本发明涉及核燃料制造技术领域,具体涉及一种定长切削变径管材的方法。
背景技术:
在压水堆燃料组件中、变径导向管起着整个组件定位与支撑以及相关组件导向作用。变径大端长度尺寸的控制对端塞焊接与整个格架制造精度具有重要现实意义。
目前,现有方式是:人工比对划线,然后人工针对划线对变径管大端需切除尺寸进行分级,不断改变机床定位端位置即切刀、再对靠近变径段管端的余料进行切削定长。
由于采用人工划线、在比对切断靠近变径段一端的管料时,定长的起始基准不能精确定位,导致变径端某尺寸定长误差偏大、从而较多的变径导向管因尺寸超差而报废,因此人工方式逐支划线定长切削效率太低,且误差偏大。
技术实现要素:
针对上述现有技术,本发明要提供一种定长切削变径管材的方法,用以解决压水堆燃料组件变径导向管中变径段准确定位切削问题。
为了解决上述技术问题,本发明一种定长切削变径管材的方法,将变径管被送入切削等待区后,通过视觉识别系统计算变径管的变径点,并将变径点位置信息传输给切削机床,切削机床依据获得的变径点位置信息,完成变径管的切削加工。
进一步,所述变径管的变径点的计算过程包括以下步骤:
步骤一、变径管轮廓提取,得到变径管的上下边缘;
步骤二、计算变径管中心线;
获取变径管的上、下边缘点的中点的点集,根据点集拟合中心线,归一化得到中心线的方向向量;
步骤三、计算变径点:
(1)计算变径管的粗径和细径的直径;
假设粗径的直径为D,细径直径为d,计算变径管某边缘点p(x,y)到拟合中心线的距离为dis,如果满足则判断p(x,y)是粗径的边缘点,如果则判断p(x,y)是细径的边缘点;
计算所有边缘点,根据粗径的点集求出粗径值,细径的点集求出细径值;
(2)计算变径点;
假设上边缘点p1和下边缘点p2之间的距离为dis2,dis2满足设置的阈值T,且p1与p2所确定的直线与拟合中心线垂直,且点p1更靠近粗径端,则p1与p2的中点p为所求的变径点。
进一步,所述步骤一包括以下步骤:
(1)图像灰度化:
坐标为(i,j)的彩色像素点,R(i,j)为红色分量,G(i,j)为绿色分量,B(i,j)为蓝色分量,f(i,j)为灰度值,将彩色像素点的三个分量分别以不同的权值进行加权平均,如公式(1)所示;
f(i,j)=0.3·R(i,j)+0.59·G(i,j)+0.11·B(i,j) (1)
(2)轮廓提取:
首先去噪声;
用一个模板扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值;
离散化的二维高斯函数如公式(2)所示:
式中:σ代表高斯滤波的平滑程度,π、e为常量,x、y代表当前像素点与中心像素点的距离,K代表当前像素点的权值;
其次,寻找图像中的亮度梯度;
图像中的边缘方向,如式(3)所示:
原始图像f分别与模板Sx和模板Sy卷积,检测水平和垂直的边缘;
假设坐标为(i,j)的点的灰度值为f(i,j),则点(i,j)与模板Sx卷积的结果为P(i,j),其数学表达式如(4)所示;
同理,点(i,j)与模板Sy卷积的结果为Q(i,j),其数学表达式如(5)所示;然后,根据公式(6)及(7),计算图像中每个点的亮度梯度M(i,j)以及亮度梯度方向θ(i,j);
P(i,j)=(f(i,j+1)-f(i,j)+f(i+1,j+1)-f(i+1,j))/2 (4)
Q(i,j)=(f(i,j)-f(i+1,j)+f(i,j+1)-f(i+1,j+1))/2 (5)
θ(i,j)=arctan(Q(i,j)/P(i,j)) (7)
最后,在图像中跟踪边缘;
利用得到的每个像素点的亮度梯度M(i,j)及亮度梯度方向θ(i,j),使用滞后阈值跟踪边缘,得到变径管的上下边缘;
滞后阈值需要两个阈值:高阈值Thigh与低阈值Tlow;
假设某像素点(i,j)的亮度梯度为M(i,j),如果满足M(i,j)>Thigh,则判断点(i,j)为边缘点;
如果满足M(i,j)<Tlow,则判断点(i,j)一定不是边缘点;
如果满足Tlow≤M(i,j)≤Thigh,则判断点(i,j)有可能是边缘点,此时,如果点(i,j)与某个强边缘点是8连通的,则判断点(i,j)是边缘点,否则不是边缘点;
重复判断过程,遍历图像所有像素点,得到变径管的上下边缘点。
本发明实施例提供的技术方案带来的有益效果是:
本发明一种定长切削变径管材的方法,对变径导向管(棒)变径大端各部位长度尺寸具有能自动测量、计算变径部位尺寸、自动送料并自动切削变径端。
附图说明
图1为本发明一种变径管的变径点示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作详细说明。
如图1所示,本发明一种定长切削变径管材的方法,变径管被送入切削等待区后,通过视觉识别系统计算变径管的变径点,并将变径点位置信息传输给切削机床,切削机床依据获得的变径点位置信息,完成变径管的切削加工。
所述变径管的变径点的计算过程包括以下步骤:
步骤一、变径管轮廓提取;
(1)图像灰度化:
对于坐标为(i,j)的彩色像素点,R(i,j)为红色分量,G(i,j)为绿色分量,B(i,j)为蓝色分量,f(i,j)为灰度值,将彩色像素点的三个分量分别以不同的权值进行加权平均,如公式(1)所示;
f(i,j)=0.3·R(i,j)+0.59·G(i,j)+0.11·B(i,j) (1)
(2)轮廓提取:
首先去噪声;
任何边缘检测算法都不可能在未经处理的原始数据上很好地处理,所以第一步是对原始数据与高斯平滑模板作卷积,得到的图像与原始图像相比有些轻微的模糊,这样,单独的一个像素噪声在经过高斯滤波平滑的图像上变得几乎没有影响;
高斯滤波的具体过程为:用一个模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值;
离散化的二维高斯函数如公式(2)所示:
式中:σ代表高斯滤波的平滑程度,π、e为常量,x、y代表当前像素点与中心像素点的距离,K代表当前像素点的权值;
其次,寻找图像中的亮度梯度;
图像中的边缘可能会指向不同的方向,如式(3)所示:
原始图像f分别与模板Sx和模板Sy卷积,检测水平和垂直的边缘;
假设坐标为(i,j)的点的灰度值为f(i,j),则点(i,j)与模板Sx卷积的结果为P(i,j),其数学表达式如(4)所示;
同理,点(i,j)与模板Sy卷积的结果为Q(i,j),其数学表达式如(5)所示;然后,根据公式(6)及(7),计算图像中每个点的亮度梯度M(i,j)以及亮度梯度方向θ(i,j);
P(i,j)=(f(i,j+1)-f(i,j)+f(i+1,j+1)-f(i+1,j))/2 (4)
Q(i,j)=(f(i,j)-f(i+1,j)+f(i,j+1)-f(i+1,j+1))/2 (5)
θ(i,j)=arctan(Q(i,j)/P(i,j)) (7)
最后,在图像中跟踪边缘;
利用得到的每个像素点的亮度梯度M(i,j)及亮度梯度方向θ(i,j),使用滞后阈值跟踪边缘,得到变径管的上下边缘;
滞后阈值需要两个阈值:高阈值Thigh与低阈值Tlow;
假设某像素点(i,j)的亮度梯度为M(i,j),如果满足M(i,j)>Thigh,则判断点(i,j)为边缘点;
如果满足M(i,j)<Tlow,则判断点(i,j)一定不是边缘点;
如果满足Tlow≤M(i,j)≤Thigh,则判断点(i,j)有可能是边缘点,此时,如果点(i,j)与某个强边缘点是8连通的,则判断点(i,j)是边缘点,否则不是边缘点;
重复上述判断过程,遍历图像所有像素点,得到变径管的上下边缘点;
步骤二、计算变径管中心线;
获取变径管的上、下边缘点的中点的点集,根据点集拟合中心线,归一化得到中心线的方向向量;
步骤三、计算变径点:
(1)计算变径管的粗径和细径的直径;
假设粗径的直径为D,细径直径为d,计算变径管某边缘点p(x,y)到拟合中心线的距离为dis,如果满足则判断p(x,y)是粗径的边缘点,如果则判断p(x,y)是细径的边缘点;
计算所有边缘点,根据粗径的点集求出粗径值,细径的点集求出细径值;
(2)计算变径点;
假设上边缘点p1和下边缘点p2之间的距离为dis2,dis2满足设置的阈值T,且p1与p2所确定的直线与拟合中心线垂直,且点p1更靠近粗径端,则p1与p2的中点p为所求的变径点。