CN114882043A - 基于图像处理的注塑件缺陷定位方法及系统 - Google Patents
基于图像处理的注塑件缺陷定位方法及系统 Download PDFInfo
- Publication number
- CN114882043A CN114882043A CN202210811777.0A CN202210811777A CN114882043A CN 114882043 A CN114882043 A CN 114882043A CN 202210811777 A CN202210811777 A CN 202210811777A CN 114882043 A CN114882043 A CN 114882043A
- Authority
- CN
- China
- Prior art keywords
- area
- region
- gray
- defect
- sub
- 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
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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于图像处理的注塑件缺陷定位方法及系统。该方法包括:采集注塑件的表面图像;将表面图像划分为多个第一子区域,计算每个第一子区域内每个灰度级的数量占比,组成比例向量;通过计算每两个比例向量之间的第一相似度得到非缺陷区域和初级缺陷区域;获取每个初级缺陷区域的灰度集中度和主体灰度值;进而得到每个初级缺陷区域的疑似概率;根据疑似概率得到第一感兴趣区域;获取第一感兴趣区域内的第二感兴趣区域;通过计算第一感兴趣区域和第二感兴趣区域的面积差确定中级缺陷区域;通过对中级缺陷区域进行明暗区分得到终极缺陷区域。本发明实施例能够有效检测出注塑件中存在的低对比度缺陷。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于图像处理的注塑件缺陷定位方法及系统。
背景技术
各种注塑产品统称注塑件,包括各种包装,零件等。主要是由聚乙烯或聚丙烯等材料并添加了多种有机溶剂后制成的。
现有的缺陷检测方法主要是阈值分割技术以及边缘检测技术。传统的阈值分割技术适用于目标与周边环境处于不同的灰度范围内的情况,对于注塑件这种灰度值差异较小的缺陷,无法确定一个合适的阈值;且由于注塑件对比度低,缺陷边缘也不清晰。所以对于这类缺陷,无论使用阈值分割技术还是边缘检测检测技术,都很难得到一个理想的分割结果。
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处理的注塑件缺陷定位方法及系统,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基于图像处理的注塑件缺陷定位方法,该方法包括以下步骤:
采集注塑件的表面图像,获取所述表面图像的整体灰度直方图,得到灰度等级范围;
将所述表面图像划分为多个第一子区域,获取每个所述第一子区域的子灰度直方图,计算每个所述第一子区域内每个灰度级的数量占比,组成该第一子区域的比例向量;通过计算每两个比例向量之间的余弦相似度作为第一相似度得到非缺陷区域和初级缺陷区域;
以所述非缺陷区域中占比最高的灰度级作为标准级,根据每个初级缺陷区域的每个灰度级与所述标准级之间的差异,以及子灰度等级范围得到每个初级缺陷区域的灰度集中度;以所述数量占比作为对应灰度级的权重,对所有灰度级进行加权求和,得到每个初级缺陷区域的主体灰度值;根据所述灰度集中度和所述主体灰度值获取每个初级缺陷区域的疑似概率;
将不低于概率阈值的所述疑似概率对应的初级缺陷区域进行连通分析,得到第一感兴趣区域;将所述第一感兴趣区域划分为多个第二子区域,通过计算每个第二子区域和所述非缺陷区域的参考比例向量之间的第二相似度得到第二感兴趣区域;通过计算所述第一感兴趣区域和所述第二感兴趣区域的面积差确定中级缺陷区域;
通过对所述中级缺陷区域进行明暗区分得到终极缺陷区域;
所述非缺陷区域的获取过程为:
以每两个比例向量之间的第一相似度组成一个相似度序列,选取所述相似度序列中大于预设阈值的第一相似度对应的第一子区域作为所述非缺陷区域;
所述初级缺陷区域的获取过程为:
去除所述表面图像中的所述非缺陷区域,剩余的第一子区域作为所述初级缺陷区域;
所述灰度集中度的获取过程为:
以非缺陷区域中占比最高的灰度级作为标准级;获取每个初级缺陷区域的子灰度直方图中的最大灰度级,和最小灰度级,得到子灰度等级范围;根据每个初级缺陷区域的每个灰度级与标准级之间的差异,以及子灰度等级范围计算每个初级缺陷区域的灰度集中度G:
所述疑似概率的获取过程包括:
计算所述非缺陷区域的参考灰度集中度和参考主体灰度值,获取每个所述灰度集中度和所述参考灰度集中度的第一差值,以及每个所述主体灰度值与所述参考灰度集中度的第二差值,依据所述第一差值和所述第二差值的乘积得到所述疑似概率。
优选的,所述第一感兴趣区域的获取过程为:
将不低于概率阈值的所述疑似概率对应的初级缺陷区域作为高概率区域,获取所述高概率区域的连通区域,当所述联通区域为高概率区域时,将其连接,遍历所述初级缺陷区域,完成所有相连通的高概率区域的连接,得到所述第一感兴趣区域。
优选的,所述第二感兴趣区域的获取过程包括:
计算每个非缺陷区域的比例向量,以所述比例向量的平均向量作为所述参考比例向量;将小于相似阈值的所述第二相似度对应的第二子区域进行连通分析,得到所述第二感兴趣区域。
优选的,所述中级缺陷区域的获取过程包括:
当存在所述面积差时,将所述第二感兴趣区域划分为多个第三子区域,进而得到第三感兴趣区域,计算所述第二感兴趣区域和所述第三感兴趣区域的面积差,直至所述面积差为零时,以对应的感兴趣区域作为所述中级缺陷区域。
优选的,所述终极缺陷区域的获取过程包括:
将所述中级缺陷区域等分为多个部分,获取每个部分的部分主体灰度值,通过比较所述部分主体灰度值与参考主体灰度值的大小关系,判断所述中级缺陷区域是否同时存在亮区域和暗区域的所述终极缺陷区域。
第二方面,本发明另一个实施例提供了一种基于图像处理的注塑件缺陷定位系统,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,所述处理器执行所述计算机程序时实现上述基于图像处理的注塑件缺陷定位方法的步骤。
本发明实施例至少具有如下有益效果:
根据划分的第一子区域中的子灰度直方图的差异程度,初步确定缺陷所在位置的大致区域,再调整划分大小,对该区域进行细分,逐步确定缺陷的准确位置。本发明实施例能够有效检测出注塑件中存在的低对比度缺陷,并且去除了光照的影响,提高了该方法的泛化能力。
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基于图像处理的注塑件缺陷定位方法的步骤流程图;
图2为本发明一个实施例提供的整体灰度直方图;
图3为本发明一个实施例提供的由于光照产生的疑似缺陷区域图像;
图4为图3对应的灰度直方图。
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基于图像处理的注塑件缺陷定位方法及系统,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。
下面结合附图具体的说明本发明所提供的基于图像处理的注塑件缺陷定位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基于图像处理的注塑件缺陷定位方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集注塑件的表面图像,获取表面图像的整体灰度直方图,得到灰度等级范围。
注塑件表面的缺陷灰度值差异较小,为低对比度缺陷,典型的低对比度注塑缺陷为凹坑缺陷,虽然对比度低,但是仍然存在灰度值方面的差异。
图像的灰度直方图描述了图像中的灰度分布情况,能够很直观地展示出图像中各个灰度级所占的比例,在本发明实施例中将直方图转换为向量进行计算,即将每个灰度级以及其对应的比例转化为向量的维数以及该维上对应的数据,但灰度级共有256个灰度级,而一个图像的灰度级并一定会占满所有灰度级,如图2所示,其示出了本发明一个实施例提供的整体灰度直方图,根据表面图像中灰度级的分布范围缩小转换后的向量的维数,减少计算量。
通过整体灰度直方图得到整个图像的灰度等级范围,进而得到该范围的灰度级数目,即为向量的最大维数。能够保证向量的维数一致,避免维度高的向量降维丢失数据信息。
步骤S002,将表面图像划分为多个第一子区域,获取每个第一子区域的子灰度直方图,计算每个第一子区域内每个灰度级的数量占比,组成该第一子区域的比例向量;通过计算每两个比例向量之间的余弦相似度作为第一相似度得到非缺陷区域和初级缺陷区域。
具体的步骤包括:
1.将表面图像划分为多个第一子区域。
由于常见的图像分辨率有640×480,1024×768,1600×1200,2048×1536,均为2的倍数,因此通过分别对表面图像的宽和高进行偶数次等分得到多个第一子区域。
作为一个示例,本发明实施例将表面图像的宽和高分别进行四等分,得到16个第一子区域。并从左到右,从上到下地对各个第一子区域进行编号。
2.获取每个第一子区域的比例向量。
获取各个第一子区域归一化后的子灰度直方图,对于每个第一子区域,获取其中每个灰度级对应的像素点的数量占所有像素点的数量比例p,得到一个维的向量,其中,表示由第个第一子区域的灰度直方图转化的向量,表示在范围内的第个灰度级所对应的数量比例。
3.计算每两个比例向量之间的第一相似度,进而得到非缺陷区域和初级缺陷区域。
每两个比例向量之间的第一相似度由余弦相似度表征,计算方法为:
余弦相似度是根据两个向量夹角间的余弦值来衡量两个个体之间差异的大小,余弦值接近1,夹角趋于0,表明两个向量越相似;余弦值接近于0,夹角趋于90度,表明两个向量越不相似。
步骤S003,以非缺陷区域中占比最高的灰度级作为标准级,根据每个初级缺陷区域的每个灰度级与标准级之间的差异,以及子灰度等级范围得到每个初级缺陷区域的灰度集中度;以数量占比作为对应灰度级的权重,对所有灰度级进行加权求和,得到每个初级缺陷区域的主体灰度值;根据灰度集中度和主体灰度值获取每个初级缺陷区域的疑似概率。
具体的步骤包括:
1.计算每个初级缺陷区域的灰度集中度。
以非缺陷区域中占比最高的灰度级作为标准级;获取每个初级缺陷区域的子灰度直方图中的最大灰度级,和最小灰度级,得到子灰度等级范围;根据每个初级缺陷区域的每个灰度级与标准级之间的差异,以及子灰度等级范围计算每个初级缺陷区域的灰度集中度G:
2.计算初级缺陷区域的主体灰度值。
以数量占比作为对应灰度级的权重,对所有灰度级进行加权求和,得到主体灰度值Z:
3.计算非缺陷区域的参考灰度集中度和参考主体灰度值,获取每个灰度集中度和参考灰度集中度的第一差值,以及每个主体灰度值与参考灰度集中度的第二差值,依据第一差值和第二差值的乘积得到疑似概率。
根据上述步骤计算所有非缺陷区域的参考灰度集中度和参考主体灰度值,计算第一差值,其中,表示第k个初级缺陷区域的灰度集中度;计算第二差值,其中,表示第k个初级缺陷区域的主体灰度值;由于缺陷存在亮区域与暗区域,故的结果可正可负,所以第二差值取绝对值。
根据灰度直方图中的灰度等级范围得到其灰度集中程度,根据其各个灰度级的值以及其所占比例得到其主体灰度值;初步缺陷区域的灰度集中程度与非缺陷区域的参考灰度集中程度差异越大,灰度级分布的跨度越广,该区域存在缺陷的概率越大;初级缺陷区域相对于非缺陷区域的主体灰度值偏移程度越大,即偏亮或者偏暗的程度越大,该区域存在缺陷的概率越大,故根据该区域相对于参考灰度集中程度的差异情况以及参考主体灰度值的偏移情况得到该区域的疑似缺陷概率。
步骤S004,将不低于概率阈值的疑似概率对应的初级缺陷区域进行连通分析,得到第一感兴趣区域;将第一感兴趣区域划分为多个第二子区域,通过计算每个第二子区域和非缺陷区域的参考比例向量之间的第二相似度得到第二感兴趣区域;通过计算第一感兴趣区域和第二感兴趣区域的面积差确定中级缺陷区域。
具体的步骤包括:
1.将不低于概率阈值的疑似概率对应的初级缺陷区域作为高概率区域,获取高概率区域的连通区域,当连通区域为高概率区域时,将其连接,遍历初级缺陷区域,完成所有相连通的高概率区域的连接,得到第一感兴趣区域。
分析各个高概率区域四连通区域的标记值分布情况,此时高概率区域的周边四连通分布存在两种情况:周边四连通区域存在标记为1的高概率区域,或者是周边四连通区域均为标记为0的低概率区。
当周边四连通区域存在标记为1的高概率区域时,两个高概率区域满足四连通分布,即一个1在另一个1的四连通域内,这两个高概率区域存在同一缺陷,将这两个区域进行连接,视为一个整体区域;遍历初级缺陷区域,完成所有相连通的高概率区域的连接,得到第一感兴趣区域。
2.计算每个非缺陷区域的比例向量,以比例向量的平均向量作为参考比例向量;将小于相似阈值的第二相似度对应的第二子区域进行连通分析,得到第二感兴趣区域。
将第一感兴趣区域划分为多个第二子区域,由于初次划分了偶数个第一子区域,为了防止缺陷存在于两个区域的边缘位置而无法完整分析,所以在对第一感兴趣区域进一步划分时,将每个第一感兴趣区域划分为奇数个第二子区域。
作为一个示例,本发明实施例通过对第一感兴趣区域的长宽分别进行五等分,得到25个第二子区域。
计算每个第二子区域的子灰度直方图对应的比例向量与参考比例向量之间的余弦相似度,将小于相似阈值的第二相似度对应的第二子区域进行连通分析,得到第二感兴趣区域。
作为一个示例,本发明实施例中相似阈值取值为0.85。
3.当存在面积差时,将第二感兴趣区域划分为多个第三子区域,进而得到第三感兴趣区域,计算第二感兴趣区域和第三感兴趣区域的面积差,直至面积差为零时,以对应的感兴趣区域作为中级缺陷区域。
获取第一感兴趣区域的面积,第二感兴趣区域的面积,计算两者的面积差,若,第一感兴趣区域和第二感兴趣区域为同一区域,此时,该区域为中级缺陷区域;若,对第二感兴趣区域进行同样的子区域划分,得到25个第三子区域,同理得到第三感兴趣区域,并计算第二感兴趣区域和第三感兴趣区域的面积差,直至面积差为0,此时的感兴趣区域为中级缺陷区域。
步骤S005,通过对中级缺陷区域进行明暗区分得到终极缺陷区域。
由于在图像获取过程中,不可避免的存在光照影响,导致由光照产生的过亮区域也符合上述特征,即中级缺陷区域并非最终结果,其还包含了由光照影响产生的疑似缺陷区域,因此还需要对所得结果进行进一步区分,而缺陷区域与光照产生的疑似缺陷区域最大的区别即为该缺陷存在亮区域以及暗区域,光照产生的如图3所示的疑似缺陷区域只存在亮区域,对应的灰度直方图如图4所示,所以可以根据检测得到的中级缺陷区域是否存在亮区域和暗区域来对二者进行区分。
将中级缺陷区域等分为多个部分,获取每个部分的部分主体灰度值,通过比较部分主体灰度值与参考主体灰度值的大小关系,判断中级缺陷区域是否同时存在亮区域和暗区域的终极缺陷区域。
具体的,利用过中级缺陷区域中心点的水平直线和竖直直线将该区域划分为四部分,获取各个部分的灰度直方图,得到各个部分的部分主体灰度值;通过比较部分主体灰度值和参考主体灰度值的大小关系来判断该部分是否同时存在亮区域和暗区域:比较上述所得部分主体灰度值的最大值是否大于参考主体灰度值,同时,最小值是否小于参考主体灰度值,即判断与是否同时成立,成立则该中级缺陷区域为存在缺陷的区域,否则为光照影响区域,需要去除该区域,保留下来的为终极缺陷区域。
综上所述,本发明实施例采集注塑件的表面图像,获取表面图像的整体灰度直方图,得到灰度等级范围;将表面图像划分为多个第一子区域,获取每个第一子区域的子灰度直方图,计算每个第一子区域内每个灰度级的数量占比,组成该第一子区域的比例向量;通过计算每两个比例向量之间的余弦相似度作为第一相似度得到非缺陷区域和初级缺陷区域;以非缺陷区域中占比最高的灰度级作为标准级,根据每个初级缺陷区域的每个灰度级与标准级之间的差异,以及子灰度等级范围得到每个初级缺陷区域的灰度集中度;以数量占比作为对应灰度级的权重,对所有灰度级进行加权求和,得到每个初级缺陷区域的主体灰度值;根据灰度集中度和主体灰度值获取每个初级缺陷区域的疑似概率;将不低于概率阈值的疑似概率对应的初级缺陷区域进行连通分析,得到第一感兴趣区域;将第一感兴趣区域划分为多个第二子区域,通过计算每个第二子区域和非缺陷区域的参考比例向量之间的第二相似度得到第二感兴趣区域;通过计算第一感兴趣区域和第二感兴趣区域的面积差确定中级缺陷区域;通过对中级缺陷区域进行明暗区分得到终极缺陷区域。本发明实施例能够有效检测出注塑件中存在的低对比度缺陷,而且能够去除光照的影响,提高方法的适应性。
本发明实施例还提出了一种基于图像处理的注塑件缺陷定位系统,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,所述处理器执行所述计算机程序时实现上述方法的步骤。由于基于图像处理的注塑件缺陷定位方法在上述给出了详细描述,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。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或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 (6)
1.基于图像处理的注塑件缺陷定位方法,其特征在于,该方法包括以下步骤:
采集注塑件的表面图像,获取所述表面图像的整体灰度直方图,得到灰度等级范围;
将所述表面图像划分为多个第一子区域,获取每个所述第一子区域的子灰度直方图,计算每个所述第一子区域内每个灰度级的数量占比,组成该第一子区域的比例向量;通过计算每两个比例向量之间的余弦相似度作为第一相似度得到非缺陷区域和初级缺陷区域;
以所述非缺陷区域中占比最高的灰度级作为标准级,根据每个初级缺陷区域的每个灰度级与所述标准级之间的差异,以及子灰度等级范围得到每个初级缺陷区域的灰度集中度;以所述数量占比作为对应灰度级的权重,对所有灰度级进行加权求和,得到每个初级缺陷区域的主体灰度值;根据所述灰度集中度和所述主体灰度值获取每个初级缺陷区域的疑似概率;
将不低于概率阈值的所述疑似概率对应的初级缺陷区域进行连通分析,得到第一感兴趣区域;将所述第一感兴趣区域划分为多个第二子区域,通过计算每个第二子区域和所述非缺陷区域的参考比例向量之间的第二相似度得到第二感兴趣区域;通过计算所述第一感兴趣区域和所述第二感兴趣区域的面积差确定中级缺陷区域;
通过对所述中级缺陷区域进行明暗区分得到终极缺陷区域;
所述非缺陷区域的获取过程为:
以每两个比例向量之间的第一相似度组成一个相似度序列,选取所述相似度序列中大于预设阈值的第一相似度对应的第一子区域作为所述非缺陷区域;
所述初级缺陷区域的获取过程为:
去除所述表面图像中的所述非缺陷区域,剩余的第一子区域作为所述初级缺陷区域;
所述灰度集中度的获取过程为:
所述疑似概率的获取过程包括:
计算所述非缺陷区域的参考灰度集中度和参考主体灰度值,获取每个所述灰度集中度和所述参考灰度集中度的第一差值,以及每个所述主体灰度值与所述参考灰度集中度的第二差值,依据所述第一差值和所述第二差值的乘积得到所述疑似概率。
2.根据权利要求1所述的基于图像处理的注塑件缺陷定位方法,其特征在于,所述第一感兴趣区域的获取过程为:
将不低于概率阈值的所述疑似概率对应的初级缺陷区域作为高概率区域,获取所述高概率区域的连通区域,当所述联通区域为高概率区域时,将其连接,遍历所述初级缺陷区域,完成所有相连通的高概率区域的连接,得到所述第一感兴趣区域。
3.根据权利要求1所述的基于图像处理的注塑件缺陷定位方法,其特征在于,所述第二感兴趣区域的获取过程包括:
计算每个非缺陷区域的比例向量,以所述比例向量的平均向量作为所述参考比例向量;将小于相似阈值的所述第二相似度对应的第二子区域进行连通分析,得到所述第二感兴趣区域。
4.根据权利要求1所述的基于图像处理的注塑件缺陷定位方法,其特征在于,所述中级缺陷区域的获取过程包括:
当存在所述面积差时,将所述第二感兴趣区域划分为多个第三子区域,进而得到第三感兴趣区域,计算所述第二感兴趣区域和所述第三感兴趣区域的面积差,直至所述面积差为零时,以对应的感兴趣区域作为所述中级缺陷区域。
5.根据权利要求1所述的基于图像处理的注塑件缺陷定位方法,其特征在于,所述终极缺陷区域的获取过程包括:
将所述中级缺陷区域等分为多个部分,获取每个部分的部分主体灰度值,通过比较所述部分主体灰度值与参考主体灰度值的大小关系,判断所述中级缺陷区域是否同时存在亮区域和暗区域的所述终极缺陷区域。
6.基于图像处理的注塑件缺陷定位系统,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1~5任意一项所述基于图像处理的注塑件缺陷定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811777.0A CN114882043B (zh) | 2022-07-12 | 2022-07-12 | 基于图像处理的注塑件缺陷定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811777.0A CN114882043B (zh) | 2022-07-12 | 2022-07-12 | 基于图像处理的注塑件缺陷定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114882043A true CN114882043A (zh) | 2022-08-09 |
CN114882043B CN114882043B (zh) | 2022-09-06 |
Family
ID=82683675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210811777.0A Active CN114882043B (zh) | 2022-07-12 | 2022-07-12 | 基于图像处理的注塑件缺陷定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882043B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081957A (zh) * | 2022-08-18 | 2022-09-20 | 山东超华环保智能装备有限公司 | 一种危废暂存及监测的危废管理平台 |
CN115082683A (zh) * | 2022-08-22 | 2022-09-20 | 南通三信塑胶装备科技股份有限公司 | 一种基于图像处理的注塑缺陷检测方法 |
CN116228752A (zh) * | 2023-05-06 | 2023-06-06 | 四川广安承平投资开发有限公司 | 一种表面瑕疵识别方法及处理机器人 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680287A (zh) * | 2016-12-28 | 2017-05-17 | 无锡浩远视觉科技有限公司 | 一种轴承铆钉台阶缺陷的视觉检测方法 |
KR20200039049A (ko) * | 2018-10-02 | 2020-04-16 | (주)지엘테크 | 외관불량 검사방법 및 외관불량 검사 시스템 |
CN112184648A (zh) * | 2020-09-22 | 2021-01-05 | 苏州中科全象智能科技有限公司 | 一种基于深度学习的活塞表面缺陷检测方法及系统 |
CN113205063A (zh) * | 2021-05-19 | 2021-08-03 | 云南电网有限责任公司电力科学研究院 | 一种输电导线缺陷的视觉识别及定位方法 |
CN113658092A (zh) * | 2021-05-13 | 2021-11-16 | 湖南莱塞智能装备有限公司 | 一种基于图像处理的铝电解电容缺陷检测方法 |
-
2022
- 2022-07-12 CN CN202210811777.0A patent/CN114882043B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680287A (zh) * | 2016-12-28 | 2017-05-17 | 无锡浩远视觉科技有限公司 | 一种轴承铆钉台阶缺陷的视觉检测方法 |
KR20200039049A (ko) * | 2018-10-02 | 2020-04-16 | (주)지엘테크 | 외관불량 검사방법 및 외관불량 검사 시스템 |
CN112184648A (zh) * | 2020-09-22 | 2021-01-05 | 苏州中科全象智能科技有限公司 | 一种基于深度学习的活塞表面缺陷检测方法及系统 |
CN113658092A (zh) * | 2021-05-13 | 2021-11-16 | 湖南莱塞智能装备有限公司 | 一种基于图像处理的铝电解电容缺陷检测方法 |
CN113205063A (zh) * | 2021-05-19 | 2021-08-03 | 云南电网有限责任公司电力科学研究院 | 一种输电导线缺陷的视觉识别及定位方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081957A (zh) * | 2022-08-18 | 2022-09-20 | 山东超华环保智能装备有限公司 | 一种危废暂存及监测的危废管理平台 |
CN115082683A (zh) * | 2022-08-22 | 2022-09-20 | 南通三信塑胶装备科技股份有限公司 | 一种基于图像处理的注塑缺陷检测方法 |
CN116228752A (zh) * | 2023-05-06 | 2023-06-06 | 四川广安承平投资开发有限公司 | 一种表面瑕疵识别方法及处理机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN114882043B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114882043B (zh) | 基于图像处理的注塑件缺陷定位方法及系统 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN105334219B (zh) | 一种残差分析动态阈值分割的瓶口缺陷检测方法 | |
CN115082419A (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
JP2018522293A (ja) | 線形クラスタリングに基づくマルチタイプのbgaチップの視覚識別方法 | |
US8686892B2 (en) | Synthetic aperture radar chip level cross-range streak detector | |
CN111080661A (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN115187602A (zh) | 基于图像处理的注塑件缺陷检测方法及系统 | |
CN115249246A (zh) | 一种光学玻璃表面缺陷检测方法 | |
CN115115637B (zh) | 基于图像金字塔思想的布匹缺陷检测方法 | |
CN114862855B (zh) | 基于模板匹配的纺织品缺陷检测方法及系统 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN117372432B (zh) | 基于图像分割的电子烟表面缺陷检测方法及系统 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN115294159A (zh) | 金属紧固件腐蚀区域分割方法 | |
CN114841997B (zh) | 一种阀门底座密封面表面缺陷检测方法 | |
CN115345894A (zh) | 一种焊缝射线检测图像分割方法 | |
CN115239661A (zh) | 基于图像处理的机械零件毛刺检测方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116563298B (zh) | 基于高斯拟合的十字线中心亚像素检测方法 | |
CN112861870A (zh) | 指针式仪表图像矫正方法、系统及存储介质 | |
CN108765426A (zh) | 自动图像分割方法及装置 | |
CN108898584B (zh) | 一种基于图像分析的全自动贴面电容装焊极性判别方法 |
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 |