CN115393354B - 一种激光切割缺陷识别方法 - Google Patents
一种激光切割缺陷识别方法 Download PDFInfo
- Publication number
- CN115393354B CN115393354B CN202211325117.8A CN202211325117A CN115393354B CN 115393354 B CN115393354 B CN 115393354B CN 202211325117 A CN202211325117 A CN 202211325117A CN 115393354 B CN115393354 B CN 115393354B
- Authority
- CN
- China
- Prior art keywords
- sliding window
- gray
- value
- degree
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000007547 defect Effects 0.000 title claims abstract description 33
- 238000003698 laser cutting Methods 0.000 title claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000009499 grossing Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims description 91
- 230000005856 abnormality Effects 0.000 claims description 43
- 230000008859 change Effects 0.000 claims description 39
- 238000001514 detection method Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 abstract description 14
- 239000002893 slag Substances 0.000 description 20
- 230000000694 effects Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T7/13—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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种激光切割缺陷识别方法。该方法在对切割区域的灰度图像上每行的行灰度序列对应构建得到各行的灰度曲线后,根据对灰度曲线进行平滑处理时所用滑窗内外像素点的灰度情况,自适应地调整滑窗滑动过程中在各个位置的滑窗长度,从而实现对灰度曲线的自适应平滑处理,然后基于平滑处理后的灰度曲线完成激光切割缺陷识别。由于在对灰度曲线进行平滑处理的过程中,本发明根据滑窗边缘像素点附近的灰度情况自适应地设置了滑窗的长度从而自适应地改变了滑窗的大小,所以可以在有效消除噪声的同时保留缺陷信息,使得最终利用平滑处理后的灰度曲线进行激光切割缺陷识别时,提高对激光缺陷识别的准确度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种激光切割缺陷识别方法。
背景技术
在激光切割的过程中在切割线上会存在一些因激光功率过大而导致切割物质融化溅出的熔渣,所以需要对过大的激光功率进行调节。为判断激光功率是否过大,便需要采集切割面的图像,通过图像上切割线的情况判断是否需要对激光功率进行调节。
由于在对所采集图像上的切割线进行分析识别的过程中,所采集图像上的灰度值变化情况较多,所以为了突出切割线上的异常信息并且将无用的灰度变化信息去除,在提取切割线区域的行灰度值时需要对根据行灰度值构建所得的灰度曲线进行平滑处理。
Savitzky-Golay滤波常用的对灰度曲线进行平滑处理的方法,但Savitzky-Golay滤波在使用过程中其滑窗的大小是固定且需提前人为设定的,使用固定大小的滑窗进行灰度曲线的平滑处理,如果滑窗过大则将导致灰度曲线上一些重要的异常信息的丢失,如果过小则会导致灰度曲线上的噪声无法被剔除从而导致后续异常分析过程中将一些小波动作误判为异常。
所以,现有对激光切割过程中的熔渣缺陷的识别存在不准确的问题。
发明内容
本发明提供了一种激光切割缺陷识别方法,用以解决对激光切割过程中的熔渣缺陷识别不准确的技术问题,所采用的技术方案具体如下:
本发明的一种激光切割缺陷识别方法,包括以下步骤:
获取激光切割区域的灰度图像,然后获取灰度图像上每一行的行灰度序列并对应得到每一行的灰度曲线;
确定用于对灰度曲线进行平滑处理的滑窗在其移动方向上的初始长度;
根据滑窗移动时滑窗边缘点的灰度变化情况,确定滑窗边缘点在灰度差分值上的异常程度以及滑窗边缘点在灰度值变化方向上的异常程度;
根据滑窗边缘点在灰度差分值上的异常程度以及滑窗边缘点在灰度值变化方向上的异常程度确定滑窗边缘点的综合异常程度;
根据滑窗边缘点的综合异常程度,确定滑窗移动时在其移动方向上的自适应滑窗长度,完成对灰度曲线的平滑处理;
根据平滑处理后的灰度曲线完成激光切割缺陷检测;
所述滑窗边缘点在灰度差分值上的异常程度为:
其中,表示滑窗边缘点在灰度差分值上的异常程度,表示滑窗边缘点相较于滑窗移动方向上游的相邻像素点的灰度值变化量,也即滑窗边缘点对应的差分数值,,表示当前滑窗中心点所对应的窗口长度,的取值范围为,为灰度曲线上像素点数量,与分别表示灰度值的异常变化区间的最小值和最大值。
本发明的有益效果为:
本发明在对切割区域的灰度图像上每行的行灰度序列对应构建得到各行的灰度曲线后,根据对灰度曲线进行平滑处理时所用滑窗内外像素点的灰度情况,自适应地调整滑窗滑动过程中在各个位置的滑窗长度,从而实现对灰度曲线的自适应平滑处理,有效消除噪声的同时保留缺陷信息,在利用平滑处理后的灰度曲线进行缺陷故障识别时可达到更准确判断故障的效果。
进一步的,所述滑窗边缘点在灰度值变化方向上的异常程度为:
其中,表示滑窗边缘点在灰度变化方向上的异常程度,表示灰度差分序列中相同符号差分值连续出现的数量,与分别表示差分符号连续相同的异常区间的最小值和最大值。
进一步的,所述滑窗边缘点的综合异常程度为:
其中,表示滑窗边缘点的综合异常程度,表示滑窗边缘点在灰度差分值上的异常程度,表示滑窗边缘点在灰度变化方向上的异常程度。
进一步的,所述根据滑窗边缘点的综合异常程度,确定滑窗移动时在其移动方向上的自适应滑窗长度的方法为:
(1)、当滑窗边缘点的综合异常程度时,滑窗的右侧边缘停止移动,保持在异常程度高于的前一个像素点,滑窗右侧停止移动后滑窗左侧的边缘向右移动,直至滑窗边缘点的综合异常程度,或滑窗长度达到滑窗长度最小值;
(2)、当滑窗长度到达窗口长度最小值时,根据滑窗边缘点的综合异常程度增加窗口长度,如果滑窗边缘点的综合异常程度变大则将窗口长度增加,直到滑窗边缘点无综合异常程度;
(3)、当滑窗边缘点无综合异常程度时,在下一次滑动中沿着滑窗移动方向分别在滑窗的前后增加一个像素点长度。
附图说明
图1是本发明该种激光切割缺陷识别方法的流程图;
图2是本发明的灰度曲线上滑窗以及滑窗边缘点的示意图。
具体实施方式
下面结合附图及实施例,对本发明的一种激光切割缺陷识别方法进行详细说明。
方法实施例:
本发明的一种激光切割缺陷识别方法实施例,其整体流程如图1所示,具体过程如下:
步骤一,获取激光切割区域的灰度图像,然后获取灰度图像上每一行的行灰度序列并对应得到每一行的灰度曲线。
本实施例采用相关的图像采集电子设备,如工业高清摄像机来获取激光切割区域的图像,并灰度化处理得到对应的灰度图像。
在得到灰度图像后,检测灰度图像上每一行的像素点的灰度值,并统计得到灰度图像上每一行的行灰度序列,按照行灰度序列中各个灰度值的先后顺序以及灰度值大小,便可绘制得到每一行的灰度曲线。
步骤二,确定用于对灰度曲线进行平滑处理的滑窗在其移动方向上的初始长度。
为了找出对行灰度序列进行平滑处理的最佳滑窗大小,则需要首先设置一个滑窗的初始长度以便确定滑窗边缘上像素点的灰度情况从而调节得到最佳滑窗大小。本实施例所指的滑窗的初始长度以及下文的滑窗长度,均是指滑窗在其移动方向上的长度。
对于滑窗的初始长度,可以通过行灰度序列的差分序列的第一个极值点来确定。在行灰度序列的差分序列中寻找第一个满足两侧数值异号的点,在差分序列中一个像素点的两侧差分数值异号说明这个点是局域极值。这里的初始滑窗确定无需判断波动大小,仅作为一个最初大小而后通过滑窗内的像素点与滑窗边缘两侧的像素点进行滑窗大小的调整。
极值点到行灰度序列中第一个波动点的距离即为滑窗的初始长度。将滑窗的初始长度记为。
步骤三,根据滑窗移动时滑窗边缘点的灰度变化情况,确定滑窗边缘点的综合异常程度。
如图2所示,最大矩形即为滑窗,此时滑窗的移动方向为向右,第一次与滑窗接触且同时处于滑窗边缘以及行灰度序列上的像素点,即为此时的滑窗边缘点,也即图2中与滑窗相交的小矩形,在滑窗移动方向上处于当前的滑窗边缘点下游,且与当前的滑窗边缘点相邻的行灰度序列上的像素点,即为下一时刻的滑窗边缘点。
本实施例通过与两个点的信息结合当前滑窗内像素点的信息来判断在下一次滑窗移动时滑窗在其移动方向上的长度需不需要改变,如果需要改变那么需要改变多少。
