CN113706534A - 一种基于多光线分析的注塑产品缺陷检测方法 - Google Patents

一种基于多光线分析的注塑产品缺陷检测方法 Download PDF

Info

Publication number
CN113706534A
CN113706534A CN202111262927.9A CN202111262927A CN113706534A CN 113706534 A CN113706534 A CN 113706534A CN 202111262927 A CN202111262927 A CN 202111262927A CN 113706534 A CN113706534 A CN 113706534A
Authority
CN
China
Prior art keywords
rate
light
gray
group
defect
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.)
Granted
Application number
CN202111262927.9A
Other languages
English (en)
Other versions
CN113706534B (zh
Inventor
顾宗鹏
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.)
Nantong Xinst Machinery Manufacturing Co ltd
Original Assignee
Nantong Xinst Machinery Manufacturing Co ltd
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 Nantong Xinst Machinery Manufacturing Co ltd filed Critical Nantong Xinst Machinery Manufacturing Co ltd
Priority to CN202111262927.9A priority Critical patent/CN113706534B/zh
Publication of CN113706534A publication Critical patent/CN113706534A/zh
Application granted granted Critical
Publication of CN113706534B publication Critical patent/CN113706534B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)
  • Moulds For Moulding Plastics Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于多光线分析的注塑产品缺陷检测方法及系统，包括：对注塑产品表面图像进行灰度处理，得到注塑产品表面的灰度图像；根据注塑产品表面的灰度图像的像素值，得到不同方向中每一条光线条件下对应的灰度曲线；获得在不同光线条件下灰度图像中缺陷的位置和缺陷的凹陷预选率；得到同一光线方向中灰度图像中缺陷的凹陷率；确定出灰度图像中凹陷的凹陷率，根据凹陷率及该凹陷率对应的灰度曲线对产品中的缺陷及其位置进行判断。根据在适当光照下凹陷内的灰度信息，完成对注塑产品表面凹陷缺陷进行检测和提取；利用凹陷区域自身的特点对注塑产品表面缺陷进行检测，可以得到更加准确的凹陷区域；不需要提前采集大量的注塑产品表面图像。

