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 PDF

Info

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
Application number
CN202211107379.7A
Other languages
English (en)
Inventor
陆建彬
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.)
Jiangsu Junli Precision Manufacturing Technology Co ltd
Original Assignee
Jiangsu Junli Precision Manufacturing 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 Jiangsu Junli Precision Manufacturing Technology Co ltd filed Critical Jiangsu Junli Precision Manufacturing Technology Co ltd
Priority to CN202211107379.7A priority Critical patent/CN115187602A/zh
Publication of CN115187602A publication Critical patent/CN115187602A/zh
Pending legal-status Critical Current

Links

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

基于图像处理的注塑件缺陷检测方法及系统
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。
统计生成的对比度图像的直方图，基于此得到对比度的概率密度函数，获取概率密度等于预设概率密度时对应的对比度值，将该对比度值作为初始分割阈值
Figure 520095DEST_PATH_IMAGE001
。
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。
以第k个可能缺陷区域的主体部分所在的子区域作为第k个中心子区域，第k个可能缺陷区域的周围缺陷占比
Figure 255707DEST_PATH_IMAGE002
的计算方法为：
Figure 373836DEST_PATH_IMAGE003
其中，
Figure 442286DEST_PATH_IMAGE004
表示第k个中心子区域周围的第t个邻接子区域的中心点与该中心子区域的中心点之间的欧氏距离，
Figure 486203DEST_PATH_IMAGE005
表示第k个中心子区域周围的第t个邻接子区域的缺陷面积占比。
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。
获取第k个可能缺陷区域内坐标
Figure 7314DEST_PATH_IMAGE006
位置处的拟合灰度值
Figure 397975DEST_PATH_IMAGE007
，以及坐标
Figure 819467DEST_PATH_IMAGE006
处的实际灰度值
Figure 332488DEST_PATH_IMAGE008
，获取拟合灰度值和实际灰度值之间的差异
Figure 544158DEST_PATH_IMAGE009
，第k个可能缺陷区域的区域光照符合率
Figure 293503DEST_PATH_IMAGE010
的计算方法为：
Figure 70966DEST_PATH_IMAGE011
其中，
Figure 692571DEST_PATH_IMAGE012
表示第k个可能缺陷区域内像素点的数量，
Figure 188274DEST_PATH_IMAGE013
表示第k个可能缺陷区域的起始横坐标，
Figure 950432DEST_PATH_IMAGE014
表示第k个可能缺陷区域的终止横坐标，
Figure 785664DEST_PATH_IMAGE015
表示第k个可能缺陷区域的起始纵坐标，
Figure 342285DEST_PATH_IMAGE016
表示第k个可能缺陷区域的终止纵坐标。
需要说明的是，
Figure 59705DEST_PATH_IMAGE017
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
Figure 595860DEST_PATH_IMAGE010
呈负相关关系；同时利用周围缺陷占比
Figure 49713DEST_PATH_IMAGE002
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
Figure 341017DEST_PATH_IMAGE010
过低，周围缺陷占比
Figure 748995DEST_PATH_IMAGE002
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：
Figure 389973DEST_PATH_IMAGE018
其中，
Figure 199797DEST_PATH_IMAGE019
表示第k个可能缺陷区域外的第x个角度方向射线上坐标为
Figure 865265DEST_PATH_IMAGE020
处像素的像素光照符合率，
Figure 55813DEST_PATH_IMAGE021
表示
Figure 668191DEST_PATH_IMAGE020
处像素的实际灰度值，
Figure 394838DEST_PATH_IMAGE022
表示
Figure 464163DEST_PATH_IMAGE020
处像素的拟合灰度值。
以第k个可能缺陷区域内的区域光照符合率
Figure 846734DEST_PATH_IMAGE010
作为每条射线上的
Figure 590699DEST_PATH_IMAGE023
，通过计算可能缺陷区域外每条射线上像素点之间的斜率变化计算第k个可能缺陷区域的突变率
Figure 404809DEST_PATH_IMAGE024
：
Figure 412079DEST_PATH_IMAGE025
其中，X表示射线的条数；Y表示在可能缺陷区域外的每条射线上选取的像素点的数量，
Figure 281946DEST_PATH_IMAGE026
表示第k个可能缺陷区域外第x条射线上坐标为
Figure 548978DEST_PATH_IMAGE020
处的像素与边缘像素点构成的向量的斜率。
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。
第k个可能缺陷区域的内部同质性
Figure 984639DEST_PATH_IMAGE027
的计算方法为：
Figure 100493DEST_PATH_IMAGE028
其中，
Figure 18508DEST_PATH_IMAGE029
表示第k个可能缺陷区域中像素光照符合率的第s个等级，
Figure 41959DEST_PATH_IMAGE030
表示第s个等级的数量占比。
3.计算第k个可能缺陷区域的缺陷率
Figure 597706DEST_PATH_IMAGE031
：
Figure 179734DEST_PATH_IMAGE032
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。
在可能缺陷区域集合中选择出缺陷率
Figure 758614DEST_PATH_IMAGE033
的区域集合，将选择出集合划分为新的非缺陷区域集合。
作为一个示例，本发明实施例中
Figure 648073DEST_PATH_IMAGE034
取0.2。
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
Figure 963386DEST_PATH_IMAGE035
，
Figure 280097DEST_PATH_IMAGE036
表示缺陷区域对比度最小值，
Figure 346273DEST_PATH_IMAGE037
表示缺陷对比度最大值；非缺陷区域的对比度区间
Figure 278238DEST_PATH_IMAGE038
，
Figure 746260DEST_PATH_IMAGE039
表示非缺陷区域对比度最小值，
Figure 437135DEST_PATH_IMAGE040
表示非缺陷对比度最大值；以
Figure 285880DEST_PATH_IMAGE041
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
Figure 720404DEST_PATH_IMAGE042
。
获取更新后的可能缺陷区域的对比度均值
Figure 42932DEST_PATH_IMAGE043
，非缺陷区域的对比度均值
Figure 403244DEST_PATH_IMAGE044
，以
Figure 709591DEST_PATH_IMAGE043
代表更新后的可能缺陷区域的对比度，以
Figure 478964DEST_PATH_IMAGE044
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
Figure 951272DEST_PATH_IMAGE045
，进而计算调整阈值
Figure 718371DEST_PATH_IMAGE046
：
Figure 246435DEST_PATH_IMAGE047
其中，J表示对比度属于模糊区间的像素数量，Z表示整张注塑件图像中的像素点数量，
Figure 312175DEST_PATH_IMAGE048
表示模糊区间占比，该值越大说明模糊区间占差异长度的比例越大，两集合的分界越模糊。
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。
作为一个示例，本发明实施例中连续三次更新后的调整阈值变化不大时，获得准确阈值，具体的，当
Figure 609295DEST_PATH_IMAGE049
时，取
Figure 812874DEST_PATH_IMAGE050
作为准确阈值。其中，
Figure 857928DEST_PATH_IMAGE050
表示第w次调整后的调整阈值，
Figure 969104DEST_PATH_IMAGE051
表示分割精度。
作为一个示例，本发明实施例中
Figure 120731DEST_PATH_IMAGE051
取0.001。
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。
CN202211107379.7A 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 Pending CN115187602A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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