CN114445483B - 基于图像金字塔的注塑件质量分析方法 - Google Patents
基于图像金字塔的注塑件质量分析方法 Download PDFInfo
- Publication number
- CN114445483B CN114445483B CN202210107958.5A CN202210107958A CN114445483B CN 114445483 B CN114445483 B CN 114445483B CN 202210107958 A CN202210107958 A CN 202210107958A CN 114445483 B CN114445483 B CN 114445483B
- Authority
- CN
- China
- Prior art keywords
- image
- injection molding
- layer
- area
- foreground
- 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
- 238000001746 injection moulding Methods 0.000 title claims abstract description 118
- 238000004458 analytical method Methods 0.000 title claims abstract description 11
- 239000000463 material Substances 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000000875 corresponding effect Effects 0.000 claims description 32
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 11
- 238000002347 injection Methods 0.000 claims description 10
- 239000007924 injection Substances 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 229920003023 plastic Polymers 0.000 description 4
- 239000004033 plastic Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 235000003642 hunger Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及人工智能技术领域，具体涉及一种基于图像金字塔的注塑件质量分析方法。该方法采集传送带上的注塑件图像，构建注塑件图像的图像金字塔；基于大津法获取图像金字塔中每层图像的多个前景区域；根据每层图像中各个前景区域的中心点位置获取图像金字塔中的目标层图像；根据目标层图像的前景区域获取注塑件的缺料区域，由缺料区域的面积计算注塑件的质量评分，根据质量评分判断注塑件是否为合格品。构建注塑件图像的图像金字塔以获取特征信息损失最小且所有前景区域一样的目标层图像，将目标层图像中的前景区域作为模板，避免存在与模板对不齐的情况，进而能够准确获取注塑件的缺料区域，降低了对注塑件的质量评分的误差。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于图像金字塔的注塑件质量分析方法。
背景技术
对于小型的塑胶件，注塑用的一个模具中会存在多个相同的型腔，则在注塑时会同时形成多个相同的零件，即一个模具进行依次注塑会得到一个成型的注塑件，且一个注塑件包含多个相同的模型，一个模型是一个零件。
注塑件在注塑后会存在模块缺料的现象，其中，缺料是指熔融塑料在注塑时未完全填充满模具型腔内某个角落，即产品未填充完整、缺少一部分，且这种缺料的缺陷易在多骨位、超薄的产品中出现。
目前对于注塑件的缺料检测方法主要包括：一种是通过神经网络进行识别，另一种是通过找点的位置进行模板匹配的方式。其中利用神经网络检测缺料的缺点为：神经网络的准确性受到数据量的限制，即只有很大的样本量才能得到好的训练结果，而且神经网络的训练还需要对应的标签，标签的质量也会影响神经网络的结果；利用模板匹配检测缺料的缺点为：点的位置对模板匹配的结果影响比较大，会存在对不齐的情况；对齐的过程比较久，因此这两种检测方法都会存在缺料检测误差，进而导致对注塑件的质量分析不准确。
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基于图像金字塔的注塑件质量分析方法，所采用的技术方案具体如下：
本发明实施例提供了一种基于图像金字塔的注塑件质量分析方法，该方法包括以下具体步骤：
采集传送带上的注塑件图像，通过高斯滤波和池化操作的方式将所述注塑件图像分解成不同分辨率的一组图像序列，由所述图像序列构建所述注塑件图像的图像金字塔；
将所述图像金字塔中的每层图像进行HSV空间转化以提取H通道图像，利用大津法对所述H通道图像进行图像分割处理，得到每层图像中的注塑件区域；对所述注塑件区域进行形态学腐蚀得到对应每层图像的多个前景区域；所述前景区域是指一个注塑件上的各个模型在图像上的成像区域；
获取每层图像中的多个所述前景区域的中心点，根据所述中心点之间的位置变化计算对应每层图像的规律性取值，所述规律性取值是指所述中心点之间连接成的线与标准中心点连接成的直线之间的差别，所述标准中心点是指未缺料的所述前景区域的中心点；根据每层图像的所述规律性取值得到所述图像金字塔中的目标层图像；
根据所述目标层图像的所述前景区域获取注塑件的缺料区域，由所述缺料区域的面积计算注塑件的质量评分，根据所述质量评分判断注塑件是否为合格品。
进一步地，所述根据所述中心点之间的位置变化计算对应每层图像的规律性取值的方法，包括：
对每层图像中的所有中心点进行两两连接得到多条直线，将每条直线上的中心点坐标进行霍夫变换，则在仿射参数空间中得到一个交点，进而多条直线得到多个交点；
对所述仿射参数空间中的所有交点进行均值漂移聚类，以得到多个簇；
根据所述簇中的交点数量得到对应层图像的所述规律性取值。
进一步地，所述根据所述簇中的交点数量得到对应层图像的所述规律性取值的方法，包括：
计算各簇中所述交点数量的均方差和各簇的平均紧密程度，由所述均方差和所述平均紧密程度得到所述规律性取值。
进一步地，所述平均紧密程度的获取方法，包括：
计算簇中每个交点与簇中心点之间的距离以得到每个簇的紧密程度，由多个簇的所述紧密程度得到所述平均紧密程度。
进一步地，所述根据每层图像的所述规律性取值得到所述图像金字塔中的目标层图像的方法，包括：
以所述图像金字塔的层数为横坐标、对应每层图像的所述规律性取值为纵坐标得到所述图像金字塔的规律性曲线；
对所述规律性曲线上的每个坐标点进行求导，得到规律性导数曲线，根据所述规律性导数曲线得到取值为零的区间，该区间是由所述图像金字塔的层数构成的，将最大长度区间中的第一数值所对应层的图像作为所述目标层图像。
进一步地，所述根据所述目标层图像的所述前景区域获取注塑件的缺料区域的方法，包括：
利用底层图像中的各个所述前景区域分别减去所述目标层图像中对应位置的所述前景区域，进而得到每个所述前景区域的所述缺料区域，所述底层图像是指所述图像金字塔中的第零层图像。
进一步地，所述由所述缺料区域的面积计算注塑件的质量评分的方法，包括：
计算所述缺料区域的第一面积均值和所述底层图像中所述前景区域的第二面积均值；
结合所述第一面积均值、所述第二面积均值和所述目标层图像的所述规律性取值得到注塑件的所述质量评分。
进一步地，所述根据所述质量评分判断注塑件是否为合格品的方法，包括：
设置质量阈值，所述质量评分大于所述质量阈值的注塑件为合格品；反之，该注塑件为不合格品。
进一步地，所述质量评分与所述第一面积均值呈负相关、所述质量评分与所述第二面积均值呈正相关。
本发明实施例至少具有如下有益效果：对注塑件图像进行不同分别率的分解以构成图像金字塔，根据注塑件中各个前景区域的中心点位置，确定图像金字塔中特征信息损失最小且所有前景区域一样的目标层图像，将目标层图像中的前景区域作为模板，避免存在与模板对不齐的情况，进而能够准确获取注塑件的缺料区域，降低了对注塑件的质量评分的误差。
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提供的一种基于图像金字塔的注塑件质量分析方法的步骤流程图；
图2为本发明实施例所提供的关于注塑件的模具示意图；
图3为本发明实施例所提供的缺料的注塑件图像的示意图。
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基于图像金字塔的注塑件质量分析方法，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。
下面结合附图具体的说明本发明所提供的一种基于图像金字塔的注塑件质量分析方法的具体方案。
本发明实施例所针对的具体场景为：注塑件脱模后，将注塑件放入传送带，在传送带上方设置相机，利用相机获取的注塑件图像确认注塑件是否有缺料情况，将缺料的注塑件进行回收重新加工。
需要说明的是，本方案特别针对大批量生产的小型注塑件，这类注塑件由于体积小一般都会放在同一个模具中制作出多个相同的型腔，后期注塑时会向多个型腔中同时注塑，生成多个相同的模型。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像金字塔的注塑件质量分析方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集传送带上的注塑件图像，通过高斯滤波和池化操作的方式将注塑件图像分解成不同分辨率的一组图像序列，由图像序列构建注塑件图像的图像金字塔。
具体的，在传送带的正上方设置RGB相机，使相机光轴垂直于传送带平面，利用相机获取传送带上的注塑件图像。
需要说明的是，传送带的颜色最好能与注塑件的颜色差别较大，例如在Lab颜色空间中，注塑件的颜色与传送带的颜色在L通道的取值相差接近180度。
对采集的一张注塑件图像，通过将该注塑件图像分解成不同分辨率的一组图像序列，由图像序列构建图像金字塔，其中，分辨率最大的图像作为图像金字塔的底层图像，分辨率最小的图像作为图像金字塔的塔尖，则具体构建过程为：
(1)将注塑件图像作为图像金字塔的底层图像，也即是图像金字塔的第i＝0层图像。
(2)对第i层图像使用3*3的标准高斯模板进行滤波得到滤波结果图，对滤波结果图在2*2的窗口下池化得到池化图像，其中，池化过程采用均值池化，且窗口的步长为1。
(3)将池化图像作为图像金字塔的第i+1层图像，令i＝i+1，利用步骤(2)的方法，直到得到的池化图像的分辨率为n×m，停止分解，进而得到一组图像序列，由该图像序列组成图像金字塔。
步骤S002，将图像金字塔中的每层图像进行HSV空间转化以提取H通道图像，利用大津法对H通道图像进行图像分割处理，得到每层图像中的注塑件区域；对注塑件区域进行形态学腐蚀得到对应每层图像的多个前景区域；前景区域是指一个注塑件上的各个模型在图像上的成像区域。
具体的，对于图像金字塔中的每一层图像，将其图像的颜色空间转化到HSV空间，进而提取HSV空间中的H通道图像，以H通道图像中各个像素点的像素值为横轴、以相同像素值下的像素点数量作为纵坐标构成颜色直方图。
由于注塑件和传送带的颜色差异很大，因此可以根据像素点的像素值能够得到每层图像中的注塑件区域，则对颜色直方图使用大津法得到一个阈值，将该层图像中的各个像素点的像素值与阈值进行比较，即将色调值(H通道取值)大于阈值的像素点的像素值置为1，将小于或等于阈值的像素点的像素值置为0，进而能够得到两个区域，分别获取两区域的最小包围框(最小外接矩形)，比较两个包围框的面积大小，包围框面积小的区域即为注塑件区域。
进一步地，对每层图像中的注塑件区域进行处理得到该层图像中的多个前景区域，其中，前景区域是指一个注塑件上的各个模型在图像上的成像区域，则前景区域的获取方法为：对于当前层图像，将注塑件区域中的各像素点的像素值置为1，其他像素点的像素值置为0，得到注塑件区域二值图；对注塑件区域二值图进行形态学腐蚀，得到注塑件区域中的多个前景区域。
需要说明的是，由附图2可以看出注塑件的分流道1要比注塑件上的各模型2更细小，且浇口3更是会细一些，所以对注塑件区域做形态学腐蚀可以得到各层图像的前景区域。
步骤S003，获取每层图像中的多个前景区域的中心点，根据中心点之间的位置变化计算对应每层图像的规律性取值，规律性取值是指中心点之间连接成的线与标准中心点连接成的直线之间的差别，标准中心点是指未缺料的前景区域的中心点；根据每层图像的规律性取值得到图像金字塔中的目标层图像。
具体的，参照附图3，其示出了一种缺料的注塑件图像的示意图，由图可知该注塑件有8个相同的模型，通过分流道连接在了一起共同组成一个注塑件，其中左上角、左下角、右下角、右上角的四个模型对应的前景区域A出现了缺料的情况。而对于注塑件图像的图像金字塔，随着图像金字塔的层数的增加，每一层图像的尺寸逐渐缩小，导致图像中的注塑件区域也在缩小，进而使得注塑件区域中的缺料区域也随之变得模糊，前景区域的大小逐渐一致，最终在图像金字塔的某层图像中，注塑件的各个前景区域无论是否缺料看起来都是相同大小的，因此根据前景区域获取图像金字塔中的目标层图像，则目标层图像的获取方法为：
(1)获取每层图像中各个前景区域的中心点。
各前景区域的中心点
的计算如下：
其中，m是指前景区域中像素点的数量；xj是前景区域中第j个像素点在图像坐标系的横坐标；yj是指前景区域中第j个像素点在图像坐标系的纵坐标。
(2)将每层图像中的所有中心点进行两两连接得到多条直线，获取每条直线上的中心点P，将直线上的中心点P的坐标进行霍夫变换，在仿射参数空间中得到一条曲线，直线上对应的两个中心点在仿射参数空间中分别形成的曲线会相交于一点，将该点称为交点，进而每条直线都会在仿射参数空间中对应一个交点，以得到多个交点。
(3)基于先验，当注塑件没有缺料的情况时，水平对应的多个前景区域的中心点所形成的直线，对应在仿射参数空间中的多个交点会变成一个重叠点；反之，当注塑件中任意一个前景区域出现缺料的情况时，该前景区域的中心点位置会发生变化，则水平对应的多个前景区域的中心点无法形成同一条直线，而是会形成位置斜率都近似的多条直线，对应在仿射参数空间中的交点会聚集在一个区域中，因此，对仿射参数空间中的所有交点进行均值漂移聚类，以得到多个簇。
需要说明的是，均值漂移聚类的窗口半径为10。
作为一个示例，假设一排有4个中心点，则这4个中心点两两之间会形成多条直线，由于这4个中心点对应的前景区域没有缺料，因此这4个中心点形成的直线是同一条直线，进而这些多条直线在仿射参数空间中形成的多个交点会变成一个交点。
(4)由于注塑件上的各个模型都是呈直线分布的，则当注塑件没有缺料时，水平上多个前景区域的中心点一定形成一条直线，因此水平上的多个前景区域的中心点所形成的曲线越像直线，则说明对应当前层图像上的各个前景区域的分布规律性越好，故，根据聚类的多个簇计算对应层图像中各个前景区域分布的规律性取值，则计算公式如下：
其中，li为第i层图像的规律性取值；σ为各簇中交点数量的均方差；E为各簇的平均紧密程度；Di为第j个簇中每个交点与簇中心点之间的距离所计算的平均距离；N为簇的数量；djk为第j个簇中第k个交点与簇中心点之间的距离；b为簇中包含的交点数量。
需要说明的是，规律性取值越大，该层图像中的各个前景区域的分布越好，也表示缺料的情况越不明显。
进一步地，根据图像金字塔中每层图像的规律性取值得到目标层图像，该方法为：以图像金字塔的层数为横坐标、对应每层图像的规律性取值为纵坐标得到图像金字塔的规律性曲线；对规律性曲线上的每个坐标点进行求导，进而得到规律性导数曲线，根据规律性导数曲线得到取值为零的区间，该区间是由图像金字塔的层数构成的，将最大长度区间中的第一数值所对应层的图像作为目标层图像。
需要说明的是，选择最大长度区间中第一数值对应层的图像作为目标层图像的原因是：随着图像金字塔的层数的增加，每层图像中的信息逐渐损失，也即前景区域逐渐损失，而最大长度区间是指每层图像中的各个前景区域的大小一致时所对应的连续层数，而选取区间中的第一数值所对应层的图像作为目标层图像是该层图像中的前景区域大小一致且损失最小，能够提高后续对缺料区域获取的准确性。
步骤S004，根据目标层图像的前景区域获取注塑件的缺料区域，由缺料区域的面积计算注塑件的质量评分，根据质量评分判断注塑件是否为合格品。
具体的，由于目标层图像中的各个前景区域的大小一致，可以看做是没有缺料时的前景区域，而在图像金字塔中的底层图像(第0层图像)中，各个前景区域的缺料区域就比较明显，因此利用目标层图像和底层图像中的前景区域来获取注塑件的缺料区域，获取方法为：利用底层图像中的各个前景区域分别减去目标层图像中对应位置的前景区域，进而得到每个前景区域的缺料区域。
进一步地，根据获取的缺料区域计算注塑件的质量评分，缺料区域越大，质量评分越低，则注塑件的质量评分的计算公式为：
其中，F为注塑件的质量评分；L为目标层图像的规律性取值；S2是指底层图像中各个前景区域的第二面积均值；S1为缺料区域的第一面积均值。
需要说明的是，质量评分与第一面积均值呈负相关、质量评分与第二面积均值呈正相关。
进一步地，根据注塑件的质量评分判断该注塑件是否为合格品：设置质量阈值，质量评分大于质量阈值的注塑件为合格品；反之，该注塑件为不合格品，则具体判断过程为：
(1)提取注塑件的质量评分F，设置质量阈值TF。
优选的，本发明实施例中的质量阈值取经验值，则TF＝0.7。
(2)若质量评分F≤质量阈值TF，表示注塑件是不合格的，将不合格的注塑件转送至次品运输线进行销毁或重铸。
(3)若质量评分F＞质量阈值TF，表示注塑件为合格品，将合格的注塑件转送至封装工序进行封装。
综上所述，本发明实施例提供了一种基于图像金字塔的注塑件质量分析方法，该方法采集传送带上的注塑件图像，构建注塑件图像的图像金字塔；基于大津法获取图像金字塔中每层图像的多个前景区域；根据每层图像中各个前景区域的中心点位置获取图像金字塔中的目标层图像；根据目标层图像的前景区域获取注塑件的缺料区域，由缺料区域的面积计算注塑件的质量评分，根据质量评分判断注塑件是否为合格品。对注塑件图像进行不同分别率的分解以构成图像金字塔，根据注塑件中各个前景区域的中心点位置，确定图像金字塔中特征信息损失最小且所有前景区域一样的目标层图像，将目标层图像中的前景区域作为模板，避免存在与模板对不齐的情况，进而能够准确获取注塑件的缺料区域，降低了对注塑件的质量评分的误差。
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 (4)
1.一种基于图像金字塔的注塑件质量分析方法，其特征在于，该方法包括：
采集传送带上的注塑件图像，通过高斯滤波和池化操作的方式将所述注塑件图像分解成不同分辨率的一组图像序列，由所述图像序列构建所述注塑件图像的图像金字塔；
将所述图像金字塔中的每层图像进行HSV空间转化以提取H通道图像，利用大津法对所述H通道图像进行图像分割处理，得到每层图像中的注塑件区域；对所述注塑件区域进行形态学腐蚀得到对应每层图像的多个前景区域；所述前景区域是指一个注塑件上的各个模型在图像上的成像区域；
获取每层图像中的多个所述前景区域的中心点，根据所述中心点之间的位置变化计算对应每层图像的规律性取值，所述规律性取值是指所述中心点之间连接成的线与标准中心点连接成的直线之间的差别，所述标准中心点是指未缺料的所述前景区域的中心点；根据每层图像的所述规律性取值得到所述图像金字塔中的目标层图像；
根据所述目标层图像的所述前景区域获取注塑件的缺料区域，由所述缺料区域的面积计算注塑件的质量评分，根据所述质量评分判断注塑件是否为合格品；
所述根据所述中心点之间的位置变化计算对应每层图像的规律性取值的方法，包括：
对每层图像中的所有中心点进行两两连接得到多条直线，将每条直线上的中心点坐标进行霍夫变换，则在仿射参数空间中得到一个交点，进而多条直线得到多个交点；
对所述仿射参数空间中的所有交点进行均值漂移聚类，以得到多个簇；
根据所述簇中的交点数量得到对应层图像的所述规律性取值；
所述根据所述簇中的交点数量得到对应层图像的所述规律性取值的方法，包括：
计算各簇中所述交点数量的均方差和各簇的平均紧密程度，由所述均方差和所述平均紧密程度得到所述规律性取值；
所述平均紧密程度的获取方法，包括：
计算簇中每个交点与簇中心点之间的距离以得到每个簇的紧密程度，由多个簇的所述紧密程度得到所述平均紧密程度；
所述根据每层图像的所述规律性取值得到所述图像金字塔中的目标层图像的方法，包括：
以所述图像金字塔的层数为横坐标、对应每层图像的所述规律性取值为纵坐标得到所述图像金字塔的规律性曲线；
对所述规律性曲线上的每个坐标点进行求导，得到规律性导数曲线，根据所述规律性导数曲线得到取值为零的区间，该区间是由所述图像金字塔的层数构成的，将最大长度区间中的第一数值所对应层的图像作为所述目标层图像；
所述根据所述目标层图像的所述前景区域获取注塑件的缺料区域的方法，包括：
利用底层图像中的各个所述前景区域分别减去所述目标层图像中对应位置的所述前景区域，进而得到每个所述前景区域的所述缺料区域，所述底层图像是指所述图像金字塔中的第零层图像。
2.如权利要求1所述的方法，其特征在于，所述由所述缺料区域的面积计算注塑件的质量评分的方法，包括：
计算所述缺料区域的第一面积均值和所述底层图像中所述前景区域的第二面积均值；
结合所述第一面积均值、所述第二面积均值和所述目标层图像的所述规律性取值得到注塑件的所述质量评分。
3.如权利要求1所述的方法，其特征在于，所述根据所述质量评分判断注塑件是否为合格品的方法，包括：
设置质量阈值，所述质量评分大于所述质量阈值的注塑件为合格品；反之，该注塑件为不合格品。
4.如权利要求2所述方法，其特征在于，所述质量评分与所述第一面积均值呈负相关、所述质量评分与所述第二面积均值呈正相关。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210107958.5A CN114445483B (zh) | 2022-01-28 | 2022-01-28 | 基于图像金字塔的注塑件质量分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210107958.5A CN114445483B (zh) | 2022-01-28 | 2022-01-28 | 基于图像金字塔的注塑件质量分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114445483A CN114445483A (zh) | 2022-05-06 |
| CN114445483B true CN114445483B (zh) | 2023-03-24 |
Family
ID=81372457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210107958.5A Active CN114445483B (zh) | 2022-01-28 | 2022-01-28 | 基于图像金字塔的注塑件质量分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114445483B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116894841B (zh) * | 2023-09-08 | 2023-11-28 | 山东天鼎舟工业科技有限公司 | 一种变速箱合金壳体质量视觉检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021004402A1 (zh) * | 2019-07-05 | 2021-01-14 | 深圳数字生命研究院 | 图像识别方法及装置、存储介质和处理器 |
| CN113205145A (zh) * | 2021-05-18 | 2021-08-03 | 广州大学 | 基于归一化互相关的模板匹配方法、系统、装置及介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105989594B (zh) * | 2015-02-12 | 2019-02-12 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
| CN106778779A (zh) * | 2016-12-12 | 2017-05-31 | 广东省智能制造研究所 | 一种电动注塑机模具检测方法 |
| CN107230203B (zh) * | 2017-05-19 | 2021-06-08 | 重庆立洋机电设备制造有限公司 | 基于人眼视觉注意机制的铸件缺陷识别方法 |
| CN108364280B (zh) * | 2018-01-03 | 2022-04-15 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
| EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
| CN111339914B (zh) * | 2020-02-24 | 2022-08-19 | 桂林理工大学 | 一种基于单张图片的室内天花板地面识别方法 |
| CN111753706B (zh) * | 2020-06-19 | 2024-02-02 | 西安工业大学 | 一种基于图像统计学的复杂表格交点聚类提取方法 |
| CN113221881B (zh) * | 2021-04-30 | 2022-03-22 | 浙大城市学院 | 一种多层级的智能手机屏幕缺陷检测方法 |
| CN113935953A (zh) * | 2021-09-18 | 2022-01-14 | 南通豪派金属制品有限公司 | 基于图像处理的钢卷缺陷检测方法 |
-
2022
- 2022-01-28 CN CN202210107958.5A patent/CN114445483B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021004402A1 (zh) * | 2019-07-05 | 2021-01-14 | 深圳数字生命研究院 | 图像识别方法及装置、存储介质和处理器 |
| CN113205145A (zh) * | 2021-05-18 | 2021-08-03 | 广州大学 | 基于归一化互相关的模板匹配方法、系统、装置及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114445483A (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
| CN115861317B (zh) | 基于机器视觉的塑胶模具生产缺陷检测方法 | |
| CN115082485B (zh) | 一种注塑制品表面气泡缺陷检测方法及系统 | |
| CN104268583B (zh) | 基于颜色区域特征的行人重识别方法及系统 | |
| CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
| 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 | |
| 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 | |
| CN114445379B (zh) | 基于图像处理的注塑件分类方法与系统 | |
| CN114387233A (zh) | 一种基于机器视觉的砂型缺陷检测方法及系统 | |
| CN114170228B (zh) | 一种计算机图像边缘检测方法 | |
| CN117173158B (zh) | 一种精密连接器质量智能检测方法及系统 | |
| CN114445483B (zh) | 基于图像金字塔的注塑件质量分析方法 | |
| CN110473174B (zh) | 一种基于图像计算铅笔精确数目的方法 | |
| CN115294410B (zh) | 一种基于图形识别的塑料制品成型控制方法 | |
| CN115457004A (zh) | 基于计算机视觉的锌膏的智能检测方法 | |
| CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
| CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及系统 | |
| CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
| CN114913138A (zh) | 一种基于人工智能的移印机产品缺陷检测方法及系统 | |
| CN110598634A (zh) | 一种基于图例库的机房草图识别方法及其装置 | |
| CN114492619A (zh) | 一种基于统计和凹凸性的点云数据集构建方法及装置 | |
| CN116309516A (zh) | 基于计算机视觉的智能检测方法 | |
| CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
| CN108765426A (zh) | 自动图像分割方法及装置 | |
| CN115330782B (zh) | 基于形态学的制冰盒注塑件缺陷检测方法 |
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 |