CN117218041A - 一种基于线扫描的金属轴表面图像采集方法 - Google Patents
一种基于线扫描的金属轴表面图像采集方法 Download PDFInfo
- Publication number
- CN117218041A CN117218041A CN202311473782.6A CN202311473782A CN117218041A CN 117218041 A CN117218041 A CN 117218041A CN 202311473782 A CN202311473782 A CN 202311473782A CN 117218041 A CN117218041 A CN 117218041A
- Authority
- CN
- China
- Prior art keywords
- data
- metal
- light source
- point cloud
- metal shaft
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 483
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000002159 abnormal effect Effects 0.000 claims abstract description 182
- 238000013507 mapping Methods 0.000 claims abstract description 37
- 238000006243 chemical reaction Methods 0.000 claims abstract description 24
- 238000013506 data mapping Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 84
- 230000007547 defect Effects 0.000 claims description 75
- 238000009499 grossing Methods 0.000 claims description 55
- 238000004458 analytical method Methods 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 46
- 230000005856 abnormality Effects 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 28
- 230000009467 reduction Effects 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012952 Resampling Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 8
- 238000003707 image sharpening Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000012800 visualization Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013075 data extraction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像采集技术领域,尤其涉及一种基于线扫描的金属轴表面图像采集方法。所述方法包括以下步骤:利用优化光源设备对金属轴表面进行优化光源照射处理,生成金属轴线性照射数据;对金属轴线性照射数据进行二维平面数据映射,生成灰度金属轴平面数据;对灰度金属轴平面数据进行金属轴异常平面数据提取,生成异常金属轴平面数据;根据金属轴坐标数据与均衡金属轴平面数据进行金属轴表面三维映射,生成平滑三维表面点云数据;根据异常金属轴平面数据对平滑三维表面点云数据进行金属轴异常区域的图像还原,并进行金属轴表面图像输出转换,生成优化金属轴表面图像数据。本发明能够实现更精准的金属轴表面图像采集。
Description
技术领域
本发明涉及图像采集技术领域,尤其涉及一种基于线扫描的金属轴表面图像采集方法。
背景技术
金属轴表面图像采集可以帮助科学家和工程师研究金属轴的微观结构和表面特征,从而深入了解其性质、组成和变化。通过金属轴表面图像采集可以检测金属轴表面的缺陷、腐蚀、磨损等问题,有助于提前预防和解决材料损伤和老化引起的安全隐患。金属轴表面图像采集还可以用于监控金属轴在不同环境条件下的变化,为材料设计和工程应用提供重要参考。然而,传统的基于线扫描的金属轴表面图像采集方法采集精度与数据质量较低,并且对于金属轴表面的异常部分出现检测情况较差等问题。
发明内容
基于此,本发明提供一种基于线扫描的金属轴表面图像采集方法,以解决至少一个上述技术问题。
为实现上述目的,一种基于线扫描的金属轴表面图像采集方法,包括以下步骤:
步骤S1:利用光源设备对金属轴表面进行照射,并利用光源传感器进行光源反射数据强度采集,生成初始光源强度数据;根据初始光源强度数据进行最优光源折射角度选取,生成最优折射角度数据;根据最优折射角度数据对光源设备进行最优光源照射角度调节,生成光源调节数据;
步骤S2:利用光源调节数据对光源设备进行优化调节,生成优化光源设备;利用优化光源设备对金属轴表面进行优化光源照射处理,并利用线阵CCD传感器进行优化光源照射数据采集,生成金属轴线性照射数据;对金属轴线性照射数据进行金属轴坐标数据采集,生成金属轴坐标数据;对金属轴线性照射数据进行二维平面数据映射,生成金属轴平面照射数据;
步骤S3:对金属轴平面照射数据进行平面数据优化,生成均衡金属轴平面数据;对均衡金属轴平面数据进行灰度值图像转换,生成灰度金属轴平面数据;
步骤S4:对灰度金属轴平面数据进行金属轴异常平面数据提取,生成异常金属轴平面数据;
步骤S5:根据金属轴坐标数据与均衡金属轴平面数据进行金属轴表面三维映射,生成三维表面点云数据;对三维表面点云数据进行点云表面平滑处理,生成平滑三维表面点云数据;
步骤S6:根据异常金属轴平面数据对平滑三维表面点云数据进行金属轴异常区域的图像还原,并进行金属轴表面图像输出转换,生成优化金属轴表面图像数据。
本发明通过对金属轴表面进行光源照射,并采集光源反射数据强度,生成初始光源强度数据,这些数据不仅提供了照射过程中的基础信息,还可以用于分析光源与金属轴相互作用的特性。基于初始光源强度数据选取最优光源折射角度的,确保了光线能够在金属轴表面形成清晰的反射,最大程度地减少了反射失真。调节光源照射角度优化了照射过程,生成光源调节数据,使得后续数据采集阶段获得更好的成像质量,优化了光源照射条件,为后续数据采集和处理奠定了坚实基础。通过利用光源调节数据对光源设备进行优化调节,生成优化光源设备,使得光源能够以最佳状态照射金属轴表面,进一步提高了照射的效果,通过优化光源设备对金属轴表面进行照射,结合线阵CCD传感器进行优化光源照射数据采集,获得了金属轴线性照射数据,这些数据包含了物体表面的细微特征和变化,为后续数据处理和分析提供了丰富的信息基础。通过对线性照射数据进行坐标和平面映射,进一步转化为金属轴坐标数据和平面照射数据,使数据更易于处理和分析。对金属轴平面照射数据进行平面数据优化,可以去除可能存在的噪声、不均匀性等问题,从而获得更准确的金属轴表面信息,随后的灰度值图像转换,将优化后的平面数据转化为灰度金属轴平面数据,使数据更易于处理与分析金属轴表面缺陷部分,提高了数据质量,并为后续异常区域提取和三维重建提供了更可靠的数据基础。使用灰度金属轴平面数据,应用适当的数据处理技术,从中提取出金属轴的异常平面数据,异常区域可能代表着金属轴表面的缺陷、瑕疵或特殊特征,通过对灰度数据的分析和处理,异常区域与正常区域的差异变得更加明显,使得后续的异常检测更具可行性,异常数据提取使得可能存在的缺陷和异常区域能够被准确地分离出来,为金属轴的质量检测提供了重要线索。将金属轴坐标数据与均衡金属轴平面数据相结合,实现金属轴表面的三维映射,生成三维表面点云数据,这些点云数据以一种立体的方式呈现了金属轴表面的形态,包含了丰富的形状信息。通过对三维点云数据进行点云表面平滑处理,进一步优化了数据的质量,点云平滑可以消除数据中的噪声,使得数据更适合于后续的分析和可视化。利用异常金属轴平面数据将平滑三维表面点云数据中的异常区域进行图像还原,将三维数据中的异常信息重新映射到二维图像上,形成了关于异常区域的图像信息,经过金属轴表面图像输出转换,生成了优化的金属轴表面图像数据。能够将三维数据和异常信息以更直观的方式呈现出来,为进一步的分析和决策提供了便利。因此,本发明的基于线扫描的金属轴表面图像采集方法采集精度与数据质量较高,并且通过灰度值分析精准定位金属轴表面的异常部分,使异常部分进行精准还原,使得检测结果更为精准。
优选地,步骤S1包括以下步骤:
步骤S11:利用光源设备对金属轴表面进行照射,并利用光源传感器进行光源反射数据强度采集,生成初始光源强度数据;
步骤S12:对初始光源强度数据进行最优光源强度数据选取,获取最优光源强度数据;根据最优光源强度图像数据进行光源设备最优折射角度数据采集,获取最优折射角度数据;
步骤S13:根据最优折射角度数据对光源设备进行最优光源照射角度调节,生成光源调节数据。
本发明使用光源设备对金属轴表面进行照射,同时光源传感器采集了光源反射数据强度,从而获得初始光源强度数据,准确地获取照射后的光线强度信息,光源传感器的数据采集能够记录光线在金属轴表面的反射情况,提供了原始的光线信息。通过对初始光源强度数据进行分析,选取出最佳光源强度数据,最佳光源强度能够在不过度饱和或弱化的情况下实现最佳的成像效果,确保金属轴表面细节能够得到清晰展现。随后,通过最优光源强度图像数据,实现了光源设备最优折射角度数据的采集,有助于确保光线能够以最优的角度进入金属轴表面,最大限度地提高成像质量。基于最优折射角度数据,光源设备进行了最优光源照射角度的调节,以确保光线以最佳角度照射金属轴表面,有助于最大程度地减少光线的反射和折射失真,为后续数据采集和处理提供了清晰、准确的成像基础,生成的光源调节数据包含了经过优化的光线角度信息,为下一步骤提供了关键的输入数据。
优选地,步骤S2包括以下步骤:
步骤S21:根据预设的有效分析时间区间对金属轴表面进行有效金属轴表面筛选,生成有效金属轴表面;
步骤S22:根据光源调节数据对光源设备进行优化调节,生成优化光源设备;
步骤S23:利用优化光源设备对有效金属轴表面进行优化光源照射处理,并利用线阵CCD传感器进行优化光源照射数据采集,生成金属轴线性照射数据;
步骤S24:对金属轴线性照射数据进行金属轴坐标数据采集,生成金属轴坐标数据;
步骤S25:对金属轴线性照射数据进行二维平面数据映射,生成金属轴平面照射数据。
本发明根据预设的有效分析时间区间,对金属轴表面进行筛选,以选取出有效的金属轴表面,于通过排除不符合条件的物质,聚焦于分析区间内的样本,从而提高了采集的效率和数据的有效性,有效物质的选取有助于降低数据处理的复杂性,确保采集到的信息能够准确地反映分析的目标。对光源设备进行优化调节,生成优化光源设备,优化的光源设备能够确保金属轴表面在最佳照射条件下被照射,进而提高图像的清晰度和信息的获取率,为后续的照射和数据采集提供了高质量的基础,确保了采集到的数据具有更高的可靠性。利用优化的光源设备对有效金属轴表面进行优化光源照射处理,同时使用线阵CCD传感器进行数据采集,生成金属轴线性照射数据,优化的光源照射能够确保数据的清晰度和准确性,线阵CCD传感器的使用能够高效地采集到大量数据,这些数据是金属轴表面特征的基础,有助于后续的分析和处理。对金属轴线性照射数据进行分析和处理,获得了金属轴的坐标数据,这些坐标数据记录了金属轴表面上不同点的位置信息,是实现三维重建和数据映射的关键,通过精确的坐标数据,可以实现更准确的三维表面点云数据生成和后续的异常区域检测。将金属轴线性照射数据映射到二维平面,生成金属轴平面照射数据,有助于将线性数据转化为更易于处理的二维形式,为后续数据处理和分析提供了更灵活的数据结构,二维平面数据有助于在图像空间中进行更精确的特征提取和分析。
优选地,步骤S3包括以下步骤:
步骤S31:利用高斯拉普拉斯滤波对金属轴平面照射数据进行图像锐化处理,生成锐化金属轴平面数据;
步骤S32:利用直方图均衡化对锐化金属轴平面数据进行图像对比度优化处理,生成均衡金属轴平面数据;
步骤S33:对均衡金属轴平面数据进行三原色数据采集,生成均衡金属轴平面数据的三原色数据;
步骤S34:利用加权平均法对三原色数据进行色彩加权平均处理,生成色彩加权平均数据;
步骤S35:根据色彩加权平均数据对均衡金属轴平面数据进行灰度图像数据转换,生成灰度金属轴平面数据。
本发明通过应用高斯拉普拉斯滤波,对金属轴平面照射数据进行图像锐化处理,生成锐化金属轴平面数据,高斯拉普拉斯滤波可以强调图像中的边缘和细节,使得图像的轮廓更加清晰,增强了图像的细节和清晰度,为后续处理提供了更准确的数据基础。通过直方图均衡化对锐化金属轴平面数据进行处理,生成均衡金属轴平面数据,直方图均衡化可以增强图像的对比度,使得图像的亮度分布更均匀,于提高了图像的视觉品质和可分辨性,使得细微特征更加明显。从均衡金属轴平面数据中提取三原色数据,将图像数据分解为红、绿、蓝三个通道的数据,为后续的色彩加权平均处理提供了数据基础,分别处理三原色通道可以使得针对不同颜色的特征进行更有针对性的调整。利用加权平均法对三原色数据进行处理,生成色彩加权平均数据,通过调整不同通道的权重,可以实现对图像的色彩平衡和调整,有助于保持图像的真实感和视觉平衡。根据色彩加权平均数据,将均衡金属轴平面数据转换为灰度图像数据,灰度图像数据更适合于后续的数据分析和处理,同时还可以减少数据维度,简化数据处理的复杂度。
优选地,步骤S4包括以下步骤:
步骤S41:利用Roberts 算子对灰度金属轴平面数据进行灰度值边缘检测处理,生成灰度金属轴平面数据的灰度值边缘数据;
步骤S42:利用灰度值边缘异常甄别算法对灰度值边缘数据进行异常灰度值边缘数据甄别计算,生成异常灰度值边缘数据;
步骤S43:根据异常灰度值边缘数据对灰度金属轴平面数据进行金属轴异常平面数据提取,生成异常金属轴平面数据。
本发明通过应用Roberts算子对灰度金属轴平面数据进行处理,生成灰度金属轴平面数据的灰度值边缘数据,Roberts算子是一种经典的边缘检测算法,它可以有效地捕捉图像中的边缘和细节信息,从图像的灰度值中提取出边缘信息,为后续的异常检测提供了更可靠的数据基础。利用灰度值边缘异常甄别算法对灰度值边缘数据进行计算,以甄别异常灰度值边缘数据,异常灰度值边缘数据可能代表着金属轴表面的缺陷、瑕疵或特殊特征,通过巧妙地设计和应用异常甄别算法,可以将正常边缘和异常边缘区分开来,从而准确地检测出可能存在的问题区域。根据异常灰度值边缘数据,对灰度金属轴平面数据进行金属轴异常平面数据提取,生成异常金属轴平面数据,异常金属轴平面数据是一种将异常边缘信息映射回图像的方式,用于可视化和进一步的分析,实现了异常区域的提取和定位,为进一步的异常区域还原提供了重要数据。
优选地,步骤S42中的灰度值边缘异常甄别算法如下所示:
;
式中,表示为图像块的灰度值异常程度数据,/>表示为用于计算图像块的异常程度数据的梯度项的数量,/>表示为第/>个梯度项的权重信息,/>表示为横坐标与纵坐标为/>与/>的图像块灰度值,/>表示为图像块的横坐标数据,/>表示为图像块的纵坐标数据,/>表示为与邻格灰度值图像的差异程度数据,/>表示为图像块灰度值的积分权重,/>表示为整体图像的平均灰度值的系数调整值,/>表示为横坐标与纵坐标为/>与/>的整体图像平均灰度值,/>表示为整体图像的横坐标数据,/>表示为整体图像的纵坐标数据,/>表示为图像块的灰度值异常程度数据的异常调整值。
本发明利用一种灰度值边缘异常甄别算法,该算法综合考虑了用于计算图像块的异常程度数据的梯度项的数量、第/>个梯度项的权重信息/>、横坐标与纵坐标为/>与/>的图像块灰度值/>、图像块的横坐标数据/>、图像块的纵坐标数据/>、与邻格灰度值图像的差异程度数据/>、图像块灰度值的积分权重/>、整体图像的平均灰度值的系数调整值/>、横坐标与纵坐标为/>与/>的整体图像平均灰度值/>、整体图像的横坐标数据/>、整体图像的纵坐标数据/>以及函数之间的相互作用关系,以形成函数关系式:
即,,通过计算图像块的灰度值异常程度,甄别图像是否异常,如果图像块的灰度值异常程度与其他图像块的差异过大,说明该图像块存在异常,能够有效地识别图像中的异常或边缘区域,从而提取出金属轴异常平面数据。用于计算图像块异常程度数据的梯度项的数量,表示计算异常程度时考虑的梯度方向的数量,通过多个方向的梯度信息可以更全面地评估异常情况;第/>个梯度项的权重信息,这些权重用于计算梯度项的加权和,不同的梯度方向对于异常的判断有不同的重要性,通过调整权重可以灵活地适应不同的异常情况;与邻格灰度值图像的差异程度数据,用于比较图像块的灰度值与周围邻格的差异,从而判断图像块是否具有异常变化。图像块灰度值的积分权重,用于计算图像块的灰度积分,考虑了图像块内部的灰度变化情况,从而更准确地反映异常区域;整体图像的平均灰度值的系数调整值,用于调整整体图像的平均灰度值对于异常程度计算的影响,从而使算法对不同图像具有更好的适应性;整体图像的平均灰度值,用于将图像块的灰度值与整体图像的平均灰度值进行比较,以判断是否存在异常。该函数关系式结合了多个因素,包括图像块的灰度值变化、邻格的差异以及整体图像的特征,从而能够更准确地判断图像块是否具有异常或边缘特征,对于从图像中提取金属轴的异常平面数据非常重要,因为异常区域可能是金属轴表面缺陷的关键指示,通过精确识别异常区域,可以为后续的图像处理和分析提供更可靠的数据基础。利用图像块的灰度值异常程度数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成图像块的灰度值异常程度数据/>,提高对灰度值边缘数据进行异常灰度值边缘数据甄别计算的准确性和可靠性。同时该公式中的权重信息及调整值可以根据实际情况进行调整,应用于不同的灰度值边缘数据中,提高了算法的灵活性与适用性。
优选地,步骤S5包括以下步骤:
步骤S51:根据金属轴坐标数据与均衡金属轴平面数据进行金属轴表面三维映射,生成初步三维表面点云数据;
步骤S52:利用点云重采样技术对初步三维表面点云数据进行点云密度均衡处理,生成三维表面点云数据;
步骤S53:利用三维点云数据平滑算法对三维表面点云数据进行点云表面平滑处理,生成平滑三维表面点云数据。
本发明通过将金属轴坐标数据与均衡金属轴平面数据进行匹配,实现金属轴表面的三维映射,生成初步的三维表面点云数据,三维映射将二维图像数据映射到三维坐标空间中,使得金属轴表面的形态和特征以点云的形式得以还原,在于实现了从图像到三维空间的信息转化,为后续的分析和可视化提供了基础。利用点云重采样技术对初步三维表面点云数据进行处理,实现点云的密度均衡化,生成三维表面点云数据,点云密度均衡可以使得点云数据更加均匀地分布,避免过于密集或稀疏的情况,使得后续的点云处理更加稳定和准确。利用三维点云数据平滑算法对点云数据进行处理,实现点云表面的平滑处理,生成平滑三维表面点云数据,点云表面平滑可以消除点云数据中的噪声和不规则性,使得数据更适合于后续的分析和可视化,提高了数据的质量和稳定性。
优选地,步骤S53中的三维点云数据平滑算法如下所示:
;
式中,表示为三维表面点云数据的平滑指数,/>表示为三维表面点云数据的数据量,/>表示为未经平滑处理的三维表面点云数据的数据量,/>表示为第/>个点云数据的三维坐标,/>表示为第/>个点云数据的法线斜率,/>表示为第/>个点云数据的三维坐标的修正项,表示为三维表面点云数据的平滑指数的异常调整值。
本发明利用一种三维点云数据平滑算法,该算法综合考虑了三维表面点云数据的数据量、未经平滑处理的三维表面点云数据的数据量/>、第/>个点云数据的三维坐标/>、第/>个点云数据的法线斜率/>、第/>个点云数据的三维坐标的修正项/>以及函数之间的相互作用关系,以形成函数关系式:
即,,该函数关系式用于调整平滑的强度,在点云数据中,噪音和不规则性可能会引入不必要的震荡或锐利的特征,调整平滑的强度可以更强烈地抑制这些不规则性,从而实现更平滑的点云数据,也可以最大程度保留点云数据平滑失去的细节。三维表面点云数据的数据量,通过对所有数据点进行求和来计算平均值,有助于平滑过程中的计算,有助于在整个数据集上实现平滑,而不会过分强调某个特定区域;未经平滑处理的三维表面点云数据的数据量,以确保平滑程度与点云数据的规模相匹配,如果未经平滑处理的点云数据的数据量较多,可能需要更强的平滑以消除噪音,第/>个点云数据的三维坐标表示点云数据的横坐标、纵坐标以及竖轴坐标,平滑程度取决于点的分布和空间关系,在该函数关系式中,与相邻点的距离和位置关系相关的点云数据的坐标值影响着平滑程度;第/>个点云数据的法线斜率是指点云数据点的表面法线的斜率,有助于理解表面的曲率和倾斜情况,在平滑处理中的作用是在点云的不同区域应用不同的平滑程度,从而更好地保留局部特征;第/>个点云数据的三维坐标的修正项,可能点云数据的三维坐标出现偏出,通过对每个点应用不同的修正项,可以更好地适应点云数据的局部变化。该函数关系式能够根据参数的调整在平滑点云数据时平衡噪音抑制和数据细节保留之间的关系,通过对不同区域和特征应用不同的平滑程度,有助于提高数据质量,使点云数据更适合于后续分析、建模和可视化。利用三维表面点云数据的平滑指数的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成三维表面点云数据的平滑指数/>,提高对三维表面点云数据进行点云表面平滑处理的准确性和可靠性。同时该公式中的权重信息及调整值可以根据实际情况进行调整,应用于不同的三维表面点云数中,提高了算法的灵活性与适用性。
优选地,步骤S6包括以下步骤:
步骤S61:根据异常金属轴平面数据对平滑三维表面点云数据进行金属轴异常区域的图像还原处理,生成优化三维平面点云数据;
步骤S62:对优化三维平面点云数据进行金属轴表面图像输出转换,生成优化金属轴表面图像数据。
本发明根据异常金属轴平面数据,对平滑三维表面点云数据进行处理,实现金属轴异常区域的图像还原,通过将异常数据映射回三维平面点云,可以将异常特征还原到图像中,从而可视化出金属轴表面的问题区域,能够将异常区域以图像的形式展示出来,为后续的分析和修复提供了重要参考。对优化三维平面点云数据进行处理,实现金属轴表面图像的输出转换,生成优化金属轴表面图像数据,通过将三维点云数据转化为图像数据,可以将金属轴的表面特征和形态以更直观的方式展现出来,在于将复杂的三维数据转化为易于理解和分析的二维图像,为进一步的数据解读和决策提供了便利。
优选地,步骤S61包括以下步骤:
步骤S611:利用卷积神经网络算法建立金属轴表面缺陷还原的映射关系,生成初始表面缺陷还原模型;
步骤S612:利用异常金属轴平面数据对初始表面缺陷还原模型进行模型训练,生成表面缺陷还原模型;
步骤S613:将平滑三维表面点云数据传输至表面缺陷还原模型进行金属轴缺陷区域的图像还原处理,生成优化三维平面点云数据。
本发明利用卷积神经网络(CNN)算法,建立金属轴表面缺陷还原的映射关系,生成初始表面缺陷还原模型,卷积神经网络是一种深度学习算法,可以从数据中学习特征和模式,通过对异常金属轴平面数据和平滑三维表面点云数据进行训练,CNN可以学习到金属轴表面的缺陷特征和还原关系,建立了一个能够自动从三维点云还原图像的模型,为后续的图像还原提供了强大的工具。利用异常金属轴平面数据对初始表面缺陷还原模型进行模型训练,生成表面缺陷还原模型,通过输入异常金属轴平面数据和期望的图像还原结果,模型会自动调整其内部参数,使得模型能够准确地还原金属轴表面的缺陷区域,通过训练,模型能够更准确地理解缺陷与图像的关系,提高了图像还原的质量和可靠性。将平滑三维表面点云数据传输至表面缺陷还原模型,进行金属轴缺陷区域的图像还原处理,生成优化三维平面点云数据,通过将点云数据输入到训练后的模型中,模型可以将缺陷区域进行更精准地还原,实现了准确地还原了金属轴表面的缺陷区域。
本申请有益效果在于,本发明通过对金属轴进行光源照射,光源强度数据采集和光源角度调整等操作,确保了在图像采集阶段获取了多角度和多光源条件下的数据,有助于捕捉金属轴表面的各种特征和细节,包括微小的缺陷、瑕疵以及其他表面特征。通过采集金属轴表面表面的反射光源映射成金属轴的平面数据,使得金属轴表面图像采集的每个环节都能够得到充分的关注和处理,通过筛选有效物质、优化光源照射和设备、数据采集和坐标映射,提高数据质量、有效利用时间和资源等方面发挥了关键作用,提高了图像采集的效率和质量,为后续的数据处理和分析提供了更可靠的基础。对金属轴平面照射数据进行优化处理,图像锐化与对比度优化,使得图像质量得以提升,细节得以凸显,为异常特征的检测提供了更好的基础,还增强了数据的可用性和准确性。灰度值边缘检测与异常灰度值边缘甄别,能够精确地定位可能存在的异常边缘,使用卷积神经网络对这些异常进行还原,将点云数据转换为高质量的图像,应用了卷积神经网络的方法,使得整个过程在异常区域的图像还原阶段实现了自动化与智能化,模型通过学习,能够自动从点云数据中还原出具有缺陷信息的图像,减少了人工干预的需求,提高了处理效率和一致性,使得异常特征以更可视化的方式呈现,为进一步的分析提供了强有力的支持,具备了从异常区域的检测到还原的能力。将金属轴的表面信息从二维图像还原到三维点云数据,三维映射与点云密度均衡,保证了点云数据的准确性和可用性,三维数据的还原不仅提供了更详细的信息,还为工程分析、缺陷分类等提供了更广阔的空间。
附图说明
图1为本发明一种基于线扫描的金属轴表面图像采集方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图1中步骤S4的详细实施步骤流程示意图;
图4为图1中步骤S5的详细实施步骤流程示意图;
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
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,本发明提供一种基于线扫描的金属轴表面图像采集方法,包括以下步骤:
步骤S1:利用光源设备对金属轴表面进行照射,并利用光源传感器进行光源反射数据强度采集,生成初始光源强度数据;根据初始光源强度数据进行最优光源折射角度选取,生成最优折射角度数据;根据最优折射角度数据对光源设备进行最优光源照射角度调节,生成光源调节数据;
步骤S2:利用光源调节数据对光源设备进行优化调节,生成优化光源设备;利用优化光源设备对金属轴表面进行优化光源照射处理,并利用线阵CCD传感器进行优化光源照射数据采集,生成金属轴线性照射数据;对金属轴线性照射数据进行金属轴坐标数据采集,生成金属轴坐标数据;对金属轴线性照射数据进行二维平面数据映射,生成金属轴平面照射数据;
步骤S3:对金属轴平面照射数据进行平面数据优化,生成均衡金属轴平面数据;对均衡金属轴平面数据进行灰度值图像转换,生成灰度金属轴平面数据;
步骤S4:对灰度金属轴平面数据进行金属轴异常平面数据提取,生成异常金属轴平面数据;
步骤S5:根据金属轴坐标数据与均衡金属轴平面数据进行金属轴表面三维映射,生成三维表面点云数据;对三维表面点云数据进行点云表面平滑处理,生成平滑三维表面点云数据;
步骤S6:根据异常金属轴平面数据对平滑三维表面点云数据进行金属轴异常区域的图像还原,并进行金属轴表面图像输出转换,生成优化金属轴表面图像数据。
本发明通过对金属轴表面进行光源照射,并采集光源反射数据强度,生成初始光源强度数据,这些数据不仅提供了照射过程中的基础信息,还可以用于分析光源与金属轴相互作用的特性。基于初始光源强度数据选取最优光源折射角度的,确保了光线能够在金属轴表面形成清晰的反射,最大程度地减少了反射失真。调节光源照射角度优化了照射过程,生成光源调节数据,使得后续数据采集阶段获得更好的成像质量,优化了光源照射条件,为后续数据采集和处理奠定了坚实基础。通过利用光源调节数据对光源设备进行优化调节,生成优化光源设备,使得光源能够以最佳状态照射金属轴表面,进一步提高了照射的效果,通过优化光源设备对金属轴表面进行照射,结合线阵CCD传感器进行优化光源照射数据采集,获得了金属轴线性照射数据,这些数据包含了物体表面的细微特征和变化,为后续数据处理和分析提供了丰富的信息基础。通过对线性照射数据进行坐标和平面映射,进一步转化为金属轴坐标数据和平面照射数据,使数据更易于处理和分析。对金属轴平面照射数据进行平面数据优化,可以去除可能存在的噪声、不均匀性等问题,从而获得更准确的金属轴表面信息,随后的灰度值图像转换,将优化后的平面数据转化为灰度金属轴平面数据,使数据更易于处理与分析金属轴表面缺陷部分,提高了数据质量,并为后续异常区域提取和三维重建提供了更可靠的数据基础。使用灰度金属轴平面数据,应用适当的数据处理技术,从中提取出金属轴的异常平面数据,异常区域可能代表着金属轴表面的缺陷、瑕疵或特殊特征,通过对灰度数据的分析和处理,异常区域与正常区域的差异变得更加明显,使得后续的异常检测更具可行性,异常数据提取使得可能存在的缺陷和异常区域能够被准确地分离出来,为金属轴的质量检测提供了重要线索。将金属轴坐标数据与均衡金属轴平面数据相结合,实现金属轴表面的三维映射,生成三维表面点云数据,这些点云数据以一种立体的方式呈现了金属轴表面的形态,包含了丰富的形状信息。通过对三维点云数据进行点云表面平滑处理,进一步优化了数据的质量,点云平滑可以消除数据中的噪声,使得数据更适合于后续的分析和可视化。利用异常金属轴平面数据将平滑三维表面点云数据中的异常区域进行图像还原,将三维数据中的异常信息重新映射到二维图像上,形成了关于异常区域的图像信息,经过金属轴表面图像输出转换,生成了优化的金属轴表面图像数据。能够将三维数据和异常信息以更直观的方式呈现出来,为进一步的分析和决策提供了便利。因此,本发明的基于线扫描的金属轴表面图像采集方法采集精度与数据质量较高,并且通过灰度值分析精准定位金属轴表面的异常部分,使异常部分进行精准还原,使得检测结果更为精准。
本发明实施例中,参考图1所述,为本发明一种基于线扫描的金属轴表面图像采集方法的步骤流程示意图,在本实施例中,所述基于线扫描的金属轴表面图像采集方法包括以下步骤:
步骤S1:利用光源设备对金属轴表面进行照射,并利用光源传感器进行光源反射数据强度采集,生成初始光源强度数据;根据初始光源强度数据进行最优光源折射角度选取,生成最优折射角度数据;根据最优折射角度数据对光源设备进行最优光源照射角度调节,生成光源调节数据;
本发明实施例中,使用特定的光源设备对金属轴表面进行照射,这可能涉及激光、LED等光源。通过光源传感器,采集从金属表面反射回来的光的数据强度,这些数据被整理成初始光源强度数据,这将反映金属轴表面的光照情况,通过分析初始光源强度数据,可以确定在特定条件下的最佳光源折射角度,例如,对于最大反射强度或最佳对比度接收到的光源强度,所获得的最优折射角度数据将用于进一步调整光源设备的角度,以确保在后续步骤中获得最佳的照射条件。这些调整数据形成了光源调节数据。
步骤S2:利用光源调节数据对光源设备进行优化调节,生成优化光源设备;利用优化光源设备对金属轴表面进行优化光源照射处理,并利用线阵CCD传感器进行优化光源照射数据采集,生成金属轴线性照射数据;对金属轴线性照射数据进行金属轴坐标数据采集,生成金属轴坐标数据;对金属轴线性照射数据进行二维平面数据映射,生成金属轴平面照射数据;
本发明实施例中,使用光源调节数据对光源设备进行优化调整,这可能涉及机械调整、电子控制等方式,以确保光源的角度和强度达到最佳状态,通过使用优化过的光源设备,金属轴表面可以进行优化光源照射处理。线阵CCD传感器被用来捕获金属轴表面在优化光源照射下的线性照射数据,这些数据可用于后续处理和分析,以从线性照射数据中提取金属轴的坐标数据,以及通过处理和映射生成金属轴的平面照射数据。
步骤S3:对金属轴平面照射数据进行平面数据优化,生成均衡金属轴平面数据;对均衡金属轴平面数据进行灰度值图像转换,生成灰度金属轴平面数据;
本发明实施例中,金属轴平面照射数据将被进一步优化,平面数据可能会受到噪声或不均匀照射的影响,因此可能需要使用滤波或其他处理方法来实现数据的均衡性和一致性。通过灰度值图像转换技术,如直方图均衡化等,将均衡的金属轴平面数据转换为灰度图像,将为后续的异常区域提取和分析提供更好的基础。
步骤S4:对灰度金属轴平面数据进行金属轴异常平面数据提取,生成异常金属轴平面数据;
本发明实施例中,基于灰度金属轴平面数据,可以使用各种图像处理算法,如边缘检测(Roberts算子)来提取出灰度值的边缘数据,通过异常灰度值边缘甄别算法,可以确定哪些边缘数据可能是异常的,可能代表金属轴表面的缺陷、瑕疵等,这些异常边缘数据将被用于生成异常金属轴平面数据。
步骤S5:根据金属轴坐标数据与均衡金属轴平面数据进行金属轴表面三维映射,生成三维表面点云数据;对三维表面点云数据进行点云表面平滑处理,生成平滑三维表面点云数据;
本发明实施例中,将金属轴坐标数据与均衡金属轴平面数据相结合,实现了金属轴表面的三维映射,可以使用几何学方法来实现,将平面数据映射到三维空间,在得到三维表面点云数据后,使用点云处理技术,如点云的重采样和平滑处理,使得点云数据更加均匀、连续,从而更好地还原金属轴的真实表面特征。
步骤S6:根据异常金属轴平面数据对平滑三维表面点云数据进行金属轴异常区域的图像还原,并进行金属轴表面图像输出转换,生成优化金属轴表面图像数据。
本发明实施例中,基于异常金属轴平面数据,可以使用卷积神经网络(CNN)等深度学习算法建立表面缺陷还原的映射关系,这个模型能够从异常数据中还原出缺陷的位置和形状,通过将平滑三维表面点云数据传入这个模型,可以还原出金属轴异常区域的图像,从而使建立的三维点云数据更加贴近真实的金属轴表面,然后将这些三维点云数据转换成优化的金属轴表面图像数据,这将更直观地显示出金属轴的缺陷和特征。
优选地,步骤S1包括以下步骤:
步骤S11:利用光源设备对金属轴表面进行照射,并利用光源传感器进行光源反射数据强度采集,生成初始光源强度数据;
步骤S12:对初始光源强度数据进行最优光源强度数据选取,获取最优光源强度数据;根据最优光源强度图像数据进行光源设备最优折射角度数据采集,获取最优折射角度数据;
步骤S13:根据最优折射角度数据对光源设备进行最优光源照射角度调节,生成光源调节数据。
本发明使用光源设备对金属轴表面进行照射,同时光源传感器采集了光源反射数据强度,从而获得初始光源强度数据,准确地获取照射后的光线强度信息,光源传感器的数据采集能够记录光线在金属轴表面的反射情况,提供了原始的光线信息。通过对初始光源强度数据进行分析,选取出最佳光源强度数据,最佳光源强度能够在不过度饱和或弱化的情况下实现最佳的成像效果,确保金属轴表面细节能够得到清晰展现。随后,通过最优光源强度图像数据,实现了光源设备最优折射角度数据的采集,有助于确保光线能够以最优的角度进入金属轴表面,最大限度地提高成像质量。基于最优折射角度数据,光源设备进行了最优光源照射角度的调节,以确保光线以最佳角度照射金属轴表面,有助于最大程度地减少光线的反射和折射失真,为后续数据采集和处理提供了清晰、准确的成像基础,生成的光源调节数据包含了经过优化的光线角度信息,为下一步骤提供了关键的输入数据。
本发明实施例中,光源设备被定位在金属轴表面的位置上,以照射光线,同时光源传感器被放置在相应位置,以捕获从金属表面反射回来的光的数据强度,这些数据被收集并整理,生成初始光源强度数据。基于初始光源强度数据进行分析,以确定在哪个光源强度下能够获得最佳图像质量,例如可能会选择光源角度使得光源传感器接收的光源强度最强,以此获得了最优光源强度数据,同时借助最优光源强度数据,通过分记录该折射角度进行标记,获得最优折射角度数据。根据最优折射角度数据,可以对光源设备进行调节,以确保光线在金属轴表面的最佳角度下照射,这个过程可能涉及机械调整或电子控制,以确保光源的角度达到最优状态,这些调整数据构成了光源调节数据,将用于后续步骤中的优化照射处理。
优选地,步骤S2包括以下步骤:
步骤S21:根据预设的有效分析时间区间对金属轴表面进行有效金属轴表面筛选,生成有效金属轴表面;
步骤S22:根据光源调节数据对光源设备进行优化调节,生成优化光源设备;
步骤S23:利用优化光源设备对有效金属轴表面进行优化光源照射处理,并利用线阵CCD传感器进行优化光源照射数据采集,生成金属轴线性照射数据;
步骤S24:对金属轴线性照射数据进行金属轴坐标数据采集,生成金属轴坐标数据;
步骤S25:对金属轴线性照射数据进行二维平面数据映射,生成金属轴平面照射数据。
