CN115082683A - 一种基于图像处理的注塑缺陷检测方法 - Google Patents

一种基于图像处理的注塑缺陷检测方法 Download PDF

Info

Publication number
CN115082683A
CN115082683A CN202211002608.9A CN202211002608A CN115082683A CN 115082683 A CN115082683 A CN 115082683A CN 202211002608 A CN202211002608 A CN 202211002608A CN 115082683 A CN115082683 A CN 115082683A
Authority
CN
China
Prior art keywords
defect
image
area
region
probability
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
Application number
CN202211002608.9A
Other languages
English (en)
Other versions
CN115082683B (zh
Inventor
杨贵金
曹雯琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Songze Industrial Development Co ltd
Original Assignee
NANTONG SANXIN PLASTICS EQUIPMENT TECHNOLOGY CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NANTONG SANXIN PLASTICS EQUIPMENT TECHNOLOGY CO LTD filed Critical NANTONG SANXIN PLASTICS EQUIPMENT TECHNOLOGY CO LTD
Priority to CN202211002608.9A priority Critical patent/CN115082683B/zh
Publication of CN115082683A publication Critical patent/CN115082683A/zh
Application granted granted Critical
Publication of CN115082683B publication Critical patent/CN115082683B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/70—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
    • 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

Abstract

本发明公开了一种基于图像处理的注塑缺陷检测方法，涉及人工智能领域，主要用于注塑件的应力泛白缺陷检测。包括：采集目标图像并进行语义分割，得到待测区域图像；获取待测区域图像灰度直方图，利用待测区域图像背景灰度级进行阈值分割得到分割图像；对分割图像进行均值漂移聚类，划分多个区域；对每个区域进行密度聚类，计算缺陷概率值；将缺陷概率值大于第一阈值的区域作为缺陷区域，获取缺陷区域中每个像素点主成分方向；计算缺陷区域的光斑概率，得到所述目标图像的泛白缺陷区域。根据本发明提出的技术手段，通过聚类算法对图像进行多次分割，对分割后的区域进行缺陷概率计算，能够有效检测出注塑件存在的应力泛白缺陷。

Description

一种基于图像处理的注塑缺陷检测方法
技术领域
本发明涉及人工智能领域，具体涉及一种基于图像处理的注塑缺陷检测方法。
背景技术
应力泛白是指在平滑产品的表面形成的颜色较浅的区域，虽然不属于严重或者致命的缺陷，但是会对产品美观造成影响，尤其对于高端产品，这种缺陷是不可接受的。但是由于应力泛白边缘不清晰，且泛白区域相对于正常区域颜色差异不大，使用传统阈值分割技术或者边缘检测技术都无法得到一个较好的分割效果。
由于泛白缺陷受到的应力程度不同，使得缺陷表面于背景灰度值的差异程度不同，本发明基于图像处理技术，结合泛白缺陷区域的集中特性以及形状特征，可有效地检测出注塑件存在的多个应力泛白缺陷。
发明内容
本发明提供一种基于图像处理的注塑缺陷检测方法，以解决现有的问题，包括：采集目标图像并进行语义分割，得到待测区域图像；获取待测区域图像灰度直方图，利用待测区域图像背景灰度级进行阈值分割得到分割图像；对分割图像进行均值漂移聚类，划分多个区域；对每个区域进行密度聚类，计算缺陷概率值；将缺陷概率值大于第一阈值的区域作为缺陷区域，获取缺陷区域中每个像素点主成分方向；计算缺陷区域的光斑概率，得到所述目标图像的泛白缺陷区域。
根据本发明提出的技术手段，利用背景灰度级将目标图像进行初步分割，通过聚类算法能够准确的提取出图像中的缺陷区域，从而根据泛白缺陷的集中特性以及形状特征计算其缺陷概率，能够准确、快速的检测出目标图像中存在泛白缺陷的区域。
本发明采用如下技术方案，一种基于图像处理的注塑缺陷检测方法，包括：
采集目标图像并进行语义分割，得到待测区域图像；
对所述待测区域图像进行灰度化处理，获取待测区域图像的灰度直方图，根据所述灰度直方图得到所述待测区域图像的背景灰度级；
以所述背景灰度级为阈值，对所述待测区域图像进行阈值分割，得到分割图像；
对所述分割图像中的像素点进行均值漂移聚类，得到多个聚类结果，根据聚类结果将所述分割图像对应划分为多个疑似缺陷区域；
对每个疑似缺陷区域中的像素点进行密度聚类，根据每个疑似缺陷区域的所有像素点到该区域密度中心的最小欧氏距离得到每个疑似缺陷区域的缺陷概率值；
将所述缺陷概率值大于第一阈值的疑似缺陷区域作为缺陷区域，利用PCA算法获取缺陷区域中每个像素点的主成分方向；
根据每个缺陷区域中像素点最大特征值对应的主成分方向的投影方差以及最小特征值对应的主成分方向的投影方差计算每个缺陷区域的光斑概率，将所述光斑概率小于第二阈值的区域去除，得到所述目标图像的泛白缺陷区域。
进一步的，一种基于图像处理的注塑缺陷检测方法，根据所述灰度直方图得到所述待测区域图像的背景灰度级：
对所述灰度直方图进行归一化处理，利用高斯模型对所述归一化后的灰度直方图 进行拟合，得到高斯模型的均值
Figure DEST_PATH_IMAGE001
和方差
Figure 428184DEST_PATH_IMAGE002
，获取所述待测区域灰度图像中范围在
Figure DEST_PATH_IMAGE003
内的灰度级，通过该范围内灰度级之间的比例计算加权平均值得到背景灰度 级。
进一步的，一种基于图像处理的注塑缺陷检测方法，根据聚类结果将所述分割图像对应划分为多个疑似缺陷区域的方法如下：
利用均值漂移聚类将所述分割图像中的所有像素点进行聚类，得到N个聚类结果，选取密度中心各个方向上距离密度中心最远的像素点，将所述分割图像对应划分为N个区域。
进一步的，一种基于图像处理的注塑缺陷检测方法，获取所述每个疑似缺陷区域的缺陷概率值的方法为：
获取密度聚类后每个疑似缺陷区域的密度中心，获取每个疑似缺陷区域中每个像素点到对应区域密度中心的最小欧氏距离，根据所述最小欧式距离计算得到对应疑似缺陷区域的缺陷概率，表达式为：
Figure DEST_PATH_IMAGE005
其中，
Figure 248373DEST_PATH_IMAGE006
表示第j个聚类结果的缺陷概率值，
Figure DEST_PATH_IMAGE007
表示第j个像素点到对应疑似缺陷 区域密度中心的最小欧氏距离。
进一步的，一种基于图像处理的注塑缺陷检测方法，将所述缺陷概率值大于第一阈值的疑似缺陷区域作为缺陷区域：
当所述缺陷概率值
Figure 240337DEST_PATH_IMAGE008
时，将第j个疑似缺陷区域作为缺陷区域，获取所述分 割图像中所有缺陷区域。
进一步的，一种基于图像处理的注塑缺陷检测方法，利用PCA算法获取缺陷区域中每个像素点的主成分方向的方法为：
利用PCA算法获取每个缺陷区域中每个像素点的主成分方向，每个像素点坐标对应两个主成分方向，每个方向对应一个特征值，将每个缺陷区域中像素点最大特征值对应的方向作为第一主成分方向，像素点最小特征值对应的方向作为第二主成分方向。
进一步的，一种基于图像处理的注塑缺陷检测方法，计算每个缺陷区域的光斑概率，将所述光斑概率小于第二阈值的像素点去除，得到所述目标图像的泛白缺陷区域，包括：
计算所述光斑概率的表达式为：
Figure 995935DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
表示第n个缺陷区域的光斑概率，
Figure 135667DEST_PATH_IMAGE012
表示该区域像素点第一主成分方向的 投影方差，
Figure DEST_PATH_IMAGE013
表示该区域像素点第二主成分方向的投影方差；
当
Figure 431650DEST_PATH_IMAGE014
时，第n个区域为光斑区域，其中，
Figure DEST_PATH_IMAGE015
为所述第二阈值；对该区域进行去 除，最终保留的区域为所述目标图像的泛白缺陷区域。
本发明的有益效果是：根据本发明提出的技术手段，利用背景灰度级将目标图像进行初步分割，通过聚类算法能够准确的提取出图像中的缺陷区域，从而根据泛白缺陷的集中特性以及形状特征计算其缺陷概率，能够准确、快速的检测出目标图像中存在泛白缺陷的区域。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于图像处理的注塑件缺陷检测方法结构示意图；
图2为本发明实施例的另一种基于图像处理的注塑件缺陷检测方法结构示意图。
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
如图1所示，给出了本发明实施例的一种基于图像处理的注塑件缺陷检测方法结构示意图，包括：
101.采集目标图像并进行语义分割，得到待测区域图像。
本实施例所针对的场景为：注塑件生产完成后，使用相机采集注塑件图像，对图像进行处理，根据图像中的特征信息进行注塑应力泛白缺陷检测。
由于实际生产过程中的环境较为复杂，即采集图像中既有复杂的加工环境，也有需要检测的注塑件图像，所以首先需要使用DNN来识别采集图像中的需要检测的注塑件图像。
102.对所述待测区域图像进行灰度化处理，获取待测区域图像的灰度直方图，根据所述灰度直方图得到所述待测区域图像的背景灰度级。
由于缺陷只占图像的一少部分，所以图像中大部分的灰度值仍为目标物体本身的灰度值，即背景灰度值，以背景灰度值为阈值进行分割后，图像中会保留灰度值大于背景阈值的位置，而光照以及应力泛白都会造成图像中部分位置的灰度值高于背景灰度值，造成该位置灰度值异常。
对所得待测区域图像进行灰度化处理，获取归一化后的图像灰度直方图，即灰度直方图中的纵坐标为对应灰度级在整个图像中的占比。
灰度直方图表示每个灰度值在整张图像上出现的概率，以所有灰度值和灰度值对 应的概率为样本数据，根据这些样本数据利用EM算法拟合一维高斯混合模型，由于目标缺 陷与物体的差异不大，故本发明中只需要拟合单高斯模型，即设置所属高斯混合模型中的 子高斯模型个数K=1，由此得到高斯模型的均值
Figure 278121DEST_PATH_IMAGE001
和方差
Figure 470199DEST_PATH_IMAGE002
。
由于图像中物体正常区域占比较多，所以背景灰度值仍占大多数，由于漫反射的 存在，使得在图像中呈现出来的灰度值比物体本身的灰度级稍微高或低一点，即背景灰度 值不是单一灰度级，因此选取占比较高的灰度级，即所得高斯模型中
Figure 192167DEST_PATH_IMAGE003
范围内 的灰度级，按照这些灰度级之间的比例计算加权平均值，所得结果作为背景灰度级。
103.以所述背景灰度级为阈值，对所述待测区域图像进行阈值分割，得到分割图像。
设置背景灰度级为阈值进行阈值分割，得到初次分割图像。
104.对所述分割图像中的像素点进行均值漂移聚类，得到多个聚类结果，根据聚类结果将所述分割图像对应划分为多个疑似缺陷区域。
由于应力泛白缺陷区域在阈值分割后的图像中表现为白色像素点集中的区域，即缺陷区域中像素点的密度会高于其他区域，因此可以根据分割图像中像素点的分布密度得到疑似缺陷区域。
均值漂移算法会寻找数据的密度中心，利用滑窗的方法，不断将密度中心朝最大点密度方向移动，且当图像中存在多个密度集中的区域时，会得到多个聚类结果。由于缺陷区域中像素点的密度本身就高于其他区域，所以均值漂移的每个聚类结果即为一个密度集中区域，即疑似缺陷区域（泛白缺陷区域以及光斑影响区域），因此可以根据均值漂移的聚类结果将图像中存在的多个疑似缺陷区域分割开来。
105.对每个疑似缺陷区域中的像素点进行密度聚类，根据每个疑似缺陷区域的所有像素点到该区域密度中心的最小欧氏距离得到每个疑似缺陷区域的缺陷概率值。
由于泛白缺陷区域是连续分布的，而均值漂移聚类在聚类过程中只考虑像素点的分布密集特征，忽略了像素分布的连续性，使得噪声或者由漫反射形成的部分较亮的离散像素点归入较近的聚类中心所属类别区域中，因此还需要对所得各个区域中的像素点进一步筛选。
由于密度聚类算法具有密度可达特性，所以密度聚类结果可以体现集中分布数据的连续性特征，且该算法可以将少量连续分布的像素点聚为一类，因此可以使用该算法对同一个疑似缺陷区域中偏离密度中心较远的像素点进行剔除。
106.将所述缺陷概率值大于第一阈值的疑似缺陷区域作为缺陷区域，利用PCA算法获取缺陷区域中每个像素点的主成分方向。
由于光斑影响区域也符合密度集中且连续的特点，所以得到的疑似缺陷区域包含泛白缺陷区域以及光斑区域。因此还需要对得到的缺陷区域中可能存在的光斑区域进行剔除。
而光斑区域与泛白缺陷区域的区别特点在于，光斑区域形状为近圆形，而泛白区域形状为长形，因此可以根据所得结果中的区域形状进行光斑区域的剔除。
107.根据每个缺陷区域中像素点最大特征值对应的主成分方向的投影方差以及最小特征值对应的主成分方向的投影方差计算每个缺陷区域的光斑概率，将所述光斑概率小于第二阈值的区域去除，得到所述目标图像的泛白缺陷区域。
据上述所得区域中各个像素点的坐标，利用PCA算法（主成分分析法）获得这些数 据的主成分方向，由于坐标为二维数据，可获得两个主成分方向，每个主成分方向都是一个 二维的单位向量，每个主成分方向对应一个特征值；本发明获取特征值最大的主成分方向， 作为第一主成分方向，该方向表示这些数据投影方差最大的方向，该最大投影方差记为
Figure 993639DEST_PATH_IMAGE012
； 特征值最小的主成分方向，作为第二主成分方向，表示投影方差最小的方向，该最小投影方 差记为
Figure 117453DEST_PATH_IMAGE013
。
当两个方向上投影方差的比值越接近于1，说明两个方向上的像素点在两个方向上的分布越接近，此时该区域中像素点的分布越接近圆形，则其为光斑区域的概率越大，故根据两个主成分方向上的方差差异程度计算各个区域为泛白缺陷的概率。
对所有光斑区域进行去除，最终保留的区域则为泛白缺陷区域。
根据本发明提出的技术手段，利用背景灰度级将目标图像进行初步分割，通过聚类算法能够准确的提取出图像中的缺陷区域，从而根据泛白缺陷的集中特性以及形状特征计算其缺陷概率，能够准确、快速的检测出目标图像中存在泛白缺陷的区域。
实施例2
如图2所示，给出了本发明实施例的另一种基于图像处理的注塑件缺陷检测方法结构示意图，包括：
201.采集目标图像并进行语义分割，得到待测区域图像。
本实施例所针对的场景为：注塑件生产完成后，使用相机采集注塑件图像，对图像进行处理，根据图像中的特征信息进行注塑应力泛白缺陷检测。
由于实际生产过程中的环境较为复杂，即采集图像中既有复杂的加工环境，也有需要检测的注塑件图像，所以首先需要使用DNN来识别采集图像中的需要检测的注塑件图像，具体操作如下：
输入相机采集到的RGB图像，使用DNN网络对其进行语义分割；
网络结构为Encoder-Decoder结构，数据集为各种类型的注塑件图像；
标签分为两类，注塑件和背景。该方式为像素级分类，即需要给图像中所有像素标注上对应的标签。属于注塑件的像素，其值标注为1，属于背景的像素，其值标注为0；
网络所用的loss函数为交叉熵损失函数。
202.对所述待测区域图像进行灰度化处理，获取待测区域图像的灰度直方图，根据所述灰度直方图得到所述待测区域图像的背景灰度级。
对待测区域图像进行灰度化处理，获取归一化后的图像灰度直方图，即灰度直方图中的纵坐标为对应灰度级在整个图像中的占比。
灰度直方图表示每个灰度值在整张图像上出现的概率，以所有灰度值和灰度值对 应的概率为样本数据，根据这些样本数据利用EM算法拟合一维高斯混合模型，由于目标缺 陷与物体的差异不大，故本发明中只需要拟合单高斯模型，即设置所属高斯混合模型中的 子高斯模型个数K=1，由此得到高斯模型的均值
Figure 214853DEST_PATH_IMAGE001
和方差
Figure 689697DEST_PATH_IMAGE002
。
由于图像中物体正常区域占比较多，所以背景灰度值仍占大多数，由于漫反射的 存在，使得在图像中呈现出来的灰度值比物体本身的灰度级稍微高或低一点，即背景灰度 值不是单一灰度级，因此选取占比较高的灰度级，即所得高斯模型中
Figure 29280DEST_PATH_IMAGE003
范围内 的灰度级，按照这些灰度级之间的比例计算加权平均值，所得结果作为背景灰度级。
根据所述灰度直方图得到所述待测区域图像的背景灰度级：
对所述灰度直方图进行归一化处理，利用高斯模型对所述归一化后的灰度直方图 进行拟合，得到高斯模型的均值
Figure 476442DEST_PATH_IMAGE001
和方差
Figure 479164DEST_PATH_IMAGE002
，获取所述待测区域灰度图像中范围在
Figure 441304DEST_PATH_IMAGE003
内的灰度级，通过该范围内灰度级之间的比例计算加权平均值得到背景灰度 级。
203.以所述背景灰度级为阈值，对所述待测区域图像进行阈值分割，得到分割图像。
设置背景灰度级为阈值进行阈值分割，得到初次分割图像。
2041. 对所述分割图像中的像素点进行均值漂移聚类，得到多个聚类结果，根据聚类结果将所述分割图像对应划分为多个疑似缺陷区域。
均值漂移算法会寻找数据的密度中心，利用滑窗的方法，不断将密度中心朝最大点密度方向移动，且当图像中存在多个密度集中的区域时，会得到多个聚类结果。由于缺陷区域中像素点的密度本身就高于其他区域，所以均值漂移的每个聚类结果即为一个密度集中区域，即疑似缺陷区域（泛白缺陷区域以及光斑影响区域），因此可以根据均值漂移的聚类结果将图像中存在的多个疑似缺陷区域分割开来。
使用均值漂移聚类将初次分割图像中的各个像素点进行聚类，得到
Figure 318999DEST_PATH_IMAGE016
个聚类结 果，选取聚类中心360个方向上，连接各个方向上距离聚类中心最远的像素点，由此将初次 分割图像划分为
Figure 682984DEST_PATH_IMAGE016
个区域，则各个区域即为每个疑似缺陷区域大致位置，此时每个区域只 会存在一个密度中心，记录每个区域的密度中心坐标。
将所述分割图像对应划分为多个区域的方法如下：
利用均值漂移聚类将所述分割图像中的所有像素点进行聚类，得到N个聚类结果，选取聚类中心360个方向上，链接各个方向上距离聚类中心最远的像素点，将所述分割图像对应划分为N个区域。
2042.对每个疑似缺陷区域中的像素点进行密度聚类，根据每个疑似缺陷区域的所有像素点到该区域密度中心的最小欧氏距离得到每个疑似缺陷区域的缺陷概率值。
由于泛白缺陷区域是连续分布的，而均值漂移聚类在聚类过程中只考虑像素点的分布密集特征，忽略了像素分布的连续性，使得噪声或者由漫反射形成的部分较亮的离散像素点归入较近的聚类中心所属类别区域中，因此还需要对所得各个区域中的像素点进一步筛选。
由于DBSCAN（密度聚类）算法具有密度可达特性，所以DBSCAN聚类结果可以体现集中分布数据的连续性特征，且该算法可以将少量连续分布的像素点聚为一类，因此可以使用该算法对同一个疑似缺陷区域中偏离密度中心较远的像素点进行剔除。
以第
Figure DEST_PATH_IMAGE017
个区域为例，其密度中心坐记为
Figure 184504DEST_PATH_IMAGE018
，具体操作如下：
使用DBSCAN算法对该区域中的像素点进行聚类，其中同一个类别中的像素点是连续紧挨着分布的。
由于噪声等产生的离散像素点会被DBSCAN算法单独归为一类，因此根据各个类别中像素点坐标计算类内方差，类内方差越大，表示该类中的像素点分布越分散，则最大的类内方差所对应的聚类结果即为离散点所属类别，对该类进行剔除。
由于泛白区域本身与物体灰度值差异不大，所以无法直接根据他们之间的灰度差异确定分割阈值，而缺陷区域边界较为模糊，为了确定缺陷区域具体边界，需要还需要对所得聚类结果进行缺陷概率的计算。
根据DBSCAN聚类后获取每个疑似缺陷区域的密度中心，根据该疑似缺陷区域中各 个像素点到密度中心的最小欧氏距离，计算该疑似缺陷区域属于缺陷区域的概率，记第
Figure DEST_PATH_IMAGE019
个 像素点到该区域密度中心的最小欧式距离为
Figure 945524DEST_PATH_IMAGE007
，获取所述每个聚类结果的缺陷概率值的方 法为：
获取密度聚类后每个疑似缺陷区域的密度中心，获取每个疑似缺陷区域中每个像素点到对应区域密度中心的最小欧氏距离，根据所述最小欧式距离计算得到对应疑似缺陷区域的缺陷概率，表达式为：
Figure 128375DEST_PATH_IMAGE005
其中，
Figure 658451DEST_PATH_IMAGE006
表示第j个聚类结果的缺陷概率值，
Figure 517823DEST_PATH_IMAGE007
表示第j个像素点到对应疑似缺陷 区域密度中心的最小欧氏距离。
205.将所述缺陷概率值大于第一阈值的疑似缺陷区域作为缺陷区域，利用PCA算法获取缺陷区域中每个像素点的主成分方向；
当所述缺陷概率值
Figure 939708DEST_PATH_IMAGE008
时，第j个疑似缺陷区域为缺陷区域，获取所述分割图 像中所有缺陷区域。本实施例中，阈值
Figure 441096DEST_PATH_IMAGE020
。
PCA算法，即主成分分析法，利用主成分分析法获取缺陷区域中每个像素点的主成分方向的方法为：
获取所述缺陷区域中每个像素点的坐标，所述每个像素点的坐标为二维数据，利用主成分分析法获取所述每个像素点的两个主成分方向，每个方向对应一个特征值，将特征值最大的方向作为第一主成分方向，特征值最小的方向为第二主成分方向。
206.根据每个缺陷区域中像素点最大特征值对应的主成分方向的投影方差以及最小特征值对应的主成分方向的投影方差计算每个缺陷区域的光斑概率，将所述光斑概率小于第二阈值的区域去除，得到所述目标图像的泛白缺陷区域。
根据所述缺陷区域中每个像素点主成分方向的投影方差计算每个缺陷区域的光斑概率，将所述光斑概率小于第二阈值的像素点去除，得到所述目标图像的泛白缺陷区域，包括：
当两个方向上投影方差的比值越接近于1，说明两个方向上的像素点在两个方向 上的分布越接近，此时该区域中像素点的分布越接近圆形，则其为光斑区域的概率越大，故 根据两个主成分方向上的方差差异程度计算各个区域为泛白缺陷的概率，则第
Figure DEST_PATH_IMAGE021
个区域为 缺陷区域的疑似概率
Figure 825679DEST_PATH_IMAGE011
可表示为：
Figure 606684DEST_PATH_IMAGE010
其中，
Figure 765133DEST_PATH_IMAGE011
表示第n个缺陷区域的光斑概率，
Figure 827522DEST_PATH_IMAGE012
表示该区域像素点第一主成分方向的 投影方差，
Figure 20606DEST_PATH_IMAGE013
表示该区域像素点第二主成分方向的投影方差；
当
Figure 300408DEST_PATH_IMAGE014
时，第n个区域为光斑区域，其中，
Figure 195421DEST_PATH_IMAGE015
为所述第二阈值；对该区域进行去 除，最终保留的区域为所述目标图像的泛白缺陷区域，本实施例中阈值
Figure 507453DEST_PATH_IMAGE022
。
根据本发明提出的技术手段，利用背景灰度级将目标图像进行初步分割，通过聚类算法能够准确的提取出图像中的缺陷区域，从而根据泛白缺陷的集中特性以及形状特征计算其缺陷概率，能够准确、快速的检测出目标图像中存在泛白缺陷的区域。
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)

1.一种基于图像处理的注塑缺陷检测方法，其特征在于，包括：
采集目标图像并进行语义分割，得到待测区域图像；
对所述待测区域图像进行灰度化处理，获取待测区域图像的灰度直方图，根据所述灰度直方图得到所述待测区域图像的背景灰度级；
以所述背景灰度级为阈值，对所述待测区域图像进行阈值分割，得到分割图像；
对所述分割图像中的像素点进行均值漂移聚类，得到多个聚类结果，根据聚类结果将所述分割图像对应划分为多个疑似缺陷区域；
对每个疑似缺陷区域中的像素点进行密度聚类，根据每个疑似缺陷区域的所有像素点到该区域密度中心的最小欧氏距离得到每个疑似缺陷区域的缺陷概率值；
将所述缺陷概率值大于第一阈值的疑似缺陷区域作为缺陷区域，利用PCA算法获取缺陷区域中每个像素点的主成分方向；
根据每个缺陷区域中像素点最大特征值对应的主成分方向的投影方差以及最小特征值对应的主成分方向的投影方差计算每个缺陷区域的光斑概率，将所述光斑概率小于第二阈值的区域去除，得到所述目标图像的泛白缺陷区域。
2.根据权利要求1所述的一种基于图像处理的注塑缺陷检测方法，其特征在于，根据所述灰度直方图得到所述待测区域图像的背景灰度级：
对所述灰度直方图进行归一化处理，利用高斯模型对所述归一化后的灰度直方图进行拟合，得到高斯模型的均值
Figure DEST_PATH_IMAGE002
和方差
Figure DEST_PATH_IMAGE004
，获取所述待测区域灰度图像中范围在
Figure DEST_PATH_IMAGE006
内的灰度级，通过该范围内灰度级之间的比例计算加权平均值得到背景灰度级。
3.根据权利要求1所述的一种基于图像处理的注塑缺陷检测方法，其特征在于，根据聚类结果将所述分割图像对应划分为多个疑似缺陷区域的方法如下：
利用均值漂移聚类将所述分割图像中的所有像素点进行聚类，得到N个聚类结果，选取密度中心各个方向上距离密度中心最远的像素点，将所述分割图像对应划分为N个区域。
4.根据权利要求1所述的一种基于图像处理的注塑缺陷检测方法，其特征在于，获取所述每个疑似缺陷区域的缺陷概率值的方法为：
获取密度聚类后每个疑似缺陷区域的密度中心，获取每个疑似缺陷区域中每个像素点到对应区域密度中心的最小欧氏距离，根据所述最小欧式距离计算得到对应疑似缺陷区域的缺陷概率，表达式为：
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE010
表示第j个聚类结果的缺陷概率值，
Figure DEST_PATH_IMAGE012
表示第j个像素点到对应疑似缺陷区域密度中心的最小欧氏距离。
5.根据权利要求4所述的一种基于图像处理的注塑缺陷检测方法，其特征在于，将所述缺陷概率值大于第一阈值的疑似缺陷区域作为缺陷区域：
当所述缺陷概率值
Figure DEST_PATH_IMAGE014
时，将第j个疑似缺陷区域作为缺陷区域，获取所述分割图像中所有缺陷区域。
6.根据权利要求1所述的一种基于图像处理的注塑缺陷检测方法，其特征在于，利用PCA算法获取缺陷区域中每个像素点的主成分方向的方法为：
利用PCA算法获取每个缺陷区域中每个像素点的主成分方向，每个像素点坐标对应两个主成分方向，每个方向对应一个特征值，将每个缺陷区域中像素点最大特征值对应的方向作为第一主成分方向，像素点最小特征值对应的方向作为第二主成分方向。
7.根据权利要求6所述的一种基于图像处理的注塑缺陷检测方法，其特征在于，计算每个缺陷区域的光斑概率，将所述光斑概率小于第二阈值的像素点去除，得到所述目标图像的泛白缺陷区域，包括：
计算所述光斑概率的表达式为：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE018
表示第n个缺陷区域的光斑概率，
Figure DEST_PATH_IMAGE020
表示该区域像素点第一主成分方向的投影方差，
Figure DEST_PATH_IMAGE022
表示该区域像素点第二主成分方向的投影方差；
当
Figure DEST_PATH_IMAGE024
时，第n个区域为光斑区域，其中，
Figure DEST_PATH_IMAGE026
为所述第二阈值；对该区域进行去除，最终保留的区域为所述目标图像的泛白缺陷区域。
CN202211002608.9A 2022-08-22 2022-08-22 一种基于图像处理的注塑缺陷检测方法 Active CN115082683B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211002608.9A CN115082683B (zh) 2022-08-22 2022-08-22 一种基于图像处理的注塑缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211002608.9A CN115082683B (zh) 2022-08-22 2022-08-22 一种基于图像处理的注塑缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115082683A true CN115082683A (zh) 2022-09-20
CN115082683B CN115082683B (zh) 2023-07-14

Family

ID=83244438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211002608.9A Active CN115082683B (zh) 2022-08-22 2022-08-22 一种基于图像处理的注塑缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115082683B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115239718A (zh) * 2022-09-22 2022-10-25 江苏盾王科技集团有限公司 一种基于图像处理的塑料制品缺陷检测方法与系统
CN115239793A (zh) * 2022-09-21 2022-10-25 精技电子（南通）有限公司 一种hdmi线缆传输分拣智能控制方法及系统
CN115294410A (zh) * 2022-10-08 2022-11-04 加乐新材料(南通)有限公司 一种基于图形识别的塑料制品成型控制方法
CN115308310A (zh) * 2022-09-29 2022-11-08 誉隆半导体设备(江苏)有限公司 一种管路内壁的超声探伤识别方法
CN115311277A (zh) * 2022-10-11 2022-11-08 南通美乐柯材料科技有限公司 一种不锈钢制品的凹坑缺陷识别方法
CN115311301A (zh) * 2022-10-12 2022-11-08 江苏银生新能源科技有限公司 一种pcb板焊点缺陷检测方法
CN115311283A (zh) * 2022-10-12 2022-11-08 山东鲁玻玻璃科技有限公司 一种玻璃拉管缺陷检测方法及系统
CN115330790A (zh) * 2022-10-13 2022-11-11 启东惜时智能科技有限公司 基于图像的电缆绞线质量检测方法及系统
CN115330794A (zh) * 2022-10-13 2022-11-11 扬州中科半导体照明有限公司 基于计算机视觉的led背光异物缺陷检测方法
CN115359042A (zh) * 2022-10-17 2022-11-18 博格达智能装备(南通)有限公司 基于光学视觉的木塑新材料门的缺陷检测方法
CN115457037A (zh) * 2022-11-10 2022-12-09 澳润(山东)药业有限公司 一种用于阿胶制品生产的原材料质检方法
CN115511889A (zh) * 2022-11-23 2022-12-23 江苏惠汕新能源集团有限公司 一种太阳能电池板支架表面焊接缺陷检测方法
CN115512252A (zh) * 2022-11-18 2022-12-23 东北电力大学 基于无人机的电网巡检自动化方法及系统
CN116402808A (zh) * 2023-05-31 2023-07-07 山东华禹威达机电科技有限公司 一种电缆夹板模具制造智能化检测方法
CN116580026A (zh) * 2023-07-12 2023-08-11 深圳市致尚科技股份有限公司 精密零部件外观缺陷自动光学检测方法、设备及存储介质
CN116945521A (zh) * 2023-09-15 2023-10-27 张家港市神舟机械有限公司 一种注塑件缺陷检测方法
CN117173176A (zh) * 2023-11-02 2023-12-05 张家港中贺自动化科技有限公司 基于图像处理的多晶层光刻工艺热点检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010071876A (ja) * 2008-09-19 2010-04-02 Kyodo Printing Co Ltd 欠陥検査方法及び欠陥検査装置
CN110687119A (zh) * 2018-07-04 2020-01-14 东腾投资集团有限公司 一种缺陷检测方法、系统与装置、计算机可读存储介质
CN114419025A (zh) * 2022-01-27 2022-04-29 江苏泰和木业有限公司 一种基于图像处理的纤维板质量评估方法
CN114820625A (zh) * 2022-06-30 2022-07-29 爱普车辆股份有限公司 一种汽车顶块缺陷检测方法
CN114882043A (zh) * 2022-07-12 2022-08-09 南通三信塑胶装备科技股份有限公司 基于图像处理的注塑件缺陷定位方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010071876A (ja) * 2008-09-19 2010-04-02 Kyodo Printing Co Ltd 欠陥検査方法及び欠陥検査装置
CN110687119A (zh) * 2018-07-04 2020-01-14 东腾投资集团有限公司 一种缺陷检测方法、系统与装置、计算机可读存储介质
CN114419025A (zh) * 2022-01-27 2022-04-29 江苏泰和木业有限公司 一种基于图像处理的纤维板质量评估方法
CN114820625A (zh) * 2022-06-30 2022-07-29 爱普车辆股份有限公司 一种汽车顶块缺陷检测方法
CN114882043A (zh) * 2022-07-12 2022-08-09 南通三信塑胶装备科技股份有限公司 基于图像处理的注塑件缺陷定位方法及系统

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115239793A (zh) * 2022-09-21 2022-10-25 精技电子（南通）有限公司 一种hdmi线缆传输分拣智能控制方法及系统
CN115239718A (zh) * 2022-09-22 2022-10-25 江苏盾王科技集团有限公司 一种基于图像处理的塑料制品缺陷检测方法与系统
CN115239718B (zh) * 2022-09-22 2023-05-02 江苏盾王科技集团有限公司 一种基于图像处理的塑料制品缺陷检测方法与系统
CN115308310A (zh) * 2022-09-29 2022-11-08 誉隆半导体设备(江苏)有限公司 一种管路内壁的超声探伤识别方法
CN115294410A (zh) * 2022-10-08 2022-11-04 加乐新材料(南通)有限公司 一种基于图形识别的塑料制品成型控制方法
CN115294410B (zh) * 2022-10-08 2023-10-17 加乐新材料(南通)有限公司 一种基于图形识别的塑料制品成型控制方法
CN115311277A (zh) * 2022-10-11 2022-11-08 南通美乐柯材料科技有限公司 一种不锈钢制品的凹坑缺陷识别方法
CN115311283A (zh) * 2022-10-12 2022-11-08 山东鲁玻玻璃科技有限公司 一种玻璃拉管缺陷检测方法及系统
CN115311283B (zh) * 2022-10-12 2023-01-24 山东鲁玻玻璃科技有限公司 一种玻璃拉管缺陷检测方法及系统
CN115311301A (zh) * 2022-10-12 2022-11-08 江苏银生新能源科技有限公司 一种pcb板焊点缺陷检测方法
CN115330790A (zh) * 2022-10-13 2022-11-11 启东惜时智能科技有限公司 基于图像的电缆绞线质量检测方法及系统
CN115330794A (zh) * 2022-10-13 2022-11-11 扬州中科半导体照明有限公司 基于计算机视觉的led背光异物缺陷检测方法
CN115330794B (zh) * 2022-10-13 2022-12-23 扬州中科半导体照明有限公司 基于计算机视觉的led背光异物缺陷检测方法
CN115359042A (zh) * 2022-10-17 2022-11-18 博格达智能装备(南通)有限公司 基于光学视觉的木塑新材料门的缺陷检测方法
CN115457037A (zh) * 2022-11-10 2022-12-09 澳润(山东)药业有限公司 一种用于阿胶制品生产的原材料质检方法
CN115457037B (zh) * 2022-11-10 2023-03-24 澳润(山东)药业有限公司 一种用于阿胶制品生产的原材料质检方法
CN115512252A (zh) * 2022-11-18 2022-12-23 东北电力大学 基于无人机的电网巡检自动化方法及系统
CN115511889A (zh) * 2022-11-23 2022-12-23 江苏惠汕新能源集团有限公司 一种太阳能电池板支架表面焊接缺陷检测方法
CN116402808B (zh) * 2023-05-31 2023-08-25 山东华禹威达机电科技有限公司 一种电缆夹板模具制造智能化检测方法
CN116402808A (zh) * 2023-05-31 2023-07-07 山东华禹威达机电科技有限公司 一种电缆夹板模具制造智能化检测方法
CN116580026A (zh) * 2023-07-12 2023-08-11 深圳市致尚科技股份有限公司 精密零部件外观缺陷自动光学检测方法、设备及存储介质
CN116580026B (zh) * 2023-07-12 2023-09-12 深圳市致尚科技股份有限公司 精密零部件外观缺陷自动光学检测方法、设备及存储介质
CN116945521A (zh) * 2023-09-15 2023-10-27 张家港市神舟机械有限公司 一种注塑件缺陷检测方法
CN116945521B (zh) * 2023-09-15 2023-12-08 张家港市神舟机械有限公司 一种注塑件缺陷检测方法
CN117173176A (zh) * 2023-11-02 2023-12-05 张家港中贺自动化科技有限公司 基于图像处理的多晶层光刻工艺热点检测方法
CN117173176B (zh) * 2023-11-02 2024-01-26 张家港中贺自动化科技有限公司 基于图像处理的多晶层光刻工艺热点检测方法

Also Published As

Publication number Publication date
CN115082683B (zh) 2023-07-14

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
CN109961049B (zh) 一种复杂场景下香烟品牌识别方法
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN113538429B (zh) 基于图像处理的机械零件表面缺陷检测方法
CN109816644B (zh) 一种基于多角度光源影像的轴承缺陷自动检测系统
CN111862064B (zh) 一种基于深度学习的银质丝材表面瑕疵识别方法
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN111582294B (zh) 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用
US20230289979A1 (en) A method for video moving object detection based on relative statistical characteristics of image pixels
CN116205919B (zh) 基于人工智能的五金零件生产质量检测方法及系统
CN109377485A (zh) 一种方便面包装缺陷机器视觉检测方法
CN104794491A (zh) 基于预分类的模糊聚类钢板表面缺陷检测方法
CN111815564B (zh) 一种检测丝锭的方法、装置及丝锭分拣系统
CN114972356B (zh) 塑料制品表面缺陷检测识别方法及系统
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
CN103295013A (zh) 一种基于成对区域的单幅图像阴影检测方法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
Xiang et al. Moving object detection and shadow removing under changing illumination condition
CN114926410A (zh) 制动盘外观缺陷检测方法
CN113256624A (zh) 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN112102224A (zh) 一种基于深度卷积神经网络的布匹疵点识别方法
CN114266743A (zh) 基于hsv和cnn的fpc缺陷检测方法、系统及存储介质
CN115082776A (zh) 一种基于图像识别的电能表自动检测系统及方法

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
TA01 Transfer of patent application right

Effective date of registration: 20230621

Address after: A101, Building 31, Third Industrial Zone, Mashantou Community, Matian Street, Guangming District, Shenzhen, Guangdong 518000

Applicant after: Shenzhen Songze Industrial Development Co.,Ltd.

Address before: 226000 Taijiao Industrial Park, Huilong Town, Qidong City, Nantong City, Jiangsu Province

Applicant before: NANTONG SANXIN PLASTICS EQUIPMENT TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant