CN115294410B - 一种基于图形识别的塑料制品成型控制方法 - Google Patents
一种基于图形识别的塑料制品成型控制方法 Download PDFInfo
- Publication number
- CN115294410B CN115294410B CN202211220122.2A CN202211220122A CN115294410B CN 115294410 B CN115294410 B CN 115294410B CN 202211220122 A CN202211220122 A CN 202211220122A CN 115294410 B CN115294410 B CN 115294410B
- Authority
- CN
- China
- Prior art keywords
- pixel
- defect
- gray
- initial
- pixel point
- 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
- 239000004033 plastic Substances 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000000465 moulding Methods 0.000 title claims abstract description 29
- 238000003909 pattern recognition Methods 0.000 title claims abstract description 15
- 230000007547 defect Effects 0.000 claims abstract description 166
- 230000006378 damage Effects 0.000 claims abstract description 26
- 238000002347 injection Methods 0.000 claims abstract description 22
- 239000007924 injection Substances 0.000 claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 230000002950 deficient Effects 0.000 claims description 51
- 230000011218 segmentation Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 208000027418 Wounds and injury Diseases 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 21
- 239000000155 melt Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000001746 injection moulding Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229920001169 thermoplastic Polymers 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于图形识别的塑料制品成型控制方法。该方法是一种应用电子设备进行识别的方法,利用生产领域人工智能系统完成塑料制品成型控制。首先利用相机获取塑料制品的表面图像,对目标图像进行数据处理得到目标缺陷像素点;对目标缺陷像素点进行进一步数据处理得到熔接痕缺陷连通域和对应的损伤程度,根据当前塑料制品表面的损伤程度,调整注射压力。本发明根据熔接痕的图形特征,计算熔接痕对塑料制品力学性能的损伤程度,进而调整注射压力,实现塑料制品的高质量成型控制。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于图形识别的塑料制品成型控制方法。
背景技术
塑料制品具有质量轻、强度高、绝缘、良好的耐腐蚀性和化学稳定性等优点,因此其被广泛的应用于社会生产生活的多个领域,给人们带来了许多便利。而热塑性塑料的成型方式有很多种,其大部分塑料制品采用注塑工艺加工成型。由于当前的注塑加工阶段还存在一些不足,制造出的塑料制品可能存在缺陷,故成型过程中对缺陷的控制和在使用过程中对缺陷的检测对塑料制品应用于生产生活具有重要的意义。
注塑过程中最常见的缺陷为熔接痕缺陷,其是塑料制品表面的一种线状痕迹,是由注射或挤出中两股或两股以上流料在模具中分流汇合,熔体在界面处未完全熔合,彼此不能熔接为一体,在熔体汇合处的制品表面上造成熔合印迹。熔接痕区域的力学性能远低于塑料件的其他区域,是整个塑料件中薄弱的环节,会降低塑料制件的力学性能,造成注塑制品损坏。其可通过提高注射压力大,使注射速度加快,在形成痕区域的熔体还未降温时,便已经汇合,能有效的提高熔接痕的力学强度。因此需要先识别塑料制品表面的熔接痕缺陷,对其进行量化处理,进而调整注射压力,实现塑料制品的高质量成型控制。
然而塑料制品表面上的熔接痕往往十分微小,不易识别,传统的缺陷识别方法易造成误分,且运算量大,影响设备注射压力的调整,进而影响成型质量。
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形识别的塑料制品成型控制方法,所采用的技术方案具体如下:
获取生产线上的塑料制品的表面图像;预处理表面图像,得到目标图像;
根据目标图像中像素点的灰度值对像素点进行多次迭代分类,得到多个初始缺陷像素类别和初始正常像素类别;基于初始缺陷像素类别内像素点的灰度值对像素点进行再次分类,得到第一正常像素点类别和第一缺陷像素点类别,第一正常像素点类别内像素点数量和第一缺陷像素点类别内像素点数量之比作为缺陷占比;基于缺陷占比,从多个初始缺陷像素类别中筛选出待定缺陷像素类别;获取待定缺陷像素类别和对应的初始正常像素类别的灰度直方图,得到最佳灰度级分割阈值;小于最佳灰度分割阈值的像素点作为待定缺陷像素点,获取目标图像中对应的待定缺陷像素点的灰度均值和非待定缺陷像素点的灰度均值的灰度差异,当灰度差异大于预设灰度差异时,将待定缺陷像素点作为目标缺陷像素点;
基于目标缺陷像素点得到熔接痕缺陷连通域,计算熔接痕缺陷连通域的损伤程度;根据当前塑料制品表面的损伤程度,调整注射压力。
优选的,所述预处理表面图像,得到目标图像,包括:
语义分割识别表面图像中的塑料制品区域,得到感兴趣图像;灰度化感兴趣图像,将灰度化后的感兴趣图像进行高斯滤波,得到目标图像。
优选的,所述根据目标图像中像素点的灰度值对像素点进行多次迭代分类,得到多个初始缺陷像素类别和初始正常像素类别,包括:
统计目标图像中各像素点的灰度值,获得集合,其中n表示目标图像中像素点的总数量,计算集合/>中的数据均值为/>;
令像素灰度值的像素点的灰度值为,标记这些像素点为/>类;令像素灰度值/>的像素点的灰度值不变,标记这些像素点为/>类;获得新的像素灰度值集合/>,再计算该集合/>中的数据均值/>;重复上述操作直至被分为两类的像素点数量不再变化时停止,即/>时停止,其像素点分类的迭代次数为m;
获取的类像素点属于初始缺陷像素类别,获取的/>类像素点属于初始正常像素类别。
优选的,所述基于初始缺陷像素类别内像素点的灰度值对像素点进行再次分类,得到第一正常像素点类别和第一缺陷像素点类别,包括:
取图像中像素点分类后初始缺陷像素类别的灰度均值,统计初始缺陷像素类别中像素灰度值大于等于灰度均值/>的像素点数量为/>,这些像素点分至第一正常像素点类别,而初始缺陷像素类别中像素灰度值小于灰度均值/>的像素点数量为/>,这些像素点分至第一缺陷像素点类别。
优选的,所述基于缺陷占比,从多个初始缺陷像素类别中筛选出待定缺陷像素类别,包括:
由各初始缺陷像素类别对应的缺陷占比构成缺陷占比集合,缺陷占比集合中最接近于一的缺陷占比所对应的初始缺陷像素类别作为待定缺陷像素类别。
优选的,所述获取目标图像中对应的待定缺陷像素点的灰度均值和非待定缺陷像素点的灰度均值的灰度差异,包括:
计算待定缺陷像素点对应的灰度均值作为第一灰度均值;计算目标图像中除待定缺陷像素点外的非待定缺陷像素点的灰度均值作为第二灰度均值;第二灰度均值和第二灰度均值的差值,比上第二灰度均值作为灰度差异。
优选的,所述基于目标缺陷像素点得到熔接痕缺陷连通域,包括:
利用形态学开运算和填充运算获取目标缺陷像素点对应的熔接痕缺陷连通域。
优选的,所述计算熔接痕缺陷连通域的损伤程度,包括:
所述损伤程度的计算公式为:
其中, 为所述损伤程度;/>为第一调节权值;/>为第二调节权值;/>为第y个熔接痕缺陷连通域的长度;/>为第y个熔接痕缺陷连通域的宽度;/>为熔接痕缺陷连通域的数量。
本发明实施例至少具有如下有益效果:
1.根据熔接痕缺陷区域的像素灰度特征进行初步识别,令初步识别出的像素点中缺陷像素点和正常像素点的数量相似,提高算法的识别精度。
2.根据初步识别的像素点的灰度变化,减少Otsu算法中的阈值遍历次数,获取最大类间方差阈值,以减少算法计算量,提高运行速度。
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所提供的一种基于图形识别的塑料制品成型控制方法的方法流程图。
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一种基于图形识别的塑料制品成型控制方法,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。
本发明实施例提供了一种基于图形识别的塑料制品成型控制方法的具体实施方法,该方法适用于塑料制品成型控制检测场景。塑料制品表面上的熔接痕往往十分微小,不易识别,传统的缺陷识别方法易造成误分、运算量大。本发明通过处理采集的生产线上的塑料制品表面图像,根据熔接痕区域的像素灰度特征进行初步识别,令初步识别出的像素点中缺陷像素点和正常像素点的数量相似,提高算法的识别精度,进而对初步识别的像素点的灰度值进行线性拉伸,根据其灰度变换特征,减少Otsu算法中的阈值遍历次数,获取最大类间方差阈值,以减少算法计算量,提高运行速度。最后根据熔接痕的图形特征,计算熔接痕对塑料制品力学性能的损伤程度,进而调整注射压力,实现塑料制品的高质量成型控制。
下面结合附图具体的说明本发明所提供的一种基于图形识别的塑料制品成型控制方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图形识别的塑料制品成型控制方法的步骤流程图,该方法包括以下步骤:
步骤S100,获取生产线上的塑料制品的表面图像;预处理表面图像,得到目标图像。
已知熔接痕处于因模具结构造成熔体产生分支料流的平面上,因此根据模具结构和浇口,获取塑料制品表面会产生熔接痕的平面,利用机械臂调整塑料制品,使生产线上的相机俯视采集会产生熔接痕的平面。本方案利用LED灯进行照明,令采集的塑料制品的表面图像中光照均匀。预处理表面图像,得到目标图像,预处理表面图像的过程具体的:语义分割识别表面图像中的塑料制品区域,得到感兴趣图像;灰度化感兴趣图像,将灰度化后的感兴趣图像进行高斯滤波,得到目标图像。
本发明采用DNN语义分割的方式来识别分割表面图像中的目标。
该DNN网络的相关内容如下:
使用的数据集为俯视采集的生产线上的表面图像数据集。需要分割的像素,共分为2类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于同一平面的塑料制品表面的标注为1。网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
至此,通过DNN网络实现了生产线上塑料制品的表面图像的处理,获得表面图像中属于同一平面的塑料制品表面的连通域信息,得到只含有塑料制品表面的感兴趣图像。对感兴趣图像做灰度化处理,然后利用高斯滤波进行噪声的滤除,得到目标图像。
步骤S200,根据目标图像中像素点的灰度值对像素点进行多次迭代分类,得到多个初始缺陷像素类别和初始正常像素类别;基于初始缺陷像素类别内像素点的灰度值对像素点进行再次分类,得到第一正常像素点类别和第一缺陷像素点类别,第一正常像素点类别内像素点数量和第一缺陷像素点类别内像素点数量之比作为缺陷占比;基于缺陷占比,从多个初始缺陷像素类别中筛选出待定缺陷像素类别;获取待定缺陷像素类别和对应的初始正常像素类别的灰度直方图,得到最佳灰度级分割阈值;小于最佳灰度分割阈值的像素点作为待定缺陷像素点,获取目标图像中对应的待定缺陷像素点的灰度均值和非待定缺陷像素点的灰度均值的灰度差异,当灰度差异大于预设灰度差异时,将待定缺陷像素点作为目标缺陷像素点。
利用一种改进的Otsu算法精准、快速的识别熔接痕缺陷像素点,进而根据熔接痕对塑料制品力学性能的损伤程度,调整注射压力,实现塑料制品的高质量成型控制。先根据熔接痕区域的像素灰度特征进行初步识别,令初步识别出的像素点中缺陷像素点和正常像素点的数量相似,提高算法的识别精度,进而对初步识别的像素点的灰度值进行线性拉伸,根据其灰度变换特征,减少Otsu算法中的阈值遍历次数,获取最大类间方差阈值,以减少算法计算量,提高运行速度。最后根据熔接痕的图形特征,计算熔接痕对塑料制品力学性能的损伤程度,进而调整注射压力,实现塑料制品的高质量成型控制。
本发明实现塑料制品的高质量成型控制的过程为:(1)通过一种改进0tsu算法精准、快速的识别熔接痕缺陷像素点。(2)根据熔接痕的图形特征,计算熔接痕对塑料制品力学性能的损伤程度,进而调整注射压力,实现塑料制品的高质量成型控制。
以下为通过一种改进0tsu算法精准、快速的识别熔接痕缺陷像素点的具体展开:
逻辑为传统的Otsu算法当图像中目标区域和背景区域面积相差不大时,其能够有效的对图像进行分割,但当目标区域和背景区域的大小比例悬殊或者目标区域和背景区域的像素灰度值有较大重叠时,阈值分割的效果很差,大概率造成误分。因此需要对图像进行预处理,令目标区域和背景区域的面积处于相似状态,再进行灰度拉伸,提高目标区域和背景区域的灰度差异。
首先,根据目标图像中像素点的灰度值对像素点进行多次迭代分类,得到多个初始缺陷像素类别和初始正常像素类别,具体的:统计目标图像中各像素点的灰度值,获得集合,其中n表示目标图像中像素点的总数量,计算集合/>中的数据均值为/>。由于熔接痕缺陷区域的像素灰度值小于正常区域的像素灰度值,且熔接痕区域面积较小,因此像素灰度均值/>趋近于正常像素点的灰度值,故像素灰度值大于等于/>的像素点,必为正常像素点,而像素灰度值小于/>的像素点,其含有部分正常像素点和全部的缺陷像素点,且由于熔接痕微小,该部分像素点中正常像素点的数量依然远大于缺陷像素点的数量。令像素灰度值/>的像素点的灰度值为/>,标记这些像素点为/>类。令像素灰度值的像素点的灰度值不变,标记这些像素点为/>类;获得新的像素灰度值集合/>,再计算该集合/>中的数据均值/>。重复上述操作直至被分为两类的像素点数量不再变化时停止,即/>时停止,其像素点分类的迭代次数为m。获取的/>类像素点属于初始缺陷像素类别,获取的/>类像素点属于初始正常像素类别。
逻辑为由于熔接痕缺陷区域的像素灰度值小于正常区域的像素灰度值,根据求取均值的特性,像素灰度均值会逐渐的接近缺陷区域的像素灰度值,但像素灰度均值永远大于缺陷区域的像素灰度值。
因此最后获取的类像素点含有全部的缺陷像素点和一些灰度值较小的正常像素点。取图像中像素点分类后初始缺陷像素类别的灰度均值/>,统计初始缺陷像素类别中像素灰度值大于等于/>的像素点数量为/>,这些像素点可粗略的认为是正常像素点,这些像素点分至第一正常像素点类别;而像素灰度值小于/>的像素点数量为/>,这些像素点可粗略的认为是缺陷像素点,这些像素点分至第一缺陷像素点类别。
第一正常像素点类别内像素点数量和第一缺陷像素点类别内像素点数量之比作为缺陷占比。由此获取分类后的类像素点中第一正常像素点类别和第一缺陷像素点类别的缺陷占比。
该缺陷占比的公式为:
其中,表示第一正常像素点类别内像素点数量,/>第一缺陷像素点类别内像素点数量。
同理获取像素点各迭代次数分类后类中正常像素点和缺陷像素点的数量比C,获得集合/>,其中m表示像素点分类的迭代次数。
逻辑为使用Otsu算法对图像进行分割时,图像中目标区域和背景区域面积越相似,分割的效果越好。故基于缺陷占比,从多个初始缺陷像素类别中筛选出待定缺陷像素类别,具体的:由各初始缺陷像素类别对应的缺陷占比构成缺陷占比集合,缺陷占比集合中最接近于一的缺陷占比所对应的初始缺陷像素类别作为待定缺陷像素类别。也即取集合中最接近于1的数据值/>,然后取第x次像素点分类时的/>类像素点。此时该类内的像素点中正常像素点的数量与缺陷像素点的数量相似,但两类像素点的灰度值差异较小,故统计此时该类内的像素点的灰度直方图,对其进行直接线性拉伸,使灰度直方图中像素灰度级的范围为[0,255]。由此令缺陷区域和正常区域的像素灰度值的差异变大。
然后利用标准的Otsu算法求取最佳分割阈值,其为公知技术,计算公式如下:
其中,t为遍历阈值在灰度直方图上的像素灰度级的范围[1,255]内逐灰度级遍历,表示类间方差,/>和/>分别表示阈值分割的第一类和第二类内的灰度均值,和/> 分别表示阈值分割的第一类和第二类内像素点数量占总数的比例。
逻辑为标准的Otsu算法中最大类内方差的求取,使用穷举法,令阈值t逐灰度级变化,算法运算量大、运行时间长。本方案中令灰度直方图中缺陷区域和正常区域的像素点数量相似,且提高了两类像素点灰度值的差异。故标准的Otsu算法公式中和的值,随着灰度阈值t从小到大的遍历,其值逐渐变大至中间部分后逐渐减小。
进一步的,获取待定缺陷像素类别和对应的初始正常像素类别的灰度直方图,得到最佳灰度级分割阈值;小于最佳灰度分割阈值的像素点作为待定缺陷像素点,获取目标图像中对应的待定缺陷像素点的灰度均值和非待定缺陷像素点的灰度均值的灰度差异,当灰度差异大于预设灰度差异时,将待定缺陷像素点作为目标缺陷像素点,具体的:
因此该灰度直方图上,随着灰度阈值t从小到大的遍历,其类间方差的变化为先逐渐增大到该灰度直方图上的缺陷区域波峰和正常区域波峰之间的波谷处时达到最大,此处便是最佳分割阈值处,然后类间方差/>的值逐渐减小。故类间方差/>的变化符合开口向下的抛物线的变化规律。分别计算t={25,50,75,100,125,150,175,200}时的类间方差的值,然后对这组数据进行开口向下的抛物线拟合,取抛物线顶点的横坐标值,即类间方差/>最大时对应的t值为灰度直方图上的理想分割阈值T。令该灰度直方图中像素灰度值小于T的像素点为熔接痕缺陷像素点,然后将这些缺陷像素点的灰度值根据上述的拉伸方式进行收缩,使其返回原始像素灰度值,进而根据像素灰度值映射至原始塑料制品表面灰度图像上。
由于不管塑料制品的表面图像中是否有缺陷,Otsu算法必会对图像进行分割,因此需要进一步分析上述识别的熔接痕缺陷像素点为真正的缺陷像素点。
进一步的,计算待定缺陷像素点对应的灰度均值作为第一灰度均值;计算目标图像中除待定缺陷像素点外的非待定缺陷像素点的灰度均值作为第二灰度均值;第二灰度均值和第二灰度均值的差值,比上第二灰度均值作为灰度差异。
取10张正常的塑料制品表面图像,利用上述方式识别缺陷像素点,计算缺陷像素点的灰度均值和正常像素点的灰度均值/>,计算每张正常的塑料制品表面图像的灰度差异E为:
其中,为缺陷像素点的灰度均值,/>为正常像素点的灰度均值,两者差异越大,识别的缺陷像素点为真正缺陷像素点的概率越大。
获取当前表面图像对应的灰度差异,当灰度差异/>大于预设灰度差异时,将待定缺陷像素点作为目标缺陷像素点。在本发明实施例中预设灰度差异为/>,其中,/>为10张正常的塑料制品表面图像对应的差异均值E的均值。
当灰度差异小于等于预设灰度差异时,认为分割出的待定缺陷像素点为正常像素点,认为该塑料制品的表面图像中不存在缺陷。
步骤S300,基于目标缺陷像素点得到熔接痕缺陷连通域,计算熔接痕缺陷连通域的损伤程度;根据当前塑料制品表面的损伤程度,调整注射压力。
最后利用形态学开运算和填充运算获取塑料制品表面图像内目标缺陷像素点对应的熔接痕缺陷连通域。
本方案中只需计算少量的类内方差进行抛物线拟合,获取最佳分割阈值,极大的减小了算法的运算时间。且由于分割的像素点中缺陷像素点和正常像素点的数量相似,因此极大的提高了分割的准确率。
本发明实现塑料制品的高质量成型控制的过程为:(1)通过一种改进0tsu算法精准、快速的识别熔接痕缺陷像素点。(2)根据熔接痕的图形特征,计算熔接痕对塑料制品力学性能的损伤程度,进而调整注射压力,实现塑料制品的高质量成型控制。
以下为根据熔接痕的图形特征,计算熔接痕对塑料制品力学性能的损伤程度,进而调整注射压力,实现塑料制品的高质量成型控制的具体展开:
在获取当前塑料制品表面上所有熔接痕缺陷连通域后,统计其数量为F。对各连通域进行形态学细化操作,令其宽度为单像素点。由此获得各线状熔接痕的长度L,再利用熔接痕缺陷连通域的面积除以其对应长度,获取各线状熔接痕的宽度K。
由于塑料制品表面上熔接痕的长度受模具结构的影响,而其宽度是由熔体汇合的效果造成的,故熔接痕的宽度,对其力学性能影响更大。故当前塑料制品的表面图像的熔接痕缺陷区域对塑料制品力学性能的损伤程度G的计算公式为:
其中,为所述损伤程度;/>为第一调节权值;/>为第二调节权值;/>为第y个熔接痕缺陷连通域的长度;/>为第y个熔接痕缺陷连通域的宽度;/>为熔接痕缺陷连通域的数量。
在本发明实施例中第一调节权值的取值为0.3,第二调节权值为,在其他实施例中实施者可根据实际情况调整该取值。
已知可通过提高注射压力大,使注射速度加快,在形成痕区域的熔体还未降温时,便已经汇合,能有效的提高熔接痕的力学强度。故通过统计设备不同注射压力下,塑料制品表面的G值,获取注射压力与G值的相关函数,进而根据当前塑料制品表面的G值,调整注射压力,减小熔接痕对塑料制品力学性能的损伤程度G,提高塑料表面质量,实现塑料制品的高质量成型控制。
综上所述,本发明首先获取生产线上的塑料制品的表面图像;预处理表面图像,得到目标图像;根据目标图像中像素点的灰度值对像素点进行多次迭代分类,得到多个初始缺陷像素类别和初始正常像素类别;基于初始缺陷像素类别内像素点的灰度值对像素点进行再次分类,得到第一正常像素点类别和第一缺陷像素点类别,第一正常像素点类别内像素点数量和第一缺陷像素点类别内像素点数量之比作为缺陷占比;基于缺陷占比,从多个初始缺陷像素类别中筛选出待定缺陷像素类别;获取待定缺陷像素类别和对应的初始正常像素类别的灰度直方图,得到最佳灰度级分割阈值;小于最佳灰度分割阈值的像素点作为待定缺陷像素点,获取目标图像中对应的待定缺陷像素点的灰度均值和非待定缺陷像素点的灰度均值的灰度差异,当灰度差异大于预设灰度差异时,将待定缺陷像素点作为目标缺陷像素点;基于目标缺陷像素点得到熔接痕缺陷连通域,计算熔接痕缺陷连通域的损伤程度;根据当前塑料制品表面的损伤程度,调整注射压力。
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。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。
以上所述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 (5)
1.一种基于图形识别的塑料制品成型控制方法,其特征在于,该方法包括以下步骤:
获取生产线上的塑料制品的表面图像;预处理表面图像,得到目标图像;
根据目标图像中像素点的灰度值对像素点进行多次迭代分类,得到多个初始缺陷像素类别和初始正常像素类别;基于初始缺陷像素类别内像素点的灰度值对像素点进行再次分类,得到第一正常像素点类别和第一缺陷像素点类别,第一正常像素点类别内像素点数量和第一缺陷像素点类别内像素点数量之比作为缺陷占比;基于缺陷占比,从多个初始缺陷像素类别中筛选出待定缺陷像素类别;获取待定缺陷像素类别和对应的初始正常像素类别的灰度直方图,得到最佳灰度级分割阈值;小于最佳灰度分割阈值的像素点作为待定缺陷像素点,获取目标图像中对应的待定缺陷像素点的灰度均值和非待定缺陷像素点的灰度均值的灰度差异,当灰度差异大于预设灰度差异时,将待定缺陷像素点作为目标缺陷像素点;
所述根据目标图像中像素点的灰度值对像素点进行多次迭代分类,得到多个初始缺陷像素类别和初始正常像素类别,包括:
统计目标图像中各像素点的灰度值,获得集合,其中n表示目标图像中像素点的总数量,计算集合/>中的数据均值为/>;令像素灰度值/>的像素点的灰度值为/>,标记这些像素点为/>类;令像素灰度值/>的像素点的灰度值不变,标记这些像素点为/>类;获得新的像素灰度值集合/>,再计算该集合/>中的数据均值/>;重复上述操作直至被分为两类的像素点数量不再变化时停止,即/>时停止,其像素点分类的迭代次数为m;获取的/>类像素点属于初始缺陷像素类别,获取的/>类像素点属于初始正常像素类别;
所述基于初始缺陷像素类别内像素点的灰度值对像素点进行再次分类,得到第一正常像素点类别和第一缺陷像素点类别,包括:
取图像中像素点分类后初始缺陷像素类别的灰度均值,统计初始缺陷像素类别中像素灰度值大于等于灰度均值/>的像素点数量为/>,这些像素点分至第一正常像素点类别,而初始缺陷像素类别中像素灰度值小于灰度均值/>的像素点数量为/>,这些像素点分至第一缺陷像素点类别;
所述基于缺陷占比,从多个初始缺陷像素类别中筛选出待定缺陷像素类别,包括:
由各初始缺陷像素类别对应的缺陷占比构成缺陷占比集合,缺陷占比集合中最接近于一的缺陷占比所对应的初始缺陷像素类别作为待定缺陷像素类别;
所述得到最佳灰度级分割阈值,包括:
对所述灰度直方图进行直接线性拉伸,在线性拉伸后的灰度直方图上,分别计算若干灰度值的类间方差的值,然后对这组数据进行开口向下的抛物线拟合,取抛物线顶点的横坐标值,即类间方差/>最大时对应的t值为灰度直方图上的最佳灰度级分割阈值;
基于目标缺陷像素点得到熔接痕缺陷连通域,计算熔接痕缺陷连通域的损伤程度;根据当前塑料制品表面的损伤程度,调整注射压力。
2.根据权利要求1所述的一种基于图形识别的塑料制品成型控制方法,其特征在于,所述预处理表面图像,得到目标图像,包括:
语义分割识别表面图像中的塑料制品区域,得到感兴趣图像;灰度化感兴趣图像,将灰度化后的感兴趣图像进行高斯滤波,得到目标图像。
3.根据权利要求1所述的一种基于图形识别的塑料制品成型控制方法,其特征在于,所述获取目标图像中对应的待定缺陷像素点的灰度均值和非待定缺陷像素点的灰度均值的灰度差异,包括:
计算待定缺陷像素点对应的灰度均值作为第一灰度均值;计算目标图像中除待定缺陷像素点外的非待定缺陷像素点的灰度均值作为第二灰度均值;第二灰度均值和第二灰度均值的差值,比上第二灰度均值作为灰度差异。
4.根据权利要求1所述的一种基于图形识别的塑料制品成型控制方法,其特征在于,所述基于目标缺陷像素点得到熔接痕缺陷连通域,包括:
利用形态学开运算和填充运算获取目标缺陷像素点对应的熔接痕缺陷连通域。
5.根据权利要求1所述的一种基于图形识别的塑料制品成型控制方法,其特征在于,所述计算熔接痕缺陷连通域的损伤程度,包括:
所述损伤程度的计算公式为:
其中,为所述损伤程度;/>为第一调节权值;/>为第二调节权值;/>为第y个熔接痕缺陷连通域的长度;/>为第y个熔接痕缺陷连通域的宽度;/>为熔接痕缺陷连通域的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211220122.2A CN115294410B (zh) | 2022-10-08 | 2022-10-08 | 一种基于图形识别的塑料制品成型控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211220122.2A CN115294410B (zh) | 2022-10-08 | 2022-10-08 | 一种基于图形识别的塑料制品成型控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294410A CN115294410A (zh) | 2022-11-04 |
CN115294410B true CN115294410B (zh) | 2023-10-17 |
Family
ID=83833890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211220122.2A Active CN115294410B (zh) | 2022-10-08 | 2022-10-08 | 一种基于图形识别的塑料制品成型控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294410B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439481B (zh) * | 2022-11-09 | 2023-02-21 | 青岛平电锅炉辅机有限公司 | 基于图像处理的除氧器焊接质量检测方法 |
CN115601368B (zh) * | 2022-12-16 | 2023-05-16 | 山东天意高科技有限公司 | 一种建材装备钣金件缺陷检测方法 |
CN115861317B (zh) * | 2023-02-27 | 2023-04-28 | 深圳市伟利达精密塑胶模具有限公司 | 基于机器视觉的塑胶模具生产缺陷检测方法 |
CN116402827B (zh) * | 2023-06-09 | 2023-08-11 | 山东华禹威达机电科技有限公司 | 基于图像处理的采煤机用电缆夹板缺陷检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886919A (zh) * | 2019-01-14 | 2019-06-14 | 佛山市南海区广工大数控装备协同创新研究院 | 一种塑料胶管表面缺陷的检测方法及其系统 |
CN114882387A (zh) * | 2022-07-12 | 2022-08-09 | 江苏宝诺铸造有限公司 | 一种磨削工艺中轴承滚道撞伤识别及自动抛光定位方法 |
WO2022170706A1 (zh) * | 2021-02-09 | 2022-08-18 | 广东拓斯达科技股份有限公司 | 用于模具监视的缺陷检测方法、装置、设备及介质 |
CN114972356A (zh) * | 2022-08-03 | 2022-08-30 | 海门市腾飞橡塑厂 | 塑料制品表面缺陷检测识别方法及系统 |
CN115082683A (zh) * | 2022-08-22 | 2022-09-20 | 南通三信塑胶装备科技股份有限公司 | 一种基于图像处理的注塑缺陷检测方法 |
-
2022
- 2022-10-08 CN CN202211220122.2A patent/CN115294410B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886919A (zh) * | 2019-01-14 | 2019-06-14 | 佛山市南海区广工大数控装备协同创新研究院 | 一种塑料胶管表面缺陷的检测方法及其系统 |
WO2022170706A1 (zh) * | 2021-02-09 | 2022-08-18 | 广东拓斯达科技股份有限公司 | 用于模具监视的缺陷检测方法、装置、设备及介质 |
CN114882387A (zh) * | 2022-07-12 | 2022-08-09 | 江苏宝诺铸造有限公司 | 一种磨削工艺中轴承滚道撞伤识别及自动抛光定位方法 |
CN114972356A (zh) * | 2022-08-03 | 2022-08-30 | 海门市腾飞橡塑厂 | 塑料制品表面缺陷检测识别方法及系统 |
CN115082683A (zh) * | 2022-08-22 | 2022-09-20 | 南通三信塑胶装备科技股份有限公司 | 一种基于图像处理的注塑缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115294410A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294410B (zh) | 一种基于图形识别的塑料制品成型控制方法 | |
LU504271B1 (en) | Method for Defect Detection of LED Wick | |
Fan et al. | Automatic pavement crack detection based on structured prediction with the convolutional neural network | |
CN115861317B (zh) | 基于机器视觉的塑胶模具生产缺陷检测方法 | |
CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN109977808A (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN116703931B (zh) | 一种用于建筑高分子材料的表面银纹检测方法 | |
CN108596875B (zh) | 一种基于图像分割算法的半导体芯片溢料快速检测方法 | |
CN114187289B (zh) | 一种基于计算机视觉的塑料制品缩坑检测方法及系统 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
CN115239718B (zh) | 一种基于图像处理的塑料制品缺陷检测方法与系统 | |
CN116168003A (zh) | 基于人工智能的注塑件银纹缺陷检测方法及系统 | |
CN113205107A (zh) | 一种基于改进高效率网络的车型识别方法 | |
CN114897789B (zh) | 一种基于图像分割的烧结矿粒度检测方法及系统 | |
CN112949510A (zh) | 基于Faster R-CNN热红外影像人物探测方法 | |
CN113409335B (zh) | 基于强弱联合半监督直觉模糊聚类的图像分割方法 | |
CN115861308B (zh) | 一种元宝枫病害检测方法 | |
CN116945521B (zh) | 一种注塑件缺陷检测方法 | |
CN110232692B (zh) | 一种基于改进种子填充算法的电气设备热源区域分离方法 | |
Sheng et al. | A faster R-CNN based high-normalization sample calibration method for dense subway passenger flow detection | |
CN116468935A (zh) | 一种基于多核卷积网络的交通标志阶梯式分类识别方法 |
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 |