CN113888517A - 一种卷绕机下料视觉检测方法 - Google Patents
一种卷绕机下料视觉检测方法 Download PDFInfo
- Publication number
- CN113888517A CN113888517A CN202111193256.5A CN202111193256A CN113888517A CN 113888517 A CN113888517 A CN 113888517A CN 202111193256 A CN202111193256 A CN 202111193256A CN 113888517 A CN113888517 A CN 113888517A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- winding machine
- image signal
- blanking
- 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
- 238000004804 winding Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000000007 visual effect Effects 0.000 title claims abstract description 11
- 238000007599 discharging Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 15
- 238000011179 visual inspection Methods 0.000 claims description 11
- 238000003491 array Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000002829 reductive effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research 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
- G06T5/70—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
本发明公开了一种卷绕机下料视觉检测方法，其包括如下步骤：步骤S1、采集卷绕机下料口零件表面的灰度图像，并将图像信号传送给图像预处理模块；步骤S2、采用高斯平滑滤波方法来处理图像信号中含有的噪声和畸变，抑制不需要的变形及增强图像特征步骤；S3、采用Canny算法来对需要检测的零件进行轮廓的提取；步骤S4、将图像信号分割成细小的段落，然后分别测量，对图像信号通过KD角点检测器进行角点检测；步骤S5、将图像平面实际的曲线段转换为具体的几何参数，通过转换成的几何参数来与零件的实际几何参数对比，进而判断零件是否合格。不仅解决了通用性的问题，同时也实现了多个量的分别测量。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种卷绕机下料视觉检测方法。
背景技术
近几年来，虽然基于图像的零件尺寸视觉测量技术取得了长足的进步，但大多是基于某种特定条件下的视觉测量技术，如圆形零件测量圆筒形零件测量，管孔类零件测量和轴类零件测量等，都是在一定先验知识条件下施行的测量技术。对于较为通用的零件测量技术，目前研究较少，而当今工业化程度迅速，零件的形态和结构逐渐朝着复杂化，精细化发展；因此对于仅仅能够测量单一形态零件的测量方法而言，无疑是落后于工业需求的。另外，目前零件的测量范围相对较窄，往往是针对一个量，如上文提及的半径，高度，内径等参数。而实际的生产厂商，往往是同时需求直线量，曲率量甚至是角度量。复杂零件既含有直线量，又含有曲线量，对于图像处理的算法要求很高，这也恰恰为图像处理的算法发展提供了内在动力。
以上信息作为背景信息给出只是为了辅助理解本公开，并没有确定或者承认任意上述内容是否可用作相对于本公开的现有技术。
发明内容
本发明提供一种卷绕机下料视觉检测方法，以解决现有技术的不足。
为实现上述目的，本发明提供以下的技术方案：
一种卷绕机下料视觉检测方法，包括如下步骤：
步骤S1、图像采集模块：采集卷绕机下料口零件表面的灰度图像，并将图像信号传送给图像预处理模块；
步骤S2、图像预处理模块：采用高斯平滑滤波方法来处理图像信号中含有的噪声和畸变，抑制不需要的变形及增强图像特征；
步骤S3、轮廓提取模块：采用Canny算法来对需要检测的零件进行轮廓的提取；
步骤S4、特征点检测识别模块：将图像信号分割成细小的段落，然后分别测量，对图像信号通过KD角点检测器进行角点检测；
步骤S5、曲线参数估计模块：将图像平面实际的曲线段转换为具体的几何参数，通过转换成的几何参数来与零件的实际几何参数对比，进而判断零件是否合格。
进一步地，所述卷绕机下料视觉检测方法中，所述图像采集模块包括相机、光源和控制器；
相机用于采集卷绕机下料口零件表面的灰度图像，以图像信号输出给千兆网卡；千兆网卡将图像信号传送给图像预处理模块；控制器为相机供电，同时提供外部编程接口。
进一步地，所述卷绕机下料视觉检测方法中，所述光源采用LED红色背光源。
进一步地，所述卷绕机下料视觉检测方法中，所述步骤S3中轮廓提取模块采用Canny算法时，需要对相机采集的彩色图像进行灰度化处理，采用如下步骤：Gray＝0.299R+0.587G+0.114B。
进一步地，所述卷绕机下料视觉检测方法中，所述步骤S3中轮廓提取模块采用的Canny算法为：令f(x,y)标识输入图像，G(x,y)表示高斯函数，用G和f的卷积形成一幅平滑后的图像fs(x,y)：fs(x,y)＝G(x,y)*f(x,y)，梯度幅度和方向：
其中P(i,j)和Q(i,j)分别为x，y方向的偏导数，M(i,j)和θ(i,j)是与原始图像具有相同尺寸的阵列，图像梯度幅值矩阵中的元素值越大，说明图像中该点的梯度值越大，但这不能说明该点就是边缘，这仅仅是属于图像增强的过程，同时，由梯度得到的边缘往往宽度较宽，因此有必要细化边缘，在Canny算法中，非极大值抑制是细化边缘的手段，也是进行边缘检测的重要步骤，非极大值抑制实质上就是在梯度方向上的局部邻域内副除不是极大值的点，即将非极大值点所对应的灰度值置为0，这样可以剔除掉一大部分冗余点。
进一步地，所述卷绕机下料视觉检测方法中，所述步骤S5中曲线参数估计模块采用的算法为：点P1,P2,…,Pi,…,PN，N为边界点的数量，其中X,Y坐标为(x1,y1),…,(xi,yj),…,(xN,yN),r1,…,ri,…,rN表示原点到边界的向量，定义一条圆弧曲线的半径为R，圆心在点a＝(xa,ya)，那么，随机选取点a0作为迭代起始点，圆心和半径的迭代公式如下：
其中为单位向量
方向为ri-a；
随着迭代次数的增加，估计结果会变得更为精确，当达到需要的错误条件时，则终止迭代，可以证明，如果所考虑的圆弧在实际的圆中占据了大部分的比例，例如，圆弧长度超过了圆的周长，那么算法通常是精确的，否则，需要较为耗时的多次迭代并且结果并不精确，因此，利用角点和线段的中点修正初始圆心点，并从修正点开始第一次迭代，改变了以往随机选取一点作为圆心的模式，该方法描述如下：如果P1(x1,y1)为圆弧的中点，P2(x2,y2)，为弦长的中点，h为P1到P2的距离，一般h在一个像素以内，即可方便的判断其为直线段，R为初始估计的圆弧半径，那么P1P2直线的斜率k为：k＝(y2-y1)/(x2-x1)，xa,ya可以计算为xa＝x2+(R-h)cosθ，ya＝y2+(R-h)sinθ其中的定义随着不同的距离而变化，若θ＝π/2，则ifx2-x1＝0andy2-y1＞0；若θ＝-π/2，则ifx2-x1＝0andy 2-y1＜0；若θ＝tan-1k，则ifx2-x1＞0；若θ＝π+tan-1k，则ifx2-x1＜0andy2-y1≥0；若θ＝-π+tan-1k，则ifx2-x1＜0andy2-y1＜0。为了比较原始的迭代算法与上述改进的算法，我们釆用两种算法分别对图进行了实验，首先使用原始算法，不失一般性，设置初始猜测点为A，容许的错误误差为0.001p，p为个像素单位，也就是说，当估计的圆心距离小于0.001p的时候，则停止迭代，实验表明，其最终需要36步才搜寻到真正的圆心点C，将初始点从A处调整到B处，那么仅仅需要7步即可迭代至点，因此，通过简单的初始点计算，即可缩小搜寻范围，减少了计算量。
与现有技术相比，本发明实施例具有以下有益效果：
本发明轮廓提取技术是基础，通过轮廓提取技术将零件的图像转换为基本的离散的数据曲线，这不仅降低了数据量，同时也将分析的重点集中在我们感兴趣的边缘上，特征点检测与提取技术的加入，便于对特征点进行提取，同时，也提出了基于曲率的角点检测算法，并阐述了其特性，参数估计技术是纽带，通过参数估计，可以将形象的轮廓曲线映射到实际的具体参数上，从而完成了整个测量结果，由于零件均由各种曲线组合而成，而通过角点特征的提取，可以分割出各个原始的曲线，然后再通过参数估计技术逐个分析几何参数，不仅解决了通用性的问题，同时也实现了多个量的分别测量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例一提供的一种卷绕机下料视觉检测方法的流程示意图；
图2是本发明实施例一提供的一种卷绕机下料视觉检测方法所涉及的功能模块示意图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中设置的组件。当一个组件被认为是“设置在”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中设置的组件。
此外，术语“长”“短”“内”“外”等指示方位或位置关系为基于附图所展示的方位或者位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或原件必须具有此特定的方位、以特定的方位构造进行操作，以此不能理解为本发明的限制。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例一
请参考图1和2，本发明实施例提供一种卷绕机下料视觉检测方法，包括如下步骤：
步骤S1、图像采集模块：采集卷绕机下料口零件表面的灰度图像，并将图像信号传送给图像预处理模块；
步骤S2、图像预处理模块：采用高斯平滑滤波方法来处理图像信号中含有的噪声和畸变，抑制不需要的变形及增强图像特征；
步骤S3、轮廓提取模块：采用Canny算法来对需要检测的零件进行轮廓的提取；
步骤S4、特征点检测识别模块：将图像信号分割成细小的段落，然后分别测量，对图像信号通过KD角点检测器进行角点检测；
步骤S5、曲线参数估计模块：将图像平面实际的曲线段转换为具体的几何参数，通过转换成的几何参数来与零件的实际几何参数对比，进而判断零件是否合格。
在本实施例中，所述图像采集模块包括相机、光源和控制器；
相机用于采集卷绕机下料口零件表面的灰度图像，以图像信号输出给千兆网卡；千兆网卡将GigE Vision标准的图像信号传送给图像预处理模块；控制器为相机供电，同时提供外部编程接口。
优选的，所述光源采用LED红色背光源，所述相机采用CCD相机，所述控制器采用CCD控制器，图像信号优选为GigE Vision标准的图像信号。
在本实施例中，所述步骤S3中轮廓提取模块采用Canny算法时，需要对相机采集的彩色图像进行灰度化处理，采用如下步骤：Gray＝0.299R+0.587G+0.114B。
在本实施例中，所述步骤S3中轮廓提取模块采用的Canny算法为：令f(x,y)标识输入图像，G(x,y)表示高斯函数，用G和f的卷积形成一幅平滑后的图像fs(x,y)：fs(x,y)＝G(x,y)*f(x,y)，梯度幅度和方向：
其中P(i,j)和Q(i,j)分别为x，y方向的偏导数，M(i,j)和θ(i,j)是与原始图像具有相同尺寸的阵列，图像梯度幅值矩阵中的元素值越大，说明图像中该点的梯度值越大，但这不能说明该点就是边缘，这仅仅是属于图像增强的过程，同时，由梯度得到的边缘往往宽度较宽，因此有必要细化边缘，在Canny算法中，非极大值抑制是细化边缘的手段，也是进行边缘检测的重要步骤，非极大值抑制实质上就是在梯度方向上的局部邻域内副除不是极大值的点，即将非极大值点所对应的灰度值置为0，这样可以剔除掉一大部分冗余点。
在本实施例中，所述步骤S5中曲线参数估计模块采用的算法为：点P1,P2,…,Pi,…,PN，N为边界点的数量，其中X,Y坐标为(x1,y1),…,(xi,yj),…,(xN,yN),r1,…,ri,…,rN表示原点到边界的向量，定义一条圆弧曲线的半径为R，圆心在点a＝(xa,ya)，那么，随机选取点a0作为迭代起始点，圆心和半径的迭代公式如下：
其中为单位向量
方向为ri-a；
随着迭代次数的增加，估计结果会变得更为精确，当达到需要的错误条件时，则终止迭代，可以证明，如果所考虑的圆弧在实际的圆中占据了大部分的比例，例如，圆弧长度超过了圆的周长，那么算法通常是精确的，否则，需要较为耗时的多次迭代并且结果并不精确，因此，利用角点和线段的中点修正初始圆心点，并从修正点开始第一次迭代，改变了以往随机选取一点作为圆心的模式，该方法描述如下：如果P1(x1,y1)为圆弧的中点，P2(x2,y2)，为弦长的中点，h为P1到P2的距离，一般h在一个像素以内，即可方便的判断其为直线段，R为初始估计的圆弧半径，那么P1P2直线的斜率k为：k＝(y2-y1)/(x2-x1)，xa,ya可以计算为xa＝x2+(R-h)cosθ，ya＝y2+(R-h)sinθ其中的定义随着不同的距离而变化，若θ＝π/2，则ifx2-x1＝0andy2-y1＞0；若θ＝-π/2，则ifx2-x1＝0andy2-y1＜0；若θ＝tan-1k，则ifx2-x1＞0；若θ＝π+tan-1k，则ifx2-x1＜0andy2-y1≥0；若θ＝-π+tan-1k，则ifx2-x1＜0andy2-y1＜0。为了比较原始的迭代算法与上述改进的算法，我们釆用两种算法分别对图进行了实验，首先使用原始算法，不失一般性，设置初始猜测点为A，容许的错误误差为0.001p，p为个像素单位，也就是说，当估计的圆心距离小于0.001p的时候，则停止迭代，实验表明，其最终需要36步才搜寻到真正的圆心点C，将初始点从A处调整到B处，那么仅仅需要7步即可迭代至点，因此，通过简单的初始点计算，即可缩小搜寻范围，减少了计算量。
本发明实施例中，轮廓提取技术是基础，通过轮廓提取技术将零件的图像转换为基本的离散的数据曲线，这不仅降低了数据量，同时也将分析的重点集中在我们感兴趣的边缘上，特征点检测与提取技术的加入，便于对特征点进行提取，同时，也提出了基于曲率的角点检测算法，并阐述了其特性，参数估计技术是纽带，通过参数估计，可以将形象的轮廓曲线映射到实际的具体参数上，从而完成了整个测量结果，由于零件均由各种曲线组合而成，而通过角点特征的提取，可以分割出各个原始的曲线，然后再通过参数估计技术逐个分析几何参数，不仅解决了通用性的问题，同时也实现了多个量的分别测量。
至此，以说明和描述的目的提供上述实施例的描述。不意指穷举或者限制本公开。特定的实施例的单独元件或者特征通常不受到特定的实施例的限制，但是在适用时，即使没有具体地示出或者描述，其可以互换和用于选定的实施例。在许多方面，相同的元件或者特征也可以改变。这种变化不被认为是偏离本公开，并且所有的这种修改意指为包括在本公开的范围内。
提供示例实施例，从而本公开将变得透彻，并且将会完全地将该范围传达至本领域内技术人员。为了透彻理解本公开的实施例，阐明了众多细节，诸如特定零件、装置和方法的示例。显然，对于本领域内技术人员，不需要使用特定的细节，示例实施例可以以许多不同的形式实施，而且两者都不应当解释为限制本公开的范围。在某些示例实施例中，不对公知的工序、公知的装置结构和公知的技术进行详细地描述。
在此，仅为了描述特定的示例实施例的目的使用专业词汇，并且不是意指为限制的目的。除非上下文清楚地作出相反的表示，在此使用的单数形式“一个”和“该”可以意指为也包括复数形式。术语“包括”和“具有”是包括在内的意思，并且因此指定存在所声明的特征、整体、步骤、操作、元件和/或组件，但是不排除存在或额外地具有一个或以上的其他特征、整体、步骤、操作、元件、组件和/或其组合。除非明确地指示了执行的次序，在此描述的该方法步骤、处理和操作不解释为一定需要按照所论述和示出的特定的次序执行。还应当理解的是，可以采用附加的或者可选择的步骤。
当元件或者层称为是“在……上”、“与……接合”、“连接到”或者“联接到”另一个元件或层，其可以是直接在另一个元件或者层上、与另一个元件或层接合、连接到或者联接到另一个元件或层，也可以存在介于其间的元件或者层。与此相反，当元件或层称为是“直接在……上”、“与……直接接合”、“直接连接到”或者“直接联接到”另一个元件或层，则可能不存在介于其间的元件或者层。其他用于描述元件关系的词应当以类似的方式解释(例如，“在……之间”和“直接在……之间”、“相邻”和“直接相邻”等)。在此使用的术语“和/或”包括该相关联的所罗列的项目的一个或以上的任一和所有的组合。虽然此处可能使用了术语第一、第二、第三等以描述各种的元件、组件、区域、层和/或部分，这些元件、组件、区域、层和/或部分不受到这些术语的限制。这些术语可以只用于将一个元件、组件、区域或部分与另一个元件、组件、区域或部分区分。除非由上下文清楚地表示，在此使用诸如术语“第一”、“第二”及其他数值的术语不意味序列或者次序。因此，在下方论述的第一元件、组件、区域、层或者部分可以采用第二元件、组件、区域、层或者部分的术语而不脱离该示例实施例的教导。
空间的相对术语，诸如“内”、“外”、“在下面”、“在……的下方”、“下部”、“上方”、“上部”等，在此可出于便于描述的目的使用，以描述如图中所示的一个元件或者特征和另外一个或多个元件或者特征之间的关系。空间的相对术语可以意指包含除该图描绘的取向之外该装置的不同的取向。例如如果翻转该图中的装置，则描述为“在其他元件或者特征的下方”或者“在元件或者特征的下面”的元件将取向为“在其他元件或者特征的上方”。因此，示例术语“在……的下方”可以包含朝上和朝下的两种取向。该装置可以以其他方式取向(旋转90度或者其他取向)并且以此处的空间的相对描述解释。
Claims (6)
1.一种卷绕机下料视觉检测方法，其特征在于：包括如下步骤：
步骤S1、图像采集模块：采集卷绕机下料口零件表面的灰度图像，并将图像信号传送给图像预处理模块；
步骤S2、图像预处理模块：采用高斯平滑滤波方法来处理图像信号中含有的噪声和畸变，抑制不需要的变形及增强图像特征；
步骤S3、轮廓提取模块：采用Canny算法来对需要检测的零件进行轮廓的提取；
