CN113628232B - 剔除拟合线中干扰点的方法、视觉识别设备及存储介质 - Google Patents
剔除拟合线中干扰点的方法、视觉识别设备及存储介质 Download PDFInfo
- Publication number
- CN113628232B CN113628232B CN202110509958.3A CN202110509958A CN113628232B CN 113628232 B CN113628232 B CN 113628232B CN 202110509958 A CN202110509958 A CN 202110509958A CN 113628232 B CN113628232 B CN 113628232B
- Authority
- CN
- China
- Prior art keywords
- points
- preset
- fitting
- edge
- line
- 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
- 238000000034 method Methods 0.000 title claims abstract description 97
- 230000000007 visual effect Effects 0.000 title claims abstract description 13
- 238000012216 screening Methods 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 37
- 238000004364 calculation method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012795 verification 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明实施例公开了一种剔除拟合线中干扰点的方法、视觉识别设备及存储介质,所述方法包括:根据预设边缘点个数在拟合区域内设置多个扫描区域;分别从每一所述扫描区域获取不超过一个边缘点;在所述边缘点的总数超过预设的忽略点数时,将符合预设规则的边缘点作为干扰点剔除。本发明实施例通过在输入图像拟合区域设置多个扫描区域,保证每个扫描区域只获取一个边缘点,同时根据将不是真正边缘点的点作为干扰点剔除,从而可避免特征拟合线受到干扰点的影响,有助于较高精度的机器视觉识别。
Description
技术领域
本发明涉及机器视觉领域,尤其是涉及一种剔除拟合线中干扰点的方法、视觉识别设备及计算机可读存储介质。
背景技术
在工业自动化设备中,越来越多的设备将机器视觉作为标配,因为机器视觉的智能化和柔性化,可以高效的实现目标定位、目标分类和识别,对象的测量,缺陷的分析检测等相关任务,为自动化设备的后续执行动作提供视觉导引和执行决策提供数据。在机器视觉应用中,直线特征和圆特征是最常用的特征,因为直线和圆特征在各类产品中最为常见,也非常方便用来检测和识别,而且直线特征和圆特征可以提供非常高的定位精度。在图像中进行直线或圆的定位方法中,前人常用的方法有霍夫变换和距离变换等方法,这些方法由于执行时耗用内存较大,计算时间长,抗干扰点的能力不强,而且最终拟合的定位精度也不高,不能满足机器视觉高精度的要求。
并且在工业现场,产品中对应的直线或圆的边缘上有时会有一些干扰区域,如油污,异物遮挡,崩边等,导致边缘点的检测时出现一些干扰点,这些干扰点会对最终的拟合造成影响,导致拟合直线或拟合圆的位置出现偏移。现在一些商业机器视觉软件中的解决方法,是在拟合算法中加入权重信息。加入权重信息的方法,是根据边缘点到直线或圆的距离(有多种不同的距离定义方式,对权重影响也不同)来更新修改权重值,距离越远,权重越小,通过修改权重只能减少干扰点的影响,不能完全消除干扰点,而且在计算权重过程中,需要大量的迭代过程,导致拟合算法执行时间较长也,没有办法完全消除干扰点的影响。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种剔除拟合线中干扰点的方法,能够完全消除干扰点对特征拟合的影响,使得在机器视觉识别中获得准确的特征拟合线。
本发明还提出一种视觉识别设备。
第一方面,本发明的一个实施例提供了一种剔除拟合线中干扰点的方法,应用于机器视觉识别,所述方法包括:
根据预设边缘点个数在拟合区域内设置多个扫描区域;
分别从每一所述扫描区域获取不超过一个边缘点;
在所述边缘点的总数超过预设的忽略点数时,将符合预设规则的边缘点作为干扰点剔除。
本发明实施例的剔除拟合线中干扰点的方法至少具有如下有益效果,通过在输入图像拟合区域设置多个扫描区域,保证每个扫描区域只获取一个边缘点,根据干扰点筛选剔除不是真正边缘点的干扰点,从而可避免在机器视觉识别时应存在干扰点而影响识别精度。
进一步,所述分别从每一所述扫描区域获取不超过一个边缘点,包括:
在每一所述扫描区域内获取符合预设条件的点;若符合预设条件的点的个数等于一时,将所述符合预设条件的点作为所述扫描区域内的边缘点;若符合预设条件的点的个数大于一时,根据第一筛选条件对所述符合预设条件的点进行筛选,并将符合第一筛选条件的一个点作为所述扫描区域的边缘点;所述第一筛选条件包括:点两侧的极性与预设边缘极性相同,并且所述点两侧的灰度差大于预设边缘阈值。
进一步,所述方法还包括:在所述拟合区域内设置屏蔽区域;忽略所述屏蔽区域与所述扫描区域重合的区域内的边缘点。
进一步,在所述干扰点的个数能够预测的情况下,所述在所述边缘点的总数超过预设的忽略点数时,将符合预设规则的边缘点作为干扰点剔除,包括以下步骤:
A1、选择多个边缘点,并根据被选择的边缘点获得第一初始拟合线,所述被选择的边缘点处于待测试状态;
B1、通过遍历算法计算所有边缘点到第一初始拟合线的垂直距离,并对所有所述边缘点的垂直距离进行从小到大排序;
C1、根据前M个所述垂直距离计算获取第一指标距离,判断所述第一指标距离是否小于或等于最小指标距离,若所述第一指标距离小于或等于所述最小指标距离,执行步骤D1,否则执行步骤E1,所述M为所述边缘点的总数与预设的忽略点数的差值,且所述M为大于或等于1的整数;
D1、将所述第一指标距离作为新的最小指标距离,以及将前M个所述垂直距离对应的边缘点更新到指标点集中;
E1、将所述被选择的边缘点标记为测试状态,并判断循环条件是否满足第一循环停止条件,若满足第一循环停止条件则进行拟合运算;否则循环次数加1,执行步骤A1。
进一步,所述第一循环停止条件包括:所述第一循环次数大于预设最大循环次数,所述最小指标距离小于预设指标距离,所有所述边缘点都处于测试状态。
进一步,在所述干扰点的个数不能预测的情况下,所述在所述边缘点的总数超过预设的忽略点数时,将符合预设规则的边缘点作为干扰点剔除,包括以下步骤:
A2、选择多个边缘点,并根据被选择的边缘点获得第二初始拟合线,所述被选择的边缘点处于待测试状态;
B2、判断所述第二初始拟合线是否符合第二筛选条件,若所述初始拟合线符合第二筛选条件,执行步骤C2,否则执行步骤E2;
C2、通过遍历算法计算所有所述边缘点到所述第二初始拟合线的垂直距离,将小于预设有效距离的所述垂直距离对应的边缘点更新到指标点集中;
D2、根据所述指标点集中的边缘点对应的垂直距离计算获取第二指标距离,判断所述第二指标距离是否小于或等于最小指标距离,若所述第二指标距离小于或等于所述最小指标距离,将所述第二指标距离作为新的最小指标距,否则不更新;
E2、将所述被选择的边缘点标记为测试状态;并判断循环条件是否满足第二循环停止条件,若满足第二循环停止条件则进行拟合运算;否则循环次数加1,并执行步骤A2。
进一步,当所述特征拟合线为直线时,所述步骤A1中被选择的边缘点为两个;或者,
当所述初始拟合线为圆时,所述步骤A1中被选择的边缘点为三个。
进一步,当所述特征拟合线为直线时,所述步骤A2中被选择的边缘点为两个,所述第二筛选条件包括:所述第二初始拟合线与所述拟合区域的基准线之间的角度在预设角度范围内;或者,
当所述初始拟合线为圆时,所述步骤A2中被选择的边缘点为三个,所述第二筛选条件包括:所述第二初始拟合线的圆心与所述基准线的圆心的距离小于预设圆心间距。
进一步,当所述特征拟合线为直线,所述拟合区域为矩形区域时,所述根据预设边缘点个数在所述拟合区域内设置多个扫描区域包括:
获取所述拟合区域的基准线,所述基准线的方向与实际边缘线的方向一致或所述基准线与所述实际边缘线的夹角小于预设夹角;在所述基准线上获取多个等距分布且宽度相同的扫描区域,所述扫描区域的个数等于所述预设边缘点个数;
或者,当所述特征拟合线为圆,所述拟合区域为弧形区域时,所述根据预设边缘点个数在所述拟合区域内设置多个扫描区域包括:
在所述弧形区域上获取多个等距分布且宽度相同的扫描区域,所述扫描区域的个数等于所述预设边缘点个数。
第二方面,本发明的一个实施例提供了一种视觉识别设备,包括处理器以及与所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令被所述处理器执行,以使所述处理器能够执行如上所述的剔除拟合线中干扰点的方法的步骤。
第二方面,本发明的一个实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如上所述的剔除拟合线中干扰点的方法的步骤。
本发明实施例的剔除拟合线中干扰点的方法、视觉识别设备及计算机可读存储介质至少具有如下有益效果,通过在输入图像拟合区域设置多个扫描区域,保证每个扫描区域只获取一个边缘点,同时根据将不是真正边缘点的点作为干扰点剔除,从而可避免特征拟合线受到干扰点的影响,有助于较高精度的机器视觉识别。
附图说明
图1是本发明实施例中剔除拟合线中干扰点的方法的一具体实施例流程示意图;
图2是理想状态下直线拟合的过程示意图;
图3是图1中步骤S2的一具体实施例的获取边缘点过程示意图;
图4是拟合区域包含干扰点状态下直线拟合的过程示意图;
图5是图1中步骤S3的一具体实施例的固定忽略点模式流程示意图;
图6是图1中步骤S3的另一具体实施例的自由忽略点模式流程示意图;
图7是理想状态下圆拟合的过程示意图;
图8是拟合区域包含干扰点状态下圆线拟合的过程示意图;
图9是查边电池边缘时采用自由忽略点模式的效果图。
具体实施方式
以下将结合实施例对本发明的构思及产生的技术效果进行清楚、完整地描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。
在本发明实施例的描述中,如果涉及到“若干”,其含义是一个以上,如果涉及到“多个”,其含义是两个以上,如果涉及到“大于”、“小于”、“超过”,均应理解为不包括本数,如果涉及到“以上”、“以下”、“以内”,均应理解为包括本数。如果涉及到“第一”、“第二”,应当理解为用于区分技术特征,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在工业自动化设备的机器视觉***应用中,一般的直线、圆或其他特征的查找,是先使用模板匹配等工具在图像内找到一个目标产品的初始位置,然后再在相对该初始位置的一个有直线或圆特征的固定区域内,在该固定区域内对直线或圆进行高精度的定位测量。而该直线或圆特征的是根据机器视觉检测到的特征点(即边缘点)拟合而成,因此拟合获得直线或圆特征越接近实际边缘线,则机器视觉的定位测量精度越高。
为了获得较准确的特征拟合线(直线特征或圆特征),本发明提出来一种剔除拟合线中干扰点的方法,具体实现方法如下实施例所述。
参照图1,示出了本发明实施例剔除拟合线中干扰点的方法的流程示意图,其具体包括步骤:
步骤S1,根据预设边缘点个数在拟合区域内设置多个扫描区域。
在该步骤中,若需要识别的特征拟合线为直线,则相应的拟合区域为矩形区域,且在设置扫描区域时,需先获取拟合区域的基准线,该基准线的方向与实际边缘线的方向一致或基准线与实际边缘线的夹角小于预设夹角;然后在基准线上获取多个等距分布且宽度相同的扫描区域,且扫描区域的个数等于预设边缘点个数;若需要识别的特征拟合线为圆,则相应的拟合区域为弧形区域,且在设置扫描区域时,需先获取弧形区域的基准圆弧,然后在基准圆弧上获取多个等距分布且宽度相同的扫描区域,扫描区域的个数等于预设边缘点个数。
例如,以特征拟合线是直线为例,在机器视觉***获取的图像中指定一个矩形区域作为拟合区域时,如图2所示,将图中最***的矩形区域作为拟合区域11,该拟合区域11需要包含足够数量的边缘点13,确保能够拟合成特征拟合线15。将拟合区域11的长边方向作为基准线的方向获取拟合区域的基准线14,其中该基准线14可以是用户在机器视觉***中手动设置,也可以由机器视觉***根据拟合区域11自动合成;拟合区域11的短边方向作为边缘点13的扫描方向,一般规定从上到下扫描。并且基准线14的方向与实际边缘线16的方向一致或基准线14与实际边缘线16的夹角小于预设夹角。实际边缘线16是通过校正机器视觉设备时或机器视觉***对产品进行粗定位时获取,例如,在校正时通过视觉设备(摄像头)获取标准产品或第一个产品的图像,并获取该图像中产品边缘的特征线,将该特征线作为实际边缘线16。
在基准线14上获取多个等距分布且宽度相同的扫描区域12,扫描区域12的个数等于预设边缘点个数。具体地,在拟合区域11内,可以规定最多查找N个边缘点13,N的具体值根据用户的需要设置,即N为预设边缘点个数,且该N为不小于2的整数。预设边缘点个数确定后,机器视觉***自动根据预设边缘点个数在拟合区域内设置相应个数的扫描区域12(在特殊情况下可以由用户手动设置),每个扫描区域12的扫描宽度L1可以根据用户需求设置,并且扫描区域12的扫描宽度L1大于边缘点(即扫描区域内能够包含至少一个边缘点)。如图2所示,本发明实施例的预设边缘点个数为5,根据预设边缘点个数在拟合区域11内设置了五个扫描区域12,五个扫描区域12等距分布在基准线14上。
步骤S2,分别从每一扫描区域获取不超过一个边缘点。
在每个扫描区域内,可通过图像处理等算法查找到一个满足条件的边缘点。边缘点查找的具体地实现过程如下:
步骤S21,在每一所述扫描区域内获取符合预设条件的点。
本发明实施例的预设条件是采用图像处理算法进行边缘点查找,具体地查找过程一般是将扫描宽度L1内的图像灰度值加和平均,得到一列灰度值,再在该列灰度值中查找一维边缘点,其中该一维边缘点符合一阶极大值、二阶过零点的定位方法。
步骤S22,若符合预设条件的点的个数等于一时,将所述符合预设条件的点作为所述扫描区域内的边缘点。
具体地,在查找到所有扫描区域内的所有符合要求的点(一维边缘点)后,统计每个扫描区域内的点的个数,若每一个扫描区域内的点的个数都等于一,则分别将这些点作为与之对应的扫描区域12的边缘点13,然后对这些边缘点13可以作进一步的筛选。若拟合区域内11没有干扰点的存在,在找到所有边缘点后就可以进行边缘点拟合,得到特征拟合线15。例如图2展示的一种理想的拟合区域11,其拟合区域11干净、清晰、无干扰,并且每个扫描区域12的扫描宽度L1内有且只有一个边缘点13,这种情况下可直接将所有边缘点进行拟合获得的特征拟合线15,该特征拟合线15与产品的实际边缘线16位置重合。
但在现实情况中,由于产品中的特征线(一般取产品的边缘)附近会存在油污、异物或崩边等问题,导致每个扫描区域内12会存在多个符合预设条件的边缘点,多余的边缘点需要经过筛选,保留最接近实际的边缘点,具体地通过以下步骤实现:
步骤S23,若扫描区域内符合预设条件的点的个数大于一时,根据第一筛选条件对符合预设条件的点进行筛选,并将符合第一筛选条件的一个点作为扫描区域的边缘点。
具体地,本实施例的第一筛选条件包括:点两侧的极性与预设边缘极性相同,并且点两侧的灰度差大于预设边缘阈值。如图3所示,以拟合区域11左边第一个扫描区域12为例,机器视觉设备对该扫描区域12从上到下进行扫描,获得三个边缘17:边缘一,从灰度值20到灰度值60(暗到明);边缘二,从灰度值60到灰度值200(暗到明);边缘三,从灰度值200到灰度值20(明到暗)。若在机器视觉***中将预设边缘极性设置为:从明到暗;预设边缘阈值设置为:100,则边缘三符合第一筛选条件,将边缘三上的点作为该扫描区域12的边缘点。
通过将每个扫描区域内存在的多个边缘点进行边缘极性和边缘阈值的筛选,保留符合第一筛选条件的点作为对应扫描区域的边缘点,避免了其他干扰点的影响。
步骤S3,在边缘点的总数超过预设的忽略点数时,将符合预设规则的边缘点作为干扰点剔除。剔除干扰点后的边缘点形成指标点集,对该指标点集中的边缘点进行拟合,可获得特征拟合线。
在有些情况下,如图4所示,有些通过第一筛选条件的边缘点实际上是干扰点,例如图4中最左边的扫描区域12内的边缘点13与产品的实际边缘线16的距离L2较远,所以是个干扰点,如果这个干扰点参与拟合,获得的特征拟合线就会有误差,因此,为了提高机器视觉的拟合精度,需要将该干扰点剔除不参与最终的拟合。本发明实施例提供了三种方案(三种方案可单独适用,也可选用其中的两种或三种)来对拟合区域11中的干扰点进行筛选,具体的实现过程如下实施例的描述。
当拟合区域11内的干扰点零散的分布在多个区域时,可根据以下实施例描述的方式来剔除干扰点。该实施例适用于拟合区域内的干扰点个数能够***的情况,具体地,包括如图5所示的以下步骤:
步骤S310,机器视觉***初始化,并手动设置忽略点数。
步骤S311,选择多个边缘点,并根据被选择的边缘点获得第一初始拟合线,被选择的边缘点中至少有一个处于待测试状态;
