CN109816648B - 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法 - Google Patents
基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法 Download PDFInfo
- Publication number
- CN109816648B CN109816648B CN201910063580.1A CN201910063580A CN109816648B CN 109816648 B CN109816648 B CN 109816648B CN 201910063580 A CN201910063580 A CN 201910063580A CN 109816648 B CN109816648 B CN 109816648B
- Authority
- CN
- China
- Prior art keywords
- image
- template
- hole
- binary image
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Injection Moulding Of Plastics Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法。采集有缺陷的注塑制品样本图像,提取前景灰度图像,采用分解低秩矩阵的方法从多个前景灰度图像中获取模板图像,基于轮廓提取模板图像与样本图像的孔洞区域,并基于位置相似性匹配模板和样本的孔洞区域;构建模板和样本图像对应的孔洞区域角度特征描述子,计算相似度确定是否存在飞边缺陷。本发明不需要事先获取无缺陷的产品,不受拍摄时的微小偏移影响,受图像亮度不均匀、噪声等影响小,检测鲁棒性高。
Description
技术领域
本发明属于注塑制品的缺陷检测领域,具体涉及了一种基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法。
背景技术
注塑成型通过注塑机和模具来实现,将热塑性塑料或热固性塑料注入模具制成各种具有高精度和复杂型腔形状的制件。注塑制品的质量检测是注塑成型的关键环节,可作为注塑机参数调控的重要依据。注塑制品的缺陷包括填充不足、飞边、气泡、流线等。其中飞边是由于熔融的塑料从模腔中溢出形成的缺陷,外边界轮廓上的飞边可以通过后期处理去除,但内部轮廓边界的飞边却难以后期消除,因此,如何检测并识别内部轮廓边界飞边缺陷十分重要。
目前,大多数注塑制品的质量检测还停留在人工检测的阶段。人工检测的方式能够快速适应产品生产线的变化,但依旧存在以下很多问题:检测结果容易受质检员主观判断影响,难以实现缺陷的数字量化,效率低,难以实现实时检测反馈等。
将图像处理的方法用于检测注塑制品的缺陷可以大大提高生产效率、降低生产成本,同时满足自动化生产的要求。目前利用图像处理检测制品缺陷的方法主要是借助模板图像的检测方法,一般采用单张无缺陷的模板图像与有缺陷的实际图像进行对比检测缺陷,然而获取单张无缺陷的模板图像需要先获取无缺陷的制品,且对图像获取的环境要求较高,虽然在能够获得优秀模板图像的前提下有精确的检测结果,但要获得优秀模板十分困难。本发明借助多模板进行缺陷检测,多张模板图像可以存在不同的缺陷,因此不需要先获取无缺陷的制品,且对图像获取的环境要求较低。
发明内容
本发明的目的是克服现有技术的不足,提供一种基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法。
本发明的技术方案包括如下几个步骤:
步骤1:采集在背景图像下且具有飞边缺陷的多个注塑制品图像作为样本图像,将多个样本图像转化为初始灰度图像,再利用背景相减法获得多个样本二值图像并进行优化;
步骤2:根据初始灰度图像和样本二值图像获得前景灰度图像,将所有的前景灰度图像列向量化再合并构成多列矩阵D,将多列矩阵D分解为低秩矩阵和稀疏矩阵,求解低秩矩阵从而获得模板灰度图像;
步骤3:根据模板灰度图像得到模板二值图像,提取模板二值图像和多个样本二值图像中的孔洞区域,采用基于位置相似性的区域匹配方法判断每个样本二值图像中的孔洞区域是否与模板二值图像的孔洞区域匹配,若匹配,进入下一步骤,若不匹配,认为不匹配的孔洞区域处存在飞边缺陷;
步骤4:构建模板二值图像和多个样本二值图像中的每个孔洞区域的角度特征描述子,计算每个样本二值图像的每个孔洞区域的角度特征描述子与通过步骤3判断为相匹配的模板二值图像中的孔洞区域的角度特征描述子之间的相似度;
步骤5:绘制ROC曲线,确定缺陷检测阈值;具体是:获取各个样本图像的孔洞区域是否存在飞边缺陷的真实结果数据,并根据步骤4计算获得的相似度作为预测数据,基于真实结果数据和预测数据得到真正例率TPR和假正例率FPR,从而绘制ROC曲线;取ROC曲线上最靠近坐标(0,1)的点所对应的相似度作为在线检测时的缺陷检测阈值;
步骤6:采集待测注塑制品件的图像,先按照上述步骤1、3、4对待测注塑制品件的各个孔洞区域是否存在飞边缺陷进行初步判断,再根据步骤5得到的缺陷检测阈值对初步检测为不存在飞边缺陷的孔洞区域做进一步判断,通过两步判断的识别结果得到测注塑制品件的所有存在飞边缺陷的孔洞区域。
所述步骤1具体包括:
1.1)选择与注塑制品颜色相差较大的背景,采集无注塑制品的背景图像并转化为背景灰度图像,再采集在背景图像下且具有飞边缺陷的多个注塑制品图像作为样本图像,将多个样本图像转化为对应的初始灰度图像,将各个样本的灰度图像分别减去背景灰度图像,得到多个样本的样本二值图像;
1.2)对各个样本的前景二值图像先进行形态学腐蚀运算,再进行形态学膨胀运算,即实现形态学开运算,消除局部高亮度的区域;
1.3)在形态学开运算之后,对开运算结果先进行形态学膨胀运算,再进行形态学腐蚀运算,即实现形态学闭运算,消除局部低亮度的区域,从而获得优化后的多个样本二值图像。
所述步骤2具体包括:
2.1)将步骤1优化后的样本二值图像作为图像掩模与各个样本的初始灰度图像相乘,即对应位置上的像素点相乘,获得各个样本的前景灰度图像;
2.2)将各个样本的前景灰度图像分别进行列向量化,将列向量化后的所有前景灰度图像合并构成一个多列矩阵D,将多列矩阵D分解为低秩矩阵为A和稀疏矩阵E,具体公式下:
A+E=D
将低秩矩阵A的求解转换为优化问题,优化方程为:
其中,λ表示标量参数,rank(A)表示低秩矩阵A的秩,s.t.表示满足条件,min表示最小化函数,‖·‖0表示L0范数运算;
利用凸松弛将优化问题转化为凸优化问题,再利用増广拉格朗日乘子法迭代求解得到低秩矩阵A;
将低秩矩阵A的每一列向量均进行逆向恢复得到与各个前景灰度图像的尺寸相同的恢复图像,指定任意一张恢复图像作为无缺陷的模板灰度图像。
步骤3的具体包括:
3.1)采用阈值法获得模板灰度图像的模板二值图像;
3.2)采用基于轮廓的区域提取方法提取模板二值图像和多个样本二值图像中的所有轮廓上的像素点的坐标;
3.3)遍历各个轮廓上的像素点的坐标,并根据处于各个轮廓上最顶端、最底端、最左端和最右端的四个像素点的坐标建立各个轮廓的外接矩形区域,计算出每个外接矩形区域的面积,去除面积最大的两个外接矩形区域,进而筛选得到的矩形区域均为感兴趣区域(注塑制品的孔洞区域),即得到模板二值图像和模板二值图像的孔洞区域;
3.4)遍历模板二值图像的孔洞区域,采用基于位置相似性的区域匹配方法在判断每个样本二值图像中的孔洞区域是否与模板二值图像的孔洞区域匹配,具体是:分别计算样本二值图像的每个孔洞区域中心坐标与模板二值图像对应的孔洞区域中心坐标之间的距离,若距离小于模板二值图像对应的孔洞区域外接圆半径,则判断样本二值图像与模板二值图像的孔洞区域匹配,若距离不小于模板二值图像对应的孔洞区域外接圆半径,则判断样本二值图像与模板二值图像的孔洞区域不匹配。
所述步骤4的过程包括:
4.1)遍历模板二值图像和多个样本二值图像上的所有孔洞区域,绘制角度距离直方图,直方图的横坐标表示轮廓上每个像素点的坐标的法向量方向,直方图的纵坐标表示每个法向量区间内的所有像素点的坐标到孔洞区域中心坐标的距离之和;
4.2)根据角度距离直方图得到每个孔洞区域的角度特征描述子;
4.3)遍历多个样本二值图像的孔洞区域,计算样本二值图像的每个孔洞区域的角度特征描述子与通过步骤3.4)判断为相匹配的模板二值图像中的孔洞区域的角度特征描述子的相似度;
