CN114862802A - 基于图像处理的钢结构的切割控制方法 - Google Patents

基于图像处理的钢结构的切割控制方法 Download PDF

Info

Publication number
CN114862802A
CN114862802A CN202210514259.2A CN202210514259A CN114862802A CN 114862802 A CN114862802 A CN 114862802A CN 202210514259 A CN202210514259 A CN 202210514259A CN 114862802 A CN114862802 A CN 114862802A
Authority
CN
China
Prior art keywords
edge
image
pixel
gradient
cutting
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Withdrawn
Application number
CN202210514259.2A
Other languages
English (en)
Inventor
保柳柳
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.)
Nantong Gaoya Steel Structure Co ltd
Original Assignee
Nantong Gaoya Steel Structure 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 Nantong Gaoya Steel Structure Co ltd filed Critical Nantong Gaoya Steel Structure Co ltd
Priority to CN202210514259.2A priority Critical patent/CN114862802A/zh
Publication of CN114862802A publication Critical patent/CN114862802A/zh
Withdrawn legal-status Critical Current

Links

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/36—Removing material
    • B23K26/38—Removing material by boring or cutting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • 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
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及钢结构切割技术领域，具体涉及基于图像处理的钢结构的切割控制方法，包括：分别获取钢结构表面的可见光图像的第一梯度图像和红外图像的第二梯度图像；获取第一梯度图像的整体梯度分布向量、第二梯度图像的多个局部梯度分布向量；分别计算每个局部与整体梯度分布向量的分布相似度，根据第二梯度图像中每个像素所对应的多个分布相似度得到相应像素的钢渣评价指标；根据第二梯度图像中所有像素的钢渣评价指标得到边缘评价图；根据边缘评价图计算边缘像素的边缘评价值；根据边缘评价值去除钢渣边缘，保留切缝。本发明实施例利用红外图像获取切割边缘，并利用可见光图像中的信息辅助获取红外图像的切割边缘，以达到准确获取切割偏差的目的。

Description

基于图像处理的钢结构的切割控制方法
技术领域
本发明涉及钢结构切割技术领域，具体涉及基于图像处理的钢结构的切割控制方法。
背景技术
随着社会经济的发展和工业化的推进，钢材切割多采用前期编程控制来实现智能切割，这种切割方式虽然能够提高切割效率，属于先编程后生产的方式，该方式在生产过程中一旦某个生产变量发生偏差就会出现切割残次，这种残次轻者需要修正后使用，严重时直接造成整个钢材被废弃，无法使用。因而需对切割过程进行检测，一旦出现偏差需要及时调整控制，防止偏差延续，及时避免切割残次发生。
在切割控制过程中，需对采集的图像进行处理，识别切割边缘，进而判定切割参数是否合适。现有技术中通常是对可见光图像进行处理获取边缘图像，获取切割边缘，进而判断参数是否合适。然而可见光图像的处理过程中只能根据图像的颜色梯度信息判断是否为切割边缘，由于挂渣区域的梯度与切缝区域的梯度信息比较接近，无法排除钢渣边缘的影响，同时也无法排除切割时所产生的火花亮度的影响，因此所得到的结果不准确，若因不准确的判断结果调整了切割参数会产生较大的切割偏差。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于图像处理的钢结构的切割控制方法，所采用的技术方案具体如下：
基于图像处理的钢结构的切割控制方法，该方法包括以下步骤：采集在切割钢结构时钢结构表面的可见光图像和红外图像，所述钢结构表面包括钢渣和切缝；分别获取所述可见光图像的第一梯度图像和红外图像的第二梯度图像；获取第一梯度图像的整体梯度分布向量、第二梯度图像的多个局部梯度分布向量；分别计算每个所述局部梯度分布向量与整体梯度分布向量之间的分布相似度，根据第二梯度图像中每个像素所对应的多个分布相似度的总和得到相应像素的钢渣评价指标；根据第二梯度图像中所有像素的钢渣评价指标得到像素评价图，基于所述红外图像中相应边缘像素，得到由边缘像素的钢渣评价指标构成的边缘评价图；获取边缘的弯曲方向，计算边缘像素在弯曲方向上的投影值，以所述边缘评价图中相应像素的钢渣评价指标作为权重，对所述投影值进行加权，并获取加权之后的投影值的方差，所述方差为钢渣的边缘评价值；根据边缘评价值去除钢渣边缘，保留切缝，以通过所述切缝是否存在切割偏差来调整切割走向。
进一步，所述整体梯度分布向量是由所述第一梯度图像的多个阶矩构成的向量。
进一步，所述第一梯度图像的获取步骤包括：对所述可见光图像进行阈值分割得到钢渣区域，计算钢渣区域的梯度值得到所述第一梯度图像。
进一步，根据第二梯度图像中每个像素所对应的多个分布相似度的总和得到相应像素的钢渣评价指标的步骤进一步包括以下优化步骤：以所述第二梯度图像中的任意一个像素为中心像素，利用窗口计算局部梯度分布向量；获取以中心像素为中心的中心窗口、包含所述中心像素的邻域窗口，获取所述中心窗口与所述邻域窗口之间的重合程度；以所述重合程度作为邻域窗口的权重，对所有邻域窗口对应的分布相似度进行加权求和得到中心像素的钢渣评价指标。
进一步，所述基于所述红外图像中相应边缘像素，得到由边缘像素的钢渣评价指标构成的边缘评价图的步骤包括：获取所述红外图像的掩膜图像，所述掩膜图像与所述红外图像的尺度相同，所述掩膜图像中边缘像素的像素值为1，其他像素的像素值为0；将所述掩膜图像与所述像素评价图相乘得到所述边缘评价图。
进一步，所述基于所述红外图像中相应边缘像素，得到由边缘像素的钢渣评价指标构成的边缘评价图的步骤之前进一步包括以下优化步骤：利用高斯滤波器对所述像素评价图进行滤波得到滤波后的像素评价图。
进一步，所述获取边缘的弯曲方向的步骤包括：利用主成分分析法获取边缘的特征值，特征值最大的主成分方向为第一主成分方向，与所述第一主成分方向垂直的方向为边缘的弯曲方向。
进一步，所述分布相似度采用余弦相似度。
本发明具有如下有益效果：
本发明实施例提供了一种基于图像处理的钢结构的切割控制方法，通过采集在切割过程中的可见光图像和红外图像，由于热度的影响，钢渣边缘和切缝边缘所组成的边缘像素在可见光图像和红外图像中的分布特征相似，通过获取可见光图像和红外图像所对应的梯度分布向量之间的相似度，并结合钢渣边缘的特征进一步判断相应边缘为钢渣边缘的边缘评价值，根据边缘评价值去除钢渣边缘，保留切缝，以通过所述切缝是否存在切割偏差来调整切割走向，达到排除钢渣边缘的影响。本发明实施例利用红外图像获取切割边缘，由于红外图像中边缘不清晰以及焊渣边缘纹理的干扰，因此利用可见光图像中的信息辅助获取红外图像中的切割边缘，以达到准确获取切割偏差的目的。
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，还可以根据以下附图获得其它附图。
图1为本发明一个实施例所提供的一种基于图像处理的钢结构的切割控制方法流程图。
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效，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处理的钢结构的切割控制方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
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处理的钢结构的切割控制方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像处理的钢结构的切割控制方法流程图，该控制方法包括以下步骤：
步骤S001，采集切割时钢结构表面的红外图像以及切割后钢结构表面的可见光图像，所述钢结构表面包括钢渣和切缝；
在切割时激光器的喷嘴发射的光束在焦点处形成一个光斑，使材料迅速被加热至汽化温度，蒸发后形成孔洞，随着光束与钢结构件之间的相对移动，使孔洞连续形成切缝。
首先布置相机，利用RGB相机采集切割后钢结构表面的可见光图像，也即RGB图像，切割后的钢结构表面受到激光头切割时所产生的火光的影响很小，可以不做考虑，因此能够获取到清晰的钢结构表面图像。利用红外相机采集切割时的钢结构表面的红外图像，也即采集的是包含当前正在切割位置的区域图像，由于激光头在切割钢结构时会产生火光，光对红外图像的影响很小，红外图像中所呈现的热度区域更多的是钢结构表面所形成的切缝和在切割过程中形成的钢渣。在切割的过程中会形成钢渣，短时间内焊渣区域的温度以及切缝区域的温度明显高于钢结构正常区域的温度。
步骤S002，分别获取所述可见光图像的第一梯度图像和红外图像的第二梯度图像；获取第一梯度图像的整体梯度分布向量、第二梯度图像的多个局部梯度分布向量；分别计算每个所述局部梯度分布向量与所述整体梯度分布向量之间的分布相似度，根据第二梯度图像中每个像素所对应的多个分布相似度的总和得到相应像素的钢渣评价指标。
将红外图像和可见光图像进行灰度化得到相应的灰度图像，由于在红外图像中，切割时所形成的钢渣和切缝的温度明显高于钢结构表面，钢渣和切缝区域的边缘像素的梯度值较大，正常钢结构表面的梯度值较小或者为0，因此获取红外图像的梯度图，通过阈值分割的方法获取大于预设梯度阈值的连通域，预设梯度阈值的大小可以根据经验获取。通过骨架提取算法对各连通区域进行像素单层处理，处理后得到的像素即为边缘像素集合。但是由于红外图像本身的特性，其边缘不清晰，利用该方法获取到的边缘为一系列的断续的边缘片段，且由于钢渣边缘和切缝边缘在红外图像中的梯度信息相近，因此无法分辨出哪些是钢渣边缘，哪些是切缝。为了解决该问题，本发明实施例利用可见光图像中纹理分布的规律来辅助确定红外图像中的钢渣边缘，去掉钢渣边缘得到切割边缘，进而判断切割是否走偏。
具体的，由于在短时间内激光器切割钢结构的参数不变，也即在同等条件下，短时间内形成的焊渣分布的规律相似，因此在前一时刻所采集的可见光图像中呈现出钢渣区域的纹理的分布规律与后一时刻所采集的红外图像中的纹理分布规律相似，也即短时间内红外图像中钢渣热度分布所呈现出的梯度分布规律与可见光图像相似。具体的，利用整体梯度分布向量表征RGB图像中纹理的分布规律，整体梯度分布向量的获取步骤包括：
步骤一，对所述可见光图像进行阈值分割得到钢渣区域。
步骤二，计算可见光图像中的钢渣区域的梯度值，得到第一梯度图像。
具体的，梯度值的获取手段可采用sobel算子获取相应的梯度值，在其他实施例中还可以采用其他计算梯度的算法获取相应像素点的梯度值。
步骤三，由第一梯度图像的多个阶矩构成表征第一梯度图像中纹理分布特征的第一梯度分布向量。
其中，多个阶矩包括一阶矩、二阶矩、三阶矩、四阶矩、五阶矩、……、N阶矩。
其中，在本发明实施例中N的取值为5，在其他实施例中可根据实际需求设定N的大小，也即采用由均值、方差、偏度、峰度和尾偏度所构成的梯度分布向量。由于图像的一阶矩、二阶矩、三阶矩、四阶矩、五阶矩、……、N阶矩的计算方法为常规手段，不再赘述。
根据同样的方法获取红外图像中每个窗口所对应的局部梯度分布向量，具体的，首先获取红外图像中像素值的梯度得到第二梯度图像，利用以第二梯度图像中的每个像素为中心的窗口进行遍历，获取每个窗口所对应的局部梯度分布向量。
由于整体梯度分布向量能够表征可见光图像中钢渣的整体分布特征，局部梯度分布向量表征的是红外图像中每个窗口所对应的钢渣的局部分布特征，也即局部梯度分布向量表征的是红外图像中局部区域内钢渣的分布特征。若红外图像中局部区域内钢渣的分布特征与可见光图像中整体钢渣的分布特征相似，则认为红外图像中的该局部区域大概率为钢渣区域。因此，利用局部特征与整体特征进行相似度匹配，分布相似度越大，相应的局部区域是钢渣区域的概率就越大，进而达到筛选红外图像中的疑似钢渣区域的目的。具体的，利用局部特征与整体特征进行相似度匹配的方法采用余弦相似度的方法，则第i个窗口的分布相似度
Figure DEST_PATH_IMAGE002
为：
Figure DEST_PATH_IMAGE004
式中，
Figure DEST_PATH_IMAGE006
为RGB图像的整体梯度分布向量，
Figure DEST_PATH_IMAGE008
表示红外图像中第i个窗口的局部梯度分布向量，其中
Figure DEST_PATH_IMAGE010
表示向量的模。
由于利用窗口遍历红外图像时，每个像素点都会被包含于多个窗口，也即一个像素点归属于多个窗口，在不同窗口中会被认为具有与相应窗口相同的梯度分布向量，为了消除噪声的影响，本发明实施例进一步对第i个窗口的分布相似度进行调整，将调整后的分布相似度记为中心像素的钢渣评价指标。以所述第二梯度图像中的任意一个像素为中心像素，利用窗口计算局部梯度分布向量；获取以中心像素为中心的中心窗口、包含所述中心像素的邻域窗口，获取所述中心窗口与所述邻域窗口之间的重合程度；以所述重合程度作为邻域窗口的权重，对所有邻域窗口对应的分布相似度进行加权求和得到中心像素的钢渣评价指标。例如，将以第i个像素为中心的第i个窗口记为中心窗口，将包含第i个像素的窗口且非中心窗口的其他窗口记为邻域窗口，计算中心窗口与邻域窗口之间的交并比，该交并比反映的是中心窗口与邻域窗口之间的重合程度，将获取的所有邻域窗口的重合程度进行归一化得到邻域窗口的权重，通过将邻域窗口的权重与邻域窗口的分布相似度进行加权求和得到调整后的中心窗口的分布相似度，则调整后的中心窗口的分布相似度
Figure DEST_PATH_IMAGE012
：
Figure DEST_PATH_IMAGE014
式中，
Figure DEST_PATH_IMAGE016
表示包含第i个像素的第j个邻域窗口的权重，
Figure DEST_PATH_IMAGE018
表示包含第i个像素的第j个窗口的相似度，
Figure DEST_PATH_IMAGE020
表示邻域窗口的数量。
将该调整后的中心窗口的分布相似度作为中心窗口的中心像素的钢渣评价指标，也即将第i个窗口的分布相似度
Figure 863613DEST_PATH_IMAGE012
的值赋予第i个像素。
Figure 662942DEST_PATH_IMAGE012
值越大说明第i个窗口内梯度分布与RGB图像中的梯度分布相似程度越大，说明该第i个窗口为钢渣区域的可能性越大，同时也说明中心像素属于钢渣像素的可能性越大。
步骤S003，根据第二梯度图像中所有像素的钢渣评价指标得到像素评价图，基于所述红外图像中相应边缘像素，得到由边缘像素的钢渣评价指标构成的边缘评价图；获取边缘的弯曲方向，计算边缘像素在弯曲方向上的投影值，以所述边缘评价图中相应像素的钢渣评价指标作为权重，对所述投影值进行加权，并获取加权之后的投影值的方差，所述方差为钢渣的边缘评价值；根据边缘评价值去除钢渣边缘，保留切缝，以通过所述切缝是否存在切割偏差来调整切割走向。
由步骤S002中的第二段可以的得到红外图像中的边缘像素，将属于边缘像素的像素点标记为1，其他像素点标记为0，得到与红外图像尺度相同的掩膜图像，将该掩膜图像与像素评价图相乘得到由边缘像素的钢渣评价指标构成的边缘评价图。
优选的，当一个边缘的周围像素属于钢渣像素的概率较大并且在该边缘上的像素属于钢渣像素的概率也较大时，则该边缘属于钢渣边缘的概率也会较大。当一个边缘周围的像素属于钢渣像素的概率较小，而该边缘上的像素属于钢渣像素的概率较大时，说明该边缘可能为噪声，也即该边缘属于钢渣边缘的概率较小。因此在分析每个边缘是否为钢渣边缘时需考虑相应边缘周围像素是否为钢渣像素，对图像进行高斯滤波处理，这种情况下得到的每个边缘像素概率值中会包含周围像素的概率信息，具体方法为：利用步骤S002的方法能够得到红外图像中每个像素的钢渣评价指标，进而能够得到与红外图像尺度相同且以钢渣评价指标为像素值的像素评价图；利用窗口的尺度为50*50且方差为10的高斯滤波器对像素评价图进行滤波分析得到滤波后的像素评价图。在滤波后的像素评价图与掩膜相乘得到由边缘像素的钢渣评价指标构成的边缘评价图。
为了获取更加准确的钢渣边缘，本发明实施例利用钢渣边缘的形态特征来进一步修正钢渣边缘的评价值，以准确判断相应的边缘是否为钢渣边缘。由于实际的钢渣边缘的弯曲程度较大，因而利用各边缘的弯曲情况和钢渣评价指标综合分析相应的边缘是否为钢渣边缘。具体的，基于各边缘进行分析，在本发明实施例中以第i条边缘为例说明具体处理方法，通过主成分分析法（Principal Component Analysis，PCA）处理第i条边缘获取特征值最大的主成分方向，将该主成分方向称为第一主成分方向，该第一主成分方向为边缘的主要延伸方向，然后获取与第一主成分方向垂直的第二主成分方向，该主成分方向为边缘线的弯曲方向，因而第i条边缘上所有像素在弯曲方向的投影长度方差越大，说明该边缘的弯曲程度越大。分别获取第i条边缘各像素在弯曲方向上的投影长度，将边缘评价图中各边缘像素为钢渣像素的钢渣评价指标作为相应像素的权重，通过第i条边缘各像素的投影长度值及其钢渣评价指标的加权求和之后得到调整了关注程度的投影长度值，增加钢渣评价指标较高的像素的权重，利用调整了关注程度的投影长度值计算出第i条边缘线上所有像素对应的投影长度值的方差，该方差即为第i个边缘属于钢渣边缘的边缘评价值。
将钢渣边缘的边缘评价值与预设评价阈值进行比较，小于预设评价阈值的边缘属于切割边缘，保留切割边缘，去除钢渣边缘。
将保留的切割边缘与标准的切割边缘进行比对，得到切割偏差。当切割偏差大于误差时，系统需要根据切割偏差调整切割走向。
综上所述，本发明实施例提供了一种基于图像处理的钢结构的切割控制方法，通过采集在切割过程中的可见光图像和红外图像，由于热度的影响，钢渣边缘和切缝边缘所组成的边缘像素在可见光图像和红外图像中的分布特征相似，通过获取可见光图像和红外图像所对应的梯度分布向量之间的相似度，并结合钢渣边缘的特征进一步判断相应边缘为钢渣边缘的边缘评价值，根据边缘评价值去除钢渣边缘，保留切缝，以通过所述切缝是否存在切割偏差来调整切割走向，以达到排除钢渣边缘的影响，获取准确切割偏差的目的。本发明实施例利用红外图像获取切割边缘，由于红外图像中边缘不清晰以及焊渣边缘纹理的干扰，因此利用可见光图像中的信息辅助获取红外图像中的切割边缘，以达到准确获取切割偏差的目的。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
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.基于图像处理的钢结构的切割控制方法，其特征在于，该方法包括以下步骤：
采集切割时钢结构表面的红外图像以及切割后钢结构表面的可见光图像，所述钢结构表面包括钢渣和切缝；
分别获取所述可见光图像的第一梯度图像和红外图像的第二梯度图像；获取第一梯度图像的整体梯度分布向量、第二梯度图像的多个局部梯度分布向量；分别计算每个所述局部梯度分布向量与整体梯度分布向量之间的分布相似度，根据第二梯度图像中每个像素所对应的多个分布相似度的总和得到相应像素的钢渣评价指标；
根据第二梯度图像中所有像素的钢渣评价指标得到像素评价图，基于所述红外图像中相应边缘像素，得到由边缘像素的钢渣评价指标构成的边缘评价图；获取边缘的弯曲方向，计算边缘像素在弯曲方向上的投影值，以所述边缘评价图中相应像素的钢渣评价指标作为权重，对所述投影值进行加权，并获取加权之后的投影值的方差，所述方差为钢渣的边缘评价值；根据边缘评价值去除钢渣边缘，保留切缝，以通过所述切缝是否存在切割偏差来调整切割走向。
2.根据权利要求1所述的基于图像处理的钢结构的切割控制方法，其特征在于，所述整体梯度分布向量是由所述第一梯度图像的多个阶矩构成的向量。
3.根据权利要求1所述的基于图像处理的钢结构的切割控制方法，其特征在于，所述第一梯度图像的获取步骤包括：对所述可见光图像进行阈值分割得到钢渣区域，计算钢渣区域的梯度值得到所述第一梯度图像。
4.根据权利要求1所述的基于图像处理的钢结构的切割控制方法，其特征在于，根据第二梯度图像中每个像素所对应的多个分布相似度的总和得到相应像素的钢渣评价指标的步骤进一步包括以下优化步骤：
以所述第二梯度图像中的任意一个像素为中心像素，利用窗口计算局部梯度分布向量；获取以中心像素为中心的中心窗口、包含所述中心像素的邻域窗口，获取所述中心窗口与所述邻域窗口之间的重合程度；以所述重合程度作为邻域窗口的权重，对所有邻域窗口对应的分布相似度进行加权求和得到中心像素的钢渣评价指标。
5.根据权利要求1所述的基于图像处理的钢结构的切割控制方法，其特征在于，所述基于所述红外图像中相应边缘像素，得到由边缘像素的钢渣评价指标构成的边缘评价图的步骤包括：获取所述红外图像的掩膜图像，所述掩膜图像与所述红外图像的尺度相同，所述掩膜图像中边缘像素的像素值为1，其他像素的像素值为0；将所述掩膜图像与所述像素评价图相乘得到所述边缘评价图。
6.根据权利要求1所述的基于图像处理的钢结构的切割控制方法，其特征在于，所述基于所述红外图像中相应边缘像素，得到由边缘像素的钢渣评价指标构成的边缘评价图的步骤之前进一步包括以下优化步骤：利用高斯滤波器对所述像素评价图进行滤波得到滤波后的像素评价图。
7.根据权利要求1所述的基于图像处理的钢结构的切割控制方法，其特征在于，所述获取边缘的弯曲方向的步骤包括：利用主成分分析法获取边缘的特征值，特征值最大的主成分方向为第一主成分方向，与所述第一主成分方向垂直的方向为边缘的弯曲方向。
8.根据权利要求1所述的基于图像处理的钢结构的切割控制方法，其特征在于，所述分布相似度采用余弦相似度。
CN202210514259.2A 2022-05-12 2022-05-12 基于图像处理的钢结构的切割控制方法 Withdrawn CN114862802A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210514259.2A CN114862802A (zh) 2022-05-12 2022-05-12 基于图像处理的钢结构的切割控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210514259.2A CN114862802A (zh) 2022-05-12 2022-05-12 基于图像处理的钢结构的切割控制方法

Publications (1)

Publication Number Publication Date
CN114862802A true CN114862802A (zh) 2022-08-05

Family

ID=82636648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210514259.2A Withdrawn CN114862802A (zh) 2022-05-12 2022-05-12 基于图像处理的钢结构的切割控制方法

Country Status (1)

Country Link
CN (1) CN114862802A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115194290A (zh) * 2022-09-16 2022-10-18 南通宝丽金属科技有限公司 一种数控火焰切割机参数控制方法
CN115239961A (zh) * 2022-09-21 2022-10-25 江苏跃格智能装备有限公司 一种激光切割机工作状态监测方法
CN115330989A (zh) * 2022-10-13 2022-11-11 南通红运金属科技有限公司 一种用于激光束切割的控制方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115194290A (zh) * 2022-09-16 2022-10-18 南通宝丽金属科技有限公司 一种数控火焰切割机参数控制方法
CN115239961A (zh) * 2022-09-21 2022-10-25 江苏跃格智能装备有限公司 一种激光切割机工作状态监测方法
CN115330989A (zh) * 2022-10-13 2022-11-11 南通红运金属科技有限公司 一种用于激光束切割的控制方法

Similar Documents

Publication Publication Date Title
CN114862802A (zh) 基于图像处理的钢结构的切割控制方法
CN114972357A (zh) 一种基于图像处理的轧辊表面缺陷检测方法及系统
CN101344922B (zh) 一种人脸检测方法及其装置
CN117557571B (zh) 基于图像增强的合金电阻焊接缺陷视觉检测方法及系统
CN111160407B (zh) 一种深度学习目标检测方法及系统
CN109886128B (zh) 一种低分辨率下的人脸检测方法
CN111612817A (zh) 基于深浅特征自适应融合与上下文信息的目标跟踪方法
CN115511889A (zh) 一种太阳能电池板支架表面焊接缺陷检测方法
CN116258649B (zh) 基于熔池状态分析的焊接参数自适应调整方法
CN115082466B (zh) 一种pcb表面焊点缺陷检测方法及系统
CN109492647A (zh) 一种电网机器人障碍物识别方法
CN115311484B (zh) 一种焊缝数据的优化聚类分割方法
CN117576086B (zh) 一种金属电子束焊缺陷检测方法及系统
CN109255799B (zh) 一种基于空间自适应相关滤波器的目标跟踪方法及系统
CN112330544A (zh) 图像拖影的处理方法、装置、设备及介质
CN117705815A (zh) 一种基于机器视觉的印刷缺陷检测方法
CN114418935A (zh) 用于手机tp框螺丝孔的检测识别方法及螺丝锁付装置
He et al. Parameter self-optimizing clustering for autonomous extraction of the weld seam based on orientation saliency in robotic MAG welding
CN116934734A (zh) 基于图像的零件缺陷多路并行检测方法、装置及相关介质
CN115578390B (zh) 一种用于除氧器的焊接控制方法
CN113705672B (zh) 图像目标检测的阈值选取方法、系统、装置及存储介质
Zhang et al. A new human eye tracking method based on tracking module feedback tld algorithm
CN113077490A (zh) 一种基于可靠性的多层深度特征目标跟踪方法
CN117593301B (zh) 基于机器视觉的内存条损伤快速检测方法及系统
CN118608546B (zh) 用于线粒体的荧光图像分割方法、系统及存储介质

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: 20220805