当有熔渣掉落在切割线附近时,这些切割熔渣会呈现为灰度曲线上较为陡峭的波动。计算像素点的异常程度就是为了能够在平滑的过程中考虑到熔渣的可能从而通过自适应改变滑窗长度来保证这些熔渣的信息不会因为曲线平滑处理而消失,这样既可以在后续的灰度曲线分析中减少因为图像的灰度变化所导致的灰度曲线上的细小波动,又能保留灰度曲线中对于熔渣进行表征的陡峭波动信息。
本实施例中,对滑窗长度调整的期望是,滑窗在细微波动的区域长度较大,这样可以保证去掉灰度曲线中噪声的影响,当滑窗在波动陡峭的区域长度较小,因为这些波动陡峭的区域更可能包含激光切割中熔渣缺陷或是其他缺陷的灰度信息与程度信息,出现灰度值的波动时可以从灰度值的变化来进行判断,而熔渣的缺陷程度则可以从灰度变化曲线的整体幅值来进行判断,即波动的跨度大,波动峰值较大则说明熔渣的影响比较大。
根据上述对滑窗长度调整的期望,可以确定滑窗调整的依据:
因为在使用不同的相机,以及不同的温度、气压情况下,都会导致熔渣所呈现的灰度值不同,所以并不能直接通过灰度值来对熔渣异常进行判断。那么在对灰度曲线进行平滑处理的过程中,便需要根据滑窗中的像素点灰度值与滑窗边缘的像素点来对即将进入滑窗的下一个像素点进行判断,根据熔渣异常的灰度曲线对于滑窗的边缘点检测到出现连续的数值增大或减小时,就需要开始将滑窗长度调小。从波动起始点的下一个点开始,以滑窗初始长度为3进行拟合,之后对于波动区间中的拟合逐步增加滑窗长度。
在判断一个像素点是不是波动起始点时,需要通过滑窗边缘点的灰度信息判断滑窗边缘点的异常程度,从而判断是否需要进行滑窗长度的改变。以为例,对于其异常程度构建的期望为:
(a)、到的变化情况与到的变化情况如果一致,则的异常程度增加;变化情况连续一致的次数越多,也即差分序列相同正负号连续出现的次数越多,则滑窗边缘点的异常程度会更快地增加。
(b)、对应的差分序列数值越大,的异常程度越大。
接下来通过数值来表示上述对于异常程度的期望。
1、滑窗边缘点的差分值:
将灰度曲线上处于滑窗内的像素点对应所得的差分序列记为,其中表示差分序列中的第个差分值,。表示当前滑窗中心点所对应的窗口长度,的取值范围为。
对于异常程度的判断可以从差分序列的符号与数值两个方面进行判断。
对于差分序列的符号:
在差分序列中如果有连续的符号相同情况,那么说明有异常的可能,连续符号的数量越多其异常程度越大。将差分序列通过如下方式映射为序列:
其中,表示所对应的符号映射值,表示差分序列中的第个差分值,表示灰度曲线上处于滑窗内的像素点对应所得的差分序列。
这样可以通过连续累加求和的方式判断符号连续相同的程度。判断左侧像素点以及对应的数值相同的点的数量,示例:如果序列中对应的点左侧为那么此时数量就为5。将此数量记为。
对于差分序列的数值:
对于数值则通过原始差分序列获取其绝对值序列对其进行数值判断。
期望中的异常程度是差分数值越高,异常程度越高,并且在越多时,异常程度也相应提高。
2、滑窗边缘点的异常程度:
对于熔渣导致的行灰度序列或者说灰度曲线上的灰度值的异常变化情况,给出灰度值的异常变化区间,根据本实施例中激光切割的场景,在激光切割的切割线上一些小的灰度值变化是成像过程中的噪声,所以本实施例根据对于激光切割线中灰度值变化的判断经验将设定为20,将设定为40。此区间表示当相邻的两个像素点的灰度值差异大于20则将其认为是存在异常的,并且开始判断其灰度值上的异常程度。当差异值到达40时异常程度达到最高。
在对数值上的异常程度计算完成之后还需要考虑相邻像素点对应的差分数值的符号,符号相同表示相邻点为同向变化。如果其中的两个像素点发生了异常程度较大的变化,那么就需要考虑对应的差分数值同号的这些像素点会不会也有异常。
在这里根据实际的焊缝X射线检测场景,可以给出一个差分符号连续相同的异常区间,本实施例根据对于激光切割线中灰度值变化的判断经验,优选将设置为3,将设置为10,当连续的差分数值同符号的像素点数量大于时将其认为是存在异常的,并且开始判断其在连续同向变化上的异常程度。当连续的同向变化数量到达时,异常程度达到最高。
在计算出两个方面的异常程度之后,需要将二者进行综合考虑,用以判断的异常程度。
3、计算滑窗边缘点在灰度差分值上的异常程度。
在激光切割的切割线中出现熔渣时,在灰度曲线中就会出现连续像素点的灰度值递增。熔渣对于图像的正常像素点来说当差分序列的数值时,也就是当相邻的两个像素点的灰度值差异高于上述设定的最小阈值,将判断为存在异常,根据此时像素点差异值所在异常区间中占比作为异常程度,计算方式如下:
其中,表示滑窗边缘点在灰度差分值上的异常程度,表示滑窗边缘点相较于滑窗移动方向上游的相邻像素点的灰度值变化量,也即滑窗边缘点对应的差分数值,,表示当前滑窗中心点所对应的窗口长度,的取值范围为,为灰度曲线上像素点数量,与分别表示灰度值的异常变化区间的最小值和最大值。
对于异常程度,因为异常区间有一个最大值,以便于衡量一些刚刚超过异常判定区间像素点的异常程度。这样如果有像素点的差异值超过了异常判定区间的最大值,则将其异常程度记为,这样则可以保证异常程度是一个的数值,于是则有如下计算过程:
至此获得了滑窗边缘点在灰度差分值上的像素点异常程度。
4、计算滑窗边缘点在灰度值变化方向上的异常程度。
对于差分序列中连续相同符号点的数量时,在出现熔渣时检测图像中的灰度序列不会说是直接到达一个灰度值的极值,而是有一个细微的渐变区域。这个渐变区域相对于像素点在灰度值上的异常来讲并不算是异常,然而,窗口内存在灰度渐变区域内的像素点时,连续像素点之间的灰度变化曲线也会不断升高,当灰度变化曲线中灰度值连续同向差异变化达到一定范围时,就可能是激光切割过程中的熔渣堆积所造成的异常。在灰度曲线中就呈现为灰度值连续同向的变化数量大于时将判断为存在异常,根据与的差值所占异常判定区间的占比作为异常程度,计算方式如下:
其中,表示滑窗边缘点在灰度变化方向上的异常程度,表示灰度差分序列中相同符号差分值连续出现的数量,与分别表示差分符号连续相同的异常区间的最小值和最大值。
对于异常程度,因为异常区间有一个最大值,以便于衡量一些刚刚超过异常判定区间像素点的异常程度。这样如果有像素点的差异值超过了异常判定区间的最大值,则将其异常程度记为,这样则可以保证异常程度是一个的数值,于是则有如下计算过程:
至此获得了滑窗边缘点在灰度值变化方向上的像素点异常程度。
5、计算滑窗边缘点的综合异常程度。
在获取了两个方面的异常程度之后,根据实际场景需要对其进行综合考量。
当窗口的右侧边缘点在数值上没有发生异常,但是在连续的变化方向上出现了异常,这样它还是存在异常的,如果将二者通过相乘的方式进行计算,就会出现异常情况。所以通过如下均值的计算方式对其进行计算:
其中,表示滑窗边缘点的综合异常程度,表示滑窗边缘点在灰度差分值上的异常程度,表示滑窗边缘点在灰度变化方向上的异常程度。
步骤四,根据滑窗边缘点的综合异常程度,确定滑窗移动时在其移动方向上的自适应滑窗长度,完成对灰度曲线的平滑处理。
对于滑窗长度,是根据滑窗右侧边缘点的异常程度来判断此时窗口中心点的拟合窗口。因为当右侧边缘点的异常程度高时,如果将这个异常程度高的点放入窗口中,因为场景中的缺陷异常所导致的像素点灰度变化是很高的,这样的话窗口中有这个数值会使得窗口中所有数值对于此时窗口中心点的拟合出现偏差。
提前给出综合异常程度阈值,根据所需不同设定,示例:如果需要通过曲线的波动来检测如熔渣缺陷,那么就需要通过灰度曲线来检测识别波动的一些边缘小波动,那么这个时候综合异常程度阈值就可以设定的小一些,这样可以让检测的效果更明显。如果要检测的缺陷是一些如气孔这种缺陷边缘比较光滑的缺陷,那么综合异常程度阈值就可以设定得高一些,可以加快平滑计算速度,同时也不会影响到对于检测的精度。
在给出了综合异常程度阈值之后,还需要给出滑窗的最小长度,因为是要通过窗口右侧的边缘点对滑窗长度进行自适应的。在这里根据曲线平滑中以三次多项式拟合给出默认数值。
滑窗长度自适应改变的方式:
(1)、当的综合异常程度时,滑窗的右侧边缘停止移动,保持在异常程度高于的前一个点,滑窗右侧停止移动时,滑窗还是要继续进行变化而拟合窗口中心点的,这个时候需要将滑窗左侧的边缘进行向右移动。这样滑窗的长度就是在减小的,具体就是在异常波动的左侧开始减小,直至的综合异常程度,或滑窗长度达到滑窗长度最小值。
此时对于窗口大小的减小对于波动的多项式拟合是有帮助的,因为后续对于曲线的波动分析,对于起始点可以通过这样拟合出的线做出原始信息最大的保留。
(2)、当到达窗口长度最小值时,接下来就需要对异常波动进行拟合了。开始增加窗口的长度。根据右侧边缘点的异常程度增加窗口长度。如果的异常程度变大则将窗口长度增加,直到无异常程度。
(3)、当无异常程度时在下一次滑动中沿着滑窗移动方向分别在滑窗的前后增加一个像素点长度。
步骤五,根据平滑处理后的灰度曲线完成激光切割缺陷检测。
通过本实施例所述过程进行灰度曲线的平滑可以最大程度地保留高幅低频波动,同时对于一些低幅低频波动也可以保留其信息。对于高频低幅的细小波动则是以大窗口进行平滑处理。在此过程中得到的平滑处理后所对应的行灰度序列则是极大程度保留了激光切割的切割线中缺陷信息的基础上最优的平滑效果。
在得到了平滑之后的灰度序列之后则可以根据行间波动对应信息进行缺陷的检测,可以有效降低计算量并且可以通过行间波动联系很明显地判断出异常区域的灰度值情况,位置信息以及形状信息,使得在后续的激光切割缺陷检测过程中,消除噪声影响,并且保留了序列中的异常信息。
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)
1.一种激光切割缺陷识别方法,其特征在于,包括以下步骤:
获取激光切割区域的灰度图像,然后获取灰度图像上每一行的行灰度序列并对应得到每一行的灰度曲线;
确定用于对灰度曲线进行平滑处理的滑窗在其移动方向上的初始长度;
根据滑窗移动时滑窗边缘点的灰度变化情况,确定滑窗边缘点在灰度差分值上的异常程度以及滑窗边缘点在灰度值变化方向上的异常程度;
根据滑窗边缘点在灰度差分值上的异常程度以及滑窗边缘点在灰度值变化方向上的异常程度确定滑窗边缘点的综合异常程度;
根据滑窗边缘点的综合异常程度,确定滑窗移动时在其移动方向上的自适应滑窗长度,完成对灰度曲线的平滑处理;
根据平滑处理后的灰度曲线完成激光切割缺陷检测;
所述滑窗边缘点在灰度差分值上的异常程度为:
其中,表示滑窗边缘点在灰度差分值上的异常程度,表示滑窗边缘点相较于滑窗移动方向上游的相邻像素点的灰度值变化量,也即滑窗边缘点对应的差分数值,,表示当前滑窗中心点所对应的窗口长度,的取值范围为,为灰度曲线上像素点数量,与分别表示灰度值的异常变化区间的最小值和最大值;
所述根据滑窗边缘点的综合异常程度,确定滑窗移动时在其移动方向上的自适应滑窗长度的方法为:
(1)、当滑窗边缘点的综合异常程度时,滑窗的右侧边缘停止移动,保持在异常程度高于的前一个像素点,滑窗右侧停止移动后滑窗左侧的边缘向右移动,直至滑窗边缘点的综合异常程度,或滑窗长度达到滑窗长度最小值;
(2)、当滑窗长度到达窗口长度最小值时,根据滑窗边缘点的综合异常程度增加窗口长度,如果滑窗边缘点的综合异常程度变大则将窗口长度增加,直到滑窗边缘点无综合异常程度;
(3)、当滑窗边缘点无综合异常程度时,在下一次滑动中沿着滑窗移动方向分别在滑窗的前后增加一个像素点长度。
2.根据权利要求1所述的激光切割缺陷识别方法,其特征在于,所述滑窗边缘点在灰度值变化方向上的异常程度为:
其中,表示滑窗边缘点在灰度变化方向上的异常程度,表示灰度差分序列中相同符号差分值连续出现的数量,与分别表示差分符号连续相同的异常区间的最小值和最大值。
3.根据权利要求1所述的激光切割缺陷识别方法,其特征在于,所述滑窗边缘点的综合异常程度为:
其中,表示滑窗边缘点的综合异常程度,表示滑窗边缘点在灰度差分值上的异常程度,表示滑窗边缘点在灰度变化方向上的异常程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211325117.8A CN115393354B (zh) | 2022-10-27 | 2022-10-27 | 一种激光切割缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211325117.8A CN115393354B (zh) | 2022-10-27 | 2022-10-27 | 一种激光切割缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115393354A CN115393354A (zh) | 2022-11-25 |
CN115393354B true CN115393354B (zh) | 2023-04-14 |
Family
ID=84128341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211325117.8A Active CN115393354B (zh) | 2022-10-27 | 2022-10-27 | 一种激光切割缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115393354B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115598025B (zh) * | 2022-12-13 | 2023-03-10 | 四川亿欣新材料有限公司 | 图像处理方法及使用该方法的碳酸钙粉质检系统 |
CN116228798B (zh) * | 2023-05-10 | 2023-07-21 | 青岛星跃铁塔有限公司 | 基于机器视觉的铁塔智能切割检测方法 |
CN116337879B (zh) * | 2023-05-23 | 2023-08-04 | 青岛豪迈电缆集团有限公司 | 一种电缆绝缘表皮磨损缺陷快速检测方法 |
CN116862910B (zh) * | 2023-09-04 | 2023-11-21 | 山东经典印务有限责任公司 | 基于自动化裁切生产的视觉检测方法 |
CN117291922B (zh) * | 2023-11-27 | 2024-01-30 | 浙江日井泵业股份有限公司 | 一种不锈钢多级泵叶轮缺陷视觉检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937055B (zh) * | 2022-03-31 | 2024-05-03 | 厦门市虹约产品设计有限公司 | 基于人工智能的图像自适应分割方法与系统 |
CN114862862B (zh) * | 2022-07-11 | 2022-09-16 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
CN114998355B (zh) * | 2022-08-08 | 2023-06-30 | 江苏京德新材料有限公司 | 一种密封橡胶圈的生产缺陷识别方法及装置 |
CN115170576B (zh) * | 2022-09-09 | 2022-12-06 | 山东中发新材料科技有限公司 | 基于机器视觉的铝管表面缺陷检测方法 |
-
2022
- 2022-10-27 CN CN202211325117.8A patent/CN115393354B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115393354A (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115393354B (zh) | 一种激光切割缺陷识别方法 | |
WO2018173660A1 (ja) | 表面欠陥検査方法及び表面欠陥検査装置 | |
CN111968144B (zh) | 一种图像边缘点获取方法及装置 | |
US9569825B2 (en) | Image processing device, monitoring camera, and image processing method | |
CN103020906B (zh) | 一种星敏感器白天测星图像的预处理方法 | |
CN115330758B (zh) | 基于去噪处理的焊接质量检测方法 | |
US8121382B2 (en) | Method for setting at least one control variable of a filter for noise reduction in medical images | |
CN115841434A (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN116993742B (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN116228768B (zh) | 一种电子元器件表面划痕检测方法 | |
CN116363126B (zh) | 一种数据线usb插头焊接质量检测方法 | |
CN117455915B (zh) | 基于机器视觉的三轴转台缺陷检测方法 | |
CN115471503B (zh) | 用于数控剖锭机的设备异常检测方法 | |
CN116883412B (zh) | 一种石墨烯远红外电热设备故障检测方法 | |
CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN116311079A (zh) | 基于计算机视觉的民用安防工程监测方法 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN115965699A (zh) | 电池极片检测用自适应灰度校正方法 | |
CN117541582A (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN116523900A (zh) | 一种五金件加工质量检测方法 | |
CN115861315A (zh) | 缺陷检测方法和装置 | |
US11880969B2 (en) | Belt examination system and computer-readable non-transitory recording medium having stored belt examination program | |
CN115049641A (zh) | 一种用于机械零件异常检测的电数据处理方法及系统 | |
CN114240920A (zh) | 一种外观缺陷检测方法 |
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 |