(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210851986.8 (22)申请日 2022.07.19 (71)申请人 河南牧业经济学院 地址 450000 河南省郑州市郑东 新区龙子 湖高校园区龙子湖北路6号 (72)发明人 牧笛　 (74)专利代理 机构 郑州芝麻知识产权代理事务 所(普通合伙) 41173 专利代理师 张丹丹 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/13(2017.01) G06V 10/74(2022.01) (54)发明名称 基于图像处理的机械零件毛刺检测方法及 系统 (57)摘要 本发明涉及人工智能技术领域， 具体涉及一 种基于图像处理的机械零件毛刺检测方法及系 统， 包括： 获取待检测零件的表面图像， 进而确定 其实际边缘图像； 获取实际边缘图像中各个边缘 像素点的预设领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 子， 从而确定各个边缘像素点中的各个非毛刺边 缘像素点以及其对应的特征描述子， 最终确定各 个边缘像素点的为毛刺的概率； 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， 获取待检测零件不存在毛刺的理想边缘图 像， 进而确定待检测零件的毛刺检测结果。 本发 明不仅提高机械零件毛刺的检测效率， 而且有利 于提高毛刺检测的精准度， 节约人工成本 。 权利要求书2页 说明书9页 附图1页 CN 115239661 A 2022.10.25 CN 115239661 A 1.一种基于图像处 理的机械零件毛刺检测方法， 其特 征在于， 包括以下步骤： 获取待检测零件的表面图像， 进 而确定待检测零件的实际边 缘图像； 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领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领域内的各边缘像素点的数目以及灰度， 获取 实际边缘图像中各个边 缘像素点的特 征描述子； 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的各个边 缘像素点中的各个非毛刺边缘像素点以及其对应的特征描述子， 进而确定实际边缘图像中 的各个边 缘像素点的为毛刺的概 率； 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， 获取待检测零件不 存在毛刺的理想边 缘图像； 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边缘图像， 确定待 检测零件的毛刺检测结果。 2.根据权利要求1所述的基于图像处理 的机械零件毛刺检测方法， 其特征在于， 获取待 检测零件不存在毛刺的理想边 缘图像的步骤 包括： 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缘像素点的 实际坐标； 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类， 从而获取 各个密集区域； 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 点对应的实际横坐标， 获取 各个密集区域内的各个毛刺像素点对应的理想坐标； 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 坐标， 获取 各个密集区域对应的理想边 缘； 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 际坐标和为毛刺的概 率， 确定待检测零件不存在毛刺的理想边 缘图像。 3.根据权利要求2所述的基于图像处理 的机械零件毛刺检测方法， 其特征在于， 确定待 检测零件不存在毛刺的理想边 缘图像的步骤 包括： 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 点， 并根据该理想边缘和最近的不在各个密集区域内的边缘像素点的实际横坐标， 确定该 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； 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坐标， 对密集 区域对应的理想边缘进行更新， 得到更新后的密集区域对应的理想边缘， 确定更新后的密 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点， 并重复上 述步骤， 直至不在各个密集区域内的所有边 缘像素点的理想纵坐标均被确定 。 4.根据权利要求3所述的基于图像处理 的机械零件毛刺检测方法， 其特征在于， 确定最 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算公式如下： 权　利　要　求　书 1/2 页 2 CN 115239661 A 2其中， 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对应的理想纵坐 标， p(xk,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的实际横坐标。 5.根据权利要求1所述的基于图像处理 的机械零件毛刺检测方法， 其特征在于， 获取各 个边缘像素点特 征描述子的步骤 包括： 计算各个边缘像素点的预设领域内的各边缘像素点的灰度梯度， 根据 各个边缘像素点 的预设领域内的各边 缘像素点的灰度梯度， 确定各个边 缘像素点的灰度梯度变化特 征； 根据各个边缘像素点的预设领域内的各边缘像素点的数目以及各个边缘像素点的灰 度梯度变化特 征， 获取各个边缘像素点的特 征描述子 。 6.根据权利要求5所述的基于图像处理 的机械零件毛刺检测方法， 其特征在于， 计算各 个边缘像素的灰度梯度变化特 征的步骤 包括： 获取边缘像素点的预设领域内的两两相邻的边缘像素点的梯度 单位向量， 进而获取该 边缘像素点的预设领域内的两 两相邻的边 缘像素点的梯度单位向量的余弦相似度； 根据该边缘像素点的预设领域内的两两相邻的边缘像素点的梯度单位向量的余弦相 似度， 确定该边缘像素点在预设领域内的梯度单位向量的变化序列， 进而获取该边缘像素 点的自相关矩阵； 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特 征。 7.根据权利要求5所述的基于图像处理 的机械零件毛刺检测方法， 其特征在于， 确定各 个边缘像素点存在毛刺的概 率的步骤 包括： 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 似度， 将两者的相似度作为对应边 缘像素点的为毛刺的概 率。 8.根据权利要求7所述的基于图像处理 的机械零件毛刺检测方法， 其特征在于， 计算各 个边缘像素点的为毛刺的概 率的计算公式如下： 其中， p(x,y)为边缘像素点(x,y)的为毛刺的概率， N(x,y)为边缘像素点(x,y)的预设领 域内的各边缘像素点的数目， N0为非毛刺的像素点的预设领域内的各边缘像素点的数目， T(x,y)为边缘像素点(x,y)的灰度梯度变化特 征， T0为非毛刺的像素点的灰度梯度变化特 征。 9.根据权利要求1所述的基于图像处理 的机械零件毛刺检测方法， 其特征在于， 获取待 检测零件的毛刺检测结果的步骤 包括： 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 操作， 获取两张边 缘图像对应的对比图， 根据对比图获取待检测零件的毛刺区域。 10.一种基于 图像处理的机械零件毛刺检测系统， 其特征在于， 包括处理器和存储器， 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 基于图像处 理的机械零件毛刺检测方法。权　利　要　求　书 2/2 页 3 CN 115239661 A 3