步骤S312,通过遍历算法计算所有边缘点到第一初始拟合线的垂直距离,并对所有边缘点的垂直距离进行从小到大排序;
步骤S313,根据前M个垂直距离计算获取第一指标距离,判断第一指标距离是否小于最小指标距离,若第一指标距离小于或等于最小指标距离,执行步骤S314,否则执行步骤S315,M为边缘点的总数与预设的忽略点数的差值,且M为大于或等于1的整数;
步骤S314,将第一指标距离作为新的最小指标距离,并将前M个所述垂直距离对应的边缘点更新到指标点集中;
步骤S315,将被选择的边缘点标记为测试状态,并判断循环条件是否满足第一循环停止条件,若满足第一循环停止条件则进行拟合运算;否则循环次数加1,执行步骤S311。
以下以特征拟合线是直线为例,对图5所示的干扰点剔除步骤进行详细的描述。本实施通过设置预设忽略点数来剔除干扰点,此时机器视觉***处于固定忽略点模式。具体地,用户在机器视觉***初始化时预先设置一个忽略点数n、最小指标距离Lstd-min和指标点集Pts,获取边缘点的总数N。其中,忽略点数n不能小于视觉干扰点的实际个数并且不能大于边缘点的总数N,在初始化时给最小指标距离Lstd-min设置为极大值、指标点集Pts为空集。
然后干扰点筛选进入循环迭代过程。***随机选择两个边缘点c1和c2,被选择的两个边缘点必至少有一个是处于非测试状态(即没有被标记),将c1和c2这两个边缘点进行拟合获得第一初始拟合线Line1(根据两点确定一条直线)。然后采用遍历算法计算拟合区域内所有边缘点到第一初始合线Line1的垂直距离,然后对每个边缘点到第一初始合线Line1的垂直距离进行从小到大的排序,若有垂直距离相等,将先进行遍历算法计算获得的垂直距离排在前面。
排序完成后,取前M=N-n(边缘点的总数与忽略点数的差值)个垂直距离计算距离方差值(或标准值)作为第一指标距离(第一指标距离也可以通过其他方式计算获得),然后将该第一指标距离与最小指标距离Lstd-min进行大小判断,若第一指标距离大于该最小指标距离Lstd-min,直接将c1和c2标记为测试状态,并进行循环条件的判断;若第一指标距离小于或等于最小指标距离Lstd-min,则将第一指标距离赋值给Lstd-min更新最小指标距离Lstd-min,并将与前M(边缘点的总数N与忽略点数n的差值)个垂直距离对应的边缘点放入指标点集Pts中更新指标点集Pts,并将边缘点c1和c2标记为测试状态。然后判断循环条件(各个参数,如最小指标距离、循环次数等)是否满足第一循环停止条件,满足则本轮循环结束;不满足则继续在所有边缘点中再选择两个边缘点c3和c4开始进行下一轮循环,依次类推。
本实施例的第一循环停止条件包括以下一个或者多个:循环累计的循环次数大于预设最大循环次数;最小指标距离Lstd-min小于预设指标距离;所有边缘点都是在测试状态。其中,当循环条件满足以上任意一个或者多个时循环停止。第一循环停止条件是为了保证所有边缘点都能够进行干扰点筛选,并保证剔除所有干扰点获得准确的边缘点。若判断到当前循环中任意一个参数满足第一循环停止条件的,即循环迭代过程结束,将当前循环的指标点集Pts中的边缘点进行拟合运算,得到最终的特征拟合线。而不在指标点集Pts中边缘点则被机器视觉***认为是干扰点而剔除或忽略,确保在拟合过程中没有干扰点的影响,从而提高了机器视觉***的拟合精度,提高了机器视觉的定位测量精度。
在本发明的另一个实施例中,还可通过以下方式将干扰点剔除,该方案适用于拟合区域内的干扰点个数不能够***,无法设置固定个数的忽略点数的情况,具体地,包括如图6所示以下步骤:
步骤S320,机器视觉***初始化;
步骤S321,选择多个边缘点,并根据被选择的边缘点获得第二初始拟合线,被选择的边缘点中至少有一个处于待测试状态;
步骤S322,判断第二初始拟合线是否符合第二筛选条件,若初始拟合线符合第二筛选条件,执行步骤S323,否则执行步骤S325;
步骤S323,通过遍历算法计算所有边缘点到第二初始拟合线的垂直距离,将小于预设有效距离的垂直距离对应的边缘点更新到指标点集中;
步骤S324,根据指标点集中的边缘点对应的垂直距离计算获取第二指标距离,判断第二指标距离是否小于或等于最小指标距离,若第二指标距离小于或等于最小指标距离,将第二指标距离作为新的最小指标距,否则不更新;
步骤S325,将被选择的边缘点标记为测试状态;并判断循环条件是否满足第二循环停止条件,若满足第二循环停止条件则进行拟合运算;否则循环次数加1,执行步骤S321。
由于本实施的方法不能预先设置忽略点数,可以将机器视觉***设置为自动忽略模式,此时***会根据筛选条件来判断哪些是干扰点,然后将干扰点剔除或忽略。
具体地,本实施例以特征拟合线是直线为例对干扰点筛选过程进行详细的描述。机器视觉***初始化时,用户在机器视觉***中预先设置指标点集最少点数、预设有效距离、预设角度范围、最小指标距离Lstd-min和指标点集Pts,并根据以上步骤在拟合区域内获得N个边缘点,其中,在***初始化时,指标点集最少点数、预设有效距离和预设有效角度是根据用户允许的误差而设定的值,给最小指标距离Lstd-min设置为极大值、指标点集Pts为空集,然后干扰点筛选进入循环迭代过程。
机器视觉***随机选择两个边缘点c1和c2,被选择的两个边缘点至少有一个是处于非测试状态(即没有被标记),将c1和c2这两个边缘点进行拟合获得第二初始拟合线Line2(根据两点确定一条直线)。然后判断第二初始拟合线是否符合第二筛选条件,第二筛选条件为:当特征拟合线是直线时,第二初始拟合线与基准线之间的角度在预设角度范围(当第二初始拟合线为圆时,第二初始拟合线的圆心与基准线的圆心的距离小于预设圆心间距)。本实施例对符合第二筛选条件的第二初始拟合线再进行遍历算法计算,从而减少了不必要的计算,节省了***的运算时间。
进行第二筛选条件判断时,机器视觉***将第二初始拟合线Line2与基准线的角度并与预设角度范围进行比较,若第二初始拟合线Line2与基准线的角度不在预设角度范围内,则将c1和c2标记为测试状态,直接进行循环条件的判断。若第二初始拟合线Line2与基准线的角度在预设角度范围内时,采用遍历算法计算所有边缘点到第二初始合线Line2的垂直距离。然后将每个边缘点的垂直距离与预设有效距离进行大小判断,并将小于预设有效距离的垂直距离对应的边缘点放入指标点集Pts中更新指标点集Pts。并根据所有边缘点的垂直距离计算其距离方差值作为第二指标距离(第二指标距离也可以通过其他方式计算获得,如计算垂直距离的标准差),然后将该第二指标距离与最小指标距离Lstd-min进行大小判断,若第二指标距离小于最小指标距离Lstd-min,则将该第二指标距离赋值给Lstd-min更新最小指标距离Lstd-min。
或者,也可以先根据小于预设有效距离的垂直距离计算第二指标距离,然后将第二指标距离与最小指标距离进行大小判断,若该第二指标距离大于最小指标距离,将c1和c2标记为测试状态,本轮循环结束,不更新最小指标距离和指标点集;若第二指标距离小于或等于最小指标距离,则将小于预设有效距离的垂直距离对应的边缘点放入指标点集Pts中更新指标点集Pts,并将第二指标距离赋值给Lstd-min更新最小指标距离Lstd-min。
最小指标距离和指标点集更新完成后将边缘点c1和c2标记为测试状态,然后判断各个参数是否满足第二循环停止条件,不满足则继续在所有边缘点中选择两个边缘点c3和c4开始进行下一轮循环,依次类推。
本实施例的第二循环停止条件包括以下一个或者多个:循环累计的循环次数大于预设最大循环次数;最小指标距离小于预设指标距离;所有边缘点都是在测试状态;指标点集Pts中的边缘点的个数不小于指标点集最少点数(为了保证有足够的边缘点进行拟合运算)。其中,当循环条件满足以上任意一个或者多个时循环停止。若判断到当前循环中任意一个参数满足以上第二循环停止条件的,即循环迭代过程结束,不在指标点集Pts中的边缘点作为干扰点被剔除或忽略。本实施例的自动忽略模式根据用户设置的参数,自动剔除干扰点,消除了干扰点对拟合结果的影响,实现直线边缘点的高精度拟合,提高了机器视觉的定位测量的精度。
根据本发明的另一个实施例,当特征拟合线为圆时,如图7所示,其特征拟合线25为圆,并且拟合区域21为弧形,根据预设边缘点个数在拟合区域21内设置多个扫描区域22,每个扫描区域22的扫描宽度L3必须大于一个边缘点23的直径,保证每个扫描区域22至少包含一个边缘点23,本实施的多个扫描区域22在拟合区域21的径向方向等间距分布,与直线拟合过程相同,圆拟合的基准线24也可以在机器设置校正时设置。如图7展示了一个理想的拟合区域11,在弧形区域(拟合区域)上获取多个等距分布且宽度L3相同的扫描区域22,扫描区域22的个数等于预设边缘点个数,根据预设边缘点个数设置了六个扫描区域22,每个扫描区域22内没有干扰点并且只找到一个边缘点23的情况下,可以直接将所有扫描区域22的边缘点进行拟合,得到拟合圆(特征拟合线25),拟合圆与产品的实际边缘重合。
但基于与直线拟合过程相同的原因,如图8所示,视觉***获得的图像的特征圆边缘也会存在干扰点26(油污、异物等),干扰点26与初始拟合线25的距离L4较大,若参与拟合过程会影响拟合精度,因此也需要进行干扰点筛选。
在特征圆拟合中,若是干扰点的个数能够确定,根据图1和图5的方法获取拟合圆,机器视觉***可以设置成固定忽略点模式,其筛选过程与上述的直线拟合过程类似,有区别的是在步骤S311中被选择的边缘点个数为三个,将三个边缘点c1、c2和c3进行拟合获得第一初始拟合线Circle1,第一初始拟合线为圆。然后通过遍历算法计算每个一个边缘点到第一初始拟合圆Circle1的垂直距离,其他步骤与直线拟合的过程类似。在干扰点筛选的迭代循环过程中,同样选出合适的边缘点放入指标点集Pts中,循环迭代过程结束后将指标点集Pts中的边缘点进行拟合运算获得特征拟合圆。经过筛选,干扰点不会放入指标点集Pts中,因此拟合运算过程没有干扰点的影响,提高了机器视觉***的拟合精度。
根据本发明的另一个实施例,特征拟合线为圆并且拟合区域内干扰点的个数不能够确定时,根据图1和图6的方法获取拟合圆,视觉***设置为自动忽略干扰点模式。其筛选过程与上述的直线拟合过程类似,有区别的是在初始化过程中将预设角度范围改为预设圆心间距,并且在步骤S321中被选择的边缘点为三个,将三个边缘点c1、c2和c3进行拟合获得第二初始拟合线Circle2,第二初始拟合线为圆;还有第二筛选条件是判断第二初始拟合线(即拟合圆)的圆心到基准线(基准线为圆)的圆心的距离与预设圆心间距的大小。然后通过遍历算法计算每个一个边缘点到第二初始拟合线Circle2的垂直距离(或者在圆拟合过程中不执行第二筛选条件的筛选,获取第二初始拟合线后直接进行遍历算法运算获取垂直距离,然后判断每个垂直距离是否小于预设有效距离),其他步骤与直线拟合的过程类似。
在干扰点筛选的迭代循环过程中,与直线拟合过程类似,选出合适的边缘点放入指标点集Pts中,循环迭代过程结束后将指标点集Pts中的边缘点进行拟合运算获得特征拟合圆。经过筛选,干扰点不会放入指标点集Pts中,因此拟合运算过程没有干扰点的影响,提高了机器视觉***的拟合精度。
以上是本发明剔除拟合线中干扰点的方法的多个实施例的具体描述,本发明通过对拟合区域内的干扰点进行筛选剔除,消除了干扰点对拟合运算的影响,从而实现了机器视觉的高精度特征拟合运算。如图9所示,经过大量的实验和验证,图9展示了机器视觉设备采用本发明方法在电芯边缘查找了30个边缘点,并能够根据筛选条件在这些边缘点中筛选出有缺陷的点D(即干扰点),在图9中用箭头指示的点D,这些点D会被剔除或忽略,不参与最终的拟合运算。本发明的方法在特征拟合中剔除干扰点的精度和效率都很高,有着显著的进步。
