CN111062959A - 一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法 - Google Patents
一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法 Download PDFInfo
- Publication number
- CN111062959A CN111062959A CN201911187807.XA CN201911187807A CN111062959A CN 111062959 A CN111062959 A CN 111062959A CN 201911187807 A CN201911187807 A CN 201911187807A CN 111062959 A CN111062959 A CN 111062959A
- Authority
- CN
- China
- Prior art keywords
- bottom edge
- burr
- image
- burrs
- pixel
- 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
Images
Classifications
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法,包括:选择Canny算法作为提取切出底边毛刺特征的基本算法;使用图像采集装置,对微铣削加工产生的切出底边毛刺的特征图像进行采集;在计算机中载入切出底边毛刺拍摄图像;在载入的图像中,手动或依据颜色对切出底边毛刺拍摄图像的标尺进行自动识别和计算;点击图像像素位置,记录切出底边毛刺边界,并在原图像中对所选图像范围进行裁剪,获得仅包含切出底边毛刺的图像等步骤;本发明对切出底边毛刺提取的连续性好、冗余信息少,复杂特征提取与计算的准确度高、计算简单方便、效率高,为航空薄壁微结构零件切出底边毛刺的生成机理和微铣削工艺优化奠定基础。
Description
技术领域
本发明属于机械加工技术领域,具体涉及一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法。
背景技术
航空领域对航空薄壁微构零件的加工尺寸精度有极为严格地要求,而加工过程中产生的毛刺极大程度地限制了尺寸精度的提高,增加了额外的去除工艺消耗和装配误差,严重影响航空仪表的服役性能。为了从根源上减少加工薄壁微构零件过程中的毛刺生成,就要先对加工产生的毛刺特征进行准确地提取与表征,再对毛刺特征进行系统、深入地研究,进而优化加工工艺,减小加工毛刺。
在薄壁微构零件的铣削过程中,切出底边毛刺的尺寸与薄壁微构零件的微结构特征尺寸在同一数量,为主要毛刺。由于切出底边毛刺的特征复杂,简单地通过图像处理方式进行特征提取难以提取出连续的、准确的毛刺特征。这便会影响对切出底边毛刺生成机理的进一步研究,难以准确地实现面向减小切出底边毛刺尺寸的工艺优化。目前仍未有全面地切出底边毛刺特征的量化表征方法,未能充分捕捉切出底边毛刺的结构特征。
因此,现有技术中需要一种能够克服上述问题的对航空薄壁微构零件切出底边毛刺特征的提取及表征方法。
发明内容
为实现本发明目的而采用的技术方案是这样的,一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法,包括如下步骤:
1)选择Canny算法作为提取切出底边毛刺特征的基本算法;
2)使用图像采集装置,对微铣削加工产生的切出底边毛刺的特征图像进行采集;
3)在计算机中载入切出底边毛刺拍摄图像;
4)在载入的图像中,手动或依据颜色对切出底边毛刺拍摄图像的标尺进行自动识别和计算;所述的计算标尺比例为:
k=Lpix/Spix (2)
式(1)中,Lpix为标尺实测长度,Spix为对应长度标尺的像素数;
5)点击图像像素位置,记录切出底边毛刺边界,并在原图像中对所选图像范围进行裁剪,获得仅包含切出底边毛刺的图像;
6)进行边界连续化处理;
7)降低阈值,重新获取基于Canny算法的毛刺边界提取结果;
8)对图像进行二值化处理,获取切出底边毛刺边界的二值化结果;
9)对第一次提取的切出底边毛刺边界的提取结果进行连续化判断,判断方法如下:
9.1)从图像左侧开始,从上至下搜索值为1像素,然后开始按照图中方向值1-8位置检测周围是否存在值为1的像素;
9.2)若连续,则当前检测的坐标更新为上述值为1的像素位置,S=0,并生成矢量、记录方向值;而到了更新后的检测位置,则不再判断与上个方向值相反的像素值;计算图像左端至右端的像素列数N,当最终的检测位置坐标为x+N时,结束;
9.3)当中间出现不连续位置时,S=S+1,△n=1,更新方向值集,对值为1的像素进行搜索;当最终的检测位置坐标为x+N时,结束,并记录所有间断点的位置;
10)返回步骤6),在间断点位置附近补充二值化处理的毛刺边界结果,然后重复步骤9),直至出现一条从左到右均连续的切出底边毛刺边界;
11)对所提取的图像进行去除孔洞的处理,得到只包含切出底边毛刺连续边界的图像;
12)对切出底边毛刺进行表征;将切出底边毛刺分为逆铣区和顺铣区两部分的毛刺,提取如下特征:
12.1)主要切出底边毛刺的总宽度ωb,表示为:
wb=Swb·k (2)
式(2)中,Swb为切出底边毛刺总宽度的像素数;
12.2)平均切出底边毛刺hbmean,表示为:
式(3)中,yb为整个切出底边毛刺提取图中的第b列值为1的像素坐标;y0为毛刺边界线的像素坐标;N为整个切出底边毛刺提取图的像素列数;
12.3)最大切出底边毛刺hbmax,表示为:
12.4)切出底边毛刺的起始位置和百分比分别用Ps和P表示:
式(5)中,xs为切出底边毛刺起始位置的像素横坐标,Su为切出底边毛刺在逆铣区部分的总像素和;
12.5)采用归一化处理使整个微结构宽为1,则切出底边毛刺在逆铣侧和顺铣侧的特征表示为:
12.51)逆铣侧有毛刺,顺铣侧无毛刺;
当0≤Ps≤0.5且P≤0.5-Ps时:
式(6)中,bu表示逆铣侧毛刺的有无,bd为顺铣侧毛刺的有无,值为1时表示有毛刺,值为0时表示无毛刺;
12.52)逆铣侧有毛刺,顺铣侧有毛刺;
当0≤Ps≤0.5且P>0.5-Ps时:
12.53)逆铣侧无毛刺,顺铣侧有毛刺;
当0.5<Ps且P>0时:
进一步,在步骤4)中,所述的手动识别指通过鼠标点击图像像素位置返回值,来记录标尺两端的像素矢量。
进一步,在步骤4)中,所述依据颜色识别指对图像中的特殊颜色进行识别,并计算特殊颜色两端的像素矢量;所述特殊颜色即为标尺设置的颜色,标尺的颜色设置在图像进行拍摄时完成。
所述依据颜色识别的方法需要保证算法中的识别目标颜色应与图像中的标尺颜色一致,即RGB相同。
进一步,在步骤6)中,进行边界连续化处理过程中,边缘提取质量与计算信噪比、边缘定位精度和单边缘响应精度呈正相关;其中,信噪比为:
式(9)中,G(x)和h(x)分别表示边缘函数和宽度为ω的滤波器脉冲响应,σ表示高斯噪声的均方差;定位精度为:
式(10)中,G’(x)和h‘(x)分别为G(x)和h(x)的导数;单边缘响应精度准则为:
式(11)中,h“(x)为h(x)的二阶导数。
进一步,在步骤2)中,所述图像采集装置为激光共聚焦扫描电子显微镜。
本发明的技术效果是毋庸置疑的,本发明的切出底边毛刺特征提取算法,基于Canny算法,通过对提取特征边缘的连续性判断、间断位置的寻找与标记,改变阈值和二值化补充间断位置像素,以及对处理后的冗余信息(如孔洞)进行去除,可以有效地提出连续的切出底边毛刺特征,避免冗余信息对后续计算切出底边毛刺特征的表征量产生不良影响。通过对实验所得的切出底边毛刺特征进行分析,充分体现了切出底边毛刺的复杂特征,并基于Canny算法,直接对相应特征进行获取,特征计算准确度高、计算效率高,为航空薄壁微结构零件切出底边毛刺的生成机理和微铣削工艺优化奠定基础。
附图说明
图1是基于四种常用算法对切出底边毛刺特征提取图;
图2是基于Canny算法的改进算法毛刺特征提取流程图;
图3是航空薄壁微构零件示意图;
图4是航空薄壁微构零件微铣削加工示意图;
图5是航空薄壁微构零件切出底边毛刺示意图;
图6是航空薄壁微构零件切出底边毛刺的激光共聚焦扫描图;
图7是确定毛刺区域的切出底边毛刺特征图;
图8是毛刺提取特征连续判断算法示意图;
图9是切出底边毛刺起点与根部重合情况的示意图;
图10是切出底边毛刺起点与根部不重合情况的示意图。
图中:铣刀1、去除部分2、微结构3和毛刺4。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
本实施例公开一种航空薄壁微构零件切出底边毛刺特征的提取及表征方,参见图3至图5,航空薄壁微构零件在加工时,铣刀1对薄壁微构零件进行铣削加工,铣掉去除部分2,切出毛刺4,对航空薄壁微构零件切出底边毛刺特征的提取及表征方包括如下步骤:
1)首先,对比不同常规算法在提出航空薄壁微构零件切出底边毛刺边界的连续性、孔洞含量等方面的性能,进行比较,如图1所示,具体地,选取Canny、Sobel、Prewitt和Roberts算法,并选择使提取出的切出底边毛刺特征相近的特征参数,对两种阈值条件下的切出底边毛刺边界进行提取,通过对比上述问题,选择Canny算法作为提取切出底边毛刺特征的基本算法,保证改进算法所基于的基础算法在切出底边毛刺特征连续性等提取效果较优,降低后续算法框架和算法的复杂度,提高计算效率。从图1可知,基于canny算法提取的切出底边毛刺连续度高,信息较全且缺陷(如冗余、间断等)较少;
2)使用激光共聚焦扫描电子显微镜,对微铣削加工产生的切出底边毛刺的特征图像进行采集;
3)参见图2,在计算机中载入切出底边毛刺拍摄图像;
4)在载入的图像中,手动或依据颜色对切出底边毛刺拍摄图像的标尺进行自动识别和计算;所述的手动识别指通过鼠标点击图像像素位置返回值,来记录标尺两端的像素矢量;所述依据颜色识别指对图像中的特殊颜色(如黄色)进行识别,并计算特殊颜色两端的像素矢量;所述特殊颜色即为标尺设置的颜色(如黄色,如图6所示),标尺的颜色设置可在图像进行拍摄时完成;所述依据颜色识别的方法需要保证算法中的识别目标颜色应与图像中的标尺颜色一致;所述的计算标尺比例为:
k=Lpix/Spix (3)
式(1)中,Lpix为标尺实测长度,Spix为对应长度标尺的像素数;
5)通过鼠标点击图像像素位置,记录切出底边毛刺边界,并在原图像中对所选图像范围进行裁剪,获得仅包含切出底边毛刺的图像,如图7所示;所述切出底边毛刺边界由于部分与微结构3相连,因此该部分的边界应以微结构3两端无毛刺的位置为边界线,如图6所示;
6)进行边界连续化处理;边缘提取质量与计算信噪比、边缘定位精度和单边缘响应精度呈正相关;其中,信噪比为:
式(2)中,G(x)和h(x)分别表示边缘函数和宽度为ω的滤波器脉冲响应,σ表示高斯噪声的均方差;定位精度为:
式(3)中,G’(x)和h‘(x)分别为G(x)和h(x)的导数;单边缘响应精度准则为:
式(4)中,h“(x)为h(x)的二阶导数,通过对上述计算值大小的判断可估测图像特征提取品质;
7)降低阈值,重新获取基于Canny算法的毛刺边界提取结果;
8)对图像进行二值化处理,获取切出底边毛刺边界的二值化结果;
9)对第一次提取的切出底边毛刺边界的提取结果进行连续化判断,判断方法如下:
9.1)如图8所示;从图像左侧开始,从上至下搜索值为1像素,然后开始按照图中方向值1-8位置检测周围是否存在值为1的像素;
9.2)若连续(即周围存在值为1的像素),则当前检测的坐标更新为上述值为1的像素位置,S=0,并生成矢量(例如,值为1像素的位置为1,见图8,则矢量为(1,1))、记录方向值;而到了更新后的检测位置,则不再判断与上个方向值相反的像素值,防止出现正反循环检测判断;计算图像左端至右端的像素列数N,当最终的检测位置坐标为x+N时,结束毛刺特征检测与提取;
9.3)当中间出现不连续位置时,S=S+1,△n=1,更新方向值集,对值为1的像素进行搜索;(首选方向为x增大的方向),目的是找到离此间断点最近的下一段边界起始点,因为上述两点在同一个连续边界轮廓上的概率最大。当最终的检测位置坐标为x+N时,结束毛刺特征检测与提取,并记录所有间断点的位置;
10)返回步骤6),在间断点位置附近补充二值化处理的毛刺边界结果,然后重复步骤9),直至出现一条从左到右均连续的切出底边毛刺边界;
11)提取的切出底边毛刺边界虽然连续,但切出底边毛刺内部存在孔洞的缺陷,因此对所提取的图像进一步进行去除孔洞的处理,得到只包含切出底边毛刺连续边界的图像;
12)对切出底边毛刺进行表征;如图9和图10所示的两种切出底边毛刺提取边界所示,将切出底边毛刺分为逆铣区和顺铣区两部分的毛刺,提取如下特征:
12.1)主要切出底边毛刺的总宽度ωb,表示为:
wb=Swb·k (7)
式(5)中,Swb为切出底边毛刺总宽度的像素数;
12.2)平均切出底边毛刺hbmean,表示为:
式(6)中,yb为整个切出底边毛刺提取图中的第b列值为1的像素坐标;y0为毛刺边界线的像素坐标,一般设为0;N为整个切出底边毛刺提取图的像素列数;
12.3)最大切出底边毛刺hbmax,表示为:
12.4)切出底边毛刺的起始位置和百分比分别用Ps和P表示:
式(8)中,xs为切出底边毛刺起始位置的像素横坐标,Su为切出底边毛刺在逆铣区部分的总像素和;
12.5)采用归一化处理使整个微结构3宽为1,则切出底边毛刺在逆铣侧和顺铣侧的特征表示为:
12.51)逆铣侧有毛刺,顺铣侧无毛刺;
当0≤Ps≤0.5且P≤0.5-Ps时:
式(9)中,bu表示逆铣侧毛刺的有无,bd为顺铣侧毛刺的有无,值为1时表示有毛刺,值为0时表示无毛刺;
12.52)逆铣侧有毛刺,顺铣侧有毛刺;
当0≤Ps≤0.5且P>0.5-Ps时:
12.53)逆铣侧无毛刺,顺铣侧有毛刺;
当0.5<Ps且P>0时:
本实施例公开的航空薄壁微构零件切出底边毛刺特征的提取及表征方法,基于Canny算法,通过对提取特征边缘的连续性判断、间断位置的寻找与标记,改变阈值和二值化补充间断位置像素,以及对处理后的冗余信息(孔洞)进行去除,可以有效地提出连续的切出底边毛刺特征,避免冗余信息对后续计算切出底边毛刺特征的表征量产生不良影响。通过对实验所得的切出底边毛刺特征进行分析,充分体现了切出底边毛刺的复杂特征,并基于上述算法,直接对相应特征进行获取,特征计算准确度高、计算效率高,为航空薄壁微结构零件切出底边毛刺的生成机理和微铣削工艺优化奠定基础。
实施例2:
本实施例提供一种较为基础的实现方式,一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法,参见图3至图5,航空薄壁微构零件在加工时,铣刀1对薄壁微构零件进行铣削加工,铣掉去除部分2,切出毛刺4,对航空薄壁微构零件切出底边毛刺特征的提取及表征方包括如下步骤:
1)首先,对比不同常规算法在提出航空薄壁微构零件切出底边毛刺边界的连续性、孔洞含量等方面的性能,进行比较,如图1所示,具体地,选取Canny、Sobel、Prewitt和Roberts算法,并选择使提取出的切出底边毛刺特征相近的特征参数,对两种阈值条件下的切出底边毛刺边界进行提取,通过对比上述问题,选择Canny算法作为提取切出底边毛刺特征的基本算法,保证改进算法所基于的基础算法在切出底边毛刺特征连续性等提取效果较优,降低后续算法框架和算法的复杂度,提高计算效率。从图1可知,基于canny算法提取的切出底边毛刺连续度高,信息较全且缺陷(如冗余、间断等)较少;
2)使用图像采集装置,对微铣削加工产生的切出底边毛刺的特征图像进行采集;
3)参见图2,在计算机中载入切出底边毛刺拍摄图像;
4)在载入的图像中,手动或依据颜色对切出底边毛刺拍摄图像的标尺进行自动识别和计算;所述的计算标尺比例为:
k=Lpix/Spix (11)
式(1)中,Lpix为标尺实测长度,Spix为对应长度标尺的像素数;
5)通过鼠标点击图像像素位置,记录切出底边毛刺边界,并在原图像中对所选图像范围进行裁剪,获得仅包含切出底边毛刺的图像,如图7所示;所述切出底边毛刺边界由于部分与微结构3相连,因此该部分的边界应以微结构3两端无毛刺的位置为边界线,如图6所示;
6)进行边界连续化处理;
7)降低阈值,重新获取基于Canny算法的毛刺边界提取结果;
8)对图像进行二值化处理,获取切出底边毛刺边界的二值化结果;
9)对第一次提取的切出底边毛刺边界的提取结果进行连续化判断,判断方法如下:
9.1)如图8所示;从图像左侧开始,从上至下搜索值为1像素,然后开始按照图中方向值1-8位置检测周围是否存在值为1的像素;
9.2)若连续(即周围存在值为1的像素),则当前检测的坐标更新为上述值为1的像素位置,S=0,并生成矢量(例如,值为1像素的位置为1,见图8,则矢量为(1,1))、记录方向值;而到了更新后的检测位置,则不再判断与上个方向值相反的像素值,防止出现正反循环检测判断;计算图像左端至右端的像素列数N,当最终的检测位置坐标为x+N时,结束毛刺特征检测与提取;
9.3)当中间出现不连续位置时,S=S+1,△n=1,更新方向值集,对值为1的像素进行搜索;(首选方向为x增大的方向),目的是找到离此间断点最近的下一段边界起始点,因为上述两点在同一个连续边界轮廓上的概率最大。当最终的检测位置坐标为x+N时,结束毛刺特征检测与提取,并记录所有间断点的位置;
10)返回步骤6),在间断点位置附近补充二值化处理的毛刺边界结果,然后重复步骤9),直至出现一条从左到右均连续的切出底边毛刺边界;
11)提取的切出底边毛刺边界虽然连续,但切出底边毛刺内部存在孔洞的缺陷,因此对所提取的图像进一步进行去除孔洞的处理,得到只包含切出底边毛刺连续边界的图像;
12)对切出底边毛刺进行表征;如图9和图10所示的两种切出底边毛刺提取边界所示,将切出底边毛刺分为逆铣区和顺铣区两部分的毛刺,提取如下特征:
12.1)主要切出底边毛刺的总宽度ωb,表示为:
wb=Swb·k (2)
式(2)中,Swb为切出底边毛刺总宽度的像素数;
12.2)平均切出底边毛刺hbmean,表示为:
式(3)中,yb为整个切出底边毛刺提取图中的第b列值为1的像素坐标;y0为毛刺边界线的像素坐标,一般设为0;N为整个切出底边毛刺提取图的像素列数;
12.3)最大切出底边毛刺hbmax,表示为:
12.4)切出底边毛刺的起始位置和百分比分别用Ps和P表示:
式(5)中,xs为切出底边毛刺起始位置的像素横坐标,Su为切出底边毛刺在逆铣区部分的总像素和;
12.5)采用归一化处理使整个微结构3宽为1,则切出底边毛刺在逆铣侧和顺铣侧的特征表示为:
12.51)逆铣侧有毛刺,顺铣侧无毛刺;
当0≤Ps≤0.5且P≤0.5-Ps时:
式(6)中,bu表示逆铣侧毛刺的有无,bd为顺铣侧毛刺的有无,值为1时表示有毛刺,值为0时表示无毛刺;
12.52)逆铣侧有毛刺,顺铣侧有毛刺;
当0≤Ps≤0.5且P>0.5-Ps时:
12.53)逆铣侧无毛刺,顺铣侧有毛刺;
当0.5<Ps且P>0时:
实施例3:
本实施例主要步骤同实施例2,进一步,在步骤4)中,所述的手动识别指通过鼠标点击图像像素位置返回值,来记录标尺两端的像素矢量。
实施例4:
本实施例主要结构同实施例2,进一步,在步骤4)中,所述依据颜色识别指对图像中的特殊颜色(如黄色)进行识别,并计算特殊颜色两端的像素矢量;所述特殊颜色即为标尺设置的颜色(如黄色,如图6所示),标尺的颜色设置可在图像进行拍摄时完成;
所述依据颜色识别的方法需要保证算法中的识别目标颜色应与图像中的标尺颜色一致。
实施例5:
本实施例主要结构同实施例2,进一步,在步骤6)中,进行边界连续化处理过程中,边缘提取质量与计算信噪比、边缘定位精度和单边缘响应精度呈正相关;其中,信噪比为:
式(9)中,G’(x)和h(x)分别表示边缘函数和宽度为ω的滤波器脉冲响应,σ表示高斯噪声的均方差;定位精度为:
式(10)中,G‘(x)和h‘(x)分别为G(x)和h(x)的导数;单边缘响应精度准则为:
式(11)中,h“(x)为h(x)的二阶导数。
实施例6:
本实施例主要结构同实施例2,进一步,在步骤2)中,所述图像采集装置为激光共聚焦扫描电子显微镜。
Claims (5)
1.一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法,其特征在于,包括如下步骤:
1)选择Canny算法作为提取切出底边毛刺特征的基本算法;
2)使用图像采集装置,对微铣削加工产生的切出底边毛刺的特征图像进行采集;
3)在计算机中载入切出底边毛刺拍摄图像;
4)在载入的图像中,手动或依据颜色对切出底边毛刺拍摄图像的标尺进行自动识别和计算;所述的计算标尺比例为:
k=Lpix/Spix (1)
式(1)中,Lpix为标尺实测长度,Spix为对应长度标尺的像素数;
5)点击图像像素位置,记录切出底边毛刺边界,并在原图像中对所选图像范围进行裁剪,获得仅包含切出底边毛刺的图像;
6)进行边界连续化处理;
7)降低阈值,重新获取基于Canny算法的毛刺边界提取结果;
8)对图像进行二值化处理,获取切出底边毛刺边界的二值化结果;
9)对第一次提取的切出底边毛刺边界的提取结果进行连续化判断,判断方法如下:
9.1)从图像左侧开始,从上至下搜索值为1像素,然后开始按照图中方向值1-8位置检测周围是否存在值为1的像素。
9.2)若连续,则当前检测的坐标更新为上述值为1的像素位置,S=0,并生成矢量、记录方向值;而到了更新后的检测位置,则不再判断与上个方向值相反的像素值;计算图像左端至右端的像素列数N,当最终的检测位置坐标为x+N时,结束;
9.3)当中间出现不连续位置时,S=S+1,Δn=1,更新方向值集,对值为1的像素进行搜索;当最终的检测位置坐标为x+N时,结束,并记录所有间断点的位置;
10)返回步骤6),在间断点位置附近补充二值化处理的毛刺边界结果,然后重复步骤9),直至出现一条从左到右均连续的切出底边毛刺边界;
11)对所提取的图像进行去除孔洞的处理,得到只包含切出底边毛刺连续边界的图像;
12)对切出底边毛刺进行表征;将切出底边毛刺分为逆铣区和顺铣区两部分的毛刺,提取如下特征:
12.1)主要切出底边毛刺的总宽度ωb,表示为:
wb=Swb·k (2)
式(2)中,Swb为切出底边毛刺总宽度的像素数;
12.2)平均切出底边毛刺hbmean,表示为:
式(3)中,yb为整个切出底边毛刺提取图中的第b列值为1的像素坐标;y0为毛刺边界线的像素坐标;N为整个切出底边毛刺提取图的像素列数;
12.3)最大切出底边毛刺hbmax,表示为:
12.4)切出底边毛刺的起始位置和百分比分别用Ps和P表示:
式(5)中,xs为切出底边毛刺起始位置的像素横坐标,Su为切出底边毛刺在逆铣区部分的总像素和;
12.5)采用归一化处理使整个微结构宽为1,则切出底边毛刺在逆铣侧和顺铣侧的特征表示为:
12.51)逆铣侧有毛刺,顺铣侧无毛刺;
当0≤Ps≤0.5且P≤0.5-Ps时:
式(6)中,bu表示逆铣侧毛刺的有无,bd为顺铣侧毛刺的有无,值为1时表示有毛刺,值为0时表示无毛刺;
12.52)逆铣侧有毛刺,顺铣侧有毛刺;
当0≤Ps≤0.5且P>0.5-Ps时:
12.53)逆铣侧无毛刺,顺铣侧有毛刺;
当0.5<Ps且P>0时:
2.根据权利要求2所述的一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法,其特征在于,在步骤4)中,所述的手动识别指通过鼠标点击图像像素位置返回值,来记录标尺两端的像素矢量。
3.根据权利要求1所述的一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法,其特征在于,在步骤4)中,所述依据颜色识别指对图像中的特殊颜色进行识别,并计算特殊颜色两端的像素矢量;所述特殊颜色为标尺设置的颜色,标尺的颜色设置在图像进行拍摄时完成。
5.根据权利要求1所述的一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法,其特征在于,在步骤2)中,所述图像采集装置为激光共聚焦扫描电子显微镜。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911187807.XA CN111062959B (zh) | 2019-11-28 | 2019-11-28 | 一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911187807.XA CN111062959B (zh) | 2019-11-28 | 2019-11-28 | 一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062959A true CN111062959A (zh) | 2020-04-24 |
CN111062959B CN111062959B (zh) | 2022-04-12 |
Family
ID=70299089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911187807.XA Active CN111062959B (zh) | 2019-11-28 | 2019-11-28 | 一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062959B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279357A (zh) * | 2021-12-23 | 2022-04-05 | 杭州电子科技大学 | 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110285837A1 (en) * | 2010-05-19 | 2011-11-24 | General Electric Company | Methods and systems for identifying well wall boundaries of microplates |
CN103942812A (zh) * | 2014-03-12 | 2014-07-23 | 华南理工大学 | 基于混合高斯与边缘检测的运动目标检测方法 |
CN106934172A (zh) * | 2017-03-24 | 2017-07-07 | 大连理工大学 | 一种碳纤维复合材料的多刃铣削去除率计算方法 |
CN108332681A (zh) * | 2018-01-03 | 2018-07-27 | 东北大学 | 一种薄壁管材大塑性弯曲截面轮廓曲线的确定方法 |
CN108921819A (zh) * | 2018-05-29 | 2018-11-30 | 黎明职业大学 | 一种基于机器视觉的验布装置及方法 |
CN109141232A (zh) * | 2018-08-07 | 2019-01-04 | 常州好迪机械有限公司 | 一种基于机器视觉的盘类铸件在线检测方法 |
CN109166098A (zh) * | 2018-07-18 | 2019-01-08 | 上海理工大学 | 基于图像处理的工件毛刺检测方法 |
CN109447989A (zh) * | 2019-01-08 | 2019-03-08 | 哈尔滨理工大学 | 基于电机铜排毛刺生长区域的缺陷检测装置和方法 |
US20190339209A1 (en) * | 2016-12-30 | 2019-11-07 | Yuchuan DU | A system for detecting crack growth of asphalt pavement based on binocular image analysis |
-
2019
- 2019-11-28 CN CN201911187807.XA patent/CN111062959B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110285837A1 (en) * | 2010-05-19 | 2011-11-24 | General Electric Company | Methods and systems for identifying well wall boundaries of microplates |
CN103942812A (zh) * | 2014-03-12 | 2014-07-23 | 华南理工大学 | 基于混合高斯与边缘检测的运动目标检测方法 |
US20190339209A1 (en) * | 2016-12-30 | 2019-11-07 | Yuchuan DU | A system for detecting crack growth of asphalt pavement based on binocular image analysis |
CN106934172A (zh) * | 2017-03-24 | 2017-07-07 | 大连理工大学 | 一种碳纤维复合材料的多刃铣削去除率计算方法 |
CN108332681A (zh) * | 2018-01-03 | 2018-07-27 | 东北大学 | 一种薄壁管材大塑性弯曲截面轮廓曲线的确定方法 |
CN108921819A (zh) * | 2018-05-29 | 2018-11-30 | 黎明职业大学 | 一种基于机器视觉的验布装置及方法 |
CN109166098A (zh) * | 2018-07-18 | 2019-01-08 | 上海理工大学 | 基于图像处理的工件毛刺检测方法 |
CN109141232A (zh) * | 2018-08-07 | 2019-01-04 | 常州好迪机械有限公司 | 一种基于机器视觉的盘类铸件在线检测方法 |
CN109447989A (zh) * | 2019-01-08 | 2019-03-08 | 哈尔滨理工大学 | 基于电机铜排毛刺生长区域的缺陷检测装置和方法 |
Non-Patent Citations (6)
Title |
---|
FABRIZIO MEDEOSSI等: ""Novel method for burrs quantitative evaluation in micro-milling"", 《PRECISION ENGINEERING》 * |
JUN CHENG等: ""Experimental study on a novel minimization method of top burr formation in micro-end milling of Ti-6Al-4V"", 《THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
KUSHENDARSYAH SAPTAJI等: ""Effect of side edge angle and effective rake angle on top burrs in micro-milling"", 《PRECISION ENGINEERING》 * |
侯涛等: ""改进 Canny 算子在列车车轮踏面损伤检测中的应用"", 《铁道科学与工程学报》 * |
戴凤强等: ""基于机器视觉的工件边缘毛刺检测系统研究"", 《农业装备与车辆工程》 * |
邓蕊: ""植物根系图像的边界检测方法的研究与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279357A (zh) * | 2021-12-23 | 2022-04-05 | 杭州电子科技大学 | 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统 |
CN114279357B (zh) * | 2021-12-23 | 2024-05-03 | 杭州电子科技大学 | 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111062959B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717872B (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 | |
CN107369136B (zh) | 聚晶金刚石复合片表面裂纹视觉检测方法 | |
WO2022205525A1 (zh) | 基于双目视觉自主式水下机器人回收导引伪光源去除方法 | |
CN108320280B (zh) | 基于视觉清晰度与轮廓提取的熔池图像异常检测方法 | |
CN109461148A (zh) | 基于二维Otsu的钢轨缺陷分割自适应快速算法 | |
CN111369516B (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN114693610A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质 | |
CN110458843B (zh) | 掩模图像的分割方法及系统 | |
CN106886988B (zh) | 一种基于无人机遥感的线性目标检测方法及系统 | |
CN111986175A (zh) | 工业喷嘴所喷液滴的粒径测量方法 | |
CN111062959B (zh) | 一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法 | |
CN115861274A (zh) | 一种融合三维点云与二维图像的裂缝检测方法 | |
CN116958714B (zh) | 晶圆背损伤缺陷的自动识别方法 | |
CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
CN113436102A (zh) | 一种加工零件表面缺陷检测方法 | |
CN112069924A (zh) | 车道线检测方法、装置及计算机可读存储介质 | |
CN110322508B (zh) | 一种基于计算机视觉的辅助定位方法 | |
Cheng et al. | Power pole detection based on graph cut | |
CN117036278A (zh) | 一种基于机器视觉的切削工具凹槽检测方法 | |
CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及系统 | |
CN112330633B (zh) | 基于自适应带通滤波的跨接线胶带破损故障图像分割方法 | |
CN109410186A (zh) | 一种接触网定位器线夹图像检测方法 | |
CN117690142B (zh) | 晶圆字符的预处理方法、设备及存储介质 |
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 |