CN111354009A - 激光增材制造熔池形状的提取方法 - Google Patents
激光增材制造熔池形状的提取方法 Download PDFInfo
- Publication number
- CN111354009A CN111354009A CN202010125857.1A CN202010125857A CN111354009A CN 111354009 A CN111354009 A CN 111354009A CN 202010125857 A CN202010125857 A CN 202010125857A CN 111354009 A CN111354009 A CN 111354009A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- molten pool
- contour
- axis
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 31
- 239000000654 additive Substances 0.000 title claims abstract description 25
- 230000000996 additive effect Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims description 51
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 230000007547 defect Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000004544 sputter deposition Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000010410 dusting Methods 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G06T5/70—
-
- 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
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种激光增材制造熔池形状的提取方法,方法包括以下步骤:对输入的熔池图像进行灰度化处理生成灰度图像,对所述灰度图像进行滤波处理,对滤波后的每一帧灰度图像进行二值化处理得到二值化图像,当输入的熔池图像不是与激光同轴采集时,识别并去除二值化图像中的反射斑,提取二值化图像中的熔池图像轮廓,获取所述熔池图像轮廓的外接最小矩形,其中,外接最小矩形的长与宽为熔池的长与宽。
Description
技术领域
本发明属于熔池图像处理技术领域,特别是一种激光增材制造熔池形状的提取方法。
背景技术
作为一种重要的制造技术,激光增材制造被广泛的应用在工业制造、航空航天、生物医疗等各个领域。在激光增材制造过程中,对熔池的在线监控,包括对熔池的温度、形状、面积和长宽等的动态变化过程进行实时检测,研究这些动态变化对产品的影响,从而对制造过程中出现的异常进行监测,对保证最终产品的质量、分析打印层的缺陷具有十分重要的意义。但由于激光功率大、扫描速度快,制造过程中每秒钟可采集大量熔池图片,并且由于熔池周围伴随有大量的飞溅和弧光干扰等,都会对熔池监控系统所采集到的熔池图像造成不可避免的影响,从而影响熔池信息的提取。
对于熔池参数的检测,现有的方法是对熔池进行椭圆拟合处理,再计算熔池的相关参数,该方法可以求出熔池的面积和长宽参数,但椭圆拟合处理过程复杂,受背景噪声的影响大,且仅限于椭圆形或近似椭圆的熔池边缘;还有利用熔池图像的像素值计算熔池的主惯轴从而得到相应参数,该方法对不同形状的熔池普适性不高,当熔池形状不规则时所求结果不够精确。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解,因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
发明内容
本发明提出激光增材制造熔池形状的提取方法,对激光增材制造过程中的熔池进行滤波降噪,有效减小了噪声对熔池轮廓提取的影响,并通过计算熔池轮廓的外接矩形来计算熔池的长和宽,能够准确提取熔池的长和宽信息,算法原理简单易懂,运行时间短,对任意形状的熔池普适性高,有助于后续对熔池其他信息的提取和制造缺陷的检测。
本发明的目的是通过以下技术方案予以实现,一种激光增材制造熔池形状的提取方法包括以下步骤:
第一步骤中,对输入的熔池图像进行灰度化处理生成灰度图像,
第二步骤中,对所述灰度图像进行滤波处理,其中,对于每一帧所述灰度图像上的像素I(x,y)确定相同的滤波半径a,基于与点(x,y)距离小于等于a的点(i,j)确定其权值其中σ为灰度图像的方差,并将针对点(x,y)的权值归一化,得到归一化后的滤波模版T(x,y)i,j,滤波后点(x,y)的像素值I(x,y)filtered=∑(i,j)T(x,y)i,j*I(i,j)grey,其中I(i,j)grey为点(i,j)的像素值,遍历整幅每一帧灰度图像b次得到滤波后的每一帧灰度图像,
第三步骤中,对滤波后的每一帧灰度图像进行二值化处理得到二值化图像,当输入的熔池图像不是与激光同轴采集时,识别并去除二值化图像中的反射斑,
第四步骤中,提取二值化图像中的熔池图像轮廓,其中,按照预定顺序对所述二值化图像进行遍历,当像素I(x,y-1)bin=0,像素I(x,y)bin=1,则像素(x,y)是轮廓点;当像素I(x,y)bin=1,像素I(x,y+1)bin=0,则像素(x,y)是轮廓点,记轮廓点像素的集合为(xk,yk),k=1,2....n,
第五步骤中,获取所述熔池图像轮廓的外接最小矩形,其中,外接最小矩形的长与宽为熔池的长与宽。
所述的方法中,第五步骤包括,
S502:基于所述熔池中心点,求过熔池中心点的熔池的长轴、短轴和长轴与x轴的夹角角度,其中,轮廓点为(xk,yk),k=1,2,…,n,熔池长轴与水平轴夹角为θ,过熔池中心点的角度为θ的长轴方程为:垂直于长轴的短轴方程为:轮廓点(xk,yk)距长轴的距离为:所有轮廓点距长轴的平方和为:使P最小,即得到θ,
S505:得到位于短轴左方和右方的点后,计算左方和右方距离短轴最远的点,
S506:距离长轴最远的两点为(x1,y1)和(x2,y2),则经过点(x1,y1),且与长轴平行的直线方程为:(x-x1)tanθ-(y-y1)=0,过(x2,y2)且平行于长轴的直线方程为:(x-x2)tanθ-(y-y2)=0,距离短轴最远的两点为(x3,y3)和(x4,y4),则经过该两点且平行于短轴的两条线为:(x-x3)tanθ-(y-y3)=0和(x-x4)tanθ-(y-y4)=0,
S507:求四条线的交点得到外接矩形的四个顶点,连接四个顶点得到外接矩形,外接矩形的长为熔池的长,宽为熔池的宽。
所述的方法中,第一步骤中,输入的熔池图像为增材制造在线监控视频的每一帧图像。
所述的方法中,第一步骤中,所述灰度化处理中,I(x,y)grey=0.333B(x,y)+0.333G(x,y)+0.333R(x,y),其中B(x,y)、G(x,y)和R(x,y)是彩色图像中点(x,y)的蓝色、绿色和红色分量的值。
所述的方法中,第二步骤中,所述的滤波半径a为1,遍历次数b为1。
所述的方法中,第三步骤中,识别并去除二值化图像中的反射斑中,对二值图像进行腐蚀处理,确定结构元素半径为c,将与点(x,y)距离小于等于c的点记为(x′,y′),腐蚀处理是求二值图像中结构元素(x′,y′)中最小的像素值,所述最小的像素值为腐蚀后(x,y)点的像素值:E(x,y)erode=minelement(x′,y′)≠0I(x′,y′),对腐蚀后的图像进行膨胀处理,求腐蚀后的图像的结构元素(x′,y′)中最大的像素值,所述最大的像素值即为膨胀后(x,y)点的像素值:D(x,y)dilate=maxelement(x′,y′)≠0E(x′,y′)。
所述的方法中,第五步骤中,通过对在熔池图像轮廓内的滤波后的每一帧图像中的像素进行积分获得积分强度;获得每一帧熔池中心点位置。
所述的方法中,基于所述熔池中心点位置计算增材制造运动速度与方向,其中,积分强度和运动速度与输入能量成正向相关,通过与增材制造模型、相邻两道熔池尺寸对比,监控增材制造每一道间的熔接。
所述的方法中,第五步骤中,基于每一帧熔池的长与宽得到熔池长和宽的变化曲线,监测长和宽的曲线变化,当数值突然增加或减小超过预定值时,熔池产生缺陷。
所述的方法中,缺陷包括溅射、未熔透、浮粉、气泡或夹杂。
和现有技术相比,本发明具有以下优点:
本发明所述的方法有效减小了噪声对熔池轮廓提取的影响,并通过计算熔池轮廓的外接矩形来计算熔池的长和宽,能够准确提取熔池的长和宽信息,算法原理简单易懂,运行时间短,对任意形状的熔池普适性高,有助于后续对熔池其他信息的提取和制造缺陷的检测,即便熔池形状不规则时所求结果也十分精确。
附图说明
通过阅读下文优选的具体实施方式中的详细描述,本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。显而易见地,下面描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。而且在整个附图中,用相同的附图标记表示相同的部件。
在附图中:
图1是根据本发明一个实施例的激光增材制造熔池形状的提取方法的步骤示意图;
图2是根据本发明一个实施例的熔池原图;
图3是根据本发明一个实施例的提取方法的最小外接矩形示意图。
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
下面将参照附图1至图3更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
为便于对本发明实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且各个附图并不构成对本发明实施例的限定。
为了更好地理解,图1是根据本发明一个实施例的方法的步骤示意图,如图1所示,一种激光增材制造熔池形状的提取方法包括以下步骤:
第一步骤(S100)中,对输入的熔池图像进行灰度化处理生成灰度图像,
第二步骤(S200)中,对所述灰度图像进行滤波处理,其中,对于每一帧所述灰度图像上的像素I(x,y)确定相同的滤波半径a,基于与点(x,y)距离小于等于a的点(i,j)确定其权值其中σ为灰度图像的方差,并将针对点(x,y)的权值归一化,得到归一化后的滤波模版T(x,y)i,j,滤波后点(x,y)的像素值I(x,y)filtered=∑(i,j)T(x,y)i,j*I(i,j)grey,其中I(i,j)grey为点(i,j)的像素值,遍历整幅每一帧灰度图像b次得到滤波后的每一帧灰度图像,
第三步骤(S300)中,对滤波后的每一帧灰度图像进行二值化处理得到二值化图像,当输入的熔池图像不是与激光同轴采集时,识别并去除二值化图像中的反射斑,
第四步骤(S400)中,提取二值化图像中的熔池图像轮廓,其中,按照预定顺序对所述二值化图像进行遍历,当像素I(x,y-1)bin=0,像素I(x,y)bin=1,则像素(x,y)是轮廓点;当像素I(x,y)bin=1,像素I(x,y+1)bin=0,则像素(i,j)是轮廓点,轮廓点像素的集合为(xk,yk),k=1,2....n,
第五步骤(S500)中,获取所述熔池图像轮廓的外接最小矩形,其中,外接最小矩形的长与宽为熔池的长与宽。
本发明对输入熔池图像进行灰度化处理,对灰度化后的图像进行降噪滤波处理和二值化阈值分割处理,得到熔池二值化图像,再对熔池二值化图像进行轮廓检测,得到熔池轮廓点,最后求包围熔池轮廓的外接的面积最小的矩形,该矩形的长和宽就是所求熔池的长和宽,显著提高了提取精度。
所述的方法的优选实施方式中,第五步骤(S500)包括,
S502:基于所述熔池中心点,求过熔池中心点的熔池的长轴、短轴和长轴与x轴的夹角角度,其中,轮廓点为(xk,yk),k=1,2,…,n,熔池长轴与水平轴夹角为θ,过熔池中心点的角度为θ的长轴方程为:垂直于长轴的短轴方程为:轮廓点(xk,yk)距长轴的距离为:所有轮廓点距长轴的平方和为:使P最小,即得到θ,
S505:得到位于短轴左方和右方的点后,计算左方和右方距离短轴最远的点,
S506:距离长轴最远的两点为(x1,y1)和(x2,y2),则经过点(x1,y1),且与长轴平行的直线方程为:(x-x1)tanθ-(y-y1)=0,过(x2,y2)且平行于长轴的直线方程为:(x-x2)tanθ-(y-y2)=0,距离短轴最远的两点为(x3,y3)和(x4,y4),则经过该两点且平行于短轴的两条线为:(x-x3)tanθ-(y-y3)=0和(x-x4)tanθ-(y-y4)=0,
S507:求四条线的交点得到外接矩形的四个顶点,连接四个顶点得到外接矩形,外接矩形的长为熔池的长,宽为熔池的宽。
所述的方法的优选实施方式中,第一步骤(S100)中,输入的熔池图像为增材制造在线监控视频的每一帧图像。
所述的方法的优选实施方式中,第一步骤(S100)中,所述灰度化处理中,I(x,y)grey=0.333B(x,y)+0.333G(x,y)+0.333R(x,y),其中B(x,y)、G(x,y)和R(x,y)是彩色图像中点(x,y)的蓝色、绿色和红色分量的值。
所述的方法的优选实施方式中,第二步骤(S200)中,所述的滤波半径a为1,遍历次数b为1。
所述的方法的优选实施方式中,第三步骤(S300)中,识别并去除二值化图像中的反射斑中,对二值图像进行腐蚀处理,确定结构元素半径为c,将与点(x,y)距离小于等于c的点记为(x′,y′),腐蚀处理是求二值图像中结构元素(x′,y′)中最小的像素值,所述最小的像素值为腐蚀后(x,y)点的像素值:E(x,y)erode=minelement(x′,y′)≠0I(x′,y′),对腐蚀后的图像进行膨胀处理,求腐蚀后的图像的结构元素(x′,y′)中最大的像素值,所述最大的像素值即为膨胀后(x,y)点的像素值:D(x,y)dilate=maxelement(x′,y′)≠0E(x′,y′)。
所述的方法的优选实施方式中,第五步骤(S500)中,通过对在熔池图像轮廓内的滤波后的每一帧图像中的像素进行积分获得积分强度;获得每一帧熔池中心点位置。
所述的方法的优选实施方式中,基于所述熔池中心点位置计算增材制造运动速度与方向,其中,积分强度和运动速度与输入能量成正向相关,通过与增材制造模型、相邻两道熔池尺寸对比,监控增材制造每一道间的熔接。
所述的方法的优选实施方式中,第五步骤(S500)中,基于每一帧熔池的长与宽得到熔池长和宽的变化曲线,监测长和宽的曲线变化,当数值突然增加或减小超过预定值时,熔池产生缺陷。
所述的方法的优选实施方式中,缺陷包括溅射、未熔透、浮粉、气泡或夹杂。
为了进一步理解本发明,使用316L的激光增材制造熔池图像为例具体描述本发明的具体实施步骤与技术细节。
本具体实施例的方法中使用的熔池图像如图2所示。方法为:
步骤1:对输入的熔池图像进行灰度化转变。灰色化后的像素值I(x,y)grey=0.333B(x,y)+0.333G(x,y)+0.333R(x,y),B(x,y)、G(x,y)和R(x,y)是彩色图像中(x,y)点的蓝色、绿色和红色分量的值。
步骤2:将转化后的灰度图像进行滤波处理,其方法是对于每一帧图像上的像素I(x,y),确定相同的滤波半径1,将与(x,y)点距离小于等于1的点(i,j),确定其权值并将针对(x,y)点的权值归一化,得到归一化后滤波模版T(x,y)i,j。则(x,y)点的像素值I(x,y)filtered=∑(i,j)T(x,y)i,j*I(i,j)grey。用该滤波方法遍历整幅每一帧图像,即可得到滤波后的每一帧图像。
步骤3:对滤波后的每一帧图像进行二值化处理,得到二值化后的每一帧图像。已知灰度图像的像素值最大为255,最小是0,假设二值分割的阈值为t,二值分割后图像中大于该阈值的类的像素值为1,是检测目标,小于该阈值的类的像素值为0,是背景。假设w0和w1是被阈值t分开的两个类中的像素数占总像素数的比率,sb2是检测目标和背景的类间方差,m0和m1分别是这两个类中像素值的平均值,全局均值为mt。故有:
w0m0+w1m1=mt,且w0+w1=1,
sb 2=w0(m0-mt)2+w1(m1-mt)2=w0w1(m0-m1)2,
令t=1,2,……,255,使得sb 2值最大的t,即为所求最佳阈值。本例所求阈值t=240,以该阈值分割,大于240的像素值为1,小于240的像素值为0,得到像素值只有0和1的黑白二值图像。
步骤4:当激光增材制造在线监控系统的在线监控视频不是与激光同轴采集时,识别并去除二值化后的每一帧图像中的反射斑。对二值图像进行腐蚀处理。确定结构元素半径为1,将与(x,y)点距离小于等于1的点记为(x′,y′),腐蚀处理后像素值为E(x,y)erode=minelement(x′,y′)≠0I(x′,y′)。对腐蚀后的图像进行膨胀处理。膨胀处理后像素值为D(x,y)dilate=maxelement(x′,y′)≠0E(x′,y′)。
步骤5:提取二值化后的每一帧图像中的熔池图像轮廓。按照特定顺序对该二值化后的每一帧图像进行遍历,当像素I(x,y-1)bin=0,像素I(x,y)bin=1,则像素(x,y)是轮廓点;当像素I(x,y)bin=1,像素I(x,y+1)bin=0,则像素(i,j)是也轮廓点。轮廓点像素的集合为(xk,yk),k=1,2....n。
步骤6:获取每一帧图像中的熔池图像轮廓的外接最小矩形。
本具体实施例中步骤6中,获取每一帧图像中的熔池图像轮廓的外接最小矩形的方法为:
2.由已知熔池中心点,求过中心点的熔池的长轴、短轴和长轴与x轴的夹角角度:已知轮廓点为(xk,yk),k=1,2,…,n,设熔池长轴与水平轴夹角为θ,则过点(181.01,88.86)的角度为θ的直线方程(长轴)为:(x-181.01)tanθ-y+88.86=0。垂直于长轴的短轴方程为:(y-88.86)+cotθ(x-181.01)=0边缘点(xk,yk)距长轴的距离为:d=(xk-181.01)sinθ-(yk-88.86)cosθ,所有边缘点距长轴的平方和为:使P最小,即得到θ=-22.55。
3.计算距长轴最远的上、下两个点:已知长轴方程(x-181.01)tan(-20.55)-y+88.86=0,将边缘点(xk,yk)代入方程左边有:V=(xk-181.01)tan(-20.55)-(yk-88.86),当V>0,则该边缘点位于长轴上方,反之则位于下方,当V=0时,该点位于长轴线上。求得长轴上方和下方的边缘点后,分别计算上方点和下方点中距离长轴距离最远的两点为:A(178.62,56.89)和B(220.83,106.81)。
4.计算距短轴最远的左右两个点:已知短轴方程(y-88.86)+cot(-20.55)(x-181.01)=0,将边缘点(xk,yk)带入方程左边有:V=(yk-88.86)+cot(-20.55)(xk-181.01),当V>0,则该边缘点位于短轴右方,反之则位于左方,当V=0时,该点位于短轴线上。得距离短轴左右两边距离最远的两点为C(110.155,104.75)和D(254.185,78.40)。
5.得到最小外接矩形。计算过点A并与长轴平行的直线为:y=123.87-0.375x,经过B点并与长轴平行的直线:y=189.62-0.375x,经过C点并与短轴平行的直线y=2.66x-188.26,经过D点并与短轴平行的直线y=2.66x-597.73。求四条线的交点,即可得到外接矩形的四个顶点,连接四个顶点,即可得到外接矩形。
6.该外接矩形的长即为熔池的长,此例为144像素,宽即为熔池的宽,此例为62像素。
尽管以上结合附图对本发明的实施方案进行了描述,但本发明并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本发明保护之列。
Claims (10)
1.一种激光增材制造熔池形状的提取方法,所述方法包括以下步骤:
第一步骤(S100)中,对输入的熔池图像进行灰度化处理生成灰度图像,
第二步骤(S200)中,对所述灰度图像进行滤波处理,其中,对于每一帧所述灰度图像上的像素I(x,y)确定相同的滤波半径a,基于与点(x,y)距离小于等于a的点(i,j)确定其权值其中σ为灰度图像的方差,并将针对点(x,y)的权值归一化,得到归一化后的滤波模版T(x,y)i,j,滤波后点(x,y)的像素值I(x,y)filtered=∑(i,j)T(x,y)i,j*I(i,j)grey,其中I(i,j)grey为点(i,j)的像素值,遍历整幅每一帧灰度图像b次得到滤波后的每一帧灰度图像,
第三步骤(S300)中,对滤波后的每一帧灰度图像进行二值化处理得到二值化图像,当输入的熔池图像不是与激光同轴采集时,识别并去除二值化图像中的反射斑,
第四步骤(S400)中,提取二值化图像中的熔池图像轮廓,其中,按照预定顺序对所述二值化图像进行遍历,当点(x,y-1)的像素值I(x,y-1)bin=0,点(x,y)的像素值I(x,y)bin=1,则像素点(x,y)是轮廓点;当点(x,y)的像素值为I(x,y)bin=1,点(x,y+1)的像素值为I(x,y+1)bin=0,则像素(x,y)是轮廓点,记轮廓点像素的集合为(xk,yk),k=1,2....n,
第五步骤(S500)中,获取所述熔池图像轮廓的外接最小矩形,其中,外接最小矩形的长与宽为熔池的长与宽。
2.根据权利要求1所述的方法,其中,优选的,第五步骤(S500)包括,
S502:基于所述熔池中心点,求过熔池中心点的熔池的长轴、短轴和长轴与x轴的夹角角度,其中,轮廓点为(xk,yk),k=1,2,…,n,熔池长轴与水平轴夹角为θ,过熔池中心点的角度为θ的长轴方程为:垂直于长轴的短轴方程为:轮廓点(xk,yk)距长轴的距离为:所有轮廓点距长轴的平方和为:使P最小,即得到θ,
S505:得到位于短轴左方和右方的点后,计算左方和右方距离短轴最远的点,
S506:距离长轴最远的两点为(x1,y1)和(x2,y2),则经过点(x1,y1),且与长轴平行的直线方程为:(x-x1)tanθ-(y-y1)=0,过(x2,y2)且平行于长轴的直线方程为:(x-x2)tanθ-(y-y2)=0,距离短轴最远的两点为(x3,y3)和(x4,y4),则经过该两点且平行于短轴的两条线为:(x-x3)tanθ-(y-y3)=0和(x-x4)tanθ-(y-y4)=0,
S507:求四条线的交点得到外接矩形的四个顶点,连接四个顶点得到外接矩形,外接矩形的长为熔池的长,宽为熔池的宽。
3.根据权利要求1所述的方法,其中,第一步骤(S100)中,输入的熔池图像为增材制造在线监控视频的每一帧图像。
4.根据权利要求1所述的方法,其中,第一步骤(S100)中,所述灰度化处理中,I(x,y)grey=0.333B(x,y)+0.333G(x,y)+0.333R(x,y),其中B(x,y)、G(x,y)和R(x,y)是彩色图像中点(x,y)的蓝色、绿色和红色分量的值。
5.根据权利要求1所述的方法,其中,第二步骤(S200)中,所述的滤波半径a为1,遍历次数b为1。
6.根据权利要求1所述的方法,其中,第三步骤(S300)中,识别并去除二值化图像中的反射斑中,对二值图像进行腐蚀处理,确定结构元素半径为c,将与点(x,y)距离小于等于c的点记为(x′,y′),腐蚀处理是求二值图像中结构元素(x′,y′)中最小的像素值,所述最小的像素值为腐蚀后(x,y)点的像素值:E(x,y)erode=minelement(x′,y′)≠0I(x′,y′),对腐蚀后的图像进行膨胀处理,求腐蚀后的图像的结构元素(x′,y′)中最大的像素值,所述最大的像素值即为膨胀后(x,y)点的像素值:D(x,y)dilate=maxelement(x′,y′)≠0E(x′,y′)。
7.根据权利要求1所述的方法,其中,第五步骤(S500)中,通过对在熔池图像轮廓内的滤波后的每一帧图像中的像素进行积分获得积分强度;获得每一帧熔池中心点位置。
8.根据权利要求7所述的方法,其中,基于所述熔池中心点位置计算增材制造运动速度与方向,其中,积分强度和运动速度与输入能量成正向相关,通过与增材制造模型、相邻两道熔池尺寸对比,监控增材制造每一道间的熔接。
9.根据权利要求1所述的方法,其中,第五步骤(S500)中,基于每一帧熔池的长与宽得到熔池长和宽的变化曲线,监测长和宽的曲线变化,当数值突然增加或减小超过预定值时,熔池产生缺陷。
10.根据权利要求9所述的方法,其中,缺陷包括溅射、未熔透、浮粉、气泡或夹杂。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010125857.1A CN111354009B (zh) | 2020-02-27 | 2020-02-27 | 激光增材制造熔池形状的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010125857.1A CN111354009B (zh) | 2020-02-27 | 2020-02-27 | 激光增材制造熔池形状的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111354009A true CN111354009A (zh) | 2020-06-30 |
CN111354009B CN111354009B (zh) | 2022-10-28 |
Family
ID=71195878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010125857.1A Active CN111354009B (zh) | 2020-02-27 | 2020-02-27 | 激光增材制造熔池形状的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111354009B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112077018A (zh) * | 2020-08-30 | 2020-12-15 | 哈尔滨工程大学 | 一种采用计算机视觉的海参大小筛选方法 |
CN112548103A (zh) * | 2020-12-23 | 2021-03-26 | 长沙理工大学 | 一种钛合金激光增材修复与表面渗氮复合处理工艺 |
CN114523236A (zh) * | 2022-02-28 | 2022-05-24 | 柳州铁道职业技术学院 | 一种基于机器视觉的智能化自动检测平台 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61182884A (ja) * | 1985-02-12 | 1986-08-15 | Ishikawajima Harima Heavy Ind Co Ltd | 溶融池幅の制御装置 |
CN105427324A (zh) * | 2015-12-07 | 2016-03-23 | 电子科技大学 | 基于二值化阈值自动搜索的磁光成像缺陷检测方法 |
CN107328391A (zh) * | 2017-06-28 | 2017-11-07 | 武汉理工大学 | 一种针对宽带激光熔覆的多传感器协同监测装置及方法 |
CN108333219A (zh) * | 2018-03-19 | 2018-07-27 | 长沙理工大学 | 一种用于大型金属构件激光增材制造过程的在线无损检测方法 |
CN109472822A (zh) * | 2018-12-29 | 2019-03-15 | 上海大学 | 基于深度图像处理的物体尺寸测量方法 |
CN109509181A (zh) * | 2018-10-29 | 2019-03-22 | 南京师范大学 | 一种基于串行轮廓搜索的熔覆池形状视觉检测方法 |
CN109978865A (zh) * | 2019-03-28 | 2019-07-05 | 中核建中核燃料元件有限公司 | 一种用于核燃料棒焊缝表面检测的方法、装置 |
-
2020
- 2020-02-27 CN CN202010125857.1A patent/CN111354009B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61182884A (ja) * | 1985-02-12 | 1986-08-15 | Ishikawajima Harima Heavy Ind Co Ltd | 溶融池幅の制御装置 |
CN105427324A (zh) * | 2015-12-07 | 2016-03-23 | 电子科技大学 | 基于二值化阈值自动搜索的磁光成像缺陷检测方法 |
CN107328391A (zh) * | 2017-06-28 | 2017-11-07 | 武汉理工大学 | 一种针对宽带激光熔覆的多传感器协同监测装置及方法 |
CN108333219A (zh) * | 2018-03-19 | 2018-07-27 | 长沙理工大学 | 一种用于大型金属构件激光增材制造过程的在线无损检测方法 |
CN109509181A (zh) * | 2018-10-29 | 2019-03-22 | 南京师范大学 | 一种基于串行轮廓搜索的熔覆池形状视觉检测方法 |
CN109472822A (zh) * | 2018-12-29 | 2019-03-15 | 上海大学 | 基于深度图像处理的物体尺寸测量方法 |
CN109978865A (zh) * | 2019-03-28 | 2019-07-05 | 中核建中核燃料元件有限公司 | 一种用于核燃料棒焊缝表面检测的方法、装置 |
Non-Patent Citations (3)
Title |
---|
HAN LIU ET AL: "Adaptive Rank Estimation Based Tensor Factorization Algorithm for Low-Rank Tensor Completion", 《2019 CHINESE CONTROL CONFERENCE (CCC)》 * |
杨启: "激光熔覆熔池尺寸检测与控制的研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
杨启等: "激光近净成形中熔池宽度实时监控系统的研究", 《激光与红外》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112077018A (zh) * | 2020-08-30 | 2020-12-15 | 哈尔滨工程大学 | 一种采用计算机视觉的海参大小筛选方法 |
CN112548103A (zh) * | 2020-12-23 | 2021-03-26 | 长沙理工大学 | 一种钛合金激光增材修复与表面渗氮复合处理工艺 |
CN114523236A (zh) * | 2022-02-28 | 2022-05-24 | 柳州铁道职业技术学院 | 一种基于机器视觉的智能化自动检测平台 |
Also Published As
Publication number | Publication date |
---|---|
CN111354009B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111354009B (zh) | 激光增材制造熔池形状的提取方法 | |
Shah et al. | Butt welding joints recognition and location identification by using local thresholding | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
Lin et al. | Detection of a casting defect tracked by deep convolution neural network | |
CN110378950B (zh) | 一种基于灰度和梯度融合的隧道结构裂缝识别方法 | |
CN107145905B (zh) | 电梯紧固螺帽松动的图像识别检测方法 | |
CN107610111B (zh) | 一种基于深度学习的焊点图像检测方法 | |
CN105160641B (zh) | 基于图像处理的x射线焊缝区域提取方法 | |
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 | |
CN108596930B (zh) | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN108230388B (zh) | 一种白车身焊点图像的识别定位方法 | |
CN113674206B (zh) | 一种适用于深熔k-tig焊熔池和锁孔入口特征参数的提取方法 | |
CN115096206B (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
CN110009633B (zh) | 一种基于反向高斯差分的钢轨表面缺陷检测方法 | |
CN108802051B (zh) | 一种柔性ic基板直线线路气泡及折痕缺陷检测系统及方法 | |
CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
Cai et al. | Real-time identification of molten pool and keyhole using a deep learning-based semantic segmentation approach in penetration status monitoring | |
CN113781413B (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN114299086B (zh) | 一种低对比度成像的图像分割处理方法、电子设备及系统 | |
Zhang et al. | Research on the size of mechanical parts based on image recognition | |
Dong et al. | A rapid detection method for the surface defects of mosaic ceramic tiles | |
Shahid et al. | Image segmentation techniques for real-time coverage measurement in shot peening processes | |
CN111415348A (zh) | 一种汽车制动管道内气泡特征的提取方法 | |
CN114354631A (zh) | 一种基于视觉的阀门毛坯表面缺陷检测方法 |
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 |