CN116597225B - 一种镂空注塑件的拔模缺陷检测方法及系统 - Google Patents
一种镂空注塑件的拔模缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN116597225B CN116597225B CN202310622184.4A CN202310622184A CN116597225B CN 116597225 B CN116597225 B CN 116597225B CN 202310622184 A CN202310622184 A CN 202310622184A CN 116597225 B CN116597225 B CN 116597225B
- Authority
- CN
- China
- Prior art keywords
- defect
- hollowed
- injection molding
- characteristic information
- data
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 309
- 238000001746 injection moulding Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 24
- 238000012163 sequencing technique Methods 0.000 claims abstract description 18
- 238000013178 mathematical model Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 4
- 238000013102 re-test Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及数据处理技术领域，尤其涉及一种镂空注塑件的拔模缺陷检测方法及系统，方法包括，在同等拍摄条件下采集拔模后的镂空注塑件图像；筛选出待定位置；分别建立工艺缺陷特征信息参考库和模具缺陷特征信息参考库；对所有参考信息进行打分，分别获得工艺缺陷特征信息排序结果和模具缺陷特征信息排序结果；确定用于复检的镂空注塑件数量；将镂空注塑件的复检数据输入数学模型，输出拔模缺陷的检测结果。本发明中，通过图像采集、筛选待定位置、获取缺陷特征信息、建立参考库、进行统计和排序等多个步骤，可以全面了解镂空注塑件拔模缺陷的特点和出现情况，通过进行复检，最终输出拔模缺陷的检测结果，可实现对镂空注塑件拔模缺陷的快速、准确、高效的检测。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种镂空注塑件的拔模缺陷检测方法及系统。
背景技术
镂空注塑件是广泛应用于电子、汽车等领域的塑料制品形式。以一种结构为例：镂空注塑件围绕特定轴线均匀分布，其中，镂空注塑件的镂空位置包括轴线方向上的贯通镂空区域，以及，侧壁上所形成贯通的镂空区域；针对上述结构现有的加工过程中，需要首先生产出一个实心模具，用于形成轴线方向上的贯通镂空区域，另外，还需要设置若干模具块，与侧壁上所形成的镂空区域一一对应设置。
将上述模具进行组合后进行注塑操作，在镂空注塑件成型完成后，可通过移动模具各部分的方式而取出最终产品。但是在上述过程中，由于镂空部分与镂空部分之间往往会形成截面尺寸相对较薄弱的筋体结构，因此极易在注塑过程中以及模具各部分移动的过程中产生缺陷，而上述缺陷包括但不限于由于注塑工艺的问题而带来的缺陷，以及因为模具各部分移动不当或模具问题而带来的缺陷，当然，上述缺陷均可在拔模后被识别。
目前，上述缺陷的识别通过人工检测的方式实现，极易产生漏检的情况，且缺陷的类型也难以被有效及准确的分类，使得检测效率和准确度都欠佳。
发明内容
本发明中提供了一种镂空注塑件的拔模缺陷检测方法及系统，从而有效解决背景技术中所指出的问题。
为了达到上述目的，本发明所采用的技术方案是：
一种镂空注塑件的拔模缺陷检测方法，所述方法包括：
在同等拍摄条件下采集拔模后的镂空注塑件图像；
根据所述镂空注塑件图像中缺陷位置的形态，筛选出待定位置；
获取所述待定位置的缺陷特征信息，将所述缺陷特征信息区分为工艺缺陷和模具缺陷，且分别建立工艺缺陷特征信息参考库和模具缺陷特征信息参考库；
对所述工艺缺陷特征信息参考库和模具缺陷特征信息参考库中的参考信息分别进行出现频率和重要程度的统计，且根据统计结果对两个信息参考库中的所有参考信息进行打分，并按照分数从高到低进行排序，分别获得工艺缺陷特征信息排序结果和模具缺陷特征信息排序结果；
根据所述工艺缺陷特征信息排序结果和模具缺陷特征信息排序结果，确定用于复检的所述镂空注塑件数量；
将所述镂空注塑件的复检数据输入数学模型，输出拔模缺陷的检测结果。
进一步地，根据所述镂空注塑件图像中缺陷位置的形态，筛选出待定位置，包括：
通过图像处理算法对所述镂空注塑件图像进行二值化处理，将所述缺陷位置与其他区域进行分离；
对所述缺陷位置进行形态学操作，去除噪声且进行特征提取；
基于所述特征提取的结果，利用卷积神经网络对所述缺陷位置进行分类，以识别缺陷类型，对具有设定缺陷类型的所述缺陷位置进行标记而作为所述待定位置。
进一步地，根据所述镂空注塑件图像中缺陷位置的形态，筛选出待定位置，还包括：
收集不同类型的镂空注塑件缺陷历史数据；
根据所述镂空注塑件缺陷历史数据，设定用于筛选所述待定位置的阈值；
根据已设置的所述阈值对每个所述待定位置进行比较，对标记出的所述缺陷位置进行判断和排除，获得筛选后的所述待定位置。
进一步地，根据统计结果对两个信息参考库中的缺陷特征信息进行打分，包括：
根据以下公式计算每类缺陷特征信息的综合评价指标：
A为综合评价指标，E1为第一权重系数；Ni为第i类缺陷特征信息在对应的信息参考库中的出现次数；N总为对应的信息参考库中的总数据量；E2为第二权重系数；X为第i类缺陷特征信息的重要程度的影响因素总数；EX为第i类缺陷特征信息的重要程度的第X个影响因素的权重系数；PX为第X个影响因素的分值；
将所述综合评价指标换算为缺陷特征信息的分值。
进一步地，将所述镂空注塑件的复检数据输入数学模型，输出拔模缺陷的检测结果，包括：
收集所述镂空注塑件的复检数据，且对所述复检数据进行预处理；
根据所述镂空注塑件的特点和复检数据的特征，选择神经网络模型；
使用预处理后的数据对已选定的所述神经网络模型进行训练，并调整模型参数；
使用验证数据对模型进行验证，将所述复检数据输入已验证过的神经网络模型中，预测出所述镂空注塑件的拔模缺陷情况，并给出相应的检测结果。
进一步地，还对所述复检数据进行迁移学习，包括：
选择在其他数据集上已经预训练完成的用于镂空注塑件拔模缺陷检测的卷积神经网络模型，且准备复检数据的数据集；
将所述卷积神经网络模型加载到代码中，并对卷积层进行更新，获得调整后的预训练模型；
使用所述复检数据的数据集对调整后的所述预训练模型进行训练；
训练结束后，采用经过训练的所述预训练模型预测新数据，将所述新数据添加到所述复检数据的数据集中。
进一步地，获取所述待定位置的缺陷特征信息，将缺陷特征信息区分为工艺缺陷和模具缺陷，且分别建立工艺缺陷特征信息参考库和模具缺陷特征信息参考库，包括：
对待定位置的缺陷图像进行预处理；
使用特征提取算法对处理后的缺陷图像进行特征提取，获得所需缺陷特征信息；
根据所述缺陷特征信息的类型，将提取的缺陷特征信息分别存储到工艺缺陷特征信息参考库和模具缺陷特征信息参考库中。
一种镂空注塑件的拔模缺陷检测系统，所述系统包括：
图像采集模块，在同等拍摄条件下采集拔模后的镂空注塑件图像；
位置筛选模块，根据所述镂空注塑件图像中缺陷位置的形态，筛选出待定位置；
特征提取模块，获取所述待定位置的缺陷特征信息，将缺陷特征信息区分为工艺缺陷和模具缺陷；
参考数据模块，包括工艺缺陷特征信息参考库和模具缺陷特征信息参考库，对应存储工艺缺陷特征信息和模具缺陷特征信息；
统计分析模块，对所述工艺缺陷特征信息参考库和模具缺陷特征信息参考库中的参考信息分别进行出现频率和重要程度的统计，且根据统计结果对两个信息参考库中的所有参考信息进行打分，并按照分数从高到低进行排序，分别获得工艺缺陷特征信息排序结果和模具缺陷特征信息排序结果；
数量选取模块：根据所述工艺缺陷特征信息排序结果和模具缺陷特征信息排序结果，确定用于复检的所述镂空注塑件数量；
检测模块，将所述镂空注塑件的复检数据输入数学模型，输出拔模缺陷的检测结果。
进一步地，所述位置筛选模块包括：
二值化处理单元，接受所述镂空注塑件图像作为输入，通过图像处理算法对所述镂空注塑件图像进行二值化处理，将所述缺陷位置与其他区域进行分离；
形态学操作单元，对所述缺陷位置进行形态学操作，去除噪声且进行特征提取；
缺陷分类单元，基于所述特征提取的结果，利用卷积神经网络对所述缺陷位置进行分类，以识别缺陷类型；
标记单元，在所述镂空注塑件图像上，对具有特定缺陷类型的所述缺陷位置进行标记而作为所述待定位置。
进一步地，所述检测模块包括：
数据采集单元，收集所述镂空注塑件的复检数据，并进行预处理；
模型选择单元，根据所述镂空注塑件的特点和复检数据的特征，选择神经网络模型；
模型训练单元，使用预处理后的数据对已选定的所述神经网络模型进行训练，并调整模型参数；
模型验证模块，使用验证数据对模型进行验证；
