CN116740059B - 一种门窗机加工智能调控方法 - Google Patents
一种门窗机加工智能调控方法 Download PDFInfo
- Publication number
- CN116740059B CN116740059B CN202311007546.5A CN202311007546A CN116740059B CN 116740059 B CN116740059 B CN 116740059B CN 202311007546 A CN202311007546 A CN 202311007546A CN 116740059 B CN116740059 B CN 116740059B
- Authority
- CN
- China
- Prior art keywords
- door
- local area
- index
- window
- rough
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003754 machining Methods 0.000 title claims abstract description 31
- 230000000739 chaotic effect Effects 0.000 claims abstract description 40
- 230000001105 regulatory effect Effects 0.000 claims description 11
- 230000001276 controlling effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 33
- 238000005520 cutting process Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 230000003746 surface roughness Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 239000000047 product Substances 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000002023 wood Substances 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000010079 rubber tapping Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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
- G06T7/12—Edge-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
- G06T2207/30164—Workpiece; Machine component
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及设备智能调控技术领域,具体涉及一种门窗机加工智能调控方法。本发明通过将待加工门窗灰度图像均分为局部区域,根据每个像素点在局部范围内像素值的复杂程度,获得每个像素点的粗糙值;根据局部区域中每个像素点粗糙值之间的变化混乱程度和粗糙值的显著程度,获得混乱指标和显著指标;根据混乱指标和显著指标获得检测区域的粗糙系数;最终根据所有局部区域的粗糙系数获得待加工门窗灰度图像的粗糙指标,根据粗糙指标实现对门窗机的加工速度的智能调控。本发明通过对待加工的局部区域表面进行更全面准确的粗糙度判断,使对门窗机加工速度的调整更准确,加工过程更可靠,提高最终加工产品质量。
Description
技术领域
本发明涉及设备智能调控领域,具体涉及一种门窗机加工智能调控方法。
背景技术
门窗机是一般用来加工或制造门窗的机械设备。其中,主要结构中的切割工具常用于对门窗框架进行切割和加工,如使用锯片达到相应的切割效果。在加工的过程中,切割速度的快慢直接影响着加工效果的好坏,而由于加工过程是不可逆的,最终加工效果产生的不良影响会直接影响产品的质量,因此对门窗机加工环节的调控是极为重要的。
在门窗机加工中,当加工的门窗表面较为粗糙时,说明加工速度过慢或进给速度过小,导致加工位置处表面出现缺口损伤等,甚至增加表面毛刺问题,因此需要对门窗材料表面粗糙度进行判断,但是现有对表面粗糙判断的方法,仅对像素点的混乱复杂程度分析,没有考虑到门窗材料本身的纹理情况,使最终对门窗材料表面的粗糙分析结果不准确,使门窗机的加工速度不能满足加工需求,使加工过程可靠性不强,影响最后产品质量。
发明内容
为了解决现有技术中门窗机的加工速度不能满足加工需求,使加工过程可靠性不强,影响最后产品质量的技术问题,本发明的目的在于提供一种门窗机加工智能调控方法,所采用的技术方案具体如下:
本发明提供了一种门窗机加工智能调控方法,所述方法包括:
获取待加工门窗灰度图像,将所述待加工门窗灰度图像分为预设数量个局部区域;
根据每个局部区域中每个像素点在局部范围内像素值的复杂程度,获得每个像素点的粗糙值;根据每个局部区域中每个像素点对应所述粗糙值之间的变化混乱情况,获得每个局部区域的混乱指标;根据每个局部区域中所有像素点对应所述粗糙值的显著程度,获得局部区域的显著指标;根据每个局部区域的所述混乱指标和所述显著指标,获得所述局部区域的粗糙系数;
通过所有所述局部区域的所述粗糙系数获得所述待加工门窗灰度图像的粗糙指标,根据待加工门窗灰度图像的所述粗糙指标对门窗机的加工速度进行调控。
进一步地,所述粗糙值的获取方法包括:
在每个局部区域中,将任意一个像素点作为目标像素点,计算目标像素点在预设邻域范围内其他像素点的像素值与目标像素点的像素值之间的差值;统计在预设邻域范围内差值大于预设像素阈值的其他像素点的数量,作为目标像素点的粗糙值。
进一步地,所述混乱指标的获取方法包括:
将每个局部区域中所有像素点对应粗糙值的极差作为每个局部区域的混乱值;
根据每个局部区域中所有像素点及粗糙值构建直方图,根据直方图中粗糙值的变化趋势拟合变化曲线;统计变化曲线中极大值的数量,获得每个局部区域的变化程度值;
根据每个局部区域的所述混乱值和所述变化程度值,获得每个局部区域的混乱指标,所述混乱值和所述变化程度值均与所述混乱指标呈正相关关系。
进一步地,所述显著指标的获取方法包括:
统计每个局部区域中像素点对应粗糙值大于预设显著阈值的数量,得到显著数量;将所述显著数量与每个局部区域中像素点的总数量的比值作为每个局部区域的显著指标。
进一步地,所述粗糙系数的获取方法包括:
将每个所述局部区域归一化的所述混乱指标和所述显著指标的乘积,作为每个所述局部区域的粗糙系数。
进一步地,所述粗糙指标的获取方法包括:
统计局部区域的所述粗糙系数大于预设粗糙阈值的数量,得到粗糙区域数量;将所述粗糙区域数量与局部区域总数量的比值作为待加工门窗灰度图像的粗糙指标。
进一步地,所述根据待加工门窗灰度图像的所述粗糙指标对门窗机的加工速度进行调控,包括:
当待加工门窗灰度图像的所述粗糙指标大于预设标准粗糙指标时,将门窗机的速度增加预设调节速度量。
本发明具有如下有益效果:
本发明通过将待加工门窗灰度图像均分为局部区域,考虑到门窗材质的复杂性,对门窗材料表面分区域分析,根据每个像素点在局部范围内像素值的复杂程度,获得每个像素点的粗糙值,通过粗糙值反映的像素点的局部特征参与后续计算,使对表面纹理的复杂性分析更准确。根据局部区域中每个像素点粗糙值之间的变化混乱程度和粗糙值的显著程度,获得混乱指标和显著指标,通过分布和数值两方面综合考虑每个局部区域中的粗糙情况,对于表面粗糙的分析更全面。进一步考虑到门窗材料本身具有的纹理表面特点,根据混乱指标和显著指标获得局部区域的粗糙系数,更全面地对局部区域进行粗糙程度的分析,使最终调整结果更可信。最终根据所有局部区域的粗糙系数获得待加工门窗灰度图像的粗糙指标,对待加工门窗表面情况整体判断,根据粗糙情况实现对门窗机的加工速度的智能调控。结合门窗材料表面复杂性,对待加工的局部区域表面进行更全面准确的粗糙度判断,使对门窗机加工速度的调整更准确,满足门窗材料的切割加工,加工过程更可靠,提高最终加工产品质量。
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所提供的一种门窗机加工智能调控方法流程图;
图2为本发明一个实施例所提供的一种门窗机加工图像的粗糙程度获取方法流程图。
具体实施方式
一种门窗机加工智能调控方法实施例:
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门窗机加工智能调控方法,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门窗机加工智能调控方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种门窗机加工智能调控方法流程图,该方法包括以下步骤:
S1:获取待加工门窗灰度图像,将待加工门窗灰度图像分为预设数量个局部区域。
在本发明实施例中,考虑到门窗机在加工时,一些门窗材料表面相较于正常材质表面是较为粗糙的,由于粗糙程度的不稳定性,使正常门窗机的切割速度常常不能满足一些门窗材料的切割。在对粗糙程度较大的材料进行切割时,由于速度较慢使切割位置处易出现毛刺缺口等问题,使表面粗糙程度大,因此本发明通过对门窗材质表面粗糙性分析,使门窗机可以自适应调控加工速度,提高加工后门窗产品的质量。因此首先通过工业相机拍摄待加工的门窗材料表面图像,获取待加工门窗图像,对待加工门窗图像进行预处理,得到待加工门窗灰度图像。需要说明的是,图像预处理可以具体包括图像灰度化处理和图像去噪处理等,图像预处理为本领域技术人员熟知的技术,在此不做赘述。
考虑到门窗机加工时,需要进行划线、敲眼或打孔等对部分区域操作的过程,而门窗材料本身受各种加工工艺的影响会存在部分区域上粗糙程度并不相同,因此将待加工门窗灰度图像分为多个局部区域分析,更方便反映出待加工门窗灰度图像中像素点在局部区域中的纹理细节,在本发明实施例中,将待加工门窗灰度图像分为预设数量个局部区域,其中预设数量为10,具体数值实施者可根据具体实施情况进行调整。需要说明的是,划分规则优先选取均匀划分,根据图像的边缘大小进行均分,当无法均分时,取图像边缘大小的最大均分情况划分,并将剩余部分作为一个局部区域,例如当图像边缘大小为17,优先均分出边长为4的4个局部区域,并将剩余区域作为一个局部区域,其他划分方法在此不做限制。
至此,完成对待加工门窗灰度图像的初步处理,对每个局部区域进行分析。
S2:根据每个局部区域中每个像素点在局部范围内像素值的复杂程度,获得每个像素点的粗糙值;根据每个局部区域中每个像素点对应粗糙值之间的变化混乱情况,获得每个局部区域的混乱指标;根据每个局部区域中所有像素点对应粗糙值的显著程度,获得局部区域的显著指标;根据每个局部区域的混乱指标和显著指标,获得局部区域的粗糙系数。
首先针对局部区域中每个像素点分析局部范围的复杂情况,对每个像素点表征的局部粗糙情况进行量化,根据每个局部区域中每个像素点在局部范围内像素值的复杂程度,获得每个像素点的粗糙值,粗糙值也反映出每个像素点在局部的纹理复杂情况,当粗糙值越大说明像素点局部纹理特征较为丰富。
在本发明一个实施例中,预设邻域范围为每个像素点的八邻域范围,在每个局部区域中,将任意一个像素点作为目标像素点,计算目标像素点在预设邻域范围内其他像素点的像素值与目标像素点的像素值之间的差值,通过差值反映目标像素点的局部差异情况。
当八邻域范围内其他像素点与目标像素点的差值大于预设像素阈值时,说明其他像素点与目标像素点之间灰度相差较大,其他像素点相对于目标像素点的表征更明显,目标像素点位置处对应的粗糙程度是越大的,反之当差值越小,说明目标像素点反映出局部粗糙程度越小,甚至为噪声点。在本发明实施例中,预设像素阈值为10,通过预设的像素阈值保留每个像素点在局部范围上更多的灰度值变化的复杂情况,也避免一些噪声像素点的影响,实施者可根据具体实施情况对数值进行调整。
统计在预设邻域范围内差值大于预设像素阈值的其他像素点的数量,作为每个像素点的粗糙值,粗糙值表征每个像素点的局部特征,也即通过粗糙值可以反映出每个像素点在八邻域范围中其他像素点像素值的波动情况,当粗糙值越大,说明像素点局部特征对应的纹理信息越丰富。
在本发明其他实施例中,可以采用LBP算子对每个像素点计算LBP码,将LBP码中1的数量作为每个像素点的粗糙值,其中,当1的数量越多时,说明像素点的局部像素点大于中心像素点的数量多,当局部像素点大于中心像素点越多时,说明中心像素点对应周围像素点表征的像素值情况越明显,对应中心像素点局部特征的纹理越复杂,反之当1的数量越少时,说明像素点周围像素点的像素值表征情况不明显,像素点对应局部特征的纹理可能越均匀简单。其中LBP算子为本领域技术人员熟知的技术手段,在此不做赘述。
进一步可以对每个局部区域中像素点的粗糙值进行分析,分析局部区域中的粗糙值的变化紊乱情况,当局部区域中粗糙值越混乱说明对应局部区域表面特征越复杂,表面可能越粗糙,越不利于门窗机进行加工,因此先根据每个局部区域中每个像素点对应粗糙值之间的变化混乱情况,获得每个局部区域的混乱指标。
首先对局部区域中,像素点粗糙值的数值混乱程度分析,优选地,在每个局部区域中,将所有像素点对应粗糙值的极差作为每个局部区域的混乱值,混乱值可以反映在每个局部区域中像素点粗糙值的变化程度,当混乱值越大,说明在局部区域中像素点局部纹理之间的变化越大,局部区域表面特征越混乱,表面情况越复杂。在本发明其他实施例中,也可以用所有像素点对应粗糙值的方差作为混乱值,反映局部区域表面的混乱程度,在此不做赘述。
进一步地,不仅仅考虑到粗糙值在数值上的混乱程度,还考虑到粗糙值的变化规律上的混乱程度,在本发明实施例中,根据每个局部区域中所有像素点及粗糙值构建直方图,直方图的横坐标为局部区域中的像素点,纵坐标为像素点对应的粗糙值。根据直方图中粗糙值的变化趋势拟合变化曲线,变化曲线反映出局部区域中像素点局部特征的变化规律性。统计变化曲线中极大点的数量,获得每个局部区域的变化程度值,通过变化程度值反映出像素点粗糙值的变化剧烈程度,当变化程度越大,说明变化曲线对应的峰值越多,像素点局部特征在变化规律上越混乱。
在本发明实施例中,选择最小二乘法进行曲线的拟合。需要说明的是,直方图的构建和曲线的拟合均为本领域技术人员熟知的技术手段,其中变化曲线极大点的获取方法可以为,在变化曲线中将一阶导为零,二阶导小于零的点作为极大点,进而可以统计极大点的数量作为变化程度值,其他公知技术方法在此不做赘述。
根据每个局部区域的混乱值和变化程度值,获得每个局部区域的混乱指标,结合局部区域中像素点局部特征在数值上和变化规律上的混乱程度,综合反映局部区域中表面的混乱程度。混乱值和变化程度值均与混乱指标呈正相关关系,在本发明实施例中,混乱指标的具体表达式为:
式中,表示为第/>个局部区域的混乱指标,/>表示为第/>个局部区域中粗糙值的最大值,/>表示为第/>个局部区域中粗糙值的最小值,/>表示为第/>个局部区域的变化程度值。
其中,表示为第/>个局部区域的混乱值,通过乘法的形式反映混乱值和变化程度值均与混乱指标呈正相关关系,在本发明其他实施例中,也可以采用其他基础数学运算手段反映混乱值和变化程度值均与混乱指标呈正相关关系,在此不做限制。
在完成对每个局部区域中混乱程度的分析后,对局部区域中表面特征的显著程度进行分析,即当像素点对应粗糙值越大,说明像素点局部特征越明显,因此根据每个局部区域中所有像素点对应粗糙值的显著程度,获得局部区域的显著指标。
在本发明实施例中,预设显著阈值为4,实施者可自行调控,当像素点对应粗糙值大于预设显著阈值时,说明像素点对应局部像素点的变化程度较大,像素点局部特征越明显。因此统计每个局部区域中像素点对应粗糙值大于预设显著阈值的数量,得到显著数量。将显著数量与每个局部区域中像素点的总数量的比值作为每个局部区域的显著指标,通过显著指标表征局部区域中局部特征明显的像素点占比程度,当局部特征明显的像素点越多,说明局部区域中具有明显纹理特征的点越多,表面粗糙程度可能越大。
在本发明实施例中,由于门窗框架材料的复杂性,加工过程存在一定的加工失误,导致局部区域的粗糙程度过于复杂,即局部区域中存在加工缺陷,这类加工缺陷无法通过调节加工速度完善,但考虑这些存在缺陷的局部区域时,会对需要进行加工速度调整的局部区域的表面判断产生影响,因此本发明只对显著指标小于0.25且变化程度值小于4的局部区域进行后续粗糙程度的分析。但需要说明的是,由于材质的不同,例如对木材门窗材料切割时,本身存在粗糙程度较大的情况,对局部区域的筛选条件范围更大,再例如对于铝合金门窗材料,其在切割过程出现缺陷的情况极小,因此粗糙程度完全可以表征加工速度的效果,也可不对局部区域进行筛选,对于局部区域的筛选条件实施者可根据具体情况调整,在此不做限制。
至此,完成对每个局部区域中所有像素点局部特征的混乱程度和显著程度的分析,进一步根据每个局部区域的混乱指标和显著指标,获得每个局部区域的粗糙系数,优选地,将每个局部区域归一化的混乱指标和显著指标的乘积作为每个局部区域的粗糙系数,在本发明实施例中,粗糙系数的具体表达式为:
式中,表示为第/>个局部区域的粗糙系数,/>表示为第/>个局部区域的混乱指标,表示为第/>个局部区域的显著数量,/>表示为第/>个局部区域中像素点的总数量。/>表示为归一化函数,需要说明的是,归一化为本领域技术人员熟知的技术手段,归一化函数的选择可以为线性归一化或标准归一化等,具体的归一化方法在此不做限定。
其中,表示为第/>个局部区域的显著指标,当混乱指标越大,说明局部区域中表面特征越混乱,显著指标越大,说明局部区域中表面特征越明显,则说明局部区域对应表面特征的纹理变化越复杂,局部区域对应表面的粗糙程度越大,因此局部区域的粗糙系数越大。
至此,通过对局部区域中像素点粗糙值的分析,获得每个局部区域的粗糙系数,以便后续对待加工门窗灰度图像的粗糙程度进行分析。
S3:通过所有局部区域的粗糙系数获得待加工门窗灰度图像的粗糙指标,根据待加工门窗灰度图像的粗糙指标对门窗机的加工速度进行智能调控。
获得每个局部区域的粗糙系数后,对所有局部区域进行初始判断,将粗糙系数较大的局部区域筛选出来作为粗糙区域,在本发明实施例中,预设粗糙阈值为0.7,统计局部区域的粗糙系数大于预设粗糙阈值的数量,得到粗糙区域数量,粗糙区域数量为待加工门窗灰度图像中较为粗糙的区域。
将粗糙区域数量与局部区域总数量的比值作为待加工门窗灰度图像的粗糙指标,粗糙指标反映了待加工门窗灰度图像中需要加工的区域的粗糙程度,当粗糙程度较小,说明只有较少的部分受到粗糙影响,调控价值不高,当粗糙程度越大,说明待加工区域中的表面越复杂,加工速度极有可能无法满足正常加工,加工产生质量的问题概率较大。
因此根据待加工门窗灰度图像的粗糙指标对门窗机的加工速度进行调控,其中加工速度即为门窗机中锯片的切割速度。优选地,当待加工门窗灰度图像的粗糙指标大于预设标准粗糙指标时,说明此时的加工速度可能无法满足当前门窗材料的加工,其加工效果可能影响加工质量,因此需要调高门窗机的加工速度,将门窗机的加工速度增加预设调节速度量。当待加工门窗灰度图像的粗糙指标小于等于预设标准粗糙指标时,说明此时的加工速度已经可以满足加工需求,不对门窗机的加工速度进行调节。
在本发明实施例中,预设标准粗糙指标为0.5,具体数值实施者可自行调控,其中,预设调节速度量根据实施情况中门窗材料的不同,有不同的设置标准,例如在对木材进行加工时,可以设置预设速度调节量为1000转每分钟,当待加工门窗灰度图像的粗糙指标大于预设标准粗糙指标时,将原门窗机的加工速度调高1000转每分钟,其具体数值也受木材的硬度、密度和切割工艺影响,对于其他门窗材料如聚氯乙烯或铝合金等,速度调节量均受材质和工具的影响,在不同实施情况均不相同,因此具体数值的设置实施者可根据具体实施情况进行调整,在此不做限制。
至此,通过对门窗材料表面特征进行分析,实现根据表面特征智能调控门窗机加工速度,保证加工过程的高效进行,提高加工产品的质量。
综上,本发明通过将待加工门窗灰度图像均分为局部区域,考虑到门窗材质的复杂性,对门窗材料表面分区域分析,根据每个像素点在局部范围内像素值的复杂程度,获得每个像素点的粗糙值,通过粗糙值反映的像素点的局部特征进行后续分析,使对表面纹理的复杂性分析更准确;根据局部区域中每个像素点粗糙值之间的变化混乱程度和粗糙值的显著程度,获得混乱指标和显著指标,通过分布和数值两方面综合考虑每个局部区域中的粗糙情况,对于表面粗糙的分析更全面;进一步考虑到门窗材料本身具有的纹理表面特点,根据混乱指标和显著指标获得检测区域的粗糙系数;最终根据所有局部区域的粗糙系数获得待加工门窗灰度图像的粗糙指标,对待加工门窗表面情况整体判断,根据粗糙情况实现对门窗机的加工速度的智能调控。本发明通过结合门窗材料表面复杂性,对待加工的局部区域表面进行更全面准确的粗糙度判断,使对门窗机加工速度的调整更准确,加工过程更可靠,提高最终加工产品质量。
一种门窗机加工图像的粗糙程度获取方法实施例:
在门窗机加工的过程中,需要进行图像处理获取门窗材料表面粗糙特征情况,但是现有对表面粗糙判断的方法,仅对像素点的混乱复杂程度分析,没有考虑到门窗材料本身的纹理情况,使最终对门窗材料表面的粗糙分析结果不准确,因此为了解决现有技术中对门窗材料表面的粗糙分析结果不准确的问题,本实施例提供了一种门窗机加工图像的粗糙程度获取方法。请参阅图2,其示出了本发明一个实施例所提供的一种门窗机加工图像的粗糙程度获取方法流程图,该方法包括以下步骤:
步骤S01:获取待加工门窗灰度图像,将待加工门窗灰度图像分为预设数量个局部区域。
步骤S02:根据每个局部区域中每个像素点在局部范围内像素值的复杂程度,获得每个像素点的粗糙值;根据每个局部区域中每个像素点对应粗糙值之间的变化混乱情况,获得每个局部区域的混乱指标;根据每个局部区域中所有像素点对应粗糙值的显著程度,获得局部区域的显著指标;根据每个局部区域的混乱指标和显著指标,获得局部区域的粗糙系数。
步骤S03:通过所有局部区域的粗糙系数获得待加工门窗灰度图像的粗糙指标。
其中步骤S01至步骤S03在上述一种门窗机加工智能调控方法实施例中已给出了详细说明,不再赘述。
在一种门窗机加工图像的粗糙程度获取方法涉及图像处理领域,该方法通过将待加工门窗灰度图像均分为局部区域,考虑到门窗材质的复杂性,对门窗材料表面分区域分析,根据每个像素点在局部范围内像素值的复杂程度,获得每个像素点的粗糙值,通过粗糙值反映的像素点的局部特征参与后续计算,使对表面纹理的复杂性分析更准确。根据局部区域中每个像素点粗糙值之间的变化混乱程度和粗糙值的显著程度,获得混乱指标和显著指标,通过分布和数值两方面综合考虑每个局部区域中的粗糙情况,对于表面粗糙的分析更全面。进一步考虑到门窗材料本身具有的纹理表面特点,根据混乱指标和显著指标获得局部区域的粗糙系数,更全面地对局部区域进行粗糙程度的分析,使最终调整结果更可信。最终根据所有局部区域的粗糙系数,通过多区域细节分析每个像素点局部特征在分布和数值上的特征,获得待加工门窗灰度图像更精确的粗糙指标,反映门窗的粗糙程度更准确。
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。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。
Claims (5)
1.一种门窗机加工智能调控方法,其特征在于,所述方法包括:
获取待加工门窗灰度图像,将所述待加工门窗灰度图像分为预设数量个局部区域;
根据每个局部区域中每个像素点在预设邻域范围内像素值的复杂程度,获得每个像素点的粗糙值;根据每个局部区域中每个像素点对应所述粗糙值之间的变化混乱情况,获得每个局部区域的混乱指标;根据每个局部区域中所有像素点对应所述粗糙值的显著程度,获得局部区域的显著指标;根据每个局部区域的所述混乱指标和所述显著指标,获得所述局部区域的粗糙系数;
通过所有所述局部区域的所述粗糙系数获得所述待加工门窗灰度图像的粗糙指标,根据待加工门窗灰度图像的所述粗糙指标对门窗机的加工速度进行调控;
所述粗糙值的获取方法包括:
在每个局部区域中,将任意一个像素点作为目标像素点,计算目标像素点在预设邻域范围内其他像素点的像素值与目标像素点的像素值之间的差值;统计在预设邻域范围内差值大于预设像素阈值的其他像素点的数量,作为目标像素点的粗糙值;
所述混乱指标的获取方法包括:
将每个局部区域中所有像素点对应粗糙值的极差作为每个局部区域的混乱值;
根据每个局部区域中所有像素点及粗糙值构建直方图,根据直方图中粗糙值的变化趋势拟合变化曲线;统计变化曲线中极大点的数量,获得每个局部区域的变化程度值;
根据每个局部区域的所述混乱值和所述变化程度值,获得每个局部区域的混乱指标,所述混乱值和所述变化程度值均与所述混乱指标呈正相关关系;
所述显著指标的获取方法包括:
统计每个局部区域中像素点对应粗糙值大于预设显著阈值的数量,得到显著数量;将所述显著数量与每个局部区域中像素点的总数量的比值作为每个局部区域的显著指标;
所述粗糙系数的获取方法包括:
将每个所述局部区域归一化的所述混乱指标和所述显著指标的乘积,作为每个所述局部区域的粗糙系数;
所述粗糙指标的获取方法包括:
统计局部区域的所述粗糙系数大于预设粗糙阈值的数量,得到粗糙区域数量;将所述粗糙区域数量与局部区域总数量的比值作为待加工门窗灰度图像的粗糙指标。
2.根据权利要求1所述的一种门窗机加工智能调控方法,其特征在于,所述根据待加工门窗灰度图像的所述粗糙指标对门窗机的加工速度进行调控,包括:
当待加工门窗灰度图像的所述粗糙指标大于预设标准粗糙指标时,将门窗机的加工速度增加预设调节速度量。
3.根据权利要求1所述的一种门窗机加工智能调控方法,其特征在于,所述变化曲线通过最小二乘法拟合获得。
4.根据权利要求1所述的一种门窗机加工智能调控方法,其特征在于,所述变化曲线中极大点的获取方法包括:
将变化曲线中一阶导为零,二阶导小于零的点作为极大点。
5.根据权利要求1所述的一种门窗机加工智能调控方法,其特征在于,所述预设邻域范围为每个像素点的八邻域范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311007546.5A CN116740059B (zh) | 2023-08-11 | 2023-08-11 | 一种门窗机加工智能调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311007546.5A CN116740059B (zh) | 2023-08-11 | 2023-08-11 | 一种门窗机加工智能调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116740059A CN116740059A (zh) | 2023-09-12 |
CN116740059B true CN116740059B (zh) | 2023-10-20 |
Family
ID=87902913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311007546.5A Active CN116740059B (zh) | 2023-08-11 | 2023-08-11 | 一种门窗机加工智能调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740059B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862290A (zh) * | 2017-11-10 | 2018-03-30 | 智车优行科技(北京)有限公司 | 车道线检测方法及系统 |
WO2021168703A1 (zh) * | 2020-02-26 | 2021-09-02 | 京东方科技集团股份有限公司 | 字符处理及字符识别方法、存储介质和终端设备 |
CN115100211A (zh) * | 2022-08-29 | 2022-09-23 | 南通电博士自动化设备有限公司 | 一种机器人金属板材表面打磨速度智能调控方法 |
CN115311507A (zh) * | 2022-10-12 | 2022-11-08 | 南通宏梁建筑科技有限公司 | 基于数据处理的建筑板材分类方法 |
CN115937204A (zh) * | 2023-01-09 | 2023-04-07 | 江苏惠汕新能源集团有限公司 | 一种焊管生产质量检测方法 |
CN116030058A (zh) * | 2023-03-29 | 2023-04-28 | 无锡斯达新能源科技股份有限公司 | 一种用于抛光垫表面粗糙度的质量评价方法 |
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 |
CN116258716A (zh) * | 2023-05-15 | 2023-06-13 | 青岛宇通管业有限公司 | 基于图像处理的塑料管材质量检测方法 |
CN116309579A (zh) * | 2023-05-19 | 2023-06-23 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11727664B2 (en) * | 2021-04-27 | 2023-08-15 | Zebra Technologies Corporation | Systems and methods for determining an adaptive region of interest (ROI) for image metrics calculations |
-
2023
- 2023-08-11 CN CN202311007546.5A patent/CN116740059B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862290A (zh) * | 2017-11-10 | 2018-03-30 | 智车优行科技(北京)有限公司 | 车道线检测方法及系统 |
WO2021168703A1 (zh) * | 2020-02-26 | 2021-09-02 | 京东方科技集团股份有限公司 | 字符处理及字符识别方法、存储介质和终端设备 |
CN115100211A (zh) * | 2022-08-29 | 2022-09-23 | 南通电博士自动化设备有限公司 | 一种机器人金属板材表面打磨速度智能调控方法 |
CN115311507A (zh) * | 2022-10-12 | 2022-11-08 | 南通宏梁建筑科技有限公司 | 基于数据处理的建筑板材分类方法 |
CN115937204A (zh) * | 2023-01-09 | 2023-04-07 | 江苏惠汕新能源集团有限公司 | 一种焊管生产质量检测方法 |
CN116030058A (zh) * | 2023-03-29 | 2023-04-28 | 无锡斯达新能源科技股份有限公司 | 一种用于抛光垫表面粗糙度的质量评价方法 |
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 |
CN116258716A (zh) * | 2023-05-15 | 2023-06-13 | 青岛宇通管业有限公司 | 基于图像处理的塑料管材质量检测方法 |
CN116309579A (zh) * | 2023-05-19 | 2023-06-23 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
Non-Patent Citations (4)
Title |
---|
Automated Image Segmentation and Asymmetry Analysis for Breast Using Infrared Images;B. -p. Chen et al;《2008 International Workshop on Education Technology and Training & 2008 International Workshop on Geoscience and Remote Sensing》;410-413 * |
Disease Spots Identification of Potato Leaves in Hyperspectral Based on Locally Adaptive 1D-CNN;F. Liu et al;《ICAICA》;355-358 * |
基于自适应模糊阈值的植物黑腐病叶片病斑的分割;刘小川等;《中国图象图形学报》;第14卷(第7期);1334-1340 * |
岩体裂隙粗糙度(JRC)对等效渗流系数的影响规律研究;王蓉等;《江西建材》(第3期);3+5 * |
Also Published As
Publication number | Publication date |
---|---|
CN116740059A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7366330B2 (en) | Method, apparatus, and program for detecting faces | |
CN111113150B (zh) | 一种机床刀具状态的监控方法 | |
CN116823826B (zh) | 一种数控机床刀具崩刃异常检测方法 | |
CN115063409B (zh) | 一种机械刀具表面材质检测方法及系统 | |
CN114862852B (zh) | 一种用于汽车零部件加工的智能控制方法 | |
CN114406502B (zh) | 激光金属切割方法及系统 | |
CN116188472B (zh) | 一种数控机床零件的在线视觉检测方法 | |
CN117454085B (zh) | 一种车辆在线监控方法及系统 | |
CN115082427B (zh) | 基于人工智能的铝材压延工艺参数控制方法 | |
CN104777785A (zh) | 一种基于指令域分析的数控加工工艺参数动态优化方法 | |
CN116740059B (zh) | 一种门窗机加工智能调控方法 | |
CN109885900A (zh) | 一种基于灰度分析的车削参数优化方法 | |
CN117522870B (zh) | 基于机器视觉的航空发动机零部件的缺陷智能检测方法 | |
CN114187286A (zh) | 一种基于机器视觉的木板材表面加工质量控制方法 | |
CN115578390B (zh) | 一种用于除氧器的焊接控制方法 | |
CN114880814B (zh) | 基于大数据的轧辊改制辅助优化方法 | |
Wan et al. | An on-line tool wear monitoring method based on cutting power | |
CN117078118B (zh) | 一种数控机床生产工件质量智能检测系统 | |
CN115600930B (zh) | 用于电力金具生产数据的智能管理方法 | |
CN117274203B (zh) | 一种环保塑料制品表面质量视觉检测方法 | |
CN114647386B (zh) | 基于人工智能的大数据分布式存储方法 | |
EP4270123A1 (en) | Systems and methods for computer-aided machining | |
CN117691918B (zh) | 一种用于泳池泵电机的控制方法及系统 | |
CN115540759B (zh) | 一种基于图像识别技术修饰金属的检测方法及检测系统 | |
CN117455915B (zh) | 基于机器视觉的三轴转台缺陷检测方法 |
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 |