CN115861317B - 基于机器视觉的塑胶模具生产缺陷检测方法 - Google Patents
基于机器视觉的塑胶模具生产缺陷检测方法 Download PDFInfo
- Publication number
- CN115861317B CN115861317B CN202310166731.2A CN202310166731A CN115861317B CN 115861317 B CN115861317 B CN 115861317B CN 202310166731 A CN202310166731 A CN 202310166731A CN 115861317 B CN115861317 B CN 115861317B
- Authority
- CN
- China
- Prior art keywords
- target
- point
- seed point
- candidate seed
- determining
- 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
Images
Classifications
-
- 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
Landscapes
- Injection Moulding Of Plastics Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于机器视觉的塑胶模具生产缺陷检测方法,该方法包括:获取采用目标塑胶模具生产的待检测注塑产品的待检测表面图像;对待检测表面图像进行熔融塑料汇合点分析处理、缺陷识别和熔融塑料融合线位置特征分析处理;对每个候选种子点进行分布差异特征分析处理,从候选种子点集合中筛选出目标优选值最大的候选种子点;将位于初始缺陷区域内的目标汇合点确定为初始种子点;对初始缺陷区域进行区域生长分割,得到目标熔接痕缺陷区域和目标喷射纹缺陷区域。本发明通过对待检测表面图像进行数据处理,提高了对熔接痕缺陷区域和喷射纹缺陷区域分割的准确度。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于机器视觉的塑胶模具生产缺陷检测方法。
背景技术
塑胶模具是一种用于压塑、挤塑、注射、吹塑和低发泡成型的组合式塑料模具的简称。其中,注射模具又称注塑模具,是热塑性塑料件产品生产中应用较为普遍的一种成型模具。注塑成型是工业生产中的最主要的塑料成型方法之一,是塑料产品中较为重要、较具代表性、应用较为广泛的成型工艺,是现代制造的重要组成部分。在注塑成形过程中由于材料参数变化、注塑机性能的波动、工艺参数的不确定性、关键参数测量的滞后性以及环境等因素往往可能对注塑产品的质量产生干扰,往往导致生产出的注塑产品存在熔接痕缺陷与喷射纹缺陷。当注塑产品同时存在熔接痕缺陷与喷射纹缺陷时,由于熔接痕缺陷与喷射纹缺陷对注塑产品质量的影响程度不同,因此,对注塑产品进行缺陷检测时,往往需要对熔接痕缺陷区域与喷射纹缺陷区域进行分割。
目前,对熔接痕缺陷区域与喷射纹缺陷区域进行分割时,通常采用的方式为:采用人工的方式,从含有熔接痕缺陷与喷射纹缺陷的注塑产品图像中分割出熔接痕缺陷区域与喷射纹缺陷区域。当采用人工的方式,对熔接痕缺陷区域与喷射纹缺陷区域进行分割时,分割结果往往受到人为主观的影响,往往导致分割结果不准确。现有还存在一种对区域进行分割的方式为:通过大津阈值法,对图像进行区域分割。当采用大津阈值法,对含有熔接痕缺陷与喷射纹缺陷的注塑产品图像进行熔接痕缺陷区域与喷射纹缺陷区域分割时,由于熔接痕缺陷与喷射纹缺陷往往均位于熔融塑料的流动方向上,熔接痕缺陷区域与喷射纹缺陷区域可能相交,并且两者在图像上对应的灰度值往往相近,因此采用大津阈值法,对熔接痕缺陷区域与喷射纹缺陷区域进行分割时,往往导致对熔接痕缺陷区域和喷射纹缺陷区域分割的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对熔接痕缺陷区域和喷射纹缺陷区域分割的准确度低下的技术问题,本发明提出了基于机器视觉的塑胶模具生产缺陷检测方法。
本发明提供了基于机器视觉的塑胶模具生产缺陷检测方法,该方法包括:
获取采用目标塑胶模具生产的待检测注塑产品的待检测表面图像,其中,所述待检测表面图像上标注有所述目标塑胶模具包括的目标浇口集合中的每个目标浇口对应的目标位置和目标流动方向;
根据所述目标浇口集合中的各个目标浇口对应的目标位置和目标流动方向,对所述待检测表面图像进行熔融塑料汇合点分析处理,得到目标汇合点集合;
对所述待检测表面图像进行缺陷识别,得到初始缺陷区域;
当所述目标汇合点集合中存在位于所述初始缺陷区域内的目标汇合点时,将位于所述初始缺陷区域内的目标汇合点确定为初始种子点;
当所述目标汇合点集合中不存在位于所述初始缺陷区域内的目标汇合点时,根据所述目标汇合点集合,对所述待检测表面图像进行熔融塑料融合线位置特征分析处理,得到目标特征直线集合;
将所述目标特征直线集合与所述初始缺陷区域相交的像素点,确定为候选种子点,得到候选种子点集合;
对所述候选种子点集合中的每个候选种子点进行分布差异特征分析处理,确定所述候选种子点对应的目标优选值,并从所述候选种子点集合中筛选出目标优选值最大的候选种子点,作为初始种子点;
确定所述初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,并基于初始种子点和所述初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,对所述初始缺陷区域进行区域生长分割,得到目标熔接痕缺陷区域和目标喷射纹缺陷区域。
进一步地,所述根据所述目标浇口集合中的各个目标浇口对应的目标位置和目标流动方向,对所述待检测表面图像进行熔融塑料汇合点分析处理,得到目标汇合点集合,包括:
对于所述目标浇口集合中的每个目标浇口,将经过所述目标浇口对应的目标位置,并且方向与所述目标浇口对应的目标流动方向相同的直线,确定为所述目标浇口对应的目标直线,得到目标直线集合;
将所述目标直线集合中的各个目标直线的交点,确定为目标汇合点,得到目标汇合点集合。
进一步地,所述对所述待检测表面图像进行缺陷识别,包括:
确定所述待检测表面图像的灰度直方图,作为目标直方图;
获取所述目标直方图中的每个波峰对应的区间内像素点的数量,作为所述波峰对应的区间像素点数量,从所述目标直方图中筛选出区间像素点数量最多的波峰,作为大波峰,将所述目标直方图中除了所述大波峰之外的波峰对应的区间内的像素点,确定为候选像素点,得到候选像素点集合,将所述候选像素点集合在所述待检测表面图像中形成的区域,确定为初始缺陷区域。
进一步地,所述根据所述目标汇合点集合,对所述待检测表面图像进行熔融塑料融合线位置特征分析处理,包括:
对于所述目标汇合点集合中的每个目标汇合点,将以所述目标汇合点为交点的两个目标直线所形成的夹角,确定为目标夹角,将目标夹角的角平分线,确定为目标特征直线。
进一步地,所述对所述候选种子点集合中的每个候选种子点进行分布差异特征分析处理,确定所述候选种子点对应的目标优选值,包括:
从所述候选种子点集合中筛选出与所述候选种子点在同一个目标特征直线上,并且与所述候选种子点相邻的两个候选种子点,分别作为所述候选种子点对应的第一参考点和第二参考点;
根据所述候选种子点、所述候选种子点对应的第一参考点和第二参考点对应的灰度值,确定所述候选种子点对应的分布特征值;
确定所述初始缺陷区域内除了所述候选种子点集合之外的每个像素点对应的分布特征值;
