CN113284157B - 一种大幅面皮革轮廓检测与轨迹优化方法 - Google Patents

一种大幅面皮革轮廓检测与轨迹优化方法 Download PDF

Info

Publication number
CN113284157B
CN113284157B CN202110580574.0A CN202110580574A CN113284157B CN 113284157 B CN113284157 B CN 113284157B CN 202110580574 A CN202110580574 A CN 202110580574A CN 113284157 B CN113284157 B CN 113284157B
Authority
CN
China
Prior art keywords
point
arc
points
straight line
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110580574.0A
Other languages
English (en)
Other versions
CN113284157A (zh
Inventor
刘建群
刘洋
高伟强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110580574.0A priority Critical patent/CN113284157B/zh
Publication of CN113284157A publication Critical patent/CN113284157A/zh
Application granted granted Critical
Publication of CN113284157B publication Critical patent/CN113284157B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种大幅面皮革轮廓检测与轨迹优化方法，使用相机镜头采集皮革图像并提取轮廓，并对提取到的加工轮廓进行直线圆弧拟合与轨迹优化得到可以快速加工的加工轨迹曲线。本发明解决了现有皮革覆膜切割技术中提取不规则大幅面皮革原料实际轮廓尺寸的技术不成熟、锯齿状轮廓难加工、需要频繁进行“抬刀‑转向‑落刀”等问题，明显提升了皮革覆膜切割的加工效率。

Description

一种大幅面皮革轮廓检测与轨迹优化方法
技术领域
本发明涉及裁皮机的技术领域，尤其涉及到一种大幅面皮革轮廓检测与轨迹优化方法。
背景技术
皮革制品在人类生活中的应用极为广泛，常见的有皮制服装、鞋帽、箱包等。而皮革分为头层皮、二层皮等，本发明中所涉及的二层皮就是整牛皮去掉头层皮所剩下的部分，质地比较柔软，需要覆上PVC或PU薄膜才可进行进一步的加工。但在目前的皮革覆膜切割中，对皮革表面的检测需要投入很长的时间，并且检测结果准确度与工人的经验有很大关系，同时皮革边缘存在锯齿状轮廓以及尖角，极大的增加了裁皮机裁剪的辅助加工时间。为了改变这种现状，提高皮革轮廓覆膜切割的自动化水平非常有必要。
本发明涉及的二层皮均为不规则形状且面积较大，直接检测需要花费大量时间，并且在精度上只能依靠工人的经验；同时检测出的皮革轮廓存在锯齿状边缘以及尖角，市面上的裁皮机只能按照检测出的切割轨迹进行切割，锯齿形边缘很难加工。并且由于切割机的刀具是具有方向性的刀片或者圆形锯刀，为了保护刀具和保证切割质量，在切割那些拐角太小的轨迹时，需要进行“抬刀-转向-落刀”的操作才能进行接下来的切割，在整张皮革的轮廓线段组成中这样的拐角很多，频繁的进行“抬刀-转向-落刀”的操作，增加了大量的辅助加工时间。
发明内容
本发明的目的在于克服现有技术的不足，提供一种大幅面皮革轮廓检测与轨迹优化方法，解决现有皮革覆膜切割技术中提取不规则大幅面皮革原料实际轮廓尺寸的技术不成熟、锯齿状轮廓难加工、需要频繁进行“抬刀-转向-落刀”等问题，明显提升皮革覆膜切割的加工效率。
为实现上述目的，本发明所提供的技术方案为：
一种大幅面皮革轮廓检测与轨迹优化方法，包括以下步骤：
S1、进行光源打光和相机标定；
S2、通过相机采集大幅面皮革图像；
S3、对采集到的大幅面皮革图像进行灰度化和二值化处理，得到图像f(x,y)；
S4、对图像f(x,y)进行阈值分割，提取出皮革所在区域的图像f1(x,y)；并对提取出的皮革二值化图像进行腐蚀操作，将原轮廓图像f1(x,y)与腐蚀过的图像f2(x,y)进行图像相减操作，提取出宽度为三个像素的皮革轮廓f3(x,y)；
S5、对大幅面皮革的轮廓进行细化和轮廓追踪得到顺序像素点集；
S6、对点集进行分段点选取和优化；
S7、对分段点集进行直线圆弧拟合；
S8、对拟合成的轨迹进行光滑过渡处理；
S9、得到加工文件。
进一步地，所述步骤S5的具体过程如下：
首先进行定义：
(1).端点属于边界点，且8邻域中至少有一个为目标点；
(2).记当前中心点为P；
(3).目标点被标记为1，背景点则被标记为0；
(4).N(P)是指当前点P的8领域内非零像素点的个数；
(5).S(P)是指在以P为中心点的8领域内，像素按照顺时针顺序从0变为1的次数；
细化算法步骤分为两步：
a1.寻找到以边界点为中心点的8领域，记中心点为P，首先标记出满足以下条件的边界点：
1).2≤N(P1)≤6，N(P1)表示跟P1相邻的8个像素点中，为前景像素点的个数；
2).S(P1)＝1，S(P1)表示将P2-P9-P2之间按序前后分别成对值为0、1的个数；
3).P2*P4*P6＝0；
4).P4*P6*P8＝0；
当对所有边界点都检验完成之后，将所有标记的点除去，即将标记点的像素值从1改为0；
P2-P9为围绕着P1且按顺时针分布的八个相邻点；
a2.重复步骤a1，但将条件3)改为P2*P4*P8＝0；条件4)改为P2*P6*P8＝0；
遍历完所有像素点即完成细化操作；
在细化的基础上使用链码算法进行轮廓追踪，改变逐行逐列的点集顺序，变为从起点沿着轮廓的形状走向的顺序点集。
进一步地，所述链码算法具体过程如下：
b1.从(0,0)遍历访问所有像素点，当像素值变为1时，设为起始点也为第一个当前点P；
b2.在P的8邻域的方向寻找轮廓上的下一个像素值为1的像素点，没有找到就按当前搜索方向顺时针旋转45度，重复此步骤继续搜索；
b3.根据当前方向P点的邻域内的像素点为1，即轮廓点，则将当前P点的像素值设为0，并将搜索到的边界点作为下一个起点Q，同时记录下当前的Q点坐标及当前的方向数值，并将方向数值逆时针旋转90度；
b4.在Q点的8邻域内重复步骤b2、b3的操作，找到下一个边界点并记录；与此类似可按序地得到连通道路上的每一个边界点的像素坐标，并记录；直到跟踪到端点，至此大幅面皮革外轮廓跟踪结束；若Q点同时存在8邻域的点和4邻域的点，则会跳过4邻域的点。
