CN114882116A - 一种丝杠弯曲定位及校直方法及系统 - Google Patents

一种丝杠弯曲定位及校直方法及系统 Download PDF

Info

Publication number
CN114882116A
CN114882116A CN202210812086.2A CN202210812086A CN114882116A CN 114882116 A CN114882116 A CN 114882116A CN 202210812086 A CN202210812086 A CN 202210812086A CN 114882116 A CN114882116 A CN 114882116A
Authority
CN
China
Prior art keywords
degree
bending
crest
lead screw
obtaining
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
CN202210812086.2A
Other languages
English (en)
Other versions
CN114882116B (zh
Inventor
朱苹
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.)
Dehaha Compressor Jiangsu Co ltd
Original Assignee
Nantong Hengrui Precision Machinery Manufacturing 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 Hengrui Precision Machinery Manufacturing Co ltd filed Critical Nantong Hengrui Precision Machinery Manufacturing Co ltd
Priority to CN202210812086.2A priority Critical patent/CN114882116B/zh
Publication of CN114882116A publication Critical patent/CN114882116A/zh
Application granted granted Critical
Publication of CN114882116B publication Critical patent/CN114882116B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • G06T7/73Determining position or orientation of objects or cameras using feature-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/40Analysis of texture
    • G06T7/41Analysis of texture based on statistical description of texture
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30164Workpiece; Machine component
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Bending Of Plates, Rods, And Pipes (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域,具体涉及一种丝杠弯曲定位及校直方法及系统。该方法通过频谱图像中的频谱纹理特征和标准纹理特征的差异对丝杆进行异常程度判定。根据异常程度判定弯曲丝杠图像。通过对弯曲丝杠图像的边缘像素点进行分析,获得牙顶边缘及牙顶边缘长度序列。与以合格丝杆牙顶宽度作为标准,获得牙顶边缘长度序列中的异常值,通过异常值位置获得最大弯曲位置。进一步根据异常值大小和合格丝杆的牙顶宽度牙底宽度获得弯曲程度。根据弯曲程度控制丝杆校直机器的运行参数,对最大弯曲位置进行校直处理。本发明通过频谱图像特征和相机成像特征实现自动化丝杆弯曲检测,并根据弯曲程度对校直机器进行合理的控制。

Description

一种丝杠弯曲定位及校直方法及系统
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种丝杠弯曲定位及校直方法及系统。
背景技术
丝杠生产过程中,由于制造设备的参数影响,丝杆容易出现弯曲现象。因此在丝杠生产工艺中除毛胚工序外,在粗加工以及半精加工阶段都需要进行校直,以减少工件的弯曲度,使机械加工余量均匀。
现有的确定丝杠局部弯曲位置或者多处小型弯曲的方法主要为手工校直,通过人工确定弯曲位置,但是由于校直环节在丝杠的生产过程中需要进行的次数较多,仅凭人工检测并不能满足实际中的生产需求。而现有的自动校直机器适用于丝杠出现整体弯曲的情况,且仍需要人工参与,通过目测判断校直效果,效率低且容易出现误判漏判现象。
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丝杠弯曲定位及校直方法及系统,所采用的技术方案具体如下:
本发明提出了一种丝杠弯曲定位及校直方法,所述方法包括:
将丝杠平衡放置,采集丝杠图像;将所述丝杠图像转换至频域中,获得丝杠频谱图像;
根据所述丝杠频谱图像中像素点的像素值和像素点的位置获得频谱纹理特征;获得合格丝杠的标准频谱纹理特征;根据所述频谱纹理特征与所述标准频谱纹理特征的差异获得异常程度;若所述异常程度大于预设概率阈值,则认为所述丝杠图像为弯曲丝杠图像;
获得所述弯曲丝杠图像中的边缘像素点;根据所述边缘像素点的坐标信息获得牙顶边缘;根据所述牙顶边缘的长度获得牙顶边缘长度序列;
获得所述合格丝杠的牙顶宽度和牙底宽度;以所述牙顶宽度为标准获得所述牙顶边缘长度序列中的异常值,以最小的所述异常值对应的位置作为最大弯曲位置;根据最小的所述异常值、所述牙顶宽度和所述牙底宽度获得弯曲程度;
根据所述弯曲程度控制丝杆校直机器的运行参数,对所述最大弯曲位置进行校直处理。
进一步地,所述采集丝杠图像包括:
采集丝杠的初始丝杠图像;将所述初始丝杠图像输入预先训练好的丝杠分割网络中去除背景信息,获得仅包含丝杠信息的所述丝杠图像。
进一步地,所述根据所述丝杠频谱图像中像素点的像素值和像素点的位置获得频谱纹理特征包括:
根据频谱纹理特征公式获得所述频谱纹理特征;所述频谱纹理特征公式包括:
Figure 468441DEST_PATH_IMAGE001
其中,
Figure 838112DEST_PATH_IMAGE002
为所述频谱纹理特征,
Figure 555532DEST_PATH_IMAGE003
为所述丝杠频谱图像的像素点个数,
Figure 639157DEST_PATH_IMAGE004
为第
Figure 656791DEST_PATH_IMAGE005
个像素点在图像坐标系中的坐标,
Figure 807150DEST_PATH_IMAGE006
为第
Figure 759669DEST_PATH_IMAGE005
个像素点的像素值。
进一步地,所述根据所述频谱纹理特征与所述标准频谱纹理特征的差异获得异常程度包括:
根据异常程度公式获得所述异常程度;所述异常程度公式包括:
Figure 896252DEST_PATH_IMAGE007
其中,
Figure 752082DEST_PATH_IMAGE008
为所述异常程度,
Figure 948708DEST_PATH_IMAGE009
为所述频谱纹理特征,
Figure 657032DEST_PATH_IMAGE010
为所述标准频谱纹理特征。
进一步地,所述根据所述边缘像素点的坐标信息获得牙顶边缘包括:
获得所述边缘像素点在像素坐标系中的纵坐标;统计每个所述纵坐标对应的所述边缘像素点个数;根据所述纵坐标和所述边缘像素点个数进行一维高斯混合模型拟合,获得高斯混合模型中的多个子高斯模型;以数学期望最小的所述子高斯模型作为牙顶高斯模型;以所述纵坐标为所述牙顶高斯模型的数学期望的所述边缘像素点作为牙顶边缘像素点,获得所述牙顶边缘。
进一步地,所述以所述牙顶宽度为标准获得所述牙顶边缘长度序列中的异常值,以最小的所述异常值对应的位置作为最大弯曲位置包括:
将连续分布的所述异常值分为一组,获得多个连续异常边缘组;以组内元素数量最多的所述连续异常边缘组作为参考异常边缘组;以所述参考异常边缘组内最小的所述异常值对应的所述牙顶边缘的中心点位置作为所述最大弯曲位置。
进一步地,所述根据最小的所述异常值、所述牙顶宽度和所述牙底宽度获得弯曲程度包括:
