基于背景建模与轮廓配准的宽幅异形打印方法及系统与流程
本发明涉及机器视觉、图像处理、异形工件定位、宽幅打印和uv打印,尤其涉及一种在固定相机、固定平台、固定光照条件下用于宽幅异形打印的基于背景建模与轮廓配准的宽幅异形打印方法及系统。
背景技术:
1、宽幅异形打印场景中,多个形状相同或轮廓相近的工件可被随机放置在打印平台上,工件角度、位置和镜像状态可能不同。系统需要自动识别工件所在区域,并将待打印前景图准确贴合到每一个工件区域。真实生产中,平台上可能存在喷墨痕迹、纹理毛边、灰尘、透明件反光、局部阴影以及光照变化,因此仅依赖简单阈值或单一颜色特征很难长期稳定工作。
2、传统简单背景差分通常只计算空背景图与含工件采集图的像素差异。该方案实现简单、速度快,但在光照变化、阴影、人影、反光、台面纹理、喷墨残留和透明工件边缘较弱的情况下,容易把非目标变化误判为目标,也容易在目标内部形成小黑点或误删真实孔洞。
3、mog2(高斯混合模型v2)等背景建模方法更适合视频流或多帧动态背景建模。对于宽幅打印机的实际流程,常见输入是一次空背景采集和一次放置工件后的工件采集图,缺少连续时间序列;同时,mog2对阴影、反光和静态喷墨痕迹较敏感,容易出现大片噪声或把非目标工件、平台图案一起提取出来。
4、近年来也出现了以rembg为代表的深度学习背景移除工具,以及通用显著性分割或大模型分割方案。这类方案对自然图像主体抠图具有一定效果,但通常依赖通用语义前景或显著物体先验,并不天然理解“只识别与指定前景轮廓完全一致的工件”这一工业约束;在多工件、透明件、非目标物共存、平台文字和二维码存在的场景中,可能把花形、圆片、三角形、文字、桌面边界等一并当作前景,也可能忽略低对比透明边缘。若直接使用其输出作为打印掩码,则难以保证每个工件轮廓与待打印图的几何配准精度。
技术实现思路
1、本发明要解决的技术问题是:在复杂平台背景、光照变化、非目标物干扰、透明或低对比工件以及多个同形工件不同角度放置的情况下,自动生成可靠的目标候选掩码,并将待打印前景图精确配准到每个目标工件区域,最终输出可直接用于打印的透明图像和质量报告。
2、为解决上述问题,本发明采用以下技术方案:
3、本发明第一方面,提供了一种基于背景建模与轮廓配准的宽幅异形打印方法,包括:
4、获取空背景图、含有至少一个异形工件的工件采集图以及待打印前景图;
5、对所述空背景图和所述工件采集图进行尺度、色彩和亮度归一化;
6、针对所述空背景图和所述工件采集图,基于多通道图像差异、边缘梯度差异、所述工件采集图自身的显著性特征以及模板轮廓先验进行多源信息融合,生成工件候选掩码;
7、对所述工件候选掩码执行误检黑色孔洞修复、真实孔洞保留和边缘毛刺抑制,得到优化候选掩码;
8、从所述待打印前景图中提取模板轮廓,并从所述优化候选掩码中提取候选区域轮廓;
9、根据形状相似度从所述候选区域轮廓中筛选出目标工件区域;
10、对每一所述目标工件区域依次执行全局轮廓配准、镜像回退配准和局部轮廓精配准,获得由所述模板轮廓到所述目标工件区域的几何映射关系;
11、依据所述几何映射关系将所述待打印前景图映射至所述目标工件区域,生成最终打印图像,并依据最终打印区域与所述目标工件区域的重叠度进行质量评价。
12、在宽幅异形打印的实际生产中,简单背景差分只能在理想光照和干净台面条件下工作,一旦出现喷墨痕迹、阴影、反光或平台纹理,就容易产生大量误检。而单纯的深度学习分割方案虽然对自然图像主体有效,却无法理解“只识别与指定前景轮廓完全一致的工件”这一工业约束,可能把平台上的文字、二维码、其他形状的物体一并当作前景。
13、因此,上述技术方案首先通过尺度、色彩和亮度归一化消除采集条件差异带来的影响,然后将多通道图像差异、边缘梯度差异、工件采集图自身显著性特征和模板轮廓先验四类信息融合,只有同时满足差异响应和形状先验的区域才被保留为候选。这种多源信息融合策略使候选掩码的生成不依赖单一特征,大幅降低了复杂背景下的误检率。
14、更为重要的是,还引入了掩码修复环节,区分误检孔洞与真实孔洞、抑制边缘毛刺,从而保证候选掩码的质量。在配准阶段,采用全局搜索、镜像fallback和局部精配准的三级配准架构,能够同时处理工件不同角度摆放、翻面放置以及局部轮廓偏差等多种复杂情况。最后通过重叠度质量评价形成闭环,确保输出结果可靠。这一整套流程使得整个方法可以在无人干预的情况下一键自动化运行,测试场景中最小finaliou达到0.9887以上。
15、基于上述,所述多通道图像差异包括灰度差异、lab色度差异、hsv色度差异、亮度差异和梯度差异中的一种或多种;所述工件采集图自身显著性特征包括亮度显著性、饱和度显著性、局部对比度显著性和边缘闭合显著性中的一种或多种。
16、基于上述,生成工件候选掩码方法包括:
17、首先,生成差异响应候选掩码:
18、基于所述空背景图与所述工件采集图的各通道图像差异di及其预设权重ki,计算复合差异响应r=max(k1d2,……,kidi);i=1、2、3、4、5,代表通道数;
19、对所述复合差异响应r进行归一化处理,并采用otsu法确定自适应阈值totsu;
20、将归一化后的复合差异响应r中大于所述自适应阈值totsu的像素构成otsu响应掩码;
21、根据tstat=median(r)+k·mad(r)确定统计异常阈值tstat,将复合差异响应r中大于所述统计异常阈值tstat的像素构成统计响应掩码;其中,median(r)表示复合差异响应r的中位数,mad(r)=median(|r-median(r)|)表示中位绝对偏差,k为预设统计系数;
22、将满足预设通道差异阈值的强响应像素构成种子掩码seed,将所述otsu响应掩码与所述统计响应掩码的并集作为支撑掩码support;
23、采用椭圆结构元对所述种子掩码seed进行膨胀,形成种子空间邻域dilate(seed);将同时属于所述支撑掩码support且位于所述种子空间邻域dilate(seed)内的像素确定为合格支撑像素,并按照m=seed∪[support∩dilate(seed)]形成种子-支撑融合掩码m;当所述种子掩码seed为空时,将所述支撑掩码support作为种子-支撑融合掩码m;
24、其次,生成显著性候选掩码:
25、所述工件采集图自身的各显著性特征分别经阈值化和形态学清理形成显著性候选掩码;
26、最后,进行多源信息融合:
27、将所述显著性候选掩码与所述差异响应候选掩码并列组成候选掩码集合,按照各候选掩码的预设生成顺序依次编号为j,其中1≤j≤m,m为候选掩码总数;
28、分别提取各候选掩码中的连通域,利用所述模板轮廓先验计算各连通域的hu矩形状差异和径向轮廓签名距离,将hu矩形状差异不大于预设形状差异阈值且径向轮廓签名距离不大于预设径向距离阈值的连通域确定为有效连通域,将不满足上述条件的连通域确定为无效连通域;
29、对第j个候选掩码,分别计算有效连通域数量nj、有效连通域的平均径向轮廓签名距离dj、有效连通域的平均hu矩形状差异hj、无效连通域数量uj以及有效连通域面积之和aj,并构造候选掩码评价向量vj=(nj,-dj,-hj,-uj,aj);当第j个候选掩码的有效连通域数量nj为0时,将该候选掩码确定为无效候选掩码,不参与后续评价向量比较;
30、对有效候选掩码的评价向量按照分量从左至右进行字典序比较:先选取nj取最大值的候选掩码;当至少两个候选掩码的nj相等时,从中选取dj取最小值的候选掩码;当nj和dj均相等时,从中选取hj取最小值的候选掩码;当nj、dj和hj均相等时,从中选取uj取最小值的候选掩码;当nj、dj、hj和uj均相等时,从中选取aj取最大值的候选掩码;当nj、dj、hj、uj和aj均相等时,选取编号j取最小值的候选掩码;
31、将按照上述字典序比较确定的候选掩码作为所述工件候选掩码;当全部候选掩码的有效连通域数量nj均为0时,判定工件候选掩码生成失败并输出异常状态;未被选中的候选掩码在完成评价向量计算和字典序比较后,不再进入当前次目标区域提取。
32、单一颜色空间或单一特征通道的差异图往往只能反映目标与背景在某一方面的区别,而无法全面描述工件的视觉特征。例如,灰度差异对颜色相近但纹理不同的区域不敏感,lab色度差异对光照变化较为敏感,梯度差异则对边缘模糊的透明工件效果不佳。
33、上述方案中,限定了多通道图像差异和显著性特征的具体类型,并进一步给出了多通道融合的量化规则。通过多通道差异的加权组合,再结合otsu阈值响应、统计异常响应和强物理响应三类种子的“种子-支撑融合”,系统可以从多个维度综合判断每个像素属于目标还是背景。
34、基于上述,所述误检黑色孔洞修复包括:在目标连通域内识别内部黑色连通域,将其边界外扩3个像素形成边界带,并计算边界带内的梯度幅值均值g、边缘连续性c和边缘闭合度q中的一种或多种;所述边缘连续性c为边界带内满足梯度阈值的边缘像素数与孔洞边界像素数之比,所述边缘闭合度q根据边缘连通分量是否包围孔洞中心以及首尾端点间距是否小于孔洞周长的5%确定;当孔洞不符合模板孔洞先验,且g低于局部梯度阈值、c小于0.60或边缘不闭合时,将其判定为误检孔洞并填充;其中,小孔洞填充面积上限取80像素和目标面积的0.3%中的较小值,最大外接尺寸不大于14像素;
35、所述真实孔洞保留包括:对符合模板孔洞数量、相对位置和面积比例先验的孔洞予以保留,或者将灰度低于目标区域灰度中位数45且不高于90、面积为80~800像素、外接尺寸为8~40像素并具有闭合边缘的孔洞予以保留;
36、所述边缘毛刺抑制包括对候选区域边界附近的窄长突起、孤立小连通域和不满足模板轮廓先验的局部边界进行剪枝。
37、在背景差分或显著性检测过程中,目标区域内部常常会出现一些误检的小黑点,这些小黑点实际上是背景差异噪声被错误地标记为孔洞。如果简单地将所有孔洞都保留,打印图中就会出现非预期的空白区域,影响打印质量。另一方面,某些工件(如心形工件)本身就带有真实的孔洞结构,如果错误地将这些真实孔洞填充,同样会破坏打印图案的准确性。
38、上述方案通过引入三个量化指标来解决这一两难问题:梯度幅值均值g表征孔洞边缘的强度,边缘连续性c表征边缘像素的连续程度(阈值取0.60),边缘闭合度q表征边缘能否形成闭合包围。真实孔洞由工件物理结构形成,其边缘通常具有稳定且连续的梯度响应;而误检孔洞由噪声引起,边缘梯度弱且不连续。系统综合这三个量化指标,再结合模板中孔洞的数量、相对位置和面积比例进行判别——只有当g、c、q均达标且位置与模板匹配时,才作为真实孔洞保留;对于不满足条件的误检孔洞予以填充,同时给出了具体的面积和尺寸阈值(80像素、14像素)。对于边缘毛刺,同样依据模板轮廓先验进行剪枝。这种基于量化指标加先验知识的双重判定策略,使得候选掩码既能精准保留工件的真实结构特征,又能有效剔除各类噪声干扰。
39、基于上述,对透明或低对比的凸多边形工件,按照模板外轮廓周长的2%作为douglas-peucker多边形逼近距离,所得凸多边形顶点数n作为待拟合边数,其中3≤n≤8;
40、在目标区域roi内以低阈值12和高阈值45执行canny边缘提取,在每条初始边缘两侧28像素带状区域内将边缘点投影至该边缘法向,以2像素为间隔统计法向距离直方图,仅保留主峰距离±2.5像素内且位于边线中部15%~85%范围的点,并采用huber损失直线拟合抑制离群点;
41、每条边至少保留18个拟合点,至少成功拟合n-1条边后,根据相邻直线交点重建多边形轮廓;当重建轮廓相对原候选轮廓的边线最大偏移不大于24像素、面积比为0.85~1.15且重叠度不低于0.90时采纳重建轮廓。
42、透明或低对比度工件是宽幅异形打印中最难处理的场景之一。由于透明工件的边缘与背景颜色非常接近,传统的基于颜色差异或梯度差异的方法很难准确识别其边界,往往导致边缘识别出现偏差,进而影响配准精度。
43、本发明针对透明或低对比的凸多边形工件提出了专门的几何约束重建方案。该方案首先利用模板轮廓的几何信息——通过douglas-peucker逼近得到待拟合边数n(3~8边),从而解决了边数未知的启动难题。在边缘提取阶段,采用canny边缘检测(低阈值12、高阈值45)获取候选边缘点,并在每条初始边缘两侧28像素带状区域内进行精细筛选:通过法向投影和直方图统计保留主峰±2.5像素内的点,排除台面纹理、反光和阴影产生的离群点;同时仅取边线中部15%~85%范围的点,避免端点处的偏差。拟合时采用huber损失函数进一步抑制离群点影响。每条边至少需要18个有效点,允许至多1条边拟合失败。这种不依赖颜色差异、完全基于几何约束的重建方法从根本上绕开了透明边缘颜色相近的物理瓶颈,使得透明六边形等工件的识别和配准精度得到显著提升。
44、基于上述,所述全局轮廓配准包括:
45、以轮廓面积矩确定质心,将质心至外轮廓的0~360°方向划分为72个角度区间,取每个角度区间内的最大径向距离,对缺失区间进行周期插值、采用相邻3个区间滑动平均并除以全部区间的平均半径,形成72维径向轮廓签名;模板与目标的径向签名距离为目标签名及其逆序签名在全部循环移位下与模板签名的最小平均绝对差;
46、以主成分方向差和最小外接矩形方向差为初始角度,并分别叠加0°、45°、90°、135°、180°、225°、270°和315°,在各初始角度±20°范围内以3°步长搜索旋转角度,在由轮廓面积比平方根确定的基准尺度的0.90~1.10倍范围内以0.02步长搜索缩放比例,并以质心差确定初始平移;当所得轮廓重叠度低于0.955时,以4°角度步长在0~360°范围内、以0.025尺度步长在基准尺度的0.87~1.13倍范围内执行全局补充搜索;
47、所述镜像回退配准包括在正向配准质量低于阈值时,对模板轮廓执行水平或垂直镜像变换并重新进行全局搜索;
48、所述局部轮廓精配准采用以轮廓iou为目标函数的逐坐标搜索,对角度、统一尺度、横向平移和纵向平移依次作正向和反向试探;依次采用角度/尺度/平移步长为1°/基准尺度的1%/1像素、0.25°/0.25%/0.35像素、0.06°/0.07%/0.10像素和0.018°/0.025%/0.04像素的四级微调,每级最多迭代8次,当一轮内四个参数的正反向试探均不能提高iou时进入下一级或终止;
49、对于仍存在局部偏差的非简单凸多边形轮廓,从模板轮廓与目标轮廓分别等弧长采样120个控制点,利用循环对应确定点对,通过delaunay三角剖分建立分片仿射映射,仅在分片映射后的iou高于全局配准iou时采纳该映射。
50、单纯刚性配准(一次旋转、缩放和平移)在实际生产中远远不够。首先,工件可能被翻面放置,导致其轮廓相对于模板呈现镜像关系,单纯的旋转无法完成配准。其次,即使工件没有翻面,由于制造公差、放置变形或图像采集误差,目标轮廓与模板轮廓之间也可能存在局部偏差,全局刚性变换无法解决这类局部不匹配问题。
51、上述方案通过三级配准架构来解决上述问题,并对每一级给出了可实施的具体参数:
52、第一级全局搜索采用72维径向轮廓签名——以质心为极点等角度采集距离序列形成的特征向量,这种形状描述子具有旋转和镜像不变性(通过逆序签名和循环移位实现)。搜索以pca主方向和最小外接矩形方向为初始角度,叠加8个45°间隔方向,在各方向±20°范围内以3°步长精细搜索,尺度以面积比平方根为基准在0.90~1.10倍范围内以0.02步长搜索;若结果不理想,再以4°步长和0.025尺度步长进行补充搜索,兼顾了精度与速度。
53、第二级镜像回退配准在正向质量不足时自动尝试镜像变换,处理翻面放置。
54、第三级局部精配准采用无梯度的逐坐标搜索策略,分四级步长逐级细化(从1°逐步降至0.018°,从1%逐步降至0.025%,从1像素逐步降至0.04像素),每级最多8轮迭代;对于非简单凸多边形还可进一步采用分片仿射映射处理局部偏差。这种“粗搜索+镜像兜底+精细优化”的三级架构,既保证了全局不陷入局部最优,又确保最终配准达到高精度。
55、基于上述,所述质量评价包括:
56、按照交集像素数与并集像素数之比,分别计算最终打印区域与目标工件区域的finaliou、裁剪前配准轮廓与目标轮廓的regiou以及初始候选区域与目标区域的rawiou;
57、finaliou阈值设置在0.95~0.99范围内,regiou阈值设置在0.90~0.98范围内,rawiou阈值设置在0.85~0.95范围内;当任一已识别区域的对应指标低于其阈值时输出报警信息并阻止打印任务下发。
58、在自动化生产流程中,系统不仅需要完成配准任务,还需要让操作人员或控制系统知道配准结果是否可靠。如果仅仅输出配准结果而不进行质量评价,一旦出现配准失败的情况,就会导致错印,造成材料浪费和经济损失。
59、上述方案引入了三重重叠度(iou)质量评价体系。finaliou(阈值0.95~0.99,优选0.95)衡量最终打印区域与目标工件区域的覆盖关系,直接反映输出结果的质量;regiou(阈值0.90~0.98,优选0.90)衡量配准轮廓与目标轮廓的贴合程度,反映配准算法的精度;rawiou(阈值0.85~0.95,优选0.85)反映初始候选区域的质量,有助于诊断问题出在哪个环节。三个指标从输出结果、配准过程和输入质量三个层面形成完整的安全保障链路。通过设置具体阈值,系统可以在任何一项指标不达标时自动输出报警信息并阻止打印图下发,避免仅因裁剪使finaliou偏高而掩盖实际配准偏差,为实现一键自动化生产提供了可靠的质量闭环保障。
60、基于上述,将深度学习背景移除模型输出的前景概率图以0.50为初始阈值二值化,并经闭运算、开运算和小连通域过滤形成独立的深度学习候选掩码;
61、当基于空背景差异和采集图显著性生成的候选掩码不存在通过模板筛选的区域,或者其候选排序分值低于深度学习候选掩码时,启动深度学习辅助通道;对该辅助通道采用与其他候选通道相同的模板轮廓筛选、孔洞及毛刺修复和配准质量评价,仅在形状差异不大于0.16、径向签名距离不大于0.075且综合排序优于原候选掩码时采纳深度学习结果,否则舍弃该结果。
62、虽然深度学习背景移除方案在自然图像抠图方面有一定效果,但其在工业场景中存在明显的局限性:它依赖通用语义先验,可能将平台上的文字、二维码、其他形状的物体一并识别为前景,也可能忽略低对比透明边缘。然而,完全排斥深度学习方案也可能错失其在某些场景下的优势。
63、上述方案采取了开放但审慎的态度。深度学习背景移除结果被构造成独立的候选通道,以0.50为初始阈值二值化后经闭运算、开运算和小连通域过滤形成候选掩码。该辅助通道仅在传统通道不存在通过模板筛选的区域、或深度学习候选排序更优时才被启动。更关键的是,深度学习候选必须经历与其他候选通道完全相同的模板轮廓筛选(形状差异≤0.16、径向签名距离≤0.075)、孔洞修复、毛刺剪枝和配准质量评价流程,只有综合排序优于原候选且质量阈值合格时才被采纳,否则被舍弃。这种设计既保持了系统的开放性,能够吸收深度学习在某些场景下的优势,又通过严格的模板先验约束和质量验证确保了最终决策的工业可靠性——任何不符合模板先验或配准质量要求的区域都不会被采纳为最终目标。
64、本发明第二方面,提供了一种基于背景建模与轮廓配准的宽幅异形打印系统,用于执行所述的基于背景建模与轮廓配准的宽幅异形打印方法,包括:
65、图像获取模块,用于获取空背景图、含有至少一个异形工件的工件采集图以及待打印前景图;
66、背景建模模块,用于对所述空背景图和工件采集图进行尺度、色彩和亮度归一化;
67、候选掩码生成与修复模块,用于基于多通道图像差异、边缘梯度差异、工件采集图自身显著性特征以及模板轮廓先验生成工件候选掩码,并对所述工件候选掩码执行误检孔洞小黑点修复、真实孔洞保留和边缘毛刺抑制;
68、模板轮廓提取模块,用于提取所述待打印前景图的模板轮廓;
69、目标区域提取模块,用于提取候选区域轮廓并根据形状相似度筛选目标工件区域;
70、轮廓配准模块,用于对每一目标工件区域执行全局轮廓配准、镜像fallback和局部轮廓精配准,得到几何映射关系;
71、打印图生成模块,用于依据所述几何映射关系将待打印前景图映射至目标工件区域,生成最终打印图像;
72、质量评价模块,用于依据打印区域重叠度进行质量评价;
73、报警模块,用于在质量评价结果低于预设阈值时输出报警信息;
74、打印控制模块,用于将所述最终打印图像发送至打印机执行打印操作。
75、本发明第三方面,提供了一种计算机设备,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口以及存储器通过通信总线完成相互间的通信;
76、存储器,用于存放计算机程序;
77、处理器,用于执行存储器上所存放的程序时,实现如所述的基于背景建模与轮廓配准的宽幅异形打印方法。
78、本发明第四方面,提供了一种计算机可读存储介质,其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所述的基于背景建模与轮廓配准的宽幅异形打印方法。
79、本发明相对现有技术中的各类技术问题,结合所采用的多阶段联合处理方案,获得以下技术效果:
80、一、针对复杂背景下的误检问题
81、本发明通过多源信息融合和模板轮廓先验的双重约束,大幅降低了复杂背景下的误检率。即便在台面存在喷墨痕迹、阴影、反光或非目标物体共存的情况下,系统仍能准确识别与指定前景轮廓一致的目标工件区域,而非盲目将所有视觉变化均视为前景。候选掩码不再依赖单一特征通道,任一通道的噪声响应均被其他通道和模板先验所约束和抑制。
82、二、针对目标内部孔洞误处理问题
83、本发明有效区分了误检噪声孔洞与工件的真实结构孔洞,既能剔除背景差异噪声引起的误检小黑点,又能完整保留心形工件等自带真实孔洞的结构特征。边缘毛刺的剪枝使得候选掩码边界更加平滑、更贴近工件的真实物理边界。这一修复策略使得候选掩码从粗略识别结果提升为高质量目标区域,为后续的精确配准提供了可靠的输入基础。
84、三、针对透明或低对比工件的边缘识别问题
85、本发明针对透明或低对比凸多边形工件提出了专门的几何约束重建方案。该方法不依赖颜色或灰度差异来识别边缘,而是直接利用凸多边形工件边缘由多条直线段组成、相邻边相交于顶点的几何特性进行轮廓重建,从根本上绕开了透明边缘颜色相近的物理瓶颈。从实测数据来看,透明六边形工件流程的最小finaliou达到0.9887,证明了该方案对透明工件具有较高的识别和配准精度。这使得本发明能够适用于亚克力、透明塑料、玻璃等低对比度材质的异形打印场景,显著拓宽了适用范围。
86、四、针对工件多种摆放姿态的配准问题
87、本发明通过三级配准架构全面覆盖了实际生产中可能遇到的各种摆放姿态。全局搜索在较大范围内找到最优初始变换参数,避免陷入局部最优;镜像fallback专门应对工件翻面或镜像放置的场景;局部精配准则通过迭代微调或分片映射消除制造公差、放置变形或图像采集带来的局部轮廓偏差。三级配准逐级精化,使得模板轮廓与目标轮廓的贴合程度远超单纯刚性配准。从实测数据来看,心形工件流程的最小finaliou达到0.9948,大幅提高了贴图精度,同时支持多个同形工件以不同位置、角度和镜像状态随机摆放的生产方式,显著减少了对治具的依赖。
88、五、针对打印质量控制与生产安全保障问题
89、本发明构建了三重质量评价闭环体系。finaliou直接反映输出结果的打印覆盖质量,regiou评价配准算法自身的精度,rawiou有助于诊断初始候选掩码的质量问题出在哪个环节。三个指标从输出结果、配准过程和输入质量三个层面形成完整的安全保障链路。通过设置质量阈值,系统可在一键自动化运行中对任何不达标的区域自动报警并阻止打印,有效降低了错印风险,减少了材料浪费,为工业级批量生产提供了可靠的质量保障。
90、综上所述,本发明通过多源信息融合生成候选掩码→模板先验约束与掩码修复→三级轮廓配准→三重iou质量闭环评价的技术路径,在宽幅异形打印场景中实现了以下综合效果:
91、高精度:多数场景finaliou达到约0.99,配准轮廓与目标工件轮廓高度贴合;
92、高自动化:无需人工框选工件或手动调整贴图位置,支持一键自动化运行;
93、强鲁棒性:能适应复杂台面、喷墨痕迹、阴影、反光、透明或低对比工件以及多个同形工件不同角度摆放的场景;
94、高安全性:三重质量评价指标确保每次打印输出均经过量化检验,不达标自动报警阻止放行;
95、广泛的适用性:既适用于真实相机背景建模流程,也兼容已有掩码输入流程;既能处理心形等带孔洞工件,也能处理透明六边形等低对比度凸多边形工件。
96、与背景技术中所述的简单背景差分、mog2、深度学习背景移除和单纯刚性配准方案相比,本发明在配准精度、复杂场景适应性、自动化程度和生产安全保障方面均具有显著优势。
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