CN113112496B - 一种基于自适应阈值的亚像素轴类零件尺寸测量方法 - Google Patents
一种基于自适应阈值的亚像素轴类零件尺寸测量方法 Download PDFInfo
- Publication number
- CN113112496B CN113112496B CN202110482449.6A CN202110482449A CN113112496B CN 113112496 B CN113112496 B CN 113112496B CN 202110482449 A CN202110482449 A CN 202110482449A CN 113112496 B CN113112496 B CN 113112496B
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel
- image
- pixel point
- sub
- 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
Links
- 238000000691 measurement method Methods 0.000 title claims abstract description 10
- 238000003708 edge detection Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 description 23
- 238000005516 engineering process Methods 0.000 description 6
- 238000009776 industrial production Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000010187 selection method 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于自适应阈值的亚像素轴类零件尺寸测量方法,涉及一种尺寸测量方法。视觉***标定,获得内外参数和相互位置关系;对采集的图像进行预处理,采用结合灰度直方图对伽马校正算法进行改进,实现伽马值的自动选取;完成边缘检测,采用Canny算子边缘检测方法记录像素级边缘位置;基于邻域的边缘连接,对图像所有边缘像素点进行检查完成边缘连接;基于轮廓跟踪的区域提取,采用具有拓扑结构分析能力的轮廓跟踪算法将二值图像转化成轮廓描述;基于自适应阈值的亚像素边缘检测,将图像区域划分进行边缘检测,自适应选取亚像素边缘检测的阈值;尺寸计算,对直线夹角尺寸进行求解。精度和效率更高,节省人力,对测量环境的适应性强。
Description
技术领域
本发明涉及一种尺寸测量方法,尤其是一种基于自适应阈值的亚像素轴类零件尺寸测量方法,属于机器人视觉检测技术领域。
背景技术
在工业生产中,零件的几何量测量是产品质量管理的必要手段,是零件加工的一个关键环节,每一个零件都要进行准确的几何量测量才可以确定是否合格,其检测的结果不仅影响零件本身的合格与否,还决定着零件后续的再加工和整体的装配。因此,测量技术在工业生产中占据着极其重要的地位,对测量技术的研究也具有非常重要的意义。
传统的测量手段主要是人工测量,即通过游标卡尺、千分尺、量规和刀口形直尺等测量工具进行尺寸和形位误差的测量,或者使用专门定制的零件尺寸标准模板来进行对比测量。这些测量手段在工业生产中发挥着巨大的作用,但是随着我国工业制造水平的飞速提高,现代工业对测量技术也提出了更严格的要求。一方面,零件的加工精度越来越高,精密加工的零件也需要精度更高的测量技术;另一方面,现代化的大批量生产需要效率更高的测量手段。传统的测量技术已经无法满足繁重的质检任务以及日趋严格的精度要求。
目前,机器视觉测量技术仍然存在很多不足,在实际工业应用上,测量的精度还不够高,无法满足高精度的测量要求,而且对测量环境的适应性较差,这些都制约着机器视觉测量技术的应用。因此,对机器视觉测量***的进一步研究就具有非常重要的意义。
发明内容
本发明的目的在于提供一种基于自适应阈值的亚像素轴类零件尺寸测量方法,它具有效率高,节省人力,与现存的视觉尺寸测量相比精度更高,对测量环境的适应性强的优势。
为实现上述目的,本发明采取下述技术方案:一种基于自适应阈值的亚像素轴类零件尺寸测量方法,包括以下步骤:
步骤一、视觉***标定:采用张正友平面标定法进行相机标定,标定后获得摄像机的内外参数,再根据手眼标定原理,获得摄像机与机器人末端之间的相互位置关系,完成手眼标定;
步骤二、对采集的图像进行预处理:在保证不影响原本有用的图像信息基础上,通过滤波算法对图像进行随机噪声的剔除,采用结合灰度直方图对伽马校正算法进行改进,实现伽马值γ的自动选取,具体为:
a、对图像像素按照灰度值从大到小进行排列,将灰度范围分成L级,将L个灰度等级等量分为高灰度值区域与低灰度值区域两部分,设每个级数中的像素总数为nk,统计每个灰度级像素个数占图像像素个数n的概率P(k);
b、设置阈值Pthreshold,在高灰度值区域内,当P(k)>Pthreshold时统计的个数i进行自加1,否则不进行任何操作,在低灰度值区域内,当P(k)>Pthreshold时统计的个数j进行自加1,否则不进行任何操作;
c、当i>j时,伽马值γ在区间(0.2,1)进行取值;
d、当i<j时,伽马值γ在区间(1,2.4)进行取值,
利用求得的伽马值γ和公式f(I)=Iγ对图像进行交换,式中I为输入图像的像素值,实现伽马值γ的自动选取,突出图像细节并改善被滤波算法模糊的信息,将待处理图像的对比度调整到最佳;
步骤三、完成边缘检测:采用Canny算子边缘检测方法进行初级边缘定位,记录像素级边缘位置;
步骤四、基于邻域的边缘连接:对于边缘检测后不连续边缘问题,采用基于邻域的边缘连接方法,通过对图像所有边缘像素点进行检查,完成边缘连接;
步骤五、基于轮廓跟踪的区域提取:由于存在边缘信息的二值图像只是一些离散的像素点,像素点之间不存在结构关系,采用具有拓扑结构分析能力的轮廓跟踪算法将二值图像转化成轮廓描述,在提取轮廓的同时获取不同轮廓之间的包围关系,从而实现***轮廓的提取,具体为:
首先定义第i行、第j列的像素点坐标为(i,j),f(i,j)为点(i,j)的密度值,其次定义两种边界形式,外边界与孔边界,将边界用序列号的形式表达记做ND,上一次扫描得到的边界序列记做LND,将边缘的初始序列号ND设置为1,采用行扫描方式扫描整幅图像,对每一个像素点(i,j)的密度值f(i,j)≠0的像素点进行边界判定;
如果当前像素点的密度值f(i,j)=1且f(i,j-1)=0,像素点(i,j)为外边界的一个起始点,ND自增,(i2,j2)←(i,j-1),以像素点(i,j)为起始点,对边界进行跟踪,如果当前像素点的密度值f(i,j)≥1且f(i,j+1)=0,像素点(i,j)为孔边界的一个起始点,ND自增,(i2,j2)←(i,j+1),以像素点(i,j)为起始点,对边界进行跟踪;
如果f(i,j)≠1,则LND←|f(i,j)|,并从像素点(i,j+1)重新开始扫描,当算法执行到图像右下角时,则停止;
利用上述算法对图像提取***轮廓并用最小矩形包围,最终获得工件所在的区域;
步骤六、基于自适应阈值的亚像素边缘检测:将图像根据待测参数进行区域划分,分别对每个区域进行边缘检测,以最大化各区域内目标与背景的类间方差为准则,自适应选取亚像素边缘检测的阈值kt,保证边缘亚像素定位的鲁棒性;
步骤七、尺寸计算:对于直线尺寸的检测,转化为与待测参数相关的两条直线之间的距离,对于夹角尺寸的检测,转化为直线斜率倒角公式求解,分别以亚像素组的数据构造基于最小二乘平行直线簇拟合进行获取。
与现有技术相比,本发明的有益效果是:本发明解决了传统零件的几何量主要依靠人工测量抽检完成,存在检测效率低、检测精度难以保证的问题,效率高并且节省人力,与现存的视觉尺寸测量相比精度更高,对测量环境的适应性强。
具体实施方式
下面将结合本发明实施例对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是发明的一部分实施例,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。
一种基于自适应阈值的亚像素轴类零件尺寸测量方法,包括以下步骤:
步骤一、视觉***标定:采用张正友平面标定法进行相机标定,标定后获得摄像机的内外参数,再根据手眼标定原理,获得摄像机与机器人末端之间的相互位置关系,完成手眼标定;
步骤二、对采集的图像进行预处理:在保证不影响原本有用的图像信息基础上,通过滤波算法对图像进行随机噪声的剔除。在采集图像时,如果受到光照的影响会导致图像整体的灰度值被限制在小范围内,使图像某些信息的辨识能力降低,例如边缘、表面纹理等。图像对比增强的目的是根据实际需求对图像进行处理,突出细节并改善被滤波算法模糊的信息。因此对图像对比度算法进行研究,将待处理图像的对比度调整到最佳。
当摄像机采集到的图像亮度较高时,灰度值集中在较高范围内,在进行边缘检测的时候会造成图像的梯度值分布在较低范围内,而当摄像机采集到的图像亮度较低时,灰度值又集中在较低范围内,同样也会造成梯度值偏小的情况,这都会导致边缘检测的时候梯度阀值选取的困难。因此要求所选取算法能够同时适应高低亮度情况下的对比度增强,本算法结合灰度直方图对伽马校正算法进行改进,具体如下:
f(I)=Iγ
式中I为输入图像的像素值,根据伽马曲线输入与输出像素值的关系,可以看出伽马值γ对于图像对比度增强的不同影响,当伽马值γ小于1时,伽马曲线的斜率逐渐减小,可增加图像集中于低灰度值的范围,反之,当伽马值γ大于1时,伽马曲线的斜率逐渐增加,可增加图像集中于高灰度值的范围。
传统的伽马校正需要手动设置值,因此本算法结合灰度直方图对伽马校正算法进行改进,实现伽马值γ的自动选取,算法流程如下:
a、对图像像素按照灰度值从大到小进行排列,将灰度范围分成L级,将L个灰度等级等量分为高灰度值区域与低灰度值区域两部分,设每个级数中的像素总数为nk,统计每个灰度级像素个数占图像像素个数n的概率,各个灰度等级所占概率定义为P(k):
b、设置阈值Pthreshold,在高灰度值区域内,当P(k)>Pthreshold时统计的个数i进行自加1,当P(k)≤Pthreshold时i不进行任何操作,同理,在低灰度值区域内,当P(k)>Pthreshold时统计的个数j进行自加1,当P(k)≤Pthreshold时j不进行任何操作;
c、当i>j时,图像集中于高灰度值区域,伽马值γ在区间(0.2,1)进行取值。设q=i-j,q∈(0,L/2)。将区间(0,L/2)的数值映射到区间(0.2,1)得到:
γq1=1.6q/L+0.2
d、当i<j时,图像集中于低灰度值区域,伽马值γ在区间(1,2.4)进行取值。设q=j-i,q∈(0,L/2)。将区间(0,L/2)的数值映射到区间(1,2.4)得到:
γq2=2.8q/L+1
步骤三、完成边缘检测:采用Canny算子边缘检测方法进行初级边缘定位,记录像素级边缘位置;
步骤四、基于邻域的边缘连接:Canny算法在对图像进行边缘检测时,检测到的边缘可能会出现断裂、不连续的问题,这对于获取工件所在区域非常不利,因此需要对不连续边缘问题进行研究。本方法采用基于邻域的边缘连接方法,为现有技术,主要思想是通过对图像所有边缘像素点进行检查,首先以一个边缘像素点作为中心点查找该中心点8邻域的所有像素,当8邻域中存在边缘像素点时,继续对下一个边缘像素点进行8邻域查找,当该边缘像素点的8邻域中不存在边缘像素点时,对该边缘像素点更外层的16邻域进行查找,若存在边缘像素点,则将该边缘像素点与中心点之间的像素改为边缘像素点,若不存在边缘像素点,则对下一个边缘像素点重新进行8邻域查找,直至查找完所有边缘像素点;
步骤五、基于轮廓跟踪的区域提取:经过边缘检测后的图像可以得到存在边缘信息的二值图像,但它只是一些离散的像素点,像素点之间不存在结构关系,因此需要轮廓跟踪算法将二值图像转化成轮廓描述。本方法采用具有拓扑结构分析能力的轮廓跟踪算法,在提取轮廓的同时还可以获取不同轮廓之间的包围关系,从而实现***轮廓的提取,具体为:
首先定义第i行、第j列的像素点坐标为(i,j),f(i,j)为点(i,j)的密度值,整幅图像可以表示为F={f(i,j)}。其次定义两种边界形式,外边界与孔边界。将边界用序列号的形式表达,记做ND,边界最右边的像素点记做-ND。上一次扫描得到的边界序列,记做LND。
具体的算法流程如下:
1)将边缘的初始ND设置为1,采用行扫描方式扫描整幅图像,对每一个f(i,j)≠0的像素点进行下述操作。每当重新开始行扫描时,初始化LND=1;