本发明的一个实施例提供了通过设置屏蔽区域剔除拟合线中干扰点的方法,包括:在所述拟合区域内设置屏蔽区域;忽略所述屏蔽区域与所述扫描区域重合的区域内的边缘点。具体的,当拟合区域11内的干扰点过多并集中固定在某一个区域时(如产品的特征边缘附近有较大面积的油污),本实施例可以通过设置屏蔽区域来忽略干扰点的影响。首先在拟合区域内设置屏蔽区域,并在每一扫描区域12获取查找边缘点13过程中忽略位于所述屏蔽区域内的扫描区域(即屏蔽区域与扫描区域重合的地方不进行扫描),然后获取不在屏蔽区域内的扫描区域内的边缘点。若是获取的边缘点中确定没有其他干扰点(例如产品在固定的位置有异物或污点,其他位置完全不会出现异物或污点),则可以直接进行拟合获取特征拟合线。
本发明的剔除拟合线中干扰点的方法,除了可以在本发明实施例描述的在直线和圆的拟合定位中使用外,还可以用于产品的直线或圆边缘缺陷检测中使用,在干扰点筛选中查找到不符合上述各种条件(如第二筛选条件)的点,即可以识别出该产品的边缘存在缺陷,判定该产品为不良品。
本发明另一个实施例提供了一种视觉识别设备,包括处理器以及与所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令被所述处理器执行,以使所述处理器能够执行如上所述的剔除拟合线中干扰点的方法的步骤。
本实施例中的特征拟合设备与上述图1-8对应实施例中的剔除拟合线中干扰点的方法属于同一构思,其具体实现过程详细见对应的方法实施例,且方法实施例中的技术特征在本设备实施例中均对应适用,这里不再赘述。
本发明另一个实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如上所述的剔除拟合线中干扰点的方法的步骤。
本实施例中的计算机可读存储介质与上述图1-8对应实施例中的剔除拟合线中干扰点的方法属于同一构思,其具体实现过程详细见对应的方法实施例,且方法实施例中的技术特征在本存储介质实施例中均对应适用,这里不再赘述。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的剔除拟合线中干扰点的方法及视觉识别设备,可以通过其它的方式实现。例如,以上所描述的视觉识别设备实施例仅仅是示意性的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理器中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或界面切换设备、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。此外,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
Claims (12)
1.一种剔除拟合线中干扰点的方法,应用于机器视觉识别,其特征在于,所述方法包括:
根据预设边缘点个数在拟合区域内设置多个扫描区域;
分别从每一所述扫描区域获取不超过一个边缘点;
在所述边缘点的总数超过预设的忽略点数时,将符合预设规则的边缘点作为干扰点剔除;
所述在所述边缘点的总数超过预设的忽略点数时,将符合预设规则的边缘点作为干扰点剔除,包括以下步骤:
A1、选择多个边缘点,并根据被选择的边缘点获得第一初始拟合线,所述被选择的边缘点中处于待测试状态;
B1、通过遍历算法计算所有边缘点到第一初始拟合线的垂直距离,并对所有所述边缘点的垂直距离进行从小到大排序;
C1、根据前M个所述垂直距离计算获取第一指标距离,判断所述第一指标距离是否小于或等于最小指标距离,若所述第一指标距离小于或等于所述最小指标距离,执行步骤D1,否则执行步骤E1,M为所述边缘点的总数与预设的忽略点数的差值,且M为大于或等于1的整数;
D1、将所述第一指标距离作为新的最小指标距离,以及将前M个所述垂直距离对应的边缘点更新到指标点集中;
E1、将所述被选择的边缘点标记为测试状态,并判断循环条件是否满足第一循环停止条件,若满足第一循环停止条件则进行拟合运算;否则循环次数加1,执行步骤A1。
2.根据权利要求1所述的方法,其特征在于,所述分别从每一所述扫描区域获取不超过一个边缘点,包括:
在每一所述扫描区域内获取符合预设条件的点;
若符合预设条件的点的个数等于一时,将所述符合预设条件的点作为所述扫描区域内的边缘点;
若符合预设条件的点的个数大于一时,根据第一筛选条件对所述符合预设条件的点进行筛选,并将符合第一筛选条件的一个点作为所述扫描区域的边缘点;
所述第一筛选条件包括:点两侧的极性与预设边缘极性相同,并且所述点两侧的灰度差大于预设边缘阈值。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
在所述拟合区域内设置屏蔽区域;
忽略所述屏蔽区域与所述扫描区域重合的区域内的边缘点。
4.根据权利要求1所述的方法,其特征在于,当所述拟合线为直线时,所述步骤A1中被选择的边缘点为两个;或者,
当所述拟合线为圆时,所述步骤A1中被选择的边缘点为三个。
5.根据权利要求1所述的方法,其特征在于,
当所述拟合线为直线,所述拟合区域为矩形区域时,所述根据预设边缘点个数在所述拟合区域内设置多个扫描区域包括:
获取所述拟合区域的基准线,所述基准线的方向与实际边缘线的方向一致或所述基准线与所述实际边缘线的夹角小于预设夹角;在所述基准线上获取多个等距分布且宽度相同的扫描区域,所述扫描区域的个数等于所述预设边缘点个数;
或者,当所述拟合线为圆,所述拟合区域为弧形区域时,所述根据预设边缘点个数在所述拟合区域内设置多个扫描区域包括:
在所述弧形区域上获取多个等距分布且宽度相同的扫描区域,所述扫描区域的个数等于所述预设边缘点个数。
6.一种剔除拟合线中干扰点的方法,应用于机器视觉识别,其特征在于,所述方法包括:
根据预设边缘点个数在拟合区域内设置多个扫描区域;
分别从每一所述扫描区域获取不超过一个边缘点;
在所述边缘点的总数超过预设的忽略点数时,将符合预设规则的边缘点作为干扰点剔除;
所述在所述边缘点的总数超过预设的忽略点数时,将符合预设规则的边缘点作为干扰点剔除,包括以下步骤:
A2、选择多个边缘点,并根据被选择的边缘点获得第二初始拟合线,所述被选择的边缘点处于待测试状态;
B2、判断所述第二初始拟合线是否符合第二筛选条件,若所述第二初始拟合线符合第二筛选条件,执行步骤C2,否则执行步骤E2;
C2、通过遍历算法计算所有所述边缘点到所述第二初始拟合线的垂直距离,将小于预设有效距离的所述垂直距离对应的边缘点更新到指标点集中;
D2、根据所述指标点集中的边缘点对应的垂直距离计算获取第二指标距离,判断所述第二指标距离是否小于或等于最小指标距离,若所述第二指标距离小于或等于所述最小指标距离,将所述第二指标距离作为新的最小指标距,否则不更新;
E2、将所述被选择的边缘点标记为测试状态;并判断循环条件是否满足第二循环停止条件,若满足第二循环停止条件则进行拟合运算;否则循环次数加1,并执行步骤A2。
7.根据权利要求6所述的方法,其特征在于,所述分别从每一所述扫描区域获取不超过一个边缘点,包括:
在每一所述扫描区域内获取符合预设条件的点;
若符合预设条件的点的个数等于一时,将所述符合预设条件的点作为所述扫描区域内的边缘点;
若符合预设条件的点的个数大于一时,根据第一筛选条件对所述符合预设条件的点进行筛选,并将符合第一筛选条件的一个点作为所述扫描区域的边缘点;
所述第一筛选条件包括:点两侧的极性与预设边缘极性相同,并且所述点两侧的灰度差大于预设边缘阈值。
8.根据权利要求6所述的方法,其特征在于,当所述拟合线为直线时,所述步骤A2中被选择的边缘点为两个,所述第二筛选条件包括:所述第二初始拟合线与所述拟合区域的基准线之间的角度在预设角度范围内;或者,
当所述拟合线为圆时,所述步骤A2中被选择的边缘点为三个,所述第二筛选条件包括:所述第二初始拟合线的圆心与所述基准线的圆心的距离小于预设圆心间距。
9.根据权利要求6或7所述的方法,其特征在于,所述方法还包括:
在所述拟合区域内设置屏蔽区域;
忽略所述屏蔽区域与所述扫描区域重合的区域内的边缘点。
10.根据权利要求6所述的方法,其特征在于,
当所述拟合线为直线,所述拟合区域为矩形区域时,所述根据预设边缘点个数在所述拟合区域内设置多个扫描区域包括:
获取所述拟合区域的基准线,所述基准线的方向与实际边缘线的方向一致或所述基准线与所述实际边缘线的夹角小于预设夹角;在所述基准线上获取多个等距分布且宽度相同的扫描区域,所述扫描区域的个数等于所述预设边缘点个数;
或者,当所述拟合线为圆,所述拟合区域为弧形区域时,所述根据预设边缘点个数在所述拟合区域内设置多个扫描区域包括:
在所述弧形区域上获取多个等距分布且宽度相同的扫描区域,所述扫描区域的个数等于所述预设边缘点个数。
11.一种视觉识别设备,其特征在于,包括处理器以及与所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令被所述处理器执行,以使所述处理器能够执行如权利要求1至10任一项所述的剔除拟合线中干扰点的方法的步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至10任一项所述的剔除拟合线中干扰点的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509958.3A CN113628232B (zh) | 2021-05-11 | 2021-05-11 | 剔除拟合线中干扰点的方法、视觉识别设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509958.3A CN113628232B (zh) | 2021-05-11 | 2021-05-11 | 剔除拟合线中干扰点的方法、视觉识别设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113628232A CN113628232A (zh) | 2021-11-09 |
CN113628232B true CN113628232B (zh) | 2024-02-27 |
Family
ID=78377997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110509958.3A Active CN113628232B (zh) | 2021-05-11 | 2021-05-11 | 剔除拟合线中干扰点的方法、视觉识别设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628232B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332049B (zh) * | 2021-12-31 | 2023-03-03 | 广东利元亨智能装备股份有限公司 | 边缘检测方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389179A (zh) * | 2018-01-15 | 2018-08-10 | 湖南大学 | 一种基于机器视觉的罐盖表面缺陷检测方法 |
US10346998B1 (en) * | 2019-02-25 | 2019-07-09 | Nurulize, Inc. | Method of merging point clouds that identifies and retains preferred points |
CN110349199A (zh) * | 2019-06-25 | 2019-10-18 | 杭州汇萃智能科技有限公司 | 一种物体圆度测量方法 |
CN111178193A (zh) * | 2019-12-18 | 2020-05-19 | 深圳市优必选科技股份有限公司 | 一种车道线的检测方法、检测装置及计算机可读存储介质 |
CN111260771A (zh) * | 2020-01-13 | 2020-06-09 | 北京东软医疗设备有限公司 | 一种图像重建方法及装置 |
CN112085754A (zh) * | 2020-09-09 | 2020-12-15 | 易思维(杭州)科技有限公司 | 反光胶条的边缘检测方法 |
CN112361977A (zh) * | 2020-11-10 | 2021-02-12 | 成都新西旺自动化科技有限公司 | 一种基于权重分配的直线间距测量方法 |
-
2021
- 2021-05-11 CN CN202110509958.3A patent/CN113628232B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389179A (zh) * | 2018-01-15 | 2018-08-10 | 湖南大学 | 一种基于机器视觉的罐盖表面缺陷检测方法 |
US10346998B1 (en) * | 2019-02-25 | 2019-07-09 | Nurulize, Inc. | Method of merging point clouds that identifies and retains preferred points |
CN110349199A (zh) * | 2019-06-25 | 2019-10-18 | 杭州汇萃智能科技有限公司 | 一种物体圆度测量方法 |
CN111178193A (zh) * | 2019-12-18 | 2020-05-19 | 深圳市优必选科技股份有限公司 | 一种车道线的检测方法、检测装置及计算机可读存储介质 |
CN111260771A (zh) * | 2020-01-13 | 2020-06-09 | 北京东软医疗设备有限公司 | 一种图像重建方法及装置 |
CN112085754A (zh) * | 2020-09-09 | 2020-12-15 | 易思维(杭州)科技有限公司 | 反光胶条的边缘检测方法 |
CN112361977A (zh) * | 2020-11-10 | 2021-02-12 | 成都新西旺自动化科技有限公司 | 一种基于权重分配的直线间距测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113628232A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4933771B2 (ja) | 画像システムにおいてビデオツールを自動的にリカバリーするシステムおよび方法 | |
US8422759B2 (en) | Image processing method and image processing device | |
CN112577969B (zh) | 一种基于机器视觉的缺陷检测方法以及缺陷检测*** | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 | |
CN112508846A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN112750116A (zh) | 一种缺陷检测方法、装置、计算机设备及存储介质 | |
CN110706224B (zh) | 基于暗场图像的光学元件弱划痕检测方法、***和装置 | |
CN113628232B (zh) | 剔除拟合线中干扰点的方法、视觉识别设备及存储介质 | |
CN115360116B (zh) | 一种晶圆的缺陷检测方法及*** | |
CN113538603B (zh) | 一种基于阵列产品的光学检测方法、***和可读存储介质 | |
CN114119535A (zh) | 基于视觉检测的激光清洗效果在线监测方法 | |
CN102401636B (zh) | 图像测量装置和图像测量方法 | |
CN113469293B (zh) | 面板阵列短路检测方法、装置、电子设备及存储介质 | |
CN114937037B (zh) | 产品缺陷检测方法、装置、设备及可读存储介质 | |
CN115423814B (zh) | 芯片原点定位方法、装置、可读存储介质及电子设备 | |
CN114627113B (zh) | 一种印制电路板缺陷检测方法及***及装置及介质 | |
CN111080701A (zh) | 智能柜物体检测方法、装置、服务器及存储介质 | |
CN116228856A (zh) | 定位微流控生物芯片所有磁头点样点的方法、***及设备 | |
CN115984759A (zh) | 变电站开关状态识别方法、装置、计算机设备和存储介质 | |
TWI722861B (zh) | 分類方法及分類系統 | |
CN114897797A (zh) | 印刷电路板的缺陷检测方法、装置、设备及存储介质 | |
CN114217610A (zh) | 一种脏污程度检测方法、装置、设备和介质 | |
CN114627114B (zh) | 产品缺陷严重程度测量方法及***及装置及介质 | |
EP4287115A1 (en) | Support device and method | |
CN114943702A (zh) | 基于差分搜索算法的定位量测方法及装置 |
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 |