CN109509181B - 一种基于串行轮廓搜索的熔覆池形状视觉检测方法 - Google Patents
一种基于串行轮廓搜索的熔覆池形状视觉检测方法 Download PDFInfo
- Publication number
- CN109509181B CN109509181B CN201811267100.5A CN201811267100A CN109509181B CN 109509181 B CN109509181 B CN 109509181B CN 201811267100 A CN201811267100 A CN 201811267100A CN 109509181 B CN109509181 B CN 109509181B
- Authority
- CN
- China
- Prior art keywords
- image
- point
- gray
- pixel
- cladding
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于串行轮廓搜索的熔覆池形状视觉检测方法,该方法利用高速工业相机采集金属三维打印熔覆池视频,从视频中提取单帧熔覆池彩色图像;针对提取的单帧熔覆池彩色图像进行灰度变换、灰度反转及灰度拉伸;利用局部差分算子对均值滤波后的图像进行边缘提取,再进行膨胀与腐蚀处理,保留面积最大的区域,剔除其他区域;最后,对熔覆池区域的二值图像进行串行轮廓搜索,得到熔覆池区域的二值轮廓图像,完成熔覆池形状视觉检测,为金属三维打印过程中熔覆池形貌分析提供依据。
Description
技术领域
本发明属于金属三维打印与图像处理的技术领域,涉及一种基于串行轮廓搜索的熔覆池形状视觉检测方法。
背景技术
现如今,金属三维打印与激光熔覆是一种新兴的金属特种加工技术,利用高能激光束照射到待加工材料(涂层材料和基材)表面使之迅速熔化、扩展及快速凝固,在基材表面形成具有耐磨、耐腐蚀、抗氧化等特殊性能的冶金结合层的工艺,从而形成具有不同性能的高质量合金熔覆层。激光熔覆作为一种新兴的堆积成形技术,高能激光束将激光喷头挤压出的金属或合金粉末熔化,在基体表面形成熔池,合金粉末熔化凝固形成熔覆层,连续多层熔覆层堆积最终形成工件。
激光熔覆质量的好坏直接影响到加工零件的质量,目前像金属三维打印的激光熔覆质量全靠有经验的工人全程监控,及时调整工艺参数,不仅费时费力,长时间工作也影响工人的身体健康,不能满足金属三维打印质量自动评估的要求。激光熔覆过程中的熔池是各种工艺参数相互作用的结果,直接影响到熔覆层的成型质量,是联系工艺参数和熔覆层质量的纽带,通过合理匹配熔覆工艺参数,保证熔覆池熔接质量、多道搭接和多层叠加,最终控制熔覆层的成形质量。通过对激光熔覆池的形状进行视觉检测与分析,可以实现对激光熔覆质量的自动评估及监测功能。
发明内容
本发明目的在于,针对目前金属三维打印与激光熔覆系统实现对激光熔覆质量的自动评估及监测功能,提供了一种基于串行轮廓搜索的熔覆池形状视觉检测方法,包括如下步骤:
步骤1,利用高速工业相机采集金属三维打印熔覆池视频,从视频中提取单帧熔覆池彩色图像;
步骤2,针对提取的单帧熔覆池彩色图像进行灰度变换得到熔覆池灰度图像,然后进行灰度反转,对灰度熔覆池图像的灰度值进行线性取反,得到与原灰度熔覆池图像灰度相反的灰度反转熔覆池图像,,称为反灰度熔覆池图像,从而减少后续图像的计算量;
步骤3,为了使熔覆池区域和非熔覆池区域有明显的灰度变化,对反灰度熔覆池图像利用线性变换进行灰度拉伸以更好的提取熔覆池边缘,灰度拉伸后得到反灰度熔覆池灰度拉伸图像,再进一步对此拉伸图像进行均值滤波【可参考朱方园.面向图像平滑滤波器的盲检测算法,天津大学,硕士学位论文,2014,pp.15-17】,降低噪声影响;
步骤4,利用局部差分算子对均值滤波后的图像进行边缘提取,再进行膨胀与腐蚀处理,使熔覆池区域和非熔覆池区域明显分开,同时对每个连通的区域进行区域号标定,计算各个连通区域面积,保留面积最大的区域,剔除其他区域,并对面积最大的区域进行填充,具体方法为将面积最大区域内所有像素点的像素值置为1,其余像素点像素值置为0,得到熔覆池区域的二值图像。
步骤5,对熔覆池区域的二值图像进行串行轮廓搜索,按从上到下,从左到右的顺序找到熔覆池区域的二值图像中第一个像素值为1的边缘点,然后在当前边缘点上,向四周8个邻点探索,从中找到下一个边缘点,然后移步,再以下一个边缘点作为当前边缘点,继续探索,直至回到起始点串行轮廓搜索结束,得到熔覆池区域的二值轮廓图像。
步骤6,计算熔覆池区域二值轮廓图像中两两像素点的距离,记录距离最大值记为a,记录并求取距离最大值两像素点坐标中间点坐标,记为熔覆池区域的中心位置并存储。
步骤2包括:将熔覆池灰度图像中每个像素点的灰度值利用以下公式重新赋值:
gn(i,j)=255-g(i,j)
其中,g(i,j)为熔覆池灰度图像第i行和第j列的像素点灰度值,gn(i,j)为灰度反转熔覆池图像第i行和第j列的像素点灰度值。
步骤3包括:利用线性变换将反灰度熔覆池图像中原灰度范围[gn1,gn2]拉伸为[ge1,ge2],gn1,gn2分别表示反灰度熔覆池图像原灰度最小值和最大值,ge1,ge2分别表示反灰度熔覆池图像拉伸后的灰度最小值和最大值,ge1的取值为50,ge2的取值为215。
步骤3中,采用如下公式进行线性变换:
ge(i,j)=[(ge2-ge1)/(gn2-gn1)]gn(i,j)+ge1,
其中,ge(i,j)表示反灰度熔覆池灰度拉伸图像的第i行和第j列的像素点灰度值,[gn1,gn2]具体值根据反灰度熔覆池图像灰度范围求取。
步骤4包括:
步骤4-1,利用局部差分算子对均值滤波后的图像进行如下边缘计算:
式中,f(i,j)为均值滤波后的图像第i行和第j列的像素点灰度值,f(i+1,j+1)为均值滤波后的图像第i+1行和第j+1列的像素点灰度值,f(i+1,j)为均值滤波后的图像第i+1行和第j列的像素点灰度值,f(i,j+1)为均值滤波后的图像第i行和第j+1列的像素点灰度值,为利用局部差分算子对均值滤波后的图像进行边缘计算所得图像第i行和第j列的像素点像素值;
步骤4-3,对边缘计算所得图像的所有像素点判别及重新赋值后所得图像为边缘提取结果,注意该边缘提取结果不是期望得到的熔覆池区域边缘轮廓。
步骤5中对熔覆池区域的二值图像进行串行轮廓搜索的具体方法为:
步骤5-1,按从上到下,从左到右的顺序找到熔覆池区域的二值图像中第一个像素值为1的边缘点b1,检查点b1像素值是否满足设定的条件,如果满足,则b1为起始边缘点执行步骤5-2;如不满足,给此点加上标记,像素值赋值为0,继续重复步骤5-1搜索起始边缘点;
步骤5-2,判别b1邻域中0像素的位置,用领域标记号ds表示,判别顺序为点b1的下方的下邻点到点b1的左边的左邻点,再到点b1的上方的上邻点,再到点b1的右边的右邻点,当b1下邻点为0时,令ds=6;当下邻点不为0,而左邻点为0时,令ds=4;当下邻点、左邻点都不为0,而上邻点为0时,令ds=2;当下邻点、左邻点、上邻点都不为0,而右邻点为0时,令ds=0;
步骤5-3,由b1邻域中0像素位置出发,逆时针方向在8个邻近点中搜索像素值为1的像素点,最早搜索到的像素点即为第2个边缘点b2。
邻近点中的逆时针方向搜索意味着领域标记号ds不断加1的运算。例如,由ds=4出发,当ds=5时,搜索到第2个边缘点b2,b2的坐标(i2,j2)为:
i2=i1+im[ds]=i1+im[5],
j2=j1+jm[ds]=j1+jm[5],
其中,(i1,j1)表示b1的坐标,im[ds],jm[ds]分别为相对于上一边缘点像素的行偏移量和列偏移量,可用两个数组来表示:
im[ds]={0,-1,-1,-1,0,1,1,1}
jm[ds]={1,1,0,-1,-1,-1,0,1}
上式中,ds取值范围为0-7。
步骤5-4,当搜索第3个边缘点b3时,当前边缘点由b1移向b2,即在b2的基础上利用步骤5-3继续搜索第3个边缘点,b2的8个邻点为搜索b3的候选点。搜索到的第3个边缘点b3的坐标(i3,j3)为:
i3=i2+im[ds],
j3=j2+jm[ds];
步骤5-5,利用步骤5-4中相同的方法搜索后续的边缘点。当第n个边缘点bn的坐标与b1的坐标相同时,则结束熔覆池区域二值图像的串行轮廓搜索,边缘点b1~bn组成的图像即为熔覆池区域的二值轮廓图像。
步骤5-1中,检查点b1像素值是否满足以下两个条件:
第一个条件:b1(i1,j1)=1,b1(i1,j1)为熔覆池区域的二值图像中第一个像素值为1的边缘点b1在第i1行和第j列的像素值;
第二个条件:点b1的4个邻点中,像素值为1的像素点个数n1≥2;
若满足以上两个条件,则b1为起始边缘点执行步骤5-2;如不满足,给此点加上标记,像素值赋值为0,继续重复步骤5-1搜索起始边缘点。
有益效果:本发明与现有技术相比克服了现有金属三维打印的激光熔覆质量全靠有经验的工人全程监控,及时调整工艺参数,不仅费时费力,长时间工作也影响工人的身体健康,不能满足金属三维打印质量自动评估的问题,构建了一种基于串行轮廓搜索的熔覆池形状视觉检测方法。首先,利用高速工业相机采集金属三维打印熔覆池视频,从视频中提取单帧熔覆池彩色图像;然后,针对提取的单帧熔覆池彩色图像进行灰度变换、灰度反转及灰度拉伸;其次,利用局部差分算子对均值滤波后的图像进行边缘提取,再进行膨胀与腐蚀处理,保留面积最大的区域,剔除其他区域;最后,对熔覆池区域的二值图像进行串行轮廓搜索,得到熔覆池区域的二值轮廓图像,完成熔覆池形状视觉检测,为金属三维打印过程中熔覆池形貌分析提供依据。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1是本发明方法流程图;
图2为金属三维打印熔覆池灰度图像。
图3为金属三维打印熔覆池边缘检测图像。
图4为金属三维打印熔覆池区域的二值轮廓图像。
图5为金属三维打印熔覆池区域的二值轮廓图像中心位置结果。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示,本发明的原理是:首先,利用高速工业相机采集金属三维打印熔覆池视频,从视频中提取单帧熔覆池彩色图像;然后,针对提取的单帧熔覆池彩色图像进行灰度变换、灰度反转及灰度拉伸;其次,利用局部差分算子对均值滤波后的图像进行边缘提取,再进行膨胀与腐蚀处理,保留面积最大的区域,剔除其他区域;最后,对熔覆池区域的二值图像进行串行轮廓搜索,得到熔覆池区域的二值轮廓图像,完成熔覆池形状视觉检测。具体实施方法如下:
步骤1,利用高速工业相机采集金属三维打印熔覆池视频,从视频中提取单帧熔覆池彩色图像;
步骤2,针对提取的单帧熔覆池彩色图像进行灰度变换得到熔覆池灰度图像,然后进行灰度反转,对灰度熔覆池图像的灰度值进行线性取反,得到与原灰度熔覆池图像灰度相反的灰度反转熔覆池图像,从而减少后续图像的计算量;
步骤2中灰度反转具体方法为将熔覆池灰度图像中每个像素点的灰度值利用以下公式重新赋值:
gn(i,j)=255-g(i,j)
其中,g(i,j)为熔覆池灰度图像第i行和第j列的像素点灰度值,gn(i,j)为灰度反转熔覆池图像第i行和第j列的像素点灰度值。
步骤3,为了使熔覆池区域和非熔覆池区域有明显的灰度变化,对反灰度熔覆池图像利用线性变换进行灰度拉伸以更好的提取熔覆池边缘,灰度拉伸后得到反灰度熔覆池灰度拉伸图像,再进一步对此拉伸图像进行均值滤波,降低噪声影响;
步骤3中对反灰度熔覆池图像利用线性变换进行灰度拉伸的具体方法为:利用线性变换将反灰度熔覆池图像中原灰度范围[gn1,gn2]拉伸为[ge1,ge2],ge1的取值为50,ge2的取值为215。
线性变换的具体公式为:
ge(i,j)=[(ge2-ge1)/(gn2-gn1)]gn(i,j)+ge1
其中,[gn1,gn2]具体值根据反灰度熔覆池图像灰度范围求取。
步骤4,利用局部差分算子对均值滤波后的图像进行边缘提取,再进行膨胀与腐蚀处理,使熔覆池区域和非熔覆池区域明显分开,同时对每个连通的区域进行区域号标定,计算各个连通区域面积,保留面积最大的区域,剔除其他区域,并对面积最大的区域进行填充,具体方法为将面积最大区域内所有像素点的像素值置为1,其余像素点像素值置为0,得到熔覆池区域的二值图像。
步骤4中利用局部差分算子对均值滤波后的图像进行边缘提取的具体方法为:
步骤4-1,利用局部差分算子对均值滤波后的图像进行如下计算:
式中,f(i,j)为均值滤波后的图像第i行和第j列的像素点灰度值,f(i+1,j+1)为均值滤波后的图像第i+1行和第j+1列的像素点灰度值,f(i+1,j)为均值滤波后的图像第i+1行和第j列的像素点灰度值,f(i,j+1)为均值滤波后的图像第i行和第j+1列的像素点灰度值,为利用局部差分算子对均值滤波后的图像进行边缘计算所得图像第i行和第j列的像素点像素值;
