[发明专利]一种基于跟踪和自适应图像分割的金属增材制造监测方法

说明书

本发明公开了一种基于跟踪和自适应图像分割的金属增材制造监测方法，利用图像粒子滤波和Mean‑shift算法两种算法对图像中跟踪对象进行跟踪，然后将图像粒子滤波跟踪算法中权值与Mean‑shift算法跟踪后每个粒子的PHOG特征进行比较，从而决定是否需要进行Mean‑shift算法重新跟踪，之后对粒子滤波坐标集中各粒子重采样；计算重采样后该定位时刻目标区域内，跟踪对象的坐标集；根据跟踪对象坐标集分割增材过程图像，删掉无用背景，从而为优化分割图像、提升产品质量，分割后的图像可以输入到神经网络模型中进行人工智能识别计算。

技术领域

本发明属于增材制造图像识别跟踪领域，具体涉及一种基于跟踪和自适应图像分割的金属增材制造监测方法。

背景技术

目前金属增材制造方式较多，可分为两类，间接成形与直接成形。等离子定向能量沉积激光熔化是增材制造直接成形的金属粉末快速成型技术的一种方式，其在高质量、复杂精密及个性化定制金属构件整体成形方面有着巨大的优势。而等离子定向能量沉积激光熔化其成形零件易出现球化、孔隙和未熔合等缺陷由成形具有工艺参数多样化和制造过程复杂化的特点导致，复杂的导热过程伴随着飞溅现象也会严重影响成形零件的质量从而对后续工艺产生不利影响。因此对各时刻金属增材制造指标如熔池形貌、溅射形貌、电弧形貌的监测尤为重要。

目前用深度可分离卷积搭建神经网络提取其深层特征与浅层特征来处理和监控各时刻金属增材制造指标如熔池形貌、溅射形貌、电弧形貌。而在高速摄像机拍照获取图片时，存在较多信息重合的图片，且其采集图片特性和检测指标本身较小，导致每张图片无效范围较大，对提取指标有很大干扰。同时为了满足处理速度较快，一种基于跟踪和自适应图像分割的金属增材制造监测方法可以较好满足其要求，对于金属增材制造的发展具有重要意义。

发明内容

针对上述问题，本发明提供了一种基于跟踪和自适应图像分割的金属增材制造监测方法，利用图像粒子滤波和Mean-shift算法两种算法对图像中跟踪对象进行跟踪，然后将图像粒子滤波跟踪算法中权值与Mean-shift算法跟踪后每个粒子的PHOG特征进行比较，从而决定是否需要进行Mean-shift算法重新跟踪，之后对粒子滤波坐标集中各粒子重采样；计算重采样后该定位时刻目标区域内，跟踪对象的坐标集；根据跟踪对象坐标集分割增材过程图像，删掉无用背景，从而为优化分割图像、提升产品质量，分割后的图像可以输入到神经网络模型中进行人工智能识别计算。

为了解决上述技术问题，本发明采用的技术方案如下：

一种基于跟踪和自适应图像分割的金属增材制造监测方法，其特征在于，包括以下步骤：

步骤1，图像采集：采用图像采集装置采集增材过程图像，所述增材过程图像包含若干需要跟踪的对象；

步骤2，图像预处理，对所有增材过程图像进行对比度等变换，并将所述增材过程图像的每个像素RGB进行随机扰动的椒盐、高斯噪声去除；

步骤3、对预处理后的图像进行间隔抽样，将抽样得到的增材过程图像组成图像样本集；

步骤4、按照时间顺序读取步骤3得到图像样本集中的增材过程图像，该图像时刻顺序记为k，选取一个跟踪对象，创建目标区域并做标记，所述目标区域为以跟踪对象为中心的矩形框；

步骤5、图像粒子滤波初始化，在目标区域随机生成用于粒子滤波的N个初始粒子；

步骤6、对目标区域进行粒子滤波跟踪，计算第k定位时刻粒子滤波的坐标集中各粒子坐标；

步骤7、根据步骤6中得到第k时刻的粒子坐标，计算粒子滤波的坐标集中各粒子权值；

步骤8、在执行步骤7的同时对步骤5中初始化后的目标区域进行Mean-shift算法跟踪；

步骤9、在Mean-shift算法跟踪后，提取目标区域的每个粒子的PHOG特征；