CN115311291B - 用于孔洞加工的孔洞堵塞的清洗方法 - Google Patents

用于孔洞加工的孔洞堵塞的清洗方法 Download PDF

Info

Publication number
CN115311291B
CN115311291B CN202211245027.8A CN202211245027A CN115311291B CN 115311291 B CN115311291 B CN 115311291B CN 202211245027 A CN202211245027 A CN 202211245027A CN 115311291 B CN115311291 B CN 115311291B
Authority
CN
China
Prior art keywords
hole
abnormal
degree
region
edge
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
CN202211245027.8A
Other languages
English (en)
Other versions
CN115311291A (zh
Inventor
杨斌
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 Hushen Metal Products Co ltd
Original Assignee
Nantong Hushen Metal Products 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 Hushen Metal Products Co ltd filed Critical Nantong Hushen Metal Products Co ltd
Priority to CN202211245027.8A priority Critical patent/CN115311291B/zh
Publication of CN115311291A publication Critical patent/CN115311291A/zh
Application granted granted Critical
Publication of CN115311291B publication Critical patent/CN115311291B/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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种用于孔洞加工的孔洞堵塞的清洗方法，该包括：获取工件表面灰度图像，对图像进行边缘检测得到边缘图像；对边缘图像进行霍夫圆检测得到各孔洞区域对应的标准霍夫圆半径，并获取孔洞区域的所有边缘像素点在霍夫空间的投影圆半径，进而获取第一异常程度；获取各异常区域内像素点的梯度方向，计算孔洞区域内同一异常区域的平均灰度值，根据异常区域内像素点的梯度方向和平均灰度值得到孔洞区域内异常区域的第二异常程度；根据第一异常程度和第二异常程度得到孔洞区域的堵塞程度，根据所述堵塞程度对孔洞进行清洗。本发明能够准确地获取孔洞的堵塞程度，并根据不同堵塞程度对孔洞进行清洗。

Description

用于孔洞加工的孔洞堵塞的清洗方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种用于孔洞加工的孔洞堵塞的清洗方法。
背景技术
工件表面需要打较小的孔洞时，需要使用激光来对工件进行打孔，在进行激光打孔时，激光束照射到工件表面产生极高的温度，使工件表面迅速汽化并且蒸发掉，从而实现切割金属的目的。而通过激光打孔后孔洞中会残留工件气化的金属，当打孔完成后，会导致残留的气化金属冷却，在孔洞内部产生熔渣，导致孔洞中存在堵塞，并且在工件的下方凝固就会在工件切割面上形成一层附着的毛刺，影响孔洞的质量。
因此通过检测孔洞的堵塞程度，并对孔洞进行清理就显得尤为重要。现有方法通过采集孔洞图像，利用阈值分割的方法图像进行处理获取发生堵塞的部分，进而对存在堵塞的孔洞进行清洗。该方法阈值的选取会影响结果的不准确，进而影响对孔洞堵塞程度的判断，导致无法对发生堵塞的孔洞进行及时的清洗。
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用于孔洞加工的孔洞堵塞的清洗方法，所采用的技术方案具体如下：
获取工件表面灰度图像，将去噪后的图像进行边缘检测得到边缘图像；
对边缘图像进行霍夫圆检测得到各孔洞区域对应的标准霍夫圆半径，并获取孔洞区域的所有边缘像素点在霍夫空间的投影圆半径；根据孔洞区域的标准霍夫圆半径与投影圆半径得到孔洞区域存在异常像素点的第一异常程度；
将相邻的异常像素点视为同一异常区域，获取各异常区域内像素点的梯度方向，计算孔洞区域内同一异常区域的平均灰度值，根据异常区域内像素点的梯度方向和平均灰度值得到孔洞区域内异常区域的第二异常程度；
根据孔洞区域对应的第一异常程度和第二异常程度得到孔洞区域的堵塞程度，根据所述堵塞程度对孔洞进行清洗。
优选地，所述第一异常程度的获取方法具体为：
Figure 151688DEST_PATH_IMAGE001
其中，
Figure 806529DEST_PATH_IMAGE002
表示第t个孔洞区域的第q个投影圆存在异常像素点的第一异常程度，
Figure 589808DEST_PATH_IMAGE003
表示为第t个孔洞区域的标准霍夫圆的第q个投影圆半径，
Figure 193965DEST_PATH_IMAGE004
表示为第t个孔洞区域的标准霍夫圆半径，
Figure 207926DEST_PATH_IMAGE005
表示为霍夫空间中投影到第q个投影圆的边缘点总个数，
Figure 913845DEST_PATH_IMAGE006
表示为第t个孔洞区域的标准霍夫圆与第q个投影圆的圆心之间的欧式距离。
优选地，所述计算孔洞区域内同一异常区域的平均灰度值具体为：
Figure 422187DEST_PATH_IMAGE007
其中，
Figure 135977DEST_PATH_IMAGE008
为图像中第
Figure 884622DEST_PATH_IMAGE009
个异常区域内的第
Figure 61525DEST_PATH_IMAGE010
个像素点的灰度值，n为第k个异常区域内的像素点数量，
Figure 357246DEST_PATH_IMAGE011
为图像中第
Figure 686727DEST_PATH_IMAGE009
个异常区域内的灰度均值。
优选地，所述根据异常区域内像素点的梯度方向和平均灰度值得到孔洞区域内异常区域的第二异常程度具体为：
Figure 855540DEST_PATH_IMAGE012
式中，
Figure 972270DEST_PATH_IMAGE013
表示图像孔洞内第
Figure 369884DEST_PATH_IMAGE009
个异常区域的异常程度，
Figure 68719DEST_PATH_IMAGE011
为图像中第
Figure 595384DEST_PATH_IMAGE009
个异常区域内的灰度均值，
Figure 497612DEST_PATH_IMAGE014
表示为孔洞中不存在毛刺或熔渣时的灰度取值大小，
Figure 948185DEST_PATH_IMAGE015
表示第k个异常区域内第j个边缘像素点和第j+1个边缘像素点的灰度梯度方向差异，J表示第k个异常区域内的异常边缘像素点总数。
优选地，所述根据孔洞区域对应的第一异常程度和第二异常程度得到孔洞区域的堵塞程度具体为：
Figure 706055DEST_PATH_IMAGE016
式中，
Figure 967403DEST_PATH_IMAGE017
表示第t个孔洞区域的堵塞程度，
Figure 809457DEST_PATH_IMAGE002
表示第
Figure 312989DEST_PATH_IMAGE018
个孔洞内的第
Figure 658519DEST_PATH_IMAGE019
个投影圆的边缘点的异常程度，
Figure 90769DEST_PATH_IMAGE020
表示孔洞内所有边缘像素点共得到
Figure 200545DEST_PATH_IMAGE020
个投影圆，
Figure 9232DEST_PATH_IMAGE013
表示孔洞内第
Figure 209269DEST_PATH_IMAGE009
个异常区域的异常程度，
Figure 576534DEST_PATH_IMAGE021
表示孔洞内共有
Figure 393181DEST_PATH_IMAGE021
个异常区域，
Figure 943242DEST_PATH_IMAGE022
和
Figure 732206DEST_PATH_IMAGE023
表示权重系数。
本发明实施例至少具有如下有益效果：
本发明对得到的图像中打孔位置的空洞进行检测，并根据检测后的结果分析图像中的每一个空洞的堵塞程度，以及边缘毛刺的大小，并根据图像中孔洞的边缘毛刺和内部的堵塞程度进行分析，并根据图像中的孔洞边缘和孔洞的堵塞程度计算孔洞需要进行清理的时间。本发明能够获取不同孔洞的不同堵塞程度，并根据堵塞程度对孔洞进行及时的清洗。
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是本发明的一种用于孔洞加工的孔洞堵塞的清洗方法的方法流程图。
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一种用于孔洞加工的孔洞堵塞的清洗方法，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。
下面结合附图具体的说明本发明所提供的一种用于孔洞加工的孔洞堵塞的清洗方法的具体方案。
实施例：
本发明的主要目的是：
利用机器视觉检测工件孔洞的堵塞情况，由于孔洞的孔较小，且孔洞较多，所以工件的不同部位的堵塞程度也不相同，孔洞堵塞的程度不一样时，需要进行清理的时间也并不相同，计算图像中的工件的每个孔洞的堵塞程度。
首先，对激光打孔后的工件进行检测，在采样台的下方安装光源，将工件放置在采样台上，并在工件的上方安装高精度相机，采集工件的打孔位置的图像。然后，对得到的图像中打孔位置的空洞进行检测，并根据检测后的结果分析图像中的每一个空洞的堵塞程度，以及边缘毛刺的大小，并根据图像中孔洞的边缘毛刺和内部的堵塞程度进行分析，并根据图像中的孔洞边缘和孔洞的堵塞程度计算孔洞需要进行清理的时间。最后，根据不同孔洞的堵塞程度对孔洞进行清洗。
请参阅图1，其示出了本发明一个实施例提供的一种用于孔洞加工的孔洞堵塞的清洗方法的方法流程图，该方法包括以下步骤：
步骤一，获取工件表面灰度图像，将去噪后的图像进行边缘检测得到边缘图像。
具体地，通过在工件的上方安装高精度相机，采集清晰的工件表面图像，对图像进行预处理，图像预处理的目的主要是从图象中去除掉繁杂的信息，增强图像的对比度，使图像的边缘信息更加明显。由于工业相机采集的图像是RGB彩色图像，将图像根据需要转化为灰度图像，图像进行灰度转换后图像所包含的数据量减少，但图像中原有的特征信息保持不变。将灰度化后的图像记为工件表面灰度图像。
工业生产的过程中，由于工厂的环境复杂，并且采集相机的高频操作，图像中会出现高斯噪声和椒盐噪声，图像中的噪声极大程度的影响图像中孔洞边缘检测的检测质量，因此通过均值滤波对图像进行去噪，减少图像中噪声对把边缘检测出的影响。由于打孔得到的空洞较小，很难检测到准确的孔洞异常点以及孔洞毛刺和熔渣异常点很难分清楚，但是，他们的影响程度以及需要经过清洗的参数不同，如果不能准确的获取两者的异常特征评估，会造成最终孔洞清洗效果较差。
进而对预处理后的工件表面灰度图像进行边缘检测，在本实施例中，利用canny边缘检测算法对图像进行处理得到边缘图像，实施者可根据实际情况选择合适的算法对图像进行处理。
步骤二，对边缘图像进行霍夫圆检测得到各孔洞区域对应的标准霍夫圆半径，并获取孔洞区域的所有边缘像素点在霍夫空间的投影圆半径；根据孔洞区域的标准霍夫圆半径与投影圆半径得到孔洞区域存在异常像素点的第一异常程度。
需要说明的是，工件进激光打孔后，孔洞的周围由于温度的降低，会在孔洞的边缘位置产生凝结，导致图像的边缘产生毛刺，并且孔洞内也会存在金属气化后的颗粒并没有排除干净，导致孔洞的内部产生气化金属凝结，影响打孔金属的使用，因此，激光打孔后需要对工件的孔洞进行清洗。
