CN114862880B - 一种基于异性石料的切割优化方法及系统 - Google Patents

一种基于异性石料的切割优化方法及系统 Download PDF

Info

Publication number
CN114862880B
CN114862880B CN202210784671.6A CN202210784671A CN114862880B CN 114862880 B CN114862880 B CN 114862880B CN 202210784671 A CN202210784671 A CN 202210784671A CN 114862880 B CN114862880 B CN 114862880B
Authority
CN
China
Prior art keywords
stone
edge line
gray
gray level
level histogram
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.)
Active
Application number
CN202210784671.6A
Other languages
English (en)
Other versions
CN114862880A (zh
Inventor
栾跃
尹彦丽
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.)
Shandong Taiheng Stone Co ltd
Original Assignee
Shandong Taiheng Stone 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 Shandong Taiheng Stone Co ltd filed Critical Shandong Taiheng Stone Co ltd
Priority to CN202210784671.6A priority Critical patent/CN114862880B/zh
Publication of CN114862880A publication Critical patent/CN114862880A/zh
Application granted granted Critical
Publication of CN114862880B publication Critical patent/CN114862880B/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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及机器视觉领域，具体涉及一种基于异性石料的切割优化方法及系统，包括：设置滑窗，获取待切割的石料的边缘线，通过分析边缘线上像素点的灰度值判断石料边缘线上是否存在伪边缘的部分，若不存在，利用canny算子进行边缘检测后直接进行分割，若存在伪边缘，则需要利用训练神经网络对伪边缘进行填充翻转，最后获得多个待选边缘，将多个待选边缘重叠最多的部分作为最优分割边缘。本发明通过对异型石料分界线的检测处理，可以更加准确地切割反光所造成的石料分割边缘模糊的问题。

Description

一种基于异性石料的切割优化方法及系统
技术领域
本发明涉及机器视觉领域，具体涉及一种基于异性石料的切割优化方法及系统。
背景技术
硬度、光泽度、机械强度都是自然界石料的物理性质，不同性质的石料融合在一起称为异性石料，人类根据石料性质不同将其分割，然后分别被运用于各种领域，其中被采集最多的为地壳中最常见的层状石料，被广泛运用于建筑行业。工业自动切割层状石料，都是基于机器视觉采用红外线切割机自动切割，最常见的实现算法有Canny、Sobel等，其核心在于石料特征阈值的选取。而自动分割领域中，石料的反光性是影响自动切割准确性的主要原因。
两种层状堆叠的石料，均为非反光石料，那么正常选取阈值即可，但若一方为反光类石料，加上其侧截面光滑，会导致两种石料交界处出现边缘模糊，反光部分的梯度大于被反光模糊、覆盖后的真实边缘梯度，就会出现伪边缘，造成分割结果出现较大误差。如何将石料精准分割，降低石料浪费一直是生产商关注的问题。
本发明在在常规自动切割系统上进行优化，使其可以通过获取异性石料的真实边缘切割反光性质不同的异性石料，为提高厂家的原石利用率提供帮助。
发明内容
本发明提供一种基于异性石料的切割优化方法及系统，以解决自动切割异性石料时受反光影响边缘不清晰的问题，能够找到石料真实边缘并切割。
为解决上述问题，本发明采用以下技术方案，一种基于异性石料的切割优化方法，包括：
采集石料截面图像并处理得到石料灰度图像；
设置单列滑窗，并垂直于石料边缘线，沿着水平方向从左往右对石料灰度图像中每一列像素点进行遍历，获取每一列灰度突变点，将相邻滑窗相距最近的两个突变点相连接得到石料边缘线；
若石料边缘线上未连续出现任意一段像素点灰度值高于其他部分像素点灰度值，则石料边缘线为真实边缘线，按照该真实边缘线对石料进行切割，若石料边缘线上连续出现任意一段高于其他部分灰度值的像素点，该石料边缘线受反光影响，存在伪边缘线，执行下一步；
利用石料边缘线将石料截面图像分割为两个不同区域，获取该两个区域中受反光影响的目标区域，得到该目标区域的灰度直方图，对该目标区域的灰度直方图进行平滑得到目标区域平滑后的灰度直方图；
利用目标区域平滑后的灰度直方图中波峰两侧相邻灰度级的曲率拟合出新的波峰，利用高斯拟合算法对目标区域平滑后的灰度直方图及新的波峰进行拟合得到目标区域的拟合后的灰度直方图；
计算目标区域拟合后的灰度直方图曲线中两波谷之间的面积及目标区域平滑后的灰度直方图中的像素点个数，利用两者差值的绝对值获得受反光影响的区域像素点个数；
根据石料反光区域像素点个数对石料边缘线进行修复，得到石料分割的真实边缘线，按照该真实边缘线对石料进行切割。
进一步的，所述石料边缘线是按如下方式得到的：
遍历获得该列滑窗像素点灰度值的累加函数图像；
获取累加函数图像中的所有灰度突变点；
将相邻滑窗相距最近的两个灰度突变点相连接得到石料边缘线。
进一步的，所述目标区域灰度直方图是按如下方式得到的：
利用目标区域的灰度级及灰度级所对应的个数得到目标区域灰度直方图。
进一步的，所述新的波峰是按如下方式得到的：
获取目标区域平滑后的灰度直方图波峰左侧两两相邻点所在直线平均斜率差的和及其起始点和终止点的横坐标差值得到拟合的灰度直方图左侧波峰；
获取目标区域平滑后的灰度直方图波峰右侧两两相邻点所在直线平均斜率差的和及其起始点和终止点的横坐标差值得到拟合的灰度直方图右侧波峰；
对左侧波峰及右侧波峰求均值，得到新的波峰。
进一步的，所述拟合后的灰度直方图是按如下方式得到的：
获取新的波峰的位置及目标区域平滑后的灰度直方图左侧波谷和右侧波谷的半宽值；
利用目标区域平滑后的灰度直方图上的任意灰度级、新的波峰位置及该半宽值得到拟合后的灰度直方图。
进一步的，所述受反光影响的区域像素点个数的具体表达式如下：
Figure DEST_PATH_IMAGE001
式中：
Figure 171230DEST_PATH_IMAGE002
为目标区域拟合后的灰度直方图曲线的正态分布函数F（x，y）在
Figure DEST_PATH_IMAGE003
到
Figure 150688DEST_PATH_IMAGE004
之间面积，
Figure DEST_PATH_IMAGE005
则为目标区域平滑后的灰度直方图
Figure 242009DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
之间的像素个数累加和，
Figure 699536DEST_PATH_IMAGE008
为任意灰度级q中像素点个数，
Figure 982749DEST_PATH_IMAGE006
和
Figure 149420DEST_PATH_IMAGE007
分别表示目标区域平滑后的灰度直方图左侧波谷和右侧波谷，
Figure 885294DEST_PATH_IMAGE003
和
Figure 677670DEST_PATH_IMAGE004
分别表示拟合后的灰度直方图左侧波谷和右侧波谷，
Figure DEST_PATH_IMAGE009
表示石料反光区域的像素点个数，[
Figure 658133DEST_PATH_IMAGE003
，
Figure 120339DEST_PATH_IMAGE010
]与[
Figure 468143DEST_PATH_IMAGE006
，
Figure 939576DEST_PATH_IMAGE007
]为同一区间。
进一步的，所述石料分割的真实边缘线是按如下方式得到的：
获取已知若干石料边缘图像；
利用训练神经网络输入已知若干石料边缘图像，训练集正常记忆每张图像的石料边缘；
利用伪边缘线及正常记忆每张图像的石料边缘对伪边缘线进行修复，得到石料分割的真实边缘线。
一种基于异性石料切割的优化系统，其特征在于，包括：
图像采集模块：采集石料截面图像并处理得到石料灰度图像；
石料边缘线获取模块：设置单列滑窗，并垂直于石料边缘线，沿着水平方向从左往右对石料灰度图像中每一列像素点进行遍历，获取每一列灰度突变点，将相邻滑窗相距最近的两个突变点相连接得到石料边缘线；
石料伪边缘线判断模块：若石料边缘线上未连续出现任意一段像素点灰度值高于其他部分像素点灰度值，则石料边缘线为真实边缘线，按照该真实边缘线对石料进行切割，若石料边缘线上连续出现任意一段高于其他部分灰度值的像素点，该石料边缘线受反光影响，存在伪边缘线，执行下一步；
灰度直方图拟合模块：利用石料边缘线将石料截面图像分割为两个不同区域，获取该两个区域中受反光影响的目标区域，得到该目标区域的灰度直方图，对该目标区域的灰度直方图进行平滑得到目标区域平滑后的灰度直方图；
利用目标区域平滑后的灰度直方图中波峰两侧相邻灰度级的曲率拟合出新的波峰，利用高斯拟合算法对目标区域平滑后的灰度直方图及新的波峰进行拟合得到目标区域的拟合后的灰度直方图；
受反光影响的区域像素点个数获取模块：计算目标区域拟合后的灰度直方图曲线中两波谷之间的面积及目标区域平滑后的灰度直方图中的像素点个数，利用两者差值的绝对值获得受反光影响的区域像素点个数；
石料真实边缘线获取模块：根据石料反光区域像素点个数对石料边缘线进行修复，得到石料分割的真实边缘线，按照该真实边缘线对石料进行切割。
本发明的有益效果：本发明首先设置滑窗获取待切割的石料的边缘线，通过分析边缘线上像素点的灰度值判断石料边缘线上是否存在伪边缘的部分，若不存在，利用canny算子进行边缘检测后直接进行分割，若存在伪边缘，则需要利用训练神经网络对伪边缘线进行翻转，最后获得多个待选边缘，将多个待选边缘重叠最多的部分作为石料真实边缘线，并进行分割。本发明通过对异性石料分界线的检测处理，可以更加准确地切割反光所造成的石料分割边缘模糊的问题。
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为本发明的实施例提供了一种基于异性石料的切割优化方法的流程图；
图2为本发明的实施例提供了石料灰度图像；
图3为本发明的实施例提供了目标区域的灰度直方图；
图4为本发明的实施例提供了相邻滑窗突变点的欧式距离；
图5为本发明的实施例提供了石料伪边缘图像；
图6为本发明的实施例提供了拟合后的灰度直方图曲线；
图7为本发明的实施例提供了一种基于异性石料的切割优化系统的结构框图。
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。
本发明的实施例提供一种基于异性石料的切割优化方法，如图1所示，包括：
S101、获取石料灰度图像。
利石材原料是根据其截面的纹理来规划切割路线，对一块形状不规则的石料先切出其截面，由于原石料是物质堆积形成的，其截面为层状结构，设置单束光足够照明需求，使用相机对石料截面进行拍摄，得到石料截面图像，由于直接对彩色图像选取阈值进行分割，其数据量较大，需要更多的算法和编码实现。且在常规的机器视觉下是基于灰度图像，通过选取阈值Canny算子的方法来实现自动分割。因此我们先将石料图像转化为灰度图像。
用加权平均值法对石料截面图像进行灰度化，得到石料灰度图像，如图2所示。
其中，实际加工现场拍摄的图像背景会比较驳杂，利用语义分割将背景区域遮盖，以减少机器识别的无效信息。按7：3划分训练集和验证集。根据镜头尺寸和石板放置位置，设置分割区域。有效的标注1，无效的背景标注0。网络所用loss函数为交叉熵损失函数。
S102、获取石料边缘线。
一张图像的分辨率通常用“水平像素数×垂直像素数”表示。设置单列的竖状滑窗，垂直于石料边缘线，沿着石料边缘线方向遍历图像中所有的像素点，通过单列窗口内的累加函数图像变化，来寻找所有可能的灰度梯度。例如一幅图片的分辨率为600
Figure DEST_PATH_IMAGE011
450，我们的竖状滑窗即宽度为1个像素单位，长度为450个像素单位。具体表达式如下：
Figure DEST_PATH_IMAGE013
式中：
Figure 744852DEST_PATH_IMAGE014
为石料灰度图中垂直于边缘线方向的像素尺寸，即单列竖状窗口的像素点数量，
Figure DEST_PATH_IMAGE015
表示单列竖状窗口像素点的累加函数。
单列像素窗口由上至下依次排序为（1，2，3…i…
Figure 237013DEST_PATH_IMAGE014
），上式中
Figure 321382DEST_PATH_IMAGE014
为图像竖直方向的像素尺寸，即单列竖状窗口的像素点数量。该式的目的为构建竖直方向像素点的累加函数图像，再根据累加值的变化情况，找到每一列累加值突变的像素点。像素点累加值函数的具体表达式如下：
Figure DEST_PATH_IMAGE017
式中：
Figure 658822DEST_PATH_IMAGE018
与
Figure DEST_PATH_IMAGE019
分别为单列竖状窗口中第i个像素点与上下相邻像素点的累加值差值。
若像素点累加函数图像呈现平稳增长，则代表i与上相邻像素点、i与下相邻像素点的累加值差值相近，即
Figure 115342DEST_PATH_IMAGE020
的值接近于1，因此
Figure DEST_PATH_IMAGE021
的值越大，则成为为突变点的概率越大。
根据具体石料图像的两种石料灰度值差值来确定突变点的检测阈值，例如本发明的实施例石料灰度图像中，如图2所示A区域的燧石和B区域的花岗石，设置突变点检测阈值的理论经验值为
Figure 247246DEST_PATH_IMAGE022
，如图3所示目标区域的灰度直方图及图2所示石料灰度图像可知，
Figure DEST_PATH_IMAGE023
、
Figure 299471DEST_PATH_IMAGE024
为A、B区域的主要灰度级，当累加函数沿着竖直窗口在A区域内时每一格像素点累加
Figure 971761DEST_PATH_IMAGE023
，到达与B区域之间灰度梯度处时，突然变成了每一格累加
Figure 938580DEST_PATH_IMAGE024
，则认为该处为突变点。最终得到每一列窗口的突变点集，我们通过这些相邻窗口突变点的连续关系得到石料边缘线。
无论石料之间交界的边缘呈现何种形状，相邻的边缘像素点欧式距离都最小，如图4所示，TB代表突变点，蓝色线条为欧式距离，相邻列像素窗口之间欧式距离最短的两个突变点组成的连续线条，才是石料图像的交界边缘。所以将相邻滑窗相距最近的两个突变点相连接，得到石料边缘线，具体表达式如下：
Figure 54435DEST_PATH_IMAGE026
式中：v为任意滑窗的序号，(
Figure DEST_PATH_IMAGE027
)为突变像素点坐标，
Figure 67390DEST_PATH_IMAGE028
表示相邻滑窗突变像素点的欧式距离。
该式的目的为计算相邻滑窗的所有突变点的欧式距离，将相邻滑窗相距最近的两个突变点相连接，最终得到一条连续、最长的边缘，作为石料边缘线。
S103、判断石料是否存在伪边缘。
对石料边缘线上的像素点进行灰度值分析，若石料边缘线上未连续出现任意一段高于其他部分灰度值的像素点，则石料边缘线为真实边缘线，直接进行切割。
若石料边缘线上连续出现任意一段像素点灰度值高于其他部分像素点的灰度值，则石料边缘线受到反光影响，石料边缘线存在伪边缘线，且连续出现像素点灰度值高于其他部分像素点灰度值的部分为石料伪边缘线，如图5所示。
S104、获取新的波峰。
若存在伪边缘线，利用石料边缘线将石料截面图像分割为两个不同区域，其中，由于石料分为两层，一层为反光石料区域，一层为不反光石料区域，将反光石料所在的区域为目标区域，得到该目标区域的灰度直方图，在灰度共生矩阵的基础上，利用邻域差分像素值的大小选取目标区域的灰度直方图，得到目标区域平滑后的灰度直方图。
石料出现反光污染，会造成原本区域的灰度级缺失，即使平滑后将直方图齿状不整齐的部分修正了，但整片区域缺失，就导致反光石料所在的直方图可能出现不规则缺口或直方图曲线的改变，缺失的部分被转移到高灰度级部分，缺口大概率集中在峰值灰度级旁边，因为灰度级分布越多，其在图像上分布的密度越大，丢失的概率越大，分布越小，则受到的影响比较小。但无论如何丢失，都可以根据其现有直方图形状，高度还原出一个类高斯分布的拟合曲线。
利用目标区域平滑后的灰度直方图波峰两侧相邻灰度级的曲率拟合出新的波峰，具体表达式如下：
Figure 418737DEST_PATH_IMAGE030
式中：
Figure DEST_PATH_IMAGE031
表示目标区域平滑后的灰度直方图波峰左侧连续相邻点所在直线的平均斜率差，
Figure 817226DEST_PATH_IMAGE032
表示连续相邻点所在直线的平均斜率差，
Figure 353250DEST_PATH_IMAGE006
表示目标区域平滑后的灰度直方图上起始点，
Figure DEST_PATH_IMAGE033
目标区域平滑后的灰度直方图上终止点，
Figure 869813DEST_PATH_IMAGE034
表示像素点个数；
Figure 759271DEST_PATH_IMAGE036
式中：
Figure DEST_PATH_IMAGE037
表示目标区域平滑后的灰度直方图波峰右侧连续相邻像素点所在直线的平均斜率差，
Figure 28579DEST_PATH_IMAGE038
表示目标区域平滑后的原始灰度直方图上的起始素点，
Figure DEST_PATH_IMAGE039
表示目标区域平滑后的原始灰度直方图上的终止点，
Figure 453613DEST_PATH_IMAGE040
表示像素点个数。
利用波峰右侧连续相邻像素点所在直线的平均斜率差及波峰左侧连续相邻像素点所在直线的平均斜率差拟合新的波峰，当左右两侧斜率变为0时，得到左侧波峰及右侧波峰，对左侧波峰及右侧波峰求均值，得到新的波峰。
其中，得到两个波峰的结果，是曲线拟合存在误差的表现，对两个波峰求均值，将该均值作为拟合后的灰度直方图新的波峰，降低误差影响。
S105、获取拟合后的灰度直方图。
由S104中可知拟合的灰度直方图新的波峰，则利用高斯曲线拟合算法对目标区域平滑后的灰度直方图及新的波峰进行拟合得到拟合后的灰度直方图，具体表达式如下：
Figure 972319DEST_PATH_IMAGE042
式中：Q为新的波峰，
Figure DEST_PATH_IMAGE043
为曲线上任意灰度级,
Figure 9676DEST_PATH_IMAGE023
为新的波峰所对应的灰度级，
Figure 399069DEST_PATH_IMAGE044
为右侧波谷减去左侧波谷得到的半宽值。
根据高斯曲线拟合算法公式得到拟合后的灰度直方图曲线，如图6所示。
S106、获取受反光影响的区域像素点个数。
分别计算目标区域拟合后的灰度直方图和拟合前的灰度直方图中两波谷之间的面积差值的绝对值，利用面积差值的绝对值获得受反光影响的区域像素点个数，具体表达式如下：
Figure 152261DEST_PATH_IMAGE001
式中：
Figure 299209DEST_PATH_IMAGE002
为目标区域拟合后的灰度直方图曲线的正态分布函数F（x，y）在
Figure 169951DEST_PATH_IMAGE003
到
Figure 820375DEST_PATH_IMAGE004
之间面积，
Figure 337944DEST_PATH_IMAGE005
则为目标区域平滑后的灰度直方图
Figure 581975DEST_PATH_IMAGE006
到
Figure 882506DEST_PATH_IMAGE007
之间的像素个数累加和，
Figure 653016DEST_PATH_IMAGE008
为任意灰度级q中像素点个数，
Figure 607065DEST_PATH_IMAGE006
和
Figure 463026DEST_PATH_IMAGE007
分别表示目标区域平滑后的灰度直方图左侧波谷和右侧波谷，
Figure 675570DEST_PATH_IMAGE003
和
Figure 35007DEST_PATH_IMAGE004
分别表示拟合后的灰度直方图左侧波谷和右侧波谷，
Figure 425537DEST_PATH_IMAGE009
表示石料反光区域的像素点个数，[
Figure 503215DEST_PATH_IMAGE003
，
Figure 20915DEST_PATH_IMAGE010
]与[
Figure 500438DEST_PATH_IMAGE006
，
Figure 61869DEST_PATH_IMAGE007
]为同一区间。
根据此计算方式可得到受反光影响的区域像素点个数为
Figure 626843DEST_PATH_IMAGE009
。
S107、获取真实边缘线。
根据石料反光区域像素点个数对石料边缘线进行修复，得到石料分割的真实边缘线，按照该真实边缘线对石料进行切割。
具体的是利用滑窗法沿着伪边缘，从反光石料向另一种石料方向进行遍历，将沿途的像素点灰度值替换为
Figure 181190DEST_PATH_IMAGE023
，直到替换像素点的个数与获得的石料反光区域像素点个数相等，停止替换，获得石料分割的真实边缘线。
采用神经网络来规范灰度值替换方案的合理性，该神经网络按照如下方法进行训练：输入若干已知石料边缘图像，训练集正常记忆每张图像的石料边缘，验证集图像对石料的边缘线进行局部遮盖，损失函数选择交叉熵函数。最终计算机会根据未反光的正常边缘特征拟定合理的替换方案，然后输出多个伪边缘修复后的石料图像。
通过多次设置阈值，利用Canny算子对伪边缘修复后的石料图像进行边缘检测得到多个石料待选边缘，不断迭代计算，最后结合所有待选边缘重叠最多的部分，得到真实的边缘线，并对石料进行分割。
一种基于异性石料的切割优化系统，如图7所示，包括：
图像采集模块：图像采集模块为相机，对石料截面进行拍摄，得到石料截面图像并处理得到石料灰度图像；
石料边缘线获取模块：设置单列滑窗，沿着水平方向从左往右对图像采集模块得到的石料灰度图像中每一列像素点进行遍历获得该列滑窗像素点灰度值的累加函数图像，当累加函数图像出现灰度突变点，将相邻滑窗相距最近的两个灰度突变点相连接得到石料边缘线；
石料伪边缘线判断模块：对石料边缘线上的像素点进行灰度值分析，若石料边缘线上未连续出现任意一段高于其他部分灰度值的像素点，则石料边缘线为真实边缘线，直接进行切割；
若石料边缘线上连续出现任意一段像素点灰度值高于其他部分像素点的灰度值，则石料边缘线受到反光影响，石料边缘线存在伪边缘线，且连续出现像素点灰度值高于其他部分像素点灰度值的部分为石料伪边缘线，反光区域为反光石料所在区域；
灰度直方图拟合模块：利用石料边缘线将石料截面图像分割为两个不同区域，获取该两个区域中受反光影响的目标区域，得到该目标区域的灰度直方图，对该目标区域的灰度直方图进行平滑得到目标区域平滑后的灰度直方图；
利用目标区域平滑后的灰度直方图中波峰两侧相邻灰度级的曲率拟合出新的波峰，利用高斯拟合算法对目标区域平滑后的灰度直方图及新的波峰进行拟合得到目标区域的拟合后的灰度直方图；
受反光影响的区域像素点个数获取模块：计算目标区域拟合后的灰度直方图曲线中两波谷之间的面积及目标区域平滑后的灰度直方图中的像素点个数，利用两者差值的绝对值获得受反光影响的区域像素点个数；
石料真实边缘线获取模块：根据石料反光区域像素点个数对石料边缘线进行修复，得到石料分割的真实边缘线，按照该真实边缘线对石料进行切割。
具体的是利用滑窗法沿着伪边缘，从反光石料向另一种石料方向进行遍历，将沿途的像素点灰度值替换为
Figure 515219DEST_PATH_IMAGE023
，直到替换像素点的个数与获得的石料反光区域像素点个数相等，停止替换，获得石料分割的真实边缘线。
采用神经网络来规范灰度值替换方案的合理性，该神经网络按照如下方法进行训练：输入若干已知石料边缘图像，训练集正常记忆每张图像的石料边缘，验证集图像对石料的边缘线进行局部遮盖，损失函数选择交叉熵函数。最终计算机会根据未反光的正常边缘特征拟定合理的替换方案，然后输出多个伪边缘修复后的石料图像。
通过多次设置阈值，利用Canny算子对伪边缘修复后的石料图像进行边缘检测得到多个石料待选边缘，不断迭代计算，最后结合所有待选边缘重叠最多的部分，得到真实的边缘线，并对石料进行分割。
本发明的有益效果：本发明的有益效果：本发明首先设置滑窗获取待切割的石料的边缘线，通过分析边缘线上像素点的灰度值判断石料边缘线上是否存在伪边缘的部分，若不存在，利用canny算子进行边缘检测后直接进行分割，若存在伪边缘，则需要利用训练神经网络对伪边缘线进行翻转，最后获得多个待选边缘，将多个待选边缘重叠最多的部分作为石料真实边缘线，并进行分割。本发明通过对异性石料分界线的检测处理，可以更加准确地切割反光所造成的石料分割边缘模糊的问题。
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)

