CN114897906A - 基于计算机视觉的改性塑料外观缺陷控制方法 - Google Patents
基于计算机视觉的改性塑料外观缺陷控制方法 Download PDFInfo
- Publication number
- CN114897906A CN114897906A CN202210822985.0A CN202210822985A CN114897906A CN 114897906 A CN114897906 A CN 114897906A CN 202210822985 A CN202210822985 A CN 202210822985A CN 114897906 A CN114897906 A CN 114897906A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- edge
- uncertain
- defect
- principal component
- 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- Withdrawn
Links
- 230000007547 defect Effects 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 50
- 229920003023 plastic Polymers 0.000 title claims abstract description 38
- 239000004033 plastic Substances 0.000 title claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000005286 illumination Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 12
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000001746 injection moulding Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 238000003466 welding Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004922 lacquer Substances 0.000 description 1
- 239000000203 mixture Substances 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
- 239000003973 paint Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能控制技术领域,具体涉及一种基于计算机视觉的改性塑料外观缺陷控制方法。该方法包括:获取不同光照情况下的改性塑料图像,获取改性塑料图像上所有连通域,计算不同连通域的宽度一致性和无序性;获得不同连通域的宽度一致性和对应中轴线无序性的差值作为第一特征值;根据第一特征值和预设阈值的比较得到确定性边缘所属缺陷类别和不确定性边缘;对不确定性边缘进行多阈值分割和密度聚类,得到不同的边缘类别;计算不同边缘类别的字典变化率得到所有缺陷类别的比例,进而确定相应的温度参数控制方法。本发明通过对不同光照情况下的改性塑料图像进行分析,获得改性塑料图像上缺陷类别,进而对相应的参数进行控制,减少缺陷发生的概率。
Description
技术领域
本发明涉及智能控制技术领域,具体涉及一种基于计算机视觉的改性塑料外观缺陷控制方法。
背景技术
而今将金属效果粉体直接融入塑料的一次成型金属质感免喷涂改性塑料由于没有涂料、漆料的适用,一次注塑成型、材料可回收利用,能够解决传统工艺成本和环保上的问题,已经广泛应用于家电市场的外观材料。
该改性塑料的短板主要是成型过程中的熔接痕外观缺陷,再加上熔接痕与裂痕相似,常规检测方法对这些缺陷的区分精度不够,更加加大了缺陷处理控制的难度。基于此,本专利提出了一种基于计算机视觉的改性塑料外观缺陷控制方法,可以对裂痕和熔接痕进行较高精度区分的同时,根据检测结果进行参数调整,减少相应缺陷的发生概率。
