CN108875740B - 一种应用于激光切割机的机器视觉切割方法 - Google Patents

Abstract

本发明公开了一种应用于激光切割机的机器视觉切割方法。包括图像畸变矫正模块、图像轮廓识别模块、基于监督式机器学习的参数优化模块和切割路径生成模块；图像畸变矫正模块对采集的图像进行处理获得原始图像，图像轮廓识别模块对原始图像进行轮廓识别，切割路径生成模块根据轮廓识别结果生成激光切割机的切割路径，通过基于监督式机器学习的参数优化模块对图像轮廓识别模块进行优化，使得图像轮廓识别模块识别轮廓提取更精确。本发明方法具有操作简单、识别精度高、识别速度快等优点，能够适应复杂的生产环境，提高了激光切割机的泛用性。

Description

一种应用于激光切割机的机器视觉切割方法

技术领域

本发明涉及机器视觉和机器学习领域，具体来说涉及了一种应用于激光切割机的机器视觉切割方法。

背景技术

随着生产技术的不断更新，传统的基于固定样式切割的激光切割机越来越不能满足现有的生产需求。现有的基于机器视觉的激光切割机普遍存在着需要与预设图形匹配、识别精度不高、对识别环境光源要求苛刻、操作复杂的问题。本发明结合机器视觉和机器学习技术，提出了一种应用于激光切割机的新型机器视觉方法。

本发明能够实现，不需要预设图形，对具有任意图案的材料进行精准的图像轮廓识别，生成切割路径，完成对材料图案的切割。使用机器学习技术，在处理图像判例越来越多的过程中，实现参数的自动优化，极大地提高了识别效果和环境适应能力。

发明内容

本发明的目的是针对现有的激光切割领域中图像识别技术的不足，发明了一种应用于激光切割机的机器视觉切割方法，改善了图像识别中的鲁棒性，提高了应用过程中识别系统的识别率。

为实现上述技术目的，本发明方法包括以下技术步骤：

本发明包括图像畸变矫正模块(1)、图像轮廓识别模块(2)、基于监督式机器学习的参数优化模块(3)和切割路径生成模块(4)；

图像畸变矫正模块(1)对采集的图像进行处理获得原始图像，图像轮廓识别模块(2)对原始图像进行轮廓识别，切割路径生成模块(4)根据轮廓识别结果生成激光切割机的切割路径，在每次图像轮廓识别模块(2)对原始图像进行识别之前，通过使用基于监督式机器学习的参数优化模块(3)的轮廓模型进行识别分类输出对应分类的图像参数组，图像轮廓识别模块(2)利用图像参数组对原始图像进行识别，使得轮廓提取更精确。

所述的图像畸变矫正模块(1)具体包括：

(1.1)激光切割机使用的成像模块采用工业CCD相机，在成像模块标定阶段，使用激光切割机在切割平台上的白色平面材料上雕刻固定已知参数和形状的正三角网格图案，具体实施如图1所示；

所述的正三角网格图案为正三角拼接构成的网格图案，正三角网格图案中的线条为激光雕刻路径。

(1.2)首先，成像模块采集带有激光切割机雕刻出的正三角网格图案但未包含所需识别图案和背景图案的标定图像m1与包含所需识别图案和背景图案的现有纺纱的RGB图像；然后，使用相机标定算法检测标定图像m1中的角点，生成成像模块的畸变参数矩阵组，使用畸变参数矩阵组对包含所需识别图案和背景图案的现有纺纱的RGB图像进行矫正，矫正后获得原始图像，原始图像存储在图像训练样本数据库中，即激光切割机系统的服务器中。畸变参数矩阵组用于在激光切割机系统工作中矫正成像模块所采集到的图像。在此称矫正后的图像为原始图像。

所述的图像轮廓识别模块(2)中，对于任意包含所需识别图案和背景图案的原始图像，图像训练样本数据库中已将所有幅原始图像分类为适用于不同图像参数组的图像数据组，对当前原始图像按照以下步骤处理：

(2.1)把原始图像转化为灰度图像A1，使用以下公式的灰度非线性映射函数对灰度图像A1进行增强突出图案轮廓特征的处理，生成灰度图像A2，灰度非线性映射函数如下式所示：

其中，m代表输入像素点的灰度值，M代表输出像素点的灰度值，α、β、γ、δ₁、δ₂分别为高阶项系数、低阶项系数、偏移系数、高阶指数和低阶指数，均为常数，统称为灰度非线性映射系数；

(2.3)在灰度图像A2中框选有效区域c，有效区域c完整包含所需识别图案，有效区域c为a×b像素大小，灰度图像A2中将有效区域c之外的区域的像素点灰度值赋值为0；

(2.4)首先，引入膨胀系数，对灰度图像A2进行膨胀操作得到灰度图像A3；

然后，利用一阶偏导数的有限差分计算灰度图像A3中每一个像素点的方向和梯度模；

接着，对于上述每一个像素点的方向和梯度模采用非极大值抑制算法，将灰度图像A3中的像素点划分为非边缘点和待定边缘点，非边缘点舍弃，所有待定边缘点构成1个像素宽度的准边缘；

最后，利用多阈值检测方法将所有待定边缘点进一步划分为非边缘点和边缘点，非边缘点舍弃；计算边缘点构成的各个连通域的大小，根据噪声系数忽略小面积的连通域，最后获得由保留的边缘点构成的图像轮廓集。

所述步骤(2.4)中，具体步骤为：

然后对于上述每一个像素点的方向和梯度模采用非极大值抑制算法，通过遍历灰度图像A3中所有像素点，比较当前像素点梯度模以及与当前像素点梯度上相邻两像素点的梯度模，将灰度图像A3中的像素点划分为非边缘点和待定边缘点；所有待定边缘点构成1个像素宽度准边缘，采用多阈值检测方法处理将梯度模位于不同区间的待定边缘点根据像素点的方向以及像素点与既定边缘点的邻接关系划分为边缘点和非边缘点；再计算所有连通域面积，根据噪声系数忽略的连通域(忽略面积小于“噪声系数×最大连通域”的所有连通域)，最后获得由保留的边缘点构成的图像轮廓集。

所述基于监督式机器学习的参数优化模块(3)中，采用以下方式处理：

在基于监督式机器学习的参数优化模块(3)初始化阶段，首先建立图像训练样本数据库，图像训练样本数据库由图像数据组构成。每个图像数据组对应各自的用于图像轮廓提取的图像参数组。进行模型训练时，对图像训练样本数据库中的图像数据组采用以下步骤处理。

(3.1)从每类的图像数据组各取部分原始图像组成训练图像集合，针对训练图像集合的每一幅原始图像进行以下步骤；

(3.2)图像截取分割：截取每个原始图像的有效区域c，将有效区域c划分为多个图像子块，每个图像子块大小为M×N像素，并将图像子块通过背景差法划分出前景和背景成分，训练图像集合通过图像截取分割获得的所有图像子块组成图像子块训练集合；

(3.3)图像预处理：对图像子块训练集合中的每个图像子块，进行中值滤波和高斯平滑滤波，以去除峰值和噪声，然后进行降采样缩小像素大小；

(3.4)建立轮廓模型：针对每一次训练的图像子块训练集合，首先将图像子块训练集合中的图像子块减去基本成分，基本成分是指步骤(3.2)划分出的背景成分，然后使用主成分分析方法从中获得主成分，作为图案向量p_j(x)；轮廓模型表示如下：

b_j＝(p(x)-p₀)^Tp_j(x)

其中，p(x)是第x次训练得到的轮廓模型，x表示训练次数的序数，b_j表示第j个图案向量的形状参数，p_j(x)是第j个图案向量，即是从主成分分析方法从中获得第j个主成分，j＝1,2,…,m，j表示图案向量的序号，m表示模型的维度，p₀是基本成分，[c₁,c₂,…c_k]是深度学习框架的参数，k是深度学习框架的参数数量；

(3.5)在深度学习框架中，使用轮廓模型对当前需要轮廓提取的原始图像进行分类，分类为原始图像所适用于的图像参数组，将对应于原始图像分类的图像参数组输入图像轮廓识别模块(2)进行计算获得轮廓；

(3.6)改变训练图像集合中各类图像数据组所占的图像总数百分比进行更新，重复上述步骤(3.1)～(3.5)更新获得轮廓模型。

图像训练样本数据库和轮廓模型更新：图像训练样本数据库通过添加图像数据、改变训练图像集合中各类图像数据组所占的图像总数百分比进行更新。轮廓模型通过根据当前图像训练样本数据库，重复上述步骤(3.1)～(3.5)实现更新。

具体实施中，从每类的图像数据组中按照权值表各自提取部分原始图像组成图像训练集合。图像训练样本数据库中的权值表表示每次进行模型训练时，从每类图像数据组中提取图像数据的比例。

图像训练样本数据库和轮廓模型更新：图像训练样本数据库和轮廓模型具有各自的更新周期。每到图像训练样本数据库的更新时刻，激光切割机系统将本周期内新产生的图像数据加入图像训练样本数据库，更新图像训练样本数据库的权值表。每到轮廓模型的更新周期，系统将根据步骤(3.1)～(3.4)按照当前权值表重新从图像训练样本数据库提取图像信息，训练生成新的轮廓模型并替代现有模型。进行第一次轮廓模型训练时，图像训练样本数据库的权值表各项值相等，即在第一次训练时从每类图像数据组中提取的图像数据量相等。

所述背景图案为具有重复单元的丝网图案，所需识别图案为未知的局部蕾丝图案。所述的图像训练样本数据库中的所有幅原始图像已分类为适用于不同图像参数组的图像数据组，一类图像数据组对应于适用于一个图像参数组，不同类图像数据组对应于适用于不同的图像参数组，这样分类使得识别过程中每类图像数据组具有各自对应的图像参数组，每类图像数据组中的原始图像在其对应的图像参数组下进行图像轮廓识别时具有良好的识别表现。

适用于不同图像数据组的图像参数组分别为适用于灰度非线性映射系数、阈值系数、噪声系数、膨胀系数的图像参数组，灰度非线性映射系数为所述图像轮廓识别模块(2)中的灰度非线性映射函数的各个系数，阈值系数和噪声系数为所述图像轮廓识别模块(2)中的多阈值检测方法的系数，膨胀系数为所述图像轮廓识别模块(2)中的膨胀操作的系数。

本发明方法在初始阶段使用图像训练样本数据库中的初始图像数据训练并初始化轮廓模型。

图像训练样本数据库中存在记录着每类图像数据组在图像训练集合中所占比重的权值表。一个图像数据组具有一个权值，权值越大，这个权值对应的图像数据组对图像训练集合的图像数据贡献量越多。初始的权值表中每类图像数据组各自对应的权值相等。

图像训练样本数据库的更新：图像训练样本数据库具有时间更新时间周期h1。在激光切割机系统工作期间，系统服务器每隔周期h1向激光切割机系统内所有激光光切割机请求本周期内的识别判例和识别统计信息。识别判例包括图像数据和图像的分类标记，识别统计信息包括分类通过率和各类的识别数。激光切割机系统对识别判例中的图像数据进行筛选后加入图像训练样本数据库并且根据识别统计信息更新图像训练样本数据库的权值表。

轮廓模型的更新：轮廓模型具有时间更新周期为h2，每隔周期h2，激光切割机系统从图像训练样本数据库中根据当前图像训练样本数据库的权值表从图像训练样本数据库中选取图像数据训练生成新的轮廓模型。使用新的轮廓模型替代原有轮廓模型。

具体实施中，在图像训练样本数据库建立、轮廓模型初始化、激光切割机系统开始工作后，轮廓模型更新和图像训练样本数据库的更新并行执行，相互独立互不干扰。

所述切割路径生成模块(4)是通过查找图像中定位特征点的方式实现从原始图像的图像坐标系到激光切割机的切割系统的坐标系的映射，使用贪婪算法将所需图像轮廓集中的各个轮廓优化排序后形成一条切割路径，最后对生成的切割路径进行编码。其中将激光切割机的激光头的每一个单位动作用k字节的二进制码表示。每一个k字节的二进制码分为功能标志位和数据位。

在通过图像畸变矫正模块(1)对采集的图像进行处理前，还对图像进行预处理，预处理方法主要包括依次进行的图像坐标映射，图像形态梯度矫正、白平衡处理和曝光补偿等操作方式，这预处理方式能够快速地解决单调、可预知的图像偏差，修正摄像头形态和环境光源导致的影响。

所述的激光切割机系统包括系统服务器和激光切割机。图像样本数据库存储在系统服务器。系统服务器负责轮廓模型的训练和图像样本数据库的管理。训练好的轮廓模型保存在激光切割机。激光切割机负责基于轮廓模型的图像分类、轮廓识别、切割路径生成以及实际的切割工作。

本发明能够实现在不需要预设图形的情况下对具有任意图案的材料进行精准的图像轮廓识别，生成切割路径，完成对材料图案的切割。

本发明的有益效果是：

本发明不需要预设切割图案，利用工业摄像机采集切割平面的图像信息，经过参数智能优化以及轮廓识别，快速地根据加工材料图案轮廓生成切割路径，实现对原材料图案的快速切割。

本发明使用基于深度学习框架的参数优化技术，可以使识别精度随着机器使用次数的增多而提高，在处理图像判例越来越多的过程中，实现参数的自动优化，极大地提高了识别效果和环境适应能力。

本发明方法具有操作简单、识别精度高、识别速度快等优点，能够适应复杂的生产环境，提高了激光切割机的泛用性。

附图说明

图1表示本发明所采用的正三角网格图案示例图。

图2表示本发明方法实例的工作流程图。

图3表示本发明方法实例中机器学习部分的图像有效区域分割方式示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

按照本发明完整实施的实施例如下：

(1)图像预处理，对图像依次进行图像坐标映射，图像形态梯度矫正、白平衡处理和曝光补偿操作。

(2)图像畸变矫正具体包括：

(1.1)使用激光切割机在切割平台上的白色平面材料上雕刻三角形边长为5cm的正三角网格图案，具体实施如图1所示；

(1.2)激光切割机使用的成像模块采用工业CCD相机。

首先，成像模块采集激光切割机雕刻出的带有正三角网格图案的标定图像m1与包含所需识别图案和背景图案的现有纺纱的RGB图像；

然后，使用相机标定算法检测标定图像m1中的角点，生成成像模块的畸变参数矩阵组，使用畸变参数矩阵组对包含所需识别图案和背景图案的现有纺纱的RGB图像进行矫正，矫正后获得原始图像，原始图像存储在图像训练样本数据库中，即激光切割机系统的服务器中。

(3)图像轮廓识别模块具体包括：

(2.1)把原始图像转化为灰度图像A1，使用以下公式的灰度非线性映射函数对灰度图像A1进行图像增强处理，突出图案轮廓特征，生成灰度图像A2，灰度非线性映射函数如下式所示：

其中，m代表输入像素点的灰度值，M代表输出像素点的灰度值，α、β、γ、δ₁、δ₂分别为高阶项系数、低阶项系数、偏移系数、高阶指数和低阶指数，均为常数。

(2.3)在灰度图像A2中框选有效区域c，有效区域c完整包含所需识别图案，有效区域c为480×348像素大小。将灰度图像A2中有效区域c之外的区域的像素点灰度值赋值为0；

(2.4)对灰度图像A2进行膨胀操作得到灰度图像A3，利用一阶偏导数的有限差分计算灰度图像A3中每一个像素点的方向和梯度模。

然后对于上述每一个像素点的方向和梯度模采用非极大值抑制算法处理生成为1个像素单位宽度的准边缘。采用高中低三个阈值，使用多阈值检测方法对图像处理，接着根据噪声系数忽略小面积连通域，最后获得由边缘点构成的图像轮廓集。

(4)基于监督式机器学习的参数优化模块具体包括：

在基于监督式机器学习的参数优化模块的初始化阶段，首先建立图像训练样本数据库。采集5000张包含所需识别图案和背景图案的原始图像，已经分为10类图像数据组，每一个图像数据组对应一个图像参数组。进行模型训练时，对图像训练样本数据库中的图像数据组采用步骤(4.1)～(4.4)处理：

(4.1)从图像训练样本数据中的每类图像数据组中按照权值表各自提取部分原始图像组成图像训练集合。图像训练样本数据库中的权值表表示每次进行模型训练时，从每类图像数据组中提取图像数据的比例。

(4.2)图像截取分割：截取图像训练集合中每个原始图像的有效区域c，将有效区域c划分为多个图像子块，每个图像子块大小为58×60像素。并将图像子块通过背景差法划分出前景和背景成分。图像训练集合通过图像截取分割获得的所有图像字块组成图像子块训练集合。

(4.3)图像预处理：对于图像子块训练集合中的每个图像子块，首先进行中值滤波和高斯平滑滤波，去除峰值和噪声，然后进行降采样缩小像素大小。

(4.4)建立轮廓模型：建立轮廓模型：针对每一次训练的图像子块训练集合，首先将图像子块训练集合中的图像子块减去基本成分。基本成分是指步骤(4.2)划分出的背景成分，然后使用主成分分析方法从中获得主成分，作为图案向量，表示如下：

其中，p(x)是第x次训练得到的轮廓模型的实例，x表示训练次数的序号，b_j表示第j个图案向量的形状参数，p_j(x)是第j个图案向量，(j＝1,2,…,m)，j表示图案向量的序号，m＝34表示模型的维度，p₀是基本成分，[c₁,c₂,…c_k]是深度学习框架参数，k＝87是深度学习框架参数数量。

(4.5)深度学习框架中，以步骤(4.4)获得的p(x)作为轮廓模型，将轮廓模型用于图像分类当前需要轮廓提取的原始图像，将对应于当前分类的图像参数组输入图像轮廓识别模块进行轮廓提取；

(4.6)图像训练样本数据库和轮廓模型更新：图像训练样本数据库和轮廓模型具有各自的更新周期。每到图像训练样本数据库的更新时刻，激光切割机系统将本周期内新产生的图像数据加入图像训练样本数据库，更新图像训练样本数据库的权值表。每到轮廓模型的更新周期，系统将根据步骤(4.1)～(4.4)按照当前权值表重新从图像训练样本数据库提取图像信息，训练生成新的轮廓模型并替代现有模型。进行第一次轮廓模型训练时，图像训练样本数据库的权值表各项值相等，即在第一次训练时从每类图像数据组中提取的图像数据量相等。具体实施中，轮廓模型的更新周期为h1＝240h，每到更新周期h1，激光切割机系统从图像训练样本数据库中根据新权值表选取图像数据生成新的轮廓模型替换原有轮廓模型。

在激光切割机系统工作期间，激光切割机每隔时间周期h2＝100h向服务器的图像训练样本数据库上传周期内的识别判例和识别统计信息。识别判例包括图像数据和图像的分类标记，识别统计信息包括分类通过率和各类的识别数。激光切割机系统根据识别统计信息更新图像训练样本数据库的权值表。

(5)切割路径生成模块具体包括：

(5.1)通过查找图像中定位特征点的方式实现图像坐标系到激光切割机的切割系统的坐标系的映射。以查找出的定位特征点作为图像的原点。

(5.2)利用最小代价算法对图像轮廓集进行预处理。首先将图像轮廓集中的图像轮廓按照轮廓长度分配优先级，长度越大优先级越低。然后视(5.1)步骤中的原点为长度为1的曲线，并将这个原点加入图像轮廓集。接着计算图像轮廓集中曲线两两之间的最短距离。最后，以图像轮廓集中原点开始对图像轮廓集中所有曲线进行排序：每次当前曲线的后继曲线都取与当前曲线距离最短的曲线。若与当前曲线距离最短的曲线不唯一，就取优先级最高的曲线

(6)路径编码算法，其主要包括：将控制切割机动作的每一条机器指令编码为2字节的二进制代码，高位为功能标志位，低位为数据位。

Claims (5)

1.一种应用于激光切割机的机器视觉切割方法，其特征在于：包括图像畸变矫正模块(1)、图像轮廓识别模块(2)、基于监督式机器学习的参数优化模块(3)和切割路径生成模块(4)；图像畸变矫正模块(1)对采集的图像进行处理获得原始图像，图像轮廓识别模块(2)对原始图像进行轮廓识别，切割路径生成模块(4)根据轮廓识别结果生成激光切割机的切割路径，通过基于监督式机器学习的参数优化模块(3)对图像轮廓识别模块(2)进行优化，使得图像轮廓识别模块(2)识别轮廓提取更精确；

所述的图像轮廓识别模块(2)中，对于任意包含所需识别图案和背景图案的原始图像，对当前原始图像按照以下步骤处理：

(2.1)把原始图像转化为灰度图像A1，使用以下公式的灰度非线性映射函数对灰度图像A1进行增强突出图案轮廓特征的处理，生成灰度图像A2：

其中，m代表输入像素点的灰度值，M代表输出像素点的灰度值，α、β、γ、δ₁、δ₂分别为高阶项系数、低阶项系数、偏移系数、高阶指数和低阶指数；

(2.3)在灰度图像A2中框选有效区域c，有效区域c完整包含所需识别图案，灰度图像A2中将有效区域c之外的区域的像素点灰度值赋值为0；

(2.4)首先，对灰度图像A2进行膨胀操作得到灰度图像A3；

然后，利用一阶偏导数的有限差分计算灰度图像A3中每一个像素点的方向和梯度模；

接着，对于上述每一个像素点的方向和梯度模采用非极大值抑制算法，将灰度图像A3中的像素点划分为非边缘点和待定边缘点，非边缘点舍弃，所有待定边缘点构成1个像素宽度的准边缘；

最后，利用多阈值检测方法将所有待定边缘点进一步划分为非边缘点和边缘点，非边缘点舍弃；计算边缘点构成的各个连通域的大小，根据噪声系数忽略小面积的连通域，最后获得由保留的边缘点构成的图像轮廓集；

所述基于监督式机器学习的参数优化模块(3)中，采用以下方式处理：

(3.1)从每类的图像数据组各取部分原始图像组成训练图像集合，针对训练图像集合的每一幅原始图像进行以下步骤；

(3.2)图像截取分割：截取每个原始图像的有效区域c，将有效区域c划分为多个图像子块，每个图像子块大小为P×Q像素，并将图像子块通过背景差法划分出前景和背景成分，训练图像集合通过图像截取分割获得的所有图像子块组成图像子块训练集合；

(3.3)图像预处理：对图像子块训练集合中的每个图像子块，进行中值滤波和高斯平滑滤波，然后进行降采样缩小像素大小；

(3.4)建立轮廓模型：针对图像子块训练集合，首先将图像子块训练集合中的图像子块减去基本成分，基本成分是指步骤(3.2)划分出的背景成分，然后使用主成分分析方法从中获得主成分，作为图案向量p_j(x)；轮廓模型表示如下：

b_j＝(p(x)-p₀)^Tp_j(x)

其中，p(x)是第x次训练得到的轮廓模型，x表示训练次数的序数，b_j表示第j个图案向量的形状参数，p_j(x)是第j个图案向量，j＝1,2,…,m_D，j表示图案向量的序号，m_D表示模型的维度，p₀是基本成分，[c₁,c₂,…c_k]是深度学习框架的参数，k是深度学习框架的参数数量；

(3.5)在深度学习框架中，使用轮廓模型对当前需要轮廓提取的原始图像进行分类，分类为原始图像所适用于的图像参数组，将对应于原始图像分类的图像参数组输入图像轮廓识别模块(2)进行计算获得轮廓；

(3.6)改变训练图像集合中各类图像数据组所占的图像总数百分比进行更新，重复上述步骤更新获得轮廓模型；

适用于不同图像数据组的图像参数组分别为适用于灰度非线性映射系数、阈值系数、噪声系数、膨胀系数的图像参数组，灰度非线性映射系数为所述图像轮廓识别模块(2)中的灰度非线性映射函数的各个系数，阈值系数和噪声系数为所述图像轮廓识别模块(2)中的多阈值检测方法的系数，膨胀系数为所述图像轮廓识别模块(2)中的膨胀操作的系数。

2.根据权利要求1所述的一种应用于激光切割机的机器视觉切割方法，其特征在于：所述的图像畸变矫正模块(1)具体包括：

(1.1)使用激光切割机在切割平台上的白色平面材料上雕刻固定已知参数和形状的正三角网格图案；

(1.2)成像模块采集带有激光切割机雕刻出的正三角网格图案的标定图像m1与包含所需识别图案和背景图案的现有纺纱的RGB图像；然后，使用相机标定算法检测标定图像m1中的角点，生成成像模块的畸变参数矩阵组，使用畸变参数矩阵组对包含所需识别图案和背景图案的现有纺纱的RGB图像进行矫正，矫正后获得原始图像。

3.根据权利要求1所述的一种应用于激光切割机的机器视觉切割方法，其特征在于：所有幅所述的原始图像已分类为适用于不同图像参数组的图像数据组，一类图像数据组对应于适用于一个图像参数组，不同类图像数据组对应于适用于不同的图像参数组。

4.根据权利要求1所述的一种应用于激光切割机的机器视觉切割方法，其特征在于：所述切割路径生成模块(4)是通过查找图像中定位特征点的方式实现从原始图像的图像坐标系到激光切割机的切割系统的坐标系的映射，使用贪婪算法将所需图像轮廓集中的各个轮廓优化排序后形成一条切割路径，最后对生成的切割路径进行编码。

5.根据权利要求1所述的一种应用于激光切割机的机器视觉切割方法，其特征在于：在通过图像畸变矫正模块(1)对采集的图像进行处理前，还对图像进行预处理，预处理方法主要包括依次进行的图像坐标映射，图像形态梯度矫正、白平衡处理和曝光补偿操作方式。

Images