CN105598745A - 一种能够自主作业的数控机床 - Google Patents
一种能够自主作业的数控机床 Download PDFInfo
- Publication number
- CN105598745A CN105598745A CN201610013411.3A CN201610013411A CN105598745A CN 105598745 A CN105598745 A CN 105598745A CN 201610013411 A CN201610013411 A CN 201610013411A CN 105598745 A CN105598745 A CN 105598745A
- Authority
- CN
- China
- Prior art keywords
- contour
- points
- noise
- curvature
- feature
- 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.)
- Pending
Links
- 238000001914 filtration Methods 0.000 claims description 41
- 238000012937 correction Methods 0.000 claims description 35
- 238000009499 grossing Methods 0.000 claims description 28
- 230000000694 effects Effects 0.000 claims description 23
- 239000000654 additive Substances 0.000 claims description 21
- 230000000996 additive effect Effects 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 abstract description 6
- 238000003754 machining Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/20—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring workpiece characteristics, e.g. contour, dimension, hardness
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种能够自主作业的数控机床，包括普通数控机床和安装在数控机床上的目标识别装置，识别装置包括建模模块、分段模块、合并模块和滤波模块。本发明通过在数控机床上加装目标识别装置，能够有效提高数控机床的加工效率，数控机床通过目标轮廓识别目标，识别过程中能有效滤除目标轮廓噪声，准确得到目标形状，根据指令完成动作。
Description
技术领域
本发明涉及数控机床领域，具体涉及一种能够自主作业的数控机床。
背景技术
数控机床是一种装有程序控制系统的自动化机床。相比传统机床，数控机床加工质量稳定，生产率高，近年来得到了极大的发展。数控机床的应用对生产领域产生了巨大的影响。然而，数控机床由于不能对目标进行有效识别，不仅对数控机床的应用产生了限制。
目标轮廓识别作为目标识别的重要手段，由于实际应用中受到噪声、量化误差等因素的影响，目标轮廓不可避免地会产生失真，为了准确描述轮廓特征，目标轮廓的滤波平滑处理是十分必要的。目前，学者们提出了许多含噪轮廓的滤波平滑算法，但是普遍存在计算量庞大、降噪效果不理想、容易发生过度滤波导致目标失真等问题。
发明内容
针对上述问题，本发明提供一种能够自主作业的数控机床。
本发明的目的采用以下技术方案来实现：
一种能够自主作业的数控机床，包括普通数控机床和安装在数控机床上的目标识别装置，该数控机床具有很强的自主识别能力，目标识别装置能够根据目标轮廓对目标进行识别，其特征是，包括建模模块、分段模块、合并模块和滤波模块；
建模模块，用于建立目标轮廓的参数化方程：对于给定的目标轮廓G(t)，其弧长参数化方程表示为G(t)＝(x(t)，y(t))，其中x(t)和y(t)分别表示轮廓点的坐标，t表示轮廓曲线方程的参数，且t∈[0，1]；
含噪轮廓的弧长参数化方程表示为：GN(t)＝G(t)+N1(t)+N2(t)G(t)，其中加性噪声部分N1(t)＝N1(x1(t)，y1(t))，乘性噪声部分N2(t)＝N2(x2(t)，y2(t))；
分段模块，用于对轮廓的分段：目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别为k(t)和kN(t)；选宽度宽度为D的窗函数W(n)，对曲率kN(t)进行邻域平均，得到平均曲率k1N(t)，同时对窗口内的曲率值排序，选定中值曲率k2N(t)，将平均曲率k1N(t)和中值曲率k2N(t)差的绝对值与选定的阈值T1进行比较，根据比较结果决定含噪轮廓曲率k′N(t)，即：当|k1N(t)-k2N(t)|＞T1时，k′N(t)＝k1N(t)
否则，k′N(t)＝k2N(t)；
由于曲率值较大的轮廓点通常反映了目标的显著特征，根据k′N(t)将轮廓中所有轮廓点划分为特征点或非特征点，设定可变权值TK，通过判断目标轮廓特征多少，自适应的决定TK，当|k′N(t)|＜TK*max|k′N(t)|时，特征函数f(t)＝0
否则，特征函数f(t)＝1。
合并模块：用于剔除由于噪声干扰产生的伪特征点，以及对无法形成连续区域的特征点和非特征点进行合并操作，从而得到有效的特征区域与非特征区域：选定一个起始点O，轮廓起始点向两侧延伸合并相邻的点，以该起始点类型作为该区域预设类型，向两侧延伸各S×μ0时停止，其中S为预设的最小长度，为O点处的实时曲率修正系数，代表O点的曲率半径，代表由上述窗函数得到的O点的平均曲率半径，实时曲率修正系数μ0用于根据不同点的曲率不同，自动修正延伸长度，能有效减小合并后的失真现象；分别计算两侧区域内相异点的个数N+1和N-1，若相异点的个数小于设定的该类型相异点最小个数，则该区域与预设类型相同，否则，与预设类型相反；再以两个停止点O+1和点O-1作为起始点重新开始计算，向外侧延伸S×μO+1或S×μO-1时停止，其中μO+1和μO-1分别代表点O+1和点O-1处的实时曲率修正系数，O+1两侧区域内相异点个数为N+2，O-1两侧区域内相异点个数为N-2，根据上述判定条件，依次确定各段轮廓类型，长度不足S的部分根据其与S的比例计算相异点个数，计入相应的特征区域；对相邻的同类型区域进行合并，得到连续的特征区域和非特征区域；
滤波模块：乘性噪声由于和图像信号是相关的，随图像信号的变化而变化，采用维纳滤波来进行一级滤除，此时图像信息还包含有残余乘性噪音，通过F滤波器F(x，y)＝q×exp(-(x2+y2)/β2进行二级滤除，其中q是将函数归一化的系数，即：∫∫q×exp(-(x2+y2)/β2)dxdy＝1，β为图像模板参数；
乘性噪声滤除后，含噪目标轮廓的弧长参数化方程表示为GN(t)’＝G(t)+N1(t)；假设加性噪声为高斯白噪声：xN(t)’＝x(t)+g1(t，σ2)，yN(t)’＝y(t)+g2(t，σ2)，其中xN(t)’和yN(t)’分别表示去除乘性噪声后含噪轮廓上各点坐标，g1(t，σ2)和g2(t，σ2)分别是均值为零、方差为σ2的高斯白噪声，用于模拟含噪目标轮廓中的加性噪声；
采用函数对含噪轮廓进行平滑，命名为K滤波器，经过轮廓点分类和区域划分，含噪轮廓GN(t)’表示为不同类型轮廓分段的组合：其中表示包含特征区域的轮廓分段，表示包含非特征区域的轮廓分段，根据轮廓特征分布选取K滤波器的参数，同时考虑全局特征和局部特征因素，在特征区域，为了保留细节信息，令在非特征区域，为了提高抑制噪声的效果，令 其中σ′为先验估算得到的全局方差，σ1为所选特征区域的先验估算方差，σ0为所选非特征区域的先验估算方差，为所选特征区域的平均实时曲率修正系数，为所选非特征区域的平均实时曲率修正系数；为了达到较好的平滑效果，选取每种类型区域最小长度S的一半作为K滤波器85％置信区间的长度，从而根据两类区域的长度自适应不同参数的K滤波器。
本发明通过在数控机床上加装目标识别装置，能够有效提高数控机床的加工效率，数控机床通过目标轮廓识别目标，识别过程中能有效滤除目标轮廓噪声，准确得到目标形状，根据指令完成动作。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明的能够自主作业的数控机床的结构框图。
具体实施方式
结合以下实施例对本发明作进一步描述。
图1是本发明的结构框图，其包括：建模模块、分段模块、合并模块、滤波模块。
实施例1：一种能够自主作业的数控机床，包括普通数控机床和安装在数控机床上的目标识别装置，该数控机床具有很强的自主识别能力，目标识别装置能够根据目标轮廓对目标进行识别，其特征是，包括建模模块、分段模块、合并模块和滤波模块；
建模模块，用于建立目标轮廓的参数化方程：对于给定的目标轮廓G(t)，其弧长参数化方程表示为G(t)＝(x(t)，y(t))，其中x(t)和y(t)分别表示轮廓点的坐标，t表示轮廓曲线方程的参数，且t∈[0，1]；
含噪轮廓的弧长参数化方程表示为：GN(t)＝G(t)+N1(t)+N2(t)G(t)，其中加性噪声部分N1(t)＝N1(x1(t)，y1(t))，乘性噪声部分N2(t)＝N2(x2(t)，y2(t))；
分段模块，用于对轮廓的分段：目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别为k(t)和kN(t)；由于受到噪声的影响，含噪轮廓GN(t)上部分特征点的曲率值kN(t)不能准确表示轮廓信息，为了得到准确的曲率，选宽度为D∈{7，9}的窗函数W(n)，对曲率kN(t)进行邻域平均，得到平均曲率k1N(t)，同时对窗口内的曲率值排序，选定中值曲率k2N(t)，将平均曲率k1N(t)和中值曲率k2N(t)差的绝对值与选定的阈值T1＝0.24进行比较，根据比较结果决定含噪轮廓曲率k′N(t)，即：
当|k1N(t)-k2N(t)|＞T1时，k′N(t)＝k1N(t)
否则，k′N(t)＝k2N(t)；
由于曲率值较大的轮廓点通常反映了目标的显著特征，根据k′N(t)将轮廓中所有轮廓点划分为特征点或非特征点，设定可变权值TK，通过判断目标轮廓特征多少，自适应的决定TK，当|k′N(t)|＜TK*max|k′N(t)|时，特征函数f(t)＝0
否则，特征函数f(t)＝1；
分类后所得到的特征点和非特征点的分布并不连续，无法选取滤波器对其进行有效的轮廓平滑。为了得到较好的轮廓平滑效果，有必要对同类型的轮廓点进行合并处理。
合并模块：用于剔除由于噪声干扰产生的伪特征点，以及对无法形成连续区域的特征点和非特征点进行合并操作，从而得到有效的特征区域与非特征区域：选定一个起始点O，轮廓起始点向两侧延伸合并相邻的点，以该起始点类型作为该区域预设类型，向两侧延伸各S×μ0时停止，其中S为预设的最小长度，在此实施例中，S＝17，为O点处的实时曲率修正系数，代表O点的曲率半径，代表由上述窗函数得到的O点的平均曲率半径，实时曲率修正系数μ0用于根据不同点的曲率不同，自动修正延伸长度，曲率大的地方需要的长度小些，曲率小的地方需要的长度大些，这样能有效减小合并后的失真现象；分别计算两侧区域内相异点的个数N+1和N-1，若相异点的个数小于设定的该类型相异点最小个数，则该区域与预设类型相同，否则，与预设类型相反；再以两个停止点O+1和点O-1作为起始点重新开始计算，向外侧延伸S×μO+1或S×μO-1时停止，其中μO+1和μO-1分别代表点O+1和点O-1处的实时曲率修正系数，O+1两侧区域内相异点个数为N+2，O-1两侧区域内相异点个数为N-2，根据上述判定条件，依次确定各段轮廓类型，长度不足S的部分根据其与S的比例计算相异点个数，计入相应的特征区域；对相邻的同类型区域进行合并，得到连续的特征区域和非特征区域。