2)如果当前像素点的密度值f(i,j)=1且f(i,j-1)=0,根据边界定义,像素点(i,j)为外边界的一个起始点,ND自增,(i2,j2)←(i,j-1);如果当前像素点的密度值f(i,j)≥1且f(i,j+1)=0,根据边界定义,像素点(i,j)为孔边界的一个起始点,ND自增,(i2,j2)←(i,j+1);如果都不满足上述条件,则执行5);
3)将当前边界B的类型与上一个具有LND序号的边界B'的类型进行比较。如果两个边界类型相同,则当前的边界B是边界B'的父边界。如果两个边界类型不同,则当前的边界B与边界B'具有相同的父边界;
4)以像素点(i,j)为起始点,对边界进行跟踪,执行a)到e)的步骤;
a)从点(i2,j2)开始,在点(i,j)的邻域内,沿着顺时针方向寻找非零点,将第一个被找到的非零点定义为(i1,j1),如果邻域内不存在非零点,设置f(i,j)=ND并执行5);
b)将(i2,j2)←(i1,j1)和(i3,j3)←(i,j);
c)在当前像素点(i3,j3)的邻域中,以像素点(i2,j2)为起点,按照逆时针方向寻找第一个非零点,记做(i4,j4);
d)改变像素点(i3,j3)的f(i3,j3)值。如果步骤c)中像素点(i3,j3+1)是零点,则f(i3,j3)←-ND;如果步骤c)中像素点(i3,j3+1)不是零点并且f(i3,j3)=1,则f(i3,j3)←ND;如果都不符合,则不改变f(i3,j3);
e)如果(i4,j4)=(i,j)并且(i3,j3)=(i1,j1),则执行5),否则(i2,j2)←(i3,j3),(i3,j3)←(i4,j4)并且返回到步骤c);
5)如果f(i,j)≠1,则LND←|f(i,j)|,并从像素点(i,j+1)重新开始扫描,当算法执行到图像右下角时,则停止。
利用上述算法对图像提取***轮廓并用最小矩形包围,最终获得工件所在的区域;
步骤六、基于自适应阈值的亚像素边缘检测:为提取各区域内的亚像素边缘,以最大化各区域内目标与背景的类间方差为准则计算阈值kt。设区域包含L个灰度级且像素总数为N,灰度值为i的像素个数为Ni,那么灰度值为i的像素概率为Pi=Ni/N。假设灰度阈值T将区域分成目标C1=[0,1,2,…,T]和背景C2=[T+1,T+2,…,L-1]两类,则C1和C2的类间方差计算公式为:
式中区域是灰度图像,所以L=256,最大化上式得到阈值kt的表达式为:
将自适应产生的灰度阈值T作为阈值kt的取值,这样不仅避免了效率低下的手动设定,还使得各个待测区域的阈值设定更加合理与灵活。由于采集到的工件图像存在光照不均的情况,采用分区域的自适应阈值选取方法,使得边缘亚像素定位的鲁棒性更强。将图像根据待测参数进行区域划分,分别对每个区域进行边缘检测,以最大化各区域内目标与背景的类间方差为准则,自适应选取亚像素边缘检测的阈值kt,使得边缘亚像素定位的鲁棒性更强;
步骤七、尺寸计算:首先建立像素坐标系,为方便直线方程式的设定,可建立两个坐标系,根据上述边缘亚像素定位方法,结合得到检测有关区域的边缘亚像素数组。
首先建立像素坐标系,对于直径等直线尺寸,以相关尺寸左右两侧亚像素组的数据构造基于最小二乘平行直线簇拟合,设直线方程组为:
目标函数为最小残差平方和Q,数学上:
式中M为设定的亚像素点个数且M≥3,(xi,yi)和(xj,yj)分别采样于左侧和右侧亚像素组。
因此,工件亚像素级的尺寸为d1=|C-D|。类似地,可求得其他直线尺寸,不在此赘述。
对于夹角尺寸θ的求解,以两相关亚像素组的数据构造基于最小二乘对称直线簇拟合,设直线方程组为:
通过计算可得
式中N为设定的亚像素点个数且N≥3,(xi,yi)和(xj,yj)分别采样于左侧和右侧亚像素组。由倒角公式可求得夹角尺寸θ的值为:
至此,轴类零件的亚像素级几何尺寸测量全部完成。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的装体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同条件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (2)
1.一种基于自适应阈值的亚像素轴类零件尺寸测量方法,其特征在于:包括以下步骤:
步骤一、视觉***标定:采用张正友平面标定法进行相机标定,标定后获得摄像机的内外参数,再根据手眼标定原理,获得摄像机与机器人末端之间的相互位置关系,完成手眼标定;
步骤二、对采集的图像进行预处理:在保证不影响原本有用的图像信息基础上,通过滤波算法对图像进行随机噪声的剔除,采用结合灰度直方图对伽马校正算法进行改进,实现伽马值γ的自动选取,具体为:
a、对图像像素按照灰度值从大到小进行排列,将灰度范围分成L级,将L个灰度等级等量分为高灰度值区域与低灰度值区域两部分,设每个级数中的像素总数为nk,统计每个灰度级像素个数占图像像素个数n的概率P(k);
b、设置阈值Pthreshold,在高灰度值区域内,当P(k)>Pthreshold时统计的个数i进行自加1,否则不进行任何操作,在低灰度值区域内,当P(k)>Pthreshold时统计的个数j进行自加1,否则不进行任何操作;
c、当i>j时,伽马值γ在区间(0.2,1)进行取值;
d、当i<j时,伽马值γ在区间(1,2.4)进行取值,
利用求得的伽马值γ和公式f(I)=Iγ对图像进行交换,式中I为输入图像的像素值,实现伽马值γ的自动选取,突出图像细节并改善被滤波算法模糊的信息,将待处理图像的对比度调整到最佳;
步骤三、完成边缘检测:采用Canny算子边缘检测方法进行初级边缘定位,记录像素级边缘位置;
步骤四、基于邻域的边缘连接:对于边缘检测后不连续边缘问题,采用基于邻域的边缘连接方法,通过对图像所有边缘像素点进行检查,完成边缘连接;
步骤五、基于轮廓跟踪的区域提取:由于存在边缘信息的二值图像只是一些离散的像素点,像素点之间不存在结构关系,采用具有拓扑结构分析能力的轮廓跟踪算法将二值图像转化成轮廓描述,在提取轮廓的同时获取不同轮廓之间的包围关系,从而实现***轮廓的提取,具体为:
首先定义第i行、第j列的像素点坐标为(i,j),f(i,j)为点(i,j)的密度值,其次定义两种边界形式,外边界与孔边界,将边界用序列号的形式表达记做ND,上一次扫描得到的边界序列记做LND,将边缘的初始序列号ND设置为1,采用行扫描方式扫描整幅图像,对每一个像素点(i,j)的密度值f(i,j)≠0的像素点进行边界判定;
如果当前像素点的密度值f(i,j)=1且f(i,j-1)=0,像素点(i,j)为外边界的一个起始点,ND自增,(i2,j2)←(i,j-1),以像素点(i,j)为起始点,对边界进行跟踪,如果当前像素点的密度值f(i,j)≥1且f(i,j+1)=0,像素点(i,j)为孔边界的一个起始点,ND自增,(i2,j2)←(i,j+1),以像素点(i,j)为起始点,对边界进行跟踪;
如果f(i,j)≠1,则LND←|f(i,j)|,并从像素点(i,j+1)重新开始扫描,当算法执行到图像右下角时,则停止;
利用上述算法对图像提取***轮廓并用最小矩形包围,最终获得工件所在的区域;
步骤六、基于自适应阈值的亚像素边缘检测:将图像根据待测参数进行区域划分,分别对每个区域进行边缘检测,以最大化各区域内目标与背景的类间方差为准则,自适应选取亚像素边缘检测的阈值kt,保证边缘亚像素定位的鲁棒性;
步骤七、尺寸计算:对于直线尺寸的检测,转化为与待测参数相关的两条直线之间的距离,对于夹角尺寸的检测,转化为直线斜率倒角公式求解,分别以亚像素组的数据构造基于最小二乘平行直线簇拟合进行获取。
2.根据权利要求1所述的一种基于自适应阈值的亚像素轴类零件尺寸测量方法,其特征在于:所述步骤四中采用基于邻域的边缘连接方法,通过对图像所有边缘像素点进行检查过程中,首先以一个边缘像素点作为中心点查找该中心点8邻域的所有像素,当8邻域中存在边缘像素点时,继续对下一个边缘像素点进行8邻域查找,当该边缘像素点的8邻域中不存在边缘像素点时,对该边缘像素点更外层的16邻域进行查找,若存在边缘像素点,则将该边缘像素点与中心点之间的像素改为边缘像素点,若不存在边缘像素点,则对下一个边缘像素点重新进行8邻域查找,直至查找完所有边缘像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110482449.6A CN113112496B (zh) | 2021-04-30 | 2021-04-30 | 一种基于自适应阈值的亚像素轴类零件尺寸测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110482449.6A CN113112496B (zh) | 2021-04-30 | 2021-04-30 | 一种基于自适应阈值的亚像素轴类零件尺寸测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112496A CN113112496A (zh) | 2021-07-13 |
CN113112496B true CN113112496B (zh) | 2022-06-14 |
Family
ID=76720634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110482449.6A Active CN113112496B (zh) | 2021-04-30 | 2021-04-30 | 一种基于自适应阈值的亚像素轴类零件尺寸测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112496B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538378A (zh) * | 2021-07-16 | 2021-10-22 | 哈尔滨理工大学 | 一种基于深度学习的轴承尺寸在线检测*** |
CN114663427B (zh) * | 2022-04-25 | 2023-06-16 | 北京与子成科技有限公司 | 基于图像处理的锅炉零件尺寸检测方法 |
CN115096206B (zh) * | 2022-05-18 | 2024-04-30 | 西北工业大学 | 一种基于机器视觉的零件尺寸高精度测量方法 |
CN116433701B (zh) * | 2023-06-15 | 2023-10-10 | 武汉中观自动化科技有限公司 | 一种工件孔洞轮廓的提取方法、装置、设备及存储介质 |
CN117670916B (zh) * | 2024-01-31 | 2024-04-12 | 南京华视智能科技股份有限公司 | 一种基于深度学习的涂布边缘检测方法 |
CN117689662B (zh) * | 2024-02-04 | 2024-04-26 | 张家港长寿工业设备制造有限公司 | 一种换热器管头焊接质量视觉检测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359403A (zh) * | 2014-11-21 | 2015-02-18 | 天津工业大学 | 基于亚像素边缘算法的平面零件尺寸测量方法 |
CN106204528A (zh) * | 2016-06-27 | 2016-12-07 | 重庆理工大学 | 一种零件几何质量的尺寸检测方法 |
CN107742289A (zh) * | 2017-10-15 | 2018-02-27 | 哈尔滨理工大学 | 一种基于机器视觉回转体工件检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2293247B1 (en) * | 2009-07-29 | 2012-09-05 | Harman Becker Automotive Systems GmbH | Edge detection with adaptive threshold |
JP6660313B2 (ja) * | 2014-06-30 | 2020-03-11 | ベンタナ メディカル システムズ, インコーポレイテッド | 画像解析を用いた核のエッジの検出 |
-
2021
- 2021-04-30 CN CN202110482449.6A patent/CN113112496B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359403A (zh) * | 2014-11-21 | 2015-02-18 | 天津工业大学 | 基于亚像素边缘算法的平面零件尺寸测量方法 |
CN106204528A (zh) * | 2016-06-27 | 2016-12-07 | 重庆理工大学 | 一种零件几何质量的尺寸检测方法 |
CN107742289A (zh) * | 2017-10-15 | 2018-02-27 | 哈尔滨理工大学 | 一种基于机器视觉回转体工件检测方法 |
Non-Patent Citations (4)
Title |
---|
Perpendicularity identification method of image-based welding of components;Rongbao Chen;《IEEE》;20170717;第1-6页 * |
Sub-Pixel Edge detection algorithm based on Canny-Zernike Moment Method;Cheng Huang;《journal of circuits,systems and computers》;20200723(第2020年29期);第1-8页 * |
轴类零件尺寸的视觉测量技术研究;殷炜棋;《中国优秀硕士学位论文全文数据库》;20171015(第2017年10期);C029-6 * |
面向孔轴装配机器人的视觉检测***研究;刘霄朋;《中国优秀硕士学位论文全文数据库》;20220315(第2022年03期);I138-2305 * |
Also Published As
Publication number | Publication date |
---|---|
CN113112496A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
CN109003258B (zh) | 一种高精度亚像素圆形零件测量方法 | |
CN108132017B (zh) | 一种基于激光视觉***的平面焊缝特征点提取方法 | |
CN110728667A (zh) | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 | |
CN109060836B (zh) | 基于机器视觉的高压油管接头外螺纹检测方法 | |
CN111062940B (zh) | 一种基于机器视觉的螺钉定位与识别方法 | |
CN113724193B (zh) | Pcba零部件尺寸及间隙高精度视觉测量方法 | |
CN114037675B (zh) | 一种飞机样板缺陷检测方法及装置 | |
CN109829911B (zh) | 一种基于轮廓超差算法的pcb板表面检测方法 | |
CN112529858A (zh) | 一种基于机器视觉的焊缝图像处理方法 | |
CN111047588A (zh) | 一种轴型小零件尺寸的图像化测量方法 | |
CN105783786A (zh) | 一种基于结构光视觉的零件倒角测量方法与装置 | |
CN111640154B (zh) | 一种基于显微视觉的立针微平面亚像素级定位方法 | |
CN108717692B (zh) | 一种基于ccd图像处理的裁剪物料纠偏方法 | |
CN111311618A (zh) | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 | |
WO2021082380A1 (zh) | 一种基于激光雷达的托盘识别方法、***和电子设备 | |
EP2345006A1 (en) | Combining feature boundaries | |
CN105678768A (zh) | 一种基于机器视觉的胎面检测方法 | |
CN109724988B (zh) | 一种基于多模板匹配的pcb板缺陷定位方法 | |
CN111539446A (zh) | 一种基于模板匹配的2d激光孔位检测方法 | |
CN116188544A (zh) | 一种结合边缘特征的点云配准方法 | |
CN111968079A (zh) | 基于断面局部极值及分段稀疏的三维路面裂缝提取方法 | |
CN115235375A (zh) | 盖板类工件的多圆特征参数测量方法、检测方法和装置 | |
CN107610174A (zh) | 一种鲁棒的基于深度信息的平面检测方法及*** |
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 |