CN116485874B - 一种模切辅料切割间距智能检测方法及系统 - Google Patents

一种模切辅料切割间距智能检测方法及系统 Download PDF

Info

Publication number
CN116485874B
CN116485874B CN202310744082.XA CN202310744082A CN116485874B CN 116485874 B CN116485874 B CN 116485874B CN 202310744082 A CN202310744082 A CN 202310744082A CN 116485874 B CN116485874 B CN 116485874B
Authority
CN
China
Prior art keywords
die
edge
cutting
determining
cut area
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
Application number
CN202310744082.XA
Other languages
English (en)
Other versions
CN116485874A (zh
Inventor
余勇
熊艳
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.)
Shenzhen Zhongxiangyi Precision Technology Co ltd
Original Assignee
Shenzhen Zhongxiangyi Precision Technology 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 Shenzhen Zhongxiangyi Precision Technology Co ltd filed Critical Shenzhen Zhongxiangyi Precision Technology Co ltd
Priority to CN202310744082.XA priority Critical patent/CN116485874B/zh
Publication of CN116485874A publication Critical patent/CN116485874A/zh
Application granted granted Critical
Publication of CN116485874B publication Critical patent/CN116485874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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

Abstract

本发明提供一种模切辅料切割间距智能检测方法及系统。本发明应用于图像处理领域，该方法，包括，获取模切辅料图像的各模切区域；根据模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小；根据块patch大小，将模切辅料图像输入边缘检测变换器EDTER进行边缘识别，获取边缘图像；根据边缘图像，对模切辅料的切割间距进行检测。通过对每个节的边缘的规则程度的评价确定整个边缘的复杂程度和提取精细度，提升了边缘识别过程中图像划分的适宜度，进而提升模切辅料边缘确定的准确性，从而实现了对模切辅料切割间距的精准的检测。

Description

一种模切辅料切割间距智能检测方法及系统
技术领域
本发明涉及图像处理领域，具体为一种模切辅料切割间距智能检测方法及系统。
背景技术
模切是一种将原材料切割成特定形状的工艺过程。模切辅料切割是指将纸、橡胶、塑料等辅助材料进行模切加工，以制作出各种型号和规格的辅助材料，用于电子、电器、汽车、医疗等行业的生产制造。这些辅助材料可以用于提高产品的密封性、防水性、缓冲性等性能，或起到保护产品的表面的作用。模切过程中间距的大小由事先印好的模切光标决定，但是，由于印刷步长的设定、设备精度、不干胶材料、刀具、机器、操作者因素等的影响，最终印刷出的光标有微小的误差，会导致模切间距不准的问题，所以需要对模切辅料切割间距及时进行检测。
为实现模切辅料切割间距的测定，首先获得图像中模切辅料的边缘，再根据边缘信息确定切割间距。但现有的边缘检测方法是基于局部线索获取边缘，是无法联系全局上下文信息的浅层信息，所以易因为对噪声、光照变化和阴影等因素敏感导致误检和漏检问题，也难以获取复杂背景的准确边缘信息，因此现有技术无法实现对模切辅料切割间距的精准的检测。
发明内容
针对现有技术中存在的问题，本发明提供一种模切辅料切割间距智能检测方法及系统。
本发明是通过以下技术方案来实现：
本发明提供一种模切辅料切割间距智能检测方法，包括：
获取模切辅料图像的各模切区域，所述模切辅料图像包括将模切辅料切割后的模切辅料图像；
根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小；
根据所述块patch大小，将所述模切辅料图像输入边缘检测变换器EDTER进行边缘识别，获取边缘图像；
根据所述边缘图像，对所述模切辅料的切割间距进行检测。
进一步的，所述获取模切辅料图像的各模切区域，包括：
将所述模切辅料图像通过中值滤波处理，获得去噪的模切辅料图像；
将所述去噪的模切辅料图像通过显著性检测处理，确定显著性图像；
对所述显著性图像通过OTSU最大类间方差处理，确定阈值；
在确定所述显著性图像中各像素对应的显著值大于所述阈值时，确定所述像素为特定像素；
将所述特定像素进行连通域分析，获得所述特定像素组成的连通域，并确定每个连通域为所述模切区域。
进一步的，所述根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小，包括：
对每个所述模切区域进行分析，获取模切区域的边缘像素点；
根据所述边缘像素点对应的模切差异及梯度的大小，确定边缘像素点位置的边缘局部显著性，所述梯度的大小包括采用sobel算子获取的所述边缘像素点的梯度的大小。
进一步的，所述根据所述边缘像素点对应的模切差异及梯度的大小，确定边缘像素点位置的边缘局部显著性，包括：
通过公式，确定坐标为/>的边缘像素点对应的边缘局部显著性/>，其中，/>为坐标为/>的边缘像素点对应的梯度，/>为取梯度的大小，/>为坐标为/>的边缘像素点对应的模切差异。
进一步的，所述根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小，还包括：
根据模切区域的边缘上所有像素点对应的边缘局部显著性，及模切区域/>对应的边缘复杂度，确定模切区域对应的边缘特征精细度，所述边缘复杂度包括根据节/>对应的纵坐标序列或纵坐标序列的正序排列和倒序排列信息确定的，所述节/>包括模切区域/>的边缘包含的两个相邻角点之间的小边缘；
根据模切区域对应的边缘特征精细度，确定边缘检测变换器EDTER划分所述模切区域的块patch的大小。
进一步的，所述根据所述模切区域中边缘的显著程度和精细程度，确定对各模切区域的边缘进行提取时自适应的块patch大小，还包括：
根据节对应的纵坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，节/>对应的横坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，第/>个预测值/>，实际的横坐标值/>，节/>的复杂点个数/>，预测值的个数/>，预测值的个数/>，确定节/>对应的边缘规则度/>，其中，所述第/>个预测值/>包括根据节/>对应的横坐标序列获取的预测值，所述实际的横坐标值/>包括根据节/>对应的横坐标序列获取的第/>个预测值对应横坐标值，所述预测值的个数/>包括根据节/>对应的横坐标序列获取的预测值的个数，预测值的个数/>包括根据节/>对应的纵坐标序列获取的预测值的个数，所述节/>包括模切区域/>的边缘包含的两个相邻角点之间的小边缘；
根据模切区域包含的节的个数/>，以及模切区域/>所对应的节的边缘规则度求和/>，确定模切区/>对应的边缘复杂度/>。
进一步的，所述根根据节对应的纵坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，节/>对应的横坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，第/>个预测值/>，实际的横坐标值/>，节/>的复杂点个数/>，预测值的个数/>，预测值的个数，确定节/>对应的边缘规则度/>，包括：
根据公式，确定节/>对应的边缘规则度/>。
进一步的，所述根据模切区域包含的节的个数/>，以及模切区域/>所对应的节的边缘规则度求和/>，确定模切区/>对应的边缘复杂度/>，包括：
根据公式，确定模切区/>对应的边缘复杂度/>。
进一步的，所述根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小，还包括：
根据公式，确定模切区对应的边缘特征精细度，其中，为模切区/>对应的边缘特征精细度，/>为坐标为/>的像素点在模切区/>的边缘上，/>为对模切区/>的边缘上所有像素点对应的边缘局部显著性求和；
根据公式，确定模切辅料图像对应的分割边长幂指数/>，其中，/>为模切辅料图像中包含模切区/>对应的边缘特征精细度，为模切区/>为模切辅料图像中的模切区，/>为对模切辅料图像中各模切区对应的边缘特征精细度求和，/>为取值函数，作用为取归一化值，/>为模切辅料图像中包含的模切区的总数量，/>为常数系数，/>为取值函数；
根据分割边长幂指数，确定为对各模切区域的边缘进行提取时的块patch大小/>。
本发明还提供一种模切辅料切割间距智能检测系统，包括：
获取模块，用于获取模切辅料图像的各模切区域，所述模切辅料图像包括将模切辅料切割后的模切辅料图像；
确定模块，用于根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小；
识别模块，用于根据所述块patch大小，将所述模切辅料图像输入边缘检测变换器EDTER进行边缘识别，获取边缘图像；
检测模块，用于根据所述边缘图像，对所述模切辅料的切割间距进行检测。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供的一种模切辅料切割间距智能检测方法及系统，通过获取模切辅料图像的各模切区域，所述模切辅料图像包括将模切辅料切割后的模切辅料图像；根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小；根据所述块patch大小，将所述模切辅料图像输入边缘检测变换器EDTER进行边缘识别，获取边缘图像；根据所述边缘图像，对所述模切辅料的切割间距进行检测。通过对每个节的边缘的规则程度的评价确定整个边缘的复杂程度和提取精细度，提升了边缘识别过程中图像划分的适宜度，进而提升模切辅料边缘确定的准确性，从而实现了对模切辅料切割间距的精准的检测。
附图说明
图1是本发明一实施例模切辅料切割间距智能检测方法的流程示意图；
图2是本发明一实施例边缘像素点的示意图；
图3是本发明一实施例模切辅料切割间距智能检测系统的结构示意图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
本发明实施例提供的一种用于模切辅料切割间距智能检测方法，适用于模切辅料切割后，对边缘图像进行检测时，本发明实施例提供的模切辅料切割间距智能检测方法可以通过模切辅料切割间距智能检测系统实现，该系统可以设置在图像检测装置上，也可以是独立设置的装置，在此不做限制。
图1是本发明一实施例模切辅料切割间距智能检测方法的流程示意图；如图1所示，本发明实施例提供的模切辅料切割间距智能检测方法，包括：
步骤101、获取模切辅料图像的各模切区域；
本发明实施例中所述模切辅料图像包括将模切辅料切割后的模切辅料图像。
具体的，将所述模切辅料图像通过中值滤波处理，获得去噪的模切辅料图像；将所述去噪的模切辅料图像通过显著性检测处理，确定显著性图像；对所述显著性图像通过OTSU最大类间方差处理，确定阈值；在确定所述显著性图像中各像素对应的显著值大于所述阈值时，确定所述像素为特定像素；将所述特定像素进行连通域分析，获得所述特定像素组成的连通域，并确定每个连通域为所述模切区域。
举例来讲，使用CCD相机获取模切辅料切割后的图像，记为模切辅料图像，模切辅料图像为RGB图像。将模切辅料图像转换为灰度图像，记为模切辅料灰度图像。对模切辅料灰度图像使用中值滤波进行去噪，减少噪声对后续分析过程的干扰。对模切辅料灰度图像使用AC显著性检测获得显著性图像，对显著性图像使用OTSU最大类间方差法进行划分得到划分的阈值，将显著值大于阈值的像素点划分出来，对这些像素点进行连通域分析，每个连通域对应一个模切辅料被切割下来的区域，将各连通域均记为模切区域。
步骤102、根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小；
在本实施例中，对每个所述模切区域进行分析，获取模切区域的边缘像素点；
根据所述边缘像素点对应的模切差异及梯度的大小，确定边缘像素点位置的边缘局部显著性，所述梯度的大小包括采用sobel算子获取的所述边缘像素点的梯度的大小。
具体的，对每个模切区域单独进行分析，获取模切区域的边缘像素点。
举例来讲，当模切区域的边缘越为明显时，则对图像输入边缘检测变换器EDTER进行分块后提取精细特征越为容易，所以可将边缘越为明显的模切区域对应的图像分割为越大的patch，降低计算资源的占用。
对各边缘像素点使用sobel算子获取每个边缘像素点的梯度。分别以每个边缘像素点为中心像素点，建立窗口，其中，/>的经验值为9。由于模切区域的边缘为闭合边缘，所以各边缘像素点会将每个边缘像素点对应的窗口划分为两个部分，如图2所示，黑色为中心像素点，灰色为边缘像素点，边缘像素点将该窗口划分为两个部分。
将划分出的这两个部分分别记为部分一和部分二，分别对应模切区域边缘位置两侧模切辅料位置和模切辅料被切除的位置，取部分一中各像素点与部分二中各像素点灰度值差值的绝对值，取这些值的最大值作为中心像素点对应的模切差异。当边缘像素点对应的模切差异和梯度越大时，则该边缘像素点对应的模切区域域边缘位置的边缘局部显著性越大，即该模切区域内的该边缘位置越为明显。
根据上述分析，获取每个边缘像素点位置的边缘局部显著性。
式中为坐标为/>的边缘像素点对应的边缘局部显著性；/>为坐标为/>的边缘像素点对应的梯度，/>为取梯度的大小；/>为坐标为/>的边缘像素点对应的模切差异。
每个边缘像素点位置的边缘局部显著性即为该像素点对应的模切差异和梯度的均值。以模切差异和梯度共同衡量该像素点位置的边缘局部显著性可从该像素点位置处和该像素点附近位置两个角度获取更为准确的该像素点位置的边缘局部显著性。
进一步的，在上述实施例的基础上，该模切辅料切割间距智能检测方法，还可以包括：
根据模切区域的边缘上所有像素点对应的边缘局部显著性，及模切区域/>对应的边缘复杂度，确定模切区域对应的边缘特征精细度，所述边缘复杂度包括根据节/>对应的纵坐标序列或纵坐标序列的正序排列和倒序排列信息确定的，所述节/>包括模切区域/>的边缘包含的两个相邻角点之间的小边缘；
根据模切区域对应的边缘特征精细度，确定边缘检测变换器EDTER划分所述模切区域的块patch的大小。
具体的，根据节对应的纵坐标序列正序排列和倒序排列之间的皮尔逊相关系数，节/>对应的横坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，第/>个预测值，实际的横坐标值/>，节/>的复杂点个数/>，预测值的个数/>，预测值的个数/>，确定节/>对应的边缘规则度/>，其中，所述第/>个预测值/>包括根据节/>对应的横坐标序列获取的预测值，所述实际的横坐标值/>包括根据节/>对应的横坐标序列获取的第/>个预测值对应横坐标值，所述预测值的个数/>包括根据节/>对应的横坐标序列获取的预测值的个数，预测值的个数/>包括根据节/>对应的纵坐标序列获取的预测值的个数，所述节/>包括模切区域/>的边缘包含的两个相邻角点之间的小边缘；
根据模切区域包含的节的个数/>，以及模切区域/>所对应的节的边缘规则度求和/>，确定模切区/>对应的边缘复杂度/>。
举例来讲，根据公式，确定节/>对应的边缘规则度/>。
根据公式，确定模切区/>对应的边缘复杂度/>。
在上述实施例的基础上，根据公式，确定模切区对应的边缘特征精细度，其中，/>为模切区/>对应的边缘特征精细度，/>为坐标为的像素点在模切区/>的边缘上，/>为对模切区/>的边缘上所有像素点对应的边缘局部显著性求和；
根据公式，确定模切辅料图像对应的分割边长幂指数/>，其中，/>为模切辅料图像中包含模切区/>对应的边缘特征精细度，/>为模切区/>为模切辅料图像中的模切区，/>为对模切辅料图像中各模切区对应的边缘特征精细度求和，/>为取值函数，作用为取归一化值，/>为模切辅料图像中包含的模切区的总数量，/>为常数系数，/>为取值函数；
根据分割边长幂指数，确定为对各模切区域的边缘进行提取时的块patch大小/>。
举例来讲，当模切区的边缘含有多个尖锐棱角、连续起伏的波浪形状、集中在较小位置有较多细节时，即模切区的边缘形状越为复杂、不规则时，在对模切区的边缘进行识别时，就需要更为精细地学习边缘特征，所以可将越为复杂的边缘形状的模切区对应的图像分割为越小的patch，提升边缘学习的精度。
对每个模切区的边缘进行FAST角点检测，获取每个模切区的边缘包含的角点的个数和每个角点所在的位置。由于模切区的边缘为闭合边缘，所以边缘上的各个角点会将边缘划分为多个小边缘，将每个小边缘记为一节。对每个节的包含的各边缘像素点进行分析。
获取同一节内各边缘像素点的横纵坐标，从边缘的一端开始依次将每个边缘像素点的横、纵坐标分别排列为一组序列，将这两组序列分别记为横坐标序列和纵坐标序列。对横坐标序列和纵坐标序列分别使用M-K突变检测，将检测得到的两个序列中的突变点的个数之和记为该节的复杂点个数。当该节的复杂点个数越多时，则该节对应的边缘越为复杂。分别对横坐标序列和纵坐标序列从第项开始使用移动平均模型MA、根据每个数据前的各个数据获取每一个数据位置的预测值。当各预测值与实际值差异越大时，则该节对应的边缘越为复杂。其中，/>的经验值为5。将横坐标序列正序排列和倒序排列，获取两种排列方式的序列的皮尔逊相关系数。对纵坐标序列进行相同操作，获取对应的皮尔逊相关系数。当两相关系数越大时，则这两个序列对应的边缘像素点的位置变化规律越为稳定，该节对应的边缘越为规则。
根据上述分析获取每个节对应的边缘规则度和每个模切区对应的边缘复杂度。
式中为节/>对应的边缘规则度；/>为模切区/>对应的边缘复杂度。
式中为节/>的复杂点个数；/>为根据节/>对应的横坐标序列获取的预测值的个数；/>为根据节/>对应的纵坐标序列获取的预测值的个数；/>为根据节/>对应的横坐标序列获取的第/>个预测值，其中，/>；/>为根据节/>对应的横坐标序列获取的第/>个预测值对应的实际的横坐标值；/>为根据节/>对应的纵坐标序列获取的第/>个预测值，其中，/>；/>为节/>对应的根据纵坐标序列获取的第/>个预测值对应的实际的纵坐标值；/>为节/>对应的横坐标序列正序排列和倒序排列之间的皮尔逊相关系数；/>为节/>对应的纵坐标序列正序排列和倒序排列之间的皮尔逊相关系数。
式中为节/>为模切区/>的边缘划分处的节，/>为对模切区/>所有对应的节的边缘规则度求和；/>为模切区/>包含的节的个数。
当节对应的边缘规则度越大时，则该节对应的边缘越为规则平整，包含的边缘细节越少、边缘细节越容易提取。当模切区对应的边缘复杂度越大时，则该模切区的边缘细节越多，在后续对边缘进行识别的过程中需要对边缘进行更为细致地提取，即需要将模切区对应的图像分割为越小的patch，提升学习边缘特征的精细度。
根据上述分析获取每个模切区对应的边缘特征精细度。
式中为模切区/>对应的边缘特征精细度；/>为坐标为/>的像素点在模切区/>的边缘上，/>为对模切区/>的边缘上所有像素点对应的边缘局部显著性求和。
当模切区边缘上所有像素点对应的边缘局部显著性越大，模切区/>对应的边缘复杂度越大时，则模切区/>对应的边缘特征精细度越大，即对模切区/>对应的图像应被分割为越小的patch，提升学习边缘特征的精细度。
根据图像中各模切区对应的边缘特征精细度确定图像送入边缘检测变换器EDTER后划分为的patch的大小。
式中为模切辅料图像对应的分割边长幂指数；/>为模切辅料图像中包含模切区/>对应的边缘特征精细度，/>为模切区/>为模切辅料图像中的模切区，/>为对模切辅料图像中各模切区对应的边缘特征精细度求和；/>为取值函数，作用为取归一化值；/>为模切辅料图像中包含的模切区的总数量；/>为常数系数，经验值分别为4，2；/>为取值函数，作用为取四舍五入值。
Patch的边长限制为2的整数次方，模切辅料图像对应的自适应patch的大小即为。
步骤103、根据所述块patch大小，将所述模切辅料图像输入边缘检测变换器EDTER进行边缘识别，获取边缘图像；
具体的，将上述分析获取的自适应patch的大小作为设定的将图像划分为的patch的固定大小，将模切辅料图像输入边缘检测变换器EDTER进行边缘识别，获取边缘图像。
步骤104、根据所述边缘图像，对所述模切辅料的切割间距进行检测。
在本实施例中，在边缘图像中，每条边缘均对应一个模切辅料被切割下来的区域，对每条边缘进行Harris角点检测，将检测到的角点作为每条边缘上的特征点。取各边缘划分出的区域的质心，取各质心之间的欧氏距离，取最小的个值，将这/>个值对应的其他质心对应的边缘作为该质心对应的边缘的紧邻边缘。其中，/>根据模切辅料表面的模切区的排布关系确定，当模切辅料表面只有一行模切区排布时，/>为2，当模切辅料表面有多行模切区平行排布时，/>为4。
取每个边缘上的特征点与其紧邻边缘上的各特征点之间的欧氏距离，将各欧氏距离按照从小到大排列作为该边缘对应的切割距离序列。取图像中各边缘对应的切割距离序列之间的dtw距离，当边缘图像中获取的各dtw距离均小于等于时，则认为模切辅料切割间距正常，否则，认为模切辅料切割间距出现异常。
在本实施例中，获取模切辅料图像的各模切区域，所述模切辅料图像包括将模切辅料切割后的模切辅料图像；根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小；根据所述块patch大小，将所述模切辅料图像输入边缘检测变换器EDTER进行边缘识别，获取边缘图像；根据所述边缘图像，对所述模切辅料的切割间距进行检测。通过对每个节的边缘的规则程度的评价确定整个边缘的复杂程度和提取精细度，提升了边缘识别过程中图像划分的适宜度，进而提升模切辅料边缘确定的准确性，从而实现了对模切辅料切割间距的精准的检测。
本发明实施例通过视觉特征对模切辅料切割间距进行智能检测，通过相机采集模切辅料切割后的图像，根据图像中模切辅料区域的边缘的显著程度和精细程度确定对各模切区域的边缘进行提取时自适应的patch大小，进而获取图像中模切辅料的边缘，根据模切辅料的精确边缘对模切辅料切割间距进行检测，解决了对模切辅料的切割间距进行检测的过程中因切割位置不易确定和确定不准确导致的切割间距判断不准确的问题，在不增加过多计算资源的同时提升了确定边缘时的精度。
进一步的，在确定图像中模切辅料区域的边缘的显著程度的过程中，以模切差异和梯度共同衡量每个边缘像素点位置的边缘局部显著性，从像素点位置处和该像素点附近位置两个角度获取更为准确的该像素点位置的边缘局部显著性；在确定图像中模切辅料区域的边缘精细程度的过程中，将边缘划分为多个节，通过对每个节的边缘的规则程度的评价确定整个边缘的复杂程度和提取精细度；上述过程提升了边缘识别过程中图像划分的适宜度，进而提升模切辅料边缘确定的准确性。
图3是本发明一实施例模切辅料切割间距智能检测装置的结构示意图；如图3所示，本发明实施例提供的模切辅料切割间距智能检测方法，包括：获取模块31、确定模块32、识别模块33和检测模块34，其中：
获取模块31，用于获取模切辅料图像的各模切区域，所述模切辅料图像包括将模切辅料切割后的模切辅料图像；
确定模块32，用于根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小；
识别模块33，用于根据所述块patch大小，将所述模切辅料图像输入边缘检测变换器EDTER进行边缘识别，获取边缘图像；
检测模块34，用于根据所述边缘图像，对所述模切辅料的切割间距进行检测。
在本实施例中，获取模切辅料图像的各模切区域，所述模切辅料图像包括将模切辅料切割后的模切辅料图像；根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小；根据所述块patch大小，将所述模切辅料图像输入边缘检测变换器EDTER进行边缘识别，获取边缘图像；根据所述边缘图像，对所述模切辅料的切割间距进行检测。通过对每个节的边缘的规则程度的评价确定整个边缘的复杂程度和提取精细度，提升了边缘识别过程中图像划分的适宜度，进而提升模切辅料边缘确定的准确性，从而实现了对模切辅料切割间距的精准的检测。
进一步的，获取模块31，具体用于将所述模切辅料图像通过中值滤波处理，获得去噪的模切辅料图像；将所述去噪的模切辅料图像通过显著性检测处理，确定显著性图像；对所述显著性图像通过OTSU最大类间方差处理，确定阈值；在确定所述显著性图像中各像素对应的显著值大于所述阈值时，确定所述像素为特定像素；将所述特定像素进行连通域分析，获得所述特定像素组成的连通域，并确定每个连通域为所述模切区域。
进一步的，所述确定模块32，具体用于对每个所述模切区域进行分析，获取模切区域的边缘像素点；根据所述边缘像素点对应的模切差异及梯度的大小，确定边缘像素点位置的边缘局部显著性，所述梯度的大小包括采用sobel算子获取的所述边缘像素点的梯度的大小。
进一步的，所述确定模块32，还用于通过公式，确定坐标为/>的边缘像素点对应的边缘局部显著性/>，其中，/>为坐标为/>的边缘像素点对应的梯度，/>为取梯度的大小，/>为坐标为/>的边缘像素点对应的模切差异。
进一步的，所述确定模块32，还用于根据模切区域的边缘上所有像素点对应的边缘局部显著性，及模切区域/>对应的边缘复杂度，确定模切区域对应的边缘特征精细度，所述边缘复杂度包括根据节/>对应的纵坐标序列或纵坐标序列的正序排列和倒序排列信息确定的，所述节/>包括模切区域/>的边缘包含的两个相邻角点之间的小边缘；根据模切区域对应的边缘特征精细度，确定边缘检测变换器EDTER划分所述模切区域的块patch的大小。
进一步的，所述确定模块32，还用于根据节对应的纵坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，节/>对应的横坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，第/>个预测值/>，实际的横坐标值/>，节/>的复杂点个数/>，预测值的个数/>，预测值的个数/>，确定节/>对应的边缘规则度/>，其中，所述第/>个预测值/>包括根据节/>对应的横坐标序列获取的预测值，所述实际的横坐标值/>包括根据节/>对应的横坐标序列获取的第/>个预测值对应横坐标值，所述预测值的个数/>包括根据节/>对应的横坐标序列获取的预测值的个数，预测值的个数/>包括根据节/>对应的纵坐标序列获取的预测值的个数，所述节/>包括模切区域/>的边缘包含的两个相邻角点之间的小边缘；根据模切区域/>包含的节的个数/>，以及模切区域/>所对应的节的边缘规则度求和/>，确定模切区/>对应的边缘复杂度/>。
进一步的，在上述实施例的基础上，所述确定模块32，还用于根据公式，确定节/>对应的边缘规则度/>。
进一步的，所述根据模切区域包含的节的个数/>，以及模切区域/>所对应的节的边缘规则度求和/>，确定模切区/>对应的边缘复杂度/>，包括：
根据公式，确定模切区/>对应的边缘复杂度/>。
进一步的，所述确定模块32，还用于根据公式，确定模切区对应的边缘特征精细度，其中，/>为模切区/>对应的边缘特征精细度，/>为坐标为/>的像素点在模切区/>的边缘上，/>为对模切区/>的边缘上所有像素点对应的边缘局部显著性求和；
根据公式，确定模切辅料图像对应的分割边长幂指数/>，其中，/>为模切辅料图像中包含模切区/>对应的边缘特征精细度，/>为模切区/>为模切辅料图像中的模切区，/>为对模切辅料图像中各模切区对应的边缘特征精细度求和，/>为取值函数，作用为取归一化值，/>为模切辅料图像中包含的模切区的总数量，/>为常数系数，/>为取值函数；
根据分割边长幂指数，确定为对各模切区域的边缘进行提取时的块patch大小/>。
本实施例的实现原理和技术效果与图1所示实施例的实现原理和技术效果类似，在此不再赘述。

Claims (2)

1.一种模切辅料切割间距智能检测方法，其特征在于，包括：
获取模切辅料图像的各模切区域，所述模切辅料图像包括将模切辅料切割后的模切辅料图像；
根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小；
边缘检测变换器EDTER根据所述块patch大小对所述模切辅料图像进行边缘识别，获取边缘图像；
根据所述边缘图像，对所述模切辅料的切割间距进行检测；
获取模切辅料图像的各模切区域，包括：
将所述模切辅料图像通过中值滤波处理，获得去噪的模切辅料图像；将所述去噪的模切辅料图像通过显著性检测处理，确定显著性图像；对所述显著性图像通过OTSU最大类间方差处理，确定阈值；在确定所述显著性图像中各像素对应的显著值大于所述阈值时，确定所述像素为特定像素；将所述特定像素进行连通域分析，获得所述特定像素组成的连通域，并确定每个连通域为所述模切区域；
根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小，包括：
对每个所述模切区域进行分析，获取模切区域的边缘像素点；根据所述边缘像素点对应的模切差异及梯度的大小，确定边缘像素点位置的边缘局部显著性，所述梯度的大小包括采用sobel算子获取的所述边缘像素点的梯度的大小；
根据所述边缘像素点对应的模切差异及梯度的大小，确定边缘像素点位置的边缘局部显著性，包括：
通过公式，确定坐标为/>的边缘像素点对应的边缘局部显著性/>，其中，/>为坐标为/>的边缘像素点对应的梯度，/>为取梯度的大小，/>为坐标为/>的边缘像素点对应的模切差异；
根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小，还包括：
根据模切区域的边缘上所有像素点对应的边缘局部显著性，及模切区域/>对应的边缘复杂度，确定模切区域对应的边缘特征精细度，所述边缘复杂度包括根据节/>对应的纵坐标序列或纵坐标序列的正序排列和倒序排列信息确定的，所述节/>包括模切区域/>的边缘包含的两个相邻角点之间的小边缘；根据模切区域对应的边缘特征精细度，确定边缘检测变换器EDTER划分所述模切区域的块patch的大小；
根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小，还包括：
根据节对应的纵坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，节/>对应的横坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，第/>个预测值/>，实际的横坐标值/>，节/>的复杂点个数/>，预测值的个数/>，预测值的个数/>，确定节/>对应的边缘规则度/>，其中，所述第/>个预测值/>包括根据节/>对应的横坐标序列获取的预测值，所述实际的横坐标值/>包括根据节/>对应的横坐标序列获取的第/>个预测值对应横坐标值，所述预测值的个数/>包括根据节/>对应的横坐标序列获取的预测值的个数，预测值的个数包括根据节/>对应的纵坐标序列获取的预测值的个数，所述节/>包括模切区域/>的边缘包含的两个相邻角点之间的小边缘；
根据模切区域包含的节的个数/>，以及模切区域/>所对应的节的边缘规则度求和，确定模切区/>对应的边缘复杂度/>；
根据节对应的纵坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，节/>对应的横坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，第/>个预测值/>，实际的横坐标值/>，节/>的复杂点个数/>，预测值的个数/>，预测值的个数/>，确定节/>对应的边缘规则度/>，包括：
根据公式，确定节/>对应的边缘规则度/>；
根据模切区域包含的节的个数/>，以及模切区域/>所对应的节的边缘规则度求和，确定模切区/>对应的边缘复杂度/>，包括：
根据公式，确定模切区/>对应的边缘复杂度/>；
根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小，还包括：
根据公式，确定模切区对应的边缘特征精细度，其中，/>为模切区/>对应的边缘特征精细度，/>为坐标为/>的像素点在模切区/>的边缘上，/>为对模切区/>的边缘上所有像素点对应的边缘局部显著性求和；
根据公式，确定模切辅料图像对应的分割边长幂指数/>，其中，/>为模切辅料图像中包含模切区/>对应的边缘特征精细度，/>为模切区/>为模切辅料图像中的模切区，/>为对模切辅料图像中各模切区对应的边缘特征精细度求和，/>为取值函数，作用为取归一化值，/>为模切辅料图像中包含的模切区的总数量，/>为常数系数，/>为取值函数，作用为取四舍五入值；
根据分割边长幂指数，确定为对各模切区域的边缘进行提取时的块patch大小。
2.一种模切辅料切割间距智能检测系统，其特征在于，包括：
获取模块，用于获取模切辅料图像的各模切区域，所述模切辅料图像包括将模切辅料切割后的模切辅料图像；
确定模块，用于根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小；
识别模块，用于根据所述块patch大小，将所述模切辅料图像输入边缘检测变换器EDTER进行边缘识别，获取边缘图像；
检测模块，用于根据所述边缘图像，对所述模切辅料的切割间距进行检测；
获取模切辅料图像的各模切区域，包括：
将所述模切辅料图像通过中值滤波处理，获得去噪的模切辅料图像；将所述去噪的模切辅料图像通过显著性检测处理，确定显著性图像；对所述显著性图像通过OTSU最大类间方差处理，确定阈值；在确定所述显著性图像中各像素对应的显著值大于所述阈值时，确定所述像素为特定像素；将所述特定像素进行连通域分析，获得所述特定像素组成的连通域，并确定每个连通域为所述模切区域；
根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小，包括：
对每个所述模切区域进行分析，获取模切区域的边缘像素点；根据所述边缘像素点对应的模切差异及梯度的大小，确定边缘像素点位置的边缘局部显著性，所述梯度的大小包括采用sobel算子获取的所述边缘像素点的梯度的大小；
根据所述边缘像素点对应的模切差异及梯度的大小，确定边缘像素点位置的边缘局部显著性，包括：
通过公式，确定坐标为/>的边缘像素点对应的边缘局部显著性/>，其中，/>为坐标为/>的边缘像素点对应的梯度，/>为取梯度的大小，/>为坐标为/>的边缘像素点对应的模切差异；
根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小，还包括：
根据模切区域的边缘上所有像素点对应的边缘局部显著性，及模切区域/>对应的边缘复杂度，确定模切区域对应的边缘特征精细度，所述边缘复杂度包括根据节/>对应的纵坐标序列或纵坐标序列的正序排列和倒序排列信息确定的，所述节/>包括模切区域/>的边缘包含的两个相邻角点之间的小边缘；根据模切区域对应的边缘特征精细度，确定边缘检测变换器EDTER划分所述模切区域的块patch的大小；
根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小，还包括：
根据节对应的纵坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，节/>对应的横坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，第/>个预测值/>，实际的横坐标值/>，节/>的复杂点个数/>，预测值的个数/>，预测值的个数/>，确定节/>对应的边缘规则度/>，其中，所述第/>个预测值/>包括根据节/>对应的横坐标序列获取的预测值，所述实际的横坐标值/>包括根据节/>对应的横坐标序列获取的第/>个预测值对应横坐标值，所述预测值的个数/>包括根据节/>对应的横坐标序列获取的预测值的个数，预测值的个数包括根据节/>对应的纵坐标序列获取的预测值的个数，所述节/>包括模切区域/>的边缘包含的两个相邻角点之间的小边缘；
根据模切区域包含的节的个数/>，以及模切区域/>所对应的节的边缘规则度求和，确定模切区/>对应的边缘复杂度/>；
根据节对应的纵坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，节/>对应的横坐标序列正序排列和倒序排列之间的皮尔逊相关系数/>，第/>个预测值/>，实际的横坐标值/>，节/>的复杂点个数/>，预测值的个数/>，预测值的个数/>，确定节/>对应的边缘规则度/>，包括：
根据公式，确定节/>对应的边缘规则度/>；
根据模切区域包含的节的个数/>，以及模切区域/>所对应的节的边缘规则度求和，确定模切区/>对应的边缘复杂度/>，包括：
根据公式，确定模切区/>对应的边缘复杂度/>；
根据所述模切区域对应的边缘特征精细度，以及所有像素点对应的边缘局部显著性，确定对各模切区域的边缘进行提取时的块patch大小，还包括：
根据公式，确定模切区对应的边缘特征精细度，其中，/>为模切区/>对应的边缘特征精细度，/>为坐标为/>的像素点在模切区/>的边缘上，/>为对模切区/>的边缘上所有像素点对应的边缘局部显著性求和；
根据公式，确定模切辅料图像对应的分割边长幂指数/>，其中，/>为模切辅料图像中包含模切区/>对应的边缘特征精细度，/>为模切区/>为模切辅料图像中的模切区，/>为对模切辅料图像中各模切区对应的边缘特征精细度求和，/>为取值函数，作用为取归一化值，/>为模切辅料图像中包含的模切区的总数量，/>为常数系数，/>为取值函数，作用为取四舍五入值；
根据分割边长幂指数，确定为对各模切区域的边缘进行提取时的块patch大小。
CN202310744082.XA 2023-06-25 2023-06-25 一种模切辅料切割间距智能检测方法及系统 Active CN116485874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310744082.XA CN116485874B (zh) 2023-06-25 2023-06-25 一种模切辅料切割间距智能检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310744082.XA CN116485874B (zh) 2023-06-25 2023-06-25 一种模切辅料切割间距智能检测方法及系统

Publications (2)

Publication Number Publication Date
CN116485874A CN116485874A (zh) 2023-07-25
CN116485874B true CN116485874B (zh) 2023-08-29

Family

ID=87219934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310744082.XA Active CN116485874B (zh) 2023-06-25 2023-06-25 一种模切辅料切割间距智能检测方法及系统

Country Status (1)

Country Link
CN (1) CN116485874B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010074368A (ja) * 2008-09-17 2010-04-02 Ricoh Co Ltd 画像処理装置、画像処理方法、およびプログラム
CN110428433A (zh) * 2019-07-02 2019-11-08 西华师范大学 一种基于局部阈值的Canny边缘检测算法
CN114882026A (zh) * 2022-07-08 2022-08-09 山东科尔自动化仪表股份有限公司 基于人工智能的传感器外壳缺陷检测方法
CN115345813A (zh) * 2021-05-14 2022-11-15 南京邮电大学 一种结合显著边缘特性和全局特性的无参考图像模糊质量评价方法
CN116168027A (zh) * 2023-04-24 2023-05-26 山东交通学院 基于视觉定位的木工机械智能切割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010074368A (ja) * 2008-09-17 2010-04-02 Ricoh Co Ltd 画像処理装置、画像処理方法、およびプログラム
CN110428433A (zh) * 2019-07-02 2019-11-08 西华师范大学 一种基于局部阈值的Canny边缘检测算法
CN115345813A (zh) * 2021-05-14 2022-11-15 南京邮电大学 一种结合显著边缘特性和全局特性的无参考图像模糊质量评价方法
CN114882026A (zh) * 2022-07-08 2022-08-09 山东科尔自动化仪表股份有限公司 基于人工智能的传感器外壳缺陷检测方法
CN116168027A (zh) * 2023-04-24 2023-05-26 山东交通学院 基于视觉定位的木工机械智能切割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"应用图像局部特征和全局特征对比的显著性检测模型";朱玲等;《小型微型计算机系统》;第37卷(第9期);第2109-2113页 *

Also Published As

Publication number Publication date
CN116485874A (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Wang et al. A simple guidance template-based defect detection method for strip steel surfaces
CN110334706B (zh) 一种图像目标识别方法及装置
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
Timm et al. Non-parametric texture defect detection using Weibull features
CN106529559A (zh) 一种指针式圆形多仪表盘实时读数识别方法
CN111179225A (zh) 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
CN115018844B (zh) 一种基于人工智能的塑料薄膜质量评估方法
CN103761743A (zh) 一种基于图像融合分割的实木地板表面缺陷检测方法
CN114972356B (zh) 塑料制品表面缺陷检测识别方法及系统
CN116137036B (zh) 基于机器学习的基因检测数据智能处理系统
CN115205223B (zh) 透明物体的视觉检测方法、装置、计算机设备及介质
CN107886539B (zh) 一种工业场景下高精度齿轮视觉检测方法
CN115311629B (zh) 一种折弯机的异常折弯精度监测系统
CN112149667A (zh) 一种基于深度学习的指针式仪表的自动读数的方法
CN112308872B (zh) 基于多尺度Gabor一阶导数的图像边缘检测方法
Ates et al. An image-processing based automated bacteria colony counter
CN113643271A (zh) 一种基于频域滤波的图像瑕疵检测方法及装置
CN107516315B (zh) 一种基于机器视觉的掘进机出渣监测方法
CN115100196A (zh) 一种基于图像分割的冲压件除锈效果评估方法
CN110276759B (zh) 一种基于机器视觉的手机屏坏线缺陷诊断方法
Djunaidi et al. Gray level co-occurrence matrix feature extraction and histogram in breast cancer classification with ultrasonographic imagery
CN109241932B (zh) 一种基于运动方差图相位特征的热红外人体动作识别方法
CN107369149B (zh) 目标物体的检测装置及方法
CN116485874B (zh) 一种模切辅料切割间距智能检测方法及系统
CN107748897B (zh) 基于模式识别的大尺寸弯曲零件轮廓度质量检测方法

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