滤波模块：乘性噪声由于和图像信号是相关的，随图像信号的变化而变化，采用维纳滤波来进行一级滤除，此时图像信息还包含有残余乘性噪音，通过F滤波器F(x，y)＝q×exp(-(x2+y2)/β2进行二级滤除，其中q是将函数归一化的系数，即：∫∫q×exp(-(x2+y2)/β2)dxdy＝1，β为图像模板参数；
乘性噪声滤除后，含噪目标轮廓的弧长参数化方程表示为GN(t)’＝G(t)+N1(t)；假设加性噪声为高斯白噪声：xN(t)’＝x(t)+g1(t，σ2)，yN(t)’＝y(t)+g2(t，σ2)，其中xN(t)’和yN(t)’分别表示去除乘性噪声后含噪轮廓上各点坐标，g1(t，σ2)和g2(t，σ2)分别是均值为零、方差为σ2的高斯白噪声，用于模拟含噪目标轮廓中的加性噪声；
采用函数对含噪轮廓进行平滑，命名为K滤波器，经过轮廓点分类和区域划分，含噪轮廓GN(t)’表示为不同类型轮廓分段的组合：其中表示包含特征区域的轮廓分段，表示包含非特征区域的轮廓分段，根据轮廓特征分布选取K滤波器的参数，同时考虑全局特征和局部特征因素，在特征区域，为了保留细节信息，令在非特征区域，关注抑制噪声的效果，令其中σ′为先验估算得到的全局方差，σ1为所选特征区域的先验估算方差，σ0为所选非特征区域的先验估算方差，为所选特征区域的平均实时曲率修正系数，为所选非特征区域的平均实时曲率修正系数；为了达到较好的平滑效果，选取每种类型区域最小长度S的一半作为K滤波器85％置信区间的长度，从而根据两类区域的长度自适应不同参数的K滤波器。
在此实施例中，S＝17，阈值T1＝0.24，窗函数宽度D∈{7，9}，对噪声强度I∈{10dB，20dB}的含噪图像有较好的平滑效果，数控机床通过目标轮廓识别目标，识别过程中能有效滤除目标轮廓噪声，准确得到目标形状，根据指令完成动作，识别率在90％以上，使机床效率提高了50％。
实施例2：一种能够自主作业的数控机床，包括普通数控机床和安装在数控机床上的目标识别装置，该数控机床具有很强的自主识别能力，目标识别装置能够根据目标轮廓对目标进行识别，其特征是，包括建模模块、分段模块、合并模块和滤波模块；
建模模块，用于建立目标轮廓的参数化方程：对于给定的目标轮廓G(t)，其弧长参数化方程表示为G(t)＝(x(t)，y(t))，其中x(t)和y(t)分别表示轮廓点的坐标，t表示轮廓曲线方程的参数，且t∈[0，1]；
含噪轮廓的弧长参数化方程表示为：GN(t)＝G(t)+N1(t)+N2(t)G(t)，其中加性噪声部分N1(t)＝N1(x1(t)，y1(t))，乘性噪声部分N2(t)＝N2(x2(t)，y2(t))；
分段模块，用于对轮廓的分段：目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别为k(t)和kN(t)；由于受到噪声的影响，含噪轮廓GN(t)上部分特征点的曲率值kN(t)不能准确表示轮廓信息，为了得到准确的曲率，选宽度为D∈{10，12}的窗函数W(n)，对曲率kN(t)进行邻域平均，得到平均曲率k1N(t)，同时对窗口内的曲率值排序，选定中值曲率k2N(t)，将平均曲率k1N(t)和中值曲率k2N(t)差的绝对值与选定的阈值T1＝0.24进行比较，根据比较结果决定含噪轮廓曲率k′N(t)，即：
当|k1N(t)-k2N(t)|＞T1时，k′N(t)＝k1N(t)
否则，k′N(t)＝k2N(t)；
由于曲率值较大的轮廓点通常反映了目标的显著特征，根据k′N(t)将轮廓中所有轮廓点划分为特征点或非特征点，设定可变权值TK，通过判断目标轮廓特征多少，自适应的决定TK，当|k′N(t)|＜TK*max|k′N(t)|时，特征函数f(t)＝0
否则，特征函数f(t)＝1；
分类后所得到的特征点和非特征点的分布并不连续，无法选取滤波器对其进行有效的轮廓平滑。为了得到较好的轮廓平滑效果，有必要对同类型的轮廓点进行合并处理。
合并模块：用于剔除由于噪声干扰产生的伪特征点，以及对无法形成连续区域的特征点和非特征点进行合并操作，从而得到有效的特征区域与非特征区域：选定一个起始点O，轮廓起始点向两侧延伸合并相邻的点，以该起始点类型作为该区域预设类型，向两侧延伸各S×μ0时停止，其中S为预设的最小长度，在此实施例中S＝19，为O点处的实时曲率修正系数，代表O点的曲率半径，代表由上述窗函数得到的O点的平均曲率半径，实时曲率修正系数μ0用于根据不同点的曲率不同，自动修正延伸长度，曲率大的地方需要的长度小些，曲率小的地方需要的长度大些，这样能有效减小合并后的失真现象；分别计算两侧区域内相异点的个数N+1和N-1，若相异点的个数小于设定的该类型相异点最小个数，则该区域与预设类型相同，否则，与预设类型相反；再以两个停止点O+1和点O-1作为起始点重新开始计算，向外侧延伸S×μO+1或S×μO-1时停止，其中μO+1和μO-1分别代表点O+1和点O-1处的实时曲率修正系数，O+1两侧区域内相异点个数为N+2，O-1两侧区域内相异点个数为N-2，根据上述判定条件，依次确定各段轮廓类型，长度不足S的部分根据其与S的比例计算相异点个数，计入相应的特征区域；对相邻的同类型区域进行合并，得到连续的特征区域和非特征区域。
滤波模块：乘性噪声由于和图像信号是相关的，随图像信号的变化而变化，采用维纳滤波来进行一级滤除，此时图像信息还包含有残余乘性噪音，通过F滤波器F(x，y)＝q×exp(-(x2+y2)/β2进行二级滤除，其中q是将函数归一化的系数，即：∫∫q×exp(-(x2+y2)/β2)dxdy＝1，β为图像模板参数；
乘性噪声滤除后，含噪目标轮廓的弧长参数化方程表示为GN(t)’＝G(t)+N1(t)；假设加性噪声为高斯白噪声：xN(t)’＝x(t)+g1(t，σ2)，yN(t)’＝y(t)+g2(t，σ2)，其中xN(t)’和yN(t)’分别表示去除乘性噪声后含噪轮廓上各点坐标，g1(t，σ2)和g2(t，σ2)分别是均值为零、方差为σ2的高斯白噪声，用于模拟含噪目标轮廓中的加性噪声；
采用函数对含噪轮廓进行平滑，命名为K滤波器，经过轮廓点分类和区域划分，含噪轮廓GN(t)’表示为不同类型轮廓分段的组合：其中表示包含特征区域的轮廓分段，表示包含非特征区域的轮廓分段，根据轮廓特征分布选取K滤波器的参数，同时考虑全局特征和局部特征因素，在特征区域，为了保留细节信息，令在非特征区域，关注抑制噪声的效果，令其中σ′为先验估算得到的全局方差，σ1为所选特征区域的先验估算方差，σ0为所选非特征区域的先验估算方差，为所选特征区域的平均实时曲率修正系数，为所选非特征区域的平均实时曲率修正系数；为了达到较好的平滑效果，选取每种类型区域最小长度S的一半作为K滤波器85％置信区间的长度，从而根据两类区域的长度自适应不同参数的K滤波器。
在此实施例中，S＝19，阈值T1＝0.24，窗函数宽度D∈{10，12}，对噪声强度I∈{20dB，30dB}的含噪图像有较好的平滑效果，数控机床通过目标轮廓识别目标，识别过程中能有效滤除目标轮廓噪声，准确得到目标形状，根据指令完成动作，识别率在90％以上，使机床效率提高了50％。
实施例3：一种能够自主作业的数控机床，包括普通数控机床和安装在数控机床上的目标识别装置，该数控机床具有很强的自主识别能力，目标识别装置能够根据目标轮廓对目标进行识别，其特征是，包括建模模块、分段模块、合并模块和滤波模块；
建模模块，用于建立目标轮廓的参数化方程：对于给定的目标轮廓G(t)，其弧长参数化方程表示为G(t)＝(x(t)，y(t))，其中x(t)和y(t)分别表示轮廓点的坐标，t表示轮廓曲线方程的参数，且t∈[0，1]；
含噪轮廓的弧长参数化方程表示为：GN(t)＝G(t)+N1(t)+N2(t)G(t)，其中加性噪声部分N1(t)＝N1(x1(t)，y1(t))，乘性噪声部分N2(t)＝N2(x2(t)，y2(t))；
分段模块，用于对轮廓的分段：目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别为k(t)和kN(t)；由于受到噪声的影响，含噪轮廓GN(t)上部分特征点的曲率值kN(t)不能准确表示轮廓信息，为了得到准确的曲率，选宽度为D∈{13，14}的窗函数W(n)，对曲率kN(t)进行邻域平均，得到平均曲率k1N(t)，同时对窗口内的曲率值排序，选定中值曲率k2N(t)，将平均曲率k1N(t)和中值曲率k2N(t)差的绝对值与选定的阈值T1＝0.26进行比较，根据比较结果决定含噪轮廓曲率k′N(t)，即：
当|k1N(t)-k2N(t)|＞T1时，k′N(t)＝k1N(t)
否则，k′N(t)＝k2N(t)；
由于曲率值较大的轮廓点通常反映了目标的显著特征，根据k′N(t)将轮廓中所有轮廓点划分为特征点或非特征点，设定可变权值TK，通过判断目标轮廓特征多少，自适应的决定TK，当|k′N(t)|＜TK*max|k′N(t)|时，特征函数f(t)＝0
否则，特征函数f(t)＝1；
分类后所得到的特征点和非特征点的分布并不连续，无法选取滤波器对其进行有效的轮廓平滑。为了得到较好的轮廓平滑效果，有必要对同类型的轮廓点进行合并处理。
合并模块：用于剔除由于噪声干扰产生的伪特征点，以及对无法形成连续区域的特征点和非特征点进行合并操作，从而得到有效的特征区域与非特征区域：选定一个起始点O，轮廓起始点向两侧延伸合并相邻的点，以该起始点类型作为该区域预设类型，向两侧延伸各S×μ0时停止，其中S为预设的最小长度，在此实施例中S＝21，为O点处的实时曲率修正系数，代表O点的曲率半径，代表由上述窗函数得到的O点的平均曲率半径，实时曲率修正系数μ0用于根据不同点的曲率不同，自动修正延伸长度，曲率大的地方需要的长度小些，曲率小的地方需要的长度大些，这样能有效减小合并后的失真现象；分别计算两侧区域内相异点的个数N+1和N-1，若相异点的个数小于设定的该类型相异点最小个数，则该区域与预设类型相同，否则，与预设类型相反；再以两个停止点O+1和点O-1作为起始点重新开始计算，向外侧延伸S×μO+1或S×μO-1时停止，其中μO+1和μO-1分别代表点O+1和点O-1处的实时曲率修正系数，O+1两侧区域内相异点个数为N+2，O-1两侧区域内相异点个数为N-2，根据上述判定条件，依次确定各段轮廓类型，长度不足S的部分根据其与S的比例计算相异点个数，计入相应的特征区域；对相邻的同类型区域进行合并，得到连续的特征区域和非特征区域。
滤波模块：乘性噪声由于和图像信号是相关的，随图像信号的变化而变化，采用维纳滤波来进行一级滤除，此时图像信息还包含有残余乘性噪音，通过F滤波器F(x，y)＝q×exp(-(x2+y2)/β2进行二级滤除，其中q是将函数归一化的系数，即：∫∫q×exp(-(x2+y2)/β2)dxdy＝1，β为图像模板参数；
乘性噪声滤除后，含噪目标轮廓的弧长参数化方程表示为GN(t)’＝G(t)+N1(t)；假设加性噪声为高斯白噪声：xN(t)’＝x(t)+g1(t，σ2)，yN(t)’＝y(t)+g2(t，σ2)，其中xN(t)’和yN(t)’分别表示去除乘性噪声后含噪轮廓上各点坐标，g1(t，σ2)和g2(t，σ2)分别是均值为零、方差为σ2的高斯白噪声，用于模拟含噪目标轮廓中的加性噪声；
采用函数对含噪轮廓进行平滑，命名为K滤波器，经过轮廓点分类和区域划分，含噪轮廓GN(t)’表示为不同类型轮廓分段的组合：其中表示包含特征区域的轮廓分段，表示包含非特征区域的轮廓分段，根据轮廓特征分布选取K滤波器的参数，同时考虑全局特征和局部特征因素，在特征区域，为了保留细节信息，令在非特征区域，关注抑制噪声的效果，令其中σ′为先验估算得到的全局方差，σ1为所选特征区域的先验估算方差，σ0为所选非特征区域的先验估算方差，为所选特征区域的平均实时曲率修正系数，为所选非特征区域的平均实时曲率修正系数；为了达到较好的平滑效果，选取每种类型区域最小长度S的一半作为K滤波器85％置信区间的长度，从而根据两类区域的长度自适应不同参数的K滤波器。
在此实施例中，S＝21，阈值T1＝0.26，窗函数宽度D∈{13，14}，对噪声强度I∈{30dB，40dB}的含噪图像有较好的平滑效果，计算量和细节信息保留情况均在可接受区间内且取得较佳的平衡，数控机床通过目标轮廓识别目标，识别过程中能有效滤除目标轮廓噪声，准确得到目标形状，根据指令完成动作，识别率在90％以上，使机床效率提高了50％。
实施例4：一种能够自主作业的数控机床，包括普通数控机床和安装在数控机床上的目标识别装置，该数控机床具有很强的自主识别能力，目标识别装置能够根据目标轮廓对目标进行识别，其特征是，包括建模模块、分段模块、合并模块和滤波模块；
建模模块，用于建立目标轮廓的参数化方程：对于给定的目标轮廓G(t)，其弧长参数化方程表示为G(t)＝(x(t)，y(t))，其中x(t)和y(t)分别表示轮廓点的坐标，t表示轮廓曲线方程的参数，且t∈[0，1]；
含噪轮廓的弧长参数化方程表示为：GN(t)＝G(t)+N1(t)+N2(t)G(t)，其中加性噪声部分N1(t)＝N1(x1(t)，y1(t))，乘性噪声部分N2(t)＝N2(x2(t)，y2(t))；
分段模块，用于对轮廓的分段：目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别为k(t)和kN(t)；由于受到噪声的影响，含噪轮廓GN(t)上部分特征点的曲率值kN(t)不能准确表示轮廓信息，为了得到准确的曲率，选宽度为D∈{15，17}的窗函数W(n)，对曲率kN(t)进行邻域平均，得到平均曲率k1N(t)，同时对窗口内的曲率值排序，选定中值曲率k2N(t)，将平均曲率k1N(t)和中值曲率k2N(t)差的绝对值与选定的阈值T1＝0.28进行比较，根据比较结果决定含噪轮廓曲率k′N(t)，即：
当|k1N(t)-k2N(t)|＞T1时，k′N(t)＝k1N(t)
否则，k′N(t)＝k2N(t)；
由于曲率值较大的轮廓点通常反映了目标的显著特征，根据k′N(t)将轮廓中所有轮廓点划分为特征点或非特征点，设定可变权值TK，通过判断目标轮廓特征多少，自适应的决定TK，当|k′N(t)|＜TK*max|k′N(t)|时，特征函数f(t)＝0
否则，特征函数f(t)＝1；
分类后所得到的特征点和非特征点的分布并不连续，无法选取滤波器对其进行有效的轮廓平滑。为了得到较好的轮廓平滑效果，有必要对同类型的轮廓点进行合并处理。
合并模块：用于剔除由于噪声干扰产生的伪特征点，以及对无法形成连续区域的特征点和非特征点进行合并操作，从而得到有效的特征区域与非特征区域：选定一个起始点O，轮廓起始点向两侧延伸合并相邻的点，以该起始点类型作为该区域预设类型，向两侧延伸各S×μ0时停止，其中S为预设的最小长度，在此实施例中S＝23，为O点处的实时曲率修正系数，代表O点的曲率半径，代表由上述窗函数得到的O点的平均曲率半径，实时曲率修正系数μ0用于根据不同点的曲率不同，自动修正延伸长度，曲率大的地方需要的长度小些，曲率小的地方需要的长度大些，这样能有效减小合并后的失真现象；分别计算两侧区域内相异点的个数N+1和N-1，若相异点的个数小于设定的该类型相异点最小个数，则该区域与预设类型相同，否则，与预设类型相反；再以两个停止点O+1和点O-1作为起始点重新开始计算，向外侧延伸S×μO+1或S×μO-1时停止，其中μO+1和μO-1分别代表点O+1和点O-1处的实时曲率修正系数，O+1两侧区域内相异点个数为N+2，O-1两侧区域内相异点个数为N-2，根据上述判定条件，依次确定各段轮廓类型，长度不足S的部分根据其与S的比例计算相异点个数，计入相应的特征区域；对相邻的同类型区域进行合并，得到连续的特征区域和非特征区域。
滤波模块：乘性噪声由于和图像信号是相关的，随图像信号的变化而变化，采用维纳滤波来进行一级滤除，此时图像信息还包含有残余乘性噪音，通过F滤波器F(x，y)＝q×exp(-(x2+y2)/β2进行二级滤除，其中q是将函数归一化的系数，即：∫∫q×exp(-(x2+y2)/β2)dxdy＝1，β为图像模板参数；
乘性噪声滤除后，含噪目标轮廓的弧长参数化方程表示为GN(t)’＝G(t)+N1(t)；假设加性噪声为高斯白噪声：xN(t)’＝x(t)+g1(t，σ2)，yN(t)’＝y(t)+g2(t，σ2)，其中xN(t)’和yN(t)’分别表示去除乘性噪声后含噪轮廓上各点坐标，g1(t，σ2)和g2(t，σ2)分别是均值为零、方差为σ2的高斯白噪声，用于模拟含噪目标轮廓中的加性噪声；
采用函数对含噪轮廓进行平滑，命名为K滤波器，经过轮廓点分类和区域划分，含噪轮廓GN(t)’表示为不同类型轮廓分段的组合：其中表示包含特征区域的轮廓分段，表示包含非特征区域的轮廓分段，根据轮廓特征分布选取K滤波器的参数，同时考虑全局特征和局部特征因素，在特征区域，为了保留细节信息，令在非特征区域，关注抑制噪声的效果，令其中σ′为先验估算得到的全局方差，σ1为所选特征区域的先验估算方差，σ0为所选非特征区域的先验估算方差，为所选特征区域的平均实时曲率修正系数，为所选非特征区域的平均实时曲率修正系数；为了达到较好的平滑效果，选取每种类型区域最小长度S的一半作为K滤波器85％置信区间的长度，从而根据两类区域的长度自适应不同参数的K滤波器。
在此实施例中，S＝23，阈值T1＝0.28，窗函数宽度D∈{15，17}，对噪声强度I∈{40dB，50dB}的含噪图像虽然增加了部分计算量，但是对此区间的图像有优异的平滑效果，且细节信息保留情况较好，数控机床通过目标轮廓识别目标，识别过程中能有效滤除目标轮廓噪声，准确得到目标形状，根据指令完成动作，识别率在90％以上，使机床效率提高了50％。
实施例5：一种能够自主作业的数控机床，包括普通数控机床和安装在数控机床上的目标识别装置，该数控机床具有很强的自主识别能力，目标识别装置能够根据目标轮廓对目标进行识别，其特征是，包括建模模块、分段模块、合并模块和滤波模块；
建模模块，用于建立目标轮廓的参数化方程：对于给定的目标轮廓G(t)，其弧长参数化方程表示为G(t)＝(x(t)，y(t))，其中x(t)和y(t)分别表示轮廓点的坐标，t表示轮廓曲线方程的参数，且t∈[0，1]；
含噪轮廓的弧长参数化方程表示为：GN(t)＝G(t)+N1(t)+N2(t)G(t)，其中加性噪声部分N1(t)＝N1(x1(t)，y1(t))，乘性噪声部分N2(t)＝N2(x2(t)，y2(t))；
分段模块，用于对轮廓的分段：目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别为k(t)和kN(t)；由于受到噪声的影响，含噪轮廓GN(t)上部分特征点的曲率值kN(t)不能准确表示轮廓信息，为了得到准确的曲率，选宽度为D∈{17，19}的窗函数W(n)，对曲率kN(t)进行邻域平均，得到平均曲率k1N(t)，同时对窗口内的曲率值排序，选定中值曲率k2N(t)，将平均曲率k1N(t)和中值曲率k2N(t)差的绝对值与选定的阈值T1＝0.26进行比较，根据比较结果决定含噪轮廓曲率k′N(t)，即：
当|k1N(t)-k2N(t)|＞T1时，k′N(t)＝k1N(t)
否则，k′N(t)＝k2N(t)；
由于曲率值较大的轮廓点通常反映了目标的显著特征，根据k′N(t)将轮廓中所有轮廓点划分为特征点或非特征点，设定可变权值TK，通过判断目标轮廓特征多少，自适应的决定TK，当|k′N(t)|＜TK*max|k′N(t)|时，特征函数f(t)＝0
否则，特征函数f(t)＝1；
分类后所得到的特征点和非特征点的分布并不连续，无法选取滤波器对其进行有效的轮廓平滑。为了得到较好的轮廓平滑效果，有必要对同类型的轮廓点进行合并处理。
合并模块：用于剔除由于噪声干扰产生的伪特征点，以及对无法形成连续区域的特征点和非特征点进行合并操作，从而得到有效的特征区域与非特征区域：选定一个起始点O，轮廓起始点向两侧延伸合并相邻的点，以该起始点类型作为该区域预设类型，向两侧延伸各S×μ0时停止，其中S为预设的最小长度，在此实施例中S＝25，为O点处的实时曲率修正系数，代表O点的曲率半径，代表由上述窗函数得到的O点的平均曲率半径，实时曲率修正系数μ0用于根据不同点的曲率不同，自动修正延伸长度，曲率大的地方需要的长度小些，曲率小的地方需要的长度大些，这样能有效减小合并后的失真现象；分别计算两侧区域内相异点的个数N+1和N-1，若相异点的个数小于设定的该类型相异点最小个数，则该区域与预设类型相同，否则，与预设类型相反；再以两个停止点O+1和点O-1作为起始点重新开始计算，向外侧延伸S×μO+1或S×μO-1时停止，其中μO+1和μO-1分别代表点O+1和点O-1处的实时曲率修正系数，O+1两侧区域内相异点个数为N+2，O-1两侧区域内相异点个数为N-2，根据上述判定条件，依次确定各段轮廓类型，长度不足S的部分根据其与S的比例计算相异点个数，计入相应的特征区域；对相邻的同类型区域进行合并，得到连续的特征区域和非特征区域。
滤波模块：乘性噪声由于和图像信号是相关的，随图像信号的变化而变化，采用维纳滤波来进行一级滤除，此时图像信息还包含有残余乘性噪音，通过F滤波器F(x，y)＝q×exp(-(x2+y2)/β2进行二级滤除，其中q是将函数归一化的系数，即：∫∫q×exp(-(x2+y2)/β2)dxdy＝1，β为图像模板参数；
乘性噪声滤除后，含噪目标轮廓的弧长参数化方程表示为GN(t)’＝G(t)+N1(t)；假设加性噪声为高斯白噪声：xN(t)’＝x(t)+g1(t，σ2)，yN(t)’＝y(t)+g2(t，σ2)，其中xN(t)’和yN(t)’分别表示去除乘性噪声后含噪轮廓上各点坐标，g1(t，σ2)和g2(t，σ2)分别是均值为零、方差为σ2的高斯白噪声，用于模拟含噪目标轮廓中的加性噪声；
采用函数对含噪轮廓进行平滑，命名为K滤波器，经过轮廓点分类和区域划分，含噪轮廓GN(t)’表示为不同类型轮廓分段的组合：其中表示包含特征区域的轮廓分段，表示包含非特征区域的轮廓分段，根据轮廓特征分布选取K滤波器的参数，同时考虑全局特征和局部特征因素，在特征区域，为了保留细节信息，令在非特征区域，关注抑制噪声的效果，令其中σ′为先验估算得到的全局方差，σ1为所选特征区域的先验估算方差，σ0为所选非特征区域的先验估算方差，为所选特征区域的平均实时曲率修正系数，为所选非特征区域的平均实时曲率修正系数；为了达到较好的平滑效果，选取每种类型区域最小长度S的一半作为K滤波器85％置信区间的长度，从而根据两类区域的长度自适应不同参数的K滤波器。
在此实施例中，S＝25，阈值T1＝0.26，窗函数宽度D∈{17，19}，对噪声强度I∈{50dB，60dB}的含噪图像有较佳的平滑效果，且细节信息保留情况较好，数控机床通过目标轮廓识别目标，识别过程中能有效滤除目标轮廓噪声，准确得到目标形状，根据指令完成动作，识别率在90％以上，使机床效率提高了50％。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
数据仿真
本数控机床的有益效果为：针对噪声种类的多样性和目前去噪方法的单一性，采用一种新型的多次滤波装置，并提出了新的轮廓分段、合并手段和滤波函数；计算量相对并不复杂，同时考虑了全局特征和局部特征的因素且平滑除噪效果好；考虑了轮廓在不同类型区域之间的差异性，在抑制噪声和保留细节之间取得很好的平衡；根据不同点的曲率不同，延伸长度相应地自动适应性改变，有效减小了合并后的失真现象。
通过仿真，采用该装置在噪声强度N下进行比较，对目标的识别率如下表：
Claims (2)
1.一种能够自主作业的数控机床，包括普通数控机床和安装在数控机床上的目标识别装置，该数控机床具有很强的自主识别能力，目标识别装置能够根据目标轮廓对目标进行识别，其特征是，包括建模模块、分段模块、合并模块和滤波模块；其中，
建模模块，用于建立目标轮廓的参数化方程：对于给定的目标轮廓G(t)，其弧长参数化方程表示为G(t)＝(x(t),y(t))，其中x(t)和y(t)分别表示轮廓点的坐标，t表示轮廓曲线方程的参数，且t∈[0,1]；
含噪轮廓的弧长参数化方程表示为：GN(t)＝G(t)+N1(t)+N2(t)G(t)，其中加性噪声部分N1(t)＝N1(x1(t),y1(t))，乘性噪声部分N2(t)＝N2(x2(t),y2(t))；
分段模块，用于对轮廓的分段：目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别为k(t)和kN(t)；选宽度为D的窗函数W(n)，D∈{7，9}，对曲率kN(t)进行邻域平均，得到平均曲率k1N(t)，同时对窗口内的曲率值排序，选定中值曲率k2N(t)，将平均曲率k1N(t)和中值曲率k2N(t)差的绝对值与选定的阈值T1进行比较，根据比较结果决定含噪轮廓曲率k′N(t)，T1＝0.2，即：
当|k1N(t)-k2N(t)|>T1时，k′N(t)＝k1N(t)
否则，k′N(t)＝k2N(t)；
由于曲率值较大的轮廓点通常反映了目标的显著特征，根据k′N(t)将轮廓中所有轮廓点划分为特征点或非特征点，设定可变权值TK，通过判断目标轮廓特征多少，自适应的决定TK，当|k′N(t)|<TK*max|k′N(t)|时，特征函数f(t)＝0
否则，特征函数f(t)＝1。
2.根据权利要求1所述的数控机床，其特征还在于，合并模块：用于剔除由于噪声干扰产生的伪特征点，以及对无法形成连续区域的特征点和非特征点进行合并操作，从而得到有效的特征区域与非特征区域：选定一个起始点O，轮廓起始点向两侧延伸合并相邻的点，以该起始点类型作为该区域预设类型，向两侧延伸各S×μ0时停止，其中S为预设的最小长度，设S＝15，为O点处的实时曲率修正系数，代表O点的曲率半径代表由上述窗函数得到的O点的平均曲率半径，实时曲率修正系数μ0用于根据不同点的曲率不同，自动修正延伸长度，能有效减小合并后的失真现象；分别计算两侧区域内相异点的个数N+1和N-1，若相异点的个数小于设定的该类型相异点最小个数，则该区域与预设类型相同，否则，与预设类型相反；再以两个停止点O+1和点O-1作为起始点重新开始计算，向外侧延伸S×μ0+1或S×μ0-1时停止，其中μ0+1和μ0-1分别代表点O+1和点O-1处的实时曲率修正系数，O+1两侧区域内相异点个数为N+2，O-1两侧区域内相异点个数为N-2，根据上述判定条件，依次确定各段轮廓类型，长度不足S的部分根据其与S的比例计算相异点个数，计入相应的特征区域；对相邻的同类型区域进行合并，得到连续的特征区域和非特征区域；
滤波模块：乘性噪声由于和图像信号是相关的，随图像信号的变化而变化，采用维纳滤波来进行一级滤除，此时图像信息还包含有残余的乘性噪音，通过F滤波器F(x，y)＝q×exp(-(x2+y2)/β2进行二级滤除，其中q是将函数归一化的系数，即：∫∫q×exp(-(x2+y2)/β2)dxdy＝1，β为图像模板参数；
乘性噪声滤除后，含噪目标轮廓的弧长参数化方程表示为GN(t)’＝G(t)+N1(t)；假设加性噪声为高斯白噪声：xN(t)’＝x(t)+g1(t,σ2)，yN(t)’＝y(t)+g2(t,σ2)，其中xN(t)’和yN(t)’分别表示去除乘性噪声后含噪轮廓上各点坐标，g1(t,σ2)和g2(t,σ2)分别是均值为零、方差为σ2的高斯白噪声，用于模拟含噪目标轮廓中的加性噪声；
采用函数对含噪轮廓进行平滑，命名为K滤波器，经过轮廓点分类和区域划分,含噪轮廓GN(t)’表示为不同类型轮廓分段的组合：其中表示包含特征区域的轮廓分段,表示包含非特征区域的轮廓分段，根据轮廓特征分布选取K滤波器的参数，同时考虑全局特征和局部特征因素，在特征区域,为了保留细节信息,令在非特征区域，为了提高抑制噪声的效果，令 其中σ′为先验估算得到的全局方差，σ1为所选特征区域的先验估算方差，σ0为所选非特征区域的先验估算方差，为所选特征区域的平均实时曲率修正系数，为所选非特征区域的平均实时曲率修正系数；为了达到较好的平滑效果，选取每种类型区域最小长度S的一半作为K滤波器85％置信区间的长度，从而根据两类区域的长度自适应不同参数的K滤波器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610013411.3A CN105598745A (zh) | 2016-01-07 | 2016-01-07 | 一种能够自主作业的数控机床 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610013411.3A CN105598745A (zh) | 2016-01-07 | 2016-01-07 | 一种能够自主作业的数控机床 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105598745A true CN105598745A (zh) | 2016-05-25 |
Family
ID=55979360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610013411.3A Pending CN105598745A (zh) | 2016-01-07 | 2016-01-07 | 一种能够自主作业的数控机床 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105598745A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108508845A (zh) * | 2018-04-23 | 2018-09-07 | 南京航空航天大学 | 一种基于几何自适应的复杂曲面快速数控雕铣方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2794744Y (zh) * | 2005-04-07 | 2006-07-12 | 上海第三机床厂 | 数字化曲线磨床 |
| CN101398487A (zh) * | 2007-09-28 | 2009-04-01 | 北京师范大学 | 一种降低合成孔径雷达影像斑点噪声的方法 |
| CN102184526A (zh) * | 2011-04-22 | 2011-09-14 | 西安电子科技大学 | 基于字典学习和块匹配的自然图像去噪方法 |
| CN105046677A (zh) * | 2015-08-27 | 2015-11-11 | 安徽超远信息技术有限公司 | 一种用于交通视频图像的增强处理方法和装置 |
-
2016
- 2016-01-07 CN CN201610013411.3A patent/CN105598745A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2794744Y (zh) * | 2005-04-07 | 2006-07-12 | 上海第三机床厂 | 数字化曲线磨床 |
| CN101398487A (zh) * | 2007-09-28 | 2009-04-01 | 北京师范大学 | 一种降低合成孔径雷达影像斑点噪声的方法 |
| CN102184526A (zh) * | 2011-04-22 | 2011-09-14 | 西安电子科技大学 | 基于字典学习和块匹配的自然图像去噪方法 |
| CN105046677A (zh) * | 2015-08-27 | 2015-11-11 | 安徽超远信息技术有限公司 | 一种用于交通视频图像的增强处理方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 史思琦: "基于轮廓特征的目标识别研究", 《中国博士学位论文全文数据库信息科技辑》 * |
| 史思琦等: "基于分段轮廓平滑的目标识别", 《光子学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108508845A (zh) * | 2018-04-23 | 2018-09-07 | 南京航空航天大学 | 一种基于几何自适应的复杂曲面快速数控雕铣方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107133565B (zh) | 基于线激光的激光刻型线特征提取方法 | |
| CN105678262A (zh) | 一种能够自主作业的隧道地质监控装置 | |
| CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
| CN108805826B (zh) | 改善去雾效果的方法 | |
| CN105414774A (zh) | 一种能够自主切割的激光切割装置 | |
| CN105528590A (zh) | 一种快速报警的报警装置 | |
| CN108010035A (zh) | 基于方向谷形检测的指静脉图像分割方法及其系统、终端 | |
| CN110458773B (zh) | 一种基于边缘增强算子的各向异性扩散噪声处理方法 | |
| CN105598745A (zh) | 一种能够自主作业的数控机床 | |
| CN112465740B (zh) | 一种基于显微操作系统的目标吸持点定位方法及系统 | |
| CN105488514A (zh) | 一种具有自主焊接功能的焊接装置 | |
| CN105447485A (zh) | 一种快速检测的景观造型检测工具 | |
| CN105678770A (zh) | 一种轮廓识别滤波性能良好的墙体裂缝检测装置 | |
| CN111639556A (zh) | 一种非均匀插值的手指轴旋转指静脉图像纠正方法 | |
| CN115953459B (zh) | 一种复杂光照条件下的激光条纹中心线提取方法 | |
| Zhu et al. | Image detection method based on improved Canny algorithm | |
| CN105459901A (zh) | 一种能够自主作业的汽车限行警示装置 | |
| CN105677984A (zh) | 一种轮廓识别滤波性能良好的桥梁施工装置 | |
| CN104966271A (zh) | 基于生物视觉感受野机制的图像去噪方法 | |
| CN105677986A (zh) | 一种轮廓识别滤波性能良好的冲压模具 | |
| CN114066779B (zh) | 一种深度图滤波方法及装置、电子设备、存储介质 | |
| CN105447495A (zh) | 一种快速跟踪的自动跟踪装置 | |
| CN105590105A (zh) | 一种快速反应的横向限位和纠偏装置 | |
| CN105678841A (zh) | 一种快速建模的立体地图获取装置 | |
| CN105631460A (zh) | 一种快速制动的汽车辅助制动装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160525 |