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计算机视觉的改性塑料外观缺陷控制方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于计算机视觉的改性塑料外观缺陷控制方法,所述方法包括:
利用缺陷光学识别控制装置采集所有光照下的改性塑料图像,通过边缘检测算法获得每个光照下改性塑料图像中的所有边缘,然后获取所有边缘围成的所有连通域,根据每个连通域不同位置的宽度获得每个连通域的宽度一致性,根据每个连通域的中轴线的弯曲规律获得每个连通域的无序性;
将每个连通域的宽度一致性和无序性的差值称为每个连通域的第一特征值,根据所有连通域第一特征值的大小获得所有熔接痕缺陷类别和裂痕缺陷类别以及所有不确定性边缘;
首先根据所有不确定性边缘的第一特征值和位置信息进行聚类,并获得所有不确定性边缘类别,然后根据每个不确定性边缘类别的K-SVD分解结果获得每个不确定性边缘类别的字典变化率,根据所有光照情况下的同一不确定性边缘类别的字典变化率序列获得所述不确定性边缘类别的离散系数,根据所述离散系数确定每个不确定性边缘类别所属的缺陷类别;
统计所有不确定性边缘类别对应的缺陷类别、所述的所有熔接痕缺陷类别、所述的所有裂痕缺陷类别的数量,然后进行相应的参数调整,减小缺陷的产生概率。
进一步地,所述的每个连通域的宽度一致性的获取步骤包括:
对于每个连通域,对所述连通域边缘上所有像素点的坐标进行主成分分析,获得所有主成分方向以及每个主成分方向对应的特征值,将最小特征值对应的主成分方向称为最小主成分方向;
将所述连通域中心和所述最小主成分方向确定的直线称为连通域的最小主成分方向线;根据所述平行于最小主成分方向线的方向获得所有第一直线,将所述每个第一直线与连通域的交点距离称为每个第一直线的宽度特征,将所有第一直线的宽度特征构成的序列称为连通域的宽度序列,根据所述宽度序列的均值与标准差的商值获宽度一致性。
进一步地,所述的每个连通域的无序性的获取步骤包括:
对于每个连通域,对所述连通域边缘上所有像素点的坐标进行主成分分析,获得所有主成分方向以及每个主成分方向对应的特征值,将最大特征值对应的主成分方向称为最大主成分方向;
根据所述连通域中心和所述最大主成分方向确定的直线称为所述连通域的最大主成分方向线;获得所述最大主成分方向线和所述连通域的两个第一交点;
获取每个第一直线与连通域边界的两个第二交点的中点;,连接多个所述的所有中点和所述第一交点得到每个连通域的中轴线。
获得所述每个连通域的中轴线上每个像素的链码,所述每个像素的链码是指相邻边缘点连线的方向值,然后计算所述中轴线上所有像素的链码的均值和标准差,将所述均值与标准差的商值作为所述连通域的无序性。
进一步地,所述所有熔接痕缺陷类别和裂痕缺陷类别以及所有不确定性边缘包括:
将所有连通域的第一特征值在预设第一阈值范围内的特征值对应的连通域作为熔接痕缺陷类别,将所述所有连通域的第一特征值在预设第二阈值范围内的特征值对应的连通域作为裂痕缺陷类别,将所述所有连通域的第一特征值在第三阈值范围内的特征值对应的连通域称为不确定性边缘。所述第二阈值范围的最大值小于第一阈值范围的最小值。
进一步地,所述不确定性边缘类别的获取步骤包括:
采用多阈值分割的方法对所述所有的不确定性边缘的第一特征值进行聚类,获得所有聚类结果,称为不确定性边缘属性类别;
将所述每个不确定性边缘属性类别中的连通域的中心点作为连通域中心点,对所有不确定性边缘对应的所述中心点进行密度聚类,并获得所有聚类结果,称为不确定性边缘类别。
进一步地,所述每个不确定性边缘类别的字典变化率的获取步骤包括:
对所述改性塑料图像的灰度图像进行K-SVD分解,得到字典矩阵,称为原始字典矩阵;将去除每一个不确定性边缘类别后的灰度图像,称为更新后的灰度图像;
根据所述每个不确定性边缘类别的最小外接矩形对更新后的灰度图像分块,将所述每个灰度块中的像素变成行向量,组成行向量矩阵;
对所述行向量矩阵进行K-SVD分解,将所述行向量矩阵对应的字典矩阵称为新字典矩阵;
根据所述每个不确定性边缘类别的新字典矩阵的熵值和原始字典矩阵的熵值得到每个不确定性边缘类别的字典变化率。
进一步地,所述确定每个不确定性边缘类别所属的缺陷类别的步骤包括:
获取不同光照条件下同一个不确定性边缘类别对应的所有字典变化率,以所述所有字典变化率的标准差与均值的比值作为所述离散系数。根据所述离散系数的大小与预设第四阈值进行比较,大于第四阈值的不确定性边缘类别为熔接痕缺陷类别,小于第四阈值的对应不确定性边缘类别为裂痕缺陷类别。
进一步地,所述根据所有缺陷类别的数量进行参数调整,减小缺陷产生概率的步骤包括:
首先统计所有不确定性边缘类别对应的缺陷类别、所述的所有熔接痕缺陷类别、所述的所有裂痕缺陷类别的数量,得到熔接痕缺陷和所有缺陷的数量比值,如果所述比值大于预设第五阈值,则采取升高温度的方法减少熔接痕缺陷的出现概率,如果所述比值小于预设第五阈值,则通过增加注射口减少单一注射口压力的方法减少裂痕缺陷的出现概率。
进一步地,所述的缺陷光学识别控制装置包括但不限于:一个RGB相机、一个可变方向的LED光源、一个温度调节装置、一个嵌入式系统,所述的嵌入式系统运行如权利要求1~8任意一项所述方法的步骤,所述温度调节装置用于控制注塑设备的温度大小。
本发明具有如下有益效果:
本发明实施例通过边缘检测算法(canny算法)获取图像中所有边缘围成的连通域,得到的边缘连通域中不确定哪些边缘连通域属于熔接痕缺陷,哪些属于裂痕缺陷。对熔接痕和裂痕的独有特征进行提取,通过宽度一致性和无序性对这两种缺陷进行区分,但得到的结果中不同结果的置信度不同,为此,通过预设第一阈值和第二阈值首先把置信度高的缺陷进行分类。对于置信度较低,即在第三阈值范围内的,通过计算字典变化率得到缺陷类别。由于导致熔接痕缺陷和裂痕缺陷的本质原因不同,熔接痕缺陷区域在不同光照情况下与周围区域均属于不同的特征,该特征的独立性较强,光照不会影响熔接痕缺陷的这种特征独立性,但裂痕区域受光照影响较大,不同光照情况下裂痕区域的灰度变化不同。字典矩阵表示了不同光照情况下图像的基本特征,因此可以通过计算字典变化率的离散系数对熔接痕和裂痕缺陷进行区分。在统计得到不同缺陷的数量后,根据预设阈值对工艺参数进行相应调整,减少缺陷的发生概率。通过预设的第一、第二、第三阈值可以对连通域所述缺陷类型进行更加准确的判别,提高检测精度。
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基于计算机视觉的改性塑料外观缺陷控制方法流程图;
图2为本发明一个实施例所提供的熔接痕缺陷示意图;
图3为本发明一个实施例所提供的裂痕缺陷示意图;
图4为方向链码对应方向的值得示意图;
图5为本发明一个实施例所提供的置信度衰减示意图。
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计算机视觉的改性塑料外观缺陷控制方法及系统,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一种基于计算机视觉的改性塑料外观缺陷控制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基于计算机视觉的改性塑料外观缺陷控制方法流程图,该方法包括:
步骤S001,采集不同光照条件下的改性塑料图像,获得灰度图像。
在本发明实施例中,需要采集不同光照条件下的改性塑料图像。需要说明的是,通过特定的光照装置可以对光照方向进行调整。
本发明采用DNN语义分割的方式来识别分割图像中的目标。
该DNN网络的相关内容如下:
1) 使用的数据集为俯视采集的改性塑料图像数据集,改性塑料的样式为多种多样的。
2) 需要分割的像素共分为两类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于改性塑料的标注为1。
3) 网络的任务是分类,所有使用的loss函数为交叉熵损失函数。通过语义分割得到的0-1掩膜图像与原图像相乘,得到的图像中只含有改性塑料的图像,去除了背景的干扰。
步骤S002,通过边缘检测算法获得改性塑料图像中的所有边缘围成的所有连通域;根据PCA算法获取每个连通域的最大和最小主成分方向;根据所述最大和最小主成分方向获得每个连通域的中轴线;根据所述每个连通域的中轴线获得每个连通域的宽度一致性和无序性。
获取灰度图像中的多个连通域,对连通域进行分析得到宽度一致性和无序性的步骤具体如下:
通过canny边缘检测得到图像上的边缘,边缘围成了不同的连通域,通过canny检测得到了图像上不同连通域的单线宽的边界线,称其为边缘连通域。
熔接线和裂痕线如图2和图3所示,通过canny边缘检测得到的可能同时有熔接线和裂痕线,两种缺陷的成因和控制方法均不同,因此需要对两种缺陷进行区分。
熔接痕和裂纹在外观上相似,但减少熔接痕可以通过增大温度的方法,减少裂纹要采用增加注射口减少单一注射口压力的方法,控制方法不同,因此有必要进行区分,进而对缺陷进行控制。
进一步的,根据PCA算法获取每个连通域的最大和最小主成分方向。
对于任意连通域,获取连通域内像素点的坐标,利用主成分分析法获取这些数据的主成分方向,每个主成分方向都是一个2维的单位向量,每个主成分方向对应一个特征值。
获取特征值最大的最大主成分方向,最大主成分方向表示这些数据投影方差最大的方向,即这些数据的主要分布方向,根据连通域中心和最大主成分方向确定连通域的最大主成分方向线;获取特征值最小的最小主成分方向,最小主成分方向即这些数据投影方差最小的方向,根据连通域中心和最小主成分方向确定连通域的最小主成分方向线。
进一步的,根据所述最大和最小主成分方向获得每个连通域的中轴线。
获取最大主成分方向线和连通域边界的两个第一交点,然后沿着最小主成分方向线的方向作多条第一直线,获取第一直线与连通域边界的第二交点,并获取属于同一条第一直线的第二交点构成的线段的中线中点,该属于同一条第一直线的第二交点构成的线段即为最小主成分方向线和连通域边界的交线;连接多个中线中点和两个第一交点,得到每个连通域的中轴线。
进一步的,根据所述每个连通域的中轴线获得每个连通域的宽度一致性和无序性。
熔接线是由于金属粉取向变化导致的,熔接线连通域不同位置的宽度相近;而裂痕线是由于应力作用导致的,不同位置的宽度相差较大,因此可以通过计算连通域的宽度一致性对熔接线和裂痕缺陷进行区分。
根据所述多条第一直线与连通域的交点得到多个宽度点对;根据所述多个宽度点对得到对应连通域的宽度序列;根据所述宽度序列的均值与标准差的商值获得宽度一致性。通过归一化将宽度一致性的值范围变换到(0,1)之间,宽度一致性的值越大,对应边缘连通域为熔接痕的概率越大。
熔接痕是由于金属粉取向变化导致的,而裂痕是由于不同位置的应力不同导致的,因此裂痕往往较为弯曲,而熔接痕的弯曲度往往较小。因此可以通过计算边缘连通域的无序性来对熔接痕和裂痕缺陷进行区分。
获得所述每个连通域的中轴线的链码,链码是指相邻边缘点连线的方向值,在本发明实施例中连通域中线链码的半径设为5个像素点。然后计算所述链码的均值和标准差,将链码均值与标准差的商值作为对应连通域的无序性。通过归一化操作将无序性的值范围变换到(0,1)之间,无序性的值越大,对应边缘连通域为裂痕的概率越大。
链码方向值如图4所示。
步骤S300:根据所述每个连通域的宽度一致性和无序性获得第一特征值;根据所有连通域第一特征值大小获得所有熔接痕缺陷类别和裂痕缺陷类别以及所有不确定性边缘;根据所述所有不确定性边缘的第一特征值和位置信息进行聚类,并获得所有不确定性边缘类别;根据所述每个不确定性边缘类别的K-SVD分解结果获得每个不确定性边缘类别的字典变化率;根据所有光照情况下的同一不确定性边缘类别的字典变化率序列获得所述不确定性边缘类别的离散系数;根据所述离散系数确定每个不确定性边缘类别所属的缺陷类别。
获得每个不确定性边缘类别所述的缺陷类别的步骤具体如下:
首先根据所述每个连通域的宽度一致性和无序性获得第一特征值,根据所述连通域第一特征值的大小获得所有熔接痕缺陷类别和裂痕缺陷类别以及所有不确定性边缘。
宽度一致性越大,边缘连通域为熔接痕的概率越大;无序性越小,边缘为熔接痕的概率越大。
对于熔接痕缺陷来说,宽度一致性越大,无序性越小,对应边缘连通域为熔接痕的概率越大,即宽度一致性和无序性的差值越接近1的连通域为熔接痕的概率越大;对于裂痕缺陷来说,宽度一致性越小,无序性越大,对应边缘连通域为裂痕的概率越大,即宽度一致性和无序性的差值越接近-1的连通域为裂痕的概率越大。
将宽度一致性和无序性的差值称为第一特征值,将第一特征值在(-1,-0.8)范围之间的边缘连通域归类为裂痕缺陷,将第一特征值在(0.8,1)范围之间的边缘连通域归类为熔接痕缺陷,将第一特征值不在(-1,-0.8)和(0.8,1)范围之内,即第一特征值在(-0.8,0.8)之间的边缘连通域称为不确定性边缘。
进一步的,根据所述所有不确定性边缘的第一特征值和位置信息进行聚类,并获得所有不确定性边缘类别。
首先通过多阈值分割的方法对得到的不确定性边缘的第一特征值进行值的分类。对所有的(-0.8,0.8)之间的第一特征值进行顺序排列,即按照从小到大的顺序进行排列,对得到的顺序排列数据通过多阈值分割(根据费歇尔准则,利用类间方差最大,类内方差最小的原则对数据进行多阈值分割)得到不同的类别,称为类别1。
在灰度图像上对类别1进行密度聚类,将密度聚类结果称为类别2,即实现了对所有不确定性边缘的分类,得到了所有的不确定性边缘类别。
进一步的,根据所述每个不确定性边缘类别的K-SVD分解结果获得每个不确定性边缘类别的字典变化率。
K-SVD算法为一种经典的字典训练算法,将要训练的样本矩阵分解为字典矩阵与稀疏矩阵的乘积。K-SVD算法为本领域技术人员熟知的现有技术,在本发明实施例不再赘述其实现过程,仅简述其算法形式:
字典矩阵表示了图像的基本特征,稀疏矩阵表示图像中信息通过不同特征的何组合方法得到。
计算得到类别2中每个类别的最小外接矩形,对于每个类别的最小外接矩形范围分别进行计算。然后计算每个类别的字典变化率。
每个类别的字典变化率的计算过程如下:
1)计算得到整张图像的字典矩阵,称为原始字典矩阵。
2)将最小外接矩形范围内的边缘区域的像素点的值设置为0,即去除了该部分边缘信息。得到了更新之后的灰度图像。
3)通过该类别的最小外接矩形的大小对灰度图像进行分块,将同一块区域变为一个行向量,行向量组成新矩阵,计算得到新矩阵的字典矩阵,称为新字典矩阵。
把每个类别变成行向量是因为在计算K-SVD的字典矩阵时是按行计算的。
4)计算新字典矩阵与原始字典矩阵的熵值的商作为字典变化率。
进一步的,根据所有光照情况下的同一不确定性边缘类别的字典变化率序列获得所述不确定性边缘类别的离散系数。
一种光照情况下得到每个不确定性边缘类别的一个字典变化率,多种光照情况下得到每个不确定性边缘类别的字典变化率序列。
计算所述的每个不确定性边缘类别的字典变化率序列的标准差与均值的商值,得到所述每个字典变化率序列的离散系数,即得到了每个不确定性边缘类别的离散系数。通过归一化操作把离散系数变换到(0,1)范围内。
进一步的,根据所述离散系数确定每个不确定性边缘类别所属的缺陷类别。
将所述每个不确定性边缘类别的离散系数在预设第二阈值范围内的离散系数对应的边缘连通域作为熔接痕缺陷,在预设第二阈值范围外的离散系数对应的边缘连通域作为裂痕缺陷。在这里的预设第二阈值范围默认为(0,0.2)。
步骤S400:统计所有不确定性边缘类别对应的缺陷类别、所述的所有熔接痕缺陷类别、所述的所有裂痕缺陷类别的数量,然后进行相应的参数调整,减小缺陷的产生概率。
获得熔接痕缺陷和裂痕缺陷的数量之和,称为缺陷总数,然后计算熔接痕缺陷数量与缺陷总数的比值,如果所述比值大于预设第三阈值,说明熔接痕是主要缺陷类别,则采取升高温度的方法减少熔接痕缺陷的出现概率,如果所述比值小于预设第三阈值,则通过增加注射口减少单一注射口压力的方法减少裂痕缺陷的出现概率。预设第三阈值默认为0.8。
本发明实施例通过K-SVD算法对运输视频进行分析,获得参考性强的运输平稳度,方便运输系统对运输人员的任务分配。
本发明还提出了一种一种基于计算机视觉的改性塑料外观缺陷控制方法,其特征在于,所述的缺陷光学识别控制装置包括但不限于:一个RGB相机、一个可变方向的LED光源、一个温度调节装置、一个嵌入式系统,所述的嵌入式系统运行如权利要求1~8任意一项所述方法的步骤,所述温度调节装置用于控制注塑设备的温度大小。
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。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)
1.一种基于计算机视觉的改性塑料外观缺陷控制方法,其特征在于,所述方法包括:
利用缺陷光学识别控制装置采集所有光照下的改性塑料图像,通过边缘检测算法获得每个光照下改性塑料图像中的所有边缘,然后获取所有边缘围成的所有连通域,根据每个连通域不同位置的宽度获得每个连通域的宽度一致性,根据每个连通域的中轴线的弯曲规律获得每个连通域的无序性;
将每个连通域的宽度一致性和无序性的差值称为每个连通域的第一特征值,根据所有连通域第一特征值的大小获得所有熔接痕缺陷类别和裂痕缺陷类别以及所有不确定性边缘;
首先根据所有不确定性边缘的第一特征值和位置信息进行聚类,并获得所有不确定性边缘类别,然后根据每个不确定性边缘类别的K-SVD分解结果获得每个不确定性边缘类别的字典变化率,根据所有光照情况下的同一不确定性边缘类别的字典变化率序列获得所述不确定性边缘类别的离散系数,根据所述离散系数确定每个不确定性边缘类别所属的缺陷类别;
统计所有不确定性边缘类别对应的缺陷类别、所述的所有熔接痕缺陷类别、所述的所有裂痕缺陷类别的数量,然后进行相应的参数调整,减小缺陷的产生概率。
2.根据权利要求1所述的一种基于计算机视觉的改性塑料外观缺陷控制方法,其特征在于,所述的每个连通域的宽度一致性的获取步骤包括:
对于每个连通域,对所述连通域边缘上所有像素点的坐标进行主成分分析,获得所有主成分方向以及每个主成分方向对应的特征值,将最小特征值对应的主成分方向称为最小主成分方向;
将所述连通域中心和所述最小主成分方向确定的直线称为连通域的最小主成分方向线;根据所述平行于最小主成分方向线的方向获得所有第一直线,将所述每个第一直线与连通域的交点距离称为每个第一直线的宽度特征,将所有第一直线的宽度特征构成的序列称为连通域的宽度序列,根据所述宽度序列的均值与标准差的商值获宽度一致性。
3.根据权利要求1所述的一种基于计算机视觉的改性塑料外观缺陷控制方法,其特征在于,所述的每个连通域的无序性的获取步骤包括:
对于每个连通域,对所述连通域边缘上所有像素点的坐标进行主成分分析,获得所有主成分方向以及每个主成分方向对应的特征值,将最大特征值对应的主成分方向称为最大主成分方向;
根据所述连通域中心和所述最大主成分方向确定的直线称为所述连通域的最大主成分方向线;获得所述最大主成分方向线和所述连通域的两个第一交点;
获取每个第一直线与连通域边界的两个第二交点的中点;,连接多个所述的所有中点和所述第一交点得到每个连通域的中轴线;
获得所述每个连通域的中轴线上每个像素的链码,所述每个像素的链码是指相邻边缘点连线的方向值,然后计算所述中轴线上所有像素的链码的均值和标准差,将所述均值与标准差的商值作为所述连通域的无序性。
4.根据权利要求1所述的一种基于计算机视觉的改性塑料外观缺陷控制方法,其特征在于,所述所有熔接痕缺陷类别和裂痕缺陷类别以及所有不确定性边缘包括:
将所有连通域的第一特征值在预设第一阈值范围内的特征值对应的连通域作为熔接痕缺陷类别,将所述所有连通域的第一特征值在预设第二阈值范围内的特征值对应的连通域作为裂痕缺陷类别,将所述所有连通域的第一特征值在第三阈值范围内的特征值对应的连通域称为不确定性边缘,所述第二阈值范围的最大值小于第一阈值范围的最小值。
5.根据权利要求1所述的一种基于计算机视觉的改性塑料外观缺陷控制方法,其特征在于,所述不确定性边缘类别的获取步骤包括:
采用多阈值分割的方法对所述所有的不确定性边缘的第一特征值进行聚类,获得所有聚类结果,称为不确定性边缘属性类别;
将所述每个不确定性边缘属性类别中的连通域的中心点作为连通域中心点,对所有不确定性边缘对应的所述中心点进行密度聚类,并获得所有聚类结果,称为不确定性边缘类别。
6.根据权利要求1所述的一种基于计算机视觉的改性塑料外观缺陷控制方法,其特征在于,所述每个不确定性边缘类别的字典变化率的获取步骤包括:
对所述改性塑料图像的灰度图像进行K-SVD分解,得到字典矩阵,称为原始字典矩阵;将去除每一个不确定性边缘类别后的灰度图像,称为更新后的灰度图像;
根据所述每个不确定性边缘类别的最小外接矩形对更新后的灰度图像分块,将所述每个灰度块中的像素变成行向量,组成行向量矩阵;
对所述行向量矩阵进行K-SVD分解,将所述行向量矩阵对应的字典矩阵称为新字典矩阵;
根据所述每个不确定性边缘类别的新字典矩阵的熵值和原始字典矩阵的熵值得到每个不确定性边缘类别的字典变化率。
7.根据权利要求1所述的一种基于计算机视觉的改性塑料外观缺陷控制方法,其特征在于,所述确定每个不确定性边缘类别所属的缺陷类别的步骤包括:
获取不同光照条件下同一个不确定性边缘类别对应的所有字典变化率,以所述所有字典变化率的标准差与均值的比值作为所述离散系数;根据所述离散系数的大小与预设第四阈值进行比较,大于第四阈值的不确定性边缘类别为熔接痕缺陷类别,小于第四阈值的对应不确定性边缘类别为裂痕缺陷类别。
8.根据权利要求1所述的一种基于计算机视觉的改性塑料外观缺陷控制方法,其特征在于,所述根据所有缺陷类别的数量进行参数调整,减小缺陷产生概率的步骤包括:
首先统计所有不确定性边缘类别对应的缺陷类别、所述的所有熔接痕缺陷类别、所述的所有裂痕缺陷类别的数量,得到熔接痕缺陷和所有缺陷的数量比值,如果所述比值大于预设第五阈值,则采取升高温度的方法减少熔接痕缺陷的出现概率,如果所述比值小于预设第五阈值,则通过增加注射口减少单一注射口压力的方法减少裂痕缺陷的出现概率。
9.根据权利要求1所述的一种基于计算机视觉的改性塑料外观缺陷控制方法,其特征在于,所述的缺陷光学识别控制装置包括但不限于:一个RGB相机、一个可变方向的LED光源、一个温度调节装置、一个嵌入式系统,所述的嵌入式系统运行如权利要求1~8任意一项所述方法的步骤,所述温度调节装置用于控制注塑设备的温度大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210822985.0A CN114897906A (zh) | 2022-07-14 | 2022-07-14 | 基于计算机视觉的改性塑料外观缺陷控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210822985.0A CN114897906A (zh) | 2022-07-14 | 2022-07-14 | 基于计算机视觉的改性塑料外观缺陷控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897906A true CN114897906A (zh) | 2022-08-12 |
Family
ID=82729515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210822985.0A Withdrawn CN114897906A (zh) | 2022-07-14 | 2022-07-14 | 基于计算机视觉的改性塑料外观缺陷控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897906A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115229357A (zh) * | 2022-09-23 | 2022-10-25 | 江苏美乐嘉科技新材料有限公司 | 一种用于木塑材料的激光切割方法 |
CN118314136A (zh) * | 2024-06-07 | 2024-07-09 | 浙江茗星包装有限公司 | 基于机器视觉的纸杯缺陷高效检测方法 |
CN118552526A (zh) * | 2024-07-26 | 2024-08-27 | 深圳市科纳森电子有限公司 | 基于计算机视觉的柔性电路板焊盘缺陷检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104406988A (zh) * | 2014-11-18 | 2015-03-11 | 浙江大学 | 一种玻璃内部缺陷的检测方法 |
CN108346141A (zh) * | 2018-01-11 | 2018-07-31 | 浙江理工大学 | 单边侧入光式导光板缺陷提取方法 |
CN114119603A (zh) * | 2021-12-21 | 2022-03-01 | 武汉华塑亿美工贸有限公司 | 基于图像处理的快餐盒短射缺陷检测方法 |
CN114219805A (zh) * | 2022-02-22 | 2022-03-22 | 武汉旺佳玻璃制品有限公司 | 一种玻璃缺陷智能检测方法 |
CN114627118A (zh) * | 2022-05-13 | 2022-06-14 | 江苏裕荣光电科技有限公司 | 一种光纤电缆绝缘缺陷识别方法和系统 |
CN114670421A (zh) * | 2022-05-31 | 2022-06-28 | 南通净缘塑料制品有限公司 | 基于机器视觉的改性塑料挤出生产控制方法 |
-
2022
- 2022-07-14 CN CN202210822985.0A patent/CN114897906A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104406988A (zh) * | 2014-11-18 | 2015-03-11 | 浙江大学 | 一种玻璃内部缺陷的检测方法 |
CN108346141A (zh) * | 2018-01-11 | 2018-07-31 | 浙江理工大学 | 单边侧入光式导光板缺陷提取方法 |
CN114119603A (zh) * | 2021-12-21 | 2022-03-01 | 武汉华塑亿美工贸有限公司 | 基于图像处理的快餐盒短射缺陷检测方法 |
CN114219805A (zh) * | 2022-02-22 | 2022-03-22 | 武汉旺佳玻璃制品有限公司 | 一种玻璃缺陷智能检测方法 |
CN114627118A (zh) * | 2022-05-13 | 2022-06-14 | 江苏裕荣光电科技有限公司 | 一种光纤电缆绝缘缺陷识别方法和系统 |
CN114670421A (zh) * | 2022-05-31 | 2022-06-28 | 南通净缘塑料制品有限公司 | 基于机器视觉的改性塑料挤出生产控制方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115229357A (zh) * | 2022-09-23 | 2022-10-25 | 江苏美乐嘉科技新材料有限公司 | 一种用于木塑材料的激光切割方法 |
CN118314136A (zh) * | 2024-06-07 | 2024-07-09 | 浙江茗星包装有限公司 | 基于机器视觉的纸杯缺陷高效检测方法 |
CN118552526A (zh) * | 2024-07-26 | 2024-08-27 | 深圳市科纳森电子有限公司 | 基于计算机视觉的柔性电路板焊盘缺陷检测方法 |
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 | |
CN114897906A (zh) | 基于计算机视觉的改性塑料外观缺陷控制方法 | |
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
WO2022099598A1 (zh) | 一种基于图像像素相对统计特征的视频动态目标检测的方法 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN113160192A (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
EP1300804A2 (en) | Face detecting method by skin color recognition | |
CN110826408B (zh) | 一种分区域特征提取人脸识别方法 | |
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 | |
CN108846831B (zh) | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 | |
CN112085024A (zh) | 一种罐表面字符识别方法 | |
CN115294410B (zh) | 一种基于图形识别的塑料制品成型控制方法 | |
CN111046872A (zh) | 一种光学字符识别方法 | |
CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及系统 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN116310845B (zh) | 一种用于污水处理的智能监测系统 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
KR102484950B1 (ko) | 비전-초분광 융합 데이터 기반 폐기물 분류 시스템 | |
US7715632B2 (en) | Apparatus and method for recognizing an image | |
CN114187289A (zh) | 一种基于计算机视觉的塑料制品缩坑检测方法及系统 | |
CN115239718A (zh) | 一种基于图像处理的塑料制品缺陷检测方法与系统 | |
CN112598002B (zh) | 一种雾气和噪声影响下的车牌识别方法 | |
CN116206208B (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
CN111626150B (zh) | 商品识别方法 | |
CN114299299A (zh) | 一种树叶特征提取方法、装置、计算机设备和存储介质 |
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 |
Application publication date: 20220812 |
|
WW01 | Invention patent application withdrawn after publication |