CN115187602A - 基于图像处理的注塑件缺陷检测方法及系统 - Google Patents
基于图像处理的注塑件缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN115187602A CN115187602A CN202211107379.7A CN202211107379A CN115187602A CN 115187602 A CN115187602 A CN 115187602A CN 202211107379 A CN202211107379 A CN 202211107379A CN 115187602 A CN115187602 A CN 115187602A
- Authority
- CN
- China
- Prior art keywords
- defect area
- defect
- injection molding
- area
- possible 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 223
- 238000001746 injection moulding Methods 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 title claims description 10
- 238000005286 illumination Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 230000035772 mutation Effects 0.000 claims abstract description 18
- 230000002093 peripheral effect Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 239000000243 solution Substances 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract description 25
- 230000008859 change Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 101100313471 Streptomyces sp getA gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于图像处理的注塑件缺陷检测方法及系统。该方法包括:采集注塑件图像,设定初始阈值对注塑件图像进行阈值分割,获取可能缺陷区域和非缺陷区域;拟合出注塑件图像的理想灰度分布;获取每个可能缺陷区域的周围缺陷占比;依据实际灰度分布和理想灰度分布之间的差异、以及周围缺陷占比计算每个可能缺陷区域的区域光照符合率;计算每个可能缺陷区域的突变率和内部同质性;进而获取可能缺陷区域的缺陷率;基于缺陷率的大小在可能缺陷区域中划分出新的非缺陷区域,然后获取调整阈值,再进行上述步骤直至调整阈值的变化量小于分割精度。本发明实施例能够排除光照的干扰获得低对比度的流痕缺陷的准确区域。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于图像处理的注塑件缺陷检测方法及系统。
背景技术
在注塑件生产工艺中,由于塑件时温度不均匀或塑料凝固过快等原因导致注塑件表面出现流痕缺陷,这些流痕缺陷的存在会影响产品的质量和外观。
由于流痕缺陷属于对比度较低的缺陷类型,且现实生活中还会存在复杂光照干扰的,利用固定阈值分割很难定位出缺陷的位置,因而此时需要手动设置阈值,但该方式需要花费大量时间,且分割出的效果不够理想。流痕缺陷的边界清晰度较差,利用边缘检测也不能准确的定位出缺陷区域。
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图像处理的注塑件缺陷检测方法及系统,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基于图像处理的注塑件缺陷检测方法,该方法包括以下步骤:
采集注塑件图像,设定初始阈值对所述注塑件图像进行阈值分割,获取可能缺陷区域和非缺陷区域;
基于所述非缺陷区域的灰度信息构建高斯混合模型,进而拟合出所述注塑件图像的理想灰度分布;获取每个所述可能缺陷区域的周围缺陷占比;依据实际灰度分布和所述理想灰度分布之间的差异、以及所述周围缺陷占比计算每个所述可能缺陷区域的区域光照符合率;
根据在所述可能缺陷区域外的像素点的像素光照符合率计算每个可能缺陷区域的突变率;根据在所述可能缺陷区域内的像素点的像素光照符合率熵计算每个可能缺陷区域的内部同质性;依据所述突变率和所述内部同质性获取所述可能缺陷区域的缺陷率;
基于所述缺陷率的大小在所述可能缺陷区域中划分出新的非缺陷区域,然后利用更新后的可能缺陷区域和非缺陷区域的对比度获取调整阈值,再进行上述步骤直至所述调整阈值的变化量小于分割精度,得到准确阈值对所述注塑件图像进行阈值分割。
优选的,所述初始阈值的设定过程为:
获取所述注塑件图像的对比度图像,统计所述对比度图像的直方图,组成概率密度函数,以预设概率密度对应的对比度值作为所述初始阈值。
优选的,所述对比度图像的获取过程为:
获取所述注塑件图像的灰度图像,通过所述灰度图像中每个像素点与邻域像素点的灰度差计算该像素点的对比度值,进而获取所述对比度图像。
优选的,所述周围缺陷占比的获取过程为:
将所述注塑件图像划分为多个子区域,以所述可能缺陷区域主题部分所在的子区域作为中心子区域,计算所述中心子区域的邻接子区域的缺陷面积占比,以及所述邻接子区域的中心点与所述中心子区域的中心点之间的欧氏距离,依据所有所述中心子区域对应的缺陷面积占比和欧氏距离获取所述可能缺陷区域的周围缺陷占比。
优选的,所述突变率的获取步骤包括:
从所述可能缺陷区域的中心出发,均匀延伸出多条射线,对于每条射线,计算在该可能缺陷区域外的处于所述射线上的像素点的像素光照符合率;根据每条射线对应的像素光照符合率的差异计算该可能缺陷区域的突变率。
优选的,所述可能缺陷区域的中心的获取过程为:通过重心求解函数获取所述可能缺陷区域的重心坐标作为所述中心。
优选的,所述内部同质性的获取过程为:
计算每个所述可能缺陷区域内每个像素点的所述像素光照符合率,将所有的所述像素光照符合率划分等级,统计每个等级的数量占比,进而获取该可能缺陷区域的内部同质性。
优选的,所述调整阈值的获取步骤包括:
获取更新后的可能缺陷区域和非缺陷区域的对比度取值区间,并获取其交集,以所述交集内对应的像素点作为模糊像素点;
以所述交集的长度与两个对比度取值区间的距离长度之比作为模糊区间占比;以所述模糊像素在所述注塑件图像中的数量占比作为模糊像素占比;根据更新后的可能缺陷区域的对比度最小值、所述模糊区间占比和所述模糊像素占比获取所述调整阈值。
优选的,所述准确阈值的获取过程为:
当连续多次更新后的调整阈值之间的平均差异小于所述分割精度时,最后一次更新获取的调整阈值作为所述准确阈值。
第二方面,本发明另一个实施例提供了一种基于图像处理的注塑件缺陷检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于图像处理的注塑件缺陷检测方法的步骤。
本发明实施例至少具有如下有益效果:
首先,通过初始阈值分割出可能缺陷区域和非缺陷区域。而后计算可能缺陷区域的光照符合率,再结合缺陷造成的光线特性计算缺陷率。根据缺陷率筛选出可能缺陷区域中的可能非缺陷区域,基于该区域信息进行光照模型修正,利用修正模型后进一步验证刚分割出的可能非缺陷区域属于非缺陷区域准确性,基于划分结果调整阈值。根据阈值的稳定性来确定最终阈值,分割出准确的缺陷区域。本发明实施例通过自适应调整阈值得到准确阈值,能够排除光照的影响准确分割出低对比度的流痕缺陷。
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基于图像处理的注塑件缺陷检测方法的步骤流程图。
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基于图像处理的注塑件缺陷检测方法及系统,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基于图像处理的注塑件缺陷检测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基于图像处理的注塑件缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集注塑件图像,设定初始阈值对注塑件图像进行阈值分割,获取可能缺陷区域和非缺陷区域。
具体的步骤包括:
1.在注塑件生产线上方布置相机,采集注塑件图像,获取注塑件图像的灰度图像,通过灰度图像中每个像素点与邻域像素点的灰度差计算该像素点的对比度值,进而获取对比度图像。
通过每个像素点的灰度值与8邻域像素灰度值的差值的平方均值来计算该像素点的对比度,计算出各像素的对比度值即可得到对比度图像。
2.统计对比度图像的直方图,组成概率密度函数,以预设概率密度对应的对比度值作为初始阈值。
流痕缺陷区域和高光区域属于少数区域,为防止分割出的非缺陷集合中包含缺陷区域,避免缺陷信息干扰光照模型拟合的准确性,因而需先设定一个较小的阈值。
作为一个示例,本发明实施例中预设概率密度取值为0.3。
3.获取可能缺陷区域和非缺陷区域。
利用初始阈值进行阈值分割,其中对比度小于初始阈值的为非缺陷像素,对比度大于等于初始阈值的为可能缺陷像素,分别将非缺陷像素和缺陷像素进行连通化处理得到非缺陷连通域和可能缺陷连通域。
步骤S002,基于非缺陷区域的灰度信息构建高斯混合模型,进而拟合出注塑件图像的理想灰度分布;获取每个可能缺陷区域的周围缺陷占比;依据实际灰度分布和理想灰度分布之间的差异、以及周围缺陷占比计算每个可能缺陷区域的区域光照符合率。
具体的步骤包括:
1.拟合出注塑件图像的理想灰度分布。
基于非缺陷区域各像素的坐标和像素对应的灰度值为样本数据,根据这些样本数据利用EM算法拟合二维混合高斯模型,利用该混合高斯模型拟合出注塑件图像各像素的灰度值。
2.获取每个可能缺陷区域的周围缺陷占比。
将注塑件图像划分为多个子区域,以可能缺陷区域主题部分所在的子区域作为中心子区域,计算中心子区域的邻接子区域的缺陷面积占比,以及邻接子区域的中心点与中心子区域的中心点之间的欧氏距离,依据所有中心子区域对应的缺陷面积占比和欧氏距离获取可能缺陷区域的周围缺陷占比。
作为一个示例,本发明实施例将注塑件图像的灰度图像均匀划分为64个小区域,宽和高分别划分为8份。
需要说明的是,周围表示该中心子区域的八个邻接区域。
3.依据实际灰度分布和理想灰度分布之间的差异、以及周围缺陷占比计算每个可能缺陷区域的区域光照符合率。
需要说明的是,表示第k个可能缺陷区域内实际灰度分布和理想灰度分布之间的平均差异的倒数,表示实际灰度分布和理想灰度分布之间的平均差异与区域光照符合率呈负相关关系;同时利用周围缺陷占比的值调整该光照符合率,计算光照符合率的过程中可能会由于信息缺乏造成此区域拟合精度教低,得到的区域光照符合率过低,周围缺陷占比的值越大,说明该区域的光照信息缺乏较大,光照模型在该区域的拟合精度较差,得到的区域光照符合率越不准确,越需要调节,因此通过该值与区域光照符合率呈正相关关系来调整该区域的区域光照符合率。
步骤S003,根据在可能缺陷区域外的像素点的像素光照符合率计算每个可能缺陷区域的突变率;根据在可能缺陷区域内的像素点的像素光照符合率熵计算每个可能缺陷区域的内部同质性;依据突变率和内部同质性获取可能缺陷区域的缺陷率。
具体的步骤包括:
1.计算每个可能缺陷区域的突变率。
缺陷区域一般表现为光照符合率较差,而周围区域的光照符合率较强,因此可以通过分析可能缺陷区域光照符合率与周围区域光照符合率的关系是否突变计算缺陷率。
从可能缺陷区域的中心出发,均匀延伸出多条射线,对于每条射线,计算在该可能缺陷区域外的处于射线上的像素点的像素光照符合率;根据每条射线对应的像素光照符合率的差异计算该可能缺陷区域的突变率。
具体的,通过重心求解函数获取可能缺陷区域的重心坐标作为中心,本发明实施例中利用Matlab中的重心求解函数regionprops中的Centroid参数得到可能缺陷区域的重心坐标,从该重心坐标出发,向水平右侧方向延伸得到0度方向角度射线,然后基于0度角度射线出发,沿逆时针每间隔30度得到绕重心环绕一周的12条角度方向射线。对于每条射线,计算可能缺陷区域外射线上每个像素点的像素光照符合率:
作为一个示例,在本发明实施例中X=12,Y=10。
2.计算每个可能缺陷区域的内部同质性。
计算每个可能缺陷区域内每个像素点的像素光照符合率,将所有的像素光照符合率划分等级,统计每个等级的数量占比,进而获取该可能缺陷区域的内部同质性。
根据像素光照符合率的取值范围将其均匀划分为n个等级,作为一个示例,本发明实施例中n的取值为30。
可能缺陷区域的缺陷率通过像素光照符合率的突变率和内部同质性来体现,突变率越大,说明光线变化造成的光照拟合精度差,而非缺陷造成的光照不符合,此时可能缺陷区域的缺陷率较低;内部同质性越大,说明越可能是缺陷造成的光照符合率变化,该光照符合率取值较近,此时缺陷率较大。
注塑件的流痕缺陷对比度较低,边界不清晰,因而很难利用固定阈值来分割出来,但是注塑件表面无缺陷时会呈现一定的光线分布规律,因而可以利用光线分布规律来调整阈值,实现准确的缺陷定位。
步骤S004,基于缺陷率的大小在可能缺陷区域中划分出新的非缺陷区域,然后利用更新后的可能缺陷区域和非缺陷区域的对比度获取调整阈值,再进行上述步骤直至调整阈值的变化量小于分割精度,得到准确阈值对注塑件图像进行阈值分割。
具体的步骤包括:
1.基于缺陷率的大小在可能缺陷区域中划分出新的非缺陷区域。
2.获取更新后的调整阈值。
获取更新后的可能缺陷区域和非缺陷区域的对比度取值区间,并获取其交集,以交集内对应的像素点作为模糊像素点;以交集的长度与两个对比度取值区间的距离长度之比作为模糊区间占比;以模糊像素在注塑件图像中的数量占比作为模糊像素占比;根据更新后的可能缺陷区域的对比度最小值、模糊区间占比和模糊像素占比获取调整阈值。
具体的,获取更新后的可能缺陷区域的对比度取值区间,表示缺陷区域对比度最小值,表示缺陷对比度最大值;非缺陷区域的对比度区间,表示非缺陷区域对比度最小值,表示非缺陷对比度最大值;以作为模糊区间,在模糊区间内的像素点作为模糊像素点,并将模糊区间的长度记为。
获取更新后的可能缺陷区域的对比度均值,非缺陷区域的对比度均值,以代表更新后的可能缺陷区域的对比度,以代表更新后的非缺陷区域的对比度,计算更新后的可能缺陷区域和非缺陷区域之间的差异长度,进而计算调整阈值:
3.当连续多次更新后的调整阈值之间的平均差异小于分割精度时,最后一次更新获取的调整阈值作为准确阈值。
4.利用准确阈值对注塑件图像进行阈值分割,得到准确的流痕缺陷区域。
综上所述,本发明实施例采集注塑件图像,设定初始阈值对注塑件图像进行阈值分割,获取可能缺陷区域和非缺陷区域;基于非缺陷区域的灰度信息构建高斯混合模型,进而拟合出注塑件图像的理想灰度分布;获取每个可能缺陷区域的周围缺陷占比;依据实际灰度分布和理想灰度分布之间的差异、以及周围缺陷占比计算每个可能缺陷区域的区域光照符合率;根据在可能缺陷区域外的像素点的像素光照符合率计算每个可能缺陷区域的突变率;根据在可能缺陷区域内的像素点的像素光照符合率熵计算每个可能缺陷区域的内部同质性;依据突变率和内部同质性获取可能缺陷区域的缺陷率;基于缺陷率的大小在可能缺陷区域中划分出新的非缺陷区域,然后利用更新后的可能缺陷区域和非缺陷区域的对比度获取调整阈值,再进行上述步骤直至调整阈值的变化量小于分割精度,得到准确阈值对注塑件图像进行阈值分割。本发明实施例能够排除光照的干扰获得低对比度的流痕缺陷的准确区域。
本发明实施例还提出了一种基于图像处理的注塑件缺陷检测系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法的步骤。由于基于图像处理的注塑件缺陷检测方法在上述给出了详细描述,不再赘述。
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。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。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 (10)
1.基于图像处理的注塑件缺陷检测方法,其特征在于,该方法包括以下步骤:
采集注塑件图像,设定初始阈值对所述注塑件图像进行阈值分割,获取可能缺陷区域和非缺陷区域;
基于所述非缺陷区域的灰度信息构建高斯混合模型,进而拟合出所述注塑件图像的理想灰度分布;获取每个所述可能缺陷区域的周围缺陷占比;依据实际灰度分布和所述理想灰度分布之间的差异、以及所述周围缺陷占比计算每个所述可能缺陷区域的区域光照符合率;
根据在所述可能缺陷区域外的像素点的像素光照符合率计算每个可能缺陷区域的突变率;根据在所述可能缺陷区域内的像素点的像素光照符合率熵计算每个可能缺陷区域的内部同质性;依据所述突变率和所述内部同质性获取所述可能缺陷区域的缺陷率;
基于所述缺陷率的大小在所述可能缺陷区域中划分出新的非缺陷区域,然后利用更新后的可能缺陷区域和非缺陷区域的对比度获取调整阈值,再进行上述步骤直至所述调整阈值的变化量小于分割精度,得到准确阈值对所述注塑件图像进行阈值分割。
2.根据权利要求1所述的方法,其特征在于,所述初始阈值的设定过程为:
获取所述注塑件图像的对比度图像,统计所述对比度图像的直方图,组成概率密度函数,以预设概率密度对应的对比度值作为所述初始阈值。
3.根据权利要求2所述的方法,其特征在于,所述对比度图像的获取过程为:
获取所述注塑件图像的灰度图像,通过所述灰度图像中每个像素点与邻域像素点的灰度差计算该像素点的对比度值,进而获取所述对比度图像。
4.根据权利要求1所述的方法,其特征在于,所述周围缺陷占比的获取过程为:
将所述注塑件图像划分为多个子区域,以所述可能缺陷区域主题部分所在的子区域作为中心子区域,计算所述中心子区域的邻接子区域的缺陷面积占比,以及所述邻接子区域的中心点与所述中心子区域的中心点之间的欧氏距离,依据所有所述中心子区域对应的缺陷面积占比和欧氏距离获取所述可能缺陷区域的周围缺陷占比。
5.根据权利要求1所述的方法,其特征在于,所述突变率的获取步骤包括:
从所述可能缺陷区域的中心出发,均匀延伸出多条射线,对于每条射线,计算在该可能缺陷区域外的处于所述射线上的像素点的像素光照符合率;根据每条射线对应的像素光照符合率的差异计算该可能缺陷区域的突变率。
6.根据权利要求5所述的方法,其特征在于,所述可能缺陷区域的中心的获取过程为:通过重心求解函数获取所述可能缺陷区域的重心坐标作为所述中心。
7.根据权利要求1所述的方法,其特征在于,所述内部同质性的获取过程为:
计算每个所述可能缺陷区域内每个像素点的所述像素光照符合率,将所有的所述像素光照符合率划分等级,统计每个等级的数量占比,进而获取该可能缺陷区域的内部同质性。
8.根据权利要求1所述的方法,其特征在于,所述调整阈值的获取步骤包括:
获取更新后的可能缺陷区域和非缺陷区域的对比度取值区间,并获取其交集,以所述交集内对应的像素点作为模糊像素点;
以所述交集的长度与两个对比度取值区间的距离长度之比作为模糊区间占比;以所述模糊像素在所述注塑件图像中的数量占比作为模糊像素占比;根据更新后的可能缺陷区域的对比度最小值、所述模糊区间占比和所述模糊像素占比获取所述调整阈值。
9.根据权利要求1所述的方法,其特征在于,所述准确阈值的获取过程为:
当连续多次更新后的调整阈值之间的平均差异小于所述分割精度时,最后一次更新获取的调整阈值作为所述准确阈值。
10.基于图像处理的注塑件缺陷检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211107379.7A CN115187602A (zh) | 2022-09-13 | 2022-09-13 | 基于图像处理的注塑件缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211107379.7A CN115187602A (zh) | 2022-09-13 | 2022-09-13 | 基于图像处理的注塑件缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115187602A true CN115187602A (zh) | 2022-10-14 |
Family
ID=83524766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211107379.7A Pending CN115187602A (zh) | 2022-09-13 | 2022-09-13 | 基于图像处理的注塑件缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187602A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578389A (zh) * | 2022-12-08 | 2023-01-06 | 青岛澳芯瑞能半导体科技有限公司 | 一种沟槽mos器件的缺陷检测方法 |
CN115937212A (zh) * | 2023-02-08 | 2023-04-07 | 成都数之联科技股份有限公司 | 一种玻璃板裂纹检测方法、装置、设备及介质 |
CN116205919A (zh) * | 2023-05-05 | 2023-06-02 | 深圳市智宇精密五金塑胶有限公司 | 基于人工智能的五金零件生产质量检测方法及系统 |
CN116597225A (zh) * | 2023-05-30 | 2023-08-15 | 常州市升越模塑股份有限公司 | 一种镂空注塑件的拔模缺陷检测方法及系统 |
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 |
CN117351034A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市丰源升科技有限公司 | 一种钙钛矿电池激光划线方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099330A1 (en) * | 2000-02-05 | 2003-05-29 | Domingo Mery | Method for automatically detecting casting defects in a test piece |
CN110264447A (zh) * | 2019-05-30 | 2019-09-20 | 浙江省北大信息技术高等研究院 | 一种注塑件的表面缺陷检测方法、装置、设备和存储介质 |
CN113936000A (zh) * | 2021-12-16 | 2022-01-14 | 武汉欧易塑胶包装有限公司 | 基于图像处理的注塑件波流痕识别方法 |
-
2022
- 2022-09-13 CN CN202211107379.7A patent/CN115187602A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099330A1 (en) * | 2000-02-05 | 2003-05-29 | Domingo Mery | Method for automatically detecting casting defects in a test piece |
CN110264447A (zh) * | 2019-05-30 | 2019-09-20 | 浙江省北大信息技术高等研究院 | 一种注塑件的表面缺陷检测方法、装置、设备和存储介质 |
CN113936000A (zh) * | 2021-12-16 | 2022-01-14 | 武汉欧易塑胶包装有限公司 | 基于图像处理的注塑件波流痕识别方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578389A (zh) * | 2022-12-08 | 2023-01-06 | 青岛澳芯瑞能半导体科技有限公司 | 一种沟槽mos器件的缺陷检测方法 |
CN115937212A (zh) * | 2023-02-08 | 2023-04-07 | 成都数之联科技股份有限公司 | 一种玻璃板裂纹检测方法、装置、设备及介质 |
CN116205919A (zh) * | 2023-05-05 | 2023-06-02 | 深圳市智宇精密五金塑胶有限公司 | 基于人工智能的五金零件生产质量检测方法及系统 |
CN116205919B (zh) * | 2023-05-05 | 2023-06-30 | 深圳市智宇精密五金塑胶有限公司 | 基于人工智能的五金零件生产质量检测方法及系统 |
CN116597225A (zh) * | 2023-05-30 | 2023-08-15 | 常州市升越模塑股份有限公司 | 一种镂空注塑件的拔模缺陷检测方法及系统 |
CN116597225B (zh) * | 2023-05-30 | 2023-11-03 | 常州市升越模塑股份有限公司 | 一种镂空注塑件的拔模缺陷检测方法及系统 |
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 |
CN117351034A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市丰源升科技有限公司 | 一种钙钛矿电池激光划线方法及系统 |
CN117351034B (zh) * | 2023-12-04 | 2024-02-13 | 深圳市丰源升科技有限公司 | 一种钙钛矿电池激光划线方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115187602A (zh) | 基于图像处理的注塑件缺陷检测方法及系统 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN109146948B (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN116188496B (zh) | 基于土地利用类型的遥感影像自适应分割方法 | |
CN115830022B (zh) | 基于机器视觉的过滤机滤网缺陷检测方法 | |
CN101853333A (zh) | 医疗机器人导航定位图像中的标记拾取方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN117392469B (zh) | 基于机器视觉的钙钛矿电池表面涂膜检测方法及系统 | |
CN108961307B (zh) | 基于核相关滤波跟踪的圆形目标尺度自适应跟踪方法 | |
CN115578389A (zh) | 一种沟槽mos器件的缺陷检测方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN117291924B (zh) | 基于机器视觉的主机电源外观质量检测方法 | |
CN114882043B (zh) | 基于图像处理的注塑件缺陷定位方法及系统 | |
CN117496359B (zh) | 基于三维点云的植物种植布局监测方法及系统 | |
CN116703251A (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN117911408B (zh) | 一种道路路面施工质量检测方法及系统 | |
CN116309577A (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN113326925A (zh) | 基于密度图回归的卷积神经网络的花量统计方法、系统、设备及介质 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
CN109359653A (zh) | 一种棉花叶部粘连病斑图像分割方法和系统 | |
CN116503462A (zh) | 一种圆形斑点圆心快速提取方法及系统 | |
CN117611563A (zh) | 一种基于图像处理的塑胶模具生产缺陷检测方法 | |
CN111868783B (zh) | 基于边界提取的区域合并图像分割算法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 |
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 |