CN116900412A - 基于视觉处理的钢板等距自动切割调控方法 - Google Patents
基于视觉处理的钢板等距自动切割调控方法 Download PDFInfo
- Publication number
- CN116900412A CN116900412A CN202311180900.4A CN202311180900A CN116900412A CN 116900412 A CN116900412 A CN 116900412A CN 202311180900 A CN202311180900 A CN 202311180900A CN 116900412 A CN116900412 A CN 116900412A
- Authority
- CN
- China
- Prior art keywords
- image
- singular value
- singular
- pixel
- degree
- 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
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 74
- 239000010959 steel Substances 0.000 title claims abstract description 74
- 238000005520 cutting process Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000000007 visual effect Effects 0.000 title claims abstract description 18
- 230000005856 abnormality Effects 0.000 claims abstract description 62
- 230000007547 defect Effects 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000004519 manufacturing process Methods 0.000 claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 230000001105 regulatory effect Effects 0.000 claims description 12
- 230000001276 controlling effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000692 anti-sense effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23D—PLANING; SLOTTING; SHEARING; BROACHING; SAWING; FILING; SCRAPING; LIKE OPERATIONS FOR WORKING METAL BY REMOVING MATERIAL, NOT OTHERWISE PROVIDED FOR
- B23D79/00—Methods, machines, or devices not covered elsewhere, for working metal by removal of material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于视觉处理的钢板等距自动切割调控方法,包括:采集高端制造用钢板待测图像,根据高端制造用钢板待测图像得到待处理图像;根据待处理图像进行图像奇异值分解得到每个像素点的结构异常程度和每个像素点的变化异常程度,根据每个像素点的结构异常程度和每个像素点的变化异常程度得到每个像素点的异常程度;根据每个像素点的异常程度进行聚类得到缺陷区域的形状位置信息;根据缺陷区域信息完成钢板等距自动切割的智能调控。本发明通过在奇异值分解过程中的每个秩一矩阵上进行每个像素点的结构信息和混乱信息的分析,得到了聚类距离的权重值,使得对钢板表面缺陷的聚类结果更为精确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于视觉处理的钢板等距自动切割调控方法。
背景技术
钢板表面的缺陷检测可以利用图像奇异值分解技术,根据钢板图像缺陷区域的灰度分布特点,识别出缺陷区域,便于后续精准调节钢板分割线,提升高端制造用钢板利用率与生产切割效率。图像奇异值分解进行钢板缺陷检测的过程中,由于缺陷区域的灰度分布特征多呈现不规则的特点,同时具有线性与非线性特征,因此在图像奇异值分解获得的秩一矩阵中会包含图像结构信息与部分曲线区域信息,导致缺陷区域难以确定。因此,本发明通过量化局部区域的非线性结构变化特征,区分缺陷区域与光照影响结构,得到缺陷区域位置信息,完成精准调节钢板分割线与钢板等距自动切割。
发明内容
本发明提供基于视觉处理的钢板等距自动切割调控方法,以解决现有的问题。
本发明的基于视觉处理的钢板等距自动切割调控方法采用如下技术方案:
本发明一个实施例提供了基于视觉处理的钢板等距自动切割调控方法,该方法包括以下步骤:
采集高端制造用钢板待测图像,对高端制造用钢板待测图像灰度化处理并进行边缘检测得到钢板区域,根据钢板区域得到待处理图像;
根据待处理图像进行图像奇异值分解得到奇异值矩阵,根据奇异值矩阵得到每个奇异值的分层图像,根据分层图像得到每个奇异值的结构可信程度,在每个奇异值的分层图像上利用每个奇异值的结构可信程度以及分层图像的前景区域和背景区域得到每个像素点的结构异常程度;
利用每个奇异值的分层图像进行累加得到每个奇异值的累加图像,并根据相邻奇异值的累加图像之间的差异每个像素点的变化异常程度,根据每个像素点的结构异常程度和每个像素点的变化异常程度得到每个像素点的异常程度,所述异常程度用以表征相同奇异值下钢板待测图像上同一种缺陷的像素点的差异性,根据每个像素点的异常程度得到每两个像素点之间的加权距离,根据每两个像素点之间的加权距离进行聚类得到缺陷区域,根据缺陷区域获取缺陷区域信息;
根据缺陷区域信息完成钢板等距自动切割的智能调控。
优选的,所述根据奇异值矩阵得到每个奇异值的分层图像,根据分层图像得到每个奇异值的结构可信程度,包括的具体步骤如下:
根据待处理图像进行图像奇异值分解得到左奇异矩阵、奇异值矩阵以及右奇异矩阵,计算所有奇异值的算数和,计算奇异值矩阵中每个奇异值的值在所有奇异值的算数和中的占比,记为每个奇异值的结构可信程度;根据左奇异矩阵、奇异值矩阵以及右奇异矩阵得到奇异值矩阵中每一个奇异值对应的秩一矩阵,记为每个奇异值的分层图像。
优选的,所述在每个奇异值的分层图像上利用每个奇异值的结构可信程度以及分层图像的前景区域和背景区域得到每个像素点的结构异常程度,包括的具体步骤如下:
获取每个奇异值的分层图像上灰度值为0的所有像素点,将灰度值为0的所有像素点的位置组成的集合记为背景区域,获取每个奇异值的分层图像上灰度值不为0的所有像素点,将灰度值不为0的所有像素点的位置组成的集合记为前景区域;在每个奇异值的分层图像上根据每个奇异值的结构可信度得到每个奇异值的分层图像中每个像素点对应的结构异常程度,具体的公式如下:
其中,表示第/>个奇异值的分层图像中第/>个像素点对应的结构异常程度,表示第/>个奇异值的结构可信程度,/>表示第/>个奇异值的分层图像中第/>个像素点的位置,/>表示背景区域,/>表示前景区域。
优选的,所述利用每个奇异值的分层图像进行累加得到每个奇异值的累加图像,并根据相邻奇异值的累加图像之间的差异每个像素点的变化异常程度,包括的具体步骤如下:
在每一个奇异值的分层图像上以每个像素点为中心像素点构建一个大小为预设的窗口尺寸的平方的窗口,计算每个中心像素点在每个中心像素点对应的窗口内的局部区域二维熵得到每个像素点的局部区域二维熵;对所有奇异值按照从大到小的顺序进行排列得到奇异值序列,从奇异值序列中第一个奇异值的分层图像开始,对所有奇异值的分层图像进行逐层累加得到每个奇异值对应的累加图像,其中第个奇异值对应的累加图像/>的计算方法为/>,其中/>表示在奇异值序列中第/>个奇异值之前的第/>个奇异值对应的分层图像,且有/>;计算每个奇异值对应的累加图像上每个像素点的局部区域二维熵,计算待处理图像上每个像素点的变化异常程度,计算的具体公式如下:
其中,表示待处理图像上第/>个像素点的变化异常程度,/>表示在奇异值序列中第/>个奇异值对应的累加图像上第/>个像素点的局部区域二维熵,/>表示在奇异值序列中第/>个奇异值对应的累加图像的上第/>个像素点的局部区域二维熵,/>表示奇异值的数量,且有/>。
优选的,所述根据每个像素点的结构异常程度和每个像素点的变化异常程度得到每个像素点的异常程度,包括的具体步骤如下:
用待处理图像上每个像素点的结构异常程度和待处理图像上每个像素点的变化异常程度相乘,得到待处理图像上每个像素点的异常值,在待处理图像上所有像素点的异常值中,对待处理图像上每个像素点的异常值进行最大最小值归一化得到待处理图像上每个像素点的异常程度。
优选的,所述根据每个像素点的异常程度得到每两个像素点之间的加权距离,包括的具体步骤如下:
计算待处理图像上每两个像素点之间的欧式距离,计算待处理图像上每两个像素点的异常程度的差值的绝对值,将每两个像素点之间的欧式距离和每两个像素点的异常程度的差值的绝对值相乘得到乘法结果,将乘法结果记为每两个像素点之间的加权距离。
本发明的技术方案的有益效果是:本发明针对高端制造用钢板生产切割场景中,钢板生产过程中存在划痕、凹凸、裂纹、氧化等生产表面缺陷,导致其部分线性结构信息会包含在多个秩一矩阵中,无法通过单一的阈值确定缺陷区域的奇异值对应的秩一矩阵部分的问题,根据图像奇异值分解的秩一矩阵包含的图像结构特征,量化出缺陷区域的线性与非线性结构变化特征,获得每个像素点的异常程度,利用聚类算法划分区域,由此确定缺陷区域位置信息,实现了精准调节钢板分割线与钢板等距自动切割的功能。
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附图作简单地介绍,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为本发明基于视觉处理的钢板等距自动切割调控方法的步骤流程图。
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基于视觉处理的钢板等距自动切割调控方法,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基于视觉处理的钢板等距自动切割调控方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于视觉处理的钢板等距自动切割调控方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取高端制造用钢板待测图像,对高端制造用钢板待测图像灰度化处理并进行边缘检测得到钢板区域,根据钢板区域得到待处理图像。
需要说明的是,在拍摄获得高端制造用钢板待测图像后,图像中包含了许多无关信息,因此需要对图像中的无关信息进行去除。
具体的,在高端制造用钢板等距自动切割生产场景中,在钢板切割操作前将相机设置在钢板顶端,采用俯视视角进行拍摄得到高端制造用钢板待测图像;将获得的高端制造用钢板待测图像进行灰度化,获得灰度图像;对灰度图像进行边缘检测得到钢板区域,对图像沿着钢板区域的最小外接矩形进行切割,得到待处理图像。
至此,得到了待处理图像。
步骤S002:根据待处理图像进行图像奇异值分解得到左奇异矩阵、奇异值矩阵以及右奇异矩阵,并得到奇异值矩阵中的每个奇异值的分层图像和每个奇异值的结构可信程度,在分层图像上利用每个奇异值的结构可信程度得到每个像素点的结构异常程度。
需要说明的是,由于待处理图像的尺寸并不是方阵,故在利用其矩阵特性对图像信息进行处理的过程中需要使用奇异值分解,待处理图像可以通过奇异值分解获得多个秩一矩阵,每个秩一矩阵代表了其对应的奇异值中包含的图像的结构信息,其中奇异值较大的秩一矩阵包含的图像的结构重要性越大,待处理图像中的线性结构由光线在高端制造用钢板平滑表面反射产生,通常呈现线性结构分布特征,缺陷区域则形状不规则包含有部分线性与绝大多数非线性结构特征。故本实施例利用秩一矩阵对待处理图像进行重构,按照奇异值矩阵的奇异值大小关系进行逐个累加,获得局部区域的结构分布变化程度。
具体的,根据待处理图像进行图像奇异值分解得到左奇异矩阵、奇异值矩阵以及右奇异矩阵,计算所有奇异值的算数和,计算奇异值矩阵中每个奇异值的值在所有奇异值的算数和中的占比,记为每个奇异值的结构可信程度;根据左奇异矩阵、奇异值矩阵以及右奇异矩阵得到奇异值矩阵中每一个奇异值对应的秩一矩阵,记为每个奇异值的分层图像,获取每个奇异值的分层图像上灰度值为0的所有像素点,将灰度值为0的所有像素点的位置组成的集合记为背景区域,获取每个奇异值的分层图像上灰度值不为0的所有像素点,将灰度值不为0的所有像素点的位置组成的集合记为前景区域;在每个奇异值的分层图像上根据每个奇异值的结构可信度得到每个奇异值的分层图像中每个像素点对应的结构异常程度,具体的公式如下:
其中,表示第/>个奇异值的分层图像中第/>个像素点对应的结构异常程度,表示第/>个奇异值的结构可信程度,/>表示第/>个奇异值的分层图像中第/>个像素点的位置,/>表示背景区域,/>表示前景区域。结构可信程度表征了前景区域的规则程度与背景区域的结构异常程度,由此当前像素点位置的结构异常程度应当是其多个分层图像结构异常程度的累积和,则当前像素点位置的单一分层图像的结构异常程度分为两种情况,第一种情况为像素点位置存在灰度值时,表明像素点处于规则区域,则对应的结构异常程度为其结构可信程度的相反数,即规则区域的规则程度的反义,第二种情况为像素点位置不存在灰度值时,表明像素点处于不规则区域,则对应的结构异常程度为其结构可信程度,即不规则区域的结构异常程度。因此对在两种不同的情况下的不同像素点的结构可信度进行区分正负的同程度的累加,使得在所有分层图像叠加后,对于任意一个像素点在每个分层图像中不同的结构可信程度和其所属的区域进行综合量化,用来表征任意一个像素点的整体的在结构上的异常程度。
进一步,累加所有奇异值的分层图像中每个像素点对应的结构异常程度,得到待处理图像上每个像素点的结构异常程度。当多个像素点同时属于钢板的某一类缺陷时,其在待处理图像上的结构异常程度应该是相近的。
至此,得到了待处理图像上每个像素点的结构异常程度。
步骤S003:利用每个奇异值的分层图像重构图像得到每个像素点的变化异常程度,根据每个像素点的结构异常程度和每个像素点的变化异常程度得到每个像素点的异常程度,根据每个像素点的异常程度得到每两个像素点之间的加权距离,根据每两个像素点之间的加权距离进行聚类得到缺陷区域,根据缺陷区域获取缺陷区域信息。
需要说明的是,表征缺陷区域线性与非线性结构特征对于主要线性光照结构的影响,由此获得局部区域的异常程度,并获得缺陷区域的形状位置信息,则需要根据每个奇异值的分层图像进行叠加得到原本的图像,正常钢板光照形成的线性结构大多包含在奇异值较大的分层图像中,在每个奇异值的分层图像的叠加过程中包含线性结构的规则区域灰度分布结构变化程度小,而钢板缺陷形成的非线性结构会在不规则区域及部分规则区域使得灰度分布结构变化程度加大。因此,结合区域内的像素点的结构异常程度,获得每个像素点的变化异常程度,从而获得整个分层图像的异常程度。分层图像的累计过程可以简化成每个分层图像与前项累积和分层图像相加的过程,对像素点而言分层图像的累计过程,可分解为多个每个分层图像灰度值与前项累积的和与分层图像灰度值相加的过程,在此过程中获取待处理图像上每个像素点的变化异常程度。
预设一个窗口大小,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中窗口大小/>需要保证为奇数,具体数值可根据具体实施情况而定。
具体的,在每一个奇异值的分层图像上以每个像素点为中心像素点构建一个大小为的窗口,其中/>为预设的窗口尺寸,计算每个中心像素点在其对应的窗口中的局部区域二维熵得到每个像素点的局部区域二维熵;对所有奇异值按照从大到小的顺序进行排列得到奇异值序列,从奇异值序列中第一个奇异值的分层图像开始,对所有奇异值的分层图像进行逐层累加得到每个奇异值对应的累加图像,其中第/>个奇异值对应的累加图像/>的计算方法为/>,其中/>表示在奇异值序列中第/>个奇异值之前的第/>个奇异值对应的分层图像,且有/>;计算每个奇异值对应的累加图像上每个像素点的局部区域二维熵,计算待处理图像上每个像素点的变化异常程度,计算的具体公式如下:
其中,表示待处理图像上第/>个像素点的变化异常程度,/>表示在奇异值序列中第/>个奇异值对应的累加图像上第/>个像素点的局部区域二维熵,/>表示在奇异值序列中第/>个奇异值对应的累加图像的上第/>个像素点的局部区域二维熵,/>表示奇异值的数量,且有/>。将每一次分层图像叠加过程中对于每个像素点的异常程度的变化进行累加,得到每个像素点的变化异常程度,当每个像素点的变化异常程度越大时,每个像素点与别的像素点的差异越大,越有可能表征钢板的表面缺陷,同时,由于利用了奇异值分解过程中的分层图像并进行累加,公式本质上分析了累加过程中相邻的分层图像之间的差异量,由于每个分层图像上表示的信息具有相似性,故当对其进行累加时,相邻的分层图像之间的差异量越大,则说明这一类相似的信息是一类信息即钢板的同一类缺陷的概率就越小,在后续的聚类中其反映到具体某个像素点时,该像素点的聚类权重值较小。
进一步,用待处理图像上每个像素点的结构异常程度和待处理图像上每个像素点的变化异常程度相乘,得到待处理图像上每个像素点的异常值,在待处理图像上所有像素点的异常值中,对待处理图像上每个像素点的异常值进行最大最小值归一化得到待处理图像上每个像素点的异常程度。
需要进一步说明的是,根据获得的像素点的异常程度,对像素点间的欧氏距离进行转换,利用密度聚类算法进行密度聚类,获得多个聚类结果,就可以划分出钢板的缺陷区域与正常区域。
具体的,计算待处理图像上每两个像素点之间的欧式距离,根据待处理图像上每个像素点的异常程度得到待处理图像上每两个像素点之间的加权距离,计算的具体公式为:
其中,表示待处理图像上第/>个像素点和第/>个像素点之间的加权距离,表示待处理图像上第/>个像素点和第/>个像素点之间的欧式距离,/>和/>分别表示待处理图像上第/>个像素点和第/>个像素点的异常程度。
预设邻域半径和最小数据点数目/>,其中本实施例以/>和为例进行叙述,本实施例不进行具体限定,其中邻域半径/>和最小数据点数目可根据具体实施情况而定。
进一步,利用待处理图像上每两个像素点之间的加权距离、邻域半径和最小数据点数目进行密度聚类算法计算得到若干个聚类簇,将面积最大的聚类簇标记为正常区域,其余的聚类簇表示为缺陷区域;获缺陷区域中包含的像素点坐标信息,得到若干个缺陷区域坐标集合,其中每个缺陷区域坐标集合中包含了不同的缺陷区域信息,获取缺陷区域信息。
至此,得到了缺陷区域信息。
步骤S004:根据缺陷区域信息完成钢板等距自动切割调控。
具体的,利用每个缺陷区域坐标集合中包含的缺陷区域信息沿着钢板运动方向对缺陷区域获取侧边与钢板边缘平行的最小外接矩形,以最小外接矩形垂直于钢板运动方向的两条边作为缺陷区域边缘,将缺陷区域边缘之间的距离作为缺陷区域跨度距离;根据获得的钢板缺陷区域的跨度距离判断当前切割线完成切割的钢板是否符合切割要求,若符合切割要求,则进行自动切割,若不符合切割要求,则以缺陷区域边缘进行切割,切割后,对缺陷部分钢板继续进行钢板的区域异常程度判断并重新设定钢板切割线进行切割,直至符合切割要求,完成钢板等距自动切割的智能调控。
至此,完成了基于视觉处理的钢板等距自动切割调控。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,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 (6)
1.基于视觉处理的钢板等距自动切割调控方法,其特征在于,该方法包括以下步骤:
采集高端制造用钢板待测图像,对高端制造用钢板待测图像灰度化处理并进行边缘检测得到钢板区域,根据钢板区域得到待处理图像;
根据待处理图像进行图像奇异值分解得到奇异值矩阵,根据奇异值矩阵得到每个奇异值的分层图像,根据分层图像得到每个奇异值的结构可信程度,在每个奇异值的分层图像上利用每个奇异值的结构可信程度以及分层图像的前景区域和背景区域得到每个像素点的结构异常程度;
利用每个奇异值的分层图像进行累加得到每个奇异值的累加图像,并根据相邻奇异值的累加图像之间的差异每个像素点的变化异常程度,根据每个像素点的结构异常程度和每个像素点的变化异常程度得到每个像素点的异常程度,所述异常程度用以表征相同奇异值下钢板待测图像上同一种缺陷的像素点的差异性,根据每个像素点的异常程度得到每两个像素点之间的加权距离,根据每两个像素点之间的加权距离进行聚类得到缺陷区域,根据缺陷区域获取缺陷区域信息;
根据缺陷区域信息完成钢板等距自动切割的智能调控。
2.根据权利要求1所述基于视觉处理的钢板等距自动切割调控方法,其特征在于,所述根据奇异值矩阵得到每个奇异值的分层图像,根据分层图像得到每个奇异值的结构可信程度,包括的具体步骤如下:
根据待处理图像进行图像奇异值分解得到左奇异矩阵、奇异值矩阵以及右奇异矩阵,计算所有奇异值的算数和,计算奇异值矩阵中每个奇异值的值在所有奇异值的算数和中的占比,记为每个奇异值的结构可信程度;根据左奇异矩阵、奇异值矩阵以及右奇异矩阵得到奇异值矩阵中每一个奇异值对应的秩一矩阵,记为每个奇异值的分层图像。
3.根据权利要求1所述基于视觉处理的钢板等距自动切割调控方法,其特征在于,所述在每个奇异值的分层图像上利用每个奇异值的结构可信程度以及分层图像的前景区域和背景区域得到每个像素点的结构异常程度,包括的具体步骤如下:
获取每个奇异值的分层图像上灰度值为0的所有像素点,将灰度值为0的所有像素点的位置组成的集合记为背景区域,获取每个奇异值的分层图像上灰度值不为0的所有像素点,将灰度值不为0的所有像素点的位置组成的集合记为前景区域;在每个奇异值的分层图像上根据每个奇异值的结构可信度得到每个奇异值的分层图像中每个像素点对应的结构异常程度,具体的公式如下:
其中,表示第/>个奇异值的分层图像中第/>个像素点对应的结构异常程度,/>表示第/>个奇异值的结构可信程度,/>表示第/>个奇异值的分层图像中第/>个像素点的位置,表示背景区域,/>表示前景区域。
4.根据权利要求1所述基于视觉处理的钢板等距自动切割调控方法,其特征在于,所述利用每个奇异值的分层图像进行累加得到每个奇异值的累加图像,并根据相邻奇异值的累加图像之间的差异每个像素点的变化异常程度,包括的具体步骤如下:
在每一个奇异值的分层图像上以每个像素点为中心像素点构建一个大小为预设的窗口尺寸的平方的窗口,计算每个中心像素点在每个中心像素点对应的窗口内的局部区域二维熵得到每个像素点的局部区域二维熵;对所有奇异值按照从大到小的顺序进行排列得到奇异值序列,从奇异值序列中第一个奇异值的分层图像开始,对所有奇异值的分层图像进行逐层累加得到每个奇异值对应的累加图像,其中第个奇异值对应的累加图像/>的计算方法为/>,其中/>表示在奇异值序列中第/>个奇异值之前的第/>个奇异值对应的分层图像,且有/>;计算每个奇异值对应的累加图像上每个像素点的局部区域二维熵,计算待处理图像上每个像素点的变化异常程度,计算的具体公式如下:
其中,表示待处理图像上第/>个像素点的变化异常程度,/>表示在奇异值序列中第/>个奇异值对应的累加图像上第/>个像素点的局部区域二维熵,/>表示在奇异值序列中第/>个奇异值对应的累加图像的上第/>个像素点的局部区域二维熵,/>表示奇异值的数量,且有/>。
5.根据权利要求1所述基于视觉处理的钢板等距自动切割调控方法,其特征在于,所述根据每个像素点的结构异常程度和每个像素点的变化异常程度得到每个像素点的异常程度,包括的具体步骤如下:
用待处理图像上每个像素点的结构异常程度和待处理图像上每个像素点的变化异常程度相乘,得到待处理图像上每个像素点的异常值,在待处理图像上所有像素点的异常值中,对待处理图像上每个像素点的异常值进行最大最小值归一化得到待处理图像上每个像素点的异常程度。
6.根据权利要求1所述基于视觉处理的钢板等距自动切割调控方法,其特征在于,所述根据每个像素点的异常程度得到每两个像素点之间的加权距离,包括的具体步骤如下:
计算待处理图像上每两个像素点之间的欧式距离,计算待处理图像上每两个像素点的异常程度的差值的绝对值,将每两个像素点之间的欧式距离和每两个像素点的异常程度的差值的绝对值相乘得到乘法结果,将乘法结果记为每两个像素点之间的加权距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311180900.4A CN116900412B (zh) | 2023-09-14 | 2023-09-14 | 基于视觉处理的钢板等距自动切割调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311180900.4A CN116900412B (zh) | 2023-09-14 | 2023-09-14 | 基于视觉处理的钢板等距自动切割调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116900412A true CN116900412A (zh) | 2023-10-20 |
CN116900412B CN116900412B (zh) | 2024-01-09 |
Family
ID=88367242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311180900.4A Active CN116900412B (zh) | 2023-09-14 | 2023-09-14 | 基于视觉处理的钢板等距自动切割调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116900412B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576100A (zh) * | 2024-01-16 | 2024-02-20 | 浙江合丰科技有限公司 | 一种fpc连接器表面缺陷分级检测评价方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108872243A (zh) * | 2018-04-28 | 2018-11-23 | 南昌航空大学 | 一种轴承滚子表面缺陷检测方法、***及装置 |
US20200244963A1 (en) * | 2019-01-28 | 2020-07-30 | Kla Corporation | System and Method for Inspection Using Tensor Decomposition and Singular Value Decomposition |
US20220058793A1 (en) * | 2020-08-21 | 2022-02-24 | Abb Schweiz Ag | Surface defect detection system |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及*** |
CN115170520A (zh) * | 2022-06-27 | 2022-10-11 | 哈尔滨工业大学 | 一种基于结构对比信息叠层的金属网栅缺陷检测方法 |
CN115187548A (zh) * | 2022-07-11 | 2022-10-14 | 常颖 | 一种基于人工智能的机械零件缺陷检测方法 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN116645333A (zh) * | 2023-05-04 | 2023-08-25 | 上海谦煜光电科技有限公司 | 太阳能电池片裂缺陷检测方法、***、设备及存储介质 |
-
2023
- 2023-09-14 CN CN202311180900.4A patent/CN116900412B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108872243A (zh) * | 2018-04-28 | 2018-11-23 | 南昌航空大学 | 一种轴承滚子表面缺陷检测方法、***及装置 |
US20200244963A1 (en) * | 2019-01-28 | 2020-07-30 | Kla Corporation | System and Method for Inspection Using Tensor Decomposition and Singular Value Decomposition |
US20220058793A1 (en) * | 2020-08-21 | 2022-02-24 | Abb Schweiz Ag | Surface defect detection system |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及*** |
CN115170520A (zh) * | 2022-06-27 | 2022-10-11 | 哈尔滨工业大学 | 一种基于结构对比信息叠层的金属网栅缺陷检测方法 |
CN115187548A (zh) * | 2022-07-11 | 2022-10-14 | 常颖 | 一种基于人工智能的机械零件缺陷检测方法 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN116645333A (zh) * | 2023-05-04 | 2023-08-25 | 上海谦煜光电科技有限公司 | 太阳能电池片裂缺陷检测方法、***、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576100A (zh) * | 2024-01-16 | 2024-02-20 | 浙江合丰科技有限公司 | 一种fpc连接器表面缺陷分级检测评价方法 |
CN117576100B (zh) * | 2024-01-16 | 2024-03-22 | 浙江合丰科技有限公司 | 一种fpc连接器表面缺陷分级检测评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116900412B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN116900412B (zh) | 基于视觉处理的钢板等距自动切割调控方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN113011319A (zh) | 多尺度火灾目标识别方法及*** | |
CN111079539B (zh) | 一种基于异常追踪的视频异常行为检测方法 | |
CN116205919A (zh) | 基于人工智能的五金零件生产质量检测方法及*** | |
WO2022083335A1 (zh) | 一种基于自我注意力机制的行为识别方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN107657209B (zh) | 一种基于手指静脉图像质量的模板图像注册机制 | |
CN116030052B (zh) | 电脑显示板层压工序蚀刻质量检测方法 | |
CN112465809A (zh) | 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置 | |
CN117392469B (zh) | 基于机器视觉的钙钛矿电池表面涂膜检测方法及*** | |
CN117409190B (zh) | 一种实时红外图像目标检测方法、装置、设备及存储介质 | |
CN115829991A (zh) | 一种基于改进YOLOv5s的钢材表面缺陷检测方法 | |
CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及*** | |
CN115311267A (zh) | 一种格纹织物异常检测方法 | |
CN116843692A (zh) | 基于人工智能的再生活性炭状态检测方法 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN112016437B (zh) | 一种基于人脸视频关键帧的活体检测方法 | |
CN117218545A (zh) | 基于LBP特征与改进Yolov5的雷达图像检测方法 | |
CN115690401A (zh) | 一种融合ciou自适应样本分配的改进旋转框目标检测方法 | |
CN113496159B (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 | |
CN117314899B (zh) | 基于图像特征的碳纤维板质量检测方法 | |
CN117830300B (zh) | 一种基于视觉的燃气管道外观质量检测方法 |
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 |