预测模块：将所述复检数据输入已验证过的神经网络模型中，预测出镂空注塑件的拔模缺陷情况，并给出相应的检测结果。
通过本发明的技术方案，可实现以下技术效果：
本发明中，通过图像采集、筛选待定位置、获取缺陷特征信息、建立参考库、进行统计和排序等多个步骤，可以全面地了解镂空注塑件拔模缺陷的特点和出现情况，并确定其重要性和优先级；通过进行镂空注塑件的复检和数据输入，最终输出拔模缺陷的检测结果，上述做法可实现对镂空注塑件拔模缺陷的快速、准确、高效的检测。
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中记载的一些实施例，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为镂空注塑件的拔模缺陷检测方法的流程图；
图2为根据镂空注塑件图像中缺陷位置的形态，筛选出待定位置的流程图；
图3为图2中流程图的进一步优化形式；
图4为将镂空注塑件的复检数据输入数学模型，输出拔模缺陷的检测结果的流程图；
图5为对复检数据进行迁移学习的流程图；
图6为获取待定位置的缺陷特征信息，将缺陷特征信息区分为工艺缺陷和模具缺陷，且分别建立工艺缺陷特征信息参考库和模具缺陷特征信息参考库的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
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。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
一种镂空注塑件的拔模缺陷检测方法，如图1所示，方法包括：
S100：在同等拍摄条件下采集拔模后的镂空注塑件图像；
在本步骤中，具体来说，可以通过以下几个方面来保证同等拍摄条件：对于同一镂空注塑件的待拍摄位置，需要确保在不同时间或不同场合下均能够拍摄到相同的位置，以保证拍摄角度和距离的一致性；以本发明中所针对的是围绕特定轴线均匀分布的镂空注塑件为例，其中，镂空注塑件的镂空位置主要包括轴线方向上的贯通镂空区域，以及，侧壁上所形成的镂空区域，基于上述镂空结构的特点，可使得侧壁的各个镂空位置通过转动的方式逐一到达指定的拍摄位置而进行图像的采集；另外，同等拍摄条件还包括：在进行拍摄时，需要保持室内外环境的一致性，如光线、温度、湿度等因素都应该尽量保持稳定；使用相同的设备进行拍摄，如相机、镜头、三脚架等，以确保拍摄参数的一致性；还需要注意其他可能影响拍摄结果的因素，如背景物体等。
通过以上措施，可以保证同等拍摄条件下采集拔模后的镂空注塑件图像，从而得到可靠的缺陷检测结果。
S200：根据镂空注塑件图像中缺陷位置的形态，筛选出待定位置；
S300：获取待定位置的缺陷特征信息，将缺陷特征信息区分为工艺缺陷和模具缺陷，且分别建立工艺缺陷特征信息参考库和模具缺陷特征信息参考库；
本步骤的优势是能够快速准确地获取待定位置的缺陷特征信息，并将其区分为工艺缺陷和模具缺陷；通过建立工艺缺陷特征信息参考库和模具缺陷特征信息参考库，可以更好地对缺陷进行分类和识别，从而提高缺陷检测的准确率和效率；此外，该步骤还可以为后续的缺陷修复和预防提供重要的参考依据。
S400：对工艺缺陷特征信息参考库和模具缺陷特征信息参考库中的参考信息分别进行出现频率和重要程度的统计，且根据统计结果对两个信息参考库中的所有参考信息进行打分，并按照分数从高到低进行排序，分别获得工艺缺陷特征信息排序结果和模具缺陷特征信息排序结果；
通过本步骤的实施，可以更加直观地展示缺陷检测结果，并且能够帮助用户更快速地定位、处理缺陷问题；
S500：根据工艺缺陷特征信息排序结果和模具缺陷特征信息排序结果，确定用于复检的镂空注塑件数量；
根据工艺缺陷排序和模具缺陷排序的结果，在决定复检数量之前，可以更有针对性地选择需要进行复检的样本，此种先排序后复检的方法可以减少不必要的检查，节省时间和成本；通过排序可以确定优先级较高的问题，识别并解决最紧迫的问题；此外，排序还可以提供有关生产线中存在哪些类型的问题以及它们出现的频率的信息，这些信息可以帮助企业改进生产流程，提高效率，并减少生产过程中出现的缺陷和问题。
S600：将镂空注塑件的复检数据输入数学模型，输出拔模缺陷的检测结果。
在本步骤中，将复检数据输入数学模型，输出拔模缺陷的检测结果，这些检测结果是经过更深层次的分析和计算得出的，并提供了更为详细和精确的缺陷信息。例如，数学模型可以帮助识别不同类型的拔模缺陷，如毛边、裂纹、表面瑕疵等，而进一步的可实现模具缺陷的识别，例如：长时间使用会导致模具表面磨损或损坏，进而影响产品尺寸精度和表面质量；模具设计不合理、制造精度不高或安装不当等问题都可能导致产品出现缺陷；或者温度控制不当会导致模具温度过高或过低，从而产生变形、翘曲等问题，尤其在本发明中，镂空区域使得模具本身可能存在局部的凸出位置，更加容易产生上面的变形及翘曲等问题，从而影响生产效率。
本发明中，通过图像采集、筛选待定位置、获取缺陷特征信息、建立参考库、进行统计和排序等多个步骤，可以全面地了解镂空注塑件拔模缺陷的特点和出现情况，并确定其重要性和优先级；通过进行镂空注塑件的复检和数据输入，最终输出拔模缺陷的检测结果，上述做法可实现对镂空注塑件拔模缺陷的快速、准确、高效的检测。
其中，针对步骤S200，根据镂空注塑件图像中缺陷位置的形态，筛选出待定位置，如图2所示，包括：
S210：通过图像处理算法对镂空注塑件图像进行二值化处理，将缺陷位置与其他区域进行分离；二值化处理可以将图像转换为黑白两色，并去除掉无用的信息，只保留关键信息，便于进一步处理；
S220：对缺陷位置进行形态学操作，去除噪声且进行特征提取；本步骤中所指的形态学操作包括腐蚀、膨胀、开闭运算等等，可以去除一些干扰信号并强化图像的特征，从而更好地识别缺陷位置；
S230：基于特征提取的结果，利用卷积神经网络对缺陷位置进行分类，以识别缺陷类型，对具有设定缺陷类型的所述缺陷位置进行标记而作为待定位置。采用卷积神经网络可通过对已有数据进行学习和训练，自动识别和分类不同类型的缺陷，大大提高了准确率和效率。
通过上述步骤可以有效地筛选出镂空注塑件图像中的待定位置，为进一步处理和修复提供有力支持。
作为上述实施例的优选，根据镂空注塑件图像中缺陷位置的形态，筛选出待定位置，在步骤S230之后，如图3所示，还包括：
S240：收集不同类型的镂空注塑件缺陷历史数据；该步骤中，收集不同类型的镂空注塑件缺陷图像及其详细信息；进行缺陷分类，并记录每类缺陷的特征、大小、形态等关键信息；建立缺陷数据库，存储缺陷历史数据。
S250：根据镂空注塑件缺陷历史数据，设定用于筛选待定位置的阈值；具体地，从缺陷数据库中提取相关特征信息，并进行统计分析，根据统计结果，确定适当的阈值；例如，对于一个表面有凹陷的镂空注塑件，在卷积神经网络将其分类为凹陷类型后，可以根据历史数据，对缺陷的大小、深度、位置等因素进行综合考虑，设定相应的阈值；
需要注意的是，设置阈值时要尽量避免过度筛选或漏选，既要保证精度，又要保证效率，因此，该步骤需要结合实际情况和具体需求进行灵活调整，以达到最佳效果。
S260：根据已设置的阈值对每个待定位置进行比较，对标记出的缺陷位置进行判断和排除，获得筛选后的待定位置。对每个待定位置进行比较，与已设置的阈值或规则进行匹配，筛选出符合要求的待定位置，并对其进行标记。
通过上述步骤，可以更有效地对待定位置进行筛选，以便更准确地确定缺陷位置。
在实施过程中，在步骤S400中，根据统计结果对两个信息参考库中的缺陷特征信息进行打分，包括：
根据以下公式计算每类缺陷特征信息的综合评价指标：
A为综合评价指标，E1为第一权重系数；Ni为第i类缺陷特征信息在对应的信息参考库中的出现次数；N总为对应的信息参考库中的总数据量；E2为第二权重系数；X为第i类缺陷特征信息的重要程度的影响因素总数；EX为第i类缺陷特征信息的重要程度的第X个影响因素的权重系数；PX为第X个影响因素的分值；
将综合评价指标换算为缺陷特征信息的分值。
本优选方案中，采用了出现频率和重要程度两个指标对缺陷特征信息进行打分，并引入权重概念以考虑不同因素的影响；本方案针对工艺缺陷和模具缺陷分别建立的参考库，对每类缺陷单独进行打分排序，更好地反映出缺陷的实际情况。
在本优选方案中,EX和PX均可由专家或相关人员评定，可以根据不同类型缺陷的特点和处理难度来确定。例如，对于影响产品质量和安全的影响因素，可以赋予更高的权重和打分值，反之则较低。
其中，重要程度的公式为求和形式，原因在于确定缺陷特征信息的重要程度时，可能会有多个因素需要考虑；例如，在评估工艺缺陷时，除了对其影响程度进行评定外，还需要考虑处理难度、维修成本等其他因素；因此，将不同因素的权重系数乘以对应的打分值后再求和，可以更全面地评价缺陷的重要程度，从而制定更合理的处理方案。第一权重系数E1和第二权重系数E2分别表示出现频率和重要程度在综合评价指标中所占的权重比例，根据实际情况，可以根据不同类型缺陷的特点和重要程度，调整权重系数的大小，以达到更加准确和有效的评价结果。
在步骤S600中，将镂空注塑件的复检数据输入数学模型，输出拔模缺陷的检测结果，如图4所示，包括：
S610：收集镂空注塑件的复检数据，且对复检数据进行预处理；此处所指的复检数据包括镂空注塑件的尺寸、形状、重量、材质、成型参数等信息，以及此次复检的结果，如缺陷位置、严重程度等；而所指的预处理包括数据清洗、数据缺失的处理、去除异常值等，从而保证数据的准确性和完整性，避免对模型的影响；
S620：根据镂空注塑件的特点和复检数据的特征，选择神经网络模型；
S630：使用预处理后的数据对已选定的神经网络模型进行训练，并调整模型参数；从而获得更准确的模型；
S640：使用验证数据对模型进行验证，将复检数据输入已验证过的神经网络模型中，预测出镂空注塑件的拔模缺陷情况，并给出相应的检测结果。
在上述步骤中，可有效且准确的通过神经网络模型预测镂空注塑件的拔模缺陷情况，并给出相应的检测结果。
作为上述实施例的优选，在步骤S610中，对复检数据进行迁移学习，如图5所示，包括：
S611：选择在其他数据集上已经预训练好的镂空注塑件拔模缺陷检测的卷积神经网络模型，且准备复检数据的数据集；
S612：将卷积神经网络模型加载到代码中，并对卷积层进行更新，获得调整后的预训练模型；
S613：使用复检数据的数据集对调整后的预训练模型进行训练；
S614：训练结束后，采用经过训练的预训练模型预测新数据，将新数据添加到复检数据的数据集中。
在上述步骤中，通过预测的新数据添加到复检数据的数据集中，相当于对原始数据进行了增强，从而可以扩充数据集，增加数据的多样性，有助于提升模型的泛化能力和鲁棒性；随着时间的推移，复检数据可能会发生变化，例如新的缺陷类型出现或已有缺陷的分布发生变化，通过使用经过训练的模型对新数据进行预测，并将其加入更新后的复检数据，可以使模型保持对最新数据的适应性。综上，通过将经过训练的模型对新数据进行预测，并将其补充作为更新后的复检数据，可以实现数据增强、数据更新和模型优化的效果，进而提升模型在处理镂空注塑件数据时的性能和表现。
其中，在步骤S300中，获取待定位置的缺陷特征信息，将缺陷特征信息区分为工艺缺陷和模具缺陷，且分别建立工艺缺陷特征信息参考库和模具缺陷特征信息参考库，如图6所示，包括：
S310：对待定位置的缺陷图像进行预处理；例如调整大小、裁剪等操作，以获得合适的输入尺寸和分辨率；
S320：使用特征提取算法对处理后的缺陷图像进行特征提取，获得所需缺陷特征信息；
S330：根据缺陷特征信息的类型，将提取的缺陷特征信息分别存储到工艺缺陷特征信息参考库和模具缺陷特征信息参考库中。
实施例二
一种镂空注塑件的拔模缺陷检测系统，系统包括：
图像采集模块，在同等拍摄条件下采集拔模后的镂空注塑件图像；
位置筛选模块，根据镂空注塑件图像中缺陷位置的形态，筛选出待定位置；
特征提取模块，获取待定位置的缺陷特征信息，将缺陷特征信息区分为工艺缺陷和模具缺陷；
参考数据模块，包括工艺缺陷特征信息参考库和模具缺陷特征信息参考库，对应存储工艺缺陷特征信息和模具缺陷特征信息；
统计分析模块，对工艺缺陷特征信息参考库和模具缺陷特征信息参考库中的参考信息分别进行出现频率和重要程度的统计，且根据统计结果对两个信息参考库中的所有参考信息进行打分，并按照分数从高到低进行排序，分别获得工艺缺陷特征信息排序结果和模具缺陷特征信息排序结果；
数量选取模块：根据工艺缺陷特征信息排序结果和模具缺陷特征信息排序结果，确定用于复检的镂空注塑件数量；
检测模块，将镂空注塑件的复检数据输入数学模型，输出拔模缺陷的检测结果。
本实施例中的镂空注塑件的拔模缺陷检测系统可采用上述实施例中的镂空注塑件的拔模缺陷检测方法，二者具有相同的技术效果，此处不再赘述。
作为本实施例的优选，位置筛选模块包括：
二值化处理单元，接受镂空注塑件图像作为输入，通过图像处理算法对镂空注塑件图像进行二值化处理，将缺陷位置与其他区域进行分离；
形态学操作单元，对缺陷位置进行形态学操作，去除噪声且进行特征提取；
缺陷分类单元，基于特征提取的结果，利用卷积神经网络对缺陷位置进行分类，以识别缺陷类型；
标记单元，在镂空注塑件图像上，对具有特定缺陷类型的所述缺陷位置进行标记而作为待定位置。
而其中的检测模块包括：
数据采集单元，收集镂空注塑件的复检数据，并进行预处理；
模型选择单元，根据镂空注塑件的特点和复检数据的特征，选择神经网络模型；
模型训练单元，使用预处理后的数据对已选定的神经网络模型进行训练，并调整模型参数；
模型验证模块，使用验证数据对模型进行验证；
预测模块：将复检数据输入已验证过的神经网络模型中，预测出镂空注塑件的拔模缺陷情况，并给出相应的检测结果。
同样地，本实施例中的系统优化形式实现了与上述实施例相同的技术效果，此处不再赘述。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种镂空注塑件的拔模缺陷检测方法，其特征在于，所述方法包括：
在同等拍摄角度、距离和参数条件下采集拔模后的镂空注塑件图像；
根据所述镂空注塑件图像中缺陷位置的形态，筛选出待定位置，包括：
通过图像处理算法对所述镂空注塑件图像进行二值化处理，将所述缺陷位置与其他区域进行分离；
对所述缺陷位置进行形态学操作，去除噪声且进行特征提取；
基于所述特征提取的结果，利用卷积神经网络对所述缺陷位置进行分类，以识别缺陷类型，对具有设定缺陷类型的所述缺陷位置进行标记而作为所述待定位置；
还包括：
收集不同类型的镂空注塑件缺陷历史数据；
根据所述镂空注塑件缺陷历史数据，设定用于筛选所述待定位置的阈值；
根据已设置的所述阈值对每个所述待定位置进行比较，对标记出的所述缺陷位置进行判断和排除，获得筛选后的所述待定位置；
获取所述待定位置的缺陷特征信息，将所述缺陷特征信息区分为工艺缺陷和模具缺陷，且分别建立工艺缺陷特征信息参考库和模具缺陷特征信息参考库；
对所述工艺缺陷特征信息参考库和模具缺陷特征信息参考库中的参考信息分别进行出现频率和重要程度的统计，且根据统计结果对两个信息参考库中的所有参考信息进行打分，并按照分数从高到低进行排序，分别获得工艺缺陷特征信息排序结果和模具缺陷特征信息排序结果；
根据所述工艺缺陷特征信息排序结果和模具缺陷特征信息排序结果，确定用于复检的所述镂空注塑件数量；
将所述镂空注塑件的复检数据输入数学模型，输出拔模缺陷的检测结果，包括：
收集所述镂空注塑件的复检数据，且对所述复检数据进行预处理；
根据所述镂空注塑件的特点和复检数据的特征，选择神经网络模型；
使用预处理后的数据对已选定的所述神经网络模型进行训练，并调整模型参数；
使用验证数据对模型进行验证，将所述复检数据输入已验证过的神经网络模型中，预测出所述镂空注塑件的拔模缺陷情况，并给出相应的检测结果。
2.根据权利要求1所述的镂空注塑件的拔模缺陷检测方法，其特征在于，根据统计结果对两个信息参考库中的缺陷特征信息进行打分，包括：
根据以下公式计算每类缺陷特征信息的综合评价指标：
A为综合评价指标，E1为第一权重系数；Ni为第i类缺陷特征信息在对应的信息参考库中的出现次数；N总为对应的信息参考库中的总数据量；E2为第二权重系数；X为第i类缺陷特征信息的重要程度的影响因素总数；EX为第i类缺陷特征信息的重要程度的第X个影响因素的权重系数；PX为第X个影响因素的分值；
将所述综合评价指标换算为缺陷特征信息的分值。
3.根据权利要求1所述的镂空注塑件的拔模缺陷检测方法，其特征在于，还对所述复检数据进行迁移学习，包括：
选择在其他数据集上已经预训练完成的用于镂空注塑件拔模缺陷检测的卷积神经网络模型，且准备复检数据的数据集；
将所述卷积神经网络模型加载到代码中，并对卷积层进行更新，获得调整后的预训练模型；
使用所述复检数据的数据集对调整后的所述预训练模型进行训练；
训练结束后，采用经过训练的所述预训练模型预测新数据，将所述新数据添加到所述复检数据的数据集中。
4.根据权利要求1所述的镂空注塑件的拔模缺陷检测方法，其特征在于，获取所述待定位置的缺陷特征信息，将缺陷特征信息区分为工艺缺陷和模具缺陷，且分别建立工艺缺陷特征信息参考库和模具缺陷特征信息参考库，包括：
对待定位置的缺陷图像进行预处理；
使用特征提取算法对处理后的缺陷图像进行特征提取，获得所需缺陷特征信息；
根据所述缺陷特征信息的类型，将提取的缺陷特征信息分别存储到工艺缺陷特征信息参考库和模具缺陷特征信息参考库中。
5.一种镂空注塑件的拔模缺陷检测系统，采用如权利要求1中所述的镂空注塑件的拔模缺陷检测方法，其特征在于，所述系统包括：
图像采集模块，在同等拍摄条件下采集拔模后的镂空注塑件图像；
位置筛选模块，根据所述镂空注塑件图像中缺陷位置的形态，筛选出待定位置；
特征提取模块，获取所述待定位置的缺陷特征信息，将缺陷特征信息区分为工艺缺陷和模具缺陷；
参考数据模块，包括工艺缺陷特征信息参考库和模具缺陷特征信息参考库，对应存储工艺缺陷特征信息和模具缺陷特征信息；
统计分析模块，对所述工艺缺陷特征信息参考库和模具缺陷特征信息参考库中的参考信息分别进行出现频率和重要程度的统计，且根据统计结果对两个信息参考库中的所有参考信息进行打分，并按照分数从高到低进行排序，分别获得工艺缺陷特征信息排序结果和模具缺陷特征信息排序结果；
数量选取模块：根据所述工艺缺陷特征信息排序结果和模具缺陷特征信息排序结果，确定用于复检的所述镂空注塑件数量；
检测模块，将所述镂空注塑件的复检数据输入数学模型，输出拔模缺陷的检测结果。
6.根据权利要求5所述的镂空注塑件的拔模缺陷检测系统，其特征在于，所述位置筛选模块包括：
二值化处理单元，接受所述镂空注塑件图像作为输入，通过图像处理算法对所述镂空注塑件图像进行二值化处理，将所述缺陷位置与其他区域进行分离；
形态学操作单元，对所述缺陷位置进行形态学操作，去除噪声且进行特征提取；
缺陷分类单元，基于所述特征提取的结果，利用卷积神经网络对所述缺陷位置进行分类，以识别缺陷类型；
标记单元，在所述镂空注塑件图像上，对具有特定缺陷类型的所述缺陷位置进行标记而作为所述待定位置。
7.根据权利要求5所述的镂空注塑件的拔模缺陷检测系统，其特征在于，所述检测模块包括：
数据采集单元，收集所述镂空注塑件的复检数据，并进行预处理；
模型选择单元，根据所述镂空注塑件的特点和复检数据的特征，选择神经网络模型；
模型训练单元，使用预处理后的数据对已选定的所述神经网络模型进行训练，并调整模型参数；
模型验证模块，使用验证数据对模型进行验证；
预测模块：将所述复检数据输入已验证过的神经网络模型中，预测出镂空注塑件的拔模缺陷情况，并给出相应的检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310622184.4A CN116597225B (zh) | 2023-05-30 | 2023-05-30 | 一种镂空注塑件的拔模缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310622184.4A CN116597225B (zh) | 2023-05-30 | 2023-05-30 | 一种镂空注塑件的拔模缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116597225A CN116597225A (zh) | 2023-08-15 |
| CN116597225B true CN116597225B (zh) | 2023-11-03 |
Family
ID=87606066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310622184.4A Active CN116597225B (zh) | 2023-05-30 | 2023-05-30 | 一种镂空注塑件的拔模缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597225B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0631714A (ja) * | 1992-07-21 | 1994-02-08 | Takeshi Fujiwara | コンクリート供試体成型型枠及び脱型方法 |
| CN205871043U (zh) * | 2016-05-20 | 2017-01-11 | 天津市卓创盛模具有限公司 | 一种高效高精度的注塑模具 |
| CN110111297A (zh) * | 2019-03-15 | 2019-08-09 | 浙江大学 | 一种基于迁移学习的注塑制品表面图像缺陷识别方法 |
| CN213108080U (zh) * | 2020-09-02 | 2021-05-04 | 天津双印塑业有限公司 | 一种用于塑料注塑机的脱模检测装置 |
| CN113834821A (zh) * | 2021-09-24 | 2021-12-24 | 山东英创智能科技有限公司 | 一种塑胶手套的缺陷检测方法 |
| CN114004826A (zh) * | 2021-11-13 | 2022-02-01 | 博科视(苏州)技术有限公司 | 一种基于视觉的医用注塑件的外观缺陷检测方法 |
| CN114926441A (zh) * | 2022-05-26 | 2022-08-19 | 昆山缔微致精密电子有限公司 | 一种注塑件加工成型的缺陷检测方法及系统 |
| CN115187602A (zh) * | 2022-09-13 | 2022-10-14 | 江苏骏利精密制造科技有限公司 | 基于图像处理的注塑件缺陷检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3915905B2 (ja) * | 2002-08-26 | 2007-05-16 | 信越化学工業株式会社 | シリコーン系ゴム成形用金型離型剤及びこれを用いたシリコーン系ゴム成型体の成形方法 |
-
2023
- 2023-05-30 CN CN202310622184.4A patent/CN116597225B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0631714A (ja) * | 1992-07-21 | 1994-02-08 | Takeshi Fujiwara | コンクリート供試体成型型枠及び脱型方法 |
| CN205871043U (zh) * | 2016-05-20 | 2017-01-11 | 天津市卓创盛模具有限公司 | 一种高效高精度的注塑模具 |
| CN110111297A (zh) * | 2019-03-15 | 2019-08-09 | 浙江大学 | 一种基于迁移学习的注塑制品表面图像缺陷识别方法 |
| CN213108080U (zh) * | 2020-09-02 | 2021-05-04 | 天津双印塑业有限公司 | 一种用于塑料注塑机的脱模检测装置 |
| CN113834821A (zh) * | 2021-09-24 | 2021-12-24 | 山东英创智能科技有限公司 | 一种塑胶手套的缺陷检测方法 |
| CN114004826A (zh) * | 2021-11-13 | 2022-02-01 | 博科视(苏州)技术有限公司 | 一种基于视觉的医用注塑件的外观缺陷检测方法 |
| CN114926441A (zh) * | 2022-05-26 | 2022-08-19 | 昆山缔微致精密电子有限公司 | 一种注塑件加工成型的缺陷检测方法及系统 |
| CN115187602A (zh) * | 2022-09-13 | 2022-10-14 | 江苏骏利精密制造科技有限公司 | 基于图像处理的注塑件缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116597225A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
| CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
| CN110070008B (zh) | 一种采用无人机图像的桥梁病害识别方法 | |
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| CN115995063A (zh) | 作业车辆检测与跟踪方法和系统 | |
| CN116205919A (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
| CN107341508B (zh) | 一种快速美食图片识别方法及系统 | |
| CN115063409A (zh) | 一种机械刀具表面材质检测方法及系统 | |
| CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
| CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
| CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
| TW202127371A (zh) | 基於圖像的瑕疵檢測方法及電腦可讀存儲介質 | |
| CN116486091B (zh) | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 | |
| CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
| CN114549446A (zh) | 一种基于深度学习的气缸套缺陷标检测方法 | |
| CN115147363A (zh) | 一种基于深度学习算法的影像缺陷检测和分类方法及系统 | |
| CN116805416A (zh) | 排水管道缺陷识别模型训练方法、排水管道缺陷识别方法 | |
| CN117173172B (zh) | 一种基于机器视觉的硅胶成型效果检测方法及系统 | |
| CN116597225B (zh) | 一种镂空注塑件的拔模缺陷检测方法及系统 | |
| CN117152180B (zh) | 基于人工智能的矿物铸件缺陷检测方法 | |
| CN117115148B (zh) | 基于5g技术的芯片表面缺陷智能识别方法 | |
| CN110458231B (zh) | 一种陶瓷产品检测方法、装置和设备 | |
| CN117132827A (zh) | 基于改进YOLOv5s网络的热轧钢带表面缺陷检测方法 | |
| CN116953006A (zh) | 一种铸造材料扫描电镜图像缺陷识别与量化方法 | |
| CN111627018B (zh) | 一种基于双流神经网络模型的钢板表面缺陷分类方法 |
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 |