CN116309510A - 数控加工表面缺陷定位方法及装置 - Google Patents

数控加工表面缺陷定位方法及装置 Download PDF

Info

Publication number
CN116309510A
CN116309510A CN202310327046.3A CN202310327046A CN116309510A CN 116309510 A CN116309510 A CN 116309510A CN 202310327046 A CN202310327046 A CN 202310327046A CN 116309510 A CN116309510 A CN 116309510A
Authority
CN
China
Prior art keywords
pixel
edge
image
point
defect
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
Application number
CN202310327046.3A
Other languages
English (en)
Other versions
CN116309510B (zh
Inventor
李学崑
王冬
叶萌
付帅磊
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202310327046.3A priority Critical patent/CN116309510B/zh
Publication of CN116309510A publication Critical patent/CN116309510A/zh
Application granted granted Critical
Publication of CN116309510B publication Critical patent/CN116309510B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及智能制造技术领域，特别涉及一种数控加工表面缺陷定位方法及装置，其中，方法包括：采用线阵相机获取数控加工表面的待检测图像，将待检测图像利用高斯卷积核进行滤波去噪处理得到平滑图像，计算平滑图像的全局灰度梯度，并计算得到缺陷边缘的初步位置，基于骨架抽取算法对缺陷边缘图像进行细化处理，基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，得到数控加工表面缺陷边缘的精确位置。本申请实施例可以基于数控加工表面的待检测图像，通过计算拟合获取对应缺陷边缘位置，由此实现了表面缺陷实际位置的精准测量，使缺陷定位结果更加准确可靠。

Description

数控加工表面缺陷定位方法及装置
技术领域
本申请涉及智能制造技术领域，特别涉及一种数控加工表面缺陷定位方法及装置。
背景技术
表面缺陷直接影响工件的耐磨、耐腐蚀、耐疲劳等性能，工件加工完成后，通常需对工件的表面缺陷进行检测及定位，以确保工件符合质量标准。
相关技术中，可基于深度学习机理建立表面缺陷定位框架模型，并依据所建立模型对表面缺陷位置进行预测，或通过像素级机器视觉检测技术进行表面缺陷检测。
然而，相关技术中表面缺陷定位模型缺乏显式的解析数学表达，且实际数控加工环境变化复杂，导致模型预测的正确率不稳定，而像素级机器视觉算法检测精度较低，缺陷测量位置与缺陷实际位置存在偏离，降低了缺陷检测的可靠性与准确性，亟待解决。
发明内容
本申请提供一种数控加工表面缺陷定位方法及装置，以解决相关技术中表面缺陷定位模型缺乏显式的解析数学表达，且实际数控加工环境变化复杂，导致模型预测的正确率不稳定，而像素级机器视觉算法检测精度较低，缺陷测量位置与缺陷实际位置存在偏离，降低了缺陷检测的可靠性与准确性等问题。
本申请第一方面实施例提供一种数控加工表面缺陷定位方法，包括以下步骤：采用线阵相机获取数控加工表面的待检测图像；将所述待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像；采用sobel算子计算所述平滑图像的全局灰度梯度，并使用Canny边缘检测算法计算得到缺陷边缘的初步位置，得到缺陷边缘图像；基于骨架抽取算法，对所述缺陷边缘图像进行细化处理，以去除所述缺陷边缘图像中冗余的边缘信息；基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照所述平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，得到数控加工表面缺陷边缘的精确位置。
可选地，在本申请的一个实施例中，所述将所述待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像，包括：利用高斯卷积核对所述待检测图像像素矩阵做平滑运算，其中，所述高斯卷积核为行数和列数均为奇数的矩阵，计算方法满足如下公式：
Figure BDA0004153622300000021
其中，G(x，y)为高斯卷积核权重矩阵中某一元素所具有的权重值，x为该元素与权重矩阵中心元素在列方向上的像素距离，y为该元素与权重矩阵中心元素在行方向上的像素距离，σ为高斯卷积核权重矩阵中各元素统一使用的方差值。
可选地，在本申请的一个实施例中，所述采用sobel算子计算所述平滑图像的全局灰度梯度，并使用Canny边缘检测算法计算得到缺陷边缘的初步位置，得到缺陷边缘图像，包括：采用sobel一阶偏导有限差分算子计算所述平滑图像在列方向和行方向的灰度梯度，其中，计算任一像素点在列方向和行方向的灰度梯度值，并计算所述任一像素点的灰度梯度幅值和梯度方位角，所述灰度梯度幅值和所述梯度方位角计算公式分别为：
Figure BDA0004153622300000022
θ＝tan-1(Gy/Gx)，
其中，G为灰度梯度幅值，Gx为像素级边缘点在列方向的灰度梯度值，Gy为像素级边缘点在行方向的灰度梯度值，θ为梯度方位角；利用Canny边缘检测算法对所述平滑图像进行处理，其中，对全局像素的灰度梯度幅值进行非极大值抑制，获取具备局部最大灰度梯度幅值的候选像素点，采用双阈值分割算法检测具有局部梯度最大值的像素点是否为强边缘，以确定所述初步位置。
可选地，在本申请的一个实施例中，所述基于骨架抽取算法，对所述缺陷边缘图像进行细化处理，以去除所述缺陷边缘图像中冗余的边缘信息，包括：对所述缺陷边缘图像进行反色处理，将边缘像素点的颜色置为黑色，得到黑色像素；将所述黑色像素的权值设为0，每一黑色像素点八邻域内白色像素点的权值分别设为1，2，4，8，16，32，64，128；遍历所述黑色像素，参照其八邻域内白色像素点的位置和权重，根据查表细化算法判断是否为多余的边缘像素点，将所述多余的像素点剔除并保留边缘轮廓的骨架；对所述骨架的图像进行反色处理，将每个边缘像素点的颜色置为白色。
可选地，在本申请的一个实施例中，所述基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照所述平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，得到数控加工表面缺陷边缘的精确位置，包括：以所述每个边缘像素点为中心，沿边缘像素点灰度梯度正方向和负方向分别取三个相邻的亚像素点，所述亚像素点行列坐标的计算公式如下：
Figure BDA0004153622300000023
Figure BDA0004153622300000024
其中，x为亚像素插值点的列坐标，Ox为像素级边缘点的列坐标，i为求亚像素点坐标时选取的偏移距离，Gx为像素级边缘点在列方向的灰度梯度值，Gy为像素级边缘点在行方向的灰度梯度值，y为亚像素插值点的行坐标，Oy为像素级边缘点的行坐标；利用双线性插值法，计算所述每个亚像素点的灰度梯度，将边缘像素点与亚像素点的整体灰度梯度分布拟合为一维高斯分布并对其取对数，拟合公式为：
Figure BDA0004153622300000031
其中，G为各参与计算像素点的灰度梯度幅值，x为亚像素插值点坐标与像素级边缘点坐标间的像素位移，μ为数控加工表面缺陷边缘点的精确位置与像素级边缘点在灰度梯度方向上的像素位移，σ为各亚像素点坐标与边缘像素点坐标间像素位移的方差值。
本申请第二方面实施例提供一种数控加工表面缺陷定位装置，包括：获取模块，用于采用线阵相机获取数控加工表面的待检测图像；去噪模块，用于将所述待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像；计算模块，用于采用sobel算子计算所述平滑图像的全局灰度梯度，并使用Canny边缘检测算法计算得到缺陷边缘的初步位置，得到缺陷边缘图像；提取模块，用于基于骨架抽取算法，对所述缺陷边缘图像进行细化处理，以去除所述缺陷边缘图像中冗余的边缘信息；定位模块，用于基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照所述平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，得到数控加工表面缺陷边缘的精确位置。
可选地，在本申请的一个实施例中，所述去噪模块包括：第一计算单元，用于利用高斯卷积核对所述待检测图像像素矩阵做平滑运算，其中，所述高斯卷积核为行数和列数均为奇数的矩阵，计算方法满足如下公式：
Figure BDA0004153622300000032
其中，G(x，y)为高斯卷积核权重矩阵中某一元素所具有的权重值，x为该元素与权重矩阵中心元素在列方向上的像素距离，y为该元素与权重矩阵中心元素在行方向上的像素距离，σ为高斯卷积核权重矩阵中各元素统一使用的方差值。
可选地，在本申请的一个实施例中，所述计算模块包括：第二计算单元，用于采用sobel一阶偏导有限差分算子计算所述平滑图像在列方向和行方向的灰度梯度，其中，计算任一像素点在列方向和行方向的灰度梯度值，并计算所述任一像素点的灰度梯度幅值和梯度方位角，所述灰度梯度幅值和所述梯度方位角计算公式分别为：
Figure BDA0004153622300000033
θ＝tan-1(Gy/Gx)，
其中，G为灰度梯度幅值，Gx为像素级边缘点在列方向的灰度梯度值，Gy为像素级边缘点在行方向的灰度梯度值，θ为梯度方位角；检测单元，用于利用Canny边缘检测算法对所述平滑图像进行处理，其中，对全局像素的灰度梯度幅值进行非极大值抑制，获取具备局部最大灰度梯度幅值的候选像素点，采用双阈值分割算法检测具有局部梯度最大值的像素点是否为强边缘，以确定所述初步位置。
可选地，在本申请的一个实施例中，所述提取模块包括：第一反色单元，用于对所述缺陷边缘图像进行反色处理，将边缘像素点的颜色置为黑色，得到黑色像素；赋权单元，用于将所述黑色像素的权值设为0，每一黑色像素点八邻域内白色像素点的权值分别设为1，2，4，8，16，32，64，128；遍历单元，用于遍历所述黑色像素，参照其八邻域内白色像素点的位置和权重，根据查表细化算法判断是否为多余的边缘像素点，将所述多余的像素点剔除并保留边缘轮廓的骨架；第二反色单元，用于对所述骨架的图像进行反色处理，将每个边缘像素点的颜色置为白色。
可选地，在本申请的一个实施例中，所述定位模块包括：第三计算单元，用于以所述每个边缘像素点为中心，沿边缘像素点灰度梯度正方向和负方向分别取三个相邻的亚像素点，所述亚像素点行列坐标的计算公式如下：
Figure BDA0004153622300000041
Figure BDA0004153622300000042
其中，x为亚像素插值点的列坐标，Ox为像素级边缘点的列坐标，i为求亚像素点坐标时选取的偏移距离，Gx为像素级边缘点在列方向的灰度梯度值，Gy为像素级边缘点在行方向的灰度梯度值，y为亚像素插值点的行坐标，Oy为像素级边缘点的行坐标；拟合单元，用于利用双线性插值法，计算所述每个亚像素点的灰度梯度，将边缘像素点与亚像素点的整体灰度梯度分布拟合为一维高斯分布并对其取对数，拟合公式为：
