Eine kurze Diskussion über Randerkennung im Bildverarbeitungssystem

Maschinelles Sehen bietet Vorteile wie hohe Geschwindigkeit, hohe Präzision, Wiederholbarkeit und Objektivität. Nach der Integration von maschinellem Sehen in automatisierte Geräte werden die Effizienz und Genauigkeit der Erkennung und Montage im Vergleich zur manuellen Arbeit erheblich verbessert. Der Bereich des maschinellen Sehens ist mittlerweile zu einem der Spitzenforschungsgebiete geworden. Kantenerkennung ist ein wesentlicher Bestandteil des maschinellen Sehens und eine wichtige Bildvorverarbeitungstechnologie.

Da Kanten das Ergebnis diskontinuierlicher Graustufenwerte sind, kann diese Diskontinuität oft leicht durch die Verwendung von Ableitungen erkannt werden. Im Allgemeinen werden die erste und zweite Ableitung zur Kantenerkennung ausgewählt. Bei der Inspektion mit maschinellem Sehen wird diese Methode üblicherweise als lokale Operator-Methode zur Kantenerkennung bezeichnet. Zur Erkennung von Bildkanten wird der Canny-Algorithmus zur Verarbeitung und Segmentierung des Bildes verwendet. Die grundlegenden Schritte des spezifischen Algorithmus sind wie folgt:

maschinelles Sehen

Kantenerkennung

1. Filterung: Der Algorithmus zur Kantenerkennung basiert hauptsächlich auf der ersten und zweiten Ableitung der Bildintensität, aber die Berechnung der Ableitungen ist sehr empfindlich gegenüber Rauschen, daher müssen Filter verwendet werden, um die Leistung des Kantendetektors in Bezug auf Rauschen zu verbessern. Es ist zu beachten, dass die meisten Filter auch einen Verlust der Kantenstärke verursachen, während sie das Rauschen reduzieren, so dass ein Kompromiss zwischen Kantenverstärkung und Rauschunterdrückung besteht.
2. Verstärkung: Die Grundlage der Kantenverstärkung ist die Bestimmung des Änderungsbetrags der Nachbarschaftsintensität jedes Punktes im Bild. Der Verstärkungsalgorithmus kann Punkte mit signifikanten Änderungen der Nachbarschafts- (oder lokalen) Intensitätswerte hervorheben. Die Kantenverstärkung wird im Allgemeinen durch Berechnung der Gradientenamplitude erreicht.
3. Erkennung: Es gibt viele Punkte im Bild mit relativ großen Gradientenamplituden, und diese Punkte sind nicht alle Kanten in spezifischen Anwendungsbereichen, daher sollte eine Methode verwendet werden, um zu bestimmen, welche Punkte Kantenpunkte sind. Das einfachste Kriterium für die Kantenerkennung ist das Gradientenamplituden-Schwellenwertkriterium.
4. Positionierung: Wenn eine Anwendung die Kantenposition bestimmen muss, kann die Kantenposition mit subpixelgenauer Auflösung geschätzt werden, und auch die Kantenorientierung kann geschätzt werden.

Bei Algorithmen zur Kantenerkennung werden die ersten drei Schritte sehr häufig verwendet. Dies liegt daran, dass in den meisten Fällen vom Kantendetektor nur verlangt wird, dass er anzeigt, dass die Kante in der Nähe eines bestimmten Pixels im Bild auftritt, aber es besteht keine Notwendigkeit, die genaue Position oder Richtung der Kante anzugeben.

Diese vier Schritte sind unerlässlich, wenn maschinelles Sehen für die Maßhaltigkeitsmessung verwendet wird, insbesondere die genaue Position und Orientierung der Kante. Die Inspektions technologie für maschinelles Sehen mit ihren leistungsstarken Vorteilen standardisiert die Produktqualität, hat eine schnelle Inspektionsgeschwindigkeit, zuverlässige und stabile Inspektionsergebnisse und kann lange Zeit inspiziert werden und wird in verschiedenen Bereichen weit verbreitet.