CN114359276A - 基于麻点缺陷的钢模下料优选方案获取方法 - Google Patents
基于麻点缺陷的钢模下料优选方案获取方法 Download PDFInfo
- Publication number
- CN114359276A CN114359276A CN202210264059.6A CN202210264059A CN114359276A CN 114359276 A CN114359276 A CN 114359276A CN 202210264059 A CN202210264059 A CN 202210264059A CN 114359276 A CN114359276 A CN 114359276A
- Authority
- CN
- China
- Prior art keywords
- blanking
- pattern
- plate
- obtaining
- scheme
- 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
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及人工智能领域,具体涉及一种基于麻点缺陷的钢模下料优选方案获取方法,包括:获取板材图;得到板材图的麻点区域;分别确定每个图样在板材首次下料时的所有下料位置;计算首次下料每个图样在各下料位置的增益率,得到首次下料时所有图样的候选下料位置;根据所有图样的候选下料位置确定出首次下料后的待下料位置板材;按照确定首次下料后的待下料位置板材的方法对待下料位置板材进行迭代,直到无剩余板材或剩余板材不能被下料为下料图样,得到所有下料方案;根据板材利用率和下料总长度得到每个下料方案的优选度;根据优选度获取最优的钢模下料方案。上述方法用于获取钢模下料最优方案,通过上述方法可提高方案获取的速度。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于麻点缺陷的钢模下料优选方案获取方法。
背景技术
在钢模的生产制造过程中,首先需要在板材上进行等离子下料,即通过等离子下料的方式将不同形状的图样在一张板材上下料出来。而由于板材中存在的麻点缺陷会影响钢模的使用,所以在钢模的生产制造过程中,需要设计不同形状图样在板材上的排列方式得到最优的下料方案,通过最优下料方案可避开板材上的麻点缺陷进行下料,下料出无麻点缺陷的图样。因此,获取钢模下料的最优方案是非常必要的。
目前用于获取钢模下料的最优方案的方式主要是人工和机器两种。其中,人工方式是设计人员根据人工经验设计每张板材的下料方案;机器方式是采用采用机器列举所有可能的下料方案并选取最优的方案。
发明内容
本发明提供了一种基于麻点缺陷的钢模下料优选方案获取方法,包括:获取板材图;得到板材图的麻点区域;分别确定每个图样在板材首次下料时的所有下料位置;计算首次下料每个图样在各下料位置的增益率,得到首次下料时所有图样的候选下料位置;根据所有图样的候选下料位置确定出首次下料后的待下料位置板材;按照确定首次下料后的待下料位置板材的方法对待下料位置板材进行迭代,直到无剩余板材或剩余板材不能被下料为下料图样,得到所有下料方案;根据板材利用率和下料总长度得到每个下料方案的优选度;根据优选度获取最优的钢模下料方案,相比于现有技术,本发明利用计算机视觉,对板材图像进行麻点缺陷检测,根据麻点所在位置,根据不同形状图样的增益率设计不同的下料方案,计算不同下料方案的优选度,从而获取最优的下料方案,本发明可根据所需图样形状自适应设计下料方案,有效提高获取钢模下料优选方案的速度。
为达到上述目的,本发明采用以下技术方案,一种基于麻点缺陷的钢模下料优选方案获取方法,包括:
S1:获取板材图像及其灰度图。
S2:对灰度图进行双阈值分割,得到板材图像中的麻点区域。
S3:在所述板材图像中分别确定出每一个下料图样在板材首次下料时的所有下料位置。
S4:计算首次下料时每一个下料图样在各个下料位置的增益率,得到首次下料时所有图样的候选下料位置。
S5:根据所有图样的候选下料位置确定出首次下料后的待下料位置板材。
S6:按照步骤S3-S5方法对待下料位置板材进行迭代,直到无剩余板材或剩余板材不能被下料为下料图样时,迭代停止,得到第一个下料方案,按照得到第一个下料方案的方法依次得到所有下料方案。
S7:利用每个下料方案板材的利用率和下料总长度计算得到每个下料方案的优选度。
S8:根据每个下料方案的优选度获取最优的钢模下料方案。
进一步的,所述一种基于麻点缺陷的钢模下料优选方案获取方法,所述每一个下料图样在板材首次下料时的所有下料位置是按照如下方式确定:
分别将每一个下料图样在板材图像上旋转平移,每次旋转或平移得到一个新的下料位置,确定出每一个下料图样在板材首次下料时的所有下料位置。
进一步的,所述一种基于麻点缺陷的钢模下料优选方案获取方法,所述首次下料时所有图样的候选下料位置是按照如下方式得到:
计算首次下料时每一个下料图样在各个下料位置的增益率。
获取首次下料时每一个下料图样在各个下料位置的增益率最大值,将增益率最大值对应的下料位置作为各个下料图样的候选下料位置,得到首次下料时所有图样的候选下料位置。
进一步的,所述一种基于麻点缺陷的钢模下料优选方案获取方法,所述首次下料后的待下料位置板材是按照如下方式确定:
将首次下料时每一个下料图样在各个下料位置的增益率最大值作为首次下料时每个下料图样的增益率。
根据首次下料时每个下料图样的增益率得到每个下料图样在首次下料时被确定的概率。
根据每个下料图样在首次下料时被确定的概率对所有下料图样进行抽取,确定出首次下料的下料图样和首次下料后的待下料位置板材。
进一步的,所述一种基于麻点缺陷的钢模下料优选方案获取方法,所述首次下料时每一个下料图样在各个下料位置的增益率的表达式如下:
式中,为图样在第个下料位置时的增益率,为图样在第个下料位置时的像素点集合,为图样的像素点个数,为板材图像的所有像素点集合,为板材图像的像素点个数,为图样在第个下料位置时边缘上的像素点集合,为板材边缘上的像素点集合,为所有已确定下料位置的图样的边缘上的像素点集合,表示图样边缘与板材边缘或与已确定下料位置的图样边缘重合部分的像素点的个数,为图样在第个下料位置时边缘上的像素点个数,为麻点区域的像素点集合,为已确定下料位置的所有图样在板材图像上的像素点集合,为关于剩余位置像素点的函数。
进一步的,所述一种基于麻点缺陷的钢模下料优选方案获取方法,所述每个下料图样在首次下料时被确定的概率的表达式如下:
进一步的,所述一种基于麻点缺陷的钢模下料优选方案获取方法,所述每个下料方案的优选度的表达式如下:
式中,为第个下料方案的优选度,为第个下料方案中得到的不同形状的图样的像素点集合,为集合中像素点个数,为板材图像的所有像素点集合,为板材图像的像素点个数,为麻点区域像素点集合,为麻点区域的像素个数,为第个下料方案所有下料线上的像素个数,、为板材利用率及下料总长度的权重系数。
本发明的有益效果在于:
本发明利用计算机视觉,对板材图像进行麻点缺陷检测,根据麻点所在位置,根据不同形状图样的增益率设计不同的下料方案,计算不同下料方案的优选度,从而获取最优的下料方案,本发明可根据所需图样形状自适应设计下料方案,有效提高获取钢模下料优选方案的速度。
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1提供的一种钢模下料优选方案获取方法流程示意图;
图2为本发明实施例2提供的一种钢模下料优选方案获取方法流程示意图。
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
本发明实施例提供一种基于麻点缺陷的钢模下料优选方案获取方法,如图1所示,包括:
S1:获取板材图像及其灰度图。
其中,灰度图,又称灰阶图。把白色与黑色之间按对数关系分为若干等级,称为灰度。灰度分为256阶。
S2:对灰度图进行双阈值分割,得到板材图像中的麻点区域。
其中,阈值分割法是一种基于区域的图像分割技术,原理是把图像像素点分为若干类。
S3:在所述板材图像中分别确定出每一个下料图样在板材首次下料时的所有下料位置。
其中,每一个下料图样在板材首次下料时的所有下料位置是通过将图样在板材图像上进行旋转复制得到。
S4:计算首次下料时每一个下料图样在各个下料位置的增益率,得到首次下料时所有图样的候选下料位置。
S5:根据所有图样的候选下料位置确定出首次下料后的待下料位置板材。
其中,根据增益率为每个未确定下料位置的图样设置一个概率,使得在该次下料以一定概率选择非本次下料最优的图样,以达到全局最优或全局近似最优。
S6:按照步骤S3-S5方法对待下料位置板材进行迭代,直到无剩余板材或剩余板材不能被下料为下料图样时,迭代停止,得到第一个下料方案,按照得到第一个下料方案的方法依次得到所有下料方案。
其中,所有下料方案都是存在随机性的。
S7:利用每个下料方案板材的利用率和下料总长度计算得到每个下料方案的优选度。
其中,板材利用率越高,同时下料总长度越小,则该方案越好,优选度越大。
S8:根据每个下料方案的优选度获取最优的钢模下料方案。
其中,优选度最大的方案为最优的下料方案。
本实施例的有益效果在于:
本实施例利用计算机视觉,对板材图像进行麻点缺陷检测,根据麻点所在位置,根据不同形状图样的增益率设计不同的下料方案,计算不同下料方案的优选度,从而获取最优的下料方案,本实施例可根据所需图样形状自适应设计下料方案,有效提高获取钢模下料优选方案的速度。
实施例2
本实施例的主要目的是:利用计算机视觉,对板材图像进行麻点缺陷检测,根据麻点所在位置,根据不同形状图样的增益率设计不同的下料方案,计算不同下料方案的优选度,从而获取最优的下料方案。
钢模的工作面板不能存在麻点缺陷,在钢模的生产制造过程中,需避开板材上的麻点缺陷进行下料,下料出无麻点缺陷的材料,人工设计下料方案工作量大且无法保证板材利用率。本实施例通过图像处理对板材上的麻点区域进行检测,根据不同形状图样自适应设计下料方案,结合方案的优选度,进行下料方案评价,从而选取最优的下料方案。
本发明实施例提供一种基于麻点缺陷的钢模下料优选方案获取方法,如图2所示,包括:
步骤一:拍摄板材图像,进行麻点缺陷检测,获取缺陷区域。
在板材正上方放置相机,拍摄板材表面图像。为便于麻点缺陷检测,将图像转化为灰度图。
麻点缺陷为板材表面形成的凹坑或不平的粗糙面,在光线的作用下,麻点高出板材表面的部分在图像中较板材表面本身颜色浅,麻点凹陷的部分在图像中较板材表面颜色深。采用双阈值分割的方法,将板材图像上的麻点分割出来。
步骤二:计算不同形状图样的增益率,获取下料方案。
等离子下料为通过等离子下料的方式将不同形状的图样在一张板材上下料出来,下料方案为设计不同形状图样在板材上的排列方式。本实施例每轮确定一个图样的下料位置,获取第轮第个还未确定下料位置的图样(下述中简称图样)在板材上的所有可能的下料位置:
公式解释:
①为图样在第个下料位置时的像素点集合,为图样的像素点个数,表示图样的面积;为板材图像的像素点个数,表示板材的面积;为板材边缘上的像素点集合;为所有已确定下料位置的图样的边缘上的像素点集合,即下料线上的像素点集合;为图样在第个下料位置时边缘上的像素点集合,即图样下料线上的像素点集合。
②为图样在板材中的面积占比,当图样的面积越大,板材的利用率越大,此时图样在第个下料位置对该下料方案的增益率越大;表示图样边缘与板材边缘或与已确定下料位置的图样边缘重合部分的像素点的个数,若图样的边缘与板材边缘或与已确定下料位置的图样边缘重合越多,则表示图样在第个下料位置所需要下料的路径短,下料成本低,此时图样在第个下料位置对该下料方案的增益率越大;
其中为剩余像素点组成图像的第个内接矩形(本方案中的内接矩形特指矩形的四个顶点至少有三个在剩余像素点组成图像的边缘上),为该内接矩形中的像素点个数,表示该内接矩形的面积,为内接矩形的最大面积。表示剩余像素点组成的图像中规则部分的面积在板材中的占比,若占比越大,后续可下料的图样可能越多,此时图样在第个下料位置对该下料方案的增益率越大。
同理,计算得到所有未确定下料位置的图样的增益率及候选下料位置。增益率最大的图样及其候选下料位置为本轮的最优选择,但可能并非全局的最优选择。因此根据增益率为每个未确定下料位置的图样设置一个概率,使得在该轮以一定概率选择非本轮最优的图样,以达到全局最优或全局近似最优。图样的概率为:
步骤三:获取不同方案的优选度,根据优选度获取最优的下料方案。
其中为第个下料方案中得到的不同形状的图样的像素点集合,为集合中像素点个数,表示第个方案中可下料的不同形状的图样的面积和;为板材的像素点集合,为板材的像素点个数,表示板材的面积;为麻点区域像素点集合,为麻点区域的像素个数,表示麻点区域的面积;表示板材的利用率;为第个下料方案所有下料线上的像素个数,表示下料总长度;若板材利用率越高,同时下料总长度越小,则该方案越好,优选度越大;、为板材利用率及下料总长度的权重系数,本实施例中、。
本实施例的有益效果在于:
本实施例利用计算机视觉,对板材图像进行麻点缺陷检测,根据麻点所在位置,根据不同形状图样的增益率设计不同的下料方案,计算不同下料方案的优选度,从而获取最优的下料方案,本实施例可根据所需图样形状自适应设计下料方案,有效提高获取钢模下料优选方案的速度。
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 (7)
1.一种基于麻点缺陷的钢模下料优选方案获取方法,其特征在于,包括:
S1:获取板材图像及其灰度图;
S2:对灰度图进行双阈值分割,得到板材图像中的麻点区域;
S3:在所述板材图像中分别确定出每一个下料图样在板材首次下料时的所有下料位置;
S4:计算首次下料时每一个下料图样在各个下料位置的增益率,得到首次下料时所有图样的候选下料位置;
S5:根据所有图样的候选下料位置确定出首次下料后的待下料位置板材;
S6:按照步骤S3-S5方法对待下料位置板材进行迭代,直到无剩余板材或剩余板材不能被下料为下料图样时,迭代停止,得到第一个下料方案,按照得到第一个下料方案的方法依次得到所有下料方案;
S7:利用每个下料方案板材的利用率和下料总长度计算得到每个下料方案的优选度;
S8:根据每个下料方案的优选度获取最优的钢模下料方案。
2.根据权利要求1所述的一种基于麻点缺陷的钢模下料优选方案获取方法,其特征在于,所述每一个下料图样在板材首次下料时的所有下料位置是按照如下方式确定:
分别将每一个下料图样在板材图像上旋转平移,每次旋转或平移得到一个新的下料位置,确定出每一个下料图样在板材首次下料时的所有下料位置。
3.根据权利要求1所述的一种基于麻点缺陷的钢模下料优选方案获取方法,其特征在于,所述首次下料时所有图样的候选下料位置是按照如下方式得到:
计算首次下料时每一个下料图样在各个下料位置的增益率;
获取首次下料时每一个下料图样在各个下料位置的增益率最大值,将增益率最大值对应的下料位置作为各个下料图样的候选下料位置,得到首次下料时所有图样的候选下料位置。
4.根据权利要求1所述的一种基于麻点缺陷的钢模下料优选方案获取方法,其特征在于,所述首次下料后的待下料位置板材是按照如下方式确定:
将首次下料时每一个下料图样在各个下料位置的增益率最大值作为首次下料时每个下料图样的增益率;
根据首次下料时每个下料图样的增益率得到每个下料图样在首次下料时被确定的概率;
根据每个下料图样在首次下料时被确定的概率对所有下料图样进行抽取,确定出首次下料的下料图样和首次下料后的待下料位置板材。
5.根据权利要求1或3所述的一种基于麻点缺陷的钢模下料优选方案获取方法,其特征在于,所述首次下料时每一个下料图样在各个下料位置的增益率的表达式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210264059.6A CN114359276B (zh) | 2022-03-17 | 2022-03-17 | 基于麻点缺陷的钢模下料优选方案获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210264059.6A CN114359276B (zh) | 2022-03-17 | 2022-03-17 | 基于麻点缺陷的钢模下料优选方案获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114359276A true CN114359276A (zh) | 2022-04-15 |
CN114359276B CN114359276B (zh) | 2022-05-27 |
Family
ID=81094502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210264059.6A Active CN114359276B (zh) | 2022-03-17 | 2022-03-17 | 基于麻点缺陷的钢模下料优选方案获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359276B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222735A (zh) * | 2022-09-20 | 2022-10-21 | 左成(江苏)新材料技术有限公司 | 一种基于麻点缺陷的金属模具质量检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353528A (zh) * | 2020-02-21 | 2020-06-30 | 广东工业大学 | 一种基于下料利用率预测的组批与排样迭代优化方法 |
CN111951237A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 外观视觉检测方法 |
CN113628161A (zh) * | 2021-07-06 | 2021-11-09 | 深圳市格灵精睿视觉有限公司 | 缺陷检测方法、装置及计算机可读存储介质 |
US20210374928A1 (en) * | 2020-05-26 | 2021-12-02 | Fujitsu Limited | Defect detection method and apparatus |
US20220058790A1 (en) * | 2017-08-04 | 2022-02-24 | University Of South Florida | Non-contact system and method for detecting defects in an additive manufacturing process |
-
2022
- 2022-03-17 CN CN202210264059.6A patent/CN114359276B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220058790A1 (en) * | 2017-08-04 | 2022-02-24 | University Of South Florida | Non-contact system and method for detecting defects in an additive manufacturing process |
CN111353528A (zh) * | 2020-02-21 | 2020-06-30 | 广东工业大学 | 一种基于下料利用率预测的组批与排样迭代优化方法 |
US20210374928A1 (en) * | 2020-05-26 | 2021-12-02 | Fujitsu Limited | Defect detection method and apparatus |
CN111951237A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 外观视觉检测方法 |
CN113628161A (zh) * | 2021-07-06 | 2021-11-09 | 深圳市格灵精睿视觉有限公司 | 缺陷检测方法、装置及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
MASOOD ASLAM ET AL.: "On the Application of Automated Machine Vision for Leather Defect Inspection and Grading:A Survey", 《IEEE ACCESS》 * |
李新宁: "板材下料优化研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222735A (zh) * | 2022-09-20 | 2022-10-21 | 左成(江苏)新材料技术有限公司 | 一种基于麻点缺陷的金属模具质量检测方法 |
CN115222735B (zh) * | 2022-09-20 | 2022-12-27 | 左成(江苏)新材料技术有限公司 | 一种基于麻点缺陷的金属模具质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114359276B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711474B (zh) | 一种基于深度学习的铝材表面缺陷检测算法 | |
CN104794491B (zh) | 基于预分类的模糊聚类钢板表面缺陷检测方法 | |
CN111539935B (zh) | 一种基于机器视觉的电缆表面缺陷在线检测方法 | |
CN104680509B (zh) | 一种实时圆形印刷图像缺陷检测方法 | |
CN104700092B (zh) | 一种基于模板和特征匹配相结合的小字符数字识别方法 | |
CN109461141A (zh) | 一种工件缺胶检测方法 | |
CN103439348A (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN116559183B (zh) | 一种提高缺陷判定效率的方法及系统 | |
CN110443278B (zh) | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN114359276B (zh) | 基于麻点缺陷的钢模下料优选方案获取方法 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN112132196A (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN111462119B (zh) | 一种基于机器视觉的宽厚板剪切排样方法 | |
CN101599172A (zh) | 非均匀光照的文本图像的亮度补偿分割方法 | |
CN106770333A (zh) | 一种bga缺陷自动检测方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN108416790A (zh) | 一种用于工件破损率的检测方法 | |
CN107967690B (zh) | 一种自适应铁谱磨粒图像二值化处理方法 | |
CN112381794A (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN111707672A (zh) | 风电回转支撑件表面缺陷检测方法 | |
CN116739986A (zh) | Auv在输水隧洞内对典型缺陷检测的光学声学组合方法 | |
CN108256475B (zh) | 一种票据图像倒置检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |