CN116228798B - 基于机器视觉的铁塔智能切割检测方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的铁塔智能切割检测方法，属于激光切割技术领域，该方法包括：将待检测工件激光切割后的切割面图像灰度化，获得切割面灰度图像，并从所述灰度图像中划分出工件切割面区域图像；对所述工件切割面区域图像进行像素点分析，获得特征指标；基于所述特征指标确定切割面图像的激光切割质量评价值，并基于所述切割质量评价值确定激光切割面的质量。基于像素点确定工件切割面区域图像的激光切割质量评价值，进而对激光切割质量进行检测，提高了激光切割质量检测的效率和精度。

Description

基于机器视觉的铁塔智能切割检测方法

技术领域

本发明涉及激光切割技术领域，尤其涉及一种基于机器视觉的铁塔智能切割检测方法。

背景技术

随着智能电网建设的不断推进，输电铁塔制造企业对产品的加工质量更加重视。而铁塔的材料结构在生产过程中需要对其进行切割，相比较传统的刀片切割，现在更多采用激光切割技术。而随着激光切割在铁塔生产加工中的逐步普及，激光切割设备不断更新、切割工艺日益先进、切割材料种类和零件形状日益复杂，市场要求进一步提高激光切割质量和效率。而根据激光切割质量对切割工艺进行调整改进是对提高激光切割效率和质量、降低待机时间、扩大应用面和降低运行成本的前提和保障。

当前在对激光切割质量进行检测时，往往是对其切割面进行检测，而激光切割过程中会存在激光热量传递，导致出现热影响现象，使得切割面的粗糙度与缺陷检测精度较低，进而使得激光切割质量检测效率与精度低。

