CN111462119A - 一种基于机器视觉的宽厚板剪切排样方法 - Google Patents
一种基于机器视觉的宽厚板剪切排样方法 Download PDFInfo
- Publication number
- CN111462119A CN111462119A CN202010461045.4A CN202010461045A CN111462119A CN 111462119 A CN111462119 A CN 111462119A CN 202010461045 A CN202010461045 A CN 202010461045A CN 111462119 A CN111462119 A CN 111462119A
- Authority
- CN
- China
- Prior art keywords
- wide
- thick plate
- image
- thick
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010008 shearing Methods 0.000 title claims abstract description 37
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 210000000349 chromosome Anatomy 0.000 claims description 60
- 238000012545 processing Methods 0.000 claims description 46
- 238000001914 filtration Methods 0.000 claims description 30
- 238000005452 bending Methods 0.000 claims description 25
- 230000001788 irregular Effects 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 108091026890 Coding region Proteins 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000009401 outcrossing Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 241001292396 Cirrhitidae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002921 genetic algorithm search Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000005096 rolling process Methods 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
- G06T7/0002—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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Preparing Plates And Mask In Photomechanical Process (AREA)
Abstract
本发明提供一种基于机器视觉的宽厚板剪切排样方法。利用机器视觉技术得到宽厚板的精确轮廓数据,并利用该数据对成型后的宽厚板分类并进行剪切线的划分,特别在宽厚板发生短尺时,采用混合遗传排样方法,将短尺的订单和宽厚板数据加入待排样订单集中,并根据实际剪切情况建立排样模型,并将启发式的排样策略融入遗传算法中进行搜索,从而得到所建立排样模型的最优解;本发明可有效提高宽厚板剪切流程的成材率,降低宽厚板切损率,而且具有简单高效、计算速度快等优点。
Description
技术领域
本发明冶金自动化生产与检测技术领域,尤其涉及一种基于机器视觉的宽厚板剪切排样方法。
背景技术
在宽厚板成型过程中,板坯的头尾部及侧面会由于缺少外端的牵引,发生较为严重的塑性变形,使得轧制成品的平面形状偏离矩形形状,需要后续的精整以及剪切工序使其满足订单所需的规格。
宽厚板在边部裁剪后需要将其粗分成多段以满足订单的需求。但是在宽厚板粗分时,除了原料本身的材料外,使用的原料尺寸与产品要求的尺寸可能各不相同。但在目前实际宽厚板剪切线生产过程中,相关的操作人员仅仅依据相关订单数据并根据自己的经验对钢板进行切分操作,在钢板发生短尺现象时,就会造成订单无法切分完全且切损量过大。尤其是在订单较多且订单种类不一时,往往造成了比较大的剪切损失。同时,由于剪切粗分往往只靠工作人员的经验操作,这种切割方式既会使得切损较大,又会使得企业对相关的剪切数据难以进行保存,企业数据的流通变得十分困难。所以,宽厚板剪切策略的优化也成为了宽厚板生产过程中急需解决的难题。
近年来,摄像技术得到了长足进展,同时智能优化算法的发展也使得宽厚板的优化剪切成为可能。因此基于形状识别的智能剪切系统的概念就应运而生,在宽厚板非正常情况下,以尽量少的原料、尽可能小的加工成本和切割损失达到生产目标就变得具有较高的经济价值。
发明内容
针对现有技术的不足,本发明提出一种基于机器视觉的宽厚板剪切排样方法,包括如下步骤:
步骤1:根据标定的相机内参,计算出相机采集到的宽厚板图像中单位像素的长度σ;
步骤2:对采集到的宽厚板图像进行畸变校正,得到畸变校正处理后的宽厚板图像;
步骤3:提取畸变校正处理后的宽厚板图像的轮廓数据;
步骤4:在轮廓数据中,判断属于头、尾部不规则区域的轮廓数据点,将不规则区域的轮廓数据点从轮廓数据中删除,剩余的轮廓数据点记为规则区域轮廓数据点,并将去除头、尾部不规则区域的宽厚板称为剩余宽厚板;
步骤5:计算剩余宽厚板的宽度、有效长度、以及侧弯量,并判断是否需要进行排样操作;
步骤6:为需要进行排样操作的宽厚板归类,将厚度、材料以及加工工艺均相同的宽厚板归为同类型宽厚板;
步骤7:为每一种同类型宽厚板建立一个待排样订单集,将所有同类型宽厚板的编号、有效长度值、宽度值存储在待排样订单集中的同一页列表中,将所有同类型宽厚板所对应的订单子板的长度、宽度数据存储在另一页列表中;
步骤8:对每一个待排样订单集中的所有同类型宽厚板建立排样的数学模型,目标函数如公式(1)所示,约束函数如公式(2)所示,
式中,Sθ表示第θ块同类型宽厚板的面积,n表示同类型宽厚板的数量,sη表示第η种订单子板的面积,cη表示第η种订单子板的数量,m表示订单子板的种类,srk表示没有排布下的剩余订单子板中的第k块订单子板的面积,τ表示没有排布下的剩余订单子板的数量,dθ表示第θ块同类型宽厚板上可排布的订单子板的数量,xθη表示第θ块同类型宽厚板上切割的第η块子板的长度,Lθ表示第θ块同类型宽厚板的长度;
步骤9:对于每一个待排样订单集,采用启发式排样算法确定订单子板在同类型宽厚板上的排布规则;
步骤10:对于同一个待排样订单集中的所有订单子板,将宽度、长度均不相等的订单子板采用不同正整数进行编号,然后按照步骤9的排布规则初步确定出所有订单子板的排样顺序,根据各个订单子板对应的编号确定出以编号表示的排样顺序,记为F;
步骤11:对于每一个待排样订单集,采用混合遗传算法进行排样问题的搜索求解,得到订单子板的最佳排样顺序,然后根据步骤9的排布规则确定出所有订单子板在每块宽厚板上的剪切排样方案。
所述步骤3具体表述为:
步骤3.1:为了增强宽厚板图像的前景区域与背景区域之间的比对度,将畸变校正处理后的宽厚板图像,利用公式(3)进行伽马图像增强处理,得到增强后的宽厚板图像;
κ=crrγ (3)
式中,r表示图像进行灰度拉伸操作前的灰度值,κ表示图像进行灰度拉伸操作后的灰度值,γ表示图像灰度拉伸的幂指数,cr表示限制常数。
步骤3.2:对增强后的宽厚板图像进行中值滤波处理,得到中值滤波处理后的宽厚板图像;
步骤3.3:对中值滤波处理后的宽厚板图像,先采用大津法计算分割阈值,然后利用计算得到的分割阈值进行二值化处理,得到宽厚板图像的二值化图像;
步骤3.4:利用面积特征筛选二值化图像,得到宽厚板特征图像,所述宽厚板特征图像为只包含宽厚板部分的二值化图像,具体表述为:
步骤3.4.1:根据8邻域的邻接关系将整个二值化图像分成R个连通区域,分别记为region1,region2,…,regionR;
步骤3.4.2:遍历各个连通区域,分别计算各个连通区域的像素面积,筛选出像素面积最大的连通区域作为宽厚板特征图像;
步骤3.5:根据区域边界条件计算宽厚板特征图像的边界,得到区域边界图像,具体表述为:
步骤3.5.1:遍历宽厚板特征图像中的每个像素点,计算每个像素点的8邻域像素灰度之和;
步骤3.5.2:根据每个像素点的8邻域像素灰度和,筛选出灰度和大于0且小于2040的像素点,作为符合边界条件的像素点,将所有符合边界条件的像素点连接在一起,得到区域边界图像;
步骤3.6:将区域边界图像先进行膨胀处理,然后将膨胀处理后的区域边界图像与中值滤波处理后的宽厚板图像进行交集运算,得到宽厚板的边界图像;
步骤3.7:利用Canny算子对宽厚板的边界图像进行轮廓提取,得到宽厚板的边界图像的粗边缘图像;
步骤3.8:利用基于灰度梯度的亚像素边缘轮廓提取算法,对粗边缘图像进行轮廓计算,得到宽厚板图像的轮廓数据。
所述步骤3.3具体表述为:
步骤3.3.1:根据预设分割阈值T将中值滤波处理后的宽厚板图像分割为前景图像A、背景图像B两部分,计算中值滤波处理后的宽厚板图像的分割阈值σ2(Th);
σ2(T)=ωAωB(μA-μB)2 (4)
式中,μA表示前景图像A的灰度均值,ωA表示前景图像A内的像素点个数与宽厚板图像总像素点个数的比值,μB表示背景图像B的灰度均值,ωB表示背景图像B内的像素点个数与宽厚板图像总像素点个数的比值;
步骤3.3.2:利用阈值σ2(Th)对中值滤波处理后的宽厚板图像进行逐个像素点的灰度分类,得到宽厚板图像的二值化图像g(x,y),所述g(x,y)的阈值分割表达式如公式(6)所示,
式中,f(x,y)表示中值滤波处理后的宽厚板图像。
所述步骤3.6具体表述为:
步骤3.6.1:采用圆形膨胀模板对区域边界图像进行膨胀处理,得到膨胀处理后的区域边界图像;
步骤3.6.2:将宽厚板图像的长度方向作为直角坐标系的x轴,宽度方向作为直角坐标系的y轴,直角坐标系的原点设置在O点,其中O点表示宽厚板图像上的任意点,记录膨胀处理后的区域边界图像中的各个像素点的坐标;
步骤3.6.3:利用各个像素点的坐标作为索引,在中值滤波处理后的宽厚板图像中找到对应坐标的像素点,记为索引像素点;
步骤3.6.4:将在中值滤波处理后的宽厚板图像中得到的所有索引像素点连接在一起,得到宽厚板的边界图像。
所述步骤3.8具体表述为:
步骤3.8.1:将粗边缘图像中的整数像素点(i,j),沿着坐标系的x轴方向按照一定步长ω,在像素点(i,j)前后各取一个整数像素点记为(i-ω,j)、(i+ω,j),其中ω、i、j均为正整数,然后计算像素点(i,j)、(i-ω,j)、(i+ω,j)的梯度幅值,分别记为G(i,j)、G(i-1,j)、G(i+1,j);
步骤3.8.2:利用像素点(i,j)、(i-ω,j)、(i+ω,j)拟合为一条二次曲线,定义二次曲线的表达式如公式(7)所示,将像素点(i,j)、(i-ω,j)、(i+ω,j)带入公式(7)得到公式(8)所示方程组,
p(x)=ax2+bx+c (7)
式中,a、b、c表示二次曲线p(x)中的待求系数;
步骤3.8.3:求解公式(8)给出的方程组得到各待求参数如公式(9)所示,然后将得到的各参数带入公式(7),即可得到二次曲线的具体表达式,
步骤3.8.4:求解二次曲线p(x)具体表达式的极值点pi,则极值点pi即为亚像素点的横坐标点,
步骤3.8.5:将粗边缘图像中的整数像素点(i,j),沿着坐标系的y轴方向按照一定步长ω,在像素点(i,j)前后各取一个整数像素点记为(i,j-ω)、(i,j+ω),其中ω、i、j均为正整数,然后计算像素点(i,j)、(i,j-ω)、(i,j+ω)的梯度幅值,分别记为G(i,j-1)、G(i,j)、G(i,j+1);
步骤3.8.6:利用像素点(i,j)、(i,j-ω)、(i,j+ω)拟合为一条二次曲线,定义二次曲线的表达式如公式(11)所示,将像素点(i,j)、(i,j-ω)、(i,j+ω)带入公式(11)得到公式(12)所示方程组,
p'(x)=a'x2+b'x+c' (11)
式中,a'、b'、c'表示二次曲线p'(x)中的待求系数;
步骤3.8.7:求解公式(12)给出的方程组得到各待求参数如公式(13)所示,然后将得到的各参数带入公式(11),即可得到二次曲线的具体表达式,
步骤3.8.8:求解二次曲线p'(x)具体表达式的极值点pj,则极值点pj即为亚像素点的纵坐标点,
步骤3.8.9:组合极值点pi、pj得到像素点(i,j)对应的亚像素点的坐标(pi,pj);
步骤3.8.10:重复步骤3.8.1~步骤3.8.9,计算粗边缘图像中的各个整数像素点对应的亚像素点的坐标,即可得到宽厚板图像的轮廓数据。
所述步骤4中在轮廓数据中,判断属于头、尾部不规则区域的轮廓数据点,具体表述为:
步骤4.1:定义宽厚板图像的轮廓数据中包括的轮廓数据点个数为Q,从Q个数据点中横坐标值最小的数据点开始,统计同一横坐标值xth下的数据点个数为P,从P个数据点中找出纵坐标值最大的数据点(xth,y1),以及纵坐标值最小的数据点(xth,y2),并计算出数据点(xth,y1)、(xth,y2)之间的距离dth,其中xth=xmin+th,t=1,2,…,g,xmin表示Q个数据点中最小的横坐标值,xmax表示Q个数据点中最大的横坐标值,h表示搜索步长,h取值大小为单位像素;
步骤4.2:如果同一横坐标值下的数据点个数P>2,则认为P>2的横坐标值对应的数据点属于不规则区域轮廓数据点,或者是,如果从数据点(xth,yth)开始,连续f个搜索步长h内计算出的距离值变化之差超过预设误差值df时,则认为数据点(xth,yth)属于不规则区域轮廓数据点。
所述的步骤5具体表述为:
步骤5.1:利用公式(15)计算剩余宽厚板的宽度J,
J=ε*σ (15)
式中,ε为宽厚板的像素宽度,σ为单位像素长度;
步骤5.2:利用公式(16)计算剩余宽厚板的有效长度L有效,
L有效=l有效*σ=(l-l头尾)*σ (16)
式中,l有效为宽厚板的有效像素长度,l为宽厚板的总体像素长度,l头尾为宽厚板头、尾部不规则区域的总像素长度;
步骤5.3:计算剩余宽厚板的侧弯量Ci,包括如下步骤:
步骤5.3.1:定义剩余宽厚板四个顶角的数据点坐标分别为(xl,yl1),(xl,yl2)、(xr,yr1)、(xr,yr2),计算头部两顶角连线的中点Ol,记Ol坐标为计算尾部两顶角连线的中点Or,记Or坐标为
步骤5.3.2:根据中点Ol、Or确定一条直线l,记为y=λ1x+λ2,式中λ1,λ2为表达式系数;
步骤5.3.3:从规则区域轮廓数据点中横坐标值最小的数据点开始,依次计算N个数据点中同一横坐标值的两个数据点(xu,yu,1)、(xu,yu,2)纵坐标的平均值则坐标点即为宽厚板中线上的点Ou,u=1,2,…,v,N表示规则区域轮廓数据点中剔除宽度方向上轮廓的数据点后剩余数据点的个数,v表示N个数据点中不同横坐标值的个数;
步骤5.3.4:从中线上的第一个点O1开始,依次计算宽厚板中线上的任一点到直线l的距离,记为C1,C2,…,Cu,…,Cv;
步骤5.3.5:从第一个距离值C1开始,依次判断Cu与相邻两个距离值Cu-1、Cu+1的大小,当Cu满足Cu-1≥Cu且Cu+1≥Cu,或者Cu-1≤Cu且Cu+1≤Cu时,则Cu为剩余宽厚板的一个侧弯量;
步骤5.3.6:当剩余宽厚板的有效长度L有效小于对应订单上的期望长度值,或者剩余宽厚板的宽度J小于对应订单上的期望宽度值时,则所述剩余宽厚板为需要进行排样操作的宽厚板;
步骤5.3.8:为需要进行排样操作的宽厚板设置不同的编号。
所述的步骤9中具体表述为:
步骤9.1:从待排样订单集中的所有订单子板中,挑选出长度、宽度均相等的订单子板作为同一种规格的订单子板,得到N'种规格的订单子板,排样操作时优先排布同一种规格的订单子板;
步骤9.2:同一种规格的订单子板在同类型宽厚板上的排布位置确定后,再根据利用率最大原则,将其他规格的订单子板排布在同类型宽厚板的剩余位置上,当所排同类型宽厚板的剩余位置无法排布下所排规格的订单子板时,再在新的未排布订单子板的同类型宽厚板上进行排布,其中Saθ表示第θ块同类型宽厚板上排放的所有订单子板的总面积之和,Sθ表示第θ块同类型宽厚板的面积,所述利用率χθ最大原则是指在满足公式(2)中的约束条件下Saθ与Sθ的比值取最大值。
所述的步骤11具体表述为:
步骤11.1:确定染色体编码方式,根据步骤10确定的排样顺序F对第一次迭代时的染色体进行编码;
步骤11.2:确定适应度函数值,按照步骤9确定的排布规则并结合公式(1)给出的目标函数确定适应度函数值;
步骤11.3:确定染色体交叉方式,随机从种群中选择两种排样顺序作为两个父代染色体F1、F2进行交叉,交叉方式为随机选择一个交叉位置进行单点交叉;
步骤11.4:确定染色体变异方式,在种群中随机选择一种排样顺序F',并从排样顺序F'中随机选择两个位置J1、J2,并将位置J1、J2上的编号进行交换;
步骤11.5:在混合遗传算法进行计算的过程中,首先生成染色体数目为3M的排样顺序的种群作为父代候选种群,计算适应度后,将适应度值由高到低进行排序,取排在前面的M个染色体作为父代种群,然后利用父代种群分别进行交叉、变异各产生M个子代种群,从父代、子代种群中选择出数量为3M的染色体作为候选种群,计算适应度后,将适应度值由高到低进行排序,取排在前面的M个染色体作为下一代的父代种群,依次迭代,直至迭代次数大于预设迭代次数,迭代计算结束,将种群中适应度值最高的染色体所对应的编码顺序作为订单子板的最佳排样顺序,其中3M表示参与迭代的种群数目,M表示初始种群数目。
所述步骤11.3确定染色体交叉方式时,由于染色体是根据订单子板的编号进行编码的,交叉产生的两种新的排放顺序作为子代染色体,可能会出现无效排放顺序的情况,因此需要设置一个交叉有效性检测的操作,具体表述为:对交叉后的子代染色体进行检测,如果子代染色体的编码中没有出现相同的编号,即为交叉有效,保留子代染色体的编码;如果子代染色体的编码中出现了相同的编号,即为交叉无效,需要对两条父代染色体可进行的交叉节点进行遍历操作,找到有效交叉点,如果不存在有效交叉点,则返回两条父代染色体。
本发明的有益效果是:
本发明提出了一种基于机器视觉的宽厚板剪切排样方法,利用高速相机对宽厚板进行成像,通过图像处理技术获取宽厚板的轮廓数据,并基于轮廓数据建立宽厚板剪切线划分模型,结合混合遗传算法确定订单子板的排样顺序,可减少由于人工测量带来的误差,有效提高宽厚板剪切流程的成材率,降低宽厚板的切损率,同时避免了简单依靠人工经验进行剪切操作的不确定性。
附图说明
图1为本发明中的宽厚板图像采集设备示意图;
图2为本发明中的提取的宽厚板轮廓图;
图3为本发明中的宽厚板头尾部不规则区域剪切线划分、有效长度示意图;
图4为本发明中的宽厚板侧弯量示意图,其中图(a)~图(c)表示三种不同情况下的侧弯量示意图;
图5为本发明中的启发式排样算法流程图;
图6为本发明中的混合遗传算法搜索策略流程图;
图7为本发明中的混合遗传算法中交叉操作示意图;
图8为本发明中的混合遗传算法中变异操作示意图;
图中,1、高速线阵相机,2、线形LED光源。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例中采集宽厚板图像所用的设备有:1台高速线阵相机、1台线形LED光源,具体安装示意图如图1所示,其中高速线阵相机行频>10kHz,且分辨率>2k,高速线阵相机的具体性能参数如表1所示。
表1高速线阵相机的性能参数表
一种基于机器视觉的宽厚板剪切排样方法,采用的图像处理软件为Halcon,包括如下步骤:
步骤1:根据标定的相机内参,计算出相机采集到的宽厚板图像中单位像素的长度σ;
标定相机拍摄区域的当前内、外参数如下所示:
内参数:[0.0122531,-471.281,3.45087e-006,3.45e-006,1218.39,992.495,2464,2056]
外参数:[-0.00610561,0.00553422,0.275833,357.708,0.348804,89.8773,0];
其中,内参数信息包含:[焦距(m),kappa值(1/m2),单个像元的宽(μm),单个像元的高(μm),中心点的X坐标(Pixel),中心点的Y坐标(Pixel),图像宽(Pixel),图像高(Pixel)];
外参数信息包含:[X方向偏移(mm),Y方向偏移(mm),Z方向偏移(mm),X方向旋转(度),Y方向旋转(度),Z方向旋转(度),相机类型];
根据上述标定数值,计算出单个像素的长度σ=7.87*10-5m(单位:米);
步骤2:对采集到的宽厚板图像进行畸变校正,得到畸变校正处理后的宽厚板图像;
步骤3:提取畸变校正处理后的宽厚板图像的轮廓数据,具体表述为:
步骤3.1:为了增强宽厚板图像的前景区域与背景区域之间的比对度,将畸变校正处理后的宽厚板图像,利用公式(3)进行伽马图像增强处理,得到增强后的宽厚板图像;
κ=crrγ (3)
式中,r表示图像进行灰度拉伸操作前的灰度值,κ表示图像进行灰度拉伸操作后的灰度值,γ表示图像灰度拉伸的幂指数,γ取值为2.5,cr表示限制常数。
步骤3.2:为去除图像中的噪声干扰,对增强后的宽厚板图像进行中值滤波处理,得到中值滤波处理后的宽厚板图像;
步骤3.3:对中值滤波处理后的宽厚板图像,先采用大津法计算分割阈值,然后利用计算得到的分割阈值进行二值化处理,得到宽厚板图像的二值化图像,具体表述为:
步骤3.3.1:根据预设分割阈值T将中值滤波处理后的宽厚板图像分割为前景图像A、背景图像B两部分,计算中值滤波处理后的宽厚板图像的分割阈值σ2(Th);
σ2(T)=ωAωB(μA-μB)2 (4)
式中,μA表示前景图像A的灰度均值,ωA表示前景图像A内的像素点个数与宽厚板图像总像素点个数的比值,μB表示背景图像B的灰度均值,ωB表示背景图像B内的像素点个数与宽厚板图像总像素点个数的比值;
步骤3.3.2:利用阈值σ2(Th)对中值滤波处理后的宽厚板图像进行逐个像素点的灰度分类,得到宽厚板图像的二值化图像g(x,y),所述g(x,y)的阈值分割表达式如公式(6)所示,
式中,f(x,y)表示中值滤波处理后的宽厚板图像。
步骤3.4:利用面积特征筛选二值化图像,得到宽厚板特征图像,所述宽厚板特征图像为只包含宽厚板部分的二值化图像,具体表述为:
步骤3.4.1:根据8邻域的邻接关系将整个二值化图像分成R个连通区域,分别记为region1,region2,…,regionR;
步骤3.4.2:遍历各个连通区域,分别计算各个连通区域的像素面积,筛选出像素面积最大的连通区域作为宽厚板特征图像;
步骤3.5:根据区域边界条件计算宽厚板特征图像的边界,得到区域边界图像,具体表述为:
步骤3.5.1:遍历宽厚板特征图像中的每个像素点,计算每个像素点的8邻域像素灰度之和;
步骤3.5.2:根据每个像素点的8邻域像素灰度和,筛选出灰度和大于0且小于2040的像素点,作为符合边界条件的像素点,将所有符合边界条件的像素点连接在一起,得到区域边界图像;
步骤3.6:将区域边界图像先进行膨胀处理,然后将膨胀处理后的区域边界图像与中值滤波处理后的宽厚板图像进行交集运算,得到宽厚板的边界图像,具体表述为:
步骤3.6.1:采用圆形膨胀模板对区域边界图像进行膨胀处理,得到膨胀处理后的区域边界图像;
步骤3.6.2:将宽厚板图像的长度方向作为直角坐标系的x轴,宽度方向作为直角坐标系的y轴,直角坐标系的原点设置在O点,其中O点表示宽厚板图像上的任意点,记录膨胀处理后的区域边界图像中的各个像素点的坐标;
步骤3.6.3:利用各个像素点的坐标作为索引,在中值滤波处理后的宽厚板图像中找到对应坐标的像素点,记为索引像素点;
步骤3.6.4:将在中值滤波处理后的宽厚板图像中得到的所有索引像素点连接在一起,得到宽厚板的边界图像。
步骤3.7:利用Canny算子对宽厚板的边界图像进行轮廓提取,得到宽厚板的边界图像的粗边缘图像;
步骤3.8:利用基于灰度梯度的亚像素边缘轮廓提取算法,对粗边缘图像进行轮廓计算,得到宽厚板图像的轮廓数据,具体表述为:
步骤3.8.1:将粗边缘图像中的整数像素点(i,j),沿着坐标系的x轴方向按照一定步长ω,在像素点(i,j)前后各取一个整数像素点记为(i-ω,j)、(i+ω,j),其中ω、i、j均为正整数,然后计算像素点(i,j)、(i-ω,j)、(i+ω,j)的梯度幅值,分别记为G(i,j)、G(i-1,j)、G(i+1,j);
步骤3.8.2:利用像素点(i,j)、(i-ω,j)、(i+ω,j)拟合为一条二次曲线,定义二次曲线的表达式如公式(7)所示,将像素点(i,j)、(i-ω,j)、(i+ω,j)带入公式(7)得到公式(8)所示方程组,
p(x)=ax2+bx+c (7)
式中,a、b、c表示二次曲线p(x)中的待求系数;
步骤3.8.3:求解公式(8)给出的方程组得到各待求参数如公式(9)所示,然后将得到的各参数带入公式(7),即可得到二次曲线的具体表达式,
步骤3.8.4:求解二次曲线p(x)具体表达式的极值点pi,则极值点pi即为亚像素点的横坐标点,
步骤3.8.5:将粗边缘图像中的整数像素点(i,j),沿着坐标系的y轴方向按照一定步长ω,在像素点(i,j)前后各取一个整数像素点记为(i,j-ω)、(i,j+ω),其中ω、i、j均为正整数,然后计算像素点(i,j)、(i,j-ω)、(i,j+ω)的梯度幅值,分别记为G(i,j-1)、G(i,j)、G(i,j+1);
步骤3.8.6:利用像素点(i,j)、(i,j-ω)、(i,j+ω)拟合为一条二次曲线,定义二次曲线的表达式如公式(11)所示,将像素点(i,j)、(i,j-ω)、(i,j+ω)带入公式(11)得到公式(12)所示方程组,
p'(x)=a'x2+b'x+c' (11)
式中,a'、b'、c'表示二次曲线p'(x)中的待求系数;
步骤3.8.7:求解公式(12)给出的方程组得到各待求参数如公式(13)所示,然后将得到的各参数带入公式(11),即可得到二次曲线的具体表达式,
步骤3.8.8:求解二次曲线p'(x)具体表达式的极值点pj,则极值点pj即为亚像素点的纵坐标点,
步骤3.8.9:组合极值点pi、pj得到像素点(i,j)对应的亚像素点的坐标(pi,pj);
步骤3.8.10:重复步骤3.8.1~步骤3.8.9,计算粗边缘图像中的各个整数像素点对应的亚像素点的坐标,即可得到宽厚板图像的轮廓数据,将轮廓数据中的所有数据点连接起来构成的宽厚板轮廓如图2所示。
步骤4:在轮廓数据中,判断属于头、尾部不规则区域的轮廓数据点,将不规则区域的轮廓数据点从轮廓数据中删除,剩余的轮廓数据点记为规则区域轮廓数据点,并将去除头、尾部不规则区域的宽厚板称为剩余宽厚板;
进一步地,在轮廓数据中,判断属于头、尾部不规则区域的轮廓数据点,具体表述为:
步骤4.1:定义宽厚板图像的轮廓数据中包括的轮廓数据点个数为Q,从Q个数据点中横坐标值最小的数据点开始,统计同一横坐标值xth下的数据点个数为P,从P个数据点中找出纵坐标值最大的数据点(xth,y1),以及纵坐标值最小的数据点(xth,y2),并计算出数据点(xth,y1)、(xth,y2)之间的距离dth,其中xth=xmin+th,t=1,2,…,g,xmin表示从Q个数据点中最小的横坐标值,xmax表示Q个数据点中最大的横坐标值,h表示搜索步长,h取值大小为单位像素;
步骤4.2:如果同一横坐标值下的数据点个数P>2,则认为P>2的横坐标值对应的数据点属于不规则区域轮廓数据点,或者是,如果从数据点(xth,yth)开始,连续f=200个搜索步长h内计算出的距离值变化之差超过预设误差值df时,则认为数据点(xth,yth)属于不规则区域轮廓数据点。
1)正常情况:宽厚板的有效长度部分是大于该订单上子板尺寸的总长度的,因此按照订单进行正常剪切,既不会降低剪切的成材率,也保证了剪切的效率;
2)短尺情况:短尺是指轧制成型后的宽厚板轧制大板的有效长度无法满足订单上的期望宽度值或期望长度值,此时这块大板不能排布下完整的一份订单,因此选择进行排样操作,即从待排样订单集中选择来自不同订单不同尺寸的子板,在一张宽厚板上进行排布,以最大化宽厚板的利用;
3)侧弯情况,为了便于剪切线的划分,为侧弯量Cu设定一个预设阈值将侧弯情况简化为两大类情况:当宽厚板的侧弯量绝对值|Cu|小于预设阈值时,则将宽厚板看作矩形,并按照正常情况或者是短尺情况处理,当|Cu|大于等于预设阈值时,显然该订单已经无法在宽厚板上排布,所以在粗分时将宽厚板在侧弯量最大的部分分开,分为多块宽厚板轧制大板,并分别进行排样操作。
步骤5:计算剩余宽厚板的宽度、有效长度、以及侧弯量,并判断是否需要进行排样操作,具体表述为:
步骤5.1:利用公式(15)计算剩余宽厚板的宽度J,
J=ε*σ (15)
式中,ε为宽厚板的像素宽度,σ为单位像素长度;
步骤5.2:利用公式(16)计算剩余宽厚板的有效长度L有效,示意图如图3所示,
L有效=l有效*σ=(l-l头尾)*σ (16)
式中,l有效为宽厚板的有效像素长度,l为宽厚板的总体像素长度,l头尾为宽厚板头、尾部不规则区域的总像素长度;
步骤5.3:计算剩余宽厚板的侧弯量Ci,包括如下步骤:
步骤5.3.1:定义剩余宽厚板四个顶角的数据点坐标分别为(xl,yl1),(xl,yl2)、(xr,yr1)、(xr,yr2),计算头部两顶角连线的中点Ol,记Ol坐标为计算尾部两顶角连线的中点Or,记Or坐标为
步骤5.3.2:根据中点Ol、Or确定一条直线l,记为y=λ1x+λ2,式中λ1,λ2为表达式系数;
步骤5.3.3:从规则区域轮廓数据点中横坐标值最小的数据点开始,依次计算N个数据点中同一横坐标值的两个数据点(xu,yu,1)、(xu,yu,2)纵坐标的平均值则坐标点即为宽厚板中线上的点Ou,u=1,2,…,v,N表示规则区域轮廓数据点中剔除宽度方向上轮廓的数据点后剩余数据点的个数,v表示N个数据点中不同横坐标值的个数;
步骤5.3.4:从中线上的第一个点O1开始,依次计算宽厚板中线上的任一点到直线l的距离,记为C1,C2,…,Cu,…,Cv;
步骤5.3.5:从第一个距离值C1开始,依次判断Cu与相邻两个距离值Cu-1、Cu+1的大小,当Cu满足Cu-1≥Cu且Cu+1≥Cu,或者Cu-1≤Cu且Cu+1≤Cu时,则Cu为剩余宽厚板的一个侧弯量;
步骤5.3.6:当剩余宽厚板的有效长度L有效小于对应订单上的期望长度值,或者剩余宽厚板的宽度J小于对应订单上的期望宽度值时,则所述剩余宽厚板为需要进行排样操作的宽厚板;
如图4所示,给出了三种不同侧弯情况的侧弯量示意图,图(b)中存在两个侧弯量,需要将宽厚板剪切为三块,分别进行排样操作;
步骤5.3.8:为需要进行排样操作的宽厚板设置不同的编号。
步骤6:为需要进行排样操作的宽厚板归类,将厚度、材料以及加工工艺均相同的宽厚板归为同类型宽厚板;
步骤7:为每一种同类型宽厚板建立一个待排样订单集,如使用Excel建立待排样订单集,将所有同类型宽厚板的编号、有效长度值、宽度值存储在待排样订单集中的同一页列表中,将所有同类型宽厚板所对应的订单子板的长度、宽度数据存储在另一页列表中;
步骤8:对每一个待排样订单集中的所有同类型宽厚板建立排样的数学模型,目标函数如公式(1)所示,约束函数如公式(2)所示,约束函数表示在同一张宽厚板上排布的子板的总长度不能超过宽厚板的有效利用长度;
式中,Sθ表示第θ块同类型宽厚板的面积,n表示同类型宽厚板的数量,sη表示第η种订单子板的面积,cη表示第η种订单子板的数量,m表示订单子板的种类,srk表示没有排布下的剩余订单子板中的第k块订单子板的面积,τ表示没有排布下的剩余订单子板的数量,dθ表示第θ块同类型宽厚板上可排布的订单子板的数量,xθη表示第θ块同类型宽厚板上切割的第η块子板的长度,Lθ表示第θ块同类型宽厚板的长度;
步骤9:如图5所示,对于每一个待排样订单集,采用启发式排样算法确定订单子板在同类型宽厚板上的排布规则,具体表述为:
步骤9.1:从待排样订单集中的所有订单子板中,挑选出长度、宽度均相等的订单子板作为同一种规格的订单子板,得到N'种规格的订单子板,排样操作时优先排布同一种规格的订单子板;
步骤9.2:同一种规格的订单子板在同类型宽厚板上的排布位置确定后,再根据利用率χθ最大原则,将其他规格的订单子板排布在同类型宽厚板的剩余位置上,当所排同类型宽厚板的剩余位置无法排布下所排规格的订单子板时,再在新的未排布订单子板的同类型宽厚板上进行排布,其中θ=1,2,…,n,Saθ表示第θ块同类型宽厚板上排放的所有订单子板的总面积之和,Sθ表示第θ块同类型宽厚板的面积,所述利用率χθ最大原则是指在满足公式(2)中的约束条件下Saθ与Sθ的比值取最大值。
步骤10:对于同一个待排样订单集中的所有订单子板,将宽度、长度均不相等的订单子板采用不同正整数进行编号,然后按照步骤9的排布规则初步确定出所有订单子板的排样顺序,根据各个订单子板对应的编号确定出以编号表示的排样顺序,记为F;
步骤11:对于每一个待排样订单集,采用混合遗传算法进行排样问题的搜索求解,得到订单子板的最佳排样顺序,然后根据步骤9的排布规则确定出所有订单子板在每块宽厚板上的剪切排样方案;
进一步地,在MATLAB中采用混合遗传算法进行排样问题的搜索求解,得到订单子板的最佳排样顺序,具体表述为:
步骤11.1:确定染色体编码方式,根据步骤10确定的排样顺序F对第一次迭代时的染色体进行编码;
例如:有编号1-5的5种子板,一种可能的染色体编码为[3,4,2,1,5],该编码表示首先排布完3号订单子板,然后排布4号订单子板,最后排布5号订单子板;
步骤11.2:确定适应度函数值,按照步骤9确定的排布规则并结合公式(1)给出的目标函数确定适应度函数值,混合遗传算法是利用遗传算法随机生成多种排布顺序,按照步骤9确定的排布规则进行排布后,利用公式(1)计算出利用率作为算法的适应度函数值并参与迭代计算;
步骤11.3:如图7所示,确定染色体交叉方式,随机从种群中选择两种排样顺序作为两个父代染色体F1、F2进行交叉,交叉方式为随机选择一个交叉位置进行单点交叉,图7中,黑色倒三角指示的地方为交叉位置;
其中,确定染色体交叉方式时,由于染色体是根据订单子板的编号进行编码的,交叉产生的两种新的排放顺序作为子代染色体,可能会出现无效排放顺序的情况,因此需要设置一个交叉有效性检测的操作,具体表述为:对交叉后的子代染色体进行检测,如果子代染色体的编码中没有出现相同的编号,即为交叉有效,保留子代染色体的编码;如果子代染色体的编码中出现了相同的编号,即为交叉无效,需要对两条父代染色体可进行的交叉节点进行遍历操作,找到有效交叉点,如果不存在有效交叉点,则返回两条父代染色体;
步骤11.4:如图8所示,确定染色体变异方式,在种群中随机选择一种排样顺序F',并从排样顺序F'中随机选择两个位置J1、J2,并将位置J1、J2上的编号进行交换,图8中,黑色倒三角指示的地方为变异位置;
步骤11.5:在混合遗传算法进行计算的过程中,首先生成染色体数目为3M的排样顺序的种群作为父代候选种群,计算适应度后,将适应度值由高到低进行排序,取排在前面的M个染色体作为父代种群,然后利用父代种群分别进行交叉、变异各产生M个子代种群,从父代、子代种群中选择出数量为3M的染色体作为候选种群,计算适应度后,将适应度值由高到低进行排序,取排在前面的M个染色体作为下一代的父代种群,依次迭代,直至迭代次数大于预设迭代次数,迭代计算结束,将种群中适应度值最高的染色体所对应的编码顺序作为订单子板的最佳排样顺序,其中3M表示参与迭代的种群数目,M表示初始种群数目,其流程图如图6所示。
本实施例混合遗传算法各参数设置为:初始种群数目M为50,迭代次数为200,整个算法共运行20次,取每次运行得到的最佳排放顺序,计算适应度函数值,取适应度函数值的中值所对应的最佳排放顺序作为算法较为稳定的结果。表1给出了待排样宽厚板的具体数据,表2给出了待排样订单子板的具体数据,将表2列出的订单子板排布在表1中的宽厚板上,按照原始订单排样顺序进行剪切情况的利用率如表3所示,采用本发明中的排样顺序进行剪切的利用率如表4所示,由结果对比可以看出,经过混合遗传算法排样后的切割方案得到的宽厚板利用率较原始订单切割的方案提升了10.2%,且计算时间仅为3s。
表1待排样宽厚板数据
表2待排样订单子板数据
表3原始订单切割结果
表4混合遗传算法排样结果
Claims (10)
1.一种基于机器视觉的宽厚板剪切排样方法,其特征在于,包括如下步骤:
步骤1:根据标定的相机内参,计算出相机采集到的宽厚板图像中单位像素的长度σ;
步骤2:对采集到的宽厚板图像进行畸变校正,得到畸变校正处理后的宽厚板图像;
步骤3:提取畸变校正处理后的宽厚板图像的轮廓数据;
步骤4:在轮廓数据中,判断属于头、尾部不规则区域的轮廓数据点,将不规则区域的轮廓数据点从轮廓数据中删除,剩余的轮廓数据点记为规则区域轮廓数据点,并将去除头、尾部不规则区域的宽厚板称为剩余宽厚板;
步骤5:计算剩余宽厚板的宽度、有效长度、以及侧弯量,并判断是否需要进行排样操作;
步骤6:为需要进行排样操作的宽厚板归类,将厚度、材料以及加工工艺均相同的宽厚板归为同类型宽厚板;
步骤7:为每一种同类型宽厚板建立一个待排样订单集,将所有同类型宽厚板的编号、有效长度值、宽度值存储在待排样订单集中的同一页列表中,将所有同类型宽厚板所对应的订单子板的长度、宽度数据存储在另一页列表中;
步骤8:对每一个待排样订单集中的所有同类型宽厚板建立排样的数学模型,目标函数如公式(1)所示,约束函数如公式(2)所示,
式中,Sθ表示第θ块同类型宽厚板的面积,n表示同类型宽厚板的数量,sη表示第η种订单子板的面积,cη表示第η种订单子板的数量,m表示订单子板的种类,srk表示没有排布下的剩余订单子板中的第k块订单子板的面积,τ表示没有排布下的剩余订单子板的数量,dθ表示第θ块同类型宽厚板上可排布的订单子板的数量,xθη表示第θ块同类型宽厚板上切割的第η块子板的长度,Lθ表示第θ块同类型宽厚板的长度;
步骤9:对于每一个待排样订单集,采用启发式排样算法确定订单子板在同类型宽厚板上的排布规则;
步骤10:对于同一个待排样订单集中的所有订单子板,将宽度、长度均不相等的订单子板采用不同正整数进行编号,然后按照步骤9的排布规则初步确定出所有订单子板的排样顺序,根据各个订单子板对应的编号确定出以编号表示的排样顺序,记为F;
步骤11:对于每一个待排样订单集,采用混合遗传算法进行排样问题的搜索求解,得到订单子板的最佳排样顺序,然后根据步骤9的排布规则确定出所有订单子板在每块宽厚板上的剪切排样方案。
2.根据权利要求1所述的一种基于机器视觉的宽厚板剪切排样方法,其特征在于,所述步骤3具体表述为:
步骤3.1:为了增强宽厚板图像的前景区域与背景区域之间的比对度,将畸变校正处理后的宽厚板图像,利用公式(3)进行伽马图像增强处理,得到增强后的宽厚板图像;
κ=crrγ (3)
式中,r表示图像进行灰度拉伸操作前的灰度值,κ表示图像进行灰度拉伸操作后的灰度值,γ表示图像灰度拉伸的幂指数,cr表示限制常数;
步骤3.2:对增强后的宽厚板图像进行中值滤波处理,得到中值滤波处理后的宽厚板图像;
步骤3.3:对中值滤波处理后的宽厚板图像,先采用大津法计算分割阈值,然后利用计算得到的分割阈值进行二值化处理,得到宽厚板图像的二值化图像;
步骤3.4:利用面积特征筛选二值化图像,得到宽厚板特征图像,所述宽厚板特征图像为只包含宽厚板部分的二值化图像,具体表述为:
步骤3.4.1:根据8邻域的邻接关系将整个二值化图像分成R个连通区域,分别记为region1,region2,…,regionR;
步骤3.4.2:遍历各个连通区域,分别计算各个连通区域的像素面积,筛选出像素面积最大的连通区域作为宽厚板特征图像;
步骤3.5:根据区域边界条件计算宽厚板特征图像的边界,得到区域边界图像,具体表述为:
步骤3.5.1:遍历宽厚板特征图像中的每个像素点,计算每个像素点的8邻域像素灰度之和;
步骤3.5.2:根据每个像素点的8邻域像素灰度和,筛选出灰度和大于0且小于2040的像素点,作为符合边界条件的像素点,将所有符合边界条件的像素点连接在一起,得到区域边界图像;
步骤3.6:将区域边界图像先进行膨胀处理,然后将膨胀处理后的区域边界图像与中值滤波处理后的宽厚板图像进行交集运算,得到宽厚板的边界图像;
步骤3.7:利用Canny算子对宽厚板的边界图像进行轮廓提取,得到宽厚板的边界图像的粗边缘图像;
步骤3.8:利用基于灰度梯度的亚像素边缘轮廓提取算法,对粗边缘图像进行轮廓计算,得到宽厚板图像的轮廓数据。
3.根据权利要求2所述的一种基于机器视觉的宽厚板剪切排样方法,其特征在于,所述步骤3.3具体表述为:
步骤3.3.1:根据预设分割阈值T将中值滤波处理后的宽厚板图像分割为前景图像A、背景图像B两部分,计算中值滤波处理后的宽厚板图像的分割阈值σ2(Th);
σ2(T)=ωAωB(μA-μB)2 (4)
式中,μA表示前景图像A的灰度均值,ωA表示前景图像A内的像素点个数与宽厚板图像总像素点个数的比值,μB表示背景图像B的灰度均值,ωB表示背景图像B内的像素点个数与宽厚板图像总像素点个数的比值;
步骤3.3.2:利用阈值σ2(Th)对中值滤波处理后的宽厚板图像进行逐个像素点的灰度分类,得到宽厚板图像的二值化图像g(x,y),所述g(x,y)的阈值分割表达式如公式(6)所示,
式中,f(x,y)表示中值滤波处理后的宽厚板图像。
4.根据权利要求2所述的一种基于机器视觉的宽厚板剪切排样方法,其特征在于,所述步骤3.6具体表述为:
步骤3.6.1:采用圆形膨胀模板对区域边界图像进行膨胀处理,得到膨胀处理后的区域边界图像;
步骤3.6.2:将宽厚板图像的长度方向作为直角坐标系的x轴,宽度方向作为直角坐标系的y轴,直角坐标系的原点设置在O点,其中O点表示宽厚板图像上的任意点,记录膨胀处理后的区域边界图像中的各个像素点的坐标;
步骤3.6.3:利用各个像素点的坐标作为索引,在中值滤波处理后的宽厚板图像中找到对应坐标的像素点,记为索引像素点;
步骤3.6.4:将在中值滤波处理后的宽厚板图像中得到的所有索引像素点连接在一起,得到宽厚板的边界图像。
5.根据权利要求2所述的一种基于机器视觉的宽厚板剪切排样方法,其特征在于,所述步骤3.8具体表述为:
步骤3.8.1:将粗边缘图像中的整数像素点(i,j),沿着坐标系的x轴方向按照一定步长ω,在像素点(i,j)前后各取一个整数像素点记为(i-ω,j)、(i+ω,j),其中ω、i、j均为正整数,然后计算像素点(i,j)、(i-ω,j)、(i+ω,j)的梯度幅值,分别记为G(i,j)、G(i-1,j)、G(i+1,j);
步骤3.8.2:利用像素点(i,j)、(i-ω,j)、(i+ω,j)拟合为一条二次曲线,定义二次曲线的表达式如公式(7)所示,将像素点(i,j)、(i-ω,j)、(i+ω,j)带入公式(7)得到公式(8)所示方程组,
p(x)=ax2+bx+c (7)
式中,a、b、c表示二次曲线p(x)中的待求系数;
步骤3.8.3:求解公式(8)给出的方程组得到各待求参数如公式(9)所示,然后将得到的各参数带入公式(7),即可得到二次曲线的具体表达式,
步骤3.8.4:求解二次曲线p(x)具体表达式的极值点pi,则极值点pi即为亚像素点的横坐标点,
步骤3.8.5:将粗边缘图像中的整数像素点(i,j),沿着坐标系的y轴方向按照一定步长ω,在像素点(i,j)前后各取一个整数像素点记为(i,j-ω)、(i,j+ω),其中ω、i、j均为正整数,然后计算像素点(i,j)、(i,j-ω)、(i,j+ω)的梯度幅值,分别记为G(i,j-1)、G(i,j)、G(i,j+1);
步骤3.8.6:利用像素点(i,j)、(i,j-ω)、(i,j+ω)拟合为一条二次曲线,定义二次曲线的表达式如公式(11)所示,将像素点(i,j)、(i,j-ω)、(i,j+ω)带入公式(11)得到公式(12)所示方程组,
p'(x)=a'x2+b'x+c' (11)
式中,a'、b'、c'表示二次曲线p'(x)中的待求系数;
步骤3.8.7:求解公式(12)给出的方程组得到各待求参数如公式(13)所示,然后将得到的各参数带入公式(11),即可得到二次曲线的具体表达式,
步骤3.8.8:求解二次曲线p'(x)具体表达式的极值点pj,则极值点pj即为亚像素点的纵坐标点,
步骤3.8.9:组合极值点pi、pj得到像素点(i,j)对应的亚像素点的坐标(pi,pj);
步骤3.8.10:重复步骤3.8.1~步骤3.8.9,计算粗边缘图像中的各个整数像素点对应的亚像素点的坐标,即可得到宽厚板图像的轮廓数据。
6.根据权利要求1所述的一种基于机器视觉的宽厚板剪切排样方法,其特征在于,所述步骤4中在轮廓数据中,判断属于头、尾部不规则区域的轮廓数据点,具体表述为:
步骤4.1:定义宽厚板图像的轮廓数据中包括的轮廓数据点个数为Q,从Q个数据点中横坐标值最小的数据点开始,统计同一横坐标值xth下的数据点个数为P,从P个数据点中找出纵坐标值最大的数据点(xth,y1),以及纵坐标值最小的数据点(xth,y2),并计算出数据点(xth,y1)、(xth,y2)之间的距离dth,其中xth=xmin+th,t=1,2,…,g,xmin表示从Q个数据点中最小的横坐标值,xmax表示Q个数据点中最大的横坐标值,h表示搜索步长,h取值大小为单位像素;
步骤4.2:如果同一横坐标值下的数据点个数P>2,则认为P>2的横坐标值对应的数据点属于不规则区域轮廓数据点,或者是,如果从数据点(xth,yth)开始,连续f个搜索步长h内计算出的距离值变化之差超过预设误差值df时,则认为数据点(xth,yth)属于不规则区域轮廓数据点。
7.根据权利要求1所述的一种基于机器视觉的宽厚板剪切排样方法,其特征在于,所述的步骤5具体表述为:
步骤5.1:利用公式(15)计算剩余宽厚板的宽度J,
J=ε*σ (15)
式中,ε为宽厚板的像素宽度,σ为单位像素长度;
步骤5.2:利用公式(16)计算剩余宽厚板的有效长度L有效,
L有效=l有效*σ=(l-l头尾)*σ (16)
式中,l有效为宽厚板的有效像素长度,l为宽厚板的总体像素长度,l头尾为宽厚板头、尾部不规则区域的总像素长度;
步骤5.3:计算剩余宽厚板的侧弯量Ci,包括如下步骤:
步骤5.3.1:定义剩余宽厚板四个顶角的数据点坐标分别为(xl,yl1),(xl,yl2)、(xr,yr1)、(xr,yr2),计算头部两顶角连线的中点Ol,记Ol坐标为计算尾部两顶角连线的中点Or,记Or坐标为
步骤5.3.2:根据中点Ol、Or确定一条直线l,记为y=λ1x+λ2,式中λ1,λ2为表达式系数;
步骤5.3.3:从规则区域轮廓数据点中横坐标值最小的数据点开始,依次计算N个数据点中同一横坐标值的两个数据点(xu,yu,1)、(xu,yu,2)纵坐标的平均值则坐标点即为宽厚板中线上的点Ou,u=1,2,…,v,N表示规则区域轮廓数据点中剔除宽度方向上轮廓的数据点后剩余数据点的个数,v表示N个数据点中不同横坐标值的个数;
步骤5.3.4:从中线上的第一个点O1开始,依次计算宽厚板中线上的任一点到直线l的距离,记为C1,C2,…,Cu,…,Cv;
步骤5.3.5:从第一个距离值C1开始,依次判断Cu与相邻两个距离值Cu-1、Cu+1的大小,当Cu满足Cu-1≥Cu且Cu+1≥Cu,或者Cu-1≤Cu且Cu+1≤Cu时,则Cu为剩余宽厚板的一个侧弯量;
步骤5.3.6:当剩余宽厚板的有效长度L有效小于对应订单上的期望长度值,或者剩余宽厚板的宽度J小于对应订单上的期望宽度值时,则所述剩余宽厚板为需要进行排样操作的宽厚板;
步骤5.3.8:为需要进行排样操作的宽厚板设置不同的编号。
8.根据权利要求1所述的一种基于机器视觉的宽厚板剪切排样方法,其特征在于,所述的步骤9具体表述为:
步骤9.1:从待排样订单集中的所有订单子板中,挑选出长度、宽度均相等的订单子板作为同一种规格的订单子板,得到N'种规格的订单子板,排样操作时优先排布同一种规格的订单子板;
9.根据权利要求1所述的一种基于机器视觉的宽厚板剪切排样方法,其特征在于,所述步骤11中的采用混合遗传算法进行排样问题的搜索求解,得到订单子板的最佳排样顺序,具体表述为:
步骤11.1:确定染色体编码方式,根据步骤10确定的排样顺序F对第一次迭代时的染色体进行编码;
步骤11.2:确定适应度函数值,按照步骤9确定的排布规则并结合公式(1)给出的目标函数确定适应度函数值;
步骤11.3:确定染色体交叉方式,随机从种群中选择两种排样顺序作为两个父代染色体F1、F2进行交叉,交叉方式为随机选择一个交叉位置进行单点交叉;
步骤11.4:确定染色体变异方式,在种群中随机选择一种排样顺序F',并从排样顺序F'中随机选择两个位置J1、J2,并将位置J1、J2上的编号进行交换;
步骤11.5:在混合遗传算法进行计算的过程中,首先生成染色体数目为3M的排样顺序的种群作为父代候选种群,计算适应度后,将适应度值由高到低进行排序,取排在前面的M个染色体作为父代种群,然后利用父代种群分别进行交叉、变异各产生M个子代种群,从父代、子代种群中选择出数量为3M的染色体作为候选种群,计算适应度后,将适应度值由高到低进行排序,取排在前面的M个染色体作为下一代的父代种群,依次迭代,直至迭代次数大于预设迭代次数,迭代计算结束,将种群中适应度值最高的染色体所对应的编码顺序作为订单子板的最佳排样顺序,其中3M表示参与迭代的种群数目,M表示初始种群数目。
10.根据权利要求9所述的一种基于机器视觉的宽厚板剪切排样方法,其特征在于,所述步骤11.3确定染色体交叉方式时,由于染色体是根据订单子板的编号进行编码的,交叉产生的两种新的排放顺序作为子代染色体,可能会出现无效排放顺序的情况,因此需要设置一个交叉有效性检测的操作,具体表述为:对交叉后的子代染色体进行检测,如果子代染色体的编码中没有出现相同的编号,即为交叉有效,保留子代染色体的编码;如果子代染色体的编码中出现了相同的编号,即为交叉无效,需要对两条父代染色体可进行的交叉节点进行遍历操作,找到有效交叉点,如果不存在有效交叉点,则返回两条父代染色体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461045.4A CN111462119B (zh) | 2020-05-27 | 2020-05-27 | 一种基于机器视觉的宽厚板剪切排样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461045.4A CN111462119B (zh) | 2020-05-27 | 2020-05-27 | 一种基于机器视觉的宽厚板剪切排样方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462119A true CN111462119A (zh) | 2020-07-28 |
