O型金属密封件亚像素尺寸检测方法的研究

doi:10.3778/j.issn.1002-8331.1505-0261

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (3): 216-220.DOI: 10.3778/j.issn.1002-8331.1505-0261

O型金属密封件亚像素尺寸检测方法的研究

丁伟1，丁松2

1.江苏科技大学张家港校区电气与信息工程学院，江苏张家港 215600
2.张家港三利密封合金材料有限公司，江苏张家港 215600

出版日期:2017-02-01 发布日期:2017-05-11

Research on O-shaped metal seal subpixel image dimension detection

DING Wei1, DING Song2

1.College of Electrical and Information Engineering, Jiangsu University of Science and Technology（Zhangjiagang）, Zhangjiagang, Jiangsu 215600, China
2.Zhangjiagang Sanli Sealing Alloy Material Co., Ltd., Zhangjiagang, Jiangsu 215600, China

Online:2017-02-01 Published:2017-05-11

摘要/Abstract

摘要： 针对在现实生产中，硬件受限的O型金属密封件机器视觉检测的问题，提出了在亚像素图像条件下的精确尺寸检测方法。利用分形插值和小波变换的改进边缘检测算法，实现亚像素图像的边缘检测；并用结合梯度的区域生长和距离直方图的改进算法，实现O型的尺寸检测和圆度校验。实验结果表明，提出的方法与传统方法相比计算速度快、边缘检测精度高、尺寸测量精度可达微米级。

关键词: 机器视觉, 亚像素, 边缘检测, O型尺寸检测

Abstract: In order to solve the machine vision detection problems of O-type metal seal under limited vision condition in real production, this paper proposes a precise subpixel dimension detection method. Using an improved edge detection algorithm based on fractal interpolation and wavelet transform to detect subpixel image edge; using an improved algorithm based on region growing of gradient and histogram of Euclidean distance to realize dimension detection and roundness verification. The experimental results indicate that compared with traditional method, the calculation speed of the new method proposed in this paper is faster, accuracy of edge detection is higher and dimension detection accuracy can achieve micrometer level.

Key words: machine vision, subpixel, edge detection, O-type dimension detection

丁伟1，丁松2. O型金属密封件亚像素尺寸检测方法的研究[J]. 计算机工程与应用, 2017, 53(3): 216-220.

DING Wei1, DING Song2. Research on O-shaped metal seal subpixel image dimension detection[J]. Computer Engineering and Applications, 2017, 53(3): 216-220.

[1]	彭昭勇，伍权，陈华伟，郑跃，王书祥. 基于文献计量的机器视觉缺陷检测研究述评[J]. 计算机工程与应用, 2021, 57(4): 28-34.
[2]	马庆禄，唐小垚. 融合时域和分水岭信息的车辆检测算法[J]. 计算机工程与应用, 2021, 57(24): 227-233.
[3]	畅雅雯，赵冬青，单彦虎. 多特征融合和自适应聚合的立体匹配算法研究[J]. 计算机工程与应用, 2021, 57(23): 219-225.
[4]	齐小祥，李敏，朱颖，宋雨，杜卫东. 基于边缘检测的SAR图像自适应区域分割[J]. 计算机工程与应用, 2021, 57(22): 232-240.
[5]	许洋洋，李伟，王杰. 利用事件和期限驱动对机器人延时的优化[J]. 计算机工程与应用, 2021, 57(17): 260-268.
[6]	李忠海，白秋阳，王富明，刘海荣. 基于语义分割的钢轨表面缺陷实时检测系统[J]. 计算机工程与应用, 2021, 57(12): 248-256.
[7]	赵艳，左保齐. 机器视觉在织物疵点检测上的应用研究综述[J]. 计算机工程与应用, 2020, 56(2): 11-17.
[8]	何文斌，魏爱云，明五一，贾豪杰. 基于机器视觉的水果品质检测综述[J]. 计算机工程与应用, 2020, 56(11): 10-16.
[9]	马冬梅，贺三三，杨彩锋，严春满. 特征融合型卷积神经网络的语义分割[J]. 计算机工程与应用, 2020, 56(10): 193-198.
[10]	郭倩，张福杨，孙农亮. 融合多特征表示和超像素优化的双目立体匹配[J]. 计算机工程与应用, 2020, 56(1): 216-223.
[11]	涂兵1，2，3，张晓飞1，3，潘建武1，3，张国云1，2，3，周紫璇1，3. 多特征与边缘校正融合的天际线检测算法研究[J]. 计算机工程与应用, 2019, 55(6): 178-185.
[12]	孙梦茹，王瑜，邢素霞. 基于结构局部边缘模式的绿色植物物种识别[J]. 计算机工程与应用, 2019, 55(3): 167-170.
[13]	韩彬，杨大利. 基于透射变换的印刷品图像归一化研究[J]. 计算机工程与应用, 2019, 55(23): 188-193.
[14]	聂东林，王洪辉，王翔，孟令宇. 基于图像处理的滑坡后缘裂缝运动轨迹分析[J]. 计算机工程与应用, 2019, 55(22): 201-205.
[15]	王玉源，徐杰，吉卫喜. 基于监督式机器学习的零件几何特征智能识别[J]. 计算机工程与应用, 2019, 55(22): 225-230.

O型金属密封件亚像素尺寸检测方法的研究

Research on O-shaped metal seal subpixel image dimension detection

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics