CN115294112A - 一种竹席切割装置的控制方法 - Google Patents

一种竹席切割装置的控制方法 Download PDF

Info

Publication number
CN115294112A
CN115294112A CN202211206254.XA CN202211206254A CN115294112A CN 115294112 A CN115294112 A CN 115294112A CN 202211206254 A CN202211206254 A CN 202211206254A CN 115294112 A CN115294112 A CN 115294112A
Authority
CN
China
Prior art keywords
bamboo mat
image
gray
value
window
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
CN202211206254.XA
Other languages
English (en)
Other versions
CN115294112B (zh
Inventor
倪晓青
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 Aiwei Household Textile Co ltd
Original Assignee
Nantong Aiwei Household Textile 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 Aiwei Household Textile Co ltd filed Critical Nantong Aiwei Household Textile Co ltd
Priority to CN202211206254.XA priority Critical patent/CN115294112B/zh
Publication of CN115294112A publication Critical patent/CN115294112A/zh
Application granted granted Critical
Publication of CN115294112B publication Critical patent/CN115294112B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B27—WORKING OR PRESERVING WOOD OR SIMILAR MATERIAL; NAILING OR STAPLING MACHINES IN GENERAL
    • B27J—MECHANICAL WORKING OF CANE, CORK, OR SIMILAR MATERIALS
    • B27J1/00—Mechanical working of cane or the like
    • 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 using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30161—Wood; Lumber

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Forests & Forestry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及控制调节技术领域，具体涉及一种竹席切割装置的控制方法。该方法包括以下步骤：对竹席切割装置切割打磨后的竹席毛边图像信息进行采集；通过对竹席毛边打磨图像分析特征，根据特征对图像进行自适应多段线性增强；根据打磨效果训练神经网络来调节竹席切割装置的智能化控制。本发明在对竹席切割机切割竹席打磨毛边的基础上，利用图像增强技术增强竹席毛边图像并通过训练神经网络来实现竹席切割机的智能化调整。

Description

一种竹席切割装置的控制方法
技术领域
本发明涉及控制调节领域，具体涉及一种竹席切割装置的控制方法。
背景技术
在我国，竹席的使用已经拥有悠久的历史，即使在今天也广泛应用。竹席一般以水竹、毛竹、油竹等竹子为原料，并将竹皮劈成篾丝，经蒸煮、浸泡等工艺后以手工经纬编织而成的。竹席按用料不同，又可分为青席、黄席、花席和染色篾花席。
竹席的生成过程一般为批量生产，所以毛坯竹席往往很大，在生产的过程中需要利用竹席切割机对竹席进行切割并打磨已切割竹席边缘的毛边，而因为竹席所选竹子品质、竹席切割机参数偶然改变和其他无法估计的因素影响，竹席切割机并不能很好的打磨毛边，还需人工确定打磨效果后调整及其参数。
发明内容
为了解决现有竹席切割装置控制效果不佳的问题，本发明的目的在于提供一种竹席切割装置的控制方法。
本发明的一种竹席切割装置的控制方法，包括以下步骤：
对竹席切割装置切割打磨后的竹席毛边图像信息进行采集；
通过对竹席毛边打磨图像分析特征，根据特征对图像进行自适应多段线性增强；
根据打磨效果训练神经网络来调节竹席切割装置的智能化控制。
进一步的，所述通过对竹席毛边打磨图像分析特征，根据特征对图像进行自适应多段线性增强，包括：
对竹席毛边打磨图像进行语义分割，并进行灰度化生成灰度直方图；
分析竹席毛边特征，结合图像信息计算自适应分割阈值对灰度直方图进行多段线性分割；
结合评价参数
Figure 100002_DEST_PATH_IMAGE001
对图像灰度直方图进行分割并对图像进行增强。
进一步的，所述分析竹席毛边特征，结合图像信息计算自适应分割阈值对灰度直方图进行多段线性分割，包括：
分析图像特征；
计算差异值确定增强区双域阈值初始端点；
建立
Figure 394109DEST_PATH_IMAGE002
迭代函数并根据图像特征评价参数
Figure 877043DEST_PATH_IMAGE001
。
进一步的，所述计算差异值确定增强区双域阈值初始端点，包括：
建立新灰度区间，计算图像整体灰度
Figure 100002_DEST_PATH_IMAGE003
大部分所在灰度级
Figure 739825DEST_PATH_IMAGE004
，建立
Figure 100002_DEST_PATH_IMAGE005
滑动窗口，对图像整体像素的灰度值
Figure 40225DEST_PATH_IMAGE003
以窗口平均灰度
Figure 27773DEST_PATH_IMAGE006
为单位的依照灰度级
Figure 314398DEST_PATH_IMAGE004
计算分类参数
Figure 100002_DEST_PATH_IMAGE007
，根据窗口差异值
Figure 31687DEST_PATH_IMAGE008
作为判断分类参数
Figure 378355DEST_PATH_IMAGE007
选择初始的自适应阈值。
进一步的，计算分类参数
Figure 56461DEST_PATH_IMAGE007
的过程如下：
定义新灰度区间，新灰度区间为原灰度区间映射，映射方式如下：
Figure 881197DEST_PATH_IMAGE010
新灰度区间为[1,256]；纵轴为频率，进行归一化，使得总体频率和为1，得到权值 序列
Figure 100002_DEST_PATH_IMAGE011
，C表示灰度值，
Figure 452993DEST_PATH_IMAGE012
表示归一化后的频率；
Figure 988140DEST_PATH_IMAGE014
图像整体加权平均灰度值
Figure 100002_DEST_PATH_IMAGE015
计算方式如下：
Figure 100002_DEST_PATH_IMAGE017
其中，
Figure 402810DEST_PATH_IMAGE015
为当前图像的大部分灰度所在灰度级；
建立
Figure 31237DEST_PATH_IMAGE005
大小的滑窗，滑动步长
Figure 129643DEST_PATH_IMAGE018
，对竹席毛边图进行遍历，计算滑窗内的像 素分布情况，以窗口平均灰度
Figure 818113DEST_PATH_IMAGE006
和窗口差异值
Figure 533129DEST_PATH_IMAGE008
来表示每个滑窗内的像素分布；
窗口平均灰度值
Figure 699668DEST_PATH_IMAGE006
计算方式如下：
Figure 918159DEST_PATH_IMAGE020
窗口差异值
Figure 980793DEST_PATH_IMAGE008
计算方式如下：
Figure 651946DEST_PATH_IMAGE022
式中
Figure 153335DEST_PATH_IMAGE006
表示窗孔内的平局灰度值，
Figure 226333DEST_PATH_IMAGE008
表示窗口内中心像素值与周围8邻域的像素 的差异值，
Figure 100002_DEST_PATH_IMAGE023
为滑窗中心点像素值，
Figure 324782DEST_PATH_IMAGE024
为
Figure 483231DEST_PATH_IMAGE023
