CN116630312A - 一种恒力浮动打磨头打磨质量视觉检测方法 - Google Patents
一种恒力浮动打磨头打磨质量视觉检测方法 Download PDFInfo
- Publication number
- CN116630312A CN116630312A CN202310898222.9A CN202310898222A CN116630312A CN 116630312 A CN116630312 A CN 116630312A CN 202310898222 A CN202310898222 A CN 202310898222A CN 116630312 A CN116630312 A CN 116630312A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- burr
- polishing
- edge line
- 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
Links
- 238000005498 polishing Methods 0.000 title claims abstract description 151
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000000007 visual effect Effects 0.000 title claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 68
- 238000013459 approach Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000011179 visual inspection Methods 0.000 claims description 11
- 238000000227 grinding Methods 0.000 claims description 8
- 238000007517 polishing process Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000003708 edge detection Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 210000002345 respiratory system Anatomy 0.000 description 2
- 208000028571 Occupational disease Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000009466 transformation 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种恒力浮动打磨头打磨质量视觉检测方法,工业相机采集恒力浮动打磨头打磨前后被打磨物体图像,采用不同伽马值对图像进行增强,对图像进行边缘检测,根据边缘图像中各边缘像素点斜率得到各边缘像素点所在边缘线的斜率规律重复度及边缘线分布差异度,从而得到毛刺存在强度,根据毛刺存在强度得到不同伽马值对打磨前及打磨后图像的增强效果,自适应得到优选伽马值,获得优选伽马值增强后的图像,进行打磨质量检测,完成恒力浮动打磨头打磨质量检测。从而实现恒力浮动打磨头打磨质量检测,具有较高打磨质量检测精度。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种恒力浮动打磨头打磨质量视觉检测方法。
背景技术
在制造过程中有一道打磨抛光的工序,这是在零件加工的最后一步所涉及的工序,过去的最后一道工序几乎全部是由工人手工去打磨,这样加工出来的零件每一批次可能都大有不同,因为手工加工会存在很大的误差,当今的技术发展出现了工业打磨机器人,在不考虑工件的磨损的情况下,可以保证每一批次的零件的误差相差不大,极大提升了零件的良品率,同时对于复杂零件的抛磨若采取人工打磨的方式,则需要依靠经验丰富的工人来完成,如果想要提升打磨的速度,还需要增加工人培训的成本,依靠工业打磨机器人完成打磨,不仅节省了人力成本,还提高了打磨速度及自动化程度,在很大程度上降低了成本,提高了经济性。除了这些经济方面的问题存在,在人工打磨的工序中因为磨削产生的许多残渣会随着人体的呼吸进入呼吸道并对呼吸道造成损伤,长此以往会产生极其严重的职业病。故需要在保障打磨质量的情况下进行自动化打磨,这需要对打磨头打磨质量进行检测以确保其自动化打磨效率。打磨头打磨质量较差时,打磨后被打磨物体表面毛刺数量较多,因此可通过检测打磨前后被打磨物体表面图像中打磨区域毛刺含量,得到打磨头打磨质量。图像采集过程中,由于光照不足或光照过强,会导致图像亮度不均匀、颜色失真,使图像出现不同程度受损,可通过伽马变换增强图像,提高图像质量。
传统伽马变换对图像进行增强时,由于场景不同,需要的优选伽马值不同,优选伽马值的设定需要人为选取并不断矫正,此过程较为费时费力。
综上所述,本发明提出一种恒力浮动打磨头打磨质量视觉检测方法,采集恒力浮动打磨头打磨前后被打磨物体图像,采用不同伽马值对图像进行伽马变换以增强图像,自适应得到优选伽马值,对优选伽马值增强后的图像进行打磨质量检测,实现恒力浮动打磨头打磨量的计算。
发明内容
为了解决上述技术问题,本发明提供一种恒力浮动打磨头打磨质量视觉检测方法,以解决现有的问题。
本发明的一种恒力浮动打磨头打磨质量视觉检测方法采用如下技术方案:
本发明一个实施例提供了一种恒力浮动打磨头打磨质量视觉检测方法,该方法包括以下步骤:
采集打磨前后被打磨物体图像,分别记为第一图像和第二图像;通过不同伽马值对第一图像进行伽马变换得到第一图像各增强图像,获取第二图像各增强图像;获取第一图像各增强图像、第二图像各增强图像以及第一图像、第二图像所对应的边缘图像;
获取第一图像的边缘图像中各边缘像素点斜率;根据第一图像的边缘图像中各边缘像素点斜率得到斜率共生矩阵;根据第一图像的边缘图像中各边缘线的边缘像素点斜率差异及斜率共生矩阵得到第一图像的边缘图像中各边缘线的斜率规律重复度;根据各边缘像素点局部窗口内边缘线数量得到各边缘像素点的边缘线密度;根据各边缘像素点的边缘线密度对各边缘像素点进行聚类;根据聚类结果得到各边缘像素点局部窗口内边缘线分布差异度;根据各边缘像素点局部窗口内各边缘线斜率规律重复度及边缘线分布差异度得到各边缘像素点毛刺特征趋近值;根据各边缘像素点毛刺特征趋近值得到各边缘线毛刺特征趋近值;根据各边缘线毛刺特征趋近值得到第一图像的边缘图像的毛刺存在强度;
获取第一图像各增强图像、第二图像各增强图像以及第二图像的毛刺存在强度;
根据第一图像的边缘图像的毛刺存在强度得到不同伽马值下第一图像的增强效果值;将第一图像最大增强效果值对应的伽马值作为第一图像优选伽马值,获取第二图像优选伽马值;
根据第一图像优选伽马值及第二图像优选伽马值得到打磨头打磨质量;打磨头打磨质量高于打磨质量阈值时,打磨质量合格。
优选的,所述根据第一图像的边缘图像中各边缘像素点斜率得到斜率共生矩阵,具体步骤为:
分别从各边缘线两个端点处开始,沿边缘线延伸方向对相邻两个边缘像素点的斜率情况进行统计,将各边缘线两个方向的统计结果均统计在同一斜率共生矩阵内。
优选的,所述根据第一图像的边缘图像中各边缘线的边缘像素点斜率差异及斜率共生矩阵得到第一图像的边缘图像中各边缘线的斜率规律重复度,表达式为:
式中,第一图像的边缘图像中第一边缘线的斜率规律重复度,为第一图
像的边缘图像中总边缘线段数,为第一边缘线与第边缘线的斜率差异,
为第一边缘线的边缘像素点个数,、分别为第一边缘线上分别从端点1、端点2方向
统计的第个相邻两个边缘像素点的斜率共同出现的概率;为求最小值函数,为第一边缘线沿端点方向及第二边缘线沿端点方向时计算的两个边缘线的斜
率差异,为第二边缘线的边缘像素点个数,为求与中较小值,为第
一边缘线沿端点方向第个边缘像素点斜率,为第二边缘线沿端点方向第个边缘
像素点斜率。
优选的,所述根据各边缘像素点局部窗口内边缘线数量得到各边缘像素点的边缘线密度,表达式为:
式中,为边缘像素点的边缘线密度,为边缘像素点局部窗口内边缘线数量,
为边缘像素点局部窗口的面积。
优选的,所述根据聚类结果得到各边缘像素点局部窗口内的边缘线分布差异度,表达式为:
式中,为边缘像素点局部窗口内的边缘线分布差异度,为归一化函数,为边缘像素点的边缘线密度,为聚类结果中最大聚类簇的平均边缘线密度。
优选的,所述根据各边缘像素点局部窗口内各边缘线斜率规律重复度及边缘线分布差异度得到各边缘像素点毛刺特征趋近值,表达式为:
式中,为边缘像素点毛刺特征趋近值,为边缘像素点局部窗口内边缘线数
量,为边缘像素点局部窗口内边缘线分布差异度,为边缘像素点所在边缘线长度,为边缘像素点局部窗口内第个边缘线长度,为边缘像素点局部窗口内第
个边缘线的斜率规律重复度。
优选的,所述根据各边缘像素点毛刺特征趋近值得到第一图像的边缘图像中各边缘线毛刺特征趋近值,表达式为:
式中,为第一图像的边缘图像中第一边缘线的毛刺特征趋近值,为第一边缘
线上第个边缘像素点的毛刺特征趋近值,为第一边缘线上边缘像素点个数。
优选的,所述根据第一图像的边缘图像中各边缘线毛刺特征趋近值得到第一图像的边缘图像的毛刺存在强度,表达式为:
式中,为第一图像的边缘图像的毛刺存在强度,为第一图像的边缘图像中
第个边缘线的毛刺特征趋近值,为第一图像的边缘图像中边缘线数量。
优选的,所述根据第一图像的边缘图像的毛刺存在强度得到不同伽马值下第一图像的增强效果值,表达式为:
式中,为第个伽马值下第一图像的增强效果值,为第一图像的毛刺存
在强度,为第个伽马值下第一图像的增强图像的毛刺存在强度,为以为底的
指数函数。
优选的,所述根据第一图像优选伽马值及第二图像优选伽马值得到打磨头打磨质量,具体为:
获取第一图像优选伽马值对应的增强图像,记为第一优选增强图像;
获取第二图像优选伽马值对应的增强图像,记为第二优选增强图像;
打磨头打磨质量表达式为:
式中,为恒力浮动打磨头打磨质量,为第一优选增强图像的毛刺存在强度,为第二优选增强图像的毛刺存在强度,为以为底的指数函数。
本发明至少具有如下有益效果:
本发明通过机器视觉结合被打磨物体表面特征,进行被打磨物体表面毛刺检测,完成恒力浮动打磨头打磨量的计算。通过对采集图像进行自适应增强,得到图像增强前后图像中毛刺变化,避免了优选伽马值需要人工不断重复设定选取的问题,增加了图像增强效果评价的准确性和场景适用性,提高了被打磨物体表面图像中毛刺检测水平,进而提高了恒力浮动打磨头打磨质量的计算精度;
为避免优选伽马值需要人工不断重复设定选取的问题,本发明采用不同伽马值分别对被打磨物体打磨前后图像进行增强,对打磨前图像各增强图像、打磨后图像各增强图像以及打磨前图像、打磨后图像所对应的边缘图像,构建斜率规律重复度及边缘线分布差异度指标,完成各边缘线的毛刺特征检测,得到各图像的毛刺存在强度,根据毛刺存在强度自适应分别得到打磨前图像及打磨后图像的优选伽马值,通过优选伽马值进行伽马变换以提高图像质量,根据优选伽马值对应伽马变换后图像计算毛刺检测精度,提高打磨前图像及打磨后图像中毛刺检测精度,提高恒力浮动打磨头打磨质量的检测精度。
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为本发明提供的一种恒力浮动打磨头打磨质量视觉检测方法的流程图。
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恒力浮动打磨头打磨质量视觉检测方法,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恒力浮动打磨头打磨质量视觉检测方法的具体方案。
本发明一个实施例提供的一种恒力浮动打磨头打磨质量视觉检测方法。
具体的,提供了如下的一种恒力浮动打磨头打磨质量视觉检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,采集恒力浮动打磨头打磨前后被打磨物体图像,对图像进行预处理。
本发明实施例中通过工业相机对恒力浮动打磨头打磨前后被打磨物体进行拍摄,获取被打磨物体打磨前后表面图像,为去除图像采集过程中产生的噪点,通过双边滤波对采集的图像进行去噪,并将图像进行灰度化处理得到灰度图。将打磨前被打磨物体灰度图像记为第一图像,打磨后被打磨物体灰度图像记为第二图像。
步骤S002,采用不同伽马值处理图像,获得第一图像各增强图像、第二图像的各增强图像以及第一图像、第二图像毛刺存在强度,根据毛刺存在强度自适应得到优选伽马值,完成打磨质量检测。
由于打磨前,被打磨物体表面存在毛刺,需要进行打磨,可以根据被打磨物体表面毛刺情况判断打磨效果,本实施例通过对被打磨物体区域表面图像中毛刺区域进行分析可知,毛刺区域大多为边缘密集且细短小等区域,故可以据此特征获取图像中的毛刺情况。但是由于获取过程中可能会因为场景灯光或者本身毛刺区域对比度较低等问题,使得获取的图像中光照不足或光照过强,不易检测出毛刺区域,故本实施例通过对被打磨物体区域表面图像进行增强,根据增强后图像进行分析,获取物体打磨质量。
本实施例采用现有伽马变换图像增强算法对第一图像及第二图像进行增强,由于不同伽马值对图像的增强效果不同,故本实施例通过结合本实施例场景进行自适应获取优选伽马值并对图像进行增强得到第一增强图像的各增强图像以及第二图像的各增强图像。需要说明的是,实施者可根据实际情况选取伽马值,本实施例中伽马值为:
{0.04,0.10,0.15,0.20,0.30,0.40,0.55,0.67,1,1.25,1.5,1.95,2.5,3.75,5.0,7.5,10.0,17.5,25.0}
由于伽马变换后图像相对原始图像,图像中可检测到的毛刺像素点发生变化,即原始图像中由于对比度等原因,使得原本为毛刺的像素点不易被检测出来,进而影响后续判断,而伽马变换后,使得不易检测的毛刺像素点被检测出来,故当增强图像中可检测到的毛刺像素点的数量越多,则说明图像增强效果越好。
通过边缘检测获取第一图像各增强图像、第二图像各增强图像以及第一图像、第二图像所对应的边缘图像,本实施例采用canny算子进行边缘检测,具体边缘检测算法实施者可自行选取。
对获取的各边缘图像中边缘线进行分割,具体为,由于边缘图像中包含大量边缘信息,存在相互交叉的边缘线,这些相互交叉的边缘线可能会对边缘线分析造成干扰,同时由于边缘线交叉可能会导致毛刺边缘不易完整获取,故本实施例将各边缘图像中各边缘线交点作为各分割点,根据各分割点对边缘线进行分割,根据分割结果得到各边缘图像中各边缘线,即每个边缘线仅有两个端点。
由于图像中边缘线数量众多,被打磨物体本身自带纹理导致相似边缘线较多,故可以将没有较多相似边缘线的边缘认定为毛刺边缘线,将有较多相似边缘线的边缘认定为非毛刺边缘线,以此来获取毛刺存在强度,对于毛刺存在度的具体提取过程,本实施例以第一图像的边缘图像为例进行详细说明,第一图像的边缘图像的毛刺存在度获取过程具体为:
对第一图像的边缘图像,根据各边缘像素点处的灰度梯度方向垂直于各像素点处边缘线的切线方向,获取各边缘像素点的切线方向作为各边缘像素点的斜率,斜率用角度表示;根据第一图像的边缘图像中各边缘像素点斜率得到斜率共生矩阵,具体为,由于每段边缘线从不同方向统计的相邻两个边缘像素点斜率情况不同,因此对每段边缘线统计两次,分别为从各段边缘线各端点处开始,沿边缘线延伸方向对相邻两个边缘像素点的斜率情况进行统计,将各段边缘线两个方向的统计结果均统计在同一斜率共生矩阵内,并对斜率共生矩阵内的统计值进行归一化。矩阵中各统计值表示相邻两个边缘像素点的斜率共同出现的概率。概率越高,与边缘像素点所在直线相似的其它边缘线越多,边缘线规律重复性越大。
根据第一图像的边缘图像中各边缘线的边缘像素点斜率差异及斜率共生矩阵得到第一图像的边缘图像中各边缘线的斜率规律重复度,表达式为:
式中,第一图像的边缘图像中第一边缘线的斜率规律重复度,为第一图
像的边缘图像中总边缘线段数,为第一边缘线与第边缘线的斜率差异,
为第一边缘线的边缘像素点个数,、分别为第一边缘线上分别从端点1与端点2方向
统计的第个相邻两个边缘像素点的斜率共同出现的概率;为求最小值函数,为第一边缘线沿端点方向及第二边缘线沿端点方向时计算的两个边缘线的斜
率差异,为第二边缘线的边缘像素点个数,为求与中较小值,为第
一边缘线沿端点方向第个边缘像素点斜率,为第二边缘线沿端点方向第个边缘
像素点斜率。
第一边缘线与其他边缘线对应像素点斜率差异越大,则说明第一边缘线与其它边缘线的相似度越低;第一边缘线上各相邻两个边缘像素点的斜率共同出现的概率总值越小,则说明图像中与第一边缘线相似的其它边缘线数量越少,第一段边缘线的斜率规律重复度越小,第一段边缘线为毛刺边缘线的可能性越大。对第一图像的边缘图像中各边缘线进行上述第一段边缘线相同处理,得到各边缘线的斜率规律重复度。
由于被打磨物体自身存在纹理,对第一图像的边缘图像中各边缘像素点建立局部窗口,局部窗口大小实施者可自行设定,本实施例将局部窗口大小设定为10*10;根据各边缘像素点局部窗口内边缘线数量得到各边缘像素点的边缘线密度,表达式为:
式中,为边缘像素点的边缘线密度,为边缘像素点局部窗口内边缘线数量,
为边缘像素点局部窗口的面积。局部窗口内边缘线数量越多边缘线密度越大。
采用ISODATA聚类算法对第一图像的边缘图像中边缘像素点的边缘线密度进行聚类,其中初始聚类中心数实施者可自行选取,本实施例将初始聚类中心数设定为5个,获取聚类结果中最大聚类簇,聚类簇越大,局部窗口内边缘线数量相近的边缘像素点个数越多,边缘像素点属于被打磨物体自带纹理边缘的像素点的可能性越大。根据聚类结果得到各边缘像素点局部窗口内的边缘线分布差异度,表达式为:
式中,为边缘像素点局部窗口内边缘线分布差异度,为归一化函数,
为边缘像素点的边缘线密度,为聚类结果中最大聚类簇的平均边缘线密度。边缘像素点
局部窗口内边缘线密度与最大聚类簇的平均边缘线密度差异越大,边缘线分布差异度越
大,边缘像素点所在边缘线越可能为毛刺边缘线。
根据各边缘像素点局部窗口内各边缘线斜率规律重复度及边缘线分布差异度得到各边缘像素点毛刺特征趋近值,表达式为:
式中,为边缘像素点毛刺特征趋近值,为边缘像素点局部窗口内边缘线数
量,为边缘像素点局部窗口内边缘线分布差异度,为边缘像素点所在边缘线长度,为边缘像素点局部窗口内第个边缘线长度,为边缘像素点局部窗口内第
个边缘线的斜率规律重复度。
边缘像素点局部窗口内包含的边缘线的数量越多,边缘线分布差异度越大,所在
边缘线的长度越短,斜率规律重复度越低,则说明像素点所在边缘线为毛刺边缘线的可能
性越大。
根据各边缘像素点毛刺特征趋近值得到第一图像的边缘图像中各边缘线毛刺特征趋近值,表达式为:
式中,为第一图像的边缘图像中第一边缘线的毛刺特征趋近值,为第一边缘
线上第个边缘像素点的毛刺特征趋近值,为第一边缘线上边缘像素点个数。
根据第一图像的边缘图像中各边缘线毛刺特征趋近值得到第一图像的边缘图像的毛刺存在强度,表达式为:
式中,为第一图像的边缘图像的毛刺存在强度,为第一图像的边缘图像中
第个边缘线的毛刺特征趋近值,为第一图像的边缘图像中边缘线数量。
重复上述第一图像的边缘图像的毛刺存在强度的获取方法,获得第一图像各增强图像、第二图像各增强图像以及第二图像的毛刺存在强度。
根据毛刺存在强度得到不同伽马值下第一图像的增强效果值,表达式为:
式中,为第个伽马值下第一图像的增强效果值,为第一图像的毛刺存
在强度,为第个伽马值下第一图像的增强图像的毛刺存在强度,为以为底的
指数函数。若伽马值对第一图像增强效果越好,相对第一图像中检测到的毛刺数量越多,越大。根据上述第个伽马值下第一图像的增强效果值的获取方法,获得不同伽马值下
第一图像的增强效果值,并进行比较,得到第一图像的最大增强效果值,将其作为第一图像
优选伽马值。
重复上述第一图像的优选伽马值的获取方法,获得第二图像优选伽马值。
根据第一图像优选伽马值及第二图像优选伽马值得到打磨头打磨质量,具体为:
将第一图像优选伽马值对应的增强图像,记为第一优选增强图像;将第二图像优选伽马值对应的增强图像,记为第二优选增强图像;
打磨头打磨质量表达式为:
式中,为恒力浮动打磨头打磨质量,为第一优选增强图像的毛刺存在强度,为第二优选增强图像的毛刺存在强度,为以为底的指数函数。
第一图像与第二图像的毛刺存在强度差异越大,第二图像的打磨毛刺存在强度越小,恒力浮动打磨头打磨质量越好。设置打磨质量阈值,需要说明的是,打磨质量阈值的设定实施者可自行选取,本实施例将打磨质量阈值设定为0.7。当打磨头打磨质量大于打磨质量阈值时,认为打磨质量较好。
综上所述,本发明实施例通过机器视觉结合被打磨物体表面特征,进行被打磨物体表面毛刺检测,完成恒力浮动打磨头打磨量的计算。通过对采集图像进行自适应增强,得到图像增强前后图像中毛刺变化,避免了优选伽马值需要人工不断重复设定选取的问题,增加了图像增强效果评价的准确性和场景适用性,提高了被打磨物体表面图像中毛刺检测水平,进而提高了恒力浮动打磨头打磨质量的计算精度;
为避免优选伽马值需要人工不断重复设定选取的问题,本实施例采用不同伽马值分别对被打磨物体打磨前后图像进行增强,对打磨前图像各增强图像、打磨后图像各增强图像以及打磨前图像、打磨后图像所对应的边缘图像,构建斜率规律重复度及边缘线分布差异度指标,完成各边缘线的毛刺特征检测,得到各图像的毛刺存在强度,根据毛刺存在强度自适应分别得到打磨前图像及打磨后图像的优选伽马值,通过优选伽马值进行伽马变换以提高图像质量,根据优选伽马值对应伽马变换后图像计算毛刺检测精度,提高打磨前图像及打磨后图像中毛刺检测精度,提高恒力浮动打磨头打磨质量的检测精度。
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 (10)
1.一种恒力浮动打磨头打磨质量视觉检测方法,其特征在于,该方法包括以下步骤:
采集打磨前后被打磨物体图像,分别记为第一图像和第二图像;通过不同伽马值对第一图像进行伽马变换得到第一图像各增强图像,获取第二图像各增强图像;获取第一图像各增强图像、第二图像各增强图像以及第一图像、第二图像所对应的边缘图像;
获取第一图像的边缘图像中各边缘像素点斜率;根据第一图像的边缘图像中各边缘像素点斜率得到斜率共生矩阵;根据第一图像的边缘图像中各边缘线的边缘像素点斜率差异及斜率共生矩阵得到第一图像的边缘图像中各边缘线的斜率规律重复度;根据各边缘像素点局部窗口内边缘线数量得到各边缘像素点的边缘线密度;根据各边缘像素点的边缘线密度对各边缘像素点进行聚类;根据聚类结果得到各边缘像素点局部窗口内边缘线分布差异度;根据各边缘像素点局部窗口内各边缘线斜率规律重复度及边缘线分布差异度得到各边缘像素点毛刺特征趋近值;根据各边缘像素点毛刺特征趋近值得到各边缘线毛刺特征趋近值;根据各边缘线毛刺特征趋近值得到第一图像的边缘图像的毛刺存在强度;
获取第一图像各增强图像、第二图像各增强图像以及第二图像的毛刺存在强度;
根据第一图像的边缘图像的毛刺存在强度得到不同伽马值下第一图像的增强效果值;将第一图像最大增强效果值对应的伽马值作为第一图像优选伽马值,获取第二图像优选伽马值;
根据第一图像优选伽马值及第二图像优选伽马值得到打磨头打磨质量;打磨头打磨质量高于打磨质量阈值时,打磨质量合格。
2.如权利要求1所述的一种恒力浮动打磨头打磨质量视觉检测方法,其特征在于,所述根据第一图像的边缘图像中各边缘像素点斜率得到斜率共生矩阵,具体步骤为:
分别从各边缘线两个端点处开始,沿边缘线延伸方向对相邻两个边缘像素点的斜率情况进行统计,将各边缘线两个方向的统计结果均统计在同一斜率共生矩阵内。
3.如权利要求1所述的一种恒力浮动打磨头打磨质量视觉检测方法,其特征在于,所述根据第一图像的边缘图像中各边缘线的边缘像素点斜率差异及斜率共生矩阵得到第一图像的边缘图像中各边缘线的斜率规律重复度,表达式为:
式中,第一图像的边缘图像中第一边缘线的斜率规律重复度,/>为第一图像的边缘图像中总边缘线段数,/>为第一边缘线与第/>边缘线的斜率差异,/>为第一边缘线的边缘像素点个数,/>、/>分别为第一边缘线上分别从端点1、端点2方向统计的第/>个相邻两个边缘像素点的斜率共同出现的概率;/>为求最小值函数,/>为第一边缘线沿端点/>方向及第二边缘线沿端点/>方向时计算的两个边缘线的斜率差异,/>为第二边缘线的边缘像素点个数, />为求/>与/>中较小值,/>为第一边缘线沿端点/>方向第/>个边缘像素点斜率,/>为第二边缘线沿端点/>方向第/>个边缘像素点斜率。
4.如权利要求1所述的一种恒力浮动打磨头打磨质量视觉检测方法,其特征在于,所述根据各边缘像素点局部窗口内边缘线数量得到各边缘像素点的边缘线密度,表达式为:
式中,为边缘像素点/>的边缘线密度,/>为边缘像素点/>局部窗口内边缘线数量,/>为边缘像素点/>局部窗口的面积。
5.如权利要求1所述的一种恒力浮动打磨头打磨质量视觉检测方法,其特征在于,所述根据聚类结果得到各边缘像素点局部窗口内的边缘线分布差异度,表达式为:
式中,为边缘像素点/>局部窗口内的边缘线分布差异度,/>为归一化函数,/>为边缘像素点/>的边缘线密度,/>为聚类结果中最大聚类簇的平均边缘线密度。
6.如权利要求1所述的一种恒力浮动打磨头打磨质量视觉检测方法,其特征在于,所述根据各边缘像素点局部窗口内各边缘线斜率规律重复度及边缘线分布差异度得到各边缘像素点毛刺特征趋近值,表达式为:
式中,为边缘像素点/>毛刺特征趋近值,/>为边缘像素点/>局部窗口内边缘线数量,/>为边缘像素点/>局部窗口内边缘线分布差异度,/>为边缘像素点/>所在边缘线长度,/>为边缘像素点/>局部窗口内第/>个边缘线长度,/>为边缘像素点/>局部窗口内第/>个边缘线的斜率规律重复度。
7.如权利要求1所述的一种恒力浮动打磨头打磨质量视觉检测方法,其特征在于,所述根据各边缘像素点毛刺特征趋近值得到第一图像的边缘图像中各边缘线毛刺特征趋近值,表达式为:
式中,为第一图像的边缘图像中第一边缘线的毛刺特征趋近值,/>为第一边缘线上第/>个边缘像素点的毛刺特征趋近值,/>为第一边缘线上边缘像素点个数。
8.如权利要求1所述的一种恒力浮动打磨头打磨质量视觉检测方法,其特征在于,所述根据第一图像的边缘图像中各边缘线毛刺特征趋近值得到第一图像的边缘图像的毛刺存在强度,表达式为:
式中,为第一图像的边缘图像的毛刺存在强度,/>为第一图像的边缘图像中第/>个边缘线的毛刺特征趋近值,/>为第一图像的边缘图像中边缘线数量。
9.如权利要求1所述的一种恒力浮动打磨头打磨质量视觉检测方法,其特征在于,所述根据第一图像的边缘图像的毛刺存在强度得到不同伽马值下第一图像的增强效果值,表达式为:
式中,为第/>个伽马值下第一图像的增强效果值,/>为第一图像的毛刺存在强度, />为第/>个伽马值下第一图像的增强图像的毛刺存在强度,/>为以/>为底的指数函数。
10.如权利要求1所述的一种恒力浮动打磨头打磨质量视觉检测方法,其特征在于,所述根据第一图像优选伽马值及第二图像优选伽马值得到打磨头打磨质量,具体为:
获取第一图像优选伽马值对应的增强图像,记为第一优选增强图像;
获取第二图像优选伽马值对应的增强图像,记为第二优选增强图像;
打磨头打磨质量表达式为:
式中,为恒力浮动打磨头打磨质量,/>为第一优选增强图像的毛刺存在强度,/>为第二优选增强图像的毛刺存在强度,/>为以/>为底的指数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310898222.9A CN116630312B (zh) | 2023-07-21 | 2023-07-21 | 一种恒力浮动打磨头打磨质量视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310898222.9A CN116630312B (zh) | 2023-07-21 | 2023-07-21 | 一种恒力浮动打磨头打磨质量视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116630312A true CN116630312A (zh) | 2023-08-22 |
CN116630312B CN116630312B (zh) | 2023-09-26 |
Family
ID=87602906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310898222.9A Active CN116630312B (zh) | 2023-07-21 | 2023-07-21 | 一种恒力浮动打磨头打磨质量视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630312B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078676A (zh) * | 2023-10-16 | 2023-11-17 | 青岛盛鑫达机械有限公司 | 基于图像处理的破碎锤外壳视觉检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011196982A (ja) * | 2010-03-17 | 2011-10-06 | Cognex Kk | 欠陥検出方法、欠陥検出装置、及びプログラム |
WO2012116468A1 (zh) * | 2011-02-28 | 2012-09-07 | Liu Shichang | 按色度和视觉保真原则传送及显示图像的方法 |
CN105931227A (zh) * | 2016-04-14 | 2016-09-07 | 北京工业大学 | 一种基于图像灰度b扫曲线的焊缝表面缺陷特征提取方法 |
CN106780528A (zh) * | 2016-12-01 | 2017-05-31 | 广西师范大学 | 基于边缘线匹配的图像对称轴检测方法 |
WO2019233264A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法、计算机可读存储介质和电子设备 |
WO2020051746A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 图像的边缘检测方法、图像处理设备及计算机存储介质 |
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 |
CN115272376A (zh) * | 2022-09-27 | 2022-11-01 | 山东鑫科来信息技术有限公司 | 基于机器视觉的浮动打磨头控制方法 |
CN115984271A (zh) * | 2023-03-20 | 2023-04-18 | 山东鑫科来信息技术有限公司 | 基于角点检测的金属毛刺识别方法 |
CN116128774A (zh) * | 2023-04-15 | 2023-05-16 | 山东大学第二医院 | 一种胃部螺旋ct数据增强处理方法 |
CN116168039A (zh) * | 2023-04-26 | 2023-05-26 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
-
2023
- 2023-07-21 CN CN202310898222.9A patent/CN116630312B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011196982A (ja) * | 2010-03-17 | 2011-10-06 | Cognex Kk | 欠陥検出方法、欠陥検出装置、及びプログラム |
WO2012116468A1 (zh) * | 2011-02-28 | 2012-09-07 | Liu Shichang | 按色度和视觉保真原则传送及显示图像的方法 |
CN105931227A (zh) * | 2016-04-14 | 2016-09-07 | 北京工业大学 | 一种基于图像灰度b扫曲线的焊缝表面缺陷特征提取方法 |
CN106780528A (zh) * | 2016-12-01 | 2017-05-31 | 广西师范大学 | 基于边缘线匹配的图像对称轴检测方法 |
WO2019233264A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法、计算机可读存储介质和电子设备 |
WO2020051746A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 图像的边缘检测方法、图像处理设备及计算机存储介质 |
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 |
CN115272376A (zh) * | 2022-09-27 | 2022-11-01 | 山东鑫科来信息技术有限公司 | 基于机器视觉的浮动打磨头控制方法 |
CN115984271A (zh) * | 2023-03-20 | 2023-04-18 | 山东鑫科来信息技术有限公司 | 基于角点检测的金属毛刺识别方法 |
CN116128774A (zh) * | 2023-04-15 | 2023-05-16 | 山东大学第二医院 | 一种胃部螺旋ct数据增强处理方法 |
CN116168039A (zh) * | 2023-04-26 | 2023-05-26 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
Non-Patent Citations (2)
Title |
---|
朱铮涛;萧达安;: "基于非线性调整的伽马校正图像增强算法", 计算机工程与设计, no. 09 * |
王志刚;张轲;罗志锋;陈易新;: "爬壁机器人焊缝跟踪过程中的焊缝检测与识别研究", 热加工工艺, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078676A (zh) * | 2023-10-16 | 2023-11-17 | 青岛盛鑫达机械有限公司 | 基于图像处理的破碎锤外壳视觉检测方法 |
CN117078676B (zh) * | 2023-10-16 | 2024-01-12 | 青岛盛鑫达机械有限公司 | 基于图像处理的破碎锤外壳视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116630312B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN111582294B (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN116630312B (zh) | 一种恒力浮动打磨头打磨质量视觉检测方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN116993724B (zh) | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 | |
CN115115612B (zh) | 一种用于机械配件的表面缺陷检测方法及系统 | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
CN108921813A (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN116993731B (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
CN116109637B (zh) | 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法 | |
CN112378350A (zh) | 一种网络变压器pin脚平整度检测方法 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN113870202A (zh) | 一种基于深度学习技术的远端芯片缺陷检测系统 | |
CN116993742A (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN113781413B (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN117274405B (zh) | 基于机器视觉的led灯工作颜色检测方法 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN116703903B (zh) | 一种基于机器视觉的锚杆修复质量检测方法 | |
CN116993966B (zh) | 一种铸件打磨视觉智能定位方法及系统 | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
CN116823827B (zh) | 一种基于图像处理的矿石粉碎效果评价方法 |
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 |