CN114429433A - 一种基于图像增强的蜂窝纸进刀量控制方法 - Google Patents

一种基于图像增强的蜂窝纸进刀量控制方法 Download PDF

Info

Publication number
CN114429433A
CN114429433A CN202210339580.1A CN202210339580A CN114429433A CN 114429433 A CN114429433 A CN 114429433A CN 202210339580 A CN202210339580 A CN 202210339580A CN 114429433 A CN114429433 A CN 114429433A
Authority
CN
China
Prior art keywords
image
target
edge
hough
hough matrix
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
Application number
CN202210339580.1A
Other languages
English (en)
Other versions
CN114429433B (zh
Inventor
李国兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Hongwei Carton Packaging Co ltd
Original Assignee
Wuhan Hongwei Carton Packaging Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Hongwei Carton Packaging Co ltd filed Critical Wuhan Hongwei Carton Packaging Co ltd
Priority to CN202210339580.1A priority Critical patent/CN114429433B/zh
Publication of CN114429433A publication Critical patent/CN114429433A/zh
Application granted granted Critical
Publication of CN114429433B publication Critical patent/CN114429433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及蜂窝纸进刀量控制技术领域，具体涉及一种基于图像增强的蜂窝纸进刀量控制方法。方法包括：获取滚切后的蜂窝纸的灰度图像；对所述灰度图像进行傅里叶变换得到对应的频谱图像；利用不同高通滤波器对频谱图像进行处理，得到不同高通滤波器对应的恢复图像；对各恢复图像进行霍夫变换，得到对应的目标霍夫矩阵；根据各目标霍夫矩阵选择出增强效果最优的恢复图像，记为目标增强图像；根据目标增强图像中平均刀口长度和最优刀口长度，获得进刀量的调整量。本发明通过对蜂窝纸滚切过程中的滚切刀的进刀量进行自动化控制，保证了蜂窝纸的质量与结构。

Description

一种基于图像增强的蜂窝纸进刀量控制方法
技术领域
本发明涉及蜂窝纸进刀量控制技术领域，具体涉及一种基于图像增强的蜂窝纸进刀量控制方法。
背景技术
为了达到绿色包装的目的，通常利用可降解纸来替代对环境危害较大的塑料。其中蜂窝纸因为其内的镂空结构能够提高纸张的使用率，且能达到对外力的缓解作用，因此被广泛使用于包装。
蜂窝纸是由相应的刀具（例如滚切刀具）对牛皮纸进行轧制而成的，其切割线经过拉伸后能够形成蜂窝状结构；当蜂窝状结构为正六边形时，其蜂窝纸质量与结构性能实是最好的。由于刀具的不同切割深度，会形成不同长度的切割线，并且切割线的长度会影响蜂窝结构的形状，因此刀具的切割深度会对蜂窝纸的质量与结构性能产生影响。若切割线长度不均匀或无法使蜂窝结构的形状为正六边形，则会影响蜂窝纸的质量，因此需要对刀具的进刀量进行控制，以保证蜂窝纸的质量。
发明内容
为了解决在蜂窝纸加工过程中对进刀量难以准确控制而造成蜂窝纸质量低的问题，本发明的目的在于提供一种基于图像增强的蜂窝纸进刀量控制方法，所采用的技术方案具体如下：
本发明提供了一种基于图像增强的蜂窝纸进刀量控制方法包括以下步骤：
获取滚切后的蜂窝纸的灰度图像；
对所述灰度图像进行傅里叶变换得到对应的频谱图像；利用不同高通滤波器对频谱图像进行处理，得到不同高通滤波器对应的恢复图像；
对各恢复图像进行霍夫变换，得到对应的目标霍夫矩阵；根据各目标霍夫矩阵选择出增强效果最优的恢复图像，记为目标增强图像；
根据目标增强图像中平均刀口长度和最优刀口长度，获得进刀量的调整量。
优选的，利用不同高通滤波器对频谱图像进行处理，得到不同高通滤波器对应的恢复图像，包括：
获取频谱图像中频谱的尺寸；
根据频谱的尺寸设置滤波器直径的范围；
利用滤波器直径的范围构建不同滤波器直径对应的高通滤波器；
利用不同高通滤波器对频谱图像进行处理，得到不同高通滤波器的对应的恢复图像。
优选的，所述对各恢复图像进行霍夫变换，得到对应的目标霍夫矩阵，包括：
利用边缘检测算法对各恢复图像进行边缘检测，得到各恢复图像对应的边缘图像；
对于任一边缘图像：根据该边缘图像的尺寸，构建对应的霍夫矩阵的尺寸；结合该边缘图像中刀口边缘的方向，设定容错角度范围，所述容错角度范围为图像分辨率所导致的角度误差范围；根据容错角度范围，计算得到该边缘图像中各刀口边缘上的各像素点在对应霍夫矩阵中对应位置上的目标叠加值；
根据各边缘图像中各刀口边缘上的各像素点在对应霍夫矩阵中对应位置上的目标叠加值，得到各边缘图像对应的目标霍夫矩阵。
优选的，目标叠加值的计算公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为霍夫矩阵中(
Figure DEST_PATH_IMAGE006
,
Figure DEST_PATH_IMAGE008
)坐标位置上需要叠加的目标叠加值，
Figure 321621DEST_PATH_IMAGE006
为霍夫矩阵的横坐标，
Figure DEST_PATH_IMAGE010
为霍夫矩阵的纵坐标，
Figure DEST_PATH_IMAGE012
为容错角度范围，
Figure DEST_PATH_IMAGE014
为刀口边缘上的边缘点在刀口方向上经过霍夫变换后得到的角度。
优选的，根据各目标霍夫矩阵选择出增强效果最优的恢复图像，记为目标增强图像，包括：
根据各恢复图像对应的目标霍夫矩阵中每一列元素的方差值，计算各目标霍夫矩阵的不规则程度；
选择不规则程度最小的目标霍夫矩阵，将该目标霍夫矩阵对应的恢复图像记为目标增强图像。
优选的，目标霍夫矩阵的不规则程度的计算公式为：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE018
为过滤器直径为R时得到的恢复图像对应的目标霍夫矩阵的不规则程度，
Figure DEST_PATH_IMAGE020
为目标霍夫矩阵第
Figure 409401DEST_PATH_IMAGE006
列中各元素的方差值，
Figure 189138DEST_PATH_IMAGE012
为容错角度范围，
Figure DEST_PATH_IMAGE022
为霍夫矩阵中第
Figure 53189DEST_PATH_IMAGE006
列的方差的权值，
Figure 867561DEST_PATH_IMAGE014
为刀口边缘上的边缘点在刀口方向上经过霍夫变换后得到的角度；
所述
Figure 424444DEST_PATH_IMAGE020
的计算公式为：
Figure DEST_PATH_IMAGE024
其中，K为第
Figure 425898DEST_PATH_IMAGE006
列中元素的个数，
Figure DEST_PATH_IMAGE026
为第
Figure 93640DEST_PATH_IMAGE006
列中各元素的平均值，
Figure DEST_PATH_IMAGE028
为第
Figure 496939DEST_PATH_IMAGE006
列第
Figure DEST_PATH_IMAGE030
行的元素值。
优选的，根据目标增强图像中的平均刀口长度和最优刀口长度，获得进刀量的调整量，包括：
根据目标增强图像对应的目标霍夫矩阵和滚切刀具一排切齿的数量，得到目标增强图像中的平均刀口长度；
根据滚切刀具的实际型号获得最优刀口长度；
根据目标增强图像中的平均刀口长度和最优刀口长度，获得进刀量的调整量。
优选的，进刀量的调整量的计算公式为：
Figure DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE034
为进刀量的调整量，
Figure DEST_PATH_IMAGE036
为最优刀口长度，Qd为平均刀口长度，
Figure DEST_PATH_IMAGE038
为滚切刀具切齿的角度。
本发明实施例具有如下有益效果：
本发明首先对获取到的滚切后的蜂窝纸的灰度图像进行傅里叶变换得到对应的频谱图像，然后利用不同高通滤波器对频谱图像进行处理，得到不同高通滤波器对应的恢复图像，并利用霍夫变换得到对应的目标霍夫矩阵，进而根据各目标霍夫矩阵得到目标增强图像，最后根据目标增强图像中平均刀口长度和最优切刀口长度，获得进刀量的调整量。本发明对霍夫变换进行了改进，减少了霍夫变换的计算量；并利用霍夫变换来衡量各恢复图像的增强效果，进而得到增强效果最好的恢复图像，即目标增强图像。本发明通过对蜂窝纸滚切过程中的滚切刀的进刀量进行自动化控制，保证了蜂窝纸的质量与结构。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明的一种基于图像增强的蜂窝纸进刀量控制方法的流程图；
图2为本发明的蜂窝网纸张成型切割机示意图；
图3为容错角度范围示意图；
图4为滚切刀进刀量示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功能效果，以下结合附图及较佳实施例，对依据本发明提出的一种基于图像增强的蜂窝纸进刀量控制方法进行详细说明如下。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像增强的蜂窝纸进刀量控制方法的具体方案。
一种基于图像增强的蜂窝纸进刀量控制方法实施例：
如图1所示，本实施例的一种基于图像增强的蜂窝纸进刀量控制方法包括以下步骤：
步骤S1，获取滚切后的蜂窝纸的灰度图像。
为了实现蜂窝网纸张成型切割机的智能化控制，提高对蜂窝纸的加工质量，本实施例对滚切后的蜂窝纸进行图像采集，并对采集到的图像进行处理和分析，提取出图像中刀口的信息，进而根据刀口的信息实现对刀具进刀量的控制；本实施例在现有的蜂窝网纸张成型切割机上添加了计算控制模块如图2所示，其中蜂窝网纸张成型切割机包括：原料卷筒1，辊轴2和滚切刀具4；图2中虚线框内为本实施例所添加的计算控制模块，包括：相机3、图像采集单元、处理计算单元以及结构控制单元。
本实施例利用所述相机对滚切后的牛皮纸张，即蜂窝纸进行拍摄，得到蜂窝纸图像；为了后续利用傅里叶变换得到频谱图，因此本实施例对得到的蜂窝纸图像进行了灰度化处理，得到对应的灰度图像。本实施例中灰度化的方法采用是常规的加权灰度化方法，该方法为现有技术，不再赘述。
步骤S2，对所述灰度图像进行傅里叶变换得到对应的频谱图像；利用不同高通滤波器对频谱图像进行处理，得到不同高通滤波器对应的恢复图像。
在图像中不同长度的刀口可以反映出不同的进刀量，本实施例通过对图像中的刀口纹理进行提取，以分析进刀量。考虑到由于摩擦力等因素的影响，并且刀具的切割口短且细，因此采集到的图像中并非所有刀口都是明显的，所以难以从采集到的图像中得到理想的周期性的刀口纹理。
因此本实施例对灰度图像进行图像增强处理，具体为：
第一，对灰度图像进行傅里叶变换，得到对应的频谱图像。
考虑到蜂窝纸图像中刀口不论长短都表现为高频的线段，因此为了过滤图像中低频信息的影响，本实施例首先将得到的灰度图像进行二维傅里叶变换，然后对二维傅里叶变换后的结果进行对数化处理和中心化处理，以得到对应的频谱图像。本实施例中获取图像的频谱图像的过程为公知技术，在此就不再赘述。
第二，用不同高通滤波对频谱图像进行处理，得到对应的恢复图像。
为了更好的过滤图像中低频信息，本实施例根据得到的频谱图像，获取对应的频谱的尺寸，记为
Figure DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE042
为频谱在横坐标方向上的尺寸（即
Figure 162407DEST_PATH_IMAGE042
个像素点），
Figure DEST_PATH_IMAGE044
为频谱在纵坐标方向上的尺寸（即
Figure 385578DEST_PATH_IMAGE044
个像素点）；然后根据频谱的尺寸
Figure 122590DEST_PATH_IMAGE040
构建出多个不同滤波器直径对应的高通滤波器；最后利用不同滤波器直径对应的高通滤波器对频谱图像进行处理，得到不同滤波器直径对应的恢复图像，所述恢复图像为过滤掉相应低频信息后的图像。本实施例中不同滤波器直径对应的高通滤波器得到的恢复图像具有不同的增强效果。
本实施例设定的滤波器直径的范围为
Figure DEST_PATH_IMAGE046
，其中
Figure DEST_PATH_IMAGE048
为
Figure 613352DEST_PATH_IMAGE042
和
Figure 777617DEST_PATH_IMAGE044
的较小值；本实施例在滤波器直径范围内依次递增一个像素作为一个滤波器直径，因此一共有
Figure DEST_PATH_IMAGE050
个滤波器直径的选择，每个滤波器直径都对应了一个高通滤波器，过滤得到的图像都有各自的过滤效果。
步骤S3，对各恢复图像进行霍夫变换，得到对应的目标霍夫矩阵；根据各目标霍夫矩阵选择出增强效果最优的恢复图像，记为目标增强图像。
为了更好的对图像中的刀口进行分析，本实施例首先对步骤S2得到的各恢复图像进行边缘提取，本实施例考虑到采集到的蜂窝纸图像中刀口线段的方向是竖直的，即刀口的方向是竖直的，因此本实施例使用sobel算子在各恢复图像中进行横向的滑动，以得到各恢复图像对应的边缘图像。所述边缘图像为二值图像，并且各边缘图像中会存在许多刀口边缘（一个刀口边缘为一条线段）。本实例中使用sobel算子进行边缘检测的过程为现有技术，在此就不再赘述。
然后，本实施例利用霍夫变换来对各边缘图像进行处理，进而对各处理结果进行分析，以得到一张增强效果最好的恢复图像，即刀口边缘噪声最少的恢复图像。具体过程如下：
本实施例考虑到传统的霍夫变换会对图像中边缘上的所有边缘点的所有可能方向（即360度的方向）都进行参数转换，所以传统的霍夫变换一直存在计算量大的缺陷。为了克服传统霍夫变换计算量大的缺陷，本实施利用已知的线段方向，对霍夫变换的累加过程进行了改进，进而得到各边缘图像对应的目标霍夫矩阵，具体为：
本实施例根据边缘图像的尺寸，构建对应的霍夫矩阵，具体为：
霍夫矩阵的尺寸与原图像的尺寸相关，但并不相同，本实施例首先设置霍夫矩阵的横向尺寸
Figure DEST_PATH_IMAGE052
：
Figure DEST_PATH_IMAGE054
其中，C为霍夫矩阵的纵向尺寸，
Figure DEST_PATH_IMAGE056
为角度精度，本实施例中
Figure DEST_PATH_IMAGE058
；因此横向尺寸
Figure 956925DEST_PATH_IMAGE052
为
Figure DEST_PATH_IMAGE060
，即为
Figure DEST_PATH_IMAGE062
。本实施例中dc的值可根据实际需要进行调整。
然后本实施对霍夫矩阵的纵向尺寸进行设置，纵向表示直线或者点到原点的距离，霍夫矩阵的纵向尺寸
Figure DEST_PATH_IMAGE064
为：
Figure DEST_PATH_IMAGE066
其中，
Figure DEST_PATH_IMAGE068
为待处理的边缘图像的长，
Figure DEST_PATH_IMAGE070
为待处理的边缘图像的宽，K为霍夫矩阵的纵向尺寸。至此本实施例构建了边缘图像对应的尺寸为
Figure DEST_PATH_IMAGE072
的霍夫矩阵。
本实施例考虑到受图像分辨率的影响，图像中直线对应的像素可能会存在偏差，导致在对边缘图形中各刀口边缘上的边缘点进行转换的过程中同样也会出现偏差，因此本实施例根据边缘图像中的刀口方向与图像的分别率，设定对应的容错角度范围
Figure 904153DEST_PATH_IMAGE012
，所述容错角度范围为图像分辨率所导致的角度误差范围。如图3所示，图中直线7为正常的刀口边缘，对应的方向为刀口的方向；点o为刀口边缘上的一个边缘点（即像素点）；角1为直线4和直线7之间的夹角；角2为直线7和直线3之间的夹角；若角1和角2在容错角度范围内，则直线4与直线3对应的方向为边缘点o进行霍夫变换时的两个方向；本实施例中若角1大于容错角度范围，则直线4对应的方向就不能作为边缘点o进行霍夫变换时的方向；若角2大于容错角度范围，则直线3对应的方向就不能作为边缘点o进行霍夫变换时的方向。
本实施例结合角度容错范围得到刀口边缘上的各边缘点进行霍夫变换后的角度范围，即为：
Figure DEST_PATH_IMAGE074
，其中
Figure 16465DEST_PATH_IMAGE014
为边缘点在刀口方向上经过霍夫变换后得到的角度，即霍夫矩阵中的横坐标。因为本实施例中刀口边缘在图像中是竖直分布的，所以
Figure DEST_PATH_IMAGE076
，具体可根据实际情况进行调整。如图3所示，角5的大小在
Figure DEST_PATH_IMAGE078
范围内，角6的大小在
Figure DEST_PATH_IMAGE080
范围内，角5和角6的大小为某一像素点在容错角度范围内的某一方向上经过霍夫变换后得到的霍夫矩阵中的横向坐标。
本实施例又考虑到常规的霍夫变换是各边缘点的所有可能方向都进行转换并在霍夫矩阵对应位置叠加1，而本实施例中对各边缘点的部分方向进行转换，且根据角度的偏差在霍夫矩阵中对应位置上进行不同程度的叠加，叠加值的范围为[0,1]。
霍夫变换的方程为：
Figure DEST_PATH_IMAGE082
，其中x为边缘点在对应边缘图像中的横坐标，y为边缘点在对应边缘图像中的纵坐标；
Figure 53429DEST_PATH_IMAGE006
为边缘点（x，y）在霍夫矩阵中的角度，即霍夫矩阵的第
Figure 516772DEST_PATH_IMAGE006
列；r为边缘点（x，y）在霍夫矩阵中的纵向坐标，即霍夫矩阵的第r行。一个边缘点在部分方向上经过转换后可以得到该边缘点在所述部分方向中任意方向上对应的
Figure 595586DEST_PATH_IMAGE006
和r，即霍夫矩阵中的坐标位置(
Figure 827984DEST_PATH_IMAGE006
,
Figure 599631DEST_PATH_IMAGE008
)；所述部分方向为容错角度范围内的方向，即得到的
Figure 284690DEST_PATH_IMAGE006
的取值范围为
Figure 901617DEST_PATH_IMAGE074
。
本实施例结合融合角度范围来计算边缘图像中各刀口边缘上的各像素点（即像素值为1的像素点）在对应霍夫矩阵中对应位置上的目标叠加值，其计算公式为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 722942DEST_PATH_IMAGE004
为霍夫矩阵中(
Figure 399911DEST_PATH_IMAGE006
,
Figure 837846DEST_PATH_IMAGE008
)坐标位置上需要叠加的目标叠加值，其范围为[0,1]；
Figure 992883DEST_PATH_IMAGE006
为霍夫矩阵中的横坐标，即第
Figure 199874DEST_PATH_IMAGE006
列；
Figure 313323DEST_PATH_IMAGE008
为霍夫矩阵的纵坐标，即第
Figure 972975DEST_PATH_IMAGE008
行。
本实施例中
Figure 931704DEST_PATH_IMAGE006
的值在
Figure 993200DEST_PATH_IMAGE074
范围内，根据上式可知，当
Figure 11972DEST_PATH_IMAGE006
为0或
Figure 158920DEST_PATH_IMAGE062
时，对应的
Figure 186918DEST_PATH_IMAGE004
等于1，即说明边缘点对应的方向为刀口方向；当
Figure 102922DEST_PATH_IMAGE006
为
Figure 27016DEST_PATH_IMAGE012
或
Figure DEST_PATH_IMAGE084
时，对应的
Figure 171513DEST_PATH_IMAGE004
等于0，即说明边缘点对应的方向不是刀口的方向，
Figure 472044DEST_PATH_IMAGE006
越大说明越不是刀口的方向，所以对应的叠加值越小。
本实施例从上到小，从左到右，依次遍历边缘图像中的每个像素，对像素值为1的像素点进行霍夫变换的操作，然后根据上述过程得到霍夫矩阵中各元素的累计叠加值，最终得到对应的目标霍夫矩阵。所述像素值为1的像素点为边缘图像中刀口边缘上的像素点，即边缘点。
具体来说，对于边缘图像中任一刀口边缘上的任一像素点坐标为(
Figure DEST_PATH_IMAGE086
,
Figure DEST_PATH_IMAGE088
)，将该像素点在容错角度范围内的任一方向上进行霍夫变换后，得到该像素点在霍夫矩阵中对应的坐标位置(
Figure 242554DEST_PATH_IMAGE006
,
Figure 603129DEST_PATH_IMAGE008
)，然后根据
Figure 724668DEST_PATH_IMAGE006
，计算得到在该位置(
Figure 828891DEST_PATH_IMAGE006
,
Figure 719486DEST_PATH_IMAGE008
)上的目标叠加值，即若得到的目标叠加值为
Figure DEST_PATH_IMAGE090
，则在对应的霍夫矩阵中(
Figure 985382DEST_PATH_IMAGE006
,
Figure 594218DEST_PATH_IMAGE008
)位置上得加
Figure 502131DEST_PATH_IMAGE090
；本实施例根据此过程计算边缘图像中各刀口边缘上的各像素点对于容错角度范围内的各方向在霍夫矩阵中对应位置的目标叠加值，将霍夫矩阵中各位置对应的多个目标叠加值累加起来，得到边缘图像对应的目标霍夫矩阵。目标霍夫矩阵中各元素的叠加值为：
Figure DEST_PATH_IMAGE092
其中，
Figure DEST_PATH_IMAGE094
为目标霍夫矩阵中第
Figure 981654DEST_PATH_IMAGE006
列第
Figure 684031DEST_PATH_IMAGE008
行对应的累加值，即元素值，M为目标霍夫矩阵中第
Figure 780163DEST_PATH_IMAGE006
列第
Figure 226188DEST_PATH_IMAGE008
行位置处进行叠加的次数，
Figure DEST_PATH_IMAGE096
为霍夫矩阵中第
Figure 825797DEST_PATH_IMAGE006
列第
Figure 699075DEST_PATH_IMAGE008
行第m次叠加的目标叠加值。
本实施例中所有的边缘图像对应的目标霍夫矩阵均通过上述过程进行获得。
其次，考虑到边缘检测提取的刀口边缘（刀口线段）效果越好，则霍夫空间中表示直线的高亮交点越规则，越遵循对应的规律；而边缘检测的提取效果与图像有关，即本实施例中与经过高频滤波器处理得到的恢复图像的效果有关。
本实施例利用不同的滤波器直径得到不同高通滤波器，然后利用不同的高通滤波器来过滤频谱图像，进而得到不同效果的恢复图像，其中过滤效果最好的恢复图像，对应的目标霍夫矩阵更加规律。
因此本实施例根据步骤S3得到了各目标霍夫矩阵后，通过计算各恢复图像对应的目标霍夫矩阵的不规则程度，并根据各恢复图像对应的不规则程度选择出过滤效果最好的恢复图像。本实施例中计算目标霍夫矩阵的不规则程度的计算公式为：
Figure 16923DEST_PATH_IMAGE016
Figure 266639DEST_PATH_IMAGE024
其中，
Figure 484869DEST_PATH_IMAGE018
为过滤器直径为R时得到的恢复图像对应的目标霍夫矩阵的不规则程度，
Figure 529048DEST_PATH_IMAGE020
为目标霍夫矩阵中横坐标为
Figure 599772DEST_PATH_IMAGE006
的各元素的方差值，即第
Figure 387600DEST_PATH_IMAGE006
列中各元素的方差值，
Figure 961801DEST_PATH_IMAGE012
为容错角度范围，K为第
Figure 442460DEST_PATH_IMAGE006
列中元素的个数，
Figure 469322DEST_PATH_IMAGE026
为第
Figure 60841DEST_PATH_IMAGE006
列中各元素的平均值，
Figure DEST_PATH_IMAGE097
为第
Figure 489548DEST_PATH_IMAGE006
列第
Figure 875530DEST_PATH_IMAGE030
行的元素值，即对应的所有目标叠加值的累加值。其中
Figure DEST_PATH_IMAGE099
为霍夫矩阵中第
Figure 655267DEST_PATH_IMAGE006
列的方差的权值,所述
Figure 784897DEST_PATH_IMAGE099
即为
Figure DEST_PATH_IMAGE101
。
上式中
Figure 68111DEST_PATH_IMAGE018
越大说明对应的目标霍夫矩阵越不规律，即滤波器直径为R的高通滤波器得到的恢复图像效果越不好；
Figure 890573DEST_PATH_IMAGE018
越小说明对应的目标霍夫矩阵越规律，目标霍夫矩阵中每一列的元素值的大小越一致，即滤波器直径为R的高通滤波器得到的恢复图像效果越好。
因此本实施例选取不规则程度最小的目标霍夫矩阵，将该目标霍夫矩阵对应的恢复图像记为目标增强图像，所述目标增强图像是所有恢复图像中过滤效果最好的，并且图中的刀口边缘的噪声也是最少的，因此后续对刀口边缘的计算和判断也是最准确的。
步骤S4，根据目标增强图像中平均刀口长度和最优刀口长度，获得进刀量的调整量。
本实施例中步骤S4实现了对蜂窝纸图像中高频的刀口线段进行了提取和增强，进而得到了目标增强图像。接下来，本实施例利用目标增强图像对刀口的长度进行统计，从而实现对刀具（滚切刀具）进刀量的控制。具体为：
获取目标增强图像对应的目标霍夫矩阵中
Figure DEST_PATH_IMAGE103
（本实施例中
Figure 892027DEST_PATH_IMAGE076
）这一列元素的平均值，目标霍夫矩阵中该列的每个元素值都表示目标增强图像对应位置上直线（即刀口线段）的像素量即刀口长度。其中
Figure 825348DEST_PATH_IMAGE103
在目标增图像中对应的是刀口的方向，即竖直方向。
上述过程得到的是目标增强图像中刀口竖直方向上一列刀口的总像素量，所以本实施例获取了滚切刀具上与目标增强图像中一列刀口对应的一排切齿的数量，进而得到平均刀口像素量，即
Figure DEST_PATH_IMAGE105
，其中
Figure DEST_PATH_IMAGE107
为目标增强图像中的平均刀口像素量，
Figure DEST_PATH_IMAGE109
为目标增强图像中一列刀口的总像素量，
Figure DEST_PATH_IMAGE111
为滚切刀具一排切齿的数量。
然后建立刀口长度与进刀量的对应关系，由于滚切刀具的切齿是锥形的，因此进刀量越大，刀口就会越大，所以本实施例根据切齿的齿形构建刀口长度和进刀量的线性关系，具体为：
Figure DEST_PATH_IMAGE113
其中，
Figure 664866DEST_PATH_IMAGE038
为切齿的角度，
Figure DEST_PATH_IMAGE115
为进刀量，
Figure DEST_PATH_IMAGE117
为刀口的长度。如图4所示。
最后本实施例考虑到蜂窝纸结构最优的形状是正六边形，即刀口与刀口间隔的长度要一致，因此本实施例根据滚切刀具的实际型号获得最优的刀口长度
Figure DEST_PATH_IMAGE119
；进而根据目标增强图像中平均刀口长度和最优刀口长度获得进刀量对应的调整量，具体为：本实施例根据平均刀口像素量Pd以及相机的内参矩阵，获得对应的刀口物理量长度Qd，即平均刀口长度，本实施例再结合上述得到的最优刀口长度，获得当前进刀量的调整量，具体计算公式为：
Figure 127071DEST_PATH_IMAGE032
其中，
Figure 881401DEST_PATH_IMAGE034
为进刀量的调整量，
Figure 352834DEST_PATH_IMAGE036
为最优刀口长度，Qd为平均刀口长度。
本实施例根据得到的进刀量的调整量来控制相应机械结构对进刀量进行调整，当进刀量的调整量为正时，控制装置让刀具向下移动Tu，即加大进刀量；当进刀量的调整量为负时，控制装置让刀具向上移动Tu，即减小进刀量。
本实施例首先对获取到的滚切后的蜂窝纸的灰度图像进行傅里叶变换得到对应的频谱图像，然后利用不同高通滤波器对灰度图像进行处理，得到不同高通滤波器对应的恢复图像，并利用霍夫变换得到对应的目标霍夫矩阵，进而根据各目标霍夫矩阵得到目标增强图像，最后根据目标增强图像中平均刀口长度和最优切刀口长度，获得进刀量的调整量。本实施例对霍夫变换进行了改进，减少了霍夫变换的计算量；并利用霍夫变换来衡量各恢复图像的增强效果，进而得到增强效果最好的恢复图像，即目标增强图像。本实施例通过对蜂窝纸滚切过程中的滚切刀的进刀量进行自动化控制，保证了蜂窝纸的质量与结构。
需要说明的是： 以上所述仅为本发明的较佳实施例，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 (8)

1.一种基于图像增强的蜂窝纸进刀量控制方法，其特征在于，该方法包括以下步骤：
获取滚切后的蜂窝纸的灰度图像；
对所述灰度图像进行傅里叶变换得到对应的频谱图像；利用不同高通滤波器对频谱图像进行处理，得到不同高通滤波器对应的恢复图像；
对各恢复图像进行霍夫变换，得到对应的目标霍夫矩阵；根据各目标霍夫矩阵选择出增强效果最优的恢复图像，记为目标增强图像；
根据目标增强图像中平均刀口长度和最优刀口长度，获得进刀量的调整量。
2.根据权利要求1所述的一种基于图像增强的蜂窝纸进刀量控制方法，其特征在于，利用不同高通滤波器对频谱图像进行处理，得到不同高通滤波器对应的恢复图像，包括：
获取频谱图像中频谱的尺寸；
根据频谱的尺寸设置滤波器直径的范围；
利用滤波器直径的范围构建不同滤波器直径对应的高通滤波器；
利用不同高通滤波器对频谱图像进行处理，得到不同高通滤波器的对应的恢复图像。
3.根据权利要求1所述的一种基于图像增强的蜂窝纸进刀量控制方法，其特征在于，所述对各恢复图像进行霍夫变换，得到对应的目标霍夫矩阵，包括：
利用边缘检测算法对各恢复图像进行边缘检测，得到各恢复图像对应的边缘图像；
对于任一边缘图像：根据该边缘图像的尺寸，构建对应的霍夫矩阵的尺寸；结合该边缘图像中刀口边缘的方向，设定容错角度范围，所述容错角度范围为图像分辨率所导致的角度误差范围；根据容错角度范围，计算得到该边缘图像中各刀口边缘上的各像素点在对应霍夫矩阵中对应位置上的目标叠加值；
根据各边缘图像中各刀口边缘上的各像素点在对应霍夫矩阵中对应位置上的目标叠加值，得到各边缘图像对应的目标霍夫矩阵。
4.根据权利要求3所述的一种基于图像增强的蜂窝纸进刀量控制方法，其特征在于，目标叠加值的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 503140DEST_PATH_IMAGE002
为霍夫矩阵中(
Figure DEST_PATH_IMAGE003
,
Figure 154701DEST_PATH_IMAGE004
)坐标位置上需要叠加的目标叠加值，
Figure 934438DEST_PATH_IMAGE003
为霍夫矩阵的横坐标，
Figure DEST_PATH_IMAGE005
为霍夫矩阵的纵坐标，
Figure 1751DEST_PATH_IMAGE006
为容错角度范围，
Figure DEST_PATH_IMAGE007
为刀口边缘上的边缘点在刀口方向上经过霍夫变换后得到的角度。
5.根据权利要求1所述的一种基于图像增强的蜂窝纸进刀量控制方法，其特征在于，根据各目标霍夫矩阵选择出增强效果最优的恢复图像，记为目标增强图像，包括：
根据各恢复图像对应的目标霍夫矩阵中每一列元素的方差值，计算各目标霍夫矩阵的不规则程度；
选择不规则程度最小的目标霍夫矩阵，将该目标霍夫矩阵对应的恢复图像记为目标增强图像。
6.根据权利要求5所述的一种基于图像增强的蜂窝纸进刀量控制方法，其特征在于，目标霍夫矩阵的不规则程度的计算公式为：
Figure DEST_PATH_IMAGE009
其中，
Figure 347282DEST_PATH_IMAGE010
为过滤器直径为R时得到的恢复图像对应的目标霍夫矩阵的不规则程度，
Figure DEST_PATH_IMAGE011
为目标霍夫矩阵第
Figure 904165DEST_PATH_IMAGE003
列中各元素的方差值，
Figure 171198DEST_PATH_IMAGE006
为容错角度范围，
Figure 42202DEST_PATH_IMAGE012
为霍夫矩阵中第
Figure 445502DEST_PATH_IMAGE003
列的方差的权值，
Figure 438866DEST_PATH_IMAGE007
为刀口边缘上的边缘点在刀口方向上经过霍夫变换后得到的角度；
所述
Figure 989933DEST_PATH_IMAGE011
的计算公式为：
Figure DEST_PATH_IMAGE013
其中，K为第
Figure 461365DEST_PATH_IMAGE003
列中元素的个数，
Figure 984751DEST_PATH_IMAGE014
为第
Figure 86699DEST_PATH_IMAGE003
列中各元素的平均值，
Figure DEST_PATH_IMAGE015
为第
Figure 62745DEST_PATH_IMAGE003
列第
Figure 337869DEST_PATH_IMAGE016
行的元素值。
7.根据权利要求1所述的一种基于图像增强的蜂窝纸进刀量控制方法，其特征在于，根据目标增强图像中的平均刀口长度和最优刀口长度，获得进刀量的调整量，包括：
根据目标增强图像对应的目标霍夫矩阵和滚切刀具一排切齿的数量，得到目标增强图像中的平均刀口长度；
根据滚切刀具的实际型号获得最优刀口长度；
根据目标增强图像中的平均刀口长度和最优刀口长度，获得进刀量的调整量。
8.根据权利要求7所述的一种基于图像增强的蜂窝纸进刀量控制方法，其特征在于，进刀量的调整量的计算公式为：
Figure 778077DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
为进刀量的调整量，
Figure 847664DEST_PATH_IMAGE020
为最优刀口长度，Qd为平均刀口长度，
Figure DEST_PATH_IMAGE021
为滚切刀具切齿的角度。
CN202210339580.1A 2022-04-01 2022-04-01 一种基于图像增强的蜂窝纸进刀量控制方法 Active CN114429433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210339580.1A CN114429433B (zh) 2022-04-01 2022-04-01 一种基于图像增强的蜂窝纸进刀量控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210339580.1A CN114429433B (zh) 2022-04-01 2022-04-01 一种基于图像增强的蜂窝纸进刀量控制方法

Publications (2)

Publication Number Publication Date
CN114429433A true CN114429433A (zh) 2022-05-03
CN114429433B CN114429433B (zh) 2022-06-24

Family

ID=81314483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210339580.1A Active CN114429433B (zh) 2022-04-01 2022-04-01 一种基于图像增强的蜂窝纸进刀量控制方法

Country Status (1)

Country Link
CN (1) CN114429433B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100263812A1 (en) * 2007-12-12 2010-10-21 Sanata Technologies, Inc. System and method for repulping of paper products and improvement of water quality with dipolar solvents and recovery
WO2018022020A1 (en) * 2016-07-26 2018-02-01 Hewlett-Packard Development Company, L.P. Coating composition for corrugated paper board
CN110111331A (zh) * 2019-05-20 2019-08-09 中南大学 基于机器视觉的蜂窝纸芯缺陷检测方法
CN111231002A (zh) * 2020-02-11 2020-06-05 常州工学院 瓦楞纸板冲切防阻夹刀盘及其防阻夹方法
CN111929323A (zh) * 2020-06-02 2020-11-13 珠海诚锋电子科技有限公司 一种瓦楞纸包装箱印刷瑕疵视觉检测方法及装置
CN113255869A (zh) * 2021-05-09 2021-08-13 长沙长泰智能装备有限公司 一种基于机器视觉的板材计数系统及方法
CN113829673A (zh) * 2021-11-26 2021-12-24 武汉宏博纸品包装有限公司 一种基于霍夫变换的蜂窝纸芯拉伸控制方法及系统
CN113850808A (zh) * 2021-12-01 2021-12-28 武汉泰盛包装材料有限公司 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100263812A1 (en) * 2007-12-12 2010-10-21 Sanata Technologies, Inc. System and method for repulping of paper products and improvement of water quality with dipolar solvents and recovery
WO2018022020A1 (en) * 2016-07-26 2018-02-01 Hewlett-Packard Development Company, L.P. Coating composition for corrugated paper board
CN110111331A (zh) * 2019-05-20 2019-08-09 中南大学 基于机器视觉的蜂窝纸芯缺陷检测方法
CN111231002A (zh) * 2020-02-11 2020-06-05 常州工学院 瓦楞纸板冲切防阻夹刀盘及其防阻夹方法
CN111929323A (zh) * 2020-06-02 2020-11-13 珠海诚锋电子科技有限公司 一种瓦楞纸包装箱印刷瑕疵视觉检测方法及装置
CN113255869A (zh) * 2021-05-09 2021-08-13 长沙长泰智能装备有限公司 一种基于机器视觉的板材计数系统及方法
CN113829673A (zh) * 2021-11-26 2021-12-24 武汉宏博纸品包装有限公司 一种基于霍夫变换的蜂窝纸芯拉伸控制方法及系统
CN113850808A (zh) * 2021-12-01 2021-12-28 武汉泰盛包装材料有限公司 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Y.J. DAI ET AL.: "Theoretical study on a cross-flow direct evaporative cooler using honeycomb paper as packing material", 《APPLIED THERMAL ENGINEERING》 *
杨庆峰 等: "基于激光散斑的蜂窝复合材料缺陷检测", 《无损检测》 *

Also Published As

Publication number Publication date
CN114429433B (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN109540917B (zh) 一种多角度模式下纱线外观特征参数提取与分析方法
CN109489566B (zh) 锂电池隔膜材料分切宽度检测方法、检测系统及装置
CN114926436A (zh) 一种用于周期性花纹织物的缺陷检测方法
CN105335972B (zh) 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法
CN108171688A (zh) 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法
CN108447050A (zh) 一种基于超像素的工件表面缺陷分割方法
CN111462066B (zh) 一种基于机器视觉的螺纹参数检测方法
DE102007035884A1 (de) Linienrauschunterdrückungsvorrichtung, -verfahren und -programm
CN109472779B (zh) 一种基于形态结构的纱线外观特征参数提取与分析方法
CN113506246B (zh) 基于机器视觉的混凝土3d打印构件精细检测方法
US10210605B2 (en) Method and device for detecting boundary of region on display motherboard
CN113139900B (zh) 一种棒材完整表面图像获取方法
CN113935953A (zh) 基于图像处理的钢卷缺陷检测方法
CN103778613A (zh) 一种窗口自适应的极化sar影像滤波方法
CN117437223A (zh) 一种高速板对板连接器缺陷智能检测方法
CN117723564B (zh) 基于图像传输的包装袋印刷质量检测方法及检测系统
CN114863258A (zh) 海天线场景中基于视角转换检测小目标的方法
CN114429433B (zh) 一种基于图像增强的蜂窝纸进刀量控制方法
CN116030052A (zh) 电脑显示板层压工序蚀刻质量检测方法
CN113298792A (zh) 基于ai视觉的皮带跑偏监测调速控制装置及方法
CN116416268A (zh) 基于递归二分法的锂电池极片边缘位置检测方法及装置
CN114881960A (zh) 基于特征增强的布匹直线型缺陷检测方法和系统
CN108256385A (zh) 基于视觉的前方车辆检测方法
CN117635609A (zh) 一种塑胶产品生产质量视觉检测方法
CN114119437B (zh) 一种基于gms的用于改善运动物体畸变的图像拼接方法

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