[发明专利]一种直线边缘的识别方法、装置、存储介质及电子设备

说明书

本发明提供了一种直线边缘的识别方法、装置、存储介质及电子设备，其中，该方法包括：获取目标图像，目标图像为由至少两组激光线同时照射被测物时所采集的图像；对目标图像进行二值化处理，确定目标图像的二值化图像；对二值化图像进行轮廓提取处理，确定二值化图像中的激光线轮廓；确定不同的激光线轮廓之间的公共切线，将公共切线作为被测物的直线边缘。通过本发明实施例提供的直线边缘的识别方法、装置、存储介质及电子设备，可以弱化除激光线之外的背景，减小背景等干扰物的影响，有效避免了错检和漏检的情况，鲁棒性较好；将两条激光线的公共切线作为直线边缘，所确定的直线边缘与被测物的真实边缘相似度更高，所识别出的直线边缘更加准确。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种直线边缘的识别方法、装置、存储介质及电子设备。

背景技术

目前用于边缘识别与定位的技术主要有机器视觉和深度学习。机器视觉技术结合了计算机软硬件、光学系统、数字图像处理和模式识别等多方面的技术，利用视觉传感器代替人眼或检测工具来进行识别和测量。它通过图像摄取装置采集目标的图像，再利用图像处理算法及相关软件对获取的图像进行处理，通过提取特征进行相关的识别和测量，然后再根据获取的信息对设备进行控制，完成生产过程中相应的操作。

传统的机器视觉技术通过图像处理对物体边缘识别，具有以下缺点：

1、鲁棒性差。对于噪声较大、偶有干扰物等情况，对被测物进行直接采集的图像一致性较差，进而人工设计的机器视觉算法鲁棒性较差，常伴随无法识别或识别出错的情况出现。

2、工作条件限制大。对于传统的机器视觉物体边缘识别与定位，必不可少的是光源，对于不同的工作条件和识别目标需要选择不同的光源，由于其对光源要求较高，受到光源型号、位置、亮度的综合影响较大。

深度学习技术通过搭建神经网络对物体边缘进行识别和定位，具有以下缺点：

1、需要大量样本。深度学习需要大量的学习样本，通常情况样本数量越多识别效果就越好，对于一些工业领域的具体应用，很难耗时耗力的满足这一条件。

2、鲁棒性差。深度学习算法存在识别率的高低，由于在学习样本中很难将所有图像干扰情况包含在内，因此对于某些一致性较差的场景，也会存在识别错误的情况。

发明内容

为解决上述问题，本发明实施例的目的在于提供一种直线边缘的识别方法、装置、存储介质及电子设备。

第一方面，本发明实施例提供了一种直线边缘的识别方法，包括：

获取目标图像，所述目标图像为由至少两组激光线同时照射被测物时所采集的图像；

对所述目标图像进行二值化处理，确定所述目标图像的二值化图像；

对所述二值化图像进行轮廓提取处理，确定所述二值化图像中的激光线轮廓；

确定不同的所述激光线轮廓之间的公共切线，将所述公共切线作为所述被测物的直线边缘。

在一种可能的实现方式中，所述对所述目标图像进行二值化处理包括：

将所述目标图像转换为灰度图像，并对所述灰度图像进行滤波平滑处理；

对滤波平滑处理后的灰度图像进行二值化处理。

在一种可能的实现方式中，在所述对所述目标图像进行二值化处理之前，该方法还包括：

预先确定标准曝光值，并设置用于二值化处理的待定阈值，所述标准曝光值小于预先设置的曝光阈值；

在所述标准曝光值下采集测试图像，根据所述待定阈值对所述测试图像进行二值化处理，识别所述测试图像中的直线边缘，并确定识别出的直线边缘与真实的直线边缘之间的重合度；