所述步骤6具体包括:
6.1)采集待测注塑制品件的图像作为待测图像,按照步骤1获得待测图像的待测二值图像,按照步骤3确定待测二值图像上是否存在与模板二值图像相匹配的孔洞区域;
6.2)若待测二值图像不存在与模板二值图像相匹配的孔洞区域,则认为该孔洞区域处存在飞边缺陷;若待测二值图像上存在与模板的孔洞区域匹配的孔洞区域,按照步骤4构建该孔洞区域的角度特征描述子,并计算该角度特征描述子与相匹配的模板二值图像孔洞区域的角度特征描述子的相似度,采用阈值法并根据步骤5得到的缺陷检测阈值进一步判断该孔洞区域是否存在飞边缺陷,具体是:若相似度小于缺陷检测阈值,认为该孔洞区域不存在飞边缺陷;若相似度大于缺陷检测阈值,认为该孔洞区域存在飞边缺陷。
本发明主要分为两个阶段,离线训练阶段和在线测试阶段。离线训练阶段通过矩阵分解,提取出低秩矩阵,由样本图像集中求出无缺陷的模板图像,然后由图像处理方法获取无缺陷模板图像和样本图像的特征描述子。在线测试阶段通过同样的图像处理方法获取待测注塑制品的特征描述子,阈值法判断待测件是否存在缺陷,同时输出数值结果,为优化注塑成型工艺参数提供可靠的依据。
本发明不需要通过拍摄无缺陷的制品获得模板,因此不需要事先获取无缺陷的制品;由于不通过背景相减法求缺陷,拍摄制品时,允许待测制品微小的位置差异,对图像获取环境要求低;方法受图像亮度不均匀、噪声等影响小,缺陷检测可靠性高。
本发明的有益效果主要表现在:
1)采用低秩矩阵分解多模板方法,而是由多个样本图像直接创建无缺陷的模板图像,因此不需要事先获取无缺陷的制品;
2)计算模板和待测件的孔洞区域之间的相对位置,用基于位置相似性的区域匹配方法进行模板和待测件的孔洞区域的匹配,通过评估待测件中各个孔洞区域的特征确定待测件的缺陷,不通过直接背景相减法求缺陷,消除了待测件在拍摄时的微小偏移造成的影响;
3)提取的孔洞区域特征为区域角度特征描述子,该特征为形状特征,受图像亮度不均匀、噪声等影响小,检测鲁棒性高。
附图说明
图1是本发明的方法流程图。
图2是本发明实施例的识别结果示意图。
具体实施方式
下面利用附图和实施例对本发明基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法作进一步说明。
如图1所示,实线流程表示离线训练阶段,虚线流程为在线测试阶段,本发明主要包括以下几个步骤:
步骤1:采集在背景图像下且具有飞边缺陷的多个注塑制品图像作为样本图像,将多个样本图像转化为对应的初始灰度图像,再利用背景相减法获得多个样本二值图像并进行优化。所述步骤1具体包括:
1.1)选择与注塑制品颜色相差较大的背景,采集无注塑制品的背景图像并转化为背景灰度图像,再采集在背景图像下且具有飞边缺陷的多个注塑制品图像作为样本图像,将多个样本图像转化为对应的初始灰度图像,将各个样本的灰度图像分别减去背景灰度图像,得到多个样本的样本二值图像。
1.2)对各个样本的前景二值图像先进行形态学腐蚀运算,再进行形态学膨胀运算,即实现形态学开运算,消除局部高亮度的区域。
1.3)在形态学开运算之后,对开运算结果先进行形态学膨胀运算,再进行形态学腐蚀运算,即实现形态学闭运算,消除局部低亮度的区域,从而获得优化后的多个样本二值图像。
步骤2:根据初始灰度图像和样本二值图像获得前景灰度图像,将所有的前景灰度图像列向量化再合并构成多列矩阵D,将多列矩阵D分解为低秩矩阵和稀疏矩阵,求解低秩矩阵从而获得模板灰度图像。
所述步骤2具体包括:
2.1)将步骤1.3)优化后的样本二值图像作为图像掩模与将各个样本的初始灰度图像相乘,即对应位置上的像素点相乘,获得各个样本的前景灰度图像;
2.2)将各个样本的前景灰度图像分别进行列向量化,将列向量化后的所有前景灰度图像合并构成一个多列矩阵D,将多列矩阵D分解为低秩矩阵为A和稀疏矩阵E,具体公式下:
A+E=D
将低秩矩阵A的求解转换为优化问题,优化方程为:
其中,λ表示一个权衡的标量参数,rank(A)表示低秩矩阵A的秩,s.t.表示满足条件,min表示最小化函数,‖·‖0表示L0范数运算,L0范数用于计算矩阵E中非零元素的个数。
由于求解低秩矩阵A的秩和求L0范数非凸,利用凸松弛后将优化问题转化为凸优化问题,即用核范数代替秩,用L1范数代替L0范数,再利用LRSLibrary工具箱中的増广拉格朗日乘子法迭代求解得到低秩矩阵A。
将低秩矩阵A的每一列向量均进行逆向恢复得到与各个样本图像的前景灰度图像的尺寸相同的恢复图像,多张恢复图像之间差异小,均可以作为无缺陷的模板图像,因此指定任意一张恢复图像作为无缺陷的模板灰度图像。
步骤3:根据模板灰度图像得到模板二值图像,提取模板二值图像和多个样本二值图像中的孔洞区域,采用基于位置相似性的区域匹配方法判断每个样本二值图像中的孔洞区域是否与模板二值图像的孔洞区域匹配,若匹配,进入下一步骤,若不匹配,认为不匹配的孔洞区域处存在飞边缺陷。
步骤3的具体包括:
3.1)采用阈值法获得模板灰度图像的模板二值图像;
3.2)用opencv中的findContours()函数,采用基于轮廓的区域提取方法提取模板二值图像和多个样本二值图像中的所有轮廓上的像素点的坐标;
3.3)遍历各个轮廓上的像素点的坐标,并根据处于各个轮廓上最顶端、最底端、最左端和最右端的四个像素点的坐标建立各个轮廓的外接矩形区域,计算出每个外接矩形区域的面积,并计算出每个外接矩形区域的面积,去除面积最大的两个外接矩形区域(即去除背景图像外轮廓和注塑制品图像外轮廓所在的两个外接矩形区域),进而筛选得到的矩形区域均为感兴趣区域(注塑制品的孔洞区域),即得到模板二值图像和模板二值图像的孔洞区域;
3.4)遍历模板二值图像的孔洞区域,采用基于位置相似性的区域匹配方法在判断每个样本二值图像中的孔洞区域是否与模板二值图像的孔洞区域匹配,具体是:分别计算样本二值图像的每个孔洞区域中心坐标与模板二值图像对应的孔洞区域中心坐标之间的距离,若距离小于模板二值图像对应的孔洞区域外接圆半径,则判断样本二值图像与模板二值图像的孔洞区域匹配,若距离不小于模板二值图像对应的孔洞区域外接圆半径,则判断样本二值图像与模板二值图像的孔洞区域不匹配。
步骤4:构建模板二值图像和多个样本二值图像中的每个孔洞区域的角度特征描述子,计算每个样本二值图像的每个孔洞区域的角度特征描述子与通过步骤3判断为相匹配的模板二值图像中的孔洞区域的角度特征描述子的相似度。
所述步骤4的过程包括:
4.1)遍历模板二值图像和多个样本二值图像上的所有孔洞区域,绘制角度距离直方图;直方图的横坐标表示轮廓上每个像素点的坐标的法向量方向,直方图的纵坐标表示每个法向量区间内的所有像素点的坐标到孔洞区域中心坐标的距离之和。法向量方向确定是根据在二值图像中坐标确定的,确定法向量的区间组数以划分组距,具体实施中,组数为18,组距为10度;
4.2)根据角度距离直方图得到每个孔洞区域的角度特征描述子:具体是将直方图中相同区间数据串联,即获得每个孔洞区域的角度特征描述子;
4.3)遍历多个样本二值图像的孔洞区域,计算样本二值图像的每个孔洞区域的角度特征描述子与通过步骤3.4)判断为相匹配的模板二值图像中的孔洞区域的角度特征描述子的相似度,具体实施中,相似度可以采用欧式距离计算。
步骤5:绘制ROC曲线,确定缺陷检测阈值;具体是通过人工确定各个样本图像的孔洞区域是否有飞边缺陷,绘制ROC曲线,取ROC曲线上最靠近绘制平面坐标(0,1)的点对应的相似度作为在线检测时的缺陷检测阈值。
步骤1到步骤5作为起始的离线训练阶段,离线训练阶段主要通过矩阵分解,提取出低秩矩阵,由样本图像集中求出无缺陷的模板图像,然后由图像处理方法获取无缺陷模板图像和样本图像的特征描述子。
步骤6为在线检测阶段,采集待测注塑制品件的图像,按照上述步骤1、3、4对待测注塑制品件的各个孔洞区域是否存在飞边缺陷进行初步判断,再根据步骤5得到的缺陷检测阈值对初步检测为不存在飞边缺陷的孔洞区域做进一步判断,通过两步判断的识别结果得到测注塑制品件的所有存在飞边缺陷的孔洞区域。步骤6具体包括:
6.1)采集待测注塑制品件的待测图像,按照步骤1获得待测图像的待测二值图像,按照步骤3确定待测二值图像上是否存在与模板二值图像相匹配的孔洞区域;
6.2)若待测二值图像不存在与模板二值图像相匹配的孔洞区域,则认为该孔洞区域处存在飞边缺陷;若待测二值图像上存在与模板的孔洞区域匹配的孔洞区域,按照步骤4构建该孔洞区域的角度特征描述子,并计算该角度特征描述子与相匹配的模板二值图像孔洞区域的角度特征描述子的相似度,采用阈值法并根据步骤5得到的缺陷检测阈值进一步判断该孔洞区域是否存在飞边缺陷,具体是:若相似度小于缺陷检测阈值,认为该孔洞区域不存在飞边缺陷;若相似度大于缺陷检测阈值,认为该孔洞区域存在飞边缺陷。
步骤6.2)采用阈值法并根据步骤5得到的缺陷检测阈值可以确定出飞边缺陷的位置,将待测图像中识别出的存在飞边缺陷的孔洞区域,与模板图像上对应位置的孔洞区域进行比较,即可确定飞边缺陷的具体形状以及大小,从而可以确定该处飞边缺陷的严重程度。
如图2所示,本发明的一个具体实施例如下:图2(a)为根据多个样本图像获得的模板图像,图2(b)为待测注塑制品件的图像,图2(b)采用本发明方法对存在的飞边缺陷的识别结果如图2(c)所示,检测结果其中黑色椭圆圈出的孔洞区域处存在飞边缺陷。由实施例的结果可见,相较于目前技术中只能对于某一特定形状的缺陷识别方法,如通过阈值分割及形状、位置、宽度、对比度等特征进行缺陷识别,本发明可以识别出不同严重程度的飞边缺陷,且准确率较高,适用于复杂注塑制品的不同飞边缺陷程度的识别,实现了在无模板图像的情况下对于复杂注塑制品的飞边缺陷识别。
Claims (5)
1.一种基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法,其特征在于包括以下步骤:
步骤1:采集在背景图像下且具有飞边缺陷的多个注塑制品图像作为样本图像,将多个样本图像转化为初始灰度图像,再利用背景相减法获得多个样本二值图像并进行优化;
步骤2:根据初始灰度图像和优化后的样本二值图像获得前景灰度图像,将所有的前景灰度图像列向量化再合并构成多列矩阵D,将多列矩阵D分解为低秩矩阵和稀疏矩阵,求解低秩矩阵从而获得模板灰度图像;
所述步骤2具体包括:
2.1)将步骤1优化后的样本二值图像作为图像掩模与各个样本的初始灰度图像相乘,即对应位置上的像素点相乘,获得各个样本的前景灰度图像;
2.2)将各个样本的前景灰度图像分别进行列向量化,将列向量化后的所有前景灰度图像合并构成一个多列矩阵D,将多列矩阵D分解为低秩矩阵为A和稀疏矩阵E,具体公式下:
A+E=D
将低秩矩阵A的求解转换为优化问题,优化方程为:
其中,λ表示标量参数,rank(A)表示低秩矩阵A的秩,s.t.表示满足条件,min表示最小化函数,‖·‖0表示L0范数运算;
利用凸松弛将优化问题转化为凸优化问题,再利用増广拉格朗日乘子法迭代求解得到低秩矩阵A;
将低秩矩阵A的每一列向量均进行逆向恢复得到与各个前景灰度图像的尺寸相同的恢复图像,指定任意一张恢复图像作为无缺陷的模板灰度图像;
步骤3:根据模板灰度图像得到模板二值图像,提取模板二值图像和多个样本二值图像中的孔洞区域,采用基于位置相似性的区域匹配方法判断每个样本二值图像中的孔洞区域是否与模板二值图像的孔洞区域匹配,若匹配,进入下一步骤,若不匹配,认为不匹配的孔洞区域处存在飞边缺陷;
步骤4:构建模板二值图像和多个样本二值图像中的每个孔洞区域的角度特征描述子,计算每个样本二值图像的每个孔洞区域的角度特征描述子与通过步骤3判断为相匹配的模板二值图像中的孔洞区域的角度特征描述子之间的相似度;
步骤5:绘制ROC曲线,确定缺陷检测阈值;具体是:获取各个样本图像的孔洞区域是否存在飞边缺陷的真实结果数据,并根据步骤4计算获得的相似度作为预测数据,基于真实结果数据和预测数据得到真正例率TPR和假正例率FPR,从而绘制ROC曲线;取ROC曲线上最靠近坐标(0,1)的点所对应的相似度作为在线检测时的缺陷检测阈值;
步骤6:采集待测注塑制品件的图像,先按照上述步骤1-4对待测注塑制品件的各个孔洞区域是否存在飞边缺陷进行初步判断和相似度处理,再根据步骤5得到的缺陷检测阈值对初步检测为不存在飞边缺陷的孔洞区域做进一步判断,通过两步判断的识别结果得到待测注塑制品件的所有存在飞边缺陷的孔洞区域。
2.根据权利要求1所述的一种基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法,其特征在于:所述步骤1具体包括:
1.1)选择与注塑制品颜色相差较大的背景,采集无注塑制品的背景图像并转化为背景灰度图像,再采集在背景图像下且具有飞边缺陷的多个注塑制品图像作为样本图像,将多个样本图像转化为对应的初始灰度图像,将各个样本的灰度图像分别减去背景灰度图像,得到多个样本的样本二值图像;
1.2)对各个样本的样本二值图像先进行形态学腐蚀运算,再进行形态学膨胀运算,即实现形态学开运算,消除局部高亮度的区域;
1.3)在形态学开运算之后,对开运算结果先进行形态学膨胀运算,再进行形态学腐蚀运算,即实现形态学闭运算,消除局部低亮度的区域,从而获得优化后的多个样本二值图像。
3.根据权利要求1所述的一种基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法,其特征在于:步骤3的具体包括:
3.1)采用阈值法获得模板灰度图像的模板二值图像;
3.2)采用基于轮廓的区域提取方法提取模板二值图像和多个样本二值图像中的所有轮廓上的像素点的坐标;
3.3)遍历各个轮廓上的像素点的坐标,并根据处于各个轮廓上最顶端、最底端、最左端和最右端的四个像素点的坐标建立各个轮廓的外接矩形区域,计算出每个外接矩形区域的面积,去除面积最大的两个外接矩形区域,进而筛选得到的矩形区域均为注塑制品的孔洞区域,即得到模板二值图像和模板二值图像的孔洞区域;
3.4)遍历模板二值图像的孔洞区域,采用基于位置相似性的区域匹配方法判断每个样本二值图像中的孔洞区域是否与模板二值图像的孔洞区域匹配,具体是:分别计算样本二值图像的每个孔洞区域中心坐标与模板二值图像对应的孔洞区域中心坐标之间的距离,若距离小于模板二值图像对应的孔洞区域外接圆半径,则判断样本二值图像与模板二值图像的孔洞区域匹配,若距离不小于模板二值图像对应的孔洞区域外接圆半径,则判断样本二值图像与模板二值图像的孔洞区域不匹配。
4.根据权利要求1所述的一种基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法,其特征在于:所述步骤4的过程包括:
4.1)遍历模板二值图像和多个样本二值图像上的所有孔洞区域,绘制角度距离直方图,直方图的横坐标表示轮廓上每个像素点的坐标的法向量方向,直方图的纵坐标表示每个法向量区间内的所有像素点的坐标到孔洞区域中心坐标的距离之和;
4.2)根据角度距离直方图得到每个孔洞区域的角度特征描述子;
4.3)遍历多个样本二值图像的孔洞区域,计算样本二值图像的每个孔洞区域的角度特征描述子与通过步骤3.4)判断为相匹配的模板二值图像中的孔洞区域的角度特征描述子的相似度。
5.根据权利要求1所述的一种基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法,其特征在于:所述步骤6具体包括:
6.1)采集待测注塑制品件的图像作为待测图像,按照步骤1获得待测图像的待测二值图像,按照步骤3确定待测二值图像上是否存在与模板二值图像相匹配的孔洞区域;
6.2)若待测二值图像不存在与模板二值图像相匹配的孔洞区域,则认为该孔洞区域处存在飞边缺陷;若待测二值图像上存在与模板的孔洞区域匹配的孔洞区域,按照步骤4构建该孔洞区域的角度特征描述子,并计算该角度特征描述子与相匹配的模板二值图像孔洞区域的角度特征描述子的相似度,采用阈值法并根据步骤5得到的缺陷检测阈值进一步判断该孔洞区域是否存在飞边缺陷,具体是:若相似度小于缺陷检测阈值,认为该孔洞区域不存在飞边缺陷;若相似度大于缺陷检测阈值,认为该孔洞区域存在飞边缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910063580.1A CN109816648B (zh) | 2019-01-23 | 2019-01-23 | 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910063580.1A CN109816648B (zh) | 2019-01-23 | 2019-01-23 | 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109816648A CN109816648A (zh) | 2019-05-28 |
CN109816648B true CN109816648B (zh) | 2020-11-06 |
Family
ID=66603147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910063580.1A Active CN109816648B (zh) | 2019-01-23 | 2019-01-23 | 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816648B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101411B (zh) * | 2020-08-05 | 2022-08-19 | 复旦大学 | 一种基于模板匹配与分布特征的焊点识别与定位方法 |
CN114147931B (zh) * | 2020-09-07 | 2024-03-29 | 一道新能源科技股份有限公司 | 一种光伏组件用浮体的加工方法 |
CN112084940A (zh) * | 2020-09-08 | 2020-12-15 | 南京和瑞供应链管理有限公司 | 物资盘点管理系统及方法 |
CN112634264B (zh) * | 2020-12-30 | 2024-04-26 | 凌云光技术股份有限公司 | 一种基于前景的缺陷检测方法和系统 |
CN112598088B (zh) * | 2021-03-04 | 2021-06-01 | 常州微亿智造科技有限公司 | 一种工业部件视觉多目标鲁棒模板获取的方法 |
CN114862855B (zh) * | 2022-07-07 | 2022-09-23 | 南通盈赛纺织品有限公司 | 基于模板匹配的纺织品缺陷检测方法及系统 |
CN116681752B (zh) * | 2023-08-03 | 2023-10-27 | 山东墨氪智能科技有限公司 | Dbc焊料层空洞缺陷的空洞率计算方法及装置 |
CN117422714B (zh) * | 2023-12-18 | 2024-03-29 | 大陆汽车电子(济南)有限公司 | 装配检测方法、设备和存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT507939B1 (de) * | 2009-03-10 | 2012-02-15 | Polymer Competence Ct Leoben Gmbh | Verfahren zum automatisierten nachweis eines defektes an einer oberfläche eines formteils |
CN103543201B (zh) * | 2013-10-17 | 2016-01-20 | 清华大学 | 轴类零件径向超声自动探伤缺陷识别方法 |
CN105427300B (zh) * | 2015-12-21 | 2018-08-07 | 复旦大学 | 一种基于低秩表示和学习字典的高光谱图像异常探测方法 |
KR101730133B1 (ko) * | 2015-12-28 | 2017-04-27 | 동명대학교산학협력단 | 사출성형 플라스틱의 검사방법 |
CN105913419B (zh) * | 2016-04-07 | 2018-07-17 | 南京汇川图像视觉技术有限公司 | 基于ICA学习和多通道融合的TFT-LCD mura缺陷检测方法 |
CN106650770B (zh) * | 2016-09-29 | 2019-12-17 | 南京大学 | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 |
CN107886495B (zh) * | 2017-09-30 | 2020-04-14 | 北京得华机器人技术研究院有限公司 | 一种基于相似度匹配的汽车零配件缺陷识别方法 |
CN107886496A (zh) * | 2017-09-30 | 2018-04-06 | 北京得华机器人技术研究院有限公司 | 一种基于形状匹配的汽车零配件的质量检测方法 |
CN108195841A (zh) * | 2017-12-06 | 2018-06-22 | 浙江大学 | 基于gfv-sift特征的振动环境注塑模具异常缺陷检测方法 |
-
2019
- 2019-01-23 CN CN201910063580.1A patent/CN109816648B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109816648A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816648B (zh) | 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法 | |
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
Hassanin et al. | A real-time approach for automatic defect detection from PCBs based on SURF features and morphological operations | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
WO2017181724A1 (zh) | 电子元件漏件检测方法和系统 | |
CN114187289B (zh) | 一种基于计算机视觉的塑料制品缩坑检测方法及系统 | |
CN109255326B (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
Chang et al. | Fabric defect detection based on pattern template correction | |
KR101730133B1 (ko) | 사출성형 플라스틱의 검사방법 | |
Wang et al. | Surface defects detection using non-convex total variation regularized RPCA with kernelization | |
Fekri-Ershad et al. | A robust approach for surface defect detection based on one dimensional local binary patterns | |
Sanghadiya et al. | Surface defect detection in a tile using digital image processing: Analysis and evaluation | |
CN115100214A (zh) | 基于图像处理的纺织品质量检测方法 | |
CN115147363A (zh) | 一种基于深度学习算法的影像缺陷检测和分类方法及系统 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN115471684A (zh) | 注塑工件模板匹配方法、电子设备及存储介质 | |
CN107122783B (zh) | 一种基于角点检测的装配连接件快速识别方法 | |
CN113822836A (zh) | 标记图像的方法 | |
CN114202544A (zh) | 一种基于自编码器的复杂工件缺陷检测方法 | |
Sharma et al. | Digital image patch based randomized crack detection in concrete structures | |
Aydin et al. | A vision based inspection system using gaussian mixture model based interactive segmentation | |
CN110827272B (zh) | 一种基于图像处理的轮胎x光图像缺陷检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |