CN116309572A - 基于图像的数控机床组件智能识别方法 - Google Patents

基于图像的数控机床组件智能识别方法 Download PDF

Info

Publication number
CN116309572A
CN116309572A CN202310564557.7A CN202310564557A CN116309572A CN 116309572 A CN116309572 A CN 116309572A CN 202310564557 A CN202310564557 A CN 202310564557A CN 116309572 A CN116309572 A CN 116309572A
Authority
CN
China
Prior art keywords
pixel
window
pixel point
weight
point
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
CN202310564557.7A
Other languages
English (en)
Other versions
CN116309572B (zh
Inventor
苏丽
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.)
Wuxi Huixing Intelligent Equipment Co ltd
WUXI KANGBEI ELECTRONIC EQUIPMENT CO Ltd
Original Assignee
Wuxi Huixing Intelligent Equipment Co ltd
WUXI KANGBEI ELECTRONIC 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 Wuxi Huixing Intelligent Equipment Co ltd, WUXI KANGBEI ELECTRONIC EQUIPMENT CO Ltd filed Critical Wuxi Huixing Intelligent Equipment Co ltd
Priority to CN202310564557.7A priority Critical patent/CN116309572B/zh
Publication of CN116309572A publication Critical patent/CN116309572A/zh
Application granted granted Critical
Publication of CN116309572B publication Critical patent/CN116309572B/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
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及基于图像的数控机床组件智能识别方法，包括：为切削刀具灰度图像中每个像素点构建窗口，并对窗口不断扩展，在扩展过程中，获取像素点的窗口内每个像素点的第一权重，根据像素点的窗口内所有像素点的第一权重以及灰度值获取像素点的窗口的复杂性，根据复杂性获取最优窗口大小，根据切削刀灰度图像的灰度直方图为每个像素点设置第二权重，根据每个像素点的第二权重以及最优窗口大小获取超像素块的最优大小，对切削刀灰度图像进行超像素分割，得到切削刀具分割结果图，识别崩刃区域。本发明可避免超像素块过大过小造成的崩刃区域的欠分割或者过分割，分割效果好，对崩刃区域识别更加准确。

