CN115661120B - 一种用于数控金钢线剖锭机的切割质量检测方法 - Google Patents

一种用于数控金钢线剖锭机的切割质量检测方法 Download PDF

Info

Publication number
CN115661120B
CN115661120B CN202211417187.6A CN202211417187A CN115661120B CN 115661120 B CN115661120 B CN 115661120B CN 202211417187 A CN202211417187 A CN 202211417187A CN 115661120 B CN115661120 B CN 115661120B
Authority
CN
China
Prior art keywords
column
gray
roughness
image
mean 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
CN202211417187.6A
Other languages
English (en)
Other versions
CN115661120A (zh
Inventor
张忠华
凌继贝
吴雄
洪广辉
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.)
Jiangxi Jierui Electromechanical Equipment Co ltd
Original Assignee
Jiangxi Jierui Electromechanical Equipment 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 Jiangxi Jierui Electromechanical Equipment Co ltd filed Critical Jiangxi Jierui Electromechanical Equipment Co ltd
Priority to CN202211417187.6A priority Critical patent/CN115661120B/zh
Publication of CN115661120A publication Critical patent/CN115661120A/zh
Application granted granted Critical
Publication of CN115661120B publication Critical patent/CN115661120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种用于数控金钢线剖锭机的切割质量检测方法，涉及图像处理技术领域，该方法包括：获取工件切割面的灰度图像中每一列的拟合曲线；利用拟合曲线上的周期长度均值和每个周期的长度得到每个像素点的影响权重；将灰度图像中拟合曲线的周期数量相同且相邻的列合并得到多个列图像块；利用列图像块中像素点的灰度值和影响权重以及灰度图像的灰度均值得到列图像块的纵向粗糙程度；获取每个周期的波峰拟合直线的夹角值；获取每个列图像块的粗糙程度；利用拟合曲线的周期数量均值、列图像块的粗糙程度和拟合曲线的周期数量得到工件切割面的粗糙程度，本发明实现了对切割质量的量化，并且使得到的质量检测结果更精确。

