CN117314910B - 基于机器视觉的腕带材料精准裁切控制方法 - Google Patents
基于机器视觉的腕带材料精准裁切控制方法 Download PDFInfo
- Publication number
- CN117314910B CN117314910B CN202311605432.0A CN202311605432A CN117314910B CN 117314910 B CN117314910 B CN 117314910B CN 202311605432 A CN202311605432 A CN 202311605432A CN 117314910 B CN117314910 B CN 117314910B
- Authority
- CN
- China
- Prior art keywords
- closed contour
- closed
- contour
- taking
- ith
- 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
- 239000000463 material Substances 0.000 title claims abstract description 77
- 238000005520 cutting process Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 238000009499 grossing Methods 0.000 claims abstract description 45
- 238000012937 correction Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000006073 displacement reaction Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 5
- 239000000428 dust Substances 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010297 mechanical methods and process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B26—HAND CUTTING TOOLS; CUTTING; SEVERING
- B26D—CUTTING; DETAILS COMMON TO MACHINES FOR PERFORATING, PUNCHING, CUTTING-OUT, STAMPING-OUT OR SEVERING
- B26D5/00—Arrangements for operating and controlling machines or devices for cutting, cutting-out, stamping-out, punching, perforating, or severing by means other than cutting
- B26D5/007—Control means comprising cameras, vision or image processing systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Forests & Forestry (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及机器视觉技术领域,具体涉及基于机器视觉的腕带材料精准裁切控制方法,该方法包括:获取待裁切腕带灰度图像的各闭合轮廓的分析窗口;构建横向、纵向间隔偏离度;进而计算各闭合轮廓的定位标准指数;计算各闭合轮廓的偏折差异度;根据闭合轮廓的八邻域闭合轮廓的定位标准指数、偏折差异度得到闭合轮廓的邻域识真度;基于此计算闭合轮廓的平滑参数校正值;根据平滑参数校正值以及初始平滑系数得到调整后NLM算法去噪过程的平滑参数,对待裁切腕带灰度图像进行去噪,将去噪后图像中的连通域定位线作为BP神经网络的输入,输出裁切刀裁切位移坐标点数据。本发明可实现基于视觉对腕带材料的裁切进行精准控制,提高裁切准确性。
Description
技术领域
本申请涉及机器视觉技术领域,具体涉及基于机器视觉的腕带材料精准裁切控制方法。
背景技术
随着科技的发展,腕带材料的加工逐渐开始采用机械的方式,腕带制作的众多流程都采用机械的方式进行。在裁切流程中,通常会预先设计好腕带的裁切样式,并在待裁切的腕带材料中进行定位点标记,最后裁切机根据拍摄到的腕带材料图像利用机器视觉进行裁切定位,在定位完成后裁切系统对裁切刀发出裁切信号,控制裁切刀根据预设样式进行工作,进而对腕带材料进行精准裁切。而由于裁切机的工作环境不尽相同,在裁切前拍摄腕带材料图像时受到的环境因素影响较大,例如工作间的灰尘堆积、机器和工作人员工作时的倒影、工作间的光源位置影响等,导致拍摄出的腕带材料图像存在较多噪声,从而导致裁切系统对腕带材料裁切点的定位不准确,所以通常情况下会对拍摄出的腕带材料图像利用图像去噪算法进行去噪。
目前在众多去噪算法中,NLM算法不仅考虑了图像的局部信息,还利用整个图像的信息进行去噪,有着较好的去噪效果以及较好的细节保留效果,因而被广泛使用。然而,由于NLM算法需要计算更多的图像信息,因而计算量较大,且参数选择的准确性也在很大程度上影响去噪效果。
发明内容
为了解决上述技术问题,本发明提供基于机器视觉的腕带材料精准裁切控制方法,以解决现有的问题。
本发明的基于机器视觉的腕带材料精准裁切控制方法采用如下技术方案:
本发明一个实施例提供了基于机器视觉的腕带材料精准裁切控制方法,该方法包括以下步骤:
采集待裁切腕带材料图像并进行预处理;
对待裁切腕带灰度图像进行边缘检测并轮廓跟踪得到各闭合轮廓;获取各闭合轮廓的分析窗口及窗口中心点的LBP值;根据各闭合轮廓分析窗口中心点的横坐标差异构建横向间隔偏离度;对于纵坐标差异采用横向间隔偏离度的构建方法获取纵向间隔偏离度;根据横向间隔偏离度、纵向间隔偏离度及窗口中心点的LBP值得到各闭合轮廓的定位标准指数;获取各闭合轮廓的各组以及轮廓斜率序列;根据各闭合轮廓的轮廓斜率序列中斜率之间的差异以及各闭合轮廓的组数差异得到各闭合轮廓的偏折差异度;获取各闭合轮廓的八邻域闭合轮廓;根据闭合轮廓的八邻域闭合轮廓的定位标准指数以及偏折差异度得到闭合轮廓的邻域识真度;根据各闭合轮廓的定位标准指数、偏折差异度以及邻域识真度得到各闭合轮廓的平滑参数校正值;预设NLM算法的初始平滑系数,根据平滑参数校正值以及初始平滑系数得到调整后NLM算法去噪过程的平滑参数;
结合改进的NLM算法对待裁切腕带灰度图像进行去噪,将去噪后图像中提取的连通域定位线作为BP神经网络的输入,输出裁切刀裁切位移坐标点数据完成腕带材料的裁切控制。
优选的,所述获取各闭合轮廓的分析窗口及窗口中心点的LBP值,包括:
将各闭合轮廓的最小外接矩形作为各闭合轮廓的分析窗口,将所述最小外接矩形的中心点作为窗口中心点,将分析窗口中各像素点的灰度值作为LBP算法的输入,输出为窗口中心点的LBP值。
优选的,所述根据各闭合轮廓分析窗口中心点的横坐标差异构建横向间隔偏离度,包括:
分别计算第i个闭合轮廓分析窗口中心点与其他各闭合轮廓中心点的横坐标之间的差值,计算第i个闭合轮廓分析窗口中心点的所有所述差值的均值;分别获取各差值与所述均值的比值,将所述比值的和值作为第i个闭合轮廓分析窗口的横向间隔偏离度。
优选的,所述根据横向间隔偏离度、纵向间隔偏离度及窗口中心点的LBP值得到各闭合轮廓的定位标准指数,包括:
对于第i个闭合轮廓分析窗口,将横向间隔偏离度与纵向间隔偏离度的乘积作为以自然常数为底数的指数函数的负指数;分别计算第i个闭合轮廓分析窗口的LBP值与其他各窗口中心点的LBP值的比值,分别获取1减去各所述比值的计算结果,将所有所述计算结果的和值作为分母,将所述指数函数的计算结果作为分子,分子与分母的比值作为第i个闭合轮廓的定位标准指数。
优选的,所述获取各闭合轮廓的各组以及轮廓斜率序列,包括:
以闭合轮廓的中心点为起点向右做水平线,将与闭合轮廓的交点作为起始点,获取所述起始点的下方且与起始点相邻的闭合轮廓像素点,将起始点和所述与起始点相邻的闭合轮廓像素点作为一组,将所述与起始点相邻的闭合轮廓像素点作为新的起始点,继续遍历闭合轮廓的各像素点,获取闭合轮廓的各组;
结合各组内像素点的坐标计算各组的斜率,将闭合轮廓所有组的斜率组成闭合轮廓的轮廓斜率序列。
优选的,所述各闭合轮廓的偏折差异度,包括:
对于第i个闭合轮廓;
计算第i个闭合轮廓与其余所有闭合轮廓的组数差值绝对值的和值,记为第一和值;
计算第i个闭合轮廓与其他任一闭合轮廓的轮廓斜率序列中对应斜率的差值绝对值的和值,记为和值因子,获取第i个闭合轮廓与其他所有闭合轮廓的所述和值因子的和值,记为第二和值;
将第一和值与第二和值的乘积作为第i个闭合轮廓的偏折差异度。
优选的,所述获取各闭合轮廓的八邻域闭合轮廓,包括:
将各闭合轮廓作为当前闭合轮廓,计算当前闭合轮廓分析窗口中心点与其余各闭合轮廓分析窗口中心点的欧式距离,将欧式距离从小到大排序对应的前八个闭合轮廓作为当前闭合轮廓的八邻域闭合轮廓。
优选的,所述根据闭合轮廓的八邻域闭合轮廓的定位标准指数以及偏折差异度得到闭合轮廓的邻域识真度,包括:
获取第i个闭合轮廓的各八邻域闭合轮廓的定位标准指数、偏折差异度,第i个闭合轮廓的领域识真度表达式为:
;
式中,为第i个闭合轮廓的邻域识真度,/>分别为第i个闭合轮廓的第q个八邻域闭合轮廓的定位标准指数、偏折差异度,/>分别为第i个闭合轮廓的第o个八邻域闭合轮廓的定位标准指数、偏折差异度,/>是第i个闭合轮廓的八邻域闭合轮廓数量。
优选的,所述各闭合轮廓的平滑参数校正值,包括:
获取闭合轮廓的定位标准指数与领域识真度的乘积,将所述乘积与闭合轮廓的偏折差异度的比值作为闭合轮廓的平滑参数校正值。
优选的,所述根据平滑参数校正值以及初始平滑系数得到调整后的NLM算法去噪过程的平滑参数,包括:
将闭合轮廓的平滑参数校正值作为闭合轮廓上各闭合轮廓像素点的平滑参数调整系数,将非闭合轮廓上的各像素点的平滑参数调整系数设置为1;
将各像素点的平滑参数调整系数与初始平滑系数的乘积作为调整后的NIM算法去噪过程的平滑参数。
本发明至少具有如下有益效果:
本发明通过分析腕带材料在裁切前连通域定位线的分布特点,构建定位标准指数以及偏折差异度,分析噪声遮挡时连通域定位线的周围图像特征,构建邻域识真度,最后改进NLM算法中权重公式内的平滑参数,使得在采用NLM算法对待裁切腕带材料高清灰度图像进行去噪时能够自适应地调整去噪强度,在减少计算量的同时获得更好的去噪效果,提高腕带材料裁切时的准确度。
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为本发明提供的基于机器视觉的腕带材料精准裁切控制方法的流程图;
图2为腕带定位线示意图。
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基于机器视觉的腕带材料精准裁切控制方法,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基于机器视觉的腕带材料精准裁切控制方法的具体方案。
本发明一个实施例提供的基于机器视觉的腕带材料精准裁切控制方法,具体的,提供了如下的基于机器视觉的腕带材料精准裁切控制方法,请参阅图1,该方法包括以下步骤:
步骤S001,在对腕带材料进行裁切前对腕带材料进行图像拍摄,并进行预处理。
在腕带材料裁切机的裁切装置上设置CMOS高清摄像机,在裁切机裁切流程前对待裁切的腕带材料进行图像拍摄,获取待裁切腕带材料的高清RGB图像,再利用灰度值平均法将待裁切腕带材料的高清RGB图像转换成灰度图像,获得待裁切腕带材料灰度图像,并利用拉普拉斯算子对其进行锐化。其中灰度值平均法以及拉普拉斯算子均为公知技术,本发明不再赘述其过程。
步骤S002,根据连通域定位线自身的分布特点以及与其余连通域定位线的相似情况,获得连通域定位线闭合轮廓的定位标准指数以及偏折差异度;根据连通域定位线闭合轮廓被遮挡时周围闭合轮廓的分布特点,构建邻域识真度,基于此构建NLM算法的平滑参数校正值。
腕带材料在被裁切之前裁切机需要通过寻找腕带材料上的定位线,以更精准地对腕带材料进行裁切,然而由于工作间的环境存在许多不确定影响因素,例如粉尘较多、光源倒影对图像的影响,以及腕带材料的不规整性,都可能会造成裁切机对定位线寻找不准确的情况。
其中,工作间的粉尘影响主要表现为图像中的细节信息会产生模糊的情况,使得局部的腕带材料纹理以及定位点产生晕染情况,最终使得裁切机无法找到准确的定位线,进而裁切精度下降。腕带材料的定位线主要为连通域定位线,如图2,而由于定位线的作用是让裁切机能够裁切出大小规整且符合要求的腕带,所以每个独立连通域定位线之间的间隔是相同的。腕带定位线示意图如图2所示。当产生粉尘噪声影响时,图像中的定位线信息则可能会被模糊,导致定位线的偏移、扩大等,又或因粉尘噪声而产生模糊的斑点,导致裁切机在对待裁切腕带材料高清灰度图像分析时判断定位点错误。
针对上述特点,对待裁切腕带材料高清灰度图像进行如下分析计。具体的,先利用Canny算子对待裁切腕带材料灰度图像进行边缘检测,获取图像中的边缘,再利用轮廓跟踪算法获取边缘中的闭合轮廓,并对每一个闭合轮廓构建其最小外接矩形,以图像的下边界为横坐标,左边界为纵坐标,构建直角坐标系,获取矩形的中心点并记录为 ,其中为第i个闭合轮廓最小外接矩形中心点的横坐标,/>为第i个闭合轮廓最小外接矩形中心点的纵坐标。由于腕带材料的裁切通常是将一整块材料切分成小块,所以通常定位点连通域内的纹理在不受噪声干扰的情况下是一致的。将每个闭合轮廓的最小外接矩形作为分析窗口,矩形的中心点作为闭合轮廓分析窗口的中心点,利用LBP算法计算每个分析窗口的LBP值,LBP算法的输入为每个闭合轮廓分析窗口中的灰度值,输出为每个闭合轮廓分析窗口中心点的LBP特征值,构建第i个闭合轮廓的定位标准指数(DBZ):
;
式中, 为第i个闭合轮廓分析窗口的横向间隔偏离度,/>为第i个闭合轮廓分析窗口的纵向间隔偏离度,/>为第i个闭合轮廓分析窗口中心点的横坐标,/>为第j个闭合轮廓分析窗口中心点的横坐标,/>为第i个闭合轮廓分析窗口中心点与其他闭合轮廓分析窗口中心点的横坐标之间的差值均值,/>为第i个闭合轮廓分析窗口中心点的纵坐标,/>为第j个闭合轮廓分析窗口中心点的纵坐标,/>为第i个闭合轮廓分析窗口中心点与其他闭合轮廓分析窗口中心点的纵坐标之间的差值均值,/>为待裁切腕带材料高清图像中闭合轮廓分析窗口总数,/>为第i个闭合轮廓分析窗口的定位标准指数,/>为第i个闭合轮廓分析窗口中心点的LBP值,/>为第r个闭合轮廓分析窗口中心点的LBP值,e为自然底数,/>为调整参数,其值为1。
当第i个闭合轮廓分析窗口相对于其余闭合轮廓分析窗口的横向间隔偏离度越小,的值越小,说明该闭合轮廓分析窗口和其余闭合轮廓分析窗口的横向间隔越规整,当第i个闭合轮廓分析窗口相对于其余闭合轮廓分析窗口纵向间隔偏离度越小,/>的值越小,说明该闭合轮廓分析窗口和其余闭合轮廓分析窗口的纵向间隔越规整,则的值越小。当第i个闭合轮廓分析窗口内的纹理特征与其余窗口的纹理特征差异越小,/> 的值越小,说明第i个闭合轮廓分析窗口内的纹理特征被噪声干扰的程度越小,该闭合轮廓在图像中的表现更清晰,受噪声影响程度越低,用于定位时越标准,的值越大。
当某个闭合轮廓的闭合轮廓定位标准指数较小时,可能出现两种情况,第一种情况是该轮廓并非是连通域定位线,而是腕带材料本身的纹理或是材料边界与裁切台底板纹理组合而成的轮廓,另一种情况则是正常的连通域定位线轮廓受到了噪声的影响导致产生了一定的模糊、变形或是偏移,导致其闭合轮廓定位标准指数较小。针对上述情况,对闭合轮廓的分析窗口做进一步分析。具体的,针对第i个闭合轮廓分析窗口,将闭合轮廓上两个相邻的闭合轮廓像素点作为一组,需要说明的是,这里对于各组的构建是有限定的,在后续有特殊说明。根据各组中像素点的坐标计算各组对应的斜率,并将其记录为k,则整个闭合轮廓像素点构成的所有组的斜率数据可记录为轮廓斜率序列,将其记录为。其中,/>的含义为第i个闭合轮廓中第/>个组的斜率。
需要特殊说明的是,为方便后续对各闭合轮廓纹理一致程度的分析,本实施例将对每个闭合轮廓的各组进行对应限定。本实施例中,以各闭合轮廓的中心点为起点向右做水平线,与闭合轮廓交于一点,将交点作为起始点,获取所述起始点的下方且与起始点相邻的闭合轮廓像素点,将起始点和所述与起始点相邻的闭合轮廓像素点组成一组,将所述与起始点相邻的闭合轮廓像素点作为新的起始点,继续遍历可得到每个闭合轮廓的各组,需要说明的是,每个闭合轮廓的各组是互相对应的,例如第i个闭合轮廓的第p组对应第r个闭合轮廓的第p组。每个闭合轮廓的轮廓斜率序列中的斜率也是互相对应的。
由于在腕带材料的裁切加工过程中,每一轮的生产流程中腕带的规格都是一致的,所以每个轮廓都应该是相同的,那么其轮廓上的斜率也应一一对应,按照上述方法获取每一个闭合轮廓中的闭合轮廓斜率序列,构建第i个闭合轮廓的偏折差异度(PZD):
;
式中,为第i个闭合轮廓的偏折差异度,m为待裁切腕带材料灰度图像中闭合轮廓总数,/>为第i个闭合轮廓的第p个组的斜率,/>为第r个闭合轮廓的第p个组的斜率,/>为第i个闭合轮廓的组数,/>为第r个闭合轮廓的组数,其中,为方便表述,记为和值因子。若/>小于等于/>,则上式计算过程只需对应组的斜率相减即可;若/>大于/>,则第i个闭合轮廓多余的各组不参与计算即可。
当第i个闭合轮廓中各组的斜率与其余闭合轮廓中对应组的斜率的差异越小,也即和值因子越小,说明此时该闭合轮廓与其余闭合轮廓局部偏移差异越小,而当第i个闭合轮廓与其余闭合轮廓上的组数差异越小,越小,说明第i个闭合轮廓上的像素点与其余闭合轮廓上的像素点数目差距越小,该闭合轮廓越可能是噪声导致其定位标准指数较低,其原本是正常连通域定位线的可能性越大,越应该对该闭合轮廓区域进行更好的去噪;当第i个闭合轮廓中各组的斜率与其余闭合轮廓中对应组的斜率的差异越大,也即和值因子越大,说明此时该闭合轮廓与其余闭合轮廓局部偏移差异越大,而当第i个闭合轮廓与其余闭合轮廓上的组数差异越大,/> 越大,说明第i个闭合轮廓上的像素点与其余闭合轮廓上的像素点数目差距越大,该闭合轮廓越可能并非是连通域定位线,对其的去噪要求可以降低。
然而某些闭合轮廓很有可能会因为光源或阴影的遮挡以及受到噪声的干扰,导致整个闭合轮廓完全失去原本的形态,其偏折差异度会较大,定位标准指数较小,难以判别其是否真的为受到干扰后的失真闭合轮廓,但由于连通域定位线在腕带材料上的分布是规整的,即每个连通域定位线的闭合轮廓其周围的闭合轮廓也应符合连通域定位线闭合轮廓的特征,而当某个闭合轮廓其周围的其余闭合轮廓都同属于连通域定位线时,该闭合轮廓是连通域定位线的概率较大,可能是受到了强噪声干扰导致的,所以应该使用更强力的去噪。基于上述特点,利用闭合轮廓的八邻域闭合轮廓的性质,构建第i个闭合轮廓的邻域识真度(LZD):
;
式中,为第i个闭合轮廓的邻域识真度,/>分别为第i个闭合轮廓的第q个八邻域闭合轮廓的定位标准指数、偏折差异度,/>分别为第i个闭合轮廓的第o个八邻域闭合轮廓的定位标准指数、偏折差异度,/>是第i个闭合轮廓的八邻域闭合轮廓数量。
需要说明的是,上文所指的闭合轮廓的八邻域闭合轮廓指代的是与当前闭合轮廓分析窗口中心点的欧式距离从小到大排序的前八个闭合轮廓。
当第i个闭合轮廓的八邻域闭合轮廓定位标准度以及偏折差异度的偏差程度越小,和/>的值越小,说明第i个闭合轮廓的八邻域闭合轮廓之间的特征差异较小,可能都是规整的连通域定位线,那么第i个闭合轮廓也是连通域定位线的真实性越高,/>的值越大,越应该对此闭合轮廓进行更强力的去噪。当第i个闭合轮廓的八邻域闭合轮廓定位标准度以及偏折差异度的偏差程度越大,和/>的值越大,说明第i个闭合轮廓的八邻域闭合轮廓之间的特征变化差异较大,可能第i个闭合轮廓邻域内存在较多非连通域定位线的闭合轮廓,那么第i个闭合轮廓为非连通域定位线的可能性越大,/>的值越小,对此闭合轮廓的去噪效果可以降低。
基于闭合轮廓的定位标准指数和偏折差异度以及闭合轮廓的邻域识真度,构建第i个闭合轮廓的平滑参数校正值:
;
式中,为第i个闭合轮廓的平滑参数校正值,/>为第i个闭合轮廓的邻域识真度,/>为第i个闭合轮廓的定位标准指数,/>为第i个闭合轮廓的偏折差异度。
当第i个闭合轮廓较为清晰标准,且属于连通域定位线时,说明该闭合轮廓受到噪声的干扰较小,整体可识别效果较好,则对该闭合轮廓的去噪强度可以适当降低,保留更多的细节信息;当第i个闭合轮廓标准程度较低,但属于连通域定位线时,说明该闭合轮廓受到噪声的干扰较大,整体可识别效果较插,则对该闭合轮廓的去噪强度可以提高,尽可能减少该闭合轮廓受到噪声的影响;当第i个闭合轮廓较为模糊,且不属于连通域定位线时,说明该闭合轮廓并非连通域定位线,则对该闭合轮廓的去噪强度可以降低,减少运算量;
由于采用NLM算法时,其算法是针对每个像素点进行去噪的,因此,将每个闭合轮廓的平滑参数校正值作为该闭合轮廓上的像素点的平滑参数调整系数,赋予至该闭合轮廓上的所有像素点,用于之后的去噪计算。
至此,获得了每个闭合轮廓上每个像素点的平滑参数调整系数 。需要说明的是,令非闭合轮廓上的像素点平滑参数调整系数为1,即依据算法的初始平滑参数进行去噪。
步骤S003,基于每个像素点的平滑参数调整系数,对待裁切腕带材料高清灰度图像进行去噪,并基于去噪后的图像对腕带材料进行裁切控制。
利用NLM去噪算法对待裁切腕带材料灰度图进行去噪,并依据每个像素点的平滑参数调整系数对去噪过程中的平滑参数进行调整:
;
式中,为调整后的NLM算法去噪过程的平滑参数,/>为待裁切腕带材料灰度图像中每个像素点的平滑参数调整系数,/>为初始平滑系数。
利用调整后的平滑系数对待裁切腕带材料灰度图像中各像素点进行去噪,并得到去噪后的待裁切腕带材料灰度图像,根据去噪后的待裁切腕带材料灰度图像识别出其中的连通域定位线,需要说明的是,识别待裁切腕带材料灰度图像中的连通域定位线可通过阈值分割算法或者是语义分割神经网络实现对连通域定位线的分割提取,阈值分割算法以及语义分割神经网络均为现有技术,具体过程可通过现有技术实现,本实施例对此不做限制。将识别出的连通域定位线图像输入至BP神经网络中,BP神经网络采用SGD作为优化算法,输出为裁切刀裁切位移坐标点数据,并将裁切刀裁切位移坐标点数据作为PLC控制器的输入,PLC控制器输出裁切控制信号至裁切刀控制系统中,并控制裁切装置进行裁切,最后完成精准的腕带材料裁切,实现一种基于机器视觉的腕带材料精准裁切控制方法。
综上所述,本发明实施例通过分析腕带材料在裁切前连通域定位线的分布特点,构建定位标准指数以及偏折差异度,分析噪声遮挡时连通域定位线的周围图像特征,构建邻域识真度,最后改进NLM算法中权重公式内的平滑参数,使得在采用NLM算法对待裁切腕带材料高清灰度图像进行去噪时能够自适应地调整去噪强度,在减少计算量的同时获得更好的去噪效果,提高腕带材料裁切时的准确度。
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.基于机器视觉的腕带材料精准裁切控制方法,其特征在于,该方法包括以下步骤:
采集待裁切腕带材料图像并进行预处理;
对待裁切腕带灰度图像进行边缘检测并轮廓跟踪得到各闭合轮廓;获取各闭合轮廓的分析窗口及窗口中心点的LBP值;根据各闭合轮廓分析窗口中心点的横坐标差异构建横向间隔偏离度;对于纵坐标差异采用横向间隔偏离度的构建方法获取纵向间隔偏离度;根据横向间隔偏离度、纵向间隔偏离度及窗口中心点的LBP值得到各闭合轮廓的定位标准指数;获取各闭合轮廓的各组以及轮廓斜率序列;根据各闭合轮廓的轮廓斜率序列中斜率之间的差异以及各闭合轮廓的组数差异得到各闭合轮廓的偏折差异度;获取各闭合轮廓的八邻域闭合轮廓;根据闭合轮廓的八邻域闭合轮廓的定位标准指数以及偏折差异度得到闭合轮廓的邻域识真度;根据各闭合轮廓的定位标准指数、偏折差异度以及邻域识真度得到各闭合轮廓的平滑参数校正值;预设NLM算法的初始平滑系数,根据平滑参数校正值以及初始平滑系数得到调整后NLM算法去噪过程的平滑参数;
结合改进的NLM算法对待裁切腕带灰度图像进行去噪,将去噪后图像中提取的连通域定位线作为BP神经网络的输入,输出裁切刀裁切位移坐标点数据完成腕带材料的裁切控制。
2.如权利要求1所述的基于机器视觉的腕带材料精准裁切控制方法,其特征在于,所述获取各闭合轮廓的分析窗口及窗口中心点的LBP值,包括:
将各闭合轮廓的最小外接矩形作为各闭合轮廓的分析窗口,将所述最小外接矩形的中心点作为窗口中心点,将分析窗口中各像素点的灰度值作为LBP算法的输入,输出为窗口中心点的LBP值。
3.如权利要求2所述的基于机器视觉的腕带材料精准裁切控制方法,其特征在于,所述根据各闭合轮廓分析窗口中心点的横坐标差异构建横向间隔偏离度,包括:
分别计算第i个闭合轮廓分析窗口中心点与其他各闭合轮廓中心点的横坐标之间的差值,计算第i个闭合轮廓分析窗口中心点的所有所述差值的均值;分别获取各差值与所述均值的比值,将所述比值的和值作为第i个闭合轮廓分析窗口的横向间隔偏离度。
4.如权利要求3所述的基于机器视觉的腕带材料精准裁切控制方法,其特征在于,所述根据横向间隔偏离度、纵向间隔偏离度及窗口中心点的LBP值得到各闭合轮廓的定位标准指数,包括:
对于第i个闭合轮廓分析窗口,将横向间隔偏离度与纵向间隔偏离度的乘积作为以自然常数为底数的指数函数的负指数;分别计算第i个闭合轮廓分析窗口的LBP值与其他各窗口中心点的LBP值的比值,分别获取1减去各所述比值的计算结果,将所有所述计算结果的和值作为分母,将所述指数函数的计算结果作为分子,分子与分母的比值作为第i个闭合轮廓的定位标准指数。
5.如权利要求4所述的基于机器视觉的腕带材料精准裁切控制方法,其特征在于,所述获取各闭合轮廓的各组以及轮廓斜率序列,包括:
以闭合轮廓的中心点为起点向右做水平线,将与闭合轮廓的交点作为起始点,获取所述起始点的下方且与起始点相邻的闭合轮廓像素点,将起始点和所述与起始点相邻的闭合轮廓像素点作为一组,将所述与起始点相邻的闭合轮廓像素点作为新的起始点,继续遍历闭合轮廓的各像素点,获取闭合轮廓的各组;
结合各组内像素点的坐标计算各组的斜率,将闭合轮廓所有组的斜率组成闭合轮廓的轮廓斜率序列。
6.如权利要求5所述的基于机器视觉的腕带材料精准裁切控制方法,其特征在于,所述各闭合轮廓的偏折差异度,包括:
对于第i个闭合轮廓;
计算第i个闭合轮廓与其余所有闭合轮廓的组数差值绝对值的和值,记为第一和值;
计算第i个闭合轮廓与其他任一闭合轮廓的轮廓斜率序列中对应斜率的差值绝对值的和值,记为和值因子,获取第i个闭合轮廓与其他所有闭合轮廓的所述和值因子的和值,记为第二和值;
将第一和值与第二和值的乘积作为第i个闭合轮廓的偏折差异度。
7.如权利要求1所述的基于机器视觉的腕带材料精准裁切控制方法,其特征在于,所述获取各闭合轮廓的八邻域闭合轮廓,包括:
将各闭合轮廓作为当前闭合轮廓,计算当前闭合轮廓分析窗口中心点与其余各闭合轮廓分析窗口中心点的欧式距离,将欧式距离从小到大排序对应的前八个闭合轮廓作为当前闭合轮廓的八邻域闭合轮廓。
8.如权利要求7所述的基于机器视觉的腕带材料精准裁切控制方法,其特征在于,所述根据闭合轮廓的八邻域闭合轮廓的定位标准指数以及偏折差异度得到闭合轮廓的邻域识真度,包括:
获取第i个闭合轮廓的各八邻域闭合轮廓的定位标准指数、偏折差异度,第i个闭合轮廓的领域识真度表达式为:
;
式中,为第i个闭合轮廓的邻域识真度,/>分别为第i个闭合轮廓的第q个八邻域闭合轮廓的定位标准指数、偏折差异度,/>分别为第i个闭合轮廓的第o个八邻域闭合轮廓的定位标准指数、偏折差异度,/>是第i个闭合轮廓的八邻域闭合轮廓数量。
9.如权利要求8所述的基于机器视觉的腕带材料精准裁切控制方法,其特征在于,所述各闭合轮廓的平滑参数校正值,包括:
获取闭合轮廓的定位标准指数与领域识真度的乘积,将所述乘积与闭合轮廓的偏折差异度的比值作为闭合轮廓的平滑参数校正值。
10.如权利要求1所述的基于机器视觉的腕带材料精准裁切控制方法,其特征在于,所述根据平滑参数校正值以及初始平滑系数得到调整后的NLM算法去噪过程的平滑参数,包括:
将闭合轮廓的平滑参数校正值作为闭合轮廓上各闭合轮廓像素点的平滑参数调整系数,将非闭合轮廓上的各像素点的平滑参数调整系数设置为1;
将各像素点的平滑参数调整系数与初始平滑系数的乘积作为调整后的NIM算法去噪过程的平滑参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605432.0A CN117314910B (zh) | 2023-11-29 | 2023-11-29 | 基于机器视觉的腕带材料精准裁切控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605432.0A CN117314910B (zh) | 2023-11-29 | 2023-11-29 | 基于机器视觉的腕带材料精准裁切控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117314910A CN117314910A (zh) | 2023-12-29 |
CN117314910B true CN117314910B (zh) | 2024-02-27 |
Family
ID=89286930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311605432.0A Active CN117314910B (zh) | 2023-11-29 | 2023-11-29 | 基于机器视觉的腕带材料精准裁切控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314910B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109671052A (zh) * | 2018-11-16 | 2019-04-23 | 华南理工大学 | 一种基于圆形轮廓提取的柔性ic封装基板的过孔检测方法 |
CN114565612A (zh) * | 2022-04-29 | 2022-05-31 | 惠州威尔高电子有限公司 | 一种基于图像对比的pcb板u型槽加工异常检测方法 |
CN116777941A (zh) * | 2023-08-22 | 2023-09-19 | 山东明达圣昌铝业集团有限公司 | 一种基于机器视觉的型材轮廓检测方法及系统 |
CN116990323A (zh) * | 2023-09-26 | 2023-11-03 | 睿同科技有限公司 | 一种高精密印刷版视觉检测系统 |
-
2023
- 2023-11-29 CN CN202311605432.0A patent/CN117314910B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109671052A (zh) * | 2018-11-16 | 2019-04-23 | 华南理工大学 | 一种基于圆形轮廓提取的柔性ic封装基板的过孔检测方法 |
CN114565612A (zh) * | 2022-04-29 | 2022-05-31 | 惠州威尔高电子有限公司 | 一种基于图像对比的pcb板u型槽加工异常检测方法 |
CN116777941A (zh) * | 2023-08-22 | 2023-09-19 | 山东明达圣昌铝业集团有限公司 | 一种基于机器视觉的型材轮廓检测方法及系统 |
CN116990323A (zh) * | 2023-09-26 | 2023-11-03 | 睿同科技有限公司 | 一种高精密印刷版视觉检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117314910A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN110197153B (zh) | 一种户型图中墙体自动识别方法 | |
CN114821114A (zh) | 一种基于视觉系统的坡口切割机器人图像处理方法 | |
CN114782475B (zh) | 基于人工智能系统的瓦楞纸箱压线缺陷检测优化方法 | |
CN113284157B (zh) | 一种大幅面皮革轮廓检测与轨迹优化方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN116993731B (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
CN108629790B (zh) | 一种基于深度残差网络的光条图像阈值分割方法 | |
CN116168027B (zh) | 基于视觉定位的木工机械智能切割方法 | |
CN117315289A (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN111161276A (zh) | 一种虹膜归一化图像的形成方法 | |
CN117745724A (zh) | 基于视觉分析的石材打磨加工缺陷区域分割方法 | |
CN117314910B (zh) | 基于机器视觉的腕带材料精准裁切控制方法 | |
CN116823827B (zh) | 一种基于图像处理的矿石粉碎效果评价方法 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 | |
CN113763404B (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 | |
CN114155236A (zh) | 一种适用于动态测量环境的激光条纹中心线提取方法 | |
CN113763491A (zh) | 一种烟丝桶残余物的视觉检测方法 | |
CN113505811A (zh) | 一种轮毂生产用机器视觉成像方法 | |
CN111738934A (zh) | 基于mtcnn的红眼自动修复方法 | |
CN113029021B (zh) | 一种用于线激光蒙皮对缝测量的光条细化方法 | |
Wang et al. | Research on weld recognition based on MESR adaptive threshold algorithm | |
CN114187262B (zh) | 一种钣金毛刺缺陷自适应检测方法 |
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 |