CN112907590A - 一种基于金属锭打磨信息视觉识别的打磨方法及系统 - Google Patents
一种基于金属锭打磨信息视觉识别的打磨方法及系统 Download PDFInfo
- Publication number
- CN112907590A CN112907590A CN202110383788.9A CN202110383788A CN112907590A CN 112907590 A CN112907590 A CN 112907590A CN 202110383788 A CN202110383788 A CN 202110383788A CN 112907590 A CN112907590 A CN 112907590A
- Authority
- CN
- China
- Prior art keywords
- metal ingot
- grinding
- polishing
- edge detection
- reference point
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 167
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 167
- 238000005498 polishing Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000000007 visual effect Effects 0.000 title claims abstract description 22
- 238000000227 grinding Methods 0.000 claims abstract description 77
- 238000003708 edge detection Methods 0.000 claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims description 2
- 238000005266 casting Methods 0.000 abstract description 32
- 230000008569 process Effects 0.000 abstract description 9
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 17
- 230000009466 transformation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000002893 slag Substances 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- -1 ferrous metals Chemical class 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005058 metal casting Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30116—Casting
-
- 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
- G06T2207/30136—Metal
-
- 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)
- Quality & Reliability (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明公开一种基于金属锭打磨信息视觉识别的打磨方法及系统，包括：对金属锭图像进行边缘检测得到包含毛刺位置的边缘检测图像；对边缘检测图像进行多边形拟合后，提取多边形的角点和毛刺位置的端点，得到金属锭的打磨参照点；根据打磨参照点对金属锭进行打磨，对打磨后的金属锭图像进行检测得到剩余毛刺信息，根据剩余毛刺信息对打磨参照点进行优化，根据优化后的打磨参照点完成对金属锭的打磨。在有色金属铸锭线运行过程中不断提取进入视觉检测范围的金属锭的打磨参照点，具有实时性；能够检测出放置于金属锭模具中的金属锭的边缘和毛刺信息，具有准确性。
Description
技术领域
本发明涉及有色金属浇铸技术领域，特别是涉及一种基于金属锭打磨信息视觉识别的打磨方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
有色金属的浇铸是有色金属冶炼生产中的关键环节，在此过程中，液态有色金属被浇注入铸锭线上的模具，经过扒渣冷却形成特定形状的金属锭。然而，由于液态有色金属表面与空气接触易生成氧化渣，而在扒渣时未彻底清除掉的浮渣，会迅速凝固形成毛刺，这使得金属锭表面存在许多瑕疵，需要二次加工甚至成为废弃品。因此，为了提高生产效率，实现对有色金属铸锭线上金属锭的毛刺打磨，需要获取准确的金属锭上毛刺的位置信息以及确定打磨参照点的位置坐标。
但是，目前大部分有色金属冶炼企业都采用人工打磨的方式，即通过人眼来判断金属锭上的毛刺位置，由操作人员自行确定打磨的方式。有色金属铸锭线存在高温以及长时间持续不间断的工作情况，操作人员很容易出现判断不准确和打磨标准不一致的问题，导致金属锭的毛刺仍有残留，表面凹凸不平。即使是采用了视觉检测的研究，也是在金属锭脱模后的情形下，对毛刺进行检测，这样金属锭的毛刺打磨就完全依赖于二次加工这道额外工序，降低了生产效率。因此，对有色金属铸锭线上金属锭毛刺检测的研究是十分必要的。
由于扒渣的精度有限且扒渣工具不应该和模具边缘发生刮擦，因此，实际生产中的毛刺大部分出现在金属锭的边缘。为了检测金属锭边缘的毛刺位置，提取打磨需要的点位置坐标，需要从以下两个方面进行研究：一方面，需要在有色金属铸锭线这个复杂环境中准确检测出金属锭的边缘；另一方面，需要基于检测出的金属锭边缘，提取合适的打磨点位置坐标。在有色金属铸锭线上的检测难点在于，在工业作业环境下，毛刺检测的背景复杂，图像信息繁多；同时，铸锭线是保持运动的，检测的图像具有实时性。
因此，如何准确地检测有色金属铸锭线上的金属锭边缘并提取打磨参照点的位置坐标，如何反馈对金属锭的打磨效果以改进检测策略，进而为打磨过程提供合适的参照点，对进行有色金属铸锭线上金属锭毛刺检测的研究具有重要意义。
发明内容
为了解决上述问题，本发明提出了一种基于金属锭打磨信息视觉识别的打磨方法及系统，该方法包括边缘检测、打磨参照点提取和打磨效果反馈，通过模拟实际有色金属铸锭线的运行，将采集的金属锭图像用于金属锭的边缘检测；根据检测出的边缘以及金属锭几何特性，提取打磨参照点；打磨完成后，再次采集脱模金属锭的图像信息，检测金属锭可能残留的毛刺特性，以对边缘检测和打磨参照点提取策略进行改进，进而实现最优的打磨参照点提取。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种基于金属锭打磨信息视觉识别的打磨方法，包括：
对金属锭图像进行边缘检测得到包含毛刺位置的边缘检测图像；
对边缘检测图像进行多边形拟合后，提取多边形的角点和毛刺位置的端点，得到金属锭的打磨参照点；
根据打磨参照点对金属锭进行打磨，对打磨后的金属锭图像进行检测得到剩余毛刺信息，根据剩余毛刺信息对打磨参照点进行优化，根据优化后的打磨参照点完成对金属锭的打磨。
第二方面，本发明提供一种基于金属锭打磨信息视觉识别的打磨系统，包括：
边缘检测模块，被配置为对金属锭图像进行边缘检测得到包含毛刺位置的边缘检测图像；
打磨参照点提取模块，被配置为对边缘检测图像进行多边形拟合后，提取多边形的角点和毛刺位置的端点，得到金属锭的打磨参照点；
打磨效果反馈模块，被配置为根据打磨参照点对金属锭进行打磨，对打磨后的金属锭图像进行检测得到剩余毛刺信息，根据剩余毛刺信息对打磨参照点进行优化，根据优化后的打磨参照点完成对金属锭的打磨。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
本发明的基于金属锭打磨信息视觉识别的打磨方法包括边缘检测、打磨参照点提取以及打磨效果反馈三部分，模拟实际有色金属铸锭线的运行，利用视觉检测和图像处理获得金属锭图像，将此图像信息用于金属锭的边缘检测；依据检测出的边缘，根据金属锭的几何特性，提取打磨参照点，以用于后续的打磨工作；在打磨完成后，再次采集脱模金属锭的图像信息，利用深度学习分析金属锭可能残留的毛刺特性，以对边缘检测和打磨参照点提取策略进行改进，避免人工判断的主观性，进而实现最优的打磨参照点提取。
本发明在有色金属铸锭线运行过程中不断提取进入视觉检测范围的金属锭的打磨参照点，具有实时性，能够检测出放置于金属锭模具中的金属锭的边缘和毛刺信息，具有准确性。
本发明基于深度学习分析金属锭的打磨效果并反馈，要求打磨后的金属锭毛刺分布范围窄、面积小，尽可能全部去除，可以保证在恶劣的工业环境下，能够改进检测和打磨策略，达到最优的打磨效果。
由于图像信息采集系统采集到的原始金属锭图像数据具有大量的干扰信息，不利于直接进行角点检测，故本发明对原始金属锭图像进行预处理，利用边缘检测算法得到金属锭的边缘信息和毛刺信息后，抑制图像噪声，减少背景中的干扰信息，再经过符合金属锭几何特性的多边形拟合，准确检测出金属锭自身的角点和毛刺两端的角点。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于金属锭打磨信息视觉识别的打磨方法示意图；
图2为本发明实施例1提供的有色金属铸锭线实验平台示意图；
图3为本发明实施例1提供的边缘检测示意图；
图4为本发明实施例1提供的打磨参照点提取示意图；
图5为本发明实施例1提供的金属锭打磨效果反馈示意图；
图6为本发明实施例1提供的包含毛刺信息的边缘检测图像的仿真参考图；
图7为本发明实施例1提供的多边形拟合的仿真参考图；
图8为本发明实施例1提供的提取的打磨参照点的仿真参考图。
具体实施方式：
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示，本实施例提供一种基于金属锭打磨信息视觉识别的打磨方法，包括：
S1：对金属锭图像进行边缘检测得到包含毛刺位置的边缘检测图像；
S2：对边缘检测图像进行多边形拟合后，提取多边形的角点和毛刺位置的端点，得到金属锭的打磨参照点；
S3：根据打磨参照点对金属锭进行打磨，对打磨后的金属锭图像进行检测得到剩余毛刺信息，根据剩余毛刺信息对打磨参照点进行优化，根据优化后的打磨参照点完成对金属锭的打磨。
本实施例根据真实的有色金属铸锭线系统的组成结构建模设计了有色金属铸锭线实验平台101，有色金属铸锭线实验平台包括机械平台主体1011和驱动装置1012，用于模拟有色金属铸锭线的不同运行状态，实时显示铸锭线的运行速度和运行距离，和打磨机械臂105共同验证提取的打磨参照点的准确性；
具体的，如图2所示，所述平台机械主体1011包括承重台、传送带和有色金属铸锭模具；承重台上固定有传送带，传送带上放置有色金属铸锭模具和金属锭，金属锭与有色金属铸锭模具紧密贴合，考虑到工业实际作业环境，将金属锭放置在与现场完全一致的有色金属铸锭模具中，有色金属铸锭模具随着传送带的运动而水平运动。
所述驱动装置1012包括伺服电动机和控制器，伺服电动机为传送带传动提供驱动力，通过同步带拖动传送带在水平方向滑动，使有色金属铸锭模具在水平方向往复运动；伺服电动机连接控制器，能够设置传送带的运动速度并实时反馈传送带的位移，使有色金属铸锭线实验平台按照预定要求运行。
在步骤S1中，所述对金属锭图像进行边缘检测102具体包括图像信息采集1021、图像预处理1022以及Cannylines边缘检测；如图3所示，具体地：
所述图像信息采集1021包括：本实施例通过有色金属铸锭线实验平台实现有色金属铸锭模具的水平运动，通过相同间隔帧数采集有色金属铸锭线上的金属锭图像，同时采用空间几何变换方法得到金属锭图像中金属锭像素坐标与实际空间坐标的对应关系。
优选地，本实施例采用工业相机采集金属锭图像，将工业相机设置于有色金属铸锭线上方，且位于铸锭线的中心线上并正对铸锭线，能够间隔相同帧数采集有色金属铸锭线上的金属锭图像。
优选地，本实施例在有色金属铸锭线上方设置光源，以补充图像采集所需光线。
优选地，本实施例将采集到的金属锭图像存储至图像采集卡中，用于后期进一步处理。
所述图像预处理1022包括：对金属锭图像采用图像预处理算法进行降噪、灰度变换和压缩，得到预处理后的标准图像；
优选地，由于采集到的原始金属锭图像数据具有大量的干扰信息，不利于直接进行角点检测，故本实施例通过滤波变换减少复杂工业环境中图像的噪声，进行灰度变换减弱颜色对边缘检测的干扰，通过压缩图像大小得到标准图像。
所述边缘检测1023包括：对标准图像采用Cannylines边缘检测算法进行自适应阈值的Canny边缘检测，对检测得到的边缘信息进行搜索、连接形成一系列长边缘线段，将所有长边缘线段组合得到整个金属锭的边缘，毛刺位置为长边缘线段之间的空缺，最终得到包含毛刺信息的边缘检测图像。
在步骤S2中，金属锭的打磨参照点的提取103具体包括多边形拟合1031、打磨参照点提取1032和坐标转换1033；如图4所示，具体地：
所述多边形拟合1031包括：得到包含毛刺信息的边缘检测图像后，根据金属锭的几何特性，基于边缘检测图像中的边缘位置，利用多边形拟合算法搜索具有相应长度和角度关系的长边缘线段，并将其组合形成符合实际金属锭几何特性的多边形。
所述打磨参照点提取1032包括：利用角点检测算法提取多边形的所有角点，同时利用角点间的相对位置关系，将同一边缘检测图像中不同多边形的角点进行异类区分和同类组合，得到同一金属锭的打磨参照点。
进一步地，如图6-图8所示为仿真参考图，包含毛刺信息的边缘检测图像中，边缘空缺处即为毛刺位置，为了加强对毛刺的重点打磨，将毛刺位置两端的端点，同样作为打磨参照点。
所述坐标转换1033包括：依据标定好的空间几何变换关系，将打磨参照点的像素坐标转化为实际空间坐标后，由打磨机械臂执行打磨操作。
在本实施例中，通过构建的有色金属铸锭线实验平台进行边缘检测和打磨参照点提取的具体实现步骤为：
1)根据标定位置，在打磨机械臂的左侧、有色金属铸锭线平台101中心线的正上方放置工业相机，并根据现场光线情况在铸锭线上方放置光源；
2)按照模拟要求放置模具和金属锭，设定控制器的速度，启动驱动装置使铸锭模具沿水平运动；
3)对间隔相同帧数采集的同一金属锭的图像，经过滤波、灰度变换和图像压缩处理后得到标准图像，使用Cannylines边缘检测算法得到包含毛刺信息的长边缘线段的边缘检测图像；
4)将边缘检测图像中的长边缘线段拟合成多边形，提取多边形和毛刺位置的端点，并记录存储对应的像素坐标，得到打磨参照点；
5)根据不同图像中金属锭与工业相机不同的相对位置关系，按照固定的空间几何变换，将像素坐标转换为实际空间坐标。
在步骤S3中，金属锭打磨效果的反馈104的具体过程包括：图像采集1041、深度学习1042和统计学分析1043；如图5所示，具体地：
所述图像采集1041包括：根据步骤S2中打磨参照点对金属锭进行打磨后，通过设置于脱模后的有色金属铸锭传送线上的工业相机采集打磨后的金属锭图像；
优选地，工业相机位于传送线的中心线上并正对传送线，能够在金属锭到达自身下方时采集传送线上金属锭图像，同时将采集的打磨后的金属锭图像存储至图像采集卡中。
所述深度学习1042包括：采用训练后的深度学习模型检测打磨金属锭图像中残余毛刺的位置和大小；
优选地，本实施例利用标定的训练集对YOLO卷积神经网络进行训练，以训练后的网络模块检测打磨后的金属锭残余毛刺的位置和大小。
所述统计学分析1043包括：采用统计学分析方法，对金属锭残余毛刺信息进行统计意义上的大小和位置的概率分布分析，得到每个金属锭的打磨效果，根据当前打磨效果优化边缘检测和打磨参照点提取策略，得到更加准确的金属锭打磨参照点。
优选地，对大量打磨效果的数据集进行统计学分析与计算后，若毛刺分布范围窄而面积大，则需要对空缺处加强打磨，提取更多打磨参照点；若毛刺分布范围广，则需要采取更激进的检测和提取策略，使打磨参照点更贴近模具边缘。
实施例2
本实施例提供一种基于金属锭打磨信息视觉识别的打磨系统，包括：
边缘检测模块，被配置为对金属锭图像进行边缘检测得到包含毛刺位置的边缘检测图像；
打磨参照点提取模块，被配置为对边缘检测图像进行多边形拟合后，提取多边形的角点和毛刺位置的端点，得到金属锭的打磨参照点；
打磨效果反馈模块，被配置为根据打磨参照点对金属锭进行打磨，对打磨后的金属锭图像进行检测得到剩余毛刺信息，根据剩余毛刺信息对打磨参照点进行优化，根据优化后的打磨参照点完成对金属锭的打磨。
在本实施例中，根据真实的有色金属铸锭线系统的组成结构建模设计了有色金属铸锭线实验平台，有色金属铸锭线试验平台准确地模拟实际铸锭线的运动情况和金属锭的放置情况，实现了一个可以水平移动的有色金属铸锭仿真平台。
在平台运行过程中，金属锭置于铸锭模具中被驱动器牵引水平运动，并由边缘检测系统采集并检测，利用图像预处理和Cannylines边缘检测算法得到包含金属锭毛刺信息的边缘检测图像；继而由打磨参照点提取模块利用多边形拟合、打磨参照点提取和坐标转换，得出被打磨机械臂读取的打磨参照点；通过使用深度学习算法分析脱模后的金属锭，得到金属锭的打磨效果，并分析反馈以改进边缘检测和打磨参照点提取策略，以得到更为准确的打磨参照点，保证毛刺尽可能多地被去除，达到为打磨机械臂提供参照点的目的。
需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于金属锭打磨信息视觉识别的打磨方法，其特征在于，包括：
对金属锭图像进行边缘检测得到包含毛刺位置的边缘检测图像；
对边缘检测图像进行多边形拟合后，提取多边形的角点和毛刺位置的端点，得到金属锭的打磨参照点；
根据打磨参照点对金属锭进行打磨，对打磨后的金属锭图像进行检测得到剩余毛刺信息，根据剩余毛刺信息对打磨参照点进行优化，根据优化后的打磨参照点完成对金属锭的打磨。
2.如权利要求1所述的一种基于金属锭打磨信息视觉识别的打磨方法，其特征在于，对经预处理后的金属锭图像采用边缘检测算法进行边缘检测，将得到的长边缘线段组合后得到整个金属锭的边缘，长边缘线段间的空缺为毛刺，最终得到包含毛刺信息的边缘检测图像。
3.如权利要求1所述的一种基于金属锭打磨信息视觉识别的打磨方法，其特征在于，所述多边形拟合包括：基于边缘检测图像中的边缘位置和金属锭的几何特性，检索具有相应长度和角度关系的长边缘线段，并将其组合得到符合实际金属锭几何特性的多边形。
4.如权利要求1所述的一种基于金属锭打磨信息视觉识别的打磨方法，其特征在于，采用角点检测算法提取多边形的所有角点，根据角点间的相对位置关系，将同一边缘检测图像中不同多边形的角点进行异类区分和同类组合，得到同一金属锭的打磨参照点。
5.如权利要求1所述的一种基于金属锭打磨信息视觉识别的打磨方法，其特征在于，采用空间几何变换方法对打磨参照点进行像素坐标与实际空间坐标的转换，以根据打磨参照点对金属锭进行打磨。
6.如权利要求1所述的一种基于金属锭打磨信息视觉识别的打磨方法，其特征在于，对剩余毛刺信息进行大小和位置的概率分布分析，以此优化边缘检测和打磨参照点提取策略。
7.如权利要求1所述的一种基于金属锭打磨信息视觉识别的打磨方法，其特征在于，采用置于有色金属铸锭线上方，且位于铸锭线的中心线上并正对铸锭线的工业相机在相同间隔帧数内采集金属锭图像。
8.一种基于金属锭打磨信息视觉识别的打磨系统，其特征在于，包括：
边缘检测模块，被配置为对金属锭图像进行边缘检测得到包含毛刺位置的边缘检测图像；
打磨参照点提取模块，被配置为对边缘检测图像进行多边形拟合后，提取多边形的角点和毛刺位置的端点，得到金属锭的打磨参照点；
打磨效果反馈模块，被配置为根据打磨参照点对金属锭进行打磨，对打磨后的金属锭图像进行检测得到剩余毛刺信息，根据剩余毛刺信息对打磨参照点进行优化，根据优化后的打磨参照点完成对金属锭的打磨。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110383788.9A CN112907590B (zh) | 2021-04-09 | 2021-04-09 | 一种基于金属锭打磨信息视觉识别的打磨方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110383788.9A CN112907590B (zh) | 2021-04-09 | 2021-04-09 | 一种基于金属锭打磨信息视觉识别的打磨方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112907590A true CN112907590A (zh) | 2021-06-04 |
| CN112907590B CN112907590B (zh) | 2022-08-23 |
Family
ID=76110338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110383788.9A Active CN112907590B (zh) | 2021-04-09 | 2021-04-09 | 一种基于金属锭打磨信息视觉识别的打磨方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907590B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115540759A (zh) * | 2022-11-16 | 2022-12-30 | 南京科天力电子科技有限公司 | 一种基于图像识别技术修饰金属的检测方法及检测系统 |
| CN115880289A (zh) * | 2023-02-21 | 2023-03-31 | 深圳普菲特信息科技股份有限公司 | 一种基于大数据处理的钢卷毛刺识别方法、系统及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105598777A (zh) * | 2016-03-08 | 2016-05-25 | 济南大学 | 一种用于磨具的工件夹持结构、循迹式铸件磨边机及方法 |
| CN108942940A (zh) * | 2018-08-01 | 2018-12-07 | 东南大学 | 一种基于多传感器融合的遥操作机器人打磨控制系统 |
| CN110930376A (zh) * | 2019-11-13 | 2020-03-27 | 上海交通大学 | 基于机器视觉的对焊点毛刺的检测方法及系统 |
| CN111230862A (zh) * | 2020-01-10 | 2020-06-05 | 上海发那科机器人有限公司 | 一种基于视觉识别功能的手持工件去毛刺方法和系统 |
| CN111476152A (zh) * | 2020-04-03 | 2020-07-31 | 甘肃省科学院 | 一种基于柔顺规则的轮毂打磨轨迹输出的方法及系统 |
| CN111983973A (zh) * | 2020-08-11 | 2020-11-24 | 武汉万邦德新科技有限公司 | 一种基于模板匹配的铸造工件边缘去毛刺加工方法 |
| CN112518132A (zh) * | 2020-10-16 | 2021-03-19 | 深圳精匠云创科技有限公司 | 轮毂毛刺去除方法及电子装置 |
| CN112571159A (zh) * | 2020-12-10 | 2021-03-30 | 高铭科维科技无锡有限公司 | 一种基于视觉检测的构件打磨方法及其打磨系统 |
-
2021
- 2021-04-09 CN CN202110383788.9A patent/CN112907590B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105598777A (zh) * | 2016-03-08 | 2016-05-25 | 济南大学 | 一种用于磨具的工件夹持结构、循迹式铸件磨边机及方法 |
| CN108942940A (zh) * | 2018-08-01 | 2018-12-07 | 东南大学 | 一种基于多传感器融合的遥操作机器人打磨控制系统 |
| CN110930376A (zh) * | 2019-11-13 | 2020-03-27 | 上海交通大学 | 基于机器视觉的对焊点毛刺的检测方法及系统 |
| CN111230862A (zh) * | 2020-01-10 | 2020-06-05 | 上海发那科机器人有限公司 | 一种基于视觉识别功能的手持工件去毛刺方法和系统 |
| CN111476152A (zh) * | 2020-04-03 | 2020-07-31 | 甘肃省科学院 | 一种基于柔顺规则的轮毂打磨轨迹输出的方法及系统 |
| CN111983973A (zh) * | 2020-08-11 | 2020-11-24 | 武汉万邦德新科技有限公司 | 一种基于模板匹配的铸造工件边缘去毛刺加工方法 |
| CN112518132A (zh) * | 2020-10-16 | 2021-03-19 | 深圳精匠云创科技有限公司 | 轮毂毛刺去除方法及电子装置 |
| CN112571159A (zh) * | 2020-12-10 | 2021-03-30 | 高铭科维科技无锡有限公司 | 一种基于视觉检测的构件打磨方法及其打磨系统 |
Non-Patent Citations (1)
| Title |
|---|
| 万国扬 等: "基于视觉定位与轨迹规划的机器人打磨工作站", 《计算机集成制造系统》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115540759A (zh) * | 2022-11-16 | 2022-12-30 | 南京科天力电子科技有限公司 | 一种基于图像识别技术修饰金属的检测方法及检测系统 |
| CN115540759B (zh) * | 2022-11-16 | 2023-05-09 | 江西滕创洪科技有限公司 | 一种基于图像识别技术修饰金属的检测方法及检测系统 |
| CN115880289A (zh) * | 2023-02-21 | 2023-03-31 | 深圳普菲特信息科技股份有限公司 | 一种基于大数据处理的钢卷毛刺识别方法、系统及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112907590B (zh) | 2022-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112907590B (zh) | 一种基于金属锭打磨信息视觉识别的打磨方法及系统 | |
| CN107449782B (zh) | 手机外壳侧边表面缺陷数字化定量检测系统 | |
| CN104156726B (zh) | 一种基于几何形状特征的工件识别方法及装置 | |
| CN114049294B (zh) | 基于三维轮廓的路面技术状况检测方法及设备 | |
| CN109974582B (zh) | 一种汽车线束的芯线尺寸非接触式视觉检测装置及方法 | |
| CN102529019B (zh) | 一种模具检测、保护及零件检测、摘取的方法 | |
| CN112184648A (zh) | 一种基于深度学习的活塞表面缺陷检测方法及系统 | |
| CN105205821A (zh) | 一种焊接图像分割方法 | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| CN102141381A (zh) | 一种影像式电缆绝缘层和护套的厚度及外形尺寸自动测量仪 | |
| CN104923593A (zh) | 一种基于视觉的顶层折弯板材定位方法 | |
| CN112730441B (zh) | 一种特钢棒材表面缺陷检测修磨系统及其检测、修磨方法 | |
| CN106355590B (zh) | 一种基于图像作差的模具残留物视觉检测方法及装置 | |
| CN112419237B (zh) | 一种基于深度学习的汽车离合主缸凹槽表面缺陷检测方法 | |
| CN105678749A (zh) | 一种基于视觉的鲜鱼方向判别方法 | |
| CN109308707B (zh) | 铝锭厚度非接触式在线测量方法 | |
| CN112884848B (zh) | 一种基于双目视觉的智能天车控制系统、方法、终端 | |
| CN104748684B (zh) | 一种曲轴轴肩清根的视觉检测方法及装置 | |
| CN117862957A (zh) | 双金属材料铣削加工的工艺参数自适应调整方法及系统 | |
| CN113658244A (zh) | 桥梁区域通航船舶三维几何尺寸辨识方法 | |
| CN111539951A (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
| CN117021440A (zh) | 一种基于机器视觉的树脂镜片自动浇注方法及系统 | |
| CN114998279B (zh) | 一种石材大板表面凹坑和裂缝的识别定位方法 | |
| CN114426039B (zh) | 一种基于城轨列车车轮踏面的点云数据处理方法 | |
| TW200949472A (en) | On-board two-dimension contour detection method and system |
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 |