CN115246050A - 基于机器视觉的激光切割路径优化控制方法 - Google Patents

基于机器视觉的激光切割路径优化控制方法 Download PDF

Info

Publication number
CN115246050A
CN115246050A CN202211167220.4A CN202211167220A CN115246050A CN 115246050 A CN115246050 A CN 115246050A CN 202211167220 A CN202211167220 A CN 202211167220A CN 115246050 A CN115246050 A CN 115246050A
Authority
CN
China
Prior art keywords
pattern
target
pixel
tangent
path
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.)
Granted
Application number
CN202211167220.4A
Other languages
English (en)
Other versions
CN115246050B (zh
Inventor
任建
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.)
Jiangsu Yuege Intelligent Equipment Co ltd
Original Assignee
Jiangsu Yuege Intelligent Equipment Co ltd
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 Jiangsu Yuege Intelligent Equipment Co ltd filed Critical Jiangsu Yuege Intelligent Equipment Co ltd
Priority to CN202211167220.4A priority Critical patent/CN115246050B/zh
Publication of CN115246050A publication Critical patent/CN115246050A/zh
Application granted granted Critical
Publication of CN115246050B publication Critical patent/CN115246050B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/36—Removing material
    • B23K26/38—Removing material by boring or cutting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/70—Auxiliary operations or equipment
    • B23K26/702—Auxiliary equipment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • Mechanical Engineering (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及智能控制领域，具体涉及一种基于机器视觉的激光切割路径优化控制方法，该方法获取目标镂空图案以及第一相遇图案，根据第一相遇图案的邻近程度获得目标镂空图案的邻近图案，并获取第一、第二像素点重合层数以及第一路径的长度。根据第一相遇图案与目标镂空图案的相切范围获取第三像素，获取第三像素与第二像素连线的长度。根据第一、第二像素的重合层数、第一路径长度和第二、第三像素点连线长度得到第一路径的信息素浓度倍率，进一步得到第一路径的选择概率，将第一路径选择概率代替传统蚁群算法路径选择概率，利用蚁群算法迭代出最优路径，从而解决原始蚁群算法的局部最优问题，提高收敛效率，节省激光镂空切割的路径规划时间。

Description

基于机器视觉的激光切割路径优化控制方法
技术领域
本申请涉及自动控制领域，具体涉及一种基于机器视觉的激光切割路径优化控制方法。
背景技术
激光切割技术被广泛应用于金属和非金属材料的加工工艺中，可大大减少加工时间，降低加工成本，提高工件质量。在切割过程中，激光切割路径上包含的空移距离长短是影响切割效率的重要因素之一，对于有多个轮廓的图形，尤其镂空、雕刻工艺，不同的切割顺序会产生不同的空移长度。路径优化的目的就是找到一条切割路径实现切割路径的控制，使空移长度尽可能短，又能够保证激光切割工艺的质量要求。
现有利用经典蚁群算法等进行激光切割最优路径规划的实例，但对于镂空工艺而言，每一次切割都是闭环切割，因此还存在切割始末点的最优选择问题，而蚁群算法将每一次切割位置作为基本单位构建最优切割路径，在切割路径控制过程中需要巨大的迭代计算量，耗费大量时间成本。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于机器视觉的激光切割路径优化控制方法，所采用的技术方案具体如下：
第一方面，基于机器视觉的激光切割路径优化控制方法，该方法包括以下步骤：
获取激光切割目标图像中的所有镂空图案;
获取每个目标镂空图案的所有第一相遇图案，获取目标镂空图案的任意第一相遇图案与目标镂空图案的相切范围，根据目标镂空图案任意第一相遇图案与目标镂空图案的相切范围获取每个目标镂空图案的邻近图案，获取目标镂空图案边缘上的任意第一像素点，获取邻近图案边缘上的任意一个第二像素点，将第一像素与第二像素的连线作为第一路径，获取第一路径的长度;
获取第一像素的重合层数，获取第二像素的重合层数;
将目标镂空图案在相切范围内的任意一个边缘像素点作为第三像素点;获取第二像素点与第三像素连线的长度;
根据第一像素点的重合层数、第二像素点的重合层数、第一路径长度以及第二像素点与第三像素点连线的长度计算第一路径的信息素浓度倍率：
根据第一路径信息素浓度倍率和第一路径的信息素含量得到第一路径的选择概率;
将得到的第一路径选择概率代替传统蚁群算法路径选择概率，利用蚁群算法进行迭代直至找到最优路径。
优选的，所述每个目标镂空图案的所有第一相遇图案的获取方法，包括：
以每个目标镂空图案为射线端点绘制360个角度搜索射线，获取各角度搜索射线与其他图案的所有交点，获取与目标镂空图案质心点欧式距离最小的交点所在图案，所述图案即为目标镂空图案的第一相遇图案。
优选的，所述目标镂空图案的任意第一相遇图案与目标镂空图案的相切范围的获取方法，包括：
获取与目标镂空图案和目标镂空图案的任意第一相遇图案同时相切的所有的切线，获取切线夹角最小的两条切线作为目标镂空图案与任意第一相遇图案的包络切线组，获取包罗切线组、目标镂空图案以及目标镂空图案的任意第一相遇图案所包围的区域作为目标镂空图案与目标镂空图案的任意第一相遇图案的相切范围。
优选的，所述目标镂空图案的邻近图案获取方法，包括：
获取在目标镂空图案与任意第一相遇图案相切范围内的所有其他图案作为目标镂空图案与任意第一相遇图案的阻挡图案，将与阻挡图案相交的包络切线组中的一条包络切线作为第一包络切线，将于阻挡图案不相交的包络切线组中的一条包络切线作为第二包络切线，将与第一包络切线距离最远的阻挡图案边缘点记为第一阻挡边缘点，通过第一阻挡图案边缘点绘制与包络切线相交的最短线段记为切线线段,获取切线线段与第二包络切的交点与第一阻挡边缘点连线记为第一线段，获取第一线段长度，获取切线线段的长度；
根据第一线段长度和切线线段长度比值得到目标镂空图案与任意第一相遇图案的相切率；
获取目标镂空图案与每个第一相遇图案的质心距离，将目标镂空图案与每个第一相遇图案的质心距离求方差作为目标镂空图案与第一相遇图案的距离方差；
根据目标镂空图案与任意第一相遇图案的相切率和目标镂空图案与第一相遇图案的距离方差得到任意第一相遇图案的邻近程度；
将邻近程度大于设定阈值的第一相遇图案作为目标镂空图案的邻近图案
优选的，所述任意第一相遇图案邻近程度计算公式：
Figure 392207DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
为目标镂空图案与任意第一相遇图案的相切率，
Figure 540554DEST_PATH_IMAGE004
为目标镂空图案与第一相遇图案的距离方差；
Figure 100002_DEST_PATH_IMAGE005
为任意第一相遇图案的邻近程度，
Figure 239388DEST_PATH_IMAGE006
表示以自然常数为底的指数模型。
优选的，所述第一像素重合层数以及第二像素重合层数获取方法，包括：
目标镂空图案与每个邻近图案得到一个相切范围，将第一像素包含在每个切线范围内时记为一次重合，统计出第一像素在所有切线范围内的重合次数作为第一像素的重合层数；将第二像素包含在每个切线范围内时记为一次重合，统计出第一像素在所有切线范围内的重合次数作为第一像素的重合层数。
优选的，所述第一路径的信息素浓度倍率计算公式:
Figure 516786DEST_PATH_IMAGE008
其中，
Figure 100002_DEST_PATH_IMAGE009
为第一像素的重合层数，
Figure 432396DEST_PATH_IMAGE010
为第二像素的重合层数，
Figure 100002_DEST_PATH_IMAGE011
为第一路径的长度，
Figure 882969DEST_PATH_IMAGE012
为第二像素与第三像素点连线的长度；
Figure 100002_DEST_PATH_IMAGE013
为目标镂空图案与任意第一相遇图案在相切范围内的所有边缘像素点个数;
Figure 203354DEST_PATH_IMAGE014
为目标镂空图案的所有第一相遇图案的总个数,
Figure 100002_DEST_PATH_IMAGE015
为目标镂空图案
Figure 323757DEST_PATH_IMAGE016
上第一像素与邻近图案
Figure 100002_DEST_PATH_IMAGE017
上第二像素连线构成的第一路径；
Figure 962549DEST_PATH_IMAGE018
为第一路径的信息素浓度倍率。
优选的，所述第一路径的选择概率计算公式：
Figure 43244DEST_PATH_IMAGE020
其中，
Figure 529720DEST_PATH_IMAGE018
为第一路径信息素浓度倍率，
Figure 100002_DEST_PATH_IMAGE021
为t时刻影响参数为
Figure 335871DEST_PATH_IMAGE022
第一路径的信息素含量，
Figure 100002_DEST_PATH_IMAGE023
为影响参数为
Figure 963423DEST_PATH_IMAGE024
第一路径的超参数;
Figure 100002_DEST_PATH_IMAGE025
为邻近图案在目标镂空图案与邻近图案相切范围内的像素总个数;
Figure 286957DEST_PATH_IMAGE026
为目标镂空图案在目标镂空图案与邻近图案相切范围内的像素总个数;
Figure 100002_DEST_PATH_IMAGE027
第一路径的选择概率。
本发明实施例至少具有如下有益效果：本发明通过对最优切割点可选范围进行概率收敛，来干预不同路径信息素含量的生成和挥发，使每条路径的信息素含量不仅仅取决于其路径长短，而是当前路径及后置所有可能路径的长度共同决定，这样可以有效解决原始蚁群算法在镂空切割场景中的局部最优化问题，并且经过人为导向使蚁群算法迭代更少，收敛更快，大幅节省了算法运行时间，提高了激光镂空切割的路径规划效。
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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。
图1为本发明提供的一种基于机器视觉的激光切割路径优化控制方法的流程图。
图2为目标镂空图案与任意第一相遇图案相切示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于机器视觉的激光切割路径优化控制方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于机器视觉的激光切割路径优化控制方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于机器视觉的激光切割路径优化控制方法的步骤流程图，该方法包括以下步骤：
步骤S001,获取激光切割目标物的镂空图案信息。
具体的，利用CCD相机采集目标物平面图像，利用图形识别算法识别目标物上所有镂空图案，获取镂空图案的边缘上的所有像素。
步骤S002,获得每个目标镂空图案的邻近图案。
具体的，为了获得每个目标镂空图案的邻近图案先获得每个镂空图案的第一相遇图案，以每个镂空图案为目标镂空图案，获取每个目标镂空图案为射线端点绘制360个角度搜索射线，获取各角度搜索射线与其他图案的所有交点，获取与目标镂空图案质心点欧式距离最小的交点所在图案，该图案即为目标镂空图案的第一相遇图案。
至此，本实施例能够得到目标镂空图案的第一相遇图案。
由于有些第一相遇图案不能满足邻近图案的特征，例如第一相遇图案与目标镂空图案的距离较远和第一相遇图案与目标镂空图案间存在较多的其他图案阻挡，因而需要分析每个第一相遇图案的邻近程度来确定第一相遇图案是否为目标镂空图案的邻近图案。
如图2所示，以第n个第一相遇图案为例来说明第一相遇图案的邻近程度的实现过程，获取与目标镂空图案和目标镂空图案的第n个第一相遇图案同时相切的所有的切线，获取切线夹角最小的一组切线作为目标镂空图案与第n第一相遇图案的包络切线组，获取包络切线组、目标镂空图案以及目标镂空图案的第n第一相遇图案所包围的区域作为目标镂空图案与目标镂空图案与第n个第一相遇图案的相切范围。获取在目标镂空图案与第n个第一相遇图案相切范围内的其他图案作为目标镂空图案与任意第一相遇图案的阻挡图案，将阻挡图案与包络切线组相交的那条切线作为第一切线，获取与第一切线距离最远的阻挡图案边缘点
Figure 47846DEST_PATH_IMAGE028
，通过阻挡图案边缘点
Figure 978893DEST_PATH_IMAGE028
绘制与包络切线相交与点
Figure DEST_PATH_IMAGE029
和点
Figure 857857DEST_PATH_IMAGE030
的最短线段
Figure DEST_PATH_IMAGE031
,边缘点
Figure 80022DEST_PATH_IMAGE028
与点
Figure 541090DEST_PATH_IMAGE029
构成线段
Figure 157885DEST_PATH_IMAGE031
，边缘点
Figure 806035DEST_PATH_IMAGE028
与点z构成线段
Figure 297803DEST_PATH_IMAGE032
计算目标镂空图案的第n个第一相遇图案的相切率:
Figure 269170DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
为第一线段
Figure 230435DEST_PATH_IMAGE031
的长度，该长度表示目标镂空图案与第n个第一相遇图案中未被阻挡的宽度，
Figure 756094DEST_PATH_IMAGE036
为切线线段
Figure DEST_PATH_IMAGE037
的长度，表示通过最外侧阻挡边缘像素g的包络切线之间的最短线段长度，
Figure 100488DEST_PATH_IMAGE003
为目标镂空图案第n个第一相遇图案的相切率。
获取目标镂空图案与每个第一相遇图案的质心距离，将目标镂空图案与每个第一相遇图案的质心距离求方差，根据第n个第一相遇图案的相切率与目标镂空图案与第一相遇图案的方差计算第n个第一相遇图案的阻挡程度：
Figure 307389DEST_PATH_IMAGE002
其中，
Figure 751140DEST_PATH_IMAGE003
为第n个第一相遇图案的相切率，
Figure 154308DEST_PATH_IMAGE004
为目标镂空图案与第一相遇图案的距离的方差。
Figure 974496DEST_PATH_IMAGE004
越大代表第n个第一相遇图像的距离越远，
Figure 15396DEST_PATH_IMAGE038
是归一化计算，第n个图案越远离A，则
Figure 895627DEST_PATH_IMAGE038
越小，
Figure DEST_PATH_IMAGE039
则为两者计算L2范数并求均，得到关于第n个第一相遇图案作为目标镂空图案A邻近图案，可被选为最优路径的选择参数
Figure 458196DEST_PATH_IMAGE005
，
Figure 564298DEST_PATH_IMAGE005
取值在0-1之间，取值越低则代表第n个第一相遇图案为非最优可选，设置经验阈值0.3，若
Figure 974551DEST_PATH_IMAGE005
小于0.3则将第n个第一相遇图案排除最优可选。由于最优化路径不可能跨目标连接、也不可能来回折返的基本特征，本方案对每一个图案求邻近、不需要跨越其他图案的相邻图案，这些图案即该目标镂空图案最优可选的所有可能路径，本算法模型根据目标连线之间被阻隔的程度，以及两者之间距离的离散度所构建的。可以初次收缩每个图案相接下个图案的可选范围，减少多余的迭代量。
将邻近程度大于设定阈值
Figure 9372DEST_PATH_IMAGE040
的第一相遇图案作为邻近图案，本方案阈值
Figure 872286DEST_PATH_IMAGE040
取0.3。
至此，本实施例能够得到目标镂空图案的邻近图案。
步骤S003,计算目标镂空图案边缘点与邻近图案边缘点构成路径的信息素含量倍率。
具体的，以目标镂空图案
Figure DEST_PATH_IMAGE041
上边缘点
Figure 722692DEST_PATH_IMAGE042
与邻近图案P上边缘点
Figure DEST_PATH_IMAGE043
构成的路径为例来介绍路径信息素含量倍率计算过程，获取目标镂空图案Q与邻近图案
Figure 174402DEST_PATH_IMAGE044
获同时相切的所有的切线，获取切线夹角最小的一组切线作为目标镂空图案与任意第一相遇图案的包络切线组，获取包络切线组、目标图
Figure 144239DEST_PATH_IMAGE041
案以及目标镂空图案的邻近图案
Figure 494449DEST_PATH_IMAGE044
所包围的区域作为目标镂空图案
Figure 53606DEST_PATH_IMAGE041
与邻近图案
Figure 422140DEST_PATH_IMAGE044
的相切范围。目标镂空图案
Figure 815075DEST_PATH_IMAGE041
上边缘点
Figure 403313DEST_PATH_IMAGE043
包含在每个切线范围内时记为一次重合，统计出第一像素在所有切线范围内的重合次数作为边缘点
Figure 907107DEST_PATH_IMAGE043
的重合层数。同理得到邻近图案
Figure 130147DEST_PATH_IMAGE044
上边缘点
Figure 693983DEST_PATH_IMAGE042
的重合层数。获取目标镂空图案
Figure 766588DEST_PATH_IMAGE041
上边缘点
Figure 542914DEST_PATH_IMAGE043
与邻近图案
Figure 620460DEST_PATH_IMAGE044
上的边缘点
Figure 355198DEST_PATH_IMAGE042
相连构成切割路径
Figure 652450DEST_PATH_IMAGE015
，获取切割路径
Figure 498046DEST_PATH_IMAGE015
的长度。获取目标镂空图案
Figure 961257DEST_PATH_IMAGE041
与第n个第一相遇图案的相切范围，获取第n个第一相遇图案在相切范围内的任意一个边缘点
Figure DEST_PATH_IMAGE045
.获取边缘点
Figure 552382DEST_PATH_IMAGE045
与边缘点
Figure 851776DEST_PATH_IMAGE043
连线的长度
Figure 219173DEST_PATH_IMAGE012
，根据边缘点
Figure 507197DEST_PATH_IMAGE043
的重合层数、边缘点
Figure 973950DEST_PATH_IMAGE042
的重合层数、切割路径
Figure 495061DEST_PATH_IMAGE015
的长度以及连线长度
Figure 541515DEST_PATH_IMAGE012
计算切割路径
Figure 353220DEST_PATH_IMAGE015
的信息素浓度倍率：
Figure DEST_PATH_IMAGE047
其中，P、Q分别代表两个相邻关系的图案，u、v分别是P、Q边缘上的任意一个像素点，
Figure 53191DEST_PATH_IMAGE015
代表u、v两点将P、Q连接起来的一条路径，Z代表切线重合层数，
Figure 812331DEST_PATH_IMAGE048
代表u所在P图案上某一段的切线重合层数乘以v所在Q图案上某一段的切线重合层数，得到
Figure 69000DEST_PATH_IMAGE015
所有路径各自的信息素含量倍率。
Figure DEST_PATH_IMAGE049
中,u、v分别代表P、Q边缘上的任意一个像素点，
Figure 33414DEST_PATH_IMAGE011
代表由uv组成的路径距离，n代表对于Q而言任意一个第一相遇图案，
Figure 199560DEST_PATH_IMAGE014
代表对于Q而言一共有
Figure 429684DEST_PATH_IMAGE014
个第一相遇图案，r代表Q图案的后置任意一个第一相遇图案上，任意一个像素点，
Figure 208153DEST_PATH_IMAGE013
代表Q的第n个第一相遇图案上的所有与 Q相切范围内的像素点数量。
Figure 840122DEST_PATH_IMAGE012
代表Q的第n个第一相遇图案上任意一个与Q相切范围内的像素点，与v组成路径的距离。
Figure 914520DEST_PATH_IMAGE050
代表将Q的所有第一相遇图像的所有与v可能组成的路径长度进行累加。
Figure DEST_PATH_IMAGE051
则为将该累加值进行归一化，作为第P、Q之间uv路径的信息素浓度倍率权重系数。
Figure 350049DEST_PATH_IMAGE052
代表该路径的信息素浓度倍率，
Figure DEST_PATH_IMAGE053
越大，则归一化后的取值在0-1之间越小，即代表该uv路径较长，信息素浓度倍率应该相对调低。本算法模型是通过进一步收缩每相邻两个图案之间的路径可选范围，并根据每条路径与其后置所有可能的路径，构建前置、后置路径总长对于每条路径信息素浓度的影响函数，相比于默认蚁群算法的信息素生成规则，本算法更贴合引入最优切割点的最优路径规划场景。
步骤S004，计算目标镂空图案边缘点与邻近图案边缘点构成路径的选择概率。
具体的，获取切割路径
Figure 102848DEST_PATH_IMAGE015
的信息素含量
Figure 854904DEST_PATH_IMAGE021
，根据信息素含量
Figure 864317DEST_PATH_IMAGE021
与信息素含量倍率
Figure 69033DEST_PATH_IMAGE018
计算切割路径
Figure 799092DEST_PATH_IMAGE015
的选择概率：
Figure 890807DEST_PATH_IMAGE054
上式
Figure 87433DEST_PATH_IMAGE027
代表蚂蚁k在P、Q图案之间的uv路径上的选择概率函数，
Figure 763134DEST_PATH_IMAGE021
中，
Figure DEST_PATH_IMAGE055
代表信息素浓度，t代表时间，
Figure 224831DEST_PATH_IMAGE056
大于等于0代表对
Figure DEST_PATH_IMAGE057
的影响参数，
Figure 872850DEST_PATH_IMAGE021
代表t时刻连接P、Q两个图案的uv段路径信息素含量；
Figure 974799DEST_PATH_IMAGE023
为启发函数，为先验值，一般取值为1/
Figure 170419DEST_PATH_IMAGE011
，
Figure 39018DEST_PATH_IMAGE058
大于等于1代表控制
Figure DEST_PATH_IMAGE059
的影响参数；分母中，p、q分母代表P、Q图案上相切的最大像素点数量，
Figure 305658DEST_PATH_IMAGE060
代表蚂蚁选择
Figure 844086DEST_PATH_IMAGE015
段路径的概率。根据本发明调整的信息素规则，人为干预了默认每条路径被蚂蚁选择的概率，降低了蚂蚁的无用做工，减少迭代计算次数。
步骤S500，结合路径选择概率获得最优切割路径。
具体的，将得到的第一路径选择概率代替传统蚁群算法路径选择概率，利用蚁群算法进行跌倒直至找到最优路径。
综上所述，本发明实施例提供了一种基于机器视觉的激光切割路径优化控制方，该方法获取目标镂空图案以及第一相遇图案，根据第一相遇图案的邻近程度获得目标镂空图案的邻近图案，获取第一、第二像素点重合层数以及第一路径的长度。根据第一相遇图案与目标镂空图案的相切范围获取第三像素，获取第三像素与第二像素连线的长度。根据第一、第二像素的重合层数、第一路径长度和第二、第三像素点连线长度得到第一路径的信息素浓度倍率，根据第一路径信息素浓度倍率得到第一路径的选择概率，将第一路径选择概率代替传统蚁群算法路径选择概率，利用蚁群算法迭代出最优路径，从而解决原始蚁群算法的局部最优问题，提高收敛效率，节省激光镂空切割的路径规划时间。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于机器视觉的激光切割路径优化控制方法，其特征在于，该方法包括一下步骤：
获取激光切割目标图像中的所有镂空图案;
获取每个目标镂空图案的所有第一相遇图案，获取目标镂空图案的任意第一相遇图案与目标镂空图案的相切范围，根据目标镂空图案任意第一相遇图案与目标镂空图案的相切范围获取每个目标镂空图案的邻近图案，获取目标镂空图案边缘上的任意第一像素点，获取邻近图案边缘上的任意一个第二像素点，将第一像素与第二像素的连线作为第一路径，获取第一路径的长度;
获取第一像素的重合层数，获取第二像素的重合层数;
将目标镂空图案在相切范围内的任意一个边缘像素点作为第三像素点;获取第二像素点与第三像素连线的长度;
根据第一像素点的重合层数、第二像素点的重合层数、第一路径长度以及第二像素点与第三像素点连线的长度计算第一路径的信息素浓度倍率；
根据第一路径信息素浓度倍率和第一路径的信息素含量得到第一路径的选择概率;
将得到的第一路径选择概率代替传统蚁群算法路径选择概率，利用蚁群算法进行迭代直至找到最优路径。
2.如权利要求1所述的一种基于机器视觉的激光切割路径优化控制方法，其特征在于，所述每个目标镂空图案的所有第一相遇图案的获取方法，包括：
以每个目标镂空图案为射线端点绘制360个角度搜索射线，获取各角度搜索射线与其他图案的所有交点，获取与目标镂空图案质心点欧式距离最小的交点所在图案，所述图案即为目标镂空图案的第一相遇图案。
3.如权利要求1所述的一种基于机器视觉的激光切割路径优化控制方法，其特征在于，所述目标镂空图案的任意第一相遇图案与目标镂空图案的相切范围的获取方法，包括：
获取与目标镂空图案和目标镂空图案的任意第一相遇图案同时相切的所有的切线，获取切线夹角最小的两条切线作为目标镂空图案与任意第一相遇图案的包络切线组，获取包罗切线组、目标镂空图案以及目标镂空图案的任意第一相遇图案所包围的区域作为目标镂空图案与目标镂空图案的任意第一相遇图案的相切范围。
4.如权利要求1所述的一种基于机器视觉的激光切割路径优化控制方法，其特征在于，所述目标镂空图案的邻近图案获取方法，包括：
获取在目标镂空图案与任意第一相遇图案相切范围内的所有其他图案作为目标镂空图案与任意第一相遇图案的阻挡图案，将与阻挡图案相交的包络切线组中的一条包络切线作为第一包络切线，将于阻挡图案不相交的包络切线组中的一条包络切线作为第二包络切线，将与第一包络切线距离最远的阻挡图案边缘点记为第一阻挡边缘点，通过第一阻挡图案边缘点绘制与包络切线相交的最短线段记为切线线段,获取切线线段与第二包络切的交点与第一阻挡边缘点连线记为第一线段，获取第一线段长度，获取切线线段的长度；
根据第一线段长度和切线线段长度比值得到目标镂空图案与任意第一相遇图案的相切率；
获取目标镂空图案与每个第一相遇图案的质心距离，将目标镂空图案与每个第一相遇图案的质心距离求方差作为目标镂空图案与第一相遇图案的距离方差；
根据目标镂空图案与任意第一相遇图案的相切率和目标镂空图案与第一相遇图案的距离方差得到任意第一相遇图案的邻近程度；
将邻近程度大于设定阈值的第一相遇图案作为目标镂空图案的邻近图案。
5.如权利要求4所述的一种基于机器视觉的激光切割路径优化控制方法，其特征在于，所述任意第一相遇图案邻近程度计算公式：
Figure 667707DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为目标镂空图案与任意第一相遇图案的相切率，
Figure 290318DEST_PATH_IMAGE004
为目标镂空图案与第一相遇图案的距离方差；
Figure DEST_PATH_IMAGE005
为任意第一相遇图案的邻近程度，
Figure 422484DEST_PATH_IMAGE006
表示以自然常数为底的指数模型。
6.如权利要求1所述的一种基于机器视觉的激光切割路径优化控制方法，其特征在于，所述第一像素重合层数以及第二像素重合层数获取方法，包括：
目标镂空图案与每个邻近图案得到一个相切范围，将第一像素包含在每个切线范围内时记为一次重合，统计出第一像素在所有切线范围内的重合次数作为第一像素的重合层数；将第二像素包含在每个切线范围内时记为一次重合，统计出第一像素在所有切线范围内的重合次数作为第一像素的重合层数。
7.如权利要求1所述的一种基于机器视觉的激光切割路径优化控制方法，其特征在于，所述第一路径的信息素浓度倍率计算公式:
Figure 841964DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为第一像素的重合层数，
Figure 583524DEST_PATH_IMAGE010
为第二像素的重合层数，
Figure DEST_PATH_IMAGE011
为第一路径的长度，
Figure 559177DEST_PATH_IMAGE012
为第二像素与第三像素点连线的长度；
Figure DEST_PATH_IMAGE013
为目标镂空图案与任意第一相遇图案在相切范围内的所有边缘像素点个数;
Figure 360780DEST_PATH_IMAGE014
为目标镂空图案的所有第一相遇图案的总个数,
Figure DEST_PATH_IMAGE015
为目标镂空图案
Figure 159234DEST_PATH_IMAGE016
上第一像素与邻近图案
Figure DEST_PATH_IMAGE017
上第二像素连线构成的第一路径；
Figure 704485DEST_PATH_IMAGE018
为第一路径的信息素浓度倍率。
8.根据权利要求1所述的一种基于机器视觉的激光切割路径优化控制方法，其特征在于，所述第一路径的选择概率计算公式：
Figure 708213DEST_PATH_IMAGE020
其中，
Figure 530586DEST_PATH_IMAGE018
为第一路径信息素浓度倍率，
Figure DEST_PATH_IMAGE021
为t时刻影响参数为
Figure 49292DEST_PATH_IMAGE022
第一路径的信息素含量，
Figure DEST_PATH_IMAGE023
为影响参数为
Figure 634119DEST_PATH_IMAGE024
第一路径的超参数;
Figure DEST_PATH_IMAGE025
为邻近图案在目标镂空图案与邻近图案相切范围内的像素总个数;
Figure 695616DEST_PATH_IMAGE026
为目标镂空图案在目标镂空图案与邻近图案相切范围内的像素总个数;
Figure DEST_PATH_IMAGE027
第一路径的选择概率。
CN202211167220.4A 2022-09-23 2022-09-23 基于机器视觉的激光切割路径优化控制方法 Active CN115246050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211167220.4A CN115246050B (zh) 2022-09-23 2022-09-23 基于机器视觉的激光切割路径优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211167220.4A CN115246050B (zh) 2022-09-23 2022-09-23 基于机器视觉的激光切割路径优化控制方法

Publications (2)

Publication Number Publication Date
CN115246050A true CN115246050A (zh) 2022-10-28
CN115246050B CN115246050B (zh) 2022-12-20

Family

ID=83700486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211167220.4A Active CN115246050B (zh) 2022-09-23 2022-09-23 基于机器视觉的激光切割路径优化控制方法

Country Status (1)

Country Link
CN (1) CN115246050B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5933353A (en) * 1997-09-16 1999-08-03 New Focus, Inc. Method and apparatus for computer aided machining
CN102023611A (zh) * 2010-12-02 2011-04-20 广东工业大学 激光切割机寻轨路径规划优化方法
CN102880113A (zh) * 2012-10-26 2013-01-16 上海柏楚电子科技有限公司 一种激光切割路径优化方法
CN111299815A (zh) * 2020-02-13 2020-06-19 西安交通大学 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法
CN113433891A (zh) * 2021-07-14 2021-09-24 广东瑞知智能科技有限公司 一种切割路径的优化方法
CN113953685A (zh) * 2021-11-22 2022-01-21 重庆工商大学 一种平面板材激光切割路径规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5933353A (en) * 1997-09-16 1999-08-03 New Focus, Inc. Method and apparatus for computer aided machining
CN102023611A (zh) * 2010-12-02 2011-04-20 广东工业大学 激光切割机寻轨路径规划优化方法
CN102880113A (zh) * 2012-10-26 2013-01-16 上海柏楚电子科技有限公司 一种激光切割路径优化方法
CN111299815A (zh) * 2020-02-13 2020-06-19 西安交通大学 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法
CN113433891A (zh) * 2021-07-14 2021-09-24 广东瑞知智能科技有限公司 一种切割路径的优化方法
CN113953685A (zh) * 2021-11-22 2022-01-21 重庆工商大学 一种平面板材激光切割路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
侯普良等: "基于改进蚁群算法的激光切割加工路径优化研究", 《机电工程》 *

Also Published As

Publication number Publication date
CN115246050B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
US7324104B1 (en) Method of centerline generation in virtual objects
US7817822B2 (en) Bi-directional tracking using trajectory segment analysis
CN108491786B (zh) 一种基于分级网络和聚类合并的人脸检测方法
CN109886128B (zh) 一种低分辨率下的人脸检测方法
CN111279389A (zh) 图像处理方法和装置
CN108537782A (zh) 一种基于轮廓提取的建筑物图像匹配与融合的方法
CN106650701A (zh) 基于双目视觉的室内阴影环境下障碍物检测方法及装置
CN113296543B (zh) 航拍航线规划方法及***
CN112084914A (zh) 一种融合空间运动和表观特征学习的多目标跟踪方法
CN115565035A (zh) 一种用于夜间目标增强的红外与可见光图像融合方法
CN110176064A (zh) 一种摄影测量生成三维模型的主体对象自动识别方法
CN110096202A (zh) 一种基于深度强化学习的轻量级图像自动裁剪***及方法
CN108765434A (zh) 基于增材再制造点云模型的轮廓提取方法
CN107341823B (zh) 一种基于特征融合的最小分支立体匹配方法
CN114862802A (zh) 基于图像处理的钢结构的切割控制方法
CN115246050B (zh) 基于机器视觉的激光切割路径优化控制方法
CN113447029B (zh) 一种基于大型卫星地图的安全路径搜索方法
CN111189455A (zh) 一种基于改进生物地理学算法结合贝塞尔函数的无人机航路规划方法、***及存储介质
CN114842043B (zh) 一种基于图像处理的面料风格识别方法及***
CN103903262B (zh) 基于图像分割的深度不连续区域立体匹配算法
CN116310515A (zh) 一种针对小目标数据集的背景置零Mosaic数据增强方法
WO2021166555A1 (ja) 自動溶接システム、自動溶接方法、学習装置、学習済みモデルの生成方法、学習済みモデル、推定装置、推定方法、及びプログラム
CN109993695A (zh) 一种不规则图形标注的图像碎片拼接方法及***
CN115564812A (zh) 基于高精度视差细化的立体匹配方法、***、设备及介质
CN111260755B (zh) 基于深度学习与数字图像处理的数字扎染图案生成方法

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