CN117314940B - 基于人工智能的激光切割零件轮廓快速分割方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及基于人工智能的激光切割零件轮廓快速分割方法，包括：获取零件灰度图像，使用四叉树算法，将其划分为若干个图像块，再获取每个图像块在不同的增益参数下的增强图像块、增强图像块中每个像素点的频谱幅值和能量值，根据每个增强图像块的频谱幅值差异、增强图像块中所有像素点的能量值在横、纵方向上的偏导数差异，得到每个增强图像块的多尺度制约性，从而得到每个图像块的最优增强图像块，由此得到零件最优增强图像中的零件轮廓边缘线。本发明通过图像自适应分块、每个图像块自适应选取增益参数，提高图像的增强效果，从而提高了激光切割零件轮廓快速分割的准确性。

Description

基于人工智能的激光切割零件轮廓快速分割方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及基于人工智能的激光切割零件轮廓快速分割方法。

背景技术

基于人工智能的激光切割零件轮廓快速分割是一项结合计算机视觉、图像增强和实时处理等领域的技术，旨在通过自动化和优化处理激光切割产生的图像数据，以提高零件轮廓的准确性和加工效率。这包括使用实时算法以及硬件加速，使该方法适用于工业环境，同时优化零件轮廓的检测和切割过程。并且为了达到对切割零件图像增强的作用，进而增加其可视性，通常使用图像线性对比度增强。

现有的问题：由于零件边缘特征分布复杂性较高，传统的线性增强算法中的增益参数固定，在对零件图像进行增强过程中，可能会丢失较多的细节特征，进而削弱增强效果，从而降低零件轮廓分割的效果。

发明内容

本发明提供基于人工智能的激光切割零件轮廓快速分割方法，以解决现有的问题。

本发明的基于人工智能的激光切割零件轮廓快速分割方法采用如下技术方案：

本发明一个实施例提供了基于人工智能的激光切割零件轮廓快速分割方法，该方法包括以下步骤：

采集激光切割零件图像，进行灰度化处理，得到零件灰度图像；使用四叉树算法，将零件灰度图像划分为若干个图像块；

将任意一个图像块，记为目标块；依次根据不同的增益参数，对目标块进行线性变换，得到目标块在不同的增益参数下的增强图像块；将目标块在所有的增益参数下的增强图像块，记为参考块；对每个参考块进行离散傅里叶变换，得到每个参考块中每个像素点的频谱幅值和能量值；

将任意一个参考块，记为主参考块；根据主参考块与其相邻参考块之间像素点的频谱幅值的差异，得到主参考块的频谱幅值差异；根据主参考块中所有像素点的能量值在横、纵方向上的偏导数差异、主参考块的频谱幅值差异，得到主参考块的多尺度制约性；

根据所有参考块的多尺度制约性，得到目标块的最优增强图像块；根据所有图像块的最优增强图像块，得到零件最优增强图像中的零件轮廓边缘线。

进一步地，所述使用四叉树算法，将零件灰度图像划分为若干个图像块，包括的具体步骤如下：

使用四叉树算法进行第一次叉分，得到零件灰度图像等分的四个图像块；

根据零件灰度图像等分的每个图像块内的像素点数量、灰度值差异，得到零件灰度图像等分的每个图像块的变异系数；

根据零件灰度图像等分的每个图像块内的像素点数量、灰度值差异、叉分次数、四个图像块的变异系数的方差，得到零件灰度图像等分的每个图像块的同质系数；

在零件灰度图像等分的四个图像块中，将同质系数小于预设的分割阈值的图像块，记为分割图像块；

使用四叉树算法进行第二次叉分，得到每个分割图像块等分的四个图像块；将每个分割图像块等分的四个图像块，记为新图像块；

根据零件灰度图像等分的四个图像块的同质系数的获取方式，得到每个分割图像块等分的四个新图像块的同质系数；

将同质系数小于预设的分割阈值的新图像块，记为新分割图像块；

使用四叉树算法进行第三次叉分，得到每个新分割图像块等分的四个图像块；依此类推，将零件灰度图像划分为若干个图像块。

进一步地，所述根据零件灰度图像等分的每个图像块内的像素点数量、灰度值差异，得到零件灰度图像等分的每个图像块的变异系数，包括的具体步骤如下：

计算零件灰度图像等分的每个图像块中所有像素点灰度值的方差，将所述灰度值的方差除以零件灰度图像等分的每个图像块中的像素点数量，记为零件灰度图像等分的每个图像块的变异系数。

进一步地，所述根据零件灰度图像等分的每个图像块内的像素点数量、灰度值差异、叉分次数、四个图像块的变异系数的方差，得到零件灰度图像等分的每个图像块的同质系数对应的具体计算公式为：

其中为零件灰度图像等分的第i个图像块的同质系数，/>为零件灰度图像等分的第i个图像块中的像素点数量，/>为零件灰度图像等分的第i个图像块中所有像素点灰度值的方差，/>为零件灰度图像等分的第i个图像块对应的叉分次数，V为零件灰度图像等分的四个图像块的变异系数的方差，/>为线性归一化函数。

进一步地，所述依次根据不同的增益参数，对目标块进行线性变换，得到目标块在不同的增益参数下的增强图像块，包括的具体步骤如下：

从开始，每次递增c，直至到达/>结束，得到一个增益参数序列；其中/>为预设的最小增益参数，/>为预设的最大增益参数，c为预设的增量值；

将增益参数序列中任意一个增益参数，记为目标增益参数；

使用增益参数为目标增益参数、偏移参数为预设的偏移参数的图像线性增强算法，对目标块进行线性变换，得到目标块在目标增益参数下的增强图像块。

进一步地，所述根据主参考块与其相邻参考块之间像素点的频谱幅值的差异，得到主参考块的频谱幅值差异，包括的具体步骤如下：

根据增益参数序列中的增益参数的顺序，将主参考块对应的下一个参考块，记为分参考块；

分别计算主参考块和分参考块中所有像素点的频谱幅值的均值，将所述均值的差异的归一化值，记为主参考块的频谱幅值差异。

进一步地，所述根据主参考块中所有像素点的能量值在横、纵方向上的偏导数差异、主参考块的频谱幅值差异，得到主参考块的多尺度制约性，包括的具体步骤如下：

在主参考块中，以左下角为原点、以水平向右为横轴、以竖直向上为纵轴，构建平面直角坐标系；

在平面直角坐标系中，得到主参考块中每个像素点的横坐标值、纵坐标值；

根据主参考块中所有像素点的能量值、横坐标值、纵坐标值的偏导数、主参考块的频谱幅值差异，得到主参考块的多尺度制约性。

进一步地，所述根据主参考块中所有像素点的能量值、横坐标值、纵坐标值的偏导数、主参考块的频谱幅值差异，得到主参考块的多尺度制约性对应的具体计算公式为：

其中P为主参考块的多尺度制约性，m为主参考块中的像素点数量，为预设的权重，/>为主参考块的频谱幅值差异，/>为主参考块中第j个像素点的能量值，/>为主参考块中第j个像素点的横坐标值，/>为主参考块中第j个像素点的纵坐标值，/>为/>的偏导数，/>为/>的偏导数，/>为/>的偏导数，| |为绝对值函数，/>为线性归一化函数。

进一步地，所述根据所有参考块的多尺度制约性，得到目标块的最优增强图像块，包括的具体步骤如下：

统计所有参考块的多尺度制约性中的最大值，将所述最大值对应的参考块，记为目标块的最优增强图像块。

进一步地，所述根据所有图像块的最优增强图像块，得到零件最优增强图像中的零件轮廓边缘线，包括的具体步骤如下：

将所有图像块的最优增强图像块构成的图像，记为零件灰度图像的零件最优增强图像；

使用深度神经网络，得到零件最优增强图像中的零件轮廓边缘线。

本发明的技术方案的有益效果是：

本发明实施例中，获取零件灰度图像，使用四叉树算法，将其划分为若干个图像块，其通过计算图像块的同质系数，进行自适应分块，保障每个图像块内的纹理特征相似，从而方便后续增益参数的选取和提高图像增强效果。再获取每个图像块在不同的增益参数下的增强图像块、增强图像块中每个像素点的频谱幅值和能量值，根据每个增强图像块的频谱幅值差异、增强图像块中所有像素点的能量值在横、纵方向上的偏导数差异，得到每个增强图像块的多尺度制约性，从而得到每个图像块的最优增强图像块，其通过对图像块在不同的增益参数下的增强图像块进行离散傅里叶变换分析，得到最优增益参数下的最优增强图像块，进一步提高了图像的增加效果，由此得到零件最优增强图像中的零件轮廓边缘线。至此本发明通过图像自适应分块、每个图像块自适应选取增益参数，提高图像的增强效果，从而提高了激光切割零件轮廓快速分割的准确性。

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为本发明基于人工智能的激光切割零件轮廓快速分割方法的步骤流程图。

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人工智能的激光切割零件轮廓快速分割方法，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人工智能的激光切割零件轮廓快速分割方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的激光切割零件轮廓快速分割方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集激光切割零件图像，进行灰度化处理，得到零件灰度图像；使用四叉树算法，将零件灰度图像划分为若干个图像块。

本实施例的目的是，通过图像分块、图像离散傅里叶变换的多尺度制约性，对每个图像块的线性变换的增益参数进行自适应，从而得到高质量的增强图像，用以提高零件轮廓分割的准确性。

使用工业相机，采集激光切割零件图像，对激光切割零件图像进行灰度化处理，得到零件灰度图像。其中，图像灰度化为公知技术，具体方法在此不做介绍。

已知激光切割零件轮廓一般会呈现出较为规则的几何结构，如从矩阵到圆形，再到其表面具备的圆形孔洞，此类特征取决于设计要求。由此可以发现零件轮廓边缘线条的规整度较高，即具备着独特的几何形状。在此类轮廓边缘处，其对应着较高频率的频谱特征，因此对图像进行离散傅里叶变换后，其频谱尺度就会越大，这是因为越规整的边缘，其与周围像素点灰度值的差异就越大，相应的频谱尺度就会越大。所以，为了使得增强后的结果能够更加凸显本实施例所需要的几何形状的边缘，那么可以通过分析不同区域在不同线性变换增益参数下对应的频谱尺度，进而起到依据尺度大小进行增益参数自适应的效果，增加几何边缘的可视性。

根据零件灰度图像中的零件轮廓边缘的分布，图像中不同局部区域往往需要不同的增益参数，保障各局部区域的增强效果，故局部区域的划分越精细，适合的增益参数对其增强效果越好，并且后续对各区域进行增强的增益参数最优取值越简单，因为如果划分后的区域，其内部都存在着相同的纹理特征，或者复杂程度，那么就证明此区域的划分结果是较为合理的，因为它会对应着较易选取的增益参数。

使用四叉树算法，进行第一次叉分，得到零件灰度图像等分的四个图像块。其中，四叉树算法为公知技术，具体方法在此不做介绍。

所需说明的是：若零件灰度图像的行、列数量为奇数，则取行、列数量的一半的向下取整数对应的行、列进行图像分块。后续等分操作同理。

在零件灰度图像等分的四个图像块中，计算每个图像块中所有像素点灰度值的方差，将所述方差除以每个图像块中的像素点数量，记为每个图像块的变异系数。

由此可知零件灰度图像等分的每个图像块的同质系数的计算公式为：

其中为零件灰度图像等分的第i个图像块的同质系数，/>为零件灰度图像等分的第i个图像块中的像素点数量，/>为零件灰度图像等分的第i个图像块中所有像素点灰度值的方差，/>为零件灰度图像等分的第i个图像块对应的叉分次数，所需说明的是，当前四个图像块对应的叉分次数为1，后续分析中新图像块对应的叉分次数为2，更新图像块对应的叉分次数为3。V为零件灰度图像等分的四个图像块的变异系数的方差。/>为线性归一化函数，将数据值归一化至[0,1]区间内。

