CN117893553B - 一种图像处理的钛金属分割方法及系统 - Google Patents
一种图像处理的钛金属分割方法及系统 Download PDFInfo
- Publication number
- CN117893553B CN117893553B CN202410298774.0A CN202410298774A CN117893553B CN 117893553 B CN117893553 B CN 117893553B CN 202410298774 A CN202410298774 A CN 202410298774A CN 117893553 B CN117893553 B CN 117893553B
- Authority
- CN
- China
- Prior art keywords
- gradient direction
- sequence
- gray
- detection
- titanium metal
- 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
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 60
- 239000002184 metal Substances 0.000 title claims abstract description 60
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 title claims abstract description 52
- 239000010936 titanium Substances 0.000 title claims abstract description 52
- 229910052719 titanium Inorganic materials 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 title claims abstract description 29
- 230000011218 segmentation Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 150
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000003708 edge detection Methods 0.000 claims abstract description 6
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 230000008439 repair process Effects 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 239000000956 alloy Substances 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/10—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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- 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
- G06T2207/30136—Metal
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域，更具体地，本发明涉及一种图像处理的钛金属分割方法及系统。所述方法包括：获得钛金属截面灰度图，获得内边界半径序列和外边界半径序列；对目标检测区域使用预设图像分割算法获得多条分割线，并构建梯度方向差值序列，从而计算梯度方向相近性；对目标检测区域使用预设图像分割算法获得多个子区域，并获得灰度差值序列，从而计算灰度渐变性；通过梯度方向相近性和灰度渐变性计算目标检测区域的检测评分；对获得的最优检测区域使用边缘检测，响应于钛金属截面灰度图存在毛刺，生成并发送检修指令。通过本发明的技术方案，能够增加毛刺检测的精度，提高钛金属加工时的成品率。
Description
技术领域
本发明一般地涉及图像处理领域。更具体地，本发明涉及一种图像处理的钛金属分割方法及系统。
背景技术
钛金属是一种轻盈而坚固的金属，具有高强度、耐腐蚀性、良好的生物兼容性等特性，因此钛金属及其合金在航空航天、汽车、医疗等领域中得到了广泛的应用。但是钛金属及其合金在加工过程中容易出现刀具磨损、粘刀等问题，极易在切割边缘产生毛刺，影响后续使用。因此对于切割后的金属零件进行毛刺的检测，并进行打磨等后处理以及对刀具等设备进行更换维修，是十分必要的。
对于钛金属表面由于切割产生的毛刺进行检测时，由于毛刺的面积较小，使用分水岭算法能表现出很好的分割效果，但是若直接对整个图像使用分水岭算法分割，会将钛金属表面的正常纹理、拍摄时背景中的杂质和噪声都进行了分割，增加了分割后图像的复杂度，干扰对毛刺的检测，使得对毛刺检测的效果不佳。
发明内容
为解决上述一个或多个技术问题，本发明提出一种图像处理的钛金属分割方法及系统。
第一方面，本发明公开一种图像处理的钛金属分割方法，包括以下步骤：获得钛金属截面灰度图；对钛金属截面灰度图进行处理得到多个检测区域，不同检测区域之间内边界半径长度不同，或外边界半径长度不同，或内边界半径长度和外边界半径长度均不同，所述检测区域包括目标检测区域和其他检测区域；对所述目标检测区域使用预设图像分割算法获得多条分割线和多个子区域，所述分割线和所述子区域一一对应，对所述子区域进行标号；计算任意一条所述分割线上两个相邻像素点梯度方向差值，构建梯度方向差值序列，遍历所述目标检测区域中所有所述分割线，得到每个分割线对应的一个梯度方向差值序列；基于所述目标检测区域中所有所述梯度方向差值序列计算梯度方向相近性；获取任意一个所述子区域的参考点和参考直线，将所述子区域中位于所述参考直线上的像素点作为标记点，分别计算所述标记点在所述子区域内垂直于所述参考直线两侧的灰度差值，获得两个灰度差值序列，遍历所述目标检测区域中所有所述子区域内的所述标记点，得到每个标记点对应的两个灰度差值序列，若所述灰度差值序列中存在0，将所述灰度差值序列中的绝对值最大值赋予0的位置；基于所述目标检测区域中所有所述灰度差值序列计算灰度渐变性；基于所述梯度方向相近性和所述灰度渐变性，计算所述目标检测区域的检测评分；将所述检测评分最高的所述检测区域作为最优检测区域，对所述最优检测区域使用边缘检测，响应于所述钛金属截面灰度图存在毛刺，生成并发送检修指令。
在一个实施例中，所述对钛金属截面灰度图进行处理得到多个检测区域包括步骤：基于霍夫变换获得所述钛金属截面灰度图的截面轮廓；对所述截面轮廓按照预设步长范围收缩获得内边界，构建内边界半径序列，对所述截面轮廓按照预设步长范围扩展获得外边界，构建外边界半径序列；基于所述内边界半径序列和所述外边界半径序列获取多个检测区域，不同检测区域之间内边界半径长度不同，或外边界半径长度不同，或内边界半径长度和外边界半径长度均不同。
在一个实施例中，所述计算梯度方向相近性包括步骤：对所述目标检测区域使用预设图像分割算法获得多条分割线；设置标准方向，对同一所述分割线中的所有端点沿着所述标准方向标号，将初始标号的端点作为初始像素点；基于所述初始像素点对同一所述分割线上所有像素点进行排序；使用sobel算子计算所有像素点的梯度方向，并计算两个相邻像素点的梯度方向差值，遍历同一所述分割线上的所有像素点，获得原梯度方向差值序列；在所述原梯度方向差值序列中标记极端值，所述极端值表示所述梯度方向差值序列中大于相邻两个所述梯度方向差值之和的所述梯度方向差值，响应于所述极端值左侧连续预设数量的梯度方向差值和所述极端值右侧连续预设数量的梯度方向差值均小于预设角度，将所述极端值相邻两个梯度方向差值的均值更新所述极端值，以获得梯度方向差值序列，其中，所述分割线和所述梯度方向差值序列一一对应；遍历所述目标检测区域中所有分割线；计算所述目标检测区域的梯度方向相近性，所述梯度方向相近性满足关系式：
；其中，/>表示第/>个检测区域的梯度方向相近性，/>表示第/>个检测区域中第/>个梯度方向差值序列的第/>个元素的梯度方向差值，表示第/>个检测区域中第/>个梯度方向差值序列的均值，/>表示第/>个检测区域中第/>个梯度方向差值序列的元素总个数，/>表示第/>个检测区域中梯度方向差值序列的总个数，第/>个检测区域即为目标检测区域。
在一个实施例中，获取任意一个所述子区域的参考点和参考直线包括步骤：对所述目标检测区域使用预设图像分割算法获得多个子区域；判断所述子区域与内边界或者外边界的交点情况：响应于所述子区域与内边界或者外边界不存在交点，将钛金属截面中心设置为参考点；响应于所述子区域与内边界或者外边界存在1个交点，将交点设置为参考点；响应于所述子区域与内边界或者外边界存在数量大于1的交点，取所有交点的中心设置为参考点；剔除异常子区域，所述异常子区域表示所述子区域与内边界和外边界均不存在交点的所述子区域；将以所述子区域中靠近圆心的参考点为端点连接另一个参考点并延长的射线作为参考直线，所述射线的方向为参考方向。
在一个实施例中，所述灰度渐变性满足关系式：
；其中，/>表示第/>个检测区域的灰度渐变性，/>表示第/>个检测区域中第/>个灰度差值序列的第/>个元素的灰度差值，/>表示第/>个检测区域中第/>个灰度差值序列的均值，/>表示第/>个检测区域中第/>个灰度差值序列的元素总个数，/>表示第/>个检测区域中灰度差值序列的总个数，/>表示第/>个检测区域中第/>个灰度差值序列内为正值的元素个数，/>表示第/>个检测区域中第/>个灰度差值序列内为负值的元素个数。
在一个实施例中，所述目标检测区域的检测评分满足关系式：
；其中，/>表示第/>个检测区域的检测评分，/>表示第/>个检测区域的梯度方向相近性，/>表示第/>个检测区域的灰度渐变性。
第二方面，本发明公开一种图像处理的钛金属分割系统，包括：处理器；以及存储器，所述存储器存储有用于一种图像处理的钛金属分割方法的计算机指令，当所述计算机指令由处理器运行时，使得设备执行上述的一种图像处理的钛金属分割方法。
本发明具有以下技术效果：
本发明通过对不同检测区域的分割结果进行比较，计算检测区域的检测评分，包括切割线上的梯度方向相近性和所有子区域的灰度渐变性，选取最优检测区域，并对最优检测区域结合边缘检测进行毛刺的整合，使得对于细小毛刺的检测更准确，从而提高后续对毛刺部位处理的精准度，提高钛金属工件分割的成品率。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是本发明实施例一种图像处理的钛金属分割方法的流程图。
图2是本发明实施例一种图像处理的钛金属分割系统的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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。
应当理解，当本发明的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本发明提供了一种图像处理的钛金属分割方法。如图1所示，一种图像处理的钛金属分割方法包括步骤S1-步骤S5，以下具体说明。
S1，获得钛金属截面灰度图，获得内边界半径序列和外边界半径序列。
在一个实施例中，使用CCD（Charge-Coupled Device电荷耦合器件）摄像机对切割后的钛金属截面进行拍摄，获得钛金属截面的RGB（red green blue红绿蓝）彩色图像，对RGB彩色图像灰度化，转化为钛金属截面灰度图。
对钛金属截面灰度图进行平滑处理，并利用霍夫变换获得金属截面灰度图的截面轮廓，示例性的，钛金属截面可以为圆形、矩形、正方形和三角形等，本发明研究钛金属截面为圆形，若钛金属截面为其他图形时，使用霍夫变换获得的是相对应的轮廓。对截面轮廓按照预设步长范围收缩获得内边界，构建内边界半径序列，对截面轮廓按照预设步长范围扩展获得外边界，构建外边界半径序列，示例性的，预设步长可由本领域技术人员根据实际钛金属轮廓大小设置，本发明将预设步长设置为5个像素位置的长度。基于内边界半径序列和外边界半径序列获取多个检测区域，其中，不同检测区域的内边界半径长度或/和外边界半径长度不同，包括了内边界半径长度相同但外边界半径长度不同、内边界半径长度不同但外边界半径长度相同、内边界半径长度与外边界半径长度均不相同三种情况。一个内边界半径长度与一个外边界半径长度构成一个检测区域，遍历内边界半径序列和外边界半径序列，从而获得多个检测区域。
S2，对目标检测区域使用预设图像分割算法获得多条分割线，并构建梯度方向差值序列，从而计算梯度方向相近性。
需要说明的是，由于金属切割产生的毛刺的延伸方向一般为直线型，毛刺边缘的梯度方向较为一致，而噪声、外部环境中的杂质等不具备统一的延伸方向和统一的梯度方向。毛刺的尖端与尾端之间的部分梯度方向具有相近性，但是毛刺尖端、尾端、及毛刺边缘上的转折处的像素点的梯度方向与毛刺上其他像素点梯度方向具有较大的偏差，但是毛刺尖端、尾端等在一个边缘上出现的次数较少，只是少数情况，可根据周围相邻的像素点梯度方向情况对其进行判断。
在一个实施例中，对目标检测区域使用预设图像分割算法，示例性的，预设图像分割算法包括阈值分割、区域生长、分水岭算法、小波分析、遗传算法等，本发明使用分水岭算法。对使用分水岭算法分割目标检测区域后形成的子区域中分割线上的像素点进行梯度方向的分析。
对目标检测区域使用分水岭算法获得多条分割线和多个子区域，分割线和子区域一一对应，对子区域进行标号。设置标准方向，示例性的，标准方向可以为顺时针方向或者逆时针方向，本发明采用顺时针方向。对同一分割线中的所有端点沿着标准方向标号，将初始标号的端点作为初始像素点。基于初始像素点对同一分割线上所有像素点进行排序，使用sobel算子（索贝尔算子）计算所有像素点的梯度方向，并计算两个相邻像素点的梯度方向差值，遍历同一分割线上的所有像素点，获得原梯度方向差值序列，在原梯度方向差值序列中标记极端值，极端值表示梯度方向差值序列中大于相邻两个梯度方向差值之和的梯度方向差值，响应于极端值左侧连续预设数量的梯度方向差值和极端值右侧连续预设数量的梯度方向差值均小于预设角度，示例性的，具体参数可由本领域技术人员设置，本发明满足极端值左右两侧均存在连续3个梯度差值都小于10度。将极端值相邻两个梯度方向差值的均值更新极端值，以获得梯度方向差值序列，分割线和梯度方向差值序列一一对应，遍历目标检测区域中所有分割线获得每条分割线对应的梯度方向差值序列。
基于目标检测区域中所有分割线的梯度方向差值序列计算目标检测区域的梯度方向相近性，梯度方向相近性满足关系式：
；其中，/>表示第/>个检测区域的梯度方向相近性，/>表示第/>个检测区域中第/>个梯度方向差值序列的第/>个元素的梯度方向差值，表示第/>个检测区域中第/>个梯度方向差值序列的均值，/>表示第/>个检测区域中第/>个梯度方向差值序列的元素总个数，/>表示第/>个检测区域中梯度方向差值序列的总个数，第/>个检测区域即为目标检测区域。/>的值与目标检测区域内的梯度方向差值序列的方差呈负相关，即所有梯度方向差值序列的方差之和越小，目标检测区域内梯度方向相近性越高，说明目标检测区域内包含的无关背景和噪声区域越少，对毛刺的检测精度越高。
S3，对目标检测区域使用预设图像分割算法获得多个子区域，并获得灰度差值序列，从而计算灰度渐变性。
需要说明的是，毛刺的颜色原本与金属表面正常部分一致，由于切割形成的毛刺较为细小，在拍摄的图像中毛刺部分会受到周围背景的影响，对于毛刺来说，越靠近金属的毛刺中的部分灰度值与金属的灰度值越相近，反之远离金属的毛刺中的部分灰度值与金属的灰度值差异越大，在灰度图像中毛刺的灰度值呈现出渐变的效果，而对于背景部分，灰度值不具有渐变的效果。为了更好的研究毛刺，检测区域应该包含数量多且完整的毛刺，并且要减少无关背景的影响，即灰度值具有渐变性的区域多且面积大，不具备渐变性的区域少且面积小。因此在钛金属截面灰度图中对于每个子区域内的每个像素点进行灰度值的分析。
在一个实施例中，步骤S2利用分水岭算法获得目标检测区域的多个子区域。
判断子区域与内边界或者外边界的交点情况从而获得参考点，其中判断方法为：子区域与内边界或者外边界不存在交点，将钛金属截面中心设置为参考点；子区域与内边界或者外边界存在1个交点，将交点设置为参考点；子区域与内边界或者外边界存在数量大于1的交点，取所有交点的中心设置为参考点。具体情况包括：子区域与内边界无交点且与外边界也无交点，当前子区域仅有一个参考点即为圆心，为异常子区域；子区域与内边界无交点，与外边界有一个交点，此时内边界的参考点为圆心，外边界的参考点为外边界上的交点；子区域与内边界无交点，与外边界有数量大于1的交点，此时内边界的参考点为圆心，外边界的参考点为外边界上多个交点的中心位置；子区域与内边界有一个交点，与外边界无交点，此时内边界的参考点为内边界上的交点，外边界的参考点为圆心；子区域与内边界有一个交点，与外边界有一个交点，此时内边界的参考点为内边界上的交点，外边界的参考点为外边界上的交点；子区域与内边界有一个交点，与外边界有数量大于1的交点，此时内边界的参考点为内边界上的交点，外边界的参考点为外边界上多个交点的中心位置；子区域与内边界有数量大于1的交点，与外边界无交点，此时内边界的参考点为内边界上多个交点的中心位置，外边界的参考点为圆心；子区域与内边界有数量大于1的交点，与外边界有一个交点，此时内边界的参考点为内边界上多个交点的中心位置，外边界的参考点为外边界上的交点；子区域与内边界有数量大于1的交点，与外边界有数量大于1的交点，此时内边界的参考点为内边界上多个交点的中心位置，外边界的参考点为外边界上多个交点的中心位置。
将以子区域中靠近圆心的参考点为端点连接另一个参考点并延长的射线作为参考直线，射线的方向为参考方向，将子区域内位于参考直线上的像素点作为标记点，分别计算标记点在子区域内垂直于参考直线两侧的灰度差值，获得两个灰度差值序列，遍历目标检测区域中所有子区域内的标记点，示例性的，将标记点记为，垂直于参考直线两侧的像素点和标记点的位置为/>，从标记点的/>一侧开始，分别计算/>和/>的灰度值差值作为灰度差值序列的第一个元素，以此类推获得标记点一侧灰度差值序列，标记点的/>一侧，计算/>和/>的灰度值差值作为灰度差值序列的第一个元素，以此类推获得标记点另一侧的灰度差值序列，即每个标记点均对应两个灰度差值序列。灰度差值序列中每个元素表示对应的像素点灰度值相比较于相邻灰度值存在增大的情况或者减小的情况，以及增大或者减小的幅度，对于灰度值增大的元素，在灰度差值序列中差值为负值，对于灰度值减小的元素，在灰度差值序列中差值为正值。灰度差值序列中会存在为0值的元素，是由于背景中部分区域颜色较为一致，从而体现在灰度差值序列中为存在0值，为了减少背景对子区域的影响，将0值所处的灰度差值序列中的绝对值最大值替换0值的位置。
基于目标检测区域中所有灰度差值序列计算灰度渐变性，灰度渐变性满足关系式：
；其中，/>表示第/>个检测区域的灰度渐变性，/>表示第/>个检测区域中第/>个灰度差值序列的第/>个元素的灰度差值，/>表示第/>个检测区域中第/>个灰度差值序列的均值，/>表示第/>个检测区域中第/>个灰度差值序列的元素总个数，/>表示第/>个检测区域中灰度差值序列的总个数，/>表示第/>个检测区域中第/>个灰度差值序列内为正值的元素个数，/>表示第/>个检测区域中第/>个灰度差值序列内为负值的元素个数。
其中，表示第/>个灰度差值序列的方差，灰度差值序列的方差越小，当前灰度序列在钛金属截面灰度图中对应的像素点间灰度值越能够体现逐步变化的特点，即具有渐变性。/>表示目标检测区域中第/>个灰度差值序列内正负值出现频率的熵，正负值出现频率的熵越小，说明当前灰度序列在图像中对应的像素点间灰度值变化方向越统一，具有渐变性。当目标检测区域中包含具有渐变性高的灰度差值序列的数量越多，即/>越大，说明目标检测区域的毛刺区域越多越完整，包含无关背景和噪声区域越小。
S4，通过梯度方向相近性和灰度渐变性计算目标检测区域的检测评分。
在一个实施例中，计算目标检测区域的检测评分，检测评分满足关系式：
；其中，/>表示第/>个检测区域的检测评分，/>表示第/>个检测区域的梯度方向相近性，/>表示第/>个检测区域的灰度渐变性。
S5，对获得的最优检测区域使用边缘检测，响应于钛金属截面灰度图存在毛刺，生成并发送检修指令。
在一个实施例中，将检测评分最高的检测区域作为最优检测区域，利用边缘检测算法对最优检测区域的边缘进行融合，避免出现分水岭算法对于边缘及有梯度变化的位置敏感而将金属切割边缘中距离较远的毛刺分割为不同区域的情况，使得毛刺的检测更加完整且连续。
对系统检测到切割面存在毛刺的金属部件进行打磨等后处理，并进行警报，提示操作人员对切割的刀具等设备进行检查维修，对未出现毛刺的钛金属部件作为合格品进行下一步骤的加工。
本发明实施例还公开一种图像处理的钛金属分割系统，参照图2，包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本发明的一种图像处理的钛金属分割方法。
上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory)、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用本文所描述的本发明实施例的各种替代方案。
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。
Claims (3)
1.一种图像处理的钛金属分割方法，其特征在于，包括以下步骤：
获得钛金属截面灰度图；
对钛金属截面灰度图进行处理得到多个检测区域，不同检测区域之间内边界半径长度不同，所述检测区域包括目标检测区域和其他检测区域；
对所述目标检测区域使用预设图像分割算法获得多条分割线和多个子区域，所述分割线和所述子区域一一对应，对所述子区域进行标号；
计算任意一条所述分割线上两个相邻像素点梯度方向差值，构建梯度方向差值序列，遍历所述目标检测区域中所有所述分割线，得到每个分割线对应的一个梯度方向差值序列；
基于所述目标检测区域中所有所述梯度方向差值序列计算梯度方向相近性；
获取任意一个所述子区域的参考点和参考直线，将所述子区域中位于所述参考直线上的像素点作为标记点，分别计算所述标记点在所述子区域内垂直于所述参考直线两侧的灰度差值，获得两个灰度差值序列，遍历所述目标检测区域中所有所述子区域内的所述标记点，得到每个标记点对应的两个灰度差值序列，若所述灰度差值序列中存在0，将所述灰度差值序列中的绝对值最大值赋予0的位置；
基于所述目标检测区域中所有所述灰度差值序列计算灰度渐变性；
基于所述梯度方向相近性和所述灰度渐变性，计算所述目标检测区域的检测评分；
将所述检测评分最高的所述检测区域作为最优检测区域，对所述最优检测区域使用边缘检测，响应于所述钛金属截面灰度图存在毛刺，生成并发送检修指令；
所述对钛金属截面灰度图进行处理得到多个检测区域包括步骤：
基于霍夫变换获得所述钛金属截面灰度图的截面轮廓；
对所述截面轮廓按照预设步长范围收缩获得内边界，构建内边界半径序列，对所述截面轮廓按照预设步长范围扩展获得外边界，构建外边界半径序列；
基于所述内边界半径序列和所述外边界半径序列获取多个检测区域，不同检测区域之间内边界半径长度不同；
所述计算梯度方向相近性包括步骤：
对所述目标检测区域使用预设图像分割算法获得多条分割线；
设置标准方向，对同一所述分割线中的所有端点沿着所述标准方向标号，将初始标号的端点作为初始像素点；
基于所述初始像素点对同一所述分割线上所有像素点进行排序；
使用sobel算子计算所有像素点的梯度方向，并计算两个相邻像素点的梯度方向差值，遍历同一所述分割线上的所有像素点，获得原梯度方向差值序列；
在所述原梯度方向差值序列中标记极端值，所述极端值表示所述梯度方向差值序列中大于相邻两个所述梯度方向差值之和的所述梯度方向差值，响应于所述极端值左侧连续预设数量的梯度方向差值和所述极端值右侧连续预设数量的梯度方向差值均小于预设角度，将所述极端值相邻两个梯度方向差值的均值更新所述极端值，以获得梯度方向差值序列，其中，所述分割线和所述梯度方向差值序列一一对应；
遍历所述目标检测区域中所有分割线；
计算所述目标检测区域的梯度方向相近性，所述梯度方向相近性满足关系式：
；
其中，表示第/>个检测区域的梯度方向相近性，/>表示第/>个检测区域中第/>个梯度方向差值序列的第/>个元素的梯度方向差值，/>表示第/>个检测区域中第/>个梯度方向差值序列的均值，/>表示第/>个检测区域中第/>个梯度方向差值序列的元素总个数，/>表示第/>个检测区域中梯度方向差值序列的总个数，第/>个检测区域即为目标检测区域；
获取任意一个所述子区域的参考点和参考直线包括步骤：
对所述目标检测区域使用预设图像分割算法获得多个子区域；
判断所述子区域与内边界或者外边界的交点情况：
响应于所述子区域与内边界或者外边界不存在交点，将钛金属截面中心设置为参考点；
响应于所述子区域与内边界或者外边界存在1个交点，将交点设置为参考点；
响应于所述子区域与内边界或者外边界存在数量大于1的交点，取所有交点的中心设置为参考点；
剔除异常子区域，所述异常子区域表示所述子区域与内边界和外边界均不存在交点，且当前子区域仅有一个参考点即为圆心的所述子区域；
将以所述子区域中靠近圆心的参考点为端点连接另一个参考点并延长的射线作为参考直线，所述射线的方向为参考方向；
所述灰度渐变性满足关系式：
；
其中，表示第/>个检测区域的灰度渐变性，/>表示第/>个检测区域中第/>个灰度差值序列的第/>个元素的灰度差值，/>表示第/>个检测区域中第/>个灰度差值序列的均值，/>表示第/>个检测区域中第/>个灰度差值序列的元素总个数，/>表示第/>个检测区域中灰度差值序列的总个数，/>表示第/>个检测区域中第/>个灰度差值序列内为正值的元素个数，表示第/>个检测区域中第/>个灰度差值序列内为负值的元素个数。
2.根据权利要求1所述的一种图像处理的钛金属分割方法，其特征在于，所述目标检测区域的检测评分满足关系式：
；
其中，表示第/>个检测区域的检测评分，/>表示第/>个检测区域的梯度方向相近性，表示第/>个检测区域的灰度渐变性。
3.一种图像处理的钛金属分割系统，其特征在于，包括：
处理器；以及存储器，所述存储器存储有用于一种图像处理的钛金属分割方法的计算机指令，当所述计算机指令由处理器运行时，使得设备执行根据权利要求1和2的任意一项所述的一种图像处理的钛金属分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410298774.0A CN117893553B (zh) | 2024-03-15 | 2024-03-15 | 一种图像处理的钛金属分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410298774.0A CN117893553B (zh) | 2024-03-15 | 2024-03-15 | 一种图像处理的钛金属分割方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117893553A CN117893553A (zh) | 2024-04-16 |
| CN117893553B true CN117893553B (zh) | 2024-05-31 |
Family
ID=90641539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410298774.0A Active CN117893553B (zh) | 2024-03-15 | 2024-03-15 | 一种图像处理的钛金属分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117893553B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118229676B (zh) * | 2024-05-22 | 2024-08-20 | 宝鸡拓普达钛业有限公司 | 基于图像分割的钛合金棒材可视化检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102011005715A1 (de) * | 2011-03-17 | 2012-09-20 | Siemens Aktiengesellschaft | Verfahren zum Gewinnen eines von Spuren eines Metallobjektes befreiten 3D-Bilddatensatzes |
| CN105139386A (zh) * | 2015-08-12 | 2015-12-09 | 南京航空航天大学 | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 |
| CN105354842A (zh) * | 2015-10-22 | 2016-02-24 | 武汉康美华医疗投资管理有限公司 | 一种基于稳定区域的轮廓关键点配准与标识方法 |
| CN112017293A (zh) * | 2020-07-10 | 2020-12-01 | 北京工业大学 | 一种关于圆钢管几何初始缺陷的测量方法 |
| CN112858466A (zh) * | 2021-01-11 | 2021-05-28 | 蒋峰 | 一种金属管道内表面裂纹的定量评估方法 |
| CN113421343A (zh) * | 2021-05-27 | 2021-09-21 | 深圳市晨北科技有限公司 | 基于增强现实观测设备内部结构的方法 |
| CN116757990A (zh) * | 2023-01-09 | 2023-09-15 | 河南省科学院应用物理研究所有限公司 | 基于机器视觉的铁路扣件缺陷在线检测与识别方法 |
| CN116858665A (zh) * | 2023-06-09 | 2023-10-10 | 洛阳船舶材料研究所(中国船舶集团有限公司第七二五研究所) | 一种圆棒试样单轴拉伸颈缩变形时外形轮廓的分析方法 |
-
2024
- 2024-03-15 CN CN202410298774.0A patent/CN117893553B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102011005715A1 (de) * | 2011-03-17 | 2012-09-20 | Siemens Aktiengesellschaft | Verfahren zum Gewinnen eines von Spuren eines Metallobjektes befreiten 3D-Bilddatensatzes |
| CN105139386A (zh) * | 2015-08-12 | 2015-12-09 | 南京航空航天大学 | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 |
| CN105354842A (zh) * | 2015-10-22 | 2016-02-24 | 武汉康美华医疗投资管理有限公司 | 一种基于稳定区域的轮廓关键点配准与标识方法 |
| CN112017293A (zh) * | 2020-07-10 | 2020-12-01 | 北京工业大学 | 一种关于圆钢管几何初始缺陷的测量方法 |
| CN112858466A (zh) * | 2021-01-11 | 2021-05-28 | 蒋峰 | 一种金属管道内表面裂纹的定量评估方法 |
| CN113421343A (zh) * | 2021-05-27 | 2021-09-21 | 深圳市晨北科技有限公司 | 基于增强现实观测设备内部结构的方法 |
| CN116757990A (zh) * | 2023-01-09 | 2023-09-15 | 河南省科学院应用物理研究所有限公司 | 基于机器视觉的铁路扣件缺陷在线检测与识别方法 |
| CN116858665A (zh) * | 2023-06-09 | 2023-10-10 | 洛阳船舶材料研究所(中国船舶集团有限公司第七二五研究所) | 一种圆棒试样单轴拉伸颈缩变形时外形轮廓的分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117893553A (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117893553B (zh) | 一种图像处理的钛金属分割方法及系统 | |
| EP3384429B1 (en) | Method for identification of candidate points as possible characteristic points of a calibration pattern within an image of the calibration pattern | |
| JP6099479B2 (ja) | ひび割れ検出方法 | |
| CN112330678B (zh) | 产品边缘缺陷检测方法 | |
| CN106355577A (zh) | 基于特征状态与全局一致性的快速图像匹配方法及系统 | |
| CN113109368A (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
| CN109064481B (zh) | 一种机器视觉定位方法 | |
| CN114022483B (zh) | 一种基于边缘特性的注塑飞边区域识别方法 | |
| CN110660072A (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
| CN107832674A (zh) | 一种车道线检测方法 | |
| CN111709426B (zh) | 一种基于轮廓和纹理的硅藻识别方法 | |
| CN111127498A (zh) | 一种基于边缘自生长的Canny边缘检测方法 | |
| CN111027474B (zh) | 人脸区域获取方法、装置、终端设备和存储介质 | |
| CN107808165A (zh) | 一种基于susan角点检测的红外图像匹配方法 | |
| CN113012181B (zh) | 一种基于Hough变换的新型类圆形检测方法 | |
| CN110310239B (zh) | 一种基于特性值拟合消除光照影响的图像处理方法 | |
| CN111754467A (zh) | 基于霍夫变换的车位检测方法、装置、计算机设备及存储介质 | |
| CN105718929A (zh) | 全天候未知环境下高精度快速圆形目标定位方法和系统 | |
| CN112837288B (zh) | 一种血管中心线的提取方法、装置以及可读存储介质 | |
| CN110060270B (zh) | 一种适用于低成像质量多边形管状物体的边缘检测方法 | |
| CN110717471B (zh) | 基于支持向量机模型b超图像目标检测方法及b超扫描仪 | |
| CN112258534A (zh) | 一种超声图像中小脑蚓部的定位及分割方法 | |
| JP2015170205A (ja) | 特徴量生成装置、特徴量生成方法、およびプログラム | |
| CN114398978B (zh) | 一种模板匹配方法、装置、存储介质以及电子设备 | |
| CN117788470B (zh) | 一种基于人工智能的轮胎缺陷检测方法 |
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 |