Description

一种基于多光线分析的注塑产品缺陷检测方法
技术领域
本申请涉及缺陷检测领域，具体涉及一种基于多光线分析的注塑产品缺陷检测方法。
背景技术
目前基于计算机视觉对注塑表面的检测方法，往往多是针对注塑表面的划痕、形变等图像纹理特征中比较明显的缺陷；对于注塑产品表面上，在生产过程中被划出的白痕通过颜色分割即可进行检测。
然而对于本身无圆形凹陷的注塑产品，当产品表面存在凹陷缺陷时且存在适当光照时，低暗区域与高亮区域会同时存在；由于注塑产品具有不同形状，因注塑产品表面并非全部为平面，所以造成注塑产品表面低暗区域与高亮区域的相互混合，难以提取出注塑产品中存在的凹陷区域。
现有技术针对凹陷区域的检测多采用网络训练，该方式需要采集大量符合标准的注塑产品图像，且并未考虑光线方向对凹陷区域的影响以及凹陷区域本身的特点。
发明内容
针对上述技术问题，本发明提出了一种基于多光线分析的注塑产品缺陷检测方法，包括：
S1：对注塑产品表面图像进行灰度处理，得到注塑产品表面在不同光线方向上每一条光线条件下对应的灰度图像。
S2：根据不同光线方向上每一条光线条件下对应的灰度图像的像素值，得到不同方向中每一条光线条件下对应的灰度曲线。
S3：根据每一条光线条件下对应的灰度曲线中的波峰波谷获得在该光线条件下灰度图像中缺陷的位置和缺陷的凹陷预选率。
所述缺陷的凹陷预选率的获取方法如下：
对所述灰度曲线进行平滑去噪，得到去噪后的灰度曲线；
对去噪后的灰度曲线中的波峰及波谷进行分组；
根据每组内波峰及波谷像素值及每组与相邻组之间的灰度值的重叠程度，得到每组的凹陷预选率；
根据每组的波峰及波谷的凹陷预选率，得到每一光线方向上每一条光线条件下缺陷的凹陷率；
所述凹陷预选率的计算模型为：
Figure 321758DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE003
为每组之间像素点的个数，
Figure 488166DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE005
个像素点在去噪后的灰度曲线上 的灰度值，
Figure 847997DEST_PATH_IMAGE006
为每组组内生成线性渐变的灰度间隔信息，且
Figure DEST_PATH_IMAGE007
，
Figure 289212DEST_PATH_IMAGE008
为每组波谷与波 峰之间的峰峰值，
Figure DEST_PATH_IMAGE009
为该组波谷的像素值，
Figure 775688DEST_PATH_IMAGE010
为该组与相邻组之间的灰度值的重叠程 度。
S4：根据每一条光线条件下灰度图像中缺陷的位置和缺陷的凹陷预选率，得到同一光线方向中灰度图像中缺陷的凹陷率。
S5：根据不同光线方向的灰度图像中缺陷的凹陷率确定出灰度图像中凹陷的凹陷率，根据凹陷率及该凹陷率对应的灰度曲线对产品中的缺陷及其位置进行判断。
进一步的，所述对去噪后的灰度曲线中的波峰及波谷进行分组的方法如下：
根据去噪后的灰度曲线从左往右找到第一个波谷，将该第一个波谷与该第一个波谷后的波峰分为一组，按照波谷在前波峰在后的顺序将相邻波谷及波峰划分为同一组。
进一步的，所述相邻组之间的灰度值的重叠程度的计算模型为：
Figure 443823DEST_PATH_IMAGE012
式中
Figure DEST_PATH_IMAGE013
为该组中波谷的前一波峰的像素值，
Figure 756861DEST_PATH_IMAGE014
为该组中波峰的后一波谷 的像素值。
进一步的，同一光线方向中灰度图像中缺陷的凹陷率的方法为：
根据同一光线方向上的所有光线的波峰波谷的凹陷预选率
Figure DEST_PATH_IMAGE015
生成凹陷预选率曲 线，通过峰值检测得到峰值处的凹陷预选率
Figure 954098DEST_PATH_IMAGE016
，以该峰值为中心，得到
Figure 967185DEST_PATH_IMAGE016
与等间隔的 两侧光线凹陷预选率的差值
Figure DEST_PATH_IMAGE017
，其中
Figure 803291DEST_PATH_IMAGE018
为差值的个数，则同一光线方向缺 陷的凹陷率为：
Figure DEST_PATH_IMAGE019
。
进一步的，所述产品中的缺陷进行判断的方法包括：
在得到所有光线方向缺陷的凹陷率后，选取凹陷率最大的光线方向，在从该光线方向中选出凹陷预选率最大的光线，将该光线的凹陷预选率作为图像的凹陷率，当图像的凹陷率超过凹陷率阈值时认为注塑产品中存在凹陷区域。
进一步的，完成所述产品中的缺陷判断的同时可以确定缺陷的具体位置，确定缺陷的具体位置的方法包括：
根据所述凹陷预选率最大的光线所在的光线方向，得到凹陷预选率最大的光线的中凹陷预选率最大的一组波谷及波峰，根据该组波谷及波峰的像素点坐标求得波峰及波谷之间的距离，以距离为直径作圆，该圆即为注塑产品表面的缺陷区域。
相较于传统技术方案，本发明的有益效果是：
1.根据在适当光照下凹陷内的灰度信息，完成对注塑产品表面凹陷缺陷进行检测和提取。
2.利用凹陷区域自身的特点对注塑产品表面缺陷进行检测，可以得到更加准确的凹陷区域。
3.不需要提前采集大量的注塑产品表面图像，减少了存储用量。
附图说明
在下文中，将参考附图仅作为举例来对本文的实施例进行更加详细的描述，在附图中：
图1是本发明的一种基于多光线分析的注塑产品缺陷检测方法的框图。
图2是本发明的实施例中的注塑产品表面的图像经过灰度转换之后得到的灰度图像。
图3是本发明的实施例中不同光线方向的示意图。
图4是本发明的实施例中某一光线方向下光线个数的示意图。
图5是本发明的实施例中某光线方向上的某条光线的示意图。
图6是本发明的实施例中某光线方向上的某条光线的灰度曲线。
图7是本发明的实施例中每一光线方向上的波峰波谷的凹陷率的获取过程的框图。
图8是本发明的实施例中经过平滑去噪后的灰度曲线。
图9是本发明的实施例中每组内灰度值的变化与线性关系之间的离散距离的示意图。
图10是本发明的实施例中每一光线方向上每一光线上每组与相邻两组之间的像素值的重叠程度的示意图。
图11是本发明的实施例中某一光线方向的凹陷预选率曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
光线相对于注塑产品表面具有倾斜度，在适当的光线下，注塑产品表面的凹陷会沿光线的方向上形成先暗后亮的特征，并且在同光线方向上这种特征在凹陷侧向（光线垂线方向）会出现渐变衰弱的现象。
由于从单一图像中并不能获取光线的方向，所本实施例通过假设多方向的光源得到不同的光线方向，并对每个光线方向进行灰度信息分析，得到不同光线方向上存在凹陷的可能。
图1是本实施例的一种基于多光线分析的注塑产品缺陷检测方法的框图，如图1所示一种基于多光线分析的注塑产品缺陷检测方法包括如下步骤：
步骤S1、对注塑产品表面图像进行灰度处理，得到注塑产品表面在不同光线方向上每一条光线条件下对应的灰度图像，具体包括以下内容：
利用RGB相机拍摄注塑表面，其中注塑产品和光源呈现适当角度，得到产品表面图像之后对其进行灰度转换，得到注塑产品表面的灰度图像。
图2示出了本实施例中的注塑产品表面的图像经过灰度转换之后得到的灰度图像，如图2所示灰色箭头所指示的为本实施例中产品表面的凹陷所在的位置；在适当光线下，凹陷内部存在明暗两种颜色，本实施例借助此特征在灰度图像的基础上完成后续的凹陷检测过程。
步骤S2、根据不同光线方向上每一条光线条件下对应的灰度图像的像素值，得到不同方向中每一条光线条件下对应的灰度曲线，具体包括以下内容：
由于在图像中无法确定具体的光源的方向，本实施例通过凹陷内部的灰度信息来完成注塑产品表面凹陷检测的，所以必须先确定光线的方向。
首先假定光线方向，得到光线方向；图3示出了本实施例中不同光线方向的示意 图，仅在一张图像中并不能确定图像中光线的方向
Figure 13080DEST_PATH_IMAGE020
，所以本实施例中假定光线的方向有
Figure DEST_PATH_IMAGE021
个，得到光线方向的逆时针序列
Figure 327256DEST_PATH_IMAGE022
。
在具体实施过程中可以更改光线的方向
Figure 460428DEST_PATH_IMAGE020
和个数
Figure 860579DEST_PATH_IMAGE021
，光线方向可以取360°，因完 全相反的两个方向实际效果相同，所以本实施例中选取光线方向180°即两相邻光线方向之 间的角度间隔为
Figure DEST_PATH_IMAGE023
。
在确定光线方向后，沿该光线方向得到该方向上不同的光线，由图像的大小得到该光线方向上光线的数量，进一步得到该方向上每一光线的灰度曲线。
图4示出了本实施例中某一光线方向下光线个数的示意图，如图4所示已知光线方 向为
Figure 180833DEST_PATH_IMAGE024
(K为光线方向，
Figure 564279DEST_PATH_IMAGE005
为第几个光线方向)，通过三角函数可以求得该光线方向上的光线 个数
Figure DEST_PATH_IMAGE025
。
图5示出了本实施例中某光线方向上的某条光线的示意图，如图5所示光线方向从 右至左，右方向上起点位置纵坐标在125左右，沿该光线方向
Figure 787843DEST_PATH_IMAGE024
求得该光线方向对应的光 线
Figure 467217DEST_PATH_IMAGE026
，统计光线
Figure DEST_PATH_IMAGE027
沿光线方向
Figure 773302DEST_PATH_IMAGE024
上像素点的灰度值，得到灰度曲线。
图6示出了本实施例中某光线方向上的某条光线的灰度曲线，如图6所示本实施例中注塑产品的凹陷缺陷在横轴251位置左右，该光线方向由右至左且图像宽度为450。
步骤S3、根据每一条光线条件下对应的灰度曲线中的波峰波谷获得在该光线条件下灰度图像中缺陷的位置和缺陷的凹陷预选率，具体包括以下内容：
本实施例中根据灰度曲线中的灰度变化，结合凹陷内部在光线方向上先暗后亮的特征以及凹陷附近注塑产品表面灰度均匀一致等特征，得到光线上某段区域对应缺陷的凹陷预选率。
对符合凹陷预选率要求的光线，获取光线附近的光线凹陷预选率，根据凹陷预选率的变化得到凹陷预选率曲线，结合凹陷中心至凹陷边缘均匀变化的特征，得到该光线方向的缺陷的凹陷率。
将灰度曲线和凹陷内部灰度变化特征相结合得到光线的凹陷预选率，多个光线的凹陷预选率变化结合凹陷边缘灰度变化特征得到每一光线方向的缺陷的凹陷率。
图7示出了本实施例中每一光线方向上缺陷的凹陷率的获取过程的框图，如图7所示每一光线方向上缺陷的凹陷率的获取过程包括如下内容：
步骤S301、对所述灰度曲线进行平滑去噪，得到去噪后的灰度曲线，具体包括以下内容：
将灰度曲线进行高斯平滑去噪，得到噪声较小的灰度曲线，对灰度曲线做波峰、波 谷检测，得到灰度曲线上的波峰的位置
Figure 196325DEST_PATH_IMAGE028
、波谷位置
Figure DEST_PATH_IMAGE029
和分别对应的灰度值
Figure 262677DEST_PATH_IMAGE030
，本实施例中利用MATLAB软件将灰度值进行缩小，将灰度值从[0，255]缩小到 [0，1]范围内，如图8所示为本实施例中经过平滑去噪后的灰度曲线。
步骤S302、对去噪后的灰度曲线中的波峰及波谷进行分组，具体包括以下内容：
将检测得到的波谷、波峰信息，按波谷、波峰为分为一组，划分方式为：先从左往右找到去噪后的灰度曲线中第一个波谷，然后将该第一个波谷与该第一个波谷后的波峰划分至同一组，然后对后面的波谷及波峰按照波谷在前波峰在后的方式进行分组，每组均有一个波谷及一个波峰。
步骤S303、根据每组内波峰波谷像素值及与相邻组之间的灰度值的重叠程度，得到每组的凹陷预选率，具体包括以下内容：
本实施例中某一光线方向上某一光线的灰度曲线有
Figure DEST_PATH_IMAGE031
组波谷及波峰，得到每组波 谷、波峰之间的峰峰值
Figure 611487DEST_PATH_IMAGE032
，以及平滑去噪后灰度曲线中该组内每个像素点的灰度信息
Figure DEST_PATH_IMAGE033
，峰峰值指的是每组内像素最大值与像素最小值的差值，在本实施例中峰峰值为每组内波 峰的像素值与波谷的像素值之间的差值。
因为凹陷区域的明暗变化比较明显，所以波谷与波峰之间值的差值越大，此处就 越可能是个凹陷，所以将每组之间的峰峰值
Figure 142219DEST_PATH_IMAGE032
作为凹陷灰度差异明显的特征。
首先求得每组内灰度值曲线的变化与线性关系之间的离散距离，其值越小过渡就越均匀，渐变性就越好，该组就越可能处在凹陷处。
获取每组内波谷的位置信息
Figure 368932DEST_PATH_IMAGE029
、波峰的位置信息
Figure 829738DEST_PATH_IMAGE028
、波谷的像素值
Figure 241128DEST_PATH_IMAGE009
以及波 峰的像素值
Figure 23270DEST_PATH_IMAGE034
，将峰峰值平分得到为线性关系时，
Figure 820719DEST_PATH_IMAGE007
，其中
Figure 27709DEST_PATH_IMAGE006
为每组内生成线性 渐变的灰度隔间信息，
Figure 983901DEST_PATH_IMAGE003
指每组波谷及波峰之间存在的像素点个数，且
Figure DEST_PATH_IMAGE035
，平 滑去噪后的灰度曲线中每组内每个像素点对应的灰度信息为
Figure 722181DEST_PATH_IMAGE036
。
其次计算每组内灰度值曲线的变化与线性关系之间的离散距离，图9示出了每组 内灰度值的变化与线性关系之间的离散距离的示意图，如图9所示，
Figure 57741DEST_PATH_IMAGE004
为当第
Figure 322500DEST_PATH_IMAGE005
个像素点 在平滑去噪后的灰度曲线上的灰度值，
Figure DEST_PATH_IMAGE037
表示组内为线性关系时第
Figure 918436DEST_PATH_IMAGE005
个灰度 间隔的灰度值。
Figure 799804DEST_PATH_IMAGE005
表示从
Figure 685194DEST_PATH_IMAGE038
所有像素点个数的遍历，获取每个像素点对应的差值，将所有差值 求和得到
Figure DEST_PATH_IMAGE039
，
Figure 679826DEST_PATH_IMAGE040
，
Figure 836876DEST_PATH_IMAGE039
指的是每组内灰度值曲线的变化 与线性关系之间的离散距离，
Figure 80906DEST_PATH_IMAGE039
的值越小灰度曲线上像素值过渡就越均匀，像素值的渐变 性就越好，该组就越可能处于凹陷区域。
然后计算每组与相邻组之间的重叠程度，由于在凹陷的边缘之外注塑产品表面的 灰度值仍然是统一均匀的，所以每组中波谷的前一波峰
Figure DEST_PATH_IMAGE041
与每组中波峰的后一波谷
Figure 227110DEST_PATH_IMAGE042
之间应当出现值的重叠，该组与相邻组之间的重叠程度用
Figure 872986DEST_PATH_IMAGE010
表示，且
Figure DEST_PATH_IMAGE043
。p
图10示出了本实施例中每一光线方向上每一光线条件下每组与相邻两组之间的 像素值的重叠程度的示意图，如图10所示，当
Figure 545145DEST_PATH_IMAGE044
时，说明前一组的波峰
Figure DEST_PATH_IMAGE045
与后一组的波谷
Figure 246778DEST_PATH_IMAGE046
之间没有重叠，将后一组的波谷
Figure 351001DEST_PATH_IMAGE046
与前一组的波峰
Figure 84339DEST_PATH_IMAGE045
之间的差值与峰峰值做除法得到一个差值，为了保证合理性本实施例用1减去该值 作为
Figure 350235DEST_PATH_IMAGE010
，得到该组与其相邻两组之间的重叠程度即该组与其相邻两组之间的重叠程度；当
Figure DEST_PATH_IMAGE047
时，说明前一组的波峰
Figure 414531DEST_PATH_IMAGE045
与后一组的波谷
Figure 791286DEST_PATH_IMAGE046
之间出现值 的重叠，此时
Figure 270808DEST_PATH_IMAGE010
的值为
Figure 81507DEST_PATH_IMAGE048
；
Figure 646481DEST_PATH_IMAGE010
越大说明该组与其前后相邻两组的重叠程度越好。
最后得到该光线上每组的凹陷预选率
Figure DEST_PATH_IMAGE049
，
Figure 660880DEST_PATH_IMAGE015
的值越大，越可能是凹 陷，值越小越不可能是凹陷，其中
Figure 870276DEST_PATH_IMAGE008
指每组内波峰与波谷的峰峰值，
Figure 976510DEST_PATH_IMAGE008
代表了凹陷内部 明暗明显的特征，
Figure 904146DEST_PATH_IMAGE008
值越大，证明此处的明暗特征越明显，该组越可能是凹陷。
Figure 622703DEST_PATH_IMAGE039
代表每组内灰度值曲线的变化与线性关系之间的离散距离，
Figure 719228DEST_PATH_IMAGE039
越小凹陷内部 的灰度变化越趋于线性均匀，渐变性越好，该组越可能为凹陷区域。
Figure 373195DEST_PATH_IMAGE010
代表了凹陷的边缘的灰度值的重叠程度，因为在注塑产品表面的凹陷并不会 影响到凹陷以外的区域，注塑产品表面的灰度重叠程度，所以
Figure 411296DEST_PATH_IMAGE010
能反映凹陷外灰度的一致 性特征，其值为1时表示凹陷外区域出现了灰度的一致性，
Figure 808910DEST_PATH_IMAGE010
不为1时其值越小，该组就越 不可能处于凹陷区域。
Figure 117532DEST_PATH_IMAGE015
为该光线
Figure 709443DEST_PATH_IMAGE024
上每组的凹陷预选率，综合上述三个特征得
Figure 611672DEST_PATH_IMAGE015
的值越大，该组越 可能是凹陷，相反，
Figure 436146DEST_PATH_IMAGE015
的值越小该组越不可能是凹陷，
步骤S304、根据每组的波峰及波谷的凹陷预选率，得到每一光线方向上每一条光线条件下缺陷的凹陷率，具体包括以下内容：
利用步骤S301至步骤S303计算得到的该光线方向上该条光线条件下上所有组波峰及波谷中缺陷的凹陷预选率，将该条光线上所有组的凹陷预选率的最大值作为该条光线缺陷的凹陷预选率，目的在于将所有的组中特征最为明显的一组用于表征该光线方向上该条光线中缺陷的凹陷情况。
步骤S4、根据每一条光线条件下灰度图像中缺陷的位置和缺陷的凹陷预选率，得到同一光线方向中灰度图像中缺陷的凹陷率，具体包括以下内容：
由于凹陷由中心向两边的明暗变化是一个渐变的过程，所以在凹陷的中心的凹陷预选率为最大值，当从凹陷的中心向凹陷的两边渐变时，渐变过程应当为均匀变化，凹陷预选率呈现下降趋势。
获取该光线方向上所有光线中缺陷的凹陷预选率
Figure 474640DEST_PATH_IMAGE015
，生成凹陷预选率曲线，图11 示出了本实施例中某光线方向中缺陷的凹陷预选率曲线，如图11所示，将凹陷预选率曲线 中凹陷预选率的峰值对应的组所在的点作为明-暗中心处，得到明-暗中心处的凹陷预选率
Figure 595043DEST_PATH_IMAGE016
，以该峰值为中心，得到与明-暗中心同等间隔的，两侧光线凹陷预选率
Figure 751611DEST_PATH_IMAGE015
的差值
Figure 615662DEST_PATH_IMAGE017
，其中
Figure 7198DEST_PATH_IMAGE018
为差值的个数，应小于光线的个数，由实施者根据具体需求更 改，本实施例的经验值
Figure 705027DEST_PATH_IMAGE050
，得到对称性
Figure DEST_PATH_IMAGE051
:
Figure DEST_PATH_IMAGE053
波峰波谷的凹陷率
Figure 173659DEST_PATH_IMAGE054
：
Figure 605515DEST_PATH_IMAGE056
Figure 618602DEST_PATH_IMAGE051
的值小，对称性越好，越符合凹陷在明-暗中心向两边渐变的过程，其是凹陷的 概率就越高，
Figure 723217DEST_PATH_IMAGE054
的值就越大，最终得到该光线方向上的波峰波谷的凹陷率
Figure 211967DEST_PATH_IMAGE054
步骤S5、根据不同光线方向的灰度图像中缺陷的凹陷率确定出灰度图像中凹陷的凹陷率，根据凹陷率及该凹陷率对应的灰度曲线对产品中的缺陷及其位置进行判断，具体包括以下内容：
在得到所有光线方向的波峰波谷的凹陷率后，选取波峰波谷的凹陷率最大的光线 方向当凹陷率超过凹陷率阈值
Figure DEST_PATH_IMAGE057
时，该注塑产品表面存在缺陷。
当注塑产品表面存在缺陷时，在所有光线方向中选出缺陷的凹陷预选率最大的光线，从该光线中选出缺陷的凹陷预选率最大的一组波谷及波峰，根据光线方向，得到该组波谷及波峰的像素点坐标，然后波峰所在像素点与波谷所在像素点之间的距离，以该距离为直径做圆得到注塑产品表面的凹陷检测。
凹陷标注过程为：已知当前波谷，波峰的横坐标，并且已知当前光线的方向为所有光线方向中所有光线的第几个光线，由光线的方向和光线方向的所有光线中第几个光线，由三角函数和勾股定理可以得到该光线的直线方程，该直线方程在以图像左下角为坐标原点，横纵单位的坐标为一个像素点。
将波谷及波峰的横坐标带入直线方程，即可得到对应的纵坐标，再将直角坐标系的横纵坐标映射到图像中的位置，得到波谷及波峰所在图像中的行列号，由程序中的现有的画图函数，将缺陷在源图像中标注出来，完成注塑产品表面的凹陷检测。
综上所述相较于传统技术方案，本发明根据在适当光照下凹陷内的灰度信息，完成对注塑产品表面凹陷缺陷进行检测和提取；利用凹陷区域自身的特点对注塑产品表面缺陷进行检测，可以得到更加准确的凹陷区域；不需要提前采集大量的注塑产品表面图像，减少了存储用量。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (6)

1.一种基于多光线分析的注塑产品缺陷检测方法，其特征在于，包括：
S1：对注塑产品表面图像进行灰度处理，得到注塑产品表面在不同光线方向上每一条光线条件下对应的灰度图像；
S2：根据不同光线方向上每一条光线条件下对应的灰度图像的像素值，得到不同方向中每一条光线条件下对应的灰度曲线；
S3：根据每一条光线条件下对应的灰度曲线中的波峰波谷获得在该光线条件下灰度图像中缺陷的位置和缺陷的凹陷预选率；
所述缺陷的凹陷预选率的获取方法如下：
对所述灰度曲线进行平滑去噪，得到去噪后的灰度曲线；
对去噪后的灰度曲线中的波峰及波谷进行分组；
根据每组内波峰及波谷像素值及每组与相邻组之间的灰度值的重叠程度，得到每组的凹陷预选率；
根据每组的波峰及波谷的凹陷预选率，得到每一光线方向上每一条光线条件下缺陷的凹陷率；
所述凹陷预选率的计算模型为：
Figure DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE004
为每组之间像素点的个数，
Figure DEST_PATH_IMAGE006
为第
Figure DEST_PATH_IMAGE008
个像素点在去噪后的灰度曲线上的灰度值，
Figure DEST_PATH_IMAGE010
为每组组内生成线性渐变的灰度间隔信息，且
Figure DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE014
为每组波谷与波峰之间的峰峰值，
Figure DEST_PATH_IMAGE016
为该组波谷的像素值，
Figure DEST_PATH_IMAGE018
为该组与相邻组之间的灰度值的重叠程度；
S4：根据每一条光线条件下灰度图像中缺陷的位置和缺陷的凹陷预选率，得到同一光线方向中灰度图像中缺陷的凹陷率；
S5：根据不同光线方向的灰度图像中缺陷的凹陷率确定出灰度图像中凹陷的凹陷率，根据凹陷率及该凹陷率对应的灰度曲线对产品中的缺陷及其位置进行判断。
2.根据权利要求1所述一种基于多光线分析的注塑产品缺陷检测方法，其特征在于，所述对去噪后的灰度曲线中的波峰及波谷进行分组的方法如下：
根据去噪后的灰度曲线从左往右找到第一个波谷，将该第一个波谷与该第一个波谷后的波峰分为一组，按照波谷在前波峰在后的顺序将相邻波谷及波峰划分为同一组。
3.根据权利要求1所述一种基于多光线分析的注塑产品缺陷检测方法，其特征在于，所述相邻组之间的灰度值的重叠程度的计算模型为：
Figure DEST_PATH_IMAGE020
式中
Figure DEST_PATH_IMAGE022
为该组中波谷的前一波峰的像素值，
Figure DEST_PATH_IMAGE024
为该组中波峰的后一波谷的像素值。
4.根据权利要求1所述一种基于多光线分析的注塑产品缺陷检测方法，其特征在于，S4中同一光线方向中灰度图像中缺陷的凹陷率的方法为：
根据同一光线方向上的所有光线的波峰波谷的凹陷预选率
Figure DEST_PATH_IMAGE026
生成凹陷预选率曲线，通过峰值检测得到峰值处的凹陷预选率
Figure DEST_PATH_IMAGE028
，以该峰值为中心，得到
Figure 940731DEST_PATH_IMAGE028
与等间隔的两侧光线凹陷预选率的差值
Figure DEST_PATH_IMAGE030
，其中
Figure DEST_PATH_IMAGE032
为差值的个数，则同一光线方向缺陷的凹陷率为：
Figure DEST_PATH_IMAGE034
。
5.根据权利要求1所述一种基于多光线分析的注塑产品缺陷检测方法，其特征在于，所述产品中的缺陷进行判断的方法包括：
在得到所有光线方向缺陷的凹陷率后，选取凹陷率最大的光线方向，在从该光线方向中选出凹陷预选率最大的光线，将该光线的凹陷预选率作为图像的凹陷率，当图像的凹陷率超过凹陷率阈值时认为注塑产品中存在凹陷区域。
6.根据权利要求1所述一种基于多光线分析的注塑产品缺陷检测方法，其特征在于，完成所述产品中的缺陷判断的同时可以确定缺陷的具体位置，确定缺陷的具体位置的方法包括：
根据所述凹陷预选率最大的光线所在的光线方向，得到凹陷预选率最大的光线的中凹陷预选率最大的一组波谷及波峰，根据该组波谷及波峰的像素点坐标求得波峰及波谷之间的距离，以距离为直径作圆，该圆即为注塑产品表面的缺陷区域。
CN202111262927.9A 2021-10-28 2021-10-28 一种基于多光线分析的注塑产品缺陷检测方法 Active CN113706534B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111262927.9A CN113706534B (zh) 2021-10-28 2021-10-28 一种基于多光线分析的注塑产品缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111262927.9A CN113706534B (zh) 2021-10-28 2021-10-28 一种基于多光线分析的注塑产品缺陷检测方法

Publications (2)

Publication Number Publication Date
CN113706534A true CN113706534A (zh) 2021-11-26
CN113706534B CN113706534B (zh) 2022-01-25

Family

ID=78647431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111262927.9A Active CN113706534B (zh) 2021-10-28 2021-10-28 一种基于多光线分析的注塑产品缺陷检测方法

Country Status (1)

Country Link
CN (1) CN113706534B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359190A (zh) * 2021-12-23 2022-04-15 武汉金丰塑业有限公司 一种基于图像处理的塑料制品成型控制方法
CN114627049A (zh) * 2022-01-28 2022-06-14 天津市久跃科技有限公司 一种注塑产品表面缺陷检测方法
CN114638825A (zh) * 2022-05-12 2022-06-17 深圳市联志光电科技有限公司 一种基于图像分割的缺陷检测方法和检测系统
CN114782428A (zh) * 2022-06-17 2022-07-22 南通格冉泊精密模塑有限公司 注塑件气泡缺陷检测及成因分析方法及人工智能系统
CN115115640A (zh) * 2022-08-30 2022-09-27 南通美迪森医药科技有限公司 基于光学手段的胶囊外壳表面缺陷检测方法
CN116977333A (zh) * 2023-09-22 2023-10-31 山东恒海钢结构有限公司 基于图像数据的装配式钢结构构件质量检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03220443A (ja) * 1990-01-25 1991-09-27 Toyota Motor Corp 塗面の光沢度測定装置
CN203337939U (zh) * 2013-06-24 2013-12-11 京东方科技集团股份有限公司 一种液晶显示面板的检测装置
CN103913465A (zh) * 2014-04-04 2014-07-09 北京科技大学 一种多信息融合的高温铸坯表面缺陷在线检测方法
CN112098425A (zh) * 2020-11-17 2020-12-18 北京领邦智能装备股份公司 高精度的成像系统、方法、图像采集装置及检测设备
CN112098424A (zh) * 2020-11-17 2020-12-18 北京领邦智能装备股份公司 高精度的成像系统、方法及检测设备
CN112730459A (zh) * 2021-02-05 2021-04-30 北京嘉恒中自图像技术有限公司 基于多角度光源拍摄图像的轴承内圈端面缺陷检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03220443A (ja) * 1990-01-25 1991-09-27 Toyota Motor Corp 塗面の光沢度測定装置
CN203337939U (zh) * 2013-06-24 2013-12-11 京东方科技集团股份有限公司 一种液晶显示面板的检测装置
CN103913465A (zh) * 2014-04-04 2014-07-09 北京科技大学 一种多信息融合的高温铸坯表面缺陷在线检测方法
CN112098425A (zh) * 2020-11-17 2020-12-18 北京领邦智能装备股份公司 高精度的成像系统、方法、图像采集装置及检测设备
CN112098424A (zh) * 2020-11-17 2020-12-18 北京领邦智能装备股份公司 高精度的成像系统、方法及检测设备
CN112730459A (zh) * 2021-02-05 2021-04-30 北京嘉恒中自图像技术有限公司 基于多角度光源拍摄图像的轴承内圈端面缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
俞玮: ""AOI技术在PCB缺陷检测中的应用研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *
张保华: ""基于机器视觉和光谱成像技术的苹果外部品质检测方法研究"", 《中国优秀博硕士学位论文全文数据库(博士) 农业科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359190A (zh) * 2021-12-23 2022-04-15 武汉金丰塑业有限公司 一种基于图像处理的塑料制品成型控制方法
CN114627049A (zh) * 2022-01-28 2022-06-14 天津市久跃科技有限公司 一种注塑产品表面缺陷检测方法
CN114638825A (zh) * 2022-05-12 2022-06-17 深圳市联志光电科技有限公司 一种基于图像分割的缺陷检测方法和检测系统
CN114782428A (zh) * 2022-06-17 2022-07-22 南通格冉泊精密模塑有限公司 注塑件气泡缺陷检测及成因分析方法及人工智能系统
CN115115640A (zh) * 2022-08-30 2022-09-27 南通美迪森医药科技有限公司 基于光学手段的胶囊外壳表面缺陷检测方法
CN116977333A (zh) * 2023-09-22 2023-10-31 山东恒海钢结构有限公司 基于图像数据的装配式钢结构构件质量检测方法
CN116977333B (zh) * 2023-09-22 2023-12-22 山东恒海钢结构有限公司 基于图像数据的装配式钢结构构件质量检测方法

Also Published As

Publication number Publication date
CN113706534B (zh) 2022-01-25

Similar Documents

Publication Publication Date Title
CN113706534B (zh) 一种基于多光线分析的注塑产品缺陷检测方法
US20220148213A1 (en) Method for fully automatically detecting chessboard corner points
CN109389639B (zh) 动态行车环境下钢轨轮廓激光条纹中心提取方法及装置
CN105069389B (zh) 二维码分块解码方法及系统
CN113658133A (zh) 一种基于图像处理的齿轮表面缺陷检测方法及系统
CN116740070B (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN116912261B (zh) 一种塑料模具注塑表面缺陷检测方法
CN117095009B (zh) 一种基于图像处理的pvc装饰板缺陷检测方法
CN115170570B (zh) 基于灰度游程矩阵的织物起毛起球检测方法
CN114881965A (zh) 一种基于人工智能和图像处理的木板节子检测方法
CN118015002B (zh) 一种交通工程路况视觉检测方法及系统
CN102324099A (zh) 一种面向仿人机器人的台阶边缘检测方法
CN116503397A (zh) 基于图像数据的车内传输带缺陷检测方法
CN117635595B (zh) 一种精密注塑模胚表面质量视觉检测方法
US8396297B2 (en) Supervised edge detection using fractal signatures
CN117237344B (zh) 基于机器视觉的电子雾化器芯片外观质量检测方法
CN110210316A (zh) 基于灰度图像的交通信号灯数字识别方法
CN118334019B (zh) 一种注塑件注塑质量检测方法及系统
CN118071753A (zh) 一种注塑模具表面缺陷视觉检测方法
CN114018946B (zh) 一种基于OpenCV的高反光瓶盖缺陷检测方法
Wang et al. Road detection based on illuminant invariance and quadratic estimation
CN117611589B (zh) 一种平板电脑质量检测方法及系统
CN116993719A (zh) 一种oca光学薄膜表面缺陷视觉检测方法及系统
CN114638833B (zh) 基于机器视觉的有色金属压延质量检测方法及系统
CN107705302A (zh) 一种圆形及类圆形视觉检测方法及系统

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