CN115272376B - 基于机器视觉的浮动打磨头控制方法 - Google Patents

基于机器视觉的浮动打磨头控制方法 Download PDF

Info

Publication number
CN115272376B
CN115272376B CN202211177592.5A CN202211177592A CN115272376B CN 115272376 B CN115272376 B CN 115272376B CN 202211177592 A CN202211177592 A CN 202211177592A CN 115272376 B CN115272376 B CN 115272376B
Authority
CN
China
Prior art keywords
connected domain
pixel point
enhanced
obtaining
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
CN202211177592.5A
Other languages
English (en)
Other versions
CN115272376A (zh
Inventor
秦楠
夏祥立
李成垒
郑龙涛
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 Xinkelai Information Technology Co ltd
Original Assignee
Shandong Xinkelai Information Technology 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 Xinkelai Information Technology Co ltd filed Critical Shandong Xinkelai Information Technology Co ltd
Priority to CN202211177592.5A priority Critical patent/CN115272376B/zh
Publication of CN115272376A publication Critical patent/CN115272376A/zh
Application granted granted Critical
Publication of CN115272376B publication Critical patent/CN115272376B/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B41/00—Component parts such as frames, beds, carriages, headstocks
    • B24B41/04—Headstocks; Working-spindles; Features relating thereto
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/30164—Workpiece; Machine component

Abstract

本发明涉图像处理技术领域，具体涉及一种基于机器视觉的浮动打磨头控制方法，包括：获取工件表面的灰度图像，获取多个连通域，根据每个连通域中像素点的灰度值、分割阈值和灰度图像中的最大灰度值构建隶属度函数，获取每个连通域边缘的梯度变化程度，利用每个连通域的梯度变化程度和隶属度函数得到每个连通域中像素点增强后的隶属度获取每个增强后的连通域平滑度，根据每个增强后的连通域平滑度得到毛刺连通域，获取毛刺连通域在工件表面的位置得到工件表面的毛刺位置，将工件表面的毛刺位置传输至控制器，控制器控制浮动打磨头在工件表面的毛刺位置处进行打磨。本发明提高了控制浮动打磨头进行毛刺打磨的准确性。

Description

基于机器视觉的浮动打磨头控制方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于机器视觉的浮动打磨头控制方法。
背景技术
打磨是表面改性技术的一种，一般指粗糙物体来通过摩擦改变材料表面物理性能的一种加工方法，其工作目的是去除产品工件表面的毛刺、使之光滑，降低工件表面的粗糙度，易于继续加工或达到成品，打磨还可增强工件表面涂层的附着力，便于后期电镀，而目前铸造工件的方法大都采用砂型铸造，砂型铸造工艺会使工件表面产生的毛刺，为了便于后续的加工，对工件毛刺进行打磨，使工件表面光滑至关重要。
现有的对工件进行打磨的方法是利用OTSU算法对工件图像进行自适应阈值分割，得到多个连通域，根据连通域边缘所在位置直接对工件进行打磨；但是，由于OTSU算法进行阈值分割时往往会因为前景与背景的面积来决定阈值的偏向，前景的面积大时，会更加靠近前景，背景的面积大时，会更靠近背景，会导致分割的毛刺不准确，从而导致控制浮动打磨头进行打磨的位置不准确。
发明内容
本发明提供基于机器视觉的浮动打磨头控制方法，以解决现有的控制浮动打磨头进行打磨的位置不准确的问题。
本发明的基于机器视觉的浮动打磨头控制方法，采用如下技术方案：
S1、获取工件表面的灰度图像，利用OTSU算法分割灰度图像得到多个连通域，根据每个连通域中像素点的灰度值、OTSU算法的分割阈值和灰度图像中的最大灰度值构建隶属度函数；
S2、根据每个连通域边缘上每个像素点的梯度得到每个连通域边缘的梯度变化程度，利用每个连通域的梯度变化程度和隶属度函数得到每个连通域中像素点增强后的隶属度；
S3、根据隶属度函数和每个像素点增强后的隶属度得到每个连通域中像素点增强后的灰度值，根据每个连通域中像素点增强后的灰度值得到每个增强后的连通域，获取每个增强后的连通域边缘上相邻像素点间的斜率的方差，将每个增强后的连通域边缘上相邻像素点间的斜率的方差作为每个增强后的连通域平滑度；
S4、根据每个增强后的连通域平滑度判断对应连通域是否为毛刺连通域，利用判断的毛刺连通域在灰度图像中的位置得到工件表面上毛刺位置，控制浮动打磨头在工件表面的毛刺位置处进行打磨。
进一步的，所述隶属度函数是按如下方法确定的：
当像素点的灰度值大于分割阈值时，该像素点的隶属度为该像素点的灰度值除以分割阈值；
当像素点的灰度值小于等于分割阈值时，该像素点的隶属度为该像素点的灰度值除以灰度图像中的最大灰度值。
进一步的，所述获取每个连通域边缘上每个像素点的梯度的方法是：
利用sobel算子取每个连通域边缘上每个像素点的梯度。
进一步的，所述每个连通域边缘的梯度变化程度是按如下方法确定的：
统计每个连通域边缘上每个梯度级对应的像素点的个数，其中梯度级是指不同梯度；
获取每个梯度级的个数所占对应连通域边缘像素点的总个数的比值，将每个梯度级的个数所占对应连通域边缘像素点的总个数的比值进行累加得到累加值；
利用单位一减去累加值得到每个连通域边缘的梯度变化程度。
进一步的，所述每个连通域中像素点增强后的隶属度的表达式为：
Figure 100002_DEST_PATH_IMAGE001
式中：
Figure 100002_DEST_PATH_IMAGE002
表示像素点
Figure 100002_DEST_PATH_IMAGE003
增强后的隶属度，
Figure 100002_DEST_PATH_IMAGE004
表示像素点
Figure 580190DEST_PATH_IMAGE003
的隶属度，
Figure 100002_DEST_PATH_IMAGE005
表示像素点
Figure 850765DEST_PATH_IMAGE003
所在第
Figure 100002_DEST_PATH_IMAGE006
个连通域边缘的梯度变化程度。
进一步的，所述像素点增强后的灰度值是按如下方法确定的：
当每个连通域中像素点的灰度值小于等于分割阈值时，将分割阈值与该像素点增强后的隶属度相乘得到该像素点增强后的灰度值；
当每个连通域中像素点的灰度值大于分割阈值，小于灰度图像中的最大灰度值时，将灰度图像中的最大灰度值与该像素点增强后的隶属度相乘得到该像素点增强后的灰度值。
进一步的，所述毛刺连通域是按如下方法确定的：
设置平滑度阈值，当增强后的连通域的平滑度大于平滑度阈值时，该增强后的连通域是毛刺连通域，当增强后的连通域的平滑度小于平滑度阈值时，该增强后的连通域不是毛刺连通域。
本发明的有益效果是：本发明的首先获取了工件表面的灰度图像，利用大津阈值分割法对灰度图像进行分割得到多个连通域，利用每个连通域中像素点的灰度值、分割阈值和灰度图像中的最大灰度值构建隶属度函数，根据隶属度函数得到每个像素点的隶属度，进一步的，利用每个连通域边缘梯度变化程度对每个像素点的隶属度进行增强得到每个像素点增强后的隶属度，根据每个像素点增强后的隶属度获取每个像素点增强后的灰度值，根据每个像素点增强后的灰度值相当于将每个连通域进行了增强，因此，根据增强后的连通域识别毛刺连通域使得识别结果更加准确；其次，本发明根据增强后连通域的平滑度和灰度均匀程度对毛刺连通域进行识别，即先增强再识别，使得识别结果更加准确，进而导致控制浮动打磨头进行打磨的位置更加准确。
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为本发明的基于机器视觉的浮动打磨头控制方法的实施例的流程图；
图2为本发明的基于机器视觉的浮动打磨头控制方法的实施例中工件表面的灰度图像；
图3为本发明的基于机器视觉的浮动打磨头控制方法的实施例中对灰度图像进行分割后的连通域图像；
图4为本发明的基于机器视觉的浮动打磨头控制方法的实施例中增强后的连通域图像；
图5为本发明的基于机器视觉的浮动打磨头控制方法的实施例中打磨后的效果图。
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。
本发明的基于机器视觉的浮动打磨头控制方法的实施例，如图1所示，包括：
S1、获取工件表面的灰度图像，利用OTSU算法分割灰度图像得到多个连通域，根据每个连通域中像素点的灰度值、OTSU算法的分割阈值和灰度图像中的最大灰度值构建隶属度函数。
获取工件表面灰度图像的具体步骤为：本发明需要对工件表面的毛刺缺陷进行智能检测，因此需要采集工件的图像，但在采集图像的过程中，需要光照均均匀，避免光线对缺陷检测的影响，采集图像的过程中光线的照射方向为俯视照射，且需要多个光源，从而形成均匀的光线照射在工件表面，并对采集到的图像进行灰度化处理，获得工件表面的灰度图像，如图2所示为工件表面的灰度图像。
利用Otsu算法对灰度图像进行阈值分割，获取OTSU算法分割灰度图像的分割阈值
Figure DEST_PATH_IMAGE007
，其中，分割阈值
Figure 602821DEST_PATH_IMAGE007
根据不同的图像获取，本发明不给出具体参考值，利用分割阈值对灰度图像进行分割得到多个连通域，连通域如图3所示。
构建隶属度函数的具体步骤为：假设一幅大小为
Figure DEST_PATH_IMAGE008
的灰度图像，其灰度范围为
Figure DEST_PATH_IMAGE009
，拥有
Figure 113699DEST_PATH_IMAGE006
个不同的灰度级，获取每个连通域中像素点的灰度值和灰度图像中的最大灰度值，则隶属度函数为：
Figure DEST_PATH_IMAGE010
式中：
Figure 256098DEST_PATH_IMAGE004
表示像素点
Figure 194012DEST_PATH_IMAGE003
的隶属度，
Figure 925208DEST_PATH_IMAGE007
表示分割阈值，
Figure DEST_PATH_IMAGE011
表示灰度图像中的最大灰度值，
Figure DEST_PATH_IMAGE012
表示像素点
Figure 669304DEST_PATH_IMAGE003
的灰度值。
其中，通过Otsu阈值分割获得最优分割阈值，然后将每个连通域中的高灰度像素点，即
Figure DEST_PATH_IMAGE013
的像素点，低灰度像素点，即
Figure DEST_PATH_IMAGE014
的像素点进行变换，得到每个像素点的隶属度
Figure 112049DEST_PATH_IMAGE004
，且隶属度的大小与其灰度值保持一致，即属于分割阈值内的隶属度大，属于分割阈值外的隶属度小，将低灰度的区域与高灰度区域进行区分，使得之间的差异变大，在进行图像增强时会使高灰度区域更加明显。
S2、获取每个连通域边缘上每个像素点的梯度，根据每个连通域边缘上每个像素点的梯度得到每个连通域边缘的梯度变化程度，利用每个连通域的梯度变化程度和隶属度函数得到每个连通域中像素点增强后的隶属度。
得到每个连通域边缘的梯度变化程度的具体步骤为：利用sobel获取每个连通域边缘上每个像素点的梯度，根据每个连通域边缘上每个像素点的梯度统计每个连通域边缘上每个梯度级对应的像素点的个数，其中梯度级是指不同梯度，获取每个梯度级的个数所占对应连通域边缘像素点的总个数的比值，将每个梯度级的个数所占对应连通域边缘像素点的总个数的比值进行累加得到累加值，利用单位一减去累加值得到每个连通域边缘的梯度变化程度，因此，每个连通域边缘的梯度变化程度的具体表达式为：
Figure DEST_PATH_IMAGE015
式中：
Figure 724427DEST_PATH_IMAGE005
表示第
Figure 310129DEST_PATH_IMAGE006
个连通域边缘的梯度变化程度，
Figure DEST_PATH_IMAGE016
表示梯度级
Figure DEST_PATH_IMAGE017
的个数所占对应连通域边缘像素点的总个数的比值，
Figure DEST_PATH_IMAGE018
表示最大梯度级，
Figure 428389DEST_PATH_IMAGE017
表示梯度级为
Figure 732331DEST_PATH_IMAGE017
。
其中，边缘像素点是其灰度值变化较大的区域，同时其梯度的变化也较大，计算边缘梯度的变化程度，用来反映边缘像素点灰度的变化，此公式根据连通域边缘像素点的梯度得到对应连通域边缘的梯度变化程度，因此此公式能够实现连通域边缘的梯度变化程度的描述。
得到每个连通域中像素点增强后的隶属度的具体过程为：根据每个连通域的梯度变化程度和隶属度函数得到每个连通域中像素点增强后的隶属度，具体表达式为：
Figure 820504DEST_PATH_IMAGE001
式中：
Figure 526292DEST_PATH_IMAGE002
表示像素点
Figure 674508DEST_PATH_IMAGE003
增强后的隶属度，
Figure 465746DEST_PATH_IMAGE004
表示像素点
Figure 357610DEST_PATH_IMAGE003
的隶属度，
Figure 917904DEST_PATH_IMAGE005
表示像素点
Figure 502601DEST_PATH_IMAGE003
所在第
Figure 515556DEST_PATH_IMAGE006
个连通域边缘的梯度变化程度。
其中，在进行隶属度变换时，根据每个连通域边缘的梯度变化程度对隶属度较小的区域进行灰度增强，对隶属度较大的区域进行一定程度的灰度减弱，使得增强后的连通域的隶属度比较均衡，但是相较于增强前更加明显，对低灰度的隶属度进行抑制，对高灰度的隶属度进行增强，对每个连通域的灰度起到了增强的目的。
S3、根据隶属度函数和每个像素点增强后的隶属度得到每个连通域中像素点增强后的灰度值，根据每个连通域中像素点增强后的灰度值得到每个增强后的连通域，如图4所示为增强后的连通域图像，获取每个增强后的连通域边缘上相邻像素点间的斜率的方差，将每个增强后的连通域边缘上相邻像素点间的斜率的方差作为每个增强后的连通域平滑度。
S4、根据每个增强后的连通域平滑度判断对应连通域是否为毛刺连通域，利用判断的毛刺连通域在灰度图像中的位置得到工件表面上毛刺位置，控制浮动打磨头在工件表面的毛刺位置处进行打磨。
得到每个连通域中像素点增强后的灰度值的具体步骤为：根据隶属度函数和每个像素点增强后的隶属度获取每个连通域中像素点增强后的灰度值，具体表达式为：
Figure DEST_PATH_IMAGE019
式中：
Figure DEST_PATH_IMAGE020
表示像素点
Figure 273427DEST_PATH_IMAGE003
增强后的灰度值，
Figure 438961DEST_PATH_IMAGE002
表示像素点
Figure 443826DEST_PATH_IMAGE003
增强后的隶属度，
Figure 694810DEST_PATH_IMAGE007
表示分割阈值，
Figure 177744DEST_PATH_IMAGE011
表示灰度图像中的最大灰度值，
Figure 475081DEST_PATH_IMAGE012
表示像素点
Figure 650848DEST_PATH_IMAGE003
的灰度值，根据该式可得到每个连通域中像素点增强后的灰度值。
其中，每个连通域中像素点增强后的灰度值的具体表达式，由所述隶属度函数转化而来，其逻辑和效果与隶属度函数类似，本发明不再赘述。
获取每个增强后的连通域边缘上相邻像素点间的斜率的方差，将每个增强后的连通域边缘上相邻像素点间的斜率的方差作为对应增强后的连通域平滑度
Figure DEST_PATH_IMAGE021
，设置平滑度阈值，该平滑度阈值根据具体情况设定，不发明不给出具体值，当
Figure 389128DEST_PATH_IMAGE021
大于平滑度阈值时，第
Figure DEST_PATH_IMAGE022
个增强后的连通域是毛刺连通域，当
Figure 488802DEST_PATH_IMAGE021
小于平滑度阈值时，第
Figure 612616DEST_PATH_IMAGE022
个增强后的连通域不是毛刺连通域。据此得到所有毛刺连通域，获取毛刺连通域在工件表面的位置得到工件表面的毛刺位置，将工件表面的毛刺位置传输至控制器，控制器控制浮动打磨头在工件表面的毛刺位置处进行打磨，通过打磨可得到打磨后的效果图，如图5所示。
本发明的有益效果是：本发明的首先获取了工件表面的灰度图像，利用大津阈值分割法对灰度图像进行分割得到多个连通域，利用每个连通域中像素点的灰度值、分割阈值和灰度图像中的最大灰度值构建隶属度函数，根据隶属度函数得到每个像素点的隶属度，进一步的，利用每个连通域边缘梯度变化程度对每个像素点的隶属度进行增强得到每个像素点增强后的隶属度，根据每个像素点增强后的隶属度获取每个像素点增强后的灰度值，根据每个像素点增强后的灰度值相当于将每个连通域进行了增强，因此，根据增强后的连通域识别毛刺连通域使得识别结果更加准确；其次，本发明根据增强后连通域的平滑度和灰度均匀程度对毛刺连通域进行识别，即先增强再识别，使得识别结果更加准确，进而导致控制浮动打磨头进行打磨的位置更加准确。
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 (4)

1.基于机器视觉的浮动打磨头控制方法，其特征在于，包括：
S1、获取工件表面的灰度图像，利用OTSU算法分割灰度图像得到多个连通域，根据每个连通域中像素点的灰度值、OTSU算法的分割阈值和灰度图像中的最大灰度值构建隶属度函数；
所述隶属度函数是按如下方法确定的：
当像素点的灰度值大于分割阈值时，该像素点的隶属度为该像素点的灰度值除以分割阈值；
当像素点的灰度值小于等于分割阈值时，该像素点的隶属度为该像素点的灰度值除以灰度图像中的最大灰度值；
S2、根据每个连通域边缘上每个像素点的梯度得到每个连通域边缘的梯度变化程度，利用每个连通域的梯度变化程度和隶属度函数得到每个连通域中像素点增强后的隶属度；
所述每个连通域边缘的梯度变化程度是按如下方法确定的：
统计每个连通域边缘上每个梯度级对应的像素点的个数，其中梯度级是指不同梯度；
获取每个梯度级的个数所占对应连通域边缘像素点的总个数的比值，将每个梯度级的个数所占对应连通域边缘像素点的总个数的比值进行累加得到累加值；
利用单位一减去累加值得到每个连通域边缘的梯度变化程度；
S3、根据隶属度函数和每个像素点增强后的隶属度得到每个连通域中像素点增强后的灰度值，根据每个连通域中像素点增强后的灰度值得到每个增强后的连通域，获取每个增强后的连通域边缘上相邻像素点间的斜率的方差，将每个增强后的连通域边缘上相邻像素点间的斜率的方差作为每个增强后的连通域平滑度；
所述像素点增强后的灰度值是按如下方法确定的：
当每个连通域中像素点的灰度值小于等于分割阈值时，将分割阈值与该像素点增强后的隶属度相乘得到该像素点增强后的灰度值；
当每个连通域中像素点的灰度值大于分割阈值，小于灰度图像中的最大灰度值时，将灰度图像中的最大灰度值与该像素点增强后的隶属度相乘得到该像素点增强后的灰度值；
S4、根据每个增强后的连通域平滑度判断对应连通域是否为毛刺连通域，利用判断的毛刺连通域在灰度图像中的位置得到工件表面上毛刺位置，控制浮动打磨头在工件表面的毛刺位置处进行打磨。
2.根据权利要求1所述的基于机器视觉的浮动打磨头控制方法，其特征在于，所述获取每个连通域边缘上每个像素点的梯度的方法是：
利用sobel算子获 取每个连通域边缘上每个像素点的梯度。
3.根据权利要求1所述的基于机器视觉的浮动打磨头控制方法，其特征在于，所述每个连通域中像素点增强后的隶属度的表达式为：
Figure DEST_PATH_IMAGE001
式中：
Figure DEST_PATH_IMAGE002
表示像素点
Figure DEST_PATH_IMAGE003
增强后的隶属度，
Figure DEST_PATH_IMAGE004
表示像素点
Figure 802639DEST_PATH_IMAGE003
的隶属度，
Figure DEST_PATH_IMAGE005
表示像素点
Figure 657463DEST_PATH_IMAGE003
所在第
Figure DEST_PATH_IMAGE006
个连通域边缘的梯度变化程度。
4.根据权利要求1所述的基于机器视觉的浮动打磨头控制方法，其特征在于，所述毛刺连通域是按如下方法确定的：
设置平滑度阈值，当增强后的连通域的平滑度大于平滑度阈值时，该增强后的连通域是毛刺连通域，当增强后的连通域的平滑度小于平滑度阈值时，该增强后的连通域不是毛刺连通域。
CN202211177592.5A 2022-09-27 2022-09-27 基于机器视觉的浮动打磨头控制方法 Active CN115272376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211177592.5A CN115272376B (zh) 2022-09-27 2022-09-27 基于机器视觉的浮动打磨头控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211177592.5A CN115272376B (zh) 2022-09-27 2022-09-27 基于机器视觉的浮动打磨头控制方法

Publications (2)

Publication Number Publication Date
CN115272376A CN115272376A (zh) 2022-11-01
CN115272376B true CN115272376B (zh) 2022-12-20

Family

ID=83756723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211177592.5A Active CN115272376B (zh) 2022-09-27 2022-09-27 基于机器视觉的浮动打磨头控制方法

Country Status (1)

Country Link
CN (1) CN115272376B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630312B (zh) * 2023-07-21 2023-09-26 山东鑫科来信息技术有限公司 一种恒力浮动打磨头打磨质量视觉检测方法
CN116993966B (zh) * 2023-09-27 2023-12-12 诺伯特智能装备（山东）有限公司 一种铸件打磨视觉智能定位方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3217507U (ja) * 2018-06-01 2018-08-09 住友電工プリントサーキット株式会社 打抜装置
CN109214397A (zh) * 2018-09-14 2019-01-15 郑州大学 一种肺部ct图像中肺结节的分割方法
CN110443806A (zh) * 2019-04-30 2019-11-12 浙江大学 一种基于目标增强处理的水面透明漂浮危化品图像分割方法
CN113658207A (zh) * 2021-08-20 2021-11-16 华南师范大学 一种基于引导滤波的视网膜血管分割方法及装置
CN114445387A (zh) * 2022-01-29 2022-05-06 泗阳富艺木业股份有限公司 一种基于机器视觉的纤维板质量分类方法
CN114494304A (zh) * 2022-04-18 2022-05-13 山东施卫普环保科技有限公司 一种智能的干洗车厢内部物料快速疏导方法
CN114581444A (zh) * 2022-05-06 2022-06-03 济宁海富光学科技有限公司 基于图像处理的玻璃盖打磨工艺监测方法
CN114757927A (zh) * 2022-04-22 2022-07-15 三固（厦门）科技有限公司 一种基于机器视觉的零部件表面毛刺检测方法
CN114998313A (zh) * 2022-07-18 2022-09-02 山东海鑫达石油机械有限公司 基于视觉定位的流体输送管管口毛刺识别定位方法
CN115049664A (zh) * 2022-08-16 2022-09-13 金乡县强力机械有限公司 基于视觉的船舶发动机配件缺陷检测方法
CN115100196A (zh) * 2022-08-24 2022-09-23 聊城市洛溪信息科技有限公司 一种基于图像分割的冲压件除锈效果评估方法
CN115100211A (zh) * 2022-08-29 2022-09-23 南通电博士自动化设备有限公司 一种机器人金属板材表面打磨速度智能调控方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105588845B (zh) * 2016-01-04 2018-07-03 江苏科技大学 一种焊接缺陷特征参数提取方法
CN109035166B (zh) * 2018-07-16 2022-02-01 国网四川省电力公司巴中供电公司 基于非下采样剪切波变换的电气设备红外图像增强方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3217507U (ja) * 2018-06-01 2018-08-09 住友電工プリントサーキット株式会社 打抜装置
CN109214397A (zh) * 2018-09-14 2019-01-15 郑州大学 一种肺部ct图像中肺结节的分割方法
CN110443806A (zh) * 2019-04-30 2019-11-12 浙江大学 一种基于目标增强处理的水面透明漂浮危化品图像分割方法
CN113658207A (zh) * 2021-08-20 2021-11-16 华南师范大学 一种基于引导滤波的视网膜血管分割方法及装置
CN114445387A (zh) * 2022-01-29 2022-05-06 泗阳富艺木业股份有限公司 一种基于机器视觉的纤维板质量分类方法
CN114494304A (zh) * 2022-04-18 2022-05-13 山东施卫普环保科技有限公司 一种智能的干洗车厢内部物料快速疏导方法
CN114757927A (zh) * 2022-04-22 2022-07-15 三固（厦门）科技有限公司 一种基于机器视觉的零部件表面毛刺检测方法
CN114581444A (zh) * 2022-05-06 2022-06-03 济宁海富光学科技有限公司 基于图像处理的玻璃盖打磨工艺监测方法
CN114998313A (zh) * 2022-07-18 2022-09-02 山东海鑫达石油机械有限公司 基于视觉定位的流体输送管管口毛刺识别定位方法
CN115049664A (zh) * 2022-08-16 2022-09-13 金乡县强力机械有限公司 基于视觉的船舶发动机配件缺陷检测方法
CN115100196A (zh) * 2022-08-24 2022-09-23 聊城市洛溪信息科技有限公司 一种基于图像分割的冲压件除锈效果评估方法
CN115100211A (zh) * 2022-08-29 2022-09-23 南通电博士自动化设备有限公司 一种机器人金属板材表面打磨速度智能调控方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A review on defects in steel offshore structures and developed strengthening techniques;Ayoub Dehghani 等;《Structures》;20190704;第20卷;635-657 *
一种浮动打磨头结构设计与运动仿真研究;赵媛 等;《机械研究与应用》;20201231;第33卷(第2期);10-17 *
基于机器视觉的工件边缘毛刺检测系统研究;戴凤强 等;《农业装备与车辆工程》;20180731;第56卷(第7期);43-47 *
基于机器视觉的零件毛刺检测;齐继阳 等;《机械设计与研究》;20210430;第37卷(第2期);24-27 *

Also Published As

Publication number Publication date
CN115272376A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN115272376B (zh) 基于机器视觉的浮动打磨头控制方法
CN109490316B (zh) 一种基于机器视觉的表面缺陷检测算法
CN117173189B (zh) 一种铝合金表面抛光效果视觉检测系统
CN106404793B (zh) 基于视觉的轴承密封件缺陷检测方法
CN116740070B (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN115100191B (zh) 基于工业检测的金属铸件缺陷识别方法
CN109685760B (zh) 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法
CN114219805B (zh) 一种玻璃缺陷智能检测方法
CN109584253B (zh) 油液磨粒图像分割方法
CN114406502B (zh) 激光金属切割方法及系统
CN110097548B (zh) 一种基于机器视觉的钻孔缺陷检测系统及其检测方法
CN115578389A (zh) 一种沟槽mos器件的缺陷检测方法
CN114943848B (zh) 镍网激光熔覆过程中的裂纹识别方法
CN115690105B (zh) 一种基于计算机视觉的铣刀划痕检测方法
CN115359053A (zh) 一种金属板材缺陷智能检测方法及系统
CN116310845B (zh) 一种用于污水处理的智能监测系统
CN115937216A (zh) 一种新能源汽车用磁转子外观质量检测方法
CN112435235A (zh) 一种基于图像分析的籽棉含杂率检测方法
CN116524196A (zh) 一种基于图像识别技术的输电线智能检测系统
CN114187286A (zh) 一种基于机器视觉的木板材表面加工质量控制方法
CN108416790B (zh) 一种用于工件破损率的检测方法
CN102313740B (zh) 太阳能电池板裂痕检测方法
CN113763404B (zh) 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法
CN109242819B (zh) 一种基于图像处理的表面擦伤缺陷联通的算法
CN116630321A (zh) 基于人工智能的桥梁健康智能监测系统

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