CN116523901A - 一种基于计算机视觉的冲切模具检测方法 - Google Patents
一种基于计算机视觉的冲切模具检测方法 Download PDFInfo
- Publication number
- CN116523901A CN116523901A CN202310728809.5A CN202310728809A CN116523901A CN 116523901 A CN116523901 A CN 116523901A CN 202310728809 A CN202310728809 A CN 202310728809A CN 116523901 A CN116523901 A CN 116523901A
- Authority
- CN
- China
- Prior art keywords
- die
- image
- area
- sticking
- roughness
- 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
- 238000004080 punching Methods 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 239000000853 adhesive Substances 0.000 claims abstract description 66
- 230000001070 adhesive effect Effects 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000005520 cutting process Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 210000002364 input neuron Anatomy 0.000 claims description 10
- 230000002146 bilateral effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000003313 weakening effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002194 synthesizing 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D28/00—Shaping by press-cutting; Perforating
- B21D28/02—Punching blanks or articles with or without obtaining scrap; Notching
- B21D28/14—Dies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
本申请涉及图像处理领域,提供一种基于计算机视觉的冲切模具检测方法,包括:获取冲切模具的灰度图像;基于灰度图像增大粘模区域的区分度,弱化留白区域与粘模区域的边缘,以得到粘模图像;基于粘模图像对冲切模具的粘模程度进行检测。该方法对冲切模具粘模程度的检测更全面,检测结果更准确。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种基于计算机视觉的冲切模具检测方法。
背景技术
模具是现代工业发展的重要技术工艺设备,它的出现极大地改变了国家的机械制造水平,大大缩短了产品周期,提高了企业效益,模具已经广泛应用到各行各业中,各个工业部门越来越依赖模具的生产,模具在国内占据非常重要的地位,是提高我国工业发展的重要项目。
随着汽车轻量化理念的普及与发展,高强钢材料的应用越来越广泛,其冲压工艺以独特的优势逐渐成为一项关键技术,复杂截面高强钢零件如汽车前后防撞梁及门槛加强件在完成型面加工后常采用冲切的方式得到满足要求的零件尺寸及形状,实现批量化生产。由于材料强度的提高,在零件批量化切断的过程中,粘模属于非常常见的缺陷,严重影响了模具的使用寿命以及零件的使用性能。对冲切模具进行检测,可以预测其使用寿命,及时对模具进行更换、改进,提高生产效率。相较于模拟软件,计算机视觉检测具有准确性强、效率高以及能够实现实时检测的特点,因此,基于计算机视觉的冲切模具检测具有非常重要的现实意义。
发明内容
本发明提供一种基于计算机视觉的冲切模具检测方法,该方法对冲切模具粘模程度的检测更全面,检测结果更准确。
第一方面,本申请提供一种基于计算机视觉的冲切模具检测方法,包括:
获取冲切模具的灰度图像;
基于灰度图像增大粘模区域的区分度,弱化留白区域与粘模区域的边缘,以得到粘模图像;
基于粘模图像和灰度图像对冲切模具的粘模程度进行检测。
在一可选实施例中,基于灰度图像增大粘模区域的区分度,弱化留白区域与粘模区域的边缘,以得到粘模图像,包括:
计算灰度图像对应的粘模显著图像;
基于粘模显著图像计算每一像素点邻域窗口内的邻域粗糙度;
基于粘模显著图像中每一像素点的粘模显著度和像素点的邻域粗糙度计算像素点邻域粘结指数,从而增大粘模区域的区分度,弱化留白区域与粘模区域的边缘,以得到粘模图像。
在一可选实施例中,计算灰度图像对应的粘模显著图像,包括:
利用灰度图像中每一像素点的灰度值计算每一像素点对应的粘模显著度;其中,像素点的灰度值越大,粘模显著度越小;
基于每一像素点对应的粘模显著度得到粘模显著图像。
在一可选实施例中,基于粘模显著图像计算每一像素点邻域窗口内的邻域粗糙度,包括:
基于粘模显著图像中每一像素点的粘模显著度构建每个像素点的邻域窗口对应的共生矩阵;
基于共生矩阵确定每一像素点邻域窗口内的邻域粗糙度。
在一可选实施例中,基于粘模图像和灰度图像对冲切模具的粘模程度进行检测,包括:
对灰度图像进行边缘检测,得到多个粘模区域;
计算每一粘模区域的边缘形状规则度和留白区域影响度;
基于每一粘模区域的边缘形状规则度、留白区域影响度以及每一像素点邻域窗口内的邻域粗糙度确定冲切模具表面图像的粘模区域规则度、留白区域影响度以及模具粗糙度;
基于冲切模具表面图像的粘模区域规则度、留白区域影响度以及模具粗糙度对冲切模具的粘模程度进行检测。
在一可选实施例中,计算每一粘模区域的边缘形状规则度和留白区域影响度,包括:
基于粘模区域的面积、周长确定粘模区域的边缘形状规则度;以及基于粘模区域内部留白区域的面积、两个留白区域的距离以及各留白区域与所处粘模区域边缘的距离之和计算留白区域影响度。
在一可选实施例中,基于每一粘模区域的边缘形状规则度、留白区域影响度以及每一像素点邻域窗口内的邻域粗糙度确定冲切模具表面图像的粘模区域规则度、留白区域影响度以及模具粗糙度,包括:
计算各个粘模区域的边缘形状规则度均值,得到冲切模具表面图像的粘模区域规则度;计算各粘模区域的留白区域影响度之和,得到冲切模具表面图像的留白区域影响度;计算各像素点的邻域粗糙度之和,得到模具粗糙度。
在一可选实施例中,基于冲切模具表面图像的粘模区域规则度、留白区域影响度以及模具粗糙度对冲切模具的粘模程度进行检测,包括:
使用全连接神经网络对冲切模具表面图像的粘模区域规则度、留白区域影响度以及模具粗糙度进行处理,以得到冲切模具的粘模程度;
其中,全连接神经网络包括粘模区域规则度输入神经元、留白区域影响度输入神经元以及模具粗糙度输入神经元;全连接神经网络的隐含层包括ReLU激活函数,输出层使用Softmax函数。
在一可选实施例中,获取冲切模具的灰度图像,包括:
获取冲切模具的RGB图像;
利用双边滤波方式对RGB图像进行去噪处理;
将去噪处理后的图像转化为灰度图像,进而得到获取冲切模具的灰度图像。
在一可选实施例中,基于共生矩阵确定每一像素点邻域窗口内的邻域粗糙度,包括:
;
式中,代表共生矩阵中从显著阶数为i的像素点出发,距离为/>,方位为/>的像素点显著阶数为j的概率,/>为所述共生矩阵的行数以及列数。
本申请的有益效果,区别于现有技术,本申请的基于计算机视觉的冲切模具检测方法,包括:获取冲切模具的灰度图像;基于灰度图像增大粘模区域的区分度,弱化留白区域与粘模区域的边缘,以得到粘模图像,使得粘模区域的边缘检测更加准确;基于粘模图像对冲切模具的粘模程度进行检测。该方法对冲切模具粘模程度的检测更全面,检测结果更准确。
附图说明
图1为本发明基于计算机视觉的冲切模具检测方法的一实施例的流程示意图;
图2为图1中步骤S12的一实施例的流程示意图;
图3为图1中步骤S13的一实施例的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了实现本发明内容,本发明设计了基于计算机视觉的冲切模具检测方法。首先用工业相机获取冲切模具图像,并使用双边滤波对图像进行预处理,去除图像中的部分噪声,然后根据粘模显著度和邻域粗糙度增大粘模区域的边缘区分度,同时弱化留白区域与粘结区域的边缘,得到粘模图像,再根据其闭合边缘计算形状规则度、以及留白区域影响度,最后使用全连接神经网络对冲切模具的粘模程度进行检测。下面结合附图和实施例对本申请进行详细的说明。
请参见图1,图1为本发明基于计算机视觉的冲切模具检测方法的一实施例的流程示意图,具体包括:
步骤S11:获取冲切模具的灰度图像。
使用工业相机采集冲切模具表面图像,并对采集到的图像进行预处理。具体的,获取冲切模具的RGB图像;利用双边滤波方式对RGB图像进行去噪处理;将去噪处理后的图像转化为灰度图像,进而得到获取冲切模具的灰度图像。
本发明需要对冲切模具的粘模程度进行检测,工业相机具有高分辨率的特点,可以捕捉到冲切模具表面的粘模区域及其纹理特征,先使用工业相机获取高精度的冲切模具表面图像,然后对获取的图像进行预处理,消除冲切模具表面图像中的部分噪声和外界干扰造成的影响,增强后续分析的准确性,为了在保留边界信息的同时去除噪声,本发明选用双边滤波对图像进行处理,实施者也可采取其他去噪方法。然后将获取的RGB图像转换为灰度图像,方便后续的图像处理。
步骤S12:基于灰度图像增大粘模区域的区分度,弱化留白区域与粘模区域的边缘,以得到粘模图像。
当冲切模具工作时,冲切模具与待加工板材接触并产生相对滑动,温度过高并且伴随着摩擦生热,模具表面材料发生软化、粘结,相对运动使粘结点破坏,产生磨损的现象为粘模缺陷。即,冲切模具粘模缺陷的产生是因为待加工板材在高温下的流动和变形,因此粘模区域的边缘特征是模糊不清的,由于粘模缺陷通常呈现区域分布。为了对冲切模具的粘模缺陷进行检测,需要先获取冲切模具表面图像的边缘,但是其边缘分界线不明显,且内部含有留白区域,直接使用canny算子获取边缘,可能导致检测结果不准确。本申请的方法先增大粘模区域的边缘区分度,同时弱化留白区域与粘结区域的边缘,得到粘模图像。具体的,粘模区域边缘内外像素点的邻域粗糙度不同,留白区域内部像素点的灰度值较大,但邻域粗糙度较小的特点,计算各像素点的粘模显著度和邻域粗糙度,进而得到邻域粘结指数,获取粘模图像。然后使用canny算子根据粘模图像获取粘模区域的边缘。
为了提高检测结果的准确性,本申请根据粘模区域通常纹理粗糙且灰度值较低的特征,在每个像素点的邻域窗口内计算其邻域粘结指数。基于邻域粘结指数得到粘模图像。在一实施例中,请结合图2,步骤S12具体包括:
步骤S21:计算灰度图像对应的粘模显著图像。
粘模区域通常比较粗糙,而留白区域较为光滑,容易反光,因此粘模区域的像素值较低,为了衡量每个像素点在整幅图像中的显著程度,需要计算灰度图像对应的粘模显著图像。
在一实施例中,利用灰度图像中每一像素点的灰度值计算每一像素点对应的粘模显著度;其中,像素点的灰度值越大,粘模显著度越小;基于每一像素点对应的粘模显著度得到粘模显著图像。
在一具体实施例中,首先将灰度图像归一化,每个像素点的像素值为该像素点的灰度值与整幅图像灰度值之和的比值,然后为了方便计算,突出粘模区域,将粘模区域高亮化,得到粘模显著图像。
假设灰度图像中共有n个像素点,则像素点处的粘模显著度/>可以表示如下:
;
式中,为灰度图像中第i个像素点/>处的灰度值,当灰度值越小时,其粘模显著度越大;相反的,当灰度值越大时,其粘模显著度越小。对灰度图像中的每个像素点按照上述方法计算其粘模显著度,得到粘模显著图像/>。
步骤S22:基于粘模显著图像计算每一像素点邻域窗口内的邻域粗糙度。
在一实施例中,基于粘模显著图像中每一像素点的粘模显著度构建每个像素点的邻域窗口对应的共生矩阵;基于共生矩阵确定每一像素点邻域窗口内的邻域粗糙度。
具体地,为了衡量每个像素点所处区域的纹理粗糙程度,根据粘模显著图像,在每个像素点的邻域窗口内计算其邻域粗糙度。为了更全面的考虑其周围区域的特征,减小误差,邻域窗口不能太小,假设邻域窗口的大小为,/>经验取值为6,即邻域窗口大小为13×13。
粘模缺陷的本质是待加工板材与模具结合在一起,并粘在模具表面。由于种种原因,各区域粘模缺陷的严重程度不同,在模具的表面就形成了随机分布的纹路,可以通过在每个像素点的邻域窗口内构建粘模显著度共生矩阵,计算其邻域粗糙度。为了方便计算,减少计算量,将粘模显著度度0-1平均划分为N个显著阶数,N经验取值为10,矩阵的大小为N×N,行数和列数均为粘模显著阶数,矩阵元素代表从粘模显著阶数为i的像素点出发,距离为/>,方位为/>的像素点粘模显著阶数为j的概率,这里距离/>取值为1,方位/>尝试所有的角度(例如,每45度计算一次)并取平均,因此得到的粘模显著度共生矩阵是一个对称矩阵。则像素点/>邻域窗口内的邻域粗糙度/>可以表示如下:
;
当共生矩阵中的元素值相近,即各个像素对出现的频率大致相同时,则能量较小,表示纹理细致;若其中一些值大,而其他值小,即某一部分像素对出现的频率高,而其他像素对出现的频率低,则能量值较大,表示一种较为均匀和规则变化的纹理。
步骤S23:基于粘模显著图像中每一像素点的粘模显著度和像素点的邻域粗糙度计算像素点邻域粘结指数,从而增大粘模区域的区分度,弱化留白区域与粘模区域的边缘,以得到粘模图像。
粘模区域的边缘比较模糊,而其内部留白区域的边缘却比较明显,因此,为了根据粘模区域的边缘信息对其进行检测,需要增大粘模区域的边缘区分度,同时,弱化留白区域与粘模区域的边缘。综合粘模显著度和邻域粗糙度,则像素点处的邻域粘结指数/>可以表示如下:
;
式中,为像素点/>处的粘模显著度,/>为像素点/>邻域窗口内的邻域粗糙度,两者的乘积/>越大时,邻域粘结指数越大。邻域粗糙度越大,说明邻域粘连程度越大,边缘内外像素点的邻域粗糙度不同,可以据此增大粘模区域的边缘区分度;留白区域内部像素点的灰度值较大,粘模显著度较小,且邻域粗糙度较小,因此内部的邻域粘结指数较小,但其边缘处邻域粗糙度较大,可以据此弱化留白区域与粘结区域的边缘。
对粘模显著图像中的每个像素点,按照上述方法计算其邻域粘结指数,增大粘模区域的区分度,同时弱化留白区域取粘结区域的边缘,得到粘模图像。
步骤S13:基于粘模图像和灰度图像对冲切模具的粘模程度进行检测。
具体的,请结合图3,步骤S13具体包括:
步骤S31:对灰度图像进行边缘检测,得到多个粘模区域。
为了对粘模区域进行分析,根据灰度图像,使用canny算子获取其边缘信息,得到二值化图像,即粘模区域图像。
步骤S32:计算每一粘模区域的边缘形状规则度和留白区域影响度。
在一实施例中,基于粘模区域的面积、周长确定粘模区域的边缘形状规则度;以及基于粘模区域内部留白区域的面积、两个留白区域的距离以及各留白区域与所处粘模区域边缘的距离之和计算留白区域影响度。
具体的,由于粘模区域边缘通常是不规则的,可以通过闭合边缘的面积和周长来计算其形状规则度。对每个闭合边缘即粘模区域,其面积可以近似为边缘内部像素点的个数,周长可以近似为边缘像素点的个数,则第个粘模区域的边缘形状规则度/>可以表示如下:
;
式中,为第/>个闭合粘模边缘内部像素点的个数,代表闭合粘模边缘的面积;/>为第/>个闭合粘模区域的边缘像素点个数,代表闭合粘模边缘的周长。边缘形状规则度取值为0-1,当闭合粘模边缘为圆形时,边缘形状规则度为1;当闭合粘模边缘的形状越不规则时,边缘形状规则度越小。
进一步基于粘模区域内部留白区域的面积、两个留白区域的距离以及各留白区域与所处粘模区域边缘的距离之和计算留白区域影响度。具体的,在粘模区域内部往往含有留白区域,粘模区域的留白部分可以减小粘连现象的扩散,可以根据其面积大小、与闭合粘模边缘的距离、各留白区域之间的距离计算其留白区域影响度。
在第个粘模区域对应的灰度图像中,使用canny算子获取其内部的闭合边缘,则各边缘为留白区域边缘,假设共有/>个留白区域,则第/>个留白区域的面积大小可以近似为其边缘内部像素点的个数/>,其与所处闭合粘模区域边缘的距离/>可以表示为其最小外接矩形中心点与各闭合粘模边缘像素点距离的最小值。第i个和第j个留白区域之间的距离可以表示为其最小外接矩形中心点之间的距离/>。则第/>个粘模区域的留白区域影响度/>可以表示如下:
;
式中,为第/>个闭合粘模区域内部所有留白区域内部像素点的总个数,代表留白区域的面积,面积越大,则留白区域影响度越大;/>为两两留白区域最小外接矩形中心点之间的距离之和,距离越小,则各留白区域分布的越密集,影响度越大;/>各留白区域与所处粘模区域边缘的距离之和,距离越小,则留白区域影响度越大。
步骤S33:基于每一粘模区域的边缘形状规则度、留白区域影响度以及每一像素点邻域窗口内的邻域粗糙度确定冲切模具表面图像的粘模区域规则度、留白区域影响度以及模具粗糙度。
具体的,计算各个粘模区域的边缘形状规则度均值,得到冲切模具表面图像的粘模区域规则度;计算各粘模区域的留白区域影响度之和,得到冲切模具表面图像的留白区域影响度;计算各像素点的邻域粗糙度之和,得到模具粗糙度。
可以理解的,各像素点邻域粗糙度之和为冲切模具表面图像的模具粗糙度,各粘模区域的边缘形状规则度均值为冲切模具表面图像的粘模区域规则度,各粘模区域的留白区域影响度之和为冲切模具表面图像的留白区域影响度。
步骤S34:基于冲切模具表面图像的粘模区域规则度、留白区域影响度以及模具粗糙度对冲切模具的粘模程度进行检测。
使用全连接神经网络对冲切模具表面图像的粘模区域规则度、留白区域影响度以及模具粗糙度进行处理,以得到冲切模具的粘模程度;其中,全连接神经网络包括粘模区域规则度输入神经元、留白区域影响度输入神经元以及模具粗糙度输入神经元;全连接神经网络的隐含层使用ReLU激活函数,输出层使用Softmax函数。
具体的,提取冲切模具表面图像的模具粗糙度、粘模区域规则度、留白区域影响度特征之后,使用全连接神经网络对冲切模具的粘模程度进行检测,该网络有三个输入神经元,分别为模具粗糙度、粘模区域规则度、留白区域影响度,隐含层使用ReLU激活函数,最终输出为全连接层,神经元个数为3,对应于冲切模具粘模程度的轻度、中度和重度三个等级,输出层使用Softmax函数,用于对冲切模具的粘模程度进行检测。
本申请的方法,根据冲切模具的粘模程度对其进行检测。先根据各像素点的粘模显著度和邻域粗糙度,计算其邻域粘结指数,获得粘模图像,然后使用canny算子获取粘模图像的边缘信息,根据其边缘信息计算其形状规则度,并在原灰度图中对应的区域使用canny算子获取其内部留白区域的边缘,计算留白区域影响度。最后使用全连接神经网络综合冲切模具表面图像的模具粗糙度、粘模区域规则度、留白区域影响度,根据粘模区域边缘不规则、内部纹理粗糙且含有留白区域的特点,对冲切模具的粘模程度进行检测,不仅考虑粘模区域的纹理、边缘特点,还将其内部留白区域的影响程度考虑在内,使得对冲切模具粘模程度的检测更加全面。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种基于计算机视觉的冲切模具检测方法,其特征在于,包括:
获取冲切模具的灰度图像;
基于所述灰度图像增大粘模区域的区分度,弱化留白区域与粘模区域的边缘,以得到粘模图像;
基于所述粘模图像和所述灰度图像对所述冲切模具的粘模程度进行检测;
基于所述灰度图像增大粘模区域的区分度,弱化留白区域与粘模区域的边缘,以得到粘模图像,包括:
计算所述灰度图像对应的粘模显著图像;
基于所述粘模显著图像计算每一像素点邻域窗口内的邻域粗糙度;
基于所述粘模显著图像中每一像素点的粘模显著度和像素点的所述邻域粗糙度计算像素点邻域粘结指数,从而增大粘模区域的区分度,弱化留白区域与粘模区域的边缘,以得到所述粘模图像;
基于所述粘模图像和所述灰度图像对所述冲切模具的粘模程度进行检测,包括:
对所述灰度图像进行边缘检测,得到多个粘模区域;
计算每一粘模区域的边缘形状规则度和留白区域影响度;
基于每一粘模区域的所述边缘形状规则度、所述留白区域影响度以及每一像素点邻域窗口内的邻域粗糙度确定冲切模具表面图像的粘模区域规则度、留白区域影响度以及模具粗糙度;
基于冲切模具表面图像的粘模区域规则度、留白区域影响度以及模具粗糙度对所述冲切模具的粘模程度进行检测。
2.根据权利要求1所述的基于计算机视觉的冲切模具检测方法,其特征在于,计算所述灰度图像对应的粘模显著图像,包括:
利用灰度图像中每一像素点的灰度值计算每一像素点对应的粘模显著度;其中,像素点的灰度值越大,粘模显著度越小;
基于每一像素点对应的粘模显著度得到粘模显著图像。
3.根据权利要求1所述的基于计算机视觉的冲切模具检测方法,其特征在于,基于所述粘模显著图像计算每一像素点邻域窗口内的邻域粗糙度,包括:
基于粘模显著图像中每一像素点的粘模显著度构建每个像素点的邻域窗口对应的共生矩阵;
基于所述共生矩阵确定每一像素点邻域窗口内的邻域粗糙度。
4.根据权利要求1所述的基于计算机视觉的冲切模具检测方法,其特征在于,计算每一粘模区域的边缘形状规则度和留白区域影响度,包括:
基于粘模区域的面积、周长确定所述粘模区域的边缘形状规则度;以及基于粘模区域内部留白区域的面积、两个留白区域的距离以及各留白区域与所处粘模区域边缘的距离之和计算留白区域影响度。
5.根据权利要求1所述的基于计算机视觉的冲切模具检测方法,其特征在于,基于每一粘模区域的所述边缘形状规则度、所述留白区域影响度以及每一像素点邻域窗口内的邻域粗糙度确定冲切模具表面图像的粘模区域规则度、留白区域影响度以及模具粗糙度,包括:
计算各个粘模区域的边缘形状规则度均值,得到冲切模具表面图像的粘模区域规则度;计算各粘模区域的留白区域影响度之和,得到冲切模具表面图像的留白区域影响度;计算各像素点的邻域粗糙度之和,得到模具粗糙度。
6.根据权利要求1所述的基于计算机视觉的冲切模具检测方法,其特征在于,基于冲切模具表面图像的粘模区域规则度、留白区域影响度以及模具粗糙度对所述冲切模具的粘模程度进行检测,包括:
使用全连接神经网络对冲切模具表面图像的粘模区域规则度、留白区域影响度以及模具粗糙度进行处理,以得到冲切模具的粘模程度;
其中,全连接神经网络包括粘模区域规则度输入神经元、留白区域影响度输入神经元以及模具粗糙度输入神经元;全连接神经网络的隐含层包括ReLU激活函数,输出层使用Softmax函数。
7.根据权利要求1~6任一项所述的基于计算机视觉的冲切模具检测方法,其特征在于,获取冲切模具的灰度图像,包括:
获取冲切模具的RGB图像;
利用双边滤波方式对RGB图像进行去噪处理;
将去噪处理后的图像转化为灰度图像,进而得到冲切模具的灰度图像。
8.根据权利要求3所述的基于计算机视觉的冲切模具检测方法,其特征在于,基于所述共生矩阵确定每一像素点邻域窗口内的邻域粗糙度,包括:
;
式中,代表共生矩阵中从显著阶数为i的像素点出发,距离为/>,方位为/>的像素点显著阶数为j的概率,/>为所述共生矩阵的行数以及列数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310728809.5A CN116523901B (zh) | 2023-06-20 | 2023-06-20 | 一种基于计算机视觉的冲切模具检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310728809.5A CN116523901B (zh) | 2023-06-20 | 2023-06-20 | 一种基于计算机视觉的冲切模具检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523901A true CN116523901A (zh) | 2023-08-01 |
CN116523901B CN116523901B (zh) | 2023-09-19 |
Family
ID=87399691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310728809.5A Active CN116523901B (zh) | 2023-06-20 | 2023-06-20 | 一种基于计算机视觉的冲切模具检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523901B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152447A (zh) * | 2023-11-01 | 2023-12-01 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101168844A (zh) * | 2007-11-30 | 2008-04-30 | 重庆工学院 | 一种提高模具自脱模性能的处理方法 |
CN105291391A (zh) * | 2015-09-30 | 2016-02-03 | 重庆世纪精信实业(集团)有限公司 | 基于图像识别处理的注塑机粘模检测方法以及装置 |
CN107336417A (zh) * | 2017-06-13 | 2017-11-10 | 上海斐讯数据通信技术有限公司 | 一种基于机器视觉的模具保护方法及系统 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
WO2020051746A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 图像的边缘检测方法、图像处理设备及计算机存储介质 |
CN110956183A (zh) * | 2019-11-04 | 2020-04-03 | 东南大学 | 一种沥青路面裂缝形态提取方法 |
CN111626339A (zh) * | 2020-05-08 | 2020-09-04 | 北京嘎嘎博视科技有限责任公司 | 一种抗光影和抖动影响的注塑机模腔异常检测方法 |
CN113379734A (zh) * | 2021-07-09 | 2021-09-10 | 无锡时代天使医疗器械科技有限公司 | 质量检测方法、装置、设备及计算机可读存储介质 |
CN214239437U (zh) * | 2020-12-25 | 2021-09-21 | 柳州市麦可思塑胶科技有限公司 | 基于图像识别处理技术注塑机粘模检测装置 |
CN114612489A (zh) * | 2022-03-15 | 2022-06-10 | 徐州科悦电子科技有限公司 | 一种基于自编码神经网络的图像边缘提取方法及系统 |
-
2023
- 2023-06-20 CN CN202310728809.5A patent/CN116523901B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101168844A (zh) * | 2007-11-30 | 2008-04-30 | 重庆工学院 | 一种提高模具自脱模性能的处理方法 |
CN105291391A (zh) * | 2015-09-30 | 2016-02-03 | 重庆世纪精信实业(集团)有限公司 | 基于图像识别处理的注塑机粘模检测方法以及装置 |
CN107336417A (zh) * | 2017-06-13 | 2017-11-10 | 上海斐讯数据通信技术有限公司 | 一种基于机器视觉的模具保护方法及系统 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
WO2020051746A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 图像的边缘检测方法、图像处理设备及计算机存储介质 |
CN110956183A (zh) * | 2019-11-04 | 2020-04-03 | 东南大学 | 一种沥青路面裂缝形态提取方法 |
CN111626339A (zh) * | 2020-05-08 | 2020-09-04 | 北京嘎嘎博视科技有限责任公司 | 一种抗光影和抖动影响的注塑机模腔异常检测方法 |
CN214239437U (zh) * | 2020-12-25 | 2021-09-21 | 柳州市麦可思塑胶科技有限公司 | 基于图像识别处理技术注塑机粘模检测装置 |
CN113379734A (zh) * | 2021-07-09 | 2021-09-10 | 无锡时代天使医疗器械科技有限公司 | 质量检测方法、装置、设备及计算机可读存储介质 |
CN114612489A (zh) * | 2022-03-15 | 2022-06-10 | 徐州科悦电子科技有限公司 | 一种基于自编码神经网络的图像边缘提取方法及系统 |
Non-Patent Citations (1)
Title |
---|
高正宇: "改善压铸件表面粘模缺陷的方法和措施", 《铸造》, vol. 67, no. 05, pages 389 - 392 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152447A (zh) * | 2023-11-01 | 2023-12-01 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及系统 |
CN117152447B (zh) * | 2023-11-01 | 2024-02-02 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116523901B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN103593670B (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN116611748B (zh) | 一种钛合金家具生产质量监控系统 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN116523901B (zh) | 一种基于计算机视觉的冲切模具检测方法 | |
CN115018850B (zh) | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN115861320B (zh) | 一种汽车零件加工信息智能检测方法 | |
CN110544231A (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
CN115311507B (zh) | 基于数据处理的建筑板材分类方法 | |
CN114359267B (zh) | 基于直方图的金属货架的钣金漆面鼓包识别方法及系统 | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN115511842A (zh) | 一种基于机器视觉的电缆绝缘表皮破损检测方法 | |
CN113781585A (zh) | 一种增材制造零件表面缺陷在线检测方法及系统 | |
CN115131356A (zh) | 一种基于丰富度的钢板缺陷分类方法 | |
CN116953006A (zh) | 一种铸造材料扫描电镜图像缺陷识别与量化方法 | |
CN112396580B (zh) | 一种圆形零件缺陷检测方法 | |
CN115222735B (zh) | 一种基于麻点缺陷的金属模具质量检测方法 | |
CN116109577A (zh) | 一种印刷标签缺陷检测系统及方法 | |
CN115018792A (zh) | 基于计算机视觉技术的拉深件起皱检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |