CN116385472B - 一种五金冲压件去毛刺效果评估方法 - Google Patents
一种五金冲压件去毛刺效果评估方法 Download PDFInfo
- Publication number
- CN116385472B CN116385472B CN202310664002.XA CN202310664002A CN116385472B CN 116385472 B CN116385472 B CN 116385472B CN 202310664002 A CN202310664002 A CN 202310664002A CN 116385472 B CN116385472 B CN 116385472B
- Authority
- CN
- China
- Prior art keywords
- edge
- threshold value
- initial
- image
- points
- 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
Links
- 230000000694 effects Effects 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- 238000003708 edge detection Methods 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000001514 detection method Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- 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
- G06T7/0002—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种五金冲压件去毛刺效果评估方法,该方法获取待评估图像以及对应的初始低阈值、初始高阈值和初始强边缘点;以初始强边缘点为中心点构建不同尺寸的窗口,获取窗口像素点的第一可能性指标;根据不同尺寸窗口内初始强边缘点的分布情况得到窗口像素点的第二可能性指标;根据第一可能性指标、第二可能性指标以及边缘延伸角度方向的像素点梯度值获取调整系数,进而得到优选低阈值和优选高阈值,以获取边缘图像并得到五金冲压件的去毛刺效果评估结果。本发明提高了Canny边缘检测算子对图像中弱边缘的自适应能力,能够得到准确的边缘图像,令去毛刺效果评估结果更准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种五金冲压件去毛刺效果评估方法。
背景技术
切割冲压件板材的过程中,材料周边很容易出现毛刺,为了保证五金冲压件的产品品质,需要对五金冲压件成品进行去毛刺处理及去毛刺的效果评估。
随着图像处理技术的发展和成熟,逐渐开始利用图像进行去毛刺效果评估。由于冲压件的毛刺位于边缘部分,去毛刺效果评估时,通常对采集的图像采用Canny边缘检测的方法来获取毛刺的边缘,对所得的边缘进行分析获取去毛刺工艺的效果评估指标,但是五金冲压件会因为自身的结构使得所采集的图像出现灰度变化,另外五金冲压件的毛刺较为细小,所以图像中五金冲压件的毛刺有时会出现梯度较弱的边缘,导致现有的Canny边缘检测算法的毛刺检测效果不好,去毛刺效果的评估结果不准确。
发明内容
为了解决去毛刺效果的评估结果不准确的问题,本发明提供一种五金冲压件去毛刺效果评估方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种五金冲压件去毛刺效果评估方法,该方法包括以下步骤:
获取五金冲压件的表面图像记为待评估图像,利用待评估图像中像素点的梯度信息获得初始低阈值和初始高阈值,根据初始低阈值和初始高阈值对待评估图像进行边缘检测,得到初始强边缘点;
以初始强边缘点为中心点构建不同尺寸的窗口,根据不同尺寸的窗口内像素点的梯度信息以及中心点的梯度信息得到不同尺寸窗口的边缘延伸角度;根据所有尺寸窗口的边缘延伸角度得到窗口像素点的第一可能性指标;根据不同尺寸窗口内初始强边缘点的分布情况得到窗口像素点的第二可能性指标;
根据第一可能性指标、第二可能性指标以及边缘延伸角度方向的像素点梯度值获取调整系数,利用调整系数分别对初始低阈值和初始高阈值进行调整得到优选低阈值和优选高阈值,根据优选低阈值和优选高阈值利用Canny算法对待评估图像进行边缘检测,得到边缘图像;根据边缘图像获得五金冲压件的去毛刺效果评估结果。
进一步的,所述利用待评估图像中像素点的梯度信息获得初始低阈值和初始高阈值,包括:
统计待评估图像中所有像素点的梯度值构建梯度分布直方图,根据梯度分布直方图中满足预设条件的梯度值进行曲线拟合,得到两条单峰曲线;分别获取两条单峰曲线中波峰对应的梯度值,将两个波峰对应的梯度值中的较大值记为初始高阈值,较小值记为初始低阈值。
进一步的,所述边缘延伸角度的获取方法为:
对于每个尺寸的窗口,将梯度值满足预设条件的像素点记为特征像素点,根据特征像素点与窗口中心点的坐标位置获取所述边缘延伸角度。
进一步的,所述第一可能性指标的获取方法为:
基于中心点对应窗口内的边缘点的边缘延伸角度构建边缘延伸角度序列,利用后向差分计算每个边缘延伸角度序列的差异序列,通过计算所有差异序列中所有元素的绝对值的和获取所述第一可能性指标。
进一步的,所述第二可能性指标的获取方法为:
统计窗口内初始强边缘点的面积占比,对窗口的尺寸进行负相关映射获取面积占比的权值,对所有窗口的对应的面积占比进行加权求和得到所述第二可能性指标。
进一步的,所述调整系数的获取方法为:
在窗口内的边缘延伸角度方向上,统计两端像素点之间梯度值为零的像素点数量,以该像素点数量与第一可能性指标的和作为分子,以第二可能性指标与预设值的和为分母,基于分子和分母得到的比值的归一化结果即为所述调整系数。
进一步的,所述分别对初始低阈值和初始高阈值进行调整得到优选低阈值和优选高阈值,包括:
以初始低阈值和所述调整系数的乘积作为优选低阈值,以初始高阈值和所述调整系数的乘积作为优选高阈值。
进一步的,所述去毛刺效果评估结果的获取方法为:
利用链码对边缘图像编码,获取各个边缘的链码序列,计算每个链码序列对应的后向差分序列,以后向差分序列中所有元素的标准差作为对应链码序列的方向变化程度,获取链码序列的平均方向变化程度作为所述去毛刺效果评估结果。
本发明实施例至少具有如下有益效果:
首先依据梯度信息获取初始低阈值和初始高阈值作为参考,并利用初始低阈值和初始高阈值获取初始强边缘点;然后以初始强边缘点为中心构建不同尺寸的窗口,基于窗口的边缘延伸角度获取窗口像素点的第一可能性指标,再根据窗口内初始强边缘点的分布情况得到窗口像素点的第二可能性,分别从角度和初始强边缘点的分布情况两方面判断作为非初始强边缘点的窗口像素点为强边缘点或者弱边缘点的可能性;然后将两个方面的可能性相结合,再结合边缘延伸角度方向的像素点梯度值获取调整系数,通过利用初始强边缘点的分布特征以及边缘的连续特征获取调整系数,能够基于边缘的特征自适应获取调整系数,以便后续对初始低阈值和初始高阈值进行自适应调整,利用调整系数调整初始低阈值和初始高阈值,分别得到自适应的优选低阈值和优选高阈值,能够自适应调整局部的边缘检测模型,根据局部邻域范围内的相关特征准确保留五金冲压件的实际边缘。通过调整后的优选低阈值和优选高阈值进一步提高Canny边缘检测算子对图像中弱边缘的自适应能力,能够尽可能的保留图像中的边缘细节,得到准确的边缘图像,避免弱边缘识别效果不好的问题,在准确的边缘图像上进行去毛刺效果评估,令评估结果更准确,能够对五金冲压件在生产加工过程中的去毛刺工艺起到非常重要的指导意义。
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提供的一种五金冲压件去毛刺效果评估方法的步骤流程图;
图2为本发明一个实施例提供的一个五金冲压件的待评估图像示例图。
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一种五金冲压件去毛刺效果评估方法,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一种五金冲压件去毛刺效果评估方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种五金冲压件去毛刺效果评估方法的步骤流程图,该方法包括以下步骤:
步骤S001,获取五金冲压件的表面图像记为待评估图像,利用待评估图像中像素点的梯度信息获得初始低阈值和初始高阈值,根据初始低阈值和初始高阈值对待评估图像进行边缘检测,得到初始强边缘点。
通过质检线上的工业相机采集去毛刺后的五金冲压件表面图像作为去毛刺效果的待评估图像,如图2所示,对待评估图像进行预处理,预处理包括图像灰度化、利用高斯滤波器平滑图像、去除图像中的噪声点以及对所采集图像的增强处理,这些预处理手段均为常用的图像预处理方法,本发明实施例不再赘述具体过程。
毛刺通常存在于五金冲压件的边缘位置,而毛刺通常是微小的,所以对光线的反射较弱,在图像中的灰度就相较于五金冲压件的表面灰度较小,梯度值相对于完全去毛刺后的正常边缘的梯度也是较小的,因此对该处进行边缘检测时需要降低Canny算子中的高、低阈值参数,增加属于五金冲压件毛刺的微弱边缘成为强边缘点的可能性,便于后续利用边缘检测结果进行去毛刺效果的评估。
对灰度化后的待评估图像进行Canny边缘检测算法通常包含的步骤有:对图像进行高斯滤波、计算梯度幅值及方向并对梯度幅值进行非极大值抑制,最后利用双阈值算法检测和连接边缘。
其中,本发明实施例在图像预处理中对图像已经滤波,在获取图像中各像素点的梯度时,一般采用Sobel算子进行计算,因此本发明同样利用Sobel算子获取五金冲压件待评估图像中各像素点的梯度,并结合梯度幅值和梯度方向进行非极大值抑制,保留局部梯度最大点的梯度值,使得在后续获取边缘时得到准确的细化的边缘。
基于双阈值检测的传统Canny边缘检测算法的基础思想是:人工给定两个阈值,一个是低阈值,一个高阈值/>,如果边缘像素点的梯度值高于高阈值,则将其标记为强边缘像素点,该位置的像素值置255;如果边缘像素点的梯度值小于高阈值并且大于低阈值,则将其标记为弱边缘像素点,当弱边缘像素点的8邻域内有强边缘像素点,则将弱边缘像素点变成强边缘像素点,赋像素值为255;如果边缘像素点的梯度值小于低阈值,则会被抑制,该位置的像素值置0。
本发明实施例对Canny边缘检测算法中的低阈值参数和高阈值参数进行自适应调整的改进,首先,统计待评估图像中所有像素点的梯度值构建梯度分布直方图,根据梯度分布直方图中满足预设条件的梯度值进行曲线拟合,得到两条单峰曲线;分别获取两条单峰曲线中波峰对应的梯度值,将两个波峰对应的梯度值中的较大值记为初始高阈值,较小值记为初始低阈值。
在本发明实施例中预设条件为梯度值不为0,由于Canny边缘检测算法是根据图像中像素点的梯度大小判断边缘类型的,因此可以利用图像对应的梯度分布直方图获取大致的初始高、低阈值参数,对待评估图像中所有像素点的梯度大小进行统计,获取对应的梯度分布直方图,由于图像中梯度值为0的像素点不可能是边缘像素点,故对梯度分布直方图中梯度值不为0的部分利用高斯混合模型进行拟合。获取最左侧和最右侧的单峰曲线,分别对应了弱边缘和强边缘所集中形成的分布曲线。
将得到的两个单峰曲线的波峰对应的梯度值分别记为和/>,并将这两个梯度值进行大小比较,根据大小对比结果对Canny边缘检测算法的低阈值/>和高阈值/>进行初始赋值,即:
其中,表示初始低阈值,/>表示最小值函数,/>表示初始高阈值,/>表示最大值函数。
在获取了初始低阈值和初始高阈值之后,能够依据两个阈值进行强弱边缘和非边缘的判断,对于待评估图像来说,属于五金冲压件的弱边缘点通常靠近冲压件的边缘区域,且自身是连续的,距离边缘越近的初始非边缘点为毛刺的边缘的可能性就越大。另外,当使弱边缘出现断开的梯度值为0的像素点越少时,该处的弱边缘越有可能是属于五金冲压件的实际边缘,且有可能是属于冲压件毛刺的边缘。
另外,当梯度不为0且梯度值时,对应的像素点为初始非边缘点,初始非边缘点为有较强连续性的像素点,若在其邻域范围内存在梯度值/>的像素点,即初始强边缘点时,该边缘点为强边缘点的可能性就越大。
为了将图像中本可能属于冲压件实际边缘的梯度值的像素点,即初始非边缘点判定为弱边缘,使其有可能成为强边缘点,需要根据该像素点的邻域分布和梯度相互关系对该处的高、低阈值参数进行自适应调整,使图像中的实际边缘能够尽最大可能保留。
步骤S002,以初始强边缘点为中心点构建不同尺寸的窗口,根据不同尺寸的窗口内像素点的梯度信息以及中心点的梯度信息得到不同尺寸窗口的边缘延伸角度;根据所有尺寸窗口的边缘延伸角度得到窗口像素点的第一可能性指标;根据不同尺寸窗口内初始强边缘点的分布情况得到窗口像素点的第二可能性指标。
由于初始强边缘点不会受到后续阈值调节变化的影响,因此无需对初始强边缘点进行搜索检测,以初始强边缘点为中心点构建不同尺寸的窗口,以窗口区域作为中心点的邻域范围,对窗口像素点进行后续检测。
以图像左上角作为坐标原点建立坐标系,将中心点位置记为,表示该中心点位于图像的第/>行、第/>列,建立3阶、5阶直至/>阶矩阵窗口,其中n为正整数,n取值越大,构建的窗口越多,作为一个示例,在本发明实施例中n=5,即建立3阶、5阶、7阶、9阶以及11阶的矩阵窗口,共有5个不同尺寸的窗口。
对于每个尺寸的窗口,将梯度值满足预设条件的像素点记为特征像素点,根据特征像素点与窗口中心点的坐标位置获取边缘延伸角度。
在本发明实施例中预设条件为梯度值不为0,从最小阶窗口大小开始获取窗口范围内除中心点外的像素点中梯度值T不为0的像素点记为特征像素点,以第t个特征像素点为例,获取窗口中心点与该特征像素点之间的连线,以连线与水平方向的直线所成的角度作为窗口中心点与第t个特征像素点之间的边缘延伸角度:
其中,表示窗口中心点与第t个特征像素点之间的边缘延伸角度,第t个特征像素点的位置为/>,arctan表示反正切函数。
由于坐标原点在图像左上角,通过窗口中心点与第t个特征像素点的横坐标差异与纵坐标差异的比值,能够得到窗口中心点与第t个特征像素点之间的连线与水平方向的直线所成的角度。
五金冲压件边缘上的毛刺的边缘都是存在各自固定的边缘延伸方向的,因此当在不同大小窗口下得到的梯度值T不为0的非边缘点和弱边缘点的边缘延伸方向角度出现边缘延伸方向的变化时,变化越大,则该窗口大小下的边缘越可能不是冲压件的实际边缘,因此在后续对Canny边缘检测算法中的双阈值参数的调节程度就越小。
因此,基于中心点对应窗口内的边缘点的边缘延伸角度构建边缘延伸角度序列:对于每个中心点,选取3阶窗口内任意一个边缘点为起点,以最大阶窗口内与起点相邻接的边缘点作为第一邻接点,以最大阶窗口内与第一邻接点相邻接的边缘点作为第二邻接点,按照邻接顺序连接边缘点,直至达到最大阶窗口边缘得到终点,由起点到终点的所有相邻接的边缘点的边缘延伸角度组成边缘延伸角度序列。
边缘的延伸方向只有两个,且中心点为初始强边缘点,即在过中心点的边缘线上,在中心点两侧各得到一个边缘延伸角度序列。
利用后向差分计算每个边缘延伸角度序列的差异序列,通过计算所有差异序列中所有元素的绝对值的和获取第一可能性指标。
对于构建的任意一个窗口,计算第一可能性指标:
其中,表示窗口像素点的第一可能性指标,/>表示差异序列中第i个元素,/>表示绝对值函数,/>表示所有差异序列中所有元素的绝对值的和,/>乘上/>表示将的值从角度转换为弧度制。
当相邻尺寸的窗口下的弱边缘或非边缘延伸角度前后发生的变化越大时,对差异序列的前后变化进行描述的就越大,该边缘为冲压件的实际边缘的可能性就越小,因此就需要减小对Canny边缘检测算法的双阈值参数的调整程度。
需要说明的是,后向差分的计算方法为公知技术,本发明实施例中不再赘述具体计算过程。
统计窗口内初始强边缘点的面积占比,对窗口的尺寸进行负相关映射获取面积占比的权值,对所有窗口的对应的面积占比进行加权求和得到第二可能性指标。
根据Canny边缘检测中双阈值检测的基础思想,当图像中某一个像素点在局部邻域范围内出现的强边缘点,则该像素点可能为强边缘点,且邻域范围越小的情况下,初始强边缘点在范围内占比越多,该像素点为强边缘点或弱边缘点的可能性就越大。因此统计窗口中梯度值T大于的像素点数量/>,计算窗口像素点的第二可能性指标:
其中,表示第二可能性指标;/>表示窗口内初始强边缘点的数量;/>表示窗口的面积,/>表示窗口内初始强边缘点的面积占比;/>表示对窗口尺寸进行负相关映射后得到的面积占比的权重;e表示自然常数。
通过对窗口尺寸进行负相关映射,表示不同窗口大小对窗口中心点有可能为强边缘点的影响程度,当初始强边缘点的面积占比大的同时,窗口面积小,窗口内的像素点为强边缘点的可能性大,对应的第二可能性指标越大,窗口像素点越可能为边缘像素点。
一个梯度值不为0的像素点要成为实际边缘点首先需要成为强边缘像素点,而成为强边缘点需要满足两个条件中任意一条:梯度值T大于初始高阈值参数;弱边缘点邻域范围内存在梯度值T大于初始高阈值参数/>的像素点。
因此为了使某个邻域范围内存在初始强边缘点的非边缘点先成为弱边缘点,就需要根据其邻域范围内强边缘点的分布情况计算其可以成为弱边缘点或强边缘点的可能性。
利用Canny边缘检测算法中根据高、低阈值对像素点类型的判定和图像中像素点之间关于梯度大小的分布关系,得到某一个像素点可以成为弱边缘点或强边缘点的可能性,使能够进一步利用该可能性对Canny边缘检测算法中的高、低阈值参数进行自适应调整,从而使被识别为弱边缘点或者非边缘点的实际边缘像素点被保留下来。
步骤S003,根据第一可能性指标、第二可能性指标以及边缘延伸角度方向的像素点梯度值获取调整系数,利用调整系数分别对初始低阈值和初始高阈值进行调整得到优选低阈值和优选高阈值,根据优选低阈值和优选高阈值利用Canny算法对待评估图像进行边缘检测,得到边缘图像;根据边缘图像获得五金冲压件的去毛刺效果评估结果。
待评估图像中,某一梯度值非0的弱边缘点或非边缘点要成为强边缘点需要满足其邻域范围内有初始强边缘点,并且边缘的延伸方向上梯度值为0的像素点越少,其越有可能为强边缘点。
另外,五金冲压件的毛刺通常由于其细微结构对光线有较强程度的散射,在采集图像时就会使得灰度和梯度上的值较小形成弱边缘点和非边缘点,所以为了将毛刺进行保留,就需要根据上述对图像中弱边缘点和非边缘点的邻域范围内进行分析计算的第一可能性指标、第二可能性指标对Canny边缘检测算法在邻域范围内的高、低阈值参数进行调整,使图像中部分弱边缘点或非边缘点能够满足成为强边缘点或弱边缘点的条件。
在窗口内的边缘延伸角度方向上,统计两端像素点之间梯度值为零的像素点数量,以该像素点数量/>与第一可能性指标的和作为分子,以第二可能性指标与预设值的和为分母,基于分子和分母得到的比值的归一化结果即为调整系数。
其中,C表示调整系数,norm()表示归一化函数,表示在窗口内的边缘延伸角度方向上统计得到的两端像素点之间梯度值为零的像素点数量,/>表示第一可能性指标,/>表示第二可能性指标,1为预设值。以第二可能性指标与预设值的和作为分母,以避免分母为0。
在待评估图像中,由于冲压件的边缘一定是一个闭合的连续的边缘,因此待评估图像中的任意一个像素点要成为强边缘点被保留下来,不仅需要其邻域范围内存在强边缘点,而且对应的延伸方向上的连续性一定要够高,即在其边缘延伸角度方向上存在的梯度值为0的像素点应该越少。
对于任意一个像素点,当对应的邻域范围内存在的强边缘点越多,延伸方向上梯度值为0的像素点越少,越有可能为冲压件的实际边缘,此时高、低阈值的调整系数C越小,能够在局部邻域范围内降低高、低阈值,保证有可能为实际边缘的像素点被保留下来得越多。
因此,以初始低阈值和调整系数的乘积作为优选低阈值,以初始高阈值和调整系数的乘积作为优选高阈值。
即,/>,其中,C表示调整系数,/>表示初始低阈值,/>表示初始高阈值,TL表示优选低阈值,TH表示优选高阈值。通过调整系数对Canny边缘检测得到的初始低阈值和初始高阈值进行自适应调整,能够根据每个像素点的局部邻域范围内的相关特征来准确保留五金冲压件的实际边缘。
由于毛刺是在五金冲压件成型时边缘切口不平整出现的细微尖头和锐角,所以在采集图像时边缘细微的毛刺会对光线产生较大程度的散射,导致在所采集的图像中对应像素点的灰度和梯度都相较于没有毛刺或毛刺去除完全的边缘像素点的梯度小,其梯度可能小于固定高、低阈值参数下的Canny算子的低阈值参数,导致代表毛刺的弱边缘被抑制而丢失,因此需要将Canny边缘检测算法中的高、低阈值参数根据弱边缘所在的局部区域像素点之间的分布和梯度关系进行自适应调整,保证其不被抑制。
根据优选低阈值和优选高阈值利用Canny算法对待评估图像进行边缘检测,得到边缘图像。通过上述自适应调整后得到优选低阈值和优选高阈值,即对Canny算法进行了改进,利用改进后的Canny算法对待评估图像进行边缘检测,得到更加准确的边缘图像。
利用链码对边缘图像编码,获取各个边缘的链码序列,计算每个链码序列对应的后向差分序列,以后向差分序列中所有元素的标准差作为对应链码序列的方向变化程度,获取链码序列的平均方向变化程度作为去毛刺效果评估结果。
五金冲压件的毛刺通常位置其边缘位置,相对于合格部分的边缘,毛刺的边缘改变了原本的边缘延伸方向,打破了原本的规律,为了获取毛刺边缘的变化规律,利用8-链码编码的方法获取边缘图像中各个边缘的链码序列。
在进行编码时,利用链码编码从图像的左下角开始进行8-方向链码搜索,获取其各个边缘的链码序列,记为、/>、…、/>,其中,A表示链码序列的总数量,每个边缘均进行了编码,即A也表示边缘的总数量。
后向差分序列可以描述序列元素之间前后变化的特点,在本发明中,获取各个链码序列对应的后向差分序列、/>、…、/>,用以描述每个边缘链码方向的变化情况,其中,后向差分序列中每个元素值的计算公式为:/>,k=2,3,4,…,K。其中,/>表示边缘图像中第/>个边缘链码序列中第k个元素的值,/>表示边缘图像中第/>个边缘链码序列中第k-1个元素的值,/>表示第/>个边缘链码序列对应后向差分序列的第/>个元素的值。
由于五金冲压件的边缘是规则的,则边缘的链码方向变化较小,即各边缘链码序列对应的后向差分序列的数值是较为集中的,因此通过计算后向差分序列中所有元素的标准差对方向变化的程度进行量化,作为对应链码序列的方向变化程度,将第a个边缘链码序列的方向变化程度记为,然后计算所有的A个链码序列的方向变化程度的平均值作为去毛刺效果评估结果,记为/>。
当边缘上出现的毛刺越多,对应的边缘上的方向变化越杂乱,则后向差分序列中元素的方向变化程度越大,去毛刺效果评估结果越大,去毛刺效果越差。
利用8-链码编码对改进后的Canny边缘检测算法获取的边缘图像进行编码,得到各个边缘的链码序列,然后通过对链码序列进行后向差分处理,对毛刺的存在情况进行量化,得到去毛刺效果评估结果。在边缘图像获取准确的前提下,能够令毛刺的存在情况的量化效果准确,进而得到准确的去毛刺效果评估结果。
综上所述,本发明实施例获取五金冲压件的表面图像记为待评估图像,利用待评估图像中像素点的梯度信息获得初始低阈值和初始高阈值,根据初始低阈值和初始高阈值对待评估图像进行边缘检测,得到初始强边缘点;以初始强边缘点为中心点构建不同尺寸的窗口,根据不同尺寸的窗口内像素点的梯度信息以及中心点的梯度信息得到不同尺寸窗口的边缘延伸角度;根据所有尺寸窗口的边缘延伸角度得到窗口像素点的第一可能性指标;根据不同尺寸窗口内初始强边缘点的分布情况得到窗口像素点的第二可能性指标;根据第一可能性指标、第二可能性指标以及边缘延伸角度方向的像素点梯度值获取调整系数,分别对初始低阈值和初始高阈值进行调整得到优选低阈值和优选高阈值,根据优选低阈值和优选高阈值利用Canny算法对待评估图像进行边缘检测,得到边缘图像;根据边缘图像获得五金冲压件的去毛刺效果评估结果。本发明实施例通过对Canny边缘检测算法进行改进,得到优选低阈值和优选高阈值,提高了Canny边缘检测算子对图像中弱边缘的自适应能力,能够得到准确的边缘图像,避免弱边缘识别效果不好的问题,在准确的边缘图像上进行去毛刺效果评估,令评估结果更准确。
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。且上述对本说明书特定实施例进行了描述。另外,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或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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (3)
1.一种五金冲压件去毛刺效果评估方法,其特征在于,该方法包括以下步骤:
获取五金冲压件的表面图像记为待评估图像,利用待评估图像中像素点的梯度信息获得初始低阈值和初始高阈值,根据初始低阈值和初始高阈值对待评估图像进行边缘检测,得到初始强边缘点;
以初始强边缘点为中心点构建不同尺寸的窗口,根据不同尺寸的窗口内像素点的梯度信息以及中心点的梯度信息得到不同尺寸窗口的边缘延伸角度;根据所有尺寸窗口的边缘延伸角度得到窗口像素点的第一可能性指标;根据不同尺寸窗口内初始强边缘点的分布情况得到窗口像素点的第二可能性指标;
根据第一可能性指标、第二可能性指标以及边缘延伸角度方向的像素点梯度值获取调整系数,利用调整系数分别对初始低阈值和初始高阈值进行调整得到优选低阈值和优选高阈值,根据优选低阈值和优选高阈值利用Canny算法对待评估图像进行边缘检测,得到边缘图像;根据边缘图像获得五金冲压件的去毛刺效果评估结果;
所述边缘延伸角度的获取方法为:
对于每个尺寸的窗口,将梯度值满足预设条件的像素点记为特征像素点,根据特征像素点与窗口中心点的坐标位置获取所述边缘延伸角度;
所述第一可能性指标的获取方法为:
基于中心点对应窗口内的边缘点的边缘延伸角度构建边缘延伸角度序列,利用后向差分计算每个边缘延伸角度序列的差异序列,通过计算所有差异序列中所有元素的绝对值的和获取所述第一可能性指标;
所述第二可能性指标的获取方法为:
统计窗口内初始强边缘点的面积占比,对窗口的尺寸进行负相关映射获取面积占比的权值,对所有窗口的对应的面积占比进行加权求和得到所述第二可能性指标;
调整系数的获取方法为:
在窗口内的边缘延伸角度方向上,统计两端像素点之间梯度值为零的像素点数量,以该像素点数量与第一可能性指标的和作为分子,以第二可能性指标与预设值的和为分母,基于分子和分母得到的比值的归一化结果即为所述调整系数;
所述分别对初始低阈值和初始高阈值进行调整得到优选低阈值和优选高阈值,包括:
以初始低阈值和所述调整系数的乘积作为优选低阈值,以初始高阈值和所述调整系数的乘积作为优选高阈值。
2.根据权利要求1所述的一种五金冲压件去毛刺效果评估方法,其特征在于,所述利用待评估图像中像素点的梯度信息获得初始低阈值和初始高阈值,包括:
统计待评估图像中所有像素点的梯度值构建梯度分布直方图,根据梯度分布直方图中满足预设条件的梯度值进行曲线拟合,得到两条单峰曲线;分别获取两条单峰曲线中波峰对应的梯度值,将两个波峰对应的梯度值中的较大值记为初始高阈值,较小值记为初始低阈值。
3.根据权利要求1所述的一种五金冲压件去毛刺效果评估方法,其特征在于,所述去毛刺效果评估结果的获取方法为:
利用链码对边缘图像编码,获取各个边缘的链码序列,计算每个链码序列对应的后向差分序列,以后向差分序列中所有元素的标准差作为对应链码序列的方向变化程度,获取链码序列的平均方向变化程度作为所述去毛刺效果评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310664002.XA CN116385472B (zh) | 2023-06-07 | 2023-06-07 | 一种五金冲压件去毛刺效果评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310664002.XA CN116385472B (zh) | 2023-06-07 | 2023-06-07 | 一种五金冲压件去毛刺效果评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385472A CN116385472A (zh) | 2023-07-04 |
CN116385472B true CN116385472B (zh) | 2023-08-08 |
Family
ID=86977308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310664002.XA Active CN116385472B (zh) | 2023-06-07 | 2023-06-07 | 一种五金冲压件去毛刺效果评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385472B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823809B (zh) * | 2023-08-23 | 2023-11-24 | 威海迈尼生物科技有限公司 | 一种微针贴片技术淡斑效果视觉检测方法 |
CN116883415B (zh) * | 2023-09-08 | 2024-01-05 | 东莞市旺佳五金制品有限公司 | 基于图像数据的薄壁锌合金压铸件质量检测方法 |
CN117152447B (zh) * | 2023-11-01 | 2024-02-02 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830844A (zh) * | 2018-06-11 | 2018-11-16 | 北华航天工业学院 | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 |
CN109141232A (zh) * | 2018-08-07 | 2019-01-04 | 常州好迪机械有限公司 | 一种基于机器视觉的盘类铸件在线检测方法 |
CN111709968A (zh) * | 2020-05-08 | 2020-09-25 | 中国人民解放军空军工程大学 | 一种基于图像处理的低空目标探测跟踪方法 |
CN114581468A (zh) * | 2022-03-04 | 2022-06-03 | 平顶山学院 | 一种基于各向异性相位拉伸变换的活性污泥菌种分割方法 |
CN114677530A (zh) * | 2022-03-14 | 2022-06-28 | 北京信息科技大学 | 一种基于小波形状描述子的聚类算法有效性评价方法、设备及介质 |
CN114862852A (zh) * | 2022-07-07 | 2022-08-05 | 山东意吉希精密制造有限公司 | 一种用于汽车零部件加工的智能控制方法 |
CN218134470U (zh) * | 2022-06-10 | 2022-12-27 | 深圳市锦红兴科技有限公司 | 一种用于五金冲压件生产的复合冲压模具 |
CN115861354A (zh) * | 2022-12-23 | 2023-03-28 | 深圳创维新世界科技有限公司 | 图像边缘检测方法、装置、设备及存储介质 |
CN115861304A (zh) * | 2023-02-20 | 2023-03-28 | 江苏金恒信息科技股份有限公司 | 一种基于图像处理的钢中带状组织检测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10740903B2 (en) * | 2018-07-18 | 2020-08-11 | Adobe Inc. | Edge detection using fuzzy gradient information |
CN111881720B (zh) * | 2020-06-09 | 2024-01-16 | 山东大学 | 用于深度学习的数据自动增强扩充方法、识别方法及系统 |
-
2023
- 2023-06-07 CN CN202310664002.XA patent/CN116385472B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830844A (zh) * | 2018-06-11 | 2018-11-16 | 北华航天工业学院 | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 |
CN109141232A (zh) * | 2018-08-07 | 2019-01-04 | 常州好迪机械有限公司 | 一种基于机器视觉的盘类铸件在线检测方法 |
CN111709968A (zh) * | 2020-05-08 | 2020-09-25 | 中国人民解放军空军工程大学 | 一种基于图像处理的低空目标探测跟踪方法 |
CN114581468A (zh) * | 2022-03-04 | 2022-06-03 | 平顶山学院 | 一种基于各向异性相位拉伸变换的活性污泥菌种分割方法 |
CN114677530A (zh) * | 2022-03-14 | 2022-06-28 | 北京信息科技大学 | 一种基于小波形状描述子的聚类算法有效性评价方法、设备及介质 |
CN218134470U (zh) * | 2022-06-10 | 2022-12-27 | 深圳市锦红兴科技有限公司 | 一种用于五金冲压件生产的复合冲压模具 |
CN114862852A (zh) * | 2022-07-07 | 2022-08-05 | 山东意吉希精密制造有限公司 | 一种用于汽车零部件加工的智能控制方法 |
CN115861354A (zh) * | 2022-12-23 | 2023-03-28 | 深圳创维新世界科技有限公司 | 图像边缘检测方法、装置、设备及存储介质 |
CN115861304A (zh) * | 2023-02-20 | 2023-03-28 | 江苏金恒信息科技股份有限公司 | 一种基于图像处理的钢中带状组织检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
Integration of Visual Information and Robot Offline Programming System for Improving Automatic Deburring Process;Zengliang Lai 等;《2018 IEEE International Conference on Robotics and Biomimetics (ROBIO)》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116385472A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116385472B (zh) | 一种五金冲压件去毛刺效果评估方法 | |
CN116310360B (zh) | 一种电抗器表面缺陷检测方法 | |
CN102982542B (zh) | 一种基于相位一致性的眼底图像血管分割方法 | |
CN115861135A (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN116993724B (zh) | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 | |
CN116777941B (zh) | 一种基于机器视觉的型材轮廓检测方法及系统 | |
CN116735612B (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
CN115690105B (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
CN115601368A (zh) | 一种建材装备钣金件缺陷检测方法 | |
CN116934763B (zh) | 一种基于视觉特征的医用橡胶胶塞缺陷检测方法 | |
CN116805316B (zh) | 基于图像增强的可降解塑料加工质量检测方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN116862910B (zh) | 基于自动化裁切生产的视觉检测方法 | |
CN114998341A (zh) | 一种基于模板匹配的齿轮缺陷检测方法及系统 | |
CN115359043A (zh) | 一种pcb板面异物智能检测方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN112258532B (zh) | 一种超声图像中胼胝体的定位及分割方法 | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN115100510B (zh) | 一种轮胎磨损度识别方法 | |
Parse et al. | EDGE detection technique based on bilateral filtering and iterative threshold selection algorithm and transfer learning for traffic sign recognition | |
CN117455778B (zh) | 一种基于图像增强的光学玻璃预制件检测方法及系统 | |
CN117058143B (zh) | 一种电路板引脚智能检测方法及系统 |
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 |