CN115049835A - 基于压铸模具缺陷识别的数据预处理方法 - Google Patents
基于压铸模具缺陷识别的数据预处理方法 Download PDFInfo
- Publication number
- CN115049835A CN115049835A CN202210978403.8A CN202210978403A CN115049835A CN 115049835 A CN115049835 A CN 115049835A CN 202210978403 A CN202210978403 A CN 202210978403A CN 115049835 A CN115049835 A CN 115049835A
- Authority
- CN
- China
- Prior art keywords
- pixel
- noise
- cluster
- gray
- defect
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004512 die casting Methods 0.000 title claims abstract description 24
- 238000007781 pre-processing Methods 0.000 title claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 72
- 230000003044 adaptive effect Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000009467 reduction Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000009499 grossing Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000012935 Averaging Methods 0.000 description 6
- 235000002566 Capsicum Nutrition 0.000 description 4
- 239000006002 Pepper Substances 0.000 description 4
- 241000722363 Piper Species 0.000 description 4
- 235000016761 Piper aduncum Nutrition 0.000 description 4
- 235000017804 Piper guineense Nutrition 0.000 description 4
- 235000008184 Piper nigrum Nutrition 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于压铸模具缺陷识别的数据预处理方法,该方法采集磨具的表面图像得到对应的灰度图像,对灰度图像进行超像素分割得到多个超像素块,根据超像素块中每个像素点的灰度梯度确认每个超像素块的类型,基于每个超像素块的类型对将超像素块进行聚类,得到对应的类型聚簇,根据每个类型聚类簇中超像素块的分布获取均值滤波的自适应尺寸,以对灰度图像进行自适应均值滤波,得到降噪后的图像,完成预处理。通过自适应滤波窗口后的均值滤波进行降噪处理,避免模糊图像边缘及细节信息,保留了大部分细节信息,使得后续检测的缺陷更为准确。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于压铸模具缺陷识别的数据预处理方法。
背景技术
压铸模具是铸造机械金属零部件的一种工具,一种在专用的压铸模锻机上完成压铸工艺的工具。模具在生产时因为压铸机压力、金属液温度、推料杆偏斜等问题,会造成压铸模具表面存在裂纹、变形、凸瘤、气孔等缺陷,进而影响后续金属零部件的生产。
现有的缺陷检测算法中最常用的就是Canny算子阈值检测,但Canny算子对噪声比较敏感,尤其是直接覆盖在原图像上的椒盐噪声,相比于其他线形的加性噪声对图像清晰度的干扰,非线性的乘性噪声则是直接破坏了图像的构成,直接进行Canny检测的话,检测出的结果是完全偏离真实值的,因此完整的Canny算法本身就具有对缺陷图像进行预处理的功能,而算法自带的高斯滤波会无差别平滑图像,进而丢失部分细节信息,导致缺陷的检测结果不够理想。
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压铸模具缺陷识别的数据预处理方法,所采用的技术方案具体如下:
采集磨具的表面图像得到对应的灰度图像;
对灰度图像进行超像素分割得到多个超像素块,根据当前超像素块中每个像素点的灰度梯度特征,将当前超像素块中的所有像素点分为两个类别,基于两个类别中的像素点数量计算当前超像素块的像素混乱程度,并根据所有像素点的灰度值和像素点的数量计算当前超像素块的灰度均匀程度;获取每个超像素块的像素混乱程度和灰度均匀程度,以根据像素混乱程度和灰度均匀程度确定每个超像素块的类型;
基于每个超像素块的类型对将超像素块进行聚类,得到对应的类型聚簇,根据每个类型聚类簇中超像素块的分布获取均值滤波的自适应尺寸,以对灰度图像进行自适应均值滤波,得到降噪后的图像。
进一步的,所述将当前超像素块中的所有像素点分为两个类别的方法,包括:
其中,代表8邻域方向中的邻域z,I代表灰度值,为像素点i与相邻邻域像素点的灰度差求一阶导,代表像素点i与邻域求导结果为0的邻域点,G代表数量,代表没有灰度梯度的邻域点数量,代表邻域不存在灰度梯度的数量占8邻域数量的占比;为A类像素点,A类像素点代表灰度均匀区域的像素点;
进一步的,所述像素混乱程度的计算公为:
进一步的,所述灰度均匀程度的计算公式为:
进一步的,所述类型包括:纯类噪声、类缺陷、以及缺陷和噪声共存。
进一步的,所述类型聚簇包括:纯类噪声聚簇、纯类缺陷聚簇以及噪声与缺陷共存聚簇。
进一步的,所述自适应尺寸的计算公式为:
其中,为均值滤波的自适应尺寸;为纯类噪声聚簇的自适应滤波窗口尺寸;0为类缺陷聚簇的自适应滤波窗口尺寸乘以0得到的;为噪声与缺陷共存聚簇的自适应滤波窗口尺寸;为噪声聚簇与其他类别聚簇区域重叠部分的像素块数量与重叠面积的比值;为噪声与缺陷共存聚簇与其他类聚簇的重合部分的像素块数量与重叠面积的比值。
进一步的,所述纯类噪声聚簇的自适应滤波窗口尺寸的计算公式为:
进一步的,所述噪声与缺陷共存聚簇的自适应滤波窗口尺寸的计算公式为:
本发明实施例至少具有如下有益效果:基于超像素分割结果,利用超像素块的类型和分布获取均值滤波的自适应尺寸,利用自适应滤波窗口后的均值滤波进行降噪处理,相比于高斯滤波去噪而言不会模糊图像边缘及细节信息,进而对去噪后的图像进行缺陷检测,提高了缺陷检测的准确性。
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压铸模具缺陷识别的数据预处理方法的步骤流程图;
图2为本发明实施例提供的超像素块分布情况的示意图。
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压铸模具缺陷识别的数据预处理方法,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,一个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压铸模具缺陷识别的数据预处理方法的具体方案。
本发明所针对的具体场景为:现有的缺陷检测算法中最常用的就是Canny算子阈值检测,但Canny算子对噪声比较敏感,尤其是直接覆盖在原图像上的椒盐噪声,相比于其他线形的加性噪声对图像清晰度的干扰,非线性的乘性噪声则是直接破坏了图像的构成,直接进行Canny检测的话,检测出的结果是完全偏离真实值的,因此完整的Canny算法本身就具有对缺陷图像进行预处理的功能,而算法自带的高斯滤波会无差别平滑图像,进而丢失部分细节信息,导致缺陷的检测结果不够理想。
请参阅图1,其示出了本发明一个实施例提供的一种基于压铸模具缺陷识别的数据预处理方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集磨具的表面图像得到对应的灰度图像。
具体的,工业缺陷检测本身就包含有现成的CCD工业相机,利用工业相机来采集模具的表面图像,并对表面图像进行灰度化处理,得到对应的灰度图像,以消除色彩的干扰,减少计算量。
步骤S002,对灰度图像进行超像素分割得到多个超像素块,根据当前超像素块中每个像素点的灰度梯度特征,将当前超像素块中的所有像素点分为两个类别,基于两个类别中的像素点数量计算当前超像素块的像素混乱程度,并根据所有像素点的灰度值和像素点的数量计算当前超像素块的灰度均匀程度;获取每个超像素块的像素混乱程度和灰度均匀程度,以根据像素混乱程度和灰度均匀程度确定每个超像素块的类型。
具体的,Canny算子进行边缘检测时是根据灰度梯度设定相应阈值来实现的,而数学上也是通过该梯度来定义一个表面的斜率和方向,而求取图像导数会强调高频率部分而放大了噪声,所以一般在计算梯度之前要进行低通滤波。
高斯函数是唯一可分离的圆对称滤波器,因此大多数边缘检测算法都使用高斯滤波来进行平滑,但高斯滤波在空间域进行噪声滤除时,都统一根据滤波核范围内像素点距离滤波中心的距离进行加权求均,因此对整张图像而言是无差别平滑,极容易丢失部分缺陷的细节信息。
针对模具上的任意缺陷,如裂纹、凸瘤、气泡等等,都或凸出或凹陷,对模具表面的平滑形成了破坏。而在灰度图像上,凹陷或者凸出都会存在一个渐变的灰度变化,而噪声点的内部则是几乎均匀的,利用这一特性,我们可以对图像进行自适应滤波平滑,来保留大部分细节信息。
平滑方式采用对椒盐噪声去除效果较好的均值滤波,常规的均值滤波算法与高斯滤波相似,但不需要加权运算,直接对滤波范围内像素点求均,但均值滤波的尺寸不同时,去噪效果也有较大差异,例如对于一个孤立的噪声点,均值滤波尺寸越大,参与求均的背景像素点越多,则降噪效果就会越好,本发明根据该特性,以及噪声点在图像上的分布情况来自适应均值滤波尺寸,实现更灵活的噪声滤除效果。
椒盐噪声在灰度图像上的分布情况不同,对缺陷的干扰程度也不相同,包括三种情况:1.缺陷区域独立存在,无噪声覆盖;2.噪声独立存在;3.噪声覆盖在缺陷表面,因此将灰度图像进行超像素分割,得到多个超像素块,进而根据噪声和缺陷内部的灰度梯度特征,判断每个超像素块的类型,具体判断过程为:
首先,超像素块最直观的解释,便是把一些具有相似特性的像素“聚合”起来,形成一个更具有代表性的大“元素”,而这个大元素,将作为其他图像处理算法的基本单位,一来大大降低了维度,二来可以提取一些异常像素点。
超像素分割后,在空间上连成一片的异常像素点存在了各个独立的超像素块中,根据灰度梯度特征评价每个超像素块内部的异常类型:任意像素点为i,对该像素点的8邻域进行求导检测灰度梯度,若大于两个邻域方向不存在灰度梯度,则认为该像素点可能在异常超像素块内灰度均匀区域的像素点,设n为像素点i的8邻域对应8个方向集合,z为该集合中的任意一个,则计算像素点i的邻域特征值:
其中,代表8个邻域方向中的其中一个,I代表灰度值,为像素点i与相邻邻域像素点的灰度差求一阶导,当求导结果为0时,代表该z邻域的像素点与原像素点i之间不存在灰度梯度;代表像素点i与邻域求导结果为0的邻域点,G代表数量,代表没有灰度梯度的邻域点数量,代表邻域不存在灰度梯度的数量占8邻域数量的占比;邻域特征值代表像素点i的邻域特征值大于时,认为像素点i为A类像素点,A类像素点代表灰度均匀区域的像素点。
获取超像素块中每个像素点的邻域特征值,根据邻域特征值将每个超像素块中的的像素点分为A类像素点和B类像素点,也即是一个超像素块中的所有像素点分为两个类别。
根据超像素块每个像素点的灰度值,来对每个超像素块的A类像素点和B类像素点进行下列相关计算:
需要说明的是,像素混乱程度的计算公式的逻辑是:根据超像素块内的A、B类像素点含量求得信息熵,根据熵值判断超像素块内部结构。同时像素混乱程度的计算公式的目的是:判断超像素块内部结构的单一性,或者混乱性。
利用上述方法获取每个超像素块的像素混乱程度和灰度均匀程度,以根据像素混乱程度和灰度均匀程度确定每个超像素块的类型:无论是熵值还是方差,取值为0时,代表超像素块内部像素构成绝对均匀,越接近0也同样越均匀,而利用指数函数归一化后,Q、P的取值在0-1之内,且当熵值、方差越小,则P、Q越接近1,因此可以设置阈值为0.8;当超像素块内的像素混乱程度和灰度均匀程度均大于阈值,代表超像素块内的熵值、灰度方差均极小,也代表了超像素块内部几乎仅有A类或者B类像素点,A类像素点表征灰度均匀区域像素点,B类像素点表征的存在灰度变化区域的像素点,而灰度方差极小,就可以确定超像素块内几乎仅有A类像素点,进而确定该超像素块为纯类噪声超像素块;当超像素块内的灰度均匀程度大于阈值且像素混乱程度小于阈值时,代表超像素块内的熵值极小,方差较大,代表超像素块内部几乎仅有A类或者B类像素点,而方差较大代表超像素块内部灰度并不均匀,进而确定该超像素块为类缺陷超像素块;当超像素块内的像素混乱程度和灰度均匀程度均小于阈值时,超像素块内的熵值、方差都较大,那么就代表A类和B类像素点均占据一定含量,且内部灰度不均匀,进而确定该超像素块为缺陷和噪声共存的超像素块。
步骤S003,基于每个超像素块的类型对将超像素块进行聚类,得到对应的类型聚簇,根据每个类型聚类簇中超像素块的分布获取均值滤波的自适应尺寸,以对灰度图像进行自适应均值滤波,得到降噪后的图像。
具体的,由于上述三种类型的超像素块在进行滤波平滑时,不同滤波尺寸得到的平滑效果均不相同,例如,对于一个孤立的噪声像素块,均值滤波内参与滤波求均计算的周围像素点中,属于原图像非缺陷的背景像素点越多,则平滑效果越好;对于纯缺陷像素块,则不需要进行滤波,滤波尺寸为0;对于噪声覆盖在缺陷上的超像素块,滤波尺寸不超过缺陷尺寸,则参与均值滤波内参与滤波求均计算的均为缺陷内部的像素点,则缺陷的边缘以及细节信息可以得到保留。
而这三种类型的超像素块的分布情况不同,在平滑时若针对每个超像素块分别自适应窗口尺寸局部去除,会导致滤波重复滑动多次,算法运行时间大大延长,这不符合工业缺陷检测的实际需求,因此需要对局部超像素块分布情况进行分析,得到最佳的均值滤波窗口,仅需进行一次滑窗即可消除所有的噪声像素点。
首先将灰度图像中的纯类噪声超像素块、纯类缺陷超像素块以及噪声和缺陷共存的超像素块,都以各自的像素块质心为单位分别进行聚类,以各自的像素块质心为聚簇中心,多次迭代,由于每类超像素块是以各自同类像素块为聚簇目标,因此会得到三类超像素块重合或不重合的聚类结果。如图2所示的超像素块分布情况的示意图,该示意图中包括三种分布情况:单个聚簇独立存在、两类聚簇重合存在和三类聚簇重合存在。
基于聚类结果,获取均值滤波的自适应尺寸,且该尺寸为正方形滤波核的边长,则自适应尺寸的计算公式为:
其中,R代表噪声聚簇,j代表噪声聚簇内第j个超像素块,F为噪声聚簇内超像素块的总数量,为聚簇中心,为噪声聚簇内超像素块的像素块质心的坐标位置;为聚簇中心与第j个超像素块的像素块质心之间的欧式距离;为噪声聚簇内的聚簇点质心与所有超像素块的像素块质心之间的欧式距离之和求均;为噪声聚簇内第j个超像素块的像素面积;为对像素块面积开根号,在超像素块形状不固定的情况下,将二维的面积数据进行开根号降维,转化为一维的长度数据,而超像素块形状随机,该长度数据用来涵盖性的表征像素块的一维宽度值,在调整均值滤波尺寸时,该宽度值存在一定误差,但可以最大程度将纯类噪声超像素块包围住;为噪声聚簇内所有超像素块的像素面积之和求均。
其中,为纯类噪声聚簇的自适应滤波窗口尺寸,用于均值滤波在滑向纯类噪声聚簇区域时,滤波的尺寸在噪声内部平均宽度,至聚簇内部像素块平均距离之间即可,越大越好;为纯类缺陷聚簇的自适应滤波窗口尺寸,代表滤波滑动至纯类缺陷聚簇时,均值滤波尺寸为0,即不进行平滑处理。
其中,中,h代表噪声与缺陷共存聚簇内的第h个超像素块,L代表噪声与缺陷共存聚簇内的超像素块数量,W代表噪声与缺陷共存聚簇;代表噪声与缺陷共存聚簇内第h个超像素块的面积;为噪声与缺陷共存聚簇内所有超像素块的像素面积之和求均,为噪声与缺陷共存聚簇的自适应滤波窗口尺寸,即当均值滤波滑动在该类聚簇区域时,滤波尺寸最大为像素块的平均宽度,才能保证对重叠在缺陷内部的噪声平滑时,滤波内的加权像素点都为缺陷内部的像素点,在平滑时不伤到缺陷内的细节信息。
中,代表聚簇重合部分,G代表数量、S代表面积,代表噪声聚簇与其他类聚簇的重合部分,代表噪声与缺陷共存聚簇与其他类聚簇的重合部分;代表噪声与其他类别聚簇区域重叠部分的像素块数量与重叠面积的比值,即重叠部分噪声像素块的密度;为噪声与缺陷共存聚簇与其他类聚簇的重合部分的像素块数量与重叠面积的比值;
噪声滤除后提高了图像质量,接下来对去噪后的图像直接运行Canny边缘检测算法,来检测缺陷区域,由于我们保留了大部分细节信息,因此检测的缺陷更为准确。
综上所述,本发明实施例提供了一种基于压铸模具缺陷识别的数据预处理方法,该方法采集磨具的表面图像得到对应的灰度图像,对灰度图像进行超像素分割得到多个超像素块,根据超像素块中每个像素点的灰度梯度确认每个超像素块的类型,基于每个超像素块的类型对将超像素块进行聚类,得到对应的类型聚簇,根据每个类型聚类簇中超像素块的分布获取均值滤波的自适应尺寸,以对灰度图像进行自适应均值滤波,得到降噪后的图像,完成预处理。通过自适应滤波窗口后的均值滤波进行降噪处理,避免模糊图像边缘及细节信息,保留了大部分细节信息,使得后续检测的缺陷更为准确。
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 (9)
1.一种基于压铸模具缺陷识别的数据预处理方法,其特征在于,该方法包括以下步骤:
采集磨具的表面图像得到对应的灰度图像;
对灰度图像进行超像素分割得到多个超像素块,根据当前超像素块中每个像素点的灰度梯度特征,将当前超像素块中的所有像素点分为两个类别,基于两个类别中的像素点数量计算当前超像素块的像素混乱程度,并根据所有像素点的灰度值和像素点的数量计算当前超像素块的灰度均匀程度;获取每个超像素块的像素混乱程度和灰度均匀程度,以根据像素混乱程度和灰度均匀程度确定每个超像素块的类型;
基于每个超像素块的类型对将超像素块进行聚类,得到对应的类型聚簇,根据每个类型聚类簇中超像素块的分布获取均值滤波的自适应尺寸,以对灰度图像进行自适应均值滤波,得到降噪后的图像。
2.如权利要求1所述的一种基于压铸模具缺陷识别的数据预处理方法,其特征在于,所述将当前超像素块中的所有像素点分为两个类别的方法,包括:
其中,代表8邻域方向中的邻域z,I代表灰度值,为像素点i与相邻邻域像素点的灰度差求一阶导,代表像素点i与邻域求导结果为0的邻域点,G代表数量,代表没有灰度梯度的邻域点数量,代表邻域不存在灰度梯度的数量占8邻域数量的占比;为A类像素点,A类像素点代表灰度均匀区域的像素点;
5.如权利要求1所述的一种基于压铸模具缺陷识别的数据预处理方法,其特征在于,所述类型包括:纯类噪声、类缺陷、以及缺陷和噪声共存。
6.如权利要求1所述的一种基于压铸模具缺陷识别的数据预处理方法,其特征在于,所述类型聚簇包括:纯类噪声聚簇、纯类缺陷聚簇以及噪声与缺陷共存聚簇。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210978403.8A CN115049835B (zh) | 2022-08-16 | 2022-08-16 | 基于压铸模具缺陷识别的数据预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210978403.8A CN115049835B (zh) | 2022-08-16 | 2022-08-16 | 基于压铸模具缺陷识别的数据预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049835A true CN115049835A (zh) | 2022-09-13 |
CN115049835B CN115049835B (zh) | 2022-11-29 |
Family
ID=83167668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210978403.8A Active CN115049835B (zh) | 2022-08-16 | 2022-08-16 | 基于压铸模具缺陷识别的数据预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049835B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222743A (zh) * | 2022-09-21 | 2022-10-21 | 山东汇智家具股份有限公司 | 基于视觉的家具表面喷漆缺陷检测方法 |
CN115239738A (zh) * | 2022-09-26 | 2022-10-25 | 南通鑫生派智能科技有限公司 | 一种汽车零件配置智能检测方法 |
CN115266536A (zh) * | 2022-09-26 | 2022-11-01 | 南通钧儒卫生用品有限公司 | 一种纸尿裤吸水性能检测方法 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN115330761A (zh) * | 2022-10-12 | 2022-11-11 | 深圳市深创高科电子有限公司 | 一种用于电子产品的表面印刷移位缺陷识别方法 |
CN115457031A (zh) * | 2022-10-27 | 2022-12-09 | 江苏集宿智能装备有限公司 | 基于x射线的集成箱体内部缺陷识别方法 |
CN115601630A (zh) * | 2022-12-15 | 2023-01-13 | 山东天意装配式建筑装备研究院有限公司(Cn) | 用于墙板模具自动清理机的污渍识别方法 |
CN115908154A (zh) * | 2022-09-20 | 2023-04-04 | 盐城众拓视觉创意有限公司 | 基于图像处理的视频后期颗粒噪声去除方法 |
CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
CN116452613A (zh) * | 2023-06-14 | 2023-07-18 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
CN116542883A (zh) * | 2023-07-07 | 2023-08-04 | 四川大学华西医院 | 一种磁控胶囊胃镜影像病灶粘膜增强系统 |
CN116596428A (zh) * | 2023-05-17 | 2023-08-15 | 河南通航无人机科技有限公司 | 一种基于无人机的乡村物流智能配送系统 |
CN116612138A (zh) * | 2023-07-14 | 2023-08-18 | 威海职业学院(威海市技术学院) | 基于图像处理的电气设备在线监测方法 |
CN117853493A (zh) * | 2024-03-08 | 2024-04-09 | 山东天意机械股份有限公司 | 一种基于图像处理的墙板生产质量检测方法 |
CN118014882A (zh) * | 2024-04-08 | 2024-05-10 | 汉中精测电器有限责任公司 | 一种基于图像处理的扭矩传感器的钻孔定位方法 |
CN118096725A (zh) * | 2024-04-18 | 2024-05-28 | 武汉市双桥科技有限公司 | 基于图像处理预防模具事故的检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169962A (zh) * | 2017-05-16 | 2017-09-15 | 西安电子科技大学 | 基于空间密度约束核模糊聚类的灰度图像快速分割方法 |
CN108447050A (zh) * | 2018-03-07 | 2018-08-24 | 湘潭大学 | 一种基于超像素的工件表面缺陷分割方法 |
CN111311604A (zh) * | 2018-12-12 | 2020-06-19 | 北京京东尚科信息技术有限公司 | 用于分割图像的方法和装置 |
CN114140462A (zh) * | 2021-12-10 | 2022-03-04 | 江苏牛犇轴承有限公司 | 一种基于图像处理的轴承磨损程度评估方法 |
CN114549497A (zh) * | 2022-02-28 | 2022-05-27 | 扬州市恒邦机械制造有限公司 | 基于图像识别的走台板表面缺陷检测方法及人工智能系统 |
CN114742727A (zh) * | 2022-03-31 | 2022-07-12 | 南通电博士自动化设备有限公司 | 一种基于图像平滑的噪声处理方法及系统 |
-
2022
- 2022-08-16 CN CN202210978403.8A patent/CN115049835B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169962A (zh) * | 2017-05-16 | 2017-09-15 | 西安电子科技大学 | 基于空间密度约束核模糊聚类的灰度图像快速分割方法 |
CN108447050A (zh) * | 2018-03-07 | 2018-08-24 | 湘潭大学 | 一种基于超像素的工件表面缺陷分割方法 |
CN111311604A (zh) * | 2018-12-12 | 2020-06-19 | 北京京东尚科信息技术有限公司 | 用于分割图像的方法和装置 |
CN114140462A (zh) * | 2021-12-10 | 2022-03-04 | 江苏牛犇轴承有限公司 | 一种基于图像处理的轴承磨损程度评估方法 |
CN114549497A (zh) * | 2022-02-28 | 2022-05-27 | 扬州市恒邦机械制造有限公司 | 基于图像识别的走台板表面缺陷检测方法及人工智能系统 |
CN114742727A (zh) * | 2022-03-31 | 2022-07-12 | 南通电博士自动化设备有限公司 | 一种基于图像平滑的噪声处理方法及系统 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908154B (zh) * | 2022-09-20 | 2023-09-29 | 盐城众拓视觉创意有限公司 | 基于图像处理的视频后期颗粒噪声去除方法 |
CN115908154A (zh) * | 2022-09-20 | 2023-04-04 | 盐城众拓视觉创意有限公司 | 基于图像处理的视频后期颗粒噪声去除方法 |
CN115222743A (zh) * | 2022-09-21 | 2022-10-21 | 山东汇智家具股份有限公司 | 基于视觉的家具表面喷漆缺陷检测方法 |
CN115222743B (zh) * | 2022-09-21 | 2022-12-09 | 山东汇智家具股份有限公司 | 基于视觉的家具表面喷漆缺陷检测方法 |
CN115266536B (zh) * | 2022-09-26 | 2022-12-13 | 南通钧儒卫生用品有限公司 | 一种纸尿裤吸水性能检测方法 |
CN115239738A (zh) * | 2022-09-26 | 2022-10-25 | 南通鑫生派智能科技有限公司 | 一种汽车零件配置智能检测方法 |
CN115266536A (zh) * | 2022-09-26 | 2022-11-01 | 南通钧儒卫生用品有限公司 | 一种纸尿裤吸水性能检测方法 |
CN115239738B (zh) * | 2022-09-26 | 2022-12-09 | 南通鑫生派智能科技有限公司 | 一种汽车零件配置智能检测方法 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN115330761A (zh) * | 2022-10-12 | 2022-11-11 | 深圳市深创高科电子有限公司 | 一种用于电子产品的表面印刷移位缺陷识别方法 |
CN115457031A (zh) * | 2022-10-27 | 2022-12-09 | 江苏集宿智能装备有限公司 | 基于x射线的集成箱体内部缺陷识别方法 |
CN115601630A (zh) * | 2022-12-15 | 2023-01-13 | 山东天意装配式建筑装备研究院有限公司(Cn) | 用于墙板模具自动清理机的污渍识别方法 |
CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
CN116596428B (zh) * | 2023-05-17 | 2024-01-26 | 河南通航无人机科技有限公司 | 一种基于无人机的乡村物流智能配送系统 |
CN116596428A (zh) * | 2023-05-17 | 2023-08-15 | 河南通航无人机科技有限公司 | 一种基于无人机的乡村物流智能配送系统 |
CN116452613A (zh) * | 2023-06-14 | 2023-07-18 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
CN116452613B (zh) * | 2023-06-14 | 2023-08-29 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
CN116542883B (zh) * | 2023-07-07 | 2023-09-05 | 四川大学华西医院 | 一种磁控胶囊胃镜影像病灶粘膜增强系统 |
CN116542883A (zh) * | 2023-07-07 | 2023-08-04 | 四川大学华西医院 | 一种磁控胶囊胃镜影像病灶粘膜增强系统 |
CN116612138B (zh) * | 2023-07-14 | 2023-09-19 | 威海职业学院(威海市技术学院) | 基于图像处理的电气设备在线监测方法 |
CN116612138A (zh) * | 2023-07-14 | 2023-08-18 | 威海职业学院(威海市技术学院) | 基于图像处理的电气设备在线监测方法 |
CN117853493A (zh) * | 2024-03-08 | 2024-04-09 | 山东天意机械股份有限公司 | 一种基于图像处理的墙板生产质量检测方法 |
CN117853493B (zh) * | 2024-03-08 | 2024-05-24 | 山东天意机械股份有限公司 | 一种基于图像处理的墙板生产质量检测方法 |
CN118014882A (zh) * | 2024-04-08 | 2024-05-10 | 汉中精测电器有限责任公司 | 一种基于图像处理的扭矩传感器的钻孔定位方法 |
CN118014882B (zh) * | 2024-04-08 | 2024-06-04 | 汉中精测电器有限责任公司 | 一种基于图像处理的扭矩传感器的钻孔定位方法 |
CN118096725A (zh) * | 2024-04-18 | 2024-05-28 | 武汉市双桥科技有限公司 | 基于图像处理预防模具事故的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115049835B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049835B (zh) | 基于压铸模具缺陷识别的数据预处理方法 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN113436168B (zh) | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 | |
CN108629343B (zh) | 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统 | |
CN115294158A (zh) | 一种基于机器视觉的热连轧带钢图像分割方法 | |
CN107220988B (zh) | 基于改进canny算子的零部件图像边缘提取方法 | |
CN109741356B (zh) | 一种亚像素边缘检测方法及系统 | |
CN111758024A (zh) | 一种缺陷检测方法及装置 | |
CN107169979A (zh) | 一种改进Canny算子的图像边缘检测方法 | |
TWI393073B (zh) | 影像雜訊濾除方法 | |
CN112884708A (zh) | 一种圆形注塑件毛边检测方法 | |
CN107230208B (zh) | 一种高斯噪声的图像噪声强度估计方法 | |
CN115330758B (zh) | 基于去噪处理的焊接质量检测方法 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN114387273A (zh) | 基于计算机图像识别的环境粉尘浓度检测方法及系统 | |
CN112907460B (zh) | 一种遥感图像增强方法 | |
CN109410147A (zh) | 一种超空泡图像增强方法 | |
CN110765887A (zh) | 隧道衬砌裂纹自动识别技术及检测方法 | |
Tao | Enhanced Canny Algorithm for Image Edge Detection in Print Quality Assessment | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN108470345A (zh) | 一种自适应阈值的图像边缘检测方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN106952241B (zh) | 一种基于形态学方法及Meanshift算法的电磁图像分块方法 |
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 |