CN111168136B - 基于高清晰测量的面铣削表面刀纹分割方法及系统 - Google Patents
基于高清晰测量的面铣削表面刀纹分割方法及系统 Download PDFInfo
- Publication number
- CN111168136B CN111168136B CN202010047664.9A CN202010047664A CN111168136B CN 111168136 B CN111168136 B CN 111168136B CN 202010047664 A CN202010047664 A CN 202010047664A CN 111168136 B CN111168136 B CN 111168136B
- Authority
- CN
- China
- Prior art keywords
- knife
- sub
- point cloud
- milling
- cloud data
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23C—MILLING
- B23C9/00—Details or accessories so far as specially adapted to milling machines or cutter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种基于高清晰测量的面铣削表面刀纹分割方法及系统,包括:通过测量得到面铣削表面点云数据,对点云数据进行处理,生成能够反映面铣削表面形貌的灰度图像;对灰度图像进行表面滤波处理,提取周期度最高的子表面;对子表面通过局部自适应阈值算法将子表面二值化;将二值化子表面进行刀纹连接算法处理,通过寻找刀纹断裂处边界点构建凸壳并修复刀纹;采用分水岭算法对修复好的二值刀纹图像进行分割;所述周期度是子表面的自协方差函数的次高峰与最高峰高度值之比。本发明将面铣削表面按照刀具路径进行分割,分割得到的区域是进行表面形貌精细定量化研究的基础,也是传统分水岭算法在具有周期性刀纹表面分割的一种拓展。
Description
技术领域
本发明涉及面铣削表面形貌测量和图像处理技术领域,具体地,涉及一种基于高清晰测量的面铣削表面刀纹分割方法及系统。
背景技术
表面纹理和零件表面加工过程与表面功能有着密切联系。不同尺度的表面纹理产生机制不同,对零件的功能影响也不一样。其中,面铣削表面宏观纹理主要由周期性刀纹组成,属于表面纹理中间尺度,它对零件表面的密封性能有重要影响。精细研究表面刀纹有助于厘清加工参数和中间尺度表面纹理之间的关系,改进加工工艺以提高零件表面密封性能。
面铣削表面按刀纹分割广义上属于表面滤波的范畴。已有的表面滤波标准主要分为两类:基于中线的评定方法和形态学滤波。其中表面分割属于形态学滤波的分支。经典的表面分割方法是分水岭算法,它主要应用于具有离散粒子特征的表面,如砂轮表面。对于具有周期性刀纹的表面,如铣削表面,其分割常常失效。
面铣削表面形貌按刀纹分割需要高清晰大视场测量技术支撑。专利文献WO2008070746A2名称为“SYSTEM AND METHOD FOR SHIFTING PHASE IN A MULTI-WAVELENGTH INTERFEROMETRIC IMAGING SYSTEM”,提出的三维高分辨率表面形貌测量技术能够对零件表面形貌进行整体检测,能够生成反映零件整体表面形貌的三维高密度点云数据,该数据为X、Y、Z三维坐标格式,以及彩色编码的三维表面形貌图像。专利文献申请号201210046615.9名称为“零件表面形貌三维高密度点云数据转化为灰度图像的方法”,提出了把测量点云转化为灰度图像的方法。以上两个专利为本专利提供了技术基础。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于高清晰测量的面铣削表面刀纹分割方法及系统。
根据本发明提供的一种基于高清晰测量的面铣削表面刀纹分割方法,包括:
步骤M1:通过测量得到面铣削表面点云数据,对点云数据进行处理,生成能够反映面铣削表面形貌的灰度图像;
步骤M2:对灰度图像进行表面滤波处理,提取周期度最高的子表面;
步骤M3:对子表面进行阈值处理,通过局部自适应阈值算法将子表面二值化;
步骤M4:将二值化子表面进行刀纹连接算法处理,通过寻找刀纹断裂处边界点构建凸壳并修复刀纹;
步骤M5:采用分水岭算法对修复好的二值刀纹图像进行分割;
所述周期度是子表面的自协方差函数的次高峰与最高峰高度值之比。
优选地,所述步骤M1包括:通过三维高分辨率表面形貌测量技术测量面铣削零件表面得到三维高密度点云数据,然后利用MATLAB将三维高密度点云数据转化为灰度图像。
优选地,所述步骤M2中表面滤波处理包括:采用双正交小波、剪切波、高斯滤波和/或样条滤波进行表面滤波处理。
优选地,所述步骤M3中局部自适应阈值公式包括:
Txy=aσxy+bmxy (1)
其中,其中σxy代表邻域像素值标准差,mxy代表邻域像素值均值,下标xy表示中心像素点的横纵坐标值,a,b分别表示标准差和均值的系数。
优选地,所述步骤M4包括:根据刀纹区域间最小距离判断断裂刀纹和连续刀纹。
根据本发明提供的一种基于高清晰测量的面铣削表面刀纹分割系统,包括:
模块M1:通过测量得到面铣削表面点云数据,对点云数据进行处理,生成能够反映面铣削表面形貌的灰度图像;
模块M2:对灰度图像进行表面滤波处理,提取周期度最高的子表面;
模块M3:对子表面进行阈值处理,通过局部自适应阈值算法将子表面二值化;
模块M4:将二值化子表面进行刀纹连接算法处理,通过寻找刀纹断裂处边界点构建凸壳并修复刀纹;
模块M5:采用分水岭算法对修复好的二值刀纹图像进行分割;
所述周期度是子表面的自协方差函数的次高峰与最高峰高度值之比。
优选地,所述模块M1包括:通过三维高分辨率表面形貌测量技术测量面铣削零件表面得到三维高密度点云数据,然后利用MATLAB将三维高密度点云数据转化为灰度图像。
优选地,所述模块M2中表面滤波处理包括:采用双正交小波、剪切波、高斯滤波和/或样条滤波进行表面滤波处理。
优选地,所述模块M3中局部自适应阈值公式包括:
Txy=aσxy+bmxy (1)
其中,其中σxy代表邻域像素值标准差,mxy代表邻域像素值均值,下标xy表示中心像素点的横纵坐标值,a,b分别表示标准差和均值的系数。
优选地,所述模块M4包括:根据刀纹区域间最小距离判断断裂刀纹和连续刀纹。
与现有技术相比,本发明具有如下的有益效果:
1、本发明生成的表面分割方法,可以对具有周期性刀纹特征的表面按刀具路径进行精确分割,在此基础上可以精细量化刀具加工路径上零件表面形貌的变化规律,有助于诊断表面质量问题的根源,如刀具磨损等。相比于经典的分水岭分割算法,本文提出的分割算法结果更具有物理意义,和加工过程联系更为紧密。
2、本发明可以将面铣削表面按照刀具路径进行分割,分割得到的区域是进行表面形貌精细定量化研究的基础,也是传统分水岭算法在具有周期性刀纹表面分割的一种拓展。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的流程图;
图2为缸体顶面灰度图像及其局部放大图;
图3为采用双正交小波滤波并挑选的周期度最高的子表面;
图4为子表面阈值化之后的二值图像;
图5为刀纹修复的过程及结果;
图6为叠加于原始表面的分割结果;
图7为叠加于子表面的分割结果。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
传统表面分割算法,如分水岭算法,无法对具有周期性刀纹表面产生合理的分割结果。本发明提出了一种基于高清晰测量的面铣削表面刀纹分割方法。通过测量表面高清晰点云数据并转化为灰度图像,通过表面滤波、局部自适应阈值处理,刀纹连接和分水岭分割四步完成对刀纹表面的分割。
根据本发明提供的一种基于高清晰测量的面铣削表面刀纹分割方法,如图1所示,包括:
步骤M1:通过测量得到面铣削表面点云数据,对点云数据进行处理,生成能够反映面铣削表面形貌的灰度图像;
具体地,所述步骤M1包括:通过三维高分辨率表面形貌测量技术测量面铣削零件表面得到三维高密度点云数据,然后利用MATLAB将三维高密度点云数据转化为灰度图像。
根据专利CN201210046615.9公开的一种零件表面形貌三维高密度点云数据转化为灰度图像的方法生成缸体顶面表面形貌的灰度图像并取样,如图2所示。
步骤M2:对灰度图像进行表面滤波处理,提取周期度最高的子表面,如图3所示;
具体地,所述步骤M2中表面滤波处理包括:采用双正交小波、剪切波、高斯滤波和/或样条滤波进行表面滤波处理。
为了便于展示算法效果,从顶面测量数据中取一个字样进行分割。采用双正交小波分解,得到一系列子表面,如图3所示。对每个子表面,计算其自协方差函数,再根据周期度定义(AACV中次高峰与最高峰高度值之比),计算每个子表面周期度,如表1所示。根据表1,子表面D4周期度最高,所以选择子表面D4。
表1子表面D1到D5的周期度
步骤M3:对子表面进行阈值处理,通过局部自适应阈值算法将子表面二值化,二值化结果如图4所示;
具体地,所述步骤M3中局部自适应阈值公式包括:
Txy=aσxy+bmxy (1)
其中,其中σxy代表邻域像素值标准差,mxy代表邻域像素值均值,领域大小为7×7的窗口,下标xy表示中心像素点的横纵坐标值,如果中心点像素值大于Txy,则该点像素值置1,否则置0,a,b分别表示标准差和均值的系数,a=1.5,b=1应用于面铣削表面效果较好。a,b分别是标准差和均值的系数,不同的a,b值组合可产生不同的二值化效果,对于面铣削表面而言,a=1.5,b=1可产生较好的分割效果。
对于其他带有刀纹的零件表面,如切削表面,a,b可能需要调整以达到最佳分割效果
步骤M4:将二值化子表面进行刀纹连接算法处理,通过寻找刀纹断裂处边界点构建凸壳并修复刀纹;修补完成的图像如图5所示。
具体地,所述步骤M4包括:根据刀纹区域间最小距离判断断裂刀纹和连续刀纹。刀纹区域间最小距离是一个矩阵M,第i行第j列矩阵元素M(i,j)表示刀纹区域i和刀纹区域j之间的最小距离。该矩阵每一列的最小值抽取出来构成一个向量V,以该向量的最大值的一半作为阈值,记作DT。如果向量V的第i个元素V(i)大于DT,则刀纹区域i属于连续刀纹,否则属于断裂刀纹。
由于实际表面的不规则性,二值化之后的刀纹表面可能出现刀纹不连续的情况,不连续的刀纹会导致错误的分割,所以需要采用连接算法进行修复。
如图4中可以看出,右上角的刀纹出现了断裂情况,需要重新连接以形成完整刀纹。对图5中的白色区域进行标号,计算刀纹区域间最小距离矩阵M,如表2所示,最后一行表示每一列的最小值,记为min(M)。矩阵元素M(i,j)表示区域i与区域j之间的最小距离。判断刀纹属于断裂刀纹还是连续刀纹由距离阈值DT决定。距离阈值DT的公式根据工程经验取为min(M)的最大值的一半,因为min(M)的最大值可以视为连续刀纹间的间距,而通常断裂刀纹的裂口距离不超过连续刀纹间距的一半。所以DT=50%×max(min(M))=50%×13.34=6.67。如果min(M)(i)<DT,则区域i属于断裂刀纹,否则区域i属于连续刀纹。根据这个准则,可以算出区域1,2,3属于连续刀纹,而区域4,5属于断裂刀纹。将区域4,5单独提取出来,如图5(a)所示,寻找断裂处边界点并构建凸壳,如图5(b)红框所示,填充凸壳完成修复,如图5(c)所示。将修复好的断裂刀纹与原本连续的刀纹合在一起,形成完整的修复刀纹如图5(d)所示。
表2刀纹区域间最小距离矩阵
步骤M5:采用分水岭算法对修复好的二值刀纹图像进行分割;分割结果叠加到原始表面形貌上如图6所示,分割结果叠加到周期度最高子表面上如图7所示。分解结果叠加到原始表面形貌上为了便于直接观察刀纹的分布,验证分割结果是否合理。因为周期度最高子表面显示刀纹更加清楚,所以将分割结果叠加到子表面也是为了更好的验证分割结果的有效性。
所述周期度是子表面的自协方差函数的次高峰与最高峰高度值之比。
根据本发明提供的一种基于高清晰测量的面铣削表面刀纹分割系统,包括:
模块M1:通过测量得到面铣削表面点云数据,对点云数据进行处理,生成能够反映面铣削表面形貌的灰度图像;
具体地,所述模块M1包括:通过三维高分辨率表面形貌测量技术测量面铣削零件表面得到三维高密度点云数据,然后利用MATLAB将三维高密度点云数据转化为灰度图像。
根据专利CN201210046615.9公开的一种零件表面形貌三维高密度点云数据转化为灰度图像的方法生成缸体顶面表面形貌的灰度图像并取样,如图2所示。
模块M2:对灰度图像进行表面滤波处理,提取周期度最高的子表面,如图3所示;
具体地,所述模块M2中表面滤波处理包括:采用双正交小波、剪切波、高斯滤波和/或样条滤波进行表面滤波处理。
为了便于展示算法效果,从顶面测量数据中取一个字样进行分割。采用双正交小波分解,得到一系列子表面,如图3所示。对每个子表面,计算其自协方差函数,再根据周期度定义(AACV中次高峰与最高峰高度值之比),计算每个子表面周期度,如表1所示。根据表1,子表面D4周期度最高,所以选择子表面D4。
表1子表面D1到D5的周期度
模块M3:对子表面进行阈值处理,通过局部自适应阈值算法将子表面二值化,二值化结果如图4所示;
具体地,所述模块M3中局部自适应阈值公式包括:
Txy=aσxy+bmxy (1)
其中,其中σxy代表邻域像素值标准差,mxy代表邻域像素值均值,领域大小为7×7的窗口,下标xy表示中心像素点的横纵坐标值,如果中心点像素值大于Txy,则该点像素值置1,否则置0,a,b分别表示标准差和均值的系数,a=1.5,b=1应用于面铣削表面效果较好。a,b分别是标准差和均值的系数,不同的a,b值组合可产生不同的二值化效果,对于面铣削表面而言,a=1.5,b=1可产生较好的分割效果。
对于其他带有刀纹的零件表面,如切削表面,a,b可能需要调整以达到最佳分割效果
模块M4:将二值化子表面进行刀纹连接算法处理,通过寻找刀纹断裂处边界点构建凸壳并修复刀纹;修补完成的图像如图5所示。
具体地,所述模块M4包括:根据刀纹区域间最小距离判断断裂刀纹和连续刀纹。刀纹区域间最小距离是一个矩阵M,第i行第j列矩阵元素M(i,j)表示刀纹区域i和刀纹区域j之间的最小距离。该矩阵每一列的最小值抽取出来构成一个向量V,以该向量的最大值的一半作为阈值,记作DT。如果向量V的第i个元素V(i)大于DT,则刀纹区域i属于连续刀纹,否则属于断裂刀纹。
由于实际表面的不规则性,二值化之后的刀纹表面可能出现刀纹不连续的情况,不连续的刀纹会导致错误的分割,所以需要采用连接算法进行修复。
如图4中可以看出,右上角的刀纹出现了断裂情况,需要重新连接以形成完整刀纹。对图4中的白色区域进行标号,计算刀纹区域间最小距离矩阵M,如表2所示,最后一行表示每一列的最小值,记为min(M)。矩阵元素M(i,j)表示区域i与区域j之间的最小距离。判断刀纹属于断裂刀纹还是连续刀纹由距离阈值DT决定。距离阈值DT的公式根据工程经验取为min(M)的最大值的一半,因为min(M)的最大值可以视为连续刀纹间的间距,而通常断裂刀纹的裂口距离不超过连续刀纹间距的一半。所以DT=50%×max(min(M))=50%×13.34=6.67。如果min(M)(i)<DT,则区域i属于断裂刀纹,否则区域i属于连续刀纹。根据这个准则,可以算出区域1,2,3属于连续刀纹,而区域4,5属于断裂刀纹。将区域4,5单独提取出来,如图5(a)所示,寻找断裂处边界点并构建凸壳,如图5(b)红框所示,填充凸壳完成修复,如图5(c)所示。将修复好的断裂刀纹与原本连续的刀纹合在一起,形成完整的修复刀纹如图5(d)所示。
表2刀纹区域间最小距离矩阵
模块M5:采用分水岭算法对修复好的二值刀纹图像进行分割;分割结果叠加到原始表面形貌上如图6所示,分割结果叠加到周期度最高子表面上如图7所示。分解结果叠加到原始表面形貌上为了便于直接观察刀纹的分布,验证分割结果是否合理。因为周期度最高子表面显示刀纹更加清楚,所以将分割结果叠加到子表面也是为了更好的验证分割结果的有效性。
所述周期度是子表面的自协方差函数的次高峰与最高峰高度值之比。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (4)
1.一种基于高清晰测量的面铣削表面刀纹分割方法,其特征在于,包括:
步骤M1:通过测量得到面铣削表面点云数据,对点云数据进行处理,生成能够反映面铣削表面形貌的灰度图像;
步骤M2:对灰度图像进行表面滤波处理,提取周期度最高的子表面;
步骤M3:对子表面进行阈值处理,通过局部自适应阈值算法将子表面二值化;
步骤M4:将二值化子表面进行刀纹连接算法处理,通过寻找刀纹断裂处边界点构建凸壳并修复刀纹;
步骤M5:采用分水岭算法对修复好的二值刀纹图像进行分割;达到面铣削表面形貌按刀具路径精确分割的目标;
所述周期度是子表面的自协方差函数的次高峰与最高峰高度值之比;
所述步骤M2中表面滤波处理包括:采用双正交小波、剪切波、高斯滤波和/或样条滤波进行表面滤波处理;
所述步骤M3中局部自适应阈值公式包括:
Txy=aσxy+bmxy (1)
其中,其中σxy代表邻域像素值标准差,mxy代表邻域像素值均值,邻域大小为预设值的窗口,下标xy表示中心像素点的横纵坐标值,a,b分别表示标准差和均值的系数;
所述步骤M4包括:根据刀纹区域间最小距离判断断裂刀纹和连续刀纹,对于断裂刀纹,采用寻找断口边界点构建凸壳的方式修复;刀纹区域间最小距离是一个矩阵M,第i行第j列矩阵元素M(i,j)表示刀纹区域i和刀纹区域j之间的最小距离;该矩阵每一列的最小值抽取出来构成一个向量V,以该向量的最大值的一半作为阈值,记作DT;如果向量V的第i个元素V(i)大于DT,则刀纹区域i属于连续刀纹,否则属于断裂刀纹;
对每个子表面,计算自协方差函数,再根据周期度定义,计算每个子表面周期度。
2.根据权利要求1所述的一种基于高清晰测量的面铣削表面刀纹分割方法,其特征在于,所述步骤M1包括:通过三维高分辨率表面形貌测量技术测量面铣削零件表面得到三维高密度点云数据,然后利用MATLAB将三维高密度点云数据转化为灰度图像。
3.一种基于高清晰测量的面铣削表面刀纹分割系统,其特征在于,包括:
模块M1:通过测量得到面铣削表面点云数据,对点云数据进行处理,生成能够反映面铣削表面形貌的灰度图像;
模块M2:对灰度图像进行表面滤波处理,提取周期度最高的子表面;
模块M3:对子表面进行阈值处理,通过局部自适应阈值算法将子表面二值化;
模块M4:将二值化子表面进行刀纹连接算法处理,通过寻找刀纹断裂处边界点构建凸壳并修复刀纹;
模块M5:采用分水岭算法对修复好的二值刀纹图像进行分割;达到面铣削表面形貌按刀具路径精确分割的目标;
所述周期度是子表面的自协方差函数的次高峰与最高峰高度值之比;
所述模块M2中表面滤波处理包括:采用双正交小波、剪切波、高斯滤波和/或样条滤波进行表面滤波处理;
所述模块M3中局部自适应阈值公式包括:
Txy=aσxy+bmxy (1)
其中,其中σxy代表邻域像素值标准差,mxy代表邻域像素值均值,邻域大小为预设值的窗口,下标xy表示中心像素点的横纵坐标值,a,b分别表示标准差和均值的系数;
所述模块M4包括:根据刀纹区域间最小距离判断断裂刀纹和连续刀纹,对于断裂刀纹,采用寻找断口边界点构建凸壳的方式修复;刀纹区域间最小距离是一个矩阵M,第i行第j列矩阵元素M(i,j)表示刀纹区域i和刀纹区域j之间的最小距离;该矩阵每一列的最小值抽取出来构成一个向量V,以该向量的最大值的一半作为阈值,记作DT;如果向量V的第i个元素V(i)大于DT,则刀纹区域i属于连续刀纹,否则属于断裂刀纹;
对每个子表面,计算自协方差函数,再根据周期度定义,计算每个子表面周期度。
4.根据权利要求3所述的一种基于高清晰测量的面铣削表面刀纹分割系统,其特征在于,所述模块M1包括:通过三维高分辨率表面形貌测量技术测量面铣削零件表面得到三维高密度点云数据,然后利用MATLAB将三维高密度点云数据转化为灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010047664.9A CN111168136B (zh) | 2020-01-16 | 2020-01-16 | 基于高清晰测量的面铣削表面刀纹分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010047664.9A CN111168136B (zh) | 2020-01-16 | 2020-01-16 | 基于高清晰测量的面铣削表面刀纹分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111168136A CN111168136A (zh) | 2020-05-19 |
CN111168136B true CN111168136B (zh) | 2021-08-06 |
Family
ID=70652829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010047664.9A Active CN111168136B (zh) | 2020-01-16 | 2020-01-16 | 基于高清晰测量的面铣削表面刀纹分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111168136B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113145905B (zh) * | 2021-03-26 | 2021-12-24 | 力度工业智能科技(苏州)有限公司 | 发动机缸体顶面铣削刀痕测量预测及优化方法及装置 |
CN113487613B (zh) * | 2021-09-08 | 2021-11-16 | 广东省农业科学院动物科学研究所 | 一种猪肠上皮损伤修复图像识别方法及系统 |
CN114200891B (zh) * | 2021-12-10 | 2023-09-22 | 上海交通大学 | 无模型筒形铸件内腔铣削加工系统及轨迹规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2392594A (en) * | 2002-07-22 | 2004-03-03 | Marc Cardle | Self-similarity editing to modify textures across an image |
CN102592284A (zh) * | 2012-02-27 | 2012-07-18 | 上海交通大学 | 零件表面形貌三维高密度点云数据转化为灰度图像的方法 |
CN110210398A (zh) * | 2019-06-03 | 2019-09-06 | 宁波智能装备研究院有限公司 | 一种三维点云语义分割标注方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2431793B (en) * | 2005-10-31 | 2011-04-27 | Sony Uk Ltd | Image processing |
-
2020
- 2020-01-16 CN CN202010047664.9A patent/CN111168136B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2392594A (en) * | 2002-07-22 | 2004-03-03 | Marc Cardle | Self-similarity editing to modify textures across an image |
CN102592284A (zh) * | 2012-02-27 | 2012-07-18 | 上海交通大学 | 零件表面形貌三维高密度点云数据转化为灰度图像的方法 |
CN110210398A (zh) * | 2019-06-03 | 2019-09-06 | 宁波智能装备研究院有限公司 | 一种三维点云语义分割标注方法 |
Non-Patent Citations (1)
Title |
---|
基于数字图像的刀具磨损状态监测研究;封海蕊;《中国优秀硕士学位论文全文数据库》;20131216(第12期);第22-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111168136A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111168136B (zh) | 基于高清晰测量的面铣削表面刀纹分割方法及系统 | |
CN107358636B (zh) | 一种基于纹理合成的疏松缺陷图像生成方法 | |
CN105550691B (zh) | 基于尺度空间的自适应山谷山脊线提取方法及系统 | |
CN110348435B (zh) | 一种基于区域候选网络的目标检测方法及系统 | |
CN110503721B (zh) | 基于加权径向基函数插值的断裂地形保持方法 | |
CN103455991A (zh) | 一种多聚焦图像融合方法 | |
CN103903275A (zh) | 利用小波融合算法改进图像分割效果的方法 | |
CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN116992740B (zh) | 一种通讯基站精密部件生产设备的智能调控方法及系统 | |
Zhou et al. | Point cloud denoising using non-local collaborative projections | |
CN111639560A (zh) | 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 | |
CN108197627A (zh) | 一种沿顺时针方向提取二值图形轮廓的方法 | |
CN104992176B (zh) | 一种面向碑文的汉字提取方法 | |
CN106023105B (zh) | 一种植物叶片的二值图像生成方法及系统 | |
Chen et al. | Overview of digital image restoration | |
CN116309284A (zh) | 坡面顶/底线提取系统及方法 | |
CN113570524B (zh) | 一种用于高反光噪声深度图像的修复方法 | |
Min et al. | Improved range image segmentation by analyzing surface fit patterns | |
CN111932566B (zh) | 一种模型轮廓图生成方法、装置和系统 | |
Lee et al. | Robust 3D mesh hashing based on shape features | |
CN108062433B (zh) | 基于增材再制造点云模型的梯度曲面分层方法 | |
CN111311586A (zh) | 基于非线性健康分析系统数据多指标动态整合算法和系统 | |
CN117974656B (zh) | 基于电子辅料加工下的材料切片方法及系统 | |
Bakhtiari et al. | An enhanced empirical mode decomposition based method for image enhancement | |
Lin et al. | Weighted two-dimensional Otsu threshold approached for image segmentation |
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 |