CN118071737A - 基于机器视觉的红外皮秒激光切割切口毛刺检测方法 - Google Patents
基于机器视觉的红外皮秒激光切割切口毛刺检测方法 Download PDFInfo
- Publication number
- CN118071737A CN118071737A CN202410458811.XA CN202410458811A CN118071737A CN 118071737 A CN118071737 A CN 118071737A CN 202410458811 A CN202410458811 A CN 202410458811A CN 118071737 A CN118071737 A CN 118071737A
- Authority
- CN
- China
- Prior art keywords
- window
- cutting
- scale
- gray level
- windows
- 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
- 238000003698 laser cutting Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims description 26
- 238000005520 cutting process Methods 0.000 claims abstract description 140
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于机器视觉的红外皮秒激光切割切口毛刺检测方法,包括:获取切割件灰度图像并进行分割,得到切割件区域;以切割件区域中每个像素点为中心构建窗口,根据窗口内所有像素点的梯度和灰度值以及像素点之间的距离,得到每个窗口的感兴趣程度;计算每个窗口在每个尺度下的纹理复杂程度以及每个窗口在每个目标尺度下的纹理复杂程度的权重,进一步得到每个窗口的切割平整程度;根据每个窗口的切割平整程度以及感兴趣程度,得到切割件区域边缘的切割平整程度;根据切割件区域边缘的切割平整程度,完成对切割切口毛刺的检测。本发明可以很好的适应边缘毛刺厚度的变化,使得毛刺检测的结果更加准确。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于机器视觉的红外皮秒激光切割切口毛刺检测方法。
背景技术
激光切割玻璃是一项易于控制的非接触式的少污染技术,能够在保证高速切割的前提下,尽可能保证边缘整齐、垂直性佳和内损伤低的优势,其中皮秒级激光切割因为其极窄的脉宽而展现出极大的优势,利用低热能扩散的特点,在热传导到周边材料前完成材料打断,在脆性材料切割中表现出良好的效果。在利用激光进行切割时,可能会由于激光束焦点的上下位置出现偏差或激光切割机的输出功率不够,导致工件没有被充分汽化使熔渣产生量增多,从而出现毛刺。毛刺的存在可能会在加工过程中对工人造成伤害,同时导致产品的外观观赏性降低,影响产品质量。
在通过现有的灰度共生矩阵算法对切割件切口边缘的毛刺进行检测时,由于在切割过程中出现毛刺是随机出现的,这就导致毛刺的厚度可能存在变化,从而导致在切口边缘上的纹理特征发生显著变化,即较细的毛刺可能具有更强的高频纹理特征,而较厚的毛刺可能具有更强的低频纹理特征,但是在现有算法构建灰度共生矩阵过程中通常选用预设的固定方向和角度,这就导致无法很好的适应边缘毛刺厚度的变化,使得检测结果会存在部分的缺失,最终导致毛刺检测的结果出现误差。
发明内容
本发明提供基于机器视觉的红外皮秒激光切割切口毛刺检测方法,以解决现有的问题。
本发明的基于机器视觉的红外皮秒激光切割切口毛刺检测方法采用如下技术方案:
本发明一个实施例提供了基于机器视觉的红外皮秒激光切割切口毛刺检测方法,该方法包括以下步骤:
获取切割件灰度图像;
对切割件灰度图像进行分割,得到切割件区域;
以切割件区域中每个像素点为中心构建窗口,根据窗口内所有像素点的梯度和灰度值以及像素点之间的距离,得到每个窗口的感兴趣程度;
根据每个窗口内所有像素点的灰度值构建的灰度共生矩阵,得到每个窗口在每个尺度下的纹理复杂程度;
根据每个窗口在每个尺度下的纹理复杂程度,得到每个窗口在每个目标尺度下的纹理复杂程度的权重;
根据每个窗口在每个尺度下的纹理复杂程度以及每个窗口在每个目标尺度下的纹理复杂程度的权重,得到每个窗口的切割平整程度;
根据每个窗口的切割平整程度以及每个窗口的感兴趣程度,得到切割件区域边缘的切割平整程度;
根据切割件区域边缘的切割平整程度,完成对切割切口毛刺的检测。
进一步地,所述对切割件灰度图像进行分割,得到切割件区域,包括的具体步骤如下:
利用Sobel边缘检测算法对切割件灰度图像中的边缘信息进行提取,得到切割件灰度图像中的边缘像素点;
根据切割件灰度图像中的边缘像素点,利用轮廓提取算法,得到切割件灰度图像中若干个轮廓连通域;
将切割件灰度图像的面积的倍,记为面积阈值;其中,/>为预设的系数;
在切割件灰度图像中,将面积大于面积阈值的所有轮廓连通域组成切割件区域。
进一步地,所述以切割件区域中每个像素点为中心构建窗口,根据窗口内所有像素点的梯度和灰度值以及像素点之间的距离,得到每个窗口的感兴趣程度,包括的具体步骤如下:
在切割件区域中,将以每个像素点为中心,构建大小为的正方形窗口,记为每个像素点的窗口,/>表示预设的边长;
根据Sobel边缘检测算法获得切割件灰度图像中每个像素点的梯度;
根据窗口内所有像素点的梯度和灰度值以及像素点之间的距离,得到每个窗口的感兴趣程度。
进一步地,所述根据窗口内所有像素点的梯度和灰度值以及像素点之间的距离,得到每个窗口的感兴趣程度,对应的具体计算公式为:
其中,表示第/>个窗口的感兴趣程度;/>表示第/>个窗口内所有像素点的梯度的均值;/>表示第/>个窗口内所有像素点的灰度值的方差;/>表示第/>个窗口的中心像素点距离切割件区域边缘的最短距离;/>为以自然常数为底的指数函数。
进一步地,所述根据每个窗口内所有像素点的灰度值构建的灰度共生矩阵,得到每个窗口在每个尺度下的纹理复杂程度,包括的具体步骤如下:
预设若干个像素点之间的距离阈值;
以水平向右方向为0度,从水平向右方向开始,顺时针旋转,每隔45度,确定一个方向,以及每个方向对应的角度值;
将预设的任意一个像素点之间的距离阈值与任意一个方向,构成一个尺度;
根据每个尺度对任意一个窗口内所有像素点的灰度值进行灰度共生矩阵的构建,得到窗口在每个尺度下的灰度共生矩阵;
根据窗口在每个尺度下的灰度共生矩阵中的数据的大小,得到窗口在每个尺度下的灰度共生矩阵中每个数据的出现概率;
根据窗口在每个尺度下的灰度共生矩阵中每个数据的出现概率,得到每个窗口在每个尺度下的纹理复杂程度。
进一步地,所述根据窗口在每个尺度下的灰度共生矩阵中的数据的大小,得到窗口在每个尺度下的灰度共生矩阵中每个数据的出现概率,包括的具体步骤如下:
在窗口在每个尺度下的灰度共生矩阵中,计算灰度共生矩阵中所有数据的和值,将灰度共生矩阵中每个数据与灰度共生矩阵中所有数据的和值的比值,记为窗口在每个尺度下的灰度共生矩阵中每个数据的出现概率。
进一步地,所述根据窗口在每个尺度下的灰度共生矩阵中每个数据的出现概率,得到每个窗口在每个尺度下的纹理复杂程度,对应的具体计算公式为:
其中,表示在第/>个窗口在第/>个尺度下的纹理复杂程度;/>表示第/>个窗口在第/>个尺度下的灰度共生矩阵的行数;/>表示第/>个窗口在第/>个尺度下的灰度共生矩阵的列数;/>表示第/>个窗口在第/>个尺度下的灰度共生矩阵中第/>行第/>列上的数据的出现概率;/>为线性归一化函数;/>为以自然常数为底的对数函数。
进一步地,所述根据每个窗口在每个尺度下的纹理复杂程度,得到每个窗口在每个目标尺度下的纹理复杂程度的权重,包括的具体步骤如下:
在第个窗口对应的所有尺度中,将纹理复杂程度大于/>的尺度记为第/>个窗口的目标尺度;其中/>为预设的纹理复杂度阈值;
根据第个窗口在每个目标尺度下的纹理复杂程度,得到第/>个窗口在每个目标尺度下的纹理复杂程度的权重的具体计算公式为:
其中,表示第/>个窗口在第/>个目标尺度下的纹理复杂程度的权重;/>表示第个窗口在第/>个目标尺度下的纹理捕捉效果;/>表示第/>个窗口在第/>个目标尺度下的纹理特征与正常区域的差异;/>表示第/>个窗口在所有目标尺度下的纹理复杂程度中的最大值,/>表示第/>个窗口在第/>个目标尺度下的纹理复杂程度;/>表示第/>个窗口在第/>个目标尺度下像素点之间的距离阈值;/>表示第/>个窗口在所有目标尺度下像素点之间的距离阈值的最大值;/>表示第/>个窗口在第/>个目标尺度下对应的方向对应的角度值;表示第/>个窗口在所有目标尺度下对应的方向对应的角度值的最大值;/>表示与第/>个窗口相邻的窗口数量;/>表示与第/>个窗口相邻的第/>个窗口在第/>个目标尺度下的纹理复杂程度;/>表示第/>个窗口的中心像素点距离切割件区域的轮廓边缘的最短距离;/>为预设的纹理复杂度阈值;/>为以自然常数为底的指数函数;/>为线性归一化函数。
进一步地,所述根据每个窗口在每个尺度下的纹理复杂程度以及每个窗口在每个目标尺度下的纹理复杂程度的权重,得到每个窗口的切割平整程度,包括的具体步骤如下:
计算第个窗口在第/>个目标尺度下的纹理复杂程度与纹理复杂程度的权重的乘积,将每个窗口在所有目标尺度下的纹理复杂程度与纹理复杂程度的权重的乘积之和,记为每个窗口的切割平整程度。
进一步地,所述根据每个窗口的切割平整程度以及每个窗口的感兴趣程度,得到切割件区域边缘的切割平整程度,包括的具体步骤如下:
计算切割件区域中第个窗口的切割平整程度与感兴趣程度的乘积,将切割件区域中所有窗口的切割平整程度与感兴趣程度的乘积之和,记为切割件区域的切割平整程度。
本发明的技术方案的有益效果是:获取切割件灰度图像,对切割件灰度图像进行分割,得到切割件区域,为后续步骤提供准确的处理对象;以切割件区域中每个像素点为中心构建窗口,根据窗口内所有像素点的梯度和灰度值以及像素点之间的距离,得到每个窗口的感兴趣程度,有助于确定图像中哪些区域是重要的或者有特殊纹理特征的;根据每个窗口内所有像素点的灰度值构建的灰度共生矩阵,得到每个窗口在每个尺度下的纹理复杂程度,可以量化图像中不同区域的纹理特征,进而评估纹理的复杂程度;根据每个窗口在每个尺度下的纹理复杂程度,得到每个窗口在每个目标尺度下的纹理复杂程度的权重,有助于对不同尺度下的纹理特征进行合理的加权处理;根据每个窗口在每个尺度下的纹理复杂程度以及每个窗口在每个目标尺度下的纹理复杂程度的权重,得到每个窗口的切割平整程度,从而评估切割区域的平整度;根据每个窗口的切割平整程度以及每个窗口的感兴趣程度,得到切割件区域边缘的切割平整程度,根据切割件区域边缘的切割平整程度,完成对切割切口毛刺的检测,可以很好的适应边缘毛刺厚度的变化,使得毛刺检测的结果更加准确。
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为本发明基于机器视觉的红外皮秒激光切割切口毛刺检测方法的步骤流程图;
图2为切割件灰度图像。
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机器视觉的红外皮秒激光切割切口毛刺检测方法,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机器视觉的红外皮秒激光切割切口毛刺检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于机器视觉的红外皮秒激光切割切口毛刺检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取切割件灰度图像。
为了保证切割件表面能够受到均匀光照,将完成切割的物体水平放置在检测台上,并且在其正上方设置光源自上而下的对切割件表面进行照射。同时,在切割件的正上方设置工业相机,利用工业相机对切割件表面进行拍摄,得到切割件图像,随后对切割件图像进行灰度化处理,得到切割件灰度图像。需要说明的是,为了保证后续算法检测结果的准确性,在采集切割件图像时保证切割件在图像中占据主要位置。
切割件灰度图像如图2所示。
步骤S002:对切割件灰度图像进行分割,得到切割件区域。
在切割件灰度图像中存在与切割件并无关系的背景区域,因此为了降低算法后续计算量,首先需要对切割件灰度图像中的背景区域进行分割,保留切割件区域部分。
利用Sobel边缘检测算法对切割件灰度图像中的边缘信息进行提取,得到边缘像素点;随后对边缘像素点利用轮廓提取算法,得到若干个轮廓连通域。其中,Sobel边缘检测算法与轮廓提取算法为公知技术,具体方法在此不做介绍。
由于切割件区域在切割件灰度图像中占据主要位置,因此在切割件灰度图像中切割件区域会占据较大区域,设置面积阈值对轮廓连通域进行筛选,当每个轮廓连通域的面积大于切割件灰度图像的面积的倍时,该轮廓连通域属于切割件区域,将筛选出的轮廓连通域组成切割件区域。本实施例预设的系数/>,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。
步骤S003:以切割件区域中每个像素点为中心构建窗口,根据窗口内所有像素点的梯度和灰度值以及像素点之间的距离,得到每个窗口的感兴趣程度。
在切割件灰度图像中,以切割件区域中的每个像素点为中心,构建一个大小为的正方形窗口,/>表示预设的边长,本实施例以/>为例进行叙述,其他实施例中可设置其他值,本实施例不进行具体限定。当像素点所处位置不满足构建大小为/>的窗口时,窗口的边缘形状根据区域的边缘形状进行自适应,不再设置固定窗口大小。
由此得到切割件区域中的每个像素点的窗口,以第个窗口为例,对第/>个窗口的感兴趣程度进行分析,当窗口内像素点的灰度值越单一且窗口内的纹理信息越少时,说明当前窗口中存在毛刺的可能性越小,则对该窗口的感兴趣程度越小,同时由于毛刺通常处于切割件的边缘位置,即越靠近切割件的中心位置,存在毛刺的可能性越小,对窗口的感兴趣程度越小。
根据Sobel边缘检测算法获得切割件灰度图像中每个像素点的梯度,其中,Sobel边缘检测算法为公知技术,具体方法在此不做介绍。
第个窗口的感兴趣程度计算公式为:
其中,表示第/>个窗口的感兴趣程度;/>表示第/>个窗口内所有像素点的梯度的均值;/>表示第/>个窗口内所有像素点的灰度值的方差;/>表示第/>个窗口的中心像素点距离切割件区域边缘的最短距离;/>为以自然常数为底的指数函数。
按照上述方式,得到每个窗口的感兴趣程度。
步骤S004:根据每个窗口内所有像素点的灰度值构建的灰度共生矩阵,得到每个窗口在每个尺度下的纹理复杂程度。
在切割件的切割切口位置上,较细的毛刺一般具有更强的高频纹理特征,在灰度共生矩阵中具体表现为较高的对比度、较高的能量以及较高的熵值,同时,较厚的毛刺可能具有更强的低频纹理特征,在灰度共生矩阵中具体表现为较低的对比度、较低的能量以及较低的熵值。
预设若干个像素点之间的距离阈值分别为;本实施例中以水平向右方向为0度,从水平向右方向开始,顺时针旋转,每隔45度,确定一个方向,得到八个方向,以及每个方向对应的角度值,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。
将预设的任意一个像素点之间的距离阈值与任意一个方向,构成一个尺度,得到若干个不相同的尺度;根据每个尺度对第个窗口内所有像素点的灰度值进行灰度共生矩阵的构建,得到第/>个窗口在每个尺度下的灰度共生矩阵。
所需说明的是:利用灰度共生矩阵对不同窗口中的纹理信息进行提取,对窗口中像素点的灰度值进行离散化,分别构建为8个离散灰度级,并将窗口内的像素点分别映射在每个对应的灰度级中,完成对灰度级别参数的设定。对于窗口内的每个像素点,分别利用不同的距离以及方向进行灰度共生矩阵的构建,得到窗口在不同尺度下所对应的灰度共生矩阵,结合灰度共生矩阵的特征量对窗口在当前尺度下的纹理信息进行获取。灰度共生矩阵是以左上角为原点,沿水平向右方向,灰度值递增,沿竖直向下方向,灰度值递增。
以第个窗口在第/>个尺度下的灰度共生矩阵为例,在该灰度共生矩阵中,计算该灰度共生矩阵中所有数据的和值,将第/>行第/>列上的数据与灰度共生矩阵中所有数据的和值的比值,记为第/>行第/>列上的数据的出现概率。
以第个尺度为例,第/>个窗口在第/>个尺度下的纹理复杂程度为:
其中,表示在第/>个窗口在第/>个尺度下的纹理复杂程度;/>表示第/>个窗口在第/>个尺度下的灰度共生矩阵的行数;/>表示第/>个窗口在第/>个尺度下的灰度共生矩阵的列数;/>表示第/>个窗口在第/>个尺度下的灰度共生矩阵中第/>行第/>列上的数据的出现概率;/>表示第/>个窗口在第/>个尺度下的灰度共生矩阵的能量、表示第/>个窗口在第/>个尺度下的灰度共生矩阵的对比度、表示第/>个窗口在第/>个尺度下的灰度共生矩阵的熵,其中,灰度共生矩阵的能量、对比度以及熵为公知技术,具体方法在此不做介绍;/>为线性归一化函数,将数据值归一化至/>区间内;/>为以自然常数为底的对数函数。
按照上述方式,得到每个窗口在每个尺度下的纹理复杂程度。
步骤S005:根据每个窗口在每个尺度下的纹理复杂程度,得到每个窗口在每个目标尺度下的纹理复杂程度的权重。
当窗口在某个尺度下纹理的复杂程度越高,说明在当前方向和距离的情况下对窗口内毛刺纹理的捕捉效果越好,遍历当前窗口在每个尺度下的纹理复杂程度,若当前窗口在某个尺度下的纹理复杂程度大于时,可以认为当前窗口在该尺度下的纹理捕捉效果较好,则在进行加权时赋予相应较高的权重。本实施例预设的纹理复杂度阈值/>,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。
仍以第个窗口为例,在第/>个窗口在所有尺度下的纹理复杂程度中,将纹理复杂程度大于/>的尺度记为第/>个窗口的目标尺度。以第/>个目标尺度为例,第/>个窗口在第/>个目标尺度下的纹理复杂程度的权重为:
其中,表示第/>个窗口在第/>个目标尺度下的纹理复杂程度的权重;/>表示第个窗口在第/>个目标尺度下的纹理捕捉效果,与最大纹理复杂程度尺度的差异越小则捕捉效果越好;/>表示第/>个窗口在第/>个目标尺度下的纹理特征与正常区域的差异;/>表示第/>个窗口在所有目标尺度下的纹理复杂程度中的最大值,/>表示第/>个窗口在第/>个目标尺度下的纹理复杂程度;/>表示第/>个窗口在第/>个目标尺度下像素点之间的距离阈值;/>表示第/>个窗口在所有目标尺度下像素点之间的距离阈值的最大值;/>表示第/>个窗口在第/>个目标尺度下对应的方向对应的角度值;/>表示第/>个窗口在所有目标尺度下对应的方向对应的角度值的最大值;/>表示与第/>个窗口相邻的窗口数量;/>表示与第/>个窗口相邻的第/>个窗口在第/>个目标尺度下的纹理复杂程度;/>表示第/>个窗口的中心像素点距离切割件区域的轮廓边缘的最短距离;/>为预设的纹理复杂度阈值,本实施例预设的纹理复杂度阈值/>,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;/>为以自然常数为底的指数函数;/>为线性归一化函数,将数据值归一化至/>区间内。
按照上述方式,得到每个窗口在每个目标尺度下的纹理复杂程度的权重。
步骤S006:根据每个窗口在每个尺度下的纹理复杂程度以及每个窗口在每个目标尺度下的纹理复杂程度的权重,得到每个窗口的切割平整程度。
第个窗口的切割平整程度的计算公式为:
其中,表示第/>个窗口的切割平整程度;/>表示第/>个窗口的目标尺度的数量;表示第/>个窗口在第/>个目标尺度下的纹理复杂程度;/>表示第/>个窗口在第/>个目标尺度下的纹理复杂程度的权重。
按照上述方式,得到每个窗口的切割平整程度。
步骤S007:根据每个窗口的切割平整程度以及每个窗口的感兴趣程度,得到切割件区域边缘的切割平整程度。
切割件区域边缘的切割平整程度的计算公式为:
其中,表示切割件区域的切割平整程度;/>表示切割件区域的窗口数量;/>表示切割件区域中第/>个窗口的切割平整程度;/>表示切割件区域的第/>个窗口的感兴趣程度。
至此,得到切割件区域边缘的切割平整程度。
步骤S008:根据切割件区域边缘的切割平整程度,完成对切割切口毛刺的检测。
本实施例预设的切割平整程度的阈值为0.9,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。当切割件区域边缘的切割平整程度时,认为当前仪器红外皮秒激光切割的切口不满足要求,暂停该切割件对应仪器的切割工作并对仪器的状态进行检查,对存在该切割件进行标记,完成对切割切口毛刺的检测。
至此,本发明完成。
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 (10)
1.基于机器视觉的红外皮秒激光切割切口毛刺检测方法,其特征在于,该方法包括以下步骤:
获取切割件灰度图像;
对切割件灰度图像进行分割,得到切割件区域;
以切割件区域中每个像素点为中心构建窗口,根据窗口内所有像素点的梯度和灰度值以及像素点之间的距离,得到每个窗口的感兴趣程度;
根据每个窗口内所有像素点的灰度值构建的灰度共生矩阵,得到每个窗口在每个尺度下的纹理复杂程度;
根据每个窗口在每个尺度下的纹理复杂程度,得到每个窗口在每个目标尺度下的纹理复杂程度的权重;
根据每个窗口在每个尺度下的纹理复杂程度以及每个窗口在每个目标尺度下的纹理复杂程度的权重,得到每个窗口的切割平整程度;
根据每个窗口的切割平整程度以及每个窗口的感兴趣程度,得到切割件区域边缘的切割平整程度;
根据切割件区域边缘的切割平整程度,完成对切割切口毛刺的检测。
2.根据权利要求1所述基于机器视觉的红外皮秒激光切割切口毛刺检测方法,其特征在于,所述对切割件灰度图像进行分割,得到切割件区域,包括的具体步骤如下:
利用Sobel边缘检测算法对切割件灰度图像中的边缘信息进行提取,得到切割件灰度图像中的边缘像素点;
根据切割件灰度图像中的边缘像素点,利用轮廓提取算法,得到切割件灰度图像中若干个轮廓连通域;
将切割件灰度图像的面积的倍,记为面积阈值;其中,/>为预设的系数;
在切割件灰度图像中,将面积大于面积阈值的所有轮廓连通域组成切割件区域。
3.根据权利要求1所述基于机器视觉的红外皮秒激光切割切口毛刺检测方法,其特征在于,所述以切割件区域中每个像素点为中心构建窗口,根据窗口内所有像素点的梯度和灰度值以及像素点之间的距离,得到每个窗口的感兴趣程度,包括的具体步骤如下:
在切割件区域中,将以每个像素点为中心,构建大小为的正方形窗口,记为每个像素点的窗口,/>表示预设的边长;
根据Sobel边缘检测算法获得切割件灰度图像中每个像素点的梯度;
根据窗口内所有像素点的梯度和灰度值以及像素点之间的距离,得到每个窗口的感兴趣程度。
4.根据权利要求3所述基于机器视觉的红外皮秒激光切割切口毛刺检测方法,其特征在于,所述根据窗口内所有像素点的梯度和灰度值以及像素点之间的距离,得到每个窗口的感兴趣程度,对应的具体计算公式为:
其中,表示第/>个窗口的感兴趣程度;/>表示第/>个窗口内所有像素点的梯度的均值;表示第/>个窗口内所有像素点的灰度值的方差;/>表示第/>个窗口的中心像素点距离切割件区域边缘的最短距离;/>为以自然常数为底的指数函数。
5.根据权利要求1所述基于机器视觉的红外皮秒激光切割切口毛刺检测方法,其特征在于,所述根据每个窗口内所有像素点的灰度值构建的灰度共生矩阵,得到每个窗口在每个尺度下的纹理复杂程度,包括的具体步骤如下:
预设若干个像素点之间的距离阈值;
以水平向右方向为0度,从水平向右方向开始,顺时针旋转,每隔45度,确定一个方向,以及每个方向对应的角度值;
将预设的任意一个像素点之间的距离阈值与任意一个方向,构成一个尺度;
根据每个尺度对任意一个窗口内所有像素点的灰度值进行灰度共生矩阵的构建,得到窗口在每个尺度下的灰度共生矩阵;
根据窗口在每个尺度下的灰度共生矩阵中的数据的大小,得到窗口在每个尺度下的灰度共生矩阵中每个数据的出现概率;
根据窗口在每个尺度下的灰度共生矩阵中每个数据的出现概率,得到每个窗口在每个尺度下的纹理复杂程度。
6.根据权利要求5所述基于机器视觉的红外皮秒激光切割切口毛刺检测方法,其特征在于,所述根据窗口在每个尺度下的灰度共生矩阵中的数据的大小,得到窗口在每个尺度下的灰度共生矩阵中每个数据的出现概率,包括的具体步骤如下:
在窗口在每个尺度下的灰度共生矩阵中,计算灰度共生矩阵中所有数据的和值,将灰度共生矩阵中每个数据与灰度共生矩阵中所有数据的和值的比值,记为窗口在每个尺度下的灰度共生矩阵中每个数据的出现概率。
7.根据权利要求5所述基于机器视觉的红外皮秒激光切割切口毛刺检测方法,其特征在于,所述根据窗口在每个尺度下的灰度共生矩阵中每个数据的出现概率,得到每个窗口在每个尺度下的纹理复杂程度,对应的具体计算公式为:
其中,表示在第/>个窗口在第/>个尺度下的纹理复杂程度;/>表示第/>个窗口在第/>个尺度下的灰度共生矩阵的行数;/>表示第/>个窗口在第/>个尺度下的灰度共生矩阵的列数;/>表示第/>个窗口在第/>个尺度下的灰度共生矩阵中第/>行第/>列上的数据的出现概率;/>为线性归一化函数;/>为以自然常数为底的对数函数。
8.根据权利要求1所述基于机器视觉的红外皮秒激光切割切口毛刺检测方法,其特征在于,所述根据每个窗口在每个尺度下的纹理复杂程度,得到每个窗口在每个目标尺度下的纹理复杂程度的权重,包括的具体步骤如下:
在第个窗口对应的所有尺度中,将纹理复杂程度大于/>的尺度记为第/>个窗口的目标尺度;其中/>为预设的纹理复杂度阈值;
根据第个窗口在每个目标尺度下的纹理复杂程度,得到第/>个窗口在每个目标尺度下的纹理复杂程度的权重的具体计算公式为:
其中,表示第/>个窗口在第/>个目标尺度下的纹理复杂程度的权重;/>表示第/>个窗口在第/>个目标尺度下的纹理捕捉效果;/>表示第/>个窗口在第/>个目标尺度下的纹理特征与正常区域的差异;/>表示第/>个窗口在所有目标尺度下的纹理复杂程度中的最大值,表示第/>个窗口在第/>个目标尺度下的纹理复杂程度;/>表示第/>个窗口在第/>个目标尺度下像素点之间的距离阈值;/>表示第/>个窗口在所有目标尺度下像素点之间的距离阈值的最大值;/>表示第/>个窗口在第/>个目标尺度下对应的方向对应的角度值;/>表示第/>个窗口在所有目标尺度下对应的方向对应的角度值的最大值;/>表示与第/>个窗口相邻的窗口数量;/>表示与第/>个窗口相邻的第/>个窗口在第/>个目标尺度下的纹理复杂程度;/>表示第/>个窗口的中心像素点距离切割件区域的轮廓边缘的最短距离;/>为预设的纹理复杂度阈值;/>为以自然常数为底的指数函数;/>为线性归一化函数。
9.根据权利要求1所述基于机器视觉的红外皮秒激光切割切口毛刺检测方法,其特征在于,所述根据每个窗口在每个尺度下的纹理复杂程度以及每个窗口在每个目标尺度下的纹理复杂程度的权重,得到每个窗口的切割平整程度,包括的具体步骤如下:
计算第个窗口在第/>个目标尺度下的纹理复杂程度与纹理复杂程度的权重的乘积,将每个窗口在所有目标尺度下的纹理复杂程度与纹理复杂程度的权重的乘积之和,记为每个窗口的切割平整程度。
10.根据权利要求1所述基于机器视觉的红外皮秒激光切割切口毛刺检测方法,其特征在于,所述根据每个窗口的切割平整程度以及每个窗口的感兴趣程度,得到切割件区域边缘的切割平整程度,包括的具体步骤如下:
计算切割件区域中第个窗口的切割平整程度与感兴趣程度的乘积,将切割件区域中所有窗口的切割平整程度与感兴趣程度的乘积之和,记为切割件区域的切割平整程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410458811.XA CN118071737B (zh) | 2024-04-17 | 2024-04-17 | 基于机器视觉的红外皮秒激光切割切口毛刺检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410458811.XA CN118071737B (zh) | 2024-04-17 | 2024-04-17 | 基于机器视觉的红外皮秒激光切割切口毛刺检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118071737A true CN118071737A (zh) | 2024-05-24 |
CN118071737B CN118071737B (zh) | 2024-07-02 |
Family
ID=91097481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410458811.XA Active CN118071737B (zh) | 2024-04-17 | 2024-04-17 | 基于机器视觉的红外皮秒激光切割切口毛刺检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118071737B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820606A (zh) * | 2022-06-28 | 2022-07-29 | 山东普瑞德智能装备有限公司 | 基于视觉定位的激光切割设备控制***及方法 |
CN115330783A (zh) * | 2022-10-13 | 2022-11-11 | 启东谷诚不锈钢制品有限公司 | 一种钢丝绳缺陷检测方法 |
CN116128880A (zh) * | 2023-04-18 | 2023-05-16 | 东莞市京品精密模具有限公司 | 一种极耳模具表面开裂的识别方法 |
CN117315289A (zh) * | 2023-11-28 | 2023-12-29 | 苏州翰微材料科技有限公司 | 基于图像处理的航空发动机叶片轮廓边缘检测方法 |
-
2024
- 2024-04-17 CN CN202410458811.XA patent/CN118071737B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820606A (zh) * | 2022-06-28 | 2022-07-29 | 山东普瑞德智能装备有限公司 | 基于视觉定位的激光切割设备控制***及方法 |
CN115330783A (zh) * | 2022-10-13 | 2022-11-11 | 启东谷诚不锈钢制品有限公司 | 一种钢丝绳缺陷检测方法 |
CN116128880A (zh) * | 2023-04-18 | 2023-05-16 | 东莞市京品精密模具有限公司 | 一种极耳模具表面开裂的识别方法 |
CN117315289A (zh) * | 2023-11-28 | 2023-12-29 | 苏州翰微材料科技有限公司 | 基于图像处理的航空发动机叶片轮廓边缘检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118071737B (zh) | 2024-07-02 |
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 | |
CN103093215B (zh) | 人眼定位方法及装置 | |
CN117078672B (zh) | 基于计算机视觉的手机屏幕缺陷智能检测方法 | |
CN100382751C (zh) | 基于vpf和改进的susan的眼角和瞳孔的定位方法 | |
CN102136061B (zh) | 一种矩形石英晶片缺陷自动检测分类识别方法 | |
CN111161243A (zh) | 基于样本增强的工业产品表面缺陷检测方法 | |
CN106600600A (zh) | 基于特征匹配的晶圆缺陷检测方法 | |
CN110070531B (zh) | 用于检测眼底图片的模型训练方法、眼底图片的检测方法及装置 | |
CN114219794B (zh) | 基于机器视觉的刨花板表面质量评估方法及*** | |
CN111401449B (zh) | 一种基于机器视觉的图像匹配方法 | |
CN116309572B (zh) | 基于图像的数控机床组件智能识别方法 | |
CN116645367A (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN115100191B (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN112129773B (zh) | 木材表面缺陷检测方法、装置、设备、***及存储介质 | |
CN109101976A (zh) | 一种灭弧栅片表面缺陷的检测方法 | |
CN117095009A (zh) | 一种基于图像处理的pvc装饰板缺陷检测方法 | |
CN117315289A (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN107657620A (zh) | 一种带纹理的金属凝固区域识别的方法及*** | |
CN116071363A (zh) | 一种自动化型钢智能生产监测*** | |
CN118071737B (zh) | 基于机器视觉的红外皮秒激光切割切口毛刺检测方法 | |
CN106778491A (zh) | 人脸3d特征信息的获取方法及设备 | |
CN109766850A (zh) | 基于特征融合的指纹图像匹配方法 | |
CN108537106A (zh) | 指纹检测方法及其电路 | |
CN114913152A (zh) | 基于机器视觉的木材切削表面去毛刺质量评估方法及*** | |
CN115122478A (zh) | 一种检测墙板模具污浊度的清理机控制方法 |
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 |