Description

一种用于数控金钢线剖锭机的切割质量检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种用于数控金钢线剖锭机的切割质量检测方法。
背景技术
数控金钢线剖锭机是利用高质量的金钢线单向循环或者往复循环运动的方式，来使切割线与被切割物件间产生相对磨削运动，达到切割目的，在工业上用于对许多硬质的精密材料进行切割。这种切割技术可实现高速切割，能在单位时间能够完成更多的工作量，并且生产工艺环保，切割中只需要水基冷却清洁液。所以，提高数控金钢线剖锭机的切割质量是该切割技术的关键。
目前切割质量的检测方法有传统的人工检测和传感器检测，人工检测需要具备相关专业知识的人员进行观测或测量，效率低；传感器检测通常采用声光传感器对切割质量进行检测，由于高精度的传感器的成本较高，工业生产中为节省成本会使用一般精度的传感器，一般精度的传感器检测精度低，并且无法量化显示工件的切割质量，只能得到大致的质量等级，导致得到的工件切割质量不够精确，因此，需要一种用于数控金钢线剖锭机的切割质量检测方法。
发明内容
本发明提供一种用于数控金钢线剖锭机的切割质量检测方法，以解决现有的问题。
本发明的一种用于数控金钢线剖锭机的切割质量检测方法采用如下技术方案：该方法包括：
获取工件切割面的灰度图像；对灰度图像中每一列的像素点灰度值进行曲线拟合得到每一列的拟合曲线；
利用每一列的拟合曲线上的周期长度均值和每个周期的长度得到每个周期的周期突变程度，将周期突变程度作为对应周期中每个像素点的影响权重；
将灰度图像中相邻且拟合曲线的周期数量相同的列合并得到多个列图像块；
利用列图像块中像素点的灰度值和影响权重以及灰度图像的灰度均值得到列图像块的纵向粗糙程度；
获取列图像块中每一行的灰度均值，以及每一类灰度均值对应的行中像素点的灰度方差；
利用列图像块中所有列的拟合曲线的相同周期的波峰获取每个周期的波峰拟合直线，以及波峰拟合直线的夹角值；
利用每个列图像块的纵向粗糙程度、波峰拟合直线的夹角值、每一类灰度均值对应的行中像素点的灰度方差、每一行的灰度均值和灰度图像的灰度均值得到每个列图像块的粗糙程度；
利用灰度图像中所有列的拟合曲线的周期数量均值、每个列图像块的粗糙程度和拟合曲线的周期数量得到工件切割面的粗糙程度，利用工件切割面的粗糙程度得到切割质量。
进一步，还包括：
在得到切割质量后，获取金刚线设定的进给速度范围，在进给速度范围中等间距选取多个进给速度；
获取每个进给速度得到的工件切割面的粗糙程度；
选取最小粗糙程度对应的进给速度作为金刚线对于该工件的进给速度。
进一步，得到每一类灰度均值对应的行中像素点的灰度方差的步骤包括：
获取列图像块中每一行的像素点的灰度均值；
将相同灰度均值的行归为一类，得到每一类灰度均值对应的行；
利用列图像块中每一类灰度均值对应的行中所有像素点的灰度值得到每一类灰度均值对应的行中像素点的灰度方差。
进一步，获取每个周期的波峰拟合直线以及波峰拟合直线的夹角值的步骤包括：
获取列图像块中所有列的拟合曲线的每个相同的周期的波峰；
对所有列的拟合曲线的每个相同的周期的波峰对应的横坐标进行直线拟合得到波峰拟合直线；
利用每个周期的波峰拟合直线的斜率得到波峰拟合直线的夹角值。
进一步，得到列图像块的纵向粗糙程度的步骤包括：
利用每一列的像素点的灰度值和影响权重得到每一列的粗糙程度；
利用每一列的灰度均值和灰度图像的灰度均值得到每一列的异常程度；
获取列图像块中每一列的粗糙程度与异常程度的乘积；
对列图像块中所有列得到的粗糙程度与异常程度的乘积求和得到列图像块的纵向粗糙程度。
进一步，得到每一列的粗糙程度的公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 665280DEST_PATH_IMAGE002
表示某一列的粗糙程度；
Figure 51262DEST_PATH_IMAGE003
表示该列中的第
Figure 299840DEST_PATH_IMAGE004
个像素点的影响权重；
Figure 413159DEST_PATH_IMAGE005
表示该列中的第
Figure 696372DEST_PATH_IMAGE004
个像素点的灰度值；
Figure 722097DEST_PATH_IMAGE006
表示该列中像素点的灰度均值；
Figure 457972DEST_PATH_IMAGE007
表示该列中像素点的数量。
进一步，得到每个列图像块的粗糙程度的公式为：
Figure 374981DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
表示第一个列图像块的粗糙程度；
Figure 499320DEST_PATH_IMAGE010
表示第一个列图像块的纵向粗糙程度；
Figure 961525DEST_PATH_IMAGE011
表示列图像块中所有周期的波峰拟合直线的夹角值的均值；
Figure 433964DEST_PATH_IMAGE012
表示列图像块中第
Figure 639817DEST_PATH_IMAGE013
类灰度均值对应的行中像素点的灰度方差；
Figure 632044DEST_PATH_IMAGE014
表示列图像块中共有
Figure 530730DEST_PATH_IMAGE014
类灰度均值；
Figure 428147DEST_PATH_IMAGE013
表示列图像块中第
Figure 172112DEST_PATH_IMAGE013
类灰度均值；
Figure 2534DEST_PATH_IMAGE015
表示列图像块中第
Figure 806542DEST_PATH_IMAGE013
类灰度均值对应的行中像素点的灰度均值；
Figure 928606DEST_PATH_IMAGE016
表示灰度图像的灰度均值。
进一步，得到工件切割面的粗糙程度的公式为：
Figure 476262DEST_PATH_IMAGE017
其中，
Figure 426770DEST_PATH_IMAGE018
表示工件切割面的粗糙程度；
Figure DEST_PATH_IMAGE019
表示第
Figure 650946DEST_PATH_IMAGE020
个列图像块的粗糙程度；
Figure 70427DEST_PATH_IMAGE020
表示第
Figure 934957DEST_PATH_IMAGE020
个列图像块；
Figure 946163DEST_PATH_IMAGE021
表示工件切割面的灰度图像中列图像块的数量；
Figure 669137DEST_PATH_IMAGE022
表示灰度图像中所有列的周期数量均值；
Figure 310334DEST_PATH_IMAGE023
表示第
Figure 465372DEST_PATH_IMAGE020
个列图像块中列的拟合曲线的周期数量。
进一步，将灰度图像中金刚线切割时进线端到出线端的方向作为行，将与行垂直的方向作为列。
本发明的有益效果是：本发明的一种用于数控金钢线剖锭机的切割质量检测方法，通过分析工件切割面的每一列像素点的拟合曲线的周期长度和周期数量，以及像素点的灰度值得到每一列的纵向粗糙程度，即金刚线对切割面的每一列造成的不同的灰度变化；结合列图像块中所有周期的拟合波峰直线的夹角值，即金刚线在每一次的入线端至出线端方向上对工件切割面造成的不同影响，得到了准确的工件切割面的粗糙程度，实现了对切割质量的量化，可以通过金刚线不同进给速度下的切割面的粗糙程度得到精准的运行参数，提高了切割质量。并且本发明在计算工件切割面的粗糙程度时，将工件切割面的灰度图像分为了多个列图像块，能够将相邻的发生相同灰度周期变化的列聚为一类，对发生相同灰度变化的列进行合并计算粗糙程度，能够更加准确的得到列图像块中不同周期的拟合波峰曲线的夹角值，使得后续得到的粗糙程度更加准确。
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为本发明的一种用于数控金钢线剖锭机的切割质量检测方法的实施例总体步骤的流程图。
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。
本发明的一种用于数控金钢线剖锭机的切割质量检测方法的实施例，如图1所示，该方法包括：
S1、获取工件切割面的灰度图像；对灰度图像中每一列的像素点灰度值进行曲线拟合得到每一列的拟合曲线。
具体的，采集包含待检测的工件切割面的图像，再采集同一位置的不包含待检测工件的图像作为背景图像；利用背景图像与包含待检测的工件切割面的图像进行图像差分得到工件切割面的图像。
对工件切割面的图像进行灰度化处理得到工件切割面的灰度图像；利用双边滤波对灰度图像进行去噪处理，对去噪后的灰度图像进行形态学顶帽运算去除光照不均匀的影响，得到最终的灰度图像。
将灰度图像中金刚线切割时进线端到出线端的方向作为行，将与行垂直的方向作为列，即金刚线切割时的进给方向作为列。
从上到下获取灰度图像中每一列的像素点的灰度值，对每一列的像素点的灰度值进行曲线拟合得到拟合曲线，每一列的拟合曲线的横坐标为从上到下的像素点的位置顺序，纵坐标为像素点的灰度值。
S2、利用每一列的拟合曲线上的周期长度均值和每个周期的长度得到每个周期的周期突变程度，将周期突变程度作为对应周期中每个像素点的影响权重。
具体的，利用每一列的拟合曲线中相邻波谷之间的距离得到一个周期，将拟合曲线的起始点到第一个波谷、最后一个波谷到结尾点各作为一个周期，将拟合曲线上所有的周期相加能够得到每一列拟合曲线的周期数量；依次获取每个周期的长度，周期的长度是指周期中包含的像素点的数量。
获取拟合曲线上所有周期的长度均值作为该拟合曲线的周期长度均值。
对灰度图像中所有列的拟合曲线的周期数量求均值得到所有列的周期数量均值。
根据下式计算拟合曲线上每个周期的周期突变程度：
Figure 190139DEST_PATH_IMAGE024
其中，
Figure 21697DEST_PATH_IMAGE025
表示拟合曲线上第
Figure 150190DEST_PATH_IMAGE026
个周期的周期突变程度；
Figure DEST_PATH_IMAGE027
表示拟合曲线上第
Figure 577761DEST_PATH_IMAGE026
个周期的长度；
Figure 357367DEST_PATH_IMAGE028
表示拟合曲线上所有周期的周期长度均值；
Figure 110559DEST_PATH_IMAGE026
表示拟合曲线上第
Figure 991927DEST_PATH_IMAGE026
个周期；
Figure 488768DEST_PATH_IMAGE029
表示拟合曲线上的周期数量。利用每个周期的长度与周期长度均值差异和拟合曲线上所有周期与周期长度均值的差异做比值，是因为当拟合曲线上每个周期的长度与该拟合曲线的周期长度均值差异越大时，认为该周期的周期突变程度越大，即该周期对应位置的工件切割面发生了灰度突变，表明切割质量下降。
将拟合曲线上每个周期的周期突变程度作为对应的周期内每个像素点的影响权重，是因为周期对应位置的工件切割面发生的灰度突变越严重，该周期对应的像素点进行粗糙程度计算时，对应的影响权重就越大。
S3、将灰度图像中相邻且拟合曲线的周期数量相同的列合并得到多个列图像块。
造成工件切割面质量出现问题的情况为金钢线发生抖动，造成位置偏离，在金钢线的入线端至出线端方向上造成图像横向上凹陷深度变化，即在灰度图像上呈现为灰度变化，在金钢线的进给方向上造成图像纵向上纹理周期变化。所以相邻列中的像素点的灰度值的拟合曲线的周期数量相同，周期数量相同表明这些相邻列发生了相同的变化。
从左至右依次将灰度图像中拟合曲线的周期数量相同且相邻的列合并，得到多个列图像块，每个列图像块的拟合曲线的周期数量等于列图像块中任意一列的拟合曲线的周期数量。
S4、利用列图像块中像素点的灰度值和影响权重以及灰度图像的灰度均值得到列图像块的纵向粗糙程度。
获取灰度图像中每一列的像素点的灰度均值，根据下式计算每一列的粗糙程度：
Figure 843919DEST_PATH_IMAGE030
其中，
Figure 502434DEST_PATH_IMAGE002
表示某一列的粗糙程度；
Figure 120366DEST_PATH_IMAGE003
表示该列中的第
Figure 155318DEST_PATH_IMAGE004
个像素点的影响权重；
Figure 925828DEST_PATH_IMAGE005
表示该列中的第
Figure 755243DEST_PATH_IMAGE004
个像素点的灰度值；
Figure 860472DEST_PATH_IMAGE006
表示该列中像素点的灰度均值；
Figure 699115DEST_PATH_IMAGE007
表示该列中像素点的数量。
Figure 58552DEST_PATH_IMAGE031
中两者的差异越大，说明该像素点处的异常程度越大，即该像素点处的粗糙程度越大；并且影响权重越大，说明该处的灰度突变越严重，对切割质量、即切割面的粗糙程度的影响越大。
获取灰度图像中每一列的像素点的灰度均值，以及灰度图像的灰度均值，根据下式计算每一列的异常程度：
Figure 324448DEST_PATH_IMAGE032
其中，
Figure 642604DEST_PATH_IMAGE033
表示第
Figure 284938DEST_PATH_IMAGE034
列的异常程度；
Figure 764461DEST_PATH_IMAGE035
表示第
Figure 201258DEST_PATH_IMAGE034
列的像素点的灰度均值；
Figure 15499DEST_PATH_IMAGE016
表示灰度图像的灰度均值；
Figure 195945DEST_PATH_IMAGE034
表示第
Figure 529974DEST_PATH_IMAGE034
列；
Figure 137673DEST_PATH_IMAGE036
表示灰度图像中的总列数；
Figure 439210DEST_PATH_IMAGE037
表示每一列像素点的灰度均值相对于灰度图像的灰度均值的整体相对差异；利用每一列的差异与整体相对差异的比值得到每一列的异常程度，即每一列得到的差异越大，说明该列偏离了整体的相对差异，则异常程度就越大。
获取列图像块中每一列的粗糙程度与异常程度的乘积，对列图像块中所有列得到的粗糙程度与异常程度的乘积求和得到列图像块的纵向粗糙程度，计算列图像块的纵向粗糙程度的公式为：
Figure 157768DEST_PATH_IMAGE038
其中，
Figure 611883DEST_PATH_IMAGE010
表示第一个列图像块的纵向粗糙程度；
Figure 390483DEST_PATH_IMAGE033
表示第
Figure 913737DEST_PATH_IMAGE034
列的异常程度，此处表示该列图像块中第
Figure 435985DEST_PATH_IMAGE034
列的异常程度；
Figure 744607DEST_PATH_IMAGE039
表示列图像块中第
Figure 680726DEST_PATH_IMAGE034
列的粗糙程度；
Figure 442009DEST_PATH_IMAGE040
表示第一个列图像块中列的总数量。
Figure 33527DEST_PATH_IMAGE039
和
Figure 196655DEST_PATH_IMAGE033
的值越大，工件切割面在沿金钢线进给方向上的粗糙程度越大，即工件切割面的纵向粗糙程度越大。
同理计算灰度图像中所有列图像块的纵向粗糙程度。
S5、获取列图像块中每一行的灰度均值，以及每一类灰度均值对应的行中像素点的灰度方差；利用列图像块中所有列的拟合曲线的相同周期的波峰获取每个周期的波峰拟合直线，以及波峰拟合直线的夹角值。
灰度图像的横向上从左至右，即金钢线的入线端至出线端方向上，由于金钢线与工件切割时的磨损造成金钢线本身发生变化，以及金钢线在入线端至出线端方向上产生倾斜。即在灰度图像横向上不同区域内产生摆动幅度，所以纵向上的粗糙程度相似时，由于金钢线本身磨损变化和倾斜变化，也会造成切割质量存在差异。
具体的，获取每个列图像块中每一行的像素点的灰度均值；对每个列图像块中每一行的灰度均值进行曲线拟合得到列图像块的第二拟合曲线，第二拟合曲线的横坐标为行的序号，纵坐标为对应序号的行的灰度均值；将相同纵坐标的行聚为一类，即相同灰度均值的行归为一类，得到集合
Figure 317058DEST_PATH_IMAGE041
，其中，
Figure 814905DEST_PATH_IMAGE042
表示列图像块的第
Figure 678955DEST_PATH_IMAGE014
个灰度均值对应的行中像素点的灰度均值，每个灰度均值可能对应一行，也可能对应多行。
利用列图像块中每一类灰度均值对应的行中所有像素点的灰度值得到每一类灰度均值对应的行中像素点的灰度方差。灰度方差越大，说明该类灰度均值对应的行中像素点的灰度值越不均匀，即金钢线本身磨损变化越大，使得同一类灰度均值对应的行内粗糙程度较大。
由于列图像块中每一列的拟合曲线的周期相同，金钢线的切割方式为沿进给方向逐根线贯通工件，因此每个列图像块内各列拟合曲线上同一周期内应为同一时刻上金钢线将工件贯通的位置，同一周期应处于金钢线的入线端至出线端方向上的同一直线上，即同一行上；同一周期是指每一列从上往下数周期序号相同，即每一列的第一个周期为同一周期，也称为相同周期。
获取列图像块中所有列的拟合曲线的相同周期的波峰，对所有列的拟合曲线的相同周期的波峰对应的横坐标进行直线拟合得到拟合直线，利用拟合直线的斜率得到对应的周期的夹角值，夹角值越小，表示同一金钢线的入线端至出线端贯通方向未发生较大的倾斜变化，夹角值越大，表示该周期内发生较大的倾斜变化，切割质量较差。
S6、利用每个列图像块的纵向粗糙程度、波峰拟合直线的夹角值、每一类灰度均值对应的行中像素点的灰度方差、每一行的灰度均值和灰度图像的灰度均值得到每个列图像块的粗糙程度。
具体的，获取每个列图像块中所有周期的夹角值的均值，根据下式计算每个列图像块的粗糙程度：
Figure DEST_PATH_IMAGE043
其中，
Figure 414699DEST_PATH_IMAGE009
表示第一个列图像块的粗糙程度；
Figure 237162DEST_PATH_IMAGE010
表示第一个列图像块的纵向粗糙程度，列图像块中纵向粗糙程度越大，表示该列图像块的粗糙程度越大；
Figure 973036DEST_PATH_IMAGE011
表示列图像块中所有周期的夹角值的均值，所有周期的夹角值的均值越大，表明列图像块内金钢线在入线端至出线端贯通方向上的倾斜程度越大，贯通方向上的工件贯通质量越差，使得列图像块的粗糙程度越大；
Figure 640778DEST_PATH_IMAGE012
表示列图像块中第
Figure 512919DEST_PATH_IMAGE013
类灰度均值对应的行中像素点的灰度方差，该值越大，说明同一行的像素点的分布越混乱，粗糙程度越大；
Figure 489971DEST_PATH_IMAGE014
表示列图像块中共有
Figure 713142DEST_PATH_IMAGE014
类灰度均值；
Figure 184575DEST_PATH_IMAGE013
表示列图像块中第
Figure 176802DEST_PATH_IMAGE013
类灰度均值；
Figure 327685DEST_PATH_IMAGE015
表示列图像块中第
Figure 772573DEST_PATH_IMAGE013
类灰度均值对应的行中像素点的灰度均值；
Figure 782117DEST_PATH_IMAGE016
表示灰度图像的灰度均值；
Figure 894429DEST_PATH_IMAGE044
表示第
Figure 947705DEST_PATH_IMAGE013
类灰度均值与整体灰度均值的差值和所有类灰度均值与整体灰度均值的相对差值的比值，比值越大，说明该类灰度均值的差值与相对差值的差异越大，得到的粗糙程度就越大。
同理得到灰度图像中所有列图像块的粗糙程度。
S7、利用灰度图像中所有列的拟合曲线的周期数量均值、每个列图像块的粗糙程度和拟合曲线的周期数量得到工件切割面的粗糙程度，利用工件切割面的粗糙程度得到切割质量。
具体的，根据下式计算工件切割面的粗糙程度：
Figure 145468DEST_PATH_IMAGE017
其中，
Figure 693124DEST_PATH_IMAGE018
表示工件切割面的粗糙程度；
Figure 659943DEST_PATH_IMAGE019
表示第
Figure 884120DEST_PATH_IMAGE020
个列图像块的粗糙程度；
Figure 569179DEST_PATH_IMAGE020
表示第
Figure 920526DEST_PATH_IMAGE020
个列图像块；
Figure 741852DEST_PATH_IMAGE021
表示工件切割面的灰度图像中列图像块的数量；
Figure 402509DEST_PATH_IMAGE022
表示灰度图像中所有列的周期数量均值；
Figure 574864DEST_PATH_IMAGE023
表示第
Figure 464323DEST_PATH_IMAGE020
个列图像块中列的拟合曲线的周期数量；
Figure 405734DEST_PATH_IMAGE023
和
Figure 709064DEST_PATH_IMAGE022
的差异越大，说明该列图像块内出现问题的概率越大，对工件切割面粗糙程度的影响越大。
工件切割面的粗糙程度越大，说明工件切割面的切割质量越差。
在数控金钢线剖锭机的调试环境下，已知金钢线设定的进给速度范围，在进给速度范围中等间距选取10个进给速度，分别使用这10种进给速度对同一类型的工件进行切割。获取每个进给速度下的工件切割面的粗糙程度；选取最小粗糙程度对应的进给速度作为该类型工件切割的进给速度。
综上所述，本发明提供一种用于数控金钢线剖锭机的切割质量检测方法，通过分析工件切割面的每一列像素点的拟合曲线的周期长度和周期数量，以及像素点的灰度值得到每一列的纵向粗糙程度，即金刚线对切割面的每一列造成的不同的灰度变化；结合列图像块中所有周期的夹角值，即金刚线在每一次的入线端至出线端方向上对工件切割面造成的不同影响，得到了准确的工件切割面的粗糙程度，实现了对切割质量的量化，可以通过金刚线不同进给速度下的切割面的粗糙程度得到精准的运行参数，提高了切割质量。并且本发明在计算工件切割面的粗糙程度时，将工件切割面的灰度图像分为了多个列图像块，能够将相邻的发生相同灰度周期变化的列聚为一类，对发生相同灰度变化的列进行合并计算粗糙程度，能够更加准确的得到列图像块中不同周期的夹角值，使得后续得到的粗糙程度更加准确。
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 (5)

1.一种用于数控金钢线剖锭机的切割质量检测方法，其特征在于，该方法包括：
获取工件切割面的灰度图像；对灰度图像中每一列的像素点灰度值进行曲线拟合得到每一列的拟合曲线；
将拟合曲线上相邻波谷之间的距离作为一个周期，利用每一列的拟合曲线上的周期长度均值和每个周期的长度得到每个周期的周期突变程度，将周期突变程度作为对应周期中每个像素点的影响权重，所述周期的长度是指周期中包含的像素点数量；
将灰度图像中相邻且拟合曲线的周期数量相同的列合并得到多个列图像块；
利用每一列的像素点的灰度值和影响权重得到每一列的粗糙程度，获取每一列的粗糙程度的表达式为：
Figure QLYQS_1
其中，
Figure QLYQS_2
表示某一列的粗糙程度；
Figure QLYQS_3
表示该列中的第
Figure QLYQS_4
个像素点的影响权重；
Figure QLYQS_5
表示该列 中的第
Figure QLYQS_6
个像素点的灰度值；
Figure QLYQS_7
表示该列中像素点的灰度均值；
Figure QLYQS_8
表示该列中像素点的数 量；
利用每一列的灰度均值和灰度图像的灰度均值得到每一列的异常程度；
获取列图像块中每一列的粗糙程度与异常程度的乘积；
对列图像块中所有列得到的粗糙程度与异常程度的乘积求和得到列图像块的纵向粗糙程度；
获取列图像块中每一行的灰度均值，以及每一类灰度均值对应的行中像素点的灰度方差；
利用列图像块中所有列的拟合曲线的相同周期的波峰获取每个周期的波峰拟合直线，以及波峰拟合直线的夹角值；
利用每个列图像块的纵向粗糙程度、波峰拟合直线的夹角值、每一类灰度均值对应的行中像素点的灰度方差、每一行的灰度均值和灰度图像的灰度均值得到每个列图像块的粗糙程度，获取每个列图像块的粗糙程度的表达式为：
Figure QLYQS_9
其中，
Figure QLYQS_11
表示第一个列图像块的粗糙程度；
Figure QLYQS_16
表示第一个列图像块的纵向粗糙程度；
Figure QLYQS_17
表示列图像块中所有周期的波峰拟合直线的夹角值的均值；
Figure QLYQS_13
表示列图像块中第
Figure QLYQS_14
类灰 度均值对应的行中像素点的灰度方差；
Figure QLYQS_18
表示列图像块中共有
Figure QLYQS_20
类灰度均值；
Figure QLYQS_10
表示列图像块 中第
Figure QLYQS_15
类灰度均值；
Figure QLYQS_19
表示列图像块中第
Figure QLYQS_21
类灰度均值对应的行中像素点的灰度均值；
Figure QLYQS_12
表示 灰度图像的灰度均值；
利用灰度图像中所有列的拟合曲线的周期数量均值、每个列图像块的粗糙程度和拟合曲线的周期数量得到工件切割面的粗糙程度，获取工件切割面的粗糙程度的表达式为：
Figure QLYQS_22
其中，
Figure QLYQS_24
表示工件切割面的粗糙程度；
Figure QLYQS_27
表示第
Figure QLYQS_29
个列图像块的粗糙程度；
Figure QLYQS_25
表示第
Figure QLYQS_28
个 列图像块；
Figure QLYQS_30
表示工件切割面的灰度图像中列图像块的数量；
Figure QLYQS_31
表示灰度图像中所有列的周 期数量均值；
Figure QLYQS_23
表示第
Figure QLYQS_26
个列图像块中列的拟合曲线的周期数量；
利用工件切割面的粗糙程度得到切割质量。
2.根据权利要求1所述的一种用于数控金钢线剖锭机的切割质量检测方法，其特征在于，还包括：
在得到切割质量后，获取金刚线设定的进给速度范围，在进给速度范围中等间距选取多个进给速度；
获取每个进给速度得到的工件切割面的粗糙程度；
选取最小粗糙程度对应的进给速度作为金刚线对于该工件的进给速度。
3.根据权利要求1所述的一种用于数控金钢线剖锭机的切割质量检测方法，其特征在于，得到每一类灰度均值对应的行中像素点的灰度方差的步骤包括：
获取列图像块中每一行的像素点的灰度均值；
将相同灰度均值的行归为一类，得到每一类灰度均值对应的行；
利用列图像块中每一类灰度均值对应的行中所有像素点的灰度值得到每一类灰度均值对应的行中像素点的灰度方差。
4.根据权利要求1所述的一种用于数控金钢线剖锭机的切割质量检测方法，其特征在于，获取每个周期的波峰拟合直线以及波峰拟合直线的夹角值的步骤包括：
获取列图像块中所有列的拟合曲线的每个相同的周期的波峰；
对所有列的拟合曲线的每个相同的周期的波峰对应的横坐标进行直线拟合得到波峰拟合直线；
利用每个周期的波峰拟合直线的斜率得到波峰拟合直线的夹角值。
5.根据权利要求1所述的一种用于数控金钢线剖锭机的切割质量检测方法，其特征在于，将灰度图像中金刚线切割时进线端到出线端的方向作为行，将与行垂直的方向作为列。
CN202211417187.6A 2022-11-14 2022-11-14 一种用于数控金钢线剖锭机的切割质量检测方法 Active CN115661120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211417187.6A CN115661120B (zh) 2022-11-14 2022-11-14 一种用于数控金钢线剖锭机的切割质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211417187.6A CN115661120B (zh) 2022-11-14 2022-11-14 一种用于数控金钢线剖锭机的切割质量检测方法

Publications (2)

Publication Number Publication Date
CN115661120A CN115661120A (zh) 2023-01-31
CN115661120B true CN115661120B (zh) 2023-03-10

Family

ID=85021911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211417187.6A Active CN115661120B (zh) 2022-11-14 2022-11-14 一种用于数控金钢线剖锭机的切割质量检测方法

Country Status (1)

Country Link
CN (1) CN115661120B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN116503394B (zh) * 2023-06-26 2023-09-08 济南奥盛包装科技有限公司 基于图像的印刷制品表面粗糙度检测方法
CN116721101B (zh) * 2023-08-09 2023-10-20 山东华航高分子材料有限公司 一种塑件表面波流痕的缺陷检测方法
CN117890363A (zh) * 2024-01-16 2024-04-16 沈阳弘毅机电制造有限公司 直流电动机的换向器表面鉴别系统
CN118636222A (zh) * 2024-08-12 2024-09-13 瑞纳智绝缘材料（苏州）有限公司 基于视觉数据分析的超声波裁切检测分析系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010091514A (ja) * 2008-10-10 2010-04-22 Nippon Steel Corp 表面欠陥検査システム、方法及びプログラム
CN104697476A (zh) * 2015-03-19 2015-06-10 北京时代之峰科技有限公司 粗糙度光切轮廓曲线的自动检测方法及装置
CN108332689A (zh) * 2018-02-08 2018-07-27 南京航空航天大学 一种检测表面粗糙度和表面损伤的光学测量系统及方法
CN113927191A (zh) * 2021-11-29 2022-01-14 广东宏石激光技术股份有限公司 一种激光加工光束质量监测系统及方法
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
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
CN115100203A (zh) * 2022-08-25 2022-09-23 山东振鹏建筑钢品科技有限公司 一种钢筋打磨除锈质量检测方法
CN115272316A (zh) * 2022-09-27 2022-11-01 山东华太新能源电池有限公司 基于计算机视觉的电池盖焊接质量智能检测方法
CN115272332A (zh) * 2022-09-29 2022-11-01 索日新能源科技(南通)有限公司 基于计算机视觉的光伏板蜗牛纹缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015201271A1 (de) * 2014-09-17 2016-03-17 Friedrich-Alexander-Universität Erlangen - Nürnberg Verfahren und System zur Bestimmung der lokalen Qualität von aus Volumendaten extrahierten Oberflächendaten

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010091514A (ja) * 2008-10-10 2010-04-22 Nippon Steel Corp 表面欠陥検査システム、方法及びプログラム
CN104697476A (zh) * 2015-03-19 2015-06-10 北京时代之峰科技有限公司 粗糙度光切轮廓曲线的自动检测方法及装置
CN108332689A (zh) * 2018-02-08 2018-07-27 南京航空航天大学 一种检测表面粗糙度和表面损伤的光学测量系统及方法
CN113927191A (zh) * 2021-11-29 2022-01-14 广东宏石激光技术股份有限公司 一种激光加工光束质量监测系统及方法
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
CN115100203A (zh) * 2022-08-25 2022-09-23 山东振鹏建筑钢品科技有限公司 一种钢筋打磨除锈质量检测方法
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
CN115272316A (zh) * 2022-09-27 2022-11-01 山东华太新能源电池有限公司 基于计算机视觉的电池盖焊接质量智能检测方法
CN115272332A (zh) * 2022-09-29 2022-11-01 索日新能源科技(南通)有限公司 基于计算机视觉的光伏板蜗牛纹缺陷检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Vikas Chaudhary,et al..Automatic visual inspection of printed circuit board for defect detection and classification.2018,全文. *
Yuanyuan Ding，et al..Cognitive Visual Inspection Service for LCD Manufacturing Industry.2022,全文. *
匡宇杰..基于机器视觉的液晶屏激光切割系统研究.2022,全文. *
胡志强..基于机器视觉的激光切割质量检测及评价研究.2020,全文. *
胡秀珍 ; 隋青美 ; .基于机器视觉的铁芯表面缺陷检测系统研究.2017,全文. *

Also Published As

Publication number Publication date
CN115661120A (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN115661120B (zh) 一种用于数控金钢线剖锭机的切割质量检测方法
CN107798330B (zh) 一种焊缝图像特征信息提取方法
CN109060836B (zh) 基于机器视觉的高压油管接头外螺纹检测方法
CN108765419B (zh) 结构光视觉焊缝图像信息自适应提取方法
CN100351039C (zh) 一种静态刀具图像的精密测量方法
CN115100211B (zh) 一种机器人金属板材表面打磨速度智能调控方法
CN108490880A (zh) 一种数控机床切削刀具磨损状态实时监测方法
CN110109431B (zh) 一种压铸机oee信息智能获取系统
CN115375686A (zh) 一种基于图像处理的玻璃边缘瑕疵检测方法
CN116630309A (zh) 一种布匹断纬瑕疵检测方法
CN107480317A (zh) 一种提高滚齿加工精度的方法
CN118071756B (zh) 一种基于钻石的图像数据处理方法
CN111338289A (zh) 机床精度分析方法及装置、精度检测仪、机床加工方法
CN109993787B (zh) 一种图像法螺纹中径求解方法
GB2428818A (en) Operating controllable multi-variable processes
CN112630248B (zh) 一种铸坯微观偏析比值的确定方法
CN107127404B (zh) 一种提高内齿珩轮强力珩齿加工精度的方法
CN104359420A (zh) 基于激光位移传感器扫描的刀具磨损三维形貌的测量方法
CN111307814B (zh) 一种基于图像处理的硅块杂质检测方法
CN110428401B (zh) 一种梨种质资源表型果点数据的测量与分析方法
CN116213800A (zh) 一种数字孪生的铣削加工干涉实时预测系统及方法
RU2689476C1 (ru) Способ обработки лопаток блиска газотурбинного двигателя
CN1343302A (zh) 测量硅晶片的波度的方法与系统
CN108399184B (zh) 一种钢材的表面处理方法
CN110102829B (zh) 一种锥齿轮加工工艺的对比方法

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