CN116168003A - 基于人工智能的注塑件银纹缺陷检测方法及系统 - Google Patents
基于人工智能的注塑件银纹缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN116168003A CN116168003A CN202310179431.8A CN202310179431A CN116168003A CN 116168003 A CN116168003 A CN 116168003A CN 202310179431 A CN202310179431 A CN 202310179431A CN 116168003 A CN116168003 A CN 116168003A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- point
- processed
- region
- probability
- 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.)
- Withdrawn
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
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的注塑件银纹缺陷检测方法及系统。该方法包括:根据图像分割算法多次迭代对表面图像进行分割;选取异常区域中的待处理点,将待处理点分别代入正常区域的正常高斯模型和异常区域的异常高斯模型得到第一概率和第二概率;根据第一概率和第二概率获取待处理点的第一异常置信度;获取待处理点在图像分割算法迭代过程中首次处于异常区域的迭代次序、处于异常区域的迭代总次数以及最终处于异常区域的迭代持续次数,从而获取待处理点的第二异常置信度;进一步得到待处理点的异常置信度,根据异常置信度获取表面图像的缺陷区域。有效提高了对彩板注塑件缺陷的准确性。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的注塑件银纹缺陷检测方法及系统。
背景技术
在注塑件制作过程中,由于注塑期间塑料中的空气和湿气挥发,或者是不同种类的塑料混入分解而烧焦在制品表面形成的喷溅状痕迹,通常从浇口处以扇形方法向外辐射发散,将这种痕迹称为银纹,一般在成型品表面形成白斑或银色条纹,且流体前端较粗糙。
现有的对银纹缺陷的检测,一般针对于黑色或者深色的成型品,由于银纹缺陷在其表面呈现银色细纹,因此可以基于颜色差异直接将银纹缺陷区分出来;但这种方式对于彩色的成型品则不适用,银纹缺陷的存在会使得彩色注塑件表面的颜色发生改变,但其会与注塑件成型品本身的颜色产生混淆,无法准确判断出注塑件表面的银纹缺陷,影响对注塑缺陷的检测以及对工艺的改良,从而降低生产质量和生产效率。
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人工智能的注塑件银纹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人工智能的注塑件银纹缺陷检测方法,该方法包括以下步骤:
获取彩板注塑件的表面图像;根据图像分割算法多次迭代获取所述表面图像的正常区域和异常区域;
获取所述正常区域的正常高斯模型和所述异常区域的异常高斯模型;选取所述异常区域内任意像素点为待处理点,将所述待处理点分别代入所述正常高斯模型和所述异常高斯模型得到第一概率和第二概率;根据所述第二概率、所述第二概率和所述第一概率之间的差值获取所述待处理点的第一异常置信度;
获取所述待处理点在所述图像分割算法迭代过程中首次处于所述异常区域的迭代次序、所述待处理点处于所述异常区域的迭代总次数以及所述待处理点最终处于所述异常区域的迭代持续次数;根据所述迭代次序、所述迭代总次数以及所述迭代持续次数获取所述待处理点的第二异常置信度;
对所述待处理点的第一异常置信度和第二异常置信度加权求和得到所述待处理点的异常置信度,根据所述异常置信度获取所述表面图像的缺陷区域。
优选的,所述根据所述第二概率、所述第二概率和所述第一概率之间的差值获取所述待处理点的第一异常置信度的步骤,包括:
所述第一异常置信度为:
其中,Zi1表示待处理点i的第一异常置信度;Gzz(Xi)表示待处理点i代入正常高斯模型的第一概率;Gzy(Xi)表示待处理点i代入异常高斯模型的第二概率;(Gzy(Xi)-Gzz(Xi))表示待处理点i的第二概率与第一概率的差值。
优选的,所述根据所述迭代次序、所述迭代总次数以及所述迭代持续次数获取所述待处理点的第二异常置信度的步骤,包括:
以所述迭代次序以及所述迭代持续次数为调节系数;所述调节系数与所述迭代总次数的乘积为所述第二异常置信度。
优选的,所述根据所述异常置信度获取所述表面图像的缺陷区域的步骤,包括:
根据所述正常区域和所述异常区域获取所述表面图像的二值图;根据所述异常置信度获取所述表面图像的置信度图;将所述二值图与所述置信度图输入深度神经网络获取所述表面图像的缺陷区域。
优选的,所述根据图像分割算法迭代获取所述表面图像的正常区域和异常区域的步骤之前,包括:
将所述表面图像初步划分为正常的第一区域和异常的第二区域;获取所述第一区域的第一高斯模型和所述第二区域的第二高斯模型;
将所述第一区域内像素点代入所述第一高斯模型得到第一分类指标;将所述第二区域内像素点代入第二高斯模型得到第二分类指标;获取所述表面图像中所有像素点之间的灰度值差异;
根据所述灰度值差异、所述第一分类指标和所述第二分类指标对所述表面图像进行分割。
优选的,所述根据所述灰度值差异、所述第一分类指标和所述第二分类指标对所述表面图像进行分割的步骤,还包括:
以所述表面图像中每个像素点为节点,增加正常顶点和异常顶点;将所有所述节点之间相互连接,将所述第一区域像素点与所述正常顶点连接,所述第二区域像素点与所述异常顶点连接,构建节点图像;
所述节点图像内的连接线包括边界线和区域线;所述边界线为所述节点之间的连接线;所述区域线为所述节点与所述正常顶点或所述异常顶点之间的连接线;
所述节点之间的灰度值差异为所述边界线的权值;所述节点对应的第一分类指标或第二分类指标为所述区域线的权值;
根据所述边界线的权值和所述区域线的权值构建节点分割惩罚模型,根据所述节点分割惩罚模型确定所述节点图像的分割线,根据所述分割线对所述表面图像进行分割。
优选的,所述节点分割惩罚模型为:
其中,F表示节点分割惩罚值;wi,j表示第i个像素点和第j个像素点之间边界线的权值;C表示分割线切割的边界线所对应的节点集合;wk,T表示第k个像素点与第T个顶点之间对应区域线的权值;D表示分割线切割的区域线所对应的节点集合;e表示自然常数。
第二方面,本发明另一个实施例提供了一种基于人工智能的注塑件银纹缺陷检测系统,该系统包括存储器、处理器以及存储在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上述方法的步骤。
本发明具有如下有益效果:本发明实施例中通过图像分割算法的多次迭代得到彩色注塑板的表面图像的正常区域和异常区域;根据各区域内的像素点的灰度值构建正常高斯模型和异常高斯模型,进而计算异常区域内像素点属于正常区域的第一概率和属于异常区域的第二概率;根据第一概率和第二概率获取该像素点的第一异常置信度;进一步根据该像素点在图像分割算法不断迭代过程中的相关数据,得到该像素点的第二异常置信度;结合第一异常置信度和第二异常置信度获取该像素点的异常置信度。利用多次迭代分割,尽可能克服阈值分割的误差大的问题,再进一步结合异常像素点的参数特征对异常区域进行判断,有效提高了对异常缺陷区域识别的准确性。
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人工智能的注塑件银纹缺陷检测的方法流程图。
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人工智能的注塑件银纹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。
本发明实施例主要应用于对彩色注塑板的银纹缺陷判断,为了解决现有阈值分割方法不准确的问题,本发明实施例利用图像分割算法不断迭代获取表面图像的正常区域和异常区域的分割线,进一步获取每个异常像素点属于正常区域的第一概率和属于异常区域的第二概率,进而得到该异常像素点的第一异常置信度;根据在不断迭代的过程中类别信息得到该异常像素点的第二异常置信度;根据第一异常置信度和第二异常置信度得到该异常像素点对应的异常置信度,获取所有异常像素点的异常置信度,进一步得到缺陷区域;提高了缺陷检测的准确性。
下面结合附图具体的说明本发明所提供的一种基于人工智能的注塑件银纹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一种基于人工智能的注塑件银纹缺陷检测的方法流程图,该方法包括以下步骤:
步骤S100,获取彩板注塑件的表面图像;根据图像分割算法多次迭代获取表面图像的正常区域和异常区域。
为了便于对注塑成型的彩色注塑板进行分析,在待检测的彩色注塑板上方布置相机,采集正俯视视角下彩色注塑板的初始图像。在实际进行采集过程中,环境等因素可能会对采集到的初始图像的质量进行干扰,因此本发明实施例中对该初始图像进行图像增强处理,在其他实施例中,也可采用图像灰度化处理或者图像滤波去噪处理。对初始图像预处理之后得到质量较高的彩板注塑件的表面图像,用于后续对银纹缺陷的检测分析。
由于银纹缺陷在成型品的表面上呈现银色细纹,而存在银纹缺陷区域对应的像素点的颜色会与彩板注塑件本身的颜色存在差异,因此,可以根据表面图像上像素点之间的灰度差异对存在缺陷的区域和不存在缺陷的区域进行初步划分。
将表面图像初步划分为正常的第一区域和异常的第二区域;获取第一区域的第一高斯模型和第二区域的第二高斯模型;将第一区域内像素点代入第一高斯模型得到第一分类指标;将第二区域内像素点代入第二高斯模型得到第二分类指标;获取表面图像中所有像素点之间的灰度值差异;根据灰度值差异、第一分类指标和第二分类指标对表面图像进行分割。
具体的,基于该表面图像内所有像素点的灰度值构建灰度直方图,获取该表面图像中出现频率最大的灰度值,根据该出现频率最大的灰度值获取初步划分的灰度阈值:
X0=aXm
其中,X0表示灰度阈值;Xm为出现频率最大的灰度值;a表示权重系数。
作为优选,本发明实施例中将权重系数取经验值a=1.1。
当表面图像中像素点灰度值不大于该灰度阈值时,将该像素点初步分类为正常的不存在缺陷的第一区域;当表面图像中像素点灰度值大于该灰度阈值时,将该像素点初步分类为异常的存在缺陷的第二区域。
进一步的,对初步划分的第一区域和第二区域进一步分析。以存在异常的第二区域为例,为了提高对缺陷检测的准确性,对第二区域进行再次划分。本发明实施例中基于第二区域内像素点的灰度值采用K-means聚类算法将第二区域划分为多个簇,每个簇为一个子区域。
获取每个子区域内所有像素点的灰度均值和方差,根据该灰度均值和方差构成该子区域的高斯子模型为:
其中,Gi(X)表示第i个子区域的高斯子模型;μi表示第i个子区域的灰度均值;σi表示第i个子区域的灰度方差;x表示第i个子区域内任意像素点的像素值。
进一步获取每个高斯子模型对应的权值,本发明实施例中采用EM算法获取每个高斯子模型对应的权值,根据每个高斯子模型及其对应的权值获取该存在异常缺陷的第二区域的第二高斯模型为:
其中,Gy(X)表示第二区域的第二高斯模型;Gi(X)表示第i个子区域的高斯子模型;wi表示第i个子区域的高斯子模型对应的权值;s表示第二区域内子区域的数量。
基于上述获取第二高斯模型相同的方法,获取不存在异常的第一区域的第一高斯模型Gz(X)。
由于银纹缺陷存在的情况十分复杂,如果简单地通过上述灰度阈值进行区分,无法保证灰度阈值设置的准确性,因此基于灰度阈值区分表面图像的缺陷区域的方法与实际情况之间可能存在较大误差,从而使得初步区分后的结果并不可靠。根据获取到的第一高斯模型和第二高斯模型进一步的对表面图像进行分割。
以表面图像中每个像素点为节点,增加正常顶点和异常顶点;将所有节点之间相互连接,将第一区域像素点与正常顶点连接,第二区域像素点与异常顶点连接,构建节点图像;节点图像内的连接线包括边界线和区域线;边界线为节点之间的连接线;区域线为节点与正常顶点或异常顶点之间的连接线;节点之间的灰度值差异为边界线的权值;节点对应的第一分类指标或第二分类指标为区域线的权值;根据边界线的权值和区域线的权值构建节点分割惩罚模型,根据节点分割惩罚模型确定节点图像的分割线,根据分割线对表面图像进行分割。
具体的,本发明实施例中采用基于能量最小化的图切割方法对表面图像进行分割,其中确定表面图像的分割线进行分割的具体手段为:
以表面图像中的每个像素点作为一个节点,将每两个相邻节点之间依次进行连接,每两个相邻节点之间的连接线为边界线;人为增加两个顶点分别为第一区域的正常顶点和第二区域的异常顶点,将第一区域内所有节点与该正常顶点连接,将第二区域内所有节点与该异常顶点连接,每个节点与正常顶点或者异常顶点之间的连接线为区域线,以此构建出表面图像对应的节点图像。
需要说明的是,正常顶点以及异常顶点的位置通过人为设置,且正常顶点和异常顶点与表面图像中的任意一个节点都不重合。
进一步计算该节点图像中所有连接线的边权值。对于相邻节点之间的边界线来说,其对应的两个节点之间的灰度值差异越大,则该边界线被分割的可能性就越大,因此边界线的边权值模型为:
其中,wi,j表示第i个节点和第j个节点之间边界线的边权值;α表示优化系数;Xi表示第i个节点对应的灰度值;Xj表示第j个节点对应的灰度值。
需要说明的是,当优化系数的取值越小,则该边界线的边权值模型的有效取值范围越大,本发明实施例中设置优化系数α=0.05,边界线的边权值值域范围为(0,1]。
对于任意节点与其对应的顶点之间的区域边,基于每个节点初始类别对应的第一高斯模型或者第二高斯模型判断其属于第一区域或第二区域的概率,将该概率作为该节点对应的分类指标。当该节点初始类别划为第一区域或第二区域对应的概率越大,则该节点初始分类的置信度越高。则区域线的边权值模型为:
其中,wk,T表示第j个节点与第T个顶点之间对应区域线的边权值;Gz(k)表示第k个节点属于第一区域的第一分类指标;Gy(k)表示第k个节点属于第二区域的第二分类指标。
对表面图像切割的分割线是一段连续的线段,且该分割线切割多条边界线和区域线。为了将表面图像的正常区域和异常区域较为准确的分割开,因此该分割线应该将灰度值差异较大的像素点分为两类,即该分割线应切割边权值较小的边界线,再结合每个节点对应类别的分类指标的大小确定分割线,则该分割线应该分割边界线以及区域线对应边权值之和最小的边。
进一步的,根据边界线和区域线对应的边权值构建节点分割惩罚模型:
其中,F表示节点分割惩罚值;wi,j表示第i个像素点和第j个像素点之间边界线的权值;C表示分割线切割的边界线所对应的节点集合;wk,T表示第k个像素点与第T个顶点之间对应区域线的权值;D表示分割线切割的区域线所对应的节点集合;e表示自然常数;为节点分割惩罚模型的调节因子,值域为[0,1]。
对于一张表面图像,本发明实施例中利用最大流算法得到该表面图像对应的最大流值,遍历该表面图像中可能存在的所有条分割线,计算每条分割线对应的流值,筛选出所有分割线自身对应的流值与表面图像对应的最大流值一致时的分割线,计算筛选出的每条分割线的节点分割惩罚模型,获取节点分割惩罚值最小时对应的分割线。基于该分割线将该表面图像再次分类为正常的区域和异常的区域。基于上述获取节点分割惩罚模型相同的方法,得到再次分类的节点分割惩罚值最小时对应的分割线,进而对表面图像进行再一次的分割。
对上述确认分割线分割表面图像的步骤进行不断的迭代,直至获取到的分割线不再改变,则以此时分割线分割出的区域作为表面图像最终的正常区域和异常区域。
步骤S200,获取正常区域的正常高斯模型和异常区域的异常高斯模型;选取异常区域内任意像素点为待处理点,将待处理点分别代入正常高斯模型和异常高斯模型得到第一概率和第二概率;根据第二概率、第二概率和第一概率之间的差值获取待处理点的第一异常置信度。
由步骤S100中获取到由分割线划分的表面图像中的正常区域和异常区域;但在图像分割算法不断迭代的过程中,每个异常像素点的判断结果可能也在不断的变化,因此对最终判断为异常像素点的异常置信度进行计算。
具体的,根据正常区域中所有正常像素点的灰度值构建正常高斯模型,根据异常区域中所有异常像素点的灰度值构建异常高斯模型。选取异常区域中任意一个异常像素点作为待处理点,将该待处理点代入到正常高斯模型中得到该待处理点属于正常区域的第一概率,将该待处理点代入到异常高斯模型中得到该待处理点属于异常区域的第二概率。
进一步的,当该待处理点属于异常区域的第二概率较大时,说明该待处理点被分类为异常像素点的置信度较高;并且在该待处理像素点所对应的第二概率与第一概率差异较大时,也可以说明该待处理点被分类为异常像素点的置信度高。因此,根据异常区域中所有待处理点对应的第一概率和第二概率拟合出每个待处理点的第一异常置信度为:
其中,Zi1表示第i个待处理点的第一异常置信度;Gzz(Xi)表示第i个待处理点代入正常高斯模型的第一概率;Gzy(Xi)表示第i个待处理点代入异常高斯模型的第二概率;(Gzy(Xi)-Gzz(Xi))表示第i个待处理点的第二概率与第一概率的差值。
需要说明的是,由于待处理点对应的为表面图像的异常像素点,因此默认待处理点属于异常区域的第二概率大于该待处理点属于正常区域的第一概率。
步骤S300,获取待处理点在图像分割算法迭代过程中首次处于异常区域的迭代次序、待处理点处于异常区域的迭代总次数以及待处理点最终处于异常区域的迭代持续次数;根据迭代次序、迭代总次数以及迭代持续次数获取待处理点的第二异常置信度。
由步骤S100中获取最终分割线的步骤中,对分割线不断迭代过程中,表面图像中每个像素点在每次迭代时的分类结果可能并不相同。本发明实施例中将分类为正常区域的任意像素点的像素值置为0,将分类为异常区域的任意像素点的像素值置为1。
则对于任意像素点的不断迭代过程中的迭代结果序列为:
Di=[di1,di2,...,diN]
其中,Di表示第i个像素点的迭代结果序列;di1表示第i个像素点第1次迭代的像素值;diN表示第i个像素点第N次迭代的像素值。
由此能够获取表面图像中所有像素点对应的迭代结果序列,以任意异常区域像素点为例,根据其对应的迭代结果序列可以得到该像素点首次被判断为异常像素点的迭代次序、最终被判断为异常像素点的迭代持续次数以及该像素点在迭代结果序列中被判断为异常像素点的迭代总次数。
以迭代次序以及迭代持续次数为调节系数;调节系数与迭代总次数的乘积为第二异常置信度。则异常像素点的第二异常置信度为:
Zi2=αini
其中,Zi2表示第i个异常像素点的第二异常置信度;ni表示第i个异常像素点在迭代结果序列中被判断为异常像素点的迭代总次数;αi表示第i个异常像素点的调节系数。
其中,调节系数的取值为:
其中,αi表示第i个异常像素点的调节系数,取值范围为[1,2);ni1表示第i个异常像素点在迭代结果序列中首次被判断为异常点的迭代次序;ni2表示第i个异常像素点最终被判断为异常像素点的迭代持续次数。
因此每个异常像素点的第二异常置信度模型为:
其中,Zi2表示第i个异常像素点的第二异常置信度;ni1表示第i个异常像素点在迭代结果序列中首次被判断为异常点的迭代次序;ni2表示第i个异常像素点最终被判断为异常像素点的迭代持续次数;dij表示第i个异常像素点在第j次迭代时的像素值,其取值与第i个异常像素点在迭代结果序列中被判断为异常像素点的迭代总次数相等;N表示迭代过程的总次数。
步骤S400,对待处理点的第一异常置信度和第二异常置信度加权求和得到待处理点的异常置信度,根据异常置信度获取表面图像的缺陷区域。
由步骤S200和步骤S300中获取到待处理点的第一异常置信度和第二异常置信度,为了方便后续的计算,对第一异常置信度和第二异常置信度分别进行归一化处理,根据归一化之后的第一异常置信度和第二异常置信度进行加权求和得到的异常置信度为:
Zi=β1Zi1′+β2Zi2′
其中,Zi表示第i个待处理点的置信度,Zi1'表示第i个待处理点归一化后的第一异常置信度;Zi2'表示第i个待处理点归一化后的第二异常置信度;β1表示第一异常置信度的权值;β2表示第二异常置信度的权值。
作为优选,本发明实施例中根据经验设定β1=0.5,β2=0.5。
以此类推,获取异常区域中所有异常像素点的异常置信度。根据正常区域和异常区域获取表面图像的二值图;根据异常置信度获取表面图像的置信度图;将二值图与置信度图输入深度神经网络获取表面图像的缺陷区域。
具体的,本发明实施例中默认正常区域像素点的异常置信度为0,根据表面图像中所有像素点对应的异常置信度获取对应的置信度图。
进一步的,对表面图像中分割线划分的正常区域和异常区域重新赋值,将正常区域中所有像素点的灰度值置为0,将异常区域中所有像素点的灰度值置为1,由此构成该表面图像对应的二值图。
本发明实施例中利用深度神经网络检测获取彩板注塑件的缺陷区域,网络为编码器-全连接结构的双通道深度神经网络,具体训练过程为:
(1)深度神经网络的两个通道分别输入二值图和置信度图;
(2)利用编码器对二值图和置信度图进行特征提取获得特征图像,进而使用全连接网络对像素点进行分类;将银纹缺陷的像素点标注为1,不是银纹缺陷的像素点标注为0;
(3)深度神经网络的输出为二值图和置信度图中像素点是否为银纹缺陷的分类结果。
根据深度神经网络输出的结果与彩板注塑件的表面图像对应得到该表面图像上的银纹缺陷区域。
综上所述,本发明实施例中通过图像分割算法不断迭代获取表面图像的正常区域和异常区域的分割线,进一步分别获取正常区域和异常区域对应的高斯模型,将异常区域任意异常像素点分别代入正常高斯模型和异常高斯模型中得到该像素点对应的第一概率和第二概率。根据每个异常像素点对应的第一概率和第二概率得到该异常像素点的第一异常置信度;获取在不断迭代的过程中异常像素点首次被判断为异常的次序、最终被判断为异常像素点的持续次数以及在迭代过程中被判断为异常的总次数,根据该异常像素点对应的次序、持续次数以及总次数得到第二异常置信度;根据第一异常置信度和第二异常置信度的加权求和得到该异常像素点对应的异常置信度;进一步根据所有异常像素点的异常置信度得到缺陷区域。不断迭代获取图像的分割线,有效提高对表面图像的正常区域和异常区域划分的准确性,综合考虑每个异常像素点的参数得到每个异常像素点的异常置信度,从而进一步提高了缺陷检测的准确性。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种基于人工智能的注塑件银纹缺陷检测系统,该系统包括:处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于人工智能的注塑件银纹缺陷检测方法实施例中的步骤,例如图1所示的步骤。该一种基于人工智能的注塑件银纹缺陷检测方法在上述实施例中已经详细说明,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 (8)
1.一种基于人工智能的注塑件银纹缺陷检测方法,其特征在于,该方法包括以下步骤:
获取彩板注塑件的表面图像;根据图像分割算法多次迭代获取所述表面图像的正常区域和异常区域;
获取所述正常区域的正常高斯模型和所述异常区域的异常高斯模型;选取所述异常区域内任意像素点为待处理点,将所述待处理点分别代入所述正常高斯模型和所述异常高斯模型得到第一概率和第二概率;根据所述第二概率、所述第二概率和所述第一概率之间的差值获取所述待处理点的第一异常置信度;
获取所述待处理点在所述图像分割算法迭代过程中首次处于所述异常区域的迭代次序、所述待处理点处于所述异常区域的迭代总次数以及所述待处理点最终处于所述异常区域的迭代持续次数;根据所述迭代次序、所述迭代总次数以及所述迭代持续次数获取所述待处理点的第二异常置信度;
对所述待处理点的第一异常置信度和第二异常置信度加权求和得到所述待处理点的异常置信度,根据所述异常置信度获取所述表面图像的缺陷区域。
3.根据权利要求1所述的方法,其特征在于,所述根据所述迭代次序、所述迭代总次数以及所述迭代持续次数获取所述待处理点的第二异常置信度的步骤,包括:
以所述迭代次序以及所述迭代持续次数为调节系数;所述调节系数与所述迭代总次数的乘积为所述第二异常置信度。
4.根据权利要求1所述的方法,其特征在于,所述根据所述异常置信度获取所述表面图像的缺陷区域的步骤,包括:
根据所述正常区域和所述异常区域获取所述表面图像的二值图;根据所述异常置信度获取所述表面图像的置信度图;将所述二值图与所述置信度图输入深度神经网络获取所述表面图像的缺陷区域。
5.根据权利要求1所述的方法,其特征在于,所述根据图像分割算法迭代获取所述表面图像的正常区域和异常区域的步骤之前,包括:
将所述表面图像初步划分为正常的第一区域和异常的第二区域;获取所述第一区域的第一高斯模型和所述第二区域的第二高斯模型;
将所述第一区域内像素点代入所述第一高斯模型得到第一分类指标;将所述第二区域内像素点代入第二高斯模型得到第二分类指标;获取所述表面图像中所有像素点之间的灰度值差异;
根据所述灰度值差异、所述第一分类指标和所述第二分类指标对所述表面图像进行分割。
6.根据权利要求5所述的方法,其特征在于,所述根据所述灰度值差异、所述第一分类指标和所述第二分类指标对所述表面图像进行分割的步骤,还包括:
以所述表面图像中每个像素点为节点,增加正常顶点和异常顶点;将所有所述节点之间相互连接,将所述第一区域像素点与所述正常顶点连接,所述第二区域像素点与所述异常顶点连接,构建节点图像;
所述节点图像内的连接线包括边界线和区域线;所述边界线为所述节点之间的连接线;所述区域线为所述节点与所述正常顶点或所述异常顶点之间的连接线;
所述节点之间的灰度值差异为所述边界线的权值;所述节点对应的第一分类指标或第二分类指标为所述区域线的权值;
根据所述边界线的权值和所述区域线的权值构建节点分割惩罚模型,根据所述节点分割惩罚模型确定所述节点图像的分割线,根据所述分割线对所述表面图像进行分割。
8.一种基于人工智能的注塑件银纹缺陷检测系统,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1~7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310179431.8A CN116168003A (zh) | 2023-02-28 | 2023-02-28 | 基于人工智能的注塑件银纹缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310179431.8A CN116168003A (zh) | 2023-02-28 | 2023-02-28 | 基于人工智能的注塑件银纹缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116168003A true CN116168003A (zh) | 2023-05-26 |
Family
ID=86411284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310179431.8A Withdrawn CN116168003A (zh) | 2023-02-28 | 2023-02-28 | 基于人工智能的注塑件银纹缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168003A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402827A (zh) * | 2023-06-09 | 2023-07-07 | 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 |
CN116664557A (zh) * | 2023-07-28 | 2023-08-29 | 无锡市明通动力工业有限公司 | 一种风机叶片表面缺陷视觉检测方法 |
CN116958126A (zh) * | 2023-09-18 | 2023-10-27 | 深圳市深奇浩实业有限公司 | 基于计算机视觉的模具注塑检测方法及系统 |
CN117132946A (zh) * | 2023-10-26 | 2023-11-28 | 山东力为万方智能科技有限公司 | 一种消防占道异常物体检测方法及系统 |
-
2023
- 2023-02-28 CN CN202310179431.8A patent/CN116168003A/zh not_active Withdrawn
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402827A (zh) * | 2023-06-09 | 2023-07-07 | 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 |
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 |
CN116664557A (zh) * | 2023-07-28 | 2023-08-29 | 无锡市明通动力工业有限公司 | 一种风机叶片表面缺陷视觉检测方法 |
CN116664557B (zh) * | 2023-07-28 | 2023-09-22 | 无锡市明通动力工业有限公司 | 一种风机叶片表面缺陷视觉检测方法 |
CN116958126A (zh) * | 2023-09-18 | 2023-10-27 | 深圳市深奇浩实业有限公司 | 基于计算机视觉的模具注塑检测方法及系统 |
CN116958126B (zh) * | 2023-09-18 | 2023-12-12 | 深圳市深奇浩实业有限公司 | 基于计算机视觉的模具注塑检测方法及系统 |
CN117132946A (zh) * | 2023-10-26 | 2023-11-28 | 山东力为万方智能科技有限公司 | 一种消防占道异常物体检测方法及系统 |
CN117132946B (zh) * | 2023-10-26 | 2024-01-12 | 山东力为万方智能科技有限公司 | 一种消防占道异常物体检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116168003A (zh) | 基于人工智能的注塑件银纹缺陷检测方法及系统 | |
CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
Li et al. | SAR image change detection using PCANet guided by saliency detection | |
CN110021028B (zh) | 一种基于服装款式图的自动制衣方法 | |
CN116167668B (zh) | 基于bim的绿色节能建筑施工质量评价方法及系统 | |
CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
CN111914902B (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
CN113269791B (zh) | 一种基于边缘判定与区域生长的点云分割方法 | |
CN113781585B (zh) | 一种增材制造零件表面缺陷在线检测方法及系统 | |
CN113439276A (zh) | 基于机器学习的半导体样本中的缺陷分类 | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
Reddy et al. | A hybrid K-means algorithm improving low-density map-based medical image segmentation with density modification | |
CN108090913B (zh) | 一种基于对象级Gauss-Markov随机场的图像语义分割方法 | |
CN116206208B (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
US20210150078A1 (en) | Reconstructing an object | |
CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
Li et al. | Crack Detection and Recognition Model of Parts Based on Machine Vision. | |
CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
Bazazian et al. | Segmentation-based multi-scale edge extraction to measure the persistence of features in unorganized point clouds | |
CN111008949B (zh) | 牙齿图像的软硬组织检测方法 | |
CN115761211A (zh) | 一种基于rgb图像与热成像耦合的石化企业泵房设备温度监测方法及装置 | |
CN111627033A (zh) | 一种难样本实例分割方法、设备及计算机可读存储介质 | |
CN113205465A (zh) | 点云数据集分割方法及系统 | |
Lulio et al. | Jseg algorithm and statistical ann image segmentation techniques for natural scenes | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230526 |