CN111462119B CN111462119B (zh) | 2023-06-13 |
Family
ID=71679836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010461045.4A Active CN111462119B (zh) | 2020-05-27 | 2020-05-27 | 一种基于机器视觉的宽厚板剪切排样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462119B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914856A (zh) * | 2020-08-11 | 2020-11-10 | 上海柏楚电子科技股份有限公司 | 板材余料的排样方法、装置、系统、电子设备及存储介质 |
CN112836305A (zh) * | 2020-12-30 | 2021-05-25 | 沈阳建筑大学 | 一种宽厚板剪切策略计算方法 |
CN112894489A (zh) * | 2021-01-28 | 2021-06-04 | 东北大学 | 一种基于形状识别的宽厚板优化剪切方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500255A (zh) * | 2013-10-16 | 2014-01-08 | 南通大学 | 用于矩形件的智能排样方法 |
CN103793555A (zh) * | 2014-01-02 | 2014-05-14 | 南通大学 | 用于木工板件零件的智能排样优化方法 |
-
2020
- 2020-05-27 CN CN202010461045.4A patent/CN111462119B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500255A (zh) * | 2013-10-16 | 2014-01-08 | 南通大学 | 用于矩形件的智能排样方法 |
CN103793555A (zh) * | 2014-01-02 | 2014-05-14 | 南通大学 | 用于木工板件零件的智能排样优化方法 |
Non-Patent Citations (2)
Title |
---|
张国梁;蔡小娜;侯晓鹏;赵旦;周玉成;葛浙东;: "面向零件的人造板材矩形件锯切排样数学建模及遗传算法求解", 林业科学, no. 05, pages 150 - 159 * |
赵晓东;米小珍;: "遗传算法模型在矩形件排样优化中的应用", 锻压技术, no. 06, pages 153 - 156 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914856A (zh) * | 2020-08-11 | 2020-11-10 | 上海柏楚电子科技股份有限公司 | 板材余料的排样方法、装置、系统、电子设备及存储介质 |
CN111914856B (zh) * | 2020-08-11 | 2023-05-05 | 上海柏楚电子科技股份有限公司 | 板材余料的排样方法、装置、系统、电子设备及存储介质 |
CN112836305A (zh) * | 2020-12-30 | 2021-05-25 | 沈阳建筑大学 | 一种宽厚板剪切策略计算方法 |
CN112836305B (zh) * | 2020-12-30 | 2023-10-03 | 沈阳建筑大学 | 一种宽厚板剪切策略计算方法 |
CN112894489A (zh) * | 2021-01-28 | 2021-06-04 | 东北大学 | 一种基于形状识别的宽厚板优化剪切方法 |
CN112894489B (zh) * | 2021-01-28 | 2021-12-21 | 东北大学 | 一种基于形状识别的宽厚板优化剪切方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111462119B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462119A (zh) | 一种基于机器视觉的宽厚板剪切排样方法 | |
CN108132017B (zh) | 一种基于激光视觉系统的平面焊缝特征点提取方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN110390669B (zh) | 一种桥梁图像中裂缝的检测方法 | |
CN107633192B (zh) | 一种基于机器视觉的复杂背景下条形码分割与识读方法 | |
CN110349260B (zh) | 一种路面标线自动提取方法及装置 | |
CN111259854B (zh) | 一种文本图像中表格的结构化信息的识别方法及装置 | |
CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
JP5852919B2 (ja) | ひび割れ検出方法 | |
CN114119488B (zh) | 一种面向工厂化的预制叠合板尺寸质量智能检测方法 | |
CN109543753B (zh) | 基于自适应模糊修复机制的车牌识别方法 | |
CN110473174B (zh) | 一种基于图像计算铅笔精确数目的方法 | |
CN112465809B (zh) | 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置 | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN110449658A (zh) | 板材开料方法及装置 | |
CN111524154B (zh) | 一种基于影像的隧道管片自动化分割方法 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN115861351A (zh) | 边缘检测方法、缺陷检测方法及检测装置 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN111476792B (zh) | 一种板带钢图像轮廓的提取方法 | |
CN117392097A (zh) | 基于改进YOLOv8算法的增材制造工艺缺陷检测方法和系统 | |
CN116740060A (zh) | 基于点云几何特征提取的装配式预制构件尺寸检测方法 | |
CN114359276B (zh) | 基于麻点缺陷的钢模下料优选方案获取方法 | |
US20110229037A1 (en) | Character recognition apparatus and character recognition method |
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 |