CN105057899B - 一种应用于智能激光切割的扫描图像识别方法 - Google Patents
一种应用于智能激光切割的扫描图像识别方法 Download PDFInfo
- Publication number
- CN105057899B CN105057899B CN201510505092.3A CN201510505092A CN105057899B CN 105057899 B CN105057899 B CN 105057899B CN 201510505092 A CN201510505092 A CN 201510505092A CN 105057899 B CN105057899 B CN 105057899B
- Authority
- CN
- China
- Prior art keywords
- value
- point
- image
- gray value
- profile
- 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.)
- Expired - Fee Related
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10008—Still image; Photographic image from scanner, fax or copier
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种应用于智能激光切割的扫描图像识别方法,其特征在于包括如下步骤:(1)、对预先放在扫描仪上的切割工序图纸进行扫描,设置扫描仪ppi分辨率,扫描获得1:1彩色图片;(2)、将扫描获得的工序图片进行图像预处理后,再提取出切割轮廓曲线和尺寸信息。本发明将该图像识别技术与激光切割相结合,通过扫描仪直接获取加工信息,省去了激光切割的示教以及编程过程,提高了产品的智能化程度和生产加工效率。
Description
技术领域
本发明涉及一种应用于智能激光切割的扫描图像识别方法,属于图像处理技术领域。
背景技术
常用激光切割方法有示教机械手切割和激光视觉传感切割。对于不同形状工件的切割都需要进行繁琐的示教或者编程来获取加工信息,效率往往不高。
图像识别是对存储图片信息中的特征进行计算机的再确认过程。图像识别技术能让计算机代替人眼对存储图像进行快速高效的特征识别。图像识别常用方法是模型匹配。根据匹配模型的不同分为模板匹配模型、原型模型和区别性特征。目前形状识别最常用的方法有边缘检测和直方图匹配。模型匹配的方式识别效率高,识别精准度高,但必须事先知道所识别对象的特征并建立匹配模型或者匹配库。若识别对象的形状尺寸不确定则该类方法并不适用。
发明内容
本发明要解决的技术问题是:提出一种应用于智能激光切割的扫描图像识别方法。
本发明的技术方案如下:
一种应用于智能激光切割的扫描图像识别方法,包括如下步骤:
(1)、对预先放在扫描仪上的切割工序图纸进行扫描,设置扫描仪ppi分辨率,扫描获得1:1彩色图片;
(2)、将扫描获得的工序图片进行图像预处理后,再提取出切割轮廓曲线和尺寸信息。
上述步骤(2)中切割轮廓曲线的提取步骤如下:
(2a)、扫描仪扫描的彩色图片分为两部份,分别为红色图纸比例值部分、黑色切割轮廓线;
(2b)、根据RGB值分割出红色比例值,识别图纸比例;
(2c)、将红色图纸比例值部分的RGB值设置为(255 255 255),即变为白色,并将像素RGB值转换为灰度值;
(2d)、图像增强:将图像灰度值低于100的像素块灰度值设置为0;图像灰度值高于100的像素块灰度值设置为255;
(2e)、对图像必进行滤波,此时的图像除实线部分的灰度值为0之外,其余部分灰度值皆为255;
(2f)、遍历图像中所有单位像素,提取出灰度值为0且周围八个像素存在灰度值为255的单位像素作为轮廓点,判断提取的轮廓点邻域四个像素点中是否存在两个其他轮廓点,若是则为轮廓点,若否则将该点剔除轮廓点;此时提取的这些单位像素集合为粗实线的内外两条轮廓线,且两条轮廓线由单位像素两两连接而成;
(2g)、从两条轮廓线中分别任意选取一个单位像素作为起始点,从起始位置按一定方向将两条轮廓线上的点分别进行排序。
上述步骤(2)中切割轮廓曲线的尺寸信息的步骤如下:
(3a)、分别求出内外轮廓线各个像素点的近似导数值;
(3b)、顺序选取外轮廓像素点,对比其附近内轮廓的点的近似导数值,选其中导数值最接近的一个作为配对点,将配对点像素坐标(x,y)、(x1,y1)分别求和取平均值得其连线的中点作为粗实线轮廓线的离散像素点坐标(X,Y)。
上述步骤(2e)中滤波的采用傅里叶方法,步骤如下:
(4a)、将图像从空间域转换到频率域,高频位置表示噪点或者图像边缘位置;
(4b)、从高频位置出发将灰度值为0的像素进行区域增长,根据各区域点数判断使图像噪点区域还是实际轮廓实线部分;
(4c)、将噪点区域的点灰度值设为255。
本发明所达到的有益效果:
该图像识别技术通过边缘检测识别出需要加工的轮廓线,并通过特定的算法提取出有序的离散化点坐标。该图像识别技术不需要事先已知图像的形状特征,也不需要建立匹配模型,并且适用于各种不规则形状的轮廓线识别。
将该图像识别技术与激光切割相结合,通过扫描仪直接获取加工信息,省去了激光切割的示教以及编程过程,提高了产品的智能化程度和生产加工效率。
附图说明
图1 是扫描仪所描图纸获得的图片;
图2是扫描图片经图像处理所得图片;
图3是扫描图片经图像处理所得轮廓粗实线的像素示意图;
图4是单位像素及其领域8个像素的示意图;
图5是经图像处理所得粗实线内外像素轮廓示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种应用于智能激光切割的扫描图像识别方法,包括如下步骤:
(1)、对预先放在扫描仪上的切割工序图纸进行扫描,设置扫描仪ppi分辨率,扫描获得1:1彩色图片;
(2)、将扫描获得的工序图片进行图像预处理后,再提取出切割轮廓曲线和尺寸信息。
上述步骤(2)中切割轮廓曲线的提取步骤如下:
(2a)、扫描仪扫描的彩色图片分为两部份,分别为红色图纸比例值部分、黑色切割轮廓线;
(2b)、根据RGB值分割出红色比例值,识别图纸比例;
(2c)、将红色图纸比例值部分的RGB值设置为(255 255 255),即变为白色,并将像素RGB值转换为灰度值;
(2d)、图像增强:将图像灰度值低于100的像素块灰度值设置为0;图像灰度值高于100的像素块灰度值设置为255;
理论上,轮廓实线部分灰度值0表示黑色,其余部分灰度值255表示白色。但实际上轮廓实线内部存在灰度值为255的白色像素块。扫描图像中所有白色像素块,以白色像素块为中心,向其邻域四个方向扫描延伸10个像素块。若四个方向都存在灰度值为0的像素块,则将该白色中心像素块灰度值置为0(该步骤是将轮廓实线内部白色噪点变为黑色)。
(2e)、噪声干扰会影响图像分割和识别,因此图像必须经过滤波,对图像必进行滤波,此时的图像除实线部分的灰度值为0之外,其余部分灰度值皆为255;
(2f)、此时的图像除实线部分的灰度值为0之外,其余部分灰度值皆为255。经上步提取出的实线线条有粗细,不易提取轮廓的坐标点,如图3。
遍历图像中所有单位像素,提取出灰度值为0且周围八个像素存在灰度值为255的单位像素作为轮廓点,如图4所示,判断提取的轮廓点邻域四个像素点中是否存在两个其他轮廓点,若是则为轮廓点,若否则将该点剔除轮廓点;此时提取的这些单位像素集合为粗实线的内外两条轮廓线,且两条轮廓线由单位像素两两连接而成,如图5所示。
(2g)、从两条轮廓线中分别任意选取一个单位像素作为起始点,从起始位置按一定方向将两条轮廓线上的点分别进行排序。
上述步骤(2)中切割轮廓曲线的尺寸信息的步骤如下:
(3a)、分别求出内外轮廓线各个像素点的近似导数值;
(3b)、顺序选取外轮廓像素点,对比其附近内轮廓的点的近似导数值,选其中导数值最接近的一个作为配对点,将配对点像素坐标(x,y)、(x1,y1)分别求和取平均值得其连线的中点作为粗实线轮廓线的离散像素点坐标(X,Y)。
上述步骤(2e)中滤波的采用傅里叶方法,步骤如下:
(4a)、将图像从空间域转换到频率域,高频位置表示噪点或者图像边缘位置;
(4b)、从高频位置出发将灰度值为0的像素进行区域增长,根据各区域点数判断使图像噪点区域还是实际轮廓实线部分;
(4c)、将噪点区域的点灰度值设为255。滤波效果如图2。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (2)
1.一种应用于智能激光切割的扫描图像识别方法,其特征在于包括如下步骤:
(1)、对预先放在扫描仪上的切割工序图纸进行扫描,设置扫描仪ppi分辨率,扫描获得1:1彩色图片;
(2)、将扫描获得的工序图片进行图像预处理后,再提取出切割轮廓曲线和尺寸信息;
所述步骤(2)中切割轮廓曲线的提取步骤如下:
(2a)、扫描仪扫描的彩色图片分为两部份,分别为红色图纸比例值部分、黑色切割轮廓线;
(2b)、根据RGB值分割出红色比例值,识别图纸比例;
(2c)、将红色图纸比例值部分的RGB值设置为(255 255 255),即变为白色,并将像素RGB值转换为灰度值;
(2d)、图像增强:将图像灰度值低于100的像素块灰度值设置为0;图像灰度值高于100的像素块灰度值设置为255;
(2e)、对图像必进行滤波,此时的图像除实线部分的灰度值为0之外,其余部分灰度值皆为255;
(2f)、遍历图像中所有单位像素,提取出灰度值为0且周围八个像素存在灰度值为255的单位像素作为轮廓点,判断提取的轮廓点邻域四个像素点中是否存在两个其他轮廓点,若是则为轮廓点,若否则将该点剔除轮廓点;此时提取的这些单位像素集合为粗实线的内外两条轮廓线,且两条轮廓线由单位像素两两连接而成;
(2g)、从两条轮廓线中分别任意选取一个单位像素作为起始点,从起始位置按一定方向将两条轮廓线上的点分别进行排序;
所述步骤(2)中切割轮廓曲线的尺寸信息的步骤如下:
(3a)、分别求出内外轮廓线各个像素点的近似导数值;
(3b)、顺序选取外轮廓像素点,对比其附近内轮廓的点的近似导数值,选其中导数值最接近的一个作为配对点,将配对点像素坐标(x,y)、(x1,y1)分别求和取平均值得其连线的中点作为粗实线轮廓线的离散像素点坐标(X,Y)。
2.根据权利要求1所述的一种应用于智能激光切割的扫描图像识别方法,其特征在于:所述步骤(2e)中滤波的采用傅里叶方法,步骤如下:
(4a)、将图像从空间域转换到频率域,高频位置表示噪点或者图像边缘位置;
(4b)、从高频位置出发将灰度值为0的像素进行区域增长,根据各区域点数判断使图像噪点区域还是实际轮廓实线部分;
(4c)、将噪点区域的点灰度值设为255。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510505092.3A CN105057899B (zh) | 2015-08-18 | 2015-08-18 | 一种应用于智能激光切割的扫描图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510505092.3A CN105057899B (zh) | 2015-08-18 | 2015-08-18 | 一种应用于智能激光切割的扫描图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105057899A CN105057899A (zh) | 2015-11-18 |
CN105057899B true CN105057899B (zh) | 2016-08-24 |
Family
ID=54487525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510505092.3A Expired - Fee Related CN105057899B (zh) | 2015-08-18 | 2015-08-18 | 一种应用于智能激光切割的扫描图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105057899B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106695135A (zh) * | 2017-01-11 | 2017-05-24 | 温州中壹技术服务有限公司 | 一种自动化激光切割机 |
CN109002824B (zh) * | 2018-06-27 | 2021-11-12 | 淮阴工学院 | 一种基于OpenCV的建筑图纸标签信息检测方法 |
CN111347175B (zh) * | 2020-04-15 | 2021-01-22 | 深圳美克激光设备有限公司 | 不锈钢门加工用ai智能激光切割装置 |
CN111783795B (zh) * | 2020-06-10 | 2023-12-01 | 恒通西交智能机器(广东)有限公司 | 将图像转换为激光扫描路径的方法、装置、设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0737106A (ja) * | 1993-07-23 | 1995-02-07 | Matsushita Electric Ind Co Ltd | エッジ認識方法 |
CN100555310C (zh) * | 2007-01-17 | 2009-10-28 | 永凯软件技术(上海)有限公司 | 一种工程图纸矢量化识别系统的预处理方法 |
CN101694472B (zh) * | 2009-10-23 | 2011-11-09 | 郭震 | 缺陷孔图像识别方法 |
CN102222223A (zh) * | 2011-06-16 | 2011-10-19 | 河南省电力公司济源供电公司 | 一种电力图纸矢量化的方法 |
CN103488798B (zh) * | 2013-10-14 | 2016-06-15 | 大连民族学院 | 一种甲骨文自动识别方法 |
-
2015
- 2015-08-18 CN CN201510505092.3A patent/CN105057899B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN105057899A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069466B (zh) | 基于数字图像处理的行人服饰颜色识别方法 | |
CN105057899B (zh) | 一种应用于智能激光切割的扫描图像识别方法 | |
CN109446895B (zh) | 一种基于人体头部特征的行人识别方法 | |
CN111402238A (zh) | 一种通过机器视觉实现的缺陷标识系统 | |
CN113793337B (zh) | 基于人工智能的机车配件表面异常程度评估方法 | |
CN108171102A (zh) | 一种基于视觉的零件快速识别方法 | |
CN103440035A (zh) | 一种三维空间中的手势识别系统及其识别方法 | |
CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
Devi et al. | Image processing system for automatic segmentation and yield prediction of fruits using open CV | |
CN112541889A (zh) | 一种多层级模型的复杂纹理对象表面缺陷检测方法 | |
CN112435272B (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
He et al. | A new automatic extraction method of container identity codes | |
CN112329587A (zh) | 饮料瓶的分类方法、装置及电子设备 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
Zhang et al. | Grasping point detection of randomly placed fruit cluster using adaptive morphology segmentation and principal component classification of multiple features | |
Yang et al. | Vial bottle mouth defect detection based on machine vision | |
Huang et al. | Implementation of workpiece recognition and location based on opencv | |
Almutiry et al. | A Novel Framework for Multi-Classification of Guava Disease. | |
Mishchenko et al. | Model-based chart image classification | |
CN114863464A (zh) | 一种pid图纸图件信息的二阶识别方法 | |
Fernández-Robles et al. | Cutting edge localisation in an edge profile milling head | |
Zirngibl et al. | Approach for the automated analysis of geometrical clinch joint characteristics | |
CN116883945B (zh) | 一种融合目标边缘检测和尺度不变特征变换的人员识别定位方法 | |
Kaur et al. | 2-D geometric shape recognition using canny edge detection technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160824 Termination date: 20210818 |