Description

基于图像的数控机床组件智能识别方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于图像的数控机床组件智能识别方法。
背景技术
数控机床是受计算机控制的高精度自动化设备，是用数字信息控制零件和刀具位移的机械加工方法，解决了零件品种多变、批量小、形状复杂、精度高等问题和实现了高效化加工。
数控机床的关键组件之一是切削刀具，它是机械制造中用于切削加工的工具，而切削刀具一旦出现损坏，将导致刀具失去切削工件材料的能力，从而使加工零件的精度下降甚至无法如期完成加工。切削刃崩刃是最常见的刀具损坏类型之一，它是由断续切削、刃磨质量欠佳等各种原因造成，出现这种情况后，刀具将失去一部分切削能力，若持续进行切削，刃区的损坏部分可能迅速扩大，导致更大的破损直至失去工作能力，故及时的识别出切削刃崩刃现象能够帮助机械师解决问题并防止刀具形成更大的破损。
现有技术通过相机拍照获得切削刀具图像，使用超像素分割的算法提取崩刃区域的轮廓，得到超像素分割结果，对超像素分割结果使用语义分割的方法进行缺陷识别，但由于超像素块大小是操作人员根据经验设定，当超像素块设置过小时，会形成崩刃区域的过分割，像素块设置过大时，可能会导致图像的欠分割，忽略了崩刃区域的细节部分的分割，导致根据超像素分割后的结果识别出的崩刃区域不准确。
发明内容
本发明提供基于图像的数控机床组件智能识别方法，以解决现有的问题。
本发明的基于图像的数控机床组件智能识别方法采用如下技术方案：
本发明一个实施例提供了基于图像的数控机床组件智能识别方法，该方法包括以下步骤：
获取切削刀具灰度图像；以切削刀具灰度图像中每个像素点为中心构建窗口；
对每个像素点的窗口进行判断操作，包括：
获取像素点的窗口内每个像素点的第一权重，根据像素点的窗口内所有像素点的第一权重以及灰度值获取像素点的窗口的复杂性；当像素点的窗口的复杂性大于或等于预设阈值时，将像素点的窗口的边长减去预设扩展长度，得到像素点的最优窗口大小；当像素点的窗口复杂性小于预设阈值时，根据预设扩展长度将像素点的窗口的边长扩展，得到像素点的新窗口；
对像素点的新窗口重复进行判断操作，直到获取像素点的最优窗口大小时停止迭代；
绘制切削刀具灰度图像的灰度直方图，获取灰度直方图中的分界点，根据分界点获取切削刀具灰度图像每个像素点的第二权重；根据每个像素点的第二权重以及最优窗口大小获取超像素块的最优大小；
根据超像素块的最优大小对切削刀具灰度图像进行超像素分割，得到切削刀具分割结果图；根据切削刀具分割结果图识别崩刃区域；
所述根据像素点的窗口内所有像素点的第一权重以及灰度值获取像素点的窗口的复杂性，包括的具体步骤如下：
Figure SMS_1
其中
Figure SMS_4
为第
Figure SMS_8
个像素点的窗口的复杂性；
Figure SMS_13
为第
Figure SMS_2
个像素点的窗口中第
Figure SMS_7
行第
Figure SMS_11
列的像素点的第一权重；
Figure SMS_15
为第
Figure SMS_5
个像素点的窗口中第
Figure SMS_6
行第
Figure SMS_9
列的像素点的灰度值；
Figure SMS_12
为第
Figure SMS_3
个像素点的窗口中所有像素点的灰度值的均值；
Figure SMS_10
为第
Figure SMS_14
个像素点的窗口的边长；
所述根据每个像素点的第二权重以及最优窗口大小获取超像素块的最优大小，包括的具体步骤如下：
根据每个像素点的第二权重以及最优窗口大小获取超像素块的最优边长：
Figure SMS_16
其中，
Figure SMS_17
为超像素块的最优边长；
Figure SMS_18
为第
Figure SMS_19
个像素点的第二权重；
Figure SMS_20
为第
Figure SMS_21
个像素点的 最优窗口大小；
Figure SMS_22
为切削刀具灰度图像中所有像素点的个数；
将
Figure SMS_23
作为超像素块的最优大小。
优选的，所述获取像素点的窗口内每个像素点的第一权重，包括的具体步骤如下：
获取第
Figure SMS_24
个像素点的窗口内每个像素点的关注权重：
Figure SMS_25
其中
Figure SMS_27
为第
Figure SMS_33
个像素点的窗口中第
Figure SMS_37
行第
Figure SMS_29
列的像素点的关注权重；
Figure SMS_31
为第
Figure SMS_35
个像素点的窗口中第
Figure SMS_39
行第
Figure SMS_28
列的像素点的灰度值；
Figure SMS_30
为第
Figure SMS_34
个像素点的窗口中第
Figure SMS_38
行 第
Figure SMS_26
列的像素点的八邻域中第
Figure SMS_32
个像素点的灰度值；
Figure SMS_36
为绝对值符号；
将第
Figure SMS_40
个像素点的窗口内每个像素点的关注权重除以第
Figure SMS_41
个像素点的窗口内所有像 素点的关注权重之和，得到第
Figure SMS_42
个像素点的窗口内每个像素点的第一权重。
优选的，所述获取灰度直方图中的分界点，包括的具体步骤如下：
对灰度直方图进行平滑处理，获取平滑之后的灰度直方图中所有的波谷点，将位于灰度直方图最右侧的波谷点对应的灰度值作为分界点。
优选的，所述根据分界点获取切削刀具灰度图像每个像素点的第二权重，包括的具体步骤如下：
将灰度直方图中分界点及分界点左侧的灰度值在切削刀灰度图像中对应的像素 点的权值设为
Figure SMS_43
，将灰度直方图中分界点右侧的灰度值在切削刀灰度图像中对应的像素点 的权值设为
Figure SMS_44
，
Figure SMS_45
和
Figure SMS_46
满足
Figure SMS_47
；将每个像素点的权值除以所有像素点的权值之和， 得到每个像素点的第二权重。
本发明的技术方案的有益效果是：现有的超像素分割中，由人为设置超像素块的大小，但超像素块过大过小造成的崩刃区域的欠分割或者过分割，以至于造成崩刃区域识别的不准确。本发明对每个像素点建立窗口，结合窗口中像素点的分布特征对窗口进行不断扩展，直到得到每个像素点的最优窗口大小，在对窗口进行扩展的过程中，根据窗口内像素点的局部分布特征为窗口内像素点设置第一权重，利用第一权重降低了噪声点的影响，使得得到的最优窗口大小更加准确，后续根据每个像素点的最优窗口大小获得的超像素块的最优大小更加准确，分割效果更好；本发明根据每个像素点的灰度分布特征为每个像素点设置第二权重，利用第二权重对所有像素点的最优窗口大小进行加权平均，将加权平均结果作为超像素块的最优大小，后续根据超像素块的最优大小进行超像素分割，可避免超像素块过大过小造成的崩刃区域的欠分割或者过分割，相较于现有方法中人为设置超像素块的大小，分割效果更好，对崩刃区域识别更加准确。
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为本发明的基于图像的数控机床组件智能识别方法的步骤流程图；
图2为切削刀具灰度图像；
图3为过分割图像；
图4为欠分割图像；
图5为灰度直方图；
图6为切削刀具分割结果图。
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图像的数控机床组件智能识别方法，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图像的数控机床组件智能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图像的数控机床组件智能识别方法的步骤流程图，该方法包括以下步骤：
S001．采集数控机床组件中切削刀具的图像，获取切削刀具灰度图像。
拍摄数控机床组件中切削刀具的图像，为了便于后续处理，将采集的切削刀具的图像进行灰度化，得到切削刀具灰度图像，参见图2。
至此，获取了切削刀具灰度图像。
S002．获取切削刀具灰度图像中每个像素点的最优窗口大小。
需要说明的是，超像素分割是指具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。它利用像素之间特征的相似性将像素分组，用少量的超像素代替大量的像素来表达图片特征，很大程度上降低了图像后处理的复杂度。由于崩刃比较集中的出现在刀刃区域，且其灰度值与前后刀面的差别较大，超像素分割对其有较好的分割效果，但是现有的超像素分割技术是通过经验来设置超像素块的大小，设置的超像素块较小时，由于崩刃区域内部像素点的差异，会对崩刃缺陷区域造成过分割，将崩刃缺陷区域分割成多个超像素块，参见图3；设置的像素块较大时，超像素分割可能会将切削刀具灰度图像中其他刀刃区域分割到同一个像素块内，造成崩刃区域细节部分的欠分割，参见图4。过分割和欠分割均会影响对崩刃区域的识别与处理，因此本发明实施例通过结合像素灰度分布，自适应获取最优的超像素块大小，使得崩刃缺陷区域能够完整的分割出来。
需要进一步说明的是，当超像素块设置过大或过小时会造成崩刃区域的欠分割或者过分割，当超像素块的大小接近于崩刃区域的大小时，会有较好的分割效果。切削刀中刀背区域和崩刃区域具有明显的灰度差异，刀刃区域的灰度与崩刃区域的灰度较为接近，因此本发明实施例根据切削刀具灰度图像中每个像素点的局部区域中的特征，获取每个像素点的最优窗口大小，以便后续根据每个像素点的最优窗口大小设置超像素块的大小，对切削刀具灰度图像进行超像素分割，得到完整的崩刃区域。
在本发明实施例中，获取每个像素点的最优窗口大小的方法相同，本发明实施例 以第
Figure SMS_48
个像素点为例说明获取窗口大小的具体方法：
以第
Figure SMS_49
个像素点为中心，构建一个
Figure SMS_50
大小的窗口，需要说明的是，当窗口内灰度 值较为统一时，窗口内所有像素点可能属于同一个颜色特征区域，当窗口内像素点的灰度 值存在较大差异时，窗口内所有像素点可能属于两个颜色特征区域，也可能为窗口内存在 噪声点。当存在噪声点时，对噪声点不关注，对其余像素点更加关注。
获取第
Figure SMS_51
个像素点的当前窗口内每个像素点的关注权重：
Figure SMS_52
其中
Figure SMS_55
为第
Figure SMS_58
个像素点的当前窗口中第
Figure SMS_62
行第
Figure SMS_54
列的像素点的关注权重；
Figure SMS_59
为第
Figure SMS_63
个像素点的当前窗口中第
Figure SMS_66
行第
Figure SMS_53
列的像素点的灰度值；
Figure SMS_57
为第
Figure SMS_61
个像素点的当 前窗口中第
Figure SMS_65
行第
Figure SMS_56
列的像素点的八邻域中第
Figure SMS_60
个像素点的灰度值；
Figure SMS_64
为绝对值符号；当窗口 内像素点与其八邻域内所有像素点的灰度值的差异较大，该窗口内像素点越可能为噪声 点，此时越不关注该窗口内像素点，此时该窗口内像素点的关注权重越低。
将第
Figure SMS_67
个像素点的当前窗口内每个像素点的关注权重除以第
Figure SMS_68
个像素点的当前窗口 内所有像素点的关注权重之和，实现关注权重的归一化，将第
Figure SMS_69
个像素点的当前窗口内每个 像素点归一化后的关注权重作为第
Figure SMS_70
个像素点的当前窗口内每个像素点的第一权重。
获取第
Figure SMS_71
个像素点的当前窗口的复杂性：
Figure SMS_72
其中
Figure SMS_74
为第
Figure SMS_79
个像素点的当前窗口的复杂性；
Figure SMS_83
为第
Figure SMS_76
个像素点的当前窗口中第
Figure SMS_80
行第
Figure SMS_84
列的像素点的第一权重；
Figure SMS_88
为第
Figure SMS_73
个像素点的当前窗口中第
Figure SMS_77
行第
Figure SMS_81
列的像素点 的灰度值；
Figure SMS_85
为第
Figure SMS_89
个像素点的当前窗口中所有像素点的灰度值的均值，即当前窗口的平均 灰度值；
Figure SMS_91
为第
Figure SMS_93
个像素点的当前窗口的边长；
Figure SMS_95
为第
Figure SMS_90
个像素点的当前窗口中第
Figure SMS_92
行第
Figure SMS_94
列的像素点的灰度值与平均灰度值的差异的平方，用来衡量当前窗口中第
Figure SMS_96
行第
Figure SMS_75
列的像素点相对于整个窗口的差异性，当差异性越大，当前窗口中第
Figure SMS_78
行第
Figure SMS_82
列的像素点越 可能与窗口内大部分像素点不为同一个颜色特征区域或越可能为噪声点；第一权重可用来 衡量对应像素点为噪声点的可能性，当第一权重越大时，对应像素点越不可能为噪声点，此 时越关注对应像素点对当前窗口的复杂性的影响，此时第一权重作为
Figure SMS_86
的权 重，对结果不会有太大影响；当第一权重越小时，对应像素点越可能为噪声点，此时越不关 注该像素点对当前窗口的复杂性的影响，将第一权重作为
Figure SMS_87
的权重时，缩减了 该像素点对当前窗口的复杂性的影响。
当第
Figure SMS_97
个像素点的当前窗口的复杂性较小时，当前窗口中仅包含一个颜色区域特 征，当第
Figure SMS_98
个像素点的当前窗口的复杂性较大时，当前窗口中包含多个颜色区域特征，因此 本发明实施例中预设一个阈值
Figure SMS_99
，对当前窗口的复杂性进行判断：
若第
Figure SMS_102
个像素点的当前窗口的复杂性大于或等于
Figure SMS_106
时，将第
Figure SMS_110
个像素点的当前窗口 的边长
Figure SMS_101
减去
Figure SMS_104
作为第
Figure SMS_108
个像素点的最优窗口大小；若第
Figure SMS_112
个像素点的当前窗口的复杂性小于
Figure SMS_100
时，将当前窗口的边长扩大
Figure SMS_105
个像素点，其中
Figure SMS_109
为预设扩展长度，得到新窗口，重新计算新窗 口的复杂性，对新窗口的复杂性进行判断，重复该过程，直到得到第
Figure SMS_113
个像素点的最优窗口 大小时停止迭代。将第
Figure SMS_103
个像素点的最优窗口大小记为
Figure SMS_107
。在本发明实施例中，预设扩展长 度
Figure SMS_111
，即对窗口的边长每次扩大2个像素点，在其他实施例中，实施人员可根据实际实施 情况设置预设扩展长度。
在本发明实施例中，预设阈值
Figure SMS_114
，在其他实施例中，实施人员可根据实际实 施情况预设阈值
Figure SMS_115
。
同理，获取切削刀具灰度图像中每个像素点的最优窗口大小。
至此，获取了每个像素点的最优窗口大小。
需要说明的是，本发明实施例对每个像素点建立窗口，结合窗口中像素点的分布特征对窗口进行不断扩展，直到得到每个像素点的最优窗口大小，在对窗口进行扩展的过程中，根据窗口内像素点的局部分布特征为窗口内像素点设置第一权重，利用第一权重降低了噪声点的影响，使得得到的最优窗口大小更加准确，后续以及每个像素点的最优窗口大小获得的超像素块的最优大小更加准确，分割效果更好。
S003．获取超像素块的最优大小。
需要说明的是，步骤S002获取每个像素点的最优窗口大小，其中包含了刀刃区域、崩刃区域与刀背区域窗口，为了避免设置的超像素块太小或太大造成的过分割或欠分割，本发明实施例结合图像特征，对得到的每个最优窗口大小设置不同大小的权重，再以其加权平均后的结果作为超像素块的大小，这样可以使得得到的超像素块大小接近于崩刃区域的大小，进行超像素分割后能够准确的识别出崩刃区域。根据图像可知刀背区域与刀刃及崩刃区域存在着明显的灰度值差异，因此步骤S002中获得的每个像素点的最优窗口大小对应的窗口为刀刃区域、崩刃区域及刀背区域，已知刀背区域的像素点较多，其对应的窗口较大，刀刃区域与崩刃区域的像素点较少，其对应的窗口较小。为了避免设置的超像素块太小或太大造成崩刃区域的过分割或欠分割，要使设置的像素块大小接近于崩刃区域。
在本发明实施例中，绘制切削刀具灰度图像的灰度直方图，参见图5。需要说明的是，由于刀背区域较暗，灰度值较小，刀刃区域以及崩刃区域较亮，灰度值较大，因此灰度直方图左侧的像素点为刀背区域的像素点，右侧的像素点为刀刃及崩刃区域的像素点。为了使得超像素块的大小更接近于崩刃区域的大小，需要为灰度直方图右侧的像素点设置较大的权重，为灰度直方图左侧的像素点设置较小的权重。
在本发明实施例中，对灰度直方图进行平滑处理，获取平滑之后的灰度直方图中所有的波谷点，将位于灰度直方图最右侧的波谷点对应的横坐标（即灰度值）作为分界点。例如图5中分界点如虚线所示。
将灰度直方图中分界点及分界点左侧的灰度值在切削刀灰度图像中对应的像素 点的权值设为
Figure SMS_118
，将灰度直方图中分界点右侧的灰度值在切削刀灰度图像中对应的像素点 的权值设为
Figure SMS_119
，
Figure SMS_122
和
Figure SMS_117
满足
Figure SMS_120
。在本发明实施例中，
Figure SMS_123
，
Figure SMS_124
，在其他实施 例中，实施人员可根据具体实施情况设置
Figure SMS_116
和
Figure SMS_121
。
将每个像素点的权值除以所有像素点的权值之和，得到每个像素点的第二权重。
根据每个像素点的第二权重以及最优窗口大小获取超像素块的最优边长：
Figure SMS_125
其中，
Figure SMS_126
为超像素块的最优边长；
Figure SMS_127
为第
Figure SMS_128
个像素点的第二权重；
Figure SMS_129
为第
Figure SMS_130
个像素点的 最优窗口大小；
Figure SMS_131
为切削刀灰度图像中所有像素点的个数。
至此，获取了超像素块的最优边长
Figure SMS_132
，将
Figure SMS_133
作为超像素块的最优大小。
至此，获取了超像素块的最优大小。
需要说明的是，本发明实施例根据每个像素点的灰度分布特征为每个像素点设置第二权重，利用第二权重对所有像素点的最优窗口大小进行加权平均，将加权平均结果作为超像素块的最优大小，后续根据超像素块的最优大小进行超像素分割，可避免超像素块过大过小造成的崩刃区域的欠分割或者过分割，以至于造成后续崩刃区域识别的不准确。
S004．对切削刀具灰度图像进行超像素分割，得到切削刀具分割结果图。
超像素块的最优大小
Figure SMS_134
，切削刀灰度图像所有像素点的个数为
Figure SMS_135
，将
Figure SMS_136
作为 超像素的个数，其中
Figure SMS_137
为向下取整符号，对切削刀灰度图像进行超像素分割，得到切削刀具 分割结果图，参见图6。需要说明的是，本发明实施例采用的为SLIC超像素分割方法，在其他 实施例中，实施人员可根据实际需要选择超像素分割方法。
至此，获取了切削刀具分割结果图。
S005．根据切削刀具分割结果图进行崩刃区域的识别。
需要说明的是，本发明实施例对切削刀具分割结果图使用语义分割的方法识别崩刃区域，本发明实施例不直接使用切削刀具灰度图像进行语义分割的原因是，由于切削刀具灰度图像中像素点个数较大，导致语义分割网络复杂，计算量大，收敛速度慢，同时人工对切削刀具灰度图像中涉及标签时，需要对每个像素点进行标记，工作量大，成本较高。而对切削刀具分割结果图进行语义分割时，切削刀具分割结果图中超像素块少，语义分割网络简单，计算量小，收敛块。同时切削刀具分割结果图仅需要对每个像素块进行标记，减少了人工标记的时间，节省了标签成本，使得识别效率变高。
在本发明实施例中，对切削刀具分割结果图使用语义分割的方法识别崩刃区域的具体内容如下：
语义分割网络的输入为切削刀具分割结果图，输出为崩刃区域图像；网络使用的数据集为切削刀具分割结果图数据集；需要分割的超像素为2类，对应位置的超像素块属于崩刃区域的标记为1，非崩刃区域标记为0；网络使用的loss函数为交叉熵损失函数。
至此，实现了数控机床组件中切削工具的崩刃缺陷区域的识别。
本发明实施例通过对每个像素点建立窗口，结合窗口中像素点的分布特征对窗口进行不断扩展，直到得到每个像素点的最优窗口大小，在对窗口进行扩展的过程中，根据窗口内像素点的局部分布特征为窗口内像素点设置第一权重，利用第一权重降低了噪声点的影响，使得得到的最优窗口大小更加准确，后续根据每个像素点的最优窗口大小获得的超像素块的最优大小更加准确，分割效果更好；本发明根据每个像素点的灰度分布特征为每个像素点设置第二权重，利用第二权重对所有像素点的最优窗口大小进行加权平均，将加权平均结果作为超像素块的最优大小，后续根据超像素块的最优大小进行超像素分割，可避免超像素块过大过小造成的崩刃区域的欠分割或者过分割，相较于现有方法中人为设置超像素块的大小，分割效果更好，对崩刃区域识别更加准确。
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 (4)

1.基于图像的数控机床组件智能识别方法，其特征在于，该方法包括以下步骤：
获取切削刀具灰度图像；以切削刀具灰度图像中每个像素点为中心构建窗口；
对每个像素点的窗口进行判断操作，包括：
获取像素点的窗口内每个像素点的第一权重，根据像素点的窗口内所有像素点的第一权重以及灰度值获取像素点的窗口的复杂性；当像素点的窗口的复杂性大于或等于预设阈值时，将像素点的窗口的边长减去预设扩展长度，得到像素点的最优窗口大小；当像素点的窗口复杂性小于预设阈值时，根据预设扩展长度将像素点的窗口的边长扩展，得到像素点的新窗口；
对像素点的新窗口重复进行判断操作，直到获取像素点的最优窗口大小时停止迭代；
绘制切削刀具灰度图像的灰度直方图，获取灰度直方图中的分界点，根据分界点获取切削刀具灰度图像每个像素点的第二权重；根据每个像素点的第二权重以及最优窗口大小获取超像素块的最优大小；
根据超像素块的最优大小对切削刀具灰度图像进行超像素分割，得到切削刀具分割结果图；根据切削刀具分割结果图识别崩刃区域；
所述根据像素点的窗口内所有像素点的第一权重以及灰度值获取像素点的窗口的复杂性，包括的具体步骤如下：
Figure QLYQS_1
其中
Figure QLYQS_4
为第/>
Figure QLYQS_8
个像素点的窗口的复杂性；/>
Figure QLYQS_12
为第/>
Figure QLYQS_3
个像素点的窗口中第/>
Figure QLYQS_7
行第/>
Figure QLYQS_11
列的像素点的第一权重；/>
Figure QLYQS_15
为第/>
Figure QLYQS_2
个像素点的窗口中第/>
Figure QLYQS_6
行第/>
Figure QLYQS_10
列的像素点的灰度值；/>
Figure QLYQS_14
为第/>
Figure QLYQS_5
个像素点的窗口中所有像素点的灰度值的均值；/>
Figure QLYQS_9
为第/>
Figure QLYQS_13
个像素点的窗口的边长；
所述根据每个像素点的第二权重以及最优窗口大小获取超像素块的最优大小，包括的具体步骤如下：
根据每个像素点的第二权重以及最优窗口大小获取超像素块的最优边长：
Figure QLYQS_16
其中，
Figure QLYQS_17
为超像素块的最优边长；/>
Figure QLYQS_18
为第/>
Figure QLYQS_19
个像素点的第二权重；/>
Figure QLYQS_20
为第/>
Figure QLYQS_21
个像素点的最优窗口大小；/>
Figure QLYQS_22
为切削刀具灰度图像中所有像素点的个数；
将
Figure QLYQS_23
作为超像素块的最优大小。
2.根据权利要求1所述的基于图像的数控机床组件智能识别方法，其特征在于，所述获取像素点的窗口内每个像素点的第一权重，包括的具体步骤如下：
获取第
Figure QLYQS_24
个像素点的窗口内每个像素点的关注权重：
Figure QLYQS_25
其中
Figure QLYQS_26
为第/>
Figure QLYQS_33
个像素点的窗口中第/>
Figure QLYQS_37
行第/>
Figure QLYQS_27
列的像素点的关注权重；/>
Figure QLYQS_32
为第/>
Figure QLYQS_36
个像素点的窗口中第/>
Figure QLYQS_39
行第/>
Figure QLYQS_28
列的像素点的灰度值；/>
Figure QLYQS_30
为第/>
Figure QLYQS_34
个像素点的窗口中第/>
Figure QLYQS_38
行第/>
Figure QLYQS_29
列的像素点的八邻域中第/>
Figure QLYQS_31
个像素点的灰度值；/>
Figure QLYQS_35
为绝对值符号；
将第
Figure QLYQS_40
个像素点的窗口内每个像素点的关注权重除以第/>
Figure QLYQS_41
个像素点的窗口内所有像素点的关注权重之和，得到第/>
Figure QLYQS_42
个像素点的窗口内每个像素点的第一权重。
3.根据权利要求1所述的基于图像的数控机床组件智能识别方法，其特征在于，所述获取灰度直方图中的分界点，包括的具体步骤如下：
对灰度直方图进行平滑处理，获取平滑之后的灰度直方图中所有的波谷点，将位于灰度直方图最右侧的波谷点对应的灰度值作为分界点。
4.根据权利要求1所述的基于图像的数控机床组件智能识别方法，其特征在于，所述根据分界点获取切削刀具灰度图像每个像素点的第二权重，包括的具体步骤如下：
将灰度直方图中分界点及分界点左侧的灰度值在切削刀具灰度图像中对应的像素点的权值设为
Figure QLYQS_43
，将灰度直方图中分界点右侧的灰度值在切削刀具灰度图像中对应的像素点的权值设为/>
Figure QLYQS_44
，/>
Figure QLYQS_45
和/>
Figure QLYQS_46
满足/>
Figure QLYQS_47
；将每个像素点的权值除以所有像素点的权值之和，得到每个像素点的第二权重。
CN202310564557.7A 2023-05-19 2023-05-19 基于图像的数控机床组件智能识别方法 Active CN116309572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310564557.7A CN116309572B (zh) 2023-05-19 2023-05-19 基于图像的数控机床组件智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310564557.7A CN116309572B (zh) 2023-05-19 2023-05-19 基于图像的数控机床组件智能识别方法

Publications (2)

Publication Number Publication Date
CN116309572A true CN116309572A (zh) 2023-06-23
CN116309572B CN116309572B (zh) 2023-07-21

Family

ID=86830887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310564557.7A Active CN116309572B (zh) 2023-05-19 2023-05-19 基于图像的数控机床组件智能识别方法

Country Status (1)

Country Link
CN (1) CN116309572B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823826A (zh) * 2023-08-29 2023-09-29 无锡康贝电子设备有限公司 一种数控机床刀具崩刃异常检测方法
CN116823811A (zh) * 2023-08-25 2023-09-29 汶上县誉诚制衣有限公司 一种功能性冲锋衣表面质量检测方法
CN117115196A (zh) * 2023-10-25 2023-11-24 东莞雕宝自动化设备有限公司 一种切割机刀具磨损视觉检测方法及系统
CN117764893A (zh) * 2024-01-08 2024-03-26 惠州市惠阳区兆顺益五金加工有限公司 一种数控机床刀具磨损识别方法及系统
CN117808810A (zh) * 2024-03-01 2024-04-02 陕西长空齿轮有限责任公司 一种滚刀磨损图像识别测量方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299232A (zh) * 2014-09-30 2015-01-21 西安电子科技大学 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
CN109767439A (zh) * 2019-01-10 2019-05-17 中国科学院上海技术物理研究所 一种自适应窗口的多尺度差异与双边滤波的目标检测方法
WO2022046016A1 (en) * 2020-08-28 2022-03-03 Aselsan Elektroni̇k Sanayi̇ Ve Ti̇caret Anoni̇m Şi̇rketi̇ Variable clipping level calculation method for clahe algorithm
CN114140462A (zh) * 2021-12-10 2022-03-04 江苏牛犇轴承有限公司 一种基于图像处理的轴承磨损程度评估方法
CN114240989A (zh) * 2021-11-30 2022-03-25 中国工商银行股份有限公司 图像分割方法、装置、电子设备及计算机存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299232A (zh) * 2014-09-30 2015-01-21 西安电子科技大学 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
CN109767439A (zh) * 2019-01-10 2019-05-17 中国科学院上海技术物理研究所 一种自适应窗口的多尺度差异与双边滤波的目标检测方法
WO2022046016A1 (en) * 2020-08-28 2022-03-03 Aselsan Elektroni̇k Sanayi̇ Ve Ti̇caret Anoni̇m Şi̇rketi̇ Variable clipping level calculation method for clahe algorithm
CN114240989A (zh) * 2021-11-30 2022-03-25 中国工商银行股份有限公司 图像分割方法、装置、电子设备及计算机存储介质
CN114140462A (zh) * 2021-12-10 2022-03-04 江苏牛犇轴承有限公司 一种基于图像处理的轴承磨损程度评估方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823811A (zh) * 2023-08-25 2023-09-29 汶上县誉诚制衣有限公司 一种功能性冲锋衣表面质量检测方法
CN116823811B (zh) * 2023-08-25 2023-12-01 汶上县誉诚制衣有限公司 一种功能性冲锋衣表面质量检测方法
CN116823826A (zh) * 2023-08-29 2023-09-29 无锡康贝电子设备有限公司 一种数控机床刀具崩刃异常检测方法
CN116823826B (zh) * 2023-08-29 2023-11-03 无锡康贝电子设备有限公司 一种数控机床刀具崩刃异常检测方法
CN117115196A (zh) * 2023-10-25 2023-11-24 东莞雕宝自动化设备有限公司 一种切割机刀具磨损视觉检测方法及系统
CN117115196B (zh) * 2023-10-25 2024-02-06 东莞雕宝自动化设备有限公司 一种切割机刀具磨损视觉检测方法及系统
CN117764893A (zh) * 2024-01-08 2024-03-26 惠州市惠阳区兆顺益五金加工有限公司 一种数控机床刀具磨损识别方法及系统
CN117808810A (zh) * 2024-03-01 2024-04-02 陕西长空齿轮有限责任公司 一种滚刀磨损图像识别测量方法及系统
CN117808810B (zh) * 2024-03-01 2024-05-28 陕西长空齿轮有限责任公司 一种滚刀磨损图像识别测量方法及系统

Also Published As

Publication number Publication date
CN116309572B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN116309572B (zh) 基于图像的数控机床组件智能识别方法
CN108876743B (zh) 一种图像快速去雾方法、系统、终端及存储介质
CN114943736B (zh) 一种汽车散热翅片生产质量检测方法及系统
CN115937216B (zh) 一种新能源汽车用磁转子外观质量检测方法
CN116740070B (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN116823826B (zh) 一种数控机床刀具崩刃异常检测方法
CN114279357B (zh) 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统
CN110969620A (zh) 一种磁瓦波纹类缺陷的检测方法及装置
CN116188472B (zh) 一种数控机床零件的在线视觉检测方法
CN112258545A (zh) 一种烟叶图像在线背景处理系统及在线背景处理方法
CN117745724B (zh) 基于视觉分析的石材打磨加工缺陷区域分割方法
CN107194870B (zh) 一种基于显著性物体检测的图像场景重构方法
CN117541582B (zh) 一种高频变频器igbt绝缘质量检测方法
CN117115196B (zh) 一种切割机刀具磨损视觉检测方法及系统
CN114782714A (zh) 一种基于上下文信息融合的图像匹配方法及装置
CN115008255B (zh) 一种用于机床的刀具磨损识别方法及装置
CN116843581B (zh) 一种多场景图的图像增强方法、系统、设备和存储介质
CN112668567A (zh) 一种基于深度学习的图像裁剪算法
CN116739943A (zh) 图像平滑处理方法及目标轮廓提取方法
CN113763404B (zh) 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法
CN111854617B (zh) 一种基于机器视觉的微型钻头尺寸检测方法
CN114627463A (zh) 一种基于机器识别的非接触式配电数据识别方法
CN110276260B (zh) 一种基于深度摄像头的商品检测方法
CN108961300B (zh) 一种图像分割方法及设备
Song et al. Interactive image segmentation based on hierarchical superpixels initialization and region merging

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