CN115330989A - 一种用于激光束切割的控制方法 - Google Patents
一种用于激光束切割的控制方法 Download PDFInfo
- Publication number
- CN115330989A CN115330989A CN202211255788.1A CN202211255788A CN115330989A CN 115330989 A CN115330989 A CN 115330989A CN 202211255788 A CN202211255788 A CN 202211255788A CN 115330989 A CN115330989 A CN 115330989A
- Authority
- CN
- China
- Prior art keywords
- image
- circle
- spatial domain
- spectrogram
- airspace
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/36—Removing material
- B23K26/38—Removing material by boring or cutting
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明涉及激光束切割控制技术领域,具体涉及一种用于激光束切割的控制方法。该方法包括:获得频谱遮罩图,将频谱遮罩图转化为空域图像,对不同空域图像进行分类获得不同类别的空域图像;得到每个类别的综合空域图像的平均梯度方向熵;平均梯度方向熵最小的综合空域图像为切缝空域图像;通过切缝空域图像获取切缝边缘,计算其他每个类别的空域图像中的像素点到切缝边缘的最小距离的平均值,所述平均值小于预设阈值的类别中的空域图像中像素点组成缺陷像素点集合;基于缺陷像素点集合中缺陷像素点的数量对当前时刻的激光切割功率进行调节。本发明可以基于激光切割后的切缝的毛刺和挂渣情况实时的对激光切割功率进行调节。
Description
技术领域
本发明涉及激光束切割控制技术领域,具体涉及一种用于激光束切割的控制方法。
背景技术
现有的关于激光切割的自动化控制方法主要分为两类,一类是编程控制激光切割,一类是利用机器视觉控制激光切割。
在利用编程控制激光切割时,由于编程的程序相对固化,在切割过程中实际情况可能会发生变化,但并不能对程序中给定的控制激光切割的参数进行调整,此时就会导致切割时出现的毛刺和挂渣缺陷积累,只能在切割完成后才能对缺陷进行处理。
另一类利用机器视觉控制激光切割,能够实时的监控切割情况,及时的进行修正调整,在利用机器视觉控制激光切割时需要检测切割过程中出现的毛刺和挂渣缺陷,通常会利用阈值分割的方法得到毛刺和挂渣区域,但是通过阈值分割来分割毛刺和挂渣区域时,由于毛刺和挂渣区域即存在过亮的像素点,还存在过暗的像素点,因此通过一个阈值很难分割出毛刺和挂渣区域,且由于阈值的难以选择,也会导致分割的毛刺和挂渣区域不准确。
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激光束切割的控制方法,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种用于激光束切割的控制方法:
获取当前时刻的激光切割后的切缝图像并灰度化得到灰度图;将灰度图转化为频谱图,以频谱图中心为圆心在频谱图中作圆得到多个不同的圆;基于频谱图中面积最小的圆和每两个相邻的圆组成的圆环得到面积最小的圆以及每两个相邻的圆组成的圆环对应的遮罩图像;
不同的遮罩图像与频谱图相乘得到不同的频谱遮罩图;将频谱遮罩图转化为空域图像,空域图像中像素点的不同的梯度值出现的频率组成空域图像的梯度频率向量;空域图像中像素点的不同的梯度方向角度出现的频率组成空域图像的梯度方向频率向量;基于不同空域图像之间的梯度频率向量的差异和梯度方向频率向量的差异进行分类获得不同类别的空域图像;
将每个类别的空域图像对应的遮罩图像进行融合获得每个类别的综合遮罩图像;将每个类别的综合遮罩图像与频谱图相乘后转化为每个类别的综合空域图像;对综合空域图像进行边缘检测,基于边缘检测时滑动窗口内边缘像素点的不同的梯度方向角度出现频率得到梯度方向熵,所有滑动窗口对应的梯度方向熵的均值为综合空域图像的平均梯度方向熵;平均梯度方向熵最小的综合空域图像为切缝空域图像;
通过切缝空域图像获取切缝边缘,计算其他每个类别的空域图像中的像素点到切缝边缘的最小距离的平均值,所述平均值小于预设阈值的类别中的空域图像中像素点组成缺陷像素点集合;基于缺陷像素点集合中缺陷像素点的数量对当前时刻的激光切割功率进行调节。
优选地,以频谱图中心为圆心在频谱图中作圆得到多个不同的圆,包括:以频谱图中心为圆心,第一预设值为半径作圆获得第一个圆,第一个圆为面积最小的圆;以频谱图中心为圆心,第二预设值为半径作圆获得第二个圆,第二预设值与第一预设值的差值为1;以频谱图中心为圆心,以第三预设值为半径作圆获得第三个圆,第三预设值与第二预设值的差值为1;以此类推,直至以频谱图中心为圆心的圆的半径为频谱图长度的一半,停止作圆得到频谱图中多个不同的圆。
优选地,得到面积最小的圆以及每两个相邻的圆组成的圆环对应的遮罩图像,包括:所述遮罩图像的尺寸与频谱图的尺寸相同;面积最小的圆对应的遮罩图像中面积最小的圆所在区域的像素点的像素值为1,其他区域像素点的像素值为0;每两个相邻的圆组成的圆环对应的遮罩图像中两个相邻的圆组成的圆环所在区域的像素点的像素值为1,其他区域像素点的像素值为0。
优选地,获得不同类别的空域图像,包括:基于每两个空域图像的梯度频率向量和梯度方向频率向量获得每两个空域图像之间的纹理分布相似度;所述每两个空域图像之间的纹理分布相似度为:
其中,表示第i个空域图像和第j个空域图像之间的纹理分布相似度;表示第i个空域图像的梯度频率向量,表示第j个空域图像的梯度频率向量;表示第i个空域图像的梯度方向频率向量,表示第j个空域图像的梯度方向频率向量;表示第i个空域图像的梯度频率向量和第j个空域图像的梯度频率向量的余弦相似度;表示第i个空域图像的梯度方向频率向量和第j个空域图像的梯度方向频率向量的余弦相似度;
基于每两个空域图像之间的纹理分布相似度进行聚类获得不同类别的空域图像。
优选地,基于缺陷像素点集合中缺陷像素点的数量对当前时刻的激光切割功率进行调节,包括:缺陷像素点集合中缺陷像素点的数量与切缝边缘数量的比值为单位切缝边缘缺陷程度;获得常量参数,单位切缝边缘缺陷程度与常量参数的比值为当前时刻的激光切割功率调整量;利用当前时刻的激光切割功率调整量对当前时刻的激光切割功率进行上调。
本发明实施例至少具有如下有益效果:本发明对当前时刻激光切割的切缝图像进行采集,然后将其转化到频域中得到频谱图,同时在频谱图中利用以频谱图中心为圆心的同心圆进行划分得到不同频段的频谱遮罩图,也即是得到了不同频段的空域图像,这里结合了切缝图像的频域信息,之后对空域图像中的梯度信息分析进行分类时又结合了图像的空间域的信息,考虑的信息比较全面;进一步的对每个类别的综合空域图像像素梯度分布特征进行分析得到切缝空域图像,在切缝空域图像上获取切缝边缘排除了其他像素点信息的干扰,获得了更加精确的切缝边缘,使得后续基于像素点与切缝边缘的最小距离筛选出毛刺、挂渣像素点时的筛选结果更加准确,能够更加精确的基于毛刺和挂渣像素点的数量对激光切割功率进行调节;同时由于本发明采集的当前时刻激光切割后的切缝图像,基于当前时刻切缝图像的分析结果实时的对激光切割功率进行调节,保证了后续激光切割的质量。
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为本发明实施例提供的一种用于激光束切割的控制方法的方法流程图。
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激光束切割的控制方法,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激光束切割的控制方法的具体方案。
实施例1:
本发明的主要目的是:结合毛刺、挂渣的特征分割出准确的毛刺、挂渣像素点,进而根据通过毛刺、挂渣情况调节激光切割功率。
本发明的主要应用场景为:在激光切割刀上安装相机,该相机采集激光切割头切割后的切缝图像。通过处理切缝图像来准确的识别出毛刺和挂渣缺陷。然后根据切缝图像中毛刺和挂渣程度来进行调整切割参数。
请参阅图1,其示出了本发明一个实施例提供的一种用于激光束切割的控制方法的方法流程图,该方法包括以下步骤:
步骤S1,获取当前时刻的激光切割后的切缝图像并灰度化得到灰度图;将灰度图转化为频谱图,以频谱图中心为圆心在频谱图中作圆得到多个不同的圆;基于频谱图中面积最小的圆和每两个相邻的圆组成的圆环得到面积最小的圆以及每两个相邻的圆组成的圆环对应的遮罩图像。
在激光切缝的两侧分布着一些毛刺和挂渣,毛刺和挂渣在图像上显示时内部既存在灰度值的较大的像素点也存在灰度值较低的像素点,因此通过阈值分割很难分割出毛刺和挂渣区域。同时可以发现毛刺、挂渣像素点的像素信息频率较高,但是不能确定具体分布在哪个频率区间;同时毛刺、挂渣像素点的纹理分布与其他一些纹理的分布不同。
由于频谱图上从图像中心向四周频率值呈现放射状增加,因而以频谱图中心为圆心作圆,对频谱图进行划分,具体为:以频谱图中心为圆心,第一预设值为半径作圆获得第一个圆,第一个圆为面积最小的圆,优选地,第一预设值的取值为1;以频谱图中心为圆心,第二预设值为半径作圆获得第二个圆,优选地,第二预设值的取值为2,第二预设值与第一预设值的差值为1;以频谱图中心为圆心,以第三预设值为半径作圆获得第三个圆,优选地,第三预设值的取值为3,第三预设值与第二预设值的差值为1,以此类推,在频谱图中画的圆的半径依次为1,2,3,…,,其中N表示频谱图的长度,此时就可以在频谱图中得到多个不同半径的同心圆;需要说明的是,在频谱图中作圆时,圆的半径可以由实施者根据具体情况而定。
频谱图中同一个圆上像素的频率值相同,像素值大小表示幅值的大小;最后需要基于在频谱图上做出的圆得到相应的遮罩图像;对于面积最小的圆也即是半径最小的圆,获取其对应的遮罩图像,遮罩图像的大小与频谱图的大小一样,面积最小的圆对应的遮罩图像是单通道图像,其中遮罩图像中有一个与频谱图中面积最小的圆相同的圆,且所处位置也一样,圆内像素点的像素值为1,其他区域为像素点的像素值为0;另外频谱图每两个相邻的圆会组成一个圆环,在这里需要说明的是,如果频谱图是一个正方形,此时每两个相邻的圆组成的圆环是一个完整的圆环,但是如果频谱图是一个矩形,则每两个相邻的圆组成的圆环可能是不完整的,但是在这里称为圆环。
与频谱图中面积最小的圆对应的遮罩图像一样,对于频谱图中两个相邻的圆组成的一个圆环,它对应的遮罩图像中在与频谱图相同的位置,同样会有一个相应的圆环,圆环内的像素点的像素值为1,圆环外其他区域的像素点的像素值为0;由此可以获得频谱图中由内到外的相邻的圆组成的多个圆环对应的多个遮罩图像,获得的遮罩图像都是单通道图像。由此可以得到遮罩图集合,其中表示频谱图中面积最小的圆对应的遮罩图像,表示相邻的半径为的圆和半径为的圆组成的圆环对应的遮罩图像。
步骤S2,不同的遮罩图像与频谱图相乘得到不同的频谱遮罩图;将频谱遮罩图转化为空域图像,空域图像中像素点的不同的梯度值出现的频率组成空域图像的梯度频率向量;空域图像中像素点的不同的梯度方向角度出现的频率组成空域图像的梯度方向频率向量;基于不同空域图像之间的梯度频率向量的差异和梯度方向频率向量的差异进行分类获得不同类别的空域图像。
首先,遮罩图像集合中不同的遮罩图像与频谱图相乘可以得到多个不同的频谱遮罩图,为了便于分析以步骤S1中获得的遮罩图像集合中的第i个遮罩图像进行说明,将第i张遮罩图像与频谱图相乘得到频谱遮罩图,然后将频谱遮罩图利用傅里叶变换转化为空域图像;获得每个频谱遮罩图对应的空域图像。
进一步的,基于空域图像的纹理分布进行类别划分。计算空域图像各像素点的梯度值,以及各像素点的梯度方向;基于空域图像中各像素点的梯度值进行统计得到各梯度值的出现频率,各像素点不同的梯度值出现的频率组成空域图像的梯度频率向量;同样的,基于空域图像中各像素点梯度方向角度进行统计得到各梯度方向角度的出现频率,空域图像中像素点不同的梯度方向角度出现的频率组成空域图像的梯度方向频率向量;由此可以得到每个空域图像的梯度频率向量和梯度方向频率向量。
由于后续分类的时候需要基于每两个空域图像的纹理的相似程度进行分类,所以需要计算两个空域图像的纹理相似度:
其中,表示第i个空域图像和第j个空域图像之间的纹理分布相似度;表示第i个空域图像的梯度频率向量,表示第j个空域图像的梯度频率向量;表示第i个空域图像的梯度方向频率向量,表示第j个空域图像的梯度方向频率向量;表示第i个空域图像的梯度频率向量和第j个空域图像的梯度频率向量的余弦相似度;表示第i个空域图像的梯度方向频率向量和第j个空域图像的梯度方向频率向量的余弦相似度;描述了第i张频谱遮罩图对应的空域图像的梯度值分布与第j张频谱遮罩图对应的空域图像的梯度值分布之间的分布相似性;描述了第i张频谱遮罩图对应的空域图像的梯度方向角度分布与第j张频谱遮罩图对应的空域图像的梯度方向角度分布之间的分布相似性;表示第i张频谱遮罩图对应的空域图像的纹理分布与第j张频谱遮罩图对应的空域图像的纹理分布之间的分布相似度,越大说明两个空域图像的纹理分布越相似,说明这两个空域图像越可能是一类的。
步骤S3,将每个类别的空域图像对应的遮罩图像进行融合获得每个类别的综合遮罩图像;将每个类别的综合遮罩图像与频谱图相乘并转化为每个类别的综合空域图像;对综合空域图像进行边缘检测,基于边缘检测时滑动窗口内边缘像素点的不同的梯度方向角度出现频率得到梯度方向熵,所有滑动窗口对应的梯度方向熵的均值为综合空域图像的平均梯度方向熵;平均梯度方向熵最小的综合空域图像为切缝空域图像。
首先,获得不同类别的空域图像后,需要将同一个类别的空域图像的信息融合在一起,将同一个类别的空域图像对应的遮罩图像相加融合得到该类别的空域图像对应的综合遮罩图像,至此可以获得不同类别的空域图像对应的综合遮罩图像;每个类别的综合遮罩图像与频谱图相乘获得每个类别的综合频谱遮罩图,对其进行傅里叶变换得到每个类别的综合空域图像。
进一步的,对每个类别的综合空域图像进行分析来获得切缝像素点,由于切缝像素点的规则性比较强,并且切缝像素点的梯度值比较大,因此对综合空域图像中像素点的梯度值进行分析可以得到仅包含切缝信息的综合空域图像。
以一个综合空域图像为例,对综合空域图像进行边缘检测,需要说明的是边缘检测为公知技术在此不再详细介绍,在进行边缘检测的时候使用尺寸为100*100的滑动窗口,获取每个滑动窗口内各边缘像素点的梯度方向角度,并进行统计得到各梯度方向角度的出现频率,滑动窗口内边缘像素点的不同的梯度方向角度出现频率得到梯度方向熵:
其中,表示第a个类别的综合空域图像边缘检测时第b个滑动窗口的梯度方向熵;表示第a个类别的综合空域图像边缘检测时第b个滑动窗口内边缘像素点第z个梯度方向角度出现的频率;表示自然对数函数;表示第a个类别的综合空域图像边缘检测时第b个滑动窗口内边缘像素点第z个梯度方向角度;表示第a个类别的综合空域图像边缘检测时第b个滑动窗口内边缘像素点的不同的梯度方向角度的数量。由于在滑动窗口内,切缝方向变化较少,一般切缝处的灰度梯度值会垂直于切缝方向,因而切缝处的梯度梯度方向会呈现集中分布,因而切缝处的梯度方向熵较小,如果一个滑动窗口的梯度方向熵比较小,说明该滑动窗口内的像素点为切缝像素点的可能性就比较大。
将一个类别的综合空域图像对应的所有滑动窗口的梯度方向熵求均值得到该类别的综合空域图像的平均梯度方向熵。至此可以得到所有类别的综合空域图像的平均梯度方向熵,其中平均梯度方向熵最小的综合空域图像为切缝空域图像,其中切缝空域图像对应类别中的空域图像包含的都是切缝信息,这是因为切缝方向变化是很小的,一般切缝处的灰度梯度值会垂直于切缝方向,因而切缝处的梯度梯度方向会呈现集中分布,所以平均梯度方向熵最小的综合空域图像包含的信息全部为切缝信息。后续在基于切缝空域图像对切缝进行分析的时候就能排除其他像素点信息的干扰,使得分析的结果更加准确。
步骤S4,通过切缝空域图像获取切缝边缘,计算其他每个类别的空域图像中的像素点到切缝边缘的最小距离的平均值,所述平均值小于预设阈值的类别中的空域图像中像素点组成缺陷像素点集合;基于缺陷像素点集合中缺陷像素点的数量对当前时刻的激光切割功率进行调节。
毛刺和挂渣都是分布在切缝两个边缘范围内的,离切缝边缘是很近的,因此可以基于毛刺和挂渣的分布特征来筛选出毛刺和挂渣,利用切缝空域图像进行边缘检测获得切缝边缘,在此获得切缝边缘时切缝空域图像中包含的都是切缝信息,可以说切缝空域图像中都是切缝处的像素点,因此获得的切缝边缘是十分准确的,另外需要说明的是切缝会有两条切缝边缘。
计算其他每个类别的空域图像中的像素点到切缝边缘的最小距离,以一个类别的空域图像中的像素点为例,该类别中的空域图像中的一个像素点到两条切缝边缘的距离可能是相同的也可能是不相同的,相同的时候计算得到的距离就是最小距离,不相同的时候,取计算出来的两个距离中的最小值作为最小距离;由此可以计算其他每个类别的空域图像中的像素点到切缝边缘的最小距离的平均值,其他每个类别中一个类别对应一个最小距离的平均值。设定预设阈值T,优选地,本实施例中T的取值为20,实施者可以基于具体情况对该取值进行调整。
最小距离的平均值小于预设阈值的类别中的空域图像中的像素点为毛刺和挂渣像素点,组成缺陷像素点集合,需要说明的是空域图像中的像素点是指的原有切缝图像的灰度图中的像素点。
统计缺陷像素点集合中的缺陷像素点的数量,缺陷像素点的数量与切缝边缘数量的比值为单位切缝边缘缺陷程度D;然后基于单位切缝边缘缺陷程度对激光切割功率进行调整,首先获得当前时刻的激光切割功率调整量:
其中,表示当前时刻的激光切割功率调整量;表示常量参数,常量参数是通过统计每单位功率下单位切缝边缘缺陷程度得到的;表示当前时刻的单位切缝边缘缺陷程度。单位切缝边缘缺陷程度越大,当前时刻的激光切割功率调整量就越大,说明对激光切割功率就调整的越多。
最后对当前时刻的激光切割功率进行上调,上调的调整量为当前时刻的激光切割功率调整量;在对激光切割功率调整之后需要再次判断毛刺和挂渣的情况,如果毛刺和挂渣的情况得到了改善说明此时确实是激光切割功率导致的问题,然后后续继续基于毛刺和挂渣的情况进一步的调整激光切割功率,如果毛刺和挂渣的情况没有得到改善,说明当前时刻的毛刺和挂渣情况不是由于激光切割功率不足造成的,此时发出切割异常警报,提醒工作人员进行检查。
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。且上述对本说明书特定实施例进行了描述。另外,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)
1.一种用于激光束切割的控制方法,其特征在于,该方法包括:
获取当前时刻的激光切割后的切缝图像并灰度化得到灰度图;将灰度图转化为频谱图,以频谱图中心为圆心在频谱图中作圆得到多个不同的圆;基于频谱图中面积最小的圆和每两个相邻的圆组成的圆环得到面积最小的圆以及每两个相邻的圆组成的圆环对应的遮罩图像;
不同的遮罩图像与频谱图相乘得到不同的频谱遮罩图;将频谱遮罩图转化为空域图像,空域图像中像素点的不同的梯度值出现的频率组成空域图像的梯度频率向量;空域图像中像素点的不同的梯度方向角度出现的频率组成空域图像的梯度方向频率向量;基于不同空域图像之间的梯度频率向量的差异和梯度方向频率向量的差异进行分类获得不同类别的空域图像;
将每个类别的空域图像对应的遮罩图像进行融合获得每个类别的综合遮罩图像;将每个类别的综合遮罩图像与频谱图相乘后转化为每个类别的综合空域图像;对综合空域图像进行边缘检测,基于边缘检测时滑动窗口内边缘像素点的不同的梯度方向角度出现频率得到梯度方向熵,所有滑动窗口对应的梯度方向熵的均值为综合空域图像的平均梯度方向熵;平均梯度方向熵最小的综合空域图像为切缝空域图像;
通过切缝空域图像获取切缝边缘,计算其他每个类别的空域图像中的像素点到切缝边缘的最小距离的平均值,所述平均值小于预设阈值的类别中的空域图像中像素点组成缺陷像素点集合;基于缺陷像素点集合中缺陷像素点的数量对当前时刻的激光切割功率进行调节。
2.根据权利要求1所述的一种用于激光束切割的控制方法,其特征在于,所述以频谱图中心为圆心在频谱图中作圆得到多个不同的圆,包括:以频谱图中心为圆心,第一预设值为半径作圆获得第一个圆,第一个圆为面积最小的圆;以频谱图中心为圆心,第二预设值为半径作圆获得第二个圆,第二预设值与第一预设值的差值为1;以频谱图中心为圆心,以第三预设值为半径作圆获得第三个圆,第三预设值与第二预设值的差值为1;以此类推,直至以频谱图中心为圆心的圆的半径为频谱图长度的一半,停止作圆得到频谱图中多个不同的圆。
3.根据权利要求1所述的一种用于激光束切割的控制方法,其特征在于,所述得到面积最小的圆以及每两个相邻的圆组成的圆环对应的遮罩图像,包括:所述遮罩图像的尺寸与频谱图的尺寸相同;面积最小的圆对应的遮罩图像中面积最小的圆所在区域的像素点的像素值为1,其他区域像素点的像素值为0;每两个相邻的圆组成的圆环对应的遮罩图像中两个相邻的圆组成的圆环所在区域的像素点的像素值为1,其他区域像素点的像素值为0。
4.根据权利要求1所述的一种用于激光束切割的控制方法,其特征在于,所述获得不同类别的空域图像,包括:基于每两个空域图像的梯度频率向量和梯度方向频率向量获得每两个空域图像之间的纹理分布相似度;所述每两个空域图像之间的纹理分布相似度为:
其中,表示第i个空域图像和第j个空域图像之间的纹理分布相似度;表示第i个空域图像的梯度频率向量,表示第j个空域图像的梯度频率向量;表示第i个空域图像的梯度方向频率向量,表示第j个空域图像的梯度方向频率向量;表示第i个空域图像的梯度频率向量和第j个空域图像的梯度频率向量的余弦相似度;表示第i个空域图像的梯度方向频率向量和第j个空域图像的梯度方向频率向量的余弦相似度;
基于每两个空域图像之间的纹理分布相似度进行聚类获得不同类别的空域图像。
5.根据权利要求1所述的一种用于激光束切割的控制方法,其特征在于,所述基于缺陷像素点集合中缺陷像素点的数量对当前时刻的激光切割功率进行调节,包括:缺陷像素点集合中缺陷像素点的数量与切缝边缘数量的比值为单位切缝边缘缺陷程度;获得常量参数,单位切缝边缘缺陷程度与常量参数的比值为当前时刻的激光切割功率调整量;利用当前时刻的激光切割功率调整量对当前时刻的激光切割功率进行上调。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211255788.1A CN115330989B (zh) | 2022-10-13 | 2022-10-13 | 一种用于激光束切割的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211255788.1A CN115330989B (zh) | 2022-10-13 | 2022-10-13 | 一种用于激光束切割的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330989A true CN115330989A (zh) | 2022-11-11 |
CN115330989B CN115330989B (zh) | 2023-01-20 |
Family
ID=83914710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211255788.1A Active CN115330989B (zh) | 2022-10-13 | 2022-10-13 | 一种用于激光束切割的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330989B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116551216A (zh) * | 2023-07-07 | 2023-08-08 | 深圳市耐恩科技有限公司 | 对极片进行激光切割的控制方法、装置和激光切割设备 |
CN117152447A (zh) * | 2023-11-01 | 2023-12-01 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及系统 |
CN117161582A (zh) * | 2023-11-03 | 2023-12-05 | 南通宝田包装科技有限公司 | 一种基于计算机视觉的激光切割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170206663A1 (en) * | 2014-07-17 | 2017-07-20 | Nec Corporation | Airspace information processing device, airspace information processing method, and non-transitory computer-readable medium storing airspace information processing program |
CN113989280A (zh) * | 2021-12-28 | 2022-01-28 | 武汉市鑫景诚路桥钢模有限公司 | 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 |
CN114862802A (zh) * | 2022-05-12 | 2022-08-05 | 南通皋亚钢结构有限公司 | 基于图像处理的钢结构的切割控制方法 |
CN115100171A (zh) * | 2022-07-11 | 2022-09-23 | 常宝云 | 一种基于机器视觉的钢模焊接缺陷检测方法及系统 |
-
2022
- 2022-10-13 CN CN202211255788.1A patent/CN115330989B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170206663A1 (en) * | 2014-07-17 | 2017-07-20 | Nec Corporation | Airspace information processing device, airspace information processing method, and non-transitory computer-readable medium storing airspace information processing program |
CN113989280A (zh) * | 2021-12-28 | 2022-01-28 | 武汉市鑫景诚路桥钢模有限公司 | 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 |
CN114862802A (zh) * | 2022-05-12 | 2022-08-05 | 南通皋亚钢结构有限公司 | 基于图像处理的钢结构的切割控制方法 |
CN115100171A (zh) * | 2022-07-11 | 2022-09-23 | 常宝云 | 一种基于机器视觉的钢模焊接缺陷检测方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116551216A (zh) * | 2023-07-07 | 2023-08-08 | 深圳市耐恩科技有限公司 | 对极片进行激光切割的控制方法、装置和激光切割设备 |
CN116551216B (zh) * | 2023-07-07 | 2023-09-26 | 深圳市耐恩科技有限公司 | 对极片进行激光切割的控制方法、装置和激光切割设备 |
CN117152447A (zh) * | 2023-11-01 | 2023-12-01 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及系统 |
CN117152447B (zh) * | 2023-11-01 | 2024-02-02 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及系统 |
CN117161582A (zh) * | 2023-11-03 | 2023-12-05 | 南通宝田包装科技有限公司 | 一种基于计算机视觉的激光切割方法 |
CN117161582B (zh) * | 2023-11-03 | 2023-12-26 | 南通宝田包装科技有限公司 | 一种基于计算机视觉的激光切割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115330989B (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115330989B (zh) | 一种用于激光束切割的控制方法 | |
CN112115895B (zh) | 指针型仪表读数识别方法、装置、计算机设备及存储介质 | |
CN111222478A (zh) | 一种工地安全防护检测方法和系统 | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
US11334761B2 (en) | Information processing system and information processing method | |
CN102708361A (zh) | 远距离人脸采集方法 | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN111259783A (zh) | 视频行为检测方法与系统、精彩视频回播系统及存储介质 | |
CN115601368A (zh) | 一种建材装备钣金件缺陷检测方法 | |
CN102081799A (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
CN116703251A (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN117635604A (zh) | 一种建筑工程钢结构焊接质量检测方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN116977230B (zh) | 一种扫描电子显微镜图像优化增强方法 | |
CN116110006B (zh) | 一种用于智慧旅游系统的景区游客异常行为识别方法 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN116416164A (zh) | 一种紫外光路成像分辨率优化方法 | |
CN106073823A (zh) | 一种智能化医用超声图像处理设备、系统及方法 | |
CN107230201B (zh) | 基于样本自标定elm的在轨sar图像变化检测方法 | |
CN113705672B (zh) | 图像目标检测的阈值选取方法、系统、装置及存储介质 | |
CN111476129A (zh) | 一种基于深度学习的土壤杂质检测方法 | |
CN115578405B (zh) | 用于铝合金家具数控加工平台的远程监控方法 | |
CN117541832B (zh) | 异常检测方法、系统、电子设备及存储介质 | |
CN117093872B (zh) | 雷达目标分类模型自训练方法及系统 |
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 |