周围8邻域的像素点灰度值；
分类参数
Figure 319469DEST_PATH_IMAGE007
计算如下所示：
Figure 100002_DEST_PATH_IMAGE025
。
进一步的，所述根据窗口差异值
Figure 574870DEST_PATH_IMAGE008
作为判断分类参数
Figure 776044DEST_PATH_IMAGE007
选择初始的自适应阈值， 包括：
对
Figure 687368DEST_PATH_IMAGE026
的滑窗区域进行统计区域内窗口差异值
Figure 999401DEST_PATH_IMAGE008
，其中
Figure 100002_DEST_PATH_IMAGE027
所对应的滑窗区 域中平均灰度值
Figure 312570DEST_PATH_IMAGE006
为自适应双阈值的左侧阈值初始端点
Figure 684646DEST_PATH_IMAGE028
；其中
Figure 100002_DEST_PATH_IMAGE029
所对应的滑窗区 域中的平均灰度值
Figure 145583DEST_PATH_IMAGE006
为自适应双阈值的右侧阈值初始端点
Figure 261307DEST_PATH_IMAGE030
。
进一步的，建立
Figure 163403DEST_PATH_IMAGE002
迭代函数并根据图像特征评价参数
Figure 700521DEST_PATH_IMAGE001
，包括：
根据其数据特征建立迭代函数：
Figure 55279DEST_PATH_IMAGE032
迭代方式为：以上述的端点
Figure 302589DEST_PATH_IMAGE002
作为初始值，计算评价参数
Figure 59193DEST_PATH_IMAGE001
，若未到达预期效 果，则对
Figure 773071DEST_PATH_IMAGE028
进行迭代，
Figure 146283DEST_PATH_IMAGE030
保持不变，重新计算评价参数
Figure 603810DEST_PATH_IMAGE001
，若未到达预期效果，则对
Figure 214920DEST_PATH_IMAGE030
进行 迭代，
Figure 365278DEST_PATH_IMAGE028
保持不变；
图像特征中，打磨后的凹凸区域灰度值有微小的变化，粗纤维区域灰度值基本无 变化，故根据此特征建立评价参数
Figure 694628DEST_PATH_IMAGE001
：
Figure 893528DEST_PATH_IMAGE034
其中
Figure 100002_DEST_PATH_IMAGE035
为区间
Figure 687041DEST_PATH_IMAGE036
内所有灰度值出现的概率，当区间内粗纤维区域较多时，则评 价参数
Figure 273880DEST_PATH_IMAGE001
值越小；在区间迭代的过程中，随着区间的缩小，粗纤维区域越来越少，
Figure 824947DEST_PATH_IMAGE001
越 来越大；当
Figure 895715DEST_PATH_IMAGE001
在迭代的过程中趋近某一定值且不再增大时，此时
Figure 100002_DEST_PATH_IMAGE037
则为最优阈值。
进一步的，所述合评价参数
Figure 871630DEST_PATH_IMAGE001
对图像灰度直方图进行分割并对图像进行增强， 包括：
根据评价参数对
Figure 98212DEST_PATH_IMAGE002
进行迭代，直至迭代至最优阈值：
Figure 100002_DEST_PATH_IMAGE039
根据最优阈值对灰度直方图进行分段，
Figure 730050DEST_PATH_IMAGE040
为上述计算的最优自适应阈值，将灰度 直方图分为三个区间：
Figure 100002_DEST_PATH_IMAGE041
其中区间
Figure 395387DEST_PATH_IMAGE042
为增强区间，根据设备选择合适的增强系数对区间
Figure 835595DEST_PATH_IMAGE042
进行增 强。
有益效果：本发明利用图像处理技术，根据已打磨的竹席毛边图像的灰度图和灰度直方图信息，对竹席毛边图像的细节进行增强，判断竹席的毛边打磨效果，根据竹席毛边打磨效果训练神经网络调整竹席切割机的参数。本发明在对竹席切割机切割竹席打磨毛边的基础上，利用图像增强技术增强竹席毛边图像并通过训练神经网络来实现竹席切割机的智能化调整。
附图说明
图1是本发明的一种竹席切割装置的控制方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚，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介绍。
本实施例的竹席切割装置的控制方法的整体逻辑是：通过相机采集竹席的毛边打磨效果图像；通过图像处理对竹席毛边图像进行增强，判断其打磨效果是否达到生产需求；根据实际打磨状态的不足结合神经网络来调节竹席切割机的设备参数并进行问题反馈。如图1所示为本实施例的竹席切割装置的控制方法的流程图。
具体的，本实施例的竹席切割装置的控制方法包括以下步骤：
（1）对竹席切割装置切割打磨后的竹席毛边图像信息进行采集；
本发明需要实现竹席切割机在对切割后的竹席毛边打磨过程的智能化控制，所以需要添加工业相机对竹席切割机打磨后的竹席毛边图像进行采集，而后分析图像信息，并训练神经网络来控制主席切割装置的参数来实现竹席切割机对竹席毛边智能化打磨。
本实施例采用工业相机进行图像的采集，其中工业相机的布置要求为：相机的布置位置略高于传送带，镜头正对着传送带上竹席毛边的垂直方向。这样布置有利于对竹席毛边图像的采集更加精确。
（2）通过对竹席毛边打磨图像分析特征，根据特征对图像进行自适应多段线性增强；
竹子在生长的过程中，体内具有大量的纵向粗纤维，而粗纤维硬度较其余部位较硬，故打磨过程中易出现打磨程度不够。现有的图像增强技术在对图像增强的过程中因为每根柱子的纵向纤维生长的数量和位置不同，容易将纵向粗纤维易和打磨后的凹凸区域发生混淆，本发明在多段线性增强的基础上，选择自适应分段线性增强，对每张图片中的竹席单独计算，能够更加精确的分辨出竹席切割机打磨效果。
本步骤包括以下几个小步骤：
①对竹席毛边打磨图像进行语义分割，并进行灰度化生成灰度直方图；
上述步骤对竹席切割机打磨后的竹席毛边图像进行了采集，采集图像包含信息为：厂区背景，传送带和打磨后的竹席毛边图像。故采用DNN网络语义分割的方式对竹席毛边图像进行提取：数据集为竹席切割机打磨后的毛边图像集；对图像集进行人工标注，厂区背景和传送带标记为“0”，竹席毛边图像标记为“1”；DNN网络任务为分类，故使用交叉熵函数为loss函数。
经过语义分割的图像仅为打磨后的竹席毛边图像，对竹席毛边图像进行灰度化，并且生成灰度直方图。灰度直方图将灰度图中像素点的灰度值的分布情况在二维平面坐标系中表示，其中横轴为灰度级[0，255]，纵轴为当前灰度级的像素点数量。
②分析竹席毛边特征，结合图像信息计算自适应分割阈值对灰度直方图进行多段线性分割；
为实现竹席打磨后的毛边图像的增强，首先要对整体图像特征进行分析，而后计算需要分割的阈值，最后进行灰度直方图的分段，具体做法如下：
Ⅰ.分析图像特征；
打磨后的竹席毛边图中，包含竹席所采用竹子材料的本体颜色信息、竹子粗纤维信息和打磨后的凹凸信息，根据其可视信息将其进行描述。竹席本体颜色占据最多，则在灰度图中有大量的像素占据相应的灰度级，故其在灰度直方图中表现为某一段灰度级下含有大量像素点，具体表现为最大面积波峰信息。竹子粗纤维因为其生长性质原因，表现在灰度图中为较竹子本体颜色更深，故其在灰度直方图中多表现左侧横轴部分。打磨后的凹凸区域，主要为打磨机相同的参数对竹席毛边进行打磨，而竹子自身区域内，结构不同，导致打磨不能做到十分规整。体现在灰度图中主要为因凹凸体验出的光影效果颜色较深，故其在灰度直方图左侧部位。
Ⅱ.计算差异值确定增强区双域阈值初始端点；
为确定灰度直方图自适应区域阈值，现建立新灰度区间，计算图像整体灰度
Figure 701920DEST_PATH_IMAGE003
大部分所在灰度级
Figure 227579DEST_PATH_IMAGE004
，建立
Figure 634290DEST_PATH_IMAGE005
滑动窗口，对图像整体像素的灰度值
Figure 460164DEST_PATH_IMAGE003
以窗口平均灰度
Figure 28548DEST_PATH_IMAGE006
为单位的依照灰度级
Figure 307083DEST_PATH_IMAGE004
计算分类参数
Figure 269483DEST_PATH_IMAGE007
，根据窗口差异值
Figure 684284DEST_PATH_IMAGE008
作为判断分类参数
Figure 751466DEST_PATH_IMAGE007
选择初始的自适应阈值。具体操作如下：
定义新灰度区间，新灰度区间为原灰度区间映射，映射方式如下：
Figure 251717DEST_PATH_IMAGE010
新灰度区间为[1,256]。纵轴为频率，进行归一化，使得总体频率和为1，得到权值 序列
Figure 231DEST_PATH_IMAGE011
。C表示灰度值，
Figure 269538DEST_PATH_IMAGE012
表示归一化后的频率。
Figure 710883DEST_PATH_IMAGE014
图像整体加权平均灰度值
Figure 698431DEST_PATH_IMAGE015
计算方式如下：
Figure 985056DEST_PATH_IMAGE017
其中，
Figure 577711DEST_PATH_IMAGE015
为当前图像的大部分灰度所在灰度级。
建立
Figure 924379DEST_PATH_IMAGE005
大小的滑窗，滑动步长
Figure 133643DEST_PATH_IMAGE018
，对竹席毛边图进行遍历，计算滑窗内的像 素分布情况，以窗口平均灰度
Figure 489538DEST_PATH_IMAGE006
和窗口差异值
Figure 733438DEST_PATH_IMAGE008
来表示每个滑窗内的像素分布。
窗口平均灰度值
Figure 251007DEST_PATH_IMAGE006
计算方式如下：
Figure 546902DEST_PATH_IMAGE020
窗口差异值
Figure 175330DEST_PATH_IMAGE008
计算方式如下：
Figure 273736DEST_PATH_IMAGE022
式中
Figure 962206DEST_PATH_IMAGE006
表示窗孔内的平局灰度值，
Figure 146063DEST_PATH_IMAGE008
表示窗口内中心像素值与周围8邻域的像素 的差异值，
Figure 843760DEST_PATH_IMAGE023
为滑窗中心点像素值，
Figure 62252DEST_PATH_IMAGE024
为
Figure 921624DEST_PATH_IMAGE023
周围8邻域的像素点灰度值。
分类参数
Figure 592776DEST_PATH_IMAGE007
计算如下所示：
Figure 766269DEST_PATH_IMAGE044
对
Figure 839267DEST_PATH_IMAGE026
的滑窗区域进行统计区域内窗口差异值
Figure 869540DEST_PATH_IMAGE008
，其中
Figure 27989DEST_PATH_IMAGE027
所对应的滑窗区 域中平均灰度值
Figure 67489DEST_PATH_IMAGE006
为自适应双阈值的左侧阈值初始端点
Figure 260573DEST_PATH_IMAGE028
；其中
Figure 455888DEST_PATH_IMAGE029
所对应的滑窗区 域中的平均灰度值
Figure 163950DEST_PATH_IMAGE006
为自适应双阈值的右侧阈值初始端点
Figure 741561DEST_PATH_IMAGE030
。
Ⅲ.建立
Figure 789152DEST_PATH_IMAGE002
迭代函数并根据图像特征评价参数
Figure 426807DEST_PATH_IMAGE001
。
因为灰度直方图具有明显的数据特征，故根据其数据特征建立迭代函数：
Figure DEST_PATH_IMAGE045
迭代方式为：以上述的端点
Figure 356585DEST_PATH_IMAGE002
作为初始值，计算评价参数
Figure 675571DEST_PATH_IMAGE001
，若未到达预期效 果，则对
Figure 577668DEST_PATH_IMAGE028
进行迭代，
Figure 120645DEST_PATH_IMAGE030
保持不变，重新计算评价参数
Figure 740982DEST_PATH_IMAGE001
，若未到达预期效果，则对
Figure 394817DEST_PATH_IMAGE030
进行 迭代，
Figure 682579DEST_PATH_IMAGE028
保持不变。
图像特征中，打磨后的凹凸区域灰度值有微小的变化，粗纤维区域灰度值基本无 变化，故根据此特征建立评价参数
Figure 396457DEST_PATH_IMAGE001
：
Figure 238511DEST_PATH_IMAGE046
其中
Figure 29793DEST_PATH_IMAGE035
为区间
Figure 906482DEST_PATH_IMAGE036
内所有灰度值出现的概率，当区间内粗纤维区域较多时，则评 价参数
Figure 791262DEST_PATH_IMAGE001
值越小。在区间迭代的过程中，随着区间的缩小，粗纤维区域越来越少，
Figure 120612DEST_PATH_IMAGE001
越 来越大。当
Figure 381829DEST_PATH_IMAGE001
在迭代的过程中趋近某一定值且不再增大时，此时
Figure 378604DEST_PATH_IMAGE037
则为最优阈值。
③结合评价参数
Figure 434284DEST_PATH_IMAGE001
对图像灰度直方图进行分割并对图像进行增强。
根据评价参数对
Figure 250931DEST_PATH_IMAGE002
进行迭代，直至迭代至最优阈值：
Figure 315839DEST_PATH_IMAGE039
根据最优阈值对灰度直方图进行分段，
Figure 104803DEST_PATH_IMAGE040
为上述计算的最优自适应阈值，将灰度 直方图分为三个区间：
Figure 331385DEST_PATH_IMAGE041
其中区间
Figure 635327DEST_PATH_IMAGE042
为增强区间，根据设备选择合适的增强系数对区间
Figure 503926DEST_PATH_IMAGE042
进行增强 即可。本实施例的重点在于确定增强区间，至于确定增强区间后如何选择合适的增强系数 可以在应用时自行设定，本实施例不再赘述。
（3）根据打磨效果训练神经网络来调节竹席切割装置的智能化控制。
上述中获得图像增强后的切割机打磨后的竹席的毛边图像，根据其图像特征训练神经网络对打磨状态进行分类，判断竹席毛边是否打磨达到生产需求。如未达到生产需求，而后依据不同的类别对竹席切割机的参数进行调整与纠正，使竹席切割机能能打最佳参数，对后续的竹席毛边进行打磨至达到生产需求。神经网络在此过程中担任分类任务，故损失函数选择为：交叉熵损失函数。本实施例的重点在于将图像进行增强，至于在竹席毛边不能达到生产需求时如何对竹席切割机的参数进行调节，此不是本发明的重点，且如和对竹席切割机的参数进行调节为现有技术，本实施例不再赘述。
本实施例利用图像处理技术，根据已打磨的竹席毛边图像的灰度图和灰度直方图信息，对竹席毛边图像的细节进行增强，判断竹席的毛边打磨效果，根据竹席毛边打磨效果训练神经网络调整竹席切割机的参数。本实施例在对竹席切割机切割竹席打磨毛边的基础上，利用图像增强技术增强竹席毛边图像并通过训练神经网络来实现竹席切割机的智能化调整。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种竹席切割装置的控制方法，其特征在于，包括以下步骤：
对竹席切割装置切割打磨后的竹席毛边图像信息进行采集；
通过对竹席毛边打磨图像分析特征，根据特征对图像进行自适应多段线性增强；
根据打磨效果训练神经网络来调节竹席切割装置的智能化控制。
2.根据权利要求1所述的竹席切割装置的控制方法，其特征在于，所述通过对竹席毛边打磨图像分析特征，根据特征对图像进行自适应多段线性增强，包括：
对竹席毛边打磨图像进行语义分割，并进行灰度化生成灰度直方图；
分析竹席毛边特征，结合图像信息计算自适应分割阈值对灰度直方图进行多段线性分割；
结合评价参数
Figure DEST_PATH_IMAGE001
对图像灰度直方图进行分割并对图像进行增强。
3.根据权利要求2所述的竹席切割装置的控制方法，其特征在于，所述分析竹席毛边特征，结合图像信息计算自适应分割阈值对灰度直方图进行多段线性分割，包括：
分析图像特征；
计算差异值确定增强区双域阈值初始端点；
建立
Figure 705203DEST_PATH_IMAGE002
迭代函数并根据图像特征评价参数
Figure 640797DEST_PATH_IMAGE001
。
4.根据权利要求3所述的竹席切割装置的控制方法，其特征在于，所述计算差异值确定增强区双域阈值初始端点，包括：
建立新灰度区间，计算图像整体灰度
Figure DEST_PATH_IMAGE003
大部分所在灰度级
Figure 676755DEST_PATH_IMAGE004
，建立
Figure DEST_PATH_IMAGE005
滑 动窗口，对图像整体像素的灰度值
Figure 379001DEST_PATH_IMAGE003
以窗口平均灰度
Figure 178590DEST_PATH_IMAGE006
为单位的依照灰度级
Figure 285087DEST_PATH_IMAGE004
计算分类参数
Figure DEST_PATH_IMAGE007
，根据窗口差异值
Figure 214866DEST_PATH_IMAGE008
作为判断分类参数
Figure 330589DEST_PATH_IMAGE007
选择初始的自适应阈值。
5.根据权利要求4所述的竹席切割装置的控制方法，其特征在于，计算分类参数
Figure 91741DEST_PATH_IMAGE007
的过 程如下：
定义新灰度区间，新灰度区间为原灰度区间映射，映射方式如下：
Figure 634717DEST_PATH_IMAGE010
新灰度区间为[1,256]；纵轴为频率，进行归一化，使得总体频率和为1，得到权值序列
Figure DEST_PATH_IMAGE011
，C表示灰度值，
Figure 51792DEST_PATH_IMAGE012
表示归一化后的频率；
Figure 705627DEST_PATH_IMAGE014
图像整体加权平均灰度值
Figure DEST_PATH_IMAGE015
计算方式如下：
Figure DEST_PATH_IMAGE017
其中，
Figure 321285DEST_PATH_IMAGE015
为当前图像的大部分灰度所在灰度级；
建立
Figure 35164DEST_PATH_IMAGE005
大小的滑窗，滑动步长
Figure 877218DEST_PATH_IMAGE018
，对竹席毛边图进行遍历，计算滑窗内的像素分 布情况，以窗口平均灰度
Figure 340603DEST_PATH_IMAGE006
和窗口差异值
Figure 217292DEST_PATH_IMAGE008
来表示每个滑窗内的像素分布；
窗口平均灰度值
Figure 961126DEST_PATH_IMAGE006
计算方式如下：
Figure 290476DEST_PATH_IMAGE020
窗口差异值
Figure 551693DEST_PATH_IMAGE008
计算方式如下：
Figure 17310DEST_PATH_IMAGE022
式中
Figure 72991DEST_PATH_IMAGE006
表示窗孔内的平局灰度值，
Figure 624058DEST_PATH_IMAGE008
表示窗口内中心像素值与周围8邻域的像素的差 异值，
Figure DEST_PATH_IMAGE023
为滑窗中心点像素值，
Figure 79179DEST_PATH_IMAGE024
为
Figure 664881DEST_PATH_IMAGE023
周围8邻域的像素点灰度值；
分类参数
Figure 891463DEST_PATH_IMAGE007
计算如下所示：
Figure DEST_PATH_IMAGE025
。
6.根据权利要求5所述的竹席切割装置的控制方法，其特征在于，所述根据窗口差异值
Figure 726564DEST_PATH_IMAGE008
作为判断分类参数
Figure 58145DEST_PATH_IMAGE007
选择初始的自适应阈值，包括：
对
Figure 622987DEST_PATH_IMAGE026
的滑窗区域进行统计区域内窗口差异值
Figure 20470DEST_PATH_IMAGE008
，其中
Figure DEST_PATH_IMAGE027
所对应的滑窗区域中 平均灰度值
Figure 874026DEST_PATH_IMAGE006
为自适应双阈值的左侧阈值初始端点
Figure 749578DEST_PATH_IMAGE028
；其中
Figure DEST_PATH_IMAGE029
所对应的滑窗区域中 的平均灰度值
Figure 372189DEST_PATH_IMAGE006
为自适应双阈值的右侧阈值初始端点
Figure 206153DEST_PATH_IMAGE030
。
7.根据权利要求1所述的竹席切割装置的控制方法，其特征在于，建立
Figure 953529DEST_PATH_IMAGE002
迭代函数并 根据图像特征评价参数
Figure 898351DEST_PATH_IMAGE001
，包括：
根据其数据特征建立迭代函数：
Figure 313152DEST_PATH_IMAGE032
迭代方式为：以上述的端点
Figure 52438DEST_PATH_IMAGE002
作为初始值，计算评价参数
Figure 552689DEST_PATH_IMAGE001
，若未到达预期效果，则 对
Figure 35623DEST_PATH_IMAGE028
进行迭代，
Figure 576369DEST_PATH_IMAGE030
保持不变，重新计算评价参数
Figure 752136DEST_PATH_IMAGE001
，若未到达预期效果，则对
Figure 598738DEST_PATH_IMAGE030
进行迭代，
Figure 885363DEST_PATH_IMAGE028
保持不变；
图像特征中，打磨后的凹凸区域灰度值有微小的变化，粗纤维区域灰度值基本无变化， 故根据此特征建立评价参数
Figure 9176DEST_PATH_IMAGE001
：
Figure 90265DEST_PATH_IMAGE034
其中
Figure DEST_PATH_IMAGE035
为区间
Figure 361846DEST_PATH_IMAGE036
内所有灰度值出现的概率，当区间内粗纤维区域较多时，则评价参 数
Figure 452162DEST_PATH_IMAGE001
值越小；在区间迭代的过程中，随着区间的缩小，粗纤维区域越来越少，
Figure 696062DEST_PATH_IMAGE001
越来越 大；当
Figure 682472DEST_PATH_IMAGE001
在迭代的过程中趋近某一定值且不再增大时，此时
Figure DEST_PATH_IMAGE037
则为最优阈值。
8.根据权利要求1所述的竹席切割装置的控制方法，其特征在于，所述合评价参数
Figure 706929DEST_PATH_IMAGE001
对图像灰度直方图进行分割并对图像进行增强，包括：
根据评价参数对
Figure 335356DEST_PATH_IMAGE002
进行迭代，直至迭代至最优阈值：
Figure DEST_PATH_IMAGE039
根据最优阈值对灰度直方图进行分段，
Figure 779236DEST_PATH_IMAGE040
为上述计算的最优自适应阈值，将灰度直方 图分为三个区间：
Figure DEST_PATH_IMAGE041
其中区间
Figure 123499DEST_PATH_IMAGE042
为增强区间，根据设备选择合适的增强系数对区间
Figure 572935DEST_PATH_IMAGE042
进行增强。
CN202211206254.XA 2022-09-30 2022-09-30 一种竹席切割装置的控制方法 Active CN115294112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211206254.XA CN115294112B (zh) 2022-09-30 2022-09-30 一种竹席切割装置的控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211206254.XA CN115294112B (zh) 2022-09-30 2022-09-30 一种竹席切割装置的控制方法

Publications (2)

Publication Number Publication Date
CN115294112A true CN115294112A (zh) 2022-11-04
CN115294112B CN115294112B (zh) 2023-04-14

Family

ID=83833168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211206254.XA Active CN115294112B (zh) 2022-09-30 2022-09-30 一种竹席切割装置的控制方法

Country Status (1)

Country Link
CN (1) CN115294112B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871029A (zh) * 2014-01-28 2014-06-18 西安科技大学 一种图像增强及分割方法
CN108961301A (zh) * 2018-07-12 2018-12-07 中国海洋大学 一种基于无监督逐像素分类的角毛藻图像分割方法
CN111986125A (zh) * 2020-07-16 2020-11-24 浙江工业大学 一种用于多目标任务实例分割的方法
CN114758159A (zh) * 2022-06-13 2022-07-15 迪非液压科技江苏有限公司 一种液压制动器切削工艺的切削控制方法
CN114862880A (zh) * 2022-07-06 2022-08-05 山东泰恒石材有限公司 一种基于异性石料的切割优化方法及系统
CN114972370A (zh) * 2022-02-08 2022-08-30 黄河水利职业技术学院 一种用于神经网络推理的遥感图像自适应分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871029A (zh) * 2014-01-28 2014-06-18 西安科技大学 一种图像增强及分割方法
CN108961301A (zh) * 2018-07-12 2018-12-07 中国海洋大学 一种基于无监督逐像素分类的角毛藻图像分割方法
CN111986125A (zh) * 2020-07-16 2020-11-24 浙江工业大学 一种用于多目标任务实例分割的方法
CN114972370A (zh) * 2022-02-08 2022-08-30 黄河水利职业技术学院 一种用于神经网络推理的遥感图像自适应分割方法
CN114758159A (zh) * 2022-06-13 2022-07-15 迪非液压科技江苏有限公司 一种液压制动器切削工艺的切削控制方法
CN114862880A (zh) * 2022-07-06 2022-08-05 山东泰恒石材有限公司 一种基于异性石料的切割优化方法及系统

Also Published As

Publication number Publication date
CN115294112B (zh) 2023-04-14

Similar Documents

Publication Publication Date Title
CN108765336B (zh) 基于暗亮原色先验与自适应参数优化的图像去雾方法
CN117197140B (zh) 基于机器视觉的不规则金属扣成型检测方法
CN103175844A (zh) 一种金属零部件表面划痕缺陷检测方法
CN109377450A (zh) 一种边缘保护的去噪方法
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN115018845B (zh) 一种润滑油磨粒质量检测方法
CN115272319B (zh) 一种矿石粒度检测方法
CN112365450A (zh) 基于图像识别的物品分类计数的方法、装置和存储介质
CN115049657A (zh) 一种玻璃缺陷检测方法
CN115861313B (zh) 一种用于磨头的磨损检测方法
CN115082465A (zh) 基于扫描电镜图像处理的羊毛羊绒分类方法
CN115239736A (zh) 用于金刚石磨轮生产的磨料层混料质量监测方法
CN114627116B (zh) 一种基于人工智能的织物疵点识别方法及系统
CN116029941A (zh) 一种建筑垃圾的视觉图像增强处理方法
CN115294112B (zh) 一种竹席切割装置的控制方法
CN105631816A (zh) 一种虹膜图像噪声分类检测方法
CN107967690B (zh) 一种自适应铁谱磨粒图像二值化处理方法
CN115841600B (zh) 基于深度学习的甘薯外观品质分类方法
CN115937755B (zh) 一种拖拉机变速箱立铣刀片视觉检测方法
CN115797234A (zh) 一种增强低对比度二维码图像识别效果的方法
CN115464557A (zh) 基于路径调整移动机器人作业的方法及移动机器人
CN111860521B (zh) 一种畸变喷码字符逐层分割的方法
CN110647843B (zh) 一种人脸面部图像处理方法
CN116681703B (zh) 一种智能开关质量快速检测方法
CN117745724B (zh) 基于视觉分析的石材打磨加工缺陷区域分割方法

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