进一步地，所述步骤S6的具体过程如下：
首先以曲率作为阈值，保留曲率变化大的分段点，减少点集的数量；曲率在平面几何中是指在曲线上某个点的切线方向角对弧长的转动率，用微分表示曲率计算公式：
Figure BDA0003085883630000041
为切线斜率的倾角变化量；Δs为曲线段的弧长；令当前点为Pi，表示为第i个点，以k个像素距离为单位，计算向量PiPi-k和向量PiPi+k构成角度的余弦值；/>
令当前点的坐标为(xi,yi)，向量PiPi-k＝(xi-xi-k,yi-yi-k)、向量PiPi+k＝(xi-xi+k,yi-yi+k)，令cosθi为向量PiPi-k和向量PiPi+k之间的夹角，cosθi即为特征量，遍历轮廓上的所有像素点分别计算每个像素点的特征量并记录，设置合适的阈值来选取分段点；
使用下列公式计算cosθi：
Figure BDA0003085883630000042
接着对初步提取的分段点进行优化；计算每个分段点之间的距离d和每个分段点和前后分段点组成的夹角θ′，遍历分段点集，将距离d大于阈值d0或者夹角θ′小于阈值θ0′的点提出作为最终的分段点。
进一步地，所述优化还包括：
针对分段拟合曲线首尾不衔接的问题，通过尺规作图算法进行线段衔接，具体为：
假设P1、P2、P3为分段点，黑色线段为最小二乘法拟合的圆弧，o1、R1为第一段圆弧的圆心、半径，o2、R2为第二段圆弧的圆心、半径；以R1作为半径，分别以P1、P2为圆心作圆，两圆相交得到两个交点，选择距离o1距离较近的点作为o1′，再以o1′为圆心，R1为半径作圆，所得的圆将会经过P1、P2点，同理得到圆o2′经过P2、P3点，P2即为衔接点。
进一步地，所述步骤S7对分段点集进行直线圆弧拟合的具体过程如下：
c1.将原轮廓点集以分段点分割成很多分段点集，即一级分段，在每一个分断点集里，将点集的首尾点连接成直线，分别遍历计算分段点集中的每一个点到拟合直线的距离误差err1＝d1，以及到拟合圆弧圆心的距离误差err2＝d2-R，R为圆弧半径，拟合最大误差设定为err；
c2.若err1<err2,且err1<err，则这个分段点集用直线拟合；
若err2<err1，且err2<err，则这个分段点集用最小二乘圆弧拟合；
若err1>err，且err2>err，则将这个分段点集使用二分法进行二级分段；
c3.取点集的中点为新的分段点，分别对新分割成的两段点集重新进行最小二乘拟合和线段的首尾衔接，再分别判断是否满足c2的条件；若不满足则对不满足的点集进行三级分段，并分别对新分割成的两段点集重新进行最小二乘拟合和线段的首尾衔接，再分别判断是否满足c2的条件，以此类推，直到所有的点都满足条件(err1<err2,且err1<err)或者(err2<err1,且err2<err)。
进一步地，所述拐角过渡算法具体如下：
d1.对直线圆弧拟合的点进行标记0、1；0表示圆弧，1表示直线，如点i标记为01，则表示点i以顺时针遍历下来前接线段为圆弧、后接线段为直线；以此为准从第1个点遍历并标记所有点；
d2.从第1个点遍历，如遍历到(？，1)(1，1)(1，？)连续的三个点，？代表0或1，则该拐角类型为直线接直线；
假设圆弧p1p2为***的圆弧段,p1为直线ab与圆o的切点，p2为直线bc与圆o的切点，o为***圆弧的圆心，r为***圆弧的半径，d0为***圆弧的起点到夹角点的距离，d1为直线段ab的长度，d2为直线段bc的长度，θ为组成夹角的角度，ξ为***的圆弧与直线拐角之间允许的最大误差；基于参数ξ、θ，采用下式计算得到***圆弧的r：
Figure BDA0003085883630000061
结合上式，***圆弧的起点到夹角点的距离d0＝(r+δ)·cos(θ/2)，为了保证***圆弧的起点和终点不要越过组成拐角线段的极限值，比较d0与d1、d2的值，若d0>d1或d0>d2，则取d0＝min[d1、d2]；结合不同刀具的尺寸及最大转角，应当对***圆弧的半径r设置合适的极限最小值，保证刀具在经过转角时可以平稳通过；
应用下式计算起点p1(x,y)、终点p2(x,y)的坐标：
Figure BDA0003085883630000062
Figure BDA0003085883630000063
Figure BDA0003085883630000064
Figure BDA0003085883630000065
基于求得的起点p1(x,y)、终点p2(x,y)的坐标，计算直线op1和直线op2的方程式
Figure BDA0003085883630000066
再得到圆弧的圆心o(x,y)的坐标；
d3.从第1个点遍历，如遍历到(？，1)(1，0)(0，？)或(？，0)(0，1)(1，？)连续的三个点，则该拐角类型为直线接圆弧或圆弧接直线，***圆弧的半径计算同直线接直线；
假设ab为圆弧线段，bc为直线段，bd为圆弧线段的切线方向向量，o为圆弧线段圆心，θ为直线段与圆弧线段切线的夹角；
对这两种拐角***圆弧线段有内切和外切两种情况，通过计算组成拐角圆弧ab的空间向量和圆弧ab的切线与直线段bc组成的夹角θ大小，由这两个量共同判断***的圆弧是内切还是外切；
首先计算圆弧线段的空间向量，由笛卡尔坐标系右手法则初步判断圆弧线段的空间向量指向内还是外，因为特征点集按照轮廓轨迹的逆时针遍历可计算向量；记向量bo为向量A、向量oa为向量B、记空间向量为向量C；
应用下式计算向量A、B的向量积：
A×B＝(A.y·B.z-B.y·A.z,B.x·A.z-A.x·B.z,A.x·B.y-B.x·A.y)
则C＝A.x·B.y-B.x·A.y,若C<0则空间向量C指向外、C>0则空间向量C指向内；基于向量bc和向量bd的坐标，应用下式计算向量bc和向量bd的方位角θbc、θbd：
Figure BDA0003085883630000071
θbd与θbc的计算公式一致；
则夹角θ＝θbd-θbc；
由于刀具存在最大转向角θmax，每种类型的刀具都有各自的θmax，为了最大化加工效率，当直线段与圆弧线段切线的夹角θ未达到θmax时，便不再***圆弧段；
基于参数刀具最大转向角θmax、空间向量C，得出关于选择内切或外切的结论：
Figure BDA0003085883630000081
在确定***圆弧式内切或外切后，计算直线与圆弧、圆弧与直线中***相切圆弧段的圆心、起点、终点的坐标；
若为外切，假设ab为圆弧线段，bc为直线段，bd为圆弧线段的切线方向向量，o1为***圆弧圆心，r1为***圆弧半径，o2为圆弧线段圆心，r2为圆弧线段半径，p1为直线ab与圆o2的切点，p2为直线bc与圆o1的切点，L为过o1点且平行于直线bc的直线；
首先做一条平行于直线bc且距离为r1的直线L，由于作离直线bc距离为r1的直线会出现两条，判断选择哪一条直线是需要的直线L，然后在直线L上计算离圆弧圆心o2距离为r1+r2的点，由于离o2距离为r1+r2的点会找到两个，基于参数直线L的方程y＝k2*x+b2、***圆弧半径r1、组成拐角圆弧半径r2，应用下式计算***圆弧的圆心o1(x，y)坐标：
Figure BDA0003085883630000082
o1.y＝k2·o1.x+b2
基于参数***圆弧的圆心o1坐标、***圆弧的半径r1、圆弧线段半径r2、直线bc的方程y＝k1*x+b1、直线o1p1的方程y＝k3*x+b3，应用下式计算圆弧与直线中***相切圆弧段的起点p1、终点p2的坐标：
Figure BDA0003085883630000083
Figure BDA0003085883630000091
Figure BDA0003085883630000092
p2.y＝p2.x·k1+b1
d4.找出圆弧接圆弧的拐角点，为每一个点增添num和num1属性并赋初值0，设置静态变量static int n＝1，表示拟合成的第n个圆弧，设置变量j＝1，表示拟合每一个圆必须的前三个点的额外满足拟合圆条件的点数量，循环遍历做圆弧拟合时，在遍历到第i个点满足圆弧拟合条件时，n++；
判断条件如果第i个点的num等于0为真，则第i个点的num＝n；
判断条件如果第i个点的num不等于0为真，则第i个点的num1＝n；
判断条件如果第i+j+1个点的num等于0为真，则第i+j+1个点的num＝n；
判断条件如果第i+j+1个点的num不等于0为真，则第i+j+1个点的num1＝n；
再进行圆弧接圆弧拐角点的判断时，只要判断条件第i个点的num小与第i个点的num1为真,则第i个点即为圆弧接圆弧夹角点。
与现有技术相比，本方案原理及优点如下：
本方案使用相机镜头采集皮革图像并提取轮廓，并对提取到的加工轮廓进行直线圆弧拟合与轨迹优化得到可以快速加工的加工轨迹曲线。
本方案解决了现有皮革覆膜切割技术中提取不规则大幅面皮革原料实际轮廓尺寸的技术不成熟、锯齿状轮廓难加工、需要频繁进行“抬刀-转向-落刀”等问题，明显提升了皮革覆膜切割的加工效率。
附图说明
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，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，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他的附图。
图1为本发明一种大幅面皮革轮廓检测与轨迹优化方法的原理流程图；
图2为九点标定板示意图；
图3为分别在黑、白背景板上的皮革示意图；
图4为提取的皮革二值化图像示意图；
图5为一级分段点示意图；
图6为最小二乘法圆弧拟合示意图；
图7为尺规作图算法示意图；
图8为经过一级分段的拟合曲线与原轮廓的对示意比图；
图9为经过二级分段的拟合曲线与原轮廓的对示意比图1；
图10为经过二级分段的拟合曲线与原轮廓的对示意比图2；
图11为***圆弧半径示意图；
图12为直线接圆弧夹角示意图；
图13为计算***圆弧圆心示意图；
图14为四种圆弧接圆弧的***圆弧的情况示意图；
图15为圆弧接圆弧夹角示意图；
图16为面积误差分析示意图；
图17为直线圆弧拟合后的加工轨迹示意图；
图18为轨迹优化后的加工轨迹示意图；
图19为轨迹优化前后的XY平面运动速度与时间的关系示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，本发明实施例所述的一种大幅面皮革轮廓检测与轨迹优化方法，包括以下步骤：
S1、进行光源打光和相机标定；
相机采集的图像只是像素，需要与实际坐标进行转换，所以需要进行从相机坐标系到机械加工坐标系的转换，本实施例采用九点标定法，使用图2的九点标定板，在像素坐标系和机械加工坐标系下分别采集九个点的坐标；
Figure BDA0003085883630000111
使用下式计算坐标间的仿射变换矩阵M3×3：
Figure BDA0003085883630000112
S2、通过相机采集大幅面皮革图像；
S3、为了增强不同皮革与背景板的对比度，如图3，准备黑白两色的背景板，对采集到的图像先进行灰度化的处理变成灰度图像，再取合适的阈值对灰度图像进行二值化处理，得到如图4所示的图像f(x,y)；
S4、对图像f(x,y)进行阈值分割，提取出皮革所在区域的图像f1(x,y)；并对提取出的皮革二值化图像进行腐蚀操作，将原轮廓图像f1(x,y)与腐蚀过的图像f2(x,y)进行图像相减操作，提取出宽度为三个像素的皮革轮廓f3(x,y)，f3(x,y)＝f1(x,y)-f2(x,y)，此时像素点集的数量为3985；
S5、为了初步过滤掉皮革轮廓f3(x,y)中多余的像素点，并且在保证轮廓像素点之间至少是8连通的前提下，对皮革轮廓f3(x,y)进行细化处理，具体过程如下：
首先进行定义：
(1).端点属于边界点，且8邻域中至少有一个为目标点；
(2).记当前中心点为P；
(3).目标点被标记为1，背景点则被标记为0；
(4).N(P)是指当前点P的8领域内非零像素点的个数；
(5).S(P)是指在以P为中心点的8领域内，像素按照顺时针顺序从0变为1的次数；
细化算法步骤分为两步：
a1.寻找到以边界点为中心点的8领域，记中心点为P，首先标记出满足以下条件的边界点：
1).2≤N(P1)≤6，N(P1)表示跟P1相邻的8个像素点中，为前景像素点的个数；
2).S(P1)＝1，S(P1)表示将P2-P9-P2之间按序前后分别成对值为0、1的个数；
3).P2*P4*P6＝0；
4).P4*P6*P8＝0；
当对所有边界点都检验完成之后，将所有标记的点除去，即将标记点的像素值从1改为0；
P2-P9为围绕着P1且按顺时针分布的八个相邻点；
a2.重复步骤a1，但将条件3)改为P2*P4*P8＝0；条件4)改为P2*P6*P8＝0；
遍历完所有像素点即完成细化操作，此时点集数量由3985变为1352；
在细化的基础上使用链码算法进行轮廓追踪，改变逐行逐列的点集顺序，变为从起点沿着轮廓的形状走向的顺序点集，有利于进行轮廓点优化；
链码算法具体过程如下：
b1.从(0,0)遍历访问所有像素点，当像素值变为1时，设为起始点也为第一个当前点P；
b2.在P的8邻域的方向寻找轮廓上的下一个像素值为1的像素点，没有找到就按当前搜索方向顺时针旋转45度，重复此步骤继续搜索；
b3.根据当前方向P点的邻域内的像素点为1，即轮廓点，则将当前P点的像素值设为0，并将搜索到的边界点作为下一个起点Q，同时记录下当前的Q点坐标及当前的方向数值，并将方向数值逆时针旋转90度；
b4.在Q点的8邻域内重复步骤b2、b3的操作，找到下一个边界点并记录；与此类似可按序地得到连通道路上的每一个边界点的像素坐标，并记录；直到跟踪到端点，至此大幅面皮革外轮廓跟踪结束；若Q点同时存在8邻域的点和4邻域的点，则会跳过4邻域的点，故此时点集数量由1352变为1151；
S6、对点集进行分段点选取和优化：
首先以曲率作为阈值，保留曲率变化大的分段点，减少点集的数量；曲率在平面几何中是指在曲线上某个点的切线方向角对弧长的转动率，用微分表示曲率计算公式：
Figure BDA0003085883630000131
为切线斜率的倾角变化量；Δs为曲线段的弧长；令当前点为Pi，表示为第i个点，以k个像素距离为单位，计算向量PiPi-k和向量PiPi+k构成角度的余弦值；
令当前点的坐标为(xi,yi)，向量PiPi-k＝(xi-xi-k,yi-yi-k)、向量PiPi+k＝(xi-xi+k,yi-yi+k)，令cosθi为向量PiPi-k和向量PiPi+k之间的夹角，cosθi即为特征量，遍历轮廓上的所有像素点分别计算每个像素点的特征量并记录，设置合适的阈值来选取分段点，提取完分段点后点集数量从1151变为117；
使用下列公式计算cosθi：
Figure BDA0003085883630000132
提取出的点保留了轮廓形状的特征，但是在曲率变化剧烈的地方会有一连串的点都被提取出来，为了提升加工速度，必须减少组成加工轨迹的线段数量，但是这样连续的点作为分段点拟合之后，会大幅度增加组成轨迹的线段数量。所以要对初步提取的分段点进行优化；计算每个分段点之间的距离d和每个分段点和前后分段点组成的夹角θ′，遍历分段点集，将距离d大于阈值d0或者夹角θ′小于阈值θ0′的点提出作为最终的分段点。如图5所示，较大的黑点即是最终分段点共计40个分段点。
分段点将原始轮廓点集分成了一个个小的点集，对每一个点集进行最小二乘法拟合圆弧，得到如下图6所示的拟合曲线，虽然拟合出的曲线基本描述出了原轮廓的形状，但是线段首尾不衔接。针对分段拟合曲线首尾不衔接的问题，本实施例通过尺规作图算法进行线段衔接。
如图7所示，P1、P2、P3为分段点，黑色线段为最小二乘法拟合的圆弧，o1、R1为第一段圆弧的圆心、半径，o2、R2为第二段圆弧的圆心、半径以R1作为半径，分别以P1、P2为圆心作圆，两圆相交得到两个交点，选择距离o1距离较近的点作为o1′，再以o1′为圆心R1为半径作圆，所得的圆将会经过P1、P2点，同理得到圆o2′经过P2、P3点，P2即为衔接点。
S7、对分段点集进行直线圆弧拟合：
c1.将原轮廓点集以分段点分割成很多分段点集，即一级分段，在每一个分断点集里，将点集的首尾点连接成直线，分别遍历计算分段点集中的每一个点到拟合直线的距离误差err1＝d1，以及到拟合圆弧圆心的距离误差err2＝d2-R，R为圆弧半径，拟合最大误差设定为err；
c2.若err1<err2,且err1<err，则这个分段点集用直线拟合；
若err2<err1，且err2<err，则这个分段点集用最小二乘圆弧拟合；
若err1>err，且err2>err，则将这个分段点集使用二分法进行二级分段；
c3.取点集的中点为新的分段点，分别对新分割成的两段点集重新进行最小二乘拟合和线段的首尾衔接，再分别判断是否满足c2的条件；若不满足则对不满足的点集进行三级分段，并分别对新分割成的两段点集重新进行最小二乘拟合和线段的首尾衔接，再分别判断是否满足c2的条件，以此类推，直到所有的点都满足条件(err1<err2,且err1<err)或者(err2<err1,且err2<err)。
经过一级分段的拟合曲线与原轮廓的对比图如图8所示。经过二级分段的拟合曲线与原轮廓的对比图如图9和图10所示，空心点为二级分段点。由于经过二级分段后所有的点就已经满足了设定的精度要求，故没有三级分段点。
经计算一个像素对应的实际尺寸约为2.929mm。在一级分段点选取阈值设定为172°的情况下：
图9为最大拟合误差阈值为3个像素，即8.789mm的精度，有40个一级分段点，5个二级分段点，0个三级分段点，共计45条线段。
图10为最大拟合误差阈值为2个像素，即5.859mm的精度，有40个一级分段点，8个二级分段点，0个三级分段点，共计48条线段。
可以看出随着精度的提高，只要不断的增加高级分段点就可以满足要求。
S8、对拟合成的轨迹进行光滑过渡处理，即在组成拐角的两条线段直线与直线、直线与圆弧、圆弧与直线、圆弧与圆弧的两端点切线组成的夹角小与刀具最大转向角时，在两条线段间***合适长度的一小段圆弧，来代替原本的拐角；组成轨迹拐角的线段类型分为四种，通过拐角过渡算法，根据不同的拐角类型构建出相应的过渡曲线，实现数控切割中智能识别拐角类型并***相应圆弧的功能。
拐角过渡算法具体如下：
d1.对直线圆弧拟合的点进行标记0、1；0表示圆弧，1表示直线，如点i标记为01，则表示点i以顺时针遍历下来前接线段为圆弧、后接线段为直线；以此为准从第1个点遍历并标记所有点；
d2.从第1个点遍历，如遍历到(？，1)(1，1)(1，？)连续的三个点，？代表0或1，则该拐角类型为直线接直线；
如图11所示，假设圆弧p1p2为***的圆弧段,p1为直线ab与圆o的切点，p2为直线bc与圆o的切点，o为***圆弧的圆心，r为***圆弧的半径，d0为***圆弧的起点到夹角点的距离，d1为直线段ab的长度，d2为直线段bc的长度，θ为组成夹角的角度，ξ为***的圆弧与直线拐角之间允许的最大误差；基于参数ξ、θ，采用下式计算得到***圆弧的r：
Figure BDA0003085883630000161
结合上式，***圆弧的起点到夹角点的距离d0＝(r+δ)·cos(θ/2)，为了保证***圆弧的起点和终点不要越过组成拐角线段的极限值，比较d0与d1、d2的值，若d0>d1或d0>d2，则取d0＝min[d1、d2]；结合不同刀具的尺寸及最大转角，应当对***圆弧的半径r设置合适的极限最小值，保证刀具在经过转角时可以平稳通过；
应用下式计算起点p1(x,y)、终点p2(x,y)的坐标：
Figure BDA0003085883630000162
Figure BDA0003085883630000163
Figure BDA0003085883630000164
Figure BDA0003085883630000165
基于求得的起点p1(x,y)、终点p2(x,y)的坐标，计算直线op1和直线op2的方程式
Figure BDA0003085883630000166
再得到圆弧的圆心o(x,y)的坐标；
d3.从第1个点遍历，如遍历到(？，1)(1，0)(0，？)或(？，0)(0，1)(1，？)连续的三个点，则该拐角类型为直线接圆弧或圆弧接直线，***圆弧的半径计算同直线接直线；
如图12所示，假设ab为圆弧线段，bc为直线段，bd为圆弧线段的切线方向向量，o为圆弧线段圆心，θ为直线段与圆弧线段切线的夹角；
