CN116188458B - 一种汽车配件压铸模具表面形变异常智能识别方法 - Google Patents

一种汽车配件压铸模具表面形变异常智能识别方法 Download PDF

Info

Publication number
CN116188458B
CN116188458B CN202310416345.4A CN202310416345A CN116188458B CN 116188458 B CN116188458 B CN 116188458B CN 202310416345 A CN202310416345 A CN 202310416345A CN 116188458 B CN116188458 B CN 116188458B
Authority
CN
China
Prior art keywords
dimensional
identified
die
point
local
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
CN202310416345.4A
Other languages
English (en)
Other versions
CN116188458A (zh
Inventor
郝才高
唐科斌
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.)
Huizhou Kaimo Metal Products Co ltd
Original Assignee
Huizhou Kaimo Metal Products 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 Huizhou Kaimo Metal Products Co ltd filed Critical Huizhou Kaimo Metal Products Co ltd
Priority to CN202310416345.4A priority Critical patent/CN116188458B/zh
Publication of CN116188458A publication Critical patent/CN116188458A/zh
Application granted granted Critical
Publication of CN116188458B publication Critical patent/CN116188458B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/18—Details relating to CAD techniques using virtual or augmented reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/22—Moulding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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

本发明涉及压铸模具表面形变识别领域，具体涉及一种汽车配件压铸模具表面形变异常智能识别方法，包括：获取待识别汽车配件压铸模具三维轮廓图像以及标准三维轮廓图像；根据各个待识别汽车配件压铸模具三维轮廓图像中每个三维轮廓点局部三维空间内的分布特征得到三维采样点集合；根据每个三维采样点各个特征提取区域的特征指标得到每个三维采样点的特征矩阵；获取标准三维轮廓图像中各个标准三维轮廓点的特征矩阵；根据匹配算法以及特征矩阵间的相似度得到各组匹配对；根据各组匹配对得到汽车配件压铸模具表面形变识别指标，进而实现对待识别汽车配件压铸模具表面形变异常的智能识别。本发明可提高汽车配件表面形变异常识别精度，降低计算成本。

Description

一种汽车配件压铸模具表面形变异常智能识别方法
技术领域
本发明涉及压铸模具表面形变识别领域，具体涉及一种汽车配件压铸模具表面形变异常智能识别方法。
背景技术
汽车配件压铸模具对于汽车配件的成型至关重要，汽车配件压铸成型过程中，其压铸模具表面极易出现变形现象，引起汽车配件压铸模具变形的因素有很多：压铸件结构设计不均匀收缩；压铸模具温度高，本身模具的硬度不够，冷却时间不足；模具设置位置不合理、偏转；腔的不同部分之间的温差很大，冷却实施不均匀等，均会导致汽车配件压铸模具的变形现象，一般主要是在表面零件上有一点变形的话，就会影响整车的质量，给外观带来很大的质量缺陷。
因此，汽车配件压铸模具加工成型后，需要对其表面形变进行检测，以保证汽车配件质量。但当前对汽车配件压铸模具形变检测技术尚不完善，一般是采用大型的专用检测设置直接对汽车配件压铸模具进行全检，效率较低，或者只是单纯的对某个指定部位进行抽检，无法进行调节，比较呆板，同时检测精度不够，其存在检测成本高、操作复杂等缺陷。
发明内容
本发明提供一种汽车配件压铸模具表面形变异常智能识别方法，以解决现有的问题。
本发明的一种汽车配件压铸模具表面形变异常智能识别方法采用如下技术方案：
本发明一个实施例提供了一种汽车配件压铸模具表面形变异常智能识别方法，该方法包括以下步骤：
获取待识别汽车配件压铸模具三维图像以及标准汽车配件压铸模具三维图像；
根据待识别汽车配件压铸模具三维图像以及标准汽车配件压铸模具三维图像得到待识别汽车配件压铸模具三维轮廓图像和标准汽车配件压铸模具三维轮廓图像；
将待识别汽车配件压铸模具三维轮廓图像中的各个三维轮廓点记为各个待识别三维轮廓点；
以待识别三维轮廓点为球心，根据半径得到待识别三维轮廓点的局部三维空间；根据各个待识别三维轮廓点局部三维空间内所包含的待识别三维轮廓点的三维坐标信息得到各个待识别三维轮廓点的局部三维空间分布矩阵；根据各个待识别三维轮廓点的局部三维空间分布矩阵特征值以及局部三维空间内所包含的待识别三维轮廓点的灰度信息得到各个待识别三维轮廓点的轮廓丰富度；根据各个待识别三维轮廓点的轮廓丰富度得到待识别三维采样点集合；
获取待识别三维采样点集合中各个待识别三维采样点的球坐标；以待识别三维采样点为球心，设置不同检测半径得到不同检测球；对各个检测球进行划分得到待识别三维采样点的各个特征提取区域；根据各个特征提取区域内所包含的待识别三维轮廓点的三维坐标信息得到各个特征提取区域的局部轮廓变化矩阵；根据各个特征提取区域局部轮廓变化矩阵的特征值得到各个特征提取区域的局部轮廓变化方向；根据各个特征提取区域内包含的待识别三维轮廓点的曲率、挠率得到各个特征提取区域的曲率变化均值以及挠率变化均值；根据各个特征提取区域包含的待识别三维轮廓点的个数、局部轮廓变化方向、曲率变化均值以及挠率变化均值得到各个特征提取区域的特征集合；根据待识别三维采样点所有特征提取区域的特征集合得到待识别三维采样点的特征矩阵；
将标准汽车配件压铸模具三维轮廓图像中的各个三维轮廓点记为各个标准三维轮廓点；获取各个标准三维轮廓点的标准特征矩阵；
根据各个待识别三维采样点的特征矩阵以及各个标准三维轮廓点的标准特征矩阵，通过匹配算法得到各组匹配对；根据各组匹配对之间的相似度得到汽车配件压铸模具表面形变异常识别指标；根据汽车配件压铸模具表面形变异常识别指标对待测汽车配件压铸模具表面形变异常进行智能识别。
优选的，所述根据各个待识别三维轮廓点局部三维空间内所包含的待识别三维轮廓点的三维坐标信息得到各个待识别三维轮廓点的局部三维空间分布矩阵，具体为：式中，/>为待识别三维轮廓点c的局部三维空间分布矩阵，/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点x坐标之间的方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点y坐标之间的方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点z坐标之间的方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点x坐标与y坐标之间的协方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点x坐标与z坐标之间的协方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点y坐标与x坐标之间的协方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点y坐标与z坐标之间的协方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点z坐标与x坐标之间的协方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点z坐标与y坐标之间的协方差。
优选的，所述根据各个待识别三维轮廓点的局部三维空间分布矩阵特征值以及局部三维空间内包含的待识别三维轮廓点的灰度信息得到各个待识别三维轮廓点的轮廓丰富度的表达式为：式中，/>为待识别三维轮廓点c的轮廓丰富度；/>为待识别三维轮廓点c局部三维空间内所有待识别三维轮廓点的灰度方差；/>分别为待识别三维轮廓点c的局部三维空间分布矩阵的第一特征值、第二特征值、第三特征值；/>为取最小值操作；/>为取绝对值操作；/>为以自然数e为底数的对数函数。
优选的，所述根据各个待识别三维轮廓点的轮廓丰富度得到待识别三维采样点集合获取方法为：对各个待识别三维轮廓点的轮廓丰富度进行归一化处理，将轮廓丰富度高于丰富度阈值的待识别三维轮廓点作为待识别三维采样点；所有待识别三维采样点得到待识别三维采样点集合。
优选的，所述根据各个特征提取区域局部轮廓变化矩阵的特征值得到各个特征提取区域的局部轮廓变化方向的获取方法为：计算各个特征提取区域的局部轮廓变化矩阵的特征值，将绝对值最大的特征值对应的特征向量的方向作为各个特征提取区域的局部轮廓变化方向。
优选的，所述根据各个特征提取区域内包含的待识别三维轮廓点的曲率、挠率得到各个特征提取区域的曲率变化均值以及挠率变化均值的获取方法为：计算特征提取区域内包含的待识别三维轮廓点的曲率、挠率；计算特征提取区域内两两待识别三维轮廓点之间的曲率差值绝对值、挠率差值绝对值；将特征提取区域内所有曲率差值绝对值的均值、挠率差值绝对值的均值作为特征提取区域的曲率变化均值、挠率变化均值。
优选的，所述根据各个待识别三维采样点的特征矩阵以及各个标准三维轮廓点的标准特征矩阵，通过匹配算法得到各组匹配对的获取方法为：将各个待识别三维采样点的特征矩阵与各个标准三维轮廓点的标准特征矩阵之间的余弦相似度作为点对相似度，通过匈牙利算法来进行匹配，得到各个待识别三维采样点对应的标准三维轮廓点，获取各组匹配对。
优选的，所述根据各组匹配对之间的相似度得到汽车配件压铸模具表面形变异常识别指标的表达式为：式中，/>为待识别汽车配件压铸模具表面形变异常识别指标；U为匹配对集合；/>为待识别三维采样点；/>为待识别三维采样点/>的匹配点；/>为待识别三维采样点/>的轮廓丰富度；/>为待识别三维采样点/>对应特征矩阵与待识别三维采样点/>的匹配点/>对应特征矩阵之间的余弦相似度。
本发明具有如下有益效果：
本发明结合三维激光扫描技术获取待识别汽车配件压铸模具的三维信息，并通过压铸模具仿真模拟软件获取标准汽车配件压铸模具的三维虚拟仿真模型，并根据结合每个待识别三维轮廓点的局部三维空间的轮廓分布状况得到各个待识别三维轮廓点的轮廓丰富度，通过各个待识别三维轮廓点的轮廓丰富度对待识别三维轮廓点进行筛选，解决了传统随机选取三维轮廓点的随机性，避免了随机选取丢失部分能够表征待识别汽车配件压铸模具三维轮廓的关键三维轮廓点，同时避免了全部选取参与识别分析的计算成本高、识别速度低等问题；同时，通过各个待识别三维采样点的多维局部轮廓特征，可对待识别三维采样点的局部轮廓进行准确表述，进一步提高待识别汽车配件压铸模具的表面形变识别准确度。
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，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为本发明的一种汽车配件压铸模具表面形变异常智能识别方法的步骤流程图。
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汽车配件压铸模具表面形变异常智能识别方法，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。
下面结合附图具体的说明本发明所提供的一种汽车配件压铸模具表面形变异常智能识别方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种汽车配件压铸模具表面形变异常智能识别方法的步骤流程图，该方法包括以下步骤：
步骤S001：通过三维激光扫描仪获取待识别汽车配件压铸模具的三维信息，并通过汽车配件压铸模具仿真模拟软件得到虚拟标准汽车配件压铸模具的三维信息。
本实施例主要通过汽车配件压铸模具图像数据对其表面形变异常进行智能化识别，因此，本实施例将设置图像采集设备，用于对待识别汽车配件压铸模具的图像数据进行提取，为实现对汽车配件压铸模具表面形变的准确检测识别，本实施例将获取待识别汽车配件压铸模具的三维图像，本实施例中图像采集设备包括三维激光扫描仪、光源、放置台等装置，具体装置安排以及设备位置部署实施者根据实际情况自行设定，本实施例中将待识别汽车配件压铸模具放置于固定台上，通过三维激光扫描仪扫描待识别汽车配件压铸模具，得到待识别汽车配件压铸模具对应的三维信息，获取待识别汽车配件压铸模具的三维图像。
为实现对待识别汽车配件压铸模具表面形变异常的智能识别，本实施例将获取标准汽车配件压铸模具三维虚拟模型，作为待识别汽车配件压铸模具形变异常识别的基准。本实施例中通过压铸模具仿真模拟软件构建虚拟标准汽车配件压铸模具的三维信息，在此需要说明，虚拟标准汽车配件压铸模具与待识别汽车配件压铸模具型号以及各参数保持一致。需要说明的是，压铸模具仿真模拟软件以及具体模拟仿真过程为现有公知技术。
至此，即可得到待识别汽车配件压铸模具三维图像，同时获取标虚拟准汽车配件压铸模具的三维信息。
步骤S002：根据待识别三维轮廓点的局部三维空间轮廓特征选取待识别三维采样点集合，结合三维采样点的各个特征提取区域的特征集合，提取三维采样点的特征矩阵。
首先，为便于对汽车配件压铸模具表面形变的识别，本实施例将对汽车配件压铸模具表面三维轮廓进行提取，通过三维轮廓检测算法提取待识别汽车配件压铸模具对应的三维轮廓表面图像，现有技术中三维轮廓测量算法有很多，也可以参考现有专利三维轮廓检测方法：如公开号为CN106959078B的发明申请、公开号为CN101074869A的发明申请等，具体方法实施者可自行选取。至此即可得到待识别汽车配件压铸模具三维轮廓图像，记为待识别汽车配件压铸模具三维轮廓图像，将待识别汽车配件压铸模具三维轮廓图像中的各个三维轮廓点记为各个待识别三维轮廓点。对于虚拟标准汽车配件压铸模具，同样获取对应的三维轮廓图像，具体通过现有虚拟模型轮廓处理检测方法，或者参考公开为CN113350792A的发明申请中的方法，具体方法实施者可自行选取，将虚拟标准汽车配件压铸模具的三维轮廓图像，记为标准汽车配件压铸模具三维轮廓图像，将标准汽车配件压铸模具三维轮廓图像中的各个三维轮廓点记为各个标准三维轮廓点。
本实施例考虑到将全部待识别三维轮廓点均参与汽车配件压铸模具表面形变异常的识别分析，将会导致数据量大、计算成本高、检测效率低等问题，为实现对待识别汽车配件压铸模具表面形变异常的准确识别，且同时保证降低计算量，提高识别速度，本实施例将从所有待识别三维轮廓点中提取待识别三维采样点集合，而传统对于三维轮廓点进行选取大多采用随机选取的方式，考虑到随机选取的随机性，可能会丢失部分能够表征汽车配件压铸模具三维轮廓特征的关键三维轮廓点，因此本实施例将基于各个待识别三维轮廓点的局部轮廓状况对待识别三维采样点进行筛选，具体筛选过程为：
以待识别三维轮廓点为球心，r为半径，获取待识别三维轮廓点的球体区域，作为待识别三维轮廓点的局部三维空间，需要说明的是，半径r的取值实施者可自行设定，本实施例将其设置为r=5。考虑到待识别三维轮廓点的局部三维空间内所包含的各个待识别三维轮廓点的三维坐标信息能够体现待识别三维轮廓点的局部轮廓分布情况，因此，通过待识别三维轮廓点的局部三维空间包含的待识别三维轮廓点的三维信息，本实施例构建待识别三维轮廓点的局部三维空间分布矩阵：其中，为待识别三维轮廓点c的局部三维空间分布矩阵，/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点x坐标之间的方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点y坐标之间的方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点z坐标之间的方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点x坐标与y坐标之间的协方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点x坐标与z坐标之间的协方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点y坐标与x坐标之间的协方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点y坐标与z坐标之间的协方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点z坐标与x坐标之间的协方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点z坐标与y坐标之间的协方差；局部三维空间分布矩阵能够体现待识别三维轮廓点局部三维空间内的轮廓分布变化情况。
然后，获取待识别三维轮廓点局部三维空间分布矩阵的特征值，特征值的大小能够表征待识别三维轮廓点的局部三维空间内轮廓变化情况，如果三个特征值的绝对值都很大，则待识别三维轮廓点在局部三维空间内各个方向的表面轮廓变化程度均较大，待识别三维轮廓点的局部三维轮廓丰富程度越高。同时，考虑到待识别三维轮廓点的局部三维空间内包含的所有待识别三维轮廓点的灰度方差越大，则待识别三维轮廓点的局部三维轮廓越丰富。根据待识别三维轮廓点的局部三维空间分布矩阵特征值以及局部三维空间内包含的所有待识别三维轮廓点的灰度信息，构建待识别三维轮廓点的轮廓丰富度：式中，/>为待识别三维轮廓点c的轮廓丰富度；为待识别三维轮廓点c局部三维空间内所有待识别三维轮廓点的灰度方差；分别为待识别三维轮廓点c的局部三维空间分布矩阵的第一特征值、第二特征值、第三特征值；/>为取最小值操作；/>为取绝对值操作；/>为以自然数e为底数的对数函数。轮廓丰富度越大，待识别三维轮廓点的局部轮廓越复杂多样，对于待识别汽车配件压铸模具的表面形变识别影响越大，也即待识别三维轮廓点越关键，重要性越高。
重复上述方法，获取每个待识别三维轮廓点的轮廓丰富度，对轮廓丰富度进行归一化处理，保证轮廓丰富度处于，设置轮廓丰富度阈值，当待识别三维轮廓点的轮廓丰富度高于轮廓丰富度阈值时，将待识别三维轮廓点作为待识别三维采样点，根据所有待识别三维采样点得到待识别三维采样点集合。
对于待识别三维采样点集合，每个待识别三维采样点可获取其在三维直角坐标系中对应的三维坐标信息，以待识别三维采样点k为例，待识别三维采样点k的三维直角坐标信息记为，本实施例考虑到汽车配件压铸模具表面轮廓点的三维球坐标中包含的角度信息可以更好的反映汽车配件压铸模具表面不规则的轮廓特征，因此本实施例通过坐标转换，将待识别三维采样点转换到三维球坐标系中，得到待识别三维采样点k在三维球坐标系中的三维球坐标/>，其中：，其中，/>分别为待识别三维采样点k在三维直角坐标系中的横坐标、纵坐标与竖坐标；/>分别为待识别三维采样点k在三维球坐标系中的径向距离、天顶角与方位角；/>为反余弦函数；/>为反正切函数。
重复上述方法，获取待识别三维采样点集合中各个待识别三维采样点的三维球坐标；对于各个标准三维轮廓点，在虚拟系统中对其进行坐标转换，获取每个标准三维轮廓点的三维球坐标。
然后，本实施例将对待识别三维采样点的特征矩阵进行提取，以对待识别三维采样点的局部三维轮廓状况进行表征。以待识别三维采样点k为例，待识别三维采样点k的特征矩阵提取过程具体为：
以待识别三维采样点k为球心，获取不同的检测半径对应的各个球体区域，将每个球体区域称为一个检测球，其中不同的检测半径可由实施者自行设定，本实施例将不同的检测半径分别设置为。然后通过待识别三维采样点k所在的三个坐标平面对待识别三维采样点k的各个检测球进行分割，由此每个检测球都划分为8个区域，本实施例将每个检测球划分后得到的每个区域称为一个特征提取区域，由于本实施例中共有5个检测球，则通过三个坐标平面对各个检测球进行划分之后，可以得到40个特征提取区域。需要说明的是，待识别三维采样点k所在的三个坐标平面为以待识别三维采样点k为原点的三维球坐标系的三个坐标平面；
重复上述方法，获取每个待识别三维采样点的特征提取区域；
本实施例将先统计待识别三维采样点k的每个特征提取区域内所包含的待识别三维轮廓点数目，用于对每个特征提取区域内的三维轮廓特征进行初步表征，待识别三维采样点k的特征提取区域t内所包含的待识别三维轮廓点的数目记为：，本实施例中；
重复上述方法，获取待识别三维采样点k各个特征提取区域所包含的待识别三维轮廓点数据；
为实现对待识别三维采样点局部表面轮廓变化情况的分析，本实施例根据各个特征提取区域内所包含的待识别三维轮廓点的三维坐标信息得到各个特征提取区域的局部轮廓变化矩阵，对于待识别三维采样点k的特征提取区域t，本实施例将根据特征提取区域t内所包含的待识别三维轮廓点的三维坐标信息构建特征提取区域t的局部轮廓变化矩阵：式中，/>为待识别三维采样点k的特征提取区域t的局部轮廓变化矩阵，/>为待识别三维采样点k的特征提取区域t内所包含的所有待识别三维轮廓点x坐标之间的方差；/>为待识别三维采样点k的特征提取区域t内所包含的所有待识别三维轮廓点y坐标之间的方差；/>为待识别三维采样点k的特征提取区域t内所包含的所有待识别三维轮廓点z坐标之间的方差；为待识别三维采样点k的特征提取区域t内所包含的所有待识别三维轮廓点x坐标与y坐标之间的协方差；/>为待识别三维采样点k的特征提取区域t内所包含的所有待识别三维轮廓点x坐标与z坐标之间的协方差；/>为待识别三维采样点k的特征提取区域t内所包含的所有待识别三维轮廓点y坐标与x坐标之间的协方差；为待识别三维采样点k的特征提取区域t内所包含的所有待识别三维轮廓点y坐标与z坐标之间的协方差；/>为待识别三维采样点k的特征提取区域t内所包含的所有待识别三维轮廓点z坐标与x坐标之间的协方差；/>为待识别三维采样点k的特征提取区域t内所包含的所有待识别三维轮廓点z坐标与y坐标之间的协方差；
重复上述方法，获取待识别三维采样点k各个特征提取区域的局部轮廓变化矩阵；
计算待识别三维采样点k各个特征提取区域局部轮廓变化矩阵的特征值，并得到各个特征值的绝对值，获取绝对值最大的特征值对应的特征向量的方向，作为待识别三维采样点k各个特征提取区域的局部轮廓变化方向，待识别三维采样点k的特征提取区域t对应局部轮廓变化方向记为；
重复上述方法，获取待识别三维采样点k各个特征提取区域的局部轮廓变化方向；
本实施例考虑到三维点的曲率以及挠率能够对该三维点所在三维曲线处的弯曲程度以及扭曲程度进行描述，为实现对待识别三维采样点表面轮廓形变情况的准确分析，故本实施例计算特征提取区域内包含的每个待识别三维轮廓点的曲率、挠率，然后计算特征提取区域内两两待识别三维轮廓点之间的曲率差值的绝对值、挠率差值的绝对值，最后计算特征提取区域内所有曲率差值绝对值的均值、挠率差值绝对值的均值，作为特征提取区域的曲率变化均值、挠率变化均值，特征提取区域的曲率变化均值以及挠率变化均值用于对特征提取区域的局部三维轮廓变化情况进行分析，待识别三维采样点k的特征提取区域t的曲率变化均值、挠率变化均值分别记为；
重复上述方法，获取待识别三维采样点k各个特征提取区域的曲率变化均值、挠率变化均值；
根据各个特征提取区域包含的待识别三维轮廓点的个数、局部轮廓变化方向、曲率变化均值以及挠率变化均值得到各个特征提取区域的特征集合，待识别三维采样点k的特征提取区域t的特征集合记为：，然后根据待识别三维采样点的所有特征提取区域的特征集合得到待识别三维采样点的特征矩阵，待识别三维采样点k的特征矩阵记为：/>，其中，/>为三维采样点k特征提取区域1的特征集合，为三维采样点k特征提取区域T的特征集合，本实施例中T为40；
重复上述方法，获取待识别三维采样点集合中每个待识别三维采样点的特征矩阵；
重复上述方法，获取每个标准三维轮廓点的标准特征矩阵。
步骤S003：根据各个待识别三维采样点的特征矩阵以及各个标准三维轮廓点的标准特征矩阵，结合匹配算法获取各个待识别三维采样点的匹配点，进而对待测汽车配件压铸模具表面形变异常进行智能识别。
为实现对待测汽车配件压铸模具表面形变状况的检测分析，本实施例将通过匹配算法将待测汽车配件压铸模具中各个三维采样点与标准汽车配件压铸模具三维轮廓表面图像中的标准三维轮廓点进行匹配处理，本实施例采用匹配算法基于待测汽车配件压铸模具中各个三维采样点的特征矩阵与各个标准三维轮廓点的标准特征矩阵之间的余弦相似度作为相似度来进行匹配，所述匹配算法有很多，实施者可自行选取，本实施例采用匈牙利算法对待测汽车配件压铸模具的各个三维采样点进行匹配，匹配算法及其具体过程为现有公知技术。
根据匹配算法及相似度可得到每个待识别三维采样点的匹配点，获取K组匹配对，根据K组匹配对之间的相似度得到待测汽车配件压铸模具表面形变异常识别指标，汽车配件压铸模具表面形变异常识别指标表达式具体为：式中，/>为待识别汽车配件压铸模具表面形变异常识别指标；U为匹配对集合；/>为待识别三维采样点；为待识别三维采样点/>的匹配点；/>为待识别三维采样点/>的轮廓丰富度；/>为待识别三维采样点/>对应特征矩阵与待识别三维采样点/>的匹配点/>对应特征矩阵之间的余弦相似度。需要说明的是，本实施例中，汽车配件压铸模具表面形变异常识别指标越小，则对应待识别汽车配件压铸模具表面形变异常程度越高；反之，待识别汽车配件压铸模具表面越标准，越不可能出现表面形变异常的问题。
进一步对汽车配件压铸模具表面形变异常识别指标进行线性归一化处理，从而将待识别汽车配件压铸模具表面形变异常识别指标映射到范围内。当待识别汽车配件压铸模具表面形变异常识别指标小于等于形变异常阈值时，则待识别汽车配件压铸模具表面形变出现异常，表面轮廓存在严重变形现象，需要对其进行加工处理以调整汽车配件压铸模具表面形变，保证汽车配件压铸模具的表面精度，本实施例设置形变异常阈值为0.5。
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。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或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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；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，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 (8)

1.一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于，该方法包括以下步骤：
获取待识别汽车配件压铸模具三维图像以及标准汽车配件压铸模具三维图像；
根据待识别汽车配件压铸模具三维图像以及标准汽车配件压铸模具三维图像得到待识别汽车配件压铸模具三维轮廓图像和标准汽车配件压铸模具三维轮廓图像；
将待识别汽车配件压铸模具三维轮廓图像中的各个三维轮廓点记为各个待识别三维轮廓点；
以待识别三维轮廓点为球心，根据半径得到待识别三维轮廓点的局部三维空间；根据各个待识别三维轮廓点局部三维空间内所包含的待识别三维轮廓点的三维坐标信息得到各个待识别三维轮廓点的局部三维空间分布矩阵；根据各个待识别三维轮廓点的局部三维空间分布矩阵特征值以及局部三维空间内所包含的待识别三维轮廓点的灰度信息得到各个待识别三维轮廓点的轮廓丰富度；根据各个待识别三维轮廓点的轮廓丰富度得到待识别三维采样点集合；
获取待识别三维采样点集合中各个待识别三维采样点的球坐标；以待识别三维采样点为球心，设置不同检测半径得到不同检测球；对各个检测球进行划分得到待识别三维采样点的各个特征提取区域；根据各个特征提取区域内所包含的待识别三维轮廓点的三维坐标信息得到各个特征提取区域的局部轮廓变化矩阵；根据各个特征提取区域局部轮廓变化矩阵的特征值得到各个特征提取区域的局部轮廓变化方向；根据各个特征提取区域内包含的待识别三维轮廓点的曲率、挠率得到各个特征提取区域的曲率变化均值以及挠率变化均值；根据各个特征提取区域包含的待识别三维轮廓点的个数、局部轮廓变化方向、曲率变化均值以及挠率变化均值得到各个特征提取区域的特征集合；根据待识别三维采样点所有特征提取区域的特征集合得到待识别三维采样点的特征矩阵；
将标准汽车配件压铸模具三维轮廓图像中的各个三维轮廓点记为各个标准三维轮廓点；获取各个标准三维轮廓点的标准特征矩阵；
根据各个待识别三维采样点的特征矩阵以及各个标准三维轮廓点的标准特征矩阵，通过匹配算法得到各组匹配对；根据各组匹配对之间的相似度得到汽车配件压铸模具表面形变异常识别指标；根据汽车配件压铸模具表面形变异常识别指标对待测汽车配件压铸模具表面形变异常进行智能识别。
2.根据权利要求1所述的一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于，所述根据各个待识别三维轮廓点局部三维空间内所包含的待识别三维轮廓点的三维坐标信息得到各个待识别三维轮廓点的局部三维空间分布矩阵，具体为：
式中，/>为待识别三维轮廓点c的局部三维空间分布矩阵，/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点x坐标之间的方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点y坐标之间的方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点z坐标之间的方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点x坐标与y坐标之间的协方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点x坐标与z坐标之间的协方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点y坐标与x坐标之间的协方差；为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点y坐标与z坐标之间的协方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点z坐标与x坐标之间的协方差；/>为待识别三维轮廓点c局部三维空间包含的所有待识别三维轮廓点z坐标与y坐标之间的协方差。
3.根据权利要求1所述的一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于，所述根据各个待识别三维轮廓点的局部三维空间分布矩阵特征值以及局部三维空间内包含的待识别三维轮廓点的灰度信息得到各个待识别三维轮廓点的轮廓丰富度的表达式为：式中，/>为待识别三维轮廓点c的轮廓丰富度；/>为待识别三维轮廓点c局部三维空间内所有待识别三维轮廓点的灰度方差；分别为待识别三维轮廓点c的局部三维空间分布矩阵的第一特征值、第二特征值、第三特征值；/>为取最小值操作；/>为取绝对值操作；/>为以自然数e为底数的对数函数。
4.根据权利要求1所述的一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于，所述根据各个待识别三维轮廓点的轮廓丰富度得到待识别三维采样点集合获取方法为：对各个待识别三维轮廓点的轮廓丰富度进行归一化处理，将轮廓丰富度高于丰富度阈值的待识别三维轮廓点作为待识别三维采样点；所有待识别三维采样点得到待识别三维采样点集合。
5.根据权利要求1所述的一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于，所述根据各个特征提取区域局部轮廓变化矩阵的特征值得到各个特征提取区域的局部轮廓变化方向的获取方法为：计算各个特征提取区域的局部轮廓变化矩阵的特征值，将绝对值最大的特征值对应的特征向量的方向作为各个特征提取区域的局部轮廓变化方向。
6.根据权利要求1所述的一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于，所述根据各个特征提取区域内包含的待识别三维轮廓点的曲率、挠率得到各个特征提取区域的曲率变化均值以及挠率变化均值的获取方法为：计算特征提取区域内包含的待识别三维轮廓点的曲率、挠率；计算特征提取区域内两两待识别三维轮廓点之间的曲率差值绝对值、挠率差值绝对值；将特征提取区域内所有曲率差值绝对值的均值、挠率差值绝对值的均值作为特征提取区域的曲率变化均值、挠率变化均值。
7.根据权利要求1所述的一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于，所述根据各个待识别三维采样点的特征矩阵以及各个标准三维轮廓点的标准特征矩阵，通过匹配算法得到各组匹配对的获取方法为：将各个待识别三维采样点的特征矩阵与各个标准三维轮廓点的标准特征矩阵之间的余弦相似度作为点对相似度，通过匈牙利算法来进行匹配，得到各个待识别三维采样点对应的标准三维轮廓点，获取各组匹配对。
8.根据权利要求1所述的一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于，所述根据各组匹配对之间的相似度得到汽车配件压铸模具表面形变异常识别指标的表达式为：式中，/>为待识别汽车配件压铸模具表面形变异常识别指标；U为匹配对集合；/>为待识别三维采样点；/>为待识别三维采样点/>的匹配点；/>为待识别三维采样点/>的轮廓丰富度；/>为待识别三维采样点/>对应特征矩阵与待识别三维采样点/>的匹配点/>对应特征矩阵之间的余弦相似度。
CN202310416345.4A 2023-04-19 2023-04-19 一种汽车配件压铸模具表面形变异常智能识别方法 Active CN116188458B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310416345.4A CN116188458B (zh) 2023-04-19 2023-04-19 一种汽车配件压铸模具表面形变异常智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310416345.4A CN116188458B (zh) 2023-04-19 2023-04-19 一种汽车配件压铸模具表面形变异常智能识别方法

Publications (2)

Publication Number Publication Date
CN116188458A CN116188458A (zh) 2023-05-30
CN116188458B true CN116188458B (zh) 2023-07-21

Family

ID=86449159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310416345.4A Active CN116188458B (zh) 2023-04-19 2023-04-19 一种汽车配件压铸模具表面形变异常智能识别方法

Country Status (1)

Country Link
CN (1) CN116188458B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115169A (zh) * 2023-10-25 2023-11-24 宁波吉烨汽配模具有限公司 一种汽车配件压铸模具表面形变异常智能识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103323A (zh) * 2017-03-09 2017-08-29 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于图像轮廓特征的目标识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007008699A1 (de) * 2007-02-20 2008-08-21 Deutsche Mechatronics Gmbh Verfahren und Vorrichtung zur Qualitätskontrolle bei Werkzeugmaschinen
KR20200012838A (ko) * 2017-05-26 2020-02-05 신토고교 가부시키가이샤 검사 장치 및 주조 시스템
CN109344900B (zh) * 2018-09-30 2022-02-08 中民筑友科技投资有限公司 一种构件识别方法、装置、设备及计算机可读存储介质
CN114037675B (zh) * 2021-11-05 2022-12-06 南京航空航天大学 一种飞机样板缺陷检测方法及装置
CN114820673A (zh) * 2022-04-26 2022-07-29 沈阳理工大学 一种基于轮廓质心高度增量特征的目标识别方法
CN115082472B (zh) * 2022-08-22 2022-11-29 江苏东跃模具科技有限公司 一种轮毂模具浇注成型产品的质量检测方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103323A (zh) * 2017-03-09 2017-08-29 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于图像轮廓特征的目标识别方法

Also Published As

Publication number Publication date
CN116188458A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN109325550B (zh) 基于图像熵的无参考图像质量评价方法
CN116188458B (zh) 一种汽车配件压铸模具表面形变异常智能识别方法
CN110059586B (zh) 一种基于空洞残差注意力结构的虹膜定位分割系统
CN115187548A (zh) 一种基于人工智能的机械零件缺陷检测方法
CN116137036B (zh) 基于机器学习的基因检测数据智能处理系统
CN114998198A (zh) 一种注塑件表面缺陷识别方法
CN115830015B (zh) 基于计算机视觉的五金冲压配件质量检测方法
CN111709305B (zh) 一种基于局部图像块的人脸年龄识别方法
CN111127384A (zh) 基于偏振成像的强反射工件视觉测量方法
CN111709426B (zh) 一种基于轮廓和纹理的硅藻识别方法
CN111783698A (zh) 一种基于提高人脸识别模型训练稳定性的方法
CN110766657B (zh) 一种激光干扰图像质量评价方法
CN110930425B (zh) 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
MacLeod The direct analysis of digital images (eigenimage) with a comment on the use of discriminant analysis in morphometrics
CN115115603A (zh) 基于人工智能的汽车配件飞轮表面检测方法
CN117576100B (zh) 一种fpc连接器表面缺陷分级检测评价方法
CN116740053B (zh) 一种锻造加工智能生产线的管理系统
CN113128378B (zh) 一种指静脉快速识别方法
CN117058111B (zh) 一种汽车铝合金压铸模具质量检查方法及系统
CN108205645A (zh) 一种异源图像匹配系统的基准图质量评价方法
CN116758067B (zh) 基于特征匹配的金属结构件检测方法
CN110991210A (zh) 一种基于深度学习的嵌入式人脸识别方法及装置
CN116432052B (zh) 一种新能源汽车模具用夹具质量检测方法
CN112468721A (zh) 一种具有自动调焦功能的视觉采集方法及装置
CN115100510B (zh) 一种轮胎磨损度识别方法

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