CN114387438A - 基于机器视觉的压铸机参数调控方法 - Google Patents

基于机器视觉的压铸机参数调控方法 Download PDF

Info

Publication number
CN114387438A
CN114387438A CN202210290716.4A CN202210290716A CN114387438A CN 114387438 A CN114387438 A CN 114387438A CN 202210290716 A CN202210290716 A CN 202210290716A CN 114387438 A CN114387438 A CN 114387438A
Authority
CN
China
Prior art keywords
edge
under
suspected
injection
casting
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
CN202210290716.4A
Other languages
English (en)
Other versions
CN114387438B (zh
Inventor
陆志惠
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.)
Wuhan Jinhui Die Casting Co ltd
Original Assignee
Wuhan Jinhui Die Casting 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 Wuhan Jinhui Die Casting Co ltd filed Critical Wuhan Jinhui Die Casting Co ltd
Priority to CN202210290716.4A priority Critical patent/CN114387438B/zh
Publication of CN114387438A publication Critical patent/CN114387438A/zh
Application granted granted Critical
Publication of CN114387438B publication Critical patent/CN114387438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明涉及基于机器视觉的压铸机参数调控方法，属于压铸机调控领域。方法包括以下步骤：获取铸件图像，利用边缘检测算子提取铸件图像的边缘，得到铸件边缘图；将铸件边缘图中的边缘进行划分，得到多条边缘段；根据各边缘段之间的相似性对各边缘段进行分组，提取各组中的疑似欠注区域；根据各疑似欠注区域的突变程度得到各疑似欠注区域的目标欠注点数量，根据各疑似欠注区域的目标欠注点数量得到铸件的欠注程度；根据铸件的欠注程度对压铸机参数进行调控。本发明提高了对铸件欠注程度判断的准确性。

Description

基于机器视觉的压铸机参数调控方法
技术领域
本发明涉及压铸机调控领域，具体涉及基于机器视觉的压铸机参数调控方法。
背景技术
压铸机是用于压力铸造的机器，压铸机在压力作用下把熔融金属液压射到模具中冷却成型，开模后可以得到固体金属铸件。在实际生产过程中，需要根据开模后得到的固体金属铸件是否存在缺陷以及缺陷的程度来对压铸机参数进行调节。铸件的缺陷包括欠注，欠注也称浇不足、轮廓不清、边角残缺，是指在压铸过程中，金属液未充满型腔，铸件上出现填充不完整的部位。欠注多出现在铸件末端或狭窄深腔处。
对于铸件欠注的识别，现有方法是基于Canny算子获取目标的边缘，进而检测边缘的间断点。Canny算子获取目标的边缘的过程中，为了获取准确的边缘，采用非极大值抑制和滞后阈值来抑制单个边界邻域内的多个响应和强度过低的边缘，在此过程中，部分欠注点由于强度不够也会被抑制掉，基于被抑制后的欠注点计算的铸件欠注程度不能准确反应铸件真实的欠注程度，进而由此调整的压铸机参数并不准确。
发明内容
为了解决现有方法存在的对铸件欠注程度判断不准确的问题，本发明提供了一种基于机器视觉的压铸机参数调控方法的技术方案，包括以下步骤：
获取铸件图像，利用边缘检测算子提取铸件图像的边缘，得到铸件边缘图；
将铸件边缘图中的边缘进行划分，得到多条边缘段；根据各边缘段之间的相似性对各边缘段进行分组，提取各组中的疑似欠注区域；
根据各疑似欠注区域的突变程度得到各疑似欠注区域的目标欠注点数量，根据各疑似欠注区域的目标欠注点数量得到铸件的欠注程度；
根据铸件的欠注程度对压铸机参数进行调控。
有益效果：本发明考虑了利用边缘检测算子提取铸件图像的边缘时带来的误差，对于得到的疑似欠注区域又进行了进一步计算，即根据各疑似欠注区域的突变程度计算了各疑似欠注区域的目标欠注点数量，得到了较为准确的真实欠注点数量，进而提高了对铸件欠注程度判断的准确性，解决了现有方法存在的对铸件欠注程度判断不准确的问题。
进一步地，获取各疑似欠注区域的突变程度的方法包括：
对于任一疑似欠注区域：
获取该疑似欠注区域对应的相邻边缘段，作为该欠注区域对应的正常边缘段；获取该疑似欠注区域对应的正常边缘段对应的高斯混合模型，将该疑似欠注区域对应的高斯混合模型中所有子高斯模型的均值点拟合成为一条曲线，记为参考纹理曲线；
根据该疑似欠注区域中各疑似欠注点的位置和邻域内的纹理深浅程度，构建该疑似欠注区域的样本集；获取该疑似欠注区域的样本集对应的高斯混合模型，将高斯混合模型中所有子高斯模型的均值点拟合成为一条曲线，记为欠注纹理曲线；
使用搜索策略确定参考纹理曲线和欠注纹理曲线的最长公共子序列，根据欠注纹理曲线的长度以及所述最长公共子序列的长度计算该疑似欠注区域的突变程度。
进一步地，利用如下计算公式计算各疑似欠注区域的突变程度：
Figure 998476DEST_PATH_IMAGE001
其中，
Figure 411002DEST_PATH_IMAGE002
为某一疑似欠注区域的突变程度，
Figure 439001DEST_PATH_IMAGE003
为该疑似欠注区域对应的最长公共子序列的长度；
Figure 823846DEST_PATH_IMAGE004
为该疑似欠注区域对应的欠注纹理曲线的长度；
Figure 544678DEST_PATH_IMAGE005
为该疑似欠注区域对应的参考纹理曲线和欠注纹理曲线的豪斯多夫距离。
进一步地，所述将铸件边缘图中的边缘进行划分，得到多条边缘段，包括：
将铸件边缘图中的边缘点提取出来，将提取出来的边缘点拟合成一条曲线，将该曲线记为边缘曲线；
计算边缘曲线上每一点的曲率，得到边缘曲率曲线，获取边缘曲率曲线的间断点；
以间断点为分界，将边缘曲线分成不同的边缘段。
进一步地，所述根据各边缘段之间的相似性对各边缘段进行分组，包括：
根据各边缘段上像素点的位置和邻域内的纹理深浅程度构建各边缘段的描述；
根据各边缘段的描述计算任意两条边缘段之间的相似度；
判断所述相似度与相似度阈值的大小关系，若相似度大于等于相似度阈值，则将对应两边缘段划分为一组；若相似度小于相似度阈值，则将对应两边缘段划分为不同组。
进一步地，获取各边缘段上像素点的邻域内的纹理深浅程度的方法包括：
计算铸件灰度图中各像素点的梯度，将梯度作为对应像素点的像素值，得到铸件梯度图；
在铸件梯度图像中，对于各边缘段上的各边缘像素点：以对应边缘段长度为窗口宽度，获取窗口内的灰度共生矩阵，计算灰度共生矩阵的对比度，记为邻域内的纹理深浅程度。
进一步地，利用如下公式计算任意两条边缘段之间的相似度：
Figure 444501DEST_PATH_IMAGE006
其中，
Figure 213873DEST_PATH_IMAGE007
为两条边缘段之间的相似度，
Figure 515542DEST_PATH_IMAGE008
为两条边缘段上各像素点之间在空域中的最小距离，
Figure 141695DEST_PATH_IMAGE009
为样本空间中两条边缘段对应的样本集的KL散度。
进一步地，所述提取各组中的疑似欠注区域，包括：
对于任一组内的任意两条相邻的边缘段：
将该两条相邻的边缘段记为基准边缘段，连接两条基准边缘段中最近的两个像素点，得到一条辅助线段；
在铸件梯度图中，获取其中的所有连通域，将与所述辅助线段相交的连通域标记出来；
获取标记出来的连通域的凸包，将凸包包含的图像区域记为疑似欠注区域。 进一步地，利用如下计算公式计算各疑似欠注区域的目标欠注点数量：
Figure 965032DEST_PATH_IMAGE010
其中，
Figure 600413DEST_PATH_IMAGE011
为某一疑似欠注点的突变程度，
Figure 756588DEST_PATH_IMAGE012
为该疑似欠注区域内疑似欠注点的数量；
Figure 756905DEST_PATH_IMAGE013
为该疑似欠注区域中目标欠注点的数量。
进一步地，利用如下公式计算铸件的欠注程度：
Figure 631320DEST_PATH_IMAGE014
其中，
Figure 539233DEST_PATH_IMAGE015
为铸件的欠注程度，
Figure 753177DEST_PATH_IMAGE016
为疑似欠注区域的序号，
Figure 986712DEST_PATH_IMAGE017
为第
Figure 82844DEST_PATH_IMAGE016
个疑似欠注区域的面积；
Figure 997710DEST_PATH_IMAGE018
为疑似欠注区域的数量；
Figure 128478DEST_PATH_IMAGE019
为铸件的面积。
附图说明
图1是本发明的基于机器视觉的压铸机参数调控方法流程图。
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介绍。
本发明的目的在于解决现有方法存在的对铸件欠注程度判断不准确的问题，本发明的构思是：使用压铸机制造铸件的过程中，将压铸机所铸的铸件送入检测区域，使用相机获取所述铸件的图像，根据铸件的图像获取所述铸件的欠注程度，基于所述铸件的欠注程度获得铸造所述铸件的压铸机的调整参数；根据调整参数调整所述压铸机铸造生产的各项参数。
具体地，如图1所示，本实施例的基于机器视觉的压铸机参数调控方法包括以下步骤：
（1）获取铸件图像，利用边缘检测算子提取铸件图像的边缘，得到铸件边缘图；
本实施例将压铸机生产的铸件放上传动带，由传送带运送铸件至检测区域；检测区域上方设置有RGB相机，相机的光轴应当尽可能垂直于检测区域以保证最大的成像范围；当压铸件到达检测区域时，使用相机获取铸件图像。
对获取的铸件图像进行灰度化处理，得到对应的铸件灰度图像；对于得到的铸件灰度图像，使用Canny算子提取铸件的边缘，得到铸件边缘图。
利用Canny算子提取边缘为现有技术，此处不再赘述。本实施例利用RGB相机获取了铸件图像，并对铸件图像进行灰度化处理得到了对应的铸件灰度图像，作为其它实施方式，也可以利用灰度相机直接获取铸件灰度图像。
（2）将铸件边缘图中的边缘进行划分，得到多条边缘段；根据各边缘段之间的相似性对各边缘段进行分组，提取各组中的疑似欠注区域；
使用Canny算子提取边缘时，为了得到准确的边缘，使用了非极大值抑制和滞后阈值，将单个边界邻域内的多个响应和强度过低的边缘去掉了。在铸件边缘图中，某些边缘受到欠注的影响，欠注处的边缘的强度较小，也较凌乱，所以在非极大值抑制和滞后阈值筛选边缘点的时候，欠注处往往会将边缘截断或是扭曲，分成曲率不同的段。所分成的段中，有的段本来是同一条边缘上的不同部分，为了将本来是同一条边缘上的不同部分重新划分到一起，本实施例先将铸件边缘图中的边缘进行划分，得到多个边缘段，然后对各边缘段进行分组，具体过程如下：
Ⅰ.将铸件边缘图中的边缘划分成不同的边缘段；
将铸件边缘图中的边缘点提取出来，将提取出来的边缘点拟合成一条曲线，将该曲线记为边缘曲线；
计算边缘曲线上每一点的曲率，得到边缘曲率曲线，获取边缘曲率曲线的间断点；
以间断点为分界，将边缘曲线分成不同的边缘段。
Ⅱ.获取每一边缘段的描述；
获取每一边缘段的描述，边缘段的描述是指：同一条边缘段上的各个边缘点在图中所处位置、分布方向和邻域纹理这三个参数在样本空间中的分布情况，这个分布就可以代指这条边缘段。获取过程如下：
对每一边缘段上的各个边缘像素点，获取像素点的位置
Figure 532914DEST_PATH_IMAGE020
，
Figure 54025DEST_PATH_IMAGE021
为像素点的横坐标，
Figure 569320DEST_PATH_IMAGE022
为像素点的横坐标；
计算铸件灰度图中各像素点的梯度，将梯度作为对应像素点的像素值，得到铸件梯度图；在铸件梯度图像中，对每一边缘段上的各个边缘像素点，以
Figure 820173DEST_PATH_IMAGE023
为窗口宽度，令
Figure 333194DEST_PATH_IMAGE024
、
Figure 138339DEST_PATH_IMAGE025
，获取窗口内的灰度共生矩阵，计算灰度共生矩阵的对比度
Figure 457325DEST_PATH_IMAGE026
，
Figure 500367DEST_PATH_IMAGE026
用来表示其窗口区域内的纹理的深浅程度；
Figure 981027DEST_PATH_IMAGE023
为对应边缘段的长度，
Figure 804627DEST_PATH_IMAGE027
为灰度共生矩阵中的横坐标偏移量，
Figure 599407DEST_PATH_IMAGE028
为灰度共生矩阵中的纵坐标偏移量；本实施例中
Figure 559273DEST_PATH_IMAGE029
为1，
Figure 476413DEST_PATH_IMAGE030
为1，作为其他实施方式，也可以取其它值；
以像素点的位置
Figure 957948DEST_PATH_IMAGE020
和邻域内的纹理深浅程度
Figure 353157DEST_PATH_IMAGE026
共同组成每个边缘点的样本描述
Figure 433109DEST_PATH_IMAGE031
，同一条边缘段的各个像素点的样本描述共同组成该条边缘段的样本集
Figure 458834DEST_PATH_IMAGE032
，
Figure 991446DEST_PATH_IMAGE033
为某条边缘段的样本集，
Figure 190346DEST_PATH_IMAGE034
为该条边缘段的第1个像素点的样本描述，
Figure 62487DEST_PATH_IMAGE035
为该条边缘段的第2个像素点的样本描述，
Figure 321430DEST_PATH_IMAGE036
为该条边缘段的第3个像素点的样本描述，
Figure 279022DEST_PATH_IMAGE037
为该条边缘段的第n个像素点的样本描述，n为该条边缘段上的像素点的数量。使用均值漂移聚类将样本集分为不同的簇，计算每个簇在样本空间中的均值和方差，将每个簇组作为一个子高斯模型，所有子高斯模型共同组成高斯混合模型；样本空间中，每条边缘段对应的高斯混合模型就是每条边缘段的描述。
Ⅲ.根据相似度将各边缘段分组。
本实施例中相似度是指两条边缘段之间的相似度，如果两条边缘段是同一条边缘上的不同部分，这两条边缘段之间的相似度就高。对所有边缘段，计算任意两条边缘段之间的相似度，相似度的计算公式如下：
Figure 281613DEST_PATH_IMAGE006
其中，
Figure 70578DEST_PATH_IMAGE007
为两条边缘段之间的相似度，
Figure 438105DEST_PATH_IMAGE008
为两条边缘段上各像素点之间在空域中的最小距离，
Figure 945310DEST_PATH_IMAGE009
为样本空间中两条边缘段对应的样本集的KL散度；如果两条边缘段是同一条边缘上的不同部分，那么在样本空间中，两条边缘段对应的样本集的分布是相似的，两条边缘段分布越相似，两条边缘段分布的KL散度就越小。
设置阈值
Figure 486012DEST_PATH_IMAGE038
，若
Figure 67167DEST_PATH_IMAGE039
，则不将这两条边缘段划分为同一组；若
Figure 933491DEST_PATH_IMAGE040
，表示将这两条边缘段是同一条边缘上相邻的两条边缘段，将这两条边缘段划分为同一组；至此，可将同一条边缘上的各边缘段划分为一组。
疑似欠注区域就是可能是欠注的区域，本实施例在对各边缘段进行分组后，提取各组中的疑似欠注区域，过程如下：
对于任一组内的任意两条相邻的边缘段，将这两条边缘段记为基准边缘段；连接两条基准边缘段中最近的两个像素点，得到一条辅助线段；
在铸件梯度图中，获取其中的所有连通域，将与辅助线段相交的连通域标记出来；
获取标记出来的连通域的凸包，凸包包含的图像区域就是疑似欠注区域，疑似欠注区域中的像素点就是疑似欠注点。
同一组内的任意两条相邻的边缘段都对应有疑似欠注区域，由此，多组可以得到多个疑似欠注区域，每个疑似欠注区域包括多个疑似欠注点。
（3）根据各疑似欠注区域的突变程度得到各疑似欠注区域的目标欠注点数量，根据各疑似欠注区域的目标欠注点数量得到铸件的欠注程度；
疑似欠注区域的突变程度是指：疑似欠注区域改变边缘像素点变化特性的程度。例如，本来随着曲线的延伸灰度值逐渐变大的边缘，突然在某一区域灰度值变小；本来随着曲线的延伸灰度值逐渐变小的边缘，突然在某一区域灰度值变大；或者本来灰度值均匀的边缘，突然有了灰度值的变化。
获取疑似欠注区域对应的参考纹理曲线，过程如下：
获取每个疑似欠注区域对应的两条相邻边缘段，作为欠注区域附近的正常边缘段；在样本空间中，疑似欠注区域附近的一个正常边缘段对应一个高斯混合模型，获取对应高斯混合模型中的各子高斯模型的均值点，将疑似欠注区域对应的两高斯混合模型的所有子高斯模型的均值点均值点拟合成为一条曲线，记为参考纹理曲线，这条曲线能表示正常边缘段的纹理的灰度变化。
获取各疑似欠注区域对应的欠注纹理曲线，过程如下：
对同一个疑似欠注区域中的每个疑似欠注点，以
Figure 396834DEST_PATH_IMAGE023
为窗口宽度，在梯度图像中，令
Figure 944490DEST_PATH_IMAGE041
、
Figure 442467DEST_PATH_IMAGE042
，获取窗口内的灰度共生矩阵，计算灰度共生矩阵的对比度
Figure 417376DEST_PATH_IMAGE026
，
Figure 368015DEST_PATH_IMAGE026
用来表示其窗口区域内的纹理的深浅程度；
以疑似欠注点的位置
Figure 516099DEST_PATH_IMAGE020
和邻域内的纹理深浅程度
Figure 570381DEST_PATH_IMAGE026
共同组成每个疑似欠注点的样本描述
Figure 512929DEST_PATH_IMAGE043
，同一个疑似欠注区域中的每个疑似欠注点的样本描述共同组成样本集
Figure 216443DEST_PATH_IMAGE044
，
Figure 105901DEST_PATH_IMAGE045
为某疑似欠注区域的样本集，
Figure 312892DEST_PATH_IMAGE046
为该疑似欠注区域的第1个疑似欠注点的样本描述，
Figure 691921DEST_PATH_IMAGE047
为该疑似欠注区域的第2个疑似欠注点的样本描述，
Figure 820414DEST_PATH_IMAGE048
为该疑似欠注区域的第3个疑似欠注点的样本描述，
Figure 310301DEST_PATH_IMAGE049
为该疑似欠注区域的第m个疑似欠注点的样本描述，m为该疑似欠注区域的疑似欠注点的数量。使用均值漂移聚类将样本集分为不同的簇，计算每个簇在样本空间中的均值和方差，将每个簇组作为一个子高斯模型，所有子高斯模型共同组成高斯混合模型；获取对应高斯混合模型中的各子高斯模型的均值点，将所有均值点拟合成为一条曲线，记为欠注纹理曲线；这条曲线表示疑似欠注区域中各疑似欠注点的纹理的灰度变化。
计算各疑似欠注区域的突变程度，过程如下：
在样本空间中，提取各疑似欠注区域的参考纹理曲线和欠注纹理曲线，使用搜索策略，确定各疑似欠注区域的两曲线的最长公共子序列；
利用如下公式计算各疑似欠注区域的突变程度：
Figure 637377DEST_PATH_IMAGE001
其中，
Figure 797094DEST_PATH_IMAGE011
为某一疑似欠注区域的突变程度，
Figure 475200DEST_PATH_IMAGE050
为该疑似欠注区域对应的最长公共子序列的长度；
Figure 503199DEST_PATH_IMAGE051
为该疑似欠注区域对应的欠注纹理曲线的长度；
Figure 888044DEST_PATH_IMAGE052
为该疑似欠注区域对应的参考纹理曲线和欠注纹理曲线的豪斯多夫距离；
Figure 608875DEST_PATH_IMAGE053
和
Figure 243119DEST_PATH_IMAGE054
都分别表示参考纹理曲线和欠注纹理曲线的相似程度；两曲线越相似，
Figure 12492DEST_PATH_IMAGE011
值越大，最大是1。
参考纹理曲线和欠注纹理曲线的相似程度越大，疑似欠注区域的突变性越大；疑似欠注区域处的纹理变化与正常边缘的纹理变化是相反的，因此当获取反方向的纹理时候，理想情况下参数空间中的纹理曲线应当是相同的，但在实际情况下，疑似欠注区域中并不一定都是欠注点，本实施例根据疑似欠注区域的突变程度推测欠注区域中的真实欠注点数量，具体计算每个疑似欠注区域中的目标欠注点的数量的公式如下：
Figure 314160DEST_PATH_IMAGE010
其中，
Figure 205893DEST_PATH_IMAGE012
为某一疑似欠注区域的面积，也即该疑似欠注区域内疑似欠注点的数量；
Figure 40949DEST_PATH_IMAGE013
为该疑似欠注区域中目标欠注点的数量，也即真实欠注点的数量。
欠注程度是指铸件的欠注严重程度，本实施例利用如下公式计算欠注程度：
Figure 410750DEST_PATH_IMAGE014
其中，
Figure 832504DEST_PATH_IMAGE055
为铸件的欠注严重程度，
Figure 832821DEST_PATH_IMAGE056
表示疑似欠注区域的序号，
Figure 441657DEST_PATH_IMAGE057
表示第
Figure 615149DEST_PATH_IMAGE056
个疑似欠注区域的面积；
Figure 829093DEST_PATH_IMAGE058
表示疑似欠注区域的数量；
Figure 797049DEST_PATH_IMAGE059
表示铸件的面积，也即铸件图像中铸件包含的像素点的数量。
（4）根据铸件的欠注程度对压铸机参数进行调控。
在实际生产过程中，需要根据铸件的欠注程度对压铸机生产过程中的参数进行调整，本实施例调整的具体为：
先使用FC深度神经网络，根据铸件的欠注程度推理压铸机的调整参数，然后将压铸机生产时的各项参数调整为对应的调整参数。FC网络的训练过程中：采用的数据是基于大数据获取的铸件的欠注程度，其中80%的数据为训练集，其余作为验证集；标签是对应的压铸机调整参数；损失函数采用均方差。
本实施例基于训练好的FC深度神经网络来推理压铸机的调整参数，作为其它实施方式，也可以不基于该网络，而是根据经验建立不同铸件欠注程度与压铸机调整参数之间的对应关系，然后根据该对应关系和当前的铸件欠注程度确定压铸机的调整参数。
本实施例考虑了利用边缘检测算子提取铸件图像的边缘时带来的误差，对于得到的疑似欠注区域又进行了进一步计算，即根据各疑似欠注区域的突变程度计算了各疑似欠注区域的目标欠注点数量，得到了较为准确的真实欠注点数量，进而提高了对铸件欠注程度判断的准确性，解决了现有方法存在的对铸件欠注程度判断不准确的问题。
需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (10)

1.一种基于机器视觉的压铸机参数调控方法，其特征在于，包括以下步骤：
获取铸件图像，利用边缘检测算子提取铸件图像的边缘，得到铸件边缘图；
将铸件边缘图中的边缘进行划分，得到多条边缘段；根据各边缘段之间的相似性对各边缘段进行分组，提取各组中的疑似欠注区域；
根据各疑似欠注区域的突变程度得到各疑似欠注区域的目标欠注点数量，根据各疑似欠注区域的目标欠注点数量得到铸件的欠注程度；
根据铸件的欠注程度对压铸机参数进行调控。
2.根据权利要求1所述的基于机器视觉的压铸机参数调控方法，其特征在于，获取各疑似欠注区域的突变程度的方法包括：
对于任一疑似欠注区域：
获取该疑似欠注区域对应的相邻边缘段，作为该欠注区域对应的正常边缘段；获取该疑似欠注区域对应的正常边缘段对应的高斯混合模型，将该疑似欠注区域对应的高斯混合模型中所有子高斯模型的均值点拟合成为一条曲线，记为参考纹理曲线；
根据该疑似欠注区域中各疑似欠注点的位置和邻域内的纹理深浅程度，构建该疑似欠注区域的样本集；获取该疑似欠注区域的样本集对应的高斯混合模型，将高斯混合模型中所有子高斯模型的均值点拟合成为一条曲线，记为欠注纹理曲线；
使用搜索策略确定参考纹理曲线和欠注纹理曲线的最长公共子序列，根据欠注纹理曲线的长度以及所述最长公共子序列的长度计算该疑似欠注区域的突变程度。
3.根据权利要求2所述的基于机器视觉的压铸机参数调控方法，其特征在于，利用如下计算公式计算各疑似欠注区域的突变程度：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE003
为某一疑似欠注区域的突变程度，
Figure DEST_PATH_IMAGE004
为该疑似欠注区域对应的最长公共子序列的长度；
Figure DEST_PATH_IMAGE005
为该疑似欠注区域对应的欠注纹理曲线的长度；
Figure 627777DEST_PATH_IMAGE006
为该疑似欠注区域对应的参考纹理曲线和欠注纹理曲线的豪斯多夫距离。
4.根据权利要求1所述的基于机器视觉的压铸机参数调控方法，其特征在于，所述将铸件边缘图中的边缘进行划分，得到多条边缘段，包括：
将铸件边缘图中的边缘点提取出来，将提取出来的边缘点拟合成一条曲线，将该曲线记为边缘曲线；
计算边缘曲线上每一点的曲率，得到边缘曲率曲线，获取边缘曲率曲线的间断点；
以间断点为分界，将边缘曲线分成不同的边缘段。
5.根据权利要求1所述的基于机器视觉的压铸机参数调控方法，其特征在于，所述根据各边缘段之间的相似性对各边缘段进行分组，包括：
根据各边缘段上像素点的位置和邻域内的纹理深浅程度构建各边缘段的描述；
根据各边缘段的描述计算任意两条边缘段之间的相似度；
判断所述相似度与相似度阈值的大小关系，若相似度大于等于相似度阈值，则将对应两边缘段划分为一组；若相似度小于相似度阈值，则将对应两边缘段划分为不同组。
6.根据权利要求5所述的基于机器视觉的压铸机参数调控方法，其特征在于，获取各边缘段上像素点的邻域内的纹理深浅程度的方法包括：
计算铸件灰度图中各像素点的梯度，将梯度作为对应像素点的像素值，得到铸件梯度图；
在铸件梯度图像中，对于各边缘段上的各边缘像素点：以对应边缘段长度为窗口宽度，获取窗口内的灰度共生矩阵，计算灰度共生矩阵的对比度，记为邻域内的纹理深浅程度。
7.根据权利要求5所述的基于机器视觉的压铸机参数调控方法，其特征在于，利用如下公式计算任意两条边缘段之间的相似度：
Figure DEST_PATH_IMAGE007
其中，
Figure 17301DEST_PATH_IMAGE008
为两条边缘段之间的相似度，
Figure DEST_PATH_IMAGE009
为两条边缘段上各像素点之间在空域中的最小距离，
Figure 146931DEST_PATH_IMAGE010
为样本空间中两条边缘段对应的样本集的KL散度。
8.根据权利要求1所述的基于机器视觉的压铸机参数调控方法，其特征在于，所述提取各组中的疑似欠注区域，包括：
对于任一组内的任意两条相邻的边缘段：
将该两条相邻的边缘段记为基准边缘段，连接两条基准边缘段中最近的两个像素点，得到一条辅助线段；
在铸件梯度图中，获取其中的所有连通域，将与所述辅助线段相交的连通域标记出来；
获取标记出来的连通域的凸包，将凸包包含的图像区域记为疑似欠注区域。
9.根据权利要求1所述的基于机器视觉的压铸机参数调控方法，其特征在于，利用如下计算公式计算各疑似欠注区域的目标欠注点数量：
Figure DEST_PATH_IMAGE011
其中，
Figure 492462DEST_PATH_IMAGE012
为某一疑似欠注点的突变程度，
Figure DEST_PATH_IMAGE013
为该疑似欠注区域内疑似欠注点的数量；
Figure 426176DEST_PATH_IMAGE014
为该疑似欠注区域中目标欠注点的数量。
10.根据权利要求1所述的基于机器视觉的压铸机参数调控方法，其特征在于，利用如下公式计算铸件的欠注程度：
Figure DEST_PATH_IMAGE015
其中，
Figure DEST_PATH_IMAGE016
为铸件的欠注程度，
Figure DEST_PATH_IMAGE017
为疑似欠注区域的序号，
Figure 755526DEST_PATH_IMAGE018
为第
Figure 157689DEST_PATH_IMAGE017
个疑似欠注区域的面积；
Figure DEST_PATH_IMAGE019
为疑似欠注区域的数量；
Figure 170775DEST_PATH_IMAGE020
为铸件的面积。
CN202210290716.4A 2022-03-23 2022-03-23 基于机器视觉的压铸机参数调控方法 Active CN114387438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210290716.4A CN114387438B (zh) 2022-03-23 2022-03-23 基于机器视觉的压铸机参数调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210290716.4A CN114387438B (zh) 2022-03-23 2022-03-23 基于机器视觉的压铸机参数调控方法

Publications (2)

Publication Number Publication Date
CN114387438A true CN114387438A (zh) 2022-04-22
CN114387438B CN114387438B (zh) 2022-06-10

Family

ID=81205662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210290716.4A Active CN114387438B (zh) 2022-03-23 2022-03-23 基于机器视觉的压铸机参数调控方法

Country Status (1)

Country Link
CN (1) CN114387438B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972354A (zh) * 2022-08-02 2022-08-30 济宁金筑新型建材科技有限公司 基于图像处理的蒸压加气混凝土砌块生产控制方法及系统
CN116778344A (zh) * 2023-08-17 2023-09-19 牧马人(山东)勘察测绘集团有限公司 基于视觉技术的土地整理边界线划分方法
CN116823808A (zh) * 2023-08-23 2023-09-29 青岛豪迈电缆集团有限公司 基于机器视觉的电缆绞线智能检测方法
CN116993966A (zh) * 2023-09-27 2023-11-03 诺伯特智能装备（山东）有限公司 一种铸件打磨视觉智能定位方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020184748A1 (en) * 2001-03-16 2002-12-12 Uwe Heike Use of a cylindrical test body
CN101634551A (zh) * 2009-08-18 2010-01-27 清华大学深圳研究生院 一种检测表面粗糙度的方法及其系统
KR20130017421A (ko) * 2011-08-10 2013-02-20 주식회사 포스코 주편 하면 검사 시스템 및 검사 방법
CN107230203A (zh) * 2017-05-19 2017-10-03 重庆理工大学 基于人眼视觉注意机制的铸件缺陷识别方法
CN109035236A (zh) * 2018-07-27 2018-12-18 深圳市闿思科技有限公司 铸件毛边检测方法及装置
CN110163853A (zh) * 2019-05-14 2019-08-23 广东奥普特科技股份有限公司 一种边缘缺陷的检测方法
CN113538433A (zh) * 2021-09-17 2021-10-22 海门市创睿机械有限公司 基于人工智能的机械铸件缺陷检测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020184748A1 (en) * 2001-03-16 2002-12-12 Uwe Heike Use of a cylindrical test body
CN101634551A (zh) * 2009-08-18 2010-01-27 清华大学深圳研究生院 一种检测表面粗糙度的方法及其系统
KR20130017421A (ko) * 2011-08-10 2013-02-20 주식회사 포스코 주편 하면 검사 시스템 및 검사 방법
CN107230203A (zh) * 2017-05-19 2017-10-03 重庆理工大学 基于人眼视觉注意机制的铸件缺陷识别方法
CN109035236A (zh) * 2018-07-27 2018-12-18 深圳市闿思科技有限公司 铸件毛边检测方法及装置
CN110163853A (zh) * 2019-05-14 2019-08-23 广东奥普特科技股份有限公司 一种边缘缺陷的检测方法
CN113538433A (zh) * 2021-09-17 2021-10-22 海门市创睿机械有限公司 基于人工智能的机械铸件缺陷检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋和谦等: "大型镁合金铸件的充型模拟及缺陷分析", 《特种铸造及有色合金》, 20 June 2020 (2020-06-20) *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972354A (zh) * 2022-08-02 2022-08-30 济宁金筑新型建材科技有限公司 基于图像处理的蒸压加气混凝土砌块生产控制方法及系统
CN116778344A (zh) * 2023-08-17 2023-09-19 牧马人(山东)勘察测绘集团有限公司 基于视觉技术的土地整理边界线划分方法
CN116778344B (zh) * 2023-08-17 2023-12-05 牧马人(山东)勘察测绘集团有限公司 基于视觉技术的土地整理边界线划分方法
CN116823808A (zh) * 2023-08-23 2023-09-29 青岛豪迈电缆集团有限公司 基于机器视觉的电缆绞线智能检测方法
CN116823808B (zh) * 2023-08-23 2023-11-17 青岛豪迈电缆集团有限公司 基于机器视觉的电缆绞线智能检测方法
CN116993966A (zh) * 2023-09-27 2023-11-03 诺伯特智能装备（山东）有限公司 一种铸件打磨视觉智能定位方法及系统
CN116993966B (zh) * 2023-09-27 2023-12-12 诺伯特智能装备（山东）有限公司 一种铸件打磨视觉智能定位方法及系统

Also Published As

Publication number Publication date
CN114387438B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN114387438B (zh) 基于机器视觉的压铸机参数调控方法
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN115690108B (zh) 一种基于图像处理的铝合金杆生产质量评估方法
CN116740070B (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN115100191B (zh) 基于工业检测的金属铸件缺陷识别方法
CN114972203A (zh) 基于分水岭分割的机械零件轧制异常检测方法
CN115082429B (zh) 一种基于图像处理的铝棒缺陷检测方法
CN115690105B (zh) 一种基于计算机视觉的铣刀划痕检测方法
CN116228768B (zh) 一种电子元器件表面划痕检测方法
CN110717900B (zh) 基于改进Canny边缘检测算法的受电弓磨耗检测方法
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN115359053A (zh) 一种金属板材缺陷智能检测方法及系统
CN104614386A (zh) 一种镜片疵病类型的识别方法
CN115861320A (zh) 一种汽车零件加工信息智能检测方法
CN116740072A (zh) 基于机器视觉的道路表面缺陷检测方法及系统
CN112884746A (zh) 一种基于边缘形状匹配的字符缺陷智能检测算法
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN115115603A (zh) 基于人工智能的汽车配件飞轮表面检测方法
CN116664584B (zh) 一种薄壁类锌合金压铸模具生产智能反馈调节系统
CN116310424B (zh) 基于图像识别的设备质量评估方法、装置、终端和介质
CN115205317B (zh) 一种桥梁监测光电标靶图像光斑中心点提取方法
CN117021440A (zh) 一种基于机器视觉的树脂镜片自动浇注方法及系统
CN107273935B (zh) 一种基于自适应K-Means的车道标志分组方法
CN112580626A (zh) 基于人工智能的冶金连铸过程中保护渣添加量确定方法

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