根据弯曲程度公式获得所述弯曲程度;所述弯曲程度公式包括:
Figure 597306DEST_PATH_IMAGE011
其中,
Figure 448587DEST_PATH_IMAGE012
为所述弯曲程度,
Figure 581496DEST_PATH_IMAGE013
为所述参考异常边缘组内的所述牙顶边缘的长度,
Figure 26383DEST_PATH_IMAGE014
为所述牙顶宽度,
Figure 488458DEST_PATH_IMAGE015
为所述牙底宽度,
Figure 335191DEST_PATH_IMAGE016
为所述参考异常边缘组内的元素数量。
进一步地,所述根据所述弯曲程度控制丝杆校直机器的运行参数,对所述最大弯曲位置进行校直处理后还包括:
在校直处理过程后继续检测丝杆的异常程度;若所述异常程度仍大于所述概率阈值,则继续检测所述弯曲程度和所述最大弯曲位置并进行校直处理,直到所述异常程度不大于所述概率阈值。
本发明还提出一种丝杠弯曲定位及校直系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种丝杠弯曲定位及校直方法的步骤。
本发明具有如下有益效果:
本发明实施例通过频谱图像的像素特征判断当前丝杆的异常程度。基于频谱图像分析过程简单快速,能够以合格丝杆的频谱图像作为标准,获得参考性强的异常程度。进一步考虑到弯曲丝杆对相机成像的影响,即近大远小,弯曲部分会导致图像中丝杆牙顶宽度发生变化,因此通过合格丝杆的牙顶宽度与牙顶边缘长度的对比可筛选出异常值,即异常牙顶边缘,进而获得准确的最大弯曲位置。通过获得的弯曲程度控制丝杆校直机器的运行参数,使其能够针对最大弯曲位置进行有效的校直处理,提高了校直效率,避免造成二次弯曲。
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为本发明一个实施例所提供的一种丝杠弯曲定位及校直方法流程图;
图2为本发明一个实施例所提供的一种丝杆边缘示意图;
图3为本发明一个实施例所提供的一种丝杆示意图。
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效,以下结合附图及较佳实施例,对依据本发明提出的一种丝杠弯曲定位及校直方法及系统,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丝杠弯曲定位及校直方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种丝杠弯曲定位及校直方法流程图,该方法包括:
步骤S1:将丝杠平衡放置,采集丝杠图像;将丝杠图像转换至频域中,获得丝杠频谱图像。
根据先验知识可知,如果丝杆发生了弯曲,则其轴线会由直线变为曲线,重心会向下,因此当丝杆平衡放置且静止时,弯曲的凸起部分将会朝向正下方,当存在多个弯曲位置时,弯曲程度最大的凸起部分将会朝下正下方。因此可将相机部署在丝杆正上方,采集丝杆图像,因为丝杆弯曲会影响丝杆表面螺纹的纹理特征,并且因为凸起部分朝下,距离相机较远,也会出现螺纹边缘近大远小的特征,因此可通过图像信息有效判断出弯曲位置和弯曲程度。
在相机采集丝杆图像信息时,会同样采集到大量的背景信息,在后续分析过程中仅分析丝杆图像信息,因此需要将背景信息去除。相机采集到丝杆的初始丝杆图像后,将初始丝杆图像输入预先训练好的丝杠分割网络中去除背景信息,获得仅包含丝杠信息的丝杠图像,在本发明实施例中,丝杆分割网络的具体训练方法包括:
丝杆分割网络的具体训练方法包括:
(1)以包含丝杆的图像作为训练数据。将丝杆像素标注为1,其他像素标注为0,获得标签数据。
(2)丝杆分割网络采用编码-解码结构,将训练数据和标签数据归一化后输入至网络中。语义分割编码器用于提取输入数据的特征,获得特征图。语义分割编码器将特征图进行采样变换,输出分割结果。
(3)采用交叉熵损失函数对网络进行训练。
丝杆收到弯曲状态的影响,表面上的螺纹会发生变化,合格的丝杆表面螺纹为周期性分布,可类似与正弦波形,如果发生弯曲,会使得螺纹的周期发生变化,即丝杆表面纹理出现异常。为了方便纹理分析,可将丝杆图像转换至频域中进行分析,因为合格的丝杆表面螺纹可视为均匀分布的正弦波形,对应的频谱图像为存在两个关于图像中心点对称的高亮点。如果丝杆发生弯曲,则对应的丝杆频谱图像中的高亮点亮度会变弱,且在其他位置处会出现其他亮点,因此可根据频谱图像分析快速简单的获得当前丝杆的异常信息。
需要说明的是,将图像经过傅里叶变换后转换至频域中为本领域技术人员熟知的技术,在此不做赘述。
步骤S2:根据丝杠频谱图像中像素点的像素值和像素点的位置获得频谱纹理特征;获得合格丝杠的标准频谱纹理特征;根据频谱纹理特征与标准频谱纹理特征的差异获得异常程度;若异常程度大于预设概率阈值,则认为丝杠图像为弯曲丝杠图像。
根据丝杠频谱图像中像素点的像素值和像素点的位置获得频谱纹理特征包括:
根据频谱纹理特征公式获得频谱纹理特征;频谱纹理特征公式包括:
Figure 358773DEST_PATH_IMAGE017
其中,
Figure 25378DEST_PATH_IMAGE002
为频谱纹理特征,
Figure 556722DEST_PATH_IMAGE003
为丝杠频谱图像的像素点个数,
Figure 992382DEST_PATH_IMAGE004
为第
Figure 183936DEST_PATH_IMAGE005
个像素点在图像坐标系中的坐标,
Figure 337837DEST_PATH_IMAGE006
为第
Figure 407293DEST_PATH_IMAGE005
个像素点的像素值。
频谱纹理特征公式中,
Figure 697460DEST_PATH_IMAGE018
表示像素点到图像原点的距离,图像原点即频谱图像的中心点。
Figure 328424DEST_PATH_IMAGE006
表示像素点的亮度特征,亮度越大,对应的像素值越大。
对于合格丝杆的频谱图像而言,频谱图像中仅包含两个对称的高亮点,对应的标准频谱纹理特征固定。一旦丝杆出现弯曲,则丝杆频谱图像中亮点的分布随机且亮度不均匀,对应的频谱纹理特征与标准频谱纹理特征相比会存在较大的差异,因此可根据频谱纹理特征与标准频谱纹理特征的差异获得异常程度,具体包括:
根据异常程度公式获得异常程度;异常程度公式包括:
Figure 94254DEST_PATH_IMAGE007
其中,
Figure 311609DEST_PATH_IMAGE008
为异常程度,
Figure 616469DEST_PATH_IMAGE009
为频谱纹理特征,
Figure 667602DEST_PATH_IMAGE010
为标准频谱纹理特征。如果
Figure 779783DEST_PATH_IMAGE009
Figure 941774DEST_PATH_IMAGE010
相似,则对应的比值更接近1,异常程度越接近0。如果
Figure 691687DEST_PATH_IMAGE009
Figure 913721DEST_PATH_IMAGE010
差异过大,则对应的比值与1的差异越大,异常程度越大。
设定概率阈值,若异常程度大于预设概率阈值,则认为丝杠图像为弯曲丝杠图像。否则可认为当前的异常程度形成原因为数据误差导致或者当前丝杆的状态在合格范围内。
在本发明实施例中,概率阈值设置为0.6。
步骤S3:获得弯曲丝杠图像中的边缘像素点;根据边缘像素点的坐标信息获得牙顶边缘;根据牙顶边缘的长度获得牙顶边缘长度序列。
如果认定当前丝杆图像为弯曲丝杆图像,则可继续对弯曲丝杆图像中的边缘信息进行分析,确定弯曲的位置。
因为相机的位置是固定的,丝杆平衡静置,因此弯曲造成的凸起部分会朝向正下方,即离相机位置较远,会出现近大远小的成像关系,在图像中会存在异常的边缘信息。
在本发明实施例中,通过Canny算子获得弯曲丝杆图像中的边缘像素点。请参阅图2,其示出了本发明一个实施例所提供的一种丝杆边缘示意图。因为丝杆表面的螺纹颜色与螺纹底部区别不明显,因此在边缘检测过程中,螺纹顶部和底部的边缘特征更加明显,在后续边缘分析过程中仅分析顶部和底部的边缘像素点。其中A表示丝杆螺纹的牙顶,B表示丝杆螺纹的牙底。对于合格的丝杆而言,牙顶和牙底的宽度为固定值,每条螺纹的牙顶和牙底的宽度都不会发生变化。对于弯曲的丝杆而言,因为近大远小的成像特征,牙顶和牙底的宽度会出现异常,导致图像中的宽度变小。因为牙顶的边缘像素点特征更加明显,因此可获得牙顶边缘像素点,用于后续分析,具体包括:
获得边缘像素点在像素坐标系中的纵坐标。统计每个纵坐标对应的边缘像素点个数。可根据纵坐标和边缘像素点的个数构建直方图。在直方图中存在四个峰值点,依次为上方牙顶、上方牙底、下方牙顶和下方牙底。需要说明的是,在实际情况中,牙顶与牙底之间的边缘像素点数量较少,因此不存在峰值。以上方牙顶作为分析依据,根据纵坐标和边缘像素点个数进行一维高斯混合模型拟合,获得高斯混合模型中的多个子高斯模型。因为像素坐标系的原点在图像左上角,因此以数学期望最小的子高斯模型作为牙顶高斯模型。以纵坐标为牙顶高斯模型的数学期望的边缘像素点作为牙顶边缘像素点,获得牙顶边缘。请参阅图3,其示出了本发明一个实施例所提供的一种丝杆示意图,则所获得的牙顶边缘长度可用于表示丝杆螺纹牙顶的宽度。根据牙顶边缘长度获得牙顶边缘长度序列。
步骤S4:获得合格丝杠的牙顶宽度和牙底宽度;以牙顶宽度为标准获得牙顶边缘长度序列中的异常值,以最小的异常值对应的位置作为最大弯曲位置;根据最小的异常值、牙顶宽度和牙底宽度获得弯曲程度。
根据相机高度和成像参数可获得合格丝杆的牙顶和牙底在图像中的牙顶宽度和牙底宽度。因此可以牙顶宽度作为标准,获得牙顶边缘长度序列中的异常值,即与牙顶宽度不相等的牙顶边缘长度为异常值。
优选的,考虑到丝杆上可能会存在多处弯曲,即存在多处连续的异常值分布,因此将连续分布的异常值分为一组,获得多个连续异常边缘组。以组内元素数量最多的连续异常边缘组作为参考异常边缘组,将参考异常边缘组对应的位置优先校直,以参考异常边缘组内最小的异常值对应的牙顶边缘的中心点位置作为最大弯曲位置。
丝杆的弯曲位置弯曲程度越大,则对应的凸起部分距离相机越远,近大远小效果越明显,因此可根据最小的异常值、牙顶宽度和牙底宽度获得弯曲程度,具体包括:
根据弯曲程度公式获得弯曲程度。弯曲程度公式包括:
Figure 778777DEST_PATH_IMAGE019
其中,
Figure 744459DEST_PATH_IMAGE012
为弯曲程度,
Figure 611528DEST_PATH_IMAGE013
为参考异常边缘组内的牙顶边缘的长度,
Figure 4463DEST_PATH_IMAGE014
为牙顶宽度,
Figure 91237DEST_PATH_IMAGE015
为牙底宽度,
Figure 860610DEST_PATH_IMAGE016
为参考异常边缘组内的元素数量。
弯曲程度公式中,
Figure 850693DEST_PATH_IMAGE020
表示丝杆弯曲位置的凸起程度,丝杆越弯曲,凸起程度越大,则弯曲程度越大。
Figure 539164DEST_PATH_IMAGE021
表示最大弯曲位置影响的丝杆长度,即弯曲范围,考虑到弯曲范围越长,则后续校直过程中机器施加的压力越小,因此结合弯曲范围进行负相关映射。
步骤S5:根据弯曲程度控制丝杆校直机器的运行参数,对最大弯曲位置进行校直处理。
可根据弯曲程度控制丝杆校直机器的运行参数,即弯曲程度越大,则丝杆校直机器在最大弯曲位置处施加的压力越大。在本发明实施例中,因为步骤S1将丝杆平衡静置,因此在校直过程中需要将丝杆旋转180°并固定,使其弯曲凸起部分朝向正上方,通过历史数据库中获得弯曲程度对应的丝杆校直机器合适的压力值,通过对丝杆最大弯曲位置处进行合理的施压,完成校直处理。
为了进一步提高校直效果,避免校直过程中的失误导致丝杆校直不彻底或者二次弯曲,在校直处理过程后继续检测丝杆的异常程度。若异常程度仍大于概率阈值,则继续检测弯曲程度和最大弯曲位置并进行校直处理,直到异常程度不大于概率阈值。
综上所述,本发明实施例通过频谱图像中的频谱纹理特征和标准纹理特征的差异对丝杆进行异常程度判定。根据异常程度判定弯曲丝杠图像。通过对弯曲丝杠图像的边缘像素点进行分析,获得牙顶边缘及牙顶边缘长度序列。与以合格丝杆牙顶宽度作为标准,获得牙顶边缘长度序列中的异常值,通过异常值位置获得最大弯曲位置。进一步根据异常值大小和合格丝杆的牙顶宽度牙底宽度获得弯曲程度。根据弯曲程度控制丝杆校直机器的运行参数,对最大弯曲位置进行校直处理。本发明实施例通过频谱图像特征和相机成像特征实现自动化丝杆弯曲检测,并根据弯曲程度对校直机器进行合理的控制。
本发明还提出一种丝杠弯曲定位及校直系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种丝杠弯曲定位及校直方法的步骤。
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。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)

1.一种丝杠弯曲定位及校直方法,其特征在于,所述方法包括:
将丝杠平衡放置,采集丝杠图像;将所述丝杠图像转换至频域中,获得丝杠频谱图像;
根据所述丝杠频谱图像中像素点的像素值和像素点的位置获得频谱纹理特征;获得合格丝杠的标准频谱纹理特征;根据所述频谱纹理特征与所述标准频谱纹理特征的差异获得异常程度;若所述异常程度大于预设概率阈值,则认为所述丝杠图像为弯曲丝杠图像;
获得所述弯曲丝杠图像中的边缘像素点;根据所述边缘像素点的坐标信息获得牙顶边缘,包括:
获得所述边缘像素点在像素坐标系中的纵坐标;统计每个所述纵坐标对应的所述边缘像素点个数;根据所述纵坐标和所述边缘像素点个数进行一维高斯混合模型拟合,获得高斯混合模型中的多个子高斯模型;以数学期望最小的所述子高斯模型作为牙顶高斯模型;以所述纵坐标为所述牙顶高斯模型的数学期望的所述边缘像素点作为牙顶边缘像素点,获得所述牙顶边缘;
根据所述牙顶边缘的长度获得牙顶边缘长度序列;
获得所述合格丝杠的牙顶宽度和牙底宽度;以所述牙顶宽度为标准获得所述牙顶边缘长度序列中的异常值,以最小的所述异常值对应的位置作为最大弯曲位置;根据最小的所述异常值、所述牙顶宽度和所述牙底宽度获得弯曲程度;
根据所述弯曲程度控制丝杆校直机器的运行参数,对所述最大弯曲位置进行校直处理。
2.根据权利要求1所述的一种丝杠弯曲定位及校直方法,其特征在于,所述采集丝杠图像包括:
采集丝杠的初始丝杠图像;将所述初始丝杠图像输入预先训练好的丝杠分割网络中去除背景信息,获得仅包含丝杠信息的所述丝杠图像。
3.根据权利要求1所述的一种丝杠弯曲定位及校直方法,其特征在于,所述根据所述丝杠频谱图像中像素点的像素值和像素点的位置获得频谱纹理特征包括:
根据频谱纹理特征公式获得所述频谱纹理特征;所述频谱纹理特征公式包括:
Figure DEST_PATH_IMAGE001
其中,
Figure 220808DEST_PATH_IMAGE002
为所述频谱纹理特征,
Figure 276095DEST_PATH_IMAGE003
为所述丝杠频谱图像的像素点个数,
Figure 104374DEST_PATH_IMAGE004
为第
Figure 353958DEST_PATH_IMAGE005
个像素点在图像坐标系中的坐标,
Figure 900477DEST_PATH_IMAGE006
为第
Figure 762385DEST_PATH_IMAGE005
个像素点的像素值。
4.根据权利要求1所述的一种丝杠弯曲定位及校直方法,其特征在于,所述根据所述频谱纹理特征与所述标准频谱纹理特征的差异获得异常程度包括:
根据异常程度公式获得所述异常程度;所述异常程度公式包括:
Figure 710750DEST_PATH_IMAGE007
其中,
Figure 68919DEST_PATH_IMAGE008
为所述异常程度,
Figure 102734DEST_PATH_IMAGE009
为所述频谱纹理特征,
Figure 759544DEST_PATH_IMAGE010
为所述标准频谱纹理特征。
5.根据权利要求1所述的一种丝杠弯曲定位及校直方法,其特征在于,所述以所述牙顶宽度为标准获得所述牙顶边缘长度序列中的异常值,以最小的所述异常值对应的位置作为最大弯曲位置包括:
将连续分布的所述异常值分为一组,获得多个连续异常边缘组;以组内元素数量最多的所述连续异常边缘组作为参考异常边缘组;以所述参考异常边缘组内最小的所述异常值对应的所述牙顶边缘的中心点位置作为所述最大弯曲位置。
6.根据权利要求5所述的一种丝杠弯曲定位及校直方法,其特征在于,所述根据最小的所述异常值、所述牙顶宽度和所述牙底宽度获得弯曲程度包括:
根据弯曲程度公式获得所述弯曲程度;所述弯曲程度公式包括:
Figure 562415DEST_PATH_IMAGE011
其中,
Figure 888223DEST_PATH_IMAGE012
为所述弯曲程度,
Figure DEST_PATH_IMAGE013
为所述参考异常边缘组内的所述牙顶边缘的长度,
Figure 674913DEST_PATH_IMAGE014
为所述牙顶宽度,
Figure 613044DEST_PATH_IMAGE015
为所述牙底宽度,
Figure 801580DEST_PATH_IMAGE016
为所述参考异常边缘组内的元素数量。
7.根据权利要求1所述的一种丝杠弯曲定位及校直方法,其特征在于,所述根据所述弯曲程度控制丝杆校直机器的运行参数,对所述最大弯曲位置进行校直处理后还包括:
在校直处理过程后继续检测丝杆的异常程度;若所述异常程度仍大于所述概率阈值,则继续检测所述弯曲程度和所述最大弯曲位置并进行校直处理,直到所述异常程度不大于所述概率阈值。
8.一种丝杠弯曲定位及校直系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~7任意一项所述方法的步骤。
CN202210812086.2A 2022-07-12 2022-07-12 一种丝杠弯曲定位及校直方法及系统 Active CN114882116B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210812086.2A CN114882116B (zh) 2022-07-12 2022-07-12 一种丝杠弯曲定位及校直方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210812086.2A CN114882116B (zh) 2022-07-12 2022-07-12 一种丝杠弯曲定位及校直方法及系统

Publications (2)

Publication Number Publication Date
CN114882116A true CN114882116A (zh) 2022-08-09
CN114882116B CN114882116B (zh) 2022-09-06

Family

ID=82683226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210812086.2A Active CN114882116B (zh) 2022-07-12 2022-07-12 一种丝杠弯曲定位及校直方法及系统

Country Status (1)

Country Link
CN (1) CN114882116B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393657A (zh) * 2022-10-26 2022-11-25 金成技术股份有限公司 基于图像处理的金属管材生产异常识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787492A (zh) * 2016-04-01 2016-07-20 电子科技大学 基于均值采样的局部三值模式纹理特征提取方法
CN114372982A (zh) * 2022-03-22 2022-04-19 山东泗水金阳光纸业有限公司 一种无碳复写纸生产异常检测方法
CN114677684A (zh) * 2022-03-23 2022-06-28 平安普惠企业管理有限公司 扭曲图像校正方法、装置、设备及计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787492A (zh) * 2016-04-01 2016-07-20 电子科技大学 基于均值采样的局部三值模式纹理特征提取方法
CN114372982A (zh) * 2022-03-22 2022-04-19 山东泗水金阳光纸业有限公司 一种无碳复写纸生产异常检测方法
CN114677684A (zh) * 2022-03-23 2022-06-28 平安普惠企业管理有限公司 扭曲图像校正方法、装置、设备及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙伟: "并联式齿轮轴校直机运动学研究及仿真分析", 《南方农机》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393657A (zh) * 2022-10-26 2022-11-25 金成技术股份有限公司 基于图像处理的金属管材生产异常识别方法

Also Published As

Publication number Publication date
CN114882116B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN113658133B (zh) 一种基于图像处理的齿轮表面缺陷检测方法及系统
CN116934740B (zh) 基于图像处理的塑料模具表面缺陷分析检测方法
CN107705314B (zh) 一种基于灰度分布的多物体图像分割方法
CN109544562B (zh) 基于图像的钢筋端面自动识别计数算法
CN109993154B (zh) 变电站单指针式六氟化硫型仪表智能识别方法
CN118196068B (zh) 一种基于人工智能的纺织品印染质量监控系统
CN107292310A (zh) 一种圆形指针式表盘视觉定位及自动读数方法
CN105046252A (zh) 一种人民币冠字码识别方法
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
CN104346818B (zh) 一种机织物密度自动测量方法
CN102441581A (zh) 基于机器视觉的型钢断面尺寸在线检测的装置及方法
CN114882116B (zh) 一种丝杠弯曲定位及校直方法及系统
CN105550660A (zh) 一种机织物组织结构种类的识别方法
CN114240845B (zh) 一种应用于切削工件的光切法表面粗糙度测量方法
CN115018835B (zh) 一种汽车起动机齿轮检测方法
CN115661187B (zh) 用于中药制剂分析的图像增强方法
CN105389820A (zh) 一种基于倒谱的红外图像清晰度评价方法
CN116168037A (zh) 一种基于图像处理的导线压接弯曲度计算方法及系统
CN114998341A (zh) 一种基于模板匹配的齿轮缺陷检测方法及系统
CN114140416A (zh) 一种基于机器视觉的玻璃边缘检测方法和系统
CN115511884B (zh) 基于计算机视觉的冲孔复合模表面质量检测方法
CN112884694A (zh) 一种平面显示面板的缺陷检测方法、装置、设备及介质
CN111832565B (zh) 一种基于决策树的数码管识别方法
CN110838101B (zh) 一种基于边缘特性的图像分割质量评价方法
CN115471650A (zh) 一种气体压力仪表读数方法、装置、设备及介质

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230227

Address after: 226000 Wusi village, Huilong Town, Qidong City, Nantong City, Jiangsu Province

Patentee after: DEHAHA COMPRESSOR JIANGSU CO.,LTD.

Address before: 226000 group 5, Hexing Town, Huilong Town, Qidong City, Nantong City, Jiangsu Province

Patentee before: Nantong Hengrui Precision Machinery Manufacturing Co.,Ltd.