所需说明的是：图像块的同质系数，体现了图像块内的纹理特征相似性，同质系数越大，图像块内的纹理特征越相似，越不需要再次叉分。表示当前叉分次数与第i个图像块的变异系数的乘积的倒数，变异系数越大，说明该图像块内像素点灰度值分布越不稳定，即该图像块内的像素点灰度值相似性就越小，所以相应的同质系数就越小。而叉分次数越多，说明该图像块与周围图像块的相似性较小，被多次叉分，即同质系数越小，因此/>越大，说明第i个图像块的同质系数越大。V为四个图像块的变异系数的方差，即体现了四个图像块的变异系数之间的差异，V越大，说明图像块之间的特征差越大，图像分块的目的就是将不同纹理特征区分开，因此图像分块越合理，故每个图像块的同质系数应越大。由此用V和/>的乘积的归一化值，表示零件灰度图像等分的第i个图像块的同质系数，/>越小，第i个图像块越需要再次叉分。

本实施例预设的分割阈值为0.8，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。

在零件灰度图像等分的四个图像块中，将同质系数小于0.8的图像块，记为分割图像块。

所需说明的是：对于同质系数大于等于0.8的图像块，说明该图像块内的纹理特征相似，不需要进行再次叉分。后续判断是否再次叉分同理。

使用四叉树算法，进行第二次叉分，得到每个分割图像块等分的四个图像块。

将每个分割图像块等分的四个图像块，记为新图像块。

根据零件灰度图像等分的四个图像块的同质系数的获取方式，得到每个分割图像块等分的四个新图像块的同质系数。

在分割图像块等分的四个新图像块中，将同质系数小于0.8的新图像块，记为新分割图像块。

使用四叉树算法，进行第三次叉分，得到每个新分割图像块等分的四个图像块。

依此类推，将零件灰度图像划分为若干个图像块。

所需说明的是：本实施例中四叉树算法的叉分次数最多为10，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。此时得到的每个图像块内的纹理特征相似，方便于后续增益系数的获取，并且分别对相似的纹理特征进行增强，可以更好的提高增强效果。

步骤S002：将任意一个图像块，记为目标块；依次根据不同的增益参数，对目标块进行线性变换，得到目标块在不同的增益参数下的增强图像块；将目标块在所有的增益参数下的增强图像块，记为参考块；对每个参考块进行离散傅里叶变换，得到每个参考块中每个像素点的频谱幅值和能量值。

上述得到了图像的分块结果，现在为了获取不同图像块对应的增强结果，需要依据不同图像块的离散傅里叶变换结果的多尺度制约性，确定具体增益参数的优化值。也就是说，零件灰度图像中，不同的图像块具有独立的最优增益参数，对应着独立的离散傅里叶变换的多尺度制约结果。当某一图像块内的增益参数设置越合适，此时的多尺度制约性就越大，即频谱尺度越大，对应着高频成分，也就是零件轮廓边缘。本实施例中多尺度可以理解为不同增强结果反应出的频谱变化量，当增益参数的选取越合适，那么此时频谱变化量与之对应越优，因为此时的变化量能够反应出原图中被放大的边缘特征。

在零件灰度图像划分的若干个图像块中，将任意一个图像块，记为目标块。

已知增益参数和偏移参数为图像线性增强的主要参数，其中增益参数用于控制图像对比度的调整。增益越大，对比度增加的程度就越大。是偏移参数用于控制亮度的调整。增加偏移会使整个图像的亮度增加。本实施例为了保障图像的亮度不变，只增加图像对比度，预设的最小增益参数为1，预设的最大增益参数/>为3，预设的增量值c为0.1，预设的偏移参数b为0，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。

从开始，每次递增c，直至到达/>结束，得到一个增益参数序列。

将增益参数序列中任意一个增益参数，记为目标增益参数。

使用增益参数为目标增益参数、偏移参数为预设的偏移参数的图像线性增强算法，对目标块进行线性变换，得到目标块在目标增益参数下的增强图像块。

所需说明的是：图像线性增强算法为公知技术，对目标块进行线性变换的具体过程为：，其中a为目标增益参数，b为预设的偏移参数，为目标块中第j个像素点的灰度值，/>为标块中第j个像素点线性变换后的灰度值，m为目标块中的像素点数量，由此得到目标块在目标增益参数下的增强图像块。

按照上述方式，在增益参数序列中，得到目标块在每个增益参数下的增强图像块。

将目标块在所有增益参数下的增强图像块，记为参考块。

对每个参考块进行离散傅里叶变换，得到每个参考块中每个像素点的频谱幅值和能量值。

所需说明的是：离散傅里叶变换为公知技术，具体方法在此不做介绍。离散傅里叶变换可直接得到每个像素点的频谱幅值，而每个像素点的能量值的获取过程为：对图像进行离散傅里叶变换，得到频域表示。对频域表示的每个像素点的复数值，计算其模的平方，即将复数的实部和虚部分别平方并相加，得到每个像素点的能量值，此为公知技术。

步骤S003：将任意一个参考块，记为主参考块；根据主参考块与其相邻参考块之间像素点的频谱幅值的差异，得到主参考块的频谱幅值差异；根据主参考块中所有像素点的能量值在横、纵方向上的偏导数差异、主参考块的频谱幅值差异，得到主参考块的多尺度制约性。

将任意一个参考块，记为主参考块。

在主参考块中，以左下角的像素点为原点、以水平向右为横轴、以竖直向上为纵轴，构建平面直角坐标系。

在平面直角坐标系中，得到主参考块中每个像素点的横坐标值、纵坐标值。

根据增益参数序列，将主参考块对应的下一个参考块，记为分参考块。

由此可知主参考块的多尺度制约性P的计算公式为：

其中P为主参考块的多尺度制约性，m为目标块中的像素点数量，m也为主参考块中的像素点数量，为预设的权重，/>为主参考块的频谱幅值差异，/>为主参考块中所有像素点的频谱幅值的均值，/>为分参考块中所有像素点的频谱幅值的均值，/>为主参考块中第j个像素点的能量值，/>为主参考块中第j个像素点的横坐标值，/>为主参考块中第j个像素点的纵坐标值，/>为/>的偏导数，/>为/>的偏导数，/>为/>的偏导数，||为绝对值函数。其中，偏导数为一种公知的运算操作。本实施例设定/>为0.3，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。/>为线性归一化函数，将数据值归一化至[0,1]区间内。

所需说明的是：越大，说明相邻两个增益参数下的增强图像块之间的频谱幅值差异越大，故当前增益参数下的增强效果越好，这是因为当增益参数出现较小的改变时，会导致增强图像块的频谱幅值产生了较大的变化，那么从整体出发，可以确定此时的增强效果较理想。在规则的几何边缘中，对于垂直于横轴的边缘，其频谱在垂直方向上有强的能量分布，对于垂直于纵轴的边缘，其频谱在水平方向上有强的能量分布。故此时计算横、纵方向上的偏导，若得到的结果与能量值的偏导接近，那么可以确定在横或者纵方向上的能量分布较为密集，这里结合场景特征，一般的零件结构边缘都呈现较为规则的几何体，所以不论其具体方向为横或者纵，这里依然可以通过计算其偏导的方式确定出原边缘的特征，越是符合此类特征的，得到的结果越接近能量值。/>和/>分别表示第j个像素点的能量值在横、纵方向上偏导的比较，当完全偏向于横或者纵向时，/>和/>之间的差异最大，因此当/>越大时，说明第j个像素点的能量分布越处于横或者纵方向，即越具备着场景特征。/>为预设的权重，对/>和进行加权求和，得到表示主参考块的多尺度制约性P，P值越大，说明主参考块表现的增强效果越好。

按照上述方式，得到每个参考块的多尺度制约性。

所需说明的是：若主参考块为最后一个参考块，其不存在对应的分参考块，因此令最后一个参考块的多尺度制约性，为倒数第二个参考块的多尺度制约性。

步骤S004：根据所有参考块的多尺度制约性，得到目标块的最优增强图像块；根据所有图像块的最优增强图像块，得到零件最优增强图像中的零件轮廓边缘线。

统计所有参考块的多尺度制约性中的最大值，将所述最大值对应的参考块，记为目标块的最优增强图像块。

所需说明的是：若所述最大值存在多个，则按照增益参数序列，取最前面的最大值对应的参考块，为目标块的最优增强图像块。

按照上述方式，得到零件灰度图像划分的每个图像块的最优增强图像块。

将零件灰度图像划分的所有图像块的最优增强图像块构成的图像，记为零件灰度图像的零件最优增强图像。

本发明实施例采用深度神经网络来识别分割零件最优增强图像中的零件轮廓边缘线。

深度神经网络的相关内容如下：

本实施例使用的深度神经网络为DeepLabV3神经网络；使用的数据集为零件最优增强图像数据集。

需要分割的像素点，共分为2类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素点属于背景类的标注为0，属于零件轮廓边缘线的标注为1。

网络的任务是分类，所以使用的loss函数为交叉熵损失函数。

通过深度神经网络得到零件最优增强图像中的零件轮廓边缘线，由此完成激光切割零件轮廓的快速分割。

至此，本发明完成。

综上所述，在本发明实施例中，获取零件灰度图像，使用四叉树算法，将其划分为若干个图像块。对每个图像块进行线性变换，得到每个图像块在不同的增益参数下的增强图像块，使用离散傅里叶变换，得到每个增强图像块中每个像素点的频谱幅值和能量值。根据相邻增强图像块之间像素点的频谱幅值的差异、每个增强图像块中所有像素点的能量值在横、纵方向上的偏导数差异，得到每个增强图像块的多尺度制约性。根据所有增强图像块的多尺度制约性，得到每个图像块的最优增强图像块，从而得到零件最优增强图像中的零件轮廓边缘线。本发明通过图像自适应分块、每个图像块自适应选取增益参数，提高图像的增强效果，从而提高了激光切割零件轮廓快速分割的准确性。

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.基于人工智能的激光切割零件轮廓快速分割方法，其特征在于，该方法包括以下步骤：

采集激光切割零件图像，进行灰度化处理，得到零件灰度图像；使用四叉树算法，将零件灰度图像划分为若干个图像块；

将任意一个图像块，记为目标块；依次根据不同的增益参数，对目标块进行线性变换，得到目标块在不同的增益参数下的增强图像块；将目标块在所有的增益参数下的增强图像块，记为参考块；对每个参考块进行离散傅里叶变换，得到每个参考块中每个像素点的频谱幅值和能量值；

将任意一个参考块，记为主参考块；根据主参考块与其相邻参考块之间像素点的频谱幅值的差异，得到主参考块的频谱幅值差异；根据主参考块中所有像素点的能量值在横、纵方向上的偏导数差异、主参考块的频谱幅值差异，得到主参考块的多尺度制约性；

根据所有参考块的多尺度制约性，得到目标块的最优增强图像块；根据所有图像块的最优增强图像块，得到零件最优增强图像中的零件轮廓边缘线；

所述根据主参考块中所有像素点的能量值在横、纵方向上的偏导数差异、主参考块的频谱幅值差异，得到主参考块的多尺度制约性，包括的具体步骤如下：

在主参考块中，以左下角为原点、以水平向右为横轴、以竖直向上为纵轴，构建平面直角坐标系；

在平面直角坐标系中，得到主参考块中每个像素点的横坐标值、纵坐标值；

根据主参考块中所有像素点的能量值、横坐标值、纵坐标值的偏导数、主参考块的频谱幅值差异，得到主参考块的多尺度制约性；

所述根据主参考块中所有像素点的能量值、横坐标值、纵坐标值的偏导数、主参考块的频谱幅值差异，得到主参考块的多尺度制约性对应的具体计算公式为：

其中P为主参考块的多尺度制约性，m为主参考块中的像素点数量，为预设的权重，/>为主参考块的频谱幅值差异，/>为主参考块中第j个像素点的能量值，/>为主参考块中第j个像素点的横坐标值，/>为主参考块中第j个像素点的纵坐标值，/>为/>的偏导数，/>为/>的偏导数，/>为/>的偏导数，| |为绝对值函数，/>为线性归一化函数。

2.根据权利要求1所述基于人工智能的激光切割零件轮廓快速分割方法，其特征在于，所述使用四叉树算法，将零件灰度图像划分为若干个图像块，包括的具体步骤如下：

使用四叉树算法进行第一次叉分，得到零件灰度图像等分的四个图像块；

根据零件灰度图像等分的每个图像块内的像素点数量、灰度值差异，得到零件灰度图像等分的每个图像块的变异系数；

根据零件灰度图像等分的每个图像块内的像素点数量、灰度值差异、叉分次数、四个图像块的变异系数的方差，得到零件灰度图像等分的每个图像块的同质系数；

在零件灰度图像等分的四个图像块中，将同质系数小于预设的分割阈值的图像块，记为分割图像块；

使用四叉树算法进行第二次叉分，得到每个分割图像块等分的四个图像块；将每个分割图像块等分的四个图像块，记为新图像块；

根据零件灰度图像等分的四个图像块的同质系数的获取方式，得到每个分割图像块等分的四个新图像块的同质系数；

将同质系数小于预设的分割阈值的新图像块，记为新分割图像块；

使用四叉树算法进行第三次叉分，得到每个新分割图像块等分的四个图像块；依此类推，将零件灰度图像划分为若干个图像块。

3.根据权利要求2所述基于人工智能的激光切割零件轮廓快速分割方法，其特征在于，所述根据零件灰度图像等分的每个图像块内的像素点数量、灰度值差异，得到零件灰度图像等分的每个图像块的变异系数，包括的具体步骤如下：

计算零件灰度图像等分的每个图像块中所有像素点灰度值的方差，将所述灰度值的方差除以零件灰度图像等分的每个图像块中的像素点数量，记为零件灰度图像等分的每个图像块的变异系数。

4.根据权利要求2所述基于人工智能的激光切割零件轮廓快速分割方法，其特征在于，所述根据零件灰度图像等分的每个图像块内的像素点数量、灰度值差异、叉分次数、四个图像块的变异系数的方差，得到零件灰度图像等分的每个图像块的同质系数对应的具体计算公式为：

其中为零件灰度图像等分的第i个图像块的同质系数，/>为零件灰度图像等分的第i个图像块中的像素点数量，/>为零件灰度图像等分的第i个图像块中所有像素点灰度值的方差，/>为零件灰度图像等分的第i个图像块对应的叉分次数，V为零件灰度图像等分的四个图像块的变异系数的方差，/>为线性归一化函数。

5.根据权利要求1所述基于人工智能的激光切割零件轮廓快速分割方法，其特征在于，所述依次根据不同的增益参数，对目标块进行线性变换，得到目标块在不同的增益参数下的增强图像块，包括的具体步骤如下：

从开始，每次递增c，直至到达/>结束，得到一个增益参数序列；其中/>为预设的最小增益参数，/>为预设的最大增益参数，c为预设的增量值；

将增益参数序列中任意一个增益参数，记为目标增益参数；

使用增益参数为目标增益参数、偏移参数为预设的偏移参数的图像线性增强算法，对目标块进行线性变换，得到目标块在目标增益参数下的增强图像块。

6.根据权利要求5所述基于人工智能的激光切割零件轮廓快速分割方法，其特征在于，所述根据主参考块与其相邻参考块之间像素点的频谱幅值的差异，得到主参考块的频谱幅值差异，包括的具体步骤如下：

根据增益参数序列中的增益参数的顺序，将主参考块对应的下一个参考块，记为分参考块；

分别计算主参考块和分参考块中所有像素点的频谱幅值的均值，将所述均值的差异的归一化值，记为主参考块的频谱幅值差异。

7.根据权利要求1所述基于人工智能的激光切割零件轮廓快速分割方法，其特征在于，所述根据所有参考块的多尺度制约性，得到目标块的最优增强图像块，包括的具体步骤如下：

统计所有参考块的多尺度制约性中的最大值，将所述最大值对应的参考块，记为目标块的最优增强图像块。

8.根据权利要求1所述基于人工智能的激光切割零件轮廓快速分割方法，其特征在于，所述根据所有图像块的最优增强图像块，得到零件最优增强图像中的零件轮廓边缘线，包括的具体步骤如下：

将所有图像块的最优增强图像块构成的图像，记为零件灰度图像的零件最优增强图像；

使用深度神经网络，得到零件最优增强图像中的零件轮廓边缘线。