步骤S4、特征点检测识别模块：将图像信号分割成细小的段落，然后分别测量，对图像信号通过KD角点检测器进行角点检测；
步骤S5、曲线参数估计模块：将图像平面实际的曲线段转换为具体的几何参数，通过转换成的几何参数来与零件的实际几何参数对比，进而判断零件是否合格。
2.根据权利要求1所述的一种卷绕机下料视觉检测方法，其特征在于，所述图像采集模块包括相机、光源和控制器；
相机用于采集卷绕机下料口零件表面的灰度图像，以图像信号输出给千兆网卡；千兆网卡将图像信号传送给图像预处理模块；控制器为相机供电，同时提供外部编程接口。
3.根据权利要求2所述的一种卷绕机下料视觉检测方法，其特征在于，所述光源采用LED红色背光源。
4.根据权利要求1所述的一种卷绕机下料视觉检测方法，其特征在于，所述步骤S3中轮廓提取模块采用Canny算法时，需要对相机采集的彩色图像进行灰度化处理，采用如下步骤：Gray＝0.299R+0.587G+0.114B。
5.根据权利要求1所述的一种卷绕机下料视觉检测方法，其特征在于，所述步骤S3中轮廓提取模块采用的Canny算法为：令f(x,y)标识输入图像，G(x,y)表示高斯函数，用G和f的卷积形成一幅平滑后的图像fs(x,y)：fs(x,y)＝G(x,y)*f(x,y)，梯度幅度和方向：
其中P(i,j)和Q(i,j)分别为x，y方向的偏导数，M(i,j)和θ(i,j)是与原始图像具有相同尺寸的阵列，图像梯度幅值矩阵中的元素值越大，说明图像中该点的梯度值越大，但这不能说明该点就是边缘，这仅仅是属于图像增强的过程，同时，由梯度得到的边缘往往宽度较宽，因此有必要细化边缘，在Canny算法中，非极大值抑制是细化边缘的手段，也是进行边缘检测的重要步骤，非极大值抑制实质上就是在梯度方向上的局部邻域内副除不是极大值的点，即将非极大值点所对应的灰度值置为0，这样可以剔除掉一大部分冗余点。
6.根据权利要求1所述的一种卷绕机下料视觉检测方法，其特征在于，所述步骤S5中曲线参数估计模块采用的算法为：点P1,P2,…,Pi,…,PN，N为边界点的数量，其中X,Y坐标为(x1,y1),…,(xi,yj),…,(xN,yN),r1,…,ri,…,rN表示原点到边界的向量，定义一条圆弧曲线的半径为R，圆心在点a＝(xa,ya)，那么，随机选取点a0作为迭代起始点，圆心和半径的迭代公式如下：
其中为单位向量
方向为ri-a；
随着迭代次数的增加，估计结果会变得更为精确，当达到需要的错误条件时，则终止迭代，可以证明，如果所考虑的圆弧在实际的圆中占据了大部分的比例，例如，圆弧长度超过了圆的周长，那么算法通常是精确的，否则，需要较为耗时的多次迭代并且结果并不精确，因此，利用角点和线段的中点修正初始圆心点，并从修正点开始第一次迭代，改变了以往随机选取一点作为圆心的模式，该方法描述如下：如果P1(x1,y1)为圆弧的中点，P2(x2,y2)，为弦长的中点，h为P1到P2的距离，一般h在一个像素以内，即可方便的判断其为直线段，R为初始估计的圆弧半径，那么P1P2直线的斜率k为：k＝(y2-y1)/(x2-x1)，xa,ya可以计算为xa＝x2+(R-h)cosθ，ya＝y2+(R-h)sinθ其中的定义随着不同的距离而变化，若θ＝π/2，则ifx2-x1＝0andy2-y1＞0；若θ＝-π/2，则ifx2-x1＝0andy2-y1＜0；若θ＝tan-1k，则ifx2-x1＞0；若θ＝π+tan-1k，则ifx2-x1＜0andy2-y1≥0；若θ＝-π+tan-1k，则ifx2-x1＜0andy2-y1＜0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111193256.5A CN113888517A (zh) | 2021-10-13 | 2021-10-13 | 一种卷绕机下料视觉检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111193256.5A CN113888517A (zh) | 2021-10-13 | 2021-10-13 | 一种卷绕机下料视觉检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113888517A true CN113888517A (zh) | 2022-01-04 |
Family
ID=79002780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111193256.5A Pending CN113888517A (zh) | 2021-10-13 | 2021-10-13 | 一种卷绕机下料视觉检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113888517A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114383506A (zh) * | 2022-01-12 | 2022-04-22 | 江苏省沙钢钢铁研究院有限公司 | 一种基于红外技术的高速线材盘卷形状与位置检测方法 |
-
2021
- 2021-10-13 CN CN202111193256.5A patent/CN113888517A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114383506A (zh) * | 2022-01-12 | 2022-04-22 | 江苏省沙钢钢铁研究院有限公司 | 一种基于红外技术的高速线材盘卷形状与位置检测方法 |
| WO2023134193A1 (zh) * | 2022-01-12 | 2023-07-20 | 江苏省沙钢钢铁研究院有限公司 | 一种基于红外技术的高速线材盘卷形状与位置检测方法 |
| CN114383506B (zh) * | 2022-01-12 | 2024-03-19 | 江苏沙钢高科信息技术有限公司 | 一种基于红外技术的高速线材盘卷形状与位置检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
| CN109003258B (zh) | 一种高精度亚像素圆形零件测量方法 | |
| CN111260731B (zh) | 一种棋盘格亚像素级角点自适应检测的方法 | |
| CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
| CN111223133B (zh) | 一种异源图像的配准方法 | |
| CN107941808B (zh) | 基于机器视觉的3d打印成型质量检测***及方法 | |
| CN101256156B (zh) | 平板裂缝天线裂缝精密测量方法 | |
| CN108416809B (zh) | 一种基于机器视觉的钢桶螺纹盖位姿识别方法 | |
| CN116309510B (zh) | 数控加工表面缺陷定位方法及装置 | |
| CN114494045B (zh) | 一种基于机器视觉的大型直齿轮几何参数测量***及方法 | |
| US20210150700A1 (en) | Defect detection device and method | |
| CN110555832B (zh) | 汽车发动机连杆质量多参数检测方法，设备及存储介质 | |
| CN110260818B (zh) | 一种基于双目视觉的电子连接器鲁棒检测方法 | |
| CN110706293A (zh) | 基于surf特征匹配的电子元器件定位和检测方法 | |
| CN107749071A (zh) | 大畸变棋盘格图像角点检测方法及装置 | |
| CN116958125B (zh) | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 | |
| CN113888517A (zh) | 一种卷绕机下料视觉检测方法 | |
| Liu et al. | Enhancement of contour smoothness by substitution of interpolated sub-pixel points for edge pixels | |
| CN115527049A (zh) | 一种引线框架引脚间距的高精度测量方法 | |
| Zhou et al. | Circle detection with model fitting in polar coordinates for glass bottle mouth localization | |
| CN104966283A (zh) | 图像分层配准方法 | |
| CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
| CN117911332A (zh) | 压接管毛刺识别方法 | |
| CN113298725A (zh) | 一种轮船图标图像叠加误差的纠正方法 | |
| CN114998571B (zh) | 基于固定尺寸标志物的图像处理及颜色检测方法 |
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 |