对这两种拐角***圆弧线段有内切和外切两种情况，通过计算组成拐角圆弧ab的空间向量和圆弧ab的切线与直线段bc组成的夹角θ大小，由这两个量共同判断***的圆弧是内切还是外切；
首先计算圆弧线段的空间向量，由笛卡尔坐标系右手法则初步判断圆弧线段的空间向量指向内还是外，因为特征点集按照轮廓轨迹的逆时针遍历可计算向量；记向量bo为向量A、向量oa为向量B、记空间向量为向量C；
应用下式计算向量A、B的向量积：
A×B＝(A.y·B.z-B.y·A.z,B.x·A.z-A.x·B.z,A.x·B.y-B.x·A.y)
则C＝A.x·B.y-B.x·A.y,若C<0则空间向量C指向外、C>0则空间向量C指向内；基于向量bc和向量bd的坐标，应用下式计算向量bc和向量bd的方位角θbc、θbd：
Figure BDA0003085883630000171
θbd与θbc的计算公式一致；
则夹角θ＝θbd-θbc；
由于刀具存在最大转向角θmax，每种类型的刀具都有各自的θmax，为了最大化加工效率，当直线段与圆弧线段切线的夹角θ未达到θmax时，便不再***圆弧段；
基于参数刀具最大转向角θmax、空间向量C，得出关于选择内切或外切的结论：
Figure BDA0003085883630000172
在确定***圆弧式内切或外切后，计算直线与圆弧、圆弧与直线中***相切圆弧段的圆心、起点、终点的坐标；
如图13所示，此处若为外切，假设ab为圆弧线段，bc为直线段，bd为圆弧线段的切线方向向量，o1为***圆弧圆心，r1为***圆弧半径，o2为圆弧线段圆心，r2为圆弧线段半径，p1为直线ab与圆o2的切点，p2为直线bc与圆o1的切点，L为过o1点且平行于直线bc的直线；
首先做一条平行于直线bc且距离为r1的直线L，由于作离直线bc距离为r1的直线会出现两条，判断选择哪一条直线是需要的直线L，然后在直线L上计算离圆弧圆心o2距离为r1+r2的点，由于离o2距离为r1+r2的点会找到两个，基于参数直线L的方程y＝k2*x+b2、***圆弧半径r1、组成拐角圆弧半径r2，应用下式计算***圆弧的圆心o1(x，y)坐标：
Figure BDA0003085883630000181
o1.y＝k2·o1.x+b2
基于参数***圆弧的圆心o1坐标、***圆弧的半径r1、圆弧线段半径r2、直线bc的方程y＝k1*x+b1、直线o1p1的方程y＝k3*x+b3，应用下式计算圆弧与直线中***相切圆弧段的起点p1、终点p2的坐标：
Figure BDA0003085883630000182
Figure BDA0003085883630000183
Figure BDA0003085883630000191
p2.y＝p2.x·k1+b1
d4.找出圆弧接圆弧的拐角点，为每一个点增添num和num1属性并赋初值0，设置静态变量static int n＝1，表示拟合成的第n个圆弧，设置变量j＝1，表示拟合每一个圆必须的前三个点的额外满足拟合圆条件的点数量，循环遍历做圆弧拟合时，在遍历到第i个点满足圆弧拟合条件时，n++；
判断条件如果第i个点的num等于0为真，则第i个点的num＝n；
判断条件如果第i个点的num不等于0为真，则第i个点的num1＝n；
判断条件如果第i+j+1个点的num等于0为真，则第i+j+1个点的num＝n；
判断条件如果第i+j+1个点的num不等于0为真，则第i+j+1个点的num1＝n；
再进行圆弧接圆弧拐角点的判断时，只要判断条件第i个点的num小与第i个点的num1为真,则第i个点即为圆弧接圆弧夹角点。
以图14所示为例，从图中可以看出圆弧接圆弧中***相切圆弧段的方式有1、2、3、4四种情况。以图12所示为例，同圆弧接直线，记
Figure BDA0003085883630000192
为向量A、/>
Figure BDA0003085883630000193
为向量B，记前接圆弧为o1，o1的空间向量为C1、记后接圆弧为o2，o2的空间向量为C2，空间向量C1、C2同圆弧接直线。
若C1*C2>0，则***相切圆弧段的情况为1、4；
若C1*C2<0，则***相切圆弧段的情况为2、3；
在判断出***圆弧的情况为1、4情况的基础上，以图15所示为例，
Figure BDA0003085883630000194
bc圆弧段的切线向量、/>
Figure BDA0003085883630000195
ab圆弧段的切线向量、θ：以夹角点b以切线向沿伸至d点与e点形成的夹角、ab：前接圆弧、o1：前接圆弧的圆心、bc：后接圆弧、o2：后接圆弧的圆心。则θ＝θbe-θbd；
当θ<0时，代表切线bd在切线be顺时针θ处，***圆弧线段为情况1；
当θ>0时，代表切线be在切线bd逆时针θ处，***圆弧线段为情况4；
在判断出***圆弧的情况为1、4情况的基础上，
当C1<0时，表示空间向量指向内，***圆弧线段为情况2；
当C1>0时，表示空间向量指向外，***圆弧线段为情况3；
此时***圆弧的半径r3同直线接直线。
作直线段o1o2和o2o3，长度分别为d1、d2,对1、2、3、4四种情况有
d1＝r1-r3、d2＝r2-r3 1
d1＝r1-r3、d2＝r2+r3 2
d1＝r1+r3、d2＝r2-r3 3
d1＝r1+r3、d2＝r2+r3 4
基于参数d1、d2、o1、o2，应用下式计算***圆弧的圆心o3的坐标x和y的关系式：
Figure BDA0003085883630000201
为方便计算将上式写成o3.y＝k*o3.x+b；
结合上式，应用下式计算***圆弧的圆心o3的坐标
Figure BDA0003085883630000202
o3.y＝k·o3.x+b
计算***圆弧的起点、终点同直线接圆弧。
S9、将光滑过渡优化过的轨迹乘以仿射变换矩阵，得到实际加工的轨迹信息，最终生成新的加工轨迹。
图17为经过特征点选取与拟合后的加工轨迹，图18为光滑处理过的加工轨迹，原始轨迹难以加工，继而对图17，图18进行加工测试，本次测试中，拍摄的皮革图像像素为512*512，根据设备尺寸及相机摆放高度测试出每个像素点的长宽和实际尺寸比值为1：2.929mm,皮革区域内像素个数为106812，面积为916344.524mm2，间隔k设置为5个，曲率θ取172°，最大误差errmax设置为5.859mm，光滑过渡误差ζ设置为5mm，皮革尺寸约为1500mm*1500mm。机床参数设置插补周期为0.1ms，XY运动平台的极限速度800ms/s，极限加速度为3200ms/s，抬刀极限速度300ms/s，极限加速度1200ms/s。
原始轨迹难以加工，进行特征点选取拟合后轨迹的加工时间为19.09s，进行光滑过渡优化后的加工时间为15.2s，缩短了3.89s，较未光滑处理的轨迹优化效率为20.3％，同时经验证，最终处理完的加工轨迹的皮革面积较原始皮革轮廓的面积损失率在0.48％满足要求，如图16所示。加工轨迹速度对比如图19所示，可见xy方向上速度为0的区间减少，表示减少了“抬刀-转向-落刀”的动作，同时在拐角过渡区域的加工速度保持在较高的水平，速度变化幅度较小，这些是提升加工效率的主要原因。
运用本发明的这套方案，可以方便、快速、准确的提取出皮革的实际轮廓信息，提高自动化生产效率，同时对轮廓进行特征点提取、拟合与优化，解决了现有皮革覆膜切割技术中提取不规则皮革原料的实际轮廓尺寸技术不成熟、锯齿状轮廓难加工、需要频繁进行抬刀-转向-落刀等问题，明显提高了皮革覆膜切割的加工效率。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (6)

1.一种大幅面皮革轮廓检测与轨迹优化方法，其特征在于，包括以下步骤：
S1、进行光源打光和相机标定；
S2、通过相机采集大幅面皮革图像；
S3、对采集到的大幅面皮革图像进行灰度化和二值化处理，得到图像f(x,y)；
S4、对图像f(x,y)进行阈值分割，提取出皮革所在区域的图像f1(x,y)；并对提取出的皮革二值化图像进行腐蚀操作，将皮革所在区域的图像f1(x,y)与腐蚀过的图像f2(x,y)进行图像相减操作，提取出宽度为三个像素的皮革轮廓f3(x,y)；
S5、对大幅面皮革的轮廓进行细化和轮廓追踪得到顺序像素点集；
S6、对点集进行分段点选取和优化；
S7、对分段点集进行直线圆弧拟合；
S8、对拟合成的轨迹进行光滑过渡处理；
S9、得到加工文件；
所述步骤S8对拟合成的轨迹进行光滑过渡处理，即在组成拐角的两条线段直线与直线、直线与圆弧、圆弧与直线、圆弧与圆弧的两端点切线组成的夹角小于刀具最大转向角时，在两条线段间***一段由拐角过渡算法计算得出的圆弧，来代替原本的拐角；组成轨迹拐角的线段类型分为四种，通过拐角过渡算法，根据不同的拐角类型构建出相应的过渡曲线，实现数控切割中智能识别拐角类型并***相应圆弧的功能；
所述拐角过渡算法具体如下：
d1.对直线圆弧拟合的点进行标记0、1；0表示圆弧，1表示直线，如点i标记为01，则表示点i以顺时针遍历下来前接线段为圆弧、后接线段为直线；以此为准从第1个点遍历并标记所有点；
d2.从第1个点遍历，如遍历到(？，1)(1，1)(1，？)连续的三个点，？代表0或1，则该拐角类型为直线接直线；
假设圆弧p1p2为***的圆弧段,p1为直线ab与圆o的切点，p2为直线bc与圆o的切点，o为***圆弧的圆心，r为***圆弧的半径，d0为***圆弧的起点到夹角点的距离，d1为直线段ab的长度，d2为直线段bc的长度，θ为组成夹角的角度，δ为***的圆弧与直线拐角之间允许的最大误差；基于参数δ、θ，采用下式计算得到***圆弧的r：
Figure FDA0004125071190000021
结合上式，***圆弧的起点到夹角点的距离d0＝(r+δ)·cos(θ/2)，为了保证***圆弧的起点和终点不要越过组成拐角线段的极限值，比较d0与d1、d2的值，若d0>d1或d0>d2，则取d0＝min[d1、d2]；结合不同刀具的尺寸及最大转角，应当对***圆弧的半径r设置合适的极限最小值，保证刀具在经过转角时可以平稳通过；
应用下式计算起点p1(x,y)、终点p2(x,y)的坐标：
Figure FDA0004125071190000022
Figure FDA0004125071190000023
/>
Figure FDA0004125071190000024
Figure FDA0004125071190000025
基于求得的起点p1(x,y)、终点p2(x,y)的坐标，计算直线op1和直线op2的方程式
Figure FDA0004125071190000026
再得到圆弧的圆心o(x,y)的坐标；
d3.从第1个点遍历，如遍历到(？，1)(1，0)(0，？)或(？，0)(0，1)(1，？)连续的三个点，则该拐角类型为直线接圆弧或圆弧接直线，***圆弧的半径计算同直线接直线；
假设ab为圆弧线段，bc为直线段，bd为圆弧线段的切线方向向量，o为圆弧线段圆心，θ为直线段与圆弧线段切线的夹角；
对这两种拐角***圆弧线段有内切和外切两种情况，通过计算组成拐角圆弧ab的空间向量和圆弧ab的切线与直线段bc组成的夹角θ大小，由这两个量共同判断***的圆弧是内切还是外切；
首先计算圆弧线段的空间向量，由笛卡尔坐标系右手法则初步判断圆弧线段的空间向量指向内还是外，因为特征点集按照轮廓轨迹的逆时针遍历可计算向量；记向量bo为向量A、向量oa为向量B、记空间向量为向量C；
应用下式计算向量A、B的向量积：
A×B＝(A.y·B.z-B.y·A.z,B.x·A.z-A.x·B.z,A.x·B.y-B.x·A.y)
则C＝A.x·B.y-B.x·A.y,若C<0则空间向量C指向外、C>0则空间向量C指向内；基于向量bc和向量bd的坐标，应用下式计算向量bc和向量bd的方位角θbc、θbd：
Figure FDA0004125071190000031
/>
Figure FDA0004125071190000041
则夹角θ＝θbd-θbc；
由于刀具存在最大转向角θmax，每种类型的刀具都有各自的θmax，为了最大化加工效率，当直线段与圆弧线段切线的夹角θ未达到θmax时，便不再***圆弧段；
基于参数刀具最大转向角θmax、空间向量C，得出关于选择内切或外切的结论：
圆弧接直线
Figure FDA0004125071190000042
在确定***圆弧式内切或外切后，计算直线与圆弧、圆弧与直线中***相切圆弧段的圆心、起点、终点的坐标；
若为外切，假设ab为圆弧线段，bc为直线段，bd为圆弧线段的切线方向向量，o1为***圆弧圆心，r1为***圆弧半径，o2为圆弧线段ab的圆心，r2为圆弧线段半径，p1为圆心为o1的圆弧与圆心为o2的圆弧的切点，p2为直线bc与圆o1的切点，L为过o1点且平行于直线bc的直线；
首先做一条平行于直线bc且距离为r1的直线L，由于作离直线bc距离为r1的直线会出现两条，判断选择哪一条直线是需要的直线L，然后在直线L上计算离圆弧线段ab的圆心o2距离为r1+r2的点，由于离o2距离为r1+r2的点会找到两个，基于参数直线L的方程y＝k2*x+b2、***圆弧半径r1、组成拐角圆弧半径r2，应用下式计算***圆弧的圆心o1(x，y)坐标：
Figure FDA0004125071190000051
o1.y＝k2·o1.x+b2
基于参数***圆弧的圆心o1坐标、***圆弧的半径r1、圆弧线段半径r2、直线bc的方程y＝k1*x+b1、直线o1p1的方程y＝k3*x+b3，应用下式计算圆弧与直线中***相切圆弧段的起点p1、终点p2的坐标：
Figure FDA0004125071190000052
Figure FDA0004125071190000053
Figure FDA0004125071190000054
p2.y＝p2.x·k1+b1
d4.找出圆弧接圆弧的拐角点，为每一个点增添num和num1属性并赋初值0，设置静态变量static int n＝1，表示拟合成的第n个圆弧，设置变量j＝1，表示拟合每一个圆必须的前三个点的额外满足拟合圆条件的点数量，循环遍历做圆弧拟合时，在遍历到第i个点满足圆弧拟合条件时，n++；
判断条件如果第i个点的num等于0为真，则第i个点的num＝n；
判断条件如果第i个点的num不等于0为真，则第i个点的num1＝n；
判断条件如果第i+j+1个点的num等于0为真，则第i+j+1个点的num＝n；
判断条件如果第i+j+1个点的num不等于0为真，则第i+j+1个点的num1＝n；
在进行圆弧接圆弧拐角点的判断时，只要判断条件第i个点的num小于第i个点的num1为真,则第i个点即为圆弧接圆弧夹角点。
2.根据权利要求1所述的一种大幅面皮革轮廓检测与轨迹优化方法，其特征在于，所述步骤S5的具体过程如下：
首先进行定义：
(1).端点属于边界点，且8邻域中至少有一个为目标点；
(2).记当前中心点为P；
(3).目标点被标记为1，背景点则被标记为0；
(4).N(P)是指当前点P的8领域内非零像素点的个数；
(5).S(P)是指在以P为中心点的8领域内，像素按照顺时针顺序从0变为1的次数；
细化算法步骤分为两步：
a1.寻找到以边界点为中心点的8领域，记中心点为P，首先标记出满足以下条件的边界点：
1).2≤N(P1)≤6，N(P1)表示跟P1相邻的8个像素点中，为前景像素点的个数；
2).S(P1)＝1，S(P1)表示将P2-P9-P2之间按顺时针排序的像素的值从0变成1的次数；
3).P2*P4*P6＝0；
4).P4*P6*P8＝0；
当对所有边界点都检验完成之后，将所有标记的点除去，即将标记点的像素值从1改为0；
P2-P9为围绕着P1且按顺时针分布的八个相邻点；
a2.重复步骤a1，但将条件3)改为P2*P4*P8＝0；条件4)改为P2*P6*P8＝0；
遍历完所有像素点即完成细化操作；
在细化的基础上使用链码算法进行轮廓追踪，改变逐行逐列的点集顺序，变为从起点沿着轮廓的形状走向的顺序点集。
3.根据权利要求2所述的一种大幅面皮革轮廓检测与轨迹优化方法，其特征在于，所述链码算法具体过程如下：
b1.从(0,0)遍历访问所有像素点，当像素值变为1时，设为起始点也为第一个当前点P；
b2.在P的8邻域的方向寻找轮廓上的下一个像素值为1的像素点，没有找到就按当前搜索方向顺时针旋转45度，重复此步骤继续搜索；
b3.根据当前方向P点的邻域内的像素点为1，即轮廓点，则将当前P点的像素值设为0，并将搜索到的边界点作为下一个起点Q，同时记录下当前的Q点坐标及当前的方向数值，并将方向数值逆时针旋转90度；
b4.在Q点的8邻域内重复步骤b2、b3的操作，找到下一个边界点并记录；与此类似可按序地得到连通道路上的每一个边界点的像素坐标，并记录；直到跟踪到端点，至此大幅面皮革外轮廓跟踪结束；若Q点同时存在8邻域的点和4邻域的点，则会跳过4邻域的点。
4.根据权利要求1所述的一种大幅面皮革轮廓检测与轨迹优化方法，其特征在于，所述步骤S6的具体过程如下：
首先以曲率作为阈值，保留曲率变化大的分段点，减少点集的数量；曲率在平面几何中是指在曲线上某个点的切线方向角对弧长的转动率，用微分表示曲率计算公式：
Figure FDA0004125071190000071
Figure FDA0004125071190000072
为切线斜率的倾角变化量；Δs为曲线段的弧长；令当前点为Pi，表示为第i个点，以k个像素距离为单位，计算向量PiPi-k和向量PiPi+k构成角度的余弦值；
令当前点的坐标为(xi,yi)，向量PiPi-k＝(xi-xi-k,yi-yi-k)、向量PiPi+k＝(xi-xi+k,yi-yi+k)，令cosθi为向量PiPi-k和向量PiPi+k之间的夹角，cosθi即为特征量，遍历轮廓上的所有像素点分别计算每个像素点的特征量并记录，设置合适的阈值来选取分段点；
使用下列公式计算cosθi：
Figure FDA0004125071190000081
接着对初步提取的分段点进行优化；计算每个分段点之间的距离d和每个分段点和前后分段点组成的夹角θ‘，遍历分段点集，将距离d大于阈值d0或者夹角θ‘小于阈值θ‘0的点提出作为最终的分段点。
5.根据权利要求4所述的一种大幅面皮革轮廓检测与轨迹优化方法，其特征在于，所述优化还包括：
针对分段拟合曲线首尾不衔接的问题，通过尺规作图算法进行线段衔接，具体为：
假设P1、P2、P3为分段点，黑色线段为最小二乘法拟合的圆弧，o1、R1为第一段圆弧的圆心、半径，o2、R2为第二段圆弧的圆心、半径；以R1作为半径，分别以P1、P2为圆心作圆，两圆相交得到两个交点，选择距离o1距离较近的点作为o1‘，再以o1‘为圆心，R1为半径作圆，所得的圆将会经过P1、P2点，同理得到圆o2‘经过P2、P3点，P2即为衔接点。
6.根据权利要求1所述的一种大幅面皮革轮廓检测与轨迹优化方法，其特征在于，所述步骤S7对分段点集进行直线圆弧拟合的具体过程如下：
c1.将原轮廓点集以分段点为界，分割成一段段的分段点的集合，称为一级分段，在每一个分断点集里，将点集的首尾点连接成直线，分别遍历计算分段点集中的每一个点到拟合直线的距离误差err1＝d1，以及到拟合圆弧圆心的距离误差err2＝d2-R，R为圆弧半径，拟合最大误差设定为err；
c2.若err1<err2,且err1<err，则这个分段点集用直线拟合；
若err2<err1，且err2<err，则这个分段点集用最小二乘圆弧拟合；
若err1>err，且err2>err，则将这个分段点集使用二分法进行二级分段；
c3.取点集的中点为新的分段点，分别对新分割成的两段点集重新进行最小二乘拟合和线段的首尾衔接，再分别判断是否满足c2的条件；若不满足则对不满足的点集进行三级分段，并分别对新分割成的两段点集重新进行最小二乘拟合和线段的首尾衔接，再分别判断是否满足c2的条件，以此类推，直到所有的点都满足条件err1<err2,且err1<err或者err2<err1,且err2<err。
CN202110580574.0A 2021-05-26 2021-05-26 一种大幅面皮革轮廓检测与轨迹优化方法 Active CN113284157B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110580574.0A CN113284157B (zh) 2021-05-26 2021-05-26 一种大幅面皮革轮廓检测与轨迹优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110580574.0A CN113284157B (zh) 2021-05-26 2021-05-26 一种大幅面皮革轮廓检测与轨迹优化方法

Publications (2)

Publication Number Publication Date
CN113284157A CN113284157A (zh) 2021-08-20
CN113284157B true CN113284157B (zh) 2023-06-02

Family

ID=77281804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110580574.0A Active CN113284157B (zh) 2021-05-26 2021-05-26 一种大幅面皮革轮廓检测与轨迹优化方法

Country Status (1)

Country Link
CN (1) CN113284157B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114504170B (zh) * 2022-03-07 2023-06-13 知守科技(杭州)有限公司 片底类鞋底喷胶方法、***及存储介质
CN114535792B (zh) * 2022-03-24 2023-11-07 大族激光科技产业集团股份有限公司 加工轨迹拐角过渡圆弧的构造方法、加工设备及存储介质
CN115647575B (zh) * 2022-12-28 2023-03-31 歌尔股份有限公司 激光加工控制方法、装置、设备及存储介质
CN116540516A (zh) * 2023-05-10 2023-08-04 天王电子（深圳）有限公司 一种手表自动化装配方法及手表装配设备
CN116704209B (zh) * 2023-08-08 2023-10-17 山东顺发重工有限公司 一种法兰轮廓快速提取方法及***
CN117428582B (zh) * 2023-12-22 2024-03-15 泉州装备制造研究所 一种异形工件的加工方法及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104625428A (zh) * 2014-12-19 2015-05-20 天津市芭而蒂服饰有限公司 皮革激光切割机及皮革加工方法
CN107179057A (zh) * 2017-05-12 2017-09-19 浙江工业大学 基于图像的皮革几何测量方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5179941B2 (ja) * 2008-05-02 2013-04-10 株式会社島精機製作所 裁断装置及び裁断装置での裁断対象の輪郭抽出方法
CN107798413B (zh) * 2017-06-07 2021-04-23 温州大学 皮革多轮廓加工快进路径优化方法
CN108711158B (zh) * 2018-03-14 2021-05-28 武汉科技大学 基于轮廓拟合和径向分割的指针式仪表图像识别方法
CN110400321A (zh) * 2019-07-26 2019-11-01 广东工业大学 基于机器视觉的皮革原料轮廓及实际尺寸的提取方法
CN110930355B (zh) * 2019-10-10 2022-02-11 江苏科技大学 一种基于图像处理的微米级河鲀表皮体刺轮廓建模方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104625428A (zh) * 2014-12-19 2015-05-20 天津市芭而蒂服饰有限公司 皮革激光切割机及皮革加工方法
CN107179057A (zh) * 2017-05-12 2017-09-19 浙江工业大学 基于图像的皮革几何测量方法

Also Published As

Publication number Publication date
CN113284157A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN113284157B (zh) 一种大幅面皮革轮廓检测与轨迹优化方法
CN107798330B (zh) 一种焊缝图像特征信息提取方法
CN105046750B (zh) 一种自动分割全颌牙齿三角网格模型的方法
CN107169487B (zh) 基于超像素分割及深度特征定位的显著性目标检测方法
CN109060836B (zh) 基于机器视觉的高压油管接头外螺纹检测方法
CN113298833A (zh) 目标物点云特征线面提取方法及***
CN109146838A (zh) 一种基于几何特征与区域融合的g显带粘连染色体分割方法
CN101487838B (zh) 一种异形纤维的尺度形状特征的提取方法
KR20140020837A (ko) 표면 검사에 이용하기 위한 타이어 표면의 삼차원 이미지 전처리 방법
CN110197153B (zh) 一种户型图中墙体自动识别方法
CN110728667A (zh) 一种基于灰度图像概率的刀具磨损量自动精确测量方法
CN111445482B (zh) 重叠双孢蘑菇的分割识别方法
CN103210417A (zh) 使用连续b样条变形预处理轮胎表面的三维图像的方法
CN110942107B (zh) 基于零件工程图像的复合磨削加工特征自动识别方法
CN110717872A (zh) 一种激光辅助定位下的v型焊缝图像特征点提取方法及提取***
CN111311618A (zh) 一种基于高精度几何基元提取的圆弧工件匹配与定位方法
CN108717692B (zh) 一种基于ccd图像处理的裁剪物料纠偏方法
CN107679333A (zh) 一种二维拓扑优化结果几何重构的方法
CN114022483B (zh) 一种基于边缘特性的注塑飞边区域识别方法
CN115147448A (zh) 面向自动化焊接的图像增强与特征提取方法
CN111401449A (zh) 一种基于机器视觉的图像匹配方法
CN104778458A (zh) 一种基于纹理特征的纺织品花纹检索方法
CN114240845A (zh) 一种应用于切削工件的光切法表面粗糙度测量方法
CN115830359A (zh) 复杂场景下基于目标检测和模板匹配的工件识别计数方法
CN107037738B (zh) 数控加工几何仿真中基于stl模型的材料去除方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant