CN116563295B - 一种切削屑缠绕状态视觉检测方法 - Google Patents
一种切削屑缠绕状态视觉检测方法 Download PDFInfo
- Publication number
- CN116563295B CN116563295B CN202310847288.5A CN202310847288A CN116563295B CN 116563295 B CN116563295 B CN 116563295B CN 202310847288 A CN202310847288 A CN 202310847288A CN 116563295 B CN116563295 B CN 116563295B
- Authority
- CN
- China
- Prior art keywords
- domain
- connected domain
- winding
- edge
- determining
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 150
- 238000004804 winding Methods 0.000 title claims abstract description 126
- 238000001514 detection method Methods 0.000 title abstract description 17
- 230000000007 visual effect Effects 0.000 title abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000003647 oxidation Effects 0.000 claims description 23
- 238000007254 oxidation reaction Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 15
- 238000011179 visual inspection Methods 0.000 claims description 7
- 238000007667 floating Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004380 ashing Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner 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
- G06T2207/30164—Workpiece; Machine component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种切削屑缠绕状态视觉检测方法,属于图像处理技术领域,包括:提取切削屑灰度图像的边缘轮廓,确定连通域的骨架点;基于骨架点斜率获得连通域的螺旋卷曲频率系数和缠绕形貌覆盖程度;基于相邻两个连通域之间的倾斜角、缠绕形貌覆盖程度和边缘走势差异系数确定域间规整度量;根据域间规整度量及连通域的数量计算切削屑缠绕状态估计。基于切削屑灰度图像连通域的斜率、长、宽、灰度特征确定连通域的缠绕形貌覆盖程度,考虑相邻连通域的相互影响根据边缘走势差异系数和缠绕形貌覆盖程度确定域间规整度量,根据域间规整度量和连通域的数量确定缠绕状态估计。从多维度进行缠绕状态的确定,提高了切削屑缠绕状态视觉检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种切削屑缠绕状态视觉检测方法。
背景技术
在工业生产过程中,经常会对一些材料进行加工处理,使其变成规整的形状,而这过程中就会产生切削屑。如果切削屑在刀具或转机上出现缠绕,势必会导致对刀具等设备的磨损,甚至产生切削事故。而对切削屑缠绕状态进行提前预警,就能尽量避免可能的损坏和危险。
传统的图像处理仅提取切削屑的部分特征,能获得的切削屑特征不全面,当切削屑的颜色、状态、尺寸特征发生变化时,难以及时准确识别出切削屑是否发生缠绕,对缠绕状态识别的准确性较低。
发明内容
本发明提供一种切削屑缠绕状态视觉检测方法,旨在提高切削屑缠绕状态识别的准确性。
为实现上述目的,本发明提供一种切削屑缠绕状态视觉检测方法,所述方法包括:
提取切削屑灰度图像的边缘轮廓,基于所述边缘轮廓确定连通域、连通域边缘和连通域的骨架点;
计算每个骨架点的斜率,基于所述斜率获得连通域的螺旋卷曲频率系数;
根据连通域的所述螺旋卷曲频率系数、宽度、长度以及氧化指数确定连通域的缠绕形貌覆盖程度;
基于所述切削屑灰度图像中相邻两个连通域之间的倾斜角、所述缠绕形貌覆盖程度和边缘走势差异系数确定相邻两个连通域的域间规整度量;
根据所述域间规整度量及连通域的数量计算所述切削屑灰度图像的切削屑缠绕状态估计;
基于所述切削屑缠绕状态估计判断切削屑是否出现缠绕;
所述计算每个骨架点的斜率,基于所述斜率获得连通域的螺旋卷曲频率系数包括:
计算每个骨架点的斜率,将相同的斜率分为一组,统计每一组包含的斜率数量,以及分组数量;
计算所述斜率数量、分组数量确定评价浮动误差;
基于所述斜率数量和所述浮动误差确定连通域的螺旋卷曲频率系数;
所述根据连通域的所述螺旋卷曲频率系数、宽度、长度以及氧化指数确定连通域的缠绕形貌覆盖程度包括:
基于连通域的宽度确定所述连通域的宽度不均匀性,并根据连通域的螺旋卷曲频率系数、宽度不均匀性以及长度计算缠绕形态优势系数;
基于所述缠绕形态优势系数和氧化指数确定连通域的缠绕形貌覆盖程度;
确定相邻两个连通域的域间规整度量包括:
获取所述切削屑灰度图像中所有连通域的连通域集合,并确定对应的边缘轮廓序列和标准化边缘轮廓序列;
基于所述标准化边缘轮廓序列计算连通域集合中相邻两个连通域的DTW距离,将所述DTW距离确定为相邻两个连通域的边缘走势差异系数;
基于相邻两个连通域之间的倾斜角、所述缠绕形貌覆盖程度和所述边缘走势差异系数确定相邻两个连通域的域间规整度量,则:
其中,为第i个连通域与其相邻的下一个第i+1个连通域的域间规整度量,/>为第i个连通域的倾斜角,/>为第i个连通域的缠绕形貌覆盖程度,/>为与第i个连通域相邻的下一个第i+1个连通域的倾斜角,/>为与第i个连通域相邻的下一个第i+1个连通域的缠绕形貌覆盖程度,/>为第i个连通域的边缘走势差异系数;
计算所述切削屑灰度图像的切削屑缠绕状态估计,则:
其中,分子为n-1对相邻连通域之间的域间规整度量A之和,分母n为该切削屑灰度图像中连通域的个数。
可选地,所述提取切削屑灰度图像的边缘轮廓,基于所述边缘轮廓确定连通域、连通域边缘和连通域的骨架点之前,还包括:
通过CMOS相机对材料加工过程产生的切削屑进行拍摄,获得包括切削屑的彩色图像;
将所述彩色图像转化为灰度图像,并对所述灰度图像进行维纳滤波处理,获得切削屑灰度图像。
可选地,所述提取切削屑灰度图像的边缘轮廓,基于所述边缘轮廓确定连通域、连通域边缘和连通域的骨架点包括:
通过canny算子提取切削屑灰度图像的边缘轮廓,对所述边缘轮廓进行腐蚀、膨胀,得到若干个闭合连通域的连通域边缘,其中每个连通域包括若干个像素点、若干个边缘点;
对每个连通域进行细化,获得每个连通域的骨架线,其中每个骨架线包括若干个骨架点。
可选地,所述基于连通域的宽度确定所述连通域的宽度不均匀性,并根据连通域的螺旋卷曲频率系数、宽度不均匀性以及长度计算缠绕形态优势系数包括:
确定骨架点曲率半径方向上位于连通域内的宽度,并计算该连通域的最小外接矩形,获得该矩形较长的一条边长,将所述边长确定为连通域的长度;
基于连通域的宽度确定连通域的宽度不均一性;
基于所述螺旋卷曲频率系数、所述宽度不均一性、连通域的长度计算连通域的缠绕形态优势系数。
可选地,所述基于所述缠绕形态优势系数和氧化指数确定连通域的缠绕形貌覆盖程度包括:
将连通域内角点数量与灰度均值的比值确定为连通域的氧化指数;
将所述缠绕形态优势系数与所述氧化指数的乘积确定为连通域的缠绕形貌覆盖程度。
可选地,所述基于切削屑灰度图像中所有连通域的连通域集合,以及连通域的所述缠绕形貌覆盖程度确定相邻两个连通域的域间规整度量包括:
获取所述切削屑灰度图像中所有连通域的连通域集合,并确定对应的边缘轮廓序列和标准化边缘轮廓序列;
基于所述标准化边缘轮廓序列计算连通域集合中相邻两个连通域的DTW距离,将所述DTW距离确定为相邻两个连通域的边缘走势差异系数;
基于相邻两个连通域之间的倾斜角、所述缠绕形貌覆盖程度和所述边缘走势差异系数确定相邻两个连通域的域间规整度量。
可选地,所述获取所述切削屑灰度图像中所有连通域的连通域集合,并确定对应的边缘轮廓序列和标准化边缘轮廓序列包括:
将所述切削屑灰度图像中的所有连通域按照从左到右、从上到下的顺序排列,获得连通域集合;
计算每个连通域边缘二值图像的傅里叶描述子,获得描述连通域边缘轮廓的边缘轮廓序列;
统计每个连通域边缘点的边缘点个数,获得边缘点数量最小的连通域的最小边缘点个数;
从每个连通域中取出最小边缘点个数的边缘点,基于最小边缘点个数的边缘点组成标准化边缘轮廓序列序列。
相比现有技术,本发明提出的一种切削屑缠绕状态视觉检测方法,提取切削屑灰度图像的边缘轮廓,基于所述边缘轮廓确定连通域、连通域边缘和连通域的骨架点;计算每个骨架点的斜率,基于所述斜率获得连通域的螺旋卷曲频率系数;根据连通域的所述螺旋卷曲频率系数、宽度、长度以及氧化指数确定连通域的缠绕形貌覆盖程度;基于所述切削屑灰度图像中相邻两个连通域之间的倾斜角、所述缠绕形貌覆盖程度和边缘走势差异系数确定相邻两个连通域的域间规整度量;根据所述域间规整度量及连通域的数量计算所述切削屑灰度图像的切削屑缠绕状态估计;基于所述切削屑缠绕状态估计判断切削屑是否出现缠绕。如此,基于切削屑灰度图像,确定基于切削屑的连通域,再基于连通域的斜率、长、宽、灰度特征确定连通域的缠绕形貌覆盖程度,并考虑相邻连通域的相互影响,确定边缘走势差异系数,以供根据边缘走势差异系数和缠绕形貌覆盖程度确定域间规整度量,从而根据域间规整度量和连通域的数量确定缠绕状态估计。如此从多维度进行缠绕状态的确定,提高了切削屑缠绕状态视觉检测的准确性。
附图说明
图1是本发明切削屑缠绕状态视觉检测方法一实施例的流程示意图;
图2是本发明切削屑缠绕状态视觉检测方法一实施例的第一细化流程示意图;
图3是本发明切削屑缠绕状态视觉检测方法一实施例的第二细化流程示意图;
图4是本发明切削屑缠绕状态视觉检测方法一实施例的第三细化流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参照图1,图1是本发明切削屑缠绕状态视觉检测方法第一实施例的流程示意图。
如图1所示,本发明第一实施例提出一种切削屑缠绕状态视觉检测方法,所述方法包括:
步骤S101,提取切削屑灰度图像的边缘轮廓,基于所述边缘轮廓确定连通域、连通域边缘和连通域的骨架点;
本实施例通过相机拍摄加预处理的方式获得切削屑灰度图像:
通过CMOS(Complementary Metal Oxide Semiconductor,互补金属氧化物半导体)相机对材料加工过程产生的切削屑进行拍摄,获得包括切削屑的彩色图像;一般地,对材料进行加工时会产生切削屑,将CMOS相机固定在能拍摄到切削屑的地方,对切削屑进行近距离连续拍摄,获得清晰的切削屑照片。CMOS相机拍摄获得图像为切削屑彩色图像,也即RGB图像。
将所述彩色图像转化为灰度图像,并对所述灰度图像进行维纳滤波处理,获得切削屑灰度图像。将彩色图像灰化,获得灰度图像。为了去除灰度图像的噪声,对灰度图像进行维纳滤波处理,获得去噪后的切削屑灰度图像。维纳滤波处理采用公知技术进行,此处不再赘述。
通过canny算子提取切削屑灰度图像的边缘轮廓,按照canny边缘检测算法的公知步骤对切削屑灰度图像进行处理,获得边缘轮廓。
再对所述边缘轮廓进行腐蚀、膨胀,得到若干个闭合连通域的连通域边缘,其中每个连通域包括若干个像素点、若干个边缘点,本实施例将连通域的个数记为n。
对每个连通域进行细化,获得每个连通域的骨架线,其中每个骨架线包括若干个骨架点。将骨架点的个数记为d。本实施例可以基于现有技术中骨架线的提取方法提取连通域的骨架线,例如HilditchThin算法、Rosenfeld算法、OpenCV_Contrib。
步骤S102,计算每个骨架点的斜率,基于所述斜率获得连通域的螺旋卷曲频率系数;
参照图2,图2是本发明切削屑缠绕状态视觉检测方法一实施例的第一细化流程示意图,如图2所示,所述步骤S102包括:
步骤S1021,计算每个骨架点的斜率,将相同的斜率分为一组,统计每一组包含的斜率数量,以及分组数量;
对于正常操作产生的正常切削屑,呈规则的螺旋状,在转速等外界情况不变的情况下,这种螺旋形状的正常切削屑的长度、宽度、以及螺纹卷曲数量的基本一致。否则,其螺纹形状就会出现扭曲,导致其外观并不是一条直线。正常切削屑出现螺旋的卷曲次数大致相同,因此切削屑螺旋处的斜率个数最能体现该切削屑出现的螺旋次数,进而通过斜率表征该切削屑表面螺旋状的规则度。
本实施例计算骨架线上的d个骨架点所在处的斜率K,并根据斜率的大小将斜率值相同的分为一组,获得若干个分组,将获得的分组数量表示为T,统计每个斜率出现的次数,假设共出现z个斜率,则获得z个斜率分组。本实施例用CK来表示每一组里面包含的个数,例如用CKi来表示斜率Ki出现的次数。
步骤S1022,计算所述斜率数量、分组数量确定评价浮动误差;
将评价浮动误差表示为δ,则:
其中,CKi、CKj分别为所述连通域的骨架线所有骨架点中,第i个相同斜率与第j个相同斜率出现的次数,每条骨架线上有d个骨架点,得到不同斜率的组数有z个。通过求得对不同斜率骨架点之间出现斜率个数之间差异,得到平均浮动误差δ,δ越大,表示允许斜率个数的范围越大。
步骤S1023,基于所述斜率数量和所述浮动误差确定连通域的螺旋卷曲频率系数。
连通域的螺旋卷曲频率系数表示为X,则:
本实施例将范围内的连通域的斜率个数确定为所需要的斜率个数,排除范围外的斜率个数。通过筛选掉在均值在平均浮动误差δ范围之外的斜率个数,即那些斜率频数出现较多和较少的数量,通过排除掉不能反映该螺旋卷曲出现的频率,计算剩下有a个不同斜率之间的数量均值,即为该切削屑螺旋卷曲频率系数X,X越大,表征该切削屑螺旋出现的卷曲数越多。
步骤S103,根据连通域的所述螺旋卷曲频率系数、宽度、长度以及氧化指数确定连通域的缠绕形貌覆盖程度;
正常情况下,切削屑的长度和宽度相对稳定。如果在加工操作的过程中出现切削屑缠绕状态,那么切削屑就会出现断裂情况,其长度和宽度也会随之发生变化,在切削屑图像中可以观察到的一个现象就是长度变短、宽度均匀且较小。
切削屑在缠绕状态时除了会出现长度、宽度的变化,切削屑本身的颜色也会随着其缠绕状态出现相应的变化。在切削屑没有发生缠绕时,其表面颜色较为均匀,且一般呈现出银白色等较亮的颜色。如果出现缠绕状态,切削屑与操作台的刀具、转机等表面产生摩擦,会产生大量的摩擦热,使得切削屑表面的温度升高;且转机仍在转动,其表面很容易出现变形、断裂,那么在切削屑图像中会表现出切削屑表面出现裂纹;再加上切削屑缠绕在一起,并不能及时进行散热,就会导致温度更高,使得切削屑表面出现氧化,其表面就会变成暗色或发黑的情况。基于此,可以进一步根据长度、宽度、颜色来判断缠绕状态。
参照图3,图3是本发明切削屑缠绕状态视觉检测方法一实施例的第二细化流程示意图,如图3所示,步骤S103包括:
步骤S1031,基于连通域的宽度确定所述连通域的宽度不均匀性,并根据连通域的螺旋卷曲频率系数、宽度不均匀性以及长度计算缠绕形态优势系数;
首先,确定骨架点曲率半径方向上位于连通域内的宽度w,并计算该连通域的最小外接矩形,获得该矩形较长的一条边长L,将所述边长确定为连通域的长度;在连通域内确定各个骨架点在曲率半径方向的宽度,将连通域的宽度表示为w。确定连通域内的最小外接矩形,将矩形较长的边长确定为连通域的长度,记为L。
再基于连通域的宽度确定连通域的宽度不均一性;将宽度不均一性表示为R,则:
其中,w为该骨架点与切线方向垂直的直线在该连通域内的宽度,为该连通域内所有骨架点与切线方向垂直的直线在该连通域内的均宽,通过分子/>表征该连通域内每个骨架点处的宽度是否均匀,分母w表示在切削屑发生缠绕时会出现宽度较小的特点;即R越大,表示该骨架点i处的宽度具有不均一性,该切削屑可能出现缠绕状态。
最后,基于所述螺旋卷曲频率系数、所述宽度不均一性、连通域的长度计算连通域的缠绕形态优势系数。将连通域的缠绕形态优势系数表示为E,则:
L为该连通域最小外接矩形的较长的边长,表示该切削屑的长度,缠绕时边长L会变短;X为螺旋卷曲频率系数,用来表征该切削屑螺纹出现卷曲的次数,正常未缠绕的情况下,其所有的切削屑卷曲的次数基本相差不大。为图像中所有连通域之间的卷曲次数的均值,发生缠绕时/>较大,即不同切削屑之间螺纹卷曲次数差异越大;Ri为该连通域第i个骨架点处的宽度不均一性,Ri越大,即该连通域内宽度越不均匀。综上,E越大,/>越大,即该连通域骨架线上所有的骨架点的宽度差异进行求和后越大,即宽度该连通域上不同位置的宽度越不均匀一致,即可能发生缠绕;分母/>越小,即切削屑长度越小,螺旋卷曲频率系数不均匀,发生缠绕的可能性越大。
步骤S1032,基于所述缠绕形态优势系数和氧化指数确定连通域的缠绕形貌覆盖程度。
本实施例采用Harris角点检测算法,检测该连通域内的角点数m1,裂纹越多,角点越多。对该连通域内的每个灰度值H计算其均值,用来表征该连通域内的颜色情况。将连通域内角点数量与灰度均值的比值确定为连通域的氧化指数S:
其中,m1为该连通域内的角点数量,m1越大,表示该连通域内出现越多的裂纹;为该连通域内的灰度均值,/>越小,即该连通域颜色越暗,即可能其表面出现氧化现象,说明切削屑可能发生缠绕。氧化指数S表示该连通域的切削屑出现氧化的程度,S越大,即m1越大/>越小,表示连通域表面出现较多的裂缝且其灰度较暗,即该连通域内出现氧化现象,说明可能发生缠绕。
再将所述缠绕形态优势系数E与所述氧化指数S的乘积确定为连通域的缠绕形貌覆盖程度。将缠绕形貌覆盖程度表示为Q,则:
Q=S*E
通过将缠绕形态优势系数E和氧化指数S相乘,得到缠绕形貌覆盖程度Q,E, S越大则Q越大,该连通域出现缠绕形貌覆盖的程度越大。
步骤S104,基于所述切削屑灰度图像中相邻两个连通域之间的倾斜角、所述缠绕形貌覆盖程度和边缘走势差异系数确定相邻两个连通域的域间规整度量;
参考图4,图4是本发明切削屑缠绕状态视觉检测方法一实施例的第三细化流程示意图,如图4所示,所述步骤S104之前还包括:
步骤S1041,获取所述切削屑灰度图像中所有连通域的连通域集合,并确定对应的边缘轮廓序列和标准化边缘轮廓序列;
具体地,将所述切削屑灰度图像中的所有连通域按照从左到右、从上到下的顺序排列,获得连通域集合;将连通域集合表示为Y={y1,y2,...yn}。
计算每个连通域边缘二值图像的傅里叶描述子,获得描述连通域边缘轮廓的边缘轮廓序列;本实施例将傅里叶变换获得的傅里叶描述子表示为边缘轮廓序列U。
统计每个连通域边缘点的边缘点个数,获得边缘点数量最小的连通域的最小边缘点个数;将最小边缘点个数表示为m2,则m2=min{u1,u2,...un}。
从每个连通域中取出最小边缘点个数的数量边缘点,基于最小边缘点个数的边缘点组成标准化边缘轮廓序列。取每个连通域序列U的前m2个数作为标准化边缘轮廓序列,用来表征每个连通域的边缘轮廓。各个连通域的标准化边缘轮廓序列中具有相同数量的边缘点。
步骤S1042,基于所述标准化边缘轮廓序列计算连通域集合Y中相邻两个连通域的DTW(Dynamic Time Wrapping,动态时间规则)距离,将所述DTW距离确定为相邻两个连通域的边缘走势差异系数;将相邻两个连通域的边缘走势差异系数表示为D,则:
式中,、/>分别为集合Y中相邻两个连通域的标准化边缘轮廓序列。通过计算这两个标准化边缘轮廓序列的DTW距离,得到边缘走势差异系数D,Di为集合Y中第i个连通域,Di值越大,表示该连通域与集合Y中下一个相邻的连通域之间的边缘特征相似程度越小,即发生缠绕状态时不同的切削屑的边缘特征较不相似。
获得倾斜角和所述边缘走势差异系数后,基于相邻两个连通域之间的倾斜角和所述边缘走势差异系数确定相邻两个连通域的域间规整度量A。
对切削屑灰度图像中每个连通域内的形态(螺旋卷曲频率系数)和轮廓(缠绕形态优势系数)计算,得到每个连通域为切削屑缠绕状态的缠绕形貌覆盖程度。而切削屑如果出现缠绕状态,不止每个切削屑都会存在一些特征,切削屑之间也会存在某种相互关联的情况。即若发生缠绕状态,切削屑之间倾斜的方向会发生变化,且其每个切削屑之间的形态和边缘也都会出现不一致的情况。
通过得到的每个连通域表征该切削屑是否发生缠绕时的形态、边缘以及倾斜角度等特征,计算相邻两个连通域的域间规整度量,将相邻两个连通域的域间规整度量表示为A,则:
式中,θ为倾斜角,其中,tanθ=max{CK1,CK2...,CKz},即该连通域骨架线上的Z个骨架点出现的最大频数的斜率与水平方向的角度。通过计算集合Y中第i个连通域与其相邻的下一个第i+1个连通域之间的倾斜角θ与缠绕形貌覆盖程度Q相乘后的差值绝对值,即,得到相邻两个连通域之间的倾斜角与其切削屑表面形貌覆盖之间的差异,边缘走势差异系数D为该相邻两个连通域之间的边缘走势差异;这两个乘积越大,即两个相邻连通域之间的倾斜角与表面形貌差异较大,且其边缘特征差异也较大,顾域间规整度量A越大,即相邻两个连通域之间越不规整,出现缠绕可能性越大。
步骤S105,根据所述域间规整度量及连通域的数量计算所述切削屑灰度图像的切削屑缠绕状态估计;
得到了相邻两个连通域之间的域间规整度量A后,为了表征整体中切削屑灰度图像切削屑是否发生缠绕状态的特征,计算将域间规整度量A进行求和。同时,如果切削屑在切削屑灰度图像中的数量较少,即不会对操作台产生过大的负荷,很大程度上也不会被转机缠绕。
切削屑灰度图像中有n个连通域,则有个相邻连通域,将切削屑缠绕状态估计表示为C,则:
分子为n-1对相邻连通域之间的域间规整度量A之和,分母n为该图像中连通域的个数。得到缠绕状态估计C,C越大,即分子域间规整度量A越大,分母连通域个数n越小,即表示该切削屑灰度图像中所有连通域之间的越不规整,且发生缠绕下连通域越少,说明该图像越可能出现切削屑缠绕状态。
步骤S106,基于所述切削屑缠绕状态估计判断切削屑是否出现缠绕。
对于缠绕状态估计C,设置经验阈值0.8,如果切削屑灰度图像的缠绕状态估计C大于0.8,即表示该切削屑出现缠绕状态,并发出预警信息对其进行预警,帮助工作人员及时发现并清理操作台的缠绕状态。如果切削屑灰度图像的缠绕状态估计C小于或等于0.8,即表示该切削屑状态正常,未发生缠绕。
本实施例通过上述方案,提取切削屑灰度图像的边缘轮廓,基于所述边缘轮廓确定连通域、连通域边缘和连通域的骨架点;计算每个骨架点的斜率,基于所述斜率获得连通域的螺旋卷曲频率系数;根据连通域的所述螺旋卷曲频率系数、宽度、长度以及氧化指数确定连通域的缠绕形貌覆盖程度;基于所述切削屑灰度图像中相邻两个连通域之间的倾斜角、所述缠绕形貌覆盖程度和边缘走势差异系数确定相邻两个连通域的域间规整度量;根据所述域间规整度量及连通域的数量计算所述切削屑灰度图像的切削屑缠绕状态估计;基于所述切削屑缠绕状态估计判断切削屑是否出现缠绕。如此,基于切削屑灰度图像,确定基于切削屑的连通域,再基于连通域的斜率、长、宽、灰度特征确定连通域的缠绕形貌覆盖程度,并考虑相邻连通域的相互影响,确定边缘走势差异系数,以供根据边缘走势差异系数和缠绕形貌覆盖程度确定域间规整度量,从而根据域间规整度量和连通域的数量确定缠绕状态估计。如此从多维度进行缠绕状态的确定,提高了切削屑缠绕状态视觉检测的准确性。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种切削屑缠绕状态视觉检测方法,其特征在于,所述方法包括:
提取切削屑灰度图像的边缘轮廓,基于所述边缘轮廓确定连通域、连通域边缘和连通域的骨架点;
计算每个骨架点的斜率,基于所述斜率获得连通域的螺旋卷曲频率系数;
根据连通域的所述螺旋卷曲频率系数、宽度、长度以及氧化指数确定连通域的缠绕形貌覆盖程度;
基于所述切削屑灰度图像中相邻两个连通域之间的倾斜角、所述缠绕形貌覆盖程度和边缘走势差异系数确定相邻两个连通域的域间规整度量;
根据所述域间规整度量及连通域的数量计算所述切削屑灰度图像的切削屑缠绕状态估计;
基于所述切削屑缠绕状态估计判断切削屑是否出现缠绕;
所述计算每个骨架点的斜率,基于所述斜率获得连通域的螺旋卷曲频率系数包括:
计算每个骨架点的斜率,将相同的斜率分为一组,统计每一组包含的斜率数量,以及分组数量;
计算所述斜率数量、分组数量确定评价浮动误差;
基于所述斜率数量和所述浮动误差确定连通域的螺旋卷曲频率系数;
所述根据连通域的所述螺旋卷曲频率系数、宽度、长度以及氧化指数确定连通域的缠绕形貌覆盖程度包括:
基于连通域的宽度确定所述连通域的宽度不均匀性,并根据连通域的螺旋卷曲频率系数、宽度不均匀性以及长度计算缠绕形态优势系数;
基于所述缠绕形态优势系数和氧化指数确定连通域的缠绕形貌覆盖程度;
确定相邻两个连通域的域间规整度量包括:
获取所述切削屑灰度图像中所有连通域的连通域集合,并确定对应的边缘轮廓序列和标准化边缘轮廓序列;
基于所述标准化边缘轮廓序列计算连通域集合中相邻两个连通域的DTW距离,将所述DTW距离确定为相邻两个连通域的边缘走势差异系数;
基于相邻两个连通域之间的倾斜角、所述缠绕形貌覆盖程度和所述边缘走势差异系数确定相邻两个连通域的域间规整度量,则:
其中,为第i个连通域与其相邻的下一个第i+1个连通域的域间规整度量,/>为第i个连通域的倾斜角,/>为第i个连通域的缠绕形貌覆盖程度,/>为与第i个连通域相邻的下一个第i+1个连通域的倾斜角,/>为与第i个连通域相邻的下一个第i+1个连通域的缠绕形貌覆盖程度,/>为第i个连通域的边缘走势差异系数;
计算所述切削屑灰度图像的切削屑缠绕状态估计,则:
其中,分子为n-1对相邻连通域之间的域间规整度量A之和,分母n为该切削屑灰度图像中连通域的个数。
2.根据权利要求1所述的一种切削屑缠绕状态视觉检测方法,其特征在于,所述提取切削屑灰度图像的边缘轮廓,基于所述边缘轮廓确定连通域、连通域边缘和连通域的骨架点之前,还包括:
通过CMOS相机对材料加工过程产生的切削屑进行拍摄,获得包括切削屑的彩色图像;
将所述彩色图像转化为灰度图像,并对所述灰度图像进行维纳滤波处理,获得切削屑灰度图像。
3.根据权利要求1所述的一种切削屑缠绕状态视觉检测方法,其特征在于,所述提取切削屑灰度图像的边缘轮廓,基于所述边缘轮廓确定连通域、连通域边缘和连通域的骨架点包括:
通过canny算子提取切削屑灰度图像的边缘轮廓,对所述边缘轮廓进行腐蚀、膨胀,得到若干个闭合连通域的连通域边缘,其中每个连通域包括若干个像素点、若干个边缘点;
对每个连通域进行细化,获得每个连通域的骨架线,其中每个骨架线包括若干个骨架点。
4.根据权利要求1所述的一种切削屑缠绕状态视觉检测方法,其特征在于,所述基于连通域的宽度确定所述连通域的宽度不均匀性,并根据连通域的螺旋卷曲频率系数、宽度不均匀性以及长度计算缠绕形态优势系数包括:
确定骨架点曲率半径方向上位于连通域内的宽度,并计算该连通域的最小外接矩形,获得该矩形较长的一条边长,将所述边长确定为连通域的长度;
基于连通域的宽度确定连通域的宽度不均一性;
基于所述螺旋卷曲频率系数、所述宽度不均一性、连通域的长度计算连通域的缠绕形态优势系数。
5.根据权利要求1所述的一种切削屑缠绕状态视觉检测方法,其特征在于,所述基于所述缠绕形态优势系数和氧化指数确定连通域的缠绕形貌覆盖程度包括:
将连通域内角点数量与灰度均值的比值确定为连通域的氧化指数;
将所述缠绕形态优势系数与所述氧化指数的乘积确定为连通域的缠绕形貌覆盖程度。
6.根据权利要求1所述的一种切削屑缠绕状态视觉检测方法,其特征在于,所述基于所述切削屑灰度图像中相邻两个连通域之间的倾斜角、所述缠绕形貌覆盖程度和边缘走势差异系数确定相邻两个连通域的域间规整度量之前,还包括:
获取所述切削屑灰度图像中所有连通域的连通域集合,并确定对应的边缘轮廓序列和标准化边缘轮廓序列;
基于所述标准化边缘轮廓序列计算连通域集合中相邻两个连通域的DTW距离,将所述DTW距离确定为相邻两个连通域的边缘走势差异系数。
7.根据权利要求6所述的一种切削屑缠绕状态视觉检测方法,其特征在于,所述获取所述切削屑灰度图像中所有连通域的连通域集合,并确定对应的边缘轮廓序列和标准化边缘轮廓序列包括:
将所述切削屑灰度图像中的所有连通域按照从左到右、从上到下的顺序排列,获得连通域集合;
计算每个连通域边缘二值图像的傅里叶描述子,获得描述连通域边缘轮廓的边缘轮廓序列;
统计每个连通域边缘点的边缘点个数,获得边缘点数量最小的连通域的最小边缘点个数;
从每个连通域中取出最小边缘点个数的边缘点,基于最小边缘点个数的边缘点组成标准化边缘轮廓序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310847288.5A CN116563295B (zh) | 2023-07-12 | 2023-07-12 | 一种切削屑缠绕状态视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310847288.5A CN116563295B (zh) | 2023-07-12 | 2023-07-12 | 一种切削屑缠绕状态视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563295A CN116563295A (zh) | 2023-08-08 |
CN116563295B true CN116563295B (zh) | 2023-09-01 |
Family
ID=87488391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310847288.5A Active CN116563295B (zh) | 2023-07-12 | 2023-07-12 | 一种切削屑缠绕状态视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563295B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893541B (zh) * | 2024-03-18 | 2024-05-28 | 济南玖通志恒信息技术有限公司 | 一种基于边缘检测的果树叶部花叶病分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677525A (zh) * | 2022-04-19 | 2022-06-28 | 上海海洋大学 | 一种基于二值图像处理的边缘检测方法 |
CN115423816A (zh) * | 2022-11-07 | 2022-12-02 | 浙江安吉圆磨机械科技股份有限公司 | 一种金属表面磨削质量检测方法 |
CN116188472A (zh) * | 2023-05-04 | 2023-05-30 | 无锡康贝电子设备有限公司 | 一种数控机床零件的在线视觉检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5615043B2 (ja) * | 2010-05-28 | 2014-10-29 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
-
2023
- 2023-07-12 CN CN202310847288.5A patent/CN116563295B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677525A (zh) * | 2022-04-19 | 2022-06-28 | 上海海洋大学 | 一种基于二值图像处理的边缘检测方法 |
CN115423816A (zh) * | 2022-11-07 | 2022-12-02 | 浙江安吉圆磨机械科技股份有限公司 | 一种金属表面磨削质量检测方法 |
CN116188472A (zh) * | 2023-05-04 | 2023-05-30 | 无锡康贝电子设备有限公司 | 一种数控机床零件的在线视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116563295A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116563295B (zh) | 一种切削屑缠绕状态视觉检测方法 | |
CN116310360A (zh) | 一种电抗器表面缺陷检测方法 | |
CN116843688B (zh) | 一种纺织品质量视觉检测方法 | |
CN109671078B (zh) | 一种产品表面图像异常检测方法及装置 | |
Fekri-Ershad et al. | A robust approach for surface defect detection based on one dimensional local binary patterns | |
CN115953398B (zh) | 一种用于带钢表面的缺陷识别方法 | |
CN113554649B (zh) | 一种缺陷检测方法、装置、计算机设备及存储介质 | |
CN115775250A (zh) | 基于数字图像分析的金手指电路板缺陷快速检测系统 | |
CN116740073B (zh) | 基于石墨舟视觉图像的太阳能电池片缺陷检测方法及系统 | |
CN118134938B (zh) | 一种耐火砖表面缺陷视觉检测方法及系统 | |
CN115496794B (zh) | 混凝土裂缝宽度计算方法、系统、计算机设备及存储介质 | |
CN111047556A (zh) | 一种带钢表面缺陷检测方法及装置 | |
CN107909554A (zh) | 图像降噪方法、装置、终端设备及介质 | |
CN115564767A (zh) | 基于机器视觉的电感绕线质量监测方法 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN118261912B (zh) | 基于图像特征分析的耐火砖表面缺陷检测方法 | |
CN112950540A (zh) | 一种条码识别方法及设备 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN118115497B (zh) | 一种石英砂的粉碎磨粉检测方法及装置 | |
CN116228768A (zh) | 一种电子元器件表面划痕检测方法 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
CN113920073A (zh) | 薄卡计数方法、装置、电子设备及存储介质 | |
CN109978903A (zh) | 一种标识点识别方法、装置、电子设备及存储介质 | |
CN116703912B (zh) | 一种迷你主机网口完整性视觉检测方法 | |
Niigaki et al. | Circular object detection based on separability and uniformity of feature distributions using Bhattacharyya coefficient |
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 |