 基于深度图像处理的物体尺寸测量方法 |
CN109631776A (zh) * | 2018-12-27 | 2019-04-16 | 南京航空航天大学 | 一种高压输电线路导线结冰厚度自动测量方法 |
-
2019
- 2019-12-26 CN CN201911373427.5A patent/CN111047588A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105321188A (zh) * | 2014-08-04 | 2016-02-10 | 江南大学 | 基于前景概率的目标跟踪方法 |
JP2017015445A (ja) * | 2015-06-29 | 2017-01-19 | 成隆 柾 | 画像処理による計測方法及び計測プログラム |
CN105279756A (zh) * | 2015-10-19 | 2016-01-27 | 天津理工大学 | 基于自适应区域分割的缺口圆弧零件尺寸视觉检测方法 |
CN105865344A (zh) * | 2016-06-13 | 2016-08-17 | 长春工业大学 | 一种基于机器视觉的工件尺寸测量方法和装置 |
CN106989672A (zh) * | 2017-04-17 | 2017-07-28 | 天津大学 | 一种基于机器视觉的工件测量方法 |
CN108596055A (zh) * | 2018-04-10 | 2018-09-28 | 西北工业大学 | 一种复杂背景下高分辨遥感图像的机场目标检测方法 |
CN109357630A (zh) * | 2018-10-30 | 2019-02-19 | 南京工业大学 | 一种多类型工件批量视觉测量***及方法 |
CN109631776A (zh) * | 2018-12-27 | 2019-04-16 | 南京航空航天大学 | 一种高压输电线路导线结冰厚度自动测量方法 |
CN109472822A (zh) * | 2018-12-29 | 2019-03-15 | 上海大学 | 基于深度图像处理的物体尺寸测量方法 |
Non-Patent Citations (4)
Title |
---|
杨杏等: "基于LabVIEW的曲轴零件视觉检测研究", 《机械研究与应用》 * |
洪海涛等: "图像技术用于零件尺寸测量的研究", 《仪器仪表学报》 * |
点滴成海~: "【OpenCV学习笔记】之图像轮廓特征与图像的矩", 《HTTPS://BLOG.CSDN.NET/ZHU_HONGJI/ARTICLE/DETAILS/81699736》 * |
石冬晨: "基于虚拟仪器的几何尺寸非接触测量技术研究", 《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 (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539951A (zh) * | 2020-05-13 | 2020-08-14 | 西安交通大学 | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 |
CN111504208A (zh) * | 2020-05-21 | 2020-08-07 | 南京鸿亦沄智能科技有限公司 | 一种基于计算机视觉的非接触式树木胸径测量方法及*** |
CN111862082A (zh) * | 2020-07-31 | 2020-10-30 | 成都盛锴科技有限公司 | 一种列车闸片厚度复核方法及其*** |
CN112419398A (zh) * | 2020-11-25 | 2021-02-26 | 创新奇智(西安)科技有限公司 | 矩形工件尺寸测量方法、装置、设备及存储介质 |
CN113361446A (zh) * | 2021-06-22 | 2021-09-07 | 公安部第一研究所 | 一种x射线包裹图像提取方法 |
CN113361446B (zh) * | 2021-06-22 | 2024-04-16 | 公安部第一研究所 | 一种x射线包裹图像提取方法 |
CN113588654A (zh) * | 2021-06-24 | 2021-11-02 | 宁波大学 | 一种发动机热交换器接口的三维视觉检测方法 |
CN113588654B (zh) * | 2021-06-24 | 2024-02-02 | 宁波大学 | 一种发动机热交换器接口的三维视觉检测方法 |
CN114252018A (zh) * | 2021-12-29 | 2022-03-29 | 西安奕斯伟材料科技有限公司 | 晶体直径检测方法、***及计算机程序产品 |
CN114252018B (zh) * | 2021-12-29 | 2024-04-30 | 西安奕斯伟材料科技股份有限公司 | 晶体直径检测方法、***及计算机程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047588A (zh) | 一种轴型小零件尺寸的图像化测量方法 | |
CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
CN107798326B (zh) | 一种轮廓视觉检测方法 | |
WO2016101643A1 (zh) | 一种仪表数据读取方法及*** | |
CN109489591B (zh) | 基于机器视觉的平面划痕长度非接触测量方法 | |
CN103292701A (zh) | 基于机器视觉的精密器件在线尺寸测量方法 | |
CN114037675B (zh) | 一种飞机样板缺陷检测方法及装置 | |
CN106382886B (zh) | 一种用于可转位刀片加工在线检测装置及方法 | |
CN112614098B (zh) | 一种基于增强现实的毛坯定位与加工余量分析方法 | |
CN113112496B (zh) | 一种基于自适应阈值的亚像素轴类零件尺寸测量方法 | |
Duan et al. | High precision edge detection algorithm for mechanical parts | |
CN103759672A (zh) | 雪糕棒平面轮廓尺寸的视觉测量方法 | |
CN107388991B (zh) | 一种端面多圆角轴类零件圆角半径测量方法 | |
CN111062940A (zh) | 一种基于机器视觉的螺钉定位与识别方法 | |
CN114549408A (zh) | 基于图形图像的位置尺寸比对方法 | |
CN105184792B (zh) | 一种圆锯片磨损量在线测量方法 | |
CN113607058B (zh) | 一种基于机器视觉的直刃刀尺寸检测方法及*** | |
CN113538399A (zh) | 一种用于获取工件精准轮廓的方法、机床及存储介质 | |
CN105300280A (zh) | 连接器尺寸视觉测量方法 | |
CN112109374A (zh) | 一种基于计算机视觉***定位及控制折弯模具装卸的方法 | |
CN111815580A (zh) | 一种图像边缘识别方法及小模数齿轮模数检测方法 | |
Ding et al. | Detection and recognition method for pointer-type meter based on deep learning | |
CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 | |
CN112288808B (zh) | 基于视觉的柴油发动机活塞缸台阶孔直径位置测量方法 | |
Wang et al. | Machine vision based roundness and cylindricity detection of bearing rollers |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200421 |