确定所述初始缺陷区域内分布特征值与所述候选种子点对应的分布特征值相同的像素点的数量,作为所述候选种子点对应的特征数量;
确定所述候选种子点与所述目标汇合点集合中的每个目标汇合点之间的欧氏距离,得到所述候选种子点对应的欧氏距离集合;
从所述候选种子点对应的欧氏距离集合中筛选出最小的欧氏距离,作为所述候选种子点对应的第一距离;
从所述目标汇合点集合中筛选出距离所述候选种子点最近的目标汇合点,作为所述候选种子点对应的参考汇合点;
确定所述目标汇合点集合中的每个目标汇合点与所述初始缺陷区域内的每个像素点之间的欧式距离,作为目标欧氏距离,得到目标欧氏距离集合;
从所述目标欧氏距离集合中筛选出最大的目标欧氏距离,作为参考距离;
根据所述参考距离、所述候选种子点对应的参考汇合点对应的灰度值、所述候选种子点对应的特征数量、第一距离和灰度值,确定所述候选种子点对应的目标优选值。
进一步地,所述根据所述候选种子点、所述候选种子点对应的第一参考点和第二参考点对应的灰度值,确定所述候选种子点对应的分布特征值,包括:
将所述候选种子点对应的灰度值与所述候选种子点对应的第一参考点对应的灰度值的差值的绝对值,确定为所述候选种子点对应的第一差异;
将所述候选种子点对应的灰度值与所述候选种子点对应的第二参考点对应的灰度值的差值的绝对值,确定为所述候选种子点对应的第二差异;
将所述候选种子点对应的第一差异与第二差异的差值的绝对值,确定为所述候选种子点对应的第三差异;
对所述候选种子点对应的第三差异进行归一化,得到所述候选种子点对应的分布特征值。
进一步地,所述根据所述参考距离、所述候选种子点对应的参考汇合点对应的灰度值、所述候选种子点对应的特征数量、第一距离和灰度值,确定所述候选种子点对应的目标优选值,包括:
将所述候选种子点对应的第一距离与所述参考距离的比值,确定为所述候选种子点对应的第一距离比值;
对所述候选种子点对应的第一距离比值进行负相关映射并归一化,得到所述候选种子点对应的第一优选值;
将所述候选种子点对应的参考汇合点和所述候选种子点对应的灰度值的差值的绝对值,确定为所述候选种子点对应的第一参考差异;
对所述候选种子点对应的第一参考差异进行正相关映射,得到所述候选种子点对应的第二优选值;
将所述候选种子点对应的第一优选值、第二优选值和特征数量的乘积,确定为所述候选种子点对应的目标优选值。
进一步地,所述基于初始种子点和所述初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,对所述初始缺陷区域进行区域生长分割,得到目标熔接痕缺陷区域和目标喷射纹缺陷区域,包括:
根据初始种子点对应的预先设置的目标邻域内的每个像素点对应的灰度值和梯度方向角,确定所述像素点对应的目标灰度差异;
当初始种子点对应的目标邻域内的像素点对应的目标灰度差异小于预先设置的灰度差异阈值时,将像素点确定为种子点;
当种子点对应的目标邻域内存在待合并像素点时,确定待合并像素点对应的目标灰度差异,当待合并像素点对应的目标灰度差异小于灰度差异阈值时,将待合并像素点确定为种子点,重复种子点确定过程,直至种子点对应的目标邻域内不存在待合并像素点时,将得到的各个种子点所在的区域,确定为一个目标缺陷区域,将所述初始缺陷区域内除了种子点之外的像素点所在的区域,确定为另一个目标缺陷区域,其中,待合并像素点是所述初始缺陷区域内未被确定为种子点的像素点;
利用预先训练完成的缺陷类型识别网络,对得到的两个目标缺陷区域进行缺陷类型识别,得到目标熔接痕缺陷区域和目标喷射纹缺陷区域。
进一步地,所述根据初始种子点对应的预先设置的目标邻域内的每个像素点对应的灰度值和梯度方向角,确定所述像素点对应的目标灰度差异,包括:
将初始种子点与初始种子点对应的目标邻域内的每个像素点对应的灰度值的差值的绝对值,确定为所述像素点对应的第一灰度差异;
从初始种子点对应的目标邻域内的各个像素点对应的梯度方向角中筛选出最大和最小的梯度方向角,分别作为初始种子点对应的第一梯度方向角和第二梯度方向角;
对于初始种子点对应的目标邻域内的每个像素点,从所述像素点对应的目标邻域内的各个像素点对应的梯度方向角中筛选出最大和最小的梯度方向角,分别作为所述像素点对应的第一梯度方向角和第二梯度方向角;
对于初始种子点对应的目标邻域内的每个像素点,将初始种子点与所述像素点对应的第一梯度方向角的差值的绝对值,确定为所述像素点对应的第二灰度差异,将初始种子点与所述像素点对应的第二梯度方向角的差值的绝对值,确定为所述像素点对应的第三灰度差异,并将所述像素点对应的第二灰度差异和第三灰度差异的和,确定为所述像素点对应的第四灰度差异,对所述像素点对应的第四灰度差异进行归一化,得到所述像素点对应的第五灰度差异;
将所述像素点对应的第一灰度差异和第五灰度差异的乘积,确定为所述像素点对应的目标灰度差异。
本发明具有如下有益效果:
本发明的一种基于机器视觉的塑胶模具生产缺陷检测方法,通过对待检测表面图像进行数据处理,解决了对熔接痕缺陷区域和喷射纹缺陷区域分割的准确度低下的技术问题,提高了对熔接痕缺陷区域和喷射纹缺陷区域分割的准确度。首先,获取采用目标塑胶模具生产的待检测注塑产品的待检测表面图像,其中,上述待检测表面图像上标注有上述目标塑胶模具包括的目标浇口集合中的每个目标浇口对应的目标位置和目标流动方向。由于熔接痕缺陷与喷射纹缺陷往往均位于熔融塑料的流动方向上,因此获取目标浇口对应的目标位置和目标流动方向,可以便于后续确定熔接痕缺陷与喷射纹缺陷的位置。由于待检测表面图像中往往包含待检测注塑产品的表面信息,并且熔接痕缺陷与喷射纹缺陷属于表面缺陷,因此获取待检测表面图像,可以便于后续对熔接痕缺陷区域和喷射纹缺陷区域进行分割。接着,根据上述目标浇口集合中的各个目标浇口对应的目标位置和目标流动方向,对上述待检测表面图像进行熔融塑料汇合点分析处理,得到目标汇合点集合。一般来说,熔融塑料汇合点处往往容易产生熔接痕缺陷,因此对待检测表面图像进行熔融塑料汇合点分析处理,可以便于后续对熔接痕缺陷区域和喷射纹缺陷区域进行分割。然后,对上述待检测表面图像进行缺陷识别,得到初始缺陷区域。对待检测表面图像进行缺陷识别,可以初步提取出待检测表面图像中的缺陷区域,可以便于后续对初始缺陷区域进行熔接痕缺陷区域和喷射纹缺陷区域的分割。再者,当上述目标汇合点集合中存在位于上述初始缺陷区域内的目标汇合点时,将位于上述初始缺陷区域内的目标汇合点确定为初始种子点。继续,当上述目标汇合点集合中不存在位于上述初始缺陷区域内的目标汇合点时,根据上述目标汇合点集合,对上述待检测表面图像进行熔融塑料融合线位置特征分析处理,得到目标特征直线集合。由于熔融塑料的融合线往往位于两个目标浇口之间的熔融塑料的汇接处,并且熔融塑料往往在该融合线上进行融合,熔融塑料进行融合时,往往容易产生缺陷,因此,对待检测表面图像进行熔融塑料融合线位置特征分析处理,可以便于后续对熔接痕缺陷区域和喷射纹缺陷区域进行分割。之后,将上述目标特征直线集合与上述初始缺陷区域相交的像素点,确定为候选种子点,得到候选种子点集合。由于熔接痕缺陷与喷射纹缺陷往往可能位于目标特征直线上,所以目标特征直线集合与初始缺陷区域相交的像素点可能是熔接痕缺陷或喷射纹缺陷对应的像素点,因此,将其确定为候选种子点,可以提高候选种子点确定的准确度。而后,对上述候选种子点集合中的每个候选种子点进行分布差异特征分析处理,确定上述候选种子点对应的目标优选值,并从上述候选种子点集合中筛选出目标优选值最大的候选种子点,作为初始种子点。可以提高初始种子点确定的准确度。最后,确定上述初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,并基于初始种子点和上述初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,对上述初始缺陷区域进行区域生长分割,得到目标熔接痕缺陷区域和目标喷射纹缺陷区域。因此,本发明通过对待检测表面图像进行数据处理,综合考虑了目标浇口对应的目标位置、目标浇口处熔融塑料的流动方向、熔融塑料汇合点、熔融塑料融合线、初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,提高了初始种子点确定的准确度,进而提高了对熔接痕缺陷区域和喷射纹缺陷区域进行分割的准确度,并且可以使熔接痕缺陷区域和喷射纹缺陷区域的分割不受人为主观的影响。本发明相较于大津阈值法、将初始缺陷区域内的任意一点作为初始种子点后进行区域生长的方法,提高了对熔接痕缺陷区域和喷射纹缺陷区域进行分割的准确度。
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为根据本发明的基于机器视觉的塑胶模具生产缺陷检测方法的流程图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了基于机器视觉的塑胶模具生产缺陷检测方法,该方法包括以下步骤:
获取采用目标塑胶模具生产的待检测注塑产品的待检测表面图像;
根据目标浇口集合中的各个目标浇口对应的目标位置和目标流动方向,对待检测表面图像进行熔融塑料汇合点分析处理,得到目标汇合点集合;
对待检测表面图像进行缺陷识别,得到初始缺陷区域;
当目标汇合点集合中存在位于初始缺陷区域内的目标汇合点时,将位于初始缺陷区域内的目标汇合点确定为初始种子点;
当目标汇合点集合中不存在位于初始缺陷区域内的目标汇合点时,根据目标汇合点集合,对待检测表面图像进行熔融塑料融合线位置特征分析处理,得到目标特征直线集合;
将目标特征直线集合与初始缺陷区域相交的像素点,确定为候选种子点,得到候选种子点集合;
对候选种子点集合中的每个候选种子点进行分布差异特征分析处理,确定候选种子点对应的目标优选值,并从候选种子点集合中筛选出目标优选值最大的候选种子点,作为初始种子点;
确定初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,并基于初始种子点和初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,对初始缺陷区域进行区域生长分割,得到目标熔接痕缺陷区域和目标喷射纹缺陷区域。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的基于机器视觉的塑胶模具生产缺陷检测方法的一些实施例的流程。该基于机器视觉的塑胶模具生产缺陷检测方法,包括以下步骤:
步骤S1,获取采用目标塑胶模具生产的待检测注塑产品的待检测表面图像。
在一些实施例中,可以获取采用目标塑胶模具生产的待检测注塑产品的待检测表面图像。
其中,上述待检测表面图像上标注有上述目标塑胶模具包括的目标浇口集合中的每个目标浇口对应的目标位置和目标流动方向。目标塑胶模具可以是用于生产注塑产品的塑胶模具。例如,目标塑胶模具可以是注塑模具。待检测注塑产品可以是采用目标塑胶模具生产的注塑产品。注塑产品可以是注塑制品。待检测注塑产品可以是包含熔接痕缺陷与喷射纹缺陷的注塑产品。目标浇口集合中的目标浇口可以是目标塑胶模具上的浇口。待检测表面图像可以是待检测注塑产品表面的灰度图像。目标浇口对应的目标位置可以是生产待检测注塑产品时,位于该目标浇口的待检测注塑产品的部位对应在上述待检测表面图像中的位置。也就是说,在生产待检测注塑产品时,若待检测注塑产品的某个部位位于某个目标浇口,则该目标浇口对应的目标位置可以是该部位对应在待检测表面图像中的位置。目标浇口对应的目标流动方向可以是该目标浇口处熔融塑料的流动方向对应在上述待检测表面图像中的方向。熔融塑料可以是用于生产注塑产品的材料。
需要说明的是,熔接痕缺陷是由于注塑模具包括的浇口在进行注塑时,由于熔融塑料的温度、压力、速度等因素往往导致在材料在交汇处出现的缺陷。喷射纹缺陷是熔融塑料在浇口外由小截面流道流入大截面型腔时,高速射出的条状熔融塑料急速冷却产生的缺陷。熔接痕缺陷与喷射纹缺陷往往均位于熔融塑料的流动方向上,往往导致熔接痕缺陷区域与喷射纹缺陷区域可能相交,并且两者在图像上对应的灰度值往往相近,往往难以进行区分,因此,本发明主要用于精确的分割注塑产品上的熔接痕缺陷区域与喷射纹缺陷区域,进而可以实现对塑胶模具生产缺陷的检测。其中,塑胶模具生产缺陷可以是采用塑胶模具生产的注塑产品表面的熔接痕缺陷与喷射纹缺陷。
作为示例,首先,可以通过工业相机,采集待检测注塑产品的表面图像,并对该表面图像进行灰度化,得到待检测表面图像。其中,采集的待检测注塑产品的表面图像可以是RGB图像。待检测注塑产品的表面缺陷可以只包含熔接痕缺陷与喷射纹缺陷。接着,可以通过人工标注的方式,在待检测表面图像上标注目标塑胶模具包括的目标浇口集合中的每个目标浇口对应的目标位置和目标流动方向。
需要说明的是,由于熔接痕缺陷与喷射纹缺陷往往均位于熔融塑料的流动方向上,因此获取目标浇口对应的目标位置和目标流动方向,可以便于后续确定熔接痕缺陷与喷射纹缺陷的位置。由于待检测表面图像中往往包含待检测注塑产品的表面信息,并且熔接痕缺陷与喷射纹缺陷属于表面缺陷,因此获取待检测表面图像,可以便于后续对熔接痕缺陷区域和喷射纹缺陷区域进行分割。
步骤S2,根据目标浇口集合中的各个目标浇口对应的目标位置和目标流动方向,对待检测表面图像进行熔融塑料汇合点分析处理,得到目标汇合点集合。
在一些实施例中,可以根据上述目标浇口集合中的各个目标浇口对应的目标位置和目标流动方向,对上述待检测表面图像进行熔融塑料汇合点分析处理,得到目标汇合点集合。
其中,目标汇合点集合中的目标汇合点可以表征熔融塑料的汇合点。
需要说明的是,熔融塑料汇合点处往往容易产生熔接痕缺陷,因此对待检测表面图像进行熔融塑料汇合点分析处理,可以便于后续对熔接痕缺陷区域和喷射纹缺陷区域进行分割。
作为示例,本步骤可以包括以下步骤:
第一步,对于上述目标浇口集合中的每个目标浇口,将经过上述目标浇口对应的目标位置,并且方向与上述目标浇口对应的目标流动方向相同的直线,确定为上述目标浇口对应的目标直线,得到目标直线集合。
第二步,将上述目标直线集合中的各个目标直线的交点,确定为目标汇合点,得到目标汇合点集合。
步骤S3,对待检测表面图像进行缺陷识别,得到初始缺陷区域。
在一些实施例中,可以对上述待检测表面图像进行缺陷识别,得到初始缺陷区域。
其中,初始缺陷区域可以是只包含熔接痕缺陷与喷射纹缺陷的区域。
作为示例,本步骤可以包括以下步骤:
第一步,确定上述待检测表面图像的灰度直方图,作为目标直方图。
其中,目标直方图的横坐标可以表示灰度值,纵坐标可以表示各个灰度值的像素点在待检测表面图像中出现的次数。
第二步,获取上述目标直方图中的每个波峰对应的区间内像素点的数量,作为上述波峰对应的区间像素点数量,从上述目标直方图中筛选出区间像素点数量最多的波峰,作为大波峰,将上述目标直方图中除了上述大波峰之外的波峰对应的区间内的像素点,确定为候选像素点,得到候选像素点集合,将上述候选像素点集合在上述待检测表面图像中形成的区域,确定为初始缺陷区域。
其中,波峰对应的区间可以是目标直方图中与该波峰相邻的两个极小值之间的区间。
需要说明的是,对待检测表面图像进行缺陷识别,可以初步提取出待检测表面图像中的缺陷区域,可以便于后续对初始缺陷区域进行熔接痕缺陷区域和喷射纹缺陷区域的分割。一般来说,当注塑产品表面不存在缺陷时,注塑产品表面的灰度图像中的灰度值往往比较集中,此时该灰度图像的灰度直方图中往往只有一个波峰。当注塑产品表面存在缺陷时,注塑产品表面的灰度图像的灰度直方图中往往不止一个波峰,一般情况下,对应的区间像素点数量最多的波峰对应的区间内的像素点往往是未发生缺陷的像素点,其他的波峰对应的区间内的像素点往往是发生缺陷的像素点,因此基于灰度直方图和波峰的数量,往往可以初步提取出缺陷区域。实际情况中,由于本步骤的目的是初步提取只包含熔接痕缺陷与喷射纹缺陷的初始缺陷区域,本步骤不需要对熔接痕缺陷与喷射纹缺陷进行分割,因此也可以通过其他方法实现本步骤,例如,可以采用神经网络,初步提取只包含熔接痕缺陷与喷射纹缺陷的区域。
步骤S4,当目标汇合点集合中存在位于初始缺陷区域内的目标汇合点时,将位于初始缺陷区域内的目标汇合点确定为初始种子点。
在一些实施例中,当上述目标汇合点集合中存在位于上述初始缺陷区域内的目标汇合点时,可以将位于上述初始缺陷区域内的目标汇合点确定为初始种子点。
作为示例,若目标汇合点位于初始缺陷区域内,则将该目标汇合点确定为初始种子点。
步骤S5,当目标汇合点集合中不存在位于初始缺陷区域内的目标汇合点时,根据目标汇合点集合,对待检测表面图像进行熔融塑料融合线位置特征分析处理,得到目标特征直线集合。
在一些实施例中,当上述目标汇合点集合中不存在位于上述初始缺陷区域内的目标汇合点时,可以根据上述目标汇合点集合,对上述待检测表面图像进行熔融塑料融合线位置特征分析处理,得到目标特征直线集合。
其中,目标特征直线集合中的目标特征直线可以表征两个目标浇口处的熔融塑料进行融合的融合线。
作为示例,对于上述目标汇合点集合中的每个目标汇合点,将以上述目标汇合点为交点的两个目标直线所形成的夹角,确定为目标夹角,将目标夹角的角平分线,确定为目标特征直线。由于目标直线所在的方向可以表征目标浇口处熔融塑料的流动方向,目标汇合点是熔融塑料的汇合点,因此,目标特征直线可以表征两个目标浇口处的熔融塑料进行融合的融合线。
由于熔融塑料的融合线往往位于两个目标浇口之间的熔融塑料的汇接处,并且熔融塑料往往在该融合线上进行融合,熔融塑料进行融合时,往往容易产生缺陷,因此,对待检测表面图像进行熔融塑料融合线位置特征分析处理,得到可以表征融合线的目标特征直线,可以便于后续对熔接痕缺陷区域和喷射纹缺陷区域进行分割。
步骤S6,将目标特征直线集合与初始缺陷区域相交的像素点,确定为候选种子点,得到候选种子点集合。
在一些实施例中,可以将上述目标特征直线集合与上述初始缺陷区域相交的像素点,确定为候选种子点,得到候选种子点集合。
作为示例,可以将目标特征直线集合与初始缺陷区域内共同的像素点,确定为候选种子点,得到候选种子点集合。
需要说明的是,由于熔接痕缺陷与喷射纹缺陷往往可能位于目标特征直线上,所以目标特征直线集合与初始缺陷区域相交的像素点可能是熔接痕缺陷或喷射纹缺陷对应的像素点,因此,将其确定为候选种子点,可以提高候选种子点确定的准确度。
步骤S7,对候选种子点集合中的每个候选种子点进行分布差异特征分析处理,确定候选种子点对应的目标优选值,并从候选种子点集合中筛选出目标优选值最大的候选种子点,作为初始种子点。
在一些实施例中,可以对上述候选种子点集合中的每个候选种子点进行分布差异特征分析处理,确定上述候选种子点对应的目标优选值,并从上述候选种子点集合中筛选出目标优选值最大的候选种子点,作为初始种子点。
需要说明的是,综合考虑分布差异特征和目标优选值,可以提高初始种子点确定的准确度,进而可以提高后续进行区域生长分割的准确性。
作为示例,本步骤可以包括以下步骤:
第一步,从上述候选种子点集合中筛选出与上述候选种子点在同一个目标特征直线上,并且与上述候选种子点相邻的两个候选种子点,分别作为上述候选种子点对应的第一参考点和第二参考点。
其中,某个候选种子点相邻的两个候选种子点可以是该候选种子点八邻域内的两个候选种子点。
第二步,根据上述候选种子点、上述候选种子点对应的第一参考点和第二参考点对应的灰度值,确定上述候选种子点对应的分布特征值。
例如,根据上述候选种子点、上述候选种子点对应的第一参考点和第二参考点对应的灰度值,确定上述候选种子点对应的分布特征值可以包括以下子步骤:
第一子步骤,将上述候选种子点对应的灰度值与上述候选种子点对应的第一参考点对应的灰度值的差值的绝对值,确定为上述候选种子点对应的第一差异。
第二子步骤,将上述候选种子点对应的灰度值与上述候选种子点对应的第二参考点对应的灰度值的差值的绝对值,确定为上述候选种子点对应的第二差异。
第三子步骤,将上述候选种子点对应的第一差异与第二差异的差值的绝对值,确定为上述候选种子点对应的第三差异。
第四子步骤,对上述候选种子点对应的第三差异进行归一化,得到上述候选种子点对应的分布特征值。
比如,确定候选种子点对应的分布特征值对应的公式可以为:
其中,是候选种子点集合中的第i个候选种子点对应的分布特征值。i是候选种子点集合中候选种子点的序号。是候选种子点集合中的第i个候选种子点对应的灰度值。是候选种子点集合中的第i个候选种子点对应的第一参考点对应的灰度值。是候选种子点集合中的第i个候选种子点对应的第二参考点对应的灰度值。是取、和中的最大值。是候选种子点集合中的第i个候选种子点对应的第一差异。是候选种子点集合中的第i个候选种子点对应的第二差异。是候选种子点集合中的第i个候选种子点对应的第三差异。分母中的可以实现对的归一化,可以使的取值范围为[0,1)。是的绝对值。是的绝对值。是的绝对值。
需要说明的是,越大,往往说明第i个候选种子点在目标特征直线上的邻域内的灰度变化越大。可以实现对的归一化,可以便于后续处理。一般情况下,熔融塑料在目标特征直线上进行融合时,若出现缺陷,则往往为同一缺陷,所以目标特征直线上的同一缺陷内的灰度分布往往较为接近,即分布特征值往往较为接近。因此,确定候选种子点集合中的各个候选种子点对应的分布特征值,可以便于后续确定缺陷类型。
第三步,确定上述初始缺陷区域内除了上述候选种子点集合之外的每个像素点对应的分布特征值。
例如,对于初始缺陷区域内除了上述候选种子点集合之外的每个像素点,可以从该像素点的八邻域内随机选取两个邻域像素点,分别作为该像素点对应的第一参考点和第二参考点,将该像素点作为候选种子点,执行步骤S7包括的作为示例包括的第二步,得到的分布特征值,即为该像素点对应的分布特征值。
第四步,确定上述初始缺陷区域内分布特征值与上述候选种子点对应的分布特征值相同的像素点的数量,作为上述候选种子点对应的特征数量。
第五步,确定上述候选种子点与上述目标汇合点集合中的每个目标汇合点之间的欧氏距离,得到上述候选种子点对应的欧氏距离集合。
第六步,从上述候选种子点对应的欧氏距离集合中筛选出最小的欧氏距离,作为上述候选种子点对应的第一距离。
第七步,从上述目标汇合点集合中筛选出距离上述候选种子点最近的目标汇合点,作为上述候选种子点对应的参考汇合点。
第八步,确定上述目标汇合点集合中的每个目标汇合点与上述初始缺陷区域内的每个像素点之间的欧式距离,作为目标欧氏距离,得到目标欧氏距离集合。
第九步,从上述目标欧氏距离集合中筛选出最大的目标欧氏距离,作为参考距离。
第十步,根据上述参考距离、上述候选种子点对应的参考汇合点对应的灰度值、上述候选种子点对应的特征数量、第一距离和灰度值,确定上述候选种子点对应的目标优选值。
例如,根据上述参考距离、上述候选种子点对应的参考汇合点对应的灰度值、上述候选种子点对应的特征数量、第一距离和灰度值,确定上述候选种子点对应的目标优选值可以包括以下子步骤:
第一子步骤,将上述候选种子点对应的第一距离与上述参考距离的比值,确定为上述候选种子点对应的第一距离比值。
第二子步骤,对上述候选种子点对应的第一距离比值进行负相关映射并归一化,得到上述候选种子点对应的第一优选值。
第三子步骤,将上述候选种子点对应的参考汇合点和上述候选种子点对应的灰度值的差值的绝对值,确定为上述候选种子点对应的第一参考差异。
第四子步骤,对上述候选种子点对应的第一参考差异进行正相关映射,得到上述候选种子点对应的第二优选值。
第五子步骤,将上述候选种子点对应的第一优选值、第二优选值和特征数量的乘积,确定为上述候选种子点对应的目标优选值。
比如,确定候选种子点对应的目标优选值对应的公式可以为:
其中,是候选种子点集合中的第i个候选种子点对应的目标优选值。i是候选种子点集合中候选种子点的序号。是候选种子点集合中的第i个候选种子点对应的第一距离。是参考距离。是候选种子点集合中的第i个候选种子点对应的特征数量。是候选种子点集合中的第i个候选种子点对应的参考汇合点对应的灰度值。是候选种子点集合中的第i个候选种子点对应的灰度值。是的绝对值。是以自然常数为底的的对数。是候选种子点集合中的第i个候选种子点对应的第一距离比值。是候选种子点集合中的第i个候选种子点对应的第一优选值。是的负相关映射。可以实现对的归一化,使其取值范围为[0,1]。是候选种子点集合中的第i个候选种子点对应的第一参考差异。是候选种子点集合中的第i个候选种子点对应的第二优选值。可以是的正相关映射,可以使第二优选值不小于0。
需要说明的是,当越大时,往往说明第i个候选种子点距离目标汇合点越近,往往说明第i个候选种子点的特征越能体现缺陷特征。当越大时,往往说明初始缺陷区域内分布特征值与第i个候选种子点对应的分布特征值相同的像素点的数量越多,往往说明第i个候选种子点的特征越能体现缺陷特征。由于此时目标汇合点位于未发生缺陷的正常区域,所以当越大时,往往说明第i个候选种子点与该候选种子点对应的参考汇合点对应的灰度值之间的差异越大,往往说明第i个候选种子点的特征越能体现缺陷特征。因此,第i个候选种子点对应的目标优选值越大,往往说明第i个候选种子点的特征越能体现缺陷特征。
第十一步,从上述候选种子点集合中筛选出目标优选值最大的候选种子点,作为初始种子点。
步骤S8,确定初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,并基于初始种子点和初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,对初始缺陷区域进行区域生长分割,得到目标熔接痕缺陷区域和目标喷射纹缺陷区域。
在一些实施例中,可以确定上述初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,并基于初始种子点和上述初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,对上述初始缺陷区域进行区域生长分割,得到目标熔接痕缺陷区域和目标喷射纹缺陷区域。
其中,像素点对应的梯度方向角可以是该像素点的梯度方向与水平方向的夹角。
需要说明的是,综合考虑了初始种子点和初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,可以提高对初始缺陷区域进行区域生长分割的准确度,进而可以提高目标熔接痕缺陷区域和目标喷射纹缺陷区域确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,确定上述初始缺陷区域内的各个像素点对应的灰度值和梯度方向角。
第二步,根据初始种子点对应的预先设置的目标邻域内的每个像素点对应的灰度值和梯度方向角,确定上述像素点对应的目标灰度差异。
其中,目标邻域可以是预先设置的邻域。比如,目标邻域可以是5×5的邻域。
例如,根据初始种子点对应的预先设置的目标邻域内的每个像素点对应的灰度值和梯度方向角,确定上述像素点对应的目标灰度差异可以包括以下子步骤:
第一子步骤,将初始种子点与初始种子点对应的目标邻域内的每个像素点对应的灰度值的差值的绝对值,确定为上述像素点对应的第一灰度差异。
第二子步骤,从初始种子点对应的目标邻域内的各个像素点对应的梯度方向角中筛选出最大和最小的梯度方向角,分别作为初始种子点对应的第一梯度方向角和第二梯度方向角。
其中,初始种子点对应的第一梯度方向角可以是初始种子点对应的目标邻域内的各个像素点对应的梯度方向角中最大的梯度方向角。初始种子点对应的第二梯度方向角可以是初始种子点对应的目标邻域内的各个像素点对应的梯度方向角中最小的梯度方向角。
第三子步骤,对于初始种子点对应的目标邻域内的每个像素点,从上述像素点对应的目标邻域内的各个像素点对应的梯度方向角中筛选出最大和最小的梯度方向角,分别作为上述像素点对应的第一梯度方向角和第二梯度方向角。
其中,像素点对应的第一梯度方向角可以是该像素点对应的目标邻域内的各个像素点对应的梯度方向角中最大的梯度方向角。像素点对应的第二梯度方向角可以是该像素点对应的目标邻域内的各个像素点对应的梯度方向角中最小的梯度方向角。
第四子步骤,对于初始种子点对应的目标邻域内的每个像素点,将初始种子点与上述像素点对应的第一梯度方向角的差值的绝对值,确定为上述像素点对应的第二灰度差异,将初始种子点与上述像素点对应的第二梯度方向角的差值的绝对值,确定为上述像素点对应的第三灰度差异,并将上述像素点对应的第二灰度差异和第三灰度差异的和,确定为上述像素点对应的第四灰度差异,对上述像素点对应的第四灰度差异进行归一化,得到上述像素点对应的第五灰度差异。
第五子步骤,将上述像素点对应的第一灰度差异和第五灰度差异的乘积,确定为上述像素点对应的目标灰度差异。
比如,确定初始种子点对应的目标邻域内的像素点对应的目标灰度差异对应的公式可以为:
其中,是初始种子点对应的目标邻域内的第j个像素点对应的目标灰度差异。j是初始种子点对应的目标邻域内像素点的序号。是初始种子点对应的灰度值。是初始种子点对应的目标邻域内的第j个像素点对应的灰度值。是初始种子点对应的第一梯度方向角。是初始种子点对应的目标邻域内的第j个像素点对应的第一梯度方向角。是初始种子点对应的第二梯度方向角。是初始种子点对应的目标邻域内的第j个像素点对应的第二梯度方向角。是的绝对值。是的绝对值。是的绝对值。是以自然常数为底的的指数。是初始种子点对应的目标邻域内的第j个像素点对应的第一灰度差异。是初始种子点对应的目标邻域内的第j个像素点对应的第二灰度差异。是初始种子点对应的目标邻域内的第j个像素点对应的第三灰度差异。是初始种子点对应的目标邻域内的第j个像素点对应的第四灰度差异。是初始种子点对应的目标邻域内的第j个像素点对应的第五灰度差异。可以实现对的归一化,可以使第五灰度差异的取值范围为[0,1]。
需要说明的是,熔融塑料在其流动方向上的灰度值往往较为接近,而在流动方向的两侧,熔融塑料同样会进行一定程度的蔓延,此时熔融塑料往往被稀释,灰度值往往会出现一定差异,然而同一缺陷内的像素点的局部灰度梯度方向往往接近一致,因此综合考虑梯度方向角和灰度值,可以提高目标灰度差异确定的准确度,进而可以提高目标熔接痕缺陷区域和目标喷射纹缺陷区域确定的准确度。当越小时,往往说明初始种子点与目标邻域内的第j个像素点对应的灰度值之间的差异越小,往往说明第j个像素点越可能与初始种子点属于同一种缺陷中的像素点。当越小时,往往说明初始种子点与第j个像素点的目标邻域内的梯度方向角的变化越小,往往说明第j个像素点越可能与初始种子点属于同一种缺陷中的像素点。可以实现对的归一化,可以使作为的权重。因此,后续采用目标灰度差异进行区域生长时,减少了误生长,提高了生长效果,从而提高了后续对目标缺陷区域的精确分割,进而提高了目标熔接痕缺陷区域和目标喷射纹缺陷区域确定的准确度。
第三步,当初始种子点对应的目标邻域内的像素点对应的目标灰度差异小于预先设置的灰度差异阈值时,将像素点确定为种子点。
其中,灰度差异阈值可以是预先设置的认为像素点不属于同一种缺陷时,设置的最小的灰度差异。例如,灰度差异阈值可以是0.2。
第四步,当种子点对应的目标邻域内存在待合并像素点时,确定待合并像素点对应的目标灰度差异,当待合并像素点对应的目标灰度差异小于灰度差异阈值时,将待合并像素点确定为种子点,重复种子点确定过程,直至种子点对应的目标邻域内不存在待合并像素点时,将得到的各个种子点所在的区域,确定为一个目标缺陷区域,将上述初始缺陷区域内除了种子点之外的像素点所在的区域,确定为另一个目标缺陷区域。
其中,待合并像素点可以是上述初始缺陷区域内未被确定为种子点的像素点。确定待合并像素点对应的目标灰度差异的方式可以为:将待合并像素点作为初始种子点,执行步骤S8包括的作为示例包括的第二步,得到的目标灰度差异,即为待合并像素点对应的目标灰度差异。种子点确定过程可以包括:当种子点对应的目标邻域内存在待合并像素点时,确定待合并像素点对应的目标灰度差异,当待合并像素点对应的目标灰度差异小于灰度差异阈值时,将待合并像素点确定为种子点。
第五步,利用预先训练完成的缺陷类型识别网络,对得到的两个目标缺陷区域进行缺陷类型识别,得到目标熔接痕缺陷区域和目标喷射纹缺陷区域。
其中,缺陷类型识别网络可以是预先训练完成的、用于识别熔接痕缺陷和喷射纹缺陷的神经网络。例如,缺陷类型识别网络可以是BP(Back Propagation,一种按照误差逆向传播算法训练的多层前馈)神经网络。
例如,可以将目标缺陷区域输入训练完成的缺陷类型识别网络,通过缺陷类型识别网络,确定目标缺陷区域的缺陷类型。
可选地,缺陷类型识别网络的训练过程可以包括以下步骤:
第一步,构建缺陷类型识别网络。
例如,可以构建BP神经网络,作为缺陷类型识别网络。
第二步,获取样本缺陷区域集合。
其中,样本缺陷区域集合中的样本缺陷区域可以是注塑产品的表面灰度图像中的缺陷区域。样本缺陷区域可以是已知缺陷类型的熔接痕缺陷区域或喷射纹缺陷区域。样本缺陷区域集合可以由已知缺陷类型的熔接痕缺陷区域和喷射纹缺陷区域组成。
第三步,将样本缺陷区域集合作为训练集,将样本缺陷区域集合中的样本缺陷区域对应的缺陷类型作为训练标签,利用训练集和训练标签,对构建的缺陷类型识别网络进行训练,得到训练完成的缺陷类型识别网络。
其中,缺陷类型识别网络训练过程的loss函数可以为交叉熵损失函数。
综上,本发明通过对目标直方图进行缺陷识别,可以初步提取含有熔接痕缺陷区域或喷射纹缺陷区域的初始缺陷区域,确定表征各个熔融塑料汇合点的目标汇合点集合,基于目标汇合点集合,自适应确定初始种子点,并综合考虑了初始种子点和初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,可以提高对初始缺陷区域进行区域生长分割的准确度,进而可以提高目标熔接痕缺陷区域和目标喷射纹缺陷区域确定的准确度。
以上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 (9)
1.一种基于机器视觉的塑胶模具生产缺陷检测方法,其特征在于,包括以下步骤:
获取采用目标塑胶模具生产的待检测注塑产品的待检测表面图像,其中,所述待检测表面图像上标注有所述目标塑胶模具包括的目标浇口集合中的每个目标浇口对应的目标位置和目标流动方向;
根据所述目标浇口集合中的各个目标浇口对应的目标位置和目标流动方向,对所述待检测表面图像进行熔融塑料汇合点分析处理,得到目标汇合点集合;
对所述待检测表面图像进行缺陷识别,得到初始缺陷区域;
当所述目标汇合点集合中存在位于所述初始缺陷区域内的目标汇合点时,将位于所述初始缺陷区域内的目标汇合点确定为初始种子点;
当所述目标汇合点集合中不存在位于所述初始缺陷区域内的目标汇合点时,根据所述目标汇合点集合,对所述待检测表面图像进行熔融塑料融合线位置特征分析处理,得到目标特征直线集合;
将所述目标特征直线集合与所述初始缺陷区域相交的像素点,确定为候选种子点,得到候选种子点集合;
对所述候选种子点集合中的每个候选种子点进行分布差异特征分析处理,确定所述候选种子点对应的目标优选值,并从所述候选种子点集合中筛选出目标优选值最大的候选种子点,作为初始种子点;
确定所述初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,并基于初始种子点和所述初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,对所述初始缺陷区域进行区域生长分割,得到目标熔接痕缺陷区域和目标喷射纹缺陷区域。
2.根据权利要求1所述的一种基于机器视觉的塑胶模具生产缺陷检测方法,其特征在于,所述根据所述目标浇口集合中的各个目标浇口对应的目标位置和目标流动方向,对所述待检测表面图像进行熔融塑料汇合点分析处理,得到目标汇合点集合,包括:
对于所述目标浇口集合中的每个目标浇口,将经过所述目标浇口对应的目标位置,并且方向与所述目标浇口对应的目标流动方向相同的直线,确定为所述目标浇口对应的目标直线,得到目标直线集合;
将所述目标直线集合中的各个目标直线的交点,确定为目标汇合点,得到目标汇合点集合。
3.根据权利要求1所述的一种基于机器视觉的塑胶模具生产缺陷检测方法,其特征在于,所述对所述待检测表面图像进行缺陷识别,包括:
确定所述待检测表面图像的灰度直方图,作为目标直方图;
获取所述目标直方图中的每个波峰对应的区间内像素点的数量,作为所述波峰对应的区间像素点数量,从所述目标直方图中筛选出区间像素点数量最多的波峰,作为大波峰,将所述目标直方图中除了所述大波峰之外的波峰对应的区间内的像素点,确定为候选像素点,得到候选像素点集合,将所述候选像素点集合在所述待检测表面图像中形成的区域,确定为初始缺陷区域。
4.根据权利要求2所述的一种基于机器视觉的塑胶模具生产缺陷检测方法,其特征在于,所述根据所述目标汇合点集合,对所述待检测表面图像进行熔融塑料融合线位置特征分析处理,包括:
对于所述目标汇合点集合中的每个目标汇合点,将以所述目标汇合点为交点的两个目标直线所形成的夹角,确定为目标夹角,将目标夹角的角平分线,确定为目标特征直线。
5.根据权利要求3所述的一种基于机器视觉的塑胶模具生产缺陷检测方法,其特征在于,所述对所述候选种子点集合中的每个候选种子点进行分布差异特征分析处理,确定所述候选种子点对应的目标优选值,包括:
从所述候选种子点集合中筛选出与所述候选种子点在同一个目标特征直线上,并且与所述候选种子点相邻的两个候选种子点,分别作为所述候选种子点对应的第一参考点和第二参考点;
根据所述候选种子点、所述候选种子点对应的第一参考点和第二参考点对应的灰度值,确定所述候选种子点对应的分布特征值;
确定所述初始缺陷区域内除了所述候选种子点集合之外的每个像素点对应的分布特征值;
确定所述初始缺陷区域内分布特征值与所述候选种子点对应的分布特征值相同的像素点的数量,作为所述候选种子点对应的特征数量;
确定所述候选种子点与所述目标汇合点集合中的每个目标汇合点之间的欧氏距离,得到所述候选种子点对应的欧氏距离集合;
从所述候选种子点对应的欧氏距离集合中筛选出最小的欧氏距离,作为所述候选种子点对应的第一距离;
从所述目标汇合点集合中筛选出距离所述候选种子点最近的目标汇合点,作为所述候选种子点对应的参考汇合点;
确定所述目标汇合点集合中的每个目标汇合点与所述初始缺陷区域内的每个像素点之间的欧式距离,作为目标欧氏距离,得到目标欧氏距离集合;
从所述目标欧氏距离集合中筛选出最大的目标欧氏距离,作为参考距离;
根据所述参考距离、所述候选种子点对应的参考汇合点对应的灰度值、所述候选种子点对应的特征数量、第一距离和灰度值,确定所述候选种子点对应的目标优选值。
6.根据权利要求5所述的一种基于机器视觉的塑胶模具生产缺陷检测方法,其特征在于,所述根据所述候选种子点、所述候选种子点对应的第一参考点和第二参考点对应的灰度值,确定所述候选种子点对应的分布特征值,包括:
将所述候选种子点对应的灰度值与所述候选种子点对应的第一参考点对应的灰度值的差值的绝对值,确定为所述候选种子点对应的第一差异;
将所述候选种子点对应的灰度值与所述候选种子点对应的第二参考点对应的灰度值的差值的绝对值,确定为所述候选种子点对应的第二差异;
将所述候选种子点对应的第一差异与第二差异的差值的绝对值,确定为所述候选种子点对应的第三差异;
对所述候选种子点对应的第三差异进行归一化,得到所述候选种子点对应的分布特征值。
7.根据权利要求5所述的一种基于机器视觉的塑胶模具生产缺陷检测方法,其特征在于,所述根据所述参考距离、所述候选种子点对应的参考汇合点对应的灰度值、所述候选种子点对应的特征数量、第一距离和灰度值,确定所述候选种子点对应的目标优选值,包括:
将所述候选种子点对应的第一距离与所述参考距离的比值,确定为所述候选种子点对应的第一距离比值;
对所述候选种子点对应的第一距离比值进行负相关映射并归一化,得到所述候选种子点对应的第一优选值;
将所述候选种子点对应的参考汇合点和所述候选种子点对应的灰度值的差值的绝对值,确定为所述候选种子点对应的第一参考差异;
对所述候选种子点对应的第一参考差异进行正相关映射,得到所述候选种子点对应的第二优选值;
将所述候选种子点对应的第一优选值、第二优选值和特征数量的乘积,确定为所述候选种子点对应的目标优选值。
8.根据权利要求1所述的一种基于机器视觉的塑胶模具生产缺陷检测方法,其特征在于,所述基于初始种子点和所述初始缺陷区域内的各个像素点对应的灰度值和梯度方向角,对所述初始缺陷区域进行区域生长分割,得到目标熔接痕缺陷区域和目标喷射纹缺陷区域,包括:
根据初始种子点对应的预先设置的目标邻域内的每个像素点对应的灰度值和梯度方向角,确定所述像素点对应的目标灰度差异;
当初始种子点对应的目标邻域内的像素点对应的目标灰度差异小于预先设置的灰度差异阈值时,将像素点确定为种子点;
当种子点对应的目标邻域内存在待合并像素点时,确定待合并像素点对应的目标灰度差异,当待合并像素点对应的目标灰度差异小于灰度差异阈值时,将待合并像素点确定为种子点,重复种子点确定过程,直至种子点对应的目标邻域内不存在待合并像素点时,将得到的各个种子点所在的区域,确定为一个目标缺陷区域,将所述初始缺陷区域内除了种子点之外的像素点所在的区域,确定为另一个目标缺陷区域,其中,待合并像素点是所述初始缺陷区域内未被确定为种子点的像素点;
利用预先训练完成的缺陷类型识别网络,对得到的两个目标缺陷区域进行缺陷类型识别,得到目标熔接痕缺陷区域和目标喷射纹缺陷区域。
9.根据权利要求8所述的一种基于机器视觉的塑胶模具生产缺陷检测方法,其特征在于,所述根据初始种子点对应的预先设置的目标邻域内的每个像素点对应的灰度值和梯度方向角,确定所述像素点对应的目标灰度差异,包括:
将初始种子点与初始种子点对应的目标邻域内的每个像素点对应的灰度值的差值的绝对值,确定为所述像素点对应的第一灰度差异;
从初始种子点对应的目标邻域内的各个像素点对应的梯度方向角中筛选出最大和最小的梯度方向角,分别作为初始种子点对应的第一梯度方向角和第二梯度方向角;
对于初始种子点对应的目标邻域内的每个像素点,从所述像素点对应的目标邻域内的各个像素点对应的梯度方向角中筛选出最大和最小的梯度方向角,分别作为所述像素点对应的第一梯度方向角和第二梯度方向角;
对于初始种子点对应的目标邻域内的每个像素点,将初始种子点与所述像素点对应的第一梯度方向角的差值的绝对值,确定为所述像素点对应的第二灰度差异,将初始种子点与所述像素点对应的第二梯度方向角的差值的绝对值,确定为所述像素点对应的第三灰度差异,并将所述像素点对应的第二灰度差异和第三灰度差异的和,确定为所述像素点对应的第四灰度差异,对所述像素点对应的第四灰度差异进行归一化,得到所述像素点对应的第五灰度差异;
将所述像素点对应的第一灰度差异和第五灰度差异的乘积,确定为所述像素点对应的目标灰度差异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310166731.2A CN115861317B (zh) | 2023-02-27 | 2023-02-27 | 基于机器视觉的塑胶模具生产缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310166731.2A CN115861317B (zh) | 2023-02-27 | 2023-02-27 | 基于机器视觉的塑胶模具生产缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115861317A CN115861317A (zh) | 2023-03-28 |
CN115861317B true CN115861317B (zh) | 2023-04-28 |
Family
ID=85658969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310166731.2A Active CN115861317B (zh) | 2023-02-27 | 2023-02-27 | 基于机器视觉的塑胶模具生产缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861317B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228764B (zh) * | 2023-05-08 | 2023-07-18 | 聊城市东昌府区妇幼保健院 | 一种新生儿疾病筛查血片采集质量检测方法及系统 |
CN116402808B (zh) * | 2023-05-31 | 2023-08-25 | 山东华禹威达机电科技有限公司 | 一种电缆夹板模具制造智能化检测方法 |
CN116363136B (zh) * | 2023-06-01 | 2023-08-11 | 山东创元智能设备制造有限责任公司 | 一种机动车部件自动化生产在线筛选方法及系统 |
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 |
CN116433665B (zh) * | 2023-06-13 | 2023-08-22 | 中国民航大学 | 基于视觉检测的飞机部件缺陷在线识别系统 |
CN116433669B (zh) * | 2023-06-14 | 2023-08-18 | 山东兴华钢结构有限公司 | 基于机器视觉的抗震结构钢架焊缝质量检测方法 |
CN116740653A (zh) * | 2023-08-14 | 2023-09-12 | 山东创亿智慧信息科技发展有限责任公司 | 一种配电箱运行状态监测方法及系统 |
CN117011297B (zh) * | 2023-10-07 | 2024-02-02 | 惠州市凯默金属制品有限公司 | 基于图像处理的铝合金汽配件模具缺陷检测方法 |
CN117474897B (zh) * | 2023-11-21 | 2024-05-28 | 东莞市江霖五金实业有限公司 | 一种充电器表面缺陷视觉检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014148163A1 (ja) * | 2013-03-19 | 2014-09-25 | 日産自動車株式会社 | 接合体の検査方法および検査装置 |
CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
CN107870181A (zh) * | 2017-06-20 | 2018-04-03 | 成都飞机工业(集团)有限责任公司 | 一种复合材料脱粘缺陷的后期识别方法 |
CN108195841A (zh) * | 2017-12-06 | 2018-06-22 | 浙江大学 | 基于gfv-sift特征的振动环境注塑模具异常缺陷检测方法 |
WO2020042866A1 (zh) * | 2018-08-30 | 2020-03-05 | 京东方科技集团股份有限公司 | 线段检测方法、装置、设备和计算机可读存储介质 |
CN115082485A (zh) * | 2022-08-23 | 2022-09-20 | 南通华烨塑料工业有限公司 | 一种注塑制品表面气泡缺陷检测方法及系统 |
CN115294410A (zh) * | 2022-10-08 | 2022-11-04 | 加乐新材料(南通)有限公司 | 一种基于图形识别的塑料制品成型控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020070483A1 (en) * | 2000-12-11 | 2002-06-13 | Yang-Shiau Chen | Method of eliminating flaws on smooth plastic surfaces |
DE102018109819A1 (de) * | 2018-04-24 | 2019-10-24 | Yxlon International Gmbh | Verfahren zur Gewinnung von Information aus Röntgen-Computertomographiedaten zur Optimierung des Spritzgussprozesses von kurzfaserverstärkten Kunststoffteilen |
-
2023
- 2023-02-27 CN CN202310166731.2A patent/CN115861317B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014148163A1 (ja) * | 2013-03-19 | 2014-09-25 | 日産自動車株式会社 | 接合体の検査方法および検査装置 |
CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
CN107870181A (zh) * | 2017-06-20 | 2018-04-03 | 成都飞机工业(集团)有限责任公司 | 一种复合材料脱粘缺陷的后期识别方法 |
CN108195841A (zh) * | 2017-12-06 | 2018-06-22 | 浙江大学 | 基于gfv-sift特征的振动环境注塑模具异常缺陷检测方法 |
WO2020042866A1 (zh) * | 2018-08-30 | 2020-03-05 | 京东方科技集团股份有限公司 | 线段检测方法、装置、设备和计算机可读存储介质 |
CN115082485A (zh) * | 2022-08-23 | 2022-09-20 | 南通华烨塑料工业有限公司 | 一种注塑制品表面气泡缺陷检测方法及系统 |
CN115294410A (zh) * | 2022-10-08 | 2022-11-04 | 加乐新材料(南通)有限公司 | 一种基于图形识别的塑料制品成型控制方法 |
Non-Patent Citations (1)
Title |
---|
梁晶晶.基于混合特征的注塑制品缺陷多级分类识别技术研究.《工程科技Ⅰ辑》.2021,(第06期),第B016-398页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115861317A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861317B (zh) | 基于机器视觉的塑胶模具生产缺陷检测方法 | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
Gao et al. | A multilevel information fusion-based deep learning method for vision-based defect recognition | |
CN110672617A (zh) | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 | |
CN106875395B (zh) | 基于深度神经网络的超像素级sar图像变化检测方法 | |
CN115294410B (zh) | 一种基于图形识别的塑料制品成型控制方法 | |
CN110111297A (zh) | 一种基于迁移学习的注塑制品表面图像缺陷识别方法 | |
CN108268838A (zh) | 人脸表情识别方法及人脸表情识别系统 | |
CN104268538A (zh) | 一种易拉罐点阵喷码字符在线视觉检测方法 | |
CN107169417B (zh) | 基于多核增强和显著性融合的rgbd图像协同显著性检测方法 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
CN115049669A (zh) | 金属缺陷识别方法 | |
CN113592911B (zh) | 表观增强深度目标跟踪方法 | |
CN112085024A (zh) | 一种罐表面字符识别方法 | |
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 | |
CN116703931A (zh) | 一种用于建筑高分子材料的表面银纹检测方法 | |
Liu et al. | D-CenterNet: An anchor-free detector with knowledge distillation for industrial defect detection | |
CN116258722A (zh) | 基于图像处理的桥梁建筑智能检测方法 | |
CN113591850A (zh) | 基于计算机视觉鲁棒性目标检测的两阶段商标检测法 | |
CN115578390B (zh) | 一种用于除氧器的焊接控制方法 | |
CN114445483B (zh) | 基于图像金字塔的注塑件质量分析方法 | |
CN115661894A (zh) | 一种人脸图像质量过滤方法 | |
CN115170545A (zh) | 一种动态熔池尺寸检测及成形方向判别方法 | |
CN114897906A (zh) | 基于计算机视觉的改性塑料外观缺陷控制方法 |
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 |