CN115239661B 基于图像处理的机械零件毛刺检测方法及系统 （河南牧业经济学院）

US2017103502A1,2017.04.13基于图像处理的机械零件毛刺检测方法及种基于图像处理的机械零件毛刺检测方法及系像素点的预设邻域内的各边缘像素点的数目以及灰度，进而获取各个边缘像素点的特征描述边缘像素点以及各个边缘像素点的为毛刺的概率，获取待检测零件不存在毛刺的理想边缘图2获取待检测零件的实际边缘图像中各个边缘像素点的预设邻域内的各边缘像素点的根据实际边缘图像中的各个边缘像素点的特征描述子，确定实际边根据各个非毛刺边缘像素点以及各个边缘像素点的为毛刺的概率，获根据待检测零件的实际边缘图像以及待检测零件不存在毛刺的理想根据待检测零件的实际边缘图像建立坐标系，获取实际边缘图根据各个非毛刺边缘像素点的实际坐标对各个非毛刺边缘像素点进根据各个密集区域内的各个非毛刺边缘像素点以及各个密集区域内的各个毛刺像素根据各个密集区域内的各个非毛刺边缘像素点的实际坐标和各个毛刺像素点的理想根据各个密集区域对应的理想边缘以及不在各个密集区域内的各个边缘像素点的实确定密集区域对应的理想边缘的任意一端的最近的不在各个密集区域内的边缘像素根据该最近的不在各个密集区域内的边缘像素点的预测纵坐标、根据该最近的不在各个密集区域内的边缘像素点的实际横坐标和理想纵近的不在各个密集区域内的边缘像素点的理想纵坐标的计3k为密集区域对应的理想边缘的任意一端的最近的不在各个密集区域内的边缘各个密集区域内的边缘像素点k为毛刺的概率，为密集区域对应的理想边缘的任意一端的最近的不在各个密集区域内的边缘像素点k的预测纵坐标，yk为密集区域对应的理想边缘的任意一端的最近的不在各个密集区域内的边缘像素点k的实际纵坐标，xk为密集区域对应的理想边缘的任意一端的最近的不在各个密集区域内的边缘像素点k的计算各个边缘像素点的预设邻域内的各边缘像素点的灰根据各个边缘像素点的预设邻域内的各边缘像素点的数目以及各个边缘像素点的灰获取边缘像素点的预设邻域内的两两相邻的边缘像素点的梯边缘像素点的预设邻域内的两两相邻的边缘像素点的梯度单位向量的余弦根据该边缘像素点的预设邻域内的两两相邻的边缘像素点的梯度单位向量的余弦相计算各个边缘像素点的特征描述子与各个非毛刺边缘像素点的特征描述子之间的相域内的各边缘像素点的数目，N0为非毛刺的像素点的预设邻域内的各边缘像素点的数目，对待检测零件的真实边缘图像以及待检测零件不存在毛刺的理想边缘图像进行异或所述处理器用于处理存储在所述存储器中的指令，以实现如权利要求1_9中任一项所述的4[0003]传统的毛刺检测方式一般是通过工作人员现场目测或是远程观看摄像头拍摄图[0005]为解决上述技术问题，本发明提供了一种基于图像处理的机械零件毛刺检测方[0007]获取待检测零件的实际边缘图像中各个边缘像素点的预设邻域内的各边缘像素点的数目以及灰度，根据各个边缘像素点的预设邻域内的各边缘像素点的数目以及灰度，5[0014]根据各个密集区域内的各个非毛刺边缘像素点以及各个密集区域内的各个毛刺[0015]根据各个密集区域内的各个非毛刺边缘像素点的实际坐标和各个毛刺像素点的[0016]根据各个密集区域对应的理想边缘以及不在各个密集区域内的各个边缘像素点[0018]确定密集区域对应的理想边缘的任意一端的最近的不在各个密集区域内的边缘不在各个密集区域内的边缘像素点k为毛刺的概率，为密集区域对应的理想边缘的任意一端的最近的不在各个密集区域内的边缘像素点k的预测纵坐标，yk为密集区域对应的理想边缘的任意一端的最近的不在各个密集区域内的边缘像素点k的实际纵坐标，xk为密集区域对应的理想边缘的任意一端的最近的不在各个密集区域内的边缘像素点k的实际横坐[0026]根据各个边缘像素点的预设邻域内的各边缘像素点的数目以及各个边缘像素点取该边缘像素点的预设邻域内的两两相邻的边缘像素点的梯度单位向量的[0029]根据该边缘像素点的预设邻域内的两两相邻的边缘像素点的梯度单位向量的余6[0032]计算各个边缘像素点的特征描述子与各个非毛刺边缘像素点的特征描述子之间[0037]对待检测零件的真实边缘图像以及待检测零件不存在毛刺的理想边缘图像进行想边缘图像和实际边缘图像的对比，可以准确获取待检测零件不同位置的毛刺检测结果，7[0048](2)获取待检测零件的实际边缘图像中各个边缘像素点的预设邻域内的各边缘像素点的数目以及灰度，根据各个边缘像素点的预设邻域内的各边缘像素点的数目以及灰[0049](2_1)获取待检测零件的实际边缘图像中各个边缘像素点的预设邻域内的各边缘[0051]根据边缘像素点(x,y)的邻域范围的大小以及边缘像素点(x,y)的邻域范围内的y)的预设邻域内的各边缘像素点的数目N(x,y)，并获取边缘像素点(x,y)的预设邻域内的各毛刺边缘像素点的各边缘像素点的数目会明显比非毛刺边缘像素点的各边缘像素点的数[0053](2_2)根据各个边缘像素点的预设邻域内的各边缘像素点的数目以及灰度，获取[0054](2_2_1)计算各个边缘像素的预设邻域内的各边缘像素点的灰度梯度，根据各个各个边缘像素点的灰度梯度方向特征T(x,y)可以反映出边缘像素点(x,y)处的毛刺特征，则各个边缘像素点的灰度梯度方向特征T(x[0056](2_2_1_1)获取边缘像素点的预设邻域内的两两相邻的边缘像素点的梯度单位向8[0057]在本实施例中，先获取边缘像素点(x,编号记为l，则边缘像素点(x,y)的预设邻域范围内编号为l的边缘像素点的灰度梯度方向为以及其相邻的编号为l+1的边缘像素点的灰度梯度方向为环,这里的以及为单位向量，计算边缘像素点(x,y)的预设邻域内的两两相邻的边缘像素点的梯度单位向量的[0060]按照同样的方法，获取边缘像素点(x,y[0061](2_2_1_2)根据该边缘像素点的预设邻域内的两两相邻的边缘像素点的梯度单位[0065](2_2_1_3)根据该边缘像素点的自相关矩阵，确定该边缘像素点的灰度梯度变化L1范数(其表示矩阵中各个元素绝对值之和)，N(x,y)为边缘像素点(x,y)的预设邻域内各边y)预设邻域内的所有相邻的边缘像素点的灰度梯度变化程度越接近，自相关矩阵Z中的数9[0070](2_2_2)根据各个边缘像素点的预设邻域内的各边缘像素点的数目以及各个边缘据步骤(2_2)可获取实际边缘图像中各个边缘像素[0073](3)根据实际边缘图像中的各个边缘像素点的特征描述子，确定实际边缘图像中[0074](3_1)根据实际边缘图像中的各个边缘像素点的特征描述子，确定实际边缘图像[0076](3_2)计算各个边缘像素点的特征描述子与各个非毛刺边缘像素点的特征描述子[0080](4)根据各个非毛刺边缘像素点以及各个边缘像素点的为毛刺的概率，获取待检[0081](4_1)根据待检测零件的实际边缘图像建立坐标系，获取实际边缘图像的各个边[0083](4_2)根据各个非毛刺边缘像素点的实际坐标对各个非毛刺边缘像素点进行聚上述的密度计算公式获取矩形框每次滑动时其密集指标ρ,并判断其密集指标ρ是否大于设[0090](4_3)根据各个边缘像素点密集区域内的各个非毛刺边缘像素点以及各个密集区[0091]本实施例利用插值算法获取各个边缘像素点密集区域内的各个非毛刺边缘像素获取各个密集区域内的各个毛刺像素点对应的[0093](4_4)根据各个密集区域内的各个非毛刺边缘像素点的实际坐标和各个毛刺像素[0094]利用各个密集区域内的各个非毛刺边缘像素点的实际坐标和各个毛刺像素点的[0095]本步骤是将已经获得的密集区域内的非毛刺边缘像素点的实际坐标以及毛刺像个密集区域对应的理想边缘。利用最小二乘法对离散点坐标进行拟合的过程为现有技术，[0096](4_5)根据各个密集区域对应的理想边缘以及不在各个密集区域内的各个边缘像[0097](4_5_1)确定密集区域对应的理想边缘的任意一端的最近的不在各个密集区域内另外一端对应的距离其最近的且不在各个密集区域内的边缘像素点称为第二目标边缘点。[0099](4_5_2)根据该最近的不在各个密集区域内的边缘像素点的预测纵坐标、实际纵坐标以及为毛刺的概率，确定该最近的不在各个密集区域内的边缘像素点的理想纵坐标，各个密集区域内的边缘像素点k为毛刺的概率，为密集区域对应的理想边缘的任意一端的最近的不在各个密集区域内的边缘像素点k的预测纵坐标，yk为密集区域对应的理想边缘的任意一端的最近的不在各个密集区域内的边缘像素点k的实际纵坐标，xk为密集区域对应的理想边缘的任意一端的最近的不在各个密集区域内的边缘像素点k的实域内的边缘像素点k为毛刺的概率作为预测纵坐标以及实际纵坐标的权重，是为了保证该[0104](4_5_3)根据该最近的不在各个密集区域内的边缘像素点的实际横坐标和理想纵更新后的密集区域对应的理想边缘的任意一端的最近的不在各个密集区域内的边缘像素[0105]根据所获取的不在各个密集区域内的边缘像素点k的实际横坐标和理想纵坐标，对边缘像素点k所对应的密集区域对应的理想边缘进行更新，也就是将不在各个密集区域内的边缘像素点k加入到该密集区域对应的理想边缘中，即使该密集区域对应的理想边缘(4_5_3)直到获取不在各个密集区域内的所有边缘像素点的理想纵坐标，