CN116664584A - 一种薄壁类锌合金压铸模具生产智能反馈调节系统 - Google Patents
一种薄壁类锌合金压铸模具生产智能反馈调节系统 Download PDFInfo
- Publication number
- CN116664584A CN116664584A CN202310962567.6A CN202310962567A CN116664584A CN 116664584 A CN116664584 A CN 116664584A CN 202310962567 A CN202310962567 A CN 202310962567A CN 116664584 A CN116664584 A CN 116664584A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- area
- region
- pixel points
- crack
- 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
- 238000004512 die casting Methods 0.000 title claims abstract description 35
- 229910001297 Zn alloy Inorganic materials 0.000 title claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 title abstract description 10
- 230000001105 regulatory effect Effects 0.000 title description 4
- 230000002159 abnormal effect Effects 0.000 claims abstract description 167
- 238000011156 evaluation Methods 0.000 claims abstract description 81
- 238000005266 casting Methods 0.000 claims abstract description 61
- 230000009123 feedback regulation Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 230000007547 defect Effects 0.000 abstract description 25
- 230000033228 biological regulation Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007373 indentation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910001338 liquidmetal Inorganic materials 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D17/00—Pressure die casting or injection die casting, i.e. casting in which the metal is forced into a mould under high pressure
- B22D17/20—Accessories: Details
- B22D17/32—Controlling equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
Abstract
本发明涉及生产控制调节技术领域,具体涉及一种薄壁类锌合金压铸模具生产智能反馈调节系统。该系统包括:获取模块,用于获取铸件表面灰度图像,确定异常区域和背景区域;第一处理模块,用于确定待测像素点,进而确定斜率影响因子,根据斜率影响因子和像素点的数量,确定异常区域的裂纹评价系数;第二处理模块,用于根据裂纹评价系数将异常区域划分为裂纹区域和油污区域;根据油污区域和对比区域中像素点的纹理信息,确定模糊度;调整模块,用于根据模糊度对裂纹区域进行图像增强,得到增强区域,根据增强区域对压铸模具进行调整。本发明有效提升铸件表面灰度图像缺陷检测的准确性,进而提升对压铸模具进行调整的可靠性。
Description
技术领域
本发明涉及生产控制调节技术领域,具体涉及一种薄壁类锌合金压铸模具生产智能反馈调节系统。
背景技术
随着生产技术的高速发展,为满足工厂智能化的需求,对生产过程中的各种问题应该具备智能的反馈调节能力。模具作为重要的工艺装备,在消费品、电器电子、汽车、飞机制造业等工业行业中占有举足轻重的地位。压铸是在高压作用下,使液态或半液态金属以较高的速度充填压铸型腔,并凝固而获得铸件的方法。但是在压铸过程中由于压铸模具的缺陷导致铸件产生对应的纹理缺陷,影响铸件的质量,此时,需要更换新的模具。
相关技术中,通过采集铸件表面灰度图像并进行灰度变化分析,以对铸件表面进行缺陷检测,但是由于铸件本身具有油污等缺陷,该类缺陷能够影响成像的效果,但该类缺陷并非由模具问题导致的铸件质量问题,从而在缺陷检测时,影响检测结果,导致铸件表面缺陷检测的可靠性与准确性较差,无法有效确定调整新的模具的时间,使得铸件质量的可靠性与稳定性较差。
发明内容
为了解决相关技术中铸件表面缺陷检测的可靠性与准确性较差,无法有效确定调整新的模具的时间,使得铸件质量的可靠性与稳定性较差的技术问题,本发明提供一种薄壁类锌合金压铸模具生产智能反馈调节系统,所采用的技术方案具体如下:
本发明提出了一种薄壁类锌合金压铸模具生产智能反馈调节系统,系统包括:
获取模块,用于获取铸件表面灰度图像,对所述铸件表面灰度图像进行二值化处理,获取所述铸件表面灰度图像的异常像素点,将所述异常像素点所组成的区域作为异常区域,其他像素点所组成的区域作为背景区域;
第一处理模块,用于对所述异常区域进行边缘检测得到异常边缘像素点,将任一所述异常区域中的任一异常边缘像素点作为待测像素点,根据所述待测像素点与相邻的异常边缘像素点所组成直线的斜率确定斜率影响因子,根据所述异常区域中所有异常边缘像素点的斜率影响因子和所述异常区域中所有像素点的数量,确定所述异常区域的裂纹评价系数;
第二处理模块,用于根据所述裂纹评价系数将所述异常区域划分为裂纹区域和油污区域;从所述背景区域中确定与所述油污区域大小相同的区域作为对比区域,根据所述油污区域中像素点的纹理信息和对比区域中像素点的纹理信息,确定模糊度,其中,所述纹理信息为梯度幅值大于预设幅值阈值的像素点的数量;
调整模块,用于根据所述模糊度对所述裂纹区域进行图像增强,得到增强区域,根据所述增强区域中所有像素点的数量和灰度值均值对压铸模具进行调整。
进一步地,所述根据所述异常区域中所有异常边缘像素点的斜率影响因子和所述异常区域中所有像素点的数量,确定所述异常区域的裂纹评价系数,包括:
将任意两个相邻的异常边缘像素点组成异常像素点组,计算所述异常像素点组中两个异常边缘像素点的斜率影响因子的差值绝对值作为斜率影响差异;
计算异常区域中所有异常像素点组的斜率影响差异均值的归一化值,得到第一裂纹评价因子;
计算所述异常区域中所有异常边缘像素点的数量与所述异常区域中所有像素点的数量的比值,并对所述比值进行反比例归一化处理,得到第二裂纹评价因子;
根据所述第一裂纹评价因子和所述第二裂纹评价因子确定裂纹评价系数,其中,所述第一裂纹评价因子与所述裂纹评价系数呈反相关关系,所述第二裂纹评价因子与所述裂纹评价系数呈正相关关系,所述裂纹评价系数的取值为归一化的数值。
进一步地,所述根据所述裂纹评价系数将所述异常区域划分为裂纹区域和油污区域,包括:
将所述裂纹评价系数大于等于预设评价系数阈值的异常区域作为裂纹区域;
将所述裂纹评价系数小于预设评价系数阈值的异常区域作为油污区域。
进一步地,所述根据所述油污区域中像素点的纹理信息和对比区域中像素点的纹理信息,确定模糊度,包括:
将所述油污区域中梯度幅值大于预设幅值阈值的像素点的数量作为第一数量;
将所述对比区域中梯度幅值大于预设幅值阈值的像素点的数量作为第二数量;
计算第一数量和第二数量的比值作为模糊度。
进一步地,所述根据所述增强区域中所有像素点的数量和灰度值均值对压铸模具进行调整,包括:
在所述增强区域中所有像素点的灰度值均值小于预设灰度值阈值,且所述像素点的数量大于预设数量阈值时,更换压铸模具。
进一步地,所述对所述铸件表面灰度图像进行二值化处理,获取所述铸件表面灰度图像的异常像素点,包括:
基于预设二值化阈值对所述铸件表面灰度图像进行二值化处理,将所述铸件表面灰度图像中像素点灰度值小于预设二值化阈值的像素点作为异常像素点。
进一步地,所述根据所述待测像素点与相邻的异常边缘像素点所组成直线的斜率确定斜率影响因子,包括:
对所述斜率进行归一化处理,得到斜率影响因子。
本发明具有如下有益效果:
本发明通过获取铸件表面灰度图像,二值化得到异常区域和背景区域,对异常区域进行边缘检测得到异常边缘像素点,由于铸件表面的异常通常为裂纹缺陷和油污缺陷,而裂纹缺陷和油污缺陷中异常边缘像素点的数量和分布均不同,因此,通过异常边缘像素点的获取能够有效提升铸件表面灰度图像的分析效果,根据任一异常边缘像素点与相邻的异常边缘像素点所组成直线的斜率确定斜率影响因子,其中,斜率影响因子即为对异常边缘像素点的分布进行分析的因子,根据异常区域中所有异常边缘像素点的斜率影响因子和异常区域中所有像素点的数量,确定异常区域的裂纹评价系数,结合斜率影响因子和像素点的数量,从而能够保证裂纹评价系数能够准确表征异常区域的裂纹可能性,进而对异常区域进行有效区分,将异常区域划分为裂纹区域和油污区域,而后,根据油污区域中像素点的纹理信息和对比区域中像素点的纹理信息,确定模糊度,可以理解的是,油污区域由于灰度值的变化,使得铸件表面灰度图像在成像时的对比度产生变化,则本发明根据模糊度对裂纹区域进行图像增强,得到增强区域,从而根据增强区域中所有像素点的数量和灰度值均值对压铸模具进行调整,本发明通过裂纹缺陷和油污缺陷中异常边缘像素点的数量和分布的区别对裂纹区域和油污区域进行区分,并根据油污区域的特征对裂纹区域进行图像处理,使得裂纹区域具有更优的对比度,从而有效提升铸件表面灰度图像缺陷检测的准确性,及时对压铸模具进行调整,提升铸件质量的可靠性与稳定性。
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薄壁类锌合金压铸模具生产智能反馈调节系统结构图。
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薄壁类锌合金压铸模具生产智能反馈调节系统,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。
下面结合附图具体的说明本发明所提供的一种薄壁类锌合金压铸模具生产智能反馈调节系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种薄壁类锌合金压铸模具生产智能反馈调节系统结构图,该薄壁类锌合金压铸模具生产智能反馈调节系统10包括:
获取模块101,用于获取铸件表面灰度图像,对铸件表面灰度图像进行二值化处理,获取铸件表面灰度图像的异常像素点,将异常像素点所组成的区域作为异常区域,其他像素点所组成的区域作为背景区域。
本发明实施例中,可以使用工业相机获取铸件表面的原始图像,本发明实施例中,可以在铸件完成压铸之后,使用工业相机拍摄铸件表面,得到对应的原始图像,对铸件表面的原始图像进行图像预处理,得到铸件表面灰度图像,其中,图像预处理包括图像去噪处理、图像去背景处理和图像灰度化处理,本发明实施例的图像去噪处理可以具体例如为高斯去噪处理,图像灰度化处理可以具体例如为均值灰度化处理,可以理解的是,高斯去噪和均值灰度化处理均为本领域所熟知的技术,对此不再赘述,本发明的图像去背景处理,是对不属于铸件表面的背景进行筛选并去除,其过程同样为本领域所熟知的技术,对此不再赘述。
进一步地,本发明的一些实施例中,对铸件表面灰度图像进行二值化处理,获取铸件表面灰度图像的异常像素点,包括:基于预设二值化阈值对铸件表面灰度图像进行二值化处理,将铸件表面灰度图像中像素点灰度值小于预设二值化阈值的像素点作为异常像素点。
可以理解的是,本发明实施例中,铸件表面可能具有压痕、油污等异常缺陷,而锌合金由于颜色接近银白色,压痕和油污等均会产生颜色较深的纹理,本发明实施例中可以根据像素点的灰度值确定异常缺陷。
本发明实施例中,通过设置预设二值化阈值作为二值化处理的处理系数,从而对铸件表面灰度图像进行二值化处理,将铸件表面灰度图像中像素点灰度值小于预设二值化阈值的像素点作为异常像素点,其中,预设二值化阈值,为二值化处理时灰度值的门限值,可选地,预设二值化阈值可以具体例如为200,则本发明实施例可以将灰度值大于等于200的像素点作为正常铸件表面的背景像素点,将灰度值小于200的像素点作为异常像素点。
本发明实施例中,可以将异常像素点所组成的区域作为异常区域,其他像素点所组成的区域作为背景区域,由此,对铸件表面灰度图像进行划分。
第一处理模块102,用于对异常区域进行边缘检测得到异常边缘像素点,将任一异常区域中的任一异常边缘像素点作为待测像素点,根据待测像素点与相邻的异常边缘像素点所组成直线的斜率确定斜率影响因子,根据异常区域中所有异常边缘像素点的斜率影响因子和异常区域中所有像素点的数量,确定异常区域的裂纹评价系数。
其中,边缘检测可以具体例如为基于Canny边缘检测算子实现的边缘检测,本发明实施例中,也可以使用多种其他任意可能的边缘检测方式,边缘检测为本领域所熟知的技术,对此不再赘述。
可以理解的是,异常区域具有对应的区域边缘,对于油污区域,由于油污为半透明状态,也即在油污区域的内部也包含对应背景区域的纹理特征,因此,油污区域中的边缘像素点较多,以便于后续根据该信息进行油污区域和裂纹区域的划分。
本发明实施例中,对异常区域进行边缘检测,将边缘检测得到的边缘像素点作为异常边缘像素点,并任选某一异常区域中的任一异常边缘像素点作为待测像素点,根据待测像素点进行分析。
进一步地,本发明的一些实施例中,根据待测像素点与相邻的异常边缘像素点所组成直线的斜率确定斜率影响因子,包括:对斜率进行归一化处理,得到斜率影响因子。
可以理解的是,本发明实施例中,可以将待测像素点在预设邻域范围内的其他异常边缘像素点所连成的直线作为待测像素点所对应的边缘直线,其中,预设邻域范围可以具体例如为八邻域范围,则与待测像素点相邻的异常边缘像素点,可以具体例如为待测像素点八邻域范围内的其他异常边缘像素点,或者,也可以根据实际检测需求进行调整,本发明实施例中,可以计算边缘直线的斜率归一化值,作为该待测像素点的斜率影响因子。
在本发明的一个实施例中,归一化处理可以具体例如为最大最小值归一化处理,并且,后续步骤中的归一化均可以采用最大最小值归一化处理,在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法,对此不再赘述。
进一步地,本发明的一些实施例中,根据异常区域中所有异常边缘像素点的斜率影响因子和异常区域中所有像素点的数量,确定异常区域的裂纹评价系数,包括:将任意两个相邻的异常边缘像素点组成异常像素点组,计算异常像素点组中两个异常边缘像素点的斜率影响因子的差值绝对值作为斜率影响差异;计算异常区域中所有异常像素点组的斜率影响差异均值的归一化值,得到第一裂纹评价因子;计算异常区域中所有异常边缘像素点的数量与异常区域中所有像素点的数量的比值,并对比值进行反比例归一化处理,得到第二裂纹评价因子;根据第一裂纹评价因子和第二裂纹评价因子确定裂纹评价系数,其中,第一裂纹评价因子与裂纹评价系数呈反相关关系,第二裂纹评价因子与裂纹评价系数呈正相关关系,裂纹评价系数的取值为归一化的数值。
其中,正相关关系表示因变量会随着自变量的增大而增大,因变量会随着自变量的减小而减小,具体关系可以为相乘关系、相加关系、指数函数的幂等,由实际应用进行确定;负相关关系表示因变量会随着自变量的增大而减小,因变量会随着自变量的减小而增大,可以为相减关系、相除关系等,由实际应用进行确定。
本发明实施例中,裂纹评价系数的计算公式可以具体例如为:
式中,E表示裂纹评价系数,v表示异常像素点组的索引,N表示异常像素点组的总数量,表示第v个异常像素点组中两个异常边缘像素点的斜率影响因子的差值绝对值,也即第v个异常像素点组的斜率影响差异,m表示异常区域中所有异常边缘像素点的数量,M表示异常区域中所有像素点的数量,/>表示双曲正切函数,本发明可以使用双曲正切函数对异常区域中所有异常像素点组的斜率影响差异的均值进行归一化处理,G()表示线性归一化处理。
由上式裂纹评价系数的计算公式可知,表示第一裂纹评价因子,可以理解的是,由于裂纹缺陷通常为直线形状,也即是说,对应相邻异常边缘像素点的斜率影响因子的差异较小,甚至趋近于0,而在油污区域,因其中多为圆形或不规则形状的铸件表面纹理,也即是说,对应相邻异常边缘像素点的斜率影响因子的差异较大,由此,第一裂纹评价因子越小,所对应异常区域越可能为裂纹缺陷的异常区域,而/>表示第二裂纹评价因子,由于油污区域中的异常边缘像素点较多,也即在单位面积内,异常边缘像素点的数量越多越可能为油污区域,则对其进行反比例归一化处理,第二裂纹评价因子越大,所对应异常区域越可能为裂纹缺陷的异常区域,综上,第一裂纹评价因子与裂纹评价系数呈反相关关系,第二裂纹评价因子与裂纹评价系数呈正相关关系。
第二处理模块103,用于根据裂纹评价系数将异常区域划分为裂纹区域和油污区域;从背景区域中确定与油污区域大小相同的区域作为对比区域,根据油污区域中像素点的纹理信息和对比区域中像素点的纹理信息,确定模糊度。
进一步地,本发明的一些实施例中,根据裂纹评价系数将异常区域划分为裂纹区域和油污区域,包括:将裂纹评价系数大于等于预设评价系数阈值的异常区域作为裂纹区域;将裂纹评价系数小于预设评价系数阈值的异常区域作为油污区域。
其中,预设评价系数阈值,为裂纹评价系数的门限值,本发明实施例中,裂纹评价系数越大,所对应异常区域为裂纹区域的可能性越大,则将裂纹评价系数大于等于预设评价系数阈值的异常区域作为裂纹区域;将裂纹评价系数小于预设评价系数阈值的异常区域作为油污区域,以通过裂纹评价系数是否大于等于预设评价系数阈值对异常区域是否为裂纹区域进行分析。可选地,预设评价系数阈值可以具体例如为0.7,也即将裂纹评价系数大于等于0.7的异常区域作为裂纹区域,将裂纹评价系数小于0.7的异常区域作为油污区域。
本发明实施例中,可以从背景区域中确定与油污区域大小相同的区域作为对比区域,需要说明的是,对比区域的面积与油污区域的面积相同,也即具有相同的像素点数量,对对比区域的形状等不作限制。
进一步地,本发明的一些实施例中,纹理信息为梯度幅值大于预设幅值阈值的像素点的数量,根据油污区域中像素点的纹理信息和对比区域中像素点的纹理信息,确定模糊度,包括:将油污区域中梯度幅值大于预设幅值阈值的像素点的数量作为第一数量;将对比区域中梯度幅值大于预设幅值阈值的像素点的数量作为第二数量;计算第一数量和第二数量的比值作为模糊度。
可以理解的是,油污为一种半透明的污渍,也即油污区域中也包含有铸件本身的纹理特征,又由于油污区域的像素点的灰度值与铸件本身的灰度值之间有一定的差距,所以油污区域的存在使得图像对比度增大,与背景区域中模糊化的纹理形成对比,则可以根据油污区域中像素点的纹理信息和对比区域中像素点的纹理信息,确定模糊度。
其中,预设幅值阈值,为梯度幅值的门限值,本发明实施例中,可以将梯度幅值大于预设幅值阈值的像素点作为梯度像素点,则梯度像素点为待进行模糊度分析的像素点,可选地,预设幅值阈值可以具体例如为50,对此不做限制。
进一步地,本发明实施例中,纹理信息为梯度幅值大于预设幅值阈值的像素点的数量,由于油污区域内的纹理对比度更大,则油污区域内的梯度幅值大于预设幅值阈值的像素点的数量更多,也即将油污区域中梯度幅值大于预设幅值阈值的像素点的数量作为第一数量;将对比区域中梯度幅值大于预设幅值阈值的像素点的数量作为第二数量;计算第一数量和第二数量的比值作为模糊度。可以根据该模糊度进行后续的图像增强步骤。
调整模块104,用于根据模糊度对裂纹区域进行图像增强,得到增强区域,根据增强区域中所有像素点的数量和灰度值均值对压铸模具进行调整。
可以理解的是,因为在原图中由于拍摄光线或者其他原因导致铸件表面较为模糊,但是油污的存在使得表面的图像有一定的对比度,进而在进行图像增强时,考虑到油污区域的影响,使得图像增强效果不佳,因此,根据模糊度进行分析,以解决该问题。
本发明实施例中,铸件表面的纹理分布都是一致的,油污区域内的异常像素点覆盖在了正常像素点上面形成了灰度差,也就是因为油污的存在使得模具表面图像在一定程度上进行了增强,则本发明将模糊度作为图像增强的指标,通过模糊度对裂纹区域进行图像增强,得到增强区域,其中,图像增强处理可以具体例如为线性增强处理,也即将裂纹区域内像素点的灰度值与模糊度相乘,进而得到增强后的灰度值,线性增强为本领域所熟知的技术,在此不再进一步的赘述与限定。
进一步地,本发明的一些实施例中,根据增强区域中所有像素点的数量和灰度值均值对压铸模具进行调整,包括:在增强区域中所有像素点的灰度值均值小于预设灰度值阈值,且像素点的数量大于预设数量阈值时,更换压铸模具。
本发明实施例中,增强区域中所有像素点的灰度值的均值越小,越可以表征增强区域内灰度值越低,又由于裂纹区域本身所具有的黑色条纹状特点,则对应的裂纹越严重;而增强区域中像素点的数量越多,可以表征对应的增强区域越大,裂纹越严重。因此,本发明通过设置预设灰度值阈值和预设数量阈值,从而进行裂纹严重程度的判断,可选地,预设灰度值阈值为100,预设数量阈值为200,当然,也可以根据实际铸件大小和实际生产情况进行调整,对此不做限制。
本发明实施例中,在增强区域中所有像素点的灰度值均值小于预设灰度值阈值,且像素点的数量大于预设数量阈值时,可以表征对应的裂纹区域较为严重,也即此时铸件所对应的模具不可连续使用,因此,对模具进行调整更换。
本发明通过获取铸件表面灰度图像,二值化得到异常区域和背景区域,对异常区域进行边缘检测得到异常边缘像素点,由于铸件表面的异常通常为裂纹缺陷和油污缺陷,而裂纹缺陷和油污缺陷中异常边缘像素点的数量和分布均不同,因此,通过异常边缘像素点的获取能够有效提升铸件表面灰度图像的分析效果,根据任一异常边缘像素点与相邻的异常边缘像素点所组成直线的斜率确定斜率影响因子,其中,斜率影响因子即为对异常边缘像素点的分布进行分析的因子,根据异常区域中所有异常边缘像素点的斜率影响因子和异常区域中所有像素点的数量,确定异常区域的裂纹评价系数,结合斜率影响因子和像素点的数量,从而能够保证裂纹评价系数能够准确表征异常区域的裂纹可能性,进而对异常区域进行有效区分,将异常区域划分为裂纹区域和油污区域,而后,根据油污区域中像素点的纹理信息和对比区域中像素点的纹理信息,确定模糊度,可以理解的是,油污区域由于灰度值的变化,使得铸件表面灰度图像在成像时的对比度产生变化,则本发明根据模糊度对裂纹区域进行图像增强,得到增强区域,从而根据增强区域中所有像素点的数量和灰度值均值对压铸模具进行调整,本发明通过裂纹缺陷和油污缺陷中异常边缘像素点的数量和分布的区别对裂纹区域和油污区域进行区分,并根据油污区域的特征对裂纹区域进行图像处理,使得裂纹区域具有更优的对比度,从而有效提升铸件表面灰度图像缺陷检测的准确性,及时对压铸模具进行调整,提升铸件质量的可靠性与稳定性。
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。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。
Claims (7)
1.一种薄壁类锌合金压铸模具生产智能反馈调节系统,其特征在于,所述系统包括:
获取模块,用于获取铸件表面灰度图像,对所述铸件表面灰度图像进行二值化处理,获取所述铸件表面灰度图像的异常像素点,将所述异常像素点所组成的区域作为异常区域,其他像素点所组成的区域作为背景区域;
第一处理模块,用于对所述异常区域进行边缘检测得到异常边缘像素点,将任一所述异常区域中的任一异常边缘像素点作为待测像素点,根据所述待测像素点与相邻的异常边缘像素点所组成直线的斜率确定斜率影响因子,根据所述异常区域中所有异常边缘像素点的斜率影响因子和所述异常区域中所有像素点的数量,确定所述异常区域的裂纹评价系数;
第二处理模块,用于根据所述裂纹评价系数将所述异常区域划分为裂纹区域和油污区域;从所述背景区域中确定与所述油污区域大小相同的区域作为对比区域,根据所述油污区域中像素点的纹理信息和对比区域中像素点的纹理信息,确定模糊度,其中,所述纹理信息为梯度幅值大于预设幅值阈值的像素点的数量;
调整模块,用于根据所述模糊度对所述裂纹区域进行图像增强,得到增强区域,根据所述增强区域中所有像素点的数量和灰度值均值对压铸模具进行调整。
2.如权利要求1所述的一种薄壁类锌合金压铸模具生产智能反馈调节系统,其特征在于,所述根据所述异常区域中所有异常边缘像素点的斜率影响因子和所述异常区域中所有像素点的数量,确定所述异常区域的裂纹评价系数,包括:
将任意两个相邻的异常边缘像素点组成异常像素点组,计算所述异常像素点组中两个异常边缘像素点的斜率影响因子的差值绝对值作为斜率影响差异;
计算异常区域中所有异常像素点组的斜率影响差异均值的归一化值,得到第一裂纹评价因子;
计算所述异常区域中所有异常边缘像素点的数量与所述异常区域中所有像素点的数量的比值,并对所述比值进行反比例归一化处理,得到第二裂纹评价因子;
根据所述第一裂纹评价因子和所述第二裂纹评价因子确定裂纹评价系数,其中,所述第一裂纹评价因子与所述裂纹评价系数呈反相关关系,所述第二裂纹评价因子与所述裂纹评价系数呈正相关关系,所述裂纹评价系数的取值为归一化的数值。
3.如权利要求1所述的一种薄壁类锌合金压铸模具生产智能反馈调节系统,其特征在于,所述根据所述裂纹评价系数将所述异常区域划分为裂纹区域和油污区域,包括:
将所述裂纹评价系数大于等于预设评价系数阈值的异常区域作为裂纹区域;
将所述裂纹评价系数小于预设评价系数阈值的异常区域作为油污区域。
4.如权利要求1所述的一种薄壁类锌合金压铸模具生产智能反馈调节系统,其特征在于,所述根据所述油污区域中像素点的纹理信息和对比区域中像素点的纹理信息,确定模糊度,包括:
将所述油污区域中梯度幅值大于预设幅值阈值的像素点的数量作为第一数量;
将所述对比区域中梯度幅值大于预设幅值阈值的像素点的数量作为第二数量;
计算第一数量和第二数量的比值作为模糊度。
5.如权利要求1所述的一种薄壁类锌合金压铸模具生产智能反馈调节系统,其特征在于,所述根据所述增强区域中所有像素点的数量和灰度值均值对压铸模具进行调整,包括:
在所述增强区域中所有像素点的灰度值均值小于预设灰度值阈值,且所述像素点的数量大于预设数量阈值时,更换压铸模具。
6.如权利要求1所述的一种薄壁类锌合金压铸模具生产智能反馈调节系统,其特征在于,所述对所述铸件表面灰度图像进行二值化处理,获取所述铸件表面灰度图像的异常像素点,包括:
基于预设二值化阈值对所述铸件表面灰度图像进行二值化处理,将所述铸件表面灰度图像中像素点灰度值小于预设二值化阈值的像素点作为异常像素点。
7.如权利要求1所述的一种薄壁类锌合金压铸模具生产智能反馈调节系统,其特征在于,所述根据所述待测像素点与相邻的异常边缘像素点所组成直线的斜率确定斜率影响因子,包括:
对所述斜率进行归一化处理,得到斜率影响因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310962567.6A CN116664584B (zh) | 2023-08-02 | 2023-08-02 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310962567.6A CN116664584B (zh) | 2023-08-02 | 2023-08-02 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664584A true CN116664584A (zh) | 2023-08-29 |
CN116664584B CN116664584B (zh) | 2023-11-28 |
Family
ID=87710175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310962567.6A Active CN116664584B (zh) | 2023-08-02 | 2023-08-02 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664584B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883415A (zh) * | 2023-09-08 | 2023-10-13 | 东莞市旺佳五金制品有限公司 | 基于图像数据的薄壁锌合金压铸件质量检测方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130129187A1 (en) * | 2010-08-09 | 2013-05-23 | Bt Imaging Pty Ltd | Persistent feature detection |
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN109410205A (zh) * | 2018-11-01 | 2019-03-01 | 西安建筑科技大学 | 一种复杂路面背景下的裂缝提取方法 |
CN113935992A (zh) * | 2021-12-15 | 2022-01-14 | 武汉和众成设备工贸有限公司 | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN115082744A (zh) * | 2022-08-22 | 2022-09-20 | 启东市罗源光伏设备有限公司 | 一种基于人工智能的太阳能集热效率分析方法及系统 |
CN115272339A (zh) * | 2022-09-29 | 2022-11-01 | 江苏浚荣升新材料科技有限公司 | 一种金属模具的污浊清理方法 |
CN115294377A (zh) * | 2022-07-31 | 2022-11-04 | 北京物资学院 | 一种道路裂缝的识别系统及方法 |
CN115345885A (zh) * | 2022-10-19 | 2022-11-15 | 南通鹏宝运动用品有限公司 | 一种金属健身器材外观质量检测方法 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
CN116071387A (zh) * | 2023-03-06 | 2023-05-05 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于机器视觉的枕轨生产质量检测方法 |
CN116128880A (zh) * | 2023-04-18 | 2023-05-16 | 东莞市京品精密模具有限公司 | 一种极耳模具表面开裂的识别方法 |
CN116309537A (zh) * | 2023-04-24 | 2023-06-23 | 东莞市京品精密模具有限公司 | 一种极耳模具表面油污的缺陷检测方法 |
CN116385439A (zh) * | 2023-06-05 | 2023-07-04 | 山东兰通机电有限公司 | 基于图像处理的电机橡胶减震垫质量检测方法 |
CN116402764A (zh) * | 2023-03-16 | 2023-07-07 | 河海大学 | 基于图像处理的风电机组叶片多类型损伤检测方法及装置 |
-
2023
- 2023-08-02 CN CN202310962567.6A patent/CN116664584B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130129187A1 (en) * | 2010-08-09 | 2013-05-23 | Bt Imaging Pty Ltd | Persistent feature detection |
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN109410205A (zh) * | 2018-11-01 | 2019-03-01 | 西安建筑科技大学 | 一种复杂路面背景下的裂缝提取方法 |
CN113935992A (zh) * | 2021-12-15 | 2022-01-14 | 武汉和众成设备工贸有限公司 | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN115294377A (zh) * | 2022-07-31 | 2022-11-04 | 北京物资学院 | 一种道路裂缝的识别系统及方法 |
CN115082744A (zh) * | 2022-08-22 | 2022-09-20 | 启东市罗源光伏设备有限公司 | 一种基于人工智能的太阳能集热效率分析方法及系统 |
CN115272339A (zh) * | 2022-09-29 | 2022-11-01 | 江苏浚荣升新材料科技有限公司 | 一种金属模具的污浊清理方法 |
CN115345885A (zh) * | 2022-10-19 | 2022-11-15 | 南通鹏宝运动用品有限公司 | 一种金属健身器材外观质量检测方法 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
CN116071387A (zh) * | 2023-03-06 | 2023-05-05 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于机器视觉的枕轨生产质量检测方法 |
CN116402764A (zh) * | 2023-03-16 | 2023-07-07 | 河海大学 | 基于图像处理的风电机组叶片多类型损伤检测方法及装置 |
CN116128880A (zh) * | 2023-04-18 | 2023-05-16 | 东莞市京品精密模具有限公司 | 一种极耳模具表面开裂的识别方法 |
CN116309537A (zh) * | 2023-04-24 | 2023-06-23 | 东莞市京品精密模具有限公司 | 一种极耳模具表面油污的缺陷检测方法 |
CN116385439A (zh) * | 2023-06-05 | 2023-07-04 | 山东兰通机电有限公司 | 基于图像处理的电机橡胶减震垫质量检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883415A (zh) * | 2023-09-08 | 2023-10-13 | 东莞市旺佳五金制品有限公司 | 基于图像数据的薄壁锌合金压铸件质量检测方法 |
CN116883415B (zh) * | 2023-09-08 | 2024-01-05 | 东莞市旺佳五金制品有限公司 | 基于图像数据的薄壁锌合金压铸件质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116664584B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测系统 | |
CN115049664B (zh) | 基于视觉的船舶发动机配件缺陷检测方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
CN116777916B (zh) | 基于泵机金属外壳的缺陷检测方法 | |
CN116664584B (zh) | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 | |
CN108389216B (zh) | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 | |
CN110288618B (zh) | 一种光照不均图像的多目标分割方法 | |
CN115359053B (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN115035106B (zh) | 一种带钢缺陷智能检测方法 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115861320A (zh) | 一种汽车零件加工信息智能检测方法 | |
CN115496692A (zh) | 一种润滑油磨粒图像增强方法 | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115346126A (zh) | 一种边坡裂纹识别方法 | |
CN115082427A (zh) | 基于人工智能的铝材压延工艺参数控制方法 | |
CN116152749A (zh) | 基于数字孪生的齿轮磨损智能监测方法 | |
CN111724376A (zh) | 一种基于纹理特征分析的纸病检测方法 | |
CN109954854B (zh) | 连铸机结晶器漏钢监测方法、装置、存储介质及电子终端 | |
CN116993726B (zh) | 一种矿物铸件检测方法及系统 |
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 |