步骤5,对熔覆池区域的二值图像进行串行轮廓搜索,按从上到下,从左到右的顺序找到熔覆池区域的二值图像中第一个像素值为1的边缘点,然后在当前边缘点上,向四周8个邻点探索,从中找到下一个边缘点,然后移步,再以下一个边缘点作为当前边缘点,继续探索,直至回到起始点串行轮廓搜索结束,得到熔覆池区域的二值轮廓图像。
步骤5中对熔覆池区域的二值图像进行串行轮廓搜索的具体方法为:
步骤5-1,按从上到下,从左到右的顺序找到熔覆池区域的二值图像中第一个像素值为1的边缘点b1,检查点b1像素值是否满足设定的条件,如果满足,则b1为起始边缘点执行步骤5-2;如不满足,给此点加上标记,像素值赋值为0,继续重复步骤5-1搜索起始边缘点;
步骤5-2,判别b1邻域中0像素的位置,用领域标记号ds表示,判别顺序为点b1的下方的下邻点到点b1的左边的左邻点,再到点b1的上方的上邻点,再到点b1的右边的右邻点,当b1下邻点为0时,令ds=6;当下邻点不为0,而左邻点为0时,令ds=4;当下邻点、左邻点都不为0,而上邻点为0时,令ds=2;当下邻点、左邻点、上邻点都不为0,而右邻点为0时,令ds=0;
步骤5-3,由b1邻域中0像素位置出发,逆时针方向在8个邻近点中搜索像素值为1的像素点,最早搜索到的像素点即为第2个边缘点b2。邻近点中的逆时针方向搜索意味着领域标记号ds不断加1的运算。例如,由ds=4出发,当ds=5时,搜索到第2个边缘点b2,b2的坐标(i2,j2)为:
i2=i1+im[ds]=i1+im[5]
j2=j1+jm[ds]=j1+jm[5]
其中,im[ds],jm[ds]为相对于上一边缘点像素的行偏移量和列偏移量,可用两个数组来表示:
im[ds]={0,-1,-1,-1,0,1,1,1}
jm[ds]={1,1,0,-1,-1,-1,0,1}
上式中,ds取值范围为0-7。
步骤5-4,当搜索第3个边缘点b3时,当前边缘点由b1移向b2,即在b2的基础上利用步骤5-3继续搜索第3个边缘点,b2的8个邻点为搜索b3的候选点。搜索到的第3个边缘点b3的坐标(i3,j3)为:
i3=i2+im[ds]
j3=j2+jm[ds]
步骤5-5,利用步骤5-4中相同的方法搜索后续的边缘点。当bn的坐标与b1的坐标相同时,则结束熔覆池区域二值图像的串行轮廓搜索,边缘点b1~bn组成的图像即为熔覆池区域的二值轮廓图像。
步骤5-1中,检查点b1像素值是否满足以下两个条件:
第一个条件:b1(i1,j1)=1,b1(i1,j1)为熔覆池区域的二值图像中第一个像素值为1的边缘点b1在第i1行和第j列的像素值;
第二个条件:点b1的4个邻点中,像素值为1的像素点个数n1≥2;
若满足以上两个条件,则b1为起始边缘点执行步骤5-2;如不满足,给此点加上标记,像素值赋值为0,继续重复步骤5-1搜索起始边缘点。
步骤6,计算熔覆池区域二值轮廓图像中两两像素点的距离,记录距离最大值记为a,记录并求取距离最大值两像素点坐标中间点坐标,记为熔覆池区域的中心位置并存储。
实施例
本实施例利用应用于金属三维打印与激光熔覆的熔覆池形状检测进行基于串行轮廓搜索的熔覆池形状视觉检测方法验证,首先,利用高速工业相机采集金属三维打印熔覆池视频,从视频中提取单帧熔覆池彩色图像;然后,针对提取的单帧熔覆池彩色图像进行灰度变换、灰度反转及灰度拉伸;其次,利用局部差分算子对均值滤波后的图像进行边缘提取,再进行膨胀与腐蚀处理,保留面积最大的区域,剔除其他区域;最后,对熔覆池区域的二值图像进行串行轮廓搜索,得到熔覆池区域的二值轮廓图像,完成熔覆池形状视觉检测。对基于串行轮廓搜索的熔覆池形状视觉检测方法进行实验,得出有益的结论,提供熔覆池形状视觉检测方法的相关流程图如图1所示,金属三维打印熔覆池灰度图像如图2所示。
图1是本发明的基于串行轮廓搜索的熔覆池形状视觉检测方法流程图,包括了单帧熔覆池彩色图像的灰度变换、灰度反转、灰度拉伸、均值滤波、边缘提取、膨胀腐蚀、区域计算、串行轮廓搜索及熔覆池形状特征描述;
图2~图5是本发明对应的基于串行轮廓搜索的熔覆池形状视觉检测方法实验结果图,其中图2为金属三维打印熔覆池灰度图像,即本发明步骤2中的图像,图3为金属三维打印熔覆池边缘检测图像,即本发明步骤4中的图像,图4为金属三维打印熔覆池区域的二值轮廓图像,即本发明步骤5中的图像。图5为金属三维打印熔覆池区域的二值轮廓图像中心位置结果,即本发明步骤6中的图像。由图中可以看出,基于串行轮廓搜索的熔覆池形状视觉检测方法能准确实现金属三维打印熔覆池形状的视觉检测。
本发明提供了一种基于串行轮廓搜索的熔覆池形状视觉检测方法,具体实现该技术方案的方法和途径很多,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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (2)
1.一种基于串行轮廓搜索的熔覆池形状视觉检测方法,其特征在于,包括如下步骤:
步骤1,采集金属三维打印熔覆池视频,从视频中提取单帧熔覆池彩色图像;
步骤2,针对提取的单帧熔覆池彩色图像进行灰度变换得到熔覆池灰度图像,进行灰度反转,得到与原灰度熔覆池图像灰度相反的灰度反转熔覆池图像,称为反灰度熔覆池图像;
步骤3,对反灰度熔覆池图像利用线性变换进行灰度拉伸,得到反灰度熔覆池灰度拉伸图像,再进一步对此拉伸图像进行均值滤波;
步骤4,对均值滤波后的图像进行边缘提取,计算得到熔覆池区域的二值图像;
步骤5,对熔覆池区域的二值图像进行串行轮廓搜索,得到熔覆池区域的二值轮廓图像;
步骤6,计算熔覆池区域二值轮廓图像中两两像素点的距离,记录距离最大值记为a,记录并求取距离最大值两像素点坐标中间点坐标,记为熔覆池区域的中心位置并存储;
步骤2包括:将熔覆池灰度图像中每个像素点的灰度值利用以下公式重新赋值:
gn(i,j)=255-g(i,j),
其中,g(i,j)为熔覆池灰度图像第i行和第j列的像素点灰度值,gn(i,j)为灰度反转熔覆池图像第i行和第j列的像素点灰度值;
步骤3包括:利用线性变换将反灰度熔覆池图像中原灰度范围[gn1,gn2]拉伸为[ge1,ge2],gn1,gn2分别表示反灰度熔覆池图像原灰度最小值和最大值,ge1,ge2分别表示反灰度熔覆池图像拉伸后的灰度最小值和最大值,ge1的取值为50,ge2的取值为215;
步骤3中,采用如下公式进行线性变换:
ge(i,j)=[(ge2-ge1)/(gn2-gn1)]gn(i,j)+ge1,
其中,ge(i,j)表示反灰度熔覆池灰度拉伸图像的第i行和第j列的像素点灰度值,[gn1,gn2]具体值根据反灰度熔覆池图像灰度范围求取;
步骤4包括:
步骤4-1,利用局部差分算子对均值滤波后的图像进行如下边缘计算:
步骤5包括:
步骤5-1,按从上到下,从左到右的顺序找到熔覆池区域的二值图像中第一个像素值为1的边缘点b1,检查点b1像素值是否满足设定的条件,如果满足,则b1为起始边缘点执行步骤5-2;如不满足,给此点加上标记,像素值赋值为0,继续重复步骤5-1搜索起始边缘点;
步骤5-2,判别b1邻域中0像素的位置,用领域标记号ds表示,判别顺序为点b1的下方的下邻点到点b1的左边的左邻点,再到点b1的上方的上邻点,再到点b1的右边的右邻点,当b1下邻点为0时,令ds=6;当下邻点不为0,而左邻点为0时,令ds=4;当下邻点、左邻点都不为0,而上邻点为0时,令ds=2;当下邻点、左邻点、上邻点都不为0,而右邻点为0时,令ds=0;
步骤5-3,由b1邻域中0像素位置出发,逆时针方向在8个邻近点中搜索像素值为1的像素点,最早搜索到的像素点即为第2个边缘点b2;
步骤5-4,当搜索第3个边缘点b3时,当前边缘点由b1移向b2,即在b2的基础上利用步骤5-3继续搜索第3个边缘点,b2的8个邻点为搜索b3的候选点;
步骤5-5,利用步骤5-4中相同的方法搜索后续的边缘点,当第n个边缘点bn的坐标与b1的坐标相同时,则结束熔覆池区域二值图像的串行轮廓搜索,边缘点b1~bn组成的图像即为熔覆池区域的二值轮廓图像。
2.根据权利要求1所述的方法,其特征在于,步骤5-1中,检查点b1像素值是否满足以下两个条件:
第一个条件:b1(i1,j1)=1,b1(i1,j1)为熔覆池区域的二值图像中第一个像素值为1的边缘点b1在第i1行和第j列的像素值;
第二个条件:点b1的4个邻点中,像素值为1的像素点个数n1≥2;
若满足以上两个条件,则b1为起始边缘点执行步骤5-2;如不满足,给此点加上标记,像素值赋值为0,继续重复步骤5-1搜索起始边缘点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811267100.5A CN109509181B (zh) | 2018-10-29 | 2018-10-29 | 一种基于串行轮廓搜索的熔覆池形状视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811267100.5A CN109509181B (zh) | 2018-10-29 | 2018-10-29 | 一种基于串行轮廓搜索的熔覆池形状视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109509181A CN109509181A (zh) | 2019-03-22 |
CN109509181B true CN109509181B (zh) | 2021-07-02 |
Family
ID=65746933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811267100.5A Active CN109509181B (zh) | 2018-10-29 | 2018-10-29 | 一种基于串行轮廓搜索的熔覆池形状视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109509181B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148175B (zh) * | 2019-05-29 | 2021-06-29 | 山东大学 | 基于二维标签的发酵窖池自动定位与边界检测系统及方法 |
CN111275634B (zh) * | 2020-01-13 | 2023-04-28 | 南京师范大学 | 一种熔池形貌检测及弧焊机器人控制方法 |
CN111354009B (zh) * | 2020-02-27 | 2022-10-28 | 西安交通大学 | 激光增材制造熔池形状的提取方法 |
CN114985768B (zh) * | 2022-06-10 | 2024-02-09 | 南京师范大学 | 一种基于图论结构和视觉实时检测的增材路径规划方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093546A (zh) * | 2007-07-11 | 2007-12-26 | 苏州大学 | 一种数字图像轮廓形态的识别方法 |
CN102855495A (zh) * | 2012-08-22 | 2013-01-02 | 苏州多捷电子科技有限公司 | 电子版标准答案的实现方法及其应用系统 |
CN105181721A (zh) * | 2015-10-08 | 2015-12-23 | 中国石油大学(华东) | 基于岩心扫描的富泥披储层泥质含量计算方法 |
CN105427323A (zh) * | 2015-12-07 | 2016-03-23 | 湖南大学 | 一种基于相位一致性的激光熔覆熔池边缘提取方法 |
CN106295664A (zh) * | 2016-08-02 | 2017-01-04 | 沈阳地泰检测设备有限公司 | 一种邮政分拣系统所获取图像的处理方法 |
CN106338520A (zh) * | 2016-09-18 | 2017-01-18 | 南京林业大学 | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 |
CN108559994A (zh) * | 2018-02-28 | 2018-09-21 | 东北大学 | 一种圆弧面上激光熔覆工艺参数优化的方法 |
-
2018
- 2018-10-29 CN CN201811267100.5A patent/CN109509181B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093546A (zh) * | 2007-07-11 | 2007-12-26 | 苏州大学 | 一种数字图像轮廓形态的识别方法 |
CN102855495A (zh) * | 2012-08-22 | 2013-01-02 | 苏州多捷电子科技有限公司 | 电子版标准答案的实现方法及其应用系统 |
CN105181721A (zh) * | 2015-10-08 | 2015-12-23 | 中国石油大学(华东) | 基于岩心扫描的富泥披储层泥质含量计算方法 |
CN105427323A (zh) * | 2015-12-07 | 2016-03-23 | 湖南大学 | 一种基于相位一致性的激光熔覆熔池边缘提取方法 |
CN106295664A (zh) * | 2016-08-02 | 2017-01-04 | 沈阳地泰检测设备有限公司 | 一种邮政分拣系统所获取图像的处理方法 |
CN106338520A (zh) * | 2016-09-18 | 2017-01-18 | 南京林业大学 | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 |
CN108559994A (zh) * | 2018-02-28 | 2018-09-21 | 东北大学 | 一种圆弧面上激光熔覆工艺参数优化的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109509181A (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109509181B (zh) | 一种基于串行轮廓搜索的熔覆池形状视觉检测方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN108765419B (zh) | 结构光视觉焊缝图像信息自适应提取方法 | |
CN110363781B (zh) | 基于深度神经网络的熔池轮廓检测方法 | |
JP5421192B2 (ja) | ひび割れ検出方法 | |
CN110717872A (zh) | 一种激光辅助定位下的v型焊缝图像特征点提取方法及提取系统 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
JP5852919B2 (ja) | ひび割れ検出方法 | |
CN109447939B (zh) | 基于混合光谱视觉的熔池成形前焊缝宽度预测方法 | |
CN110009633B (zh) | 一种基于反向高斯差分的钢轨表面缺陷检测方法 | |
JP6823486B2 (ja) | ひび割れ検出方法 | |
CN111062913B (zh) | 一种激光选区融化成型粉床铺粉质量检测方法 | |
CN110390677A (zh) | 一种基于滑动自匹配的缺陷定位方法及系统 | |
Aminzadeh et al. | Vision-based inspection system for dimensional accuracy in powder-bed additive manufacturing | |
JP5812705B2 (ja) | ひび割れ検出方法 | |
CN108230388A (zh) | 一种白车身焊点图像的识别定位方法 | |
CN116597391B (zh) | 一种焊缝表面形貌和熔透状态同步在线监测方法 | |
JP4870016B2 (ja) | ひび割れ検出方法 | |
CN112365439A (zh) | 一种镀锌钢gmaw焊缝成形特征与焊枪方向同步实时检测方法 | |
CN106875430A (zh) | 动态背景下基于固定形态的单一运动目标追踪方法和装置 | |
CN113909689B (zh) | 一种激光光条的管道焊接坡口特征提取方法 | |
CN111402239A (zh) | 基于形态特征滤波的激光焊缝跟踪图像处理方法及系统 | |
CN111968072B (zh) | 一种基于贝叶斯网络的厚板t形接头焊接位置自主决策方法 | |
CN105405112A (zh) | 多光谱卫星影像距离偏差指数去雾方法 | |
CN117444441A (zh) | 一种搭接焊缝智能焊接方法 |
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 | ||
GR01 | Patent grant |