Figure BDA0004153622300000043
其中，G为各参与计算像素点的灰度梯度幅值，x为亚像素插值点坐标与像素级边缘点坐标间的像素位移，μ为数控加工表面缺陷边缘点的精确位置与像素级边缘点在灰度梯度方向上的像素位移，σ为各亚像素点坐标与边缘像素点坐标间像素位移的方差值。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的数控加工表面缺陷定位方法。
本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的数控加工表面缺陷定位方法。
本申请实施例可以采用线阵相机获取数控加工表面的待检测图像，将待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像，采用sobel算子计算平滑图像的全局灰度梯度，并使用Canny边缘检测算法计算得到缺陷边缘的初步位置，得到缺陷边缘图像，基于骨架抽取算法，对缺陷边缘图像进行细化处理，以去除缺陷边缘图像中冗余的边缘信息，基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，由此实现了数控加工表面缺陷实际位置的精准测量，使缺陷定位结果更加准确可靠。由此，解决了相关技术中表面缺陷定位模型缺乏显式的解析数学表达，且实际数控加工环境变化复杂，导致模型预测的正确率不稳定，而像素级机器视觉算法检测精度较低，缺陷测量位置与缺陷实际位置存在偏离，从而降低了缺陷检测的可靠性与准确性，使缺陷定位结果的精确性不足等问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种数控加工表面缺陷定位方法的流程图；
图2为本申请一个实施例的数控加工表面缺陷定位方法的过程示意图；
图3为根据本申请实施例的数控加工表面缺陷定位装置的结构示意图；
图4为根据本申请实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的数控加工表面缺陷定位方法及装置。针对上述背景技术中提到的相关技术中表面缺陷定位模型缺乏显式的解析数学表达，且实际数控加工环境变化复杂，导致模型预测的正确率不稳定，而像素级机器视觉算法检测精度较低，缺陷测量位置与缺陷实际位置存在偏离，降低了缺陷检测的可靠性与准确性的问题，本申请提供了一种数控加工表面缺陷定位方法，可采用线阵相机获取数控加工表面的待检测图像，将待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像，采用sobel算子计算平滑图像的全局灰度梯度，并使用Canny边缘检测算法计算得到缺陷边缘的初步位置，得到缺陷边缘图像，基于骨架抽取算法，对缺陷边缘图像进行细化处理，以去除缺陷边缘图像中冗余的边缘信息，基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，由此实现了数控加工表面缺陷实际位置的精准测量，使缺陷定位结果更加准确可靠。由此，解决了相关技术中表面缺陷定位模型缺乏显式的解析数学表达，且实际数控加工环境变化复杂，导致模型预测的正确率不稳定，而像素级机器视觉算法检测精度较低，缺陷测量位置与缺陷实际位置存在偏离，从而降低了缺陷检测的可靠性与准确性，使缺陷定位结果的精确性不足等问题。
具体而言，图1为本申请实施例所提供的一种数控加工表面缺陷定位方法的流程示意图。
如图1所示，该数控加工表面缺陷定位方法包括以下步骤：
在步骤S101中，采用线阵相机获取数控加工表面的待检测图像。
可以理解的是，本申请实施例中线阵相机可实现数控加工表面数字信号图像的采集，可控制相机采样频率，调节数控加工表面位姿，以防止图像产生模糊或畸变，保障数字信号图像的采集质量。
在实际执行过程中，以磨削加工为例，线阵相机可每次采集工件轴线方向的一条直线上的反射光线，通过控制工件旋转得到工件圆周方向不同位置对应的表面光反射，最终拼接成对应的工件表面图像。
本申请实施例可以采用线阵相机获取数控加工表面的待检测图像，通过控制工件旋转速度以及线阵相机扫描行频，使得工件轴线方向与圆周方向成像空间分辨率一致，避免了待检测图像的拉伸或压缩失真。
在步骤S102中，将待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像。
作为一种可能实现的方式，本申请实施例可以通过采用3×3或5×5的高斯卷积核对待检测图像进行低通滤波处理，以去除待检测图像中可能存在的高频噪声，其中，卷积运算为
Figure BDA0004153622300000061
其中，Z(i，j)为输出图像第i行j列的像素值，f(i，j)为输入图像第i行j列的像素值，m×n表示卷积核w(i，j)的大小。
本申请实施例可以将待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像，从而针对待检测图像中可能存在的高频噪声进行去除，以便于下述步骤中对平滑图像的进一步处理。
可选地，在本申请的一个实施例中，将待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像，包括：利用高斯卷积核对待检测图像像素矩阵做平滑运算，其中，高斯卷积核为行数和列数均为奇数的矩阵，计算方法满足如下公式：
Figure BDA0004153622300000071
其中，G(x，y)为高斯卷积核权重矩阵中某一元素所具有的权重值，x为该元素与权重矩阵中心元素在列方向上的像素距离，y为该元素与权重矩阵中心元素在行方向上的像素距离，σ为高斯卷积核权重矩阵中各元素统一使用的方差值。
可以理解的是，上式可利用高斯卷积核对待检测图像像素矩阵做平滑运算，从而减少噪声或异常像素点对后续边缘检测算法产生的影响，进一步提升数控加工表面缺陷定位的准确性。
在步骤S103中，采用sobel算子计算平滑图像的全局灰度梯度，并使用Canny边缘检测算法计算得到缺陷边缘的初步位置，得到缺陷边缘图像。
可以理解的是，本申请实施例可以通过计算平滑图像的全局灰度梯度，并使用相应的划分规则，从而获得数控加工表面缺陷边缘像素的初步位置，生成有缺陷边缘图像，以执行下述步骤中针对缺陷边缘图像的进一步处理。
可选地，在本申请的一个实施例中，采用sobel算子计算平滑图像的全局灰度梯度，并使用Canny边缘检测算法计算得到缺陷边缘的初步位置，得到缺陷边缘图像，包括：采用sobel一阶偏导有限差分算子计算平滑图像在列方向和行方向的灰度梯度，其中，计算任一像素点在列方向和行方向的灰度梯度值，并计算任一像素点的灰度梯度幅值和梯度方位角，灰度梯度幅值和梯度方位角计算公式分别为：
Figure BDA0004153622300000072
θ＝tan-1(Gy/Gx)，
其中，G为灰度梯度幅值，Gx为像素级边缘点在列方向的灰度梯度值，Gy为像素级边缘点在行方向的灰度梯度值，θ为梯度方位角；利用Canny边缘检测算法对平滑图像进行处理，其中，对全局像素的灰度梯度幅值进行非极大值抑制，获取具备局部最大灰度梯度幅值的候选像素点，采用双阈值分割算法检测具有局部梯度最大值的像素点是否为强边缘，以确定初步位置。
由上式可知，本申请实施例中Gx，Gy可分别表示某一像素点(x，y)在列方向和行方向的灰度梯度值。
具体而言，可采用sobel一阶偏导有限差分算子计算平滑处理后的输出图像在列方向和行方向的灰度梯度，为：
Figure BDA0004153622300000073
Figure BDA0004153622300000081
其中，GX为像素级边缘点在列方向的灰度梯度值矩阵，GY为像素级边缘点在行方向的灰度梯度值矩阵，A为平滑处理后输出图像的像素矩阵。获取平滑处理后的输出图像在列方向和行方向的灰度梯度后，计算任一像素点的灰度梯度幅值和梯度方位角。
其次将平滑图像经Canny边缘检测算法处理，对全局像素的灰度梯度幅值G进行非极大值抑制，具体可通过比较各像素点与其灰度梯度方向上前后两亚像素点的灰度梯度幅值进行逻辑判断，以获取具备局部最大G值的候选像素点列表，G(s1，t1)，G(s2，t2)分别表示像素点(i，j)前后两亚像素点的灰度梯度幅值，具体可为
G(s1，t1)＝w1·G(i-1，j-1)+(1-w1)*G(i-1，j)，
G(s2，t2)＝w2·G(i+1，j+1)+(1-w2)*G(i+1，j)，
w1＝|t1-j|，
w2＝|j-t2|，
其中，G(s1，t1)为前亚像素点的灰度梯度幅值，G(s2，t2)为后亚像素点的灰度梯度幅值，G(i，j)为像素点(i，j)的灰度梯度幅值，w1为前亚像素点所具有的插值计算权重，w2为后亚像素点所具有的插值计算权重。
进而可采用双阈值分割算法检测具有局部梯度最大值的像素点是否为强边缘，以最终确定缺陷边缘的初步位置，具体的分割参数可由本领域技术人员根据实际情况进行设置，在此不做具体限制。
在部分实施例中，可通过比较梯度方向上各像素点的灰度梯度幅值，将位于数值最大位对应的像素点作为所述边缘像素点的候选，并判断各候选边缘像素点的灰度梯度幅值是否大于高阈值，进而判断该候选边缘像素点的八邻域内是否存在灰度梯度幅值大于低阈值的像素点，更新边缘像素点候选列表，并剔除全部非边缘像素点，采用邻域跟踪算法输出完整的像素级缺陷边缘图像，从而获取缺陷边缘的初步位置。
在步骤S104中，基于骨架抽取算法，对缺陷边缘图像进行细化处理，以去除缺陷边缘图像中冗余的边缘信息。
可以理解的是，本申请实施例可以通过针对上述步骤中初步检测所得缺陷边缘图像执行进一步细化处理，从而去除缺陷边缘图像中冗余的边缘信息以获取最终定位结果，提升了缺陷边缘图像处理过程的精确性水平。
可选地，在本申请的一个实施例中，基于骨架抽取算法，对缺陷边缘图像进行细化处理，以去除缺陷边缘图像中冗余的边缘信息，包括：对缺陷边缘图像进行反色处理，将边缘像素点的颜色置为黑色，得到黑色像素；将黑色像素的权值设为0，每一黑色像素点八邻域内白色像素点的权值分别设为1，2，4，8，16，32，64，128；遍历黑色像素，参照其八邻域内白色像素点的位置和权重，根据查表细化算法判断是否为多余的边缘像素点，将多余的像素点剔除并保留边缘轮廓的骨架；对骨架的图像进行反色处理，将每个边缘像素点的颜色置为白色。
在实际执行过程中，对多余像素点进行筛除时，细化算法表共计包括有28＝256种像素位置分布情况，在程序中被定义为一个有256个元素的一维数组array，可通过计算各黑色像素点八邻域内白色像素点的权重之和，得到用于访问该数组元素的索引，若索引对应的元素值为0，则表示该黑色像素点不可去除，如：
array＝[0，0，1，1，0，0，1，1，1，1，0，1，1，1，0，1，\1，1，0，0，1，1，1，1，0，0，0，0，0，0，0，1，\0，0，1，1，0，0，1，1，1，1，0，1，1，1，0，1，\1，1，0，0，1，1，1，1，0，0，0，0，0，0，0，1，\1，1，0，0，1，1，0，0，0，0，0，0，0，0，0，0，\0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，\1，1，0，0，1，1，0，0，1，1，0，1，1，1，0，1，\0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，\0，0，1，1，0，0，1，1，1，1，0，1，1，1，0，1，\1，1，0，0，1，1，1，1，0，0，0，0，0，0，0，1，\0，0，1，1，0，0，1，1，1，1，0，1，1，1，0，1，\1，1，0，0，1，1，1，1，0，0，0，0，0，0，0，0，\1，1，0，0，1，1，0，0，0，0，0，0，0，0，0，0，\1，1，0，0，1，1，1，1，0，0，0，0，0，0，0，0，\1，1，0，0，1，1，0，0，1，1，0，1，1，1，0，0，\1，1，0，0，1，1，1，0，1，1，0，0，1，0，0，0].
在步骤S105中，基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，得到数控加工表面缺陷边缘的精确位置。
可以理解的是，本申请实施例中改进的亚像素边缘拟合算法可实现亚像素级边缘点与像素级边缘点间相对位置关系的拟合计算，相较于未改进算法，其拟合计算结果精度更高，使所得数控加工表面缺陷边缘位置更精确。
可选地，在本申请的一个实施例中，基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，得到数控加工表面缺陷边缘的精确位置，包括：以每个边缘像素点为中心，沿边缘像素点灰度梯度正方向和负方向分别取三个相邻的亚像素点，亚像素点行列坐标的计算公式如下：
Figure BDA0004153622300000091
Figure BDA0004153622300000092
其中，x为亚像素插值点的列坐标，Ox为像素级边缘点的列坐标，i为求亚像素点坐标时选取的偏移距离，Gx为像素级边缘点在列方向的灰度梯度值，Gy为像素级边缘点在行方向的灰度梯度值，y为亚像素插值点的行坐标，Oy为像素级边缘点的行坐标；利用双线性插值法，计算每个亚像素点的灰度梯度，将边缘像素点与亚像素点的整体灰度梯度分布拟合为一维高斯分布并对其取对数，拟合公式为：
Figure BDA0004153622300000101
其中，G为各参与计算像素点的灰度梯度幅值，x为亚像素插值点坐标与像素级边缘点坐标间的像素位移，μ为数控加工表面缺陷边缘点的精确位置与像素级边缘点在灰度梯度方向上的像素位移，σ为各亚像素点坐标与边缘像素点坐标间像素位移的方差值。
可以理解的是，本申请实施例中可由各边缘像素点O为中心，沿边缘像素点灰度梯度正方向和负方向分别取三个相邻亚像素点，对应的偏移距离分别为i＝±1，±2，±3个像素，并依据上式计算对应亚像素点行列坐标。进而将边缘像素点与亚像素点的整体灰度梯度分布拟合为一维高斯分布并对其取对数，通过最小二乘法拟合计算。
具体而言，求解数控加工表面缺陷边缘点的精确位置与像素级边缘点在灰度梯度方向上的相对位移μ时，各中间变量计算式可表示为
Figure BDA0004153622300000102
Figure BDA0004153622300000103
Figure BDA0004153622300000104
Figure BDA0004153622300000105
Figure BDA0004153622300000106
其中，m1、m2、m3、m4、m5为中间变量，xi为第i个亚像素点坐标与边缘像素点坐标间的像素位移，Gi为第i个亚像素点经双线性插值计算得到的灰度梯度幅值，n为像素点总数，i＝1、2、3...n，故μ值的计算表达式为
Figure BDA0004153622300000107
Figure BDA0004153622300000108
其中，μ为数控加工表面缺陷边缘点的精确位置与像素级边缘点在灰度梯度方向上的像素位移。由此可实现亚像素级边缘点与像素级边缘点间相对位置关系的拟合计算，以实现数控加工表面缺陷的定位。
下面以一个具体实施例对本申请实施例的工作内容进行详细阐述。如图2所示，为本申请一个实施例的数控加工表面缺陷定位方法的过程示意图，以磨削加工为例。
步骤S201：获取数控加工表面的待检测图像。其在，根据数控加工对象的特点，可在一定范围内调整图像采集装置的位姿。在进行表面检测时，线阵相机每次采集工件轴线方向的一条直线上的反射光，通过旋转工件得到其圆周方向不同位置对应的表面反射光，最终拼接成完整的工件表面图像，由于工件轴线方向的视场长度ls由成像系统决定，在检测过程中需要调节工件旋转速度ω及线阵相机扫描行频k使得轧辊轴线方向与圆周方向成像空间分辨率一致，如
Figure BDA0004153622300000111
其中，ω为工件旋转速度，d为工件直径，k为线阵相机扫描行频，ls为工件轴线方向的视场长度，n为线阵相机像素数，具体硬件参数可以由本领域技术人员根据实际情况进行设置，在此不做具体限制。
步骤S202：对待检测图像进行滤波去噪处理得到平滑图像，并使用Canny边缘检测算法计算缺陷边缘的初步位置。其中，针对磨削工件待检测图像，其平滑去噪处理可以直接通过高斯卷积核的掩模运算完成，高斯卷积核大小为5×5，工件表面缺陷的像素级边缘检测可以由Canny边缘检测算法完成，采用sobel一阶偏导有限差分算子计算平滑处理后的输出图像在列方向和行方向的灰度梯度，具体为
Figure BDA0004153622300000112
Figure BDA0004153622300000113
其中，GX为像素级边缘点在列方向的灰度梯度值矩阵，GY为像素级边缘点在行方向的灰度梯度值矩阵，A为平滑处理后输出图像的像素矩阵。进而可通过对全局像素的灰度梯度幅值G进行非极大值抑制处理，比较各像素点与其灰度梯度方向上前后两亚像素点的灰度梯度幅值，以获取具备局部最大G值的候选像素点列表，以G(s1，t1)，G(s2，t2)分别表示像素点(i，j)前后两亚像素点的灰度梯度幅值，具体为
G(s1，t1)＝w1·G(i-1，j-1)+(1-w1)*G(i-1，j)，
G(s2，t2)＝w2·G(i+1，j+1)+(1-w2)*G(i+1，j)，
w1＝|t1-j|，
w2＝|j-t2|，
其中，G(s1，t1)为前亚像素点的灰度梯度幅值，G(s2，t2)为后亚像素点的灰度梯度幅值，G(i，j)为像素点(i，j)的灰度梯度幅值，w1为前亚像素点所具有的插值计算权重，w2为后亚像素点所具有的插值计算权重。完成非极大值抑制处理后，可采用双阈值分割算法检测具有局部梯度最大值的像素点是否为强边缘，以确定缺陷边缘的初步位置，选取占平滑图像灰度梯度幅值直方图总数70％的灰度梯度幅值作为高阈值，并将低阈值设置为高阈值的1/2，判断各候选边缘像素点的灰度梯度幅值是否大于高阈值，进而判断该候选边缘像素点的八邻域内是否存在灰度梯度幅值大于低阈值的像素点，更新边缘像素点候选列表，剔除全部非边缘像素点。
步骤S203：细化检测得到的缺陷边缘图像，通过改进的亚像素边缘轮廓拟合算法计算数控加工表面缺陷边缘的精确位置。其中，可参照各边缘像素点八邻域内白色像素点的位置和权重，根据查表细化算法判断其是否为多余的边缘像素点，将多余像素点剔除并保留边缘轮廓的骨架，该细化算法表共计包括了28＝256种像素位置分布情况，在程序中被定义为一个有256个元素的一维数组，通过计算各黑色像素点八邻域内白色像素点的权重和，可以得到用于访问该数组元素的索引，若索引对应的元素值为0，则表示该黑色像素点不可去除。进而可参照平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，以各边缘像素点O为中心，沿边缘像素点灰度梯度正方向和负方向分别取三个相邻亚像素点，设定其所对应的偏移距离分别为i＝±1，±2，±3个像素，亚像素点行列坐标的计算公式如下：
Figure BDA0004153622300000121
Figure BDA0004153622300000122
其中，x为亚像素插值点的列坐标，Ox为像素级边缘点的列坐标，i为求亚像素点坐标时选取的偏移距离，Gx为像素级边缘点在列方向的灰度梯度值，Gy为像素级边缘点在行方向的灰度梯度值，y为亚像素插值点的行坐标，Oy为像素级边缘点的行坐标。获取各亚像素点的具体行列坐标后，将边缘像素点与亚像素点的整体灰度梯度分布拟合为一维高斯分布并对其取对数，拟合公式为：
Figure BDA0004153622300000123
其中，G为各参与计算像素点的灰度梯度幅值，x为亚像素插值点坐标与像素级边缘点坐标间的像素位移，μ为数控加工表面缺陷边缘点的精确位置与像素级边缘点在灰度梯度方向上的像素位移，σ为各亚像素点坐标与边缘像素点坐标间像素位移的方差值。同时求解对μ进行拟合计算时所需中间变量，
Figure BDA0004153622300000124
Figure BDA0004153622300000125
Figure BDA0004153622300000126
Figure BDA0004153622300000131
Figure BDA0004153622300000132
其中，m1、m2、m3、m4、m5为中间变量，xi为第i个亚像素点坐标与边缘像素点坐标间的像素位移，Gi为第i个亚像素点经双线性插值计算得到的灰度梯度幅值，n为像素点总数，i＝1、2、3...n，故μ值的计算表达式为
Figure BDA0004153622300000133
Figure BDA0004153622300000134
其中，μ为数控加工表面缺陷边缘点的精确位置与像素级边缘点在灰度梯度方向上的相对位移。举例而言，一组边缘像素点输入计算模型后得到的位移向量μ可以为：
μ＝[0.610594 0.660625 -0.800434 0.62031 -0.776147]
通过拟合运算，得到了该组表面缺陷边缘点的精确位置与其像素级边缘点在灰度梯度方向上的相对位置关系，从而提升了数控加工表面缺陷定位算法的检测精度。
根据本申请实施例提出的数控加工表面缺陷定位方法，可采用线阵相机获取数控加工表面的待检测图像，将待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像，采用sobel算子计算平滑图像的全局灰度梯度，并使用Canny边缘检测算法计算得到缺陷边缘的初步位置，得到缺陷边缘图像，基于骨架抽取算法，对缺陷边缘图像进行细化处理，以去除缺陷边缘图像中冗余的边缘信息，基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，由此实现了数控加工表面缺陷实际位置的精准测量，使缺陷定位结果更加准确可靠。由此，解决了相关技术中表面缺陷定位模型缺乏显式的解析数学表达，且实际数控加工环境变化复杂，导致模型预测的正确率不稳定，而像素级机器视觉算法检测精度较低，缺陷测量位置与缺陷实际位置存在偏离，从而降低了缺陷检测的可靠性与准确性，使缺陷定位结果的精确性不足等问题。
其次参照附图描述根据本申请实施例提出的数控加工表面缺陷定位装置。
图3是本申请实施例的数控加工表面缺陷定位装置的结构示意图。
如图3所示，该数控加工表面缺陷定位装置10包括：获取模块100、去噪模块200、计算模块300、提取模块400和定位模块500。
其中，获取模块100，用于采用线阵相机获取数控加工表面的待检测图像。
去噪模块200，用于将待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像。
计算模块300，用于采用sobel算子计算平滑图像的全局灰度梯度，并使用Canny边缘检测算法计算得到缺陷边缘的初步位置，得到缺陷边缘图像。
提取模块400，用于基于骨架抽取算法，对缺陷边缘图像进行细化处理，以去除缺陷边缘图像中冗余的边缘信息。
定位模块500，用于基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，得到数控加工表面缺陷边缘的精确位置。
可选地，在本申请的一个实施例中，去噪模块200包括：第一计算单元。
其中，第一计算单元，用于利用高斯卷积核对待检测图像像素矩阵做平滑运算，其中，高斯卷积核为行数和列数均为奇数的矩阵，计算方法满足如下公式：
Figure BDA0004153622300000141
其中，G(x，y)为高斯卷积核权重矩阵中某一元素所具有的权重值，x为该元素与权重矩阵中心元素在列方向上的像素距离，y为该元素与权重矩阵中心元素在行方向上的像素距离，σ为高斯卷积核权重矩阵中各元素统一使用的方差值。
可选地，在本申请的一个实施例中，计算模块300包括：第二计算单元和检测单元。
其中，第二计算单元，用于采用sobel一阶偏导有限差分算子计算平滑图像在列方向和行方向的灰度梯度，其中，计算任一像素点在列方向和行方向的灰度梯度值，并计算任一像素点的灰度梯度幅值和梯度方位角，灰度梯度幅值和梯度方位角计算公式分别为：
Figure BDA0004153622300000142
θ＝tan-1(Gy/Gx)，
其中，G为灰度梯度幅值，Gx为像素级边缘点在列方向的灰度梯度值，Gy为像素级边缘点在行方向的灰度梯度值，θ为梯度方位角。
检测单元，用于利用Canny边缘检测算法对平滑图像进行处理，其中，对全局像素的灰度梯度幅值进行非极大值抑制，获取具备局部最大灰度梯度幅值的候选像素点，采用双阈值分割算法检测具有局部梯度最大值的像素点是否为强边缘，以确定初步位置。
可选地，在本申请的一个实施例中，提取模块400包括：第一反色单元、赋权单元、遍历单元和第二反色单元。
其中，第一反色单元，用于对缺陷边缘图像进行反色处理，将边缘像素点的颜色置为黑色，得到黑色像素。
赋权单元，用于将黑色像素的权值设为0，每一黑色像素点八邻域内白色像素点的权值分别设为1，2，4，8，16，32，64，128。
遍历单元，用于遍历黑色像素，参照其八邻域内白色像素点的位置和权重，根据查表细化算法判断是否为多余的边缘像素点，将多余的像素点剔除并保留边缘轮廓的骨架。
第二反色单元，用于对骨架的图像进行反色处理，将每个边缘像素点的颜色置为白色。
可选地，在本申请的一个实施例中，定位模块500包括：第三计算单元和拟合单元。
其中，第三计算单元，用于以每个边缘像素点为中心，沿边缘像素点灰度梯度正方向和负方向分别取三个相邻的亚像素点，亚像素点行列坐标的计算公式如下：
Figure BDA0004153622300000151
Figure BDA0004153622300000152
其中，x为亚像素插值点的列坐标，Ox为像素级边缘点的列坐标，i为求亚像素点坐标时选取的偏移距离，Gx为像素级边缘点在列方向的灰度梯度值，Gy为像素级边缘点在行方向的灰度梯度值，y为亚像素插值点的行坐标，Oy为像素级边缘点的行坐标。
拟合单元，用于利用双线性插值法，计算每个亚像素点的灰度梯度，将边缘像素点与亚像素点的整体灰度梯度分布拟合为一维高斯分布并对其取对数，拟合公式为：
Figure BDA0004153622300000153
其中，G为各参与计算像素点的灰度梯度幅值，x为亚像素插值点坐标与像素级边缘点坐标间的像素位移，μ为数控加工表面缺陷边缘点的精确位置与像素级边缘点在灰度梯度方向上的像素位移，σ为各亚像素点坐标与边缘像素点坐标间像素位移的方差值。
需要说明的是，前述对数控加工表面缺陷定位方法实施例的解释说明也适用于该实施例的数控加工表面缺陷定位装置，此处不再赘述。
根据本申请实施例提出的数控加工表面缺陷定位装置，可采用线阵相机获取数控加工表面的待检测图像，将待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像，采用sobel算子计算平滑图像的全局灰度梯度，并使用Canny边缘检测算法计算得到缺陷边缘的初步位置，得到缺陷边缘图像，基于骨架抽取算法，对缺陷边缘图像进行细化处理，以去除缺陷边缘图像中冗余的边缘信息，基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，由此实现了数控加工表面缺陷实际位置的精准测量，使缺陷定位结果更加准确可靠。由此，解决了相关技术中表面缺陷定位模型缺乏显式的解析数学表达，且实际数控加工环境变化复杂，导致模型预测的正确率不稳定，而像素级机器视觉算法检测精度较低，缺陷测量位置与缺陷实际位置存在偏离，从而降低了缺陷检测的可靠性与准确性，使缺陷定位结果的精确性不足等问题。
图4为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
处理器402执行程序时实现上述实施例中提供的数控加工表面缺陷定位方法。
进一步地，电子设备还包括：
通信接口403，用于存储器401和处理器402之间的通信。
存储器401，用于存放可在处理器402上运行的计算机程序。
存储器401可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器401、处理器402和通信接口403独立实现，则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，在具体实现上，如果存储器401、处理器402及通信接口403，集成在一块芯片上实现，则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
处理器402可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的数控加工表面缺陷定位方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种数控加工表面缺陷定位方法，其特征在于，包括以下步骤：
采用线阵相机获取数控加工表面的待检测图像；
将所述待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像；
采用sobel算子计算所述平滑图像的全局灰度梯度，并使用Canny边缘检测算法计算得到缺陷边缘的初步位置，得到缺陷边缘图像；
基于骨架抽取算法，对所述缺陷边缘图像进行细化处理，以去除所述缺陷边缘图像中冗余的边缘信息；
基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照所述平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，得到数控加工表面缺陷边缘的精确位置。
2.根据权利要求1所述的方法，其特征在于，所述将所述待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像，包括：
利用高斯卷积核对所述待检测图像像素矩阵做平滑运算，其中，所述高斯卷积核为行数和列数均为奇数的矩阵，计算方法满足如下公式：
Figure FDA0004153622170000011
其中，G(x,y)为高斯卷积核权重矩阵中某一元素所具有的权重值，x为该元素与权重矩阵中心元素在列方向上的像素距离，y为该元素与权重矩阵中心元素在行方向上的像素距离，σ为高斯卷积核权重矩阵中各元素统一使用的方差值。
3.根据权利要求1所述的方法，其特征在于，所述采用sobel算子计算所述平滑图像的全局灰度梯度，并使用Canny边缘检测算法计算得到缺陷边缘的初步位置，得到缺陷边缘图像，包括：
采用sobel一阶偏导有限差分算子计算所述平滑图像在列方向和行方向的灰度梯度，其中，计算任一像素点在列方向和行方向的灰度梯度值，并计算所述任一像素点的灰度梯度幅值和梯度方位角，所述灰度梯度幅值和所述梯度方位角计算公式分别为：
Figure FDA0004153622170000012
θ＝tan-1(Gy/Gx)，
其中，G为灰度梯度幅值，Gx为像素级边缘点在列方向的灰度梯度值，Gy为像素级边缘点在行方向的灰度梯度值，θ为梯度方位角；
利用Canny边缘检测算法对所述平滑图像进行处理，其中，对全局像素的灰度梯度幅值进行非极大值抑制，获取具备局部最大灰度梯度幅值的候选像素点，采用双阈值分割算法检测具有局部梯度最大值的像素点是否为强边缘，以确定所述初步位置。
4.根据权利要求1所述的方法，其特征在于，所述基于骨架抽取算法，对所述缺陷边缘图像进行细化处理，以去除所述缺陷边缘图像中冗余的边缘信息，包括：
对所述缺陷边缘图像进行反色处理，将边缘像素点的颜色置为黑色，得到黑色像素；
将所述黑色像素的权值设为0，每一黑色像素点八邻域内白色像素点的权值分别设为1，2，4，8，16，32，64，128；
遍历所述黑色像素，参照其八邻域内白色像素点的位置和权重，根据查表细化算法判断是否为多余的边缘像素点，将所述多余的像素点剔除并保留边缘轮廓的骨架；
对所述骨架的图像进行反色处理，将每个边缘像素点的颜色置为白色。
5.根据权利要求4所述的方法，其特征在于，所述基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照所述平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，得到数控加工表面缺陷边缘的精确位置，包括：
以所述每个边缘像素点为中心，沿边缘像素点灰度梯度正方向和负方向分别取三个相邻的亚像素插值点，所述亚像素点行列坐标的计算公式如下：
Figure FDA0004153622170000021
Figure FDA0004153622170000022
其中，x为亚像素插值点的列坐标，Ox为像素级边缘点的列坐标，i为求亚像素点坐标时选取的偏移距离，Gx为像素级边缘点在列方向的灰度梯度值，Gy为像素级边缘点在行方向的灰度梯度值，y为亚像素插值点的行坐标，Oy为像素级边缘点的行坐标；
利用双线性插值法，计算所述每个亚像素点的灰度梯度，将边缘像素点与亚像素点的整体灰度梯度分布拟合为一维高斯分布并对其取对数，拟合公式为：
Figure FDA0004153622170000023
其中，G为各参与计算像素点的灰度梯度幅值，x为亚像素插值点坐标与像素级边缘点坐标间的像素位移，μ为数控加工表面缺陷边缘点的精确位置与像素级边缘点在灰度梯度方向上的像素位移，σ为各亚像素点坐标与边缘像素点坐标间像素位移的方差值。
6.一种数控加工表面缺陷定位装置，其特征在于，包括：
获取模块，用于采用线阵相机获取数控加工表面的待检测图像；
去噪模块，用于将所述待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像；
计算模块，用于采用sobel算子计算所述平滑图像的全局灰度梯度，并使用Canny边缘检测算法计算得到缺陷边缘的初步位置，得到缺陷边缘图像；
提取模块，用于基于骨架抽取算法，对所述缺陷边缘图像进行细化处理，以去除所述缺陷边缘图像中冗余的边缘信息；
定位模块，用于基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照所述平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，得到数控加工表面缺陷边缘的精确位置。
7.根据权利要求6所述的装置，其特征在于，所述去噪模块包括：
第一计算单元，用于利用高斯卷积核对所述待检测图像像素矩阵做平滑运算，其中，所述高斯卷积核为行数和列数均为奇数的矩阵，计算方法满足如下公式：
Figure FDA0004153622170000031
其中，G(x,y)为高斯卷积核权重矩阵中某一元素所具有的权重值，x为该元素与权重矩阵中心元素在列方向上的像素距离，y为该元素与权重矩阵中心元素在行方向上的像素距离，σ为高斯卷积核权重矩阵中各元素统一使用的方差值。
8.根据权利要求6所述的装置，其特征在于，所述计算模块包括：
第二计算单元，用于采用sobel一阶偏导有限差分算子计算所述平滑图像在列方向和行方向的灰度梯度，其中，计算任一像素点在列方向和行方向的灰度梯度值，并计算所述任一像素点的灰度梯度幅值和梯度方位角，所述灰度梯度幅值和所述梯度方位角计算公式分别为：
Figure FDA0004153622170000032
θ＝tan-1(Gy/Gx)，
其中，G为灰度梯度幅值，Gx为像素级边缘点在列方向的灰度梯度值，Gy为像素级边缘点在行方向的灰度梯度值，θ为梯度方位角；
检测单元，用于利用Canny边缘检测算法对所述平滑图像进行处理，其中，对全局像素的灰度梯度幅值进行非极大值抑制，获取具备局部最大灰度梯度幅值的候选像素点，采用双阈值分割算法检测具有局部梯度最大值的像素点是否为强边缘，以确定所述初步位置。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的数控加工表面缺陷定位方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-5任一项所述的数控加工表面缺陷定位方法。
CN202310327046.3A 2023-03-29 2023-03-29 数控加工表面缺陷定位方法及装置 Active CN116309510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310327046.3A CN116309510B (zh) 2023-03-29 2023-03-29 数控加工表面缺陷定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310327046.3A CN116309510B (zh) 2023-03-29 2023-03-29 数控加工表面缺陷定位方法及装置

Publications (2)

Publication Number Publication Date
CN116309510A true CN116309510A (zh) 2023-06-23
CN116309510B CN116309510B (zh) 2024-03-22

Family

ID=86816730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310327046.3A Active CN116309510B (zh) 2023-03-29 2023-03-29 数控加工表面缺陷定位方法及装置

Country Status (1)

Country Link
CN (1) CN116309510B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612112A (zh) * 2023-07-17 2023-08-18 鑫脉(山东)工贸有限公司 一种水桶表面缺陷视觉检测方法
CN116664613A (zh) * 2023-07-24 2023-08-29 合肥埃科光电科技股份有限公司 一种基于fpga的像素边缘位置检测方法、系统及存储介质
CN116883392A (zh) * 2023-09-05 2023-10-13 烟台金丝猴食品科技有限公司 基于图像处理的投料控制方法及系统
CN116993718A (zh) * 2023-09-25 2023-11-03 深圳市东陆科技有限公司 基于机器视觉的tft阵列基板缺陷检测方法
CN117095003A (zh) * 2023-10-20 2023-11-21 山东亿盟源新材料科技有限公司 一种双金属复合板材碳钢原材料清洁度检测方法及装置
CN117173187A (zh) * 2023-11-03 2023-12-05 南通银河水泵有限公司 一种阀门故障智能检测系统
CN117274241A (zh) * 2023-11-17 2023-12-22 四川赢信汇通实业有限公司 一种基于快速图像分析的制动鼓表面损坏检测方法及装置
CN117670877A (zh) * 2024-01-31 2024-03-08 陕西雷诺贝尔铝业有限公司 应用于铝单板加工下的表面处理方法及系统
CN117953189A (zh) * 2024-01-31 2024-04-30 北京中科慧灵机器人技术有限公司 视点确定方法、装置、电子设备及存储介质
CN117974605A (zh) * 2024-02-02 2024-05-03 山东福茂装饰材料有限公司 一种基于图像检测板材封边缺陷的方法
CN118196181A (zh) * 2024-05-20 2024-06-14 安徽大学 基于图像处理的预制构件表面蜂窝麻面面积检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208117A (zh) * 2013-03-21 2013-07-17 袁景 一种多功能智能皮带表面斑块边缘检测方法
CN104268857A (zh) * 2014-09-16 2015-01-07 湖南大学 一种基于机器视觉的快速亚像素边缘检测与定位方法
CN110634146A (zh) * 2019-08-30 2019-12-31 广东奥普特科技股份有限公司 一种圆心亚像素精度定位方法
CN110992346A (zh) * 2019-09-17 2020-04-10 浙江工业大学 一种基于dip和dicm的疲劳裂纹长度在线检测方法
CN111489389A (zh) * 2020-04-02 2020-08-04 南京理工大学 一种光斑中心检测方法
US20200355489A1 (en) * 2017-08-24 2020-11-12 Southeast University Sub-pixel displacement measurement method based on tikhonov regularization
CN115035050A (zh) * 2022-05-23 2022-09-09 广东人工智能与先进计算研究院 一种电池极片表面缺陷检测方法、装置、设备及产品
CN115272256A (zh) * 2022-08-02 2022-11-01 广州大学 亚像素级传感光纤路径高斯提取方法及系统
CN115439476A (zh) * 2022-11-07 2022-12-06 成都博视广达科技有限责任公司 基于图像分析的丝印缺陷检测方法及装置
CN115760782A (zh) * 2022-11-16 2023-03-07 华南理工大学 一种基于机器视觉的模内贴标偏移缺陷识别方法
GB2610449A (en) * 2021-09-06 2023-03-08 Harbin Inst Technology Efficient high-resolution non-destructive detecting method based on convolutional neural network

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208117A (zh) * 2013-03-21 2013-07-17 袁景 一种多功能智能皮带表面斑块边缘检测方法
CN104268857A (zh) * 2014-09-16 2015-01-07 湖南大学 一种基于机器视觉的快速亚像素边缘检测与定位方法
US20200355489A1 (en) * 2017-08-24 2020-11-12 Southeast University Sub-pixel displacement measurement method based on tikhonov regularization
CN110634146A (zh) * 2019-08-30 2019-12-31 广东奥普特科技股份有限公司 一种圆心亚像素精度定位方法
CN110992346A (zh) * 2019-09-17 2020-04-10 浙江工业大学 一种基于dip和dicm的疲劳裂纹长度在线检测方法
CN111489389A (zh) * 2020-04-02 2020-08-04 南京理工大学 一种光斑中心检测方法
GB2610449A (en) * 2021-09-06 2023-03-08 Harbin Inst Technology Efficient high-resolution non-destructive detecting method based on convolutional neural network
CN115035050A (zh) * 2022-05-23 2022-09-09 广东人工智能与先进计算研究院 一种电池极片表面缺陷检测方法、装置、设备及产品
CN115272256A (zh) * 2022-08-02 2022-11-01 广州大学 亚像素级传感光纤路径高斯提取方法及系统
CN115439476A (zh) * 2022-11-07 2022-12-06 成都博视广达科技有限责任公司 基于图像分析的丝印缺陷检测方法及装置
CN115760782A (zh) * 2022-11-16 2023-03-07 华南理工大学 一种基于机器视觉的模内贴标偏移缺陷识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
尚雅层;陈静;田军委;: "高斯拟合亚像素边缘检测算法", 计算机应用, no. 01 *
尚雅层;陈静;田军委;: "高斯拟合亚像素边缘检测算法", 计算机应用, no. 01, 1 January 2011 (2011-01-01) *
李云;夏若安;: "基于曲线拟和的亚像素边缘检测", 重庆科技学院学报(自然科学版), no. 06 *
李云;夏若安;: "基于曲线拟和的亚像素边缘检测", 重庆科技学院学报(自然科学版), no. 06, 15 December 2008 (2008-12-15) *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612112B (zh) * 2023-07-17 2023-09-22 鑫脉(山东)工贸有限公司 一种水桶表面缺陷视觉检测方法
CN116612112A (zh) * 2023-07-17 2023-08-18 鑫脉(山东)工贸有限公司 一种水桶表面缺陷视觉检测方法
CN116664613A (zh) * 2023-07-24 2023-08-29 合肥埃科光电科技股份有限公司 一种基于fpga的像素边缘位置检测方法、系统及存储介质
CN116664613B (zh) * 2023-07-24 2023-10-31 合肥埃科光电科技股份有限公司 一种基于fpga的像素边缘位置检测方法、系统及存储介质
CN116883392A (zh) * 2023-09-05 2023-10-13 烟台金丝猴食品科技有限公司 基于图像处理的投料控制方法及系统
CN116883392B (zh) * 2023-09-05 2023-11-17 烟台金丝猴食品科技有限公司 基于图像处理的投料控制方法及系统
CN116993718B (zh) * 2023-09-25 2023-12-22 深圳市东陆科技有限公司 基于机器视觉的tft阵列基板缺陷检测方法
CN116993718A (zh) * 2023-09-25 2023-11-03 深圳市东陆科技有限公司 基于机器视觉的tft阵列基板缺陷检测方法
CN117095003A (zh) * 2023-10-20 2023-11-21 山东亿盟源新材料科技有限公司 一种双金属复合板材碳钢原材料清洁度检测方法及装置
CN117095003B (zh) * 2023-10-20 2024-01-26 山东亿盟源新材料科技有限公司 一种双金属复合板材碳钢原材料清洁度检测方法及装置
CN117173187A (zh) * 2023-11-03 2023-12-05 南通银河水泵有限公司 一种阀门故障智能检测系统
CN117173187B (zh) * 2023-11-03 2024-03-05 南通银河水泵有限公司 一种阀门故障智能检测系统
CN117274241A (zh) * 2023-11-17 2023-12-22 四川赢信汇通实业有限公司 一种基于快速图像分析的制动鼓表面损坏检测方法及装置
CN117274241B (zh) * 2023-11-17 2024-02-09 四川赢信汇通实业有限公司 一种基于快速图像分析的制动鼓表面损坏检测方法及装置
CN117670877A (zh) * 2024-01-31 2024-03-08 陕西雷诺贝尔铝业有限公司 应用于铝单板加工下的表面处理方法及系统
CN117953189A (zh) * 2024-01-31 2024-04-30 北京中科慧灵机器人技术有限公司 视点确定方法、装置、电子设备及存储介质
CN117670877B (zh) * 2024-01-31 2024-05-10 陕西雷诺贝尔铝业有限公司 应用于铝单板加工下的表面处理方法及系统
CN117974605A (zh) * 2024-02-02 2024-05-03 山东福茂装饰材料有限公司 一种基于图像检测板材封边缺陷的方法
CN118196181A (zh) * 2024-05-20 2024-06-14 安徽大学 基于图像处理的预制构件表面蜂窝麻面面积检测方法

Also Published As

Publication number Publication date
CN116309510B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN116309510B (zh) 数控加工表面缺陷定位方法及装置
CN114897864B (zh) 基于数模信息的工件检测及缺陷判断方法
CN111402152B (zh) 视差图的处理方法、装置、计算机设备和存储介质
CN113362308A (zh) 一种物体边缘的毛刺检测方法及装置、存储介质
CN109993800A (zh) 一种工件尺寸的检测方法、装置及存储介质
CN111080661A (zh) 基于图像的直线检测方法、装置以及电子设备
CN110211185B (zh) 在一组候选点内识别校准图案的特征点的方法
CN116777907A (zh) 一种钣金件质量检测方法
CN115937147B (zh) 缺陷检测参数的确定方法、装置、设备及存储介质
CN113362238A (zh) 测试图像处理方法、装置、电子设备及存储介质
CN116468687A (zh) 划伤缺陷检测方法、装置及存储介质、电子设备
CN113222955A (zh) 一种基于机器视觉的齿轮尺寸参数自动测量方法
CN113066088A (zh) 工业检测中的检测方法、检测装置和存储介质
CN116012322A (zh) 一种相机脏污检测方法、装置、设备及介质
CN117876468B (zh) 一种基于凸包的汽车灯光近光光型特征点检测方法和系统
CN113610054B (zh) 一种水下结构病害深度检测方法、系统、装置及存储介质
CN114841943A (zh) 一种零件检测方法、装置、设备及存储介质
CN105243677B (zh) 一种保证精度的实时单分子定位方法及系统
JPH1127574A (ja) 手ぶれパラメータ検出方法及び情報記録媒体
CN117853510A (zh) 基于双边滤波和自适应阈值的Canny边缘检测方法
CN112184723A (zh) 图像处理方法及装置、电子设备、存储介质
CN117152219A (zh) 一种图像配准方法、系统和设备
CN116338945A (zh) 用于多光子成像的数字自适应光学方法及装置
CN115689929A (zh) 基于畸变补偿和自适应均值模糊的孔径测量方法及装置
CN116188765A (zh) 检测方法、检测装置、检测设备和计算机可读存储介质

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