一种应用于激光切割机的机器视觉切割方法技术

本发明专利技术公开了一种应用于激光切割机的机器视觉切割方法。包括图像畸变矫正模块、图像轮廓识别模块、基于监督式机器学习的参数优化模块和切割路径生成模块；图像畸变矫正模块对采集的图像进行处理获得原始图像，图像轮廓识别模块对原始图像进行轮廓识别，切割路径生成模块根据轮廓识别结果生成激光切割机的切割路径，通过基于监督式机器学习的参数优化模块对图像轮廓识别模块进行优化，使得图像轮廓识别模块识别轮廓提取更精确。本发明专利技术方法具有操作简单、识别精度高、识别速度快等优点，能够适应复杂的生产环境，提高了激光切割机的泛用性。

A Machine Vision Cutting Method for Laser Cutting Machine

The invention discloses a machine vision cutting method applied to a laser cutting machine. It includes image distortion correction module, image contour recognition module, parameter optimization module based on supervised machine learning and cutting path generation module; image distortion correction module processes the collected image to obtain the original image, image contour recognition module recognizes the original image contour, and cutting path generation module. According to the result of contour recognition, the cutting path of laser cutting machine is generated, and the image contour recognition module is optimized by the parameter optimization module based on supervised machine learning, which makes the image contour recognition module recognize contour more accurately. The method has the advantages of simple operation, high recognition accuracy and fast recognition speed, can adapt to complex production environment, and improves the versatility of laser cutting machine.

【技术实现步骤摘要】
一种应用于激光切割机的机器视觉切割方法
本专利技术涉及机器视觉和机器学习领域，具体来说涉及了一种应用于激光切割机的机器视觉切割方法。
技术介绍
随着生产技术的不断更新，传统的基于固定样式切割的激光切割机越来越不能满足现有的生产需求。现有的基于机器视觉的激光切割机普遍存在着需要与预设图形匹配、识别精度不高、对识别环境光源要求苛刻、操作复杂的问题。本专利技术结合机器视觉和机器学习技术，提出了一种应用于激光切割机的新型机器视觉方法。本专利技术能够实现，不需要预设图形，对具有任意图案的材料进行精准的图像轮廓识别，生成切割路径，完成对材料图案的切割。使用机器学习技术，在处理图像判例越来越多的过程中，实现参数的自动优化，极大地提高了识别效果和环境适应能力。
技术实现思路
本专利技术的目的是针对现有的激光切割领域中图像识别技术的不足，专利技术了一种应用于激光切割机的机器视觉切割方法，改善了图像识别中的鲁棒性，提高了应用过程中识别系统的识别率。为实现上述技术目的，本专利技术方法包括以下技术步骤：本专利技术包括图像畸变矫正模块(1)、图像轮廓识别模块(2)、基于监督式机器学习的参数优化模块(3)和切割路径生成模块(4)；图像畸变矫正模块(1)对采集的图像进行处理获得原始图像，图像轮廓识别模块(2)对原始图像进行轮廓识别，切割路径生成模块(4)根据轮廓识别结果生成激光切割机的切割路径，在每次图像轮廓识别模块(2)对原始图像进行识别之前，通过使用基于监督式机器学习的参数优化模块(3)的轮廓模型进行识别分类输出对应分类的图像参数组，图像轮廓识别模块(2)利用图像参数组对原始图像进行识别，使得轮廓提取更精确。所述的图像畸变矫正模块(1)具体包括：(1.1)激光切割机使用的成像模块采用工业CCD相机，在成像模块标定阶段，使用激光切割机在切割平台上的白色平面材料上雕刻固定已知参数和形状的正三角网格图案，具体实施如图1所示；所述的正三角网格图案为正三角拼接构成的网格图案，正三角网格图案中的线条为激光雕刻路径。(1.2)首先，成像模块采集带有激光切割机雕刻出的正三角网格图案但未包含所需识别图案和背景图案的标定图像m1与包含所需识别图案和背景图案的现有纺纱的RGB图像；然后，使用相机标定算法检测标定图像m1中的角点，生成成像模块的畸变参数矩阵组，使用畸变参数矩阵组对包含所需识别图案和背景图案的现有纺纱的RGB图像进行矫正，矫正后获得原始图像，原始图像存储在图像训练样本数据库中，即激光切割机系统的服务器中。畸变参数矩阵组用于在激光切割机系统工作中矫正成像模块所采集到的图像。在此称矫正后的图像为原始图像。所述的图像轮廓识别模块(2)中，对于任意包含所需识别图案和背景图案的原始图像，图像训练样本数据库中已将所有幅原始图像分类为适用于不同图像参数组的图像数据组，对当前原始图像按照以下步骤处理：(2.1)把原始图像转化为灰度图像A1，使用以下公式的灰度非线性映射函数对灰度图像A1进行增强突出图案轮廓特征的处理，生成灰度图像A2，灰度非线性映射函数如下式所示：其中，m代表输入像素点的灰度值，M代表输出像素点的灰度值，α、β、γ、δ1、δ2分别为高阶项系数、低阶项系数、偏移系数、高阶指数和低阶指数，均为常数，统称为灰度非线性映射系数；(2.3)在灰度图像A2中框选有效区域c，有效区域c完整包含所需识别图案，有效区域c为a×b像素大小，灰度图像A2中将有效区域c之外的区域的像素点灰度值赋值为0；(2.4)首先，引入膨胀系数，对灰度图像A2进行膨胀操作得到灰度图像A3；然后，利用一阶偏导数的有限差分计算灰度图像A3中每一个像素点的方向和梯度模；接着，对于上述每一个像素点的方向和梯度模采用非极大值抑制算法，将灰度图像A3中的像素点划分为非边缘点和待定边缘点，非边缘点舍弃，所有待定边缘点构成1个像素宽度的准边缘；最后，利用多阈值检测方法将所有待定边缘点进一步划分为非边缘点和边缘点，非边缘点舍弃；计算边缘点构成的各个连通域的大小，根据噪声系数忽略小面积的连通域，最后获得由保留的边缘点构成的图像轮廓集。所述步骤(2.4)中，具体步骤为：然后对于上述每一个像素点的方向和梯度模采用非极大值抑制算法，通过遍历灰度图像A3中所有像素点，比较当前像素点梯度模以及与当前像素点梯度上相邻两像素点的梯度模，将灰度图像A3中的像素点划分为非边缘点和待定边缘点；所有待定边缘点构成1个像素宽度准边缘，采用多阈值检测方法处理将梯度模位于不同区间的待定边缘点根据像素点的方向以及像素点与既定边缘点的邻接关系划分为边缘点和非边缘点；再计算所有连通域面积，根据噪声系数忽略的连通域(忽略面积小于“噪声系数×最大连通域”的所有连通域)，最后获得由保留的边缘点构成的图像轮廓集。所述基于监督式机器学习的参数优化模块(3)中，采用以下方式处理：在基于监督式机器学习的参数优化模块(3)初始化阶段，首先建立图像训练样本数据库，图像训练样本数据库由图像数据组构成。每个图像数据组对应各自的用于图像轮廓提取的图像参数组。进行模型训练时，对图像训练样本数据库中的图像数据组采用以下步骤处理。(3.1)从每类的图像数据组各取部分原始图像组成训练图像集合，针对训练图像集合的每一幅原始图像进行以下步骤；(3.2)图像截取分割：截取每个原始图像的有效区域c，将有效区域c划分为多个图像子块，每个图像子块大小为M×N像素，并将图像子块通过背景差法划分出前景和背景成分，训练图像集合通过图像截取分割获得的所有图像子块组成图像子块训练集合；(3.3)图像预处理：对图像子块训练集合中的每个图像子块，进行中值滤波和高斯平滑滤波，以去除峰值和噪声，然后进行降采样缩小像素大小；(3.4)建立轮廓模型：针对每一次训练的图像子块训练集合，首先将图像子块训练集合中的图像子块减去基本成分，基本成分是指步骤(3.2)划分出的背景成分，然后使用主成分分析方法从中获得主成分，作为图案向量pj(x)；轮廓模型表示如下：bj＝(p(x)-p0)Tpj(x)其中，p(x)是第x次训练得到的轮廓模型，x表示训练次数的序数，bj表示第j个图案向量的形状参数，pj(x)是第j个图案向量，即是从主成分分析方法从中获得第j个主成分，j＝1,2,…,m，j表示图案向量的序号，m表示模型的维度，p0是基本成分，[c1,c2,…ck]是深度学习框架的参数，k是深度学习框架的参数数量；(3.5)在深度学习框架中，使用轮廓模型对当前需要轮廓提取的原始图像进行分类，分类为原始图像所适用于的图像参数组，将对应于原始图像分类的图像参数组输入图像轮廓识别模块(2)进行计算获得轮廓；(3.6)改变训练图像集合中各类图像数据组所占的图像总数百分比进行更新，重复上述步骤(3.1)～(3.5)更新获得轮廓模型。图像训练样本数据库和轮廓模型更新：图像训练样本数据库通过添加图像数据、改变训练图像集合中各类图像数据组所占的图像总数百分比进行更新。轮廓模型通过根据当前图像训练样本数据库，重复上述步骤(3.1)～(3.5)实现更新。具体实施中，从每类的图像数据组中按照权值表各自提取部分原始图像组成图像训练集合。图像训练样本数据库中的权值表表示每次进行模型训练时，从每类图像数据组中提取图像数据的比例。图像训练样本数据库和轮廓模本文档来自技高网...

【技术保护点】
1.一种应用于激光切割机的机器视觉切割方法，其特征在于：包括图像畸变矫正模块(1)、图像轮廓识别模块(2)、基于监督式机器学习的参数优化模块(3)和切割路径生成模块(4)；图像畸变矫正模块(1)对采集的图像进行处理获得原始图像，图像轮廓识别模块(2)对原始图像进行轮廓识别，切割路径生成模块(4)根据轮廓识别结果生成激光切割机的切割路径，通过基于监督式机器学习的参数优化模块(3)对图像轮廓识别模块(2)进行优化，使得图像轮廓识别模块(2)识别轮廓提取更精确。

【技术特征摘要】
1.一种应用于激光切割机的机器视觉切割方法，其特征在于：包括图像畸变矫正模块(1)、图像轮廓识别模块(2)、基于监督式机器学习的参数优化模块(3)和切割路径生成模块(4)；图像畸变矫正模块(1)对采集的图像进行处理获得原始图像，图像轮廓识别模块(2)对原始图像进行轮廓识别，切割路径生成模块(4)根据轮廓识别结果生成激光切割机的切割路径，通过基于监督式机器学习的参数优化模块(3)对图像轮廓识别模块(2)进行优化，使得图像轮廓识别模块(2)识别轮廓提取更精确。2.根据权利要求1所述的一种应用于激光切割机的机器视觉切割方法，其特征在于：所述的图像畸变矫正模块(1)具体包括：(1.1)使用激光切割机在切割平台上的白色平面材料上雕刻固定已知参数和形状的正三角网格图案；(1.2)成像模块采集带有激光切割机雕刻出的正三角网格图案的标定图像m1与包含所需识别图案和背景图案的现有纺纱的RGB图像；然后，使用相机标定算法检测标定图像m1中的角点，生成成像模块的畸变参数矩阵组，使用畸变参数矩阵组对包含所需识别图案和背景图案的现有纺纱的RGB图像进行矫正，矫正后获得原始图像。3.根据权利要求1所述的一种应用于激光切割机的机器视觉切割方法，其特征在于：所述的图像轮廓识别模块(2)中，对于任意包含所需识别图案和背景图案的原始图像，对当前原始图像按照以下步骤处理：(2.1)把原始图像转化为灰度图像A1，使用以下公式的灰度非线性映射函数对灰度图像A1进行增强突出图案轮廓特征的处理，生成灰度图像A2：其中，m代表输入像素点的灰度值，M代表输出像素点的灰度值，α、β、γ、δ1、δ2分别为高阶项系数、低阶项系数、偏移系数、高阶指数和低阶指数；(2.3)在灰度图像A2中框选有效区域c，有效区域c完整包含所需识别图案，灰度图像A2中将有效区域c之外的区域的像素点灰度值赋值为0；(2.4)首先，对灰度图像A2进行膨胀操作得到灰度图像A3；然后，利用一阶偏导数的有限差分计算灰度图像A3中每一个像素点的方向和梯度模；接着，对于上述每一个像素点的方向和梯度模采用非极大值抑制算法，将灰度图像A3中的像素点划分为非边缘点和待定边缘点，非边缘点舍弃，所有待定边缘点构成1个像素宽度的准边缘；最后，利用多阈值检测方法将所有待定边缘点进一步划分为非边缘点和边缘点，非边缘点舍弃；计算边缘点构成的各个连通域的大小，根据噪声系数忽略小面积的连通域，最后获得由保留的边缘点构成的图像轮廓集。4.根据权利要求1所述的一种应用于激光切割机的机器视觉切割方法，其特征在于：所述基于监督式机器学习的参数优化模块(3)中，采用以下方式处理：(3.1)从每类的图像数据组各取部分原始图像组成训练图像集合，针对训练图像集合的每一幅原始图像进行以下步骤；(3.2)图像截...

【专利技术属性】
技术研发人员：李宇波，邝昊泽，魏兵，华飞，叶博涛，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33