本发明根据预设的有效分析时间区间,对金属轴表面进行筛选,以选取出有效的金属轴表面,于通过排除不符合条件的物质,聚焦于分析区间内的样本,从而提高了采集的效率和数据的有效性,有效物质的选取有助于降低数据处理的复杂性,确保采集到的信息能够准确地反映分析的目标。对光源设备进行优化调节,生成优化光源设备,优化的光源设备能够确保金属轴表面在最佳照射条件下被照射,进而提高图像的清晰度和信息的获取率,为后续的照射和数据采集提供了高质量的基础,确保了采集到的数据具有更高的可靠性。利用优化的光源设备对有效金属轴表面进行优化光源照射处理,同时使用线阵CCD传感器进行数据采集,生成金属轴线性照射数据,优化的光源照射能够确保数据的清晰度和准确性,线阵CCD传感器的使用能够高效地采集到大量数据,这些数据是金属轴表面特征的基础,有助于后续的分析和处理。对金属轴线性照射数据进行分析和处理,获得了金属轴的坐标数据,这些坐标数据记录了金属轴表面上不同点的位置信息,是实现三维重建和数据映射的关键,通过精确的坐标数据,可以实现更准确的三维表面点云数据生成和后续的异常区域检测。将金属轴线性照射数据映射到二维平面,生成金属轴平面照射数据,有助于将线性数据转化为更易于处理的二维形式,为后续数据处理和分析提供了更灵活的数据结构,二维平面数据有助于在图像空间中进行更精确的特征提取和分析。
作为本发明的一个实例,参考图2所示,为图1中步骤S2的详细实施步骤流程示意图,在本实例中所述步骤S2包括:
步骤S21:根据预设的有效分析时间区间对金属轴表面进行有效金属轴表面筛选,生成有效金属轴表面;
本发明实施例中,通过预设的有效分析时间区间,筛选出适合进行图像采集的金属轴样本。这可以基于多种因素,如物质的稳定性、光照条件等,例如选取样本,以确保在图像采集过程中样本不会发生明显的物理变化。
步骤S22:根据光源调节数据对光源设备进行优化调节,生成优化光源设备;
本发明实施例中,基于前面步骤中获得的光源调节数据,对光源设备进行优化调节,包括机械和电子调整,以确保光源的位置和角度达到最佳状态,从而获得更好的照射效果,例如自动化的驱动系统可以根据光源调节数据进行微调,以获得精确的光照角度。
步骤S23:利用优化光源设备对有效金属轴表面进行优化光源照射处理,并利用线阵CCD传感器进行优化光源照射数据采集,生成金属轴线性照射数据;
本发明实施例中,使用经过优化调节的光源设备,对之前筛选出的有效金属轴表面进行优化光源照射处理,将确保光照条件得到最大程度的优化,使得从金属轴表面反射回来的数据更加准确和清晰,同时将线阵CCD传感器安装在光源照射的轨迹上,确保线阵CCD传感器扫描的每一步都与优化光源设备的照射光源同步,线阵CCD传感器被用来采集这些优化照射下的数据,生成金属轴线性照射数据。
步骤S24:对金属轴线性照射数据进行金属轴坐标数据采集,生成金属轴坐标数据;
本发明实施例中,从金属轴线性照射数据中,提取出金属轴表面的坐标数据,通过金属轴大小、光源移动距离,线阵CCD传感器与光源距离等构建坐标轴,从而确定不同位置上的金属轴表面的坐标数据。
步骤S25:对金属轴线性照射数据进行二维平面数据映射,生成金属轴平面照射数据。
本发明实施例中,将金属轴线性照射数据映射到二维平面上,生成金属轴平面照射数据,通过应用合适的几何变换方法,将线性数据映射到二维平面,以获取更具结构性和可视性的数据。
优选地,步骤S3包括以下步骤:
步骤S31:利用高斯拉普拉斯滤波对金属轴平面照射数据进行图像锐化处理,生成锐化金属轴平面数据;
步骤S32:利用直方图均衡化对锐化金属轴平面数据进行图像对比度优化处理,生成均衡金属轴平面数据;
步骤S33:对均衡金属轴平面数据进行三原色数据采集,生成均衡金属轴平面数据的三原色数据;
步骤S34:利用加权平均法对三原色数据进行色彩加权平均处理,生成色彩加权平均数据;
步骤S35:根据色彩加权平均数据对均衡金属轴平面数据进行灰度图像数据转换,生成灰度金属轴平面数据。
本发明通过应用高斯拉普拉斯滤波,对金属轴平面照射数据进行图像锐化处理,生成锐化金属轴平面数据,高斯拉普拉斯滤波可以强调图像中的边缘和细节,使得图像的轮廓更加清晰,增强了图像的细节和清晰度,为后续处理提供了更准确的数据基础。通过直方图均衡化对锐化金属轴平面数据进行处理,生成均衡金属轴平面数据,直方图均衡化可以增强图像的对比度,使得图像的亮度分布更均匀,于提高了图像的视觉品质和可分辨性,使得细微特征更加明显。从均衡金属轴平面数据中提取三原色数据,将图像数据分解为红、绿、蓝三个通道的数据,为后续的色彩加权平均处理提供了数据基础,分别处理三原色通道可以使得针对不同颜色的特征进行更有针对性的调整。利用加权平均法对三原色数据进行处理,生成色彩加权平均数据,通过调整不同通道的权重,可以实现对图像的色彩平衡和调整,有助于保持图像的真实感和视觉平衡。根据色彩加权平均数据,将均衡金属轴平面数据转换为灰度图像数据,灰度图像数据更适合于后续的数据分析和处理,同时还可以减少数据维度,简化数据处理的复杂度。
本发明实施例中,使用高斯拉普拉斯滤波技术对金属轴平面照射数据进行图像锐化处理,有助于增强图像中的细节和边缘,使得图像更加清晰和有结构,例如高斯拉普拉斯滤波可以突出图像中的边缘特征,使得金属轴的纹理和缺陷更加明显。通过直方图均衡化技术对锐化金属轴平面数据进行处理,优化图像的对比度,有助于调整图像的亮度分布,使得不同区域的细节更加明显,例如直方图均衡化可以拉伸图像的像素值范围,使得图像中的暗部和亮部细节都能得到更好的展示。从经过对比度优化的金属轴平面数据中,采集图像的三原色数据,即红色、绿色和蓝色通道的像素值,这些通道数据将用于后续的色彩加权处理。使用加权平均法对三原色数据进行处理,以获得色彩加权平均数据,这可以通过调整不同通道的权重来达到不同的色彩效果,例如,可以加强某一颜色的通道,以突出金属轴表面的某些特征。根据色彩加权平均数据,将均衡金属轴平面数据转换成灰度图像数据,有助于减少数据维度,将彩色图像转换为灰度图像,便于后续处理和分析。
优选地,步骤S4包括以下步骤:
步骤S41:利用Roberts 算子对灰度金属轴平面数据进行灰度值边缘检测处理,生成灰度金属轴平面数据的灰度值边缘数据;
步骤S42:利用灰度值边缘异常甄别算法对灰度值边缘数据进行异常灰度值边缘数据甄别计算,生成异常灰度值边缘数据;
步骤S43:根据异常灰度值边缘数据对灰度金属轴平面数据进行金属轴异常平面数据提取,生成异常金属轴平面数据。
本发明通过应用Roberts算子对灰度金属轴平面数据进行处理,生成灰度金属轴平面数据的灰度值边缘数据,Roberts算子是一种经典的边缘检测算法,它可以有效地捕捉图像中的边缘和细节信息,从图像的灰度值中提取出边缘信息,为后续的异常检测提供了更可靠的数据基础。利用灰度值边缘异常甄别算法对灰度值边缘数据进行计算,以甄别异常灰度值边缘数据,异常灰度值边缘数据可能代表着金属轴表面的缺陷、瑕疵或特殊特征,通过巧妙地设计和应用异常甄别算法,可以将正常边缘和异常边缘区分开来,从而准确地检测出可能存在的问题区域。根据异常灰度值边缘数据,对灰度金属轴平面数据进行金属轴异常平面数据提取,生成异常金属轴平面数据,异常金属轴平面数据是一种将异常边缘信息映射回图像的方式,用于可视化和进一步的分析,实现了异常区域的提取和定位,为进一步的异常区域还原提供了重要数据。
作为本发明的一个实例,参考图3所示,为图1中步骤S4的详细实施步骤流程示意图,在本实例中所述步骤S4包括:
步骤S41:利用Roberts 算子对灰度金属轴平面数据进行灰度值边缘检测处理,生成灰度金属轴平面数据的灰度值边缘数据;
本发明实施例中,使用Roberts算子对灰度金属轴平面数据进行灰度值边缘检测处理,Roberts算子是一种经典的边缘检测方法,通过计算图像中相邻像素之间的灰度值差异,来寻找图像中的边缘位置,例如在金属轴平面数据中,Roberts算子可以揭示出金属表面的缺陷特征。
步骤S42:利用灰度值边缘异常甄别算法对灰度值边缘数据进行异常灰度值边缘数据甄别计算,生成异常灰度值边缘数据;
本发明实施例中,利用灰度值边缘异常甄别算法对经过Roberts算子处理后的灰度值边缘数据进行处理,以甄别出异常的灰度值边缘数据,该算法涉及到该图像的灰度值与周围灰度值差异等,灰度值存在较大的差异可能是由于金属轴表面缺陷等造成,例如在金属轴平面数据中存在明显异常的纹理变化或边缘,这些异常灰度值边缘数据将被甄别出来。
步骤S43:根据异常灰度值边缘数据对灰度金属轴平面数据进行金属轴异常平面数据提取,生成异常金属轴平面数据。
本发明实施例中,基于异常灰度值边缘数据,从灰度金属轴平面数据中提取出金属轴的异常平面数据,这些异常平面数据可以代表金属轴表面的缺陷、变化或其他异常情况,例如金属轴表面存在裂纹或凹陷,这些异常区域将在异常金属轴平面数据中得到体现。
优选地,步骤S42中的灰度值边缘异常甄别算法如下所示:
;
式中,表示为图像块的灰度值异常程度数据,/>表示为用于计算图像块的异常程度数据的梯度项的数量,/>表示为第/>个梯度项的权重信息,/>表示为横坐标与纵坐标为/>与/>的图像块灰度值,/>表示为图像块的横坐标数据,/>表示为图像块的纵坐标数据,/>表示为与邻格灰度值图像的差异程度数据,/>表示为图像块灰度值的积分权重,/>表示为整体图像的平均灰度值的系数调整值,/>表示为横坐标与纵坐标为/>与/>的整体图像平均灰度值,/>表示为整体图像的横坐标数据,/>表示为整体图像的纵坐标数据,/>表示为图像块的灰度值异常程度数据的异常调整值。
本发明利用一种灰度值边缘异常甄别算法,该算法综合考虑了用于计算图像块的异常程度数据的梯度项的数量、第/>个梯度项的权重信息/>、横坐标与纵坐标为/>与/>的图像块灰度值/>、图像块的横坐标数据/>、图像块的纵坐标数据/>、与邻格灰度值图像的差异程度数据/>、图像块灰度值的积分权重/>、整体图像的平均灰度值的系数调整值/>、横坐标与纵坐标为/>与/>的整体图像平均灰度值/>、整体图像的横坐标数据/>、整体图像的纵坐标数据/>以及函数之间的相互作用关系,以形成函数关系式:
即,,通过计算图像块的灰度值异常程度,甄别图像是否异常,如果图像块的灰度值异常程度与其他图像块的差异过大,说明该图像块存在异常,能够有效地识别图像中的异常或边缘区域,从而提取出金属轴异常平面数据。用于计算图像块异常程度数据的梯度项的数量,表示计算异常程度时考虑的梯度方向的数量,通过多个方向的梯度信息可以更全面地评估异常情况;第/>个梯度项的权重信息,这些权重用于计算梯度项的加权和,不同的梯度方向对于异常的判断有不同的重要性,通过调整权重可以灵活地适应不同的异常情况;与邻格灰度值图像的差异程度数据,用于比较图像块的灰度值与周围邻格的差异,从而判断图像块是否具有异常变化。图像块灰度值的积分权重,用于计算图像块的灰度积分,考虑了图像块内部的灰度变化情况,从而更准确地反映异常区域;整体图像的平均灰度值的系数调整值,用于调整整体图像的平均灰度值对于异常程度计算的影响,从而使算法对不同图像具有更好的适应性;整体图像的平均灰度值,用于将图像块的灰度值与整体图像的平均灰度值进行比较,以判断是否存在异常。该函数关系式结合了多个因素,包括图像块的灰度值变化、邻格的差异以及整体图像的特征,从而能够更准确地判断图像块是否具有异常或边缘特征,对于从图像中提取金属轴的异常平面数据非常重要,因为异常区域可能是金属轴表面缺陷的关键指示,通过精确识别异常区域,可以为后续的图像处理和分析提供更可靠的数据基础。利用图像块的灰度值异常程度数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成图像块的灰度值异常程度数据/>,提高对灰度值边缘数据进行异常灰度值边缘数据甄别计算的准确性和可靠性。同时该公式中的权重信息及调整值可以根据实际情况进行调整,应用于不同的灰度值边缘数据中,提高了算法的灵活性与适用性。
优选地,步骤S5包括以下步骤:
步骤S51:根据金属轴坐标数据与均衡金属轴平面数据进行金属轴表面三维映射,生成初步三维表面点云数据;
步骤S52:利用点云重采样技术对初步三维表面点云数据进行点云密度均衡处理,生成三维表面点云数据;
步骤S53:利用三维点云数据平滑算法对三维表面点云数据进行点云表面平滑处理,生成平滑三维表面点云数据。
本发明通过将金属轴坐标数据与均衡金属轴平面数据进行匹配,实现金属轴表面的三维映射,生成初步的三维表面点云数据,三维映射将二维图像数据映射到三维坐标空间中,使得金属轴表面的形态和特征以点云的形式得以还原,在于实现了从图像到三维空间的信息转化,为后续的分析和可视化提供了基础。利用点云重采样技术对初步三维表面点云数据进行处理,实现点云的密度均衡化,生成三维表面点云数据,点云密度均衡可以使得点云数据更加均匀地分布,避免过于密集或稀疏的情况,使得后续的点云处理更加稳定和准确。利用三维点云数据平滑算法对点云数据进行处理,实现点云表面的平滑处理,生成平滑三维表面点云数据,点云表面平滑可以消除点云数据中的噪声和不规则性,使得数据更适合于后续的分析和可视化,提高了数据的质量和稳定性。
作为本发明的一个实例,参考图4所示,为图1中步骤S5的详细实施步骤流程示意图,在本实例中所述步骤S5包括:
步骤S51:根据金属轴坐标数据与均衡金属轴平面数据进行金属轴表面三维映射,生成初步三维表面点云数据;
本发明实施例中,结合金属轴的坐标数据和经过优化的均衡金属轴平面数据,通过三维映射技术将金属轴的二维表面信息映射到三维空间中,生成初步三维表面点云数据,初步三维表面点云数据将准确地表示金属轴表面的形状和纹理特征。
步骤S52:利用点云重采样技术对初步三维表面点云数据进行点云密度均衡处理,生成三维表面点云数据;
本发明实施例中,采用点云重采样技术对初步三维表面点云数据进行处理,以达到点云密度均衡化的效果,点云密度均衡化有助于保持点云数据的平衡和一致性,使得后续处理更加稳定和准确,例如可以根据点云密度进行自适应采样,保持点云数据在不同区域的分布均匀。
步骤S53:利用三维点云数据平滑算法对三维表面点云数据进行点云表面平滑处理,生成平滑三维表面点云数据。
本发明实施例中,利用三维点云数据平滑算法对经过密度均衡处理的三维表面点云数据进行平滑处理,以去除点云中的噪音和不规则性,得到平滑的三维表面点云数据,平滑处理有助于提升点云的质量和可视化效果,使得点云更符合金属轴表面的实际形状。
优选地,步骤S53中的三维点云数据平滑算法如下所示:
;
式中,表示为三维表面点云数据的平滑指数,/>表示为三维表面点云数据的数据量,/>表示为未经平滑处理的三维表面点云数据的数据量,/>表示为第/>个点云数据的三维坐标,/>表示为第/>个点云数据的法线斜率,/>表示为第/>个点云数据的三维坐标的修正项,表示为三维表面点云数据的平滑指数的异常调整值。
本发明利用一种三维点云数据平滑算法,该算法综合考虑了三维表面点云数据的数据量、未经平滑处理的三维表面点云数据的数据量/>、第/>个点云数据的三维坐标/>、第/>个点云数据的法线斜率/>、第/>个点云数据的三维坐标的修正项/>以及函数之间的相互作用关系,以形成函数关系式:
即,,该函数关系式用于调整平滑的强度,在点云数据中,噪音和不规则性可能会引入不必要的震荡或锐利的特征,调整平滑的强度可以更强烈地抑制这些不规则性,从而实现更平滑的点云数据,也可以最大程度保留点云数据平滑失去的细节。三维表面点云数据的数据量,通过对所有数据点进行求和来计算平均值,有助于平滑过程中的计算,有助于在整个数据集上实现平滑,而不会过分强调某个特定区域;未经平滑处理的三维表面点云数据的数据量,以确保平滑程度与点云数据的规模相匹配,如果未经平滑处理的点云数据的数据量较多,可能需要更强的平滑以消除噪音,第/>个点云数据的三维坐标表示点云数据的横坐标、纵坐标以及竖轴坐标,平滑程度取决于点的分布和空间关系,在该函数关系式中,与相邻点的距离和位置关系相关的点云数据的坐标值影响着平滑程度;第/>个点云数据的法线斜率是指点云数据点的表面法线的斜率,有助于理解表面的曲率和倾斜情况,在平滑处理中的作用是在点云的不同区域应用不同的平滑程度,从而更好地保留局部特征;第/>个点云数据的三维坐标的修正项,可能点云数据的三维坐标出现偏出,通过对每个点应用不同的修正项,可以更好地适应点云数据的局部变化。该函数关系式能够根据参数的调整在平滑点云数据时平衡噪音抑制和数据细节保留之间的关系,通过对不同区域和特征应用不同的平滑程度,有助于提高数据质量,使点云数据更适合于后续分析、建模和可视化。利用三维表面点云数据的平滑指数的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成三维表面点云数据的平滑指数/>,提高对三维表面点云数据进行点云表面平滑处理的准确性和可靠性。同时该公式中的权重信息及调整值可以根据实际情况进行调整,应用于不同的三维表面点云数中,提高了算法的灵活性与适用性。
优选地,步骤S6包括以下步骤:
步骤S61:根据异常金属轴平面数据对平滑三维表面点云数据进行金属轴异常区域的图像还原处理,生成优化三维平面点云数据;
步骤S62:对优化三维平面点云数据进行金属轴表面图像输出转换,生成优化金属轴表面图像数据。
本发明根据异常金属轴平面数据,对平滑三维表面点云数据进行处理,实现金属轴异常区域的图像还原,通过将异常数据映射回三维平面点云,可以将异常特征还原到图像中,从而可视化出金属轴表面的问题区域,能够将异常区域以图像的形式展示出来,为后续的分析和修复提供了重要参考。对优化三维平面点云数据进行处理,实现金属轴表面图像的输出转换,生成优化金属轴表面图像数据,通过将三维点云数据转化为图像数据,可以将金属轴的表面特征和形态以更直观的方式展现出来,在于将复杂的三维数据转化为易于理解和分析的二维图像,为进一步的数据解读和决策提供了便利。
本发明实施例中,利用异常金属轴平面数据,对之前经过处理的平滑三维表面点云数据进行图像还原处理,将三维点云数据中对应异常金属轴平面数据的区域进行复原,例如之间三维点云数据中可能缺陷还原程度较低,则通过异常经书有平面数据的分析情况进行还原,以获取金属轴表面的异常特征,可以通过在三维点云数据中标记出异常区域的坐标范围,然后将这些坐标范围的点云数据进行金属轴表面图像的还原,生成优化三维平面点云数据。将经过图像还原处理的优化三维平面点云数据转化为优化金属轴表面图像数据,涉及到将三维点云数据投影到二维图像平面上,并根据图像处理技术生成高质量的金属轴表面图像,例如可以利用透视投影技术将点云数据映射到二维平面上,然后应用插值和滤波等方法得到平滑的优化金属轴表面图像。
优选地,步骤S61包括以下步骤:
步骤S611:利用卷积神经网络算法建立金属轴表面缺陷还原的映射关系,生成初始表面缺陷还原模型;
步骤S612:利用异常金属轴平面数据对初始表面缺陷还原模型进行模型训练,生成表面缺陷还原模型;
步骤S613:将平滑三维表面点云数据传输至表面缺陷还原模型进行金属轴缺陷区域的图像还原处理,生成优化三维平面点云数据。
本发明利用卷积神经网络(CNN)算法,建立金属轴表面缺陷还原的映射关系,生成初始表面缺陷还原模型,卷积神经网络是一种深度学习算法,可以从数据中学习特征和模式,通过对异常金属轴平面数据和平滑三维表面点云数据进行训练,CNN可以学习到金属轴表面的缺陷特征和还原关系,建立了一个能够自动从三维点云还原图像的模型,为后续的图像还原提供了强大的工具。利用异常金属轴平面数据对初始表面缺陷还原模型进行模型训练,生成表面缺陷还原模型,通过输入异常金属轴平面数据和期望的图像还原结果,模型会自动调整其内部参数,使得模型能够准确地还原金属轴表面的缺陷区域,通过训练,模型能够更准确地理解缺陷与图像的关系,提高了图像还原的质量和可靠性。将平滑三维表面点云数据传输至表面缺陷还原模型,进行金属轴缺陷区域的图像还原处理,生成优化三维平面点云数据,通过将点云数据输入到训练后的模型中,模型可以将缺陷区域进行更精准地还原,实现了准确地还原了金属轴表面的缺陷区域。
本发明实施例中,使用卷积神经网络(CNN)算法,构建一个深度学习模型,以将平滑三维表面点云数据映射到金属轴表面的缺陷区域,该模型将学习如何将点云数据转化为图像信息,以便更准确地捕捉金属轴的表面缺陷特征,模型的输入层可以是三维点云数据,经过一系列卷积和池化层后,输出优化三维平面点云数据,其中优化三维平面点云数据对应着金属轴表面不同的缺陷进行还原,使得优化三维平面点云数据更加还原金属轴表面细节。使用异常金属轴平面数据对初始表面缺陷还原模型进行模型训练。通过将异常区域的点云数据对应的异常图像数据作为训练样本,模型可以学习到不同表面缺陷类型与点云数据之间的关系,在训练过程中,模型将调整其参数以最小化预测图像与真实异常图像之间的差异,从而再后续中还原平滑三维表面点云数据的金属轴表面缺陷细节。将经过平滑的三维表面点云数据传输至经过训练的表面缺陷还原模型,以实现平滑三维表面点云数据的金属轴缺陷还原处理,模型将使用之前学习到的映射关系,将平滑三维表面点云数据进行优化,将产生优化三维平面点云数据,优化三维平面点云数据包括对金属轴表面缺陷细节的还原。
本申请有益效果在于,本发明通过对金属轴进行光源照射,光源强度数据采集和光源角度调整等操作,确保了在图像采集阶段获取了多角度和多光源条件下的数据,有助于捕捉金属轴表面的各种特征和细节,包括微小的缺陷、瑕疵以及其他表面特征。通过采集金属轴表面表面的反射光源映射成金属轴的平面数据,使得金属轴表面图像采集的每个环节都能够得到充分的关注和处理,通过筛选有效物质、优化光源照射和设备、数据采集和坐标映射,提高数据质量、有效利用时间和资源等方面发挥了关键作用,提高了图像采集的效率和质量,为后续的数据处理和分析提供了更可靠的基础。对金属轴平面照射数据进行优化处理,图像锐化与对比度优化,使得图像质量得以提升,细节得以凸显,为异常特征的检测提供了更好的基础,还增强了数据的可用性和准确性。灰度值边缘检测与异常灰度值边缘甄别,能够精确地定位可能存在的异常边缘,使用卷积神经网络对这些异常进行还原,将点云数据转换为高质量的图像,应用了卷积神经网络的方法,使得整个过程在异常区域的图像还原阶段实现了自动化与智能化,模型通过学习,能够自动从点云数据中还原出具有缺陷信息的图像,减少了人工干预的需求,提高了处理效率和一致性,使得异常特征以更可视化的方式呈现,为进一步的分析提供了强有力的支持,具备了从异常区域的检测到还原的能力。将金属轴的表面信息从二维图像还原到三维点云数据,三维映射与点云密度均衡,保证了点云数据的准确性和可用性,三维数据的还原不仅提供了更详细的信息,还为工程分析、缺陷分类等提供了更广阔的空间。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于线扫描的金属轴表面图像采集方法,其特征在于,包括以下步骤:
步骤S1:利用光源设备对金属轴表面进行照射,并利用光源传感器进行光源反射数据强度采集,生成初始光源强度数据;根据初始光源强度数据进行最优光源折射角度选取,生成最优折射角度数据;根据最优折射角度数据对光源设备进行最优光源照射角度调节,生成光源调节数据;
步骤S2:利用光源调节数据对光源设备进行优化调节,生成优化光源设备;利用优化光源设备对金属轴表面进行优化光源照射处理,并利用线阵CCD传感器进行优化光源照射数据采集,生成金属轴线性照射数据;对金属轴线性照射数据进行金属轴坐标数据采集,生成金属轴坐标数据;对金属轴线性照射数据进行二维平面数据映射,生成金属轴平面照射数据;
步骤S3:对金属轴平面照射数据进行平面数据优化,生成均衡金属轴平面数据;对均衡金属轴平面数据进行灰度值图像转换,生成灰度金属轴平面数据;
步骤S4:对灰度金属轴平面数据进行金属轴异常平面数据提取,生成异常金属轴平面数据;
步骤S5:根据金属轴坐标数据与均衡金属轴平面数据进行金属轴表面三维映射,生成三维表面点云数据;对三维表面点云数据进行点云表面平滑处理,生成平滑三维表面点云数据;
步骤S6:根据异常金属轴平面数据对平滑三维表面点云数据进行金属轴异常区域的图像还原,并进行金属轴表面图像输出转换,生成优化金属轴表面图像数据。
2.根据权利要求1所述的基于线扫描的金属轴表面图像采集方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用光源设备对金属轴表面进行照射,并利用光源传感器进行光源反射数据强度采集,生成初始光源强度数据;
步骤S12:对初始光源强度数据进行最优光源强度数据选取,获取最优光源强度数据;根据最优光源强度图像数据进行光源设备最优折射角度数据采集,获取最优折射角度数据;
步骤S13:根据最优折射角度数据对光源设备进行最优光源照射角度调节,生成光源调节数据。
3.根据权利要求2所述的基于线扫描的金属轴表面图像采集方法,其特征在于,步骤S2包括以下步骤:
步骤S21:根据预设的有效分析时间区间对金属轴表面进行有效金属轴表面筛选,生成有效金属轴表面;
步骤S22:根据光源调节数据对光源设备进行优化调节,生成优化光源设备;
步骤S23:利用优化光源设备对有效金属轴表面进行优化光源照射处理,并利用线阵CCD传感器进行优化光源照射数据采集,生成金属轴线性照射数据;
步骤S24:对金属轴线性照射数据进行金属轴坐标数据采集,生成金属轴坐标数据;
步骤S25:对金属轴线性照射数据进行二维平面数据映射,生成金属轴平面照射数据。
4.根据权利要求3所述的基于线扫描的金属轴表面图像采集方法,其特征在于,步骤S3包括以下步骤:
步骤S31:利用高斯拉普拉斯滤波对金属轴平面照射数据进行图像锐化处理,生成锐化金属轴平面数据;
步骤S32:利用直方图均衡化对锐化金属轴平面数据进行图像对比度优化处理,生成均衡金属轴平面数据;
步骤S33:对均衡金属轴平面数据进行三原色数据采集,生成均衡金属轴平面数据的三原色数据;
步骤S34:利用加权平均法对三原色数据进行色彩加权平均处理,生成色彩加权平均数据;
步骤S35:根据色彩加权平均数据对均衡金属轴平面数据进行灰度图像数据转换,生成灰度金属轴平面数据。
5.根据权利要求4所述的基于线扫描的金属轴表面图像采集方法,其特征在于,步骤S4包括以下步骤:
步骤S41:利用Roberts算子对灰度金属轴平面数据进行灰度值边缘检测处理,生成灰度金属轴平面数据的灰度值边缘数据;
步骤S42:利用灰度值边缘异常甄别算法对灰度值边缘数据进行异常灰度值边缘数据甄别计算,生成异常灰度值边缘数据;
步骤S43:根据异常灰度值边缘数据对灰度金属轴平面数据进行金属轴异常平面数据提取,生成异常金属轴平面数据。
6.根据权利要求5所述的基于线扫描的金属轴表面图像采集方法,其特征在于,步骤S42中的灰度值边缘异常甄别算法如下所示:
;
式中,表示为图像块的灰度值异常程度数据,/>表示为用于计算图像块的异常程度数据的梯度项的数量,/>表示为第/>个梯度项的权重信息,/>表示为横坐标与纵坐标为/>与的图像块灰度值,/>表示为图像块的横坐标数据,/>表示为图像块的纵坐标数据,/>表示为与邻格灰度值图像的差异程度数据,/>表示为图像块灰度值的积分权重,/>表示为整体图像的平均灰度值的系数调整值,/>表示为横坐标与纵坐标为/>与/>的整体图像平均灰度值,/>表示为整体图像的横坐标数据,/>表示为整体图像的纵坐标数据,/>表示为图像块的灰度值异常程度数据的异常调整值。
7.根据权利要求6所述的基于线扫描的金属轴表面图像采集方法,其特征在于,步骤S5包括以下步骤:
步骤S51:根据金属轴坐标数据与均衡金属轴平面数据进行金属轴表面三维映射,生成初步三维表面点云数据;
步骤S52:利用点云重采样技术对初步三维表面点云数据进行点云密度均衡处理,生成三维表面点云数据;
步骤S53:利用三维点云数据平滑算法对三维表面点云数据进行点云表面平滑处理,生成平滑三维表面点云数据。
8.根据权利要求7所述的基于线扫描的金属轴表面图像采集方法,其特征在于,步骤S53中的三维点云数据平滑算法如下所示:
;
式中,表示为三维表面点云数据的平滑指数,/>表示为三维表面点云数据的数据量,/>表示为未经平滑处理的三维表面点云数据的数据量,/>表示为第/>个点云数据的三维坐标,表示为第/>个点云数据的法线斜率,/>表示为第/>个点云数据的三维坐标的修正项,/>表示为三维表面点云数据的平滑指数的异常调整值。
9.根据权利要求8所述的基于线扫描的金属轴表面图像采集方法,其特征在于,步骤S6包括以下步骤:
步骤S61:根据异常金属轴平面数据对平滑三维表面点云数据进行金属轴异常区域的图像还原处理,生成优化三维平面点云数据;
步骤S62:对优化三维平面点云数据进行金属轴表面图像输出转换,生成优化金属轴表面图像数据。
10.根据权利要求9所述的基于线扫描的金属轴表面图像采集方法,其特征在于,步骤S61包括以下步骤:
步骤S611:利用卷积神经网络算法建立金属轴表面缺陷还原的映射关系,生成初始表面缺陷还原模型;
步骤S612:利用异常金属轴平面数据对初始表面缺陷还原模型进行模型训练,生成表面缺陷还原模型;
步骤S613:将平滑三维表面点云数据传输至表面缺陷还原模型进行金属轴缺陷区域的图像还原处理,生成优化三维平面点云数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311473782.6A CN117218041B (zh) | 2023-11-08 | 2023-11-08 | 一种基于线扫描的金属轴表面图像采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311473782.6A CN117218041B (zh) | 2023-11-08 | 2023-11-08 | 一种基于线扫描的金属轴表面图像采集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117218041A true CN117218041A (zh) | 2023-12-12 |
CN117218041B CN117218041B (zh) | 2024-03-12 |
Family
ID=89048488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311473782.6A Active CN117218041B (zh) | 2023-11-08 | 2023-11-08 | 一种基于线扫描的金属轴表面图像采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117218041B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576100A (zh) * | 2024-01-16 | 2024-02-20 | 浙江合丰科技有限公司 | 一种fpc连接器表面缺陷分级检测评价方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220107174A1 (en) * | 2019-02-01 | 2022-04-07 | Mit Semiconductor Pte Ltd | System and method of object inspection using multispectral 3d laser scanning |
US20220351394A1 (en) * | 2021-04-27 | 2022-11-03 | Faro Technologies, Inc. | Hybrid feature matching between intensity image and color image |
CN116580068A (zh) * | 2023-06-25 | 2023-08-11 | 山东卓业医疗科技有限公司 | 一种基于点云配准的多模态医学配准方法 |
CN116778266A (zh) * | 2023-06-02 | 2023-09-19 | 中水淮河规划设计研究有限公司 | 多尺度邻域扩散的遥感点云投影图像处理方法 |
CN116862914A (zh) * | 2023-09-04 | 2023-10-10 | 深圳长盛高精密五金有限公司 | 基于深度学习的金属轴表面缺陷识别方法及系统 |
-
2023
- 2023-11-08 CN CN202311473782.6A patent/CN117218041B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220107174A1 (en) * | 2019-02-01 | 2022-04-07 | Mit Semiconductor Pte Ltd | System and method of object inspection using multispectral 3d laser scanning |
US20220351394A1 (en) * | 2021-04-27 | 2022-11-03 | Faro Technologies, Inc. | Hybrid feature matching between intensity image and color image |
CN116778266A (zh) * | 2023-06-02 | 2023-09-19 | 中水淮河规划设计研究有限公司 | 多尺度邻域扩散的遥感点云投影图像处理方法 |
CN116580068A (zh) * | 2023-06-25 | 2023-08-11 | 山东卓业医疗科技有限公司 | 一种基于点云配准的多模态医学配准方法 |
CN116862914A (zh) * | 2023-09-04 | 2023-10-10 | 深圳长盛高精密五金有限公司 | 基于深度学习的金属轴表面缺陷识别方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576100A (zh) * | 2024-01-16 | 2024-02-20 | 浙江合丰科技有限公司 | 一种fpc连接器表面缺陷分级检测评价方法 |
CN117576100B (zh) * | 2024-01-16 | 2024-03-22 | 浙江合丰科技有限公司 | 一种fpc连接器表面缺陷分级检测评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117218041B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6810505B2 (ja) | 教師データ作成方法及び装置並びに欠陥検査方法及び装置 | |
JP5764238B2 (ja) | 鋼管内部腐食解析装置及び鋼管内部腐食解析方法 | |
JP6745173B2 (ja) | 画像検査装置、画像検査方法、画像検査プログラム及びコンピュータで読み取り可能な記録媒体並びに記録した機器 | |
CN117218041B (zh) | 一种基于线扫描的金属轴表面图像采集方法 | |
JP2017049974A (ja) | 識別器生成装置、良否判定方法、およびプログラム | |
CN103778621B (zh) | 对外来物体碎片的识别方法 | |
CN109166125A (zh) | 一种基于多边缘融合机制的三维深度图像分割算法 | |
Lin et al. | Applications of computer vision on tile alignment inspection | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN114638797A (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
JP2013105245A (ja) | 画像処理方法、装置及びプログラム | |
Grande | Principles of image analysis | |
CN113822844A (zh) | 风电机组叶片无人机巡检缺陷检测方法、装置和存储介质 | |
CN116129096A (zh) | 一种马铃薯根系长度的数字化测量系统及其测量方法 | |
CN117314826A (zh) | 一种显示屏的性能检测方法 | |
CN116645351A (zh) | 一种复杂场景的缺陷在线检测方法及系统 | |
CN117011759A (zh) | 钻爆法隧道掌子面围岩多元地质信息解析方法及系统 | |
CN113920087A (zh) | 基于深度学习的微小元器件缺陷检测系统及方法 | |
CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
JP2004199391A (ja) | 画像解析におけるしきい値決定方法とその装置、二値化装置並びに画像解析装置、学習機能付き情報処理方法と学習機能付き画像解析装置並びにそれらのための記録媒体 | |
WO2007054804A2 (en) | Digital inspection of the physical quality of plain surfaces | |
CN113505622A (zh) | 一种自动识别多条码与led灯的测试系统及方法 | |
Yan et al. | A boosted decision tree approach to shadow detection in scanning electron microscope (SEM) images for machine vision applications | |
CN117576093B (zh) | 基于el图像的太阳能电池片隐裂检测方法 | |
Comino Trinidad et al. | Neural colorization of laser scans |
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 |