发明内容

本发明提供一种基于机器视觉的铁塔智能切割检测方法，旨在提高激光切割质量检测的效率和精度。

为实现上述目的，本发明提供一种基于机器视觉的铁塔智能切割检测方法，所述方法应用于激光切割质量检测设备，所述方法包括：

将待检测工件激光切割后的切割面图像灰度化，获得切割面灰度图像，并从所述灰度图像中划分出工件切割面区域图像；

对所述工件切割面区域图像进行像素点分析，获得特征指标；

基于所述特征指标确定切割面图像的激光切割质量评价值，并基于所述切割质量评价值确定激光切割面的质量。

可选地，所述工件切割面区域图像包括第一切割面区域图像和第二切割面区域图像；

所述特征指标包括波动性指标和像素点为缺陷像素点的可能性值；

所述对所述工件切割面区域图像进行像素点分析，获得特征指标包括：

基于所述第一切割面区域图像、所述第二切割面区域图像上对应的像素点确定切割面的切割面波动性指标；

基于所述切割面波动性指标筛选出特征列，并确定所述特征列上各个像素点为缺陷像素点的可能性值。

可选地，所述基于所述第一切割面区域图像、所述第二切割面区域图像上对应的像素点确定切割面的切割面波动性指标包括：

获取所述第一切割面区域图像中每一列的各个像素点的灰度值；

基于每一列的最大灰度值、最小灰度值确定的灰度值波动范围，基于相邻像素点的灰度值确定第一局部灰度变化值；

基于每一列像素点的灰度值波动范围、第一局部灰度变化值确定列灰度变化；

将所述灰度值波动范围与所述列灰度变化确定为所述第一切割面的第一波动性指标；

基于第一切割面区域图像、所述第二切割面区域图像的灰度差异对第一波动性指标进行优化，获得切割面波动性指标。

可选地，所述基于第一切割面区域图像、所述第二切割面区域图像的灰度差异对第一波动性指标进行优化，获得切割面波动性指标包括：

获取所述第一切割面区域图像上第一像素点在所述第二切割面区域图像上对应位置的第二像素点；

获取各个第一像素点、各个第二像素点的像素点灰度值，基于各个像素点灰度值确定对应像素点的灰度差异；

基于所述灰度差异对第一波动性指标进行优化，获得切割面波动性指标。

可选地，所述基于所述切割面波动性指标筛选出特征列，并确定所述特征列上各个像素点为缺陷像素点的可能性值包括：

将切割面波动性指标大于波动性指标阈值的列确定为特征列；

获取所述特征列上各个像素点的第二局部灰度变化值；

基于所述第二局部灰度变化值以及所述第二局部灰度变化值的方差确定各个像素点为缺陷像素点的初始可能性值；

基于各个像素点的邻域内特征列上的像素点为缺陷像素点的初始可能性值进行优化，获得特征列上各个像素点为缺陷像素点的可能性值。

可选地，所述基于所述特征指标确定激光切割面图像的切割质量评价值包括：

基于所述波动性指标、特征列上各个像素点为缺陷像素点的可能性值确定第一切割面区域图像的第一质量评价值和第二切割面区域图像的第二质量评价值；

将所述第一质量评价值与所述第二质量评价值的平均值确定为激光切割面图像的切割质量评价值。

可选地，所述基于所述特征指标确定所述切割面图像的切割质量评价值，并基于所述切割质量评价值确定激光切割面的质量之后，还包括：

基于铁塔激光切割过程中获得的铁塔工件切割面图像对铁塔工件的切割质量进行检测，获得铁塔工件切割质量检测结果。

相比现有技术，本发明提出的一种基于机器视觉的铁塔智能切割检测方法，将待检测工件激光切割后的切割面图像灰度化，获得切割面灰度图像，并从所述灰度图像中划分出工件切割面区域图像；对所述工件切割面区域图像进行像素点分析，获得特征指标；基于所述特征指标确定切割面图像的激光切割质量评价值，并基于所述切割质量评价值确定激光切割面的质量。基于像素点确定工件切割面区域图像的激光切割质量评价值，进而对激光切割质量进行检测，提高了激光切割质量检测的效率和精度。

附图说明

图1是本发明基于机器视觉的铁塔智能切割检测方法第一实施例的流程示意图；

图2是本发明基于机器视觉的铁塔智能切割检测方法第一实施例涉及的激光切割场景示意图；

图3是本发明基于机器视觉的铁塔智能切割检测方法第一实施例涉及的对应切割面示意图；

图4是本发明基于机器视觉的铁塔智能切割检测方法第二实施例的流程示意图。

其中，附图标记包括：保护镜201、聚焦透镜202、激光束203、喷嘴204、熔渣205、切割板材206、气流207、辅助气体208、第一切割面301和第二切割面302。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

基于上述激光切割质量检测设备提出本发明基于机器视觉的铁塔智能切割检测方法第一实施例。请参照图1，图1是本发明基于机器视觉的铁塔智能切割检测方法第一实施例的流程示意图。

如图1所示，本发明第一实施例提出一种基于机器视觉的铁塔智能切割检测方法，所述方法应用于激光切割质量检测设备，所述方法包括：

步骤S101，将待检测工件激光切割后的切割面图像灰度化，获得切割面灰度图像，并从所述灰度图像中划分出工件切割面区域图像；

本实施例通过工业相机，固定光源采集待检测工件激光切割后的切割面图像，工业相机采集的图像为RGB图像，且每个铁塔工件切割后被分成了两部分，因而有两个切割面图像。本实施例使用加权灰度化的方法对切割面图像进行灰度化处理，得到切割面灰度图像。一般的灰度化是是先对RGB三个分量的像素值求和后再取平均值。为了使得灰度化更为准确，本实施例先设置各个通道的权重，在RGB的像素值基于设置的权重进行灰度划分，进而获得切割面灰度图像。

本实施例使用大津阈值分割法对切割面灰度图像进行分割处理，其中将工件切割面作为前景，其余区域作为背景进行分割，得到工件切割面区域图像。

参考图2，图2是本发明基于机器视觉的铁塔智能切割检测方法第一实施例涉及的激光切割场景示意图；激光切割是利用激光的高能量按照预定轨迹照射在工件上表面，利用激光高温的特点使工件上表面温度迅速上升，热量向工件内部传递，当工件表面温度超过工件的熔点时，工件表面开始熔化，熔化部分会被辅助气体去除，进而产生切口，随着激光切割设备的移动，完成最终熔化切割。而在这一过程中激光切割是激光从工件上方发出，从工件左侧移动至工件右侧完成切割。根据先验知识可知，激光切割时，由于激光束从工件的上方接触到工件，而激光切割是通过高温作用使工件熔化，工件从上侧位置开始熔化，得到的切割面图像中越接近上侧边缘的像素点受到的激光束照射时间越久，熔化越多，进而导致其切割面表面粗糙不规则，影响切割质量。

