CN115222735B - 一种基于麻点缺陷的金属模具质量检测方法 - Google Patents

一种基于麻点缺陷的金属模具质量检测方法 Download PDF

Info

Publication number
CN115222735B
CN115222735B CN202211140172.XA CN202211140172A CN115222735B CN 115222735 B CN115222735 B CN 115222735B CN 202211140172 A CN202211140172 A CN 202211140172A CN 115222735 B CN115222735 B CN 115222735B
Authority
CN
China
Prior art keywords
image area
image
value
pockmark
gray
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
Application number
CN202211140172.XA
Other languages
English (en)
Other versions
CN115222735A (zh
Inventor
顾圣强
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.)
Zuocheng Jiangsu New Material Technology Co ltd
Original Assignee
Zuocheng Jiangsu New Material 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 Zuocheng Jiangsu New Material Technology Co ltd filed Critical Zuocheng Jiangsu New Material Technology Co ltd
Priority to CN202211140172.XA priority Critical patent/CN115222735B/zh
Publication of CN115222735A publication Critical patent/CN115222735A/zh
Application granted granted Critical
Publication of CN115222735B publication Critical patent/CN115222735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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

本发明涉及一种基于麻点缺陷的金属模具质量检测方法，包括以下步骤：获取金属模具图像，将获取金属模具图像转化为灰度图；对灰度图进行均匀划分得到多个图像区域，获取图像区域的亮度值；根据亮度值及灰度值计算每个图像区域的粗糙度值；根据亮度值、粗糙度值及亮度最大值计算每个图像区域的中心像素点为麻点缺陷的概率；确定所有像素点中为麻点缺陷的麻点像素点；根据麻点像素点的八邻域内其他麻点像素点的个数，对金属模具的质量判断。本发明方法精确确定每个金属模具上的麻点缺陷位置，提高金属模具上麻点缺陷的判断效率，进而提高金属模具的质量检测的准确率及效率，实用性强，值得推广。

Description

一种基于麻点缺陷的金属模具质量检测方法
技术领域
本发明涉及人工智能领域，具体涉及一种基于麻点缺陷的金属模具质量检测方法。
背景技术
麻点缺陷常见于金属表面，其主要以较小的凹坑或凸起的形式存在，而金属模具是用来成型产品的工具，在金属模具生产过程中，由于金属模具的凹模和凸模面上的粗糙度要求较高，当金属模具上存在麻点缺陷，会导致制作成型的产品表面同样出现麻点缺陷，进而导致产品质量不过关，在金属模具出厂前检测到麻点缺陷，金属模具会直接报废，因此，需要对金属模具的质量检测。
在对于金属模具上的麻点缺陷检测时，目前，常用的方法是人工检查或通过图像处理阈值分割的方式来检测金属表面的缺陷，然而人工检查受环境干扰较大，存在漏检误检的可能性大，阈值分割的方式又无法消除光照影响，准确率较低，因此，需要一种基于麻点缺陷的金属模具质量检测方法。
发明内容
本发明提供一种基于麻点缺陷的金属模具质量检测方法，以解决现有的问题。
本发明的一种基于麻点缺陷的金属模具质量检测方法采用如下技术方案：该方法包括：
获取金属模具图像，将金属模具图像转化为灰度图；
对灰度图进行均匀划分得到多个图像区域，获取每个图像区域的亮度值，得到所有图像区域的亮度值中的亮度最大值；
获取每个图像区域内所有像素点的灰度值，根据每个图像区域的亮度值及该图像区域内所有像素点的灰度值计算每个图像区域的粗糙度值；
根据每个图像区域的亮度值、粗糙度值及亮度最大值，计算每个图像区域的中心像素点为麻点缺陷的概率；
根据麻点缺陷的概率及预设的概率阈值，确定所有像素点中为麻点缺陷的麻点像素点；
获取每个麻点像素点的八邻域内存在其他麻点像素点的个数，若不存在其他麻点像素点，则金属模具的质量合格，反之，则金属模具质量不合格。
优选地，获取金属模具图像，将金属模具图像转化为灰度图的步骤包括：
采集原始模具图像；
利用DNN语义分割对原始模具图像进行分割，获得金属模具图像和背景图像，其中，网络的任务是分类，所以使用的loss函数为交叉熵损失函数；
将金属模具图像转化为灰度图。
优选地，获取每个图像区域的亮度值的步骤包括：
获取每个图像区域的灰度直方图；
将每个灰度直方图中的峰值所对应的灰度值作为图像区域的亮度值.
优选地，根据每个图像区域的亮度值及该图像区域内所有像素点的灰度值计算每个图像区域的粗糙度值值的步骤包括：
根据下式（1）计算每个图像区域的粗糙度值：
Figure 175945DEST_PATH_IMAGE001
（1）
其中，
Figure 906135DEST_PATH_IMAGE002
表示第
Figure 748189DEST_PATH_IMAGE003
个图像区域的粗糙度值；
Figure 753186DEST_PATH_IMAGE004
表示第
Figure 629875DEST_PATH_IMAGE003
个图像区域的灰度波动值；
Figure 999807DEST_PATH_IMAGE005
表示第
Figure 1261DEST_PATH_IMAGE003
个图像区域内第
Figure 262478DEST_PATH_IMAGE006
个像素点的权重；
Figure 744406DEST_PATH_IMAGE007
表示图像区域内第
Figure 800087DEST_PATH_IMAGE006
个像素点的灰度值与图像区域的亮度值的差值；
Figure 101887DEST_PATH_IMAGE008
表示图像区域大小；
Figure 901215DEST_PATH_IMAGE009
表示第
Figure 34388DEST_PATH_IMAGE003
个图像区域内第
Figure 526549DEST_PATH_IMAGE006
个像素点的灰度值。
优选地，获取第
Figure 315644DEST_PATH_IMAGE003
个图像区域的灰度波动值
Figure 325189DEST_PATH_IMAGE004
的步骤包括：
获取每个图像区域内所有像素点的灰度值中的最大值和最小值；
当图像区域的中心像素点的灰度值越接近图像区域的亮度值时，所述中心像素点的灰度值与亮度值的差值即为图像区域的灰度波动值
Figure 30976DEST_PATH_IMAGE004
；
当图像区域的中心像素点的灰度值越接近图像区域中灰度值的最大值或最小值时，所述图像区域中灰度值的极差即为图像区域的灰度波动值
Figure 179192DEST_PATH_IMAGE004
。
优选地，获取第
Figure 704851DEST_PATH_IMAGE003
个图像区域内第
Figure 393453DEST_PATH_IMAGE006
个像素点的权重
Figure 953747DEST_PATH_IMAGE010
的步骤包括：
根据下式（2）计算每个图像区域的像素点的权重：
Figure 272864DEST_PATH_IMAGE011
（2）
其中，
Figure 285820DEST_PATH_IMAGE012
表示第
Figure 902746DEST_PATH_IMAGE013
个图像区域内第
Figure 68279DEST_PATH_IMAGE014
个像素点的权重；
Figure 73144DEST_PATH_IMAGE015
表示第
Figure 335847DEST_PATH_IMAGE013
个图像区域内第
Figure 553201DEST_PATH_IMAGE014
个像素点到图像区域的中心像素点的欧式距离；
Figure 838820DEST_PATH_IMAGE016
表示区域内所有像素点到区域中心像素点距离的方差，
Figure 14587DEST_PATH_IMAGE017
；其中，
Figure 549604DEST_PATH_IMAGE018
为区域大小，
Figure 836229DEST_PATH_IMAGE019
表示图像区域内第
Figure 710776DEST_PATH_IMAGE020
个像素点到图像区域的中心像素点的欧式距离；
Figure 791864DEST_PATH_IMAGE021
表示图像区域内第
Figure 938812DEST_PATH_IMAGE014
个像素点与图像区域的中心像素点的灰度值的差异度；
Figure 779860DEST_PATH_IMAGE022
表示第
Figure 758180DEST_PATH_IMAGE013
个图像区域内中心像素点的灰度值；
Figure 557640DEST_PATH_IMAGE023
表示第
Figure 519780DEST_PATH_IMAGE013
个图像区域中所有像素点灰度值的集合，
Figure 898940DEST_PATH_IMAGE024
。
优选地，计算每个图像区域的中心像素点为麻点缺陷的概率的步骤包括：
根据下式（3）计算每个图像区域的中心像素点为麻点缺陷的概率：
Figure 997346DEST_PATH_IMAGE025
（3）
其中，
Figure 170969DEST_PATH_IMAGE026
表示第
Figure 620405DEST_PATH_IMAGE013
个图像区域的粗糙度值；
Figure 724627DEST_PATH_IMAGE027
表示第
Figure 428272DEST_PATH_IMAGE013
个图像区域的亮度值；
Figure 22065DEST_PATH_IMAGE028
表示所有图像区域亮度值的集合；
Figure 443950DEST_PATH_IMAGE029
为图像区域中亮度值的亮度最大值；
Figure 679759DEST_PATH_IMAGE030
表示当图像区域的亮度值较大，则图像区域的粗糙度值基本保持不变，该粗糙度值作为图像区域的中心像素点为麻点缺陷的概率，当图像区域亮度值较小，则将图像区域粗糙度值扩大，将扩大之后的图像区域的粗糙度值作为麻点缺陷的概率；
Figure 503490DEST_PATH_IMAGE031
用于设置麻点缺陷概率的上限，最大为
Figure 330500DEST_PATH_IMAGE032
；若图像区域的中心像素点为麻点缺陷的概率越大，则该像素点越可能为麻点缺陷。
优选地，根据麻点缺陷的概率及预设的概率阈值，确定所有像素点中为麻点像素点的步骤包括：
设定概率阈值为
Figure 239682DEST_PATH_IMAGE033
，
Figure 13602DEST_PATH_IMAGE033
取0.9，像素点为麻点缺陷的概率为
Figure 426260DEST_PATH_IMAGE034
；
当
Figure 627435DEST_PATH_IMAGE035
，则该像素点是麻点缺陷；
当
Figure 23912DEST_PATH_IMAGE036
，则该像素点不是麻点缺陷；
获取所有
Figure 8049DEST_PATH_IMAGE035
的像素点，所述所有
Figure 55639DEST_PATH_IMAGE035
的像素点即为麻点像素点。
本发明的有益效果是：本发明的一种基于麻点缺陷的金属模具质量检测方法，通过对获取的金属模具图像进行处理得到灰度图，对灰度图进行均匀划分得到多个图像区域，获取每个图像区域的灰度直方图，根据直方图获取图像区域的计算每个图像区域的所有像素点的权重及图像区域的灰度波动值，从而获取不同图像区域的粗糙度值，根据图像区域的粗糙度值获取各图像区域中各像素点为麻点缺陷的概率，从而得到所有像素点中为麻点像素点，根据每个麻点像素点的八邻域内存在其他麻点像素点的个数对金属模具的质量进行评估，从而精确确定每个金属模具上的麻点缺陷位置，提高金属模具上麻点缺陷的判断效率，进而提高金属模具的质量检测的准确率及效率，实用性强，值得推广。
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为本发明的一种基于麻点缺陷的金属模具质量检测方法的实施例总体步骤的流程图。
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。
本发明的一种基于麻点缺陷的金属模具质量检测方法的实施例，如图1所示，该方法包括：
S1、获取金属模具图像，将金属模具图像转化为灰度图，具体的，在金属模具正上方放置相机拍摄像素的金属像；利用DNN语义分割对原始模具图像进行分割，需要分割的像素共分为2类，即对应位置像素属于背景类的标注为0，属于金属模具的标注为1,得到去除背景类像素得金属模具图像，其中，网络的任务是分类，所以使用的loss函数为交叉熵损失函数；将金属模具图像转化为灰度图。
S2、由于麻点缺陷为金属表面形成的较小的凹坑或凸起，在光线照射下，麻点缺陷的背光面较金属表面颜色深，麻点缺陷的向光面较金属表面颜色亮，但光照不均匀，导致图像部分图像区域较亮，部分图像区域较暗，麻点缺陷在较亮的图像区域较为明显，在较暗的图像区域不明显，因此，S21、对灰度图进行均匀划分得到多个图像区域，获取每个图像区域的灰度直方图，具体的，以灰度图上每个像素点为中心，构建一个
Figure 912868DEST_PATH_IMAGE018
（本方案
Figure 45909DEST_PATH_IMAGE037
）的窗口，灰度图中共有
Figure 912365DEST_PATH_IMAGE038
个像素点，则构建了
Figure 611199DEST_PATH_IMAGE038
个窗口，将图像划分为了
Figure 893190DEST_PATH_IMAGE038
个图像区域，每个图像区域内部光照不变，然后获取每个图像区域的灰度直方图；S22、将每个灰度直方图中的峰值所对应的灰度值作为图像区域的亮度值，得到所有图像区域的亮度值的集合，获取所述集合中亮度值的亮度最大值；具体的，由于在灰度直方图中，若图像区域内不存在麻点缺陷，则图像区域内像素点均为金属表面灰度，则灰度值集中分布，灰度值的分布曲线受噪声干扰呈现高斯分布的趋势；若图像区域内存在较小的麻点缺陷，则图像区域内像素点灰度值在噪声干扰下可能呈现偏态分布的趋势；若图像区域内包含一个完整的麻点缺陷，则图像区域内部像素点的灰度值在噪声干扰下同样呈现高斯分布的趋势，因此，无论图像区域的灰度值的分布曲线呈现高斯分布趋势或偏态分布的趋势，灰度直方图中集中分布的灰度值均表示金属表面灰度，因此，以灰度直方图中的峰值（即高斯分布或偏态分布的峰值）作为图像区域的亮度值，S23、具体的，对第
Figure 247948DEST_PATH_IMAGE013
个图像区域的灰度直方图进行高斯平滑处理，以平滑后的灰度直方图的峰值对应的灰度值作为第
Figure 918095DEST_PATH_IMAGE013
个图像区域的亮度值
Figure 674698DEST_PATH_IMAGE027
，同理，得到所有图像区域的亮度值的集合记为
Figure 139309DEST_PATH_IMAGE039
，其中，
Figure 246942DEST_PATH_IMAGE029
记为图像区域中亮度值的亮度最大值。
S3、由于图像区域的亮度值实际为金属表面灰度，麻点缺陷的背光面较金属表面颜色深，麻点缺陷的向光面较金属表面颜色亮，以图像区域的粗糙度值来表示图像区域的中心像素点为麻点缺陷的可能性，若图像区域的中心像素点灰度值与图像区域亮度差别越大，且图像区域中心像素点周围像素点灰度值与图像区域亮度差别也越大，则图像区域中心可能存在麻点缺陷，此时图像区域的粗糙度值较大，因此，先获取每个图像区域内所有像素点的灰度值，然后根据每个图像区域的亮度值及该图像区域内所有像素点的灰度值计算每个图像区域的粗糙度值。
具体的，根据下式（1）计算每个图像区域的粗糙度值：
Figure 189621DEST_PATH_IMAGE040
（1）
其中，
Figure 800731DEST_PATH_IMAGE026
表示第
Figure 623194DEST_PATH_IMAGE013
个图像区域的粗糙度值；
Figure 703276DEST_PATH_IMAGE041
表示第
Figure 964493DEST_PATH_IMAGE013
个图像区域的灰度波动值；
Figure 915263DEST_PATH_IMAGE012
表示第
Figure 502102DEST_PATH_IMAGE013
个图像区域内第
Figure 69481DEST_PATH_IMAGE014
个像素点的权重；
Figure 603230DEST_PATH_IMAGE042
表示图像区域内第
Figure 939665DEST_PATH_IMAGE014
个像素点的灰度值与图像区域的亮度值的差值；
Figure 228564DEST_PATH_IMAGE018
表示图像区域大小；
Figure 17659DEST_PATH_IMAGE043
表示第
Figure 355100DEST_PATH_IMAGE013
个图像区域内第
Figure 732991DEST_PATH_IMAGE014
个像素点的灰度值。
其中，获取第
Figure 881207DEST_PATH_IMAGE003
个图像区域的灰度波动值
Figure 672446DEST_PATH_IMAGE004
的步骤包括：
获取每个图像区域的中心像素点的灰度值、所有像素点的灰度值中的最大值和最小值及该图像区域的亮度：当图像区域的中心像素点的灰度值越接近图像区域的亮度值时，所述中心像素点的灰度值与亮度值的差值即为图像区域的灰度波动值；当图像区域的中心像素点的灰度值越接近图像区域中灰度值的最大值或最小值时，所述图像区域中灰度值的极差即为图像区域的灰度波动值；具体的，根据下式（4）计算图像区域的灰度波动值：
Figure 298730DEST_PATH_IMAGE044
（4）
其中，
Figure 124604DEST_PATH_IMAGE041
表示图像区域的灰度波动值；
Figure 178141DEST_PATH_IMAGE045
表示每个图像区域内所有像素点的灰度值中的最大值；
Figure 456676DEST_PATH_IMAGE046
每个图像区域内所有像素点的灰度值中的最小值；
Figure 152231DEST_PATH_IMAGE027
表示第
Figure 363769DEST_PATH_IMAGE013
个图像区域的亮度值；
Figure 119367DEST_PATH_IMAGE022
表示第
Figure 354039DEST_PATH_IMAGE013
个图像区域的中心像素点的灰度值。
具体的，获取第
Figure 509077DEST_PATH_IMAGE003
个图像区域内第
Figure 794696DEST_PATH_IMAGE006
个像素点的权重
Figure 439304DEST_PATH_IMAGE010
的步骤包括：根据下式（2）计算每个图像区域的像素点的权重：
Figure 177584DEST_PATH_IMAGE011
（2）
其中，
Figure 464209DEST_PATH_IMAGE012
表示第
Figure 616053DEST_PATH_IMAGE013
个图像区域内第
Figure 759458DEST_PATH_IMAGE014
个像素点的权重；
Figure 985034DEST_PATH_IMAGE015
表示第
Figure 544192DEST_PATH_IMAGE013
个图像区域内第
Figure 538824DEST_PATH_IMAGE014
个像素点到图像区域的中心像素点的欧式距离；
Figure 728496DEST_PATH_IMAGE016
表示区域内所有像素点到区域中心像素点距离的方差，
Figure 690636DEST_PATH_IMAGE017
；其中，
Figure 804217DEST_PATH_IMAGE018
为区域大小，
Figure 699361DEST_PATH_IMAGE019
表示图像区域内第个像素点到图像区域的中心像素点的欧式距离；
Figure 138563DEST_PATH_IMAGE021
表示图像区域内第
Figure 587999DEST_PATH_IMAGE014
个像素点与图像区域的中心像素点的灰度值的差异度；
Figure 239691DEST_PATH_IMAGE022
表示第
Figure 458183DEST_PATH_IMAGE013
个图像区域内中心像素点的灰度值；
Figure 68287DEST_PATH_IMAGE023
表示第
Figure 739440DEST_PATH_IMAGE013
个图像区域中所有像素点灰度值的集合，
Figure 725982DEST_PATH_IMAGE024
。
S4、根据每个图像区域的亮度值、粗糙度值及亮度最大值，计算每个图像区域的中心像素点为麻点缺陷的概率。
具体的，根据下式（3）计算每个图像区域的中心像素点为麻点缺陷的概率：
Figure 471084DEST_PATH_IMAGE025
（3）
其中，
Figure 501357DEST_PATH_IMAGE026
表示第
Figure 144959DEST_PATH_IMAGE013
个图像区域的粗糙度值；
Figure 653301DEST_PATH_IMAGE027
表示第
Figure 597117DEST_PATH_IMAGE013
个图像区域的亮度值；表示所有图像区域亮度值的集合；
Figure 595029DEST_PATH_IMAGE029
为图像区域中亮度值的亮度最大值；
Figure 725927DEST_PATH_IMAGE030
表示当图像区域的亮度值较大，则图像区域的粗糙度值基本保持不变，粗糙度值作为图像区域的中心像素点为麻点缺陷的概率，当图像区域亮度值较小，则将图像区域粗糙度值扩大，将扩大之后的图像区域的粗糙度值作为麻点缺陷的概率；
Figure 37960DEST_PATH_IMAGE031
用于设置麻点缺陷概率的上限，最大为
Figure 836282DEST_PATH_IMAGE032
；若图像区域的中心像素点为麻点缺陷的概率越大，则该像素点越可能为麻点缺陷。
S5、根据麻点缺陷的概率及预设的概率阈值，确定所有像素点中为麻点像素点；具体的，设定概率阈值为
Figure 880462DEST_PATH_IMAGE033
，
Figure 747924DEST_PATH_IMAGE033
取0.9，像素点为麻点缺陷的概率为
Figure 614380DEST_PATH_IMAGE034
；当
Figure 313214DEST_PATH_IMAGE035
，则该像素点是麻点缺陷；当
Figure 341344DEST_PATH_IMAGE036
，则该像素点不是麻点缺陷；获取所有
Figure 368206DEST_PATH_IMAGE035
的像素点，所述所有
Figure 22041DEST_PATH_IMAGE035
的像素点即为麻点像素点。
S6、获取每个麻点像素点的八邻域内存在其他麻点像素点的个数，若不存在其他麻点像素点，则金属模具的质量合格，反之，则金属模具质量不合格，具体的，获取每个麻点像素点的八邻域内存在其他麻点像素点的个数，对所有
Figure 529377DEST_PATH_IMAGE035
的像素点进行标记；则将此些麻点像素点标记为同一个麻点缺陷，得到
Figure 39993DEST_PATH_IMAGE047
个标记，即
Figure 898359DEST_PATH_IMAGE047
个麻点缺陷，每个麻点缺陷分别包含
Figure 355885DEST_PATH_IMAGE048
个像素点；若
Figure 440429DEST_PATH_IMAGE049
，则不存在麻点缺陷，金属模具的质量合格，若
Figure 262892DEST_PATH_IMAGE050
，则存在麻点缺陷，此时金属模具质量不合格。
综上所述，本发明提供一种基于麻点缺陷的金属模具质量检测方法，通过对获取的金属模具图像进行处理得到灰度图，对灰度图进行均匀划分得到多个图像区域，获取每个图像区域的灰度直方图，根据直方图获取图像区域的计算每个图像区域的所有像素点的权重及图像区域的灰度波动值，从而获取不同图像区域的粗糙度值，根据图像区域的粗糙度值获取各图像区域中各像素点为麻点缺陷的概率，从而得到所有像素点中为麻点像素点，根据每个麻点像素点的八邻域内存在其他麻点像素点的个数对金属模具的质量进行评估，从而精确确定每个金属模具上的麻点缺陷位置，提高金属模具上麻点缺陷的判断效率，进而提高金属模具的质量检测的准确率及效率，实用性强，值得推广。
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 (8)

1.一种基于麻点缺陷的金属模具质量检测方法，其特征在于，该方法包括：
获取金属模具图像，将金属模具图像转化为灰度图；
对灰度图进行均匀划分得到多个图像区域，获取每个图像区域的亮度值，得到所有图像区域的亮度值中的亮度最大值；
获取每个图像区域内所有像素点的灰度值，根据每个图像区域的亮度值及该图像区域内所有像素点的灰度值计算每个图像区域的粗糙度值；
根据每个图像区域的亮度值、粗糙度值及亮度最大值，计算每个图像区域的中心像素点为麻点缺陷的概率；
根据麻点缺陷的概率及预设的概率阈值，确定所有像素点中为麻点缺陷的麻点像素点；
获取每个麻点像素点的八邻域内存在其他麻点像素点的个数，若不存在其他麻点像素点，则金属模具的质量合格，反之，则金属模具质量不合格。
2.根据权利要求1所述的一种基于麻点缺陷的金属模具质量检测方法，其特征在于，获取金属模具图像，将金属模具图像转化为灰度图的步骤包括：
采集原始模具图像；
利用DNN语义分割对原始模具图像进行分割，获得金属模具图像和背景图像，其中，网络的任务是分类，所以使用的loss函数为交叉熵损失函数；
将金属模具图像转化为灰度图。
3.根据权利要求1所述的一种基于麻点缺陷的金属模具质量检测方法，其特征在于，获取每个图像区域的亮度值的步骤包括：
获取每个图像区域的灰度直方图；
将每个灰度直方图中的峰值所对应的灰度值作为图像区域的亮度值。
4.根据权利要求1所述的一种基于麻点缺陷的金属模具质量检测方法，其特征在于，根据每个图像区域的亮度值及该图像区域内所有像素点的灰度值计算每个图像区域的粗糙度值的步骤包括：
根据下式（1）计算每个图像区域的粗糙度值：
Figure 677096DEST_PATH_IMAGE001
（1）
其中，
Figure 407155DEST_PATH_IMAGE002
表示第
Figure 623503DEST_PATH_IMAGE003
个图像区域的粗糙度值；
Figure 554550DEST_PATH_IMAGE004
表示第
Figure 105617DEST_PATH_IMAGE003
个图像区域的灰度波动值；
Figure 921258DEST_PATH_IMAGE005
表示第
Figure 241381DEST_PATH_IMAGE003
个图像区域内第
Figure 953116DEST_PATH_IMAGE006
个像素点的权重；
Figure 257058DEST_PATH_IMAGE007
表示图像区域内第
Figure 345231DEST_PATH_IMAGE006
个像素点的灰度值与图像区域的亮度值的差值；
Figure 785440DEST_PATH_IMAGE008
表示图像区域大小；
Figure 58289DEST_PATH_IMAGE009
表示第
Figure 69102DEST_PATH_IMAGE003
个图像区域内第
Figure 475812DEST_PATH_IMAGE006
个像素点的灰度值。
5.根据权利要求4所述的一种基于麻点缺陷的金属模具质量检测方法，其特征在于，获取第
Figure 786839DEST_PATH_IMAGE003
个图像区域的灰度波动值
Figure 89644DEST_PATH_IMAGE004
的步骤包括：
获取每个图像区域内所有像素点的灰度值中的最大值和最小值；
当图像区域的中心像素点的灰度值越接近图像区域的亮度值时，所述中心像素点的灰度值与亮度值的差值即为图像区域的灰度波动值
Figure 853332DEST_PATH_IMAGE004
；
当图像区域的中心像素点的灰度值越接近图像区域中灰度值的最大值或最小值时，所述图像区域中灰度值的极差即为图像区域的灰度波动值
Figure 798154DEST_PATH_IMAGE004
。
6.根据权利要求4所述的一种基于麻点缺陷的金属模具质量检测方法，其特征在于，获取第
Figure 822742DEST_PATH_IMAGE003
个图像区域内第
Figure 47181DEST_PATH_IMAGE006
个像素点的权重
Figure 281853DEST_PATH_IMAGE010
的步骤包括：
根据下式（2）计算每个图像区域的像素点的权重：
Figure 515520DEST_PATH_IMAGE011
（2）
其中，
Figure 129035DEST_PATH_IMAGE012
表示第
Figure 304801DEST_PATH_IMAGE013
个图像区域内第
Figure 765783DEST_PATH_IMAGE014
个像素点的权重；
Figure 786829DEST_PATH_IMAGE015
表示第个图像区域内第
Figure 786009DEST_PATH_IMAGE014
个像素点到图像区域的中心像素点的欧式距离；
Figure 617830DEST_PATH_IMAGE016
表示区域内所有像素点到区域中心像素点距离的方差，
Figure 561515DEST_PATH_IMAGE017
；其中，
Figure 136984DEST_PATH_IMAGE018
为区域大小，
Figure 380884DEST_PATH_IMAGE019
表示图像区域内第
Figure 508240DEST_PATH_IMAGE020
个像素点到图像区域的中心像素点的欧式距离；
Figure 221112DEST_PATH_IMAGE021
表示图像区域内第
Figure 583960DEST_PATH_IMAGE014
个像素点与图像区域的中心像素点的灰度值的差异度；
Figure 167519DEST_PATH_IMAGE022
表示第
Figure 590410DEST_PATH_IMAGE013
个图像区域内中心像素点的灰度值；
Figure 524999DEST_PATH_IMAGE023
表示第
Figure 566905DEST_PATH_IMAGE013
个图像区域中所有像素点灰度值的集合，
Figure 519817DEST_PATH_IMAGE024
。
7.根据权利要求1所述的一种基于麻点缺陷的金属模具质量检测方法，其特征在于，计算每个图像区域的中心像素点为麻点缺陷的概率的步骤包括：
根据下式（3）计算每个图像区域的中心像素点为麻点缺陷的概率：
Figure 864342DEST_PATH_IMAGE025
（3）
其中，
Figure 879703DEST_PATH_IMAGE026
表示第
Figure 318774DEST_PATH_IMAGE013
个图像区域的粗糙度值；
Figure 876926DEST_PATH_IMAGE027
表示第
Figure 907199DEST_PATH_IMAGE013
个图像区域的亮度值；
Figure 409855DEST_PATH_IMAGE028
表示所有图像区域亮度值的集合；
Figure 668929DEST_PATH_IMAGE029
为图像区域中亮度值的亮度最大值；
Figure 596434DEST_PATH_IMAGE030
表示当图像区域的亮度值较大，则图像区域的粗糙度值基本保持不变，该粗糙度值作为图像区域的中心像素点为麻点缺陷的概率，当图像区域亮度值较小，则将图像区域粗糙度值扩大，将扩大之后的图像区域的粗糙度值作为麻点缺陷的概率；
Figure 407395DEST_PATH_IMAGE031
用于设置麻点缺陷概率的上限，最大为
Figure 272714DEST_PATH_IMAGE032
；若图像区域的中心像素点为麻点缺陷的概率越大，则该像素点越可能为麻点缺陷。
8.根据权利要求1所述的一种基于麻点缺陷的金属模具质量检测方法，其特征在于，根据麻点缺陷的概率及预设的概率阈值，确定所有像素点中为麻点像素点的步骤包括：
设定概率阈值为
Figure 584747DEST_PATH_IMAGE033
，
Figure 129209DEST_PATH_IMAGE033
取0.9，像素点为麻点缺陷的概率为
Figure 501285DEST_PATH_IMAGE034
；
当
Figure 978534DEST_PATH_IMAGE035
，则该像素点是麻点缺陷；
当
Figure 579410DEST_PATH_IMAGE036
，则该像素点不是麻点缺陷；
获取所有
Figure 215928DEST_PATH_IMAGE035
的像素点，所述所有
Figure 509637DEST_PATH_IMAGE035
的像素点即为麻点像素点。
CN202211140172.XA 2022-09-20 2022-09-20 一种基于麻点缺陷的金属模具质量检测方法 Active CN115222735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211140172.XA CN115222735B (zh) 2022-09-20 2022-09-20 一种基于麻点缺陷的金属模具质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211140172.XA CN115222735B (zh) 2022-09-20 2022-09-20 一种基于麻点缺陷的金属模具质量检测方法

Publications (2)

Publication Number Publication Date
CN115222735A CN115222735A (zh) 2022-10-21
CN115222735B true CN115222735B (zh) 2022-12-27

Family

ID=83617510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211140172.XA Active CN115222735B (zh) 2022-09-20 2022-09-20 一种基于麻点缺陷的金属模具质量检测方法

Country Status (1)

Country Link
CN (1) CN115222735B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117237355B (zh) * 2023-11-15 2024-02-02 宁波快马加鞭科技有限公司 基于图像特征的保温杯表面缺陷检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109596530A (zh) * 2018-11-13 2019-04-09 浙江大学 光学表面麻点和灰尘缺陷分类的暗场偏振成像装置和方法
CN114359276A (zh) * 2022-03-17 2022-04-15 武汉海明亮科技发展有限公司 基于麻点缺陷的钢模下料优选方案获取方法
CN114708325A (zh) * 2022-03-31 2022-07-05 南通华烨塑料工业有限公司 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4562126B2 (ja) * 2004-09-29 2010-10-13 大日本スクリーン製造株式会社 欠陥検出装置および欠陥検出方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109596530A (zh) * 2018-11-13 2019-04-09 浙江大学 光学表面麻点和灰尘缺陷分类的暗场偏振成像装置和方法
CN114359276A (zh) * 2022-03-17 2022-04-15 武汉海明亮科技发展有限公司 基于麻点缺陷的钢模下料优选方案获取方法
CN114708325A (zh) * 2022-03-31 2022-07-05 南通华烨塑料工业有限公司 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于灰度―游程累加的皮革缺陷自动检测;于彩香等;《皮革与化工》;20081225(第06期);第42-44页 *

Also Published As

Publication number Publication date
CN115222735A (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN115311270B (zh) 一种塑料制品表面缺陷检测方法
CN115439481B (zh) 基于图像处理的除氧器焊接质量检测方法
CN114913365A (zh) 基于机器视觉的人造板质量分类方法及系统
CN116758061A (zh) 基于计算机视觉的铸件表面缺陷检测方法
CN109215009B (zh) 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法
CN116912261B (zh) 一种塑料模具注塑表面缺陷检测方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN116777916B (zh) 基于泵机金属外壳的缺陷检测方法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN110189297B (zh) 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法
CN115578389A (zh) 一种沟槽mos器件的缺陷检测方法
CN115147409A (zh) 基于机器视觉的手机壳生产品质检测方法
CN115546203B (zh) 基于图像数据算法的生产监测分析方法
CN116630304B (zh) 一种基于人工智能的锂电池模具加工检测方法及系统
CN115222735B (zh) 一种基于麻点缺陷的金属模具质量检测方法
CN117095009B (zh) 一种基于图像处理的pvc装饰板缺陷检测方法
CN114581692B (zh) 一种基于智能图形识别的防振锤故障检测方法及系统
CN116934740B (zh) 基于图像处理的塑料模具表面缺陷分析检测方法
CN115100191A (zh) 基于工业检测的金属铸件缺陷识别方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN116934761B (zh) 一种乳胶手套缺陷自适应检测方法
CN115797361B (zh) 一种铝模板表面缺陷检测方法
CN116152234B (zh) 基于图像处理的模板端面缺陷识别方法
CN117152180A (zh) 基于人工智能的矿物铸件缺陷检测方法
CN115018792A (zh) 基于计算机视觉技术的拉深件起皱检测方法

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