CN112365538B - 一种自动上卷***的高效目标检测方法 - Google Patents

一种自动上卷***的高效目标检测方法 Download PDF

Info

Publication number
CN112365538B
CN112365538B CN202011092140.8A CN202011092140A CN112365538B CN 112365538 B CN112365538 B CN 112365538B CN 202011092140 A CN202011092140 A CN 202011092140A CN 112365538 B CN112365538 B CN 112365538B
Authority
CN
China
Prior art keywords
ellipse
point
searching
searched
image
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.)
Active
Application number
CN202011092140.8A
Other languages
English (en)
Other versions
CN112365538A (zh
Inventor
郑岗
王泽文
杨喆
徐开亮
刘刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN202011092140.8A priority Critical patent/CN112365538B/zh
Publication of CN112365538A publication Critical patent/CN112365538A/zh
Application granted granted Critical
Publication of CN112365538B publication Critical patent/CN112365538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • G06T7/73Determining position or orientation of objects or cameras using feature-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种自动上卷***的高效目标检测方法,具体包括如下步骤:步骤1,通过工业相机获取检测对象的实时图像。步骤2,对步骤1获取的图像进行预处理;步骤3,对步骤2得到的图像进行边缘检测,得到二值表示的边缘图像;步骤4,在步骤3得到的边缘图像中利用霍夫变换椭圆检测法进行目标搜索;步骤5,利用基于长短轴的动态椭圆搜索法,以步骤4中搜索到的粗略椭圆长轴为基准,完成从一个端点开始至另一个端点的对椭圆边缘像素的搜索过程;步骤6,采用最小二乘法,对步骤5中搜索出的样本点进行椭圆拟合。本发明基于长短轴的动态椭圆搜索法,极大程度地避免了同型轮廓的干扰,提高了检测的精度。

Description

一种自动上卷***的高效目标检测方法
技术领域
本发明属于图像处理与工业检测技术领域,涉及一种自动上卷***的高效目标检测方法。
背景技术
随着现代加工业的发展,工业生产线对于自动化控制***的需求越来越大,以冷轧生产线开卷机上卷为例,操作员通过操控按键,控制固定轨道的液压小车移动,将钢卷从鞍座托举,使钢卷从鞍座经过平移和下降移动至开卷机卷筒附近,并使钢卷卷心与开卷机卷筒中心对齐再对接,完成开卷机的上卷控制。而在对准钢卷时,由于现场的位置限制使操作员往往不能直接观察到目标对准的状态,需要反复巡视并校正钢卷位置,这使得上卷步骤变得非常繁琐,影响工业生产线的产出率,同时伴随着操作员工作量的增大,疲倦度的增高,非常容易发生控制失误,严重时将会导致工业事故,存在安全隐患。社会的发展和需求使得自动上卷***的研发和使用成为了一种必然的需求,自动上卷是指通过特定传感器,检测定位钢卷的位置,得到钢卷的精确位置信息后,使液压小车托举钢卷并自动移动至目标地点,完成自动上卷。
自动上卷***的使用大大提高了工业生产线的生产效率,目前普遍使用的自动上卷***有激光定位式,通过在关键点安装激光传感器,判断钢卷是否运动到达该点,从而实现自动控制,这种方法结构简单,成本低廉,但是安全性和可控性较低;编码器式,通过安装在小车上的编码器测量小车位移,间接计算出钢卷位置,这种方法需要保证钢卷每次坐落在小车上的相同位置,且卷径相同才能保证高精度;测径式,通过图像传感器检测出钢卷卷径,使钢卷在下降阶段移动与卷径相等的距离,之后默认与卷筒对齐。这些传统的方法大多只能实现上卷过程的半自动化控制,无法实现全自动,且***中传感器数量多,故障率高,使后期维护难度增大。
为了解决这种问题,设计了基于图像处理的自动上卷***,其核心是通过安装在特定位置的工业相机,拍摄钢卷可运动的范围区域,在自动上卷时,通过图像处理技术,计算出钢卷的实时位置坐标,完成上卷过程的全程定位和跟踪,实现上卷过程全自动控制。该方法具有较强的可控性和实时性,但同时也引入了新的检测扰动,如光照强度、遮挡等。在图像处理时,将钢卷识别问题转化为椭圆检测,则主要的干扰来自于钢卷卷身板层的同型轮廓,其形状和大小与真实目标高度相似,非常容易使检测结果发散,影响检测精度。
发明内容
本发明的目的是提供一种自动上卷***的高效目标检测方法,该方法基于长短轴的动态椭圆搜索法,极大程度地避免了同型轮廓的干扰,提高了检测的精度。
本发明所采用的技术方案是,一种自动上卷***的高效目标检测方法,具体包括如下步骤:
步骤1,通过工业相机获取检测对象的实时图像,以图像的左上角为坐标原点,建立平面直角坐标系。
步骤2,对步骤1获取的图像进行预处理;
步骤3,采用Canny算子法对步骤2得到的图像进行边缘检测,得到二值表示的边缘图像;
步骤4,在步骤3得到的边缘图像中利用霍夫变换椭圆检测法进行目标搜索;
步骤5,利用基于长短轴的动态椭圆搜索法,以步骤4中搜索到的粗略椭圆长轴为基准,完成从一个端点开始至另一个端点的对椭圆边缘像素的搜索过程;
步骤6,采用最小二乘法,对步骤5中搜索出的样本点进行椭圆拟合。
本发明的特点还在于,
步骤2的具体过程为:分别依次对图像进行图像灰度化、形态学处理、直方图均衡化及高斯滤波处理。
步骤5的具体过程为:
椭圆长轴的搜索过程为:以A点为起始点,C点为终止点,分别进行水平向左和水平向右两个方向的逐点搜索,当在某方向上第一次搜索到像素点且该像素点的位置满足搜索限定条件时,则退出该方向上的搜索过程,以此过程遍历搜索椭圆长轴上的每一个点;
椭圆短轴的搜索过程为:以B点为起始点,D点为终止点,分别进行水平向左和水平向右两个方向的逐点搜索,当在某方向上第一次搜索到像素点且该像素点的位置满足搜索限定条件时,则退出该方向上的搜索过程,以此过程遍历搜索椭圆短轴上的每一个点。
步骤5中的搜索限定条件为:
由步骤4中椭圆搜索可得到粗略椭圆的中心坐标ellc(xe,ye)、长轴长h、短轴w、以及倾斜角θ,根据这些参数计算出椭圆在平面中的焦点坐标,当θ∈[0,90)时,椭圆焦点坐标如式(1)所示,式中,椭圆的两个焦点为C1(xc1,yc1)和C2(xc2,yc2),其中
Figure BDA0002722476900000041
Figure BDA0002722476900000042
当θ∈[90,180)时,椭圆的焦点坐标如式(2)所示,式中,椭圆的两个焦点为C1(xc1,yc1)和C2(xc2,yc2),其中
Figure BDA0002722476900000043
Figure BDA0002722476900000044
若在步骤5中搜索到的像素点为P(xp,yp),C1和C2为椭圆的两个焦点,则当椭圆满足如下公式(3)时,才确定为真实目标像素点:
Figure BDA0002722476900000045
式中,|PC1|和|PC2|分别表示点P到两个焦点C1和C2的平面距离,T为阈值。
本发明的有益效果是,本发明提出的一种自动上卷***的高效目标检测方法,将钢卷识别问题转化为椭圆检测,该方法流程图如图1所示,首先通过工业相机获取实时图像,再对图像进行预处理操作,之后对图像进行边缘检测,得到二值边缘图像,在边缘图像中搜索目标椭圆的轮廓像素点,对其进行整理后进行高精度拟合,得出椭圆位置坐标及尺寸参数,等效于完成对钢卷的定位。本发明提供的方法,极大程度地避免了同型轮廓的干扰,提高了检测的精度。
附图说明
图1是本发明一种自动上卷***的高效目标检测方法的流程图;
图2是本发明一种自动上卷***的高效目标检测方法中的源图像及坐标系建立示意图;
图3是本发明一种自动上卷***的高效目标检测方法中的图像预处理示意图;
图4是本发明一种自动上卷***的高效目标检测方法中的边缘检测示意图;
图5是本发明一种自动上卷***的高效目标检测方法中的霍夫变换椭圆搜索示意图;
图6是本发明一种自动上卷***的高效目标检测方法中的基于长短轴的动态椭圆搜索法示意图;
图7是本发明一种自动上卷***的高效目标检测方法中的样本点与椭圆位置关系示意图;
图8是本发明一种自动上卷***的高效目标检测方法的检测结果示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提出一种自动上卷***的高效目标检测方法,将钢卷识别问题转化为椭圆检测,该方法流程图如图1所示,首先通过工业相机获取实时图像,再对图像进行预处理操作,之后对图像进行边缘检测,得到二值边缘图像,在边缘图像中搜索目标椭圆的轮廓像素点,对其进行整理后进行高精度拟合,得出椭圆位置坐标及尺寸参数,等效于完成对钢卷的定位。
本发明一种自动上卷***的高效目标检测方法,其具体过程如下:
步骤1,通过工业相机获取检测对象的实时图像,以钢卷卷心圆为目标,因其实际在二维成像中为椭圆,故将钢卷检测问题转化为椭圆检测。以图像的左上角为坐标原点,建立平面直角坐标系,其示意图如图2所示。
步骤2,对步骤1获取的图像进行预处理操作,其步骤分别为图像灰度化、形态学处理、直方图均衡化、高斯滤波,经图像预处理后,使图像效果得到增强,易于检测,图像预处理示意图如图3所示。
步骤3,采用Canny算子法对步骤2得到的图像进行边缘检测,得到二值表示的边缘图像,如图4所示。
步骤4,在步骤3得到的边缘图像中利用霍夫变换椭圆检测法进行目标搜索,由于霍夫变换具有一定的随机性,故该方法的检测结果存在一定误差,如图5所示。
步骤5,利用基于长短轴的动态椭圆搜索法,以步骤4中搜索到的粗略椭圆长轴为基准,完成从一个端点开始至另一个端点的对椭圆边缘像素的搜索过程,具体的搜索过程为,长轴组如图6(a)所示,以A点为起始点,C点为终止点,分别进行水平向左和水平向右两个方向的逐点搜索,当在某方向上第一次搜索到像素点且该像素点的位置满足搜索限定条件时,则退出该方向上的搜索过程,以此步骤遍历搜索长轴上的每一个点;短轴组如图6(b)所示,以B点为起始点,D点为终止点,按照与长轴相同的搜索模式搜索遍历搜索短轴上的点。这种搜索模式可以有效地过滤真实椭圆轮廓外部的干扰点,但对椭圆内部的干扰点却不敏感,故设定搜索的限定条件,将椭圆内部的干扰像素点也过滤,限定条件的设置方法具体如下:
由步骤4中椭圆搜索可得到粗略椭圆的中心坐标ellc(xe,ye)、长轴长h(在图像中体现为像素点数)、短轴w(在图像中体现为像素点数)、以及倾斜角θ(即长轴与水平方向的夹角),根据这些参数计算出椭圆在平面中的焦点坐标,当θ∈[0,90)时,椭圆焦点坐标如式(1)所示,式中,椭圆的两个焦点为C1(xc1,yc1)和C2(xc2,yc2),其中
Figure BDA0002722476900000071
Figure BDA0002722476900000072
当θ∈[90,180)时,椭圆的焦点坐标如式(2)所示,式中,椭圆的两个焦点为C1(xc1,yc1)和C2(xc2,yc2),其中
Figure BDA0002722476900000073
Figure BDA0002722476900000074
若在步骤5中搜索到的像素点为P(xp,yp),该像素点与椭圆满足的位置关系如图7所示,C1和C2为椭圆的两个焦点,则当其需满足式(3)时,才确定为真实目标像素点。
Figure BDA0002722476900000075
式中,|PC1|和|PC2|分别表示点P到两个焦点C1和C2的平面距离,T为阈值,可根据实际情况调节。
步骤6,采用最小二乘法,对步骤5中搜索出的样本点进行椭圆拟合,得出椭圆的位置坐标及形状参数,并且在***中刷新位置记录,当程序对运动中的钢卷检测定位时,程序需循环执行,以本步骤中检测出的椭圆信息作为最新时刻的位置信息,并替代由步骤4中的霍夫变换方法搜索的结果,实现了对动态目标的跟踪定位,利用本方法进行检测的结果示意图如图8所示。

Claims (1)

1.一种自动上卷***的高效目标检测方法,其特征在于:具体包括如下步骤:
步骤1,通过工业相机获取检测对象的实时图像,以图像的左上角为坐标原点,建立平面直角坐标系;
步骤2,对步骤1获取的图像进行预处理;
步骤2的具体过程为:分别依次对图像进行图像灰度化、形态学处理、直方图均衡化及高斯滤波处理;
步骤3,采用Canny算子法对步骤2得到的图像进行边缘检测,得到二值表示的边缘图像;
步骤4,在步骤3得到的边缘图像中利用霍夫变换椭圆检测法进行目标搜索;
步骤5,利用基于长短轴的动态椭圆搜索法,以步骤4中搜索到的粗略椭圆长轴为基准,完成从一个端点开始至另一个端点的对椭圆边缘像素的搜索过程;
所述步骤5的具体过程为:
椭圆长轴的搜索过程为:以A点为起始点,C点为终止点,分别进行水平向左和水平向右两个方向的逐点搜索,当在某方向上第一次搜索到像素点且该像素点的位置满足搜索限定条件时,则退出该方向上的搜索过程,以此过程遍历搜索椭圆长轴上的每一个点;
椭圆短轴的搜索过程为:以B点为起始点,D点为终止点,分别进行水平向左和水平向右两个方向的逐点搜索,当在某方向上第一次搜索到像素点且该像素点的位置满足搜索限定条件时,则退出该方向上的搜索过程,以此过程遍历搜索椭圆短轴上的每一个点;
步骤5中的搜索限定条件为:
由步骤4中椭圆搜索可得到粗略椭圆的中心坐标ellc(xe,ye)、长轴长h、短轴w、以及倾斜角θ,根据这些参数计算出椭圆在平面中的焦点坐标,当θ∈[0,90)时,椭圆焦点坐标如式(1)所示,式中,椭圆的两个焦点为C1(xc1,yc1)和C2(xc2,yc2),其中
Figure FDA0003512734180000021
Figure FDA0003512734180000022
当θ∈[90,180)时,椭圆的焦点坐标如式(2)所示,式中,椭圆的两个焦点为C1(xc1,yc1)和C2(xc2,yc2),其中
Figure FDA0003512734180000023
Figure FDA0003512734180000024
若在所述步骤5中搜索到的像素点为P(xp,yp),C1和C2为椭圆的两个焦点,则当椭圆满足如下公式(3)时,才确定为真实目标像素点:
Figure FDA0003512734180000025
式中,|PC1|和|PC2|分别表示点P到两个焦点C1和C2的平面距离,T为阈值;
步骤6,采用最小二乘法,对步骤5中搜索出的样本点进行椭圆拟合。
CN202011092140.8A 2020-10-13 2020-10-13 一种自动上卷***的高效目标检测方法 Active CN112365538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011092140.8A CN112365538B (zh) 2020-10-13 2020-10-13 一种自动上卷***的高效目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011092140.8A CN112365538B (zh) 2020-10-13 2020-10-13 一种自动上卷***的高效目标检测方法

Publications (2)

Publication Number Publication Date
CN112365538A CN112365538A (zh) 2021-02-12
CN112365538B true CN112365538B (zh) 2022-08-16

Family

ID=74507908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011092140.8A Active CN112365538B (zh) 2020-10-13 2020-10-13 一种自动上卷***的高效目标检测方法

Country Status (1)

Country Link
CN (1) CN112365538B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269043B (zh) * 2021-04-27 2023-08-18 辽宁科技大学 一种钢卷松卷的实时跟踪识别方法及装置
CN113284117B (zh) * 2021-05-28 2022-10-18 中冶赛迪信息技术(重庆)有限公司 一种钢卷松卷识别方法、***、介质和终端

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013003890A (ja) * 2011-06-17 2013-01-07 Canon Inc 画像処理装置、画像処理方法及びプログラム
CN111178173A (zh) * 2019-12-14 2020-05-19 杭州电子科技大学 一种目标菌落生长特征识别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201300198D0 (en) * 2013-01-07 2013-02-20 Isis Innovation Methods and apparatus for image processing
CN103150730A (zh) * 2013-03-07 2013-06-12 南京航空航天大学 一种基于图像的圆形小目标精确检测方法
CN106530349A (zh) * 2016-10-25 2017-03-22 成都工业学院 一种基于椭圆中心的动态定位方法及装置
CN110070537B (zh) * 2019-04-25 2021-10-15 清华大学 静态图像颗粒的粒度与球形度的智能识别方法和装置
CN111308987B (zh) * 2020-02-21 2022-12-02 西安理工大学 基于图像处理的开卷机自动上卷控制***及检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013003890A (ja) * 2011-06-17 2013-01-07 Canon Inc 画像処理装置、画像処理方法及びプログラム
CN111178173A (zh) * 2019-12-14 2020-05-19 杭州电子科技大学 一种目标菌落生长特征识别方法

Also Published As

Publication number Publication date
CN112365538A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN112365538B (zh) 一种自动上卷***的高效目标检测方法
CN111308987B (zh) 基于图像处理的开卷机自动上卷控制***及检测方法
CN110501342B (zh) 一种筒子纱纱杆定位视觉检测方法
CN106182004A (zh) 基于视觉引导的工业机器人自动销孔装配的方法
CN110293559B (zh) 一种自动识别定位对准的安装方法
CN107014291B (zh) 一种物料精密转载平台的视觉定位方法
CN110983609B (zh) 一种纱线接头检测装置及其使用方法
CN104923593A (zh) 一种基于视觉的顶层折弯板材定位方法
CN111754422A (zh) 一种基于EDLines和LSM的视觉巡边方法
CN106908444A (zh) 一种基于图像处理的圆锥滚子轴承端面识别***及方法
CN109540918B (zh) 一种热轧卷边部缺陷检测装置及方法
CN110728657A (zh) 一种基于深度学习的环状轴承外表面缺陷检测方法
CN109544513A (zh) 一种钢管端面缺陷提取识别的方法
CN110514664B (zh) 一种筒子纱纱杆定位检测机器人及方法
CN111684462B (zh) 一种图像匹配方法及视觉***
CN111539951B (zh) 一种陶瓷砂轮头轮廓尺寸视觉检测方法
CN109443220B (zh) 基于测行程传感器和机器视觉的绕线机线圈长度测量方法
CN101398291B (zh) 带钢随动成像视觉检测方法
CN115446125A (zh) 一种基于机器视觉的中厚板自动转钢控制方法
CN114486913A (zh) 一种钢卷边部几何特征的检测方法
CN206788048U (zh) 一种基于图像处理的圆锥滚子轴承端面识别***
CN113406920A (zh) 一种基于机器视觉的箱体定位控制***及其方法
CN107833204B (zh) 一种基于拓扑匹配的变电站设备红外图像的视觉检测方法
CN111854678A (zh) 一种单目视觉下基于语义分割和卡尔曼滤波的位姿测量方法
CN111002376A (zh) Pcb板内层靶标孔智能防呆的方法

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
GR01 Patent grant
GR01 Patent grant