CN115082472B - 一种轮毂模具浇注成型产品的质量检测方法及系统 - Google Patents
一种轮毂模具浇注成型产品的质量检测方法及系统 Download PDFInfo
- Publication number
- CN115082472B CN115082472B CN202211003460.0A CN202211003460A CN115082472B CN 115082472 B CN115082472 B CN 115082472B CN 202211003460 A CN202211003460 A CN 202211003460A CN 115082472 B CN115082472 B CN 115082472B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- edge pixel
- analyzed
- hub
- edge
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000005266 casting Methods 0.000 title claims abstract description 10
- 238000000465 moulding Methods 0.000 title claims description 5
- 239000011159 matrix material Substances 0.000 claims abstract description 152
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000009826 distribution Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 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
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种轮毂模具浇注成型产品的质量检测方法及系统,属于轮毂检测技术领域。方法包括:获得各待分析边缘像素点对应的第一局部特征矩阵;获得各待分析边缘像素点对应的第一纹理走向特征矩阵;根据第一局部特征矩阵、标准局部特征矩阵、第一纹理走向特征矩阵以及标准纹理走向特征矩阵,得到各待分析边缘像素点与各标准边缘像素点之间的综合相似度;根据综合相似度,对各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点进行匹配,得到待检测轮毂表面轮廓与各正常轮毂表面轮廓之间的轮廓边缘相似度;根据轮廓边缘相似度,判断待检测轮毂的表面轮廓质量是否合格。本发明能够可靠的对轮毂表面轮廓的质量的进行分析判断。
Description
技术领域
本发明涉及轮毂检测技术领域,具体涉及一种轮毂模具浇注成型产品的质量检测方法及系统。
背景技术
轮毂模具主要用于轮毂的制造加工,是作为轮毂成形工具来使用的,即轮毂模具在浇注成型加工之后可获取所需要的轮毂成型件;但是在对轮毂浇注成型过程中可能出现轮毂表面轮廓异常的现象,而轮毂表面轮廓的质量会影响轮毂在后期的使用效果,因此需要对轮毂表面轮廓的质量状况进行检测分析,避免表面轮廓质量不合格的轮毂流入市场,影响安全交通。
目前,一般基于三维扫描仪对轮毂表面轮廓进行检测,并基于检测的结果分析轮毂表面轮廓的质量状况是否符合标准,虽然三维扫描仪克服了基于人工测量轮毂表面轮廓的缺陷,但是三维扫描仪同样存在检测缺陷,如三维激光扫描仪的检测精度会受到被测工件表面颜色、材质等的影响,因此可能会使得对轮毂表面轮廓的检测结果出现误差,进而可能导致基于检测结果分析得到的轮毂表面轮廓的质量出现不准确的问题,因此现有的对轮毂表面轮廓的质量进行检测的方法可靠性较低。
发明内容
本发明提供一种轮毂模具浇注成型产品的质量检测方法及系统,用于解决现有方法对轮毂表面轮廓的质量状况进行检测可靠性较低的问题,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轮毂模具浇注成型产品的质量检测方法包括以下步骤:
获取待检测轮毂的表面轮廓图像和表面轮廓图像上的各待分析边缘像素点;获取各正常轮毂的标准表面轮廓图像和标准表面轮廓图像上的各标准边缘像素点;
获取所述各待分析边缘像素点对应的各局部区域;根据各局部区域内待分析边缘像素点的数量以及各局部区域对应的分布熵值,得到各待分析边缘像素点对应的第一局部特征矩阵;获取各待分析边缘像素点对应的海森矩阵的特征值和特征向量;根据所述特征值和特征向量,得到各待分析边缘像素点对应的第一纹理走向特征矩阵;
获取各标准表面轮廓图像上各标准边缘像素点对应的标准局部特征矩阵和标准纹理走向特征矩阵;
根据所述第一局部特征矩阵、标准局部特征矩阵、第一纹理走向特征矩阵以及标准纹理走向特征矩阵,得到各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的综合相似度;根据所述综合相似度,对各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点进行匹配,得到待检测轮毂表面轮廓与各正常轮毂表面轮廓之间的轮廓边缘相似度;
根据所述轮廓边缘相似度,判断待检测轮毂的表面轮廓质量是否合格。
第二方面,本发明提供了一种轮毂模具浇注成型产品的质量检测系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述的一种轮毂模具浇注成型产品的质量检测方法。
优选的,所述各正常轮毂的标准表面轮廓图像中不存在两张轮廓质量完全相同的标准表面轮廓图像。
优选的,获取所述各待分析边缘像素点对应的各局部区域的方法,包括:
对于待检测轮毂的表面轮廓图像上的任一待分析边缘像素点:
以该待分析边缘像素点为原点,水平方向为横轴,竖直方向为纵轴,构建得到该待分析边缘像素点对应的直角坐标系;
获得待检测轮毂的表面轮廓图像上的各待分析边缘像素点在该待分析边缘像素点对应的直角坐标系上的横坐标值和纵坐标值,记为各待分析边缘像素点对应的第一坐标值;将各待分析边缘像素点对应的第一坐标值中横坐标值的绝对值和纵坐标值的绝对值,记为各待分析边缘像素点对应的第一横坐标值和第一纵坐标值;
将各待分析边缘像素点对应的第一横坐标值中的最大值,记为目标横坐标值;将各待分析边缘像素点对应的第一纵坐标值中的最大值,记为目标纵坐标值;
获取待检测轮毂的表面轮廓图像的四条边,将位于该待分析边缘像素点左侧的边记为第一条边、位于该待分析边缘像素点右侧的边记为第二条边、位于该待分析边缘像素点上侧的边记为第三条边以及位于该待分析边缘像素点下侧的边记为第四条边;
判断该待分析边缘像素点到第一条边的距离是否大于等于目标横坐标值,若是,则将目标横坐标值记为第一边长值;否则,则将该待分析边缘像素点到第一条边的距离记为第一边长值;
判断该待分析边缘像素点到第二条边的距离是否大于等于目标横坐标值,若是,则将目标横坐标值记为第二边长值;否则,则将该待分析边缘像素点到第二条边的距离记为第二边长值;
计算所述第一边长值与第二边长值的和,并记为第一总边长值;
判断该待分析边缘像素点到第三条边的距离是否大于等于目标纵坐标值,若是,则将目标横坐标值记为第三边长值;否则,则将该待分析边缘像素点到第三条边的距离记为第三边长值;
判断该待分析边缘像素点到第四条边的距离是否大于等于目标纵坐标值,若是,则将目标纵坐标值记为第四边长值;否则,则将该待分析边缘像素点到第四条边的距离记为第四边长值;
计算所述第三边长值与第四边长值的和,并记为第二总边长值;
根据第一总边长值和第二总边长值,构建得到该边缘像素点对应的目标矩形;
以该待分析边缘像素点为端点做M条射线;所述M条射线将该边缘像素点对应的目标矩形划分为M个区域,将所述M个区域记为该待分析边缘像素点对应的各局部区域;
所述该边缘像素点的目标矩形对应的四条边中与水平方向平行的边的边长值为第一总边长值,所述该边缘像素点的目标矩形对应的四条边中与竖直方向平行的边的边长值为第二总边长值,所述该边缘像素点到目标矩形左侧边长的距离为第一边长值,该边缘像素点到目标矩形右侧边长的距离为第二边长值,该边缘像素点到目标矩形上侧边长的距离为第三边长值,该边缘像素点到目标矩形下侧边长的距离为第四边长值。
优选的,得到各待分析边缘像素点对应的第一局部特征矩阵的方法,包括:
对于待检测轮毂的表面轮廓图像上的任一待分析边缘像素点:
获取该待分析边缘像素点对应的各局部区域内待分析边缘像素点的数量;
获取各局部区域对应的灰度共生矩阵的熵值,记为各局部区域的分布熵值;
根据各局部区域内待分析边缘像素点的数量和各局部区域的分布熵值,构建得到该待分析边缘像素点对应的第一局部特征矩阵,其中,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第一局部特征矩阵,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第1个局部区域内待分析边缘像素点的数量,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第M个局部区域内待分析边缘像素点的数量,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第1个局部区域的分布熵值,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第M个局部区域的分布熵值,M为该待分析边缘像素点对应的局部区域的数量。
优选的,获取各待分析边缘像素点对应的海森矩阵的特征值和特征向量;根据所述特征值和特征向量,得到各待分析边缘像素点对应的第一纹理走向特征矩阵的方法,包括:
获取该待分析边缘像素点对应的海森矩阵的两个特征值,分别记为第一特征值和第二特征值;获取该待分析边缘像素点对应的海森矩阵的两个特征向量,分别记为第一特征向量和第二特征向量;
根据该待分析边缘像素点对应的海森矩阵的第一特征值、第二特征值、第一特征向量和第二特征向量,构建得到该待分析边缘像素点对应的第一纹理走向特征矩阵,其中,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第一纹理走向特征矩阵,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的海森矩阵的第一特征值,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的海森矩阵的第二特征值,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的海森矩阵的第一特征向量,为该待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的海森矩阵的第二特征向量。
优选的,得到各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的综合相似度以及得到待检测轮毂表面轮廓与各正常轮毂表面轮廓之间的轮廓边缘相似度的方法,包括:
对于待检测轮毂的表面轮廓图像上的任一待分析边缘像素点:
根据该待分析边缘像素点对应的第一局部特征矩阵以及各标准表面轮廓图像上的各标准边缘像素点对应的标准局部特征矩阵,得到该待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的第一相似度;
根据该待分析边缘像素点对应的第一纹理走向特征矩阵以及各标准表面轮廓图像上的各标准边缘像素点对应的标准纹理走向特征矩阵,得到该待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的第二相似度;
对于任一标准表面轮廓图像上的任一标准边缘像素点:根据该待分析边缘像素点与该标准边缘像素点之间的第一相似度以及该待分析边缘像素点与该标准边缘像素点之间的第二相似度,得到该待分析边缘像素点与该标准边缘像素点之间的综合相似度。
优选的,根据如下公式计算该待分析边缘像素点与该标准边缘像素点之间的综合相似度:
其中,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点与第j个标准表面轮廓图像上的第b个标准边缘像素点之间的综合相似度,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第一局部特征矩阵,为第j个标准表面轮廓图像上的第b个标准边缘像素点对应的标准局部特征矩阵,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第一纹理走向特征矩阵,为第j个标准表面轮廓图像上的第b个标准边缘像素点对应的标准纹理走向特征矩阵,为以e为底的指数函数,为L2范数,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点与第j个标准表面轮廓图像上的第b个标准边缘像素点之间的第一相似度,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点与第j个标准表面轮廓图像上的第b个标准边缘像素点之间的第二相似度。
优选的,得到待检测轮毂表面轮廓与各正常轮毂表面轮廓之间的轮廓边缘相似度的方法,包括:
对于任一标准表面轮廓图像:
根据待检测轮毂的表面轮廓图像上的各待分析边缘像素点与该标准表面轮廓图像上的各标准边缘像素点之间的综合相似度,利用匈牙利匹配算法对待检测轮毂的表面轮廓图像上的各待分析边缘像素点和该标准表面轮廓图像上的各标准边缘像素点进行匹配,得到待检测轮毂的表面轮廓图像与该标准表面轮廓图像之间的各匹配对,所述匹配对中包含一个待分析边缘像素点和一个标准边缘像素点;
统计匹配完成后待检测轮毂的表面轮廓图像上没有匹配成对的待分析边缘像素点的数量;
获取待检测轮毂的表面轮廓图像与该标准表面轮廓图像之间的各匹配对之间的综合相似度的累加和;
根据待检测轮毂的表面轮廓图像上没有匹配成对的待分析边缘像素点的数量和待检测轮毂的表面轮廓图像与该标准表面轮廓图像之间的各匹配对之间的综合相似度的累加和,得到待检测轮毂的表面轮廓与该标准表面轮廓图像对应的正常轮毂表面轮廓之间的轮廓边缘相似度;所述待检测轮毂的表面轮廓图像上没有匹配成对的待分析边缘像素点的数量和所述轮廓边缘相似度成负相关关系,所述待检测轮毂的表面轮廓图像与该标准表面轮廓图像之间的各匹配对之间的综合相似度的累加和与所述轮廓边缘相似度成正相关关系。
优选的,根据所述轮廓边缘相似度,判断待检测轮毂的表面轮廓质量是否合格的方法,包括:
将待检测轮毂的表面轮廓与各标准表面轮廓图像对应的正常轮毂之间的轮廓边缘相似度中的最大值,记为待检测轮毂表面轮廓的质量指标;
判断待检测轮毂表面轮廓的质量指标是否大于预设质量阈值,若是,则判定待检测轮毂表面轮廓的质量合格;否则,则判定待检测轮毂表面轮廓的质量不合格。
有益效果:本发明首先获取待检测轮毂的表面轮廓图像上的各待分析边缘像素点对应的各局部区域,根据各局部区域内待分析边缘像素点的数量、各局部区域对应的分布熵值以及各待分析边缘像素点对应的海森矩阵的特征值和特征向量,得到的各待分析边缘像素点对应的第一局部特征矩阵和第一纹理走向特征矩阵,由于所述第一局部特征矩阵和第一纹理走向特征矩阵可以反映待分析边缘像素点所在局部区域内的纹理信息和待分析边缘像素点所在局部区域内的轮毂表面局部轮廓信息,因此后续依据第一局部特征矩阵和第一纹理走向特征矩阵来计算综合相似度可以提高后续的匹配精度,进而提高了轮毂表面轮廓质量的检测精度。紧接着本发明根据所述第一局部特征矩阵、标准局部特征矩阵、第一纹理走向特征矩阵以及标准纹理走向特征矩阵,得到各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的综合相似度,并根据所述综合相似度,对各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点进行匹配,得到待检测轮毂表面轮廓与各正常轮毂表面轮廓之间的轮廓边缘相似度,最后依据轮廓边缘相似度来判断待检测轮毂的表面轮廓质量是否合格,本发明依据各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点进行匹配的结果,能进一步提高轮毂表面轮廓质量的检测精度,并且克服了利用仪器检测的缺陷,进而能够可靠的识别轮毂表面轮廓的质量。
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为本发明一种轮毂模具浇注成型产品的质量检测方法的流程图。
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、完整的描述,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,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了一种轮毂模具浇注成型产品的质量检测方法,详细说明如下:
如图1所示,该轮毂模具浇注成型产品的质量检测方法,包括以下步骤:
步骤S001,获取待检测轮毂的表面轮廓图像和表面轮廓图像上的各待分析边缘像素点;获取各正常轮毂的标准表面轮廓图像和标准表面轮廓图像上的各标准边缘像素点。
轮毂是车辆的重要零部件,轮毂质量是车辆安全行驶的重要指标之一,由于轮毂表面轮廓的质量会影响轮毂的总体质量,而现有技术中一般利用仪器来对轮毂表面轮廓进行检测,并基于检测的结果来分析轮毂表面轮廓的质量,但是利用仪器进行检测时会受到被测物体颜色以及材质的影响,进而可能使得分析得到的轮毂表面轮廓的质量出现误差,因此本实施例提出了一种轮毂模具浇注成型产品的质量检测方法,该方法依据正常轮毂的表面轮廓信息来判断待检测轮毂的表面轮廓质量是否符合标准,该方法是一种自动化程度较高的轮毂表面轮廓质量检测方法,该方法克服了仪器检测的缺陷,并且提高了检测的精度,进而本实施例对轮毂表面轮廓的质量进行检测的方法可靠性较高。
本实施例利用图像采集系统对浇注成型工艺流程后得到的轮毂进行图像采集,将采集的图像记为待检测轮毂的表面图像,并且进行图像采集时待检测轮毂平放在检测平台上,相机布置在待检测轮毂的正上方,相机采集视角向下,相机的高度和相机的参数需要根据实际情况设置。并且为了便于后续对轮毂表面轮廓质量状况的准确分析,对采集得到的待检测轮毂的表面图像进行图像增强,提高图像对比度,增加待检测轮毂的表面图像上的边缘细节纹理信息的清晰度;由于本实施例需要分析判断的是轮毂表面轮廓的质量是否符合标准,因此本实施例对图像增强后的待检测轮毂的表面图像进行灰度化处理,得到待检测轮毂的表面灰度图像;利用边缘检测算子对待检测轮毂的表面灰度图像进行边缘提取,得到待检测轮毂的表面灰度图像对应的表面轮廓图像以及表面轮廓图像上的各边缘像素点,将待检测轮毂的表面灰度图像对应的表面轮廓图像记为待检测轮毂的表面轮廓图像,将待检测轮毂的表面灰度图像对应的表面轮廓图像上的各边缘像素点记为待分析边缘像素点;所述图像增强以及边缘提取为公知技术,因此本实施例不做具体描述。
本实施例主要是依据正常轮毂的表面轮廓信息来判断待检测轮毂的表面轮廓质量是否符合标准,由于依据单一的标准表面轮廓图像对待检测轮毂表面轮廓的质量进行检测判断会存在误差较高的问题,而为了保证对待检测轮毂的表面轮廓质量的检测精度,本实施例利用专业人员选取N个正常轮毂,并得到N张正常轮毂的表面轮廓图像,并记为正常轮毂的标准表面轮廓图像,即得到N张标准表面轮廓图像,且N张标准表面轮廓图像中不存在两张轮廓质量完全相同的标准表面轮廓图像,所述正常轮毂的轮廓质量符合标准;并且后续依据N张标准表面轮廓图像信息来分析判断待检测轮毂表面轮廓的质量是否合格,可以避免依据单一标准表面轮廓图像对待检测轮毂的表面轮廓质量进行检测判断时存在的误差较高的问题,即可以保证待检测轮毂的表面轮廓质量的检测精度。
步骤S002,获取所述各待分析边缘像素点对应的各局部区域;根据各局部区域内待分析边缘像素点的数量以及各局部区域对应的分布熵值,得到各待分析边缘像素点对应的第一局部特征矩阵;获取各待分析边缘像素点对应的海森矩阵的特征值和特征向量;根据所述特征值和特征向量,得到各待分析边缘像素点对应的第一纹理走向特征矩阵。
由于后续需要基于待分析边缘像素点与标准边缘像素点之间的综合相似度,对各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点进行匹配,并基于匹配的结果来反映待检测轮毂的表面轮廓质量,而为了保证后续匹配的精度,本实施例首先需要对待检测轮毂的表面轮廓图像上各待分析边缘像素点进行分析,得到各待分析边缘像素点对应的第一局部特征矩阵和第一纹理走向特征矩阵;又因为第一局部特征矩阵和第一纹理走向特征矩阵可以反映待分析边缘像素点所在局部区域内的纹理信息和待分析边缘像素点所在局部区域内的轮毂表面局部轮廓信息,因此后续依据第一局部特征矩阵和第一纹理走向特征矩阵分析得到的待分析边缘像素点与标准边缘像素点之间的综合相似度,可以提高后续对待分析边缘像素点与标准边缘像素点进行匹配时的精度;因此本实施例得到各待分析边缘像素点对应的第一局部特征矩阵和第一纹理走向特征矩阵的具体过程为:
对于待检测轮毂的表面轮廓图像上的任一待分析边缘像素点:
以该待分析边缘像素点为原点,水平方向为横轴,竖直方向为纵轴,构建得到该待分析边缘像素点对应的直角坐标系;然后得到待检测轮毂的表面轮廓图像上的各待分析边缘像素点在该待分析边缘像素点对应的直角坐标系上的坐标值,记为各待分析边缘像素点对应的第一坐标值,所述第一坐标值包括横坐标值和纵坐标值;将各待分析边缘像素点对应的第一坐标值中横坐标值和纵坐标值的绝对值,记为各待分析边缘像素点对应的第一横坐标值和第一纵坐标值;将各待分析边缘像素点对应的第一横坐标值中的最大值,记为目标横坐标值;将各待分析边缘像素点对应的第一纵坐标值中的最大值,记为目标纵坐标值。
然后获取待检测轮毂的表面轮廓图像的四条边,将位于该待分析边缘像素点左侧的边记为第一条边、位于该待分析边缘像素点右侧的边记为第二条边、位于该待分析边缘像素点上侧的边记为第三条边以及位于该待分析边缘像素点下侧的边记为第四条边。紧接着判断该待分析边缘像素点到第一条边的距离是否大于等于目标横坐标值,若是,则将目标横坐标值记为第一边长值;否则,则将该待分析边缘像素点到第一条边的距离记为第一边长值;判断该待分析边缘像素点到第二条边的距离是否大于等于目标横坐标值,若是,则将目标横坐标值记为第二边长值;否则,则将该待分析边缘像素点到第二条边的距离记为第二边长值;并将第一边长值与第二边长值的和记为第一总边长值。之后判断该待分析边缘像素点到第三条边的距离是否大于等于目标纵坐标值,若是,则将目标横坐标值记为第三边长值;否则,则将该待分析边缘像素点到第三条边的距离记为第三边长值;判断该待分析边缘像素点到第四条边的距离是否大于等于目标纵坐标值,若是,则将目标纵坐标值记为第四边长值;否则,则将该待分析边缘像素点到第四条边的距离记为第四边长值;并将第三边长值与第四边长值的和记为第二总边长值。
根据第一总边长值和第二总边长值,构建得到该边缘像素点对应的目标矩形,所述该边缘像素点的目标矩形对应的四条边中与水平方向平行的边的边长值为第一总边长值,所述该边缘像素点的目标矩形对应的四条边中与竖直方向平行的边的边长值为第二总边长值,所述该边缘像素点到目标矩形左侧边长的距离为第一边长值,该边缘像素点到目标矩形右侧边长的距离为第二边长值,该边缘像素点到目标矩形上侧边长的距离为第三边长值,该边缘像素点到目标矩形下侧边长的距离为第四边长值。
紧接着以该待分析边缘像素点为端点做M条射线,且相邻射线之间的角度相同;所述M条射线将该边缘像素点对应的目标矩形划分为M个区域,将所述M个区域记为该待分析边缘像素点对应的各局部区域;本实施例设置相邻射线之间的角度为30度,则M的值为12;作为其它的实施方式,也可以根据需求的不同为相邻射线之间的角度设置其它值,例如相邻射线之间的角度可以是45度。
然后获取该待分析边缘像素点对应的各局部区域内待分析边缘像素点的数量;构建各局部区域对应的灰度共生矩阵,将各局部区域对应的灰度共生矩阵的熵值记为各局部区域的分布熵值;所述构建灰度共生矩阵以及得到灰度共生矩阵的熵值的过程为公知技术,因此不再详细描述。由于各局部区域内待分析边缘像素点的数量能反映该待分析边缘像素点对应的各局部区域内的轮毂局部轮廓信息,所述各局部区域对应的分布熵值可以反映该待分析边缘像素点对应的各局部区域内的纹理信息以及灰度分布信息,因此根据各局部区域内待分析边缘像素点的数量和各局部区域的分布熵值,构建得到该待分析边缘像素点对应的第一局部特征矩阵,记为,即:
其中,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第一局部特征矩阵,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第1个局部区域内待分析边缘像素点的数量,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第12个局部区域内待分析边缘像素点的数量,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第1个局部区域的分布熵值,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第12个局部区域的分布熵值。
而为了进一步提高后续像素点匹配的精度,本实施例需要对待分析边缘像素点的纹理走向进行检测分析,依据待分析边缘像素点的纹理走向来进一步提高对待分析边缘像素点所在区域内的轮毂局部轮廓信息的准确描述,即进一步提高后续匹配的精度,所述纹理走向为待分析边缘像素点附近的待分析边缘像素点的综合变化状况;因此本实施例获取该待分析边缘像素点对应的海森矩阵;然后获取该待分析边缘像素点对应的海森矩阵的两个特征值,分别记为第一特征值和第二特征值;获取该待分析边缘像素点对应的海森矩阵的两个特征向量,分别记为第一特征向量和第二特征向量;所述获取海森矩阵以及海森矩阵的两个特征值以及两个特征向量的过程为公知技术,因此不做具体描述;由于该待分析边缘像素点对应的海森矩阵的两个特征值以及两个特征向量可以反映该待分析边缘像素点的纹理走向,又因为纹理走向为该待分析边缘像素点附近的待分析边缘像素点的综合变化状况,因此本实施例根据该待分析边缘像素点对应的海森矩阵的第一特征值、第二特征值、第一特征向量和第二特征向量,构建得到该待分析边缘像素点对应的第一纹理走向特征矩阵,记为,即:
其中,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第一纹理走向特征矩阵,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的海森矩阵的第一特征值,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的海森矩阵的第二特征值,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的海森矩阵的第一特征向量,为该待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的海森矩阵的第二特征向量;所述第一特征向量和第二特征向量均为2行1列的向量。
因此通过上述过程得到了该待分析边缘像素点对应的第一局部特征矩阵和第一纹理走向特征矩阵;并按照获取该待分析边缘像素点对应的第一局部特征矩阵和第一纹理走向特征矩阵的过程来得到待检测轮毂的表面轮廓图像上各待分析边缘像素点对应的第一局部特征矩阵和第一纹理走向特征矩阵,即完成了对各待分析边缘像素点对应的第一局部特征矩阵和第一纹理走向特征矩阵的提取。
步骤S003,获取各标准表面轮廓图像上各标准边缘像素点对应的标准局部特征矩阵和标准纹理走向特征矩阵。
本实施例中步骤S002得到了各待分析边缘像素点对应的第一局部特征矩阵和第一纹理走向特征矩阵;由于本实施例是基于待检测轮毂表面轮廓图像上的各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点进行匹配的结果,来分析判断待检测轮毂表面轮廓的质量;而匹配规则主要依据的是待检测轮毂表面轮廓图像上的各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的综合相似度,而计算衡量综合相似度的参数为边缘像素点对应的第一局部特征矩阵和第一纹理走向特征矩阵,因此本实施例按照步骤S002得到各待分析边缘像素点对应的第一局部特征矩阵和第一纹理走向特征矩阵的过程,得到各标准表面轮廓图像上的各标准边缘像素点对应的第一局部特征矩阵和第一纹理走向特征矩阵,并记为标准局部特征矩阵和标准纹理走向特征矩阵。
步骤S004,根据所述第一局部特征矩阵、标准局部特征矩阵、第一纹理走向特征矩阵以及标准纹理走向特征矩阵,得到各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的综合相似度;根据所述综合相似度,对各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点进行匹配,得到待检测轮毂表面轮廓与各正常轮毂表面轮廓之间的轮廓边缘相似度。
本实施例中步骤S002和步骤S003得到了各标准表面轮廓图像上的各标准边缘像素点对应的标准局部特征矩阵和标准纹理走向特征矩阵以及待检测轮毂的表面轮廓图像上各待分析边缘像素点对应的第一局部特征矩阵和第一纹理走向特征矩阵;由于第一局部特征矩阵、标准局部特征矩阵、第一纹理走向特征矩阵以及标准纹理走向特征矩阵能反映各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的综合相似度,综合相似度又能反映待检测轮毂表面轮廓与各正常轮毂表面轮廓之间的轮廓边缘相似度,而轮廓边缘相似度是最终衡量待检测轮毂的表面轮廓质量是否合格的依据;因此本实施例中得到各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的综合相似度以及得到待检测轮毂表面轮廓与各正常轮毂表面轮廓之间的轮廓边缘相似度的具体过程为:
对于待检测轮毂的表面轮廓图像上的任一待分析边缘像素点:
根据该待分析边缘像素点对应的第一局部特征矩阵以及各标准表面轮廓图像上的各标准边缘像素点对应的标准局部特征矩阵,得到该待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的第一相似度;根据该待分析边缘像素点对应的第一纹理走向特征矩阵以及各标准表面轮廓图像上的各标准边缘像素点对应的标准纹理走向特征矩阵,得到该待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的第二相似度;所述第一相似度和第二相似度能反映各待分析边缘像素点与各标准边缘像素点之间的综合相似度;对于任一标准表面轮廓图像上的任一标准边缘像素点,根据该待分析边缘像素点与该标准边缘像素点之间的第一相似度以及该待分析边缘像素点与该标准边缘像素点之间的第二相似度,得到该待分析边缘像素点与该标准边缘像素点之间的综合相似度;根据如下公式计算该待分析边缘像素点与该标准边缘像素点之间的综合相似度:
其中,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点与第j个标准表面轮廓图像上的第b个标准边缘像素点之间的综合相似度,为第j个标准表面轮廓图像上的第b个标准边缘像素点对应的标准局部特征矩阵,为第j个标准表面轮廓图像上的第b个标准边缘像素点对应的标准纹理走向特征矩阵,为以e为底的指数函数,为L2范数,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点与第j个标准表面轮廓图像上的第b个标准边缘像素点之间的第一相似度,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点与第j个标准表面轮廓图像上的第b个标准边缘像素点之间的第二相似度。
越大,表明待检测轮毂的表面轮廓图像上第k个待分析边缘像素点与第j个标准表面轮廓图像上的第b个标准边缘像素点之间越相似,即表明在后续匹配过程中第k个待分析边缘像素点与第j个标准表面轮廓图像上的第b个标准边缘像素点匹配上的概率越大;和越大,表明待检测轮毂的表面轮廓图像上第k个待分析边缘像素点与第j个标准表面轮廓图像上的第b个标准边缘像素点之间越不相似,即越小;越小,表明待检测轮毂的表面轮廓图像上第k个待分析边缘像素点与第j个标准表面轮廓图像上的第b个标准边缘像素点之间的第一相似度值越大,越小,表明待检测轮毂的表面轮廓图像上第k个待分析边缘像素点与第j个标准表面轮廓图像上的第b个标准边缘像素点之间的第二相似度值越大;本实施例依据第一相似度和第二相似度共同来反映综合相似度,可以提高后续对待检测轮毂的表面轮廓图像上的各待分析边缘像素点与该标准表面轮廓图像上的各标准边缘像素点进行匹配的精度。
因此通过上述过程可以得到待检测轮毂的表面轮廓图像上的各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的综合相似度;紧接着利用匹配算法对待检测轮毂的表面轮廓图像上的各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点进行匹配,具体为:
对于任一标准表面轮廓图像:
本实施例基于待检测轮毂的表面轮廓图像上的各待分析边缘像素点与该标准表面轮廓图像上的各标准边缘像素点之间的综合相似度,并利用匈牙利匹配算法对待检测轮毂的表面轮廓图像上的各待分析边缘像素点和该标准表面轮廓图像上的各标准边缘像素点进行匹配,得到待检测轮毂的表面轮廓图像与该标准表面轮廓图像之间的各匹配对,所述匹配对中包含一个待分析边缘像素点和一个标准边缘像素点;所述匈牙利匹配算法能够满足所有能够匹配成对的边缘像素点之间的相似性之和达到最大,并且匈牙利匹配算法为公知技术,因此不再具体描述。
然后统计匹配完成后待检测轮毂的表面轮廓图像上没有匹配成对的待分析边缘像素点的数量;并获取待检测轮毂的表面轮廓图像与该标准表面轮廓图像之间的各匹配对之间的综合相似度的累加和;由于待检测轮毂的表面轮廓图像上没有匹配成对的待分析边缘像素点的数量以及待检测轮毂的表面轮廓图像与该标准表面轮廓图像之间的各匹配对之间的综合相似度的累加和都能反映待检测轮毂的表面轮廓与该标准表面轮廓图像对应的正常轮毂表面轮廓之间的轮廓边缘相似度。因此本实施例根据待检测轮毂的表面轮廓图像上没有匹配成对的待分析边缘像素点的数量和待检测轮毂的表面轮廓图像与该标准表面轮廓图像之间的各匹配对之间的综合相似度的累加和,得到待检测轮毂的表面轮廓与该标准表面轮廓图像对应的正常轮毂表面轮廓之间的轮廓边缘相似度;根据如下公式计算待检测轮毂的表面轮廓与该标准表面轮廓图像对应的正常轮毂表面轮廓之间的轮廓边缘相似度:
其中,为待检测轮毂的表面轮廓与第j个标准表面轮廓图像对应的正常轮毂表面轮廓之间的轮廓边缘相似度,为待检测轮毂的表面轮廓图像与第j个标准表面轮廓图像之间的各匹配对之间的综合相似度的累加和,为待检测轮毂的表面轮廓图像上没有匹配成对的待分析边缘像素点的数量,e为自然常数;越大,表明待检测轮毂的表面轮廓与该标准表面轮廓图像对应的正常轮毂表面轮廓之间的轮廓边缘越相似,表明待检测轮毂的表面轮廓的质量合格的概率越大;越大,越小,表明越大。
因此通过上述过程得到待检测轮毂的表面轮廓与各标准表面轮廓图像对应的正常轮毂表面轮廓之间的轮廓边缘相似度。
步骤S005,根据所述轮廓边缘相似度,判断待检测轮毂的表面轮廓质量是否合格。
本实施例中步骤S004得到了待检测轮毂的表面轮廓与各标准表面轮廓图像对应的正常轮毂之间的轮廓边缘相似度,即得到了待检测轮毂的表面轮廓与各正常轮毂之间的轮廓边缘相似度,然后将待检测轮毂的表面轮廓与各正常轮毂之间的轮廓边缘相似度中的最大值,记为待检测轮毂表面轮廓的质量指标;判断待检测轮毂表面轮廓的质量指标是否大于预设质量阈值,若是,则判定待检测轮毂表面轮廓的质量合格,能够投入使用;否则,则判定待检测轮毂表面轮廓的质量不合格,不能投入使用,提示相关操作人员将其挑选出来;所述预设质量阈值需要根据实际情况设置。
本实施例首先获取待检测轮毂的表面轮廓图像上的各待分析边缘像素点对应的各局部区域,根据各局部区域内待分析边缘像素点的数量、各局部区域对应的分布熵值以及各待分析边缘像素点对应的海森矩阵的特征值和特征向量,得到的各待分析边缘像素点对应的第一局部特征矩阵和第一纹理走向特征矩阵,由于所述第一局部特征矩阵和第一纹理走向特征矩阵可以反映待分析边缘像素点所在局部区域内的纹理信息和待分析边缘像素点所在局部区域内的轮毂表面局部轮廓信息,因此后续依据第一局部特征矩阵和第一纹理走向特征矩阵来计算综合相似度可以提高后续的匹配精度,进而提高了轮毂表面轮廓质量的检测精度。紧接着本实施例根据所述第一局部特征矩阵、标准局部特征矩阵、第一纹理走向特征矩阵以及标准纹理走向特征矩阵,得到各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的综合相似度,并根据所述综合相似度,对各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点进行匹配,得到待检测轮毂表面轮廓与各正常轮毂表面轮廓之间的轮廓边缘相似度,最后依据轮廓边缘相似度来判断待检测轮毂的表面轮廓质量是否合格,本实施例依据各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点进行匹配的结果,能进一步提高轮毂表面轮廓质量的检测精度,并且克服了利用仪器检测的缺陷,进而能够可靠的识别轮毂表面轮廓的质量。
本实施例的一种轮毂模具浇注成型产品的质量检测系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述一种轮毂模具浇注成型产品的质量检测方法。
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 (8)
1.一种轮毂模具浇注成型产品的质量检测方法,其特征在于,该方法包括如下步骤:
获取待检测轮毂的表面轮廓图像和表面轮廓图像上的各待分析边缘像素点;获取各正常轮毂的标准表面轮廓图像和标准表面轮廓图像上的各标准边缘像素点;
获取所述各待分析边缘像素点对应的各局部区域;根据各局部区域内待分析边缘像素点的数量以及各局部区域对应的分布熵值,得到各待分析边缘像素点对应的第一局部特征矩阵;获取各待分析边缘像素点对应的海森矩阵的特征值和特征向量;根据所述特征值和特征向量,得到各待分析边缘像素点对应的第一纹理走向特征矩阵;
获取各标准表面轮廓图像上各标准边缘像素点对应的标准局部特征矩阵和标准纹理走向特征矩阵;
根据所述第一局部特征矩阵、标准局部特征矩阵、第一纹理走向特征矩阵以及标准纹理走向特征矩阵,得到各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的综合相似度;根据所述综合相似度,对各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点进行匹配,得到待检测轮毂表面轮廓与各正常轮毂表面轮廓之间的轮廓边缘相似度;
根据所述轮廓边缘相似度,判断待检测轮毂的表面轮廓质量是否合格;
所述获取所述各待分析边缘像素点对应的各局部区域的方法,包括:
对于待检测轮毂的表面轮廓图像上的任一待分析边缘像素点:
以该待分析边缘像素点为原点,水平方向为横轴,竖直方向为纵轴,构建得到该待分析边缘像素点对应的直角坐标系;
获得待检测轮毂的表面轮廓图像上的各待分析边缘像素点在该待分析边缘像素点对应的直角坐标系上的横坐标值和纵坐标值,记为各待分析边缘像素点对应的第一坐标值;将各待分析边缘像素点对应的第一坐标值中横坐标值的绝对值和纵坐标值的绝对值,记为各待分析边缘像素点对应的第一横坐标值和第一纵坐标值;
将各待分析边缘像素点对应的第一横坐标值中的最大值,记为目标横坐标值;将各待分析边缘像素点对应的第一纵坐标值中的最大值,记为目标纵坐标值;
获取待检测轮毂的表面轮廓图像的四条边,将位于该待分析边缘像素点左侧的边记为第一条边、位于该待分析边缘像素点右侧的边记为第二条边、位于该待分析边缘像素点上侧的边记为第三条边以及位于该待分析边缘像素点下侧的边记为第四条边;
判断该待分析边缘像素点到第一条边的距离是否大于等于目标横坐标值,若是,则将目标横坐标值记为第一边长值;否则,则将该待分析边缘像素点到第一条边的距离记为第一边长值;
判断该待分析边缘像素点到第二条边的距离是否大于等于目标横坐标值,若是,则将目标横坐标值记为第二边长值;否则,则将该待分析边缘像素点到第二条边的距离记为第二边长值;
计算所述第一边长值与第二边长值的和,并记为第一总边长值;
判断该待分析边缘像素点到第三条边的距离是否大于等于目标纵坐标值,若是,则将目标横坐标值记为第三边长值;否则,则将该待分析边缘像素点到第三条边的距离记为第三边长值;
判断该待分析边缘像素点到第四条边的距离是否大于等于目标纵坐标值,若是,则将目标纵坐标值记为第四边长值;否则,则将该待分析边缘像素点到第四条边的距离记为第四边长值;
计算所述第三边长值与第四边长值的和,并记为第二总边长值;
根据第一总边长值和第二总边长值,构建得到该边缘像素点对应的目标矩形;
以该待分析边缘像素点为端点做M条射线;所述M条射线将该边缘像素点对应的目标矩形划分为M个区域,将所述M个区域记为该待分析边缘像素点对应的各局部区域;
所述该边缘像素点的目标矩形对应的四条边中与水平方向平行的边的边长值为第一总边长值,所述该边缘像素点的目标矩形对应的四条边中与竖直方向平行的边的边长值为第二总边长值,所述该边缘像素点到目标矩形左侧边长的距离为第一边长值,该边缘像素点到目标矩形右侧边长的距离为第二边长值,该边缘像素点到目标矩形上侧边长的距离为第三边长值,该边缘像素点到目标矩形下侧边长的距离为第四边长值;
所述得到各待分析边缘像素点对应的第一局部特征矩阵的方法,包括:
对于待检测轮毂的表面轮廓图像上的任一待分析边缘像素点:
获取该待分析边缘像素点对应的各局部区域内待分析边缘像素点的数量;
获取各局部区域对应的灰度共生矩阵的熵值,记为各局部区域的分布熵值;
2.如权利要求1所述的一种轮毂模具浇注成型产品的质量检测方法,其特征在于,所述各正常轮毂的标准表面轮廓图像中不存在两张轮廓质量完全相同的标准表面轮廓图像。
3.如权利要求1所述的一种轮毂模具浇注成型产品的质量检测方法,其特征在于,所述获取各待分析边缘像素点对应的海森矩阵的特征值和特征向量;根据所述特征值和特征向量,得到各待分析边缘像素点对应的第一纹理走向特征矩阵的方法,包括:
获取该待分析边缘像素点对应的海森矩阵的两个特征值,分别记为第一特征值和第二特征值;获取该待分析边缘像素点对应的海森矩阵的两个特征向量,分别记为第一特征向量和第二特征向量;
4.如权利要求1所述的一种轮毂模具浇注成型产品的质量检测方法,其特征在于,所述得到各待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的综合相似度以及得到待检测轮毂表面轮廓与各正常轮毂表面轮廓之间的轮廓边缘相似度的方法,包括:
对于待检测轮毂的表面轮廓图像上的任一待分析边缘像素点:
根据该待分析边缘像素点对应的第一局部特征矩阵以及各标准表面轮廓图像上的各标准边缘像素点对应的标准局部特征矩阵,得到该待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的第一相似度;
根据该待分析边缘像素点对应的第一纹理走向特征矩阵以及各标准表面轮廓图像上的各标准边缘像素点对应的标准纹理走向特征矩阵,得到该待分析边缘像素点与各标准表面轮廓图像上的各标准边缘像素点之间的第二相似度;
对于任一标准表面轮廓图像上的任一标准边缘像素点:根据该待分析边缘像素点与该标准边缘像素点之间的第一相似度以及该待分析边缘像素点与该标准边缘像素点之间的第二相似度,得到该待分析边缘像素点与该标准边缘像素点之间的综合相似度。
5.如权利要求4所述的一种轮毂模具浇注成型产品的质量检测方法,其特征在于,根据如下公式计算该待分析边缘像素点与该标准边缘像素点之间的综合相似度:
其中,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点与第j个标准表面轮廓图像上的第b个标准边缘像素点之间的综合相似度,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第一局部特征矩阵,为第j个标准表面轮廓图像上的第b个标准边缘像素点对应的标准局部特征矩阵,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点对应的第一纹理走向特征矩阵,为第j个标准表面轮廓图像上的第b个标准边缘像素点对应的标准纹理走向特征矩阵,为以e为底的指数函数,为L2范数,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点与第j个标准表面轮廓图像上的第b个标准边缘像素点之间的第一相似度,为待检测轮毂的表面轮廓图像上第k个待分析边缘像素点与第j个标准表面轮廓图像上的第b个标准边缘像素点之间的第二相似度。
6.如权利要求1所述的一种轮毂模具浇注成型产品的质量检测方法,其特征在于,所述得到待检测轮毂表面轮廓与各正常轮毂表面轮廓之间的轮廓边缘相似度的方法,包括:
对于任一标准表面轮廓图像:
根据待检测轮毂的表面轮廓图像上的各待分析边缘像素点与该标准表面轮廓图像上的各标准边缘像素点之间的综合相似度,利用匈牙利匹配算法对待检测轮毂的表面轮廓图像上的各待分析边缘像素点和该标准表面轮廓图像上的各标准边缘像素点进行匹配,得到待检测轮毂的表面轮廓图像与该标准表面轮廓图像之间的各匹配对,所述匹配对中包含一个待分析边缘像素点和一个标准边缘像素点;
统计匹配完成后待检测轮毂的表面轮廓图像上没有匹配成对的待分析边缘像素点的数量;
获取待检测轮毂的表面轮廓图像与该标准表面轮廓图像之间的各匹配对之间的综合相似度的累加和;
根据待检测轮毂的表面轮廓图像上没有匹配成对的待分析边缘像素点的数量和待检测轮毂的表面轮廓图像与该标准表面轮廓图像之间的各匹配对之间的综合相似度的累加和,得到待检测轮毂的表面轮廓与该标准表面轮廓图像对应的正常轮毂表面轮廓之间的轮廓边缘相似度;所述待检测轮毂的表面轮廓图像上没有匹配成对的待分析边缘像素点的数量和所述轮廓边缘相似度成负相关关系,所述待检测轮毂的表面轮廓图像与该标准表面轮廓图像之间的各匹配对之间的综合相似度的累加和与所述轮廓边缘相似度成正相关关系。
7.如权利要求1所述的一种轮毂模具浇注成型产品的质量检测方法,其特征在于,所述根据所述轮廓边缘相似度,判断待检测轮毂的表面轮廓质量是否合格的方法,包括:
将待检测轮毂的表面轮廓与各标准表面轮廓图像对应的正常轮毂之间的轮廓边缘相似度中的最大值,记为待检测轮毂表面轮廓的质量指标;
判断待检测轮毂表面轮廓的质量指标是否大于预设质量阈值,若是,则判定待检测轮毂表面轮廓的质量合格;否则,则判定待检测轮毂表面轮廓的质量不合格。
8.一种轮毂模具浇注成型产品的质量检测系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-7任一项所述的一种轮毂模具浇注成型产品的质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211003460.0A CN115082472B (zh) | 2022-08-22 | 2022-08-22 | 一种轮毂模具浇注成型产品的质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211003460.0A CN115082472B (zh) | 2022-08-22 | 2022-08-22 | 一种轮毂模具浇注成型产品的质量检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082472A CN115082472A (zh) | 2022-09-20 |
CN115082472B true CN115082472B (zh) | 2022-11-29 |
Family
ID=83244333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211003460.0A Active CN115082472B (zh) | 2022-08-22 | 2022-08-22 | 一种轮毂模具浇注成型产品的质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082472B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375675B (zh) * | 2022-10-24 | 2023-01-31 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于图像数据的煤炭质量检测方法 |
CN116188458B (zh) * | 2023-04-19 | 2023-07-21 | 惠州市凯默金属制品有限公司 | 一种汽车配件压铸模具表面形变异常智能识别方法 |
CN118010759A (zh) * | 2024-04-08 | 2024-05-10 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印图像的检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251926A (zh) * | 2008-03-20 | 2008-08-27 | 北京航空航天大学 | 一种基于局部轮廓协方差矩阵的遥感图像配准方法 |
CN108256394A (zh) * | 2016-12-28 | 2018-07-06 | 中林信达(北京)科技信息有限责任公司 | 一种基于轮廓梯度的目标跟踪方法 |
CN114373086A (zh) * | 2022-01-04 | 2022-04-19 | 杭州鲁尔物联科技有限公司 | 集成模板匹配方法、装置、计算机设备及存储介质 |
CN114723704A (zh) * | 2022-04-01 | 2022-07-08 | 南通百杭纺织品有限公司 | 一种基于图像处理的纺织品质量评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610850B (zh) * | 2021-10-09 | 2021-12-07 | 江苏绿泉装饰工程有限公司 | 一种基于图像处理的装饰纸纹理异常检测方法 |
CN114529550B (zh) * | 2022-04-25 | 2022-07-01 | 启东新朋莱纺织科技有限公司 | 一种基于图像处理的纺织品色牢度检测方法及系统 |
-
2022
- 2022-08-22 CN CN202211003460.0A patent/CN115082472B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251926A (zh) * | 2008-03-20 | 2008-08-27 | 北京航空航天大学 | 一种基于局部轮廓协方差矩阵的遥感图像配准方法 |
CN108256394A (zh) * | 2016-12-28 | 2018-07-06 | 中林信达(北京)科技信息有限责任公司 | 一种基于轮廓梯度的目标跟踪方法 |
CN114373086A (zh) * | 2022-01-04 | 2022-04-19 | 杭州鲁尔物联科技有限公司 | 集成模板匹配方法、装置、计算机设备及存储介质 |
CN114723704A (zh) * | 2022-04-01 | 2022-07-08 | 南通百杭纺织品有限公司 | 一种基于图像处理的纺织品质量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115082472A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082472B (zh) | 一种轮毂模具浇注成型产品的质量检测方法及系统 | |
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN107945161B (zh) | 基于纹理特征提取的道路表面缺陷检测方法 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN115082467A (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN117237368B (zh) | 一种桥梁裂缝检测方法及系统 | |
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN110472479B (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
CN114998323B (zh) | 基于注意力机制的螺纹钢异常判定方法 | |
CN115187548A (zh) | 一种基于人工智能的机械零件缺陷检测方法 | |
CN110766657B (zh) | 一种激光干扰图像质量评价方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN113689415A (zh) | 一种基于机器视觉的钢管壁厚在线检测方法 | |
CN113588672A (zh) | 一种塑料制品的质量检测方法 | |
CN115546155A (zh) | 一种基于机器视觉的铆钉尺寸检测方法 | |
CN117274251B (zh) | 基于图像数据的药品生产过程中药片质量检测方法 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN112396580B (zh) | 一种圆形零件缺陷检测方法 | |
CN116385440B (zh) | 一种弧形刀片视觉检测方法 | |
CN115546615A (zh) | 中草药根茎切片的识别方法、存储介质、电子设备 | |
CN117291893A (zh) | 基于3d图像的轮胎胎面磨损度的检测方法 | |
CN116309561A (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
CN115578390A (zh) | 一种用于除氧器的焊接控制方法 | |
CN115496724A (zh) | 一种线宽检测方法、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |