VisionPro实战之测量多个零件内径

最新推荐文章于 2025-07-17 15:42:13 发布

视觉王小

最新推荐文章于 2025-07-17 15:42:13 发布

阅读量921

点赞数 32

CC 4.0 BY-SA版权

文章标签：人工智能计算机视觉 visionpro

本文链接：https://blog.csdn.net/qq_44716013/article/details/146602724

1.案例要求

2.实现思路

1.图片类型符合，我们就不需要用图片转换工具了。我们先要找到每一个零件。

1.我们先创建一个Block工具，方便写脚本。

2.创建CogToolBlock工具，我们在block里面操作。

编辑3.直径/2=半径

4.打开Block巩固就里面的脚本，写脚本

4.最终实现效果

5.知识点总结

CogFindCircleTool（找圆工具）

1.案例要求

测量零件的内径（半径）

2.实现思路

我们先进行思考。

1.图片类型符合，我们就不需要用图片转换工具了。我们先要找到每一个零件。

2.依据匹配获得的中心点获取所有圆

3.计算得出所测量的内径

4.编写脚本进行遍历

3.具体操作

1.我们先创建一个Block工具，方便写脚本。

创建模板匹配工具

设置好要训练的图像，因为我们要找的是零件内径，而且它特征也明显，所以我们直接匹配他就可以

创建定位工具

2.创建CogToolBlock工具，我们在block里面操作。

创建一个找圆工具，之后再脚本里便利，这里我们只需要把图片传入就可以

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

视觉王小

关注关注

32
点赞
踩
18

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

康耐视visionpro-CogFindCircleTool操作工具详细说明

视觉人机器视觉的博客

04-15

1773

康耐视visionpro-CogFindCircleTool操作工具详细说明

Visionpro多目标找圆直径

xkweiguang的博客

06-11

2017

CogCalibCheckboardTool1工具将像素转换成实际距离。CogPMAlignTool1工具抓取感兴趣图像的坐标。将需要的圆的中心xy传到找圆工具确定显示位置。CogFindCircleTool1找圆。需要的中心点坐标位置。

参与评论您还未登录，请先登录后发表或查看评论

VisionPro学习记录11-3多目标检测（圆形标注）

qq_46035581的博客

07-20

1235

访问成员类型时，可以通过添加终端来观察。

VisionPro学习记录4零件孔位数量统计

qq_46035581的博客

07-18

599

属性的选择，注意浏览所有，路径选择value这一层（不要选到Int32层）。把输入引到TOOLBLOCK上，在添加一个int类型的输出端。在 TOOLBLOCK工具中打开c#脚本工具。一直下一步（改名称略过），到达添加属性字段。代码编写区域，记得编写完后点击运行按钮。

深入解析 Cognex VisionPro 的 CogFindCircleTool

东城十三

06-16

1637

CogFindCircleTool 是 Cognex VisionPro 提供的一个用于圆形检测的工具。该工具利用图像中的圆形特征来检测和识别圆形目标物体，适用于各种需要检测和测量圆形目标的应用场景。CogFindCircleTool 是 Cognex VisionPro 中功能强大且灵活的圆形检测工具，通过其丰富的功能，可以轻松实现对图像中圆形目标的检测和测量，满足多种工业自动化和机器视觉应用需求。希望本文能够帮助您更好地理解和使用 CogFindCircleTool，从而提高您的机器视觉项目的开发效率。

[VisionPro] CogFindCirCleTool 工具详解

weixin_43163656的博客

11-04

4814

[visionpro] [CogFindCircle]

VisionPro实战之齿轮距离测量

qq_44716013的博客

04-03

1446

visionpro机器视觉实战案例

VisionPro零件尺寸测量与显示

allocinit的博客

07-01

3782

零件测量是属于机器视觉当中的典型的应用。

cognex视觉软件visionpro基于PatInspect算法的缺陷检测

信美工控PLC的博客

06-05

4225

基于PatInspect的缺陷检测一.PatInspect工具的用途: 检测产品特征缺失或错位、产品上存在错误或无用的标记、表面颜色错误等等场合; 二.PatInspect工具的原理: 通过PMAlign工具实现ROI窗口对齐,用训练图片和当前输入图片进行对比从而得到缺陷. 三.PatInspect工具内部执行流程: 首先PatInspect工具根据训练图像和输入图像获取匹配图像，然后对匹配图像执行归一化操作,生成原始差异图像;如果原始差异图像每个像素大于阈值图像,则阈值差异图像的当前值就是原始差异图像

创建清晰图像：随机噪声的替代方案

Morpheon的博客

07-14

1683

本文演示了创建结构化图像的多种方法，包括几何形状（圆形、矩形）、渐变图像（线性和径向）、棋盘格图案、文字/字母图案、真实图像加载以及合成数据（条纹、螺旋）。通过NumPy和Matplotlib实现，这些方法可以生成清晰的测试图像，而非随机噪声，适用于计算机视觉和图像处理任务。示例代码展示了从简单几何到复杂图案的创建过程，为图像生成提供了可复用的模板。

[RAG] 文档格式化 | 知识库摄入 | VectorDB.faiss | BM25索引.pkl

一个人知道自己为什么而活，他就能够接收任何一种生活

07-17

906

向量数据库擅长"含义"搜索，但有时我们只需要快速查找`精确关键词`。这时**==BM25索引==**就派上用场。

AI-Compass宝藏资源库

丨汀、的博客

07-15

841

AI-Compass宝藏资源库

AI助手竞争白热化，微软Copilot面临ChatGPT的9亿下载挑战

加百力的技术博客

07-17

674

ChatGPT全球下载量已突破9亿，而微软Copilot下载量仅为7900万，差距超过10倍。从误触弹窗到功能缺失，从对话中断到记忆混乱，微软Copilot上线近两年，用户吐槽越来越多。在生成式AI竞争日趋激烈的时代，微软正试图将其Copilot助手打造成下一个现象级产品。但现实是，尽管这家全球软件巨头在AI和基础设施上投入了数百亿美元，其消费者端的AI助手Copilot，仍远远落后于OpenAI的ChatGPT。据Sensor Tower数据，

深度模型的嵌入式：TensorRT

bing_feilong的博客

07-16

1051

TensorRT可将训练好的模型转换为高度优化的推理引擎，提升在NVIDIA GPU上的推理速度

spring-AI

Wzx198012的博客

07-15

679

ai是以 token为计量单位的。总价=输入词token×成本+输出词token×成本。

基于计算实在论的智能体构建案例分析

形上得其象，形下合于数；阴阳自济，玄理自明。

07-15

1319

我们将不再是试图用蛮力堆砌出一个“更聪明”的工具，而是去精心设计一个能够让“智能”自发涌现和成长的“数字伊甸园”。它要求我们将智能体的构建，从“模拟人类智能的表象”转向“复现智能涌现的底层计算条件”。：真正的智能体必须将“自我”也纳入其世界模型之中，形成一个能够解释“我与世界”相互作用的闭环，其学习动力源于对这个闭环中“认知失调”的修正。：宇宙的基础是“关系”，而非孤立的“数据点”。：智能体需要构建自己的“自传”，一个关于“我”在过去做了什么，导致了什么后果，以及未来可能发生什么的故事线。

AI产品经理面试宝典第30天：AI+教育个性化学习与知识图谱相关面试题的解答指导

打造全国最全的AI Agent开发知识领域的博客

07-16

262

本文深度解析AI+教育领域核心面试题，涵盖自适应学习系统、教育机器人、智能教学设备三大标杆案例。通过拆解Hitalk、UniToy机器人、畅言智慧课堂的技术逻辑与商业价值，传授如何用知识图谱构建、数据闭环设计、教育场景落地等关键维度征服面试官。掌握AI产品经理在教育领域的核心竞争力，直击大厂招聘需求本质。

英伟达Triton 推理服务详解

最新发布

leo0308的博客

07-17

386

（简称 Triton，原名 NVIDIA TensorRT Inference Server）是英伟达推出的一个开源、高性能的推理服务器，专为 AI 模型的部署和推理服务而设计。它支持多种深度学习框架和硬件平台，能够帮助开发者和企业高效地将 AI 模型部署到生产环境中。Triton 主要用于模型推理服务化，即将训练好的模型通过 HTTP/gRPC 等接口对外提供推理服务，适合云端、边缘和本地多种场景。

CPO：对比偏好优化—突破大型语言模型在机器翻译中的性能边界

07-17

618

中等规模的大型语言模型（LLMs），如参数量为 7B 或 13B 的模型，在机器翻译（MT）任务中展现出良好性能。然而，它们仍未能达到最先进的传统编码器-解码器翻译模型，或是如 GPT-4（OpenAI, 2023）等更大规模 LLM 的表现。在本研究中，我们致力于弥合这一性能差距。我们首先评估了在机器翻译任务中对 LLM 进行有监督微调的局限性，强调即便是人工生成的参考数据也存在质量问题。与模仿参考翻译的有监督微调方式不同，我们提出了一种新方法——

visionpro测量多个零件的内径

03-22

<think>好的，我需要帮助用户了解如何使用VisionPro软件测量多个零件的内径。根据用户提供的引用内容，我需要整理出具体的步骤和方法，并确保回答结构清晰、符合格式要求。首先，引用[2]提到了多目标检测和测量多个零件半径的方法，其中使用了PMA的中心传给找圆工具，并配置了卡尺数量、投影长度等参数。这可能适用于内径测量。引用[1]提到测量距离和显示结果，引用[3]涉及孔位数量统计，可能与定位零件相关。接下来，我需要将这些信息整合成一个分步骤的教程。步骤应包括图像预处理、定位零件、配置找圆工具、批量处理多个零件、数据输出和验证优化。同时，要注意使用正确的LaTeX格式，比如内径公式使用$D=2r$。然后，生成相关问题，确保问题与教程内容相关，并且覆盖用户可能感兴趣的方面，如参数影响、批量处理技巧、结果验证等。最后，检查引用标注是否正确，确保每个引用来源在回答中有对应的标识，并按照用户要求的结构呈现内容。</think>### VisionPro多零件内径测量方法教程在VisionPro中测量多个零件的内径需要结合图像处理工具和脚本控制，以下是具体步骤： #### 1. 图像预处理与定位 - 使用**PMA（Pattern Matching Algorithm）**定位零件基准点[^2] - 通过$H_{transform} = T_{affine} \cdot R_{rotation}$建立坐标系变换关系 - 用**Blob分析工具**分割零件区域，公式：$A_{threshold} = \sum_{i=0}^{n} (I(x,y) > T_{value})$[^1] #### 2. 内径测量配置 ```python # 典型找圆工具参数设置（引用自） CogFindCircleTool.Polarity = "DarkToLight" CogFindCircleTool.NumCalipers = 20 # 卡尺数量 CogFindCircleTool.ProjectionLength = 15 # 投影长度 CogFindCircleTool.ContrastThreshold = 5 # 对比度阈值 ``` #### 3. 多目标批量处理 1. 创建零件位置队列：$Q = \{ P_1(x,y), P_2(x,y)...P_n(x,y) \}$[^3] 2. 循环调用找圆工具时动态更新ROI区域 3. 使用**最佳拟合圆**算法：$r = \frac{1}{N}\sum_{i=1}^{N}\sqrt{(x_i - x_c)^2 + (y_i - y_c)^2}$ #### 4. 数据输出与显示 - 测量结果存储格式：$D=2r$（内径=2倍半径） - 通过C#/VB.NET脚本绑定数据到界面控件[^1] - 异常值过滤条件：$|r_{current} - r_{average}| > 3\sigma$ #### 5. 验证与优化 - 实时模式调试时观察边缘检测效果 - 调整卡尺角度补偿椭圆变形：$\theta = \arctan(\frac{\Delta y}{\Delta x})$ - 添加重复性测试：$\sigma = \sqrt{\frac{1}{N-1}\sum_{i=1}^{N}(r_i - \mu)^2}$