故激光切割的时候将形成垂直纹理，其中垂直纹理颗粒的深度决定了切割表面的粗糙度；颗粒越浅，切割部分越光滑。而在大多数情况下，必须尽可能减少粗糙度，因此纹理越轻，切割质量越高。

步骤S102，对所述工件切割面区域图像进行像素点分析，获得特征指标；

激光切割后产生对应的两个工件切割面，将这两个工件切割面对应的图像标记为 第一切割面区域图像和第二切割面区域图像。将切割面图像表示为MN，则第一切割面区域 图像与第二切割面区域图像大小应相同即都为M行N列。

本实施例，基于所述第一切割面区域图像、所述第二切割面区域图像上对应的像素点确定切割面的切割面波动性指标；

基于所述切割面波动性指标筛选出特征列，并确定所述特征列上各个像素点为缺陷像素点的可能性值。

本实施例中，获取所述第一切割面区域图像中每一列的各个像素点的灰度值；基于每一列的最大灰度值、最小灰度值确定的灰度值波动范围，基于相邻像素点的灰度值确定第一局部灰度变化值；基于每一列像素点的灰度值波动范围、第一局部灰度变化值确定列灰度变化；将所述灰度值波动范围与所述列灰度变化确定为所述第一切割面的第一波动性指标；基于第一切割面区域图像、所述第二切割面区域图像的灰度差异对第一波动性指标进行优化，获得切割面波动性指标。

对第一切割面区域图像中的每列像素点进行分析，此处以第q列为例，对第q列上 的像素点从上至下进行统计分析，则可得第q列像素点灰度序列{，……}，为第 q列像素点总个数，其中为该列上第i个像素点的灰度值。则可基于该列上相邻像素点灰 度值变化获取第一切割面区域图像中该列上像素点灰度变化的波动性指标，两像素点灰度 值变化越大，在同一材质的金属工件上的表面像素点的波动性指标越大，此处越粗糙不平 整。

将第一切割面区域图像的第一波动性指标表示为BD，则有：

其中，为第q列内像素点的最大灰度值，则为第q列内像素点的最小灰度 值，A则表示了该列内像素点灰度值的波动范围，灰度值波动范围A为最大灰度值与最小灰 度值的差值，A值越大，则说明波动性越强。表示第q列上第i个像素点的灰度值，表示 了第q列上第i+1个像素点的灰度值，为第q列上像素点的个数，若，则不对该列进 行计算；为第一切割面区域图像中列上像素点的第一局部灰度变化值，C为第一切割面区 域图像的列整体灰度变化。

波动性指标在一定程度上可以反映出金属工件切割面表面的粗糙度，然而由于金属工件切割面在激光切割过程中会受到激光高温的影响，发生变色现象，进而导致灰度值出现变化，故此时在直接使用波动性指标反映金属工件切割面表面的粗糙度时，不够准确。会将平整的金属工件误判为粗糙度较高，进而导致后续激光切割质量检测不准确。因此，还需要对第一波动性指标进行优化。

本实施例通过对同一切割过程中获得的第一切割面区域图像和第二切割面区域图像对应位置的差异分析来解决这一现象。逻辑为：切割面的对应位置受到的激光束的温度影响接近，而第一切割面某处出现毛刺等缺陷导致波动性指标较大，而在第二切割面对应处其由于缺陷往往可能一致，其对应的差异也会较大，故可将该差异来对第一波动性指标进行优化，可以有效去除热影响的干扰，同时保留切割表面缺陷对波动性的影响。

具体地，获取所述第一切割面区域图像上第一像素点在所述第二切割面区域图像上对应位置的第二像素点；获取各个第一像素点、各个第二像素点的像素点灰度值，基于各个像素点灰度值确定对应像素点的灰度差异；基于所述灰度差异对所述波动性指标进行优化，获得切割面波动性指标。

首先获取第一切割面图像上像素点在第二切割面图像上的对应像素点，以第一切割面图像上的第q列为例，则需要在第二切割面图像上找到对应列。本实施例中，对应列为切割面列与同一切割操作产生的对应列在切割前工件内位置相同，如图3所示，图3是本发明基于机器视觉的铁塔智能切割检测方法第一实施例涉及的对应切割面示意图，图3中左图为第一切割面，右图为第二切割面。其中第一切割面中的框出的区域在第二切割面中的对应区域即为第二切割面中框出的区域。

本实施例以激光从工件上方开始切割，切割顺序为从左至右，故对于第一切割面图像上的第q列在第二切割面图像上以切割面区域最右侧为起点进行计数，则得到的第二切割面区域中的第q列即为对应列。

基于此，通过第一切割面区域图像、所述第二切割面区域图像的灰度差异对第一 波动性指标进行优化，将优化后的第一波动性指标标记为切割面波动性指标，以表示切 割面波动性指标，则：

；

；

其中，为第一切割面区域图像中第q列上第i个像素点灰度值，为第i个像素点 在第二切割面区域图像上对应像素点的灰度值。为第q列上像素点的个数，H表示对应像 素点的灰度差异。值得注意的是，在进行计算时对H进行归一化处理后再进行的计算。 如此可知，通过*H对第一波动性指标进行优化，获得切割面波动性指标。

当获得切割面波动性指标后，基于所述切割面波动性指标筛选出特征列，并确 定所述特征列上各个像素点为缺陷像素点的可能性值。

本实施例中，将切割面波动性指标大于波动性指标阈值的列确定为特征列；获取所述特征列上各个像素点的第二局部灰度变化值；基于所述第二局部灰度变化值以及所述述第二局部灰度变化值的方差确定各个像素点为缺陷像素点的初始可能性值；基于各个像素点的邻域内特征列上的像素点为缺陷像素点的初始可能性值进行优化，获得特征列上各个像素点为缺陷像素点的可能性值。

切割面波动性指标越大，则说明该列上越可能存在缺陷像素点，故对切割面波动性指标所对应的列进行分析，根据经验将波动性指标阈值设置为0.7，波动性指标阈值可以根据需要进行调节，若切割面波动性指标大于波动性指标阈值，则将该列记为特征列，需要进行进一步分析是否存在激光切割缺陷；若切割面波动性指标小于或等于波动性指标阈值，则该列不为特征列，无需进行后续分析。

若根据切割面波动性指标进行判断，从第一切割面区域图像中获得了L个特征列， 对特征列上的所有像素点进行分析，基于像素点的局部特征获得特征列上各个像素点为缺 陷像素点的初始可能性值K，逻辑为在对特征列进行分析时，由于切割面表面可能存在细微 缺陷，故在某一列上，缺陷像素点会呈现一定的聚集性特征。此处以第一切割面区域图像第 q列为例，对于该列上的任意一像素点，此处假设为w点。对w点获取55邻域像素，在对特征 列上的像素点进行分析时，55邻域像素的像素点为w点竖直方向（列）上的4个邻域内的像 素点。故可基于特征列上w点局部像素点的特征获取w点为缺陷像素点的初始可能性值。将 像素点w为缺陷像素点的初始可能性值表示为Kw，则：

其中，为w点邻域内第i个像素点的第二局部灰度变化值，其计算方式与第一局 部灰度变化值Bi相同，此处不再赘述。max（）为选取其中最大值，由于有5个像素点，则可 获取4个值。为其中4个值的方差，其值越大则说明为缺陷像素点的可能性越 大。可以理解地，像素点的局部灰度变化越大，则该像素点越可能为缺陷像素点，同时该像 素点局部的灰度变化方差越大，则说明该像素点局部越符合缺陷区域特征（缺陷区域内像 素点灰度分布较为混乱，不规则）。也即的Kw值越大，则对应的像素点为缺陷像素点的可能 性越大。

进一步地，基于各个像素点的邻域内特征列上的像素点为缺陷像素点的初始可能性值进行优化，获得特征列上各个像素点为缺陷像素点的可能性值。

由于一个缺陷一般为一个连续分布区域，其往往会由多个特征列上的缺陷像素点 共同组成，故可基于像素点w邻域内其余特征列上像素点特征对可能性Kw值进行优化，从而 使得缺陷像素点的判定更加准确，进而使得质量检测效果更好。具体地，以第一切割面区域 图像上的第q列上的像素点w点为例，对于w点，已对w点获取了5*5邻域像素，对其邻域内像 素点进行分析，其5*5邻域像素内可能会存在特征列与非特征列像素点，而在进行优化时， 只基于邻域内特征列上的像素点的Kw值进行优化，获得优化后像素点为缺陷像素点的可能 性值，将各个像素点为缺陷像素点的可能性值表示为，则：

式中为w点邻域内第i个位于特征列上的像素点为缺陷像素点的初始可能性。 为w点为缺陷像素点的初始可能性。为w点邻域内位于特征列上的像素点个数。

根据上述步骤对特征列上的所有像素点均进行了计算，也即获得了第一切割面区域图像上每列的波动性，以及特征列上各个像素点为缺陷像素点的可能性。

步骤S103，基于所述特征指标确定切割面图像的激光切割质量评价值，并基于所述切割质量评价值确定激光切割面的质量。

本实施例中，基于所述波动性指标、特征列上各个像素点为缺陷像素点的可能性值确定第一切割面区域图像的第一质量评价值和第二切割面区域图像的第二质量评价值；将所述第一质量评价值与所述第二质量评价值的平均值确定为激光切割面图像的切割质量评价值。

将切割质量评价值表示为Z，则

其中，为切割面区域图像的特征列个数，为切割面区域图像的非特征列个数，为第i个特征列优化后的波动性指标，为第i个非特征列优化后的波动性指标。为第i个特征列上第j个像素点为缺陷像素点的可能性值，表示第i个特征列上像素点 的个数。为第一切割面区域图像的第一质量评价值，则为第二切割面区域图像的第二 质量评价值。则为激光切割面图像的切割质量评价值，激光切割面图像的切割质量评价 值越大则说明切割效果越好。如此，基于切割质量评价值确定激光切割面的质量。

本实施例通过上述方案，将待检测工件激光切割后的切割面图像灰度化，获得切割面灰度图像，并从所述灰度图像中划分出工件切割面区域图像；对所述工件切割面区域图像进行像素点分析，获得特征指标；基于所述特征指标确定切割面图像的激光切割质量评价值，并基于所述切割质量评价值确定激光切割面的质量。基于像素点确定工件切割面区域图像的激光切割质量评价值，进而对激光切割质量进行检测，提高了激光切割质量检测的效率和精度。

如图4所示，本发明第二实施例提出一种基于机器视觉的铁塔智能切割检测方法，基于上述图1所示的第一实施例，所述步骤S103之后，还包括：

步骤S104，基于铁塔激光切割过程中获得的铁塔工件切割面图像对铁塔工件的切割质量进行检测，获得铁塔工件切割质量检测结果。

铁塔在建造过程中需要进行大量的激光切割操作，因此激光切割的质量直接影响着铁塔的整体质量。

通过工业相机采集铁塔工件被激光切割后的切割面图像，按上述第一实施例的操作通过对切割面图像的分析，获得各个铁塔工件的铁塔工件切割质量评价值，基于铁塔工件切割质量评价值来检测铁塔工件激光切割质量，实现高效率、高精度的激光切割质量检测。

进一步地，若铁塔工件激光切割质量检测结果低于预期，则对激光切割参数进行调节，进而提高铁塔的整体质量。

本实施例通过上述方案，对铁塔工件切割面图像的激光切割质量进行检测，以便根据质量检测结果对铁塔工件的激光切割参数进行改进，提高铁塔质量。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (3)

1.基于机器视觉的铁塔智能切割检测方法，其特征在于，所述方法包括：

将待检测工件激光切割后的切割面图像灰度化，获得切割面灰度图像，并从所述灰度图像中划分出工件切割面区域图像；

对所述工件切割面区域图像进行像素点分析，获得特征指标；

基于所述特征指标确定切割面图像的激光切割质量评价值，并基于所述切割质量评价值确定激光切割面的质量；

所述工件切割面区域图像包括第一切割面区域图像和第二切割面区域图像；所述特征指标包括波动性指标和像素点为缺陷像素点的可能性值；

所述对所述工件切割面区域图像进行像素点分析，获得特征指标包括：

基于所述第一切割面区域图像、所述第二切割面区域图像上对应的像素点确定切割面的切割面波动性指标；

基于所述切割面波动性指标筛选出特征列，并确定所述特征列上各个像素点为缺陷像素点的可能性值；

所述基于所述第一切割面区域图像、所述第二切割面区域图像上对应的像素点确定切割面的切割面波动性指标包括：

获取所述第一切割面区域图像中每一列的各个像素点的灰度值；

基于每一列的最大灰度值、最小灰度值确定的灰度值波动范围，基于相邻像素点的灰度值确定第一局部灰度变化值；

基于每一列像素点的灰度值波动范围、第一局部灰度变化值确定列灰度变化；

将所述灰度值波动范围与所述列灰度变化确定为所述第一切割面的第一波动性指标，所述第一波动性指标的计算公式为：

；

；

；

；

其中，为第一波动性指标，/>为第q列内像素点的最大灰度值，/>则为第q列内像素点的最小灰度值，A为该列内像素点灰度值的波动范围，/>为第q列上第i个像素点的灰度值，/>为第q列上第i+1个像素点的灰度值，/>为第q列上像素点的个数，/>为第一切割面区域图像中列上像素点的第一局部灰度变化值，C为第一切割面区域图像的列整体灰度变化；

基于第一切割面区域图像、所述第二切割面区域图像的灰度差异对第一波动性指标进行优化，获得切割面波动性指标；

所述基于第一切割面区域图像、所述第二切割面区域图像的灰度差异对第一波动性指标进行优化，获得切割面波动性指标包括：

获取所述第一切割面区域图像上第一像素点在所述第二切割面区域图像上对应位置的第二像素点；

获取各个第一像素点、各个第二像素点的像素点灰度值，基于各个像素点灰度值确定对应像素点的灰度差异；

基于所述灰度差异对第一波动性指标进行优化，获得切割面波动性指标，所述切割面波动性指标的计算公式为：

；

；

其中，为切割面波动性指标，/>为第一波动性指标，H为对应像素点的灰度差异，/>为第一切割面区域图像中第q列上第i个像素点灰度值，/>为第i个像素点在第二切割面区域图像上对应像素点的灰度值，/>为第q列上像素点的个数；

所述基于所述切割面波动性指标筛选出特征列，并确定所述特征列上各个像素点为缺陷像素点的可能性值包括：

将切割面波动性指标大于波动性指标阈值的列确定为特征列；

获取所述特征列上各个像素点的第二局部灰度变化值；

基于所述第二局部灰度变化值以及所述第二局部灰度变化值的方差确定各个像素点为缺陷像素点的初始可能性值；

基于各个像素点的邻域内特征列上的像素点为缺陷像素点的初始可能性值进行优化，获得特征列上各个像素点为缺陷像素点的可能性值，所述可能性值的计算公式为：

；

其中，为w点为缺陷像素点的可能性值，/>为w点邻域内第i个位于特征列上的像素点为缺陷像素点的初始可能性，/>为w点为缺陷像素点的初始可能性，/>为w点邻域内位于特征列上的像素点个数。

2.根据权利要求1所述的方法，其特征在于，所述基于所述特征指标确定激光切割面图像的切割质量评价值包括：

基于所述波动性指标、特征列上各个像素点为缺陷像素点的可能性值确定第一切割面区域图像的第一质量评价值和第二切割面区域图像的第二质量评价值；

将所述第一质量评价值与所述第二质量评价值的平均值确定为激光切割面图像的切割质量评价值。

3.根据权利要求1-2中任一项所述的方法，其特征在于，所述基于所述特征指标确定所述切割面图像的切割质量评价值，并基于所述切割质量评价值确定激光切割面的质量之后，还包括：

基于铁塔激光切割过程中获得的铁塔工件切割面图像对铁塔工件的切割质量进行检测，获得铁塔工件切割质量检测结果。