开云优惠体育网页版入口

一种汽车工件装配图像识别方法及系统

摘要：本发明涉及数据处理技术领域，具体涉及一种汽车工件装配图像识别方法及系统。该方法包括：对目标分析图像进行下采样获得不同组的采样图像；对每组采样图像分别进行高斯：筒罘只竦貌煌榈牟罘滞枷瘢换袢』叶戎狈酵贾忻扛霾ü扔氩ǚ逯涞姆指畹悖换竦靡桓霾ü惹蚰诿扛鱿袼氐愕娜ㄖ刂担换竦寐痔サ淖钚⊥饨泳匦蔚闹行牡，计算每个像素点到中心点的距离；利用波谷区域内一个像素点的权重值，和像素点到中心点的距离获得像素点的关键点权重值；获得每个像素点邻域内关键点权重值最大的像素点，记为关键点；利用两个轮毂图像中的关键点进行匹配判断轮毂规格是否相同。本发明能够准确的识别两个轮毂规格是否相同。

专利类型：发明专利

专利申请号：CN202211205106.6

专利申请（专利权）人：南通鑫生派智能开云优惠体育网页版入口有限公司
权利人地址：江苏省南通市如东经济开发区牡丹江路159号B1栋

专利发明（设计）人： 袁炎炎

主权利要求:一种汽车工件装配图像识别方法及系统
技术领域
[0001] 本发明涉及数据处理技术领域，具体涉及一种汽车工件装配图像识别方法及系统。
背景技术
[0002] 汽车是各种零件的有机组合体；汽车生产的最后一道工序必定是装配，将若干零件结合成部件称为部装，把零件和部件结合成最终产品称为总装，两者都可以统称为装配。汽车轮胎的部装也属于汽车装配过程，在轮胎生产装配过程中可能出现各种轮胎装配质量缺陷。包括严重的零件规格不符和轻微的轮胎标识问题等等。对于可能造成安全隐患的装配缺陷一定要及时发现，禁止组装销售。
[0003] 常规的轮胎装配识别方法有sift角点匹配，通过关键点匹配发现匹配错误的角点，从而判断装配不合格。由于轮胎的纹理较复杂，存在很多对于轮毂匹配无用的纹理，而常规的sift角点匹配时会将轮胎中所有的角点都检测出来，其中一些对于我们角点匹配判断零件规格来说没用作用的角点也会被进行匹配，这样一来会造成较大的计算冗余，同时数据存储量也大，提高了对于计算机设备硬件的要求。
发明内容
[0004] 为了解决上述技术问题，本发明的目的在于提供一种汽车工件装配图像识别方法及系统，所采用的技术方案具体如下：
[0005] 第一方面，本发明一个实施例提供了一种汽车工件装配图像识别方法：
[0006] 采集轮毂的表面图像并进行预处理得到目标分析图像；对目标分析图像进行下采样获得不同组的采样图像；对每组采样图像分别进行高斯：筒罘只竦貌煌榈牟罘滞枷瘢
[0007] 提取同一组差分图像的三维直方图，其中三维直方图包括灰度直方图和梯度直方图；计算灰度直方图中每两个相邻的灰度级对应频数的骤变程度；获取灰度直方图中每个波谷与波峰之间的骤变程度的最大值对应的点作为分割点；与一个波谷相邻的两个波峰之间的两个分割点之间的区域为该波谷对应的波谷区域；基于梯度直方图获得一个波谷区域内每个像素点的权重值；
[0008] 获得轮胎的最小外接矩形的中心点，计算每个像素点到中心点的距离；利用波谷区域内一个像素点的权重值，和像素点到中心点的距离获得像素点的关键点权重值；获得每个像素点邻域内关键点权重值最大的像素点，记为关键点；利用两个轮毂图像中的关键点进行匹配判断轮毂规格是否相同。
[0009] 优选地，采集轮毂的表面图像并进行预处理得到目标分析图像包括：对表面图像进行语义分割获得只包含轮毂的图像；将只包含轮毂的图像灰度化获得目标分析图像。
[0010] 优选地，对每组采样图像分别进行高斯：筒罘只竦貌煌榈牟罘滞枷癜：对同一组采样图像使用相同的高斯：讲 ，但同一组内不同层采样图像又使用不同的权重系数K 进行高斯：欢酝蛔榈母咚鼓：蟮南嗔诘牟裳枷窠胁罘只竦貌罘滞枷，将尺寸相同的差分图像分为一组。
[0011] 优选地，提取同一组差分图像的三维直方图包括：三维直方图的x轴为灰度值，y轴为梯度，z轴为频数。
[0012] 优选地，骤变程度为：
[0013]
[0014] 其中， 表示每两个相邻的灰度级对应频数的骤变程度； 为第i个灰度级对应的像素频数， 表示第i+1个灰度级对应的像素频数； 为第i个像素点对应的灰度值，表示第i+1个像素点对应的灰度值。
[0015] 优选地，每个像素点的权重值为：
[0016]
[0017] 其中， 为波谷区域中的第i个像素点的梯度值， 为波谷区域的像素点的梯度均值； 分别为波谷区域的像素点的最大梯度值和最小梯度值。
[0018] 优选地，每个像素点的关键点权重值为：
[0019]
[0020] 其中， 为波谷区域内一个像素点的权重值，d为波谷区域内一个像素点距离轮胎中心点的距离；e表示自然常数。
[0021] 优选地，用两个轮毂图像中的关键点进行匹配判断轮毂规格是否相同包括：获得将要进行装配的轮毂和标准轮毂的目标分析图中的关键点；将要进行装配的轮毂和标准轮毂的目标分析图中的相对应的关键点相连接获得多条连线；若连线之间相互平行则两个轮胎的规格相同；若两线之间不平行则两个轮胎规格不同。
[0022] 第二方面，本发明还提供了一种汽车工件装配图像识别系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种汽车工件装配图像识别方法的步骤。
[0023] 本发明实施例至少具有如下有益效果：对目标分析图像进行下采样获得不同组的采样图像；对每组采样图像分别进行高斯：筒罘只竦貌煌榈牟罘滞枷瘢换袢』叶戎狈酵贾忻扛霾ü扔氩ǚ逯涞姆指畹悖换竦靡桓霾ü惹蚰诿扛鱿袼氐愕娜ㄖ刂担换竦寐痔サ淖钚⊥饨泳匦蔚闹行牡，计算每个像素点到中心点的距离；利用波谷区域内一个像素点的权重值，和像素点到中心点的距离获得像素点的关键点权重值；获得每个像素点邻域内关键点权重值最大的像素点，记为关键点；利用两个轮毂图像中的关键点进行匹配判断轮毂规格是否相同。本发明通过直方图进行边缘点的筛选与抽。９婀丶闵秆〖跎倭思扑懔，并未常规筛选合适的关键点提高了准确度。本发明从所有边缘点中筛选出最外圈轮廓边缘点，并为其赋予更大的关键点权重值，使得sift角点匹配更加适用于轮胎规格识别中，提高了识别准确率。
附图说明
[0024] 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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
[0025] 图1为本发明实施例提供的一种汽车工件装配图像识别方法的方法流程图。
具体实施方式
[0026] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种汽车工件装配图像识别方法和系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0027] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0028] 下面结合附图具体的说明本发明所提供的一种汽车工件装配图像识别方法的具体方案。
[0029] 实施例1：
[0030] 本发明的主要应用场景为：汽车工件装配过程中的汽车轮胎装配，可能出现给标准胎面装配上不符合规格的轮毂，故在轮胎装配前运输的过程中进行轮毂规格识别。
[0031] 本发明的主要目的是：使用sift角点匹配算法识别轮胎装配过程中轮毂是否符合规格，对于不符合规格的轮毂及时停止生产运行，减少次品生产率。
[0032] 请参阅图1，其示出了本发明一个实施例提供的一种汽车工件装配图像识别方法的方法流程图，该方法包括以下步骤：
[0033] 步骤S1，采集轮毂的表面图像并进行预处理得到目标分析图像；对目标分析图像进行下采样获得不同组的采样图像；对每组采样图像分别进行高斯：筒罘只竦貌煌榈牟罘滞枷。
[0034] 对图像进行角点匹配时不可缺少的步骤时图像金字塔采样，图像高斯：，：枷癫罘，然后识别关键点，提取关键点特征进行匹配。故对关键点选取进行辅助时需要按照角点匹配的步骤进行。
[0035] 轮胎装配时会先将轮毂放置在生产运输线上，另一条生产线上放置的是胎面，故在轮毂运输线上方放置相机采集系统，向下采集每个轮毂的表面图像。由于采集到的图像包含生产线等背景图像，故对表面图像进行语义分割，是的所有生产线背景为黑色区域，所有轮毂区域保留原色。将予以分割后的图像进行灰度转换，获得目标分析图像。
[0036] sift角点匹配要进行图像下采样和高斯：哪康亩际俏嘶竦糜氤叨任薰氐奶卣，即随着图像降分辨率，降清晰度，但是某些稳定的特征始终不会改变，那么这些稳定的特征就是后续要寻找的关键点。故下采样与高斯：哪康亩际俏撕笮罢夜丶阕鲎急。
[0037] 将轮毂的目标分析图像进下采样，即每次采样在上一次的基础上减少偶数行和偶数列的元素，使得采样的图像变为原来的目标分析图像的四分之一，最终所有采样的图像呈现金字塔形状的减小。根据下采样获得n组不同分辨率的采样图像，每一组有m张相同分辨率的采样图像。
[0038] 然后对下采样获得的采样图像进行不同程度的高斯：，对同一组采样图像使用相同的高斯：讲 ，但同一组内不同层采样图像又使用不同的权重系数K 进行高斯：，使得每一组内的采样图像得到不同程度的：。
[0039] 高斯：，对同一组的相邻的采样图像进行差分，将差分后尺寸相同的图像分为一组，同样最后会有n组差分图像，每一组有m?1张差分图像。后续在差分图像的基础上提取极值关键点。
[0040] 步骤S2，提取同一组差分图像的三维直方图，其中三维直方图包括灰度直方图和梯度直方图；计算灰度直方图中每两个相邻的灰度级对应频数的骤变程度；获取灰度直方图中每个波谷与波峰之间的骤变程度的最大值对应的点作为分割点；与一个波谷相邻的两个波峰之间的两个分割点之间的区域为该波谷对应的波谷区域；基于梯度直方图获得一个波谷区域内每个像素点的权重值。
[0041] 由于轮毂最最主要的规格就是轮毂的直径，因此在使用角点匹配判断轮毂规格质量时就必须采集轮毂最外圈的轮毂边缘上的像素点作为关键点进行后续匹配。故先找出所有边缘像素点赋予一定的关键点权重，再找出轮毂最外圈边缘像素点叠加更大的权重，为后续的关键点选取做数据准备。
[0042] 边缘像素点往往是角点匹配的重点目标，因为边缘信息很多时候代表了目标物体的轮廓等等。常规的边缘识别提取到的边缘像素点存在拟合的情况，即将本来断裂的边缘进行拟合起来，但是差分图像中本身就丧失了一些弱的边缘信息，不需要将其拟合起来，因为此处不使用边缘识别算法获得边缘像素点。
[0043] 提取同一组差分图像的灰度?梯度的三维直方图，x轴为灰度值，y轴为梯度，z轴为频数，所以三维直方图包括灰度直方图和梯度直方图，x轴和z轴组成灰度直方图，y轴和z轴组成梯度直方图。边缘点像素点数量较少，处于直方图中的波谷位置；但是波谷是相对于波峰说的，部分波谷的频数可能大于某些波峰的频数，故不能将波谷区域直接确定为边缘区域，还需要考虑波谷区域对应的梯度值，因为边缘点的梯度值是整个图像中最大的。
[0044] 故先根据灰度直方图中频数的骤变程度选出所有波谷区域，计算灰度直方图上两两灰度级对应频数的骤变程度：
[0045]
[0046] 其中， 表示每两个相邻的灰度级对应频数的骤变程度； 为第i个灰度级对应的像素频数， 表示第i+1个灰度级对应的像素频数； 为第i个像素点对应的灰度值，表示第i+1个像素点对应的灰度值。
[0047] 计算了前后相邻的两个灰度级间的频数差异，相当于斜率，用来表示相邻两个灰度级间的频数的骤变程度。
[0048] 选取每个波谷与波峰之间的 ，作为当前这段区域的波峰波谷的分割点。将每个波谷与其相邻的两个波峰之间的分割点 之间的区域 作为当
前波谷对应的边缘点区间范围，也即是波谷区域，波谷区域内的像素点为边缘像素点。
[0049] 对于选中的波谷区域并非都是边缘像素点灰度区间，需要根据梯度再次筛选梯度较大的边缘像素点。对上述提取的波谷区域，计算波谷区域像素点的梯度均值 ，对上述选出来的波谷区域像素点根据梯度为其赋予关键点的权重值为：
[0050]
[0051] 其中， 为波谷区域中的第i个像素点的梯度值， 为波谷区域的像素点的梯度均值； 分别为波谷区域的像素点的最大梯度值和最小梯度值。
[0052] 目的是计算各点到梯度均值的梯度距离，当该值小于0时，可以直接抛弃该点，不作为后续的边缘点进行分析；
[0053] 目的是对上述梯度距离进行归一化操作，使其计算结果始终处于0和1之间，为赋予关键点权重提供数据便利。
[0054] 上述 的值越大时，赋予的权重值也就越大，即该点后续作为关键点匹配的可能性越大。
[0055] 步骤S3，获得轮胎的最小外接矩形的中心点，计算每个像素点到中心点的距离；利用波谷区域内一个像素点的权重值，和像素点到中心点的距离获得像素点的关键点权重值；获得每个像素点邻域内关键点权重值最大的像素点，记为关键点；利用两个轮毂图像中的关键点进行匹配判断轮毂规格是否相同。
[0056] 对于上述选取出来的波谷区域内的像素点包括了轮胎上的所有边缘点，故需要进一步筛。钪斩月朱弊钔馊Ρ咴档愀秤枳畲蟮墓丶闳ㄖ刂。
[0057] 轮胎最外圈轮廓相对于其他边缘的特征是：最外圈轮廓边缘为圆形，圆心为轮胎中心点，边缘上各点到轮胎中心的距离相等，并且连续程度最大的边缘像素点。
[0058] 对轮胎灰度图上各点根据上述直方图筛。Ａ粝路咸跫的点，并对符合条件的点赋予了其合适的关键点权重。
[0059] 提取轮胎的最小外接矩形，并将最小外接矩形的对角线交点作为轮胎中心点，以该点为原点建立直角坐标系，计算其余各像素点到中心像素点的距离d，并将像素点按照距离相同进行分类 ，将距离相同的像素点分为一类。由于距离中心点最远的边缘为最外全轮廓边缘，故当d越大时，像素点是最外圈轮廓边缘点的概率越大。故根据距离计算波谷区域内每个像素点的关键点权重值为：
[0060]
[0061] 其中， 为波谷区域内一个像素点的权重值，d为波谷区域内一个像素点距离轮胎中心点的距离；e表示自然常数； 目的是对距离进行归一化操作，使得距离与关键点权重之间满足距离越大，关键点权重值越大，故使用 ，当d增大时，减。 增大。的目的是使用第一次求得的关键点权重值为最终求关键点权重值做一个权重约束，因为根据第一次求得的 权重值有正有负，负数代表了该像素点不应该选为关键点，为了使其最终的关键点权重值为负，因而将二者进行乘运算。上述获得 为最终的波谷区域内像素点的关键点权重值，当该值越大，后续会被选取为关键点的可能性越大。
[0062] 上述分两步为像素点赋予了关键点权重值，第一步通过使用直方图方便快速的选取了合适的为可能为边缘像素点的像素点，第二步对所有的波谷区域内的像素点进行二次筛。痔プ钔馊β掷咴档愀秤枇俗畲蟮娜ㄖ刂，这样使得后续关键点提取时能够尽最大可能的选取最外圈轮廓边缘点作为关键点，使得判断轮胎规格时能正好通过匹配轮胎直径而进行判断是否合格。
[0063] 对目标分析图像中每个像素点将其与(M?5)*(N?5)邻域内相邻点比较（其中M、N为当前识别层图像的尺寸），并为每个像素点点赋予上述的权重值f(γ)，然后选出极大值点作为关键点。对于正要进行装配的轮毂和当前的标准规格轮毂，都是用上述方法提取其关键点。然后将两幅图像中相对应的关键点进行连线，至此完成了两个轮胎的匹配。
[0064] 分析上述连线之间是否平行，如果所有直线都是平行时，说明这两个轮胎的直径大。垂娓裣嗤，可以进行装配；反之如果出现连线呈现发射状或其他不平行状态时，说明两个轮胎直径大小不一样，规格不相同，应及时停止装配。
[0065] 实施例2：
[0066] 本实施例提供了一种汽车工件装配图像识别系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种汽车工件装配图像识别方法的步骤。由于实施例1已经对一种汽车工件装配图像识别方法进行了详细的阐述，此处不再过多介绍。
[0067] 需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0068] 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。
[0069] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，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。

专利地区：江苏

专利申请日期：2022-09-30

专利公开日期：2022-12-23

专利公告号：CN115311479B