CN117173208B - 基于数据分析的铝型材锯切过程误差判断方法 - Google Patents
基于数据分析的铝型材锯切过程误差判断方法 Download PDFInfo
- Publication number
- CN117173208B CN117173208B CN202311441203.XA CN202311441203A CN117173208B CN 117173208 B CN117173208 B CN 117173208B CN 202311441203 A CN202311441203 A CN 202311441203A CN 117173208 B CN117173208 B CN 117173208B
- Authority
- CN
- China
- Prior art keywords
- saw blade
- frame
- gray level
- membership
- pixel point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 37
- 238000007405 data analysis Methods 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 238000012216 screening Methods 0.000 claims abstract description 10
- 206010044048 Tooth missing Diseases 0.000 claims abstract description 6
- 230000005856 abnormality Effects 0.000 claims description 25
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012800 visualization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于数据分析的铝型材锯切过程误差判断方法,包括:采集连续帧的锯片灰度图像,对连续帧的锯片灰度图像进行混合高斯背景建模,获取每个位置的高斯混合模型,获取每一帧锯片灰度图像中同一个位置的像素点对于该位置的每个子高斯模型的隶属度,构建每个位置的隶属序列,根据所述隶属序列获取每一帧锯片灰度图像中每个位置的像素点的异常程度,根据所述异常程度筛选异常像素点,根据异常像素点识别锯片齿缺失,进行铝型材锯切过程的误差判断。本发明排除了铝型材锯切过程中锯片齿运动模糊的影响,在锯片转动以及移动过程中能够准确识别锯片齿缺失,可及时发现铝型材锯切时产生的误差。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于数据分析的铝型材锯切过程误差判断方法。
背景技术
在铝型材锯切过程中,锯片转动同时移动对铝型材进行切割,若锯片齿在锯切的过程中发生了磨损缺失,则会导致锯切的铝型材的尺寸发生形变,造成刀具误差。因此需要在铝型材锯切过程中对锯片齿进行缺失识别。
由于锯片处于高速转动以及移动的过程中,拍摄的锯片图像中锯片齿的位置产生了运动模糊,在运动模糊的影响下,利用边缘检测、阈值分割等方法无法完整的提取出锯片齿的边缘,进而无法对锯片齿的缺失进行识别,使得铝型材锯切时产生的误差无法及时识别判断。
发明内容
为解决上述问题,本发明提供基于数据分析的铝型材锯切过程误差判断方法,该方法包括以下步骤:
采集连续帧的锯片灰度图像;
对连续帧的锯片灰度图像进行混合高斯背景建模,获取连续帧的锯片灰度图像中每个位置的高斯混合模型;获取每一帧锯片灰度图像中同一个位置的像素点对于该位置的每个子高斯模型的隶属度;根据所述隶属度筛选每一帧锯片灰度图像中同一个位置的像素点的隶属子高斯模型,根据每一帧锯片灰度图像中同一个位置的像素点的隶属子高斯模型获取连续帧的锯片灰度图像中每个位置的隶属序列;
根据所述隶属序列获取每一帧锯片灰度图像中每个位置的像素点的异常程度,根据所述异常程度筛选异常像素点;
根据异常像素点识别锯片齿缺失,进行铝型材锯切过程的误差判断。
优选的,所述获取每一帧锯片灰度图像中同一个位置的像素点对于该位置的每个
子高斯模型的隶属度,包括的具体步骤如下:其中,表示第
i帧锯片灰度图像中第j个位置的像素点对于该位置的第k个子高斯模型的隶属度;表
示第i帧锯片灰度图像中第j个位置的像素点的灰度值;表示第j个位置的第k个子高
斯模型的均值参数;表示第j个位置的第k个子高斯模型的标准差参数;exp( )表示以
自然常数为底的指数函数;| |表示绝对值符号。
优选的,所述根据所述隶属度筛选每一帧锯片灰度图像中同一个位置的像素点的隶属子高斯模型,包括的具体步骤如下:
对于每一帧锯片灰度图像中每个位置的像素点,获取该像素点对于该位置的每个子高斯模型的隶属度中最大的隶属度对应的子高斯模型,作为该像素点的隶属子高斯模型。
优选的,所述根据每一帧锯片灰度图像中同一个位置的像素点的隶属子高斯模型获取连续帧的锯片灰度图像中每个位置的隶属序列,包括的具体步骤如下:
将所有帧锯片灰度图像中同一个位置的像素点的隶属子高斯模型的序号,按照帧的时间顺序构成一个一维的序列,作为该位置的隶属序列。
优选的,所述根据所述隶属序列获取每一帧锯片灰度图像中每个位置的像素点的
异常程度,包括的具体步骤如下:
式中,表示第i帧锯片灰度图像中第j个位置的像素点的异常程度;表示连续帧
的锯片灰度图像中第j个位置的隶属序列中,与第i帧锯片灰度图像中第j个位置的像素点
的隶属子高斯模型的序号相同的元素个数;表示连续帧的锯片灰度图像中第j个位置
的隶属序列中,第i帧锯片灰度图像对应的隶属子高斯模型的序号前后与该序号连续相同
的元素的个数;表示第i帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型的序
号;表示第i+1帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型的序号;表示第i帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型与第i+
1帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型之间的差异函数;表
示第i帧锯片灰度图像中第j个位置的像素点对于该位置的第个子高斯模型的隶属度;第i帧锯片灰度图像中第j个位置的像素点对于该位置的第个子高斯
模型的隶属度;m表示预设的局部范围大小。
优选的,所述差异函数的获取方法如下:其中,1为第i帧锯片灰度图像和第i+1帧锯片灰度图像的帧数之差;exp( )表示以自然常数为底的指数函数;| |表示绝对值符号。
优选的,所述根据异常像素点识别锯片齿缺失,包括的具体步骤如下:
根据锯片转动方向、转速、移动方向以及移动速度获取锯片齿经过一帧时间的位
移量x;将每一帧锯片灰度图像中的异常像素点投影到前一帧锯片灰度图像中,获取前一阵
锯片灰度图像中的每个异常像素点和每个投影点之间的距离,获取所述距离在范围内的异常像素点和投影点构成的点对,作为一个异常点对,其中为预设的误差阈值;
根据异常点对识别锯片齿缺失。
优选的,所述根据异常点对识别锯片齿缺失,包括的具体步骤如下:
预设数量阈值,当异常点对的数量大于数量阈值时,锯片齿缺失。
优选的,所述根据所述异常程度筛选异常像素点,包括的具体步骤如下:
预设异常阈值,将每一帧锯片灰度图像中异常程度大于异常阈值的像素点作为异常像素点。
本发明的技术方案的有益效果是:本发明通过对连续帧的锯片灰度图像进行混合高斯背景建模,获取每个位置的高斯混合模型,获取每一帧锯片灰度图像中同一个位置的像素点对于该位置的每个子高斯模型的隶属度,根据每一帧锯片灰度图像中同一个位置的像素点的隶属子高斯模型构建每个位置的隶属序列,通过分析隶属序列中隶属子高斯模型的变化规律,获取每一帧锯片灰度图像中每个位置的像素点的异常程度,根据所述异常程度筛选异常像素点,根据异常像素点识别锯片齿缺失,进行铝型材锯切过程的误差判断。本发明排除了铝型材锯切过程中锯片齿运动模糊的影响,在锯片转动以及移动过程中能够准确识别锯片齿缺失,可及时发现铝型材锯切时产生的误差。
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为本发明的基于数据分析的铝型材锯切过程误差判断方法的步骤流程图;
图2为一帧锯片灰度图像;
图3为另一帧锯片灰度图像;
图4为再一帧锯片灰度图像;
图5为高斯混合模型示意图;
图6为一帧锯片灰度图像的异常程度可视化图像;
图7为另一帧锯片灰度图像的异常程度可视化图像;
图8为再一帧锯片灰度图像的异常程度可视化图像。
