一种基于机器视觉的数控平台控制方法及系统与流程
本发明属于机器视觉辅助加工的,具体地涉及一种基于机器视觉的数控平台控制方法及系统。
背景技术:
1、数控平台(如数控铣床、数控钻床、加工中心等)是现代精密制造的核心装备,其加工精度与效率高度依赖于控制系统的实时性与适应性。传统的数控系统主要采用基于预设g代码的开环或半闭环控制方式,辅以位置、速度、力矩等传感器反馈实现闭环调节。然而,这种控制方式难以感知加工区域的真实视觉状态,例如刀具磨损、切屑堆积、工件表面质量变化以及加工过程中的异常情况(如振动、过热等)。随着机器视觉技术的发展,越来越多的研究尝试将视觉信息引入数控平台的控制回路中,通过实时采集加工区域的图像,分析当前工序、检测缺陷或调整工艺参数,从而实现智能化、自适应加工。
2、在实际的数控加工环境中,图像采集质量往往受到多种不利因素的严重干扰,导致后续视觉分析(如工序识别、缺陷检测)的准确性大幅下降。这些干扰因素主要包括:
3、光照条件复杂且动态变化:数控平台通常工作在封闭或半封闭的加工舱内,照明光源可能为局部led灯、环境光或加工过程中产生的火花、切削液反光等。光照强度可能明显不足(低光照),也可能分布极不均匀(如刀具附近过曝、工件凹槽区域过暗)。这种复杂光照条件使得采集图像的信噪比降低,暗部细节丢失,高亮区域饱和。
4、图像对比度低与细节模糊:金属工件表面常呈现低纹理、高反光特性,加上加工过程中产生的切屑、油雾、水雾等悬浮颗粒,会导致图像出现雾化效应,对比度显著下降,边缘和纹理细节变得模糊。这一问题在水冷或油冷切削环境中尤为突出,类似于水下图像的质量退化现象。
5、实时性要求高:数控平台的控制周期通常在毫秒级,要求图像处理与工序识别算法具备较低的延迟和较高的计算效率。过于复杂的增强模型虽然能提升图像质量,但可能无法满足实时控制需求。
6、而现有图像增强方法在应用于数控平台视觉控制时,存在边缘保护不足、自适应能力差、多退化问题无法兼顾等缺陷;而深度学习工序识别模型又受限于输入图像质量,难以在复杂加工环境中保持高精度。因此,亟需一种能够自适应处理低亮度、低对比度、光照不均及模糊等多种退化类型的图像处理方法,并与工序识别模型紧密结合,实现数控平台的精准、鲁棒、实时控制。
技术实现思路
1、为了解决上述技术问题,本发明提供了一种基于机器视觉的数控平台控制方法及系统,以解决上述背景技术中的问题。
2、第一方面,该发明提供以下技术方案,一种基于机器视觉的数控平台控制方法,包括:
3、获取数控平台加工区域的原始图像,对所述原始图像进行预处理,以得到处理图像;
4、对所述处理图像进行低照度增强处理,以得到第一增强图像;
5、对所述第一增强图像进行对比度增强与多尺度融合处理,以得到第二增强图像;
6、将所述第二增强图像输入预训练好的工序识别模型中进行工序识别,以得到当前加工工序类别;
7、基于所述当前加工工序类别生成相应的控制指令,基于所述控制指令调整数控平台的加工参数,以实现数控平台的加工控制。
8、相比现有技术,本技术的有益效果为:本发明融合了低照度增强与对比度增强两种图像处理方法,同时解决低光照、光照不均、低对比度及雾化模糊等多重退化问题,在第一次增强过程中,通过梯度分位数自适应调整扩散强度,有效保护边缘与纹理信息,避免高斯滤波导致的光晕和伪影;结合全局光照平衡策略,确保增强后图像色彩真实、光照层次自然;通过双参数非线性映射,在提升暗部细节的同时防止高光过曝;再次,在第二次增强过程中,根据图像亮度均值和对比度动态生成目标校正因子,改进的拉伸融合均值补偿与平方根变换,直方图均衡化提升全局对比度,三者互补后经信息熵加权金字塔融合,显著增强对比度、细节和亮度均匀性;最后,增强后的图像输入预训练卷积神经网络,工序识别准确率大幅提高,控制系统据此实时调整进给速度、主轴转速等参数,实现了数控平台的闭环智能控制,有效提升加工质量和效率。
9、较佳的,所述对所述原始图像进行预处理,以得到处理图像的步骤具体为:
10、对所述原始图像依次进行图像旋转平移、裁剪、中值滤波处理,以得到处理图像。
11、较佳的,所述对所述处理图像进行低照度增强处理,以得到第一增强图像的步骤包括:
12、将所述处理图像从rgb颜色空间转换到hsv空间,以得到第一转换图像,提取所述第一转换图像的第一亮度分量;
13、定义扩散函数:
14、;
15、式中,分别为第一梯度阈值、第二梯度阈值,为某一像素的亮度值,为衰减系数,为梯度算子;
16、基于所述扩散函数确定迭代函数:
17、;
18、式中,为第、次迭代的像素的亮度值,为扩散强度,为第次迭代的像素的亮度值,为的邻域像素,为邻域像素个数;
19、将所述第一亮度分量代入所述迭代函数中进行迭代直至满足迭代条件,将最后一次迭代的结果作为估计光照分量;
20、基于所述估计光照分量确定第一增强图像。
21、较佳的,所述基于所述估计光照分量确定第一增强图像的步骤包括:
22、基于所述估计光照分量确定校正光照分量:
23、;
24、式中,为亮度分量的全局均值,为校正权重;
25、基于所述校正光照分量确定反射分量,其中,若,则,若,则;
26、将所述校正光照分量归一化到[0,1]区间,以得到映射分量,对所述映射分量进行非线性增强,以得到增强光照分量:
27、;
28、式中,、分别为亮度、暗区增强参数;
29、将所述增强光照分量与所述反射分量逐像素相乘,以得到最终亮度分量,基于所述最终亮度分量确定修正因子:
30、;
31、式中,为极小正数;
32、将所述修正因子分别乘以所述处理图像的rgb三通道分量并将修正后的rgb三通道分量进行合并,以得到第一增强图像。
33、较佳的,所述对所述第一增强图像进行对比度增强与多尺度融合处理,以得到第二增强图像的步骤包括:
34、将所述第一增强图像从rgb空间转换到ycbcr颜色空间,以得到第二转换图像,提取所述第二转换图像的第二亮度分量;
35、基于所述第二亮度分量计算目标校正因子:
36、;
37、式中,分别为第二亮度分量的平均亮度、亮度标准差、全局最大亮度;
38、基于所述目标校正因子对所述第二亮度分量进行校正,以得到第一处理亮度分量:
39、;
40、对所述第二亮度分量进行自适应直方图均衡化处理,以得到均衡分量,基于所述均衡分量对所述第二亮度分量进行拉伸处理,以得到第二处理亮度分量:
41、;
42、式中,分别为均衡分量的均值、最大值、最小值;
43、对所述第二亮度分量进行全局直方图均衡化处理,以得到第三处理亮度分量;
44、基于所述第一处理亮度分量、第二处理亮度分量、第三处理亮度分量确定第二增强图像。
45、较佳的,所述基于所述第一处理亮度分量、第二处理亮度分量、第三处理亮度分量确定第二增强图像的步骤包括:
46、对所述第一处理亮度分量、第二处理亮度分量、第三处理亮度分量分别构建第一高斯金字塔、第二高斯金字塔、第三高斯金字塔;
47、计算所述第一处理亮度分量、第二处理亮度分量、第三处理亮度分量的能量值:
48、,
;
49、式中,为灰度值在图像中出现的归一化概率,分别表示第一处理亮度分量、第二处理亮度分量、第三处理亮度分量;
50、基于所述能量值计算融合权重:
51、;
52、基于所述融合权重对第一高斯金字塔、第二高斯金字塔、第三高斯金字塔的同一层金字塔结构进行加权融合,以得到融合高斯金字塔;
53、将所述融合高斯金字塔转换为拉普拉斯金字塔并进行重构,以得到第二增强图像。
54、较佳的,所述工序识别模型具体为卷积神经网络模型。
55、第二方面,该发明提供以下技术方案,一种基于机器视觉的数控平台控制系统,所述系统包括:
56、预处理模块,用于获取数控平台加工区域的原始图像,对所述原始图像进行预处理,以得到处理图像;
57、第一增强模块,用于对所述处理图像进行低照度增强处理,以得到第一增强图像;
58、第二增强模块,用于对所述第一增强图像进行对比度增强与多尺度融合处理,以得到第二增强图像;
59、识别模块,用于将所述第二增强图像输入预训练好的工序识别模型中进行工序识别,以得到当前加工工序类别;
60、控制模块,用于基于所述当前加工工序类别生成相应的控制指令,基于所述控制指令调整数控平台的加工参数,以实现数控平台的加工控制。
61、第三方面,本发明提供以下技术方案,一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述的基于机器视觉的数控平台控制方法。
62、第四方面,本发明提供以下技术方案,一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的基于机器视觉的数控平台控制方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com