实际中，在对图像进行清理时通过长时间的流体加压对孔洞进行研磨将，但研磨的时间较长时，会产生研磨过度，而研磨的时间较短时，又会影响孔洞的清理不完全。则本发明提出了一种激光打孔工件打孔后是否发生堵塞的清洗方法，对打孔后的工件孔洞中存在堵塞的孔洞进行划分，根据不同孔洞的堵塞程度对工件的孔洞进行不同程度的清洗。
具体地，对得到的图像进行霍夫圆检测，得到图像中圆的孔洞的霍夫圆，根据得到图像中的第
Figure 479494DEST_PATH_IMAGE018
个霍夫圆的方程，用得到的霍夫圆来表征图像中存在异常的孔洞标准圆，根据得到的标准霍夫圆的方程得到图像中第
Figure 517858DEST_PATH_IMAGE018
个孔洞标准霍夫圆的半径
Figure 137189DEST_PATH_IMAGE004
。
通过canny边缘检测得到图像中的孔洞的边缘点的坐标，将得到的边缘的坐标映射到霍夫圆检测的标准圆的方程上，根据得到映射图像中的结果图像之间的映射关系，计算得到图像中的孔洞边缘的异常像素点的大小，其中，异常像素点表示孔洞中的毛刺或熔渣边缘像素点。霍夫圆检测将所有边缘点在霍夫空间中进行投影，部分不属于标准圆的边缘像素点会在霍夫空间投影到其他圆模型中，进而可以获得属于同一个孔洞区域的其他投影霍夫圆以及其半径。
通过边缘检测得到的边缘点坐标计算孔洞上的点落在霍夫圆上的中存在异常像素点的异常程度，记为第一异常程度，用公式表示为：
Figure 842977DEST_PATH_IMAGE001
其中，
Figure 489728DEST_PATH_IMAGE024
表示第t个孔洞区域的第q个投影圆的第一异常程度，即第t个孔洞区域的第q个投影圆的边缘像素点的异常程度，
Figure 280966DEST_PATH_IMAGE025
表示为第t个孔洞区域的标准霍夫圆的第q个投影圆半径，
Figure 907251DEST_PATH_IMAGE026
表示为第t个孔洞区域的标准霍夫圆半径，
Figure 733124DEST_PATH_IMAGE005
表示为霍夫空间中投影到第q个投影圆的边缘点总个数，
Figure 550776DEST_PATH_IMAGE006
表示为第t个孔洞区域的标准霍夫圆与第q个投影圆的圆心之间的欧式距离。进而按照同样的方法，获取所有共圆的边缘像素点的异常程度。
需要说明的是，由于霍夫圆检测将所有边缘点在霍夫空间中进行投影，部分不属于标准圆的边缘像素点会在霍夫空间投影到其他圆模型中，其他圆模型的圆心点与标准圆的圆心点距离表征边缘像素点的异常程度。由于霍夫圆空间中很难获取投影像素点的图像空间坐标信息，同时，也会受到霍夫圆检测算法中投票阈值的限制，造成异常像素点的错检，所以，将所有异常的边缘像素点从霍夫空间重新投影到图像空间坐标中，利用图像空间中的异常边缘像素点的灰度和分布特征进一步异常程度评估。
步骤三，将相邻的异常像素点视为同一异常区域，获取各异常区域内像素点的梯度方向，计算孔洞区域内同一异常区域的平均灰度值，根据异常区域内像素点的梯度方向和平均灰度值得到孔洞区域内异常区域的第二异常程度。
需要说明的是，异常边缘像素点包括毛刺和熔渣边缘像素点，孔洞的堵塞程度受到孔洞的边缘的毛刺和孔洞内部熔渣的影响程度的限制，由于熔渣和毛刺之间的灰度分布变化存在差异以及边缘像素点的位置特征不同，所以，利用熔渣和毛刺之间的特征差异进一步对孔洞异常程度进行评估。一般的，孔洞图像采集是下方安装光源，通过相机获取孔洞图像，所以，采集的图像中没有堵塞的微孔中的灰度值较大，灰度取值一般为255，而毛刺区域的亮度分布不均，熔渣区域相对灰度较暗，所以，根据孔洞内的异常像素点的平均灰度值g ̅(x,y)的值判断孔洞异常像素点是否为熔渣。
具体地，通过异常边缘像素点在图像空间中，位置坐标相邻的异常像素点视为同一异常区域，所述的，同一异常区域包括毛刺区域和熔渣区域。因为毛刺具有延展特性，所以，灰度梯度方向差异不大。此处，可获取相邻的第
Figure 32573DEST_PATH_IMAGE028
个异常像素点和第
Figure 977396DEST_PATH_IMAGE029
个异常像素点的灰度梯度方向
Figure 142929DEST_PATH_IMAGE030
，利用灰度梯度方向差异
Figure 147794DEST_PATH_IMAGE031
来评估灰度梯度方向一致性。其中，像素点的灰度梯度方向的获取方式为常用方法，不再详细赘述。
进一步的，计算同一异常区域内部的平均灰度值，用公式表示为：
Figure 897313DEST_PATH_IMAGE032
其中，
Figure 927717DEST_PATH_IMAGE008
为图像中第
Figure 462604DEST_PATH_IMAGE033
个异常区域内的第
Figure 616199DEST_PATH_IMAGE010
个像素点的灰度值，n为第k个异常区域内的像素点数量，
Figure 603746DEST_PATH_IMAGE011
为图像中第
Figure 93634DEST_PATH_IMAGE009
个异常区域内的灰度均值。
根据异常区域内像素点的梯度方向和平均灰度值得到孔洞区域内异常区域的第二异常程度，用公式表示为：
Figure 233759DEST_PATH_IMAGE012
式中，
Figure 580427DEST_PATH_IMAGE013
表示图像孔洞内第
Figure 570117DEST_PATH_IMAGE009
个异常区域的异常程度，
Figure 129275DEST_PATH_IMAGE011
为图像中第
Figure 123907DEST_PATH_IMAGE009
个异常区域内的灰度均值，
Figure 907055DEST_PATH_IMAGE014
表示为孔洞中不存在毛刺或熔渣时的灰度取值大小，
Figure 852883DEST_PATH_IMAGE015
表示第k个异常区域内第j个边缘像素点和第j+1个边缘像素点的灰度梯度方向差异，J表示第k个异常区域内的异常边缘像素点总数，
Figure 481310DEST_PATH_IMAGE034
表示第k个异常区域内的灰度梯度差异之和，为了避免量纲的影响，对上述公式的第一项和第二项进行归一化处理，归一化函数为：
Figure 330449DEST_PATH_IMAGE035
，归一化为常规操作，不再赘述。
至此，根据霍夫圆检测算法获取了异常像素点的异常程度以及孔洞内的异常程度。
步骤四，根据孔洞区域对应的第一异常程度和第二异常程度得到孔洞区域的堵塞程度，根据所述堵塞程度对孔洞进行清洗。
根据图像中的孔洞的边缘的毛刺的影响程度和孔洞中的灰度之间的异常程度计算图像中单个孔洞的堵塞程度：即根据各子区域中各微孔是否存在毛刺和各微孔是否堵塞的数量计算图像中的各区域的堵塞程度，具体地，根据孔洞区域对应的第一异常程度和第二异常程度得到孔洞区域的堵塞程度，用公式表示为：
Figure 64924DEST_PATH_IMAGE036
式中，
Figure 514360DEST_PATH_IMAGE002
表示第
Figure 884162DEST_PATH_IMAGE018
个孔洞内的第
Figure 853386DEST_PATH_IMAGE019
个投影圆的边缘点的异常程度，
Figure 712757DEST_PATH_IMAGE020
表示孔洞内所有边缘像素点共得到
Figure 639037DEST_PATH_IMAGE020
个投影圆，
Figure 140426DEST_PATH_IMAGE013
表示孔洞内第
Figure 964156DEST_PATH_IMAGE009
个异常区域的异常程度，
Figure 994429DEST_PATH_IMAGE021
表示孔洞内共有
Figure 402146DEST_PATH_IMAGE021
个异常区域，
Figure 910487DEST_PATH_IMAGE037
表示权重系数，
Figure 588725DEST_PATH_IMAGE038
表示第t个孔洞区域的堵塞程度，即表示第
Figure 789899DEST_PATH_IMAGE040
个孔洞内区域的异常程度。进而获取所有孔洞的堵塞程度，通过不同孔洞内的堵塞程度进行工件清洗参数的调整。
磨粒流抛光是表面加工中发展起来的一项新工艺，通过将半固态的流体磨料挤压到达工件待加工表面来达到去毛刺、抛光、倒角和去除再铸层的目的。磨粒流工艺的优点在于：处理内孔以及不规则形状的工件抛光时，有着极为优异的表现，效率高、效果好。喷丝板属于精密金属小孔、深孔，适合用磨粒流抛光技术。本实施例根据喷丝板不同区域的堵塞情况对清洗设备的压力和清洗时间进行自动调节，根据不同的区域的堵塞情况对每个区域采取不同强度的清洗。
通过获取喷丝板各孔洞区域的堵塞程度，且堵塞程度
Figure 481649DEST_PATH_IMAGE041
的取值范围在
Figure 278835DEST_PATH_IMAGE042
之间，且的值越大，各子区域的喷丝板的堵塞程度越严重。
在清洗过程后中，子区域对应的
Figure 326425DEST_PATH_IMAGE041
值越大，清洗该区域时的用到的半固态的流体越多，对应的挤压压力也就越大，清洗时间也就越长。
根据喷丝板各孔洞区域的堵塞程度对喷丝板孔洞进行不同程度的清洗和抛光，保证了喷丝板的的清洗效果，也最大程度的利用资源。
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范围，均应包含在本申请的保护范围之内。

Claims (3)

1.一种用于孔洞加工的孔洞堵塞的清洗方法，其特征在于，该方法包括以下步骤：
获取工件表面灰度图像，将去噪后的图像进行边缘检测得到边缘图像；
对边缘图像进行霍夫圆检测得到各孔洞区域对应的标准霍夫圆半径，并获取孔洞区域的所有边缘像素点在霍夫空间的投影圆半径；根据孔洞区域的标准霍夫圆半径与投影圆半径得到孔洞区域存在异常像素点的第一异常程度；
将相邻的异常像素点视为同一异常区域，获取各异常区域内像素点的梯度方向，计算孔洞区域内同一异常区域的平均灰度值，根据异常区域内像素点的梯度方向和平均灰度值得到孔洞区域内异常区域的第二异常程度；
根据孔洞区域对应的第一异常程度和第二异常程度得到孔洞区域的堵塞程度，根据所述堵塞程度对孔洞进行清洗；
所述表征霍夫圆半径的获取方法具体为：对边缘图像进行霍夫圆检测得到孔洞的霍夫圆，根据第t个霍夫圆的方程计算得到第t个标准霍夫圆半径；
所述第一异常程度的获取方法具体为：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
表示第t个孔洞区域的第q个投影圆存在异常像素点的第一异常程度，
Figure DEST_PATH_IMAGE003
表示为第t个孔洞区域的标准霍夫圆的第q个投影圆半径，
Figure DEST_PATH_IMAGE004
表示为第t个孔洞区域的标准霍夫圆半径，
Figure DEST_PATH_IMAGE005
表示为霍夫空间中投影到第q个投影圆的边缘点总个数，
Figure DEST_PATH_IMAGE006
表示为第t个孔洞区域的标准霍夫圆与第q个投影圆的圆心之间的欧式距离；
所述根据异常区域内像素点的梯度方向和平均灰度值得到孔洞区域内异常区域的第二异常程度具体为：
Figure DEST_PATH_IMAGE007
式中，
Figure DEST_PATH_IMAGE008
表示图像孔洞内第
Figure DEST_PATH_IMAGE009
个异常区域的异常程度，
Figure DEST_PATH_IMAGE010
为图像中第
Figure 736019DEST_PATH_IMAGE009
个异常区域内的灰度均值，
Figure DEST_PATH_IMAGE011
表示为孔洞中不存在毛刺或熔渣时的灰度取值大小，
Figure DEST_PATH_IMAGE012
表示第k个异常区域内第j个边缘像素点和第j+1个边缘像素点的灰度梯度方向差异，J表示第k个异常区域内的异常边缘像素点总数。
2.根据权利要求1所述的一种用于孔洞加工的孔洞堵塞的清洗方法，其特征在于，所述计算孔洞区域内同一异常区域的平均灰度值具体为：
Figure DEST_PATH_IMAGE013
其中，
Figure DEST_PATH_IMAGE014
为图像中第
Figure 715477DEST_PATH_IMAGE009
个异常区域内的第
Figure DEST_PATH_IMAGE015
个像素点的灰度值，n为第k个异常区域内的像素点数量，
Figure 823110DEST_PATH_IMAGE010
为图像中第
Figure 483898DEST_PATH_IMAGE009
个异常区域内的灰度均值。
3.根据权利要求1所述的一种用于孔洞加工的孔洞堵塞的清洗方法，其特征在于，所述根据孔洞区域对应的第一异常程度和第二异常程度得到孔洞区域的堵塞程度具体为：
Figure DEST_PATH_IMAGE016
式中，
Figure DEST_PATH_IMAGE017
表示第t个孔洞区域的堵塞程度，
Figure 767112DEST_PATH_IMAGE002
表示第
Figure DEST_PATH_IMAGE018
个孔洞内的第
Figure DEST_PATH_IMAGE019
个投影圆的边缘点的异常程度，
Figure DEST_PATH_IMAGE020
表示孔洞内所有边缘像素点共得到
Figure 386312DEST_PATH_IMAGE020
个投影圆，
Figure 918925DEST_PATH_IMAGE008
表示孔洞内第
Figure 117825DEST_PATH_IMAGE009
个异常区域的异常程度，
Figure DEST_PATH_IMAGE021
表示孔洞内共有
Figure 380179DEST_PATH_IMAGE021
个异常区域，
Figure DEST_PATH_IMAGE022
和
Figure DEST_PATH_IMAGE023
表示权重系数。
CN202211245027.8A 2022-10-12 2022-10-12 用于孔洞加工的孔洞堵塞的清洗方法 Active CN115311291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211245027.8A CN115311291B (zh) 2022-10-12 2022-10-12 用于孔洞加工的孔洞堵塞的清洗方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211245027.8A CN115311291B (zh) 2022-10-12 2022-10-12 用于孔洞加工的孔洞堵塞的清洗方法

Publications (2)

Publication Number Publication Date
CN115311291A CN115311291A (zh) 2022-11-08
CN115311291B true CN115311291B (zh) 2023-04-21

Family

ID=83868316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211245027.8A Active CN115311291B (zh) 2022-10-12 2022-10-12 用于孔洞加工的孔洞堵塞的清洗方法

Country Status (1)

Country Link
CN (1) CN115311291B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764790A (zh) * 2022-03-31 2022-07-19 南通市立新机械制造有限公司 一种基于霍夫圆检测的齿轮断齿检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09251544A (ja) * 1996-03-14 1997-09-22 Toshiba Corp ワークエッジ検出画像処理装置
CN109141232B (zh) * 2018-08-07 2020-09-25 常州好迪机械有限公司 一种基于机器视觉的盘类铸件在线检测方法
CN113610773B (zh) * 2021-07-16 2023-08-08 广州大学 一种垫片孔洞质量检测方法、系统、装置及存储介质
CN114972343B (zh) * 2022-07-29 2022-10-25 山东睿鑫激光科技有限公司 一种激光焊接产品生产异常检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764790A (zh) * 2022-03-31 2022-07-19 南通市立新机械制造有限公司 一种基于霍夫圆检测的齿轮断齿检测方法

Also Published As

Publication number Publication date
CN115311291A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
Yu et al. A machine vision method for measurement of machining tool wear
Dutta et al. Application of digital image processing in tool condition monitoring: A review
Su et al. An automated flank wear measurement of microdrills using machine vision
You et al. On-line milling cutter wear monitoring in a wide field-of-view camera
Peng et al. Application of machine vision method in tool wear monitoring
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
CN114279357A (zh) 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统
CN108802051B (zh) 一种柔性ic基板直线线路气泡及折痕缺陷检测系统及方法
Bagga et al. A novel approach of combined edge detection and segmentation for tool wear measurement in machining
CN112907556A (zh) 一种基于机器视觉的旋转刀具磨损量自动测量方法
CN113752086A (zh) 一种用于数控机床刀具状态检测的方法和装置
CN112067618A (zh) 一种基于图形化的产品质量缺陷采集分析系统
CN116758071A (zh) 一种视觉辅助下碳电极脏污智能检测方法
CN113222955A (zh) 一种基于机器视觉的齿轮尺寸参数自动测量方法
Dutta et al. Digital image processing in machining
WO2015115499A1 (ja) 工具検査方法及び工具検査装置
Atli et al. A computer vision-based fast approach to drilling tool condition monitoring
Pimenov et al. State-of-the-art review of applications of image processing techniques for tool condition monitoring on conventional machining processes
Póka et al. A robust digital image processing method for measuring the planar burr length at milling
CN115311291B (zh) 用于孔洞加工的孔洞堵塞的清洗方法
CN106767467A (zh) 一种基于机器视觉的可转位刀片钝圆检测系统
Makhesana et al. Comparative analysis of different machine vision algorithms for tool wear measurement during machining
CN109636785A (zh) 一种识别金刚砂颗粒的视觉处理方法
KR20080114648A (ko) 드릴검사장치, 드릴검사방법, 및 그 프로그램을 기록한 기록매체

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