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数据分析的铝型材锯切过程误差判断方法,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数据分析的铝型材锯切过程误差判断方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于数据分析的铝型材锯切过程误差判断方法的步骤流程图,该方法包括以下步骤:
S001.采集连续帧的锯片灰度图像。
在铝型材锯切机的锯片侧方架设相机,在锯片锯切铝型材的过程中,利用相机拍摄连续帧的锯片图像。拍摄的锯片图像为RGB图像,为便于后续处理,对RGB图像进行灰度化操作,将RGB图像转换为灰度图像,记为锯片灰度图像。本实施例的多帧锯片灰度图像参见图2、图3、图4所示。需要说明的是,为了确保后续能够对锯片齿缺失进行识别,在拍摄连续帧的锯片图像时,需要进行高帧率拍摄,本实施例以240帧/每秒的帧率进行叙述,具体不做限定。
至此,采集了连续帧的锯片灰度图像。
S002.对连续帧的锯片灰度图像进行混合高斯背景建模,获取连续帧的锯片灰度图像中每个位置的高斯混合模型,获取每一帧锯片灰度图像中同一个位置的像素点对于该位置的每个子高斯模型的隶属度,根据所述隶属度筛选每一帧锯片灰度图像中同一个位置的像素点的隶属子高斯模型,根据每一帧锯片灰度图像中同一个位置的像素点的隶属子高斯模型获取连续帧的锯片灰度图像中每个位置的隶属序列。
需要说明的是,由于拍摄锯片图像时,锯片处于高速转动以及移动的过程中,在相机曝光时,锯片上的锯片齿由于运动而产生运动模糊,使得锯片灰度图像中锯片齿不清晰,在相机曝光时,锯片齿灰度与背景的灰度产生叠加,如图2、图3、图4中锯片中锯片边缘的位置无法清晰的看到锯片齿,但可透过锯片边缘隐约看到背景。在运动模糊的影响下,利用边缘检测、阈值分割等方法无法完整的提取出锯片齿的边缘,进而无法对锯片齿的缺失进行识别,使得铝型材锯切时产生的误差无法及时识别判断。
需要进一步说明的是,在锯片转动以及移动过程中,连续帧的锯片灰度图像中同一个位置在不同帧中可能为不同的图像特征,例如当锯片未移动到该位置时,对应帧的锯片灰度图像中该位置为背景,当锯片齿移动到该位置时,对应帧的锯片灰度图像中该位置为锯片齿和背景产生的叠加效果,当锯片内部移动到该位置时,对应帧的锯片灰度图像中该位置为锯片。此时可对连续帧的锯片灰度图像进行混合高斯背景建模,根据连续帧的锯片灰度图像中每个位置的高斯混合模型分析每个位置在不同帧中对应的图像特征变化情况,以便后续根据变化情况识别可能存在锯片齿缺失的异常像素点。
在本实施例中,对连续帧的锯片灰度图像进行混合高斯背景建模,获取连续帧的锯片灰度图像中每个位置的高斯混合模型。需要说明的是,混合高斯背景建模是针对连续的视频帧中同一个位置的像素点构建高斯混合模型,具体实现为公知技术,在本发明实施例中不再详细赘述。图5为连续帧的锯片灰度图像中同一个位置像素点的高斯混合模型示意图。
需要说明的是,每个位置的高斯混合模型反应了该位置的像素点在不同帧(即不同时刻)的灰度分布。高斯混合模型对应的每个子高斯模型在该位置分别表示一种图像特征,例如背景、锯片、锯片齿和背景的叠加等。为了获取该位置在不同帧中所属的图像特征的变化情况,根据变化情况识别异常的像素点,需要获取该位置在每一帧锯片灰度图像中对应的像素点对于每个子高斯模型的隶属度。
在本实施例中,获取每一帧锯片灰度图像中同一个位置的像素点对于该位置的每
个子高斯模型的隶属度:其中,表示第i帧锯片灰度图像中
第j个位置的像素点对于该位置的第k个子高斯模型的隶属度;表示第i帧锯片灰度图
像中第j个位置的像素点的灰度值;表示第j个位置的第k个子高斯模型的均值参数;表示第j个位置的第k个子高斯模型的标准差参数;exp( )表示以自然常数为底的指
数函数;| |表示绝对值符号;当第j个位置的第k个子高斯模型的标准差参数越大时,说明
第j个位置的第k个子高斯模型对应的图像特征的灰度波动范围更大,此时若第i帧锯片灰
度图像中第j个位置的像素点的灰度值与第j个位置的第k个子高斯模型的均值参数越接
近,第i帧锯片灰度图像中第j个位置的像素点越可能属于第j个位置的第k个子高斯模型对
应的图像特征,此时第i帧锯片灰度图像中第j个位置的像素点对于该位置的第k个子高斯
模型的隶属度。
对于第i帧锯片灰度图像中第j个位置的像素点,获取该像素点对于该位置的每个子高斯模型的隶属度中最大的隶属度对应的子高斯模型,作为该像素点的隶属子高斯模型。
同理,获取每一帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型。将所有帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型的序号,按照帧的时间顺序构成一个一维的序列,作为第j个位置的隶属序列。
同理,获取连续帧的锯片灰度图像中每个位置的隶属序列。
S003.根据隶属序列获取每一帧锯片灰度图像中每个位置的像素点的异常程度,根据所述异常程度筛选异常像素点。
需要说明的是,在锯片的转动和移动中,若无锯片齿缺失,同一个位置在连续帧的锯片灰度图像中对应的图像特征是连续的,例如,在锯片移动到该位置前的一段时间内,该位置的图像特征都为背景,在锯片齿移动到该位置之后的一段时间内,该位置的图像特征都为锯片齿与背景的叠加效果,在锯片内部移动到该位置之后的一段时间内,该位置的图像特征都为锯片。表现在该位置的隶属序列中,隶属子高斯模型的序号在局部位置连续相同,例如{3,3,3,3,3,3,1,1,1,1,2,2,2,2,2,2,3,3,3}。
当缺失的锯片齿转动到该位置时,该位置的图像特征为背景。由于锯片齿缺失为个别齿磨损或崩刃导致缺失,在锯片齿转动一圈的过程中,缺失锯片齿在该位置的时间非常短,在锯片齿移动到该位置之后的一段时间内,该位置的图像特征大部分时间为锯片齿与背景的叠加效果,极少部分时间为背景。表现在该位置的隶属序列中,隶属子高斯模型的序号在局部位置发生跳变,例如{3,3,3,3,3,3,1,1,3,1,2,2,2,2,2,2,3,3,3}。因此可分析每个位置的隶属序列中隶属子高斯模型的序号变化情况,筛选可能存在锯片齿缺失的像素点位置。
在本实施例中,预设局部范围大小m,用来对隶属序列中当前位置的隶属子高斯模型序号的局部连续性进行判断,实施人员可根据实际实施情况设置,例如m=10。
对于连续帧的锯片灰度图像中每个位置,根据该位置的隶属序列构建该位置在不
同帧锯片灰度图像中的隶属子高斯模型的差异函数:其中,表示第i帧锯片灰度图像
中第j个位置的像素点的隶属子高斯模型与第i+l帧锯片灰度图像中第 j个位置的像素点
的隶属子高斯模型之间的差异函数;表示第i帧锯片灰度图像中第j个位置的像素点的
隶属子高斯模型的序号;表示第i+l帧锯片灰度图像中第j个位置的像素点的隶属
子高斯模型的序号;l为第i帧锯片灰度图像和第i+l帧锯片灰度图像的帧数之差;exp( )表
示以自然常数为底的指数函数;| |表示绝对值符号;当第i帧锯片灰度图像中第j个位置的
像素点的隶属子高斯模型与第i+l帧锯片灰度图像中第j个位置的像素点的隶属子高斯模
型相同时,=0;当第i帧锯片灰度图像中第j个位置的像素点的隶属子高斯
模型与第i+l帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型不同时,根据第i帧
锯片灰度图像和第i+l帧锯片灰度图像的帧数之差来获取隶属子高斯模型的差异度,当帧
数之差越小时,越关注此两帧中第j个位置的像素点的隶属子高斯模型是否相同,此时越大且越接近于1。当帧数之差越大时,越不关注越关注此两帧中第j个位
置的像素点的隶属子高斯模型是否相同,此时越小。
在本实施例中,对于连续帧的锯片灰度图像中每个位置,根据该位置的隶属序列
获取该位置在每一帧锯片灰度图像中对应的像素点的异常程度:式中,表示第i帧锯片灰
度图像中第j个位置的像素点的异常程度;表示连续帧的锯片灰度图像中第j个位置
的隶属序列中,与第i帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型的序号相同
的元素个数;表示连续帧的锯片灰度图像中第j个位置的隶属序列中,第i帧锯片灰度
图像对应的隶属子高斯模型的序号(即隶属序列中第i个元素)前后与该序号连续相同的元
素的个数;当越大时,第i帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型的
序号在第j个位置的隶属序列中连续出现,第i帧锯片灰度图像中第j个位置的像素点为锯
片齿缺失的可能性越小,此时异常程度越小。反之,当越小时,第i帧锯片灰度图像中
第j个位置的像素点的隶属子高斯模型的序号在第j个位置的隶属序列中跳变出现,此时第
i帧锯片灰度图像中第j个位置的像素点为锯片齿缺失的可能性越大,此时异常程度越大;
式中,表示第i帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型的序
号;表示第i+l帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型的序号;表示第i帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型与第i+
l帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型之间的差异函数,用来衡量第i
帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型与第i+l帧锯片灰度图像中第j个
位置的像素点的隶属子高斯模型的一致性;m表示局部范围大小。
式中,表示第i帧锯片灰度图像中第j个位置的像素点对于该位置的第个子高斯模型的隶属度,即第i帧锯片灰度图像中第j个位置的像素点对于其隶属子高
斯模型的隶属度;第i帧锯片灰度图像中第j个位置的像素点对于该位置的第个子高斯模型的隶属度,即第i帧锯片灰度图像中第j个位置的像素点对于第i+l帧
锯片灰度图像中第j个位置的像素点的隶属子高斯模型的隶属度;当和差异越小时,第i帧锯片灰度图像中第j个位置的像素点对于第个子高
斯模型的隶属度也很大,第i帧锯片灰度图像中第j个位置的像素点更可能受噪声影响,导
致隶属子高斯模型与第i+l帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型不一
致,此时不可信;当和差异越大时,第i帧锯片灰度
图像中第j个位置的像素点受噪声影响的可能性较小,其隶属子高斯模型更可能由其实际
对应的图像特征决定,此时可信;因此将作
为的权重,对进行修正,使得最终得到的异常程度更加
准确。
同理,获取每一帧锯片灰度图像中每个位置的像素点的异常程度。图6、图7、图8分别为图2、图3、图4对应的锯片灰度图像中每个位置的像素点的异常程度可视化图像。
预设异常阈值T,用于对异常程度进行筛选,获取异常像素点,实施人员可根据实际实施情况设置异常阈值T,例如T=0.7。
将每一帧锯片灰度图像中异常程度大于异常阈值的像素点作为异常像素点。
至此,获取了异常像素点。
S004.根据异常像素点识别锯片齿缺失,进行铝型材锯切过程的误差判断。
需要说明的是,异常像素点可能为噪声导致的异常,也可能为锯片齿缺失导致的异常。在锯片转动以及平移过程中,锯片齿缺失导致的异常在连续帧的锯片灰度图像中也会转动平移,而噪声导致的异常通常只会孤立出现,不会在连续帧的锯片灰度图像中连续出现。因此可分析连续帧的锯片灰度图像中异常像素点的分布位置关系,对锯片齿缺失进行识别。
相机以240帧/每秒的帧率拍摄连续帧的锯片图像,则相邻帧之间的时间差为
秒。获取锯片的转动方向、转速、移动方向以及移动速度,此些数据可在铝型材锯切机的参
数中获得。根据转动方向、转速、移动方向以及移动速度获取锯片齿经过秒的位移量,
记为x。需要说明的是,根据转动方向、转速、移动方向以及移动速度获取锯片齿经过一定时
间的位移量,为物理学的公知技术,在本实施例中不再详细赘述。
将每一帧锯片灰度图像中的异常像素点投影到前一帧锯片灰度图像中,获取前一
帧锯片灰度图像中的每个异常像素点和每个投影点之间的距离,获取距离在范围内的异常像素点和投影点构成的点对,作为一个异常点对,其中为预设的误差阈值,实施人员可根据实际实施情况设置误差阈值,例如=1。
获取连续帧的锯片灰度图像中的所有异常点对。
预设数量阈值,用于判断是否存在锯片齿缺失,实施人员可根据实际实施情况
设置数量阈值,例如=10。当异常点对的数量大于数量阈值时,说明发生了锯片齿
缺失的情况,导致异常点在不同帧的锯片灰度图像中连续出现,锯切的铝型材在锯片齿缺
失的影响下,锯切产生误差,此时立刻停止铝型材的锯切,对锯片进行更换,防止对后续的
铝型材锯切误差。
通过以上步骤,实现了铝型材锯切过程的误差判断。
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.基于数据分析的铝型材锯切过程误差判断方法,其特征在于,该方法包括以下步骤:
采集连续帧的锯片灰度图像;
对连续帧的锯片灰度图像进行混合高斯背景建模,获取连续帧的锯片灰度图像中每个位置的高斯混合模型;获取每一帧锯片灰度图像中同一个位置的像素点对于该位置的每个子高斯模型的隶属度;根据所述隶属度筛选每一帧锯片灰度图像中同一个位置的像素点的隶属子高斯模型,根据每一帧锯片灰度图像中同一个位置的像素点的隶属子高斯模型获取连续帧的锯片灰度图像中每个位置的隶属序列;
根据所述隶属序列获取每一帧锯片灰度图像中每个位置的像素点的异常程度,根据所述异常程度筛选异常像素点;
根据异常像素点识别锯片齿缺失,进行铝型材锯切过程的误差判断;
所述获取每一帧锯片灰度图像中同一个位置的像素点对于该位置的每个子高斯模型的隶属度,包括的具体步骤如下:
其中,di,j,k表示第i帧锯片灰度图像中第j个位置的像素点对于该位置的第k个子高斯模型的隶属度;hi,j表示第i帧锯片灰度图像中第j个位置的像素点的灰度值;μj,k表示第j个位置的第k个子高斯模型的均值参数;σj,k表示第j个位置的第k个子高斯模型的标准差参数;exp()表示以自然常数为底的指数函数;||表示绝对值符号;
所述根据所述隶属序列获取每一帧锯片灰度图像中每个位置的像素点的异常程度,包括的具体步骤如下:
式中,ci,j表示第i帧锯片灰度图像中第j个位置的像素点的异常程度;Ni,j表示连续帧的锯片灰度图像中第j个位置的隶属序列中,与第i帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型的序号相同的元素个数;ni,j表示连续帧的锯片灰度图像中第j个位置的隶属序列中,第i帧锯片灰度图像对应的隶属子高斯模型的序号前后与该序号连续相同的元素的个数;Si,j表示第i帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型的序号;Si+l,j表示第i+l帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型的序号;f(Si,j,Si+l,j)表示第i帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型与第i+l帧锯片灰度图像中第j个位置的像素点的隶属子高斯模型之间的差异函数;表示第i帧锯片灰度图像中第j个位置的像素点对于该位置的第Si,j个子高斯模型的隶属度;/>第i帧锯片灰度图像中第j个位置的像素点对于该位置的第Si+l,j个子高斯模型的隶属度;m表示预设的局部范围大小;
所述根据异常像素点识别锯片齿缺失,包括的具体步骤如下:
根据锯片转动方向、转速、移动方向以及移动速度获取锯片齿经过一帧时间的位移量x;将每一帧锯片灰度图像中的异常像素点投影到前一帧锯片灰度图像中,获取前一阵锯片灰度图像中的每个异常像素点和每个投影点之间的距离,获取所述距离在[x-Δt,x+Δt]范围内的异常像素点和投影点构成的点对,作为一个异常点对,其中Δt为预设的误差阈值;
根据异常点对识别锯片齿缺失。
2.根据权利要求1所述的基于数据分析的铝型材锯切过程误差判断方法,其特征在于,所述根据所述隶属度筛选每一帧锯片灰度图像中同一个位置的像素点的隶属子高斯模型,包括的具体步骤如下:
对于每一帧锯片灰度图像中每个位置的像素点,获取该像素点对于该位置的每个子高斯模型的隶属度中最大的隶属度对应的子高斯模型,作为该像素点的隶属子高斯模型。
3.根据权利要求1所述的基于数据分析的铝型材锯切过程误差判断方法,其特征在于,所述根据每一帧锯片灰度图像中同一个位置的像素点的隶属子高斯模型获取连续帧的锯片灰度图像中每个位置的隶属序列,包括的具体步骤如下:
将所有帧锯片灰度图像中同一个位置的像素点的隶属子高斯模型的序号,按照帧的时间顺序构成一个一维的序列,作为该位置的隶属序列。
4.根据权利要求1所述的基于数据分析的铝型材锯切过程误差判断方法,其特征在于,所述差异函数的获取方法如下:
其中,l为第i帧锯片灰度图像和第i+l帧锯片灰度图像的帧数之差;exp()表示以自然常数为底的指数函数;||表示绝对值符号。
5.根据权利要求1所述的基于数据分析的铝型材锯切过程误差判断方法,其特征在于,所述根据异常点对识别锯片齿缺失,包括的具体步骤如下:
预设数量阈值,当异常点对的数量大于数量阈值时,锯片齿缺失。
6.根据权利要求1所述的基于数据分析的铝型材锯切过程误差判断方法,其特征在于,所述根据所述异常程度筛选异常像素点,包括的具体步骤如下:
预设异常阈值,将每一帧锯片灰度图像中异常程度大于异常阈值的像素点作为异常像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311441203.XA CN117173208B (zh) | 2023-11-01 | 2023-11-01 | 基于数据分析的铝型材锯切过程误差判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311441203.XA CN117173208B (zh) | 2023-11-01 | 2023-11-01 | 基于数据分析的铝型材锯切过程误差判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173208A CN117173208A (zh) | 2023-12-05 |
CN117173208B true CN117173208B (zh) | 2024-03-12 |
Family
ID=88943486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311441203.XA Active CN117173208B (zh) | 2023-11-01 | 2023-11-01 | 基于数据分析的铝型材锯切过程误差判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173208B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761727A (zh) * | 2013-12-28 | 2014-04-30 | 辽宁师范大学 | 基于自适应高斯混合模型的鲁棒图像分割方法 |
CN112991362A (zh) * | 2021-03-17 | 2021-06-18 | 合肥高晶光电科技有限公司 | 一种基于混合高斯模型的色选机粘连物料图像分割方法 |
CN114187286A (zh) * | 2021-12-17 | 2022-03-15 | 沭阳县旭东木业制品厂 | 一种基于机器视觉的木板材表面加工质量控制方法 |
CN114897898A (zh) * | 2022-07-13 | 2022-08-12 | 江苏绿泉装饰工程有限公司 | 一种基于图像处理的木板质量分类方法 |
CN114972203A (zh) * | 2022-04-29 | 2022-08-30 | 南通市立新机械制造有限公司 | 基于分水岭分割的机械零件轧制异常检测方法 |
CN115601364A (zh) * | 2022-12-14 | 2023-01-13 | 惠州威尔高电子有限公司(Cn) | 基于图像分析的金手指电路板检测方法 |
CN116542972A (zh) * | 2023-07-04 | 2023-08-04 | 山东阁林板建材科技有限公司 | 基于人工智能的墙板表面缺陷快速检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005040762A1 (de) * | 2003-10-21 | 2005-05-06 | Leica Microsystems Wetzlar Gmbh | Verfahren zur automatischen erzeugung von laser-schnittlinien in der laser-mikrodissektion |
CN116823826B (zh) * | 2023-08-29 | 2023-11-03 | 无锡康贝电子设备有限公司 | 一种数控机床刀具崩刃异常检测方法 |
-
2023
- 2023-11-01 CN CN202311441203.XA patent/CN117173208B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761727A (zh) * | 2013-12-28 | 2014-04-30 | 辽宁师范大学 | 基于自适应高斯混合模型的鲁棒图像分割方法 |
CN112991362A (zh) * | 2021-03-17 | 2021-06-18 | 合肥高晶光电科技有限公司 | 一种基于混合高斯模型的色选机粘连物料图像分割方法 |
CN114187286A (zh) * | 2021-12-17 | 2022-03-15 | 沭阳县旭东木业制品厂 | 一种基于机器视觉的木板材表面加工质量控制方法 |
CN114972203A (zh) * | 2022-04-29 | 2022-08-30 | 南通市立新机械制造有限公司 | 基于分水岭分割的机械零件轧制异常检测方法 |
CN114897898A (zh) * | 2022-07-13 | 2022-08-12 | 江苏绿泉装饰工程有限公司 | 一种基于图像处理的木板质量分类方法 |
CN115601364A (zh) * | 2022-12-14 | 2023-01-13 | 惠州威尔高电子有限公司(Cn) | 基于图像分析的金手指电路板检测方法 |
CN116542972A (zh) * | 2023-07-04 | 2023-08-04 | 山东阁林板建材科技有限公司 | 基于人工智能的墙板表面缺陷快速检测方法 |
Non-Patent Citations (2)
Title |
---|
3D shape measurement based on the unequal-period combination of shifting Gray code and dual-frequency phase-shifting fringes;Shuang Yu et al;《Optics Communications》;1-12 * |
基于视觉的皮革自适应切割技术研究_卢孔宝2019年第02期;卢孔宝;《中国优秀硕士学位论文全文数据库(电子期刊)》;第2019卷(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117173208A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230306577A1 (en) | Cross-scale defect detection method based on deep learning | |
CN112906463A (zh) | 基于图像的火情检测方法、装置、设备及存储介质 | |
CN113469951B (zh) | 一种基于级联区域卷积神经网络的轮毂缺陷检测方法 | |
CN115065708B (zh) | 基于机器视觉检测的工业物联网***及其控制方法 | |
CN113421192B (zh) | 对象统计模型的训练方法、目标对象的统计方法和装置 | |
CN117173208B (zh) | 基于数据分析的铝型材锯切过程误差判断方法 | |
CN115797314A (zh) | 零件表面缺陷检测方法、***、设备及存储介质 | |
Kähler et al. | Anomaly detection for industrial surface inspection: application in maintenance of aircraft components | |
CN110837760B (zh) | 目标检测方法、用于目标检测的训练方法和装置 | |
CN106067020A (zh) | 实时场景下快速获取有效图像的***和方法 | |
CN112801959B (zh) | 一种基于视觉特征识别的辅助装配*** | |
CN111612681A (zh) | 数据获取方法、水印识别方法、水印去除方法及装置 | |
CN113077423A (zh) | 基于卷积神经网络的激光选区熔化熔池图像分析*** | |
CN113034359A (zh) | 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质 | |
CN115063427B (zh) | 用于新型船舶的污染物排放监控图像处理方法 | |
CN113901944B (zh) | 一种基于改进的yolo算法的海洋生物目标检测方法 | |
CN108615235B (zh) | 一种对颞耳图像进行处理的方法及装置 | |
CN106447045A (zh) | 基于机器学习的adas***的测评方法 | |
Golodov et al. | Weld segmentation and defect detection in radiographic images of pipe welds | |
CN108181315B (zh) | 一种基于图像处理的饼干损伤检测装置及检测方法 | |
CN111862149A (zh) | 一种红外周扫预警***的运动告警方法及*** | |
KR20200054380A (ko) | 기계학습을 이용한 페로브스카이트의 구조 분석 방법 | |
CN116977334B (zh) | 一种光缆表面瑕疵检测方法及装置 | |
CN117237676B (zh) | 一种核电厂基于事件相机对小目标掉落轨迹的处理方法 | |
CN118133234A (zh) | 一种基于分类回归的发酵检测方法及装置 |
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 |