CN116883413A - 一种剔废接料滞留视觉检测方法 - Google Patents
一种剔废接料滞留视觉检测方法 Download PDFInfo
- Publication number
- CN116883413A CN116883413A CN202311152699.9A CN202311152699A CN116883413A CN 116883413 A CN116883413 A CN 116883413A CN 202311152699 A CN202311152699 A CN 202311152699A CN 116883413 A CN116883413 A CN 116883413A
- Authority
- CN
- China
- Prior art keywords
- retention
- inclined groove
- centroid
- gray level
- area
- 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.)
- Granted
Links
- 239000000463 material Substances 0.000 title claims abstract description 352
- 230000014759 maintenance of location Effects 0.000 title claims abstract description 107
- 239000002699 waste material Substances 0.000 title claims abstract description 71
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 230000000007 visual effect Effects 0.000 title claims abstract description 11
- 230000000717 retained effect Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 11
- 238000011179 visual inspection Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000979 retarding effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了一种剔废接料滞留视觉检测方法,包括:获取灰度图像;对物料区域进行物料的识别处理,根据每个物料质心的空间位置关系获取每个物料质心的滞留位置影响因子,根据倾斜槽中物料的滞留信息获取每个物料质心的两极空隙差异指数;基于每个物料质心的滞留位置影响因子和两极空隙差异指数获取每个物料质心的滞留信息定位系数,基于欧氏距离和滞留信息定位系数获取相邻图像的二分图中的权值,根据相邻图像的二分图利用最优匹配算法获取倾斜槽中的滞留物料;根据滞留物料所占面积大小获取剔废接料设备中滞留的严重情况。本发明有效地避免剔废接料中出现的物料滞留情况,提高了剔废接料设备的剔废效率。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种剔废接料滞留视觉检测方法。
背景技术
工业生产流程中,通常会因为各种因素而生产出残次品,并混在产品包装线当中,此时则需要进行残次废品的剔除,传统剔废操作是通过雇佣工人在包装线上进行人为的残次废品剔除,随着技术设备的革新,目前许多生产线上都配备了更为先进的剔废设备,通过设定残次废品检测准则,识别残次废品并通过机器自动将其从生产包装线中剔除,大大提升了剔废效率。但也由于自动化技术不够完善,以及设备设计需求所致,在剔废接料的流程中容易出现物料滞留在剔废槽边缘或是出料口上的情况,最终因为堆积过多而导致剔废效率降低,准确率下降,甚至剔废流程终止。
当前检测剔废流程滞留情况主要是通过计算进料总额与出料加废料总和的差值判断剔废设备中是否存在滞留情况,然而这种办法大多数情况会受到物料进出的速度以及统计速度的影响,还可能会因为其他情况导致进出料的损失导致最后的结果不精确,最终对设备内的滞留情况出现误判。
发明内容
本发明提供一种剔废接料滞留视觉检测方法,以解决物料滞留检测不准确的问题,所采用的技术方案具体如下:
本发明一个实施例一种剔废接料滞留视觉检测方法,该方法包括以下步骤:
利用图像采集设备获取剔废接料设备内部的倾斜槽灰度图像;
根据每幅倾斜槽灰度图像内物料的识别处理获取每幅倾斜槽灰度图像的物料质心及出料口区域的质心,根据物料质心与出料口区域的质心之间的欧氏距离及物料质心距离倾斜槽两侧边界的欧式距离获取每幅倾斜槽灰度图像中每个物料质心的滞留位置影响因子,根据物料质心所在线段两端的倾斜槽空隙之间的差异获取每幅倾斜槽灰度图像中每个物料质心的两极空隙差异指数;
根据每幅倾斜槽灰度图像中每个物料质心的滞留位置影响因子和两极空隙差异指数获取每幅倾斜槽灰度图像中每个物料质心的滞留信息定位系数,根据相邻时间点采集的倾斜槽灰度图像内的物料质心之间的欧式距离及物料质心的滞留信息定位系数之间的差异获取相邻时间点采集的倾斜槽灰度图像的二分图中的权值,将相邻时间点采集的倾斜槽灰度图像的带权值二分图作为KM最优匹配算法的输入,根据KM最优匹配算法的输出获取倾斜槽中的滞留物料;
根据倾斜槽中的滞留物料所占倾斜槽的面积获取剔废接料设备中物料滞留的严重程度,根据所述物料滞留的严重程度获取剔废接料的视觉检测结果。
优选的,所述根据每幅倾斜槽灰度图像内物料的识别处理获取每幅倾斜槽灰度图像的物料质心及出料口区域的质心的方法为:
对于任意一幅倾斜槽灰度图像,利用大津阈值分割算法获取倾斜槽灰度图像中分割区域面积的总和及分割区域的数目,将所述分割区域面积的总和与分割区域数目的比值作为平均物料面积;
将分割区域面积小于等于所述平均物料面积的分割区域作为物料区域;
将分割区域面积大于所述平均物料面积的分割区域作为出料口区域;
将每个物料区域、出料口区域的最小外接矩形的中心分别作为物料区域的物料质心、出料口区域的质心。
优选的,所述根据物料质心与出料口区域的质心之间的欧氏距离及物料质心距离倾斜槽两侧边界的欧式距离获取每幅倾斜槽灰度图像中每个物料质心的滞留位置影响因子的方法为:
对于任意一幅倾斜槽灰度图像,将每个物料质心与所有出料口区域质心之间欧式距离负映射结果的累加和作为每个物料质心的第一求和因子,根据每个物料质心距离倾斜槽两侧边界的欧式距离获取每个物料质心的第二求和因子;
将每个物料质心的第一求和因子与第二求和因子的和值作为每个物料质心的滞留位置影响因子。
优选的,所述根据每个物料质心距离倾斜槽两侧边界的欧式距离获取每个物料质心的第二求和因子的方法为:
对于任意一幅倾斜槽灰度图像,将每个物料质心与其所有相同纵坐标的倾斜槽边界点之间欧式距离的累加和作为每个物料质心的第二求和因子。
优选的,所述根据物料质心所在线段两端的倾斜槽空隙之间的差异获取每幅倾斜槽灰度图像中每个物料质心的两极空隙差异指数的方法为:
式中,为物料质心的两极空隙差异指数,/>为物料线段上部u的区域面积,物料线段下部d的区域面积,/>为物料线段上部的第i个物料区域的面积,p为物料线段上部的物料区域的数目,/>为物料线段下部的第j个物料区域的面积,q为物料线段下部的物料区域的数目。
优选的,所述根据每幅倾斜槽灰度图像中每个物料质心的滞留位置影响因子和两极空隙差异指数获取每幅倾斜槽灰度图像中每个物料质心的滞留信息定位系数的方法为:
对于任意一幅倾斜槽灰度图像,将倾斜槽灰度图像中每个物料质心的滞留位置影响因子与两极空隙差异指数的乘积作为倾斜槽灰度图像中每个物料质心的滞留信息定位系数。
优选的,所述根据相邻时间点采集的倾斜槽灰度图像内的物料质心之间的欧式距离及物料质心的滞留信息定位系数之间的差异获取相邻时间点采集的倾斜槽灰度图像的二分图中的权值的方法为:
对于相邻时间点采集的倾斜槽灰度图像,根据物料质心的滞留信息定位系数之间的差异获取第一乘积因子;
将相邻时间点采集的倾斜槽灰度图像中物料质心之间的欧氏距离作为第二乘积因子;
将所述第一乘积因子与第二乘积因子之间乘积的负映射结果作为相邻时间点采集的倾斜槽灰度图像的二分图中的权值。
优选的,所述根据物料质心的滞留信息定位系数之间的差异获取第一乘积因子的方法为:
对于相邻时间点采集的倾斜槽灰度图像,将不同幅倾斜槽灰度图像中的两个物料质心的滞留信息定位系数之间的差值的绝对值作为相邻时间点采集的倾斜槽灰度图像的第一乘积因子。
优选的,所述将相邻时间点采集的倾斜槽灰度图像的带权值二分图作为KM最优匹配算法的输入,根据KM最优匹配算法的输出获取倾斜槽中的滞留物料的方法为:
将当前采集时间的倾斜槽灰度图像中所有的物料质心作为当前集合,将下一个采集时间的倾斜槽灰度图像中所有的物料质心作为匹配集合,对所述当前集合的每个元素和匹配集合中的每个元素进行连线构建边,构建相邻时间点采集的倾斜槽灰度图像的二分图;
将相邻时间点采集的倾斜槽灰度图像的二分图中的权值赋予二分图中的每条边上,将相邻时间点采集的倾斜槽灰度图像的带权值二分图作为KM最优匹配算法的输入,将KM最优匹配的输出作为匹配集合;
