CN115984271A - 基于角点检测的金属毛刺识别方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及基于角点检测的金属毛刺识别方法，方法包括：对角点检测后获得特征点的灰度变化获得灰度相似度，根据灰度相似度筛选出真实角点；灰度相似度差异和灰度值差异获得角点匹配度，进而获得每个真实角点之间的匹配关系及匹配数量，然后筛选获得毛刺角点；获得每个毛刺角点及对应匹配角点组成的毛刺区域，根据灰度距离特征对毛刺区域进行生长，获得最终毛刺区域。本发明识别出的最终毛刺区域更加精准，减少了多种噪声的干扰。

Description

基于角点检测的金属毛刺识别方法

技术领域

本发明涉及图像处理技术领域，具体涉及基于角点检测的金属毛刺识别方法。

背景技术

毛刺是指在金属加工过程中工件表面过渡处出现的各种尖角、毛边残留等不规则的金属部分。毛刺是金属切削加工中产生的普遍现象之一，直接影响被加工工件的尺寸精度、形位精度和表面粗糙度。故对毛刺进行检测打磨消除对产品的质量有着重要意义。

传统的检测中通过角点检测对毛刺进行检测时，会受到金属表面加工件反射以及缺陷，噪声等因素的干扰，检测出的角点存在伪角点，以及无用角点等，没有对角点进行二次筛选，没有有效区分噪声角点、金属结构固有角点和毛刺角点，后续对角点进行分析容易造成误差。在后续使用如区域生长算法等图像技术来完成毛刺检测时，因为伪角点和无用角点的因素，影响区域生长算法中的初始种子点的选择；并且在生长过程中相似性度量准则的选取均会极大的影响最终的检测效果。在后续打磨过程中利用角点间的相对位置关系，得到同一金属锭的打磨参照点，根据边缘空缺处获取打磨参照点，没有对毛刺位置进行准确确定，没有对打磨参照点进行进一步分析，打磨时容易将完好区域进行打磨而造成损坏，亦会使毛刺区域打磨的误差增大。

发明内容

为了解决现有技术中没有有效区分噪声角点、金属结构固有角点和毛刺角点，没有对毛刺位置进行准确确定的技术问题，本发明的目的在于提供基于角点检测的金属毛刺识别方法，所采用的技术方案具体如下：

本发明提出基于角点检测的金属毛刺识别方法，所述方法包括：

获得金属边缘轮廓图像；

对金属边缘轮廓图像的边缘像素点进行角点检测，获得特征点；对每个特征点构建对应预设尺寸的局部窗口，根据每个特征点的局部窗口内像素点的灰度变化获得对应特征点的灰度相似度；根据灰度相似度筛选出真实角点；

根据真实角点之间的灰度相似度差异和灰度值差异获得任意两个真实角点之间的角点匹配度；根据所有真实角点之间的角点匹配度获得每个真实角点之间的匹配关系及匹配数量；根据匹配数量将真实角点进行筛选，获得毛刺角点；

获得每个毛刺角点及对应匹配角点组成的毛刺区域；根据毛刺区域获取待生长点，根据待生长点与毛刺区域内像素点的灰度距离特征对毛刺区域进行生长，获得最终毛刺区域。

进一步地，所述灰度相似度的获取方法包括：

对任意一个特征点，将特征点的局部窗口内非特征点的其他像素点作为邻域像素点；获得特征点与每个邻域像素点的欧氏距离，将所述欧氏距离归一化并进行负相关处理，获得距离特征；将特征点与每个邻域像素点的灰度值的差值绝对值作为灰度特征；将距离特征与灰度特征的乘积作为对应特征点与每个邻域像素点的差异特征；获得特征点与所有邻域像素点的差异特征累加和与修正系数的和值，将所述和值的倒数作为对应特征点的灰度相似度。

进一步地，所述真实角点的获取方法包括：

对任意一个特征点，将特征点的灰度相似度进行归一化，获得灰度相似归一化值；若特征点的灰度相似归一化值大于第一真实阈值且小于第二真实阈值，则对应特征点为真实角点。

进一步地，所述角点匹配度的获取方法包括：

对任意一个真实角点，将其他真实角点作为参考角点；对真实角点的任意一个参考角点，将真实角点与参考角点的灰度差值绝对值作为灰度差异值；将真实角点与参考角点的灰度相似度的差值绝对值作为灰度相似差异值；将灰度差异值和灰度相似差异值的和值归一化并进行负相关映射，获得角点匹配度。

进一步地，所述疑似毛刺点和匹配角点的获取方法包括：

获取每个真实角点与对应所有参考角点的最大角点匹配度，若最大角点匹配度大于预设匹配阈值，则最大角点匹配度对应的参考角点为对应真实角点的匹配角点。

进一步地，所述毛刺角点的获取方法包括：

根据匹配数量对真实角点进行二分类，获取两个聚类簇；将两个聚类簇中匹配角点数量均值最大的聚类簇内真实角点作为毛刺角点。

进一步地，所述毛刺区域的获取方法包括：

以每个毛刺角点在角点检测过程中获得的两个最大灰度变化方向作为毛刺方向，获取毛刺角点对应匹配角点的毛刺方向；将毛刺角点及其对应匹配角点的毛刺方向所在直线围成的区域作为毛刺区域。

进一步地，所述最终毛刺区域的获取方法包括：

将毛刺区域内的像素点作为生长像素点；获取待生长点与每个生长像素点的欧氏距离，将所述欧氏距离归一化并进行负相关处理，获得生长距离特征；将待生长点与每个生长像素点的灰度值的差值绝对值作为生长灰度特征；将生长距离特征与生长灰度特征的乘积作为对应待生长点与每个生长像素点的生长差异特征；获得待生长点与所有生长像素点的生长差异特征累加和，将所述累加和进行负相关归一化获得对应待生长点的生长率；

若待生长点的生长率大于预设生长阈值，则对待生长点进行生长，更新毛刺区域，直至毛刺区域不再发生变化，获得最终毛刺区域。

本发明具有如下有益效果：

本发明实施例中，对金属边缘轮廓图像的边缘像素点进行角点检测获得特征点，根据每个特征点的局部窗口内像素点的灰度变化获得对应特征点的灰度相似度，根据灰度相似度筛选出真实角点，对角点进行初步筛选，根据灰度特征将伪角点进行筛除，得到真实角点，能够提高后续分析的准确性。根据真实角点之间的灰度相似度差异和灰度值差异获得任意两个真实角点之间的角点匹配度，并获得每个真实角点之间的匹配关系及匹配数量，然后根据匹配数量将真实角点进行筛选获得毛刺角点，对真实角点进行二次筛选，将金属工件上原本的工作角点和角点进行筛除，获得真正的毛刺角点，然后在后续步骤中对毛刺角点进行分析，才能够获得准确的毛刺区域。获得每个毛刺角点及对应匹配角点组成的毛刺区域，根据待生长点与毛刺区域内像素点的灰度距离特征对毛刺区域进行生长，识别出准确的最终毛刺区域。

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为本发明一个实施例所提供的基于角点检测的金属毛刺识别方法流程图；

图2为本发明一个实施例所提供的一种金属工件灰度图像；

图3为本发明一个实施例所提供的一种金属边缘轮廓图像；

图4为本发明一个实施例所提供的一种包含角点标注和毛刺区域标注的金属边缘轮廓图像；

图5为本发明一个实施例所提供的一种包含角点标注和毛刺区域标注的金属工件灰度图像。

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基于角点检测的金属毛刺识别方法，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基于角点检测的金属毛刺识别方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于角点检测的金属毛刺识别方法流程图，该方法包括：

步骤S1：获得金属边缘轮廓图像。

金属加工完成后，工件表面存在一定毛刺，需要对毛刺进行检测，获取毛刺区域的轮廓信息和位置信息，从而控制系统对毛刺进行打磨。在本发明实施例中，通过工业相机和固定光源采集金属工件表面RGB图像，使用加权灰度化的方法将金属工件表面RGB图像进行灰度化处理，获得金属工件灰度图像。需要说明的是，加权灰度化的方法为本领域技术人员熟知的技术手段，在此不再赘述。请参阅图2，其示出了本发明一个实施例所提供的一种金属工件灰度图像，由图2可知金属加工件的生产环境中存在大量的背景信息，使得金属工件灰度图像中出现大量的噪声，进而导致真实毛刺角点、金属结构固有角点和噪声角点同时存在。

为了能够将金属工件表面的毛刺准确检测出来，需要将金属工件的表面边缘轮廓提出取出来。在本发明实施例中，使用canny边缘算子检测将金属工件灰度图像进行边缘检测，获得金属边缘轮廓图像。需要说明的是，加权灰度化的方法为本领域技术人员熟知的技术手段，在此不再赘述。后续步骤需要基于金属边缘轮廓图像对金属工件进行分析，才能完成对毛刺区域的准确识别。请参阅图3，其示出了本发明一个实施例所提供的一种金属边缘轮廓图像。由图3可知，在金属边缘轮廓图像中同时包含毛刺边缘、金属固有边缘和噪声边缘，为了准确获得毛刺边缘，需要将真实毛刺角点筛选出来。

步骤S2：对金属边缘轮廓图像的边缘像素点进行角点检测，获得特征点；对每个特征点构建对应预设尺寸的局部窗口，根据每个特征点的局部窗口内像素点的灰度变化获得对应特征点的灰度相似度；根据灰度相似度筛选出真实角点。

由于边缘上存在毛刺，则金属边缘线上的边缘像素点会不可避免地出现端点和交叉点等角点。因此，根据金属边缘轮廓图像对金属工件表面的边缘轮廓进行分析，对金属边缘轮廓图像的边缘像素点进行角点检测，获得特征点，在本发明实施例中，角点检测的方法为Harris角点检测，Harris角点检测为本领域技术人员熟知的技术手段，在此不再赘述。

但是，传统的Harris角点检测是通过利用局部窗口在图像上进行移动判断灰度发生的变化，两个方向具有较大变化的点即为角点，没有发生变化就不存在角点。在这一判断过程中，当金属表面加工件表面存在反射现象以及可能存在其他缺陷，会导致检测出的伪角点过多，无法有效获取毛刺区域所对应的角点。当图像中存在孤立噪声点的时候，孤立噪声点也会被检测成伪角点，首先需对伪角点进行筛选，对误检角点进行排除。

由于角点检测通过像素点的灰度幅度进行检测，孤立噪声点与角点的局部灰度幅值差异较大，实际噪声点与局部窗口内的像素点的灰度相似性较小，而角点与局部窗口内的像素点灰度相似性较大。因此，对每个特征点构建对应预设尺寸的局部窗口，在本发明实施例中，以每个特殊点设置Harris局部窗口，为该特征点为中心，设置预设尺寸为5×5邻的局部窗口，具体预设尺寸数值可根据具体实施方式具体设置。根据每个特征点的局部窗口内像素点的灰度变化获得对应特征点的灰度相似度，在本发明实施例中具体包括：

对任意一个特征点，将特征点的局部窗口内非特征点的其他像素点作为邻域像素点；获得特征点与每个邻域像素点的欧氏距离，将欧氏距离归一化并进行负相关处理，获得距离特征，距离特征反映了特征点与邻域像素点之间的空间位置关系，即空间距离越近，则距离特征越大。将特征点与每个邻域像素点的灰度值的差值绝对值作为灰度特征，灰度特征反映了特征点与邻域像素点之间的灰度差异，灰度差异越大灰度特征越大。将距离特征与灰度特征的乘积作为对应特征点与每个邻域像素点的差异特征；获得特征点与所有邻域像素点的差异特征累加和与修正系数的和值，将和值的倒数作为对应特征点的灰度相似度。以特征点为例，特征点的灰度相似度的公式具体包括：

式中，表示特征点的灰度相似度，表示修正系数，表示特征点的局部窗口内邻域像素点的数量，表示特征点与第个邻域像素点的欧氏距离，表示特征点与邻域像素点的最大欧氏距离，表示第个邻域像素点的灰度值，表示特征点的灰度值，表示求取绝对值函数。

在特征点的灰度相似度的公式中，表示使用最大欧氏距离将进行归一化获得距离归一化值，通过数值一减距离归一化值进行负相关处理，表示距离特征，表示灰度特征，距离特征和灰度特征均与灰度相似度呈反比关系。灰度特征越大，距离特征越大说明距离特征点较近的邻域像素点与特征点存在较大的灰度差异，则特征点与局部窗口内的像素点的灰度相似性越小。表示通过乘积操作将距离特征和灰度特征结合获得差异特征，差异特征与灰度相似度呈反比关系，差异特征越大说明特征点与局部窗口内的像素点的灰度相似性越小。修正系数的作用是防止分母为零，在本发明实施例中，修正系数取极小正数，具体正数数值可根据具体实施方式具体设置。

若特征点的灰度相似度越大，说明特征点与局部窗口内像素点的灰度相似性越大，则对应特征点为真实角点的可能性越大；若特征点的灰度相似度越小，说明特征点与局部窗口内像素点的灰度相似性越小，则对应特征点为真实角点的可能性越小。然而，特征点的灰度相似度越过大时，特征点与局部窗口内像素点的灰度相似性过大，因此该特征点邻域范围内的局部灰度差异不会很大，不符合角点特征，特征点为伪角点，也需进行排除。因此，根据灰度相似度筛选出真实角点，在本发明实施例中具体包括：

对任意一个特征点，将特征点的灰度相似度进行归一化，获得灰度相似归一化值；若特征点的灰度相似归一化值大于第一真实阈值且小于第二真实阈值，则对应特征点为真实角点。当灰度相似归一化值不大于第一真实阈值时，对应特征点为噪声点，需要进行剔除；当灰度相似归一化值不小于第二真实阈值时，对应特征点为伪角点。也需要进行剔除。

在本发明实施例中，归一化方法为本领域技术人员熟知的技术手段，在此不再赘述，并且具体归一化方法可自行选取，第一真实阈值为0.4，第二真实阈值为0.8，具体数值可根据具体实施方式具体设置。

经过步骤S2的分析，对所有角点进行初次筛选判断，去除了其中的伪角点和噪声点，获得真实角点。接下来的步骤中，对真实角点进行分析，对真实角点进行进一步筛选。

步骤S3：根据真实角点之间的灰度相似度差异和灰度值差异获得任意两个真实角点之间的角点匹配度；根据所有真实角点之间的角点匹配度获得每个真实角点之间的匹配关系及匹配数量；根据匹配数量将真实角点进行筛选，获得毛刺角点。

经过上述步骤对角点的分析，通过Harris算法检测得到的角点较多，直接计算会增加运算量和误差，因为还需要对真实角点进行二次筛选，将金属工件上原本就有的角点进行剔除，筛选出获取符合毛刺特征的毛刺角点，才能对毛刺区域进行获取。

由于一个毛刺在金属工件表面边缘处往往具有两个毛刺角点，即毛刺的边缘起点。而金属工件表面角点在边缘线上分布往往较为规则，故金属工件表面角点之间的灰度相似度较为接近，而同一毛刺的角点的局部窗口内的灰度相似度也较为接近，但在不同位置处毛刺角点之间的灰度相似度也存在一定的差异。因此，根据真实角点之间的灰度相似度差异和灰度值差异获得任意两个真实角点之间的角点匹配度，在本发明实施例中具体包括：

对任意一个真实角点，将其他真实角点作为参考角点；对真实角点的任意一个参考角点，将真实角点与参考角点的灰度差值绝对值作为灰度差异值，灰度差异值反映了真实角点与参考角点之间的灰度差异，灰度差异值越大说明真实角点与参考角点在灰度值的角度越不相似，即真实角点与参考角点越不存在匹配关系。将真实角点与参考角点的灰度相似度的差值绝对值作为灰度相似差异值，灰度相似差异值反映了真实角点与参考角点为同类角点的差异，灰度相似差异值越大说明真实角点与参考角点为同类角点的可能性越小，即真实角点与参考角点越不存在匹配关系。将灰度差异值和灰度相似差异值的和值归一化并进行负相关映射，获得角点匹配度。以真实角点和其任选的一个参考角点为例，真实角点与参考角点的角点匹配度的公式具体包括：

式中，表示真实角点与参考角点的角点匹配度，表示参考角点的灰度值，表示真实角点的灰度值，表示参考角点的灰度相似度，表示真实角点的灰度相似度，表示求取最大值函数，表示求取绝对值函数。

在真实角点与参考角点的角点匹配度的公式中，和表示使用最大值将和分别进行归一化，然后通过数值二减去进行负相关映射获得角点匹配度。角点匹配度越大，说明真实角点与参考角点越相似，即真实角点与参考角点为同一类角点的可能性越大。

进一步地，获取真实角点与其对应所有参考角点的角点匹配度，根据所有真实角点之间的角点匹配度获得每个真实角点之间的匹配关系及匹配数量，在本发明实施例中具体包括：获取每个真实角点与对应所有参考角点的最大角点匹配度，若最大角点匹配度大于预设匹配阈值，则最大角点匹配度对应的参考角点为对应真实角点的匹配角点，真实角点的匹配角点数量为对应真实角点的匹配数量；若最大角点匹配度不大于预设匹配阈值，则最大角点匹配度对应的真实角点为干扰角点，需要进行剔除，以免影响后续分析。在本发明实施例中，预设匹配阈值为0.75，具体预设匹配阈值数值可根据具体实施方式具体设置。

为了将毛刺角点和金属工件上原本的工件角点进行区分，由于结构原因，毛刺往往是密集分布，并且毛刺信息较多；而工件往往为规则形状，角点较少且匹配关系相对较少；对于干扰角点而言，因为是环境或者噪声影响产生的角点，往往不存在匹配关系。因此毛刺角点的匹配数量大于工件角点的匹配数量，匹配数量越大，说明与对应真实角点相似的参考角点越多，对应真实角点为毛刺角点的可能性越大；匹配数量越小，说明与对应真实角点相似的参考角点越少，对应真实角点为毛刺角点的可能性越小。因此，对所有真实角点，根据匹配数量将真实角点进行筛选，获得毛刺角点，在本发明实施例中具体包括：根据匹配数量对真实角点进行二分类，获取两个聚类簇；将两个聚类簇中匹配角点数量均值最大的聚类簇内真实角点作为毛刺角点。在本发明实施例中，二分类选用k-means均值聚类，在聚类过程中产生的离散点则认为是干扰角点，k-means均值聚类为本领域技术人员熟知的技术手段，在此不再赘述。

经过步骤S3的分析，将真实角点进行二次筛选，获得毛刺角点。

步骤S4：获得每个毛刺角点及对应匹配角点组成的毛刺区域；根据毛刺区域获取待生长点，根据待生长点与毛刺区域内像素点的灰度距离特征对毛刺区域进行生长，获得最终毛刺区域。

为了确定准确的毛刺区域，还需要对毛刺角点组成的毛刺区域进行分析，毛刺角点的定义是在图像上存在两个方向上具有较大灰度变化的点即为角点。首先，获得每个毛刺角点及对应匹配角点组成的毛刺区域，具体包括：以每个毛刺角点在角点检测过程中获得的两个最大灰度变化方向作为毛刺方向，获取毛刺角点对应匹配角点的毛刺方向；将毛刺角点及其对应匹配角点的毛刺方向所在直线围成的区域作为毛刺区域。

以毛刺角点为例，可获取和为具有较大灰度变化的两个方向，取毛刺角点的一个匹配角点，则同理可获取和。故过毛刺角点分别做角度为和的直线，过角匹配角点分别做角度为和的直线，故得到了4条直线，而毛刺区域即位于该四条直线所围成的封闭区域内，通过毛刺角点的灰度变化信息获取毛刺区域，然后在该封闭区域内进行区域生长，提高了生长效率与生长效果，降低了无效生长，得到的毛刺区域更加准确。

传统的区域生长算法在进行生长时，往往是通过计算待生长点与初始生长点之间的灰度差异，并设置灰度差异阈值，当灰度差异小于灰度差异阈值时，进行生长，否则不进行生长。由于金属加工件表面存在反射现象，故仅凭初始设置的灰度差异阈值进行生长，其生长效果不够优秀。因此，本发明通过计算待生长点与已完成生长点之间的相似性对生长进行判断，根据毛刺区域获取待生长点，根据待生长点与毛刺区域内像素点的灰度距离特征对毛刺区域进行生长，获得最终毛刺区域，在本发明实施例中具体包括：

将毛刺区域内的像素点作为生长像素点；获取待生长点与每个生长像素点的欧氏距离，将欧氏距离归一化并进行负相关处理，获得生长距离特征，生长距离特征反应待生长点与生长像素点之间的距离差异，生长距离特征反映待生长点与生长像素点的位置关系，生长距离特征越小说明待生长点与生长像素点的位置越接近，即对应待生长点越需要生长。将待生长点与每个生长像素点的灰度值的差值绝对值作为生长灰度特征，生长灰度特征反应待生长点与生长像素点之间的灰度差异，生长灰度特征越小说明待生长点与生长像素点之间的灰度越接近，即对应待生长点越需要生长。将生长距离特征与生长灰度特征的乘积作为对应待生长点与每个生长像素点的生长差异特征；获得待生长点与所有生长像素点的生长差异特征累加和，将累加和进行负相关归一化获得对应待生长点的生长率。以待生长点为例，待生长点的生长率的公式具体包括：

式中，表示待生长点的生长率，表示毛刺区域内的像素点总数，表示待生长点与毛刺区域内的第个像素点的欧氏距离，表示待生长点与毛刺区域内所有像素点的最大欧氏距离，表示待生长点的灰度值，表示毛刺区域内的第个像素点的灰度值，表示以自然常数为底的指数函数，表示求取绝对值函数。

在待生长点的生长率的公式中，表示使用最大欧氏距离将进行归一化获得距离归一化值，通过数值一减距离归一化值进行负相关处理，表示生长距离特征，表示生长灰度特征，生长距离特征和生长灰度特征均与生长率呈反比关系，生长灰度特征越大，生长距离特征越大，说明对应待生长点为毛刺区域的可能性越小。表示生长差异特征，生长差异特征与生长率呈反比关系，生长特征越大说明待生长点为毛刺区域的可能性越小。通过将生长差异特征累加和进行负相关归一化处理，获得生长率。引入距离的实际意义在于进行生长时，由于金属加工件表面存在反射现象，在不同位置处的灰度值可能会不一致，在生长率的定义中引入距离因素去平滑。由于反射现象导致的灰度差异大，使距离越近像素点之间的灰度差异所占权重更大，进而提高生长效果。

待生长点的生长率越大，则说明待生长点与毛刺区域内像素点之间的相似性越大，越符合毛刺区域的特征，该待生长点越应该生长；待生长点的生长率越小，则说明待生长点与毛刺区域内像素点之间的相似性越小，越不符合毛刺区域的特征，该待生长点越不应该生长。

若待生长点的生长率大于预设生长阈值，则对待生长点进行生长，更新毛刺区域，直至毛刺区域不再发生变化，获得最终毛刺区域。在本发明实施例中，预设生长阈值为0.85，具体预设生长阈值数值可根据具体实施方式具体设置。

经过步骤S4的分析，将毛刺角点作为初始生长点，并进行自适应区域生长，生长出的区域则为最终毛刺区域。请参阅图4，其示出了本发明一个实施例所提供的一种包含角点标注和毛刺区域标注的金属边缘轮廓图像，图4中的圆形标记为角点标记，不同亮度的圆形标记表示不同的角点类别，在进行步骤S4的区域生长时，选择毛刺角点类别的圆形标记对应的角点进行区域生长，不对其他类型的角点进行分析，即将其他类型的角点删除，最终获得最终的毛刺区域，最终毛刺区域通过方形标记进行标记。需要说明的是，图4中的标记信息同样可映射到金属工件灰度图像中，请参阅图5，其示出了本发明一个实施例所提供的一种包含角点标注和毛刺区域标注的金属工件灰度图像，根据图5中的标记信息可更清楚直观的表示各类型角点的位置及毛刺区域的位置。

经过上述步骤的的分析，可得金属加工件表面的毛刺信息。针对所获得到的准确毛刺信息可对金属加工件进行质量评估、修整打磨等操作，或者根据毛刺信息的状态调整加工工艺等。在本发明一个实施例中，获得准确的最终毛刺区域后选择将金属加工件进行修整打磨，将金属加工件表面的最终毛刺区域传输到恒力浮动打磨头智能调控系统中，控制机器人对金属工件进行夹持。根据毛刺在金属工件表面的边缘信息对金属工件进行翻转，将最终毛刺区域尖端对准打磨头，控制打磨头进行恒力打磨，直至最终毛刺长度符合所设要求为止，对下一个毛刺重复上述步骤，直至金属工件表面毛刺均完成打磨。

综上所述，本发明通过对金属边缘轮廓图像的边缘像素点进行角点检测获得特征点，对角点进行初步筛选，根据灰度特征将伪角点进行筛除，得到真实角点，能够提高后续分析的准确性。然后对真实角点进行二次筛选，将金属工件上原本的工作角点和角点进行筛除，获得真正的毛刺角点，然后在后续步骤中对毛刺角点进行分析，才能够获得准确的毛刺区域。获得每个毛刺角点及对应匹配角点组成的毛刺区域，对毛刺区域进行生长，获得不包含噪声且参考性强的最终毛刺区域。

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。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。

Claims (8)

1.基于角点检测的金属毛刺识别方法，其特征在于，所述方法包括以下步骤：

获得金属边缘轮廓图像；

对金属边缘轮廓图像的边缘像素点进行角点检测，获得特征点；对每个特征点构建对应预设尺寸的局部窗口，根据每个特征点的局部窗口内像素点的灰度变化获得对应特征点的灰度相似度；根据灰度相似度筛选出真实角点；

根据真实角点之间的灰度相似度差异和灰度值差异获得任意两个真实角点之间的角点匹配度；根据所有真实角点之间的角点匹配度获得每个真实角点之间的匹配关系及匹配数量；根据匹配数量将真实角点进行筛选，获得毛刺角点；

获得每个毛刺角点及对应匹配角点组成的毛刺区域；根据毛刺区域获取待生长点，根据待生长点与毛刺区域内像素点的灰度距离特征对毛刺区域进行生长，识别最终毛刺区域。

2.根据权利要求1所述的基于角点检测的金属毛刺识别方法，其特征在于，所述灰度相似度的获取方法包括：

对任意一个特征点，将特征点的局部窗口内非特征点的其他像素点作为邻域像素点；获得特征点与每个邻域像素点的欧氏距离，将所述欧氏距离归一化并进行负相关处理，获得距离特征；将特征点与每个邻域像素点的灰度值的差值绝对值作为灰度特征；将距离特征与灰度特征的乘积作为对应特征点与每个邻域像素点的差异特征；获得特征点与所有邻域像素点的差异特征累加和与修正系数的和值，将所述和值的倒数作为对应特征点的灰度相似度。

3.根据权利要求1所述的基于角点检测的金属毛刺识别方法，其特征在于，所述真实角点的获取方法包括：

对任意一个特征点，将特征点的灰度相似度进行归一化，获得灰度相似归一化值；若特征点的灰度相似归一化值大于第一真实阈值且小于第二真实阈值，则对应特征点为真实角点。

4.根据权利要求1所述的基于角点检测的金属毛刺识别方法，其特征在于，所述角点匹配度的获取方法包括：

对任意一个真实角点，将其他真实角点作为参考角点；对真实角点的任意一个参考角点，将真实角点与参考角点的灰度差值绝对值作为灰度差异值；将真实角点与参考角点的灰度相似度的差值绝对值作为灰度相似差异值；将灰度差异值和灰度相似差异值的和值归一化并进行负相关映射，获得角点匹配度。

5.根据权利要求4所述的基于角点检测的金属毛刺识别方法，其特征在于，疑似毛刺点和匹配角点的获取方法包括：

获取每个真实角点与对应所有参考角点的最大角点匹配度，若最大角点匹配度大于预设匹配阈值，则最大角点匹配度对应的参考角点为对应真实角点的匹配角点。

6.根据权利要求1所述的基于角点检测的金属毛刺识别方法，其特征在于，所述毛刺角点的获取方法包括：

根据匹配数量对真实角点进行二分类，获取两个聚类簇；将两个聚类簇中匹配角点数量均值最大的聚类簇内真实角点作为毛刺角点。

7.根据权利要求1所述的基于角点检测的金属毛刺识别方法，其特征在于，所述毛刺区域的获取方法包括：

以每个毛刺角点在角点检测过程中获得的两个最大灰度变化方向作为毛刺方向，获取毛刺角点对应匹配角点的毛刺方向；将毛刺角点及其对应匹配角点的毛刺方向所在直线围成的区域作为毛刺区域。

8.根据权利要求1所述的基于角点检测的金属毛刺识别方法，其特征在于，所述最终毛刺区域的获取方法包括：

将毛刺区域内的像素点作为生长像素点；获取待生长点与每个生长像素点的欧氏距离，将所述欧氏距离归一化并进行负相关处理，获得生长距离特征；将待生长点与每个生长像素点的灰度值的差值绝对值作为生长灰度特征；将生长距离特征与生长灰度特征的乘积作为对应待生长点与每个生长像素点的生长差异特征；获得待生长点与所有生长像素点的生长差异特征累加和，将所述累加和进行负相关归一化获得对应待生长点的生长率；

若待生长点的生长率大于预设生长阈值，则对待生长点进行生长，更新毛刺区域，直至毛刺区域不再发生变化，获得最终毛刺区域。

Images