CN115330755A - 一种塑料制品的质量检测方法 - Google Patents

一种塑料制品的质量检测方法 Download PDF

Info

Publication number
CN115330755A
CN115330755A CN202211237351.5A CN202211237351A CN115330755A CN 115330755 A CN115330755 A CN 115330755A CN 202211237351 A CN202211237351 A CN 202211237351A CN 115330755 A CN115330755 A CN 115330755A
Authority
CN
China
Prior art keywords
gradient
value
pixel point
flow mark
ith
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
CN202211237351.5A
Other languages
English (en)
Inventor
杨凡
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.)
Nantong Zhishun Polyurethane Materials Co ltd
Original Assignee
Nantong Zhishun Polyurethane Materials 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 Zhishun Polyurethane Materials Co ltd filed Critical Nantong Zhishun Polyurethane Materials Co ltd
Priority to CN202211237351.5A priority Critical patent/CN115330755A/zh
Publication of CN115330755A publication Critical patent/CN115330755A/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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient 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
    • G06V10/70—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
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种塑料制品的质量检测方法。该方法对经由图像识别电子设备识别得到的塑料制品表面灰度图像进行数据获取，然后对获取的数据进行处理分析，侧重点是对获取数据后的数据处理方法进行改进，以各个像素点的梯度值的连续特征确定每个像素点属于流痕的可能性，从而完成对流痕像素点的筛选，以所筛选出的流痕像素点确定塑料制品表面流痕，完成质量检测，降低了因噪声所导致的塑料制品表面图像数据中的干扰数据对检测结果的影响，解决了以梯度检测方法检测塑料制品流痕缺陷时准确度不足的问题。

Description

一种塑料制品的质量检测方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种塑料制品的质量检测方法。
背景技术
流痕是塑料制品表面常见的缺陷之一，流痕缺陷常见于塑料制品厚度不均匀处和浇口处，在形成时大部分为以浇口为中心的圆状条形波纹。
现有技术大多采用梯度检测方法完成塑料制品的流痕检测，但采用梯度检测方法进行流痕判断，往往会受到如图像采集噪声等各种较为分散的干扰因素所引起的噪声干扰，从而导致采用梯度检测方法对塑料制品进行流痕检测时，所得检测结果并不够准确。
发明内容
本发明提供了一种塑料制品的质量检测方法，用以解决现有技术对塑料制品的流痕检测并不准确的问题，所采用的技术方案具体如下：
本发明的一种塑料制品的质量检测方法，包括以下步骤：
获取塑料制品表面灰度图像，确定灰度图像中各个像素点的梯度值；
以灰度图像中第i个像素点为中心点确定设定大小的滑窗，对滑窗内所有像素点的梯度值进行聚类，确定聚类结果中包含第i个像素点的梯度值的聚类类别，并将所确定的聚类类别中梯度值的取值范围作为第i个像素点的近似梯度范围；
将灰度图像中梯度值属于近似梯度范围内的像素点的灰度值置为1，其余像素点的灰度值置为0，得到第i个像素点的梯度范围二值图；
将不包含第i个像素点的梯度值的聚类类别中的，梯度值不属于第i个像素点的近似梯度范围的像素点作为其它像素点，确定其它像素点的梯度值范围，将灰度图像中梯度值属于其它像素点的梯度值范围的像素点的灰度值置为1，其余像素点的灰度值置为0，得到其它像素点的梯度范围二值图；
确定灰度图像中每个像素点的梯度范围二值图以及对应的其它像素点的梯度范围二值图，得到若干梯度范围二值图，确定第i个像素点的梯度范围二值图与其余各个梯度范围二值图之间的最大近似性，基于所得最大近似性确定第i个像素点属于流痕的表征值；
若第i个像素点属于流痕的表征值大于表征值阈值，则第i个像素点的梯度范围二值图中所有灰度值为1的像素点属于流痕像素点，以所有流痕像素点确定塑料制品表面流痕，完成塑料制品的质量检测。
本发明的有益效果为：
本发明通过获取各个像素点近似梯度值对应的近似分布，得到各个像素点属于流痕的可能性，将符合流痕特征的像素点筛选出来，进而通过所设置的流痕的可能性阈值，完成流痕检测。基于该种以各个像素点的梯度值的连续特征确定各个像素点属于流痕的可能性并确定出流痕像素点的方法，本发明降低了所获取的塑料制品表面图像数据中的干扰数据，提高了对塑料制品表面流痕缺陷检测的准确率。
进一步的，所述基于所得最大近似性确定第i个像素点属于流痕的表征值的方法为：
Figure 206716DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
为第i个像素点属于流痕的表征值，
Figure 152675DEST_PATH_IMAGE004
为第i个像素点的梯度值，
Figure 100002_DEST_PATH_IMAGE005
为第i个像素点对应所得二值图与其余所有梯度范围二值图的近似性的最大值，exp表示以自然常数e为底的指数函数，
Figure 559472DEST_PATH_IMAGE006
为第i个像素点的梯度值与第i个像素点的近似梯度范围中所有梯度值的均值之间的差值。
进一步的，所述设定大小的滑窗的大小为10*10，所述表征值阈值为100。
附图说明
图1是本发明该种塑料制品的质量检测方法的流程图。
具体实施方式
本发明的构思为：
本发明在获取塑料制品表面灰度图像的数据并确定灰度图像中各个像素点的梯度值后，通过各个像素点的梯度值的连续特征确定了各个像素点属于流痕的可能性，然后借助所设置的可能性阈值完成对流痕像素点的筛选，以所确定的流痕像素点识别塑料制品表面流痕，从而完成塑料制品的质量检测。
下面结合附图及实施例，对本发明的一种塑料制品的质量检测方法进行详细说明。
方法实施例：
本发明的一种塑料制品的质量检测方法实施例，其整体流程如图1所示，具体过程如下：
步骤一，获取塑料制品的表面灰度图像，对所获取的灰度图像数据进行处理确定灰度图像中各个像素点的梯度值。
采用相关电子设备，如工业相机以获取塑料制品的表面图像，并对所获取的表面图像数据以加权平均法进行灰度化处理，得到塑料制品表面灰度图像，当然，在其它实施例中也可以采用现有技术中的其它灰度化处理方法。
对所得塑料制品表面灰度图像的数据进行高斯滤波处理，然后利用Sobel算子对滤波处理后的塑料制品表面灰度图像数据进行处理，确定塑料制品表面灰度图像上各个像素点的梯度值。
步骤二，根据各个像素点的梯度值的连续特征，确定每个像素点属于流痕的可能性。
由于塑料制品上的流痕为连续波浪状，所以在流痕处会具有较高的连续梯度值。进而通过梯度值的连续特征，用来表述出部分属于流痕的像素点。
其中在进行流痕的连续性判断时，由于流痕形成的波浪纹也并非绝对一致的厚度，从而使得流痕会出现局部中断的可能，从而导致在进行流痕的连续特征提取时比较困难，所以本方案选用近似梯度下的周期性特征的近似性，用来获取得到属于流痕连续特征的各个像素对应流痕连续程度。
获取图像中第i个像素点的对应梯度值
Figure 528565DEST_PATH_IMAGE004
，在得到第i个像素点的梯度值后，建立10*10的滑窗，获取第i个像素点对应窗口内其余像素点的梯度值，进而得到与第i个像素点近似的梯度值，其中窗口的大小可由实施者根据具体实施场景进行调整，容易理解的是本实施例将滑窗大小设置为10*10仅是一种优选实施例。
通过对第i个像素点对应窗口内所有像素点的梯度值采用均值偏移聚类算法，将窗口内所有像素点梯度值近似的聚为一类，其中共得到j个类别，获取包含
Figure 355707DEST_PATH_IMAGE004
值的聚类类别，并确定包含
Figure 359435DEST_PATH_IMAGE004
值的聚类类别中最小梯度值
Figure DEST_PATH_IMAGE007
和最大梯度值
Figure 863098DEST_PATH_IMAGE008
，从而获取第i个像素点的近似梯度范围
Figure DEST_PATH_IMAGE009
。
将图像中像素点的梯度值属于梯度范围
Figure 726011DEST_PATH_IMAGE009
内的值都置为1，其余置为0，即可得到当前第i个像素点对应近似梯度范围内像素点分布的二值图像。
如果与第i个像素点对应的梯度范围二值图像位置相近，且二值图中在与第i个像素点相近的位置，二值图分布越近似，则越可能时连续的流痕，因为图像中的流痕虽然可能会断续，但是在具有明显流痕的特征处往往具有较高的梯度值特征，并且部分流痕处的梯度变化近似，所以需要获取下一个与第i个像素点坐标近似且不在第i个像素点的近似梯度范围
Figure 481478DEST_PATH_IMAGE009
内的所有像素点的梯度范围二值图。
其中下一个与第i个像素点坐标近似的且不在第i个像素点的近似梯度范围
Figure 464346DEST_PATH_IMAGE009
内像素点的梯度范围二值图的获取方式为：
获取不包含
Figure 279855DEST_PATH_IMAGE004
值的聚类类别中不属于近似梯度范围
Figure 98907DEST_PATH_IMAGE009
内的梯度值对应的像素点，并将其称为类别内的其它像素点，由于在第i个像素点的窗口内，所以与第i个像素点坐标近似，且梯度值不在第i个像素点的近似梯度范围
Figure 658064DEST_PATH_IMAGE009
内。所以获取类别内其它像素点的梯度值范围，得到类别内其它像素点对应的梯度范围二值图。依次类推，直至所有像素点都存在于不同的梯度范围二值图中。
最终，共得到k个不同的梯度范围二值图，获取其中一张梯度范围二值图与其梯度范围相邻的其它二值图之间的最大近似性，选用最大近似性，用于流痕判断，因为即使在存在流痕的图像中，也会存在流痕特征不明显的二值图，所以选用两张二值图中最大近似性，用于流痕判断。其中二值图的近似性在判断时，采用基于图模型的局部特征匹配方法，得到两个二值图的近似性。
如果两个二值图之间的近似性越大，则说明在不同梯度范围上，具有局部近似的连通域分布特征，则表示可能是由于流痕的局部连续分布造成，并且只有由于流痕是波浪状。只有流痕特征通过此方法才能够得到多个二值图之间具有高的局部近似值，图像采集噪声或者其他独立噪点，往往是分布无规律，且面积较小的。
进而得到第i个像素点属于流痕的表征值
Figure 574068DEST_PATH_IMAGE003
：
Figure 419533DEST_PATH_IMAGE002
其中，
Figure 850514DEST_PATH_IMAGE003
为第i个像素点属于流痕的表征值，
Figure 823149DEST_PATH_IMAGE004
为第i个像素点的梯度值，其值越大，表示在图像中越具有较大的灰度值变化，越有可能是噪声或者是流痕，
Figure 655976DEST_PATH_IMAGE005
为第i个像素点对应所得梯度范围二值图与其余所有梯度范围二值图的近似性的最大值，其值越大，表示这两张二值图在的坐标近似，且梯度分布近似，即
Figure 937922DEST_PATH_IMAGE005
的值越大，则第i个像素点属于流痕的可能性越高，exp表示以自然常数e为底的指数函数，
Figure 856199DEST_PATH_IMAGE006
为第i个像素点的梯度值与第i个像素点的近似梯度范围中所有梯度值的均值之间的差值，其
Figure 632525DEST_PATH_IMAGE006
值越大，表示第i个像素点的梯度值与其近似梯度范围的差异越大，则表示
Figure 54279DEST_PATH_IMAGE005
对应梯度范围二值图的近似结果不可信，所以设置负指数函数exp(-x)，使得
Figure 241547DEST_PATH_IMAGE006
的值越大，
Figure 381541DEST_PATH_IMAGE003
的值应当越低。
步骤三，根据各个像素点属于流痕的可能性，确定塑料制品表面上的流痕。
设定表征值阈值r，当第i个像素点属于流痕的表征值
Figure 961558DEST_PATH_IMAGE010
时，则认为当前第i个像素点对应的梯度范围内的二值图就是流痕特征识别结果，进而当当
Figure 503398DEST_PATH_IMAGE010
时，认为第i个像素点对应的梯度范围内的二值图就是塑料制品中的流痕所形成。本实施优选表征值阈值r= 100，实施者可根据具体实施场景对r进行调整并取其它值。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (3)

1.一种塑料制品的质量检测方法，其特征在于，包括以下步骤：
获取塑料制品表面灰度图像，确定灰度图像中各个像素点的梯度值；
以灰度图像中第i个像素点为中心点确定设定大小的滑窗，对滑窗内所有像素点的梯度值进行聚类，确定聚类结果中包含第i个像素点的梯度值的聚类类别，并将所确定的聚类类别中梯度值的取值范围作为第i个像素点的近似梯度范围；
将灰度图像中梯度值属于近似梯度范围内的像素点的灰度值置为1，其余像素点的灰度值置为0，得到第i个像素点的梯度范围二值图；
将不包含第i个像素点的梯度值的聚类类别中的，梯度值不属于第i个像素点的近似梯度范围的像素点作为其它像素点，确定其它像素点的梯度值范围，将灰度图像中梯度值属于其它像素点的梯度值范围的像素点的灰度值置为1，其余像素点的灰度值置为0，得到其它像素点的梯度范围二值图；
确定灰度图像中每个像素点的梯度范围二值图以及对应的其它像素点的梯度范围二值图，得到若干梯度范围二值图，确定第i个像素点的梯度范围二值图与其余各个梯度范围二值图之间的最大近似性，基于所得最大近似性确定第i个像素点属于流痕的表征值；
若第i个像素点属于流痕的表征值大于表征值阈值，则第i个像素点的梯度范围二值图中所有灰度值为1的像素点属于流痕像素点，以所有流痕像素点确定塑料制品表面流痕，完成塑料制品的质量检测。
2.根据权利要求1所述的塑料制品的质量检测方法，其特征在于，所述基于所得最大近似性确定第i个像素点属于流痕的表征值的方法为：
Figure 4925DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为第i个像素点属于流痕的表征值，
Figure 656486DEST_PATH_IMAGE004
为第i个像素点的梯度值，
Figure DEST_PATH_IMAGE005
为第i个像素点对应所得二值图与其余所有梯度范围二值图的近似性的最大值，exp表示以自然常数e为底的指数函数，
Figure 623174DEST_PATH_IMAGE006
为第i个像素点的梯度值与第i个像素点的近似梯度范围中所有梯度值的均值之间的差值。
3.根据权利要求1所述的塑料制品的质量检测方法，其特征在于，所述设定大小的滑窗的大小为10*10，所述表征值阈值为100。
CN202211237351.5A 2022-10-11 2022-10-11 一种塑料制品的质量检测方法 Pending CN115330755A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211237351.5A CN115330755A (zh) 2022-10-11 2022-10-11 一种塑料制品的质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211237351.5A CN115330755A (zh) 2022-10-11 2022-10-11 一种塑料制品的质量检测方法

Publications (1)

Publication Number Publication Date
CN115330755A true CN115330755A (zh) 2022-11-11

Family

ID=83914728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211237351.5A Pending CN115330755A (zh) 2022-10-11 2022-10-11 一种塑料制品的质量检测方法

Country Status (1)

Country Link
CN (1) CN115330755A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689428A (zh) * 2021-10-25 2021-11-23 江苏南通元辰钢结构制造有限公司 基于图像处理的机械零件应力腐蚀检测方法及系统
CN114445387A (zh) * 2022-01-29 2022-05-06 泗阳富艺木业股份有限公司 一种基于机器视觉的纤维板质量分类方法
CN114565614A (zh) * 2022-05-02 2022-05-31 武汉华塑亿美工贸有限公司 基于机器视觉的注塑件表面缺陷分析方法与系统
CN115082419A (zh) * 2022-07-14 2022-09-20 江苏诺阳家居科技有限公司 一种吹塑箱包生产缺陷检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689428A (zh) * 2021-10-25 2021-11-23 江苏南通元辰钢结构制造有限公司 基于图像处理的机械零件应力腐蚀检测方法及系统
CN114445387A (zh) * 2022-01-29 2022-05-06 泗阳富艺木业股份有限公司 一种基于机器视觉的纤维板质量分类方法
CN114565614A (zh) * 2022-05-02 2022-05-31 武汉华塑亿美工贸有限公司 基于机器视觉的注塑件表面缺陷分析方法与系统
CN115082419A (zh) * 2022-07-14 2022-09-20 江苏诺阳家居科技有限公司 一种吹塑箱包生产缺陷检测方法

Similar Documents

Publication Publication Date Title
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN115375676B (zh) 一种基于图像识别的不锈钢制品质量检测方法
CN115018828B (zh) 一种电子元器件的缺陷检测方法
CN115272346A (zh) 一种基于边缘检测的pcb板生产过程在线检测方法
CN109242853B (zh) 一种基于图像处理的pcb缺陷智能检测方法
CN115222733B (zh) 基于图像识别的金属构件表面缺陷检测方法
CN115829883A (zh) 一种异性金属结构件表面图像去噪方法
CN115147409B (zh) 基于机器视觉的手机壳生产品质检测方法
CN115345885A (zh) 一种金属健身器材外观质量检测方法
CN115775250B (zh) 基于数字图像分析的金手指电路板缺陷快速检测系统
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN112991305A (zh) 一种喷漆面板表面缺陷的视觉检测方法
CN116740054B (zh) 一种基于图像处理的舌象齿痕检测方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN115115638A (zh) 一种液压系统漏油检测及判定方法
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
CN112598647A (zh) 一种弧形面渐变背景下弱线缺陷的检测方法
CN115880248A (zh) 一种表面划痕缺陷识别方法及视觉检测设备
CN115272350A (zh) 一种计算机pcb主板生产质量检测方法
CN111429372A (zh) 一种增强低对比度图像边缘检测效果的方法
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN111062919B (zh) 一种轴承套圈外观缺陷检测方法

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