根据所述匹配集合获取每个物料在不同时间点采集的倾斜槽灰度图像中的位置信息,将在预设时间内没有发生位置变化的物料作为滞留物料。
优选的,所述根据倾斜槽中的滞留物料所占倾斜槽的面积获取剔废接料设备中物料滞留的严重程度,根据所述物料滞留的严重程度获取剔废接料的视觉检测结果的方法为:
根据所述滞留物料区域获取滞留物料区域所占剔废倾斜槽区域的总面积的物料滞留占比,当所述物料滞留占比大于预设参数时,判断该剔废接料的视觉检测结果中物料滞留情况严重,需要对剔废接料设备进行内部的滞留物料进行清除。
本发明的有益效果是:传统工艺流程生产中的剔废接料设备通常会因为各种因素而导致物料在设备中产生滞留的情况,而传统检测滞留的方法是计算进出料的总额差异来判断设备的物料滞留情况,然而受限于统计速度以及外部因素影响,该方法通常不够准确。本发明通过对剔废接料设备中的物料运动情况,在相同的时间间隔内拍摄多张图像,通过物料在设备中的特点构建滞留位置影响因子和两极空隙差异指数,最后为每个物料构建滞留信息定位系数,并结合图像间物料的欧氏距离来表示每个物料在每个图像中的权值,通过对获得的图像和物料定位系数构建带权值的二分图,利用KM算法进行图像间的最优匹配,得到在短时间内没有产生变化的物料,最后统计其数值与剔废设备面积比判断设备的物料滞留情况。其有益效果在于提高了物料滞留检测准确性,有效地避免剔废接料中出现的物料滞留情况,同时提高了剔废接料设备的剔废效率。
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他的附图。
图1为本发明一个实施例所提供的一种剔废接料滞留视觉检测方法的流程示意图;
图2为本发明一个实施例所提供的剔废接料设备运行时内部倾斜槽的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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。
请参阅图1,其示出了本发明一个实施例提供的一种剔废接料滞留视觉检测方法流程图,该方法包括以下步骤:
步骤S001,获取一系列剔废接料设备内部的倾斜槽灰度图像。
在剔废接料设备内部的倾斜槽中布置小型CMOS相机,对倾斜槽表面进行俯视角度拍摄,同时开启光照设备,每间隔0.2s拍摄一次,获取一系列剔废接料设备内部倾斜槽的RGB图像利用加权平均法对RGB图像进行灰度图像的转换,加权平均法为公知技术,不做多余赘述。为了避免噪声对分析结果产生的影响,在此对所获倾斜槽灰度图像利用均值滤波进行去噪,实施者可以根据实际情况选择其他去噪方法。
至此,得到一系列剔废接料设备内部的倾斜槽灰度图像。
步骤S002,对每幅倾斜槽灰度图像进行物料的识别处理,获取每幅倾斜槽灰度图像中每个物料质心的滞留位置影响因子及每个物料质心的两极空隙差异指数。
本发明中剔废接料设备运行时内部倾斜槽的结构示意图如图2所示,自动化的剔废接料设备通常采用倾斜槽的形式,将物料成品从进料口倒入,通过倾斜槽的坡度实现物料自上而下地运动,再通过倾斜槽上设置的剔废装置将物料中的残次废品剔除,最后残次废料接收到废料槽,达标成品物料接收到达标槽,继而进行下一步生产操作。
由于需要进行剔废并且将废料接至废料槽中,剔废接料设备通常会在倾斜槽中设置出料口,使得剔废装置在检测到废料的同时快速将其剔除,并且为了物料不会因为斜槽表面过于光滑而快速落下导致无法检测,还会在斜槽表面设置一定的减速作用纹理。但是,物料滞留的情况最有可能在出料口的附近发生,由于出料口的开合容易使物料卡在了出料口附近,以及由于倾斜槽表面的减速纹理加上倾斜槽两侧边界挡板导致局部摩擦力较大,物料下落过程中速度无法维继,进而在倾斜槽中滞留。
基于上述特点,首先需要将剔废接料装置中的物料区分出来,本发明此处采用大津阈值分割算法,将物料作为前景,其他区域作为背景进行分割,提取出包含物料的前景区域。但是,由于斜槽上的出料口会与物料混在一起,采用大津阈值分割算法分割后,所获前景区域除了物料区域外还包含了出料口区域。因此,需要把出料口区域从前景区域中分割出来。
具体地,为了能够保证物料能够正常出料,出料口在大小上通常会比物料大的多。在此对于分割出来的所有前景区域,统计其中每一个分割区域的像素面积以及分割区域的数目,通过将分割区域的像素面积在所有分割区域上的累加和除以分割区域的数目,获取每个分割区域的平均像素面积,记为平均物料面积,比较分割出来的每个分割区域的像素面积与平均物料面积,如果某个分割区域的像素面积大小比平均物料面积大,则该区域为出料口区域;如果某个分割区域的像素面积大小小于或等于平均物料面积,则该区域为物料区域。根据所获出料口区域和物料区域,对每个物料区域和出料口区域做最小外接矩形,将最小外接矩形的中心作为物料区域的物料质心或出料口区域的质心。
进一步地,将出料口区域质心的坐标记录为,物料质心的坐标记录坐标为/>,计算每个物料质心与出料口区域的质心之间的欧式距离为/>。若物料距离出料口区域越近,产生滞留的可能性越大。另外,获取与物料质心纵坐标相同的剔废接料倾斜槽两侧边界点坐标,计算所述边界点坐标与该物料质心求出欧式距离/>,物料距离倾斜槽两侧边界越近,则产生滞留的可能性越大。
对任意一幅倾斜槽灰度图像中的每个物料质心,计算物料质心的滞留位置影响因子:
式中,为物料质心的滞留位置影响因子,/>为以自然常数为底数的指数函数,m为出料口区域质心的个数,/>为物料质心与第i个出料口区域质心之间的欧式距离,为物料质心与其第j个相同纵坐标的倾斜槽边界点的欧式距离,/>表示物料质心的相同纵坐标的倾斜槽边界点的个数。
物料质心与第i个出料口区域质心之间的欧式距离越小,物料质心的第一求和因子/>越大,说明该物料在倾斜槽中距离出料口越近,此时物料越有可能产生滞留,则物料质心的物料滞留位置影响因子越大。物料质心与其第j个相同纵坐标的倾斜槽边界点的欧式距离/>越小,物料质心的第二求和因子/>越大,说明该物料在倾斜槽中距离倾斜槽边缘越近,此时物料越有可能产生滞留,则物料质心的物料滞留位置的影响因子越小。
进一步地,由于物料在剔废过程中的流动性,一部分物料即便滞留在剔废倾斜槽中,可能会因为上部的物料下落而将其冲撞至正常状态,这种物料滞留情况属于摩擦性滞留;另一部分滞留的物料可能是因为在出料口形成机械性滞留,即卡在了倾斜槽内的某个位置,或是卡在了出料口,这种情况下的滞留难以被其他物料重新冲撞至正常状态。对于摩擦性滞留而言,可能其存在的时间较短,因为可能这一时刻或下一时刻它还没被上部下落的其他物料冲撞脱离,形成了短时间的滞留,此时该物料的上下其他物料分布较为均匀,倾斜槽的整体空隙较少;而对于机械性滞留来说,其难以被冲撞脱离而导致在较长的一段时间内都会在同一个位置阻挡上部的物料下落,最后在该物料的上下部分的其他物料分布差异较大,下部的物料较为分散,上部物料分布较为密集,倾斜槽整体空隙较大。
具体地,对于任意一个物料质心,以其当前坐标为基准,寻找与该坐标相同纵坐标的剔废倾斜槽两侧边缘点,将两点与该物料质心点相连成一条线段,以该物料线段为基准,纵坐标大于该线段纵坐标的区域为物料线段上部,纵坐标小于该线段纵坐标的为物料线段下部。对于物料线段上部区域,统计物料质心数量以及其对应的物料面积,记录为,并且将物料线段上部的区域面积记录为/>;对于物料线段下部区域,统计物料质心数量以及其对应的物料面积,记录为/>,并且将物料线段下部的区域面积记录为/>。
对任意一幅倾斜槽灰度图像中的每个物料质心,计算物料质心的两极空隙差异指数:
式中,为物料质心的两极空隙差异指数,/>为物料线段上部u的区域面积,物料线段下部d的区域面积,/>为物料线段上部的第i个物料区域的面积,p为物料线段上部的物料区域的数目,/>为物料线段下部的第j个物料区域的面积,q为物料线段下部的物料区域的数目。
物料线段上部的第i个物料区域的面积越大,说明物料线段上部空隙/>越小,且物料线段下部的第j个物料区域的面积/>越小,说明物料线段下部空隙/>越大,即第一项与第二项之间的差值绝对值越大,说明上下部的倾斜槽空隙面积差异越大,则物料质心的两极空隙差异指数越大,即该物料越有可能出现滞留;物料线段上部的第i个物料区域的面积/>越小,说明物料线段上部空隙/>越大,且物料线段下部的第j个物料区域的面积/>越大,说明物料线段下部空隙/>越小,即第一项与第二项之间的差值绝对值越大,说明上下部的倾斜槽空隙面积差异越大,则物料质心的两极空隙差异指数越大,即该物料越有可能出现滞留。
步骤S003,获取每幅倾斜槽灰度图像中每个物料质心的滞留信息定位系数,结合物料质心之间的欧式距离,获取相邻时间点采集的倾斜槽灰度图像的二分图中的权值,获取倾斜槽中的滞留物料。
对任意一幅倾斜槽灰度图像中的每个物料质心,物料质心的滞留位置影响因子与两极空隙差异指数的乘积作为物料质心的滞留信息定位系数。
当滞留信息定位系数的值越大,说明该物料所在位置越靠近出料口或倾斜槽两侧边界,该物料上下倾斜槽空隙差异越大;反之,滞留信息定位系数的值越小,说明该物料距离出料口或倾斜槽两侧边缘越远,该物料上下倾斜槽空隙差异越小。通过该系数可以对物料在倾斜槽中的物料滞留状态进行一个定位,以便用于在多张图像中对物料的滞留情况进行判断。
进一步地,对任意一幅倾斜槽灰度图像中的每个物料质心,获取物料质心的滞留信息定位系数和质心坐标位置。对于当前采集时间点图像中的每个物料质心,计算当前采集时间点图像的物料质心与下一个相邻采集时间点的图像中物料质心的权值,即相邻时间点采集的倾斜槽灰度图像的二分图的中的权值:
式中,为相邻时间点采集的倾斜槽灰度图像的二分图中的权值,/>为当前倾斜槽灰度图像中的物料质心与下一个采集时间的倾斜槽灰度图像中第i个物料质心之间的欧氏距离,/>为当前倾斜槽灰度图像中的物料质心的滞留信息定位系数,/>为下一个采集时间的倾斜槽灰度图像中第i个物料质心的滞留信息定位系数。
当前倾斜槽灰度图像中的物料质心的滞留信息定位系数与下一个采集时间的倾斜槽灰度图像中第i个物料质心的滞留信息定位系数之间的差异越小,第一乘积因子越小,则相邻时间点采集的倾斜槽灰度图像的二分图的中的权值越大。当前倾斜槽灰度图像中的物料质心与下一个采集时间的倾斜槽灰度图像中第i个物料质心之间的欧氏距离越小,第二乘积因子/>越小,则相邻时间点采集的倾斜槽灰度图像的二分图的中的权值越大。
由此,获取相邻时间点采集的倾斜槽灰度图像的二分图中的权值。
所述相邻时间点采集的倾斜槽灰度图像的二分图的构建方式为:将当前采集时间的倾斜槽灰度图像中所有的物料质心作为当前集合,将下一个采集时间的倾斜槽灰度图像中所有的物料质心作为匹配集合,对所述当前集合的每个元素和匹配集合中的每个元素进行连线构建边,构建相邻时间点采集的倾斜槽灰度图像的二分图。二分图为公知技术,不做多余赘述。
相邻时间点采集的倾斜槽灰度图像的二分图的中的权值实际上计算的是当前倾斜槽灰度图像中所有的物料质心与下一个采集时间的倾斜槽灰度图像中所有的物料质心所形成边上的边权,将计算得到的每一个权值赋予所对应的边上,得到相邻时间点采集的倾斜槽灰度图像的带权值二分图。
至此,获取每两幅相邻时间点采集的倾斜槽灰度图像的带权值二分图。
将相邻时间点采集的倾斜槽灰度图像的带权值二分图作为KM最优匹配算法的输入,输出M是一个包含n条边的匹配集合,匹配集合中的每条边表示带权值二分图每个元素之间的最优匹配。经过KM算法的匹配后,每个物料从第一个图像开始,在之后每一个图像中的位置都可以确认,对于每个物料都记录其位置,寻找短时间内没有发生位置变化的物料,该物料即为滞留物料。
至此,获取倾斜槽中的滞留物料。
步骤S004,基于倾斜槽中的滞留物料所占倾斜槽的面积获取剔废接料设备中物料滞留的严重程度。
根据获取剔废接料设备中倾斜槽内的滞留物料,将滞留物料面积与剔废倾斜槽的总面积之间的比值作为物料滞留占比,当物料滞留占比大于预设参数T(经验值为0.5)时,判断该视觉检测结果中剔废接料设备滞留情况严重,需要对剔废接料设备进行内部滞留物料清除。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种剔废接料滞留视觉检测方法,其特征在于,该方法包括以下步骤:
利用图像采集设备获取剔废接料设备内部的倾斜槽灰度图像;
根据每幅倾斜槽灰度图像内物料的识别处理获取每幅倾斜槽灰度图像的物料质心及出料口区域的质心,根据物料质心与出料口区域的质心之间的欧氏距离及物料质心距离倾斜槽两侧边界的欧式距离获取每幅倾斜槽灰度图像中每个物料质心的滞留位置影响因子,根据物料质心所在线段两端的倾斜槽空隙之间的差异获取每幅倾斜槽灰度图像中每个物料质心的两极空隙差异指数;
根据每幅倾斜槽灰度图像中每个物料质心的滞留位置影响因子和两极空隙差异指数获取每幅倾斜槽灰度图像中每个物料质心的滞留信息定位系数,根据相邻时间点采集的倾斜槽灰度图像内的物料质心之间的欧式距离及物料质心的滞留信息定位系数之间的差异获取相邻时间点采集的倾斜槽灰度图像的二分图中的权值,将相邻时间点采集的倾斜槽灰度图像的带权值二分图作为KM最优匹配算法的输入,根据KM最优匹配算法的输出获取倾斜槽中的滞留物料;
根据倾斜槽中的滞留物料所占倾斜槽的面积获取剔废接料设备中物料滞留的严重程度,根据所述物料滞留的严重程度获取剔废接料的视觉检测结果。
2.根据权利要求1所述的一种剔废接料滞留视觉检测方法,其特征在于,所述根据每幅倾斜槽灰度图像内物料的识别处理获取每幅倾斜槽灰度图像的物料质心及出料口区域的质心的方法为:
对于任意一幅倾斜槽灰度图像,利用大津阈值分割算法获取倾斜槽灰度图像中分割区域面积的总和及分割区域的数目,将所述分割区域面积的总和与分割区域数目的比值作为平均物料面积;
将分割区域面积小于等于所述平均物料面积的分割区域作为物料区域;
将分割区域面积大于所述平均物料面积的分割区域作为出料口区域;
将每个物料区域、出料口区域的最小外接矩形的中心分别作为物料区域的物料质心、出料口区域的质心。
3.根据权利要求1所述的一种剔废接料滞留视觉检测方法,其特征在于,所述根据物料质心与出料口区域的质心之间的欧氏距离及物料质心距离倾斜槽两侧边界的欧式距离获取每幅倾斜槽灰度图像中每个物料质心的滞留位置影响因子的方法为:
对于任意一幅倾斜槽灰度图像,将每个物料质心与所有出料口区域质心之间欧式距离负映射结果的累加和作为每个物料质心的第一求和因子,根据每个物料质心距离倾斜槽两侧边界的欧式距离获取每个物料质心的第二求和因子;
将每个物料质心的第一求和因子与第二求和因子的和值作为每个物料质心的滞留位置影响因子。
4.根据权利要求3所述的一种剔废接料滞留视觉检测方法,其特征在于,所述根据每个物料质心距离倾斜槽两侧边界的欧式距离获取每个物料质心的第二求和因子的方法为:
对于任意一幅倾斜槽灰度图像,将每个物料质心与其所有相同纵坐标的倾斜槽边界点之间欧式距离的累加和作为每个物料质心的第二求和因子。
5.根据权利要求1所述的一种剔废接料滞留视觉检测方法,其特征在于,所述根据物料质心所在线段两端的倾斜槽空隙之间的差异获取每幅倾斜槽灰度图像中每个物料质心的两极空隙差异指数的方法为:
式中,为物料质心的两极空隙差异指数,/>为物料线段上部u的区域面积,/>物料线段下部d的区域面积,/>为物料线段上部的第i个物料区域的面积,p为物料线段上部的物料区域的数目,/>为物料线段下部的第j个物料区域的面积,q为物料线段下部的物料区域的数目。
6.根据权利要求1所述的一种剔废接料滞留视觉检测方法,其特征在于,所述根据每幅倾斜槽灰度图像中每个物料质心的滞留位置影响因子和两极空隙差异指数获取每幅倾斜槽灰度图像中每个物料质心的滞留信息定位系数的方法为:
对于任意一幅倾斜槽灰度图像,将倾斜槽灰度图像中每个物料质心的滞留位置影响因子与两极空隙差异指数的乘积作为倾斜槽灰度图像中每个物料质心的滞留信息定位系数。
7.根据权利要求1所述的一种剔废接料滞留视觉检测方法,其特征在于,所述根据相邻时间点采集的倾斜槽灰度图像内的物料质心之间的欧式距离及物料质心的滞留信息定位系数之间的差异获取相邻时间点采集的倾斜槽灰度图像的二分图中的权值的方法为:
对于相邻时间点采集的倾斜槽灰度图像,根据物料质心的滞留信息定位系数之间的差异获取第一乘积因子;
将相邻时间点采集的倾斜槽灰度图像中物料质心之间的欧氏距离作为第二乘积因子;
将所述第一乘积因子与第二乘积因子之间乘积的负映射结果作为相邻时间点采集的倾斜槽灰度图像的二分图中的权值。
8.根据权利要求7所述的一种剔废接料滞留视觉检测方法,其特征在于,所述根据物料质心的滞留信息定位系数之间的差异获取第一乘积因子的方法为:
对于相邻时间点采集的倾斜槽灰度图像,将不同幅倾斜槽灰度图像中的两个物料质心的滞留信息定位系数之间的差值的绝对值作为相邻时间点采集的倾斜槽灰度图像的第一乘积因子。
9.根据权利要求1所述的一种剔废接料滞留视觉检测方法,其特征在于,所述将相邻时间点采集的倾斜槽灰度图像的带权值二分图作为KM最优匹配算法的输入,根据KM最优匹配算法的输出获取倾斜槽中的滞留物料的方法为:
将当前采集时间的倾斜槽灰度图像中所有的物料质心作为当前集合,将下一个采集时间的倾斜槽灰度图像中所有的物料质心作为匹配集合,对所述当前集合的每个元素和匹配集合中的每个元素进行连线构建边,构建相邻时间点采集的倾斜槽灰度图像的二分图;
将相邻时间点采集的倾斜槽灰度图像的二分图中的权值赋予二分图中的每条边上,将相邻时间点采集的倾斜槽灰度图像的带权值二分图作为KM最优匹配算法的输入,将KM最优匹配的输出作为匹配集合;
根据所述匹配集合获取每个物料在不同时间点采集的倾斜槽灰度图像中的位置信息,将在预设时间内没有发生位置变化的物料作为滞留物料。
10.根据权利要求1所述的一种剔废接料滞留视觉检测方法,其特征在于,所述根据倾斜槽中的滞留物料所占倾斜槽的面积获取剔废接料设备中物料滞留的严重程度,根据所述物料滞留的严重程度获取剔废接料的视觉检测结果的方法为:
根据所述滞留物料区域获取滞留物料区域所占剔废倾斜槽区域的总面积的物料滞留占比,当所述物料滞留占比大于预设参数时,判断该剔废接料的视觉检测结果中物料滞留情况严重,需要对剔废接料设备进行内部的滞留物料进行清除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311152699.9A CN116883413B (zh) | 2023-09-08 | 2023-09-08 | 一种剔废接料滞留视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311152699.9A CN116883413B (zh) | 2023-09-08 | 2023-09-08 | 一种剔废接料滞留视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883413A true CN116883413A (zh) | 2023-10-13 |
CN116883413B CN116883413B (zh) | 2023-12-01 |
Family
ID=88257236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311152699.9A Active CN116883413B (zh) | 2023-09-08 | 2023-09-08 | 一种剔废接料滞留视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883413B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474924A (zh) * | 2023-12-28 | 2024-01-30 | 山东鲁抗医药集团赛特有限责任公司 | 基于机器视觉的标签缺陷检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110007945A1 (en) * | 2008-03-14 | 2011-01-13 | Gerhard Youssefi | Fast algorithm for streaming wavefront |
CN105678810A (zh) * | 2016-01-12 | 2016-06-15 | 上海交通大学 | 基于全局和局部层次最优的细胞跟踪方法 |
CN106683077A (zh) * | 2016-12-07 | 2017-05-17 | 华南理工大学 | 一种扶梯口楼层板上大件物滞留检测方法 |
CN108053427A (zh) * | 2017-10-31 | 2018-05-18 | 深圳大学 | 一种基于KCF与Kalman的改进型多目标跟踪方法、***及装置 |
JP2018162997A (ja) * | 2017-03-24 | 2018-10-18 | 株式会社ミツトヨ | 情報処理装置及びプログラム |
CN115170608A (zh) * | 2022-06-27 | 2022-10-11 | 中冶京诚工程技术有限公司 | 物料跟踪方法及装置 |
CN115294123A (zh) * | 2022-10-08 | 2022-11-04 | 淄博永丰环保科技有限公司 | 一种基于图像视觉的瓦楞纸板质量检测方法 |
CN115830536A (zh) * | 2022-11-28 | 2023-03-21 | 湖南大学 | 滞留目标的检测方法、装置及存储介质 |
CN116245813A (zh) * | 2023-01-03 | 2023-06-09 | 中冶南方工程技术有限公司 | 一种双层剪废料滞留检测方法、终端设备及存储介质 |
CN116363127A (zh) * | 2023-05-31 | 2023-06-30 | 临沂中科芯华新材料科技有限公司 | 基于图像处理的全降解塑料制品质量检测方法 |
CN116703913A (zh) * | 2023-08-07 | 2023-09-05 | 山东大拇指喷雾设备有限公司 | 一种喷雾机喷雾质量检测方法 |
-
2023
- 2023-09-08 CN CN202311152699.9A patent/CN116883413B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110007945A1 (en) * | 2008-03-14 | 2011-01-13 | Gerhard Youssefi | Fast algorithm for streaming wavefront |
CN105678810A (zh) * | 2016-01-12 | 2016-06-15 | 上海交通大学 | 基于全局和局部层次最优的细胞跟踪方法 |
CN106683077A (zh) * | 2016-12-07 | 2017-05-17 | 华南理工大学 | 一种扶梯口楼层板上大件物滞留检测方法 |
JP2018162997A (ja) * | 2017-03-24 | 2018-10-18 | 株式会社ミツトヨ | 情報処理装置及びプログラム |
CN108053427A (zh) * | 2017-10-31 | 2018-05-18 | 深圳大学 | 一种基于KCF与Kalman的改进型多目标跟踪方法、***及装置 |
CN115170608A (zh) * | 2022-06-27 | 2022-10-11 | 中冶京诚工程技术有限公司 | 物料跟踪方法及装置 |
CN115294123A (zh) * | 2022-10-08 | 2022-11-04 | 淄博永丰环保科技有限公司 | 一种基于图像视觉的瓦楞纸板质量检测方法 |
CN115830536A (zh) * | 2022-11-28 | 2023-03-21 | 湖南大学 | 滞留目标的检测方法、装置及存储介质 |
CN116245813A (zh) * | 2023-01-03 | 2023-06-09 | 中冶南方工程技术有限公司 | 一种双层剪废料滞留检测方法、终端设备及存储介质 |
CN116363127A (zh) * | 2023-05-31 | 2023-06-30 | 临沂中科芯华新材料科技有限公司 | 基于图像处理的全降解塑料制品质量检测方法 |
CN116703913A (zh) * | 2023-08-07 | 2023-09-05 | 山东大拇指喷雾设备有限公司 | 一种喷雾机喷雾质量检测方法 |
Non-Patent Citations (1)
Title |
---|
陈子文;李伟;张文强;李云伍;李明生;李慧;: "基于自动Hough变换累加阈值的蔬菜作物行提取方法研究", 农业工程学报, no. 22 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474924A (zh) * | 2023-12-28 | 2024-01-30 | 山东鲁抗医药集团赛特有限责任公司 | 基于机器视觉的标签缺陷检测方法 |
CN117474924B (zh) * | 2023-12-28 | 2024-03-15 | 山东鲁抗医药集团赛特有限责任公司 | 基于机器视觉的标签缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116883413B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116883413B (zh) | 一种剔废接料滞留视觉检测方法 | |
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN109255787B (zh) | 基于深度学习和图像处理技术的丝锭划痕检测***及方法 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
EP2548147B1 (en) | Method to recognize and classify a bare-root plant | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN109636824B (zh) | 一种基于图像识别技术的多目标计数方法 | |
CN115018838B (zh) | 用于被氧化钢管材料表面麻点瑕疵的识别方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及*** | |
CN106485708A (zh) | 一种基于图像识别的圆木计数方法 | |
CN109684938A (zh) | 一种基于作物冠层航拍俯视图的甘蔗株数自动识别方法 | |
CN113538424B (zh) | 基于人工智能的木板节子分类数据识别方法 | |
CN109215009A (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN117115148B (zh) | 基于5g技术的芯片表面缺陷智能识别方法 | |
CN115100199A (zh) | 一种晶圆低纹理缺陷的检测方法 | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及*** | |
CN111398287A (zh) | 一种电池极片划痕检测***及检测方法 | |
CN115797361A (zh) | 一种铝模板表面缺陷检测方法 | |
CN115601307A (zh) | 一种细胞自动检测方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN108765426A (zh) | 自动图像分割方法及装置 | |
CN115131539B (zh) | 基于机器视觉的铝模板自动识别与分类*** | |
CN109064457B (zh) | 一种基于视觉的数量累计的方法及*** |
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 |