CN113537237A - 一种多特征零件质量信息智能感知方法、系统及装置 - Google Patents

Abstract

本发明公开了一种多特征零件质量信息智能感知方法、系统及装置，包括：从零件的全局图像中分割出可能有特征存在的子特征图像，实现零件特征的粗提取，对子特征图像进行判定，确认子特征图像是否存在加工特征并判断特征种类，实现特征的精提取，对精提取出的子特征图像特征进行图像处理，获取零件的多种类多特征的质量信息。通过对零件的全局图像进行特征判别提取操作，可以提高零件加工特征质量信息感知的速度，并实现从零件的一张全局图像，获得零件多个加工特征的质量信息。

Description

一种多特征零件质量信息智能感知方法、系统及装置

技术领域

本发明属于图像信息采集领域，涉及一种多特征零件质量信息智能感知方法、系统及装置。

背景技术

在机械加工零件质量信息感知技术中，基于图像处理的质量感知方法已经得到了越来越多的应用。提高零件的质量信息感知效率对提高产品质量，降低生产成本，提高企业竞争力具有重要意义。多特征零件目前多采用数控加工中心进行加工，从而实现对零件一次装夹完成多个工序的加工，零件加工效率的提高对零件质量信息的快速获取也有了更高要求。通过图像处理的方式实现高效获取零件的多个特征的质量信息，目前面临的主要问题是现有的方法大多需要单独采集某个特征的图像，再进行处理，而从零件图像中提取特征的准确性和提取速度受到零件质量图像采集时的光照条件以及零件表面缺陷的影响。因此，如何实现从零件全局图像中准确地提取特征，并获得质量信息是提高零件质量信息感知效率需要解决的关键问题。

发明内容

本发明的目的在于解决现有技术中的问题，提供一种用于多特征零件的质量智能感知方法，能够快速提取出零件的特征图像，并筛选出误提取的特征图像，提高提取的准确性，提高零件的质量信息感知效率，从而可以提高产品质量，降低生产成本。

为达到上述目的，本发明采用以下技术方案予以实现：

一种多特征零件质量信息智能感知方法，包括以下步骤：

从零件的全局图像中分割出可能有特征存在的子特征图像，实现零件特征的粗提取；

对子特征图像进行判定，确认子特征图像是否存在加工特征并判断特征种类，实现特征的精提取；

对精提取出的子特征图像特征进行图像处理，获取零件的多种类多特征的质量信息。

本发明进一步的改进在于：

从零件的全局图像中分割出可能有特征存在的子特征图像，实现零件特征的粗提取的具体方法如下：

采用自适应灰度阈值分割法将可能有特征存在的子特征图像从全局图像中分割出来；采用自适应灰度阈值分割，从全局图像P中分割出可能有加工特征存在的子特征图像P_i，实现零件加工特征的粗提取，包括：

{P₁,P₂,P₃...P_i...P_n}∈P

其中，n为从全局质量图像中分割出的子特征图像的个数。

对子特征图像进行判定的具体方法如下：

利用子特征图像对称矩计算子特征图像中加工特征存在置信度，利用模板匹配法计算子特征图像的轮廓与模板的相似度，对得到的子特征图像的轮廓与模板的相似度进行处理得到特征匹配度，再通过加权投票法确认子特征图像是否存在加工特征并判断特征种类，实现特征的精提取。

利用子特征图像对称矩计算子特征图像中加工特征存在置信度的具体方法如下：

子特征图像对称矩

为：

其中，(a,b)为轮廓存在区域的像素点坐标，A为子特征图像中特征存在区域水平方向像素个数，B为竖直方向像素个数，(m,n)为子特征图像中各像素点的坐标，函数f(m,n)为坐标点(m,n)处像素点的灰度值，M为子特征图像水平方向像素点个数，N为子特征图像竖直方向像素点个数；

计算子特征图像对称矩要用到的参数包括中心距μ_pq以及规格化中心距η_pq；

中心距μ_pq以及计算规格化中心距η_pq为：

其中，p+q为阶数；

最后，基于

计算子特征图像中有特征存在的置信度S：

其中

为将子特征图像旋转180度后的子特征图像矩。

利用模板匹配法计算子特征图像的轮廓与模板的相似度，对得到的子特征图像的轮廓与模板的相似度进行处理得到特征匹配度的具体方法如下：

根据子特征图像I的尺寸自动调整模板图像T的大小，再根据模板匹配法计算子特征图像与模板的相似度L：

其中，T(x',y')为的模板图像的像素灰度值分布函数；I(x,y)为目标图像的像素灰度值分布函数；

对比特征粗提取出的所有子特征图像与模板的相似度，特征匹配度R为：

其中，L^*为所有一组子特征图像中的最大相似度。

通过加权投票法确认子特征图像是否存在加工特征并判断特征种类，实现特征的精提取的具体方法如下：

对置信度和特征匹配度进行特征加权，加权子特征存在的概率Q为：

其中，

为通过子特征面积矩

计算的加权投票特征提取的权值，S为置信度，R为特征匹配度：

子特征图像面积矩

表示子特征图像中轮廓面积与子特征图像总面积的比值，比值与特征存在概率成正相关；

基于

计算的特征存在置信度权值

基于模板匹配相似度计算的特征匹配度权值

计算加权子特征存在概率Q，并与特征存在概率阈值Q_t进行比较，当Q>Q_t时确子特征图像中认特征存在并提取子特征图像。

对精提取出的子特征图像特征进行图像处理，获取零件的多种类多特征的质量信息的具体方法如下：

通过模板匹配的结果判别特征种类，根据种类判别结果，采取对应的特征质量检测方法获得零件不同种类的多个特征的质量信息。

一种多特征零件质量信息智能感知系统，包括：

分割模块，所述分割模块用于从零件的全局图像中分割出可能有特征存在的子特征图像，实现零件特征的粗提取；

判定模块，所述判定模块用于对子特征图像进行判定，确认子特征图像是否存在加工特征并判断特征种类，实现特征的精提取；

图像处理模块，所述图像处理模块用于对精提取出的子特征图像特征进行图像处理，获取零件的多种类多特征的质量信息。

一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

与现有技术相比，本发明具有以下有益效果：

本发明提供了一种多特征零件质量信息智能感知方法、系统及装置，通过对从零件全局图像中划分出的子图像的判别，对两种方法计算出的特征存在可能性结果的加权投票判别，实现只拍摄零件的一张全局质量图像，准确提取孔槽等多种类的多个特征的质量信息，提高零件的质量信息感知效率，降低成本。

附图说明

为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例的多特征零件质量信息智能感知方法的流程示意图；

图2为本发明实施例的多特征零件质量信息智能感知系统的结构示意图；

图3为本发明实施例的自适应灰度阈值分割框选出的零件特征图；

图4为本发明实施例的零件特征粗提取结果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面结合附图对本发明做进一步详细描述：

参见图1，本发明实施例公开了一种多特征零件质量信息智能感知方法，包括以下步骤：

S101，从零件的全局图像中分割出可能有特征存在的子特征图像，实现零件特征的粗提取。

采用自适应灰度阈值分割法将可能有特征存在的子特征图像从全局图像中分割出来。采用自适应灰度阈值分割法，从全局图像P中分割出可能有加工特征存在的子特征图像P_i，实现零件加工特征的粗提取，包括：

{P₁,P₂,P₃...P_i...P_n}∈P

其中，n为从全局质量图像中分割出的子特征图像的个数。

S102，对子特征图像进行判定，确认子特征图像是否存在加工特征并判断特征种类，实现特征的精提取。

对子特征图像进行判定，包括利用子特征图像对称矩计算子特征图像中加工特征存在置信度，利用模板匹配法计算子特征图像的轮廓与模板的相似度，对得到的子特征图像的轮廓与模板的相似度进行处理得到特征匹配度，再通过加权投票法确认子特征图像是否存在加工特征并判断特征种类，实现特征的精提取。

利用子特征图像对称矩计算子特征图像中加工特征存在置信度，包括：

子特征图像对称矩

为

其中，(a,b)为轮廓存在区域的像素点坐标，A为子特征图像中特征存在区域水平方向像素个数，B为竖直方向像素个数，(m,n)为子特征图像中各像素点的坐标，函数f(m,n)为坐标点(m,n)处像素点的灰度值，M为子特征图像水平方向像素点个数，N为子特征图像竖直方向像素点个数；

计算子特征图像对称矩要用到的参数主要包括中心距μ_pq以及规格化中心距η_pq。

计算中心距μ_pq以及计算规格化中心距η_pq：

其中，p+q为阶数；

最后，基于

计算子特征图像中有特征存在的置信度S：

其中

为将子特征图像旋转180度后的子特征图像矩。

利用模板匹配法计算子特征图像的轮廓与模板的相似度，对得到的子特征图像的轮廓与模板的相似度进行处理得到特征匹配度的具体方法如下：

根据子特征图像I的尺寸自动调整模板图像T的大小，再根据模板匹配法计算子特征图像与模板的相似度L：

其中，T(x',y')为的模板图像的像素灰度值分布函数。I(x,y)为目标图像的像素灰度值分布函数；

对比特征粗提取出的所有子特征图像与模板的相似度，特征匹配度R为

其中L^*为所有一组子特征图像中的最大相似度。

通过加权投票法确认子特征图像是否存在加工特征并判断特征种类，实现特征的精提取，包括：

对置信度和特征匹配度进行特征加权，加权子特征存在的概率Q为

其中

为通过子特征面积矩

计算的加权投票特征提取的权值，S为置信度，R为特征匹配度；

子特征图像面积矩

表示子特征图像中轮廓面积与子特征图像总面积的比值，比值与特征存在概率成正相关；

基于

计算的特征存在置信度权值

基于模板匹配相似度计算的特征匹配度权值

计算加权子特征存在概率Q，并与特征存在概率阈值Q_t进行比较，当Q>Q_t时确子特征图像中认特征存在并提取子特征图像。

S103，对精提取出的子特征图像特征进行图像处理，获取零件的多种类多特征的质量信息。

通过模板匹配的结果判别特征种类，根据种类判别结果，采取对应的特征质量检测方法获得零件不同种类的多个特征的质量信息。

参见图2，图2为本发明实施例的多特征零件质量信息智能感知系统的结构示意图，包括：

分割模块，从零件的全局图像中分割出可能有特征存在的子特征图像，实现零件特征的粗提取；

判定模块，对子特征图像进行判定，确认子特征图像是否存在加工特征并判断特征种类，实现特征的精提取；

图像处理模块，对精提取出的子特征图像特征进行图像处理，获取零件的多种类多特征的质量信息。

为了验证本发明的可行性和有效性，利用本发明所述的方法获得某多特征零件的质量信息。

对零件的全局图像中的特征进行粗提取，单一采用自适应灰度阈值分割提取零件特征，实现零件特征粗提取。参见图3，图3为自适应灰度阈值分割框选出的零件特征图。

提取结果包括了部分由于光照不均匀以及表面缺陷导致的误判，提取结果参见图4，图4为零件特征粗提取结果图。

计算所有子特征图像的子特征对称矩并计算特征存在置信度，参见表1，表1为判定子特征图像是否存在加工特征，加工特征的特征种类及加工特征的概率。

表1：加工特征精提取特征存在概率计算结果

采用与特征种类对应的特征检测方法，获得零件的质量数据，结果参见表2，表2为多特征零件的质量数据。

表2：多特征零件的质量数据

本发明一实施例提供的终端设备的示意图。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。

所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。

所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，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。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。

所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

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。

Claims (10)

1.一种多特征零件质量信息智能感知方法，其特征在于，包括以下步骤：

从零件的全局图像中分割出可能有特征存在的子特征图像，实现零件特征的粗提取；

对子特征图像进行判定，确认子特征图像是否存在加工特征并判断特征种类，实现特征的精提取；

对精提取出的子特征图像特征进行图像处理，获取零件的多种类多特征的质量信息。

2.根据权利要求1所述的多特征零件质量信息智能感知方法，其特征在于，所述从零件的全局图像中分割出可能有特征存在的子特征图像，实现零件特征的粗提取的具体方法如下：

采用自适应灰度阈值分割法将可能有特征存在的子特征图像从全局图像中分割出来；采用自适应灰度阈值分割，从全局图像P中分割出可能有加工特征存在的子特征图像P_i，实现零件加工特征的粗提取，包括：

{P₁,P₂,P₃...P_i...P_n}∈P

其中，n为从全局质量图像中分割出的子特征图像的个数。

3.根据权利要求1所述的多特征零件质量信息智能感知方法，其特征在于，所述对子特征图像进行判定的具体方法如下：

利用子特征图像对称矩计算子特征图像中加工特征存在置信度，利用模板匹配法计算子特征图像的轮廓与模板的相似度，对得到的子特征图像的轮廓与模板的相似度进行处理得到特征匹配度，再通过加权投票法确认子特征图像是否存在加工特征并判断特征种类，实现特征的精提取。

4.根据权利要求3所述的多特征零件质量信息智能感知方法，其特征在于，所述利用子特征图像对称矩计算子特征图像中加工特征存在置信度的具体方法如下：

子特征图像对称矩

为：

其中，(a,b)为轮廓存在区域的像素点坐标，A为子特征图像中特征存在区域水平方向像素个数，B为竖直方向像素个数，(m,n)为子特征图像中各像素点的坐标，函数f(m,n)为坐标点(m,n)处像素点的灰度值，M为子特征图像水平方向像素点个数，N为子特征图像竖直方向像素点个数；

计算子特征图像对称矩要用到的参数包括中心距μ_pq以及规格化中心距η_pq；

中心距μ_pq以及计算规格化中心距η_pq为：

其中，p+q为阶数；

最后，基于

计算子特征图像中有特征存在的置信度S：

其中

为将子特征图像旋转180度后的子特征图像矩。

5.根据权利要求3所述的多特征零件质量信息智能感知方法，其特征在于，所述利用模板匹配法计算子特征图像的轮廓与模板的相似度，对得到的子特征图像的轮廓与模板的相似度进行处理得到特征匹配度的具体方法如下：

根据子特征图像I的尺寸自动调整模板图像T的大小，再根据模板匹配法计算子特征图像与模板的相似度L：

其中，T(x',y')为的模板图像的像素灰度值分布函数；I(x,y)为目标图像的像素灰度值分布函数；

对比特征粗提取出的所有子特征图像与模板的相似度，特征匹配度R为：

其中，L^*为所有一组子特征图像中的最大相似度。

6.根据权利要求3所述的质量信息智能感知方法，其特征在于，所述通过加权投票法确认子特征图像是否存在加工特征并判断特征种类，实现特征的精提取的具体方法如下：

对置信度和特征匹配度进行特征加权，加权子特征存在的概率Q为：

其中，

为通过子特征面积矩

计算的加权投票特征提取的权值，S为置信度，R为特征匹配度：

子特征图像面积矩

表示子特征图像中轮廓面积与子特征图像总面积的比值，比值与特征存在概率成正相关；

基于

计算的特征存在置信度权值

基于模板匹配相似度计算的特征匹配度权值

计算加权子特征存在概率Q，并与特征存在概率阈值Q_t进行比较，当Q>Q_t时确子特征图像中认特征存在并提取子特征图像。

7.根据权利要求1所述的多特征零件质量信息智能感知方法，其特征在于，所述对精提取出的子特征图像特征进行图像处理，获取零件的多种类多特征的质量信息的具体方法如下：

通过模板匹配的结果判别特征种类，根据种类判别结果，采取对应的特征质量检测方法获得零件不同种类的多个特征的质量信息。

8.一种多特征零件质量信息智能感知系统，其特征在于，包括：

分割模块，所述分割模块用于从零件的全局图像中分割出可能有特征存在的子特征图像，实现零件特征的粗提取；

判定模块，所述判定模块用于对子特征图像进行判定，确认子特征图像是否存在加工特征并判断特征种类，实现特征的精提取；

图像处理模块，所述图像处理模块用于对精提取出的子特征图像特征进行图像处理，获取零件的多种类多特征的质量信息。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。

Images