CN114565614B - 基于机器视觉的注塑件表面缺陷分析方法与系统 - Google Patents

基于机器视觉的注塑件表面缺陷分析方法与系统 Download PDF

Info

Publication number
CN114565614B
CN114565614B CN202210476946.XA CN202210476946A CN114565614B CN 114565614 B CN114565614 B CN 114565614B CN 202210476946 A CN202210476946 A CN 202210476946A CN 114565614 B CN114565614 B CN 114565614B
Authority
CN
China
Prior art keywords
defect
gradient
value
injection molding
pixel points
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
CN202210476946.XA
Other languages
English (en)
Other versions
CN114565614A (zh
Inventor
黄克文
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 Huasu Yimei Industry And Trade Co ltd
Original Assignee
Wuhan Huasu Yimei Industry And Trade 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 Huasu Yimei Industry And Trade Co ltd filed Critical Wuhan Huasu Yimei Industry And Trade Co ltd
Priority to CN202210476946.XA priority Critical patent/CN114565614B/zh
Publication of CN114565614A publication Critical patent/CN114565614A/zh
Application granted granted Critical
Publication of CN114565614B publication Critical patent/CN114565614B/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
    • 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
    • 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

Abstract

本发明涉及机器视觉技术领域，具体涉及一种基于机器视觉的注塑件表面缺陷分析方法与系统，该方法包括：获取注塑件的表面灰度图像，对表面灰度图像进行特征提取得到缺陷区域，并对注塑件的浇口所在位置进行标记；计算缺陷区域内各像素点的梯度值和梯度方向，分别获取缺陷区域内各像素点与注塑件的浇口所在位置的连线，并获取缺陷区域内各像素点梯度方向与连线的夹角，记为气痕延伸角；统计缺陷区域内各像素点的梯度值和气痕延伸角构成的二元组，得到缺陷评价值；基于缺陷评价值计算缺陷分类系数；根据缺陷分类系数与设定范围进行缺陷区域的缺陷类型判断。本发明能够准确分析出产生气痕缺陷的原因，使工人能够有针对性的处理具有气痕缺陷的注塑件。

Description

基于机器视觉的注塑件表面缺陷分析方法与系统
技术领域
本发明涉及机器视觉技术领域，具体涉及一种基于机器视觉的注塑件表面缺陷分析方法与系统。
背景技术
注塑件是指由注塑机生产的各种注塑产品的统称。注塑产品品种比较繁多，应用范围也比较广，特别是在纺织设备和汽车制造业中，有多种形状注塑制品作配件。还有医疗器械、文教用品以及人们日常生活中随处可见的各种日用品，例如塑料盆、塑料盒等。
注塑件在注塑成型的过程中，会出现多种产品的表面缺陷，其中对于外观影响较大的一种常见的注塑件表面缺陷是气痕缺陷，气痕缺陷大大影响了产品表面的美观程度，且其本质上是一些细小的凹陷，也一定程度上影响了产品的强度，使产品质量大打折扣。
现有技术中，对于注塑件表面气痕缺陷的识别仅为利用图像处理技术例如图像分割，将缺陷处分割出来，此种方式可以实现气痕缺陷的检测，但气痕缺陷由于其自身具有产生原因的复杂性还可被分为不同种类的气痕，如由于模腔面存在冷凝水气使制品表面出现的气痕、由于熔融前的塑料颗粒潮湿产生的气痕以及由于浇口处释压陷入空气所致的气痕。这些气痕具有不同的形态特征，现有图像处理技术不能很好的将其区分，也就无法做到将检测到的气痕缺陷进行分析归因，从而无法做到检测到缺陷后快速进行质量控制。降低了质量控制效率。且神经网络分类算法又需要大量的数据去训练，需要较高的数据成本。
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机器视觉的注塑件表面缺陷分析方法，所采用的技术方案具体如下：
获取注塑件的表面灰度图像，对表面灰度图像进行特征提取得到缺陷区域，并对注塑件的浇口所在位置进行标记；
计算缺陷区域内各像素点的梯度值和梯度方向，分别获取缺陷区域内各像素点与注塑件的浇口所在位置的连线，并获取缺陷区域内各像素点梯度方向与连线的夹角，记为气痕延伸角；
统计缺陷区域内各像素点的梯度值和气痕延伸角构成的二元组，得到缺陷评价值；
基于同一梯度值下的缺陷评价值计算同梯度缺陷分类系数，利用像素点的梯度值对同梯度缺陷分类系数进行加权求和，得到缺陷分类系数；
根据缺陷分类系数与设定范围进行缺陷区域的缺陷类型判断。
优选地，所述气痕延伸角具体为：缺陷区域内各像素点梯度方向所在直线与连线的锐角夹角。
优选地，所述缺陷评价值的获取方法具体为：对所有二元组进行分类得到多个类别，计算同一类别内各二元组对应的像素点灰度值之和，得到缺陷评价值。
优选地，所述缺陷评价值的获取方法还包括：分别对缺陷区域内像素点梯度值的取值范围和气痕延伸角的取值范围进行分段，得到多个等级，计算同一等级内所有二元组对应的像素点灰度值之和，得到缺陷评价值。
优选地，所述方法还包括对缺陷评价值进行去噪处理，具体为：
基于缺陷区域内像素点的梯度值等级和延伸角等级，计算缺陷评价值的均衡值，用公式表示为：
Figure 42744DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
表示梯度值等级为r、延伸角等级为k时计算得到的缺陷评价值，
Figure 874696DEST_PATH_IMAGE004
表示缺陷评价值
Figure 398081DEST_PATH_IMAGE003
的均衡值，R表示缺陷区域内像素点的梯度值等级的总数量，K表示缺陷区域内像素点的延伸角等级的总数量。
优选地，所述同梯度缺陷分类系数的获取方法具体为：
Figure 827925DEST_PATH_IMAGE006
其中，
Figure 100002_DEST_PATH_IMAGE007
表示梯度值等级为r时的同梯度缺陷分类系数，
Figure 538392DEST_PATH_IMAGE004
表示缺陷评价值
Figure 813516DEST_PATH_IMAGE003
的均衡值，K表示缺陷区域内像素点的延伸角等级的总数量，
Figure 456987DEST_PATH_IMAGE003
表示基于梯度值等级为r、延伸角等级为k构成的二元组
Figure 385628DEST_PATH_IMAGE008
计算得到的缺陷评价值。
优选地，所述缺陷分类系数的获取方法具体为：
Figure 114550DEST_PATH_IMAGE010
其中，
Figure 100002_DEST_PATH_IMAGE011
表示缺陷分类系数，
Figure 193364DEST_PATH_IMAGE007
表示梯度值等级为r时的同梯度缺陷分类系数，R表示缺陷区域内像素点的梯度值等级的总数量。
本发明还提供了一种基于机器视觉的注塑件表面缺陷分析系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于机器视觉的注塑件表面缺陷分析方法的步骤。
本发明实施例至少具有如下有益效果：
本发明通过缺陷区域内各像素点的梯度值和气痕延伸角的变化，对气痕缺陷的形态进行判断，最终得到产生该气痕缺陷的原因。本发明能够精确的检测出气痕缺陷，并且基于气痕缺陷的形态区分出产生该气痕缺陷的原因，使工人能够有针对性的处理具有气痕缺陷的注塑件。
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为本发明的一种基于机器视觉的注塑件表面缺陷分析方法的方法流程图。
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基于机器视觉的注塑件表面缺陷分析方法与系统，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。
下面结合附图具体的说明本发明所提供的一种基于机器视觉的注塑件表面缺陷分析方法与系统的具体方案。
实施例1：
本发明所针对的场景为：对注塑件表面的气痕缺陷进行分析归因。常见的气痕缺陷的种类包括：由模腔冷凝水气所致、由塑料颗粒潮湿所致以及由注口释压陷入的空气所致，此三种原因所形成的气痕缺陷的形态较为不同。
由模腔冷凝水所致的气痕是会受到熔融塑料流的流动从而改变原有的位置，在成品表面留下月牙形的气痕，且月牙开口是冲着浇口向外的方向。由塑料颗粒潮湿所致的气痕是随着熔融塑料的流动沿着其行进路线在表面延伸，形成的气痕较为平直且方向为从注口向外发散。而第三种情况是由于陷入空气所致，因此其相对于其他两种处于其中间状态即气痕形状介于二者形态之间。
请参阅图1，其示出了本发明一个实施例提供的一种基于机器视觉的注塑件表面缺陷分析方法的步骤流程图，该方法包括以下步骤：
首先，获取注塑件的表面灰度图像，对表面灰度图像进行特征提取得到缺陷区域，并对注塑件的浇口所在位置进行标记。
具体地，利用相机采集注塑件表面气痕缺陷部分的图像，并对其进行灰度化处理，得到表面灰度图像，并对表面灰度图像进行灰度直方图统计。
需要说明的是，注塑成品表面的气痕缺陷部分表现为高亮的白色像素，因此，根据表面灰度图像对应的灰度直方图进行区域划分，可以得到包含气痕缺陷像素点的缺陷区域和包含正常像素点的非缺陷区域。
根据灰度直方图可以获取每个灰度值在整张表面灰度图像上出现的概率，在本实施例中，以所有灰度值和灰度值对应的概率为样本数据，根据所述样本数据利用EM算法，拟合一维高斯混合模型，所述高斯混合模型中的子高斯模型个数为2个。本实施例用该高斯混合模型描述每个灰度值出现的概率，这个概率是由两个子高斯模型的计算结果乘以权重获得的。将子高斯模型的均值较大的模型记为缺陷模型，将子高斯模型的均值较小的模型记为非缺陷模型。进一步将表面灰度图像上任一像素点的灰度值输入混合高斯模型，若缺陷模型的概率值大于非缺陷模型的概率值，则将该像素点划分为气痕缺陷像素点，反之为正常像素点，所有气痕缺陷像素点构成了缺陷区域，所有正常像素点构成了非缺陷区域，对浇口所在位置进行标记。
需要说明的是，本实施例根据灰度直方图统计灰度值的概率，构建混合高斯模型，进而根据像素点灰度值的概率进行划分缺陷点与非缺陷点，实施者可根据实际情况选择其他合适的方法提取包含缺陷部分的特征区域，或者对图像进行划分得到缺陷区域与非缺陷区域，如阈值分割等。
然后，计算缺陷区域内各像素点的梯度值和梯度方向，分别获取缺陷区域内各像素点与注塑件的浇口所在位置的连线，并获取缺陷区域内各像素点梯度方向与连线的夹角，记为气痕延伸角。
具体地，利用sobel算子计算缺陷区域内所有像素点的梯度信息，获取各像素点的梯度幅值和梯度方向，所述梯度方向为一个径向。此步骤为公知技术，在此不再过多赘述。对于缺陷区域内的一个像素点，对应一个梯度方向，将各像素点与标记好位置的浇口点进行连线，获取各像素点的梯度方向所在直线与连线之间的锐角夹角，将该锐角夹角记为气痕延伸角
Figure 160183DEST_PATH_IMAGE012
，其大小用
Figure DEST_PATH_IMAGE013
表示（
Figure 931830DEST_PATH_IMAGE013
第i个像素点的气痕延伸角，
Figure 882469DEST_PATH_IMAGE014
，N为缺陷区域内像素点的个数）。
需要说明的是，对于缺陷区域内的一个像素点，其梯度方向与浇口点连线的夹角说明了该像素点所在位置的延伸方向的变化规律，其所在位置的延伸方向相对于浇口位置而言，是否遵循从浇口处向外发散的规律。若夹角接近于90°，则表示像素点所在位置的延伸方向为从浇口处向外发散的方向，若夹角接近0°，则表示像素点所在位置的延伸方向为相对于浇口位置横向延伸，并且从浇口处向外发散的方向延伸较为缓慢。
进一步的，统计缺陷区域内各像素点的梯度值和气痕延伸角构成的二元组，得到缺陷评价值；对缺陷评价值进行去噪处理，基于同一梯度值下的缺陷评价值计算同梯度缺陷分类系数；利用像素点的梯度值对同梯度缺陷分类系数进行加权求和，得到缺陷分类系数。
具体地，缺陷评价值的获取方法为：统计缺陷区域内各像素点的梯度值g和气痕延伸角
Figure 358449DEST_PATH_IMAGE012
构成的二元组
Figure DEST_PATH_IMAGE015
，对所有二元组进行分类得到多个类别，计算同一类别内各二元组对应的像素点灰度值之和，得到缺陷评价值。
其中，缺陷评价值的获取方法还包括另一个实施方式：分别对缺陷区域内像素点梯度值的取值范围和气痕延伸角的取值范围进行分段，得到多个等级，计算同一等级内所有二元组对应的像素点灰度值之和，得到缺陷评价值。
具体地，先将缺陷区域内的各像素点灰度值基于其取值范围进行归一化处理，将各像素点的归一化后的灰度值记为I，进一步将像素点的梯度幅值g的取值范围进行分段处理，即将其取值范围均分为R个部分，每个部分作为一个等级，从小到大依次记为1,2,…,r,…,R，在本实施例中R的取值为10，实施者可根据实际情况进行调节。
同理，将缺陷区域内像素点的气痕延伸角
Figure 710933DEST_PATH_IMAGE012
的取值范围进行分段处理，即将其取值范围均分为K个部分，每个部分作为一个等级，从小到大依次记为1,2,…,k,…,K，在本实施例中K的取值为10，实施者可根据实际情况进行调节。
对于缺陷区域内像素点，每个像素点均对应一个梯度值等级r和延伸角等级k，以梯度值等级和延伸角等级构成二元组
Figure 122323DEST_PATH_IMAGE008
，则每个像素点都对应了一个二元组，统计各二元组，记为缺陷评价值
Figure 560258DEST_PATH_IMAGE003
，其计算方法为：对所有梯度值级别为r、延伸角级别为k的像素点的灰度值I求和。
对缺陷评价值进行去噪处理，具体地，基于缺陷区域内像素点的梯度值等级和延伸角等级，计算缺陷评价值的均衡值，用公式表示为：
Figure 980875DEST_PATH_IMAGE002
其中，
Figure 453444DEST_PATH_IMAGE003
表示基于梯度值等级为r、延伸角等级为k时计算得到的缺陷评价值，
Figure 160369DEST_PATH_IMAGE004
表示缺陷评价值
Figure 85600DEST_PATH_IMAGE003
的均衡值，R表示缺陷区域内像素点的梯度值等级的总数量，K表示缺陷区域内像素点的延伸角等级的总数量。
需要说明的是，缺陷评价值的均衡值是将缺陷评价值按照一定的规律进行均衡化处理，削弱异常像素点对缺陷评价值的影响。进一步缺陷评价值是统计各个延伸角等级中梯度值等级相同的像素点的灰度值之和，是一种统计特征，能够评估这些像素点组成的曲线的形态。对于月牙状曲线，延伸至两端时近似趋近于直线，在该曲线的顶部气痕延伸角的角度趋近于0度，向两端延伸的过程中气痕延伸角的角度逐渐增大，但是由于距离该曲线很远的离散像素点存在，其气痕延伸角的角度变化可能会影响缺陷评价值的，故需削弱这类离散像素点的统计值。
同梯度缺陷分类系数用公式表示为：
Figure 309908DEST_PATH_IMAGE016
其中，
Figure 371405DEST_PATH_IMAGE007
表示梯度值等级为r时的同梯度缺陷分类系数，
Figure 124597DEST_PATH_IMAGE004
表示缺陷评价值
Figure 537124DEST_PATH_IMAGE003
的均衡值，K表示缺陷区域内像素点的延伸角等级的总数量，
Figure 565123DEST_PATH_IMAGE003
表示基于梯度值等级为r、延伸角等级为k构成的二元组
Figure 746705DEST_PATH_IMAGE008
计算得到的缺陷评价值。
同梯度缺陷分类系数为归一化的数，当取值趋近于1时，说明相同梯度值等级的像素点的气痕延伸角在整个取值范围内呈现较为均衡的分布，且气痕延伸角的角度信息量多，可能存在各种角度的取值，则表示这些像素点的分布类似于各个开口朝着浇口反方向的月牙状曲线分布。当取值趋近于0时，说明相同梯度值等级的像素点的气痕延伸角的取值较为集中，只存在相似角度的取值，则表示这些像素点是从浇口处向外发散方向延伸，类似直线状分布。
缺陷分类系数用公式表示为：
Figure DEST_PATH_IMAGE017
其中，
Figure 28389DEST_PATH_IMAGE011
表示缺陷分类系数，
Figure 928212DEST_PATH_IMAGE007
表示梯度值等级为r时的同梯度缺陷分类系数，R表示缺陷区域内像素点的梯度值等级的总数量。
缺陷分类系数也为归一化的数，不同梯度值等级的像素点对于气痕缺陷的延伸性的判定重要程度是不同的，梯度值等级越大的像素点，可能处在严重气痕区域的边缘，而梯度值等级越小的像素点可能处在气痕缺陷区域的内部，体现不出延伸性，因此由梯度值等级取值大的像素点计算出的同梯度缺陷分类系数对总体缺陷分类系数的分析越重要，基于这个逻辑对各个同梯度缺陷分类系数根据梯度值等级r设置权重。
最后，根据缺陷分类系数的取值范围进行缺陷区域的缺陷类型判断。
具体地，根据获得的注塑件表面气痕缺陷图像的缺陷分类系数
Figure 494322DEST_PATH_IMAGE011
，进行如下种类判定：
若
Figure 264832DEST_PATH_IMAGE018
，判定气痕缺陷成因为由塑料颗粒潮湿所致，若
Figure DEST_PATH_IMAGE019
，判定气痕缺陷成因为由注口释压陷入的空气所致，若
Figure 625406DEST_PATH_IMAGE020
，判定气痕缺陷成因为由模具腔冷凝水气所致，相关工作人员可按照缺陷不同的产生原因，而做出与其匹配的对策，能够快速的清除缺陷，减少资源浪费。
实施例2：
本实施提供了一种基于机器视觉的注塑件表面缺陷分析系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于机器视觉的注塑件表面缺陷分析方法的步骤。由于实施例1已经对一种基于机器视觉的注塑件表面缺陷分析方法进行了详细的阐述，此处不再过多介绍。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种基于机器视觉的注塑件表面缺陷分析方法，其特征在于，所述方法包括以下步骤：
获取注塑件的表面灰度图像，对表面灰度图像进行特征提取得到缺陷区域，并对注塑件的浇口所在位置进行标记；
计算缺陷区域内各像素点的梯度值和梯度方向，分别获取缺陷区域内各像素点与注塑件的浇口所在位置的连线，并获取缺陷区域内各像素点梯度方向与连线的夹角，记为气痕延伸角；
统计缺陷区域内各像素点的梯度值和气痕延伸角构成的二元组，得到缺陷评价值；基于同一梯度值下的缺陷评价值计算同梯度缺陷分类系数，利用像素点的梯度值对同梯度缺陷分类系数进行加权求和，得到缺陷分类系数；
根据缺陷分类系数与设定范围进行缺陷区域的缺陷类型判断；
所述缺陷评价值的获取方法具体为：分别对缺陷区域内像素点梯度值的取值范围和气痕延伸角的取值范围进行分段，得到多个等级，计算同一等级内所有二元组对应的像素点灰度值之和，得到缺陷评价值。
2.根据权利要求1所述的一种基于机器视觉的注塑件表面缺陷分析方法，其特征在于，所述气痕延伸角具体为：缺陷区域内各像素点梯度方向所在直线与连线的锐角夹角。
3.根据权利要求1所述的一种基于机器视觉的注塑件表面缺陷分析方法，其特征在于，所述缺陷评价值的获取方法还包括：
对所有二元组进行分类得到多个类别，计算同一类别内各二元组对应的像素点灰度值之和，得到缺陷评价值。
4.根据权利要求1所述的一种基于机器视觉的注塑件表面缺陷分析方法，其特征在于，所述方法还包括对缺陷评价值进行去噪处理，具体为：
基于缺陷区域内像素点的梯度值等级和延伸角等级，计算缺陷评价值的均衡值，用公式表示为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示梯度值等级为r、延伸角等级为k时计算得到的缺陷评价值，
Figure DEST_PATH_IMAGE004
表示缺陷评价值
Figure 330944DEST_PATH_IMAGE003
的均衡值，R表示缺陷区域内像素点的梯度值等级的总数量，K表示缺陷区域内像素点的延伸角等级的总数量。
5.根据权利要求1所述的一种基于机器视觉的注塑件表面缺陷分析方法，其特征在于，所述同梯度缺陷分类系数的获取方法具体为：
Figure DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
表示梯度值等级为r时的同梯度缺陷分类系数，
Figure 280708DEST_PATH_IMAGE004
表示缺陷评价值
Figure 404653DEST_PATH_IMAGE003
的均衡值，K表示缺陷区域内像素点的延伸角等级的总数量，
Figure 409649DEST_PATH_IMAGE003
表示基于梯度值等级为r、延伸角等级为k构成的二元组
Figure DEST_PATH_IMAGE008
计算得到的缺陷评价值。
6.根据权利要求1所述的一种基于机器视觉的注塑件表面缺陷分析方法，其特征在于，所述缺陷分类系数的获取方法具体为：
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
表示缺陷分类系数，
Figure 272956DEST_PATH_IMAGE007
表示梯度值等级为r时的同梯度缺陷分类系数，R表示缺陷区域内像素点的梯度值等级的总数量。
7.一种基于机器视觉的注塑件表面缺陷分析系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述一种基于机器视觉的注塑件表面缺陷分析方法的步骤。
CN202210476946.XA 2022-05-02 2022-05-02 基于机器视觉的注塑件表面缺陷分析方法与系统 Active CN114565614B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210476946.XA CN114565614B (zh) 2022-05-02 2022-05-02 基于机器视觉的注塑件表面缺陷分析方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210476946.XA CN114565614B (zh) 2022-05-02 2022-05-02 基于机器视觉的注塑件表面缺陷分析方法与系统

Publications (2)

Publication Number Publication Date
CN114565614A CN114565614A (zh) 2022-05-31
CN114565614B true CN114565614B (zh) 2022-07-19

Family

ID=81721593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210476946.XA Active CN114565614B (zh) 2022-05-02 2022-05-02 基于机器视觉的注塑件表面缺陷分析方法与系统

Country Status (1)

Country Link
CN (1) CN114565614B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758185B (zh) * 2022-06-16 2022-08-16 南通倍佳机械科技有限公司 一种基于灰度色差的注塑参数控制方法与系统
CN114897905B (zh) * 2022-07-14 2022-09-16 江苏欧盛液压科技有限公司 一种基于图像处理的液压阀生产控制方法
CN115131356B (zh) * 2022-09-01 2023-12-26 山东骏冠金属材料有限公司 一种基于丰富度的钢板缺陷分类方法
CN115222732B (zh) * 2022-09-15 2022-12-09 惠民县黄河先进技术研究院 一种基于大数据分析和色差检测的注塑工艺异常检测方法
CN115330755A (zh) * 2022-10-11 2022-11-11 南通至顺聚氨酯材料有限公司 一种塑料制品的质量检测方法
CN116402827B (zh) * 2023-06-09 2023-08-11 山东华禹威达机电科技有限公司 基于图像处理的采煤机用电缆夹板缺陷检测方法及装置
CN117541588B (zh) * 2024-01-10 2024-03-12 大连建峰印业有限公司 一种纸制品的印刷缺陷检测方法
CN117576089B (zh) * 2024-01-15 2024-03-22 山东恒力源精密机械制造有限公司 一种活塞环缺陷检测方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1148333A1 (de) * 2000-02-05 2001-10-24 YXLON International X-Ray GmbH Verfahren zur automatischen Gussfehlererkennung in einem Prüfling
AT507939B1 (de) * 2009-03-10 2012-02-15 Polymer Competence Ct Leoben Gmbh Verfahren zum automatisierten nachweis eines defektes an einer oberfläche eines formteils
CN105108986A (zh) * 2015-08-28 2015-12-02 深圳新华科注塑科技有限公司 一种注塑工艺监控及塑料件在线品质分拣的系统及方法
CN106952258B (zh) * 2017-03-23 2019-12-03 南京汇川图像视觉技术有限公司 一种基于梯度方向直方图的瓶口缺陷检测方法
CN113936000B (zh) * 2021-12-16 2022-03-15 武汉欧易塑胶包装有限公司 基于图像处理的注塑件波流痕识别方法
CN114187289B (zh) * 2021-12-23 2022-08-09 武汉市坤瑞塑胶模具制品有限公司 一种基于计算机视觉的塑料制品缩坑检测方法及系统

Also Published As

Publication number Publication date
CN114565614A (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
CN114565614B (zh) 基于机器视觉的注塑件表面缺陷分析方法与系统
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
CN109191459B (zh) 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法
CN115082683A (zh) 一种基于图像处理的注塑缺陷检测方法
CN103886589B (zh) 面向目标的自动化高精度边缘提取方法
CN109544562B (zh) 基于图像的钢筋端面自动识别计数算法
CN103530878B (zh) 一种基于融合策略的边缘提取方法
CN115330783A (zh) 一种钢丝绳缺陷检测方法
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
CN114757900A (zh) 基于人工智能的纺织品缺陷类型识别方法
CN108596872B (zh) 基于Gabor小波和SVM的钢轨病害的检测方法
CN109255326B (zh) 一种基于多维信息特征融合的交通场景烟雾智能检测方法
Habib et al. Distinguishing feature selection for fabric defect classification using neural network
CN115546203B (zh) 基于图像数据算法的生产监测分析方法
CN115880699B (zh) 一种食品包装袋检测方法及系统
CN114882026A (zh) 基于人工智能的传感器外壳缺陷检测方法
CN111814825B (zh) 基于遗传算法优化支持向量机的苹果检测分级方法及系统
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
Mi et al. Research on steel rail surface defects detection based on improved YOLOv4 network
CN112396580A (zh) 一种圆形零件缺陷检测方法
CN116831307A (zh) 烟草物料风选除杂过程控制方法和装置、存储介质
CN116862871A (zh) 一种基于混合特征的木材计数方法
CN115797361A (zh) 一种铝模板表面缺陷检测方法
CN109615630A (zh) 基于图像处理技术的半连续铸造铝硅合金微观组织分析方法

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