CN114187286A - 一种基于机器视觉的木板材表面加工质量控制方法 - Google Patents
一种基于机器视觉的木板材表面加工质量控制方法 Download PDFInfo
- Publication number
- CN114187286A CN114187286A CN202111550825.7A CN202111550825A CN114187286A CN 114187286 A CN114187286 A CN 114187286A CN 202111550825 A CN202111550825 A CN 202111550825A CN 114187286 A CN114187286 A CN 114187286A
- Authority
- CN
- China
- Prior art keywords
- window
- texture
- matrix
- defects
- wood
- 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.)
- Withdrawn
Links
- 239000002023 wood Substances 0.000 title claims abstract description 109
- 238000003908 quality control method Methods 0.000 title claims abstract description 14
- 238000003754 machining Methods 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 129
- 230000007547 defect Effects 0.000 claims abstract description 114
- 238000012545 processing Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 41
- 229920002522 Wood fibre Polymers 0.000 claims description 11
- 239000002025 wood fiber Substances 0.000 claims description 11
- 230000002950 deficient Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000005520 cutting process Methods 0.000 description 13
- 206010040844 Skin exfoliation Diseases 0.000 description 11
- 238000009826 distribution Methods 0.000 description 9
- 239000000835 fiber Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012549 training 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06T2207/30161—Wood; Lumber
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉公开了一种基于机器视觉的木板材表面加工质量控制方法,涉及机器视觉领域,主要用于家具生产缺陷检测。包括:获取板材灰度图像;所述灰度图像进行滑窗,获取每个窗的梯度方向特征和方向惯性距离特征并划分为一定等级,构建对应窗口的纹理特征矩阵;计算每个窗口纹理特征矩阵的填充度;计算不同尺寸窗口的纹理特征矩阵填充度均值,获取最佳尺寸窗口;获取最佳尺寸窗口的缺陷纹理降噪矩阵;对缺陷纹理降噪矩阵的两个维度进行拟合,计算木纹剥离残留比值;判断板材表面加工缺陷,根据对应缺陷进行相应加工控制。根据本发明提出的技术手段,能够准确区分模板加工的两种缺陷,提高了检测效率和准确度。
Description
技术领域
本发明涉及机器视觉领域,具体涉及一种基于机器视觉的木板材表面加工质量控制方法。
背景技术
在当前木制品行业中,木板材是家具生产行业的基础产品,而弦切木板由于其表面独特的山水木纹成为家具生产的重要基材种类。这就使其表面质量直接影响以其为基材的家具成品的质量。而弦切木材的表面缺陷除了原木材本身的缺陷外,普遍存在的缺陷大多是由于加工过程中加工参数设定不准确或切削刀具磨损等硬件损坏而引起的表面加工缺陷。因此需要在弦切木材的切削加工后对其表面质量进行控制以保证后续家具成品的质量。
弦切木材的表面加工缺陷中,表面毛刺与表面纤维剥离作为两种普遍的缺陷,其外在表现均为弦切木材的表面存在细小纹理。其中,表面毛刺一般由于切削刀具转速不够,造成表面纤维存在未被完全切断而从表面翘起的现象,形成表面毛刺。而表面纤维剥离一般由于切削刀具受到磨损,表面晚材一部分纤维从早晚材边界处卷入刀具磨损的缺口进而被剥离下来形成的。因此准确区分这两种缺陷对调整加工参数或检修刀具等质量控制手段的实施具有重要的指导意义。
上述两种缺陷外在表现均为复杂的细小纹理,且其形成过程相似,均为木质纤维从表面剥离的过程,仅剥离程度不同。现有技术中,人工检测易疲劳,在现代化工业快速生产中易出现错检漏检。人工神经网络算法则需要大量的训练数据,数据获取及标注成本较高,现有机器视觉技术难以在纹理复杂的情况下准确区分两种缺陷,因此需要一种可区分上述两种缺陷的检测方法来对后续的质量控制手段提供调整依据。
发明内容
本发明提供一种基于机器视觉的木板材表面加工质量控制方法,以解决现有的问题,包括:获取板材灰度图像;所述灰度图像进行滑窗,获取每个窗的梯度方向特征和方向惯性距离特征并划分为一定等级,构建对应窗口的纹理特征矩阵;计算每个窗口纹理特征矩阵的填充度;计算不同尺寸窗口的纹理特征矩阵填充度均值,获取最佳尺寸窗口;获取最佳尺寸窗口的缺陷纹理降噪矩阵;对缺陷纹理降噪矩阵的两个维度进行拟合,获取木纹剥离残留比值;计算最佳尺寸的每个窗口的加工质量;判断板材表面加工缺陷,根据对应缺陷进行相应加工控制。
根据本发明提出的技术手段,通过设定窗口,根据各窗口内木板表面纹理延伸性以及各向异性进行表面纹理特征矩阵的构建,并确定最佳窗口尺度大小,能够准确的区分板材纹理与缺陷,同时根据板材的木纹剥离残留比和加工质量综合对板材表面进行评估,能够快速的区分板材加工的缺陷,根据不同缺陷给出相应解决方案,有效提升了加工效率和板材的质量。
本发明采用如下技术方案,一种基于机器视觉的木板材表面加工质量控制方法,包括:
获取板材表面图像,并进行灰度化处理,得到板材灰度图像;计算所述板材灰度图像中每个像素点的灰度梯度方向。
以设定尺寸窗口对所述灰度图像进行滑窗,获取每个窗口中所有点对的梯度方向特征和方向惯性距离特征,根据所述每个窗口中所有点对的梯度方向特征和方向惯性距离特征构建对应每个窗口的纹理特征矩阵。
计算所述每个窗口纹理特征矩阵的填充度,并获取所有窗口纹理特征矩阵的填充度均值。
改变窗口的尺寸,计算不同尺寸窗口的纹理特征矩阵填充度均值,获取当所述纹理特征矩阵填充度均值最大时对应的最佳尺寸窗口。
对最佳尺寸的每个窗口的纹理特征矩阵进行降噪处理,得到最佳尺寸的每个窗口的缺陷纹理降噪矩阵。
对所述最佳尺寸的每个窗口的缺陷纹理降噪矩阵进行归一化处理,利用高斯模型分别对所述最佳尺寸的每个窗口缺陷纹理降噪矩阵的两个维度进行拟合,分别获取所述两个维度的拟合误差值,根据所述拟合误差值计算最佳尺寸的每个窗口的木纹剥离残留比值。
根据木纹剥离残留比值均值判断所述板材表面加工缺陷,根据对应缺陷进行相应加工控制。
进一步的,一种基于机器视觉的木板材表面加工质量控制方法,以设定尺寸窗口对所述灰度图像进行滑窗,获取每个窗口中所有点对的梯度方向特征和方向惯性距离特征,包括:
获取每个窗口中所有点的梯度方向,且将具有相同梯度方向的两个点作为点对;
将点对间的梯度方向作为该点对的梯度方向特征;
将点对间梯度方向上的距离作为该点对的方向惯性距离特征。
进一步的,一种基于机器视觉的木板材表面加工质量控制方法,所述以每个窗口中所有点对的梯度方向特征和方向惯性距离特征构建对应每个窗口的纹理特征矩阵的方法为:
将所述每个窗口中梯度方向特征的取值范围分为i级,将每一级的级别作为纹理特征矩阵的维度ε,将所述每个窗口中方向惯性距离特征的等级分为j级,将每一级的级别作为纹理特征矩阵的维度d,根据两个维度构建对应每个窗口的纹理特征矩阵。
进一步的,一种基于机器视觉的木板材表面加工质量控制方法,获取所有窗口纹理特征矩阵的填充度均值的方法为:
根据所述纹理特征矩阵对应的d维度元素值确定矩阵填充度CL,计算所述每个窗口纹理特征矩阵的填充度,表达式为:
其中,NL为尺度为L的窗口内部全部的点对个数,CL为尺度为L的窗口内的纹理特征矩阵的填充度,PL(i,j)表示该纹理特征矩阵级别为(i,j)处对应的值;
进一步的,一种基于机器视觉的木板材表面加工质量控制方法,获取当所述纹理特征矩阵填充度均值最大时对应的最佳尺寸窗口的方法为:
进一步的,一种基于机器视觉的木板材表面加工质量控制方法,所述对最佳尺寸的每个窗口的纹理特征矩阵进行降噪处理,表达式为:
进一步的,一种基于机器视觉的木板材表面加工质量控制方法,根据所述拟合误差值计算最佳尺寸的每个窗口的木纹剥离残留比值的方法如下:
利用高斯模型拟合所述最佳尺寸的每个窗口归一化缺陷纹理降噪矩阵的梯度方向特征,计算高斯模型的归一化拟合误差Eε;
利用高斯模型拟合所述最佳尺寸的每个窗口归一化缺陷纹理降噪矩阵的方向惯性距离特征,计算高斯模型的归一化拟合误差Ed;
根据所述两个维度的拟合误差值得到最佳尺寸的每个窗口的木纹剥离残留比值,表达式为:
其中,γ表示所述最佳尺寸的每个窗口的木纹剥离残留比值,Eε表示所述高斯模型的归一化缺陷纹理降噪矩阵的ε维度拟合误差,Ed表示所述高斯模型的归一化缺陷纹理降噪矩阵的d维度拟合误差。
进一步的,一种基于机器视觉的木板材表面加工质量控制方法,根据所述木纹剥离残留比值均值判断所述板材表面加工缺陷,根据对应缺陷进行相应加工控制:
当所述木纹剥离残留比值均值∈[X3,X4]时,缺陷由毛刺引起,需要对表面进行砂光打磨;
当所述木纹剥离残留比值均值∈[X1,X2]时,缺陷由木纤维剥离引起,需要加大砂光余量;
当所述木纹剥离残留比值均值∈(X2,X3)时,说明两种缺陷都存在,同时对两种缺陷进行修复,必要时将瑕疵板材舍去;
其中,X1,X2,X3,X4为预设区间阈值。
进一步的,一种基于机器视觉的木板材表面加工质量控制方法,根据所述木纹剥离残留比值均值判断所述板材表面加工缺陷之后,还包括:
获取所述最佳尺寸的每个窗口的加工质量,表达式为:
当所述加工质量均值小于α时,所述板材表面加工为良品,不存在缺陷;
当所述加工质量均值大于α时,所述板材表面加工为瑕疵品,根据所述木纹剥离残留比值均值判断缺陷原因;
其中,α为加工质量判断值。
本发明的有益效果是:根据本发明提出的技术手段,通过设定窗口,根据各窗口内木板表面纹理延伸性以及各向异性进行表面纹理特征矩阵的构建,并确定最佳窗口尺度大小,能够准确的区分板材纹理与缺陷,同时根据板材的木纹剥离残留比和加工质量综合对板材表面进行评估,根据木材表面的木纹剥离程度判断表面质量,从缺陷的产生的过程及原因对缺陷进行识别,检测结果更具说服力,可为质量控制提供指导依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于机器视觉的木板材表面加工质量控制方法结构示意图;
图2为本发明实施例的另一种基于机器视觉的木板材表面加工质量控制方法结构示意图。
具体实施方式
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,所描述的实施例仅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。
实施例1
如图1所示,给出了本发明实施例的一种基于机器视觉的木板材表面加工质量控制方法结构示意图,包括:
101.获取板材表面图像,并进行灰度化处理,得到板材灰度图像。
本实施例中,利用相机获得弦切板基材制品切削表面的RGB图像,将其转化为灰度图。
102.以设定窗口对所述灰度图像进行滑窗,获取每个窗口中所有点对的梯度方向特征和方向惯性距离特征,并将所述梯度方向特征和所述方向惯性距离特征划分为一定等级。
对于弦切板表面存在的纹理,对其分析后可知,纹理存在表面纹理延伸性以及各向异性,即板表面的纹理是连续或仅存在个别点的断续,且延伸是有方向惯性的,而对于不同的纹理其这两种性质均有所差异。
对表面纹理特征的分析可知,木板表面的纹理大致可分为木板原木纹、木质纤维剥离产生的浅痕纹理、以及纤维剥离后一端残留在表面产生毛刺的纹理。
对于一个尺度为L的窗口,其内的各个点均对应一个梯度方向,而窗口内纹理的延伸性体现在对于一个梯度点,在其梯度方向的法向上寻找另一个与其具有相同梯度方向的点,这两点间存在一个距离,此距离设定为此两点间的方向惯性距离d。则在一个尺度为L的窗口内,存在多个由上述过程组合而成的两点点对。
这些点对具有两个性质:
一:组成点对的两点具有相同的梯度方向,且互相处于对方的梯度方向法线上,即点对的梯度方向特征。
二:这两点间存在一个方向惯性距离d,即点对的方向惯性距离特征。
根据所述梯度方向特征的取值范围将其均匀划分为i级;
根据所述方向惯性距离特征的取值范围将其均匀划分为j级
103.以所述每个窗口中所有点对的梯度方向特征和方向惯性距离特征为两个维度,构建对应窗口的纹理特征矩阵。
以两种特征为两个维度,构建尺度为L的窗口内的纹理特征矩阵,每个点对有两个特征d,ε。其对应的级别为(i,j),则该纹理特征矩阵(i,j)处对应的值为PL(i,j),其表示尺度为L的窗口内部两个特征级别分别为i,j的点对数量。
104.计算所述每个窗口纹理特征矩阵的填充度,并获取所有窗口纹理特征矩阵的填充度均值。
对于一个纹理特征矩阵,所述填充程度即指其上每个位置元素值是否可完整代表整个图像得纹理特征,一个通俗得解释就是其矩阵内得元素填充程度越大,越说明该尺度窗口对图像进行采样的时候可以较好的采集窗口内部的纹理信息,即不存在因采样窗口太小或窗口太大使得纹理特征难以体现在特征矩阵中的情况。
纹理特征矩阵中,d维度的分级是由窗口尺度确定的,因此,根据纹理特征矩阵的d维度元素值进行矩阵填充程度的确定。
105.改变窗口的尺寸,计算不同尺寸窗口的纹理特征矩阵填充度均值,获取当所述纹理特征矩阵填充度均值最大时对应的最佳尺寸窗口。
106.对最佳尺寸的每个窗口的纹理特征矩阵进行降噪处理,得到最佳尺寸的每个窗口的缺陷纹理降噪矩阵。
降噪处理可以将背景木纹对评估影响降到最低且能将各长度的毛刺或纤维剥离形成的纹理按照长度分离,所以将处理后的纹理特征矩阵作为缺陷纹理降噪矩阵。
107.对所述最佳尺寸的每个窗口的缺陷纹理降噪矩阵进行归一化处理,利用高斯模型对所述最佳尺寸的每个窗口缺陷纹理降噪矩阵的两个维度进行拟合,获取所述两个维度的拟合误差值,根据所述两个维度的拟合误差值得到最佳尺寸的每个窗口的木纹剥离残留比值。
对于一个缺陷纹理长度-角度降噪矩阵,将其上元素值归一化,即每个元素值均除以矩阵中所有元素值之和,以结果替换原位置元素值。即得到归一化的缺陷纹理长度-角度降噪矩阵。
在木质毛刺是由于被剥离的纤维残留在切削面上,则同一次切削过程产生的毛刺长度是服从高斯分布的,即长度基本相同,而木质纤维剥离产生的凹痕,由于木质纤维在同一切削面的生长方向维相同的,即木质纤维剥离缺陷纹理方向的基本相同的,服从高斯分布。则在上述归一化降噪矩阵中,两种缺陷分别在矩阵的两个维度上服从高斯分布,同时这两种缺陷还分别作为误差影响对方服从高斯分布的程度。
用高斯模型拟合归一化降噪矩阵的ε维度,计算高斯模型拟合上述分布序列的归一化拟合误差Eε。
用高斯模型拟合归一化降噪矩阵的d维度,同样的,计算归一化拟合误差Ed。
计算上述两种误差的相差程度,即木纹剥离残留比γ。
108.根据所述最佳尺寸的每个窗口的归一化缺陷纹理降噪矩阵计算所述最佳尺寸的每个窗口的加工质量。
通过最佳尺寸的每个窗口的加工质量对窗口内的板材表面进行整体评估。
109.根据木纹剥离残留比值均值和对应的加工质量均值判断所述板材表面加工缺陷,根据对应缺陷进行相应加工控制。
对于整张图像来说,会对应获得多个加工质量Q以及对应的γ。则根据整张图像的Q的均值评价加工质量,根据γ的均值判断其为何种缺陷。
根据本发明提出的技术手段,通过设定窗口,根据各窗口内木板表面纹理延伸性以及各向异性进行表面纹理特征矩阵的构建,并确定最佳窗口尺度大小,能够准确的区分板材纹理与缺陷,同时根据板材的木纹剥离残留比和加工质量综合对板材表面进行评估,根据木材表面的木纹剥离程度判断表面质量,从缺陷的产生的过程及原因对缺陷进行识别,检测结果更具说服力,可为质量控制提供指导依据。
实施例2
如图2所示,给出了本发明实施例的另一种基于机器视觉的木板材表面加工质量控制方法结构示意图,包括:
201.获取板材表面图像,并进行灰度化处理,得到板材灰度图像。
本实施例应用流程为在贴面流水线入料口之前设定相机对刨花板基材进行表面图像采集,并对采集到的图像进行处理。
202.以设定窗口对所述灰度图像进行滑窗,获取每个窗口中所有点对的梯度方向特征和方向惯性距离特征,并将所述梯度方向特征和所述方向惯性距离特征划分为一定等级。
对于一个尺度为L的窗口,其内的各个点均对应一个梯度方向,而窗口内纹理的延伸性体现在对于一个梯度点,在其梯度方向的法向上寻找另一个与其具有相同梯度方向的点,这两点间存在一个距离,此距离设定为此两点间的方向惯性距离d。则在一个尺度为L的窗口内,存在多个由上述过程组合而成的两点点对。
这些点对具有两个性质:
一:组成点对的两点具有相同的梯度方向,且互相处于对方的梯度方向法线上,即点对的梯度方向特征。
二:这两点间存在一个方向惯性距离d,即点对的方向惯性距离特征。
将所述梯度方向特征和所述方向惯性距离特征划分为一定等级,包括:
根据所述梯度方向特征的取值范围将其均匀划分为i级;
根据所述方向惯性距离特征的取值范围将其均匀划分为j级。
对于点对的梯度方向特征,将其进行划分级别:一个点对应的梯度为两个方向,以x方向为基准向,即垂直向下的梯度方向设置为基准向,则其他梯度方向与基准向(x方向)所夹锐角作为表征角ε。若在x方向(下方)的左侧,则对应的表征角为负,若表征角在x方向的右侧,即为正。则表征角的取值范围为根据取值范围对表征角进行分级。
本实施例中将其取值范围均匀分成十段,由负到正依次为1,2,...,10,共10个级别,即i的取值为10。
本实施例中,基于窗口内的取值范围,将其均匀划分为10段,由小到大依次为1,2,...,10,共10个级别,即j的取值为10。
203.以所述每个窗口中所有点对的梯度方向特征和方向惯性距离特征为两个维度,构建对应窗口的纹理特征矩阵。
以所述每个窗口中所有点对的梯度方向特征和方向惯性距离特征为两个维度,构建对应窗口的纹理特征矩阵,包括:
以所述每个窗口中所有点对的梯度方向特征为一个维度d,其等级为i级,所述每个窗口中所有点对的方向惯性距离特征为另一个维度ε,其等级为j级,构建对应每个窗口的纹理特征矩阵。
每个点对有两个特征d,ε。其对应的级别为(i,j),则该纹理特征矩阵(i,j)处对应的值为PL(i,j),其表示尺度为L的窗口内部两个特征级别分别为i,j的点对数量。
2041.计算所述每个窗口纹理特征矩阵的填充度,并获取所有窗口纹理特征矩阵的填充度均值。
对于一个纹理特征矩阵,所述填充程度即指其上每个位置元素值是否可完整代表整个图像得纹理特征,一个通俗得解释就是其矩阵内得元素填充程度越大,越说明该尺度窗口对图像进行采样的时候可以较好的采集窗口内部的纹理信息,即不存在因采样窗口太小或窗口太大使得纹理特征难以体现在特征矩阵中的情况。
纹理特征矩阵中,d维度的分级是由窗口尺度确定的,因此,根据纹理特征矩阵的d维度元素值进行矩阵填充程度的确定。
根据所述纹理特征矩阵对应的d维度元素值确定矩阵填充度CL,计算所述每个窗口纹理特征矩阵的填充度,表达式为:
其中,NL为尺度为L的窗口内部全部的点对个数,CL为尺度为L的窗口内的纹理特征矩阵的填充度,PL(i,j)表示该纹理特征矩阵级别为(i,j)处对应的值;
2042.改变窗口的尺寸,计算不同尺寸窗口的纹理特征矩阵填充度均值,获取当所述纹理特征矩阵填充度均值最大时对应的最佳尺寸窗口。
改变窗口的尺寸,计算不同尺寸窗口的纹理特征矩阵填充度均值,获取当所述纹理特征矩阵填充度均值最大时对应的最佳尺寸窗口,包括:
2043.对最佳尺寸的每个窗口的纹理特征矩阵进行降噪处理,得到最佳尺寸的每个窗口的缺陷纹理降噪矩阵。
对最佳尺寸的每个窗口的纹理特征矩阵进行降噪处理,得到最佳尺寸的每个窗口的缺陷纹理降噪矩阵,包括:
所述对最佳尺寸的每个窗口的纹理特征矩阵进行处理的方法为:
上述处理可以将背景木纹对评估影响降到最低且能将各长度的毛刺或纤维剥离形成的纹理按照长度分离。将上述处理后的纹理特征矩阵称为缺陷纹理降噪矩阵。
对于尺度为LB的滑动窗口,可以获得其内的缺陷纹理降噪矩阵,当窗口在图像上滑动时,可获得多个缺陷纹理降噪矩阵。
205.对所述最佳尺寸的每个窗口的缺陷纹理降噪矩阵进行归一化处理,利用高斯模型对所述最佳尺寸的每个窗口缺陷纹理降噪矩阵的两个维度进行拟合,获取所述两个维度的拟合误差值,根据所述两个维度的拟合误差值得到最佳尺寸的每个窗口的木纹剥离残留比值。
对于一个缺陷纹理降噪矩阵,将其上元素值归一化,即每个元素值均除以矩阵中所有元素值之和,以结果替换原位置元素值。即得到归一化的缺陷纹理降噪矩阵。
在木质毛刺是由于被剥离的纤维残留在切削面上,则同一次切削过程产生的毛刺长度是服从高斯分布的,即长度基本相同,而木质纤维剥离产生的凹痕,由于木质纤维在同一切削面的生长方向维相同的,即木质纤维剥离缺陷纹理方向的基本相同的,服从高斯分布。则在上述归一化降噪矩阵中,两种缺陷分别在矩阵的两个维度上服从高斯分布,同时这两种缺陷还分别作为误差影响对方服从高斯分布的程度。
利用高斯模型对所述最佳尺寸的每个窗口缺陷纹理降噪矩阵的两个维度进行拟合,获取所述两个维度的拟合误差值,根据所述两个维度的拟合误差值得到最佳尺寸的每个窗口的木纹剥离残留比值,包括:
利用高斯模型拟合所述最佳尺寸的每个窗口归一化缺陷纹理降噪矩阵的ε维度,计算高斯模型的归一化拟合误差Eε;
利用高斯模型拟合所述最佳尺寸的每个窗口归一化缺陷纹理降噪矩阵的d维度,计算高斯模型的归一化拟合误差Ed;
根据所述两个维度的拟合误差值得到最佳尺寸的每个窗口的木纹剥离残留比值,表达式为:
其中,γ表示所述最佳尺寸的每个窗口的木纹剥离残留比值,Eε表示所述高斯模型的归一化缺陷纹理降噪矩阵的ε维度拟合误差,Ed表示所述高斯模型的归一化缺陷纹理降噪矩阵的d维度拟合误差。
206.根据所述最佳尺寸的每个窗口的归一化缺陷纹理降噪矩阵计算所述最佳尺寸的每个窗口的加工质量。
根据所述最佳尺寸的每个窗口的归一化缺陷纹理降噪矩阵计算所述最佳尺寸的每个窗口的加工质量,包括:
获取所述最佳尺寸的每个窗口的加工质量,表达式为:
207.根据木纹剥离残留比值均值和对应的加工质量均值判断所述板材表面加工缺陷,根据对应缺陷进行相应加工控制。
对于整张图像来说,会对应获得多个加工质量Q以及对应的γ。则根据整张图像的Q的均值评价加工质量,根据γ的均值判断其为何种缺陷。
根据木纹剥离残留比值均值和对应的加工质量均值判断所述板材表面加工缺陷,根据对应缺陷进行相应加工控制,包括:
当所述加工质量均值小于α时,所述板材表面加工为良品,不存在缺陷;
当所述加工质量均值大于α时,所述板材表面加工为瑕疵品,根据所述木纹剥离残留比值均值判断缺陷原因:
当所述木纹剥离残留比值均值∈[X3,X4]时,缺陷由毛刺引起,需要对表面进行砂光打磨;
当所述木纹剥离残留比值均值∈[X1,X2]时,缺陷由木纤维剥离引起,需要加大砂光余量;
当所述木纹剥离残留比值均值∈(X2,X3)时,说明两种缺陷都存在,同时对两种缺陷进行修复,必要时将瑕疵板材舍去。
本实施例中,α的取值为3,X1,X2,X3,X4为一个从[X1,X4]的区间,取值为[-1,1],X2取值为-0.3,X3取值为0.3。
根据本发明提出的技术手段,通过设定窗口,根据各窗口内木板表面纹理延伸性以及各向异性进行表面纹理特征矩阵的构建,并确定最佳窗口尺度大小,能够准确的区分板材纹理与缺陷,同时根据板材的木纹剥离残留比和加工质量综合对板材表面进行评估,根据木材表面的木纹剥离程度判断表面质量,从缺陷的产生的过程及原因对缺陷进行识别,检测结果更具说服力,可为质量控制提供指导依据。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (9)
1.一种基于机器视觉的木板材表面加工质量控制方法,其特征在于,包括:
获取板材表面图像,并进行灰度化处理,得到板材灰度图像;计算所述板材灰度图像中每个像素点的灰度梯度方向;
以设定尺寸窗口对所述灰度图像进行滑窗,获取每个窗口中所有点对的梯度方向特征和方向惯性距离特征,根据所述每个窗口中所有点对的梯度方向特征和方向惯性距离特征构建对应每个窗口的纹理特征矩阵;
计算所述每个窗口纹理特征矩阵的填充度,并获取所有窗口纹理特征矩阵的填充度均值;
改变窗口的尺寸,计算不同尺寸窗口的纹理特征矩阵填充度均值,获取当所述纹理特征矩阵填充度均值最大时对应的最佳尺寸窗口;
对最佳尺寸的每个窗口的纹理特征矩阵进行降噪处理,得到最佳尺寸的每个窗口的缺陷纹理降噪矩阵;
对所述最佳尺寸的每个窗口的缺陷纹理降噪矩阵进行归一化处理,利用高斯模型分别对所述最佳尺寸的每个窗口缺陷纹理降噪矩阵的两个维度进行拟合,分别获取所述两个维度的拟合误差值,根据所述拟合误差值计算最佳尺寸的每个窗口的木纹剥离残留比值;
根据所述木纹剥离残留比值均值判断所述板材表面加工缺陷,根据对应缺陷进行相应加工控制。
2.根据权利要求1所述的一种基于机器视觉的木板材表面加工质量控制方法,其特征在于,以设定尺寸窗口对所述灰度图像进行滑窗,获取每个窗口中所有点对的梯度方向特征和方向惯性距离特征,包括:
获取每个窗口中所有点的梯度方向,且将在同一梯度法向上具有相同梯度方向的两个点作为点对;
将点对间的梯度方向作为该点对的梯度方向特征;
将点对间梯度方向上的距离作为该点对的方向惯性距离特征。
3.根据权利要求2所述的一种基于机器视觉的木板材表面加工质量控制方法,其特征在于,所述以每个窗口中所有点对的梯度方向特征和方向惯性距离特征构建对应每个窗口的纹理特征矩阵的方法为:
将所述每个窗口中梯度方向特征的取值范围分为i级,将每一级的级别作为纹理特征矩阵的维度ε,将所述每个窗口中方向惯性距离特征的等级分为j级,将每一级的级别作为纹理特征矩阵的维度d,根据两个维度构建对应每个窗口的纹理特征矩阵。
7.根据权利要求3所述的一种基于机器视觉的木板材表面加工质量控制方法,其特征在于,根据所述拟合误差值计算最佳尺寸的每个窗口的木纹剥离残留比值的方法如下:
利用高斯模型拟合所述最佳尺寸的每个窗口归一化缺陷纹理降噪矩阵的梯度方向特征,计算高斯模型的归一化拟合误差Eε;
利用高斯模型拟合所述最佳尺寸的每个窗口归一化缺陷纹理降噪矩阵的方向惯性距离特征,计算高斯模型的归一化拟合误差Ed;
根据所述两个维度的拟合误差值得到最佳尺寸的每个窗口的木纹剥离残留比值,表达式为:
其中,γ表示所述最佳尺寸的每个窗口的木纹剥离残留比值,Eε表示所述高斯模型的归一化缺陷纹理降噪矩阵的ε维度拟合误差,Ed表示所述高斯模型的归一化缺陷纹理降噪矩阵的d维度拟合误差。
8.根据权利要求7所述的一种基于机器视觉的木板材表面加工质量控制方法,其特征在于,根据所述木纹剥离残留比值均值判断所述板材表面加工缺陷,根据对应缺陷进行相应加工控制:
当所述木纹剥离残留比值均值∈[X3,X4]时,缺陷由毛刺引起,需要对表面进行砂光打磨;
当所述木纹剥离残留比值均值∈[X1,X2]时,缺陷由木纤维剥离引起,需要加大砂光余量;
当所述木纹剥离残留比值均值∈(X2,X3)时,说明两种缺陷都存在,同时对两种缺陷进行修复,必要时将瑕疵板材舍去;
其中,X1,X2,X3,X4为预设区间阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111550825.7A CN114187286A (zh) | 2021-12-17 | 2021-12-17 | 一种基于机器视觉的木板材表面加工质量控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111550825.7A CN114187286A (zh) | 2021-12-17 | 2021-12-17 | 一种基于机器视觉的木板材表面加工质量控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114187286A true CN114187286A (zh) | 2022-03-15 |
Family
ID=80544335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111550825.7A Withdrawn CN114187286A (zh) | 2021-12-17 | 2021-12-17 | 一种基于机器视觉的木板材表面加工质量控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187286A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842010A (zh) * | 2022-07-04 | 2022-08-02 | 南通东方雨虹建筑材料有限公司 | 一种基于高斯滤波的建筑防火木材缺陷检测方法 |
CN117173208A (zh) * | 2023-11-01 | 2023-12-05 | 浙江鸿昌铝业有限公司 | 基于数据分析的铝型材锯切过程误差判断方法 |
-
2021
- 2021-12-17 CN CN202111550825.7A patent/CN114187286A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842010A (zh) * | 2022-07-04 | 2022-08-02 | 南通东方雨虹建筑材料有限公司 | 一种基于高斯滤波的建筑防火木材缺陷检测方法 |
CN117173208A (zh) * | 2023-11-01 | 2023-12-05 | 浙江鸿昌铝业有限公司 | 基于数据分析的铝型材锯切过程误差判断方法 |
CN117173208B (zh) * | 2023-11-01 | 2024-03-12 | 浙江鸿昌铝业有限公司 | 基于数据分析的铝型材锯切过程误差判断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN114187286A (zh) | 一种基于机器视觉的木板材表面加工质量控制方法 | |
CN110009618B (zh) | 一种轴类零件表面质量检测方法及装置 | |
CN116823826B (zh) | 一种数控机床刀具崩刃异常检测方法 | |
CN115035120B (zh) | 基于物联网的机床控制方法及系统 | |
CN112330628A (zh) | 一种金属工件表面缺陷图像检测方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
Bommi | Surface Roughness Prediction in Turning of Monel K 500 using DWT Technique | |
CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
CN115690105B (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
CN116188472B (zh) | 一种数控机床零件的在线视觉检测方法 | |
CN115375686A (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN114219794A (zh) | 基于机器视觉的刨花板表面质量评估方法及系统 | |
CN115690387A (zh) | 一种基于图像识别的合金表面检测系统 | |
CN116630329B (zh) | 用于多轴多通道数控系统的在线视觉检测方法 | |
CN115240146B (zh) | 基于计算机视觉的机床装配智能验收方法 | |
CN116740044B (zh) | 基于视觉检测与控制的铜管铣面加工方法及系统 | |
CN112884746A (zh) | 一种基于边缘形状匹配的字符缺陷智能检测算法 | |
CN115272376A (zh) | 基于机器视觉的浮动打磨头控制方法 | |
CN116703911A (zh) | 一种led灯生产质量检测系统 | |
CN116539620A (zh) | 一种刀具表面缺陷在机检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN1290049C (zh) | 强反射背景下粗糙纹理工件图像特征点自动提取方法 | |
CN116385440B (zh) | 一种弧形刀片视觉检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220315 |
|
WW01 | Invention patent application withdrawn after publication |