CN113020428B - 级进模的加工监控方法、装置、设备及存储介质 - Google Patents

级进模的加工监控方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113020428B
CN113020428B CN202110316635.2A CN202110316635A CN113020428B CN 113020428 B CN113020428 B CN 113020428B CN 202110316635 A CN202110316635 A CN 202110316635A CN 113020428 B CN113020428 B CN 113020428B
Authority
CN
China
Prior art keywords
image
workpiece
detected
sub
standard
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
Application number
CN202110316635.2A
Other languages
English (en)
Other versions
CN113020428A (zh
Inventor
孟凡武
王立忠
潘勤学
郝娟
周世圆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110316635.2A priority Critical patent/CN113020428B/zh
Publication of CN113020428A publication Critical patent/CN113020428A/zh
Application granted granted Critical
Publication of CN113020428B publication Critical patent/CN113020428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21D37/00—Tools as parts of machines covered by this subclass
    • B21D37/08—Dies with different parts for several steps in a process
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
    • B21C51/00—Measuring, gauging, indicating, counting, or marking devices specially adapted for use in the production or manipulation of material in accordance with subclasses B21B - B21F
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种级进模的加工监控方法、装置、设备及存储介质，涉及数据处理技术领域。该方法包括：获取待检测工件图像对应的图像特征，待检测工件图像为级进模加工过程中采集的待检测工件的图像；采集标准工件模型在各个加工阶段的图像，得到一组标准工件图像；对一组标准工件图像提取边界信息，得到一组标准边界图像；对一组标准边界图像进行特征处理，得到标准特征；根据图像特征和标准特征确定待检测工件图像是否存在异常；若待检测工件图像存在异常，则控制级进模的冲压机停止工作。在冲压前检测出待检测工件图像是否存在异常，在异常时停止冲压，减少了废品的出现和级进模损坏的概率。

Description

级进模的加工监控方法、装置、设备及存储介质
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种级进模的加工监控方法、装置、设备及存储介质。
背景技术
多工位级进模是一种先进、高效的冲压模具，可以实现冲压自动化，能够在一套模具中完成冲裁、弯曲、拉伸、成形和冲孔等多道冲压工序，可以高效地加工出各种形状复杂的冲压工件。对于多工位级进模的状态进行监控也变得越来越重要。
相关技术中，对级进模的压力机连杆或者立柱上设置传感器，基于传感器所检测的信号监控压力机状态；在发生模具零件脱落、废屑浮于工件表面及料带传动不到位等异常情况时，在冲压后传感器所检测的信号发生变化，则可以监控到级进模发生异常。
但是，相关技术中，在冲压机冲压后，才可以检测到信号发生变化确定异常，然而此时已经完成了冲压，会出现废品或者级进模的模具的损坏，现有技术无法提前预测出级进模的异常情况。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种级进模的加工监控方法、装置、设备及存储介质，以便解决现有技术中，在冲压机冲压后，才可以检测到信号发生变化确定异常，然而此时已经完成了冲压，会出现废品或者级进模的模具的损坏，现有技术无法提前预测出级进模的异常情况的问题。
为实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种级进模的加工监控方法，所述方法包括：
获取待检测工件图像对应的图像特征，所述待检测工件图像为所述级进模加工过程中采集的待检测工件的图像；
采集标准工件模型在各个加工阶段的图像，得到一组所述标准工件图像，所述标准工件模型为标准工件对应的虚拟模型；
对一组所述标准工件图像提取边界信息，得到一组标准边界图像；
对一组所述标准边界图像进行特征处理，得到所述标准特征；
根据所述图像特征和标准特征确定所述待检测工件图像是否存在异常，所述标准特征为各个加工阶段中所述待检测工件图像对应的标准工件图像的特征；
若所述待检测工件图像存在异常，则控制所述级进模的冲压机停止工作。
可选的，所述对一组所述标准边界图像进行特征处理，得到所述标准特征，包括：
对一组所述标准边界图像进行特征提取，得到每个所述标准边界图像对应的特征集合；
对多个所述特征集合进行聚类，得到包含有至少一个簇的所述标准特征。
可选的，所述根据所述图像特征和标准特征确定所述待检测工件图像是否存在异常，包括：
对所述图像特征和所述标准特征中的各个簇进行匹配，确定与所述图像特征匹配度最高的目标簇；
根据所述图像特征和所述目标簇，确定待检测工件图像是否存在异常。
可选的，所述根据所述图像特征和所述目标簇，确定待检测工件图像是否存在异常，包括：
对所述待检测工件图像进行划分，得到多个子图像区域；
根据所述图像特征和所述多个子图像区域，确定每个子图像区域对应的子图像特征；
根据所述每个子图像区域对应的子图像特征和所述目标簇，确定所述待检测工件图像是否存在异常。
可选的，所述对所述待检测工件图像进行划分，得到多个子图像区域，包括：
确定所述待检测工件图像中的多个特征点；
将所述多个特征点中，满足预设距离条件的预设数量个目标特征点所在的区域，作为一子图像区域；
若两个子图像区域中重复特征点数量与所述两个子图像区域中任一子图像区域的特征点数量的比值，大于或者等于预设阈值，则将所述两个子图像区域合并为一个子图像区域。
可选的，所述根据所述每个子图像区域对应的子图像特征和所述目标簇，确定所述待检测工件图像是否存在异常，包括：
对所述每个子图像区域对应的子图像特征和所述目标簇进行匹配，得所述多个子图像区域的匹配度，所述匹配度用于标识所述子图像特征与所述目标簇的匹配特征在所述子图像特征中的占比；
若所述多个子图像区域的匹配度中一子图像区域的匹配度不满足预设条件，则确定所述待检测工件图像存在异常。
可选的，所述获取待检测工件图像对应的图像特征，包括：
采集所述待检测工件图像；
对所述待检测工件图像进行光照分布不均补偿，得到补偿后的待检测工件图像；
对所述补偿后的待检测工件图像预处理，得到待检测工件边界图像；
对所述待检测工件边界图像进行特征提取，得到所述图像特征。
第二方面，本发明实施例还提供了一种级进模的加工监控装置，所述装置包括：
获取模块，用于获取待检测工件图像对应的图像特征，所述待检测工件图像为所述级进模加工过程中采集的待检测工件的图像；
采集模块，用于采集标准工件模型在各个加工阶段的图像，得到一组所述标准工件图像，所述标准工件模型为标准工件对应的虚拟模型；
提取模块，用于对一组所述标准工件图像提取边界信息，得到一组标准边界图像；
处理模块，用于对一组所述标准边界图像进行特征处理，得到标准特征；
确定模块，用于根据所述图像特征和标准特征确定所述待检测工件图像是否存在异常，所述标准特征为各个加工阶段中所述待检测工件图像对应的标准工件图像的特征；
控制模块，用于若所述待检测工件图像存在异常，则控制所述级进模的冲压机停止工作。
可选的，所述处理模块，还用于对一组所述标准边界图像进行特征提取，得到每个所述标准边界图像对应的特征集合；对多个所述特征集合进行聚类，得到包含有至少一个簇的所述标准特征。
可选的，所述确定模块，还用于对所述图像特征和所述标准特征中的各个簇进行匹配，确定与所述图像特征匹配度最高的目标簇；根据所述图像特征和所述目标簇，确定待检测工件图像是否存在异常。
可选的，所述确定模块，还用于对所述待检测工件图像进行划分，得到多个子图像区域；根据所述图像特征和所述多个子图像区域，确定每个子图像区域对应的子图像特征；根据所述每个子图像区域对应的子图像特征和所述目标簇，确定所述待检测工件图像是否存在异常。
可选的，所述确定模块，还用于确定所述待检测工件图像中的多个特征点；将所述多个特征点中，满足预设距离条件的预设数量个目标特征点所在的区域，作为一子图像区域；若两个子图像区域中重复特征点数量与所述两个子图像区域中任一子图像区域的特征点数量的比值，大于或者等于预设阈值，则将所述两个子图像区域合并为一个子图像区域。
可选的，所述确定模块，还用于对所述每个子图像区域对应的子图像特征和所述目标簇进行匹配，得所述多个子图像区域的匹配度，所述匹配度用于标识所述子图像特征与所述目标簇的匹配特征在所述子图像特征中的占比；若所述多个子图像区域的匹配度中一子图像区域的匹配度不满足预设条件，则确定所述待检测工件图像存在异常。
可选的，所述获取模块，还用于采集所述待检测工件图像；对所述待检测工件图像进行光照分布不均补偿，得到补偿后的待检测工件图像；对所述补偿后的待检测工件图像预处理，得到待检测工件边界图像；对所述待检测工件边界图像进行特征提取，得到所述图像特征。
第三方面，本发明实施例还提供了一种级进模的加工监控设备，包括：存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的级进模的加工监控方法。
第四方面，本发明实施例还提供了一种计算机可读取存储介质，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述第一方面任一项所述的级进模的加工监控方法。
本发明的有益效果是：本发明实施例提供一种级进模的加工监控方法，包括：获取待检测工件图像对应的图像特征，待检测工件图像为级进模加工过程中采集的待检测工件的图像；根据图像特征和标准特征确定待检测工件图像是否存在异常，标准特征为各个加工阶段中待检测工件图像对应的标准工件图像的特征；若待检测工件图像存在异常，则控制级进模的冲压机停止工作。根据图像特征和标准特征确定待检测工件图像是否存在异常；在待检测工件图像存在异常时，可以直接控制冲压机停止工作，实现了在冲压前便可以检测出待检测工件图像是否存在异常，在存在异常时停止冲压，减少了废品的出现以及级进模损坏的概率，实现了提前预测出级进模的异常情况。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种级进模的加工监控系统的结构示意图；
图2为本发明实施例提供的一种级进模的加工监控方法的流程示意图；
图3为本发明实施例提供的一种级进模的加工监控方法的流程示意图；
图4为本发明实施例提供的一种级进模的加工监控方法的流程示意图；
图5为本发明实施例提供的一种级进模的加工监控方法的流程示意图；
图6为本发明实施例提供的一种级进模的加工监控方法的流程示意图；
图7为本发明实施例提供的一种级进模的加工监控方法的流程示意图
图8为本发明实施例提供的一种级进模的加工监控方法的流程示意图；
图9为本发明实施例提供的一种级进模的加工监控装置的结构示意图；
图10为本发明实施例提供的一种级进模的加工监控设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要说明的是，若出现术语“上”、“下”、等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
针对相关技术中，在冲压机冲压后，才可以检测到信号发生变化确定异常，然而此时已经完成了冲压，会出现废品或者级进模的损坏，现有技术无法提前预测出级进模的异常情况。本申请实施例提供一种级进模的加工监控方法，根据图像特征和标准特征确定待检测工件图像是否存在异常；在待检测工件图像存在异常时，可以直接控制冲压机停止工作，实现了在冲压前便可以检测出待检测工件图像是否存在异常，在存在异常时停止冲压，减少了废品的出现以及级进模损坏的概率，实现了提前预测出级进模的异常情况。
图1为本发明实施例提供的一种级进模的加工监控系统的结构示意图，如图1所示，该级进模的加工监控系统可以包括：级进模的加工监控设备101、图像采集设备102、冲压机103。
其中，级进模的加工监控设备101均与图像采集设备102、冲压机103电连接。在级进模对待检测工件加工的过程中，图像采集设备102能够采集到各个加工阶段待检测工件的图像。
在一些实施方式中，图像采集设备102可以采集待检测工件图像，并向级进模的加工监控设备101发送待检测工件图像，级进模的加工监控设备101可以获取待检测工件图像对应的图像特征，级进模的加工监控设备101可以采集标准工件模型在各个加工阶段的图像，得到一组标准工件图像；对一组标准工件图像提取边界信息，得到一组标准边界图像；对一组标准边界图像进行特征处理，得到标准特征；继而根据图像特征和标准特征确定待检测工件图像是否存在异常；若待检测工件图像存在异常，则控制级进模的冲压机103停止工作。
另外，图像采集设备102可以为单独的摄像头，也可以为集成有摄像头的电子设备，该可以为其他类型具备图像采集功能的设备，本申请实施例对此不进行具体限制。
本申请实施例提供一种级进模的加工监控方法，其执行主体可以为级进模的加工监控设备101，该级进模的加工监控设备101可以为终端，也可以为服务器，还可以其他类型具备处理功能的设备，本申请实施例对此不进行具体限制，以下以终端为执行主体，对本申请实施例提供的级进模的加工监控方法进行解释说明。
图2为本发明实施例提供的一种级进模的加工监控方法的流程示意图，如图2所示，该方法可以包括：
S201、获取待检测工件图像对应的图像特征，其中，待检测工件图像为级进模加工过程中采集的待检测工件的图像。
在本申请实施例中，级进模在加工时可以具有连续的多个不同加工阶段，多个不同加工阶段中可以包括多个冲压加工阶段，在各冲压加工阶段中通过冲压机对待检测图像进行冲压实现加工。
在一些实施方式中，在各个冲压加工阶段进行冲压加工之前，终端可以控制图像采集设备采集待检测工件图像，继而图像采集设备可以向终端发送该待检测工件图像，相应的，终端可以接收该待检测工件图像，并获取对应的图像特征。
当然，图像采集设备也可以实时采集待检测工件图像，继而实时向终端发送该待检测工件图像，本申请实施例对此不进行具体限制。
S202、采集标准工件模型在各个加工阶段的图像，得到一组标准工件图像。
其中，标准工件模型为标准工件对应的虚拟模型，标准工件模型可以为采用制图软件所制作的三维虚拟模型，例如，标准工件模型为标准工件对应的三维CAD(一种制图软件)模型。
在本申请实施例中，为了增加鲁棒性和准确性，采集标准工件图像的预设视角范围，可以覆盖采集待检测工件图像所可能用到的视角。可选的，对于不同加工阶段对应的标准工件模型，终端可以在预设视角范围内选择多个视角进行对标准工件图像进行采集。
S203、对一组标准工件图像提取边界信息，得到一组标准边界图像。
其中，终端可以采用边界提取算子，对一组标准工件图像提取边界信息，得到一组标准边界图像。
需要说明的是，标准边界图像中包括的是边界信息，可以忽略纹理、颜色、光照、对比度等影响因素的干扰。
S204、对一组标准边界图像进行特征处理，得到标准特征。
在一些实施方式中，图像特征和标准特征可以为SURF(Speeded-Up RobustFeatures，加速版具有鲁棒性特征)。
S205、根据图像特征和标准特征确定待检测工件图像是否存在异常，其中，标准特征为各个加工阶段中待检测工件图像对应的标准工件图像的特征。
需要说明的是，标准工件图像可以为对实际的标准工件进行采集所得到的图像，也可以为对虚拟标准工件模型进行采集所得到的图像，其中，虚拟标准工件模型可以为3D(three-dimensional，三维)模型。
可选的，终端可以对图像特征和标准特征进行匹配，以确定待检测工件图像是否存在异常。
另外，图像特征可以形成图像特征库，标准特征可以形成标准特征库。
S206、若待检测工件图像存在异常，则控制级进模的冲压机停止工作。
其中，若待检测工件图像存在异常，表示可能存在模具零件脱落、废屑浮于待检测工件表面或者料带传动不到位等异常情况，若进行冲压会产生废品或者模具的损坏，因此，需要控制级进模的冲压机停止工作。
在一种可能的实施方式中，若待检测工件图像存在异常，终端可以向级进模的冲压机停止工作指令，级进模的冲压机可以接收该停止工作指令，并根据该停止工作指令停止冲压。
另外，若待检测工件图像为存在异常，级进模的冲压机可以正常进行冲压。在待检测工件图像存在异常时，终端还可以展示或者播放异常提示信息，以使维护人员及时获知常提示信息，前往进行处理。
综上所述，本发明实施例提供一种级进模的加工监控方法，包括：获取待检测工件图像对应的图像特征，待检测工件图像为级进模加工过程中采集的待检测工件的图像；根据图像特征和标准特征确定待检测工件图像是否存在异常，标准特征为各个加工阶段中待检测工件图像对应的标准工件图像的特征；若待检测工件图像存在异常，则控制级进模的冲压机停止工作。根据图像特征和标准特征确定待检测工件图像是否存在异常；在待检测工件图像存在异常时，可以直接控制冲压机停止工作，实现了在冲压前便可以检测出待检测工件图像是否存在异常，在存在异常时停止冲压，减少了废品的出现以及级进模损坏的概率，实现了提前预测出级进模的异常情况。
可选的，图3为本发明实施例提供的一种级进模的加工监控方法的流程示意图，如图3所示，上述S204中对一组标准边界图像进行特征处理，得到标准特征的过程，可以包括：
S301、对一组标准边界图像进行特征提取，得到每个标准边界图像对应的特征集合。
其中，每个标准边界图像均具有对应的特征集合，一组标准边界图像对应多个特征集合。
S302、对多个特征集合进行聚类，得到包含有至少一个簇的标准特征。
其中，一个簇可以对应至少一个特征集合。
在一种可能的实施方式中，每个簇可以对应有聚类模板，该聚类模板中的特征可以为一个簇对应的至少一个特征集合中公共可匹配的特征的平均值。
需要说明的是，基于包含有至少一个簇的标准特征和图像特征，判定待检测工件图像是否存在异常，可以极大地提高判定效率。
可选的，图4为本发明实施例提供的一种级进模的加工监控方法的流程示意图，如图4所示，上述S205中根据图像特征和标准特征确定待检测工件图像是否存在异常的过程，可以包括：
S401、对图像特征和标准特征中的各个簇进行匹配，确定与图像特征匹配度最高的目标簇。
在一种可能的实施方式中，对图像特征和标准特征中的各个簇进行匹配，得到各个簇对应的匹配度，对匹配度进行排序，可以确定与图像特征匹配度最高的目标簇。
需要说明的是，终端可以依次对图像特征和各个簇进行匹配，也可以同时对图像特征和各个簇进行匹配，还可以采用其他方式对图像特征和标准特征中的各个簇进行匹配，本申请实施例对此不进行具体限制。
S402、根据图像特征和目标簇，确定待检测工件图像是否存在异常。
其中，终端可以采用预设异常确定算法，根据图像特征和目标簇中的特征，确定待检测工件图像是否存在异常。
可选的，图5为本发明实施例提供的一种级进模的加工监控方法的流程示意图，如图5所示，上述S402中根据图像特征和目标簇，确定待检测工件图像是否存在异常的过程，可以包括：
S501、对待检测工件图像进行划分，得到多个子图像区域。
在本申请实施例中，终端可以根据预设步长、预设数量的横向直线和纵向直线对待检测工件图像进行划分；终端也可以根据待检测工件图像中的特征点的分布状况对待检测工件图像进行划分；终端也可以采用其他方式对待检测工件图像进行划分，本申请实施例对此不进行具体限制。
S502、根据图像特征和多个子图像区域，确定每个子图像区域对应的子图像特征。
需要说明的是，根据图像特征可以确定每个子图像区域内所包含的特征，可以将其所包含的特征可以作为每个子图像区域对应的子图像特征。
S503、根据每个子图像区域对应的子图像特征和目标簇，确定待检测工件图像是否存在异常。
在一些实施方式中，分别对每个子图像区域对应的子图像特征和目标簇进行匹配，得到每个子图像特征对应的匹配结果，根据每个子图像特征对应的匹配结果确定待检测工件图像是否存在异常。
可选的，图6为本发明实施例提供的一种级进模的加工监控方法的流程示意图，如图6所示，上述S501中对待检测工件图像进行划分，得到多个子图像区域的过程，可以包括：
S601、确定待检测工件图像中的多个特征点。
其中，终端可以对待检测工件图像进行处理，得到待检测工件图像中的多个特征点。
可选的，终端可以对待检测工件图像提取边界信息，得到待检测工件边界图像，待检测工件边界图像中可以包括多个特征点。
S602、将多个特征点中，满足预设距离条件的预设数量个目标特征点所在的区域，作为一子图像区域。
S603、若两个子图像区域中重复特征点数量与两个子图像区域中任一子图像区域的特征点数量的比值，大于或者等于预设阈值，则将两个子图像区域合并为一个子图像区域。
其中，合并后的一个子图像区域中可以包括两个子图像区域中的所有特征点。
需要说明的是，预设数量和预设阈值可以根据实际需求或者经验值进行设定。例如，预设数量可以为4，预设阈值可以为80％。
在本申请实施例中，采用S601至S603的方式对待检测工件图像进行划分，使得有关联的特征可以位于同一子图像区域中，使得划分的子图像区域更加合理，提高后续与目标簇进行匹配时的可靠性。
可选的，图7为本发明实施例提供的一种级进模的加工监控方法的流程示意图，如图7所示，上述S503中根据每个子图像区域对应的子图像特征和目标簇，确定待检测工件图像是否存在异常的过程，可以包括：
S701、对每个子图像区域对应的子图像特征和目标簇进行匹配，得到多个子图像区域的匹配度。
其中，匹配度可以用于标识子图像特征与目标簇的匹配特征在子图像特征中的占比。
在本申请实施例中，由于不同的特征点具有不同的尺度、位置和对比度。较大的尺度更能在宏观上反映子图像区域的状态，同时不容易受噪声和小形变的影响，因此具有更高的鲁棒性。同时，对于一个区域而言，靠近中心位置的特征点，更能代表这个区域的状态。另外，对比度大的特征点的可靠性更强。在计算多个子图像区域的匹配度时可以充分考虑上述因素。
可选的，终端可以采用预设匹配度计算公式，根据每个子图像区域对应的子图像特征和目标簇，得到子图像区域的匹配度。
第i个子图像区域的匹配度yi的计算公式可以表示为：
Figure BDA0002989939940000121
其中，σij、
Figure BDA0002989939940000122
Xij分别表示第i个子图像区域中第j个特征点的尺度、对比度、和坐标。δij为第i个区域中第j个特征点的匹配度，且若匹配成功则δij为1，否则δij为0。
Figure BDA0002989939940000123
为第i个区域的质心坐标，
Figure BDA0002989939940000124
为对角阵。
另外，
Figure BDA0002989939940000125
h为归一化系数，可以用于消除高斯权值。
S702、若多个子图像区域的匹配度中一子图像区域的匹配度不满足预设条件，则确定待检测工件图像存在异常。
其中，预设条件可以为自适应的预设条件。
可选的，
Figure BDA0002989939940000131
可以为需要匹配的特征点的坐标。则可以满足如下关系式：
Figure BDA0002989939940000132
其中，T为两个特征点坐标间变换矩阵，x0，y0为补偿量，且-C≤x0，y0≤C，C为预设常数。
可选的，自适应的预设条件可以采用如下公式进行确定：
第i个子图像区域的匹配度Yi服从正态分布：Yi～N(μ，σ^2)，多个子图像区域的匹配度平均值可以为
Figure BDA0002989939940000133
均方差
Figure BDA0002989939940000134
则随机变量
Figure BDA0002989939940000135
小于
Figure BDA0002989939940000136
的概率
Figure BDA0002989939940000137
可以将Yi的样本值yi代入上式，得到
Figure BDA0002989939940000138
这里，n为子图像区域的个数。α为置信度，推荐值为95％。
Figure BDA0002989939940000139
为t分布的上
Figure BDA00029899399400001310
分位数。μ0为μ估计值的下限，我们可以将其作为阈值，来判断一个区域正常与否：
Figure BDA00029899399400001311
即，如果一个子图像区域的匹配度y满足上式，则确定该子图像区域满足预设条件。否则，在确定该子图像区域不满足预设条件。
可选的，图8为本发明实施例提供的一种级进模的加工监控方法的流程示意图，如图8所示，上述S201中获取待检测工件图像对应的图像特征的过程，可以包括：
S801、采集待检测工件图像。
需要说明的是，可以在预设环境下采集检测工件图像，预设环境可以为密闭、恒定的条件，以此可以避免由于光照不均衡所引起的采集到的待检测工件图像上存在局部亮斑的现象，以便后续准确可靠的获取图像特征。
S802、对待检测工件图像进行光照分布不均补偿，得到补偿后的待检测工件图像。
其中，终端可以根据预设纯白背景的图像，对待检测工件图像进行光照分布不均补偿，得到补偿后的待检测工件图像。预设纯白背景的图像与待检测工件图像的采集视角、采集光照相同。
在一些实施方式中，终端可以将待检测工件图像与预设纯白背景的图像的比值，作为补偿后的待检测工件图像。
预设纯白背景的图像可以为I(x,y)，I(x，y)＝i(x，y)·f(x，y)，其中，i，f分别为入射和反射分量。由于纯白背景的f为一个常数C，所以有：
Figure BDA0002989939940000141
另外，待检测工件图像可以为Iorig(x，y)，则补偿后的待检测工件图像Ires(x，y)可以表示为：
Figure BDA0002989939940000142
S803、对补偿后的待检测工件图像预处理，得到待检测工件边界图像。
在一种可能的实施方式中，终端可以对补偿后的待检测工件图像进行噪声滤除、图像增强、边界提取等预处理，得到待检测工件边界图像。
S804、对待检测工件边界图像进行特征提取，得到图像特征。
可选的，图像特征可以为SURF特征。
综上所述，本发明实施例提供一种级进模的加工监控方法，包括：获取待检测工件图像对应的图像特征，待检测工件图像为级进模加工过程中采集的待检测工件的图像；根据图像特征和标准特征确定待检测工件图像是否存在异常，标准特征为各个加工阶段中待检测工件图像对应的标准工件图像的特征；若待检测工件图像存在异常，则控制级进模的冲压机停止工作。根据图像特征和标准特征确定待检测工件图像是否存在异常；在待检测工件图像存在异常时，可以直接控制冲压机停止工作，实现了在冲压前便可以检测出待检测工件图像是否存在异常，在存在异常时停止冲压，减少了废品的出现以及级进模损坏的概率，实现了提前预测出级进模的异常情况。
而且，基于待检测工件图像中的多个特征点，将待检测工件图像划分为多个子图像区域，使得划分的子图像区域更加合理，提高计算匹配度时的可靠性。
下述对用以执行本申请所提供的级进模的加工监控方法的级进模的加工监控装置、设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述级进模的加工监控方法的相关内容，下述不再赘述。
图9为本发明实施例提供的一种级进模的加工监控装置的结构示意图，如图9所示，该装置可以包括：
获取模块901，用于获取待检测工件图像对应的图像特征，待检测工件图像为级进模加工过程中采集的待检测工件的图像；
采集模块902，用于采集标准工件模型在各个加工阶段的图像，得到一组标准工件图像，标准工件模型为标准工件对应的虚拟模型；
提取模块903，用于对一组标准工件图像提取边界信息，得到一组标准边界图像；
处理模块904，用于对一组标准边界图像进行特征处理，得到标准特征。
确定模块905，用于根据图像特征和标准特征确定待检测工件图像是否存在异常，标准特征为各个加工阶段中待检测工件图像对应的标准工件图像的特征；
控制模块906，用于若待检测工件图像存在异常，则控制级进模的冲压机停止工作。
可选的，处理模块904，还用于对一组标准边界图像进行特征提取，得到每个标准边界图像对应的特征集合；对多个特征集合进行聚类，得到包含有至少一个簇的标准特征。
可选的，确定模块905，还用于对图像特征和标准特征中的各个簇进行匹配，确定与图像特征匹配度最高的目标簇；根据图像特征和目标簇，确定待检测工件图像是否存在异常。
可选的，确定模块905，还用于对待检测工件图像进行划分，得到多个子图像区域；根据图像特征和多个子图像区域，确定每个子图像区域对应的子图像特征；根据每个子图像区域对应的子图像特征和目标簇，确定待检测工件图像是否存在异常。
可选的，确定模块905，还用于确定待检测工件图像中的多个特征点；将多个特征点中，满足预设距离条件的预设数量个目标特征点所在的区域，作为一子图像区域；若两个子图像区域中重复特征点数量与两个子图像区域中任一子图像区域的特征点数量的比值，大于或者等于预设阈值，则将两个子图像区域合并为一个子图像区域。
可选的，确定模块905，还用于对每个子图像区域对应的子图像特征和目标簇进行匹配，得多个子图像区域的匹配度，匹配度用于标识子图像特征与目标簇的匹配特征在子图像特征中的占比；若多个子图像区域的匹配度中一子图像区域的匹配度不满足预设条件，则确定待检测工件图像存在异常。
可选的，获取模块901，还用于采集待检测工件图像；对待检测工件图像进行光照分布不均补偿，得到补偿后的待检测工件图像；对补偿后的待检测工件图像预处理，得到待检测工件边界图像；对待检测工件边界图像进行特征提取，得到图像特征。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图10为本发明实施例提供的一种级进模的加工监控设备的结构示意图，该设备包括：处理器1001、存储器1002。
存储器1002用于存储程序，处理器1001调用存储器1002存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种级进模的加工监控方法，其特征在于，所述方法包括：
获取待检测工件图像对应的图像特征，所述待检测工件图像为所述级进模加工过程中采集的待检测工件的图像；
采集标准工件模型在各个加工阶段的图像，得到一组标准工件图像，所述标准工件模型为标准工件对应的虚拟模型；
对一组所述标准工件图像提取边界信息，得到一组标准边界图像；
对一组所述标准边界图像进行特征处理，得到标准特征；
根据所述图像特征和所述标准特征确定所述待检测工件图像是否存在异常，所述标准特征为各个加工阶段中所述待检测工件图像对应的所述标准工件图像的特征；
若所述待检测工件图像存在异常，则控制所述级进模的冲压机停止工作；
所述对一组所述标准工件图像提取边界信息，得到一组标准边界图像，包括：
采用边界提取算子，对所述一组标准工件图像提取所述边界信息，得到所述一组标准边界图像；
所述对一组所述标准边界图像进行特征处理，得到所述标准特征，包括：
对一组所述标准边界图像进行特征提取，得到每个所述标准边界图像对应的特征集合；
对多个所述特征集合进行聚类，得到包含有至少一个簇的所述标准特征；
所述根据所述图像特征和标准特征确定所述待检测工件图像是否存在异常，包括：
对所述图像特征和所述标准特征中的各个簇进行匹配，确定与所述图像特征匹配度最高的目标簇；
根据所述图像特征和所述目标簇，确定待检测工件图像是否存在异常；
所述对所述待检测工件图像进行划分，得到多个子图像区域，包括：
确定所述待检测工件图像中的多个特征点；
将所述多个特征点中，满足预设距离条件的预设数量个目标特征点所在的区域，作为一子图像区域；
若两个子图像区域中重复特征点数量与所述两个子图像区域中任一子图像区域的特征点数量的比值，大于或者等于预设阈值，则将所述两个子图像区域合并为一个子图像区域；
所述根据每个子图像区域对应的子图像特征和目标簇，确定待检测工件图像是否存在异常，包括：
对所述每个子图像区域对应的子图像特征和所述目标簇进行匹配，得所述多个子图像区域的匹配度，所述匹配度用于标识所述子图像特征与所述目标簇的匹配特征在所述子图像特征中的占比；
其中，第i个子图像区域的匹配度
Figure M_220527104516000_000180001
的计算公式表示为：
Figure M_220527104516047_047054001
其中，
Figure M_220527104516298_298986001
、
Figure M_220527104516330_330254002
、
Figure M_220527104516364_364921003
分别表示第i个子图像区域中第j个特征点的尺度、对比度、和坐标，
Figure M_220527104516380_380550004
为第i个区域中第j个特征点的匹配度，且若匹配成功则
Figure M_220527104516411_411793005
为1，否则
Figure M_220527104516427_427414006
为0，
Figure M_220527104516458_458674007
为第i个区域的质心坐标，
Figure M_220527104516474_474287008
为对角阵；
若所述多个子图像区域的匹配度中一子图像区域的匹配度不满足预设条件，则确定所述待检测工件图像存在异常；
其中，如果一个子图像区域的匹配度y满足下式，则确定该子图像区域满足预设条件，
Figure M_220527104516572_572655001
其中，n为子图像区域的个数，
Figure M_220527104516663_663773001
为置信度，
Figure M_220527104516695_695004002
为t分布的上
Figure M_220527104516726_726275003
分位数，
Figure M_220527104516763_763854004
为
Figure M_220527104516795_795088005
估计值的下限，其中，
Figure M_220527104516826_826335006
根据如下公式得到：
Figure M_220527104516841_841968001
其中，n为子图像区域的个数，
Figure M_220527104516888_888856001
为置信度，
Figure M_220527104516904_904461002
为t分布的上
Figure M_220527104516920_920100003
分位数，
Figure M_220527104516952_952776004
为第i个子图像区域的匹配度
Figure M_220527104516984_984552005
的样本值，
Figure M_220527104517000_000182006
为多个子图像区域的匹配度的平均值，
Figure M_220527104517031_031433007
为多个子图像区域的匹配度的均方差。
2.根据权利要求1所述的方法，其特征在于，所述对所述待检测工件图像进行划分，得到多个子图像区域，包括：
确定所述待检测工件图像中的多个特征点；
将所述多个特征点中，满足预设距离条件的预设数量个目标特征点所在的区域，作为一子图像区域；
若两个子图像区域中重复特征点数量与所述两个子图像区域中任一子图像区域的特征点数量的比值，大于或者等于预设阈值，则将所述两个子图像区域合并为一个子图像区域。
3.根据权利要求1-2任一项所述的级进模的加工监控方法，其特征在于，所述获取待检测工件图像对应的图像特征，包括：
采集所述待检测工件图像；
对所述待检测工件图像进行光照分布不均补偿，得到补偿后的待检测工件图像；
对所述补偿后的待检测工件图像预处理，得到待检测工件边界图像；
对所述待检测工件边界图像进行特征提取，得到所述图像特征。
4.根据权利要求1所述的级进模的加工监控方法，其特征在于，应用于一种级进模的加工监控装置，所述装置包括：
获取模块，用于获取待检测工件图像对应的图像特征，所述待检测工件图像为所述级进模加工过程中采集的待检测工件的图像；
采集模块，用于采集标准工件模型在各个加工阶段的图像，得到一组标准工件图像，所述标准工件模型为标准工件对应的虚拟模型；
提取模块，用于对一组所述标准工件图像提取边界信息，得到一组标准边界图像；
处理模块，用于对一组所述标准边界图像进行特征处理，得到标准特征；
确定模块，用于根据所述图像特征和标准特征确定所述待检测工件图像是否存在异常，所述标准特征为各个加工阶段中所述待检测工件图像对应的所述标准工件图像的特征；
控制模块，用于若所述待检测工件图像存在异常，则控制所述级进模的冲压机停止工作；
所述提取模块，具体用于：
采用边界提取算子，对所述一组标准工件图像提取所述边界信息，得到所述一组标准边界图像；
所述处理模块，还具体用于：
对一组所述标准边界图像进行特征提取，得到每个所述标准边界图像对应的特征集合；对多个所述特征集合进行聚类，得到包含有至少一个簇的所述标准特征；
所述确定模块，还具体用于：
对所述图像特征和所述标准特征中的各个簇进行匹配，确定与所述图像特征匹配度最高的目标簇；根据所述图像特征和所述目标簇，确定待检测工件图像是否存在异常；
所述确定模块，还具体用于：
对所述待检测工件图像进行划分，得到多个子图像区域；根据所述图像特征和所述多个子图像区域，确定每个子图像区域对应的子图像特征；根据所述每个子图像区域对应的子图像特征和所述目标簇，确定所述待检测工件图像是否存在异常；
所述确定模块，还具体用于：
对所述每个子图像区域对应的子图像特征和所述目标簇进行匹配，得所述多个子图像区域的匹配度，所述匹配度用于标识所述子图像特征与所述目标簇的匹配特征在所述子图像特征中的占比；若所述多个子图像区域的匹配度中一子图像区域的匹配度不满足预设条件，则确定所述待检测工件图像存在异常。
5.根据权利要求1-2任一项所述的级进模的加工监控方法，其特征在于，包括：存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-2任一项所述的级进模的加工监控方法。
6.一种计算机可读取存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述权利要求1-2任一项所述的级进模的加工监控方法。
CN202110316635.2A 2021-03-24 2021-03-24 级进模的加工监控方法、装置、设备及存储介质 Active CN113020428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110316635.2A CN113020428B (zh) 2021-03-24 2021-03-24 级进模的加工监控方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110316635.2A CN113020428B (zh) 2021-03-24 2021-03-24 级进模的加工监控方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113020428A CN113020428A (zh) 2021-06-25
CN113020428B true CN113020428B (zh) 2022-06-28

Family

ID=76473487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110316635.2A Active CN113020428B (zh) 2021-03-24 2021-03-24 级进模的加工监控方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113020428B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114879621B (zh) * 2022-07-11 2022-09-27 佛山市木木生活家具有限公司 一种家具喷涂加工控制方法、系统及装置

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09311107A (ja) * 1996-05-23 1997-12-02 Nissan Motor Co Ltd ボア内壁面欠陥検査装置
US6539106B1 (en) * 1999-01-08 2003-03-25 Applied Materials, Inc. Feature-based defect detection
CN102216941A (zh) * 2008-08-19 2011-10-12 数字标记公司 用于内容处理的方法和系统
CN103180874A (zh) * 2010-10-27 2013-06-26 米其林企业总公司 用于检查轮胎表面的预处理轮胎表面的三维图像的方法
CN104240212A (zh) * 2014-09-03 2014-12-24 西安电子科技大学 基于目标特征的isar图像融合方法
CN104655649A (zh) * 2015-02-27 2015-05-27 河南科技大学 冲压加工在线视觉检测装置和检测方法
CN104899853A (zh) * 2014-03-04 2015-09-09 腾讯科技（深圳）有限公司 图像区域的划分方法及装置
CN105447841A (zh) * 2014-05-28 2016-03-30 展讯通信(天津)有限公司 图像匹配方法及视频处理方法
JP2017001638A (ja) * 2015-06-16 2017-01-05 西日本旅客鉄道株式会社 画像処理を利用した列車位置検出システムならびに画像処理を利用した列車位置および環境変化検出システム
CN108021921A (zh) * 2017-11-23 2018-05-11 塔普翊海（上海）智能科技有限公司 图像特征点提取系统及其应用
CN110059807A (zh) * 2019-04-26 2019-07-26 腾讯科技（深圳）有限公司 图像处理方法、装置和存储介质
CN110132166A (zh) * 2019-05-05 2019-08-16 广州佳帆计算机有限公司 一种可自动配光的产品图像检测方法及比对装置
CN110859638A (zh) * 2018-08-14 2020-03-06 佳能株式会社 图像处理装置、图像处理方法和存储介质
CN111127558A (zh) * 2019-12-20 2020-05-08 北京理工大学 确定装配体检测角度的方法、装置、电子设备及存储介质
CN111242907A (zh) * 2020-01-07 2020-06-05 苏州恒志汇智能科技有限公司 一种级进模拱料监测方法、装置、设备及存储介质
CN111487192A (zh) * 2020-04-26 2020-08-04 天津海融科技有限公司 一种基于人工智能的机器视觉表面缺陷检测装置及方法
CN112037203A (zh) * 2020-08-31 2020-12-04 济南大学 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06273123A (ja) * 1993-03-23 1994-09-30 Hitachi Electron Eng Co Ltd パンタグラフとトンネル壁面の離隔距離測定装置
US5483813A (en) * 1994-02-14 1996-01-16 Morton International, Inc. Process to make a toroid outer shell from sheet stock
JP5202110B2 (ja) * 2007-08-23 2013-06-05 株式会社日立ハイテクノロジーズ パターン形状評価方法，パターン形状評価装置，パターン形状評価データ生成装置およびそれを用いた半導体形状評価システム
US11195057B2 (en) * 2014-03-18 2021-12-07 Z Advanced Computing, Inc. System and method for extremely efficient image and pattern recognition and artificial intelligence platform
CN103034845B (zh) * 2012-12-11 2018-06-05 北京理工大学 面向装配的微零件对称边缘亚微米精度特征识别方法
US10706533B2 (en) * 2016-05-13 2020-07-07 National Jewish Health Systems and methods for automatic detection and quantification of pathology using dynamic feature classification
US10395362B2 (en) * 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
US11830131B2 (en) * 2018-02-06 2023-11-28 Veo Robotics, Inc. Workpiece sensing for process management and orchestration
CN108320268B (zh) * 2018-02-09 2019-05-28 中国科学院西安光学精密机械研究所 一种飞秒激光复杂构件大面积制造方法
CN108389195B (zh) * 2018-02-24 2021-02-23 北京理工大学 图像检测方法及装置
LU101065B1 (en) * 2018-12-21 2020-06-24 Univ Luxembourg Machining system and monitoring method
CN111126174A (zh) * 2019-12-04 2020-05-08 东莞理工学院 一种用于机器人抓取零件的视觉检测方法
CN112330628A (zh) * 2020-11-03 2021-02-05 南通斯迈尔精密设备有限公司 一种金属工件表面缺陷图像检测方法
CN112508857B (zh) * 2020-11-17 2022-04-22 华南理工大学 基于改进型Cascade R-CNN的铝材表面缺陷检测方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09311107A (ja) * 1996-05-23 1997-12-02 Nissan Motor Co Ltd ボア内壁面欠陥検査装置
US6539106B1 (en) * 1999-01-08 2003-03-25 Applied Materials, Inc. Feature-based defect detection
CN102216941A (zh) * 2008-08-19 2011-10-12 数字标记公司 用于内容处理的方法和系统
CN103180874A (zh) * 2010-10-27 2013-06-26 米其林企业总公司 用于检查轮胎表面的预处理轮胎表面的三维图像的方法
CN104899853A (zh) * 2014-03-04 2015-09-09 腾讯科技（深圳）有限公司 图像区域的划分方法及装置
CN105447841A (zh) * 2014-05-28 2016-03-30 展讯通信(天津)有限公司 图像匹配方法及视频处理方法
CN104240212A (zh) * 2014-09-03 2014-12-24 西安电子科技大学 基于目标特征的isar图像融合方法
CN104655649A (zh) * 2015-02-27 2015-05-27 河南科技大学 冲压加工在线视觉检测装置和检测方法
JP2017001638A (ja) * 2015-06-16 2017-01-05 西日本旅客鉄道株式会社 画像処理を利用した列車位置検出システムならびに画像処理を利用した列車位置および環境変化検出システム
CN108021921A (zh) * 2017-11-23 2018-05-11 塔普翊海（上海）智能科技有限公司 图像特征点提取系统及其应用
CN110859638A (zh) * 2018-08-14 2020-03-06 佳能株式会社 图像处理装置、图像处理方法和存储介质
CN110059807A (zh) * 2019-04-26 2019-07-26 腾讯科技（深圳）有限公司 图像处理方法、装置和存储介质
CN110132166A (zh) * 2019-05-05 2019-08-16 广州佳帆计算机有限公司 一种可自动配光的产品图像检测方法及比对装置
CN111127558A (zh) * 2019-12-20 2020-05-08 北京理工大学 确定装配体检测角度的方法、装置、电子设备及存储介质
CN111242907A (zh) * 2020-01-07 2020-06-05 苏州恒志汇智能科技有限公司 一种级进模拱料监测方法、装置、设备及存储介质
CN111487192A (zh) * 2020-04-26 2020-08-04 天津海融科技有限公司 一种基于人工智能的机器视觉表面缺陷检测装置及方法
CN112037203A (zh) * 2020-08-31 2020-12-04 济南大学 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于图像处理的沥青表面自由能测试》;查旭东;《长沙理工大学学报（自然科学版）》;20111231;第8卷(第4期);第12-17页 *
基于热核嵌入的图像分类技术;胡云泉等;《应用科技》;20170430;第44卷(第2期);第59-64,83页 *

Also Published As

Publication number Publication date
CN113020428A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN110826416B (zh) 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置
Hassanin et al. A real-time approach for automatic defect detection from PCBs based on SURF features and morphological operations
CN111915572B (zh) 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法
CN114612469B (zh) 产品缺陷检测方法、装置、设备及可读存储介质
CN113159147A (zh) 基于神经网络的图像识别方法、装置、电子设备
CN109740417B (zh) 发票类型识别方法、装置、存储介质和计算机设备
CN110599544A (zh) 一种基于机器视觉的工件定位方法及装置
CN109444169A (zh) 一种轴承缺陷检测方法及系统
CN111739020B (zh) 周期纹理背景缺陷标签自动标注方法、装置、设备及介质
CN115984662B (zh) 一种多模态数据预训练及识别方法、装置、设备及介质
CN113020428B (zh) 级进模的加工监控方法、装置、设备及存储介质
CN114004790A (zh) 一种电池盖质量检测方法、装置、计算机设备及存储介质
CN115937203A (zh) 一种基于模板匹配的视觉检测方法、装置、设备及介质
CN115995056A (zh) 一种基于深度学习的桥梁病害自动识别方法
CN111598090B (zh) 印刷电路板上标记的识别方法、装置、设备及存储介质
CN116596921B (zh) 一种焚烧炉渣分选方法及系统
CN112950594A (zh) 产品表面缺陷的检测方法、设备及存储介质
CN110321808B (zh) 遗留物与盗移物检测方法、设备和存储介质
CN111626313B (zh) 一种特征提取模型训练方法、图像处理方法及装置
CN114004877B (zh) 视觉场景中物体稀疏性的判断方法、系统和设备
CN114897797A (zh) 印刷电路板的缺陷检测方法、装置、设备及存储介质
CN112308836A (zh) 角点检测方法、装置、电子设备及可读存储介质
CN111275693A (zh) 一种图像中物体的计数方法、计数装置及可读存储介质
JP3411796B2 (ja) 文字認識装置

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