1.一种基于异性石料的切割优化方法，其特征在于，包括：
采集石料截面图像并处理得到石料灰度图像；
设置单列滑窗，并垂直于石料边缘线，沿着水平方向从左往右对石料灰度图像中每一列像素点进行遍历，获取每一列灰度突变点，将相邻滑窗相距最近的两个突变点相连接得到石料边缘线；
若石料边缘线上未连续出现任意一段像素点灰度值高于其他部分像素点灰度值，则石料边缘线为真实边缘线，按照该真实边缘线对石料进行切割，若石料边缘线上连续出现任意一段高于其他部分灰度值的像素点，该石料边缘线受反光影响，存在伪边缘线，执行下一步；
利用石料边缘线将石料截面图像分割为两个不同区域，获取该两个区域中受反光影响的目标区域，得到该目标区域的灰度直方图，对该目标区域的灰度直方图进行平滑得到目标区域平滑后的灰度直方图；
利用目标区域平滑后的灰度直方图中波峰两侧相邻灰度级的曲率拟合出新的波峰，利用高斯拟合算法对目标区域平滑后的灰度直方图及新的波峰进行拟合得到目标区域的拟合后的灰度直方图；
计算目标区域拟合后的灰度直方图曲线中两波谷之间的面积及目标区域平滑后的灰度直方图中的像素点个数，利用两者差值的绝对值获得受反光影响的区域像素点个数；
所述受反光影响的区域像素点个数的方法如下：
Figure DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE004
为目标区域拟合后的灰度直方图曲线的正态分布函数F（x，y）在
Figure DEST_PATH_IMAGE006
到
Figure DEST_PATH_IMAGE008
之间面积，
Figure DEST_PATH_IMAGE010
则为目标区域平滑后的灰度直方图
Figure DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE014
之间的像素个数累加和，
Figure DEST_PATH_IMAGE016
为任意灰度级q中像素点个数，
Figure 618781DEST_PATH_IMAGE012
和
Figure 960900DEST_PATH_IMAGE014
分别表示目标区域平滑后的灰度直方图左侧波谷和右侧波谷，
Figure 482011DEST_PATH_IMAGE006
和
Figure 184257DEST_PATH_IMAGE008
分别表示拟合后的灰度直方图左侧波谷和右侧波谷，
Figure DEST_PATH_IMAGE018
表示石料反光区域的像素点个数，[
Figure 61208DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE020
]与[
Figure 761180DEST_PATH_IMAGE012
，
Figure 35167DEST_PATH_IMAGE014
]为同一区间；
根据石料反光区域像素点个数对石料边缘线进行修复，得到石料分割的真实边缘线，按照该真实边缘线对石料进行切割。
2.根据权利要求1所述的 一种基于异性石料的切割优化方法，其特征在于，所述石料边缘线是按如下方式得到的：
遍历获得该列滑窗像素点灰度值的累加函数图像；
获取累加函数图像中的所有灰度突变点；
将相邻滑窗相距最近的两个灰度突变点相连接得到石料边缘线。
3.根据权利要求1所述的 一种基于异性石料的切割优化方法，其特征在于，所述目标区域灰度直方图是按如下方式得到的：
利用目标区域的灰度级及灰度级所对应的个数得到目标区域灰度直方图。
4.根据权利要求1所述的 一种基于异性石料的切割优化方法，其特征在于，所述新的波峰是按如下方式得到的：
获取目标区域平滑后的灰度直方图波峰左侧两两相邻点所在直线平均斜率差的和及其起始点和终止点的横坐标差值得到拟合的灰度直方图左侧波峰；
获取目标区域平滑后的灰度直方图波峰右侧两两相邻点所在直线平均斜率差的和及其起始点和终止点的横坐标差值得到拟合的灰度直方图右侧波峰；
对左侧波峰及右侧波峰求均值，得到新的波峰。
5.根据权利要求1所述的 一种基于异性石料的切割优化方法，其特征在于，所述拟合后的灰度直方图是按如下方式得到的：
获取新的波峰的位置及目标区域平滑后的灰度直方图左侧波谷和右侧波谷的半宽值；
利用目标区域平滑后的灰度直方图上的任意灰度级、新的波峰位置及该半宽值得到拟合后的灰度直方图。
6.根据权利要求1所述的 一种基于异性石料的切割优化方法，其特征在于，所述石料分割的真实边缘线是按如下方式得到的：
获取若干已知石料边缘图像；
利用训练神经网络输入已知若干石料边缘图像，训练集正常记忆每张图像的石料边缘；
利用伪边缘线及正常记忆每张图像的石料边缘对伪边缘线进行修复，得到石料分割的真实边缘线。
7.一种基于异性石料的切割优化系统，其特征在于，包括：
图像采集模块：采集石料截面图像并处理得到石料灰度图像；
石料边缘线获取模块：设置单列滑窗，并垂直于石料边缘线，沿着水平方向从左往右对石料灰度图像中每一列像素点进行遍历，获取每一列灰度突变点，将相邻滑窗相距最近的两个突变点相连接得到石料边缘线；
石料伪边缘线判断模块：若石料边缘线上未连续出现任意一段像素点灰度值高于其他部分像素点灰度值，则石料边缘线为真实边缘线，按照该真实边缘线对石料进行切割，若石料边缘线上连续出现任意一段高于其他部分灰度值的像素点，该石料边缘线受反光影响，存在伪边缘线，执行下一步；
灰度直方图拟合模块：利用石料边缘线将石料截面图像分割为两个不同区域，获取该两个区域中受反光影响的目标区域，得到该目标区域的灰度直方图，对该目标区域的灰度直方图进行平滑得到目标区域平滑后的灰度直方图；
利用目标区域平滑后的灰度直方图中波峰两侧相邻灰度级的曲率拟合出新的波峰，利用高斯拟合算法对目标区域平滑后的灰度直方图及新的波峰进行拟合得到目标区域的拟合后的灰度直方图；
受反光影响的区域像素点个数获取模块：计算目标区域拟合后的灰度直方图曲线中两波谷之间的面积及目标区域平滑后的灰度直方图中的像素点个数，利用两者差值的绝对值获得受反光影响的区域像素点个数；
所述受反光影响的区域像素点个数的方法如下：
Figure DEST_PATH_IMAGE002A
式中：
Figure 633114DEST_PATH_IMAGE004
为目标区域拟合后的灰度直方图曲线的正态分布函数F（x，y）在
Figure 410577DEST_PATH_IMAGE006
到
Figure 94499DEST_PATH_IMAGE008
之间面积，
Figure 75356DEST_PATH_IMAGE010
则为目标区域平滑后的灰度直方图
Figure 870136DEST_PATH_IMAGE012
和
Figure 16953DEST_PATH_IMAGE014
之间的像素个数累加和，
Figure 606197DEST_PATH_IMAGE016
为任意灰度级q中像素点个数，
Figure 608438DEST_PATH_IMAGE012
和
Figure 206909DEST_PATH_IMAGE014
分别表示目标区域平滑后的灰度直方图左侧波谷和右侧波谷，
Figure 942653DEST_PATH_IMAGE006
和
Figure 968378DEST_PATH_IMAGE008
分别表示拟合后的灰度直方图左侧波谷和右侧波谷，
Figure 438674DEST_PATH_IMAGE018
表示石料反光区域的像素点个数，[
Figure 325989DEST_PATH_IMAGE006
，
Figure 666972DEST_PATH_IMAGE020
]与[
Figure 378445DEST_PATH_IMAGE012
，
Figure 70457DEST_PATH_IMAGE014
]为同一区间；
石料真实边缘线获取模块：根据石料反光区域像素点个数对石料边缘线进行修复，得到石料分割的真实边缘线，按照该真实边缘线对石料进行切割。
CN202210784671.6A 2022-07-06 2022-07-06 一种基于异性石料的切割优化方法及系统 Active CN114862880B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210784671.6A CN114862880B (zh) 2022-07-06 2022-07-06 一种基于异性石料的切割优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210784671.6A CN114862880B (zh) 2022-07-06 2022-07-06 一种基于异性石料的切割优化方法及系统

Publications (2)

Publication Number Publication Date
CN114862880A CN114862880A (zh) 2022-08-05
CN114862880B true CN114862880B (zh) 2022-09-02

Family

ID=82625704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210784671.6A Active CN114862880B (zh) 2022-07-06 2022-07-06 一种基于异性石料的切割优化方法及系统

Country Status (1)

Country Link
CN (1) CN114862880B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345893B (zh) * 2022-09-15 2023-02-21 吉林大学中日联谊医院 基于图像处理的卵巢组织癌变区域分割方法
CN115294112B (zh) * 2022-09-30 2023-04-14 南通爱唯家用纺织品有限公司 一种竹席切割装置的控制方法
CN115375685B (zh) * 2022-10-25 2023-03-24 临沂天元混凝土工程有限公司 用于混凝土原料中的砂石粒径异常检测方法
CN115661120B (zh) * 2022-11-14 2023-03-10 江西捷锐机电设备有限公司 一种用于数控金钢线剖锭机的切割质量检测方法
CN116168027B (zh) * 2023-04-24 2023-07-04 山东交通学院 基于视觉定位的木工机械智能切割方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103364410A (zh) * 2013-07-23 2013-10-23 三峡大学 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法
US20190392585A1 (en) * 2018-06-26 2019-12-26 Beijing Smarter Eye Technology Co. Ltd. Image edge extraction method and device, and automated driving system
CN111260616A (zh) * 2020-01-13 2020-06-09 三峡大学 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法
CN112396617A (zh) * 2018-12-27 2021-02-23 浙江大学台州研究院 仪表视觉读数监测系统的抗干扰方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103364410A (zh) * 2013-07-23 2013-10-23 三峡大学 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法
US20190392585A1 (en) * 2018-06-26 2019-12-26 Beijing Smarter Eye Technology Co. Ltd. Image edge extraction method and device, and automated driving system
CN112396617A (zh) * 2018-12-27 2021-02-23 浙江大学台州研究院 仪表视觉读数监测系统的抗干扰方法
CN111260616A (zh) * 2020-01-13 2020-06-09 三峡大学 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Energy-Efficient Many-Objective Virtual Machine Placement Optimization in a Cloud Computing Environment";XIN YE 等;《IEEE》;20170731;全文 *
"基于机器视觉的块矸石含煤率在线检测方法研究";周德炀;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》;20220315;全文 *
"高性能混凝土配合比试验与研究";尹彦丽;《山西建筑》;20050531;第31卷(第10期);全文 *

Also Published As

Publication number Publication date
CN114862880A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN114862880B (zh) 一种基于异性石料的切割优化方法及系统
CN110390669B (zh) 一种桥梁图像中裂缝的检测方法
CN108132017B (zh) 一种基于激光视觉系统的平面焊缝特征点提取方法
US8462992B2 (en) Method of change detection for building models
CN109443480B (zh) 基于图像处理的水位标尺定位及水位测量方法
CN111784657A (zh) 一种基于数字图像的水泥路面病害自动识别的系统及方法
CN114723681A (zh) 一种基于机器视觉的混凝土裂缝缺陷检测方法
CN110188778B (zh) 基于影像提取结果的居民区要素轮廓规则化方法
CN111241994B (zh) 一种深度学习的遥感影像农村公路砂化路段的提取方法
CN107871133B (zh) 边缘检测网络的优化方法、路面病害的识别方法及系统
CN115082431B (zh) 一种pcb板表面缺陷检测方法
CN115359053A (zh) 一种金属板材缺陷智能检测方法及系统
CN113643276B (zh) 一种基于统计分析的纺织物纹理缺陷自动检测方法
CN103198468A (zh) 图像处理装置、图像处理方法和图像处理系统
CN116309600A (zh) 基于图像处理的环保纺织品质量检测方法
CN115511842A (zh) 一种基于机器视觉的电缆绝缘表皮破损检测方法
EP0855667A2 (en) Method for extracting highlevel features for fingerprint recognition
CN111968079A (zh) 基于断面局部极值及分段稀疏的三维路面裂缝提取方法
CN116703911A (zh) 一种led灯生产质量检测系统
CN112508913A (zh) 基于图像检测的电缆截面边沿检测方法
CN115937518A (zh) 一种基于多源图像融合的路面病害识别方法及系统
CN117036357B (zh) 基于视觉特征的型钢表面缺陷检测方法
Jitprasithsiri Development of a new digital pavement image processing algorithm for unified crack index computation
CN102842131A (zh) 一种监测目标物体缺陷的方法及设备
CN115359449A (zh) 一种转辙机道岔缺口图像的自动识别方法和系统

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