CN111784662A - 工件识别方法、装置、计算机设备及存储介质 - Google Patents
工件识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111784662A CN111784662A CN202010610551.5A CN202010610551A CN111784662A CN 111784662 A CN111784662 A CN 111784662A CN 202010610551 A CN202010610551 A CN 202010610551A CN 111784662 A CN111784662 A CN 111784662A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- image
- information
- color
- color block
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种工件识别方法、装置、计算机设备及存储介质,包括下述步骤:获取目标工件的工件图像;根据工件图像中的部件信息,生成色块图像;当色块图像符合预设的合格条件时,确定目标工件合格。通过该方法可以有效判断对工件合格与否,工件合格才继续进行加工或装配,避免工件装配或加工失误导致的损失,有效提高工件生产的合格率,同时实现了全自动化工件识别,相比于人工进行工件鉴定,可以有效提高工件生产流水线的生产效率,节省人力资源。
Description
技术领域
本申请涉及自动化生产技术领域,特别是涉及一种工件识别方法、装置、计算机设备及存储介质。
背景技术
对于工作在自动化生产线上或柔性制造***中的工业机器人来说,其完成最多的一类操作是“抓取—放置”动作,比如流水线上的工件搬运、装配以及各工位之间的工件转移和上下料。在这个过程中,工件相对于机器人的初始位姿和终止位姿是事先规定的;但很多情况下,特别是流水线场合,工件的位姿常常是不固定的。这就导致实际目标工件的位姿与理想工件位姿总是有偏差的,这种偏差哪怕很小都可能会导致机器人抓取或装配失误,使得装配后的工件不合格。而不合格的工件如果未及时处理,可能导致生产出来的工件合格率不高,浪费原料,甚至可能因为对位不齐等原因损坏生产设备。
现有技术中对于生产过程中的工件一般采用人工判断的方法,在生产过程中人为进行观察,或者设置人工检查区,待人工确定工件合格之后再进行下一步加工,但是通过人工检查的方式需要大量的人力成本,并且效率较低。
发明内容
本申请实施例能够提供一种有效判断工件是否合格的工件识别方法、装置、计算机设备及存储介质。
为解决上述技术问题,本申请创造的实施例采用的一个技术方案是:提供一种工件识别方法,包括以下步骤:
获取目标工件的工件图像;
根据所述工件图像中的部件信息,生成色块图像;
当所述色块图像符合预设的合格条件时,确定所述目标工件合格。
可选地,所述根据所述工件图像中的部件信息,生成色块图像,包括以下步骤:
确定所述工件图像中的各部件的部件信息;
根据所述部件信息确定部件颜色信息;
以所述部件颜色信息为依据生成所述色块图像。
可选地,所述以所述部件颜色信息为依据生成所述色块图像,包括以下步骤:
确定所述工件图像中各部件的部件轮廓信息;
根据所述部件轮廓信息和所述部件颜色信息确定色块信息;
根据所述色块信息生成所述色块图像。
可选地,所述根据所述部件信息确定部件颜色信息,包括以下步骤:
从预设的颜色数据库中,查找出与目标部件的部件信息对应的部件颜色,作为所述目标部件的部件颜色信息。
可选地,所述当所述色块图像符合预设的合格条件时,确定所述目标工件合格,包括下述步骤:
获取标准色块图像;
将所述色块图像与所述标准色块图像进行对比,根据对比结果确定所述色块图像是否符合所述合格条件。
可选地,所述将所述色块图像与所述标准色块图像进行对比,根据对比结果确定所述色块图像是否符合所述合格条件,包括下述步骤:
计算所述色块图像与所述标准色块图像的相似度;
判断所述相似度是否大于预设的第一阈值;
当所述相似度大于第一阈值时,确定所述色块图像符合所述合格条件。
可选地,所述将所述色块图像与所述标准色块图像进行对比,根据对比结果确定所述色块图像是否符合所述合格条件,包括下述步骤:
获取所述标准色块图像中的目标色块信息;
判断所述色块图像与所述目标色块信息的匹配度;
当所述匹配度大于预设的第二阈值时,确定所述色块图像符合所述合格条件。
为解决上述技术问题,本申请实施例还提供一种工件识别装置,包括:
获取模块,用于获取目标工件的工件图像;
处理模块,用于根据所述工件图像中的部件信息,生成色块图像;
执行模块,用于当所述色块图像符合预设的合格条件时,确定所述目标工件合格。
可选地,所述工件识别装置,还包括:
第一处理子模块,用于确定所述工件图像中的各部件的部件信息;
第二处理子模块,用于根据所述部件信息确定部件颜色信息;
第一生成子模块,用于以所述部件颜色信息为依据生成所述色块图像。
可选地,所述工件识别装置,还包括:
第三处理子模块,用于确定所述工件图像中各部件的部件轮廓信息;
第四处理子模块,用于根据所述部件轮廓信息和所述部件颜色信息确定色块信息;
第二生成子模块,用于根据所述色块信息生成所述色块图像。
可选地,所述工件识别装置,还包括:
第一查找子模块,用于从预设的颜色数据库中,查找出与目标部件的部件信息对应的部件颜色,作为所述目标部件的部件颜色信息。
可选地,所述工件识别装置,还包括:
第一获取子模块,用于获取标准色块图像;
第一对比子模块,用于将所述色块图像与所述标准色块图像进行对比,根据对比结果确定所述色块图像是否符合所述合格条件。
可选地,所述工件识别装置,还包括:
第一计算子模块,用于计算所述色块图像与所述标准色块图像的相似度;
第一判断子模块,用于判断所述相似度是否大于预设的第一阈值;
第一执行子模块,用于当所述相似度大于第一阈值时,确定所述色块图像符合所述合格条件。
可选地,所述工件识别装置,还包括:
第二获取子模块,用于获取所述标准色块图像中的目标色块信息;
第二判断子模块,用于判断所述色块图像与所述目标色块信息的匹配度;
第二执行子模块,用于当所述匹配度大于预设的第二阈值时,确定所述色块图像符合所述合格条件。
为解决上述技术问题,本申请实施例还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述所述工件识别方法的步骤。
为解决上述技术问题,本申请实施例还提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述所述工件识别方法的步骤。
本申请实施例的有益效果包括:根据工件图像的部件信息生成色块图像,可以有效判别工件图像中各个部件的组成及位置关系,再根据色块图像中所反映出的部件信息,以此确定色块图像中各色块组成及位置是否合格,当色块图像合格时说明工件中的部件均正常,工件当前状态合格,通过该方法可以有效判断对工件合格与否,工件合格才继续进行加工或装配,避免工件装配或加工失误导致的损失,有效提高工件生产的合格率,同时实现了全自动化工件识别,相比于人工进行工件鉴定,可以有效提高工件生产流水线的生产效率,节省人力资源。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例工件识别方法的基本流程示意图;
图2为本申请实施例根据部件信息生成色块图像的流程示意图;
图3为本申请实施例以部件颜色信息为依据生成色块图像的流程示意图;
图4为本申请实施例确定色块图像是否符合合格条件的流程示意图;
图5为本申请实施例根据相似度确定色块图像是否符合合格条件的流程示意图;
图6为本申请实施例根据目标色块信息确定色块图像是否符合合格条件的流程示意图;
图7为本申请实施例工件识别装置的基本结构框图;
图8为本申请实施例计算机设备基本结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在本申请的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本技术领域技术人员可以理解,这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备;PCS(PersonalCommunicationsService,个人通信***),其可以组合语音、数据处理、传真和/或数据通信能力;PDA(PersonalDigitalAssistant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(GlobalPositioningSystem,全球定位***)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端,例如可以是PDA、MID(MobileInternetDevice,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
具体地请参阅图1,图1为本实施例工件识别方法的基本流程示意图。
如图1所示,一种工件识别方法,包括以下步骤:
S1100、获取目标工件的工件图像。
通过目标工位上设置的摄像装置获取到目标工件的工件图像,目标工件可以是流水线中间步骤的未装配完毕的工件,也可以是已经装配完成的工件,在需要评测工件是否合格的工件处设置摄像装置以获取工件图像。例如,在工件内部部件装配完成后需要装外壳之前,对工件是否合格进行判断,合格的工件继续装配外壳,不合格的工件作为贱次品进行处理,此时将摄像装置设置在装配外壳的工位之前。又如,在工件内部关键部件的装配之前进行合格判断,合格时再将关键部件组件上去,如果出现不合格,如部件缺失或部件位置错误等情况,将工件作为残次品处理,此情况需要将摄像装置设置在安装关键部件的工位之前。
S1200、根据工件图像中的部件信息,生成色块图像。
通过图像识别技术识别工件图像中的部件信息,部件信息可以包括部件种类信息和部件位置信息等,但不限于此。对工件图像中的工件进行识别,确定哪一部分的图像内容属于哪一个工件,统计得到图像中所有部件的种类信息,以及每个部件在图像中的位置,作为部件位置信息。根据部件的种类信息,确定每一个部件对应的部件颜色,***中预设有不同部件对应使用的颜色标注,根据部件的种类信息查找得到对应的部件颜色,然后在图像中进行颜色填充,各部件填充各自的颜色,形成对应的色块图像。
S1300、当色块图像符合预设的合格条件时,确定目标工件合格。
判断色块图像是否符合合格条件,当色块图像符合合格条件时,确定目标工件合格。在一些实施方式中,合格条件可以是色块图像与标准图像进行对比的相似度大于阈值,或者色块图像中与目标色块信息的匹配程度等,但不限于此。例如,***中设置有用于对比的标准色块图像,在生成色块图像之后,将色块图像与标准色块图像进行对比,计算出两者之间的相似度,若相似度大于预设的阈值,即确定色块图像与标准色块图像一致,符合合格条件,目标工件合格。
如图2所示,步骤S1200、根据工件图像中的部件信息,生成色块图像,具体包括以下步骤:
S1210、确定工件图像中的各部件的部件信息。
在获取到目标工件的工件图像之后,通过图像识别技术确定工件图像中包含的部件内容,以及各部件的部件信息。部件信息包括但不限于部件种类信息及部件位置信息,部件种类信息为部件的名称、类别和数量等等,即通过图像识别技术确定的工件图像中所包含的部件,例如工件图像中包含外壳、控制器、线路和隔板等等。部件位置信息即确定了该部件种类之后,工件图像中属于该部件的图像位置,可以通过像素位置或者坐标位置进行表述。
S1220、根据部件信息确定部件颜色信息。
***内预设有不同部件对应使用的颜色,在确定了部件信息之后,根据部件的种类查找与部件相对应的颜色,作为该部件的部件颜色信息,通过上述方法获取工件图像中各部件的部件颜色信息。
S1230、以部件颜色信息为依据生成色块图像。
在确定了部件颜色信息之后,根据部件颜色信息和部件位置信息,在将工件图像中各部件对应的位置上填充部件对应的颜色,形成色块,填充完所有部件颜色之后,得到色块图像。
通过部件信息确定部件颜色信息,可以有效确定各部件对应的颜色,再根据部件对应的颜色填充工件图像生成色块图像,有利于对工件中各部件的组成及位置进行判断。
如图3所示,步骤S1230、以部件颜色信息为依据生成色块图像,具体包括以下步骤:
S1231、确定工件图像中各部件的部件轮廓信息。
在获取到部件信息之后,根据部件信息中的部件位置信息,确定部件轮廓信息。具体的,在识别得到部件位置信息之后,根据位置信息描绘出部件的轮廓,可以通过像素点的坐标集合、线段或向量等方式进行表述,用以确定工件图像中的部件轮廓,例如以像素点的集合作为轮廓信息的表达方式,即工件图像中将属于目标部件的轮廓像素点的坐标进行统计,将所有坐标整理为集合,形成部件轮廓信息。
S1232、根据部件轮廓信息和部件颜色信息确定色块信息。
在确定了部件轮廓信息之后,根据部件颜色信息,在部件轮廓内填充对应的部件颜色,形成色块,作为色块信息。
S1233、根据色块信息生成色块图像。
对工件图像中各部件进行颜色填充,得到各部件对应的色块信息,根据色块信息生成最终的色块图像,即工件图像中所有部件都被填充为颜色的图像。
通过各个部件的轮廓信息确定每个部件对应的色块轮廓,再根据部件对应的颜色进行填充生成色块信息,对各部件分别进行处理得到各自的色块信息再生成色块图像,有效提高了生成色块图像的有效性及效率。
在一些实施方式中,步骤S1220、根据部件信息确定部件颜色信息,具体包括:
从预设的颜色数据库中,查找出与目标部件的部件信息对应的部件颜色,作为目标部件的部件颜色信息;
***中预设有颜色数据库,用于存储各部件对应的部件颜色,例如壳体对应白色、背景对应黑色、线路对应蓝色等等,在获取到部件信息之后,在颜色数据库中查找与部件信息相匹配的部件颜色,作为该部件的部件颜色信息,通过这种方式获取到工件图像中包含的所有部件的部件颜色信息。
如图4所示,步骤S1300、当色块图像符合预设的合格条件时,确定目标工件合格,具体包括下述步骤:
S1310、获取标准色块图像。
获取预设的标准色块图像,标准色块图像即该工位正常生产过程中合格工件的图像转化得到的色块图像。
S1320、将色块图像与标准色块图像进行对比,根据对比结果确定色块图像是否符合合格条件。
将得到的目标工件的色块图像和标准色块图像进行对比,对比的方式可以是相似度的对比,或者指定条件(例如目标色块)的对比。例如,将色块图像和标准色块图像进行对比,判断两者之间的相似度,相似度可以是两个图像之间相同的像素点占总图像的比例,当判断色块图像和标准色块图像之间相似度大于预设的第一阈值时,确定色块图像符合合格条件,目标工件合格。
如图5所示,步骤S1320、将色块图像与标准色块图像进行对比,根据对比结果确定色块图像是否符合合格条件,具体包括下述步骤:
S1321、计算色块图像与标准色块图像的相似度。
在获取到标准色块图像之后,计算色块图像与标准色块图像之间的相似度,具体的,相似度可以是两个图像之间相同的像素点占总图像的比例,例如统计两个图像之间各个坐标点上的像素颜色,其中相同的比例占所有像素点数的比例,作为两个图像之间的相似度。
S1322、判断相似度是否大于预设的第一阈值。
***中设置有第一阈值,用于判断色块图像与标准色块图像是否相似,第一阈值的值可以根据实际应用场景进行设置,例如当需要工件识别的准确率较高时,可以提高第一阈值的数值,当需要提高工件识别的容错率时,可以减少第一阈值的数值。将计算得到的色块图像和标准色块图像的相似度和第一阈值的数值进行比对,判断相似度是否大于第一阈值。
S1323、当相似度大于第一阈值时,确定色块图像符合合格条件。
当相似度大于第一阈值时,确定色块图像和标准色块图像相似,即目标工件的状态符合加工或装配的需求,目标工件中各部件的数量及位置都符合标准,此时判断色块图像符合合格条件,即目标工件合格,目标工件可以继续进行加工或装配。
利用目标工件的色块图像与标准色块图像之间相似度,可以判断色块图像与标准色块图像之间的差别,当相似度高于第一阈值时说明色块图像与标准色块图像之间基本一致,确定工件中各部件组成及位置都正常,利用这种方法可以有效提高工件合格与否的判断,提高生产效率。
如图6所示,步骤S1320、将色块图像与标准色块图像进行对比,根据对比结果确定色块图像是否符合合格条件,具体包括下述步骤:
S1324、获取标准色块图像中的目标色块信息。
标准色块图像中包含有多个色块的色块信息,其中包含目标色块的色块信息,即目标色块信息。目标色块即工件加工或装配过程中的关键部件对应的色块信息,包括色块的颜色及轮廓,在获取得到标准色块图像后,确定其中的目标色块信息。
S1325、判断色块图像与目标色块信息的匹配度。
在获取到目标色块信息之后,判断目标工件的色块图像与目标色块信息的匹配度。具体的,根据目标色块信息中包含的色块颜色和轮廓,确定色块图像中对应轮廓位置内的颜色是否与目标色块信息对应,以其中重合的部分占轮廓总范围的面积比例或者像素点数量的比例作为色块图像与目标色块信息的匹配度。
S1326、当匹配度大于预设的第二阈值时,确定色块图像符合合格条件。
***中预设有第二阈值,用于判断目标工件的色块图像和目标色块信息的匹配度是否符合标准,第二阈值的值可以根据实际应用场景进行设置,例如当需要工件识别的准确率较高时,可以提高第二阈值的数值,当需要提高工件识别的容错率时,可以减少第二阈值的数值。当匹配度大于第二阈值时,确定色块图像与目标色块信息相匹配,即目标工件上对应的重要部件加工或装配符合标准,此时确定色块图像符合合格条件,目标工件合格。
利用目标色块信息与色块图像的匹配度判断色块图像是否合格,当匹配度大于第二阈值时,说明工件中关键部件的装配和加工符合标准,可以继续进行生产,不需要对工件的所有部件进行判断,仅将其中重要的部件作为判断标准,有效提高了工件合格判断的效率。
为解决上述技术问题,基于同一发明构思,本申请实施例还提供一种工件识别装置。具体请参阅图7,图7为本实施工件识别装置的基本结构框图。
如图7所示,工件识别装置,包括:获取模块2100、处理模块2200和执行模块2300。
其中,获取模块2100用于获取目标工件的工件图像。
处理模块2200用于根据工件图像中的部件信息,生成色块图像。
执行模块2300用于当色块图像符合预设的合格条件时,确定目标工件合格。
根据工件图像的部件信息生成色块图像,可以有效判别工件图像中各个部件的组成及位置关系,再根据色块图像中所反映出的部件信息,以此确定色块图像中各色块组成及位置是否合格,当色块图像合格时说明工件中的部件均正常,工件当前状态合格,通过该方法可以有效判断对工件合格与否,工件合格才继续进行加工或装配,避免工件装配或加工失误导致的损失,有效提高工件生产的合格率,同时实现了全自动化工件识别,相比于人工进行工件鉴定,可以有效提高工件生产流水线的生产效率,节省人力资源。
在一些实施方式中,工件识别装置还包括:第一处理子模块、第二处理子模块、第一生成子模块(图中未示出)。其中第一处理子模块用于确定工件图像中的各部件的部件信息;第二处理子模块用于根据部件信息确定部件颜色信息;第一生成子模块用于以部件颜色信息为依据生成色块图像。
在一些实施方式中,工件识别装置还包括:第三处理子模块、第四处理子模块、第二生成子模块(图中未示出)。其中,第三处理子模块用于确定工件图像中各部件的部件轮廓信息;第四处理子模块用于根据部件轮廓信息和部件颜色信息确定色块信息;第二生成子模块用于根据色块信息生成色块图像。
在一些实施方式中,工件识别装置还包括:第一查找子模块(图中未示出)。其中,第一查找子模块用于从预设的颜色数据库中,查找出与目标部件的部件信息对应的部件颜色,作为目标部件的部件颜色信息。
在一些实施方式中,工件识别装置还包括:第一获取子模块、第一对比子模块(图中未示出)。其中,第一获取子模块用于获取标准色块图像;第一对比子模块用于将色块图像与标准色块图像进行对比,根据对比结果确定色块图像是否符合合格条件。
在一些实施方式中,工件识别装置还包括:第一计算子模块、第一判断子模块、第一执行子模块(图中未示出)。其中,第一计算子模块用于计算色块图像与标准色块图像的相似度;第一判断子模块用于判断相似度是否大于预设的第一阈值;第一执行子模块用于当相似度大于第一阈值时,确定色块图像符合合格条件。
在一些实施方式中,工件识别装置还包括:第二获取子模块、第二判断子模块、第二执行子模块(图中未示出)。其中,第二获取子模块用于获取标准色块图像中的目标色块信息;第二判断子模块用于判断色块图像与目标色块信息的匹配度;第二执行子模块用于当匹配度大于预设的第二阈值时,确定色块图像符合合格条件。
为解决上述技术问题,本申请实施例还提供一种计算机设备。具体请参阅图8,图8为本实施例计算机设备基本结构框图。
如图8所示,计算机设备的内部结构示意图。如图8所示,该计算机设备包括通过***总线连接的处理器、非易失性存储介质、存储器和网络接口。其中,该计算机设备的非易失性存储介质存储有操作***、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种工件识别方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种工件识别方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本实施方式中处理器用于执行图7中获取模块2100、处理模块2200和执行模块2300的具体功能,存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有工件识别装置中执行所有子模块所需的程序代码及数据,服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
本申请还提供一种存储有计算机可读指令的存储介质,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例工件识别方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)等非易失性存储介质,或随机存储记忆体(RandomAccessMemory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种工件识别方法,其特征在于,包括以下步骤:
获取目标工件的工件图像;
根据所述工件图像中的部件信息,生成色块图像;
当所述色块图像符合预设的合格条件时,确定所述目标工件合格。
2.如权利要求1所述的工件识别方法,其特征在于,所述根据所述工件图像中的部件信息,生成色块图像,包括以下步骤:
确定所述工件图像中的各部件的部件信息;
根据所述部件信息确定部件颜色信息;
以所述部件颜色信息为依据生成所述色块图像。
3.如权利要求2所述的工件识别方法,其特征在于,所述以所述部件颜色信息为依据生成所述色块图像,包括以下步骤:
确定所述工件图像中各部件的部件轮廓信息;
根据所述部件轮廓信息和所述部件颜色信息确定色块信息;
根据所述色块信息生成所述色块图像。
4.如权利要求2所述的工件识别方法,其特征在于,所述根据所述部件信息确定部件颜色信息,包括以下步骤:
从预设的颜色数据库中,查找出与目标部件的部件信息对应的部件颜色,作为所述目标部件的部件颜色信息。
5.如权利要求1所述的工件识别方法,其特征在于,所述当所述色块图像符合预设的合格条件时,确定所述目标工件合格,包括下述步骤:
获取标准色块图像;
将所述色块图像与所述标准色块图像进行对比,根据对比结果确定所述色块图像是否符合所述合格条件。
6.如权利要求5所述的工件识别方法,其特征在于,所述将所述色块图像与所述标准色块图像进行对比,根据对比结果确定所述色块图像是否符合所述合格条件,包括下述步骤:
计算所述色块图像与所述标准色块图像的相似度;
判断所述相似度是否大于预设的第一阈值;
当所述相似度大于第一阈值时,确定所述色块图像符合所述合格条件。
7.如权利要求5所述的工件识别方法,其特征在于,所述将所述色块图像与所述标准色块图像进行对比,根据对比结果确定所述色块图像是否符合所述合格条件,包括下述步骤:
获取所述标准色块图像中的目标色块信息;
判断所述色块图像与所述目标色块信息的匹配度;
当所述匹配度大于预设的第二阈值时,确定所述色块图像符合所述合格条件。
8.一种工件识别装置,其特征在于,包括:
获取模块,用于获取目标工件的工件图像;
处理模块,用于根据所述工件图像中的部件信息,生成色块图像;
执行模块,用于当所述色块图像符合预设的合格条件时,确定所述目标工件合格。
9.一种计算机设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述权利要求1-7任意一项所述的工件识别方法。
10.一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种工件识别方法,所述方法包括上述权利要求1-7任意一项所述的工件识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010610551.5A CN111784662A (zh) | 2020-06-29 | 2020-06-29 | 工件识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010610551.5A CN111784662A (zh) | 2020-06-29 | 2020-06-29 | 工件识别方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784662A true CN111784662A (zh) | 2020-10-16 |
Family
ID=72760364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010610551.5A Pending CN111784662A (zh) | 2020-06-29 | 2020-06-29 | 工件识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784662A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347887A (zh) * | 2020-10-28 | 2021-02-09 | 深圳市优必选科技股份有限公司 | 一种物体检测方法、物体检测装置及电子设备 |
CN112732954A (zh) * | 2020-12-31 | 2021-04-30 | 莱茵技术-商检(宁波)有限公司 | 一种智能贴标方法及*** |
CN116841270A (zh) * | 2023-09-01 | 2023-10-03 | 贵州通利数字科技有限公司 | 一种基于物联网的智能生产线调度方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156726A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于几何形状特征的工件识别方法及装置 |
CN107481244A (zh) * | 2017-07-04 | 2017-12-15 | 昆明理工大学 | 一种工业机器人视觉语义分割数据库制作方法 |
CN108491776A (zh) * | 2018-03-12 | 2018-09-04 | 青岛理工大学 | 基于像素分类的装配体零件识别方法、装置及监测*** |
CN109118482A (zh) * | 2018-08-07 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种面板缺陷分析方法、装置及存储介质 |
CN109900711A (zh) * | 2019-04-02 | 2019-06-18 | 天津工业大学 | 基于机器视觉的工件缺陷检测方法 |
CN111126393A (zh) * | 2019-12-22 | 2020-05-08 | 上海眼控科技股份有限公司 | 车辆外观改装判断方法、装置、计算机设备及存储介质 |
-
2020
- 2020-06-29 CN CN202010610551.5A patent/CN111784662A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156726A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于几何形状特征的工件识别方法及装置 |
CN107481244A (zh) * | 2017-07-04 | 2017-12-15 | 昆明理工大学 | 一种工业机器人视觉语义分割数据库制作方法 |
CN108491776A (zh) * | 2018-03-12 | 2018-09-04 | 青岛理工大学 | 基于像素分类的装配体零件识别方法、装置及监测*** |
CN109118482A (zh) * | 2018-08-07 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种面板缺陷分析方法、装置及存储介质 |
CN109900711A (zh) * | 2019-04-02 | 2019-06-18 | 天津工业大学 | 基于机器视觉的工件缺陷检测方法 |
CN111126393A (zh) * | 2019-12-22 | 2020-05-08 | 上海眼控科技股份有限公司 | 车辆外观改装判断方法、装置、计算机设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347887A (zh) * | 2020-10-28 | 2021-02-09 | 深圳市优必选科技股份有限公司 | 一种物体检测方法、物体检测装置及电子设备 |
CN112347887B (zh) * | 2020-10-28 | 2023-11-24 | 深圳市优必选科技股份有限公司 | 一种物体检测方法、物体检测装置及电子设备 |
CN112732954A (zh) * | 2020-12-31 | 2021-04-30 | 莱茵技术-商检(宁波)有限公司 | 一种智能贴标方法及*** |
CN116841270A (zh) * | 2023-09-01 | 2023-10-03 | 贵州通利数字科技有限公司 | 一种基于物联网的智能生产线调度方法及*** |
CN116841270B (zh) * | 2023-09-01 | 2023-11-14 | 贵州通利数字科技有限公司 | 一种基于物联网的智能生产线调度方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784662A (zh) | 工件识别方法、装置、计算机设备及存储介质 | |
CN111950638B (zh) | 基于模型蒸馏的图像分类方法、装置和电子设备 | |
CN105631486A (zh) | 图像文字识别方法及装置 | |
US9430711B2 (en) | Feature point matching device, feature point matching method, and non-transitory computer readable medium storing feature matching program | |
CN109903323B (zh) | 用于透明物体识别的训练方法、装置、存储介质及终端 | |
CN112581462A (zh) | 工业产品的外观缺陷检测方法、装置及存储介质 | |
CN115374186A (zh) | 基于大数据的数据处理方法及ai*** | |
CN116958021A (zh) | 基于人工智能的产品缺陷识别方法、相关装置和介质 | |
KR102557572B1 (ko) | 인공 신경망 장치 및 그 동작 방법 | |
CN116542926A (zh) | 电池的二维码缺陷识别方法、装置、设备及存储介质 | |
CN111222558A (zh) | 图像处理方法及存储介质 | |
CN114511862B (zh) | 表格识别方法、装置及电子设备 | |
CN110348509B (zh) | 数据增广参数的调整方法、装置、设备及存储介质 | |
CN114155246A (zh) | 一种基于可变形卷积的输电塔销钉缺陷检测方法 | |
CN113935466A (zh) | 数据中心智能巡检机器人多任务学习方法 | |
CN112770118A (zh) | 视频帧图像运动估计方法及相关设备 | |
CN112164034A (zh) | 一种工件表面缺陷检测方法、装置、电子设备及存储介质 | |
CN111382773A (zh) | 一种用于管道内部监测基于九宫原理的图像匹配方法 | |
CN117680977B (zh) | 机器人上料拼接对位方法、装置、设备及介质 | |
US20110299596A1 (en) | Fractional motion estimation method with adaptive mode selection | |
CN115174957B (zh) | 弹幕调用方法、装置、计算机设备及可读存储介质 | |
Wang et al. | An efficient sky detection algorithm based on hybrid probability model | |
Liu et al. | Hand-eye Calibration of Industrial Robots with 3D Cameras based on Dual Quaternions | |
CN113111921B (zh) | 物体识别方法、装置、电子设备及存储介质 | |
EP4345638A1 (en) | Systolic array, systolic array system, computiation method, device, and storage medium |
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 |