CN112345450B - 大尺寸不规则样品表面扫描区域识别及扫描路径确定方法 - Google Patents
大尺寸不规则样品表面扫描区域识别及扫描路径确定方法 Download PDFInfo
- Publication number
- CN112345450B CN112345450B CN202011180218.1A CN202011180218A CN112345450B CN 112345450 B CN112345450 B CN 112345450B CN 202011180218 A CN202011180218 A CN 202011180218A CN 112345450 B CN112345450 B CN 112345450B
- Authority
- CN
- China
- Prior art keywords
- sample
- image
- detected
- area
- size
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
Abstract
本发明涉及一种大尺寸不规则样品表面扫描区域识别及扫描路径确定方法,包括:扫描装置设置及待测样品表面加工,采用图像采集处理模块获取待测样品图像,采集后的源图建立实物尺寸和图像之间的计算模型,通过多重数学模型的构建和算法的累积计算,实现自动识别样品轮廓以及外部不规则或内部空洞部分,结合扫描装置的参数要求,直接给出样品实际可扫描区域和每行或每列的扫描路径。本发明可通过智能识别样品,用于单火花光源扫描分析大于面积100mm×100mm的样品的偏析度表征前处理阶段。
Description
技术领域
本发明属于材料偏析分析技术领域,特别涉及一种大尺寸不规则样品表面扫描区域识别及扫描路径确定方法。
背景技术
智能识别技术是信息时代的一门重要的技术,其目的是为了让计算机代替人工去处理大量的物理信息。智能识别大尺寸样品的区域轮廓,确定样品的可扫描区域及设计扫描路径对大尺寸金属构件偏析度分析仪具有重大意义。
以火花光源作为光谱激发源的大尺寸金属构件偏析度分析仪是解决大尺寸构件金属表面元素分布的重要手段,通过样品表面加工和成分分析共享精密样品移动台,人工确定激发初始位置和每行间距dmm的扫描路径,对大尺寸样品表面的元素偏析、疏松、夹杂表征分析。但是对于米级尺度样品的表面元素偏析度的分析,因为样品可能存在形状不规则,需要人工计算的扫描区域面积大,扫描路径复杂,导致米级尺度样品的每行或每列均需人工计算给出扫描路径(扫描的起点和终点)。例如对于一块中间存在不规则空洞样品,其空洞部分在分析过程中要避开,因此设计行扫描路径中,每行扫描可能有多个起点和终点,需要对每行的各段扫描起点和扫描终点一一确认,操作繁琐,耗时长。如何尽可能缩短扫描区域确认的时长,快速完成大尺寸样品的扫描区域的确认显得至关重要,所以目前迫切需要一种快速自动的样品表面智能识别可扫描区域和光谱扫描路径设计的方法来解决这一问题。
大尺寸样品因为尺寸比较大,可分析扫描面积占比也较大,所以需要自动智能识别样品边缘轮廓尺寸,内部有缺陷的样品还要识别内部缺陷边缘轮廓尺寸,精确确定可扫描区域,给出扫描范围,才能达到大尺寸样品偏析分析的前提。
除了需要自动快速确认和给出可扫描区域外,大尺寸样品分析还需要确定扫描路径。对于大尺寸构件偏析分析而言,大部分样品因为规整程度不一,存在很多不规则的样品,需要对每行或者每列的扫描路径作精确确认,同时也要给出具体扫描路径。扫描区域扫描路径确定通常人工实施,花费时间约2小时,大大降低了样品表面成分偏析的分析效率。因此迫切需要一种能够集自动智能识别扫描区域和路径设计于一体的技术方法,大幅度提高扫描分析效率,解决复杂繁琐的人工操作和用时较长的问题。
发明内容
针对上述技术问题,本发明的目的是提供一种大尺寸不规则样品表面区域识别和扫描路径确定方法,用在一种表面扫描装置上,例如集自动智能识别扫描区域和路径设计于一体的大尺寸金属构件偏析度分析仪,实现对于不规则样品的扫描分析。
为了实现上述目的,本发明提供了如下技术方案:
一种大尺寸不规则样品表面扫描区域识别及扫描路径确定方法,该样品具有待测平面,该待测平面有不规则的内部空洞和/或外轮廓,样品采用具有水平面移动工作台的扫描装置进行扫描,该方法包括如下步骤:
S1、扫描装置设置及待测样品表面加工:
在水平面移动工作台上设置用于承载大尺寸待测金属材料待测样品的标准尺寸网格盘4,在Z轴2上安装图像采集处理模块5;其中,所述图像采集处理模块5包括图像采集照相机,所述标准尺寸网格盘4中单一网格均为标准正方形,每个正方形实际边长L1均为固定值,单位为mm;通过加工系统3在样品上加工出待测平面;
S2、获取待测样品图像:
控制X、Y轴将加工后的待测样品移动至图像采集处理模块5的图像采集照相机的镜头的正下方,通过Z轴2调整图像采集处理模块5的高度,使图像采集处理模块5的图像采集照相机的镜头聚焦待测样品,获取含有标准化网格背景的待测样品图像;
S3、建立样品图像尺寸与实际尺寸对应的数学模型
根据待测样品图像信息计算待测样品实际长度,从而建立待测样品实际尺寸与待测样品图像内样品图像尺寸一一对应的数学模型;
S4、分割待测样品区域和背景:
采用如下掩膜算法:在步骤S2采集到的待测样品图像中,创建一个或多个矩形区域掩膜,得到矩形内部区域的图像信息,即矩形内部区域为需要识别的样品图像信息,矩形外部区域全为背景信息;采用高斯混合模型方式,针对矩形内外区域,分别建立带有参数的前景高斯混合模型和背景高斯混合模型,完成待测样品图像中待测样品区域和背景的分割;
S5、扫描区域识别:
将分割后的待测样品图像中的待测样品区域的若干轮廓均描绘出来,采用序列排序算法,将所有轮廓按面积取值进行大小排序,最终取面积最大的轮廓为大尺寸样品的图像轮廓;根据步骤S3建立待测样品实际尺寸与待测样品图像内样品图像尺寸一一对应的数学模型计算,结合大尺寸金属构件偏析度分析仪所要求预留的长度和宽度,获得待测样品可扫描区域;
S6、确定扫描路径:
根据轮廓提取算法,在待测平面的可扫描区域内,获得每一行/列的一个或多个起始坐标和一个或多个终点坐标,进而获得待测样品的每行/列扫描路径。
所述图像采集照相机为数码相机。
所述步骤S3中,根据标准尺寸网格盘4的正方形实际边长L1与待测样品图像中待测样品的边缘轮廓临近处的标准尺寸网格盘4的正方形图像边长L1’以及待测样品图像中的样品图像长度L’,与近似实际的样品近似长度LS’的关联关系,建立等比例关系式LS’/L’=L1/L1’,样品近似长度LS’计算公式为LS’=L’(L1/L1’);
然后,根据待测样品厚度h1、图像采集照相机的镜头与标准尺寸网格盘4之间的聚焦高度h和样品近似长度LS’,采用相似比例算法,建立相似比例数学模型,从而推导出待测样品图像中样品轮廓中样品实际长度LS,LS=Ls’(h-h1/h),从而建立待测样品实际尺寸与待测样品图像内样品图像尺寸一一对应的数学模型;
其中:L1、Ls、LS’、h、h1单位为mm,L’、L1’单位为像素。
所述步骤S4中,采用迭代最小化的方式:
(1)对每个像素分配高斯混合模型中的高斯分量,确认每个像素下取得最适合的单高斯模型,即
(2)优化高斯混合模型的参数,即
(3)通过Gibbs能量项分割估计,建立图论,并求出权值,通过最大流算法来进行前景的分割;
式中,向量k=(k1,k2,…,kn),作为每个像素的独立高斯混合模型参数,其相应像素点上的不透明度为αn,αn=0或1;θ为图像的灰度直方图参数,θ={h(z,αn)};z为图像灰度值数组,z=(z1,…,zn),D为混合高斯概率,D(αn,kn,θ,zn)=-logp(zn|αn,kn,θ)-logπ(αn,kn),p(zn|αn,kn,θ)是高斯概率分布,π(αn,kn)是混和权重系数;U为数据项,公式为Tu为背景像素集合的补集,E为能量项,E=U+V,V为边界项;
重复步骤(1)到(3),直到收敛,完成待测样品图像中待测样品区域和背景的分割。
所述步骤S6中,对于内部无空洞、外轮廓规则的可扫描区域,基于可扫描区域按行距d分解为n行,以n行为例,n列同理,根据轮廓提取算法,在待测样品可扫描区域内,获得第一行起始坐标(x1,0)和终点坐标(x2,0),则第一行的扫描路径为[(x1,0),(x2,0)];获得第二行的起始坐标(x1,d)和终点坐标(x2,d),则第二行的扫描路径为[(x1,d),(x2,d)],依次类推,第n行的起始坐标(x1,d*(n-1))和终点坐标(x2,d*(n-1)),则第n行的扫描路径为{[x1,d*(n-1)],[x2,d*(n-1)]}。
所述步骤S6中,对于外轮廓不规则样品或内部空洞轮廓不规则可扫描区域,基于可扫描区域按行距d分解为n行,以n行为例,n列同理,根据轮廓提取算法,在外轮廓不规则样品或内部空洞轮廓不规则样品的可扫描区域内,获得第一行的若干起始坐标和终点坐标:(x1,0),(x2,0),…(xn-1,0),(xn,0),则第一行的扫描路径分别为[(x1,0),(x2,0)]…[(xn-1,0),(xn,0)],获得第二行的若干起始坐标和终点坐标:(x1,d),(x2,d)…(xn-1,d),(xn,d),则第二行的扫描路径为[(x1,d),(x2,d)]…[(xn-1,d),(xn,d)],依次类推,第n行的若干起始坐标和终点坐标:[x1,d*(n-1)],[x2,d*(n-1)]…[xn-1,d*(n-1)],[xn,d*(n-1)],则第n行的扫描路径为{[x1,d*(n-1)],[x2,d*(n-1)]}…{[xn-1,d*(n-1)]),[xn,d*(n-1)]}。
所述方法用于单火花光源扫描分析大于面积100mm×100mm的样品的偏析度表征前处理阶段。
所述待测平面具有圆形、矩形、环形、凸凹形、扇形或不规则的外形轮廓。
与现有技术相比,本发明的有益效果在于:
本发明的关键在于:采集后的源图首先经过等比例算法和相似比例算法,建立实物和图像信息的计算模型,确定图像信息中任意两点在样品中的准确实际距离,其次经过算法建立高斯混合模型,利用最小迭代算法,交互地优化高斯混合模型和分割结果,迭代收敛后,实现样品区域和背景的分割,完成轮廓的描绘。基于序列排序算法自动识别轮廓图像信息,给出样品的轮廓。最后结合大尺寸金属构件偏析度分析仪扫描设定的参数条件(以行扫描为例,上下左右四个边界预留10mm,每行间距为dmm),给出可扫描区域以及每行或每列的扫描路径,并将扫描路径参数转换成软件可识别代码,导入分析软件,实现大尺寸金属构件偏析度分析仪智能识别可扫描区域和设计扫描路径。
在大尺寸金属构件偏析度分析仪上使用本发明的大尺寸样品不规则表面扫描区域识别及扫描路径确定方法,免除样品可扫描区域的人工确认和扫描路径设计等问题困扰,实现了仪器智能识别可扫描区域和设计扫描路径,减少了大量的人工操作和节省了分析时长,大大提高了大样品的表面偏析分析仪的扫描分析效率。此外,所采用的多种数学算法计算速度快,能够实现采集和快速处理图像信息数据,减少人工操作引入的误差,精确给出可扫描面积区域和路径。针对不规则样品,对其可扫描区域和路径确定,更具有独特的优势。
本发明根据实体样品的图像信息建立数学模型,计算出实体样品的准确尺寸,自动智能识别样品可扫描区域,设计每行或者每列扫描路径,适用于大面积(长度100mm-2000mm,宽度100mm-2000mm)样品,对于任意形状的平面样品(圆形,矩形,环形,凸凹形,扇形等),特别是对于内部有不规则空洞样品轮廓,可自动快速确认扫描区域和规划设计扫描路线,能够准确、智能、高效、快速地将扫描路径参数转换成软件可识别的专用代码,导入分析软件,自动启动分析程序。
附图说明
图1为本发明的图像采集处理模块5和标准尺寸网格盘4设置在大尺寸金属构件偏析度分析仪上的结构示意图;
图2为本发明中的等比例算法示意图;
图3为本发明中的相似比例算法示意图;
图4为本发明中的包含标准化网格背景的内轮廓不规则待测样品源图;
图5为本发明中的内轮廓不规则样品轮廓图;
图6为本发明中的内轮廓不规则样品的扫描路径设计示意图;
图7为本发明中的内轮廓不规则样品实际扫描分析路径图;
图8为本发明中的内轮廓不规则样品的某元素的偏析分析结果;
图9为本发明中的外轮廓不规则样品的源图;
图10为本发明中的外轮廓不规则样品的扫描路径设计示意图;
图11为本发明中的外轮廓不规则样品实际扫描分析路径图;
图12为本发明中的外轮廓不规则样品的某元素的偏析分析结果。
其中的附图标记为:
1——工作台控制中心 5——图像采集处理模块
2——Z轴 6——火花光源
3——加工刀具 7——光学系统
4——标准尺寸网格盘
L1’标准网格正方形的图像边长,单位:像素
L’图像信息中的图像样品长度,单位:像素
Ls图像信息中实际样品长度,单位:mm
Ls’近似实际的样品长度,单位:mm
h1待测样品厚度,单位:mm
h图像采集照相机的镜头与标准尺寸网格盘4之间的聚焦高度,单位:mm
具体实施方式
下面结合附图和一个实施例对本发明进行进一步说明。
本实施例的方法使用的是集样品表面加工、扫描分析于一体的大尺寸金属构件偏析度分析仪。
大尺寸金属构件偏析度分析仪包括工作台控制中心1、在水平X、Y轴方向上精密移动的水平面移动工作台、安装在Z轴2上沿Z轴方向移动的加工系统3,以及安装在W轴上沿竖直方向移动的火花光源6和光学系统7。
扫描样品时,沿X、Y轴移动工作台,控制样品在X、Y轴方向移动;Z轴控制加工刀具3和图像采集处理模块5的移动,控制X、Y轴移动加工后的样品至图像采集处理模块正下方,打开图像采集处理模块,固定Z轴高度,聚焦样品,通过智能识别扫描设计软件模块对样品进行图像模块采集和处理,采集源图。
本发明的大尺寸样品表面扫描区域识别及扫描路径确定方法,包括如下步骤:
S1、装置设置及待测样品表面加工
如图1所示,在水平面移动工作台上设置用于承载大尺寸待测金属材料待测样品的标准尺寸网格盘4,在Z轴2上安装图像采集处理模块5;其中,所述图像采集处理模块5包括图像采集照相机,所述图像采集照相机为数码相机;所述标准尺寸网格盘4中单一网格均为标准正方形,每个正方形实际边长L1均为固定值,单位为mm;通过加工系统3对待测样品表面进行加工处理;
S2、获取待测样品图像
控制X、Y轴将加工后的待测样品移动至图像采集处理模块5的图像采集照相机的镜头的正下方,通过Z轴2调整图像采集处理模块5的高度,使图像采集处理模块5的图像采集照相机的镜头聚焦待测样品,获取含有标准化网格背景的待测样品图像;
S3、建立样品图像尺寸与实际尺寸对应的数学模型
根据待测样品图像信息计算待测样品实际长度,从而建立待测样品实际尺寸与待测样品图像内样品图像尺寸一一对应的数学模型。
基于图片成像的基本原理,图像信息中的样品边缘尺寸和实际样品边缘尺寸会产生略微的差异。本发明采用等比例算法,如图2所示,根据标准尺寸网格盘4的正方形实际边长L1(图中未标)与待测样品图像中待测样品的边缘轮廓临近处的标准尺寸网格盘4的正方形图像边长L1’(像素单位1),以及待测样品图像中的样品图像长度L’(像素单位1)与近似实际的样品近似长度LS’(长度单位mm)的关联关系,建立等比例关系式LS’/L’=L1/L1’,样品近似长度LS’计算公式为LS’=L’(L1/L1’)。
样品实际长度LS的准确计算需要考虑样品厚度造成的误差。根据待测样品厚度h1(长度单位mm),图像采集照相机的镜头与标准尺寸网格盘4之间的聚焦高度h(长度单位mm),和样品近似长度LS’(长度单位mm),采用相似比例算法,建立相似比例数学模型,从而推导出待测样品图像中样品轮廓中样品实际长度LS,LS=LS’(h-h1/h),单位为mm,从而建立待测样品实际尺寸与待测样品图像内样品图像尺寸一一对应的数学模型,示意图见图3。
S4、分割待测样品区域和背景
本发明采用掩膜算法,在步骤S2采集到的待测样品图像中,创建一个或多个矩形区域掩膜,得到矩形内部区域的图像信息,即矩形内部区域为需要识别的样品图像信息(前景),矩形外部区域全为背景信息(称为背景)。采用高斯混合模型方式,针对矩形内外区域,分别建立带有参数的前景高斯混合模型和背景高斯混合模型。
本发明采用迭代最小化的方式:
对每个像素分配高斯混合模型中的高斯分量,确认每个像素下取得最适合的单高斯模型,即
优化高斯混合模型的参数,即
通过Gibbs能量项分割估计,建立图论,并求出权值,通过最大流算法来进行前景的分割。
式中,向量k=(k1,k2,…,kn),作为每个像素的独立高斯混合模型参数,其相应像素点上的不透明度为αn,αn=0或1;θ为图像的灰度直方图参数,θ={h(z,αn)};z为图像灰度值数组,z=(z1,…,zn),D为混合高斯概率,D(αn,kn,θ,zn)=-logp(zn|αn,kn,θ)-logπ(αn,kn),p(zn|αn,kn,θ)是高斯概率分布,π(αn,kn)是混和权重系数。U为数据项,公式为TU为背景像素集合的补集,E为能量项,E=U+V,V为边界项;
重复步骤(1)到(3),直到收敛,完成待测样品图像中待测样品区域和背景的分割。
S5、扫描区域识别
通过以上步骤,实现了样品区域和背景的分割,将分割后的待测样品图像中的待测样品区域的若干轮廓均描绘出来,采用序列排序算法,将所有轮廓按面积取值进行大小排序,最终取面积最大的轮廓为大尺寸样品的图像轮廓。根据步骤S3建立待测样品实际尺寸与待测样品图像内样品图像尺寸一一对应的数学模型计算,结合大尺寸金属构件偏析度分析仪所要求预留的长度和宽度,获得待测样品可扫描区域。
S6、确定扫描路径
对于外轮廓规则的可扫描区域,基于可扫描区域按行距d分解为n行或者n列(以n行为例,n列同理),根据轮廓提取算法,在待测样品可扫描区域内,获得第一行起始坐标(x1,0)和终点坐标(x2,0),则第一行的扫描路径为[(x1,0),(x2,0)]。获得第二行的起始坐标(x1,d)和终点坐标(x2,d),则第二行的扫描路径为[(x1,d),(x2,d)],依次类推,第n行的起始坐标(x1,d*(n-1))和终点坐标(x2,d*(n-1)),则第n行的扫描路径为{[x1,d*(n-1)],[x2,d*(n-1)]},确认待测样品的每行扫描路径。
对于外轮廓不规则或内部空洞轮廓不规则的可扫描区域,基于可扫描区域按行距d分解为n行或者n列(以n行为例,n列同理),在外轮廓不规则样品或内部空洞轮廓不规则样品的可扫描区域内,根据轮廓提取算法,获得第一行的若干起始坐标和终点坐标:(x1,0),(x2,0),…(xn-1,0),(xn,0),则第一行的扫描路径分别为[(x1,0),(x2,0)]…[(xn-1,0),(xn,0)],获得第二行的若干起始坐标和终点坐标:(x1,d),(x2,d)…(xn-1,d),(xn,d),设计第二行的扫描路径为[(x1,d),(x2,d)]…[(xn-1,d),(xn,d)],依次类推,第n行的若干起始坐标和终点坐标:[x1,d*(n-1)],[x2,d*(n-1)]…[xn-1,d*(n-1)],[xn,d*(n-1)],则第n行的扫描路径为{[x1,d*(n-1)],[x2,d*(n-1)]}…{[xn-1,d*(n-1)]),[xn,d*(n-1)]}。
设计的扫描路径数据自动转换成为软件可识别的专用代码,大尺寸金属构件偏析度分析仪的分析软件可直接导入此项专用代码,即可完成样品扫描前的智能识别可扫描区域和扫描路径设计,自动开启整个样品的扫描分析程序。
实施例
按照本发明的方法,本实施例的具体步骤如下:
S1、在水平面移动工作台上设置用于承载大尺寸待测金属材料待测样品的标准尺寸网格盘4,在Z轴2上安装图像采集处理模块5;其中,标准尺寸网格盘4的正方形实际边长L1为18.5mm;通过加工系统3对待测样品表面进行加工处理;。
S2、通过图像采集处理模块5的图像采集照相机对待测样品进行图像采集,见图4,获得一张包含标准化网格背景的待测样品图像。
S3、根据等比例算法和网格标准实际尺寸边长L1(长度为18.5mm),待测样品图像中待测样品的临近边缘轮廓的标准尺寸网格盘的正方形图像边长L1’(像素长度为43),待测样品图像中的样品图像长度L’(像素长度为1056),则样品近似长度LS’=(L1*L’)/L1’=454.3,单位为mm。
根据待测样品厚度h1=30.2mm,聚焦高度h=419.7mm和样品近似长度LS’=454.3mm,建立相似比例数学模型,计算获得待测样品图像中样品轮廓中样品实际长度LS=421.6mm。该计算值与直接测量得到的结果422.1mm相比,误差<1mm。满足测量的精度要求。
S4、采用掩膜算法,在采集到的图像信息中,创建一个矩形区域掩膜,用矩形区域掩膜与采集到的图像信息相乘,得到矩形内部区域的图像信息。
采用高斯混合模型方式,针对矩形内外区域,分别建立带有参数的前景高斯混合模型和背景高斯混合模型。根据像素参数,得到高斯分量的权重π、均值u和协方差矩阵∑,完成前景高斯混合模型FGM和背景高斯混合模型BGM的建立。
采用迭代最小化的方式和最大流算法来进行前景的分割,实现了样品区域和背景的分割。
S5、采用序列排序算法,取面积最大的轮廓为大尺寸样品的图像轮廓,见图5。根据得到的尺寸和设定的扫描边界条件,确认样品可扫描区域。
S6、采用轮廓提取算法和设定的扫描边界,基于可扫描区域按4mm行距分解为行,设计完成每行的扫描路径,见图6。
设计的扫描路径数据自动转换成为软件可识别的专用代码,大尺寸金属构件偏析度分析仪的分析软件可直接导入此项专用代码,即可完成样品扫描前的智能识别可扫描区域和扫描路径设计,自动开启整个样品的扫描分析程序。经过运行分析,实际扫描分析路径见图7,扫描分析结果见图8。
本发明的方法适用任何内外轮廓不规则大样品的扫描分析路径自动识别及规划。在大尺寸构件偏析度分析仪上应用,对于外轮廓不规则样品(源图见图9)的扫描分析,也取得良好的效果。外轮廓不规则大样品扫描路径规划示意图见图10,实际扫描路径见图11,扫描分析结果见图12。
Claims (6)
1.一种大尺寸不规则样品表面扫描区域识别及扫描路径确定方法,该样品具有待测平面,该待测平面有不规则的内部空洞和/或外轮廓,样品采用具有水平面移动工作台的扫描装置进行扫描,其特征在于,该方法包括如下步骤:
S1、扫描装置设置及待测样品表面加工:
在水平面移动工作台上设置用于承载大尺寸待测金属材料待测样品的标准尺寸网格盘(4),在Z轴(2)上安装图像采集处理模块(5);其中,所述图像采集处理模块(5)包括图像采集照相机,所述标准尺寸网格盘(4)中单一网格均为标准正方形,每个正方形实际边长L1均为固定值,单位为mm;通过加工系统(3)在样品上加工出待测平面;
S2、获取待测样品图像:
控制X、Y轴将加工后的待测样品移动至图像采集处理模块(5)的图像采集照相机的镜头的正下方,通过Z轴(2)调整图像采集处理模块(5)的高度,使图像采集处理模块(5)的图像采集照相机的镜头聚焦待测样品,获取含有标准化网格背景的待测样品图像;
S3、建立样品图像尺寸与实际尺寸对应的数学模型
根据待测样品图像信息计算待测样品实际长度,从而建立待测样品实际尺寸与待测样品图像内样品图像尺寸一一对应的数学模型;
S4、分割待测样品区域和背景:
采用如下掩膜算法:在步骤S2采集到的待测样品图像中,创建一个或多个矩形区域掩膜,得到矩形内部区域的图像信息,即矩形内部区域为需要识别的样品图像信息,矩形外部区域全为背景信息;采用高斯混合模型方式,针对矩形内外区域,分别建立带有参数的前景高斯混合模型和背景高斯混合模型,完成待测样品图像中待测样品区域和背景的分割;
S5、扫描区域识别:
将分割后的待测样品图像中的待测样品区域的若干轮廓均描绘出来,采用序列排序算法,将所有轮廓按面积取值进行大小排序,最终取面积最大的轮廓为大尺寸样品的图像轮廓;根据步骤S3建立待测样品实际尺寸与待测样品图像内样品图像尺寸一一对应的数学模型计算,结合大尺寸金属构件偏析度分析仪所要求预留的长度和宽度,获得待测样品可扫描区域;
S6、确定扫描路径:
根据轮廓提取算法,在待测平面的可扫描区域内,获得每一行/列的一个或多个起始坐标和一个或多个终点坐标,进而获得待测样品的每行/列扫描路径;
对于内部无空洞、外轮廓规则的可扫描区域,基于可扫描区域按行距d分解为n行,以n行为例,n列同理,根据轮廓提取算法,在待测样品可扫描区域内,获得第一行起始坐标(x1,0)和终点坐标(x2,0),则第一行的扫描路径为[(x1,0),(x2,0)];获得第二行的起始坐标(x1,d)和终点坐标(x2,d),则第二行的扫描路径为[(x1,d),(x2,d)],依次类推,第n行的起始坐标(x1,d*(n-1))和终点坐标(x2,d*(n-1)),则第n行的扫描路径为{[x1,d*(n-1)],[x2,d*(n-1)]};
对于外轮廓不规则样品或内部空洞轮廓不规则可扫描区域,基于可扫描区域按行距d分解为n行,以n行为例,n列同理,根据轮廓提取算法,在外轮廓不规则样品或内部空洞轮廓不规则样品的可扫描区域内,获得第一行的若干起始坐标和终点坐标:(x1,0),(x2,0),…(xn-1,0),(xn,0),则第一行的扫描路径分别为[(x1,0),(x2,0)]…[(xn-1,0),(xn,0)],获得第二行的若干起始坐标和终点坐标:(x1,d),(x2,d)…(xn-1,d),(xn,d),则第二行的扫描路径为[(x1,d),(x2,d)]…[(xn-1,d),(xn,d)],依次类推,第n行的若干起始坐标和终点坐标:[x1,d*(n-1)],[x2,d*(n-1)]…[xn-1,d*(n-1)],[xn,d*(n-1)],则第n行的扫描路径为{[x1,d*(n-1)],[x2,d*(n-1)]}…{[xn-1,d*(n-1)]),[xn,d*(n-1)]}。
2.根据权利要求1所述的大尺寸不规则样品表面扫描区域识别及扫描路径确定方法,其特征在于,所述图像采集照相机为数码相机。
3.根据权利要求1所述的大尺寸不规则样品表面扫描区域识别及扫描路径确定方法,其特征在于,所述步骤S3中,根据标准尺寸网格盘(4)的正方形实际边长L1与待测样品图像中待测样品的边缘轮廓临近处的标准尺寸网格盘(4)的正方形图像边长L1’以及待测样品图像中的样品图像长度L’,与近似实际的样品近似长度LS’的关联关系,建立等比例关系式LS’/L’=L1/L1’,样品近似长度LS’计算公式为LS’=L’(L1/L1’);
然后,根据待测样品厚度h1、图像采集照相机的镜头与标准尺寸网格盘(4)之间的聚焦高度h和样品近似长度LS’,采用相似比例算法,建立相似比例数学模型,从而推导出待测样品图像中样品轮廓中样品实际长度LS,LS=LS’(h-h1/h),从而建立待测样品实际尺寸与待测样品图像内样品图像尺寸一一对应的数学模型;
其中:L1、LS、LS’、h、h1单位为mm,L’、L1’单位为像素。
4.根据权利要求1所述的大尺寸不规则样品表面扫描区域识别及扫描路径确定方法,其特征在于,所述步骤S4中,采用迭代最小化的方式:
(1)对每个像素分配高斯混合模型中的高斯分量,确认每个像素下取得最适合的单高斯模型,即
(2)优化高斯混合模型的参数,即
(3)通过Gibbs能量项分割估计,建立图论,并求出权值,通过最大流算法来进行前景的分割;
式中,向量k=(k1,k2,…,kn),作为每个像素的独立高斯混合模型参数,其相应像素点上的不透明度为αn,αn=0或1;θ为图像的灰度直方图参数,θ={h(z,αn)};z为图像灰度值数组,z=(z1,…,zn),D为混合高斯概率,D(αn,kn,θ,zn)=-logp(zn|αn,kn,θ)-logπ(αn,kn),p(zn|αn,kn,θ)是高斯概率分布,π(αn,kn)是混和权重系数;U为数据项,公式为Tu为背景像素集合的补集,E为能量项,E=U+V,V为边界项;
重复步骤(1)到(3),直到收敛,完成待测样品图像中待测样品区域和背景的分割。
5.根据权利要求1所述的大尺寸不规则样品表面扫描区域识别及扫描路径确定方法,其特征在于,所述方法用于单火花光源扫描分析大于面积100mm×100mm的样品的偏析度表征前处理阶段。
6.根据权利要求1所述的大尺寸不规则样品表面扫描区域识别及扫描路径确定方法,其特征在于,所述待测平面具有圆形、矩形、环形、凸凹形、扇形或不规则的外形轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011180218.1A CN112345450B (zh) | 2020-10-29 | 2020-10-29 | 大尺寸不规则样品表面扫描区域识别及扫描路径确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011180218.1A CN112345450B (zh) | 2020-10-29 | 2020-10-29 | 大尺寸不规则样品表面扫描区域识别及扫描路径确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112345450A CN112345450A (zh) | 2021-02-09 |
CN112345450B true CN112345450B (zh) | 2023-10-13 |
Family
ID=74357024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011180218.1A Active CN112345450B (zh) | 2020-10-29 | 2020-10-29 | 大尺寸不规则样品表面扫描区域识别及扫描路径确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112345450B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113916967A (zh) * | 2021-09-28 | 2022-01-11 | 中山大学 | 一种次表面成像和检测的方法 |
CN114332397B (zh) * | 2021-12-30 | 2022-10-28 | 北京发现角科技有限公司 | 同层级相邻地形过渡效果的实现方法和装置 |
CN114528730B (zh) * | 2022-01-25 | 2022-11-29 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种真实珊瑚砂颗粒离散元模型的构建方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013144418A1 (en) * | 2012-03-29 | 2013-10-03 | Nokia Corporation | Image segmentation |
CN103632361A (zh) * | 2012-08-20 | 2014-03-12 | 阿里巴巴集团控股有限公司 | 一种图像分割方法和系统 |
CN103839283A (zh) * | 2014-03-11 | 2014-06-04 | 浙江省特种设备检验研究院 | 一种小型不规则物体的面积周长无损测量方法 |
CN106447684A (zh) * | 2016-08-10 | 2017-02-22 | 中国兵器科学研究院宁波分院 | 工业ct图像中弱边缘尺寸测量方法 |
CN110018153A (zh) * | 2019-04-23 | 2019-07-16 | 钢研纳克检测技术股份有限公司 | 大尺度样品全域成分全自动扫查定位和定量分析系统 |
CN110782418A (zh) * | 2019-10-25 | 2020-02-11 | 上海精测半导体技术有限公司 | 一种带电粒子束设备的扫描规划方法、装置及设备 |
CN111157460A (zh) * | 2019-12-27 | 2020-05-15 | 钢研纳克检测技术股份有限公司 | 大尺度金属构件偏析度分析仪及分析方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030095696A1 (en) * | 2001-09-14 | 2003-05-22 | Reeves Anthony P. | System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans |
US10893167B2 (en) * | 2016-04-28 | 2021-01-12 | Hewlett-Packard Development Company, L.P. | Extracting a document page image from a electronically scanned image having a non-uniform background content |
US20180189955A1 (en) * | 2017-01-02 | 2018-07-05 | Eyal Moshe | Augumented reality (ar) method and system enhanced through efficient edge detection of image objects |
-
2020
- 2020-10-29 CN CN202011180218.1A patent/CN112345450B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013144418A1 (en) * | 2012-03-29 | 2013-10-03 | Nokia Corporation | Image segmentation |
CN103632361A (zh) * | 2012-08-20 | 2014-03-12 | 阿里巴巴集团控股有限公司 | 一种图像分割方法和系统 |
CN103839283A (zh) * | 2014-03-11 | 2014-06-04 | 浙江省特种设备检验研究院 | 一种小型不规则物体的面积周长无损测量方法 |
CN106447684A (zh) * | 2016-08-10 | 2017-02-22 | 中国兵器科学研究院宁波分院 | 工业ct图像中弱边缘尺寸测量方法 |
CN110018153A (zh) * | 2019-04-23 | 2019-07-16 | 钢研纳克检测技术股份有限公司 | 大尺度样品全域成分全自动扫查定位和定量分析系统 |
CN110782418A (zh) * | 2019-10-25 | 2020-02-11 | 上海精测半导体技术有限公司 | 一种带电粒子束设备的扫描规划方法、装置及设备 |
CN111157460A (zh) * | 2019-12-27 | 2020-05-15 | 钢研纳克检测技术股份有限公司 | 大尺度金属构件偏析度分析仪及分析方法 |
Non-Patent Citations (4)
Title |
---|
Towards a Holistic Cortical Thickness Descriptor: Heat Kernel-Based Grey Matter Morphology Signatures;Gang Wang 等;《NeuroImage》;第147卷;全文 * |
启发式方法在机器人路径规划优化中的应用综述;盛亮 等;《电光与控制》;第25卷(第9期);全文 * |
基于摄影测量系统的标定与表面数据融合算法研究;付玮;《中国博士学位论文全文数据库(信息科技辑)》(2018年第5期);全文 * |
彩色扫描文档图像中图文分割算法;朱庆生 等;《计算机辅助设计与图形学学报》(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112345450A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112345450B (zh) | 大尺寸不规则样品表面扫描区域识别及扫描路径确定方法 | |
US9217694B2 (en) | Method for automatically generating laser cutting lines in laser microdissection processes | |
CN107356608B (zh) | 大口径熔石英光学元件表面微缺陷快速暗场检测方法 | |
CN112881467B (zh) | 一种大尺寸复合材料损伤成像与定量识别方法 | |
US7454066B2 (en) | Extracting method of pattern contour, image processing method, searching method of pattern edge, scanning method of probe, manufacturing method of semiconductor device, pattern inspection apparatus, and program | |
CN107845090B (zh) | 一种硅片检测方法和硅片检测装置 | |
CN108562250B (zh) | 基于结构光成像的键盘键帽平整度快速测量方法与装置 | |
KR20200026110A (ko) | 패턴 검사 시스템 | |
CN111216124B (zh) | 基于融入全局视觉和局部视觉的机器人视觉引导方法和装置 | |
US8111902B2 (en) | Method and apparatus for inspecting defects of circuit patterns | |
CN109211110A (zh) | 一种基于机器视觉的平板类工件尺寸检测系统及方法 | |
CN114113114A (zh) | 一种大口径元件表面微缺陷检测与修复的自动化工艺方法 | |
CN100376883C (zh) | 一种基于像素频率的星敏感器校准方法 | |
CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
CN108444413A (zh) | 陶瓷墙地砖平整度检测装置及方法 | |
CN110823097A (zh) | 一种密集波分复用器自动装配中光学元件尺寸测量的方法 | |
CN113034482A (zh) | 基于机器视觉和机器学习的表面粗糙度检测方法 | |
US6532310B1 (en) | Removing noise caused by artifacts from a digital image signal | |
CN114113116A (zh) | 一种大口径元件表面微缺陷精确检测工艺方法 | |
CN111932517B (zh) | 余料板材的轮廓测绘方法、装置、电子设备与存储介质 | |
CN112595497A (zh) | 一种基于机器视觉的数字化刀口仪检验方法及系统 | |
CN114387232A (zh) | 一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法 | |
CN114120318A (zh) | 一种基于集成决策树的暗场图像目标点精确提取方法 | |
CN108705689A (zh) | 大口径精密光学晶体表面微缺陷修复用自动对刀工艺方法 | |
CN114113112A (zh) | 一种基于三光源显微系统的表面微缺陷定位与识别方法 |
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 |