申请/专利权人：清华大学

申请日：2023-03-29

公开（公告）日：2024-03-22

公开（公告）号：CN116309510B

主分类号：G06T7/00

分类号：G06T7/00;G06T7/13;G06T5/70;G06T7/73;G06T7/90;G06T7/136

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2023.07.11#实质审查的生效;2023.06.23#公开

摘要：本申请涉及智能制造技术领域，特别涉及一种数控加工表面缺陷定位方法及装置，其中，方法包括：采用线阵相机获取数控加工表面的待检测图像，将待检测图像利用高斯卷积核进行滤波去噪处理得到平滑图像，计算平滑图像的全局灰度梯度，并计算得到缺陷边缘的初步位置，基于骨架抽取算法对缺陷边缘图像进行细化处理，基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，得到数控加工表面缺陷边缘的精确位置。本申请实施例可以基于数控加工表面的待检测图像，通过计算拟合获取对应缺陷边缘位置，由此实现了表面缺陷实际位置的精准测量，使缺陷定位结果更加准确可靠。

主权项：1.一种数控加工表面缺陷定位方法，其特征在于，包括以下步骤：采用线阵相机获取数控加工表面的待检测图像；将所述待检测图像利用高斯卷积核进行滤波去噪处理，得到平滑图像；采用sobel算子计算所述平滑图像的全局灰度梯度，并使用Canny边缘检测算法计算得到缺陷边缘的初步位置，得到缺陷边缘图像；基于骨架抽取算法，对所述缺陷边缘图像进行细化处理，以去除所述缺陷边缘图像中冗余的边缘信息，所述基于骨架抽取算法，对所述缺陷边缘图像进行细化处理，以去除所述缺陷边缘图像中冗余的边缘信息，包括：对所述缺陷边缘图像进行反色处理，将边缘像素点的颜色置为黑色，得到黑色像素，将所述黑色像素的权值设为0，每一黑色像素点八邻域内白色像素点的权值分别设为1，2，4，8，16，32，64，128，遍历所述黑色像素，参照其八邻域内白色像素点的位置和权重，根据查表细化算法判断是否为多余的边缘像素点，将所述多余的像素点剔除并保留边缘轮廓的骨架，对所述骨架的图像进行反色处理，将每个边缘像素点的颜色置为白色；基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照所述平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，得到数控加工表面缺陷边缘的精确位置，所述基于改进的亚像素边缘拟合算法和处理后的缺陷边缘图像，参照所述平滑图像的全局灰度梯度，拟合计算亚像素级边缘点与像素级边缘点间的相对位置关系，得到数控加工表面缺陷边缘的精确位置，包括：以所述每个边缘像素点为中心，沿边缘像素点灰度梯度正方向和负方向分别取三个相邻的亚像素点，所述亚像素点行列坐标的计算公式如下： 其中，xc为所述亚像素点的列坐标，Ox为所述像素级边缘点的列坐标，i为求所述亚像素点坐标时选取的偏移距离，Gx为所述像素级边缘点在列方向的灰度梯度值，Gy为所述像素级边缘点在行方向的灰度梯度值，yr为所述亚像素点的行坐标，Oy为所述像素级边缘点的行坐标；利用双线性插值法，计算所述每个亚像素点的灰度梯度，将所述边缘像素点与所述亚像素点的整体灰度梯度分布拟合为一维高斯分布并对其取对数，拟合公式为： 其中，G为各参与计算像素点的灰度梯度幅值，x为所述亚像素点坐标与边缘像素点坐标间的像素位移，μ为数控加工表面缺陷边缘点的精确位置与所述像素级边缘点在灰度梯度方向上的像素位移，σx为各亚像素点坐标与边缘像素点坐标间像素位移的方差值，μ的计算表达式为： 其中，μ为所述数控加工表面缺陷边缘点的精确位置与像素级边缘点在灰度梯度方向上的像素位移，m1、m2、m3、m4、m5为中间变量，所述中间变量计算式可表示为： 其中，m1、m2、m3、m4、m5为所述中间变量，xi为第i个亚像素点坐标与所述边缘像素点坐标间的像素位移，Gi为第i个亚像素点经双线性插值计算得到的灰度梯度幅值，n为像素点总数，i＝1、2、3…n。

全文数据：

权利要求：

百度查询： 清华大学 数控加工表面缺陷定位方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD