CN114155230A - 一种表面光滑的注塑pc板的质量分类方法及系统 - Google Patents

一种表面光滑的注塑pc板的质量分类方法及系统 Download PDF

Info

Publication number
CN114155230A
CN114155230A CN202111486613.7A CN202111486613A CN114155230A CN 114155230 A CN114155230 A CN 114155230A CN 202111486613 A CN202111486613 A CN 202111486613A CN 114155230 A CN114155230 A CN 114155230A
Authority
CN
China
Prior art keywords
image
suspected
sequence
value
entropy
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.)
Withdrawn
Application number
CN202111486613.7A
Other languages
English (en)
Inventor
程良畅
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.)
Jiangsu Puliter Technology Co ltd
Original Assignee
Jiangsu Puliter Technology 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 Jiangsu Puliter Technology Co ltd filed Critical Jiangsu Puliter Technology Co ltd
Priority to CN202111486613.7A priority Critical patent/CN114155230A/zh
Publication of CN114155230A publication Critical patent/CN114155230A/zh
Withdrawn legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种表面光滑的注塑PC板的质量分类方法及系统。该方法包括：获取多帧注塑PC板的初始图像及其每行像素的排列熵，得到对应的排列熵序列；利用遗忘算法对排列熵序列进行融合得到融合序列，根据融合序列确定疑似异常行，相邻的多个疑似异常行为一个疑似异常区域；选取候选图像，以候选图像中任意像素点为中心像素点，得到以对比度为像素值的对比度图像；根据对比度图像获取疑似边缘散点，获取边缘概率；根据排列熵均值以及边缘概率获取异常区域；根据疑似异常区域以及异常区域对注塑PC板进行质量分类。能够有效避免光照以及注塑PC板中脏污区域的影响，提高对剐蹭缺陷区域检测的准确性。

Description

一种表面光滑的注塑PC板的质量分类方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种表面光滑的注塑PC板的质量分类方法及系统。
背景技术
注塑PC板在成型过程中，可能由于压力或者模板的因素，使得注塑PC板的表面出现剐蹭的情况。
现有的基于计算机视觉对剐蹭缺陷的检测，往往是通过阈值分割的方法进行，采用自适应双峰法阈值分割得到目标二值图像，再利用定面积阈值分割得到目标高亮区域二值图像，然后提取目标高亮区域的红绿蓝三通道的平均值、灰度值以及灰度值的标准差，输入SVM模型中对其光泽度进行判定。利用该方法极易受光照以及注塑PC板本身的颜色影响，导致对剐蹭缺陷的检测并不准确。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种表面光滑的注塑PC板的质量分类方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种表面光滑的注塑PC板的质量分类方法，该方法包括：
获取多帧注塑PC板的初始图像；
获取每帧所述初始图像中每行像素的排列熵，得到每帧所述初始图像对应的排列熵序列；
利用遗忘算法对多帧所述初始图像所对应的排列熵序列进行融合得到融合序列，在所述融合序列中融合值大于预设阈值时，确定大于预设阈值的融合值所对应的行为疑似异常行，相邻的多个疑似异常行为一个疑似异常区域；
选取异常行与其相邻正常行排列熵差异最大的初始图像为候选图像，以所述候选图像中任意像素点为中心像素点，获取所述中心像素点邻域内的对比度为所述中心像素点的像素值，得到对比度图像；根据所述对比度图像获取疑似边缘散点，根据所述疑似边缘散点获取边缘概率；
获取每个所述疑似异常区域的排列熵均值，根据所述排列熵均值以及所述边缘概率获取异常区域；
根据所述疑似异常区域以及所述异常区域对所述注塑PC板进行质量分类。
优选的，所述利用遗忘算法对多帧所述初始图像所对应的排列熵序列进行融合得到融合序列的步骤，包括：
获取待融合初始图像与前一帧融合图像之间的相关性；
根据所述初始图像之间的相关性、当前帧初始图像的排列熵序列以及前一帧的融合序列进行融合获取当前帧的融合序列。
优选的，所述获取待融合初始图像与前一帧融合图像之间的相关性步骤，还包括：
两帧所述初始图像对应的排列熵序列融合时，所述相关性为遗忘算法的衰减系数；
多帧所述初始图像对应的排列熵序列融合时，所述相关性的均值为遗忘算法的衰减系数。
优选的，所述获取所述中心像素点邻域内的对比度为所述中心像素点的像素值的步骤，包括：
以所述中心像素点及其邻域像素点构建窗口，获取所述窗口的灰度共生矩阵，根据所述灰度共生矩阵获取所述窗口的对比度，所述对比度为所述中心像素点的像素值。
优选的，所述根据所述疑似边缘散点获取边缘概率的步骤，包括：
根据所述疑似边缘散点拟合疑似缺陷边界，获取所述疑似边缘散点的数量与所述疑似缺陷边界像素点数量的比值，所述比值为所述边缘概率。
优选的，所述根据所述排列熵均值以及所述边缘概率获取异常区域的步骤，包括：
根据所述边缘概率获取非边缘概率，所述排列熵均值与所述非边缘概率的乘积为剐蹭概率，所述剐蹭概率大于预设阈值时，所述疑似异常区域为异常区域。
优选的，所述获取多帧注塑PC板的初始图像的步骤，包括：
获取多帧光照下注塑PC板的俯视图像，将所述俯视图像输入语义分割网络中获取语义分割图像，将所述语义分割图像作为遮罩与所述俯视图像相乘，得到注塑PC板的初始图像。
优选的，所述选取异常行与其相邻正常行排列熵差异最大的初始图像为候选图像的步骤，包括：
获取每帧所述初始图像中异常行排列熵的均值，计算所述均值与其相邻正常行的排列熵之间的差值得到所述初始图像的差值序列，以所述差值序列最大时对应的所述初始图像为所述候选图像。
第二方面，本发明另一个实施例提供了一种表面光滑的注塑PC板的质量分类系统，该系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明具有如下有益效果：通过获取多帧光照下注塑PC板的初始图像，计算该初始图像中每一行的排列熵从而得到该初始图像对应的排列熵序列，利用遗忘算法对多帧初始图像排列熵序列进行融合得到融合序列，根据融合序列中的融合值得到每帧初始图像中的异常行以及疑似异常区域；从多帧初始图像中选取候选图像，计算候选图像中每个像素点的对比度值得到对应的对比度图像，根据对比度图像确定疑似边缘散点，计算边缘概率；通过每个疑似异常区域的排列熵均值以及边缘概率获取剐蹭概率，判断该疑似异常区域是否为异常区域，最终根据疑似异常区域以及异常区域对注塑PC板进行质量分类。能够有效避免光照以及注塑PC板中脏污区域的影响，提高对剐蹭缺陷区域检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明一个实施例所提供的一种表面光滑的注塑PC板的质量分类的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种表面光滑的注塑PC板的质量分类方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例主要适用于对表面光滑的注塑PC板进行质量分类，为了解决阈值分割方法准确性不高的问题，本发明实施例通过获取多帧光照下注塑PC板的初始图像，计算该初始图像中每一行的排列熵从而得到该初始图像对应的排列熵序列，利用遗忘算法对多帧初始图像排列熵序列进行融合得到融合序列，根据融合序列中的融合值得到每帧初始图像中的异常行以及疑似异常区域；从多帧初始图像中选取候选图像，计算候选图像中每个像素点的对比度值得到对应的对比度图像，根据对比度图像确定疑似边缘散点，计算边缘概率；通过每个疑似异常区域的排列熵均值以及边缘概率获取剐蹭概率，判断该疑似异常区域是否为异常区域，最终根据疑似异常区域以及异常区域对注塑PC板进行质量分类。能够避免注塑PC板中脏污区域的影响，提高对剐蹭缺陷区域检测的准确性。
下面结合附图具体的说明本发明所提供的一种表面光滑的注塑PC板的质量分类方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种表面光滑的注塑PC板的质量分类方法流程图，该方法包括以下步骤：
步骤S100，获取多帧光照下的初始图像，初始图像仅包括注塑PC板区域。
为了更加清晰的采集到注塑PC板的表面图像，本发明实施例中利用平行光源进行打光，平行光源与水平面的夹角为60°，将高清相机布置于垂直方向上与光源对称的位置，以确保能够采集到清晰的图像。
注塑PC板在传送带上匀速运动，当注塑PC板运动至光源与相机的中间位置时，高清相机开始采集俯视图像，本发明实施例中设置每间隔0.5秒进行一次图像采集，得到多帧光照下的俯视图像。
将采集到的俯视图像输入语义分割网络，网络的结构为编码器-解码器结构，得到注塑PC板的语义分割图像，语义分割网络训练的具体过程为：
1)语义分割网络的输入为俯视图像；
2)人为对俯视图像进行标注，注塑PC板区域像素点标注为1，其余像素点标注为0；
3)语义分割网络的输出包括注塑PC板区域的语义分割图像；
4)损失函数采用均方差损失函数。
将注塑PC板区域的语义分割图像作为遮罩与输入的俯视图像相乘，也即将注塑PC板区域从俯视图像中裁剪出来，得到注塑PC板区域的初始图像。
步骤S200，获取每帧初始图像中每行像素的排列熵，得到每帧初始图像对应的排列熵序列。
由步骤S100获取到多帧初始图像，注塑PC板的表面为镜面纯色的光滑表面，为了消除噪声对缺陷区域的影响，对初始图像的图像特征进行分析，计算每帧初始图像的排列熵，排列熵越大，表明该初始图像的特征越复杂。在理想状态下对于无缺陷以及投影的情况下，每帧初始图像中每行像素的排列熵的熵值较小且熵值相差不大。
具体的，对每帧初始图像进行灰度化处理，得到初始图像所对应的灰度图像；计算灰度图像中每行像素的排列熵，具体的，将每行像素点的灰度值视为灰度值时间序列，记该时间序列的长度为N，该灰度值时间序列为{u(1)，u(2)，u(3)…u(N)}；对该灰度值时间序列嵌入一个维度为m的时间窗口与一个时间延迟L；该m维的时间窗口，以时间延迟L为步长，对原灰度值时间序列进行重构得到多个子序列；将每个子序列以X(i)表示，则{X(i)＝u(i)，u(i+L)，...，u(i+(m-1)L)}。对每个X(i)内部的每个元素进行排序，本发明实施例中按照升序排列，若两个元素的值相等，则按照该元素对应的角标进行排序；用符号序列{j1，j2，...jm}表示对每个X(i)内部的每个元素排序后的位置索引结果，该符号序列的数量为m！，即一个m维的子序列X(i)被映射到m！个序列(j1，j2，...jm)中的其中一种。将每个符号序列的分布概率表示为{P1，P2…PK}，其中K≤m！。
则灰度值时间序列的排列熵为：
Figure BDA0003396838610000051
其中，H(m)表示每行灰度值时间序列的排列熵；K表示子序列的数量；pj表示第j个子序列的分布概率。
为了便于后续的计算，对每行灰度值时间序列的排列熵进行归一化处理：
Figure BDA0003396838610000052
其中，H(m)′表示归一化后的排列熵；H(m)表示每行灰度值时间序列的排列熵；m！为符号序列的数量。
将灰度图像中每行灰度值时间序列的排列熵由第1行开始进行排序，获取到每帧初始图像所对应的排列熵序列。
步骤S300，利用遗忘算法对多帧初始图像所对应的排列熵序列进行融合得到融合序列，在融合序列中融合值大于预设阈值时，确定大于预设阈值的融合值所对应的行为疑似异常行，相邻的多个疑似异常行为一个疑似异常区域。
由步骤S200中获取到多帧初始图像所对应的排列熵序列，由于注塑PC板表面光滑能够发生镜面反射，所以在无缺陷的情况下，采集到的注塑PC板区域的表面存在较多的投影；在有缺陷的情况下，采集到的注塑PC板区域的表面图像中包括投影和缺陷，因此投影对注塑PC板异常区域的判断带来较大的干扰。对于获取的注塑PC板区域，随着传送带的移动，在注塑PC板区域的投影位置会发生变化，也即随着采集的时间不同，注塑PC板区域中的投影位置会发生改变；但注塑PC板上的固有缺陷不会随着传送带的移动而发生变化，基于此特性可以将注塑PC板上的固有缺陷位置初步识别出来。
利用遗忘算法对多帧初始图像的排列熵序列进行融合得到融合序列，根据初始图像之间的相关性、当前帧初始图像的排列熵序列以及前一帧的融合序列进行融合获取当前帧的融合序列。该融合方法采用遗忘算法，遗忘算法具体为：
Fi+1＝αiFi+(1-αi)fi+1
其中，Fi+1表示第i+1帧初始图像的排列熵序列与前i帧初始图像的排列熵序列融合后的融合序列；Fi表示前i帧初始图像的排列熵序列融合后的融合序列；fi+1表示第i+1帧初始图像的排列熵序列；αi表示第i次融合对应的衰减系数。
作为一个优选实施例，当i为1时，F1表示第1帧初始图像的排列熵序列；f2表示第2帧初始图像的排列熵序列；F2表示第2帧初始图像的排列熵序列与第1帧初始图像的排列熵序列融合后的融合序列；α1表示第1次融合对应的衰减系数。当i为2时，F2表示第2帧初始图像的排列熵序列与第1帧初始图像的排列熵序列融合后的融合序列；f3表示第3帧初始图像的排列熵序列；F3表示第3帧初始图像的排列熵序列与前两帧初始图像排列熵序列的融合序列；α2表示第2次融合对应的衰减系数，以此类推。
进一步的，衰减系数由两帧初始图像排列熵序列之间的相关性得到；本发明实施例中采用归一化互相关算法获取两帧初始图像排列熵序列之间的相关性，两帧初始图像排列熵序列越相似则相关性越强，相关性的取值越趋近于1。
获取每帧初始图像之间的相关性；两帧初始图像对应的排列熵序列融合时，相关性为遗忘算法的衰减系数；多帧初始图像对应的排列熵序列融合时，相关性的均值为遗忘算法的衰减系数。
具体的，本发明实施例中衰减系数的计算过程包括：
当i为1时，利用归一化互相关匹配算法计算第一帧初始图像排列熵序列与第二帧初始图像排列熵序列的相似度α1；当i为2时，利用归一化互相关匹配算法计算第三帧初始图像排列熵序列与第一帧初始图像排列熵序列的相似度，以及第三帧初始图像排列熵序列与第二帧初始图像排列熵序列的相似度，然后计算这两个相似度的平均值，作为α2；当i为3时，利用归一化互相关匹配算法计算第四帧初始图像排列熵序列与第一帧初始图像排列熵序列的相似度，第四帧初始图像排列熵序列与第二帧初始图像排列熵序列的相似度，以及第四帧初始图像排列熵序列与第三帧初始图像排列熵序列的相似度，然后计算这三个相似度的平均值，作为α3。
对多帧初始图像排列熵序列进行多次融合后，固有缺陷区域所在行的排列熵会由于排列熵序列的融合而呈现出稳定的特征，且由于注塑PC板本身为镜面光滑的，因此在出现缺陷之后，每行的像素的熵值增大，也即在多次融合之后缺陷区域所在行的熵值较大，也即当融合序列中的融合值大于预设阈值时，则大于预设阈值的融合值所对应的行判定为疑似异常行，当存在多个相邻的疑似异常行时，构成一个疑似异常区域。
作为优选，本发明实施例中根据历史采集到的大量注塑PC板图像中缺陷区域的排列熵的最小值作为预设的融合阈值，在其他实施例中可以通过获取每个疑似异常区域中最小的排列熵，得到所有疑似异常区域对应的最小的排列熵集合，从而计算该最小的排列熵集合的均值作为阈值。
步骤S400，选取疑似异常行及其相邻正常行排列熵差异最大的初始图像为候选图像，以候选图像中任意像素点为中心像素点，获取中心像素点邻域内的对比度为中心像素点的像素值，得到对比度图像；根据对比度图像获取疑似边缘散点，根据疑似边缘散点获取边缘概率。
由步骤S300中获取到疑似异常区域，但当注塑PC板表面有脏污时，也会对排列熵结果产生影响从而使得脏污区域可能误判断为疑似异常区域，因此需要将疑似异常区域中的脏污区域区分出来。
具体的，计算每帧初始图像中疑似异常行排列熵的均值与相邻正常行的排列熵之间的差值得到该初始图像的差值序列，本发明实施例中设定相邻正常行数量上下不超过三行，疑似异常行的排列熵的均值与正常行的排列熵存在差异，选取所有初始图像中正常行与疑似异常行排列熵差值序列的均值中最大的图像为候选图像，进行后续的分析。
进一步的，以候选图像中疑似异常行及其上下三行的区域为待处理区域，以待处理区域中任意像素点作为中心像素点，以中心像素点及其邻域像素点构建窗口，本发明实施例中将窗口的尺寸设置为3×3，计算该窗口内的灰度共生矩阵，通过灰度共生矩阵计算其对比度，将获取到的对比度值作为该窗口中心像素点的像素值。对候选图像中的每个像素点的对比度值进行计算，最终得到一个由对比度值构成的对比度图像。
由于剐蹭边缘灰度变化不明显，而脏污区域存在明显的边缘，所以根据获取到的对比度图像判断是否存在脏污区域，人为预设对比度阈值，当对比度图像中像素点的像素值大于对比度阈值时，该像素点是较为明显的边缘部分，判定为疑似边缘散点。
作为优选，本发明实施例中对比度阈值取经验值100，当对比度图像中像素点的像素值不小于100时，该像素点为疑似边缘散点。
根据疑似边缘散点拟合疑似缺陷边界，获取疑似边缘散点的数量与疑似缺陷边界像素点数量的比值，比值为边缘概率。
进一步的，统计所有疑似边缘散点的数量，疑似边缘散点的数量越多表示存在明显边缘的概率越大，本发明实施例中采用散点轮廓算法拟合疑似边缘散点的边界，得到近似缺陷边界的边界线，统计该边界线上所有像素点的数量，则边缘概率为：
Figure BDA0003396838610000081
其中，R表示边缘概率；e表示边界线上疑似边缘散点的数量；E表示边界线上所有像素点的数量。
步骤S500，获取每个疑似异常区域的排列熵均值，根据排列熵均值以及边缘概率获取异常区域。
由步骤S200获取到每帧图像中每行的排列熵，计算疑似异常区域中所有疑似异常行所对应的排列熵的均值：
Figure BDA0003396838610000082
其中，
Figure BDA0003396838610000083
表示归一化后的排列熵均值；(H(m)′)i表示归一化后第i行的排列熵；n表示疑似异常行的数量。
根据边缘概率获取非边缘概率，排列熵均值与非边缘概率的乘积为剐蹭概率，剐蹭概率大于预设阈值时，疑似异常区域为异常区域。
当排列熵均值越大时，该区域为异常区域的可能性越大；边缘概率越大，则剐蹭的概率越小，根据排列熵均值以及边缘概率得到剐蹭概率为：
Figure BDA0003396838610000084
其中，S表示剐蹭概率；
Figure BDA0003396838610000085
表示排列熵均值；R表示边缘概率，1-R为非边缘概率。
作为优选，本发明实施例中将剐蹭概率阈值设置为经验值0.6，当剐蹭概率大于0.6时，则该疑似异常区域为存在剐蹭缺陷的异常区域。
步骤S600，根据疑似异常区域以及异常区域对注塑PC板进行质量分类。
基于步骤S100至步骤S500的对疑似异常区域以及异常区域判断的方法，检测注塑PC板的初始图像中是否存在疑似异常区域，若不存在疑似异常区域，则将该注塑PC板判定为合格品，若存在疑似异常区域，则将该注塑PC板送入待选区域进一步分析。
对于待选区域的注塑PC板的疑似异常区域进行对比度分析，判断该疑似异常区域中疑似边缘点的非边缘概率，若非边缘概率与排列熵均值的乘积不大于预设阈值时，则该注塑PC板的异常区域属于脏污缺陷，将此注塑PC板送入清洗区进行清洗，清洗完成后进入合格品区域；若非边缘概率与排列熵均值的乘积大于预设阈值时，则该注塑PC板的疑似异常区域确定为异常区域，具有剐蹭缺陷，标记为次品进入次品区，进行销毁回收处理。
综上所述，本发明实施例通过获取多帧光照下注塑PC板的初始图像，计算该初始图像中每一行的排列熵从而得到该初始图像对应的排列熵序列，利用遗忘算法对多帧初始图像排列熵序列进行融合得到融合序列，根据融合序列中的融合值得到每帧初始图像中的异常行以及疑似异常区域；从多帧初始图像中选取候选图像，计算候选图像中每个像素点的对比度值得到对应的对比度图像，根据对比度图像确定疑似边缘散点，计算边缘概率；通过每个疑似异常区域的排列熵均值以及边缘概率获取剐蹭概率，判断该疑似异常区域是否为异常区域，最终根据疑似异常区域以及异常区域对注塑PC板进行质量分类。能够避免注塑PC板中脏污区域的影响，提高对剐蹭缺陷区域检测的准确性。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种表面光滑的注塑PC板的质量分类系统，该系统包括：处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种表面光滑的注塑PC板的质量分类方法实施例中的步骤，例如图1所示的步骤。该一种表面光滑的注塑PC板的质量分类方法在上述实施例中已经详细说明，不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (9)

1.一种表面光滑的注塑PC板的质量分类方法及系统，其特征在于，该方法包括以下步骤：
获取多帧注塑PC板的初始图像；
获取每帧所述初始图像中每行像素的排列熵，得到每帧所述初始图像对应的排列熵序列；
利用遗忘算法对多帧所述初始图像所对应的排列熵序列进行融合得到融合序列，在所述融合序列中融合值大于预设阈值时，确定大于预设阈值的融合值所对应的行为疑似异常行，相邻的多个疑似异常行为一个疑似异常区域；
选取疑似异常行与其相邻正常行排列熵差异最大的初始图像为候选图像，以所述候选图像中任意像素点为中心像素点，获取所述中心像素点邻域内的对比度为所述中心像素点的像素值，得到对比度图像；根据所述对比度图像获取疑似边缘散点，根据所述疑似边缘散点获取边缘概率；
获取每个所述疑似异常区域的排列熵均值，根据所述排列熵均值以及所述边缘概率获取异常区域；
根据所述疑似异常区域以及所述异常区域对所述注塑PC板进行质量分类。
2.根据权利要求1所述的方法，其特征在于，所述利用遗忘算法对多帧所述初始图像所对应的排列熵序列进行融合得到融合序列的步骤，包括：
获取待融合初始图像与前一帧融合图像之间的相关性；
根据所述初始图像之间的相关性、当前帧初始图像的排列熵序列以及前一帧的融合序列进行融合获取当前帧的融合序列。
3.根据权利要求2所述的方法，其特征在于，所述获取待融合初始图像与前一帧融合图像之间的相关性步骤，还包括：
两帧所述初始图像对应的排列熵序列融合时，所述相关性为遗忘算法的衰减系数；
多帧所述初始图像对应的排列熵序列融合时，所述相关性的均值为遗忘算法的衰减系数。
4.根据权利要求1所述的方法，其特征在于，所述获取所述中心像素点邻域内的对比度为所述中心像素点的像素值的步骤，包括：
以所述中心像素点及其邻域像素点构建窗口，获取所述窗口的灰度共生矩阵，根据所述灰度共生矩阵获取所述窗口的对比度，所述对比度为所述中心像素点的像素值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述疑似边缘散点获取边缘概率的步骤，包括：
根据所述疑似边缘散点拟合疑似缺陷边界，获取所述疑似边缘散点的数量与所述疑似缺陷边界像素点数量的比值，所述比值为所述边缘概率。
6.根据权利要求1所述的方法，其特征在于，所述根据所述排列熵均值以及所述边缘概率获取异常区域的步骤，包括：
根据所述边缘概率获取非边缘概率，所述排列熵均值与所述非边缘概率的乘积为剐蹭概率，所述剐蹭概率大于预设阈值时，所述疑似异常区域为异常区域。
7.根据权利要求1所述的方法，其特征在于，所述获取多帧注塑PC板的初始图像的步骤，包括：
获取多帧光照下注塑PC板的俯视图像，将所述俯视图像输入语义分割网络中获取语义分割图像，将所述语义分割图像作为遮罩与所述俯视图像相乘，得到注塑PC板的初始图像。
8.根据权利要求1所述的方法，其特征在于，所述选取疑似异常行与其相邻正常行排列熵差异最大的初始图像为候选图像的步骤，包括：
获取每帧所述初始图像中疑似异常行排列熵的均值，计算所述均值与其相邻正常行的排列熵之间的差值得到所述初始图像的差值序列，以所述差值序列最大时对应的所述初始图像为所述候选图像。
9.一种表面光滑的注塑PC板的质量分类系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～8任意一项所述方法的步骤。
CN202111486613.7A 2021-12-07 2021-12-07 一种表面光滑的注塑pc板的质量分类方法及系统 Withdrawn CN114155230A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111486613.7A CN114155230A (zh) 2021-12-07 2021-12-07 一种表面光滑的注塑pc板的质量分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111486613.7A CN114155230A (zh) 2021-12-07 2021-12-07 一种表面光滑的注塑pc板的质量分类方法及系统

Publications (1)

Publication Number Publication Date
CN114155230A true CN114155230A (zh) 2022-03-08

Family

ID=80453073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111486613.7A Withdrawn CN114155230A (zh) 2021-12-07 2021-12-07 一种表面光滑的注塑pc板的质量分类方法及系统

Country Status (1)

Country Link
CN (1) CN114155230A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693650A (zh) * 2022-03-31 2022-07-01 南通俊朗智能科技有限公司 一种基于机器视觉的混合机智能控制方法
CN114723702A (zh) * 2022-03-31 2022-07-08 海门市腾飞橡塑厂 一种基于图像处理的注塑制件虎皮纹缺陷检测方法及系统
CN114742786A (zh) * 2022-03-31 2022-07-12 南通申东冶金机械有限公司 基于人工智能的齿面磨粒磨损程度评估方法
CN114913365A (zh) * 2022-04-22 2022-08-16 海门王巢家具制造有限公司 基于机器视觉的人造板质量分类方法及系统
CN114905632A (zh) * 2022-04-22 2022-08-16 雷迈建材江苏有限公司 基于机器视觉的混凝土砂浆搅拌机控制方法及系统
CN115272346A (zh) * 2022-09-30 2022-11-01 江苏炜盛光电科技有限公司 一种基于边缘检测的pcb板生产过程在线检测方法
CN114693650B (zh) * 2022-03-31 2024-05-24 无锡市慧航智能科技有限公司 一种基于机器视觉的混合机智能控制方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693650A (zh) * 2022-03-31 2022-07-01 南通俊朗智能科技有限公司 一种基于机器视觉的混合机智能控制方法
CN114723702A (zh) * 2022-03-31 2022-07-08 海门市腾飞橡塑厂 一种基于图像处理的注塑制件虎皮纹缺陷检测方法及系统
CN114742786A (zh) * 2022-03-31 2022-07-12 南通申东冶金机械有限公司 基于人工智能的齿面磨粒磨损程度评估方法
CN114742786B (zh) * 2022-03-31 2023-08-29 山东西岳智能科技有限公司 基于人工智能的齿面磨粒磨损程度评估方法
CN114693650B (zh) * 2022-03-31 2024-05-24 无锡市慧航智能科技有限公司 一种基于机器视觉的混合机智能控制方法
CN114913365A (zh) * 2022-04-22 2022-08-16 海门王巢家具制造有限公司 基于机器视觉的人造板质量分类方法及系统
CN114905632A (zh) * 2022-04-22 2022-08-16 雷迈建材江苏有限公司 基于机器视觉的混凝土砂浆搅拌机控制方法及系统
CN115272346A (zh) * 2022-09-30 2022-11-01 江苏炜盛光电科技有限公司 一种基于边缘检测的pcb板生产过程在线检测方法

Similar Documents

Publication Publication Date Title
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN114155230A (zh) 一种表面光滑的注塑pc板的质量分类方法及系统
CN111862064B (zh) 一种基于深度学习的银质丝材表面瑕疵识别方法
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN116205919B (zh) 基于人工智能的五金零件生产质量检测方法及系统
JP4529172B2 (ja) デジタル画像における赤目領域の検出方法及び装置
Unay et al. Automatic defect segmentation of ‘Jonagold’apples on multi-spectral images: A comparative study
CN116309600B (zh) 基于图像处理的环保纺织品质量检测方法
CN110473201A (zh) 一种刹车片表面缺陷的自动检测方法及装置
Bibiloni et al. A real-time fuzzy morphological algorithm for retinal vessel segmentation
CN113449606B (zh) 一种目标对象识别方法、装置、计算机设备及存储介质
KR100868884B1 (ko) 유리 기판 유리 불량 정보 시스템 및 분류 방법
CN116703911B (zh) 一种led灯生产质量检测系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
EP3350574A1 (en) Image analysis system and method
CN117173158B (zh) 一种精密连接器质量智能检测方法及系统
CN114004858A (zh) 基于机器视觉识别航空线缆表面编码的方法及装置
CN114067147A (zh) 一种基于局部形状匹配的舰船目标确认方法
US7502525B2 (en) System and method for edge detection of an image
JP7415286B2 (ja) カラーフィルタ検査装置、検査装置、カラーフィルタ検査方法および検査方法
Sultana et al. Design and development of fpga based adaptive thresholder for image processing applications
CN109934817A (zh) 一种果体外部轮廓畸形检测方法
JP2003216953A (ja) 画像から対象物を抽出する方法およびその装置
CN114937042B (zh) 基于机器视觉的塑料制品质量评估方法
CN117474916B (zh) 一种图像检测方法、电子设备及存储介质

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220308