CN116468728A - 一种五金冲压件模具生产质量检测方法 - Google Patents
一种五金冲压件模具生产质量检测方法 Download PDFInfo
- Publication number
- CN116468728A CN116468728A CN202310727598.3A CN202310727598A CN116468728A CN 116468728 A CN116468728 A CN 116468728A CN 202310727598 A CN202310727598 A CN 202310727598A CN 116468728 A CN116468728 A CN 116468728A
- Authority
- CN
- China
- Prior art keywords
- point
- asymmetric
- pixel
- value
- difference
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 230000003014 reinforcing effect Effects 0.000 claims abstract 3
- 238000000034 method Methods 0.000 claims description 43
- 238000009826 distribution Methods 0.000 claims description 7
- 239000002184 metal Substances 0.000 claims description 6
- 230000007547 defect Effects 0.000 abstract description 66
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- 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
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种五金冲压件模具生产质量检测方法,该方法获取五金冲压件模具的灰度图像,获取五金冲压件模具的整体对称轴;获取灰度图像的灰度游程矩阵,基于每个像素点以及对应对称点的灰度值和游程长度获取每个像素点的非对称程度;筛选非对称像素点组成非对称连通域,获取最大相似度因子;基于每个非对称像素点的最大相似度因子、梯度值以及所有非对称像素点的梯度值获取每个非对称像素点属于孔洞的置信度;进而获取每个非对称像素点的增强必要程度,得到增强图像并进行五金冲压件模具的生产质量检测。本发明能够对缺陷区域进行定点增强,更易识别缺陷区域,使得到的生产质量检测结果更加准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种五金冲压件模具生产质量检测方法。
背景技术
在五金冲压件模具生产过程中,可能会出现各类缺陷,例如出现裂纹、折断等,存在缺陷的五金冲压件模具会严重影响冲压件的正常制造,因此需要筛选出存在缺陷的不合格模具。
随着图像处理技术在多领域的应用,利用图像处理技术对模具进行缺陷检测的方法日趋成熟,但当模具出现微小缺陷时,由于模具本身边缘细节较多,同时模具由金属制成,采集图像时由于光照等原因直接对其进行缺陷检测会出现漏检的情况。对于该问题,目前的解决方法为先对采集得到的模具图像进行增强操作,进而对其进行缺陷检测,图像细节增强通常选用非锐化掩模算法对图像进行增强操作。
由于原始非锐化掩模算法中权重系数为一固定值,即对于所有高频分量区域,即边缘细节处增强效果相同,但由于五金冲压件模具自身特性,其模具上形貌细节较多,即图像原始边缘较多,此时直接使用非锐化掩模算法对图像进行处理会导致图中所有边缘细节进行统一增强,模具自身的边缘会影响后续缺陷检测,导致模具生产质量检测结果不准确。
发明内容
为了解决利用图像处理技术进行五金冲压件模具生产质量检测时,图像增强效果不好导致五金冲压件模具生产质量检测结果不准确的问题,本发明提供一种五金冲压件模具生产质量检测方法,所采用的技术方案具体如下:
获取五金冲压件模具的灰度图像,利用灰度图像中的边缘提取连通域,根据连通域的分布获取五金冲压件模具的整体对称轴;
获取灰度图像的灰度游程矩阵,基于每个像素点的灰度值、每个像素点关于整体对称轴的对称点的灰度值、每个像素点的灰度值对应的游程长度以及对称点的灰度值对应的游程长度获取每个像素点的非对称程度;
基于非对称程度筛选非对称像素点,由非对称像素点组成至少两个非对称连通域,基于每个非对称连通域与其他所有非对称连通域之间的差异获取最大相似度因子;基于每个非对称像素点的最大相似度因子、梯度值以及所有非对称像素点的梯度值获取每个非对称像素点属于孔洞的置信度;
根据所述非对称程度和所述置信度获取每个像素点的增强必要程度,利用所述增强必要程度对相应的像素点进行图像增强,得到所述灰度图像的增强图像,利用增强图像进行五金冲压件模具的生产质量检测。
进一步的,所述非对称程度的获取方法为:
计算每个像素点与对称点的灰度值之间的差值绝对值作为第一差异,计算每个像素点与对称点对应的游程长度之间的差值绝对值作为第二差异,以第一差异与第二差异的乘积作为对应像素点的对称差异程度;
基于每个像素点的对称差异程度以及对应的游程长度获取对应像素点的所述非对称程度。
进一步的,所述最大相似度因子的获取方法为:
获取每个非对称连通域边缘曲线的傅里叶描述子,以任意一个非对称连通域作为目标非对称连通域,计算目标非对称连通域与其他每个非对称连通域的傅里叶描述子之间的差值绝对值,对最小的差值绝对值进行归一化得到最小差异因子,以预设值减去所述最小差异因子得到所述最大相似度因子。
进一步的,所述置信度的获取方法为:
获取所有非对称像素点的梯度最大值和梯度最小值并计算梯度极差,计算每个非对称像素点的梯度与所述梯度最小值的差与梯度极差之间的比值作为对应非对称像素点的梯度差异;根据每个非对称像素点的梯度差异和所述最大相似度因子获取对应非对称像素点属于孔洞的置信度。
进一步的,所述利用所述增强必要程度对相应的像素点进行图像增强,包括:
根据所述增强必要程度获取对应像素点的权重,获取每个像素点的高频分量,以权重与高频分量的乘积作为对应像素点的增强像素值,以每个像素点的初始像素值与对应增强像素值的和作为增强后的像素值。
进一步的,所述整体对称轴的获取过程包括:
将灰度图像中提取的所有连通域分类,得到至少两类连通域;将同一类连通域的中心点连接形成闭合曲线,每个闭合曲线为对应类连通域的类别图形,获取所有类别图形的对称轴,基于对称轴的坐标出现的频率筛选出整体对称轴。
进一步的,所述闭合曲线的获取方法为:
对于每一类连通域,在所有连通域的中心点中选取起始点,搜寻与起始点距离最近的同一类连通域的中心点作为第二点,连接所述起始点和所述第二点,沿所述起始点和第二点的连线方向搜寻与所述第二点距离最近的同一类连通域的中心点作为第三点,以此类推,直至遍历所有同一类连通域的中心点,得到所有连通域中心点组成的闭合曲线。
进一步的,所述获取所有类别图形的对称轴,包括:
获取类别图形的最大内接矩形,以所述最大内接矩形的两个对称轴作为对应类别图形的两个对称轴。
进一步的,所述基于对称轴的坐标出现的频率筛选出整体对称轴,包括:
以图像左上角为坐标原点,原点向右的水平线作为横轴,原点向下的竖直线作为纵轴构建图像坐标系,将每个类别图形对应的与横轴平行的对称轴记为横对称轴、与纵轴平行的对称轴记为纵对称轴;
获取每个类别图形横对称轴的纵坐标,纵对称轴的横坐标;
以所有类别图形中频率最大的纵坐标对应的横对称轴作为关注横对称轴,以所有类别图形中频率最大的横坐标对应的纵对称轴作为关注纵对称轴;
选取关注横对称轴和关注纵对称轴中的频率较大值对应的对称轴作为所述整体对称轴。
进一步的,所述增强必要程度的获取方法为:
以所述非对称程度和所述置信度的差值作为对应像素点的增强必要程度。
本发明实施例至少具有如下有益效果:
由于五金冲压件模具中的孔洞具有对称性和周期性,即孔洞自身为规则对称形状,孔洞分布均匀,呈周期性分布,且往往对称;当五金冲压件模具中存在缺陷时,会影响五金冲压件的模具的对称性和周期性,因此首先利用边缘提取连通域,获取整体对称轴,作为对称性判断的依据;对称的两个位置,若不存在缺陷,在灰度图像中表现为灰度值相同、灰度值对应的游程长度相同,则基于每个像素点的灰度值、每个像素点关于整体对称轴的对称点的灰度值、每个像素点的灰度值对应的游程长度以及对称点的灰度值对应的游程长度获取每个像素点的非对称程度,体现关于整体对称轴对称的两个位置之间的差异情况,反映对应位置出现缺陷的可能;进而基于非对称程度筛选出出现缺陷可能性较大的非对称像素点,非对称像素点可能为出现缺陷的像素点,也可能是本身孔洞分布不对称的正常孔洞,正常孔洞虽然分布不对称,但是孔洞本身为正常区域,与其他孔洞之间存在较大的相似性,因此由非对称像素点组成至少两个非对称连通域,基于每个非对称连通域与其他所有非对称连通域之间的差异获取最大相似度因子,最大相似度因子表征孔洞与其他孔洞之间的相似程度,相似程度越大,说明越有可能属于正常孔洞,只是分布的位置与其他孔洞不对称;同时出现缺陷的区域,缺陷处的梯度值相较于正常孔洞边缘而言存在差异,而正常孔洞处的梯度值较为均匀,也就是说像素点处的梯度值同样能够反映出现缺陷的可能,因此基于每个非对称像素点的最大相似度因子、梯度值以及所有非对称像素点的梯度值获取每个非对称像素点属于孔洞的置信度;通过非对称程度和置信度相互结合获取每个像素点的增强必要程度,能够自适应获取缺陷区域的增强必要程度,然后获取灰度图像的增强图像,利用增强图像进行五金冲压件模具的生产质量检测。本发明能够对缺陷区域进行定点增强,避免其他细节部分统一增强对缺陷检测造成影响,进而在利用增强图像进行五金冲压件模具的生产质量检测时,更容易识别缺陷区域,使得到的生产质量检测结果更加准确。
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提供的一种五金冲压件模具生产质量检测方法的步骤流程图。
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五金冲压件模具生产质量检测方法,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五金冲压件模具生产质量检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种五金冲压件模具生产质量检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,获取五金冲压件模具的灰度图像,利用灰度图像中的边缘提取连通域,根据连通域的分布获取五金冲压件模具的整体对称轴。
在五金冲压件模具生产线正上方布置采集装置,采集生产完毕的五金冲压件模具图像,并且保证五金冲压件模具水平摆放,由于背景区域会对后续分析产生干扰,对采集得到的图像使用语义分割方法进行处理,去除其背景区域,将得到的二值掩模与原图相乘获取得到五金冲压件模具区域图像。其中语义分割为现有技术,此处不再赘述。
对得到的五金冲压件模具区域图像进行加权平均灰度化处理,获取得到五金冲压件模具的灰度图像。
在另一实施例中,通过固定在五金冲压件模具生产线上方的灰度相机采集五金冲压件模具的灰度图,并去除背景得到所述灰度图像。
对于五金冲压件模具而言,其多数孔洞具有对称性及周期性,而对于缺陷处而言,其会破坏对称性,因此需先根据灰度图像的原有信息获取五金冲压件模具的整体对称轴,进而根据整体对称轴两边的像素点判断是否出现异常,是否破坏对称性区域,筛选出需增强区域。
由于孔洞区域内部与表面其他区域颜色差异较大,使用大津阈值分割法对图像进行处理得到二值图像,其中大津阈值分割法为现有技术,不再赘述具体过程。对得到的二值图像进行边缘提取,对提取得到的边缘进行连通域处理,获取每一个连通域的面积,将第v个连通域的面积记为,连通域面积可通过统计连通域中像素点的数量获取。
将灰度图像中提取的所有连通域分类,得到至少两类连通域;将同一类连通域的中心点连接形成闭合曲线,每个闭合曲线为对应类连通域的类别图形,获取所有类别图形的对称轴,基于对称轴的坐标出现的频率筛选出整体对称轴。
首先将连通域按照面积大小进行分类,将面积相同的连通域归属于同一类。具体步骤为:任选一个连通域作为参考连通域,例如以第一个连通域作为参考连通域,参考连通域的面积为,在获取的所有连通域中选取面积与/>值相同的连通域,记为与参考连通域同属于一类,记为第一类连通域;任选去除第一类连通域的剩余连通域面积值中的一个连通域作为第二个参考连通域,在获取的所有连通域中选取面积与第二个参考连通域的面积相同的连通域,记为与第二个参考连通域同属于一类,记为第二类连通域;以此类推,对所有连通域进行遍历处理,将所有连通域划分类别,得到M类连通域,同一类连通域的面积相同。
对于每一类连通域,在所有连通域的中心点中选取起始点,搜寻与起始点距离最近的同一类连通域的中心点作为第二点,连接起始点和第二点,沿起始点和第二点的连线方向搜寻与第二点距离最近的同一类连通域的中心点作为第三点,以此类推,直至遍历所有同一类连通域的中心点,得到所有连通域中心点组成的闭合曲线,即对应的类别图形。
作为一个示例,在本发明实施例中,记每一类连通域中中心点位置距离图像左上角最近的点为起始点,在其他实施例中还可以在每一类连通域中选取任意一个连通域中心点作为起始点。
自起始点开始连接与其距离最近的连通域中心点,记该点为第二点,再沿起始点与第二点连线方向,连接第二点与其距离最近的连通域中心点。若该方向不存在该类连通域,则连接其他方向距离最近的连通域中心点。每一连通域中心点只参与两次连接。对每一类连通域中心像素点进行遍历操作,获取得到该类连通域中心点组成的闭合曲线。记该闭合曲线为类别图形。
由于类别图形可能为矩形、梯形等形状,不能保证一定存在对称轴,因此获取类别图形的最大内接矩形,以最大内接矩形的两个对称轴作为对应类别图形的两个对称轴。
然后基于对称轴的坐标出现的频率筛选出整体对称轴,具体步骤为:
以图像左上角为坐标原点,原点向右的水平线作为横轴,原点向下的竖直线作为纵轴构建图像坐标系,将每个类别图形对应的与横轴平行的对称轴记为横对称轴、与纵轴平行的对称轴记为纵对称轴;
获取每个类别图形横对称轴的纵坐标,纵对称轴的横坐标;
以所有类别图形中频率最大的纵坐标对应的横对称轴作为关注横对称轴,以所有类别图形中频率最大的横坐标对应的纵对称轴作为关注纵对称轴;
选取关注横对称轴和关注纵对称轴中的频率较大值对应的对称轴作为整体对称轴。
每一类连通域中所有连通域的面积相同,也就是说同一类连通域对应的是同类型孔洞,组成的类别图形反映了五金冲压件模具上同类型孔洞的分布形状,在同一五金冲压件模具上的不同类型的孔洞,分布均匀且对称,则坐标轴会重合,并且为五金冲压件模具的整体对称轴,因此通过与坐标系的横轴和纵轴之间的位置关系筛选横坐标轴和纵坐标轴,去除了不对称类别图形的最大内接矩形的倾斜对称轴,进而按照坐标筛选出频率最大的坐标轴作为整体坐标轴。
步骤S002,获取灰度图像的灰度游程矩阵,基于每个像素点的灰度值、每个像素点关于整体对称轴的对称点的灰度值、每个像素点的灰度值对应的游程长度以及对称点的灰度值对应的游程长度获取每个像素点的非对称程度。
对灰度图像使用灰度游程矩阵进行处理,灰度游程矩阵可体现图像的纹理信息,即灰度图像中某一方向相同灰度值出现的数量。使用灰度游程矩阵对图像中每行像素点进行遍历处理,当出现与上一灰度值存在差异的像素点时,以该像素点灰度值为起点重新遍历,获得每行中每一灰度值所对应的游程长度。灰度游程矩阵为图像处理领域常用的现有技术,本发明实施例中不再赘述具体过程。
由于五金冲压件模具本身孔洞边缘具有周期性及对称性,即对于五金冲压件模具本身细节而言,每一位置与其对称位置所对应的灰度值与游程长度相似,而当出现缺陷时,即会破坏图像的周期性与对称性,缺陷处以及与其对称位置处的灰度值与游程长度存在差异。
基于此,计算每个像素点与对称点的灰度值之间的差值绝对值作为第一差异,计算每个像素点与对称点对应的游程长度之间的差值绝对值作为第二差异,以第一差异与第二差异的乘积作为对应像素点的对称差异程度;基于每个像素点的对称差异程度以及对应的游程长度获取对应像素点的非对称程度。
以第i个像素点为例,计算对应的非对称程度的公式为:
其中,表示第i个像素点的非对称程度,/>表示归一化函数,/>表示第i个像素点的灰度值,/>表示第i个像素点关于整体对称轴的对称点的灰度值,/>表示第一差异;/>表示第i个像素点的灰度值对应的游程长度,/>表示第i个像素点关于整体对称轴的对称点的灰度值对应的游程长度,/>表示第二差异;/>表示对称差异程度。
对式中分子分母进行分别归一化是为了避免分子分母的取值范围不同导致较小值影响程度变小。
第一差异表示第i个像素点与对称点灰度值的差异,由于缺陷处灰度值与正常区域存在些许差异,当出现缺陷时,缺陷处点与其对称区域点灰度值存在差异,进而第一差异/>较大,而当正常区域时,由于存在对称性,该点与对称点灰度值相近,即较小。
第二差异表示第i个像素点与对称点所属灰度值游程长度的差异,由于出现缺陷时会破坏图像本身的对称性,此时缺陷区域的点与其对称区域游程长度存在差异,/>越大,说明差异越明显,第i个像素点处非对称性越大,越可能为缺陷。反之,第二差异/>越小,说明差异越小,即第i个像素点处保持对称性的程度越大,是正常区域的可能性越高。
通过对称差异程度结合灰度值和灰度游程长度两方面对像素点的非对称程度进行评估,当第一差异和/或第二差异越大时,对应的对称差异程度越大,说明对应像素点处的非对称性越大,越可能为缺陷;同时第i个像素点的灰度值对应的游程长度越短,说明第i个像素点处越接近于边缘,越有可能出现了缺陷;因此通过对称差异程度和像素点对应的游程长度共同评估每个像素点处的非对称程度。
按照上述公式计算每个像素点的非对称程度,反映像素点处出现缺陷的可能性。
步骤S003,基于非对称程度筛选非对称像素点,由非对称像素点组成至少两个非对称连通域,基于每个非对称连通域与其他所有非对称连通域之间的差异获取最大相似度因子;基于每个非对称像素点的最大相似度因子、梯度值以及所有非对称像素点的梯度值获取每个非对称像素点属于孔洞的置信度。
由于当发生缺陷时,缺陷处会破坏对称性,进而缺陷处的像素点所对应的非对称程度较大,同时实际五金冲压件模具,由于生产需要,会存在少许孔洞非对称排列,此时非对称孔洞处的像素点所对应的非对称程度也较大。因此,首先依据非对称程度筛选出出现缺陷可能较大的非对称像素点,再对非对称像素点进行进一步的区分。
设定非对称阈值,当像素点的非对称程度大于非对称阈值时,记为非对称像素点。作为一个示例,本发明实施例中的非对称阈值的取值为0.6,在其他实施例中还可以根据实际情况设置非对称阈值的取值。
对于非对称像素点,若是属于非对称孔洞,则在灰度图像中存在与其形状相近的孔洞,也就是说,虽然位置不对称但是形状相近,但是对于缺陷区域,则形状各异,因此,对所有非对称像素点进行连通域分析,获取至少两个非对称连通域。
由于需对非对称连通域的形状进行分析,获取每一个非对称连通域的边缘像素点,使用最小二乘法拟合边缘像素点获取曲线方程,进而使用傅里叶描述子对该曲线进行处理,获取每一条曲线所对应的傅里叶描述子。傅里叶描述子的计算过程为公知技术,不再赘述。
由于对于图像中非对称孔洞而言,其存在与其形状相近孔洞,即两两孔洞的傅里叶描述子相近,而对于缺陷而言,由于其形状各异,缺陷边缘曲线与孔洞边缘曲线的傅里叶描述子相差较大,基于此,获取每个非对称连通域的最大相似度因子。
具体的,获取每个非对称连通域边缘曲线的傅里叶描述子,以任意一个非对称连通域作为目标非对称连通域,计算目标非对称连通域与其他每个非对称连通域的傅里叶描述子之间的差值绝对值,对最小的差值绝对值进行归一化得到最小差异因子,以预设值减去最小差异因子得到最大相似度因子。
以第k个非对称连通域作为目标非对称连通域为例,计算对应的最大相似度因子:
其中,表示第k个非对称连通域的最大相似度因子,/>表示第k个非对称连通域的傅里叶描述子,/>表示除第k个非对称连通域以外的第j个非对称连通域,/>表示最小值函数,对目标非对称连通域与其他每个非对称连通域的傅里叶描述子之间的差值绝对值求最小值,K表示所有非对称连通域的数量,常数1为预设值。
例如,当获取的非对称连通域为5个时,K=5,以第3个非对称连通域作为目标非对称连通域而言,即k=3时,。
对于不存在缺陷但是位置分布不对称的孔洞所对应的非对称连通域的傅里叶描述子而言,在其他非对称连通域边缘的傅里叶描述子中会存在与/>值相近的值,即存在与/>相近,即存在/>较小,进而/>较小,得到最大相似度因子较大。而对于缺陷处,由于缺陷形态各异且与孔洞形状存在差异,进而获取得到的/>较大,进而/>较大,得到最大相似度因子较小。因此通过计算最大相似度因子来区分缺陷区域和非对称孔洞区域,最大相似度因子越大,越可能属于孔洞区域,而非缺陷区域。
缺陷区域其相较图中孔洞区域而言,明显程度存在差异,且对于微小缺陷,此时缺陷处梯度值相较孔洞边缘而言较小,进而根据上述分析,结合上述最大相似度因子,获取像素点属于孔洞的置信度。
具体的,获取所有非对称像素点的梯度最大值和梯度最小值并计算梯度极差,计算每个非对称像素点的梯度与梯度最小值的差与梯度极差之间的比值作为对应非对称像素点的梯度差异;根据每个非对称像素点的梯度差异和最大相似度因子获取对应非对称像素点属于孔洞的置信度。
以第r个非对称像素点为例,计算其属于孔洞的置信度:
其中,表示第r个非对称像素点属于孔洞的置信度,/>表示第r个非对称像素点的最大相似度因子,/>表示第r个非对称像素点的梯度值,/>表示所有非对称像素点的梯度集合,/>表示所有非对称像素点中的梯度最小值,/>表示所有非对称像素点中的梯度最大值,/>表示梯度极差,/>表示第r个非对称像素点的梯度差异。
需要说明的是,五金冲压件模具的灰度图像中存在各种边缘和连通域,非对称像素点可能为缺陷区域的像素点或者是非对称孔洞处的像素点,包含的边缘与非边缘对应的像素点的梯度不同,即非对称像素点的梯度极差不会为0,计算梯度差异时的分母不会为0。
缺陷位置处的梯度相较于正常的非对称孔洞较小,且对应的最大相似度因子较小,因此置信度越小,对应的非对称像素点越可能属于缺陷区域,置信度越大,对应的非对称像素点越可能属于非对称孔洞。
非对称程度不大于非对称阈值的像素点,属于对称孔洞区域,由于该置信度表征的是非对称像素点属于非对称孔洞的概率,因此非对称程度不大于非对称阈值的像素点,对应的置信度直接记为0。
步骤S004,根据非对称程度和置信度获取每个像素点的增强必要程度,利用增强必要程度对相应的像素点进行图像增强,得到灰度图像的增强图像,利用增强图像进行五金冲压件模具的生产质量检测。
以非对称程度和置信度的差值作为对应像素点的增强必要程度,以第i个像素点为例,计算得到的增强必要程度为:,其中,/>表示第i个像素点的增强必要程度,/>表示第i个像素点的非对称程度,/>表示第i个像素点的置信度。对于可能缺陷处的像素点而言,其非对称程度/>较大,置信度/>较小,进而增强必要程度/>较大;对于完全对称孔洞处,非对称程度/>较小,进而增强必要程度/>较小;对于非对称孔洞处,非对称程度/>较大,但是置信度/>较大,进而增强必要程度/>较小。增强必要程度体现了像素点处需要进行增强的必要性,增强必要程度越大,越需要进行针对性的图像增强。
根据增强必要程度获取对应像素点的权重,获取每个像素点的高频分量,以权重与高频分量的乘积作为对应像素点的增强像素值,以每个像素点的初始像素值与对应增强像素值的和作为增强后的像素值。
本发明的目的是将缺陷处增强最大,因此根据增强必要程度获取对应像素点的权重,将图中不同区域赋予不同的权重系数。
对于每个像素点,对应的自适应权重为:,其中,/>表示原始的权重系数,根据经验值可设定为1,实施者可视情况进行调整。/>表示上述求得的增强必要程度,/>表示根据增强必要程度调整得到的自适应权重。
当增强必要程度越大时,说明该点处于可能缺陷的可能性越高,进而该处所需要的增强程度越大。反之,当增强必要程度/>越小时,说明该点处于图中本身零件边缘细节的可能性越大,为了保证后续质量检测的准确性,零件本身边缘细节会造成干扰,进而该处所对应的权重系数/>值较小。
得到自适应权重后,需根据自适应权重对图像进行自适应增强:
其中,y表示灰度图像中增强后的像素值;表示灰度图像的初始像素值,/>表示权重,/>表示图像经过低通滤波处理后得到的低频分量,即/>为得到的高频分量。
需要说明的是,本发明实施例中所选用的低通滤波为均值滤波,也可使用其他低通滤波方法,在其他实施例中可视情况进行选择。
每个像素点经过上述自适应增强均得到对应增强后的像素值,所有增强后的像素值组成增强图像。
根据五金冲压件模具本身的零件边缘特征及当出现缺陷后的特征得到自适应权重,能够保证在对图像进行增强操作时,对图中不同边缘细节进行不同程度的增强,令可能存在缺陷的像素点处增强的程度最强,降低了使用固定的增强系数统一增强图像对质量检测的影响,提高了后续对于五金冲压件模具质量检测的准确性。
利用增强图像进行五金冲压件模具的生产质量检测。
经过自适应增强后的增强图像中,当存在缺陷时,相较原始的灰度图像,缺陷区域较为明显,缺陷此时更易分割提取,在本发明实施例汇总使用语义分割方法对图像进行处理,获取得到缺陷区域,完成对五金冲压件模具的生产质量检测。在其他实施例中还可以采用其他缺陷识别方法完成五金冲压件模具的生产质量检测。
综上所述,获取五金冲压件模具的灰度图像,利用灰度图像中的边缘提取连通域,根据连通域的分布获取五金冲压件模具的整体对称轴;获取灰度图像的灰度游程矩阵,基于每个像素点的灰度值、每个像素点关于整体对称轴的对称点的灰度值、每个像素点的灰度值对应的游程长度以及对称点的灰度值对应的游程长度获取每个像素点的非对称程度;基于非对称程度筛选非对称像素点,由非对称像素点组成至少两个非对称连通域,基于每个非对称连通域与其他所有非对称连通域之间的差异获取最大相似度因子;基于每个像素点的最大相似度因子、梯度值以及所有非对称像素点的梯度值获取每个像素点属于孔洞的置信度;根据非对称程度和置信度获取每个像素点的增强必要程度,利用增强必要程度对相应的像素点进行图像增强,得到灰度图像的增强图像,利用增强图像进行五金冲压件模具的生产质量检测。本发明能够对缺陷区域进行定点增强,避免其他细节部分统一增强对缺陷检测造成影响,进而在利用增强图像进行五金冲压件模具的生产质量检测时,更容易识别缺陷区域,使得到的生产质量检测结果更加准确。
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 (10)
1.一种五金冲压件模具生产质量检测方法,其特征在于,该方法包括以下步骤:
获取五金冲压件模具的灰度图像,利用灰度图像中的边缘提取连通域,根据连通域的分布获取五金冲压件模具的整体对称轴;
获取灰度图像的灰度游程矩阵,基于每个像素点的灰度值、每个像素点关于整体对称轴的对称点的灰度值、每个像素点的灰度值对应的游程长度以及对称点的灰度值对应的游程长度获取每个像素点的非对称程度;
基于非对称程度筛选非对称像素点,由非对称像素点组成至少两个非对称连通域,基于每个非对称连通域与其他所有非对称连通域之间的差异获取最大相似度因子;基于每个非对称像素点的最大相似度因子、梯度值以及所有非对称像素点的梯度值获取每个非对称像素点属于孔洞的置信度;
根据所述非对称程度和所述置信度获取每个像素点的增强必要程度,利用所述增强必要程度对相应的像素点进行图像增强,得到所述灰度图像的增强图像,利用增强图像进行五金冲压件模具的生产质量检测。
2.根据权利要求1所述的一种五金冲压件模具生产质量检测方法,其特征在于,所述非对称程度的获取方法为:
计算每个像素点与对称点的灰度值之间的差值绝对值作为第一差异,计算每个像素点与对称点对应的游程长度之间的差值绝对值作为第二差异,以第一差异与第二差异的乘积作为对应像素点的对称差异程度;
基于每个像素点的对称差异程度以及对应的游程长度获取对应像素点的所述非对称程度。
3.根据权利要求1所述的一种五金冲压件模具生产质量检测方法,其特征在于,所述最大相似度因子的获取方法为:
获取每个非对称连通域边缘曲线的傅里叶描述子,以任意一个非对称连通域作为目标非对称连通域,计算目标非对称连通域与其他每个非对称连通域的傅里叶描述子之间的差值绝对值,对最小的差值绝对值进行归一化得到最小差异因子,以预设值减去所述最小差异因子得到所述最大相似度因子。
4.根据权利要求1所述的一种五金冲压件模具生产质量检测方法,其特征在于,所述置信度的获取方法为:
获取所有非对称像素点的梯度最大值和梯度最小值并计算梯度极差,计算每个非对称像素点的梯度与所述梯度最小值的差与梯度极差之间的比值作为对应非对称像素点的梯度差异;根据每个非对称像素点的梯度差异和所述最大相似度因子获取对应非对称像素点属于孔洞的置信度。
5.根据权利要求1所述的一种五金冲压件模具生产质量检测方法,其特征在于,所述利用所述增强必要程度对相应的像素点进行图像增强,包括:
根据所述增强必要程度获取对应像素点的权重,获取每个像素点的高频分量,以权重与高频分量的乘积作为对应像素点的增强像素值,以每个像素点的初始像素值与对应增强像素值的和作为增强后的像素值。
6.根据权利要求1所述的一种五金冲压件模具生产质量检测方法,其特征在于,所述整体对称轴的获取过程包括:
将灰度图像中提取的所有连通域分类,得到至少两类连通域;将同一类连通域的中心点连接形成闭合曲线,每个闭合曲线为对应类连通域的类别图形,获取所有类别图形的对称轴,基于对称轴的坐标出现的频率筛选出整体对称轴。
7.根据权利要求6所述的一种五金冲压件模具生产质量检测方法,其特征在于,所述闭合曲线的获取方法为:
对于每一类连通域,在所有连通域的中心点中选取起始点,搜寻与起始点距离最近的同一类连通域的中心点作为第二点,连接所述起始点和所述第二点,沿所述起始点和第二点的连线方向搜寻与所述第二点距离最近的同一类连通域的中心点作为第三点,以此类推,直至遍历所有同一类连通域的中心点,得到所有连通域中心点组成的闭合曲线。
8.根据权利要求6所述的一种五金冲压件模具生产质量检测方法,其特征在于,所述获取所有类别图形的对称轴,包括:
获取类别图形的最大内接矩形,以所述最大内接矩形的两个对称轴作为对应类别图形的两个对称轴。
9.根据权利要求8所述的一种五金冲压件模具生产质量检测方法,其特征在于,所述基于对称轴的坐标出现的频率筛选出整体对称轴,包括:
以图像左上角为坐标原点,原点向右的水平线作为横轴,原点向下的竖直线作为纵轴构建图像坐标系,将每个类别图形对应的与横轴平行的对称轴记为横对称轴、与纵轴平行的对称轴记为纵对称轴;
获取每个类别图形横对称轴的纵坐标,纵对称轴的横坐标;
以所有类别图形中频率最大的纵坐标对应的横对称轴作为关注横对称轴,以所有类别图形中频率最大的横坐标对应的纵对称轴作为关注纵对称轴;
选取关注横对称轴和关注纵对称轴中的频率较大值对应的对称轴作为所述整体对称轴。
10.根据权利要求1所述的一种五金冲压件模具生产质量检测方法,其特征在于,所述增强必要程度的获取方法为:
以所述非对称程度和所述置信度的差值作为对应像素点的增强必要程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310727598.3A CN116468728B (zh) | 2023-06-20 | 2023-06-20 | 一种五金冲压件模具生产质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310727598.3A CN116468728B (zh) | 2023-06-20 | 2023-06-20 | 一种五金冲压件模具生产质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116468728A true CN116468728A (zh) | 2023-07-21 |
CN116468728B CN116468728B (zh) | 2023-08-29 |
Family
ID=87184705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310727598.3A Active CN116468728B (zh) | 2023-06-20 | 2023-06-20 | 一种五金冲压件模具生产质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468728B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681696A (zh) * | 2023-07-27 | 2023-09-01 | 东莞雅达高精密塑胶模具有限公司 | 一种用于自动化生产设备的模具质量监测方法 |
CN116805314A (zh) * | 2023-08-21 | 2023-09-26 | 山东新中鲁建设有限公司 | 一种建筑工程质量评估方法 |
CN117314801A (zh) * | 2023-09-27 | 2023-12-29 | 南京邮电大学 | 基于人工智能的模糊图像优化增强方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220005170A1 (en) * | 2020-07-01 | 2022-01-06 | Powerchip Semiconductor Manufacturing Corporation | Defect identification method and image analysis system |
CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
CN115082418A (zh) * | 2022-07-14 | 2022-09-20 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN115311290A (zh) * | 2022-10-12 | 2022-11-08 | 南通市通州区精华电器有限公司 | 一种精密仪器金属零部件缺陷检测方法 |
CN115775250A (zh) * | 2023-02-13 | 2023-03-10 | 惠州威尔高电子有限公司 | 基于数字图像分析的金手指电路板缺陷快速检测系统 |
CN115830033A (zh) * | 2023-02-23 | 2023-03-21 | 威海锐鑫丰金属科技有限公司 | 基于机器视觉的汽车轮毂表面缺陷检测方法 |
-
2023
- 2023-06-20 CN CN202310727598.3A patent/CN116468728B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220005170A1 (en) * | 2020-07-01 | 2022-01-06 | Powerchip Semiconductor Manufacturing Corporation | Defect identification method and image analysis system |
CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
CN115082418A (zh) * | 2022-07-14 | 2022-09-20 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN115311290A (zh) * | 2022-10-12 | 2022-11-08 | 南通市通州区精华电器有限公司 | 一种精密仪器金属零部件缺陷检测方法 |
CN115775250A (zh) * | 2023-02-13 | 2023-03-10 | 惠州威尔高电子有限公司 | 基于数字图像分析的金手指电路板缺陷快速检测系统 |
CN115830033A (zh) * | 2023-02-23 | 2023-03-21 | 威海锐鑫丰金属科技有限公司 | 基于机器视觉的汽车轮毂表面缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
HONGZHI TIAN ET AL.: "Surface Defects Detection of Stamping and Grinding Flat Parts Based on Machine Vision", 《SENSORS 2020》, pages 1 - 17 * |
于彩香 等: "基于灰度—游程累加的皮革缺陷自动检测", 《皮革与化工》, vol. 25, no. 6, pages 36 - 43 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681696A (zh) * | 2023-07-27 | 2023-09-01 | 东莞雅达高精密塑胶模具有限公司 | 一种用于自动化生产设备的模具质量监测方法 |
CN116681696B (zh) * | 2023-07-27 | 2023-10-20 | 东莞雅达高精密塑胶模具有限公司 | 一种用于自动化生产设备的模具质量监测方法 |
CN116805314A (zh) * | 2023-08-21 | 2023-09-26 | 山东新中鲁建设有限公司 | 一种建筑工程质量评估方法 |
CN116805314B (zh) * | 2023-08-21 | 2023-11-14 | 山东新中鲁建设有限公司 | 一种建筑工程质量评估方法 |
CN117314801A (zh) * | 2023-09-27 | 2023-12-29 | 南京邮电大学 | 基于人工智能的模糊图像优化增强方法 |
CN117314801B (zh) * | 2023-09-27 | 2024-05-31 | 南京邮电大学 | 基于人工智能的模糊图像优化增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116468728B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116468728B (zh) | 一种五金冲压件模具生产质量检测方法 | |
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN116310360A (zh) | 一种电抗器表面缺陷检测方法 | |
CN113963042B (zh) | 基于图像处理的金属零件缺陷程度评估方法 | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN114419007B (zh) | 多策略融合深度学习网络模型的缺陷类型识别方法及系统 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN115311262A (zh) | 一种印刷电路板缺陷识别方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN112288760B (zh) | 一种粘连细胞图像筛除方法、系统及细胞图像分析方法 | |
CN114529538A (zh) | 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117893527B (zh) | 一种新能源储能箱体表面缺陷检测方法 | |
CN114937006A (zh) | 一种基于图像增强的锤头精细化缺陷检测方法 | |
CN112597865A (zh) | 热轧带钢边部缺陷智能识别方法 | |
CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 |
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 |