CN115240146B - 基于计算机视觉的机床装配智能验收方法 - Google Patents

基于计算机视觉的机床装配智能验收方法 Download PDF

Info

Publication number
CN115240146B
CN115240146B CN202211161468.XA CN202211161468A CN115240146B CN 115240146 B CN115240146 B CN 115240146B CN 202211161468 A CN202211161468 A CN 202211161468A CN 115240146 B CN115240146 B CN 115240146B
Authority
CN
China
Prior art keywords
workpiece
points
machine tool
gray
value
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
CN202211161468.XA
Other languages
English (en)
Other versions
CN115240146A (zh
Inventor
曹瑞金
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 Weili Cnc Machine Tool Co ltd
Original Assignee
Nantong Weili Cnc Machine Tool 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 Weili Cnc Machine Tool Co ltd filed Critical Nantong Weili Cnc Machine Tool Co ltd
Priority to CN202211161468.XA priority Critical patent/CN115240146B/zh
Publication of CN115240146A publication Critical patent/CN115240146A/zh
Application granted granted Critical
Publication of CN115240146B publication Critical patent/CN115240146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Multimedia (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及基于计算机视觉的机床装配智能验收方法。该方法是一种应用电子设备进行识别的方法，利用生产领域人工智能系统完成机床工件检测。首先利用相机获取机床工件表面图像，对机床工件表面图像进行数据处理得到噪声点和边缘点，由噪声点和边缘点进一步得到工件轮廓边缘点，得到工件实际尺寸，根据工件实际尺寸和机床数控系统输入的工件尺寸计算相对误差，判断机床工件是否合格。实现在在金属高光的影响下，精准的获取工件的尺寸参数，进而对机床工件进行合格判断的目的。

Description

基于计算机视觉的机床装配智能验收方法
技术领域
本发明涉及数据处理技术领域，具体涉及基于计算机视觉的机床装配智能验收方法。
背景技术
机床制造业是国家装备工业实力以及核心竞争力的重要体现。随着现代机械制造业的迅速发展，精密及超精密加工在机械制造中所占的比重越来越大，其中机床各零部件的设计加工和整机装配共同决定了最终机床的精度，而装配作为机床制造的最终环节，机床的装配精度对机床的性能有决定性的影响。
因此最终的机床装配验收尤为重要，而验收过程中对机床的试运转是检测机床装配质量的重中之重。根据加工出的实际工件参数与机床数控系统的输入参数，获取工件加工的精度误差，进而判断机床装配是否合格。
现有的工件尺寸测量方式主要通过千分表、直规、水平仪等测量工具进行，其测量精度低。以及通过机器视觉测量检测技术，这是一种非接触、精度高、速度快的测量方式，然而由于光照变化、设备振动、CCD传感器自身噪声等因素的影响，检测所采集到的图像会有噪声成分以及高光的影响。当前的去噪方式易造成图像部分边缘模糊，且边缘检测会受工件内高光区域边缘的影响，影响工件尺寸测量的精度，进而影响机床装配的验收。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于计算机视觉的机床装配智能验收方法，所采用的技术方案具体如下：
获取机床工件表面图像；根据像素点的邻域内像素点的灰度统计特征对像素点进行分类，得到噪声点和边缘点；对所述噪声点进行去噪处理；
根据窗口内中心像素点的灰度值进行粗略区分，计算去噪后的边缘点窗口内的像素灰度均值，提取中心像素点的灰度值大于像素灰度均值的边缘点作为第一类像素点，像素点灰度值小于等于像素灰度均值的边缘点作为第二类像素点；计算第一类像素点的灰度方差和第二类像素点的灰度方差之和作为方差和；根据所述方差和从边缘点中筛选出工件轮廓边缘点，工件轮廓边缘点的数量为工件实际尺寸；
根据工件实际尺寸和机床数控系统输入的工件尺寸计算相对误差，判断机床工件是否合格。
优选的，所述根据像素点的邻域内像素点的灰度统计特征对像素点进行分类，得到噪声点和边缘点，包括：
计算窗口内中心像素点与相邻的非中心像素点的灰度差值的绝对值，对灰度差值的绝对值从小到大进行排序，得到第一绝对值集合；计算所述第一绝对值集合的均值作为第一均值；
基于所述第一均值设定第一取值范围；
由第一绝对值集合中在第一取值范围内的绝对值构建第二绝对值集合；计算第二绝对值集合的均值作为第二均值；
计算所有窗口完全处于图像内的窗口的均值，由均值组成一个矩阵；计算所述矩阵的均值作为第三均值；以第三均值为阈值，判断窗口内中间行、中间列和两对角线四个线段上像素点的相似性；当四个线段对应的相似性均不为1时，窗口内的中心像素点为噪声点；当四个线段对应的相似性至少有一个为1时，窗口内的中心像素点为边缘点。
优选的，所述以第三均值为阈值，判断窗口内中间行、中间列和两对角线四个线段上像素点的相似性，包括：
所述相似性的计算公式为：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 563011DEST_PATH_IMAGE002
为中间行、中间列和两对角线这四个线段中第j个线段上的中心像素点与线段上各非中心像素点的灰度差异的均值；
Figure 623371DEST_PATH_IMAGE003
为第三均值。
优选的，所述对所述噪声点进行去噪处理，包括：
对于噪声点，取窗口内各非中心像素点与中心像素点的灰度差异大于预设第一阈值且小于预设第二阈值的边缘点的非中心像素点的灰度均值替换窗口内的中心像素点的灰度值。
优选的，所述根据所述方差和从边缘点中筛选出工件轮廓边缘点，包括：
计算所有去噪且粗略分割后的边缘点窗口内的方差和，所有方差和求均值得到方差和阈值；将方差和小于等于所述方差和阈值的边缘点作为工件轮廓边缘点。
优选的，所述根据工件实际尺寸和机床数控系统输入的工件尺寸计算相对误差，包括：
工件实际尺寸和标定系数相乘得到工件现实尺寸；
所述相对误差的计算公式为：
Figure 894821DEST_PATH_IMAGE004
其中，
Figure 100002_DEST_PATH_IMAGE005
为所述相对误差；
Figure 343120DEST_PATH_IMAGE006
为工件现实尺寸；
Figure 467065DEST_PATH_IMAGE007
为机床数控系统输入的工件尺寸。
优选的，所述根据工件实际尺寸和机床数控系统输入的工件尺寸计算相对误差，判断机床工件是否合格，包括：
当所述相对误差预设容许相对误差，则机床工件合格。
本发明实施例至少具有如下有益效果：
本发明通过图像内各像素点的邻域灰度值统计特性，对各像素点进行分类。对分出的噪声点进行处理，而非噪声点和边缘点不做处理，完成平滑工件表面和保护图像边缘的去噪处理。进而根据边缘点的特征进行分类，去除金属表面高光造成的边缘点，识别其中的工件轮廓边缘点，获取工件的尺寸参数，进而与机床数控系统输入的工件参数比较，计算实际工件的加工精度误差，判断机床装配是否能通过验收。
根据图像内各像素点的邻域像素灰度值统计特征，对像素点进行分类，只处理噪声点，较好保护图像边缘。
根据边缘点的邻域像素灰度值统计特征，对边缘点进行分类，识别工件轮廓边缘点，在金属高光的影响下，精准的获取工件的尺寸参数。
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基于计算机视觉的机床装配智能验收方法的方法流程图。
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基于计算机视觉的机床装配智能验收方法，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。
本发明实施例提供了基于计算机视觉的机床装配智能验收方法的具体实施方法，该方法适用于机床工件验收场景。该方法获取机床工件表面图像；根据像素点的邻域内像素点的灰度统计特征对像素点进行分类，得到噪声点和边缘点；对噪声点进行去噪处理；根据窗口内中心像素点的灰度值进行粗略区分，计算去噪后的边缘点窗口内的像素灰度均值，提取中心像素点的灰度值大于像素灰度均值的边缘点作为第一类像素点，像素点灰度值小于等于像素灰度均值的边缘点作为第二类像素点；计算第一类像素点的灰度方差和第二类像素点的灰度方差之和作为方差和；根据方差和从边缘点中筛选出工件轮廓边缘点，工件轮廓边缘点的数量为工件实际尺寸；根据工件实际尺寸和机床数控系统输入的工件尺寸计算相对误差，判断机床工件是否合格。
通过图像内各像素点的邻域灰度值统计特性，对各像素点进行分类。对分出的噪声点进行处理，而非噪声点和边缘点不做处理，完成平滑工件表面和保护图像边缘的去噪处理。进而根据边缘点的特征进行分类，去除金属表面高光造成的边缘点，识别其中的工件轮廓边缘点，获取工件的尺寸参数，进而与机床数控系统输入的工件参数比较，计算实际工件的加工精度误差，判断机床装配是否能通过验收。
下面结合附图具体的说明本发明所提供的基于计算机视觉的机床装配智能验收方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于计算机视觉的机床装配智能验收方法的步骤流程图，该方法包括以下步骤：
步骤S100，获取机床工件表面图像；根据像素点的邻域内像素点的灰度统计特征对像素点进行分类，得到噪声点和边缘点；对所述噪声点进行去噪处理。
通过相机采集机床工件的机床工件表面图像。根据像素点与其邻域像素点的灰度值差异，对像素点进行分类，分别为同类区域内的像素点、噪声像素点、边缘像素点。然后对边缘像素点进行分类，去除金属表面高光造成的边缘点，识别其中的工件轮廓边缘点，获取工件的尺寸参数。
本发明获得精准工件尺寸参数的过程，首先根据像素点的邻域内像素点的灰度统计特征对像素点进行分类，得到噪声点和边缘点；对噪声点进行去噪处理。
首先在检测平台上俯视采集机床试运行制造出的机床工件表面图像，然后对机床工件表面图像进行灰度化处理。
再设计一个大小为
Figure 455750DEST_PATH_IMAGE008
的方形窗口，对机床工件表面图像进行逐像素点遍历，由于机床工件表面图像边缘处的像素点不影响工件轮廓边缘点的识别，因此若遍历像素点的窗口为能完全处于图像内，则对该中心像素点不做分类。只对窗口完全处于图像内的中心像素点进行分类。
逻辑为若只以窗口中心像素点与其他像素点之间的灰度相似性进行判断，易将处于工件轮廓边缘且受金属高光造成的光照不均匀影响的边缘点误分为噪声点，但若窗口中心像素点为非噪声点，则过中心像素点的某一方向上的像素点灰度值相似。
故若窗口内中心像素点为同类区域内的像素点，则中心像素点与各方向上的像素点相似；若窗口内中心像素点为边缘点，则中心像素点与边缘方向上的像素点相似；若窗口内中心像素点为噪声点，则中心像素点与各方向上的像素点差异较大。
根据像素点的邻域内像素点的灰度统计特征对像素点进行分类得到噪声点和边缘点。计算窗口内中心像素点与相邻的非中心像素点的灰度差值的绝对值，对灰度差值的绝对值从小到大进行排序，得到第一绝对值集合；计算第一绝对值集合的均值作为第一均值；基于第一均值设定第一取值范围；由第一绝对值集合中在第一取值范围内的绝对值构建第二绝对值集合；计算第二绝对值集合的均值作为第二均值；计算所有窗口完全处于图像内的窗口的均值，由均值组成一个矩阵；计算矩阵的均值作为第三均值；以第三均值为阈值，判断窗口内中间行、中间列和两对角线四个线段上像素点的相似性；当四个线段对应的相似性均不为1时，窗口内的中心像素点为噪声点；当四个线段对应的相似性至少有一个为1时，窗口内的中心像素点为边缘点。具体的：
先计算窗口内中心像素点与其24个非中心像素点的灰度差值的绝对值，灰度差值的绝对值
Figure 473384DEST_PATH_IMAGE009
计算公式如下：
Figure 893518DEST_PATH_IMAGE010
其中，
Figure 754027DEST_PATH_IMAGE011
表示窗口内中心像素点的灰度值，
Figure 421769DEST_PATH_IMAGE012
表示窗口内第i个非中心像素点的灰度值。
获取中心像素点与各非中心像素点的第一绝对值集合
Figure 372538DEST_PATH_IMAGE013
。再计算窗口内中间行、中间列和两对角线上的中心像素点与线段上各非中心像素点的灰度差异的均值，获得集合
Figure 693798DEST_PATH_IMAGE014
。
然后计算阈值，判断这4个线段上的像素点是否相似。对灰度差值的绝对值从小到大进行排序，得到第一绝对值集合
Figure 25291DEST_PATH_IMAGE015
。受窗口内非中心像素点为噪声点的影响，当窗口内的中心像素点为同类区域内的像素点时，中心像素点与其余像素点灰度值相似，则集合
Figure 355778DEST_PATH_IMAGE016
中的大部分数据值较小。当窗口内的中心像素点为边缘点时，中心像素点与窗口内一半以上的像素点灰度值相似，则集合
Figure 82426DEST_PATH_IMAGE016
中一半以上数据值较小。当窗口内的中心像素点为噪声像素点时，中心像素点与其余像素点灰度值不相似，则集合
Figure 590899DEST_PATH_IMAGE016
中的大部分数据值较大。
计算第一绝对值集合
Figure 160420DEST_PATH_IMAGE016
的均值作为第一均值
Figure 904386DEST_PATH_IMAGE017
，并去除窗口内非中心像素点为噪声点的影响，基于第一均值设定第一取值范围。由第一绝对值集合中在第一取值范围内的绝对值构建第二绝对值集合，也即第一绝对值集合
Figure 127950DEST_PATH_IMAGE016
中
Figure 56592DEST_PATH_IMAGE018
的数据，分为一个子集合第二绝对值集合
Figure 988776DEST_PATH_IMAGE019
，该集合表示窗口中心像素点与非噪声点的非中心像素点的灰度差异集合，其中n为划分的数据数量，计算第二绝对值集合
Figure 146219DEST_PATH_IMAGE020
的均值作为第二均值
Figure 237671DEST_PATH_IMAGE021
。同理计算所有窗口完全处于图像内的窗口的
Figure 947001DEST_PATH_IMAGE021
，由
Figure 5962DEST_PATH_IMAGE021
组成一个矩阵D。
计算矩阵D的均值作为第三均值
Figure 216363DEST_PATH_IMAGE003
，当窗口中心像素点为噪声点时，其与非噪声点的非中心像素点的灰度差异均值
Figure 772110DEST_PATH_IMAGE022
。当窗口中心像素点为非噪声点时，其与非噪声点的非中心像素点的灰度差异均值
Figure 793286DEST_PATH_IMAGE023
。
故以第三均值
Figure 559117DEST_PATH_IMAGE003
为阈值，判断窗口内中间行、中间列和两对角线，这四个线段上像素点的相似性
Figure 448576DEST_PATH_IMAGE024
，当四个线段对应的相似性均不为1时，窗口内的中心像素点为噪声点；当四个线段对应的相似性至少有一个为1时，窗口内的中心像素点为边缘点。
相似性
Figure 495379DEST_PATH_IMAGE024
的计算公式为：
Figure 936725DEST_PATH_IMAGE025
其中，
Figure 330797DEST_PATH_IMAGE002
为中间行、中间列和两对角线这四个线段中第j个线段上的中心像素点与线段上各非中心像素点的灰度差异的均值；
Figure 633734DEST_PATH_IMAGE003
为第三均值。当线段上的像素点相似性大于第三均值时，令其为0，说明该线段上像素灰度值相似，当其小于第三均值时，令其为1，说明该线段上像素灰度值不相似。故当相似性
Figure 429651DEST_PATH_IMAGE024
为1的次数为4时，说明窗口内的中心像素点为同类区域内的像素点。当
Figure 41898DEST_PATH_IMAGE024
为1的次数为0时，说明窗口内的中心像素点为噪声点；当
Figure 297168DEST_PATH_IMAGE024
为1的次数大于0且小于4时，说明窗口内的中心像素点为边缘点。
对于区分的非噪声像素点不做处理，直接输出。对于噪声点，取窗口内各非中心像素点与中心像素点的灰度差异大于预设第一阈值且小于预设第二阈值的边缘点的非中心像素点的灰度均值替换窗口内的中心像素点的灰度值，也即对于噪声像素点，取窗口内各非中心像素点与中心像素点的灰度差异大于
Figure 528429DEST_PATH_IMAGE026
且小于
Figure 303487DEST_PATH_IMAGE017
的非噪声点的非中心像素点的灰度均值替换窗口内的中心噪声点，完成去噪处理。
步骤S200，根据窗口内中心像素点的灰度值进行粗略区分，计算去噪后的边缘点窗口内的像素灰度均值，提取中心像素点的灰度值大于像素灰度均值的边缘点作为第一类像素点，像素点灰度值小于等于像素灰度均值的边缘点作为第二类像素点；计算第一类像素点的灰度方差和第二类像素点的灰度方差之和作为方差和；根据所述方差和从边缘点中筛选出工件轮廓边缘点，工件轮廓边缘点的数量为工件实际尺寸。
金属工具表面易产生高光效应，因此步骤a区分的边缘点包括背景区域边缘点、工件区域边缘点和工件内高光区域边缘点以及工件内正常区域边缘点且工件区域像素灰度值大于背景区域。
首先根据窗口内中心像素点的灰度值进行粗略区分，计算去噪后的边缘点窗口内的像素灰度均值E，提取中心像素点的灰度值大于E的边缘点。获取图像内的工件区域边缘点和工件内高光区域边缘点。
逻辑为工件轮廓边缘的两侧像素点的灰度值变化为阶跃型，而工件内高光区域依然有明暗变化的一般规律，色阶层次往往比较清晰，故工件内高光区域边缘两侧像素点的灰度值变化为斜坡型。
根据窗口内中心像素点的灰度值进行粗略区分，计算去噪后的边缘点窗口内的像素灰度均值，提取中心像素点的灰度值大于像素灰度均值的边缘点作为第一类像素点，像素点灰度值小于等于像素灰度均值的边缘点作为第二类像素点；计算第一类像素点的灰度方差和第二类像素点的灰度方差之和作为方差和，也即对此时去噪且粗略分割后的边缘点进行分析，窗口内的像素灰度均值E对窗口内的像素点进行分类，令像素点灰度值大于等于E的为第一类像素点，令像素点灰度值小于等于E的为第二类像素点。计算第一类像素点的灰度方差
Figure 962002DEST_PATH_IMAGE027
和第二类像素点的灰度方差
Figure 206032DEST_PATH_IMAGE028
，取两方差的和值为V。
若窗口内中心像素点为工件轮廓边缘点，则窗口内分的两类像素点为背景像素点和工件像素点，且划分的两类像素点中同类像素点的灰度值均匀，故类内像素点的灰度方差较小。若窗口内中心像素点为工件内的高光边缘点，则窗口内分的两类像素点为工件内的高光像素点和工件内的正常像素点，且划分的两类像素点中同类像素点的灰度值不均匀，沿高亮像素点向正常像素点灰度值逐渐减小，故类内像素点的灰度方差较大。
根据方差和从边缘点中筛选出工件轮廓边缘点，具体的：计算所有去噪且粗略分割后的边缘点窗口内的方差和，所有方差和求均值得到方差和阈值；将方差和小于等于方差和阈值的边缘点作为工件轮廓边缘点。同理计算所有去噪且粗略分割后的边缘点窗口内的V值，取这组数据的均值
Figure 100039DEST_PATH_IMAGE029
为阈值，当
Figure 604970DEST_PATH_IMAGE030
时，此边缘像素点为工件轮廓边缘点。
统计工件轮廓边缘点的数量S，获得机床试运转时制造的工件实际尺寸为S。
步骤S300，根据工件实际尺寸和机床数控系统输入的工件尺寸计算相对误差，判断机床工件是否合格。
获取机床试运转时制造的工件在采集图像上的工件实际尺寸为S，根据相机拍摄工件时的参数，获取标定系数k，即表示图像中物体尺寸对应现实中的物体尺寸的转换系数。工件实际尺寸和标定系数相乘得到工件现实尺寸。故该工件在现实中的工件现实尺寸
Figure 811216DEST_PATH_IMAGE006
为：
Figure 667177DEST_PATH_IMAGE031
其中，
Figure 99295DEST_PATH_IMAGE032
为标定系数；
Figure 599678DEST_PATH_IMAGE033
为工件实际尺寸。
已知机床数控系统的输入工件尺寸参数为
Figure 599995DEST_PATH_IMAGE007
，因此机床试运转时制造的工件精度相对误差
Figure 536727DEST_PATH_IMAGE005
为：
Figure 287383DEST_PATH_IMAGE004
其中
Figure 625961DEST_PATH_IMAGE006
为工件在现实中的实际尺寸，
Figure 797179DEST_PATH_IMAGE007
为机床数控系统的输入工件尺寸。
根据当前机床的预设容许相对误差
Figure 237519DEST_PATH_IMAGE034
判断机床装配是否合格，当
Figure 11440DEST_PATH_IMAGE035
时，机床装配通过验收。
综上所述，该方法获取机床工件表面图像；根据像素点的邻域内像素点的灰度统计特征对像素点进行分类，得到噪声点和边缘点；对噪声点进行去噪处理；根据窗口内中心像素点的灰度值进行粗略区分，计算去噪后的边缘点窗口内的像素灰度均值，提取中心像素点的灰度值大于像素灰度均值的边缘点作为第一类像素点，像素点灰度值小于等于像素灰度均值的边缘点作为第二类像素点；计算第一类像素点的灰度方差和第二类像素点的灰度方差之和作为方差和；根据方差和从边缘点中筛选出工件轮廓边缘点，工件轮廓边缘点的数量为工件实际尺寸；根据工件实际尺寸和机床数控系统输入的工件尺寸计算相对误差，判断机床工件是否合格。
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 (5)

1.基于计算机视觉的机床装配智能验收方法，其特征在于，该方法包括以下步骤：
获取机床工件表面图像；根据像素点的邻域内像素点的灰度统计特征对像素点进行分类，得到噪声点和边缘点；对所述噪声点进行去噪处理；
根据窗口内中心像素点的灰度值进行粗略区分，计算去噪后的边缘点窗口内的像素灰度均值，提取中心像素点的灰度值大于像素灰度均值的边缘点作为第一类像素点，像素点灰度值小于等于像素灰度均值的边缘点作为第二类像素点；计算第一类像素点的灰度方差和第二类像素点的灰度方差之和作为方差和；根据所述方差和从边缘点中筛选出工件轮廓边缘点，工件轮廓边缘点的数量为工件实际尺寸；
根据工件实际尺寸和机床数控系统输入的工件尺寸计算相对误差，判断机床工件是否合格；
其中，噪声点和边缘点的获取方法为：计算窗口内中心像素点与相邻的非中心像素点的灰度差值的绝对值，对灰度差值的绝对值从小到大进行排序，得到第一绝对值集合；计算所述第一绝对值集合的均值作为第一均值；基于所述第一均值设定第一取值范围；由第一绝对值集合中在第一取值范围内的绝对值构建第二绝对值集合；计算第二绝对值集合的均值作为第二均值；计算所有窗口完全处于图像内的窗口的均值，由
Figure DEST_PATH_IMAGE001
组成一个矩阵；计算所述矩阵的均值作为第三均值；以第三均值为阈值，判断窗口内中间行、中间列和两对角线四个线段上像素点的相似性；当四个线段对应的相似性均不为1时，窗口内的中心像素点为噪声点；当四个线段对应的相似性至少有一个为1时，窗口内的中心像素点为边缘点；
所述相似性的计算公式为：
Figure DEST_PATH_IMAGE003
其中，
Figure 904110DEST_PATH_IMAGE004
为中间行、中间列和两对角线这四个线段中第j个线段上的中心像素点与线段上各非中心像素点的灰度差异的均值；
Figure DEST_PATH_IMAGE005
为第三均值。
2.根据权利要求1所述的基于计算机视觉的机床装配智能验收方法，其特征在于，所述对所述噪声点进行去噪处理，包括：
对于噪声点，取窗口内各非中心像素点与中心像素点的灰度差异大于预设第一阈值且小于预设第二阈值的边缘点的非中心像素点的灰度均值替换窗口内的中心像素点的灰度值。
3.根据权利要求1所述的基于计算机视觉的机床装配智能验收方法，其特征在于，所述根据所述方差和从边缘点中筛选出工件轮廓边缘点，包括：
计算所有去噪且粗略分割后的边缘点窗口内的方差和，所有方差和求均值得到方差和阈值；将方差和小于等于所述方差和阈值的边缘点作为工件轮廓边缘点。
4.根据权利要求1所述的基于计算机视觉的机床装配智能验收方法，其特征在于，所述根据工件实际尺寸和机床数控系统输入的工件尺寸计算相对误差，包括：
工件实际尺寸和标定系数相乘得到工件现实尺寸；
所述相对误差的计算公式为：
Figure DEST_PATH_IMAGE007
其中，
Figure 696617DEST_PATH_IMAGE008
为所述相对误差；
Figure DEST_PATH_IMAGE009
为工件现实尺寸；
Figure 538671DEST_PATH_IMAGE010
为机床数控系统输入的工件尺寸。
5.根据权利要求1所述的基于计算机视觉的机床装配智能验收方法，其特征在于，所述根据工件实际尺寸和机床数控系统输入的工件尺寸计算相对误差，判断机床工件是否合格，包括：
当所述相对误差预设容许相对误差，则机床工件合格。
CN202211161468.XA 2022-09-23 2022-09-23 基于计算机视觉的机床装配智能验收方法 Active CN115240146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211161468.XA CN115240146B (zh) 2022-09-23 2022-09-23 基于计算机视觉的机床装配智能验收方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211161468.XA CN115240146B (zh) 2022-09-23 2022-09-23 基于计算机视觉的机床装配智能验收方法

Publications (2)

Publication Number Publication Date
CN115240146A CN115240146A (zh) 2022-10-25
CN115240146B true CN115240146B (zh) 2022-12-20

Family

ID=83667015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211161468.XA Active CN115240146B (zh) 2022-09-23 2022-09-23 基于计算机视觉的机床装配智能验收方法

Country Status (1)

Country Link
CN (1) CN115240146B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115741218B (zh) * 2023-01-05 2023-04-21 单县亚太纸品有限公司 基于加工画像分析的机床故障预警方法及系统
CN117633554B (zh) * 2023-12-14 2024-05-14 艾信智慧医疗科技发展（苏州）有限公司 医用箱式物流传输监测及预警系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160652A (zh) * 2015-07-10 2015-12-16 天津大学 基于计算机视觉的手机外壳检验装置与方法
CN111189387A (zh) * 2020-01-02 2020-05-22 西安工程大学 一种基于机器视觉的工业零件尺寸检测方法
CN114663427B (zh) * 2022-04-25 2023-06-16 北京与子成科技有限公司 基于图像处理的锅炉零件尺寸检测方法

Also Published As

Publication number Publication date
CN115240146A (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN115240146B (zh) 基于计算机视觉的机床装配智能验收方法
CN114529549B (zh) 一种基于机器视觉的布匹缺陷标注方法及系统
CN115082418B (zh) 一种汽车零部件精密识别方法
CN115082467A (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN115861291B (zh) 基于机器视觉的贴片电路板生产缺陷检测方法
CN115035120B (zh) 基于物联网的机床控制方法及系统
CN115100199B (zh) 一种晶圆低纹理缺陷的检测方法
Zhou et al. Chisel edge wear measurement of high-speed steel twist drills based on machine vision
CN106404793A (zh) 基于视觉的轴承密封件缺陷检测方法
CN111383227A (zh) 基于神经网络的刀具磨损类型识别方法及磨损值测定方法
CN115311267B (zh) 一种格纹织物异常检测方法
CN115690108A (zh) 一种基于图像处理的铝合金杆生产质量评估方法
CN116777907A (zh) 一种钣金件质量检测方法
CN113838054A (zh) 基于人工智能的机械零件表面损伤检测方法
CN116309577B (zh) 一种高强传送带物料智能检测方法及系统
CN115049651B (zh) 一种钣金冲压异常检测方法
CN115311629B (zh) 一种折弯机的异常折弯精度监测系统
CN111950559A (zh) 一种基于径向灰度的指针仪表自动读数方法
CN113222955A (zh) 一种基于机器视觉的齿轮尺寸参数自动测量方法
CN115082472A (zh) 一种轮毂模具浇注成型产品的质量检测方法及系统
CN111695582A (zh) 一种颤振纹理的检测方法及其装置
CN117036314A (zh) 一种高密度柔性ic基板氧化区域检测方法
CN111126455A (zh) 一种基于Lightweight CNN与SVM的磨粒两阶段识别方法
CN115511884A (zh) 基于计算机视觉的冲孔复合模表面质量检测方法
Yu et al. A Machine vision method for non-contact Tool Wear Inspection

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