一种基于机器视觉的生产线上瓶体的定位方法

摘要

本发明公开了一种基于机器视觉的生产线上瓶体的定位方法，包括以下步骤：步骤1：采集瓶体的图像以及对图像进行预处理；步骤2：提取多组瓶体外边缘点集：对预处理后的图像进行纵向直线轨迹和定点圆轨迹的两次扫描，并利用最小偏差绝对值和的方法有效去除误差点；步骤3：对边缘点集进行整合，并将整合后的边缘点集实施最小二乘法进行直线拟合，得到边缘特征线集；步骤4：根据线集元素之间的相交性关系求出异型瓶瓶身的定位特征角点，并根据特征角点得到包括瓶身偏转角、瓶高、瓶宽、几何中心的瓶身特征信息。该基于机器视觉的生产线上瓶体的定位方法能自动识别、快速精准定位。

主权项

1.一种基于机器视觉的生产线上瓶体的定位方法，其特征在于，包括以下步骤：步骤1：采集瓶体的图像以及对图像进行预处理；步骤2：提取多组瓶体外边缘点集：对预处理后的图像进行纵向直线轨迹和定点圆轨迹的两次扫描，并利用最小偏差绝对值和的方法有效去除误差点；步骤3：对边缘点集进行整合，并将整合后的边缘点集实施最小二乘法进行直线拟合，得到边缘特征线集；步骤4：根据线集元素之间的相交性关系求出异型瓶瓶身的定位特征角点，并根据特征角点得到包括瓶身偏转角、瓶高、瓶宽、几何中心的瓶身特征信息；步骤2的具体实现过程为：①纵向直线轨迹线扫描提取瓶体直线外边缘点集：在边缘图像中均匀纵向取直线2h+1条，从直线的两端向中间扫描,记录第一个非零点的图像坐标分别抽取瓶体轮廓上边缘线上点集B_lu和下边缘线上点集B_ld；其中，2≤h≤I_Width/2，I_Width为图像宽度；②用最小偏差绝对值和的方法在上下边缘点集中去除粗大误差点；在上边缘点集B_lu中，每相邻两点确定一条直线，则总共可以确定2h条直线，记为线集L_lu：$L_{\mathrm{lu}}=\left\{L^{\left(i\right)}(X_{\mathrm{lu}}^{\left(i\right)},X_{\mathrm{lu}}^{(i+1)})\right|i\in \left[\mathrm{1,2}h\right],X_{\mathrm{lu}}^{\left(i\right)}\in B_{\mathrm{lu}}\};$在下边缘点集B_ld中，同样的方式也可以确定2h条直线，记为线集L_ld：$L_{\mathrm{ld}}=\left\{L^{\left(i\right)}(X_{\mathrm{ld}}^{\left(i\right)},X_{\mathrm{ld}}^{(i+1)})\right|i\in \left[\mathrm{1,2}h\right],X_{\mathrm{ld}}^{\left(i\right)}\in B_{\mathrm{ld}}\};$对于特征线集L_lu中的每个元素，求取特征点集B_lu中的每个点到它的距离之和，记为：$D_{\mathrm{lu}}^{\left(i\right)}=\underset{j=1}{\overset{2h+1}{\Sigma }}\left|d(X_{\mathrm{lu}}^{\left(j\right)},L_{\mathrm{lu}}^{\left(i\right)})\right|;$其中，$d(X_{\mathrm{lu}}^{\left(j\right)},L_{\mathrm{lu}}^{\left(i\right)})=\frac{|\left(\frac{y_{\mathrm{lu}}^{(i+1)}-y_{\mathrm{lu}}^{\left(i\right)}}{x_{\mathrm{lu}}^{(i+1)}-x_{\mathrm{lu}}^{\left(i\right)}}\right)x_{\mathrm{lu}}^{\left(j\right)}-y_{\mathrm{lu}}^{\left(j\right)}+(y_{\mathrm{lu}}^{\left(i\right)}-\left(\frac{y_{\mathrm{lu}}^{(i+1)}-y_{\mathrm{lu}}^{\left(i\right)}}{x_{\mathrm{lu}}^{(i+1)}-x_{\mathrm{lu}}^{\left(i\right)}}\right)x_{\mathrm{lu}}^{\left(i\right)})|}{\sqrt{1+{\left(\frac{y_{\mathrm{lu}}^{(i+1)}-y_{\mathrm{lu}}^{\left(i\right)}}{x_{\mathrm{lu}}^{(i+1)}-x_{\mathrm{lu}}^{\left(i\right)}}\right)}^2}};$在所有中取最小值其对应的直线记为将满足$d(X_{\mathrm{lu}}^{\left(j\right)},L_{\mathrm{lu}}^{*})>ϵ,$j=1,2,…,2h+1的点从点集B_lu中删除，形成新的点集同理，对于特征线集L_ld中的每个元素，求取特征点集B_ld中的每个点到它的距离之和，记为：$D_{\mathrm{ld}}^{\left(i\right)}=\underset{j=1}{\overset{2h+1}{\Sigma }}\left|d(X_{\mathrm{ld}}^{\left(j\right)},L_{\mathrm{ld}}^{\left(i\right)})\right|;$其中，$d(X_{\mathrm{ld}}^{\left(j\right)},L_{\mathrm{ld}}^{\left(i\right)})=\frac{|\left(\frac{y_{\mathrm{ld}}^{(i+1)}-y_{\mathrm{ld}}^{\left(i\right)}}{x_{\mathrm{ld}}^{(i+1)}-x_{\mathrm{ld}}^{\left(i\right)}}\right)x_{\mathrm{ld}}^{\left(j\right)}-y_{\mathrm{ld}}^{\left(j\right)}+(y_{\mathrm{ld}}^{\left(i\right)}-\left(\frac{y_{\mathrm{ld}}^{(i+1)}-y_{\mathrm{ld}}^{\left(i\right)}}{x_{\mathrm{ld}}^{(i+1)}-x_{\mathrm{ld}}^{\left(i\right)}}\right)x_{\mathrm{ld}}^{\left(i\right)})|}{\sqrt{1+{\left(\frac{y_{\mathrm{ld}}^{(i+1)}-y_{\mathrm{ld}}^{\left(i\right)}}{x_{\mathrm{ld}}^{(i+1)}-x_{\mathrm{ld}}^{\left(i\right)}}\right)}^2}};$在所有中取最小值其对应的直线记为将满足$d(X_{\mathrm{ld}}^{\left(j\right)},L_{\mathrm{ld}}^{*})>ϵ,$j=1,2,…,2h+1的点从点集B_lu中删除，形成新的点集③圆轨迹扫描提取瓶身肩部和底部外边缘点集：在点集和中，选取最靠近左上角、右上角、左下角、右下角的点O_lu、O_ru、O_ld、O_rd作为圆轨迹扫描的4个基准圆心；以这四个基准圆心产生4组每组2g+1个半径不同的同心圆的圆轨迹扫描线；其中，2≤g≤I_height/5，I_height为图像高度；在圆轨迹扫描过程中为了能够准确无误的抽取边缘点，需要设置圆轨迹扫描角步长，不同半径的圆轨迹扫描时应该使用不同的角步长关系如下：其中，R是圆轨迹扫描半径；经过四组圆轨迹扫描，可以分别抽取到上肩部外边缘点集B_clu、下肩部外边缘点集B_cld、上底部外边缘点集B_cru和下底部外边缘点集B_crd；④用最小偏差绝对值和的方法在肩部、底部边缘点集中去除误差点：在上肩部外边缘点集B_clu中，每相邻两点确定一条直线，则总共可以确定2g条直线，记为线集L_clu：$L_{\mathrm{clu}}=\left\{L^{\left(i\right)}(X_{\mathrm{clu}}^{\left(i\right)},X_{\mathrm{clu}}^{(i+1)})\right|i\in \left[\mathrm{1,2}g\right],X_{\mathrm{clu}}^{\left(i\right)}\in B_{\mathrm{clu}}\};$在下肩部边缘点集B_cld，上底部外边缘点集B_cru，下底部外边缘点集B_crd中，每相邻两点确定一条直线，各确定2g条直线，分别记为线集L_cld、L_cru、L_crd$L_{\mathrm{cld}}=\left\{L^{\left(i\right)}(X_{\mathrm{cld}}^{\left(i\right)},X_{\mathrm{cld}}^{(i+1)})\right|i\in \left[\mathrm{1,2}g\right],X_{\mathrm{cld}}^{\left(i\right)}\in B_{\mathrm{cld}}\};$$L_{\mathrm{cru}}=\left\{L^{\left(i\right)}(X_{\mathrm{cru}}^{\left(i\right)},X_{\mathrm{cru}}^{(i+1)})\right|i\in \left[\mathrm{1,2}g\right],X_{\mathrm{cru}}^{\left(i\right)}\in B_{\mathrm{cru}}\};$$L_{\mathrm{crd}}=\left\{L^{\left(i\right)}(X_{\mathrm{crd}}^{\left(i\right)},X_{\mathrm{crd}}^{(i+1)})\right|i\in \left[\mathrm{1,2}g\right],X_{\mathrm{crd}}^{\left(i\right)}\in B_{\mathrm{crd}}\};$（1）对于特征线集L_clu中的每个元素，求取特征点集B_clu中的每个点到它的距离之和，记为：$D_{\mathrm{clu}}^{\left(i\right)}=\underset{j=1}{\overset{2g+1}{\Sigma }}\left|d(X_{\mathrm{clu}}^{\left(j\right)},L_{\mathrm{clu}}^{\left(i\right)})\right|;$其中，$d(X_{\mathrm{clu}}^{\left(j\right)},L_{\mathrm{clu}}^{\left(i\right)})=\frac{|\left(\frac{y_{\mathrm{clu}}^{(i+1)}-y_{\mathrm{clu}}^{\left(i\right)}}{x_{\mathrm{clu}}^{(i+1)}-x_{\mathrm{clu}}^{\left(i\right)}}\right)x_{\mathrm{clu}}^{\left(j\right)}-y_{\mathrm{clu}}^{\left(j\right)}+(y_{\mathrm{clu}}^{\left(i\right)}-\left(\frac{y_{\mathrm{clu}}^{(i+1)}-y_{\mathrm{clu}}^{\left(i\right)}}{x_{\mathrm{clu}}^{(i+1)}-x_{\mathrm{clu}}^{\left(i\right)}}\right)x_{\mathrm{clu}}^{\left(i\right)})|}{\sqrt{1+{\left(\frac{y_{\mathrm{clu}}^{(i+1)}-y_{\mathrm{clu}}^{\left(i\right)}}{x_{\mathrm{clu}}^{(i+1)}-x_{\mathrm{clu}}^{\left(i\right)}}\right)}^2}};$在所有中取最小值其对应的直线记为将满足$d(X_{\mathrm{clu}}^{\left(j\right)},L_{\mathrm{clu}}^{*})>ϵ,$j=1,2,…,2g+1的点从点集B_clu中删除，形成新的点集（2）对于特征线集L_cld中的每个元素，求取特征点集B_cld中的每个点到它的距离之和，记为：$D_{\mathrm{cld}}^{\left(i\right)}=\underset{j=1}{\overset{2g+1}{\Sigma }}\left|d(X_{\mathrm{cld}}^{\left(j\right)},L_{\mathrm{cld}}^{\left(i\right)})\right|;$其中，$d(X_{\mathrm{cld}}^{\left(j\right)},L_{\mathrm{cld}}^{\left(i\right)})=\frac{|\left(\frac{y_{\mathrm{cld}}^{(i+1)}-y_{\mathrm{cld}}^{\left(i\right)}}{x_{\mathrm{cld}}^{(i+1)}-x_{\mathrm{cld}}^{\left(i\right)}}\right)x_{\mathrm{cld}}^{\left(j\right)}-y_{\mathrm{cld}}^{\left(j\right)}+(y_{\mathrm{cld}}^{\left(i\right)}-\left(\frac{y_{\mathrm{cld}}^{(i+1)}-y_{\mathrm{cld}}^{\left(i\right)}}{x_{\mathrm{cld}}^{(i+1)}-x_{\mathrm{cld}}^{\left(i\right)}}\right)x_{\mathrm{cld}}^{\left(i\right)})|}{\sqrt{1+{\left(\frac{y_{\mathrm{cld}}^{(i+1)}-y_{\mathrm{cld}}^{\left(i\right)}}{x_{\mathrm{cld}}^{(i+1)}-x_{\mathrm{cld}}^{\left(i\right)}}\right)}^2}};$在所有中取最小值其对应的直线记为将满足$d(X_{\mathrm{cld}}^{\left(j\right)},L_{\mathrm{cld}}^{*})>ϵ,$j=1,2,…,2g+1；的点从点集B_clu中删除，形成新的点集（3）对于特征线集L_cru中的每个元素，求取特征点集B_cru中的每个点到它的距离之和，记为：$D_{\mathrm{cru}}^{\left(i\right)}=\underset{j=1}{\overset{2g+1}{\Sigma }}\left|d(X_{\mathrm{cru}}^{\left(j\right)},L_{\mathrm{cru}}^{\left(i\right)})\right|;$其中，$d(X_{\mathrm{cru}}^{\left(j\right)},L_{\mathrm{cru}}^{\left(i\right)})=\frac{|\left(\frac{y_{\mathrm{cru}}^{(i+1)}-y_{\mathrm{cru}}^{\left(i\right)}}{x_{\mathrm{cru}}^{(i+1)}-x_{\mathrm{cru}}^{\left(i\right)}}\right)x_{\mathrm{cru}}^{\left(j\right)}-y_{\mathrm{cru}}^{\left(j\right)}+(y_{\mathrm{cru}}^{\left(i\right)}-\left(\frac{y_{\mathrm{cru}}^{(i+1)}-y_{\mathrm{cru}}^{\left(i\right)}}{x_{\mathrm{cru}}^{(i+1)}-x_{\mathrm{cru}}^{\left(i\right)}}\right)x_{\mathrm{cru}}^{\left(i\right)})|}{\sqrt{1+{\left(\frac{y_{\mathrm{cru}}^{(i+1)}-y_{\mathrm{cru}}^{\left(i\right)}}{x_{\mathrm{cru}}^{(i+1)}-x_{\mathrm{cru}}^{\left(i\right)}}\right)}^2}};$在所有中取最小值其对应的直线记为将满足$d(X_{\mathrm{cru}}^{\left(j\right)},L_{\mathrm{cru}}^{*})>ϵ,$j=1,2,…,2g+1的点从点集B_clu中删除，形成新的点集（4）对于特征线集L_crd中的每个元素，求取特征点集B_crd中的每个点到它的距离之和，记为：$D_{\mathrm{crd}}^{\left(i\right)}=\underset{j=1}{\overset{2g+1}{\Sigma }}\left|d(X_{\mathrm{crd}}^{\left(j\right)},L_{\mathrm{crd}}^{\left(i\right)})\right|;$其中，$d(X_{\mathrm{crd}}^{\left(j\right)},L_{\mathrm{crd}}^{\left(i\right)})=\frac{|\left(\frac{y_{\mathrm{crd}}^{(i+1)}-y_{\mathrm{crd}}^{\left(i\right)}}{x_{\mathrm{crd}}^{(i+1)}-x_{\mathrm{crd}}^{\left(i\right)}}\right)x_{\mathrm{crd}}^{\left(j\right)}-y_{\mathrm{crd}}^{\left(j\right)}+(y_{\mathrm{crd}}^{\left(i\right)}-\left(\frac{y_{\mathrm{crd}}^{(i+1)}-y_{\mathrm{crd}}^{\left(i\right)}}{x_{\mathrm{crd}}^{(i+1)}-x_{\mathrm{crd}}^{\left(i\right)}}\right)x_{\mathrm{crd}}^{\left(i\right)})|}{\sqrt{1+{\left(\frac{y_{\mathrm{crd}}^{(i+1)}-y_{\mathrm{crd}}^{\left(i\right)}}{x_{\mathrm{crd}}^{(i+1)}-x_{\mathrm{crd}}^{\left(i\right)}}\right)}^2}};$在所有中取最小值其对应的直线记为将满足$d(X_{\mathrm{crd}}^{\left(j\right)},L_{\mathrm{crd}}^{*})>ϵ,$j=1,2,…,2g+1的点从点集B_clu中删除，形成新的点集步骤3的具体实现过程为：首先对上边缘、下边缘、上肩部外边缘、下肩部外边缘、上底部外边缘、下底部外边缘六组边缘点集进行整合：将上肩部边缘点集重新记为将下肩部边缘点集重新记为将上底部边缘点集和下底部边缘点集求并，整合成新的底边缘点集保持和不变；于是，六组点集被重新整合为五组；然后，使用最小二乘法对五组点集分别进行拟合：最小二乘法进行直线拟合的拟合多项式为：y=b+kx，其中k为直线斜率，b为y轴截距；使用点集分别得到拟合直线至此，由特征边缘点集上升到了边缘特征线集：$L=\{L_{\mathrm{lu}}^{*},L_{\mathrm{ld}}^{*},L_{\mathrm{ju}}^{*},L_{\mathrm{jd}}^{*},L_d^{*}\};$步骤4的具体实现过程为：根据线集元素之间的相交性关系求出异型瓶瓶身的定位特征角点，并根据特征角点给出进一步的瓶身特征信息：由直线和的斜截式直线方程联立，解得交点J_u,即上肩部点；由直线和的斜截式直线方程联立，解得交点D_u，即上底顶点；由直线和的斜截式直线方程联立，解得交点J_d，即下肩部点；由直线和的斜截式直线方程联立，解得交点D_d，即下底顶点；J_u、J_d、D_u、D_d即异型瓶瓶身定位的特征角点；以下给出根据特征角点计算的其他瓶身特征信息的计算式：瓶身偏转角：$\theta =\frac{1}{2}(\arctan \left(\frac{y_{\mathrm{Du}}-y_{\mathrm{Ju}}}{x_{\mathrm{Du}}-x_{\mathrm{Ju}}}\right)+\arctan \left(\frac{y_{\mathrm{Dd}}-y_{\mathrm{Jd}}}{x_{\mathrm{Dd}}-x_{\mathrm{Jd}}}\right));$瓶高：$\mathrm{Height}=\frac{(x_{\mathrm{Du}}-x_{\mathrm{Ju}})+(x_{\mathrm{Dd}}-x_{\mathrm{Jd}})}{2};$瓶宽：$\mathrm{Width}=\frac{(y_{\mathrm{Du}}-y_{\mathrm{Ju}})+(y_{\mathrm{Dd}}-y_{\mathrm{Jd}})}{2};$几何中心：P=(P_x,P_y)；其中，$\left\{\begin{array}{c}{P}_x=\frac{x_{\mathrm{Du}}+x_{\mathrm{Ju}}+x_{\mathrm{Dd}}+x_{\mathrm{Jd}}}{4}\\ P_y=\frac{y_{\mathrm{Du}}+y_{\mathrm{Ju}}+y_{\mathrm{Dd}}+y_{\mathrm{Jd}}}{4}\end{array}\right..$