CN114998343A - 基于视觉的模具表面抛光程度检测方法 - Google Patents
基于视觉的模具表面抛光程度检测方法 Download PDFInfo
- Publication number
- CN114998343A CN114998343A CN202210929632.0A CN202210929632A CN114998343A CN 114998343 A CN114998343 A CN 114998343A CN 202210929632 A CN202210929632 A CN 202210929632A CN 114998343 A CN114998343 A CN 114998343A
- Authority
- CN
- China
- Prior art keywords
- polishing
- mold surface
- spectrogram
- mold
- frequency region
- 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.)
- Pending
Links
- 238000005498 polishing Methods 0.000 title claims abstract description 283
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000007517 polishing process Methods 0.000 claims description 63
- 238000001228 spectrum Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 239000000126 substance Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003754 machining Methods 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
- 238000005192 partition Methods 0.000 description 1
- 238000012031 short term test Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000004381 surface treatment Methods 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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Abstract
本发明涉及图像处理领域,具体涉及一种基于视觉的模具表面抛光程度检测方法,包括:获取抛光前的模具边缘图、频谱图和抛光中的频谱图;确定出抛光前频谱图中的低频区域和高频区域;获取仅含高频区域的抛光前频谱图和抛光中的频谱图,利用该两种频谱图的灰度直方图得到抛光中频谱图高频区域的能量变化系数;利用仅含高频区域的抛光前频谱图中像素点的灰度值、该像素点在仅含高频区域的抛光中频谱图的灰度值、该像素点对应的三角函数最小正周期,得到抛光中频谱图高频区域各像素点的分量变化系数;利用能量变化系数和分量变化系数得到抛光程度,进而对抛光机进行调节。上述方法用于检测模具表面的抛光程度,可提高检测效率。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于视觉的模具表面抛光程度检测方法。
背景技术
抛光作为一种表面处理加工工艺,被广泛应用于机械制造方面。抛光是指利用机械、化学或电化学的作用,使模具表面粗糙度降低,以获得光亮、平整表面的加工方法。不同的模具对抛光程度的要求不同,因此,对抛光后的模具进行抛光程度检测是很有必要的。
目前,对抛光后的模具进行抛光程度检测的手段主要为人工检测方式,依靠检测人员已有的经验对模具的表面抛光程度进行检测。
但是,现有的对抛光后的模具进行抛光程度检测的手段主观性强,效率低,准确性低。因此亟需一种方法用于提高模具表面抛光程度检测的效率和准确性。
发明内容
本发明提供一种基于视觉的模具表面抛光程度检测方法,以解决现有的模具表面抛光程度检测方法效率低和准确度低的问题。
本发明提供一种基于视觉的模具表面抛光程度检测方法,包括:获取抛光前的模具边缘图、频谱图和抛光中的频谱图;确定出抛光前频谱图中的低频区域和高频区域;获取仅含高频区域的抛光前频谱图和抛光中的频谱图,利用该两种频谱图的灰度直方图得到抛光中频谱图高频区域的能量变化系数;利用仅含高频区域的抛光前频谱图中像素点的灰度值、该像素点在仅含高频区域的抛光中频谱图的灰度值、该像素点对应的三角函数最小正周期,得到抛光中频谱图高频区域各像素点的分量变化系数;利用能量变化系数和分量变化系数得到抛光程度,进而对抛光机进行调节,相比于现有技术,本发明基于计算机视觉和图像处理,对抛光前后的模具表面图像进行处理,得到抛光前后的模具表面频谱图,利用抛光前后的模具表面频谱图的特征得到模具表面的抛光程度,进而对抛光机进行调节,有效提高了检测效率和准确度。
为达到上述目的,本发明采用如下技术方案,一种基于视觉的模具表面抛光程度检测方法,包括:
获取抛光前的模具表面边缘图、模具表面频谱图和抛光过程中当前时刻的模具表面频谱图;
将抛光前的模具表面频谱图中的低频区域进行覆盖,对覆盖后的频谱图进行傅里叶逆变换,得到逆变换后的抛光前的模具表面二值图;
利用抛光前的模具表面二值图和抛光前的模具表面边缘图中像素点的灰度值确定出抛光前的模具表面频谱图中的低频区域和高频区域;
利用抛光前的模具表面频谱图中的低频区域获取只包含高频区域的抛光前的模具表面频谱图和抛光过程中当前时刻的模具表面频谱图;
分别获取只包含高频区域的抛光前的模具表面频谱图和抛光过程中当前时刻的模具表面频谱图的灰度直方图,利用该两种灰度直方图中峰值的灰度值及峰值灰度值所占的比率,计算得到抛光过程中当前时刻的模具表面频谱图中高频区域的能量变化系数;
对只包含高频区域的抛光前的模具表面频谱图进行傅里叶逆变换,得到只包含高频区域的抛光前的模具表面频谱图中每个像素点对应的三角函数的最小正周期;
利用只包含高频区域的抛光前的模具表面频谱图中像素点的灰度值、该像素点在只包含高频区域的抛光过程中当前时刻的模具表面频谱图中的灰度值、该像素点对应的三角函数的最小正周期,计算得到抛光过程中当前时刻的模具表面频谱图中高频区域中各像素点的分量变化系数;
利用抛光过程中当前时刻的模具表面频谱图中高频区域的能量变化系数和该频谱图中高频区域中各像素点的分量变化系数,计算得到抛光过程中当前时刻的模具表面的抛光程度;
根据抛光过程中当前时刻的模具表面的抛光程度对抛光机进行调节。
进一步的,所述一种基于视觉的模具表面抛光程度检测方法,所述抛光前的模具表面边缘图、模具表面频谱图和抛光过程中当前时刻的模具表面频谱图是按照如下方式获取:
采集抛光前和抛光过程中当前时刻的模具表面图像;
对抛光前和抛光过程中当前时刻的模具表面图像进行灰度化处理,获取抛光前和抛光过程中当前时刻的模具表面灰度图;
对抛光前的模具表面灰度图进行边缘检测,获取抛光前的模具表面边缘图;
分别对抛光前和抛光过程中当前时刻的模具表面灰度图进行傅里叶变换,获取抛光前和抛光过程中当前时刻的模具表面频谱图。
进一步的,所述一种基于视觉的模具表面抛光程度检测方法,所述逆变换后的抛光前的模具表面二值图是按照如下方式得到:
对覆盖后的抛光前的模具表面频谱图进行傅里叶逆变换,得到逆变换后的抛光前的模具表面图像;
对逆变换后的抛光前的模具表面图像进行二值化处理,得到逆变换后的抛光前的模具表面二值图。
进一步的,所述一种基于视觉的模具表面抛光程度检测方法,所述抛光前的模具表面频谱图中的低频区域和高频区域是按照如下方式确定出:
将逆变换后的抛光前的模具表面二值图中像素点的灰度值减去该像素点在抛光前的模具表面边缘图中对应像素点的灰度值,得到逆变换后的抛光前的模具表面二值图中所有像素点的灰度值差值;
统计逆变换后的抛光前的模具表面二值图中各像素点的灰度值差值;
利用每种灰度值差值对应的像素点数量和抛光前的模具表面图像中的像素点数量,计算得到逆变换后的抛光前的模具表面二值图和抛光前的模具表面边缘图的匹配度;
设置阈值,对逆变换后的抛光前的模具表面二值图和抛光前的模具表面边缘图的匹配度进行判断;
当逆变换后的抛光前的模具表面二值图和抛光前的模具表面边缘图的匹配度小于等于阈值时,则以抛光前的模具表面频谱图的中心为圆心,半径的圆形区域为抛光前的模具表面频谱图的低频区域,其他区域为抛光前的模具表面频谱图的高频区域;
当逆变换后的抛光前的模具表面二值图和抛光前的模具表面边缘图的匹配度大于阈值时,则等差增大的值,重复上述步骤进行迭代匹配,直至逆变换后的抛光前的模具表面二值图和抛光前的模具表面边缘图的匹配度小于等于阈值时,迭代停止,确定出抛光前的模具表面频谱图中的低频区域和高频区域。
进一步的,所述一种基于视觉的模具表面抛光程度检测方法,所述抛光过程中当前时刻的模具表面频谱图中高频区域的能量变化系数是按照如下方式得到:
对抛光前的模具表面频谱图中的低频区域进行覆盖,得到只包含高频区域的抛光前的模具表面频谱图;
对抛光过程中当前时刻的模具表面频谱图中与抛光前的模具表面频谱图中的低频区域相同的区域进行覆盖,得到只包含高频区域的抛光过程中当前时刻的模具表面频谱图;
获取只包含高频区域的抛光前的模具表面频谱图和抛光过程中当前时刻的模具表面频谱图的灰度直方图,利用该两个灰度直方图中峰值的灰度值及峰值灰度值所占的比率,计算得到抛光过程中当前时刻的模具表面频谱图中高频区域的能量变化系数。
进一步的,所述一种基于视觉的模具表面抛光程度检测方法,所述抛光过程中当前时刻的模具表面的抛光程度的表达式具体如下:
式中,表示抛光过程中当前时刻的模具表面的抛光程度,表示抛光过程中当前时刻的模具表面频谱图中高频区域的能量变化系数,表示抛光过程中当前时刻的模具表面频谱图中高频区域中第i个像素点的分量变化系数,n表示抛光过程中当前时刻的模具表面频谱图中高频区域中像素点的数量。
进一步的,所述一种基于视觉的模具表面抛光程度检测方法,所述对抛光机进行调节的过程具体如下:
对抛光过程中当前时刻的模具表面的抛光程度进行判断:当该时刻的模具表面的抛光程度已经达到模具的抛光程度要求时,则停止抛光,更换新的模具进行抛光;当该时刻的模具表面的抛光程度未达到模具的抛光程度要求时,则继续进行抛光。
本发明的有益效果是:本发明基于计算机视觉和图像处理,对抛光前后的模具表面图像进行处理,得到抛光前后的模具表面频谱图,利用抛光前后的模具表面频谱图的特征得到模具表面的抛光程度,进而对抛光机进行调节,有效提高了检测效率和准确度。
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,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地介绍,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他的附图。
图1为本发明实施例1提供的一种模具表面抛光程度检测方法流程示意图;
图2为本发明实施例2提供的一种模具表面抛光程度检测方法流程示意图;
图3为本发明实施例2提供的一种抛光前模具表面频谱图示意图。
具体实施方式
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清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明实施例提供一种基于视觉的模具表面抛光程度检测方法,如图1所示,包括:
S101、获取抛光前的模具表面边缘图、模具表面频谱图和抛光过程中当前时刻的模具表面频谱图。
其中,对抛光前的模具表面灰度图进行canny边缘检测,获取抛光前的模具表面边缘图。
S102、将抛光前的模具表面频谱图中的低频区域进行覆盖,对覆盖后的频谱图进行傅里叶逆变换,得到逆变换后的抛光前的模具表面二值图。
其中,通过傅里叶变换得到的频谱图中,高频区域位于四周而低频区域位于中心部分。
S103、利用抛光前的模具表面二值图和抛光前的模具表面边缘图中像素点的灰度值确定出抛光前的模具表面频谱图中的低频区域和高频区域。
其中,高频区域反映的是图像中灰度变化剧烈的部位,多为轮廓、边缘部分。
S104、利用抛光前的模具表面频谱图中的低频区域获取只包含高频区域的抛光前的模具表面频谱图和抛光过程中当前时刻的模具表面频谱图。
其中,将抛光前的模具表面频谱图中的低频区域进行覆盖,得到只包含高频区域的抛光前的模具表面频谱图。
S105、分别获取只包含高频区域的抛光前的模具表面频谱图和抛光过程中当前时刻的模具表面频谱图的灰度直方图,利用该两种灰度直方图中峰值的灰度值及峰值灰度值所占的比率,计算得到抛光过程中当前时刻的模具表面频谱图中高频区域的能量变化系数。
其中,抛光过程中当前时刻的模具表面频谱图中高频区域的能量变化系数越大,模具表面的抛光程度越大。
S106、对只包含高频区域的抛光前的模具表面频谱图进行傅里叶逆变换,得到只包含高频区域的抛光前的模具表面频谱图中每个像素点对应的三角函数的最小正周期。
其中,每个像素点所对应的三角函数最小正周期来表示该像素点与低频区域中心像素点的距离。
S107、利用只包含高频区域的抛光前的模具表面频谱图中像素点的灰度值、该像素点在只包含高频区域的抛光过程中当前时刻的模具表面频谱图中的灰度值、该像素点对应的三角函数的最小正周期,计算得到抛光过程中当前时刻的模具表面频谱图中高频区域中各像素点的分量变化系数。
其中,距离低频区域中心像素点越近的像素点频率越低,最小正周期越大。
S108、利用抛光过程中当前时刻的模具表面频谱图中高频区域的能量变化系数和该频谱图中高频区域中各像素点的分量变化系数,计算得到抛光过程中当前时刻的模具表面的抛光程度。
其中,模具表面的抛光程度用于调节抛光机。
S109、根据抛光过程中当前时刻的模具表面的抛光程度对抛光机进行调节。
其中,对抛光过程中当前时刻的模具表面的抛光程度进行判断:当该时刻的模具表面的抛光程度已经达到模具的抛光程度要求时,则停止抛光,更换新的模具进行抛光。
本实施例的有益效果是:本实施例基于计算机视觉和图像处理,对抛光前后的模具表面图像进行处理,得到抛光前后的模具表面频谱图,利用抛光前后的模具表面频谱图的特征得到模具表面的抛光程度,进而对抛光机进行调节,有效提高了检测效率和准确度。
实施例2
本实施例的主要目的:通过图像处理技术,利用灰度分布变化来快速检测模具表面抛光程度,同时对抛光机进行调节,提高了工作效率,也可以避免可能发生的过度抛光或抛光不足现象。
本发明实施例提供一种基于视觉的模具表面抛光程度检测方法,如图2所示,包括:
S201、采集模具表面图像。
抛光程度需要用抛光前后的数据对比得出,故在模具进入机器尚未开始加工之前,先对其拍照,并进行灰度化处理。而由于抛光前的模具表面粗糙,因此根据其灰度图得到的频谱图中,高频区域很多,这些都是模具表面粗糙而导致灰度剧烈变化的部分。同时由于模具表面灰度分布不均匀,利用边缘检测可以提取出图像的轮廓边缘特征,即灰度剧烈变化部位。
本实施例需要利用相机采集模具表面图像,在适当位置安装相机,分别在抛光前以及抛光过程中采集模具表面图像。
S202、获取抛光前的模具表面边缘图。
对抛光前的模具表面图像进行灰度化处理得到抛光前的模具表面灰度图,并对抛光前的模具表面灰度图进行canny边缘检测,获取抛光前的模具表面边缘图。
S203、获取频谱图。
抛光是将模具粗糙的表面经过处理得到光滑或者具有镜面光泽的表面,即降低表面粗糙度。表面粗糙的部分灰度变化剧烈,反映在频谱图中是高频区域;而光滑部分灰度变化较为平缓,反映在频谱图则是低频区域。而对于频谱图中,低频区域由于所含能量极大,变化并不明显且难以分析,故对抛光过程中模具表面图像与抛光前模具表面图像的频谱图中的高频区域能量变化进行分析。而对于高频区域与低频区域的划分,可以利用抛光前的模具表面边缘图与抛光前模具表面图像的频谱图经傅里叶逆变换得到的图像进行比对,最终得出频谱图中变化明显的高频区域。
采集得到的抛光前及抛光过程中的模具表面图像经灰度化处理后,灰度图上每个像素点都有对应的灰度值,整张图像上各像素点的灰度值分布就可看作一个灰度分布函数,对灰度图进行傅里叶变换则可得到频谱图,反映了图像中灰度的分布及变化关系。
通过傅里叶变换得到的频谱图中,高频区域位于四周而低频区域位于中心部分。高频区域反映的是图像中灰度变化剧烈的部位,多为轮廓、边缘部分,而高频区域中像素点与低频区域中心像素点的距离则反映了该高频区域中像素点灰度变化的频率,距离越远则变化越快。对于抛光前模具表面图像的频谱图中,抛光前的模具表面粗糙,灰度分布不均匀,表面灰度值变化较多,而随着抛光的不断进行,模具表面光滑度增加,反映到频谱图中就是高频区域减少,整个高频区域的能量降低。
S204、获取频谱图中的高频区域。
在频谱图的分析中,高频区域与低频区域的划分界限始终都是不易确定的。本实施例首先对抛光前模具表面图像的频谱图中的低频区域进行覆盖,然后对频谱图中的剩下部分进行傅里叶逆变换,得到一个近乎于轮廓边缘的图像,将此图像与抛光前的模具表面边缘图进行比对,寻找到匹配效果最接近的图像,此时频谱图中的覆盖部分即为低频区域,余下部分即为需要分析的高频区域。具体操作过程如下:
2. 对上述操作后的频谱图进行傅里叶逆变换,即由频谱图得到特殊处理后的原图像,得到的图像保留了原图像的细节,即边缘轮廓部分。由于抛光前的模具表面边缘图是canny算子识别后经过二值化处理的,为了减少比对时像素值的影响,对傅里叶逆变换得到的图像同样进行二值化处理。
3. 对抛光前的模具表面边缘图与傅里叶逆变换得到的图像进行比对,具体过程如下:
对两张图像进行比对,即用傅里叶逆变换后得到的图像中的每个像素点的灰度值减去抛光前的模具表面边缘图中该像素点的灰度值,得到的结果为255,0或-255,记录下结果为255的像素点的数量为,结果为-255的像素点的数量为,则有:
其中,表示第次处理,当的值0.001,即千分之一时,则认为此时的傅里叶逆变换得到的图像与抛光前的模具表面边缘图相匹配,记录下此时的值。表示此时的傅里叶逆变换得到的图像与抛光前的模具表面边缘图的匹配度。
S205、计算能量变化系数。
由上步得到的高频区域,根据该部分各像素点的灰度值得到灰度直方图,由于已将低频区域筛选掉,故此部分灰度直方图应只包含一个峰值,即为高频区域像素点统计的峰值,根据峰值在灰度直方图上的位置关系,分析抛光前及抛光过程中模具表面图像的频谱图的能量变化。
分析步骤如下:
2. 获取只包含高频区域的抛光前及抛光过程中模具表面图像的频谱图的灰度直方图。
3. 抛光前的模具表面图像由于灰度变化较为剧烈,因此其频谱图中高频高亮像素点很多,高频区域整体能量大,反映到灰度直方图上则是峰值靠近255;而抛光过程中的模具表面图像由于表面逐渐光滑,灰度分布整体逐渐均匀,则高频区域变少,高频区域能量也变小,则高频区域中黑色像素点就会增多,峰值逐渐接近0。
其中,表示抛光前的模具表面图像的频谱图的灰度直方图的峰值所对应灰度值,则表示该灰度值所占的比率,即为该灰度值对应的像素点数量占灰度直方图中所有像素点数量的比率;则表示抛光过程中模具表面图像的频谱图的灰度直方图的峰值所对应灰度值,表示该灰度值所占的比率。
S206、计算分量变化系数。
对于高频区域中的各像素点,由于其与低频区域中心像素点的距离反映了该像素点变化频率的快慢,则可以根据各像素点灰度值的变化来反应高频高亮像素点的变化以及整个高频区域的变化频率的降低。
具体过程如下:
距离低频区域中心像素点越近的像素点频率越低,最小正周期越大;相反,距离低频区域中心像素点越远的像素点频率越高,最小正周期越小。则可以根据第个像素点所对应的三角函数的最小正周期来表示该像素点与低频区域中心像素点的距离。
S207、计算模具表面的抛光程度,并对抛光机进行调节。
模具表面的抛光程度,可以用频谱图中高频区域的能量变化来分析,高频区域能量变化越大,减少越多,即表明模具表面灰度分布不均匀的地方越少,即抛光程度越高,根据灰度直方图得到的能量变化系数以及高频区域各像素点的分量变化系数,可以得到模具表面的抛光程度。
根据抛光程度对抛光机进行调节,如达到模具要求则替换加工模具;尚未达到模具要求则继续抛光。
本实施例的有益效果是:本实施例基于计算机视觉和图像处理,对抛光前后的模具表面图像进行处理,得到抛光前后的模具表面频谱图,利用抛光前后的模具表面频谱图的特征得到模具表面的抛光程度,进而对抛光机进行调节,有效提高了检测效率和准确度。
以上所述仅为本发明的较佳实施例而已,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 (7)
1.一种基于视觉的模具表面抛光程度检测方法,其特征在于,包括:
获取抛光前的模具表面边缘图、模具表面频谱图和抛光过程中当前时刻的模具表面频谱图;
将抛光前的模具表面频谱图中的低频区域进行覆盖,对覆盖后的频谱图进行傅里叶逆变换,得到逆变换后的抛光前的模具表面二值图;
利用抛光前的模具表面二值图和抛光前的模具表面边缘图中像素点的灰度值确定出抛光前的模具表面频谱图中的低频区域和高频区域;
利用抛光前的模具表面频谱图中的低频区域获取只包含高频区域的抛光前的模具表面频谱图和抛光过程中当前时刻的模具表面频谱图;
分别获取只包含高频区域的抛光前的模具表面频谱图和抛光过程中当前时刻的模具表面频谱图的灰度直方图,利用该两种灰度直方图中峰值的灰度值及峰值灰度值所占的比率,计算得到抛光过程中当前时刻的模具表面频谱图中高频区域的能量变化系数;
对只包含高频区域的抛光前的模具表面频谱图进行傅里叶逆变换,得到只包含高频区域的抛光前的模具表面频谱图中每个像素点对应的三角函数的最小正周期;
利用只包含高频区域的抛光前的模具表面频谱图中像素点的灰度值、该像素点在只包含高频区域的抛光过程中当前时刻的模具表面频谱图中的灰度值、该像素点对应的三角函数的最小正周期,计算得到抛光过程中当前时刻的模具表面频谱图中高频区域中各像素点的分量变化系数;
利用抛光过程中当前时刻的模具表面频谱图中高频区域的能量变化系数和该频谱图中高频区域中各像素点的分量变化系数,计算得到抛光过程中当前时刻的模具表面的抛光程度;
根据抛光过程中当前时刻的模具表面的抛光程度对抛光机进行调节。
2.根据权利要求1所述的一种基于视觉的模具表面抛光程度检测方法,其特征在于,所述抛光前的模具表面边缘图、模具表面频谱图和抛光过程中当前时刻的模具表面频谱图是按照如下方式获取:
采集抛光前和抛光过程中当前时刻的模具表面图像;
对抛光前和抛光过程中当前时刻的模具表面图像进行灰度化处理,获取抛光前和抛光过程中当前时刻的模具表面灰度图;
对抛光前的模具表面灰度图进行边缘检测,获取抛光前的模具表面边缘图;
分别对抛光前和抛光过程中当前时刻的模具表面灰度图进行傅里叶变换,获取抛光前和抛光过程中当前时刻的模具表面频谱图。
4.根据权利要求1所述的一种基于视觉的模具表面抛光程度检测方法,其特征在于,所述抛光前的模具表面频谱图中的低频区域和高频区域是按照如下方式确定出:
将逆变换后的抛光前的模具表面二值图中像素点的灰度值减去该像素点在抛光前的模具表面边缘图中对应像素点的灰度值,得到逆变换后的抛光前的模具表面二值图中所有像素点的灰度值差值;
统计逆变换后的抛光前的模具表面二值图中各像素点的灰度值差值;
利用每种灰度值差值对应的像素点数量和抛光前的模具表面图像中的像素点数量,计算得到逆变换后的抛光前的模具表面二值图和抛光前的模具表面边缘图的匹配度;
设置阈值,对逆变换后的抛光前的模具表面二值图和抛光前的模具表面边缘图的匹配度进行判断;
当逆变换后的抛光前的模具表面二值图和抛光前的模具表面边缘图的匹配度小于等于阈值时,则以抛光前的模具表面频谱图的中心为圆心,半径的圆形区域为抛光前的模具表面频谱图的低频区域,其他区域为抛光前的模具表面频谱图的高频区域;
5.根据权利要求1所述的一种基于视觉的模具表面抛光程度检测方法,其特征在于,所述抛光过程中当前时刻的模具表面频谱图中高频区域的能量变化系数是按照如下方式得到:
对抛光前的模具表面频谱图中的低频区域进行覆盖,得到只包含高频区域的抛光前的模具表面频谱图;
对抛光过程中当前时刻的模具表面频谱图中与抛光前的模具表面频谱图中的低频区域相同的区域进行覆盖,得到只包含高频区域的抛光过程中当前时刻的模具表面频谱图;
获取只包含高频区域的抛光前的模具表面频谱图和抛光过程中当前时刻的模具表面频谱图的灰度直方图,利用该两个灰度直方图中峰值的灰度值及峰值灰度值所占的比率,计算得到抛光过程中当前时刻的模具表面频谱图中高频区域的能量变化系数。
7.根据权利要求1所述的一种基于视觉的模具表面抛光程度检测方法,其特征在于,所述对抛光机进行调节的过程具体如下:
对抛光过程中当前时刻的模具表面的抛光程度进行判断:当该时刻的模具表面的抛光程度已经达到模具的抛光程度要求时,则停止抛光,更换新的模具进行抛光;当该时刻的模具表面的抛光程度未达到模具的抛光程度要求时,则继续进行抛光。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210929632.0A CN114998343A (zh) | 2022-08-04 | 2022-08-04 | 基于视觉的模具表面抛光程度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210929632.0A CN114998343A (zh) | 2022-08-04 | 2022-08-04 | 基于视觉的模具表面抛光程度检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114998343A true CN114998343A (zh) | 2022-09-02 |
Family
ID=83021697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210929632.0A Pending CN114998343A (zh) | 2022-08-04 | 2022-08-04 | 基于视觉的模具表面抛光程度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998343A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272345A (zh) * | 2022-09-30 | 2022-11-01 | 南通海王消防水带有限公司 | 基于图像处理的防火面料质量分析方法 |
CN116563290A (zh) * | 2023-07-11 | 2023-08-08 | 南通千诚电子科技有限公司 | 一种展示柜门柜边框表面抛光程度检测方法 |
CN116630304A (zh) * | 2023-07-18 | 2023-08-22 | 东莞市京品精密模具有限公司 | 一种基于人工智能的锂电池模具加工检测方法及系统 |
CN117510057A (zh) * | 2024-01-08 | 2024-02-06 | 上海强华实业股份有限公司 | 一种大口径石英玻璃管抛光机及其系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530291A (zh) * | 2016-10-28 | 2017-03-22 | 重庆工商职业学院 | 一种基于图像处理的抛光表面检测方法及其系统 |
CN108416674A (zh) * | 2018-02-12 | 2018-08-17 | 上海翌固数据技术有限公司 | 时频谱的应用方法和设备 |
CN113971670A (zh) * | 2021-12-23 | 2022-01-25 | 武汉市利隆捷精密螺丝制造有限公司 | 基于计算机视觉的螺纹缺陷分析方法及系统 |
CN113989313A (zh) * | 2021-12-23 | 2022-01-28 | 武汉智博通科技有限公司 | 基于图像多维分析的边缘检测方法及系统 |
CN115359044A (zh) * | 2022-10-18 | 2022-11-18 | 南通群富金属科技有限公司 | 一种基于图像增强的金属件表面划痕检测方法 |
-
2022
- 2022-08-04 CN CN202210929632.0A patent/CN114998343A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530291A (zh) * | 2016-10-28 | 2017-03-22 | 重庆工商职业学院 | 一种基于图像处理的抛光表面检测方法及其系统 |
CN108416674A (zh) * | 2018-02-12 | 2018-08-17 | 上海翌固数据技术有限公司 | 时频谱的应用方法和设备 |
CN113971670A (zh) * | 2021-12-23 | 2022-01-25 | 武汉市利隆捷精密螺丝制造有限公司 | 基于计算机视觉的螺纹缺陷分析方法及系统 |
CN113989313A (zh) * | 2021-12-23 | 2022-01-28 | 武汉智博通科技有限公司 | 基于图像多维分析的边缘检测方法及系统 |
CN115359044A (zh) * | 2022-10-18 | 2022-11-18 | 南通群富金属科技有限公司 | 一种基于图像增强的金属件表面划痕检测方法 |
Non-Patent Citations (2)
Title |
---|
孟成等: "超声滚压表面强化技术的研究现状与应用", 《表面技术》 * |
孟成等: "超声滚压表面强化技术的研究现状与应用", 《表面技术》, 22 March 2022 (2022-03-22) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272345A (zh) * | 2022-09-30 | 2022-11-01 | 南通海王消防水带有限公司 | 基于图像处理的防火面料质量分析方法 |
CN116563290A (zh) * | 2023-07-11 | 2023-08-08 | 南通千诚电子科技有限公司 | 一种展示柜门柜边框表面抛光程度检测方法 |
CN116563290B (zh) * | 2023-07-11 | 2023-09-01 | 南通千诚电子科技有限公司 | 一种展示柜门柜边框表面抛光程度检测方法 |
CN116630304A (zh) * | 2023-07-18 | 2023-08-22 | 东莞市京品精密模具有限公司 | 一种基于人工智能的锂电池模具加工检测方法及系统 |
CN116630304B (zh) * | 2023-07-18 | 2023-09-19 | 东莞市京品精密模具有限公司 | 一种基于人工智能的锂电池模具加工检测方法及系统 |
CN117510057A (zh) * | 2024-01-08 | 2024-02-06 | 上海强华实业股份有限公司 | 一种大口径石英玻璃管抛光机及其系统 |
CN117510057B (zh) * | 2024-01-08 | 2024-03-12 | 上海强华实业股份有限公司 | 一种大口径石英玻璃管抛光机及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114998343A (zh) | 基于视觉的模具表面抛光程度检测方法 | |
CN115222741B (zh) | 一种电缆表面缺陷检测方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN116596936B (zh) | 基于图像数据的太阳翼帆板质量检测方法 | |
CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
CN116843678B (zh) | 一种硬碳电极生产质量检测方法 | |
CN115496692B (zh) | 一种润滑油磨粒图像增强方法 | |
CN115937216B (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
CN116777916B (zh) | 基于泵机金属外壳的缺陷检测方法 | |
CN116993726B (zh) | 一种矿物铸件检测方法及系统 | |
CN116777941B (zh) | 一种基于机器视觉的型材轮廓检测方法及系统 | |
CN115359044B (zh) | 一种基于图像增强的金属件表面划痕检测方法 | |
CN116416252B (zh) | 一种勃姆石生产工艺废水沉降图像检测方法 | |
CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN116012357A (zh) | 基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN111738256A (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN115018835A (zh) | 一种汽车起动机齿轮检测方法 | |
CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116486091B (zh) | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 | |
CN117495849A (zh) | 基于图像特征的电源适配器质量检测方法 | |
CN116503393A (zh) | 基于图像处理的线路板等离子纳米镀膜质量检测方法 | |
CN114913112A (zh) | 晶圆双边缘检测方法和装置及设备 | |
CN114529515A (zh) | 一种自动识别太阳能电池内部缺陷的方法 | |
CN114972227B (zh) | 一种砂轮气孔率识别方法 |
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 |