CN116681696B - 一种用于自动化生产设备的模具质量监测方法 - Google Patents
一种用于自动化生产设备的模具质量监测方法 Download PDFInfo
- Publication number
- CN116681696B CN116681696B CN202310928460.XA CN202310928460A CN116681696B CN 116681696 B CN116681696 B CN 116681696B CN 202310928460 A CN202310928460 A CN 202310928460A CN 116681696 B CN116681696 B CN 116681696B
- Authority
- CN
- China
- Prior art keywords
- detail
- gray value
- rounding
- gray
- rounding rule
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000003708 edge detection Methods 0.000 claims abstract description 42
- 238000010586 diagram Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 16
- 238000013507 mapping Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 9
- 238000005315 distribution function Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000014759 maintenance of location Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- 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
-
- 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
本发明涉及图像处理技术领域,具体涉及一种用于自动化生产设备的模具质量监测方法,包括:根据模具灰度图像得到边缘检测图像;根据边缘检测图像得到目标程度;根据目标程度得到目标连通域;根据目标连通域得到细节程度;根据细节程度得到目标边缘像素点;根据目标边缘像素点得到第一统计直方图;根据第一统计直方图得到细节灰度值和非细节灰度值;根据细节灰度值和非细节灰度值得到第一、二、三非细节取整规则、第一、二细节取整规则;根据第一、二、三非细节取整规则、第一、二细节取整规则得到取整规则。根据取整规则对模具灰度图进行质量判断。本发明通过自适应概率密度函数的取整方式,更有效地解决细节丢失的问题。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种用于自动化生产设备的模具质量监测方法。
背景技术
在自动化生产设备中,模具是非常重要的组成部分之一。而模具的质量直接影响到生产设备的稳定性和生产效率。因此,在自动化生产过程中,需要对模具进行质量监测。由于模具表面存在纹理,且部分缺陷区域也存在纹理,纹理和缺陷的灰度差异与模具本身的灰度差异较小,采用阈值分割进行缺陷分割难以达到有效分割出缺陷区域的目的,故在对缺陷进行分割之前需要对采集到的模具图像进行图像增强。而传统图像增强方法常采用直方图均衡化,通过概率密度函数映射拉伸对比度达到图像增强的效果,但直方图均衡化可能会造成局部细节丢失,从而影响后续对模具质量的判断。
发明内容
本发明提供一种用于自动化生产设备的模具质量监测方法,以解决现有的问题。
本发明的一种用于自动化生产设备的模具质量监测方法采用如下技术方案:
本发明一个实施例提供了一种用于自动化生产设备的模具质量监测方法,该方法包括以下步骤:
获取模具灰度图;
根据模具灰度图像进行边缘检测得到不同阈值的边缘检测图像;根据边缘检测图像以及边缘像素点灰度值得到每个边缘像素点的目标程度;根据目标程度对边缘像素点进行阈值筛选得到由目标连通点组成的目标连通域;根据目标连通域与连通的边缘像素点得到连通的边缘像素点的细节程度;根据细节程度对边缘像素点进行阈值筛选得到目标边缘像素点;根据目标边缘像素点与模具灰度图像得到第一统计直方图;根据第一统计直方图得到细节灰度值和非细节灰度值;根据细节灰度值和非细节灰度值得到每个边缘像素点的第一非细节取整规则和第一细节取整规则;根据第一非细节取整规则和第一细节取整规则得到每个边缘像素点的第二非细节取整规则、第三非细节取整规则和第二细节取整规则;根据第一非细节取整规则、第一细节取整规则、第二非细节取整规则、第三非细节取整规则和第二细节取整规则得到每个边缘像素点的取整规则;
根据取整规则对模具灰度图进行自适应增强,对增强后的图像进行分割,获取对应的分割结果,根据分割结果进行质量判断。
优选的,所述每个边缘像素点的目标程度,具体的获取方法如下:
对于任意一个坐标位置为的像素点,将所有边缘检测图像中坐标位置为的像素点灰度值的累加值,记为第二灰度值;将第二灰度值与边缘检测图像数量的比值记为坐标位置为/>的边缘像素点的目标程度;
获取每个边缘像素点的目标程度。
优选的,所述细节程度,具体的获取方法如下:
将边缘像素点与目标连通域的连通关系记为第一连通关系;将1减去边缘像素点的目标程度的计算结果记为第一乘数;将第一乘数与第一连通关系记为边缘像素点的细节程度;
获取每个与目标连通域连通的边缘像素点的细节程度。
优选的,所述第一统计直方图,具体的获取方法如下:
将掩膜图像与模具灰度图的灰度值相乘得到对应位置的像素点的灰度值,建立统计直方图,统计对应位置像素点的灰度值分布,记为第一统计直方图。
优选的,所述细节灰度值和非细节灰度值,具体的获取方法如下:
将第一统计直方图中的灰度值为细节边缘所在的灰度值,记为细节灰度值;将第一统计直方图中的灰度值不为细节边缘所在的灰度值,记为非细节灰度值。
优选的,所述第一非细节取整规则和第一细节取整规则,具体的获取方法如下:
第一非细节取整规则的获取方法为:
若细节灰度值前后相邻的灰度值是非细节灰度值,则将小于细节灰度值的非细节灰度值向下取整,大于细节灰度值的非细节灰度值向上取整,并将取整规则记为第一非细节取整规则;
第一细节取整规则的获取方法为:
根据第一非细节取整规则,对所有非细节灰度值取整完成后,得到每个边缘检测图像中所有包含单个细节灰度值的灰度值区间;在灰度值区间内,对于任意一个细节灰度值,若细节灰度值本身映射后的新的灰度值与区间中心的整数灰度值相等时,则区间中心的整数灰度值记为细节灰度值映射后的新的灰度值;若细节灰度值本身映射后的新的灰度值小于区间中心的整数灰度值时,则细节灰度值映射后的新的灰度值向上取整结果记为细节灰度值映射后的新的灰度值;若细节灰度值本身映射后的新的灰度值小于区间中心的整数灰度值时,则细节灰度值映射后的新的灰度值向下取整结果记为细节灰度值映射后的新的灰度值;将取整规则记为第一细节取整规则。
优选的,所述第二非细节取整规则、第三非细节取整规则和第二细节取整规则,具体的获取方法如下:
若细节灰度值前后相邻的灰度值是细节灰度值,则以概率质量函数最大的细节灰度值为目标灰度值,以每个目标灰度值对应的像素点为窗口中心,建立大小的窗口;
第二非细节取整规则的获取方法为:
若超过一半窗口数量的窗口中存在两前后相邻细节灰度值像素点,可将相邻细节灰度值合并为一个新的细节灰度组合记为第一组合,再按第一非细节取整规则对第一组合前后的非细节灰度值进行取整,将取整规则记为第二非细节取整规则;
第三非细节取整规则的获取方法为:
若不足一半窗口数量的窗口中存在两前后相邻细节灰度值像素点,则先将相邻的细节灰度值记为第一组合,小于第一组合的最小细节灰度值向下取整,大于第一组合的最大细节灰度值向上取整,将取整规则记为第三非细节取整规则;
根据第三非细节取整规则,对当前非细节灰度值取整完成后,得到一个单个细节灰度值的灰度值区间;
根据第一细节取整规则,获得第一组合细节灰度值中内两个灰度值的第二细节取整规则。
本发明的技术方案的有益效果是:本发明根据图像局部的重要程度自适应获取概率密度函数的取整方式,通过自适应概率密度函数的取整方式对图像进行自适应增强,更有效地解决细节丢失的问题。
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为本发明一种用于自动化生产设备的模具质量监测方法的步骤流程图;
图2为本发明的模具灰度图;
图3为本发明边缘检测图像的灰度值矩阵示意图;
图4为本发明的映射过程示意图。
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用于自动化生产设备的模具质量监测方法,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用于自动化生产设备的模具质量监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于自动化生产设备的模具质量监测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取模具表面图像,对采集的图像进行语义分割,并进行灰度化获取对应的模具灰度图。
需要说明的是,在自动化生产设备中,模具是非常重要的组成部分之一。而模具的质量直接影响到生产设备的稳定性和生产效率。因此,在自动化生产过程中,需要对模具进行质量监测。由于模具表面存在纹理,且部分缺陷区域也存在纹理,纹理和缺陷的灰度差异与模具本身的灰度差异较小,采用阈值分割进行缺陷分割难以达到有效分割出缺陷区域的目的,故在对缺陷进行分割之前需要对采集到的模具图像进行图像增强。而传统图像增强方法常采用直方图均衡化,通过概率密度函数映射拉伸对比度达到图像增强的效果,但直方图均衡化可能会造成局部细节丢失,从而影响后续对模具质量的判断。本发明根据图像局部的重要程度自适应获取概率密度函数的取整方式,通过自适应概率密度函数的取整方式对图像进行自适应增强,从而解决细节丢失的问题。
具体的,模具灰度图的获取方法为:首先利用照相设备对模具器械进行拍摄,得到模具表面图像;将模具表面图像输入到语义分割网络中获得模具表面区域和背景区域,将模具表面图像中的其在模具表面区域内的像素进行灰度化得到模具灰度图。请参阅图2,其示出了模具灰度图;本实施例以图2中的模具样式为例进行叙述,不针对单一模具样式;
本实施例中使用的语义分割网络为DeepLabV3,为公知技术,不再赘述其网络结构和训练方法。
至此,通过上述方法可以得到模具灰度图。
步骤S002:根据各canny算子阈值下模具表面各个边缘像素点的保留效果,获取像素点的细节程度,根据像素点的细节程度获取概率密度函数映射的取整规则。
需要说明的是,由于边缘像素点在统计图像整体像素点时的占比较小,在进行直方图均衡化时会将边缘像素点的灰度值合并到其他灰度值,从而造成细节丢失。因此可以通过获取像素点的细节程度确定直方图均衡化的取整规则,在增大对比度的同时可以尽可能地保留细节,对应灰度值的像素点的细节程度越大,则该灰度值越应该保留,在进行映射取整时应避免将其合并到其他灰度值。
进一步需要说明的是,本实施例以裂纹和划痕为例进行叙述。而对于裂纹和划痕的深度有深有浅,深度较深的划痕或裂纹容易观察到,在图像中与背景对比较为明显,而深度较浅的划痕或裂纹则不易观察到,在图像中与背景对比不明显。但由于深度较浅的裂纹或划痕往往会与深度较深的裂纹或划痕相连,所以在获取不同canny边缘检测阈值下的边缘图像,根据边缘变化情况获取像素点的细节程度,不同阈值下边缘检测效果。
1.对模具灰度图进行不同阈值的canny算子边缘检测。
需要说明的是,当模具表面存在质量问题时,通常情况下异常区域会存在边缘细节,异常区域的边缘细节往往较少,在增强时极易损失掉该细节,故可以通过边缘检测获取对应的边缘细节。
进一步需要说明的是,由于模具存在质量问题时,模具表面会存在边缘细节,但边缘细节与模具表面的对比度较小,难以通过阈值分割的方法将质量缺陷分割出来,所以需要进行增强处理增大对比度。但由于边缘细节的像素点较少,在增强时对应的灰度值很容易被合并到其他灰度值中,从而导致细节丢失,所以可以通过边缘检测获取模具表面的边缘情况。
具体的,将canny算子的参数阈值0.02作为起始点,0.2作为结束点,以步长为0.02,获取不同参数阈值的边缘检测图像。
另外需要说明的是,获取的不同阈值的canny算子检测图像的数量为0.2/0.02=10。
至此,通过上述方法可以得到不同阈值的canny算子检测图像。
2.根据不同阈值的canny算子检测图像的边缘保留情况与分布情况获取边缘的细节程度以及目标边缘像素点。
需要说明的是,由于边缘细节由于像素点较少,在增强后对应灰度值极易被合并到其他灰度值,越细节的地方越容易丢失,所以可以根据强边缘获取弱边缘,计算像素点的细节程度,根据细节程度进行调整取整规则来尽可能地避免细节的丢失。
本实施例获取边缘像素点的目标程度的具体过程如下:
进一步需要说明的是,由于模具中较为明显的边缘区域的边缘像素点与邻域像素点存在较大的梯度,所以在不同边缘检测阈值下的边缘保留情况较好。而一些微小的细节区域由于其边缘梯度较小,所以在不同边缘检测阈值下的边缘保留情况较差,即边缘消失速度较快,同时由于模具表面存在较多的伪边缘,会干扰质量判断,所以根据边缘变化情况获取边缘像素点的细节程度。由于存在异常的细节更有可能存在于梯度明显的边缘附近,所以首先获取边缘像素点的目标程度。
具体的,将边缘检测图像中灰度值不为0的像素点记为边缘像素点,本实施例以任意一个边缘检测图像中坐标位置为的边缘像素点k为例进行叙述,边缘像素点的目标程度的获取方法为:
式中表示坐标位置为/>的边缘像素点k的目标程度;s表示边缘检测图像个数;/>表示第i个边缘检测图像中坐标位置为/>像素点的灰度值。
需要补充说明的是,边缘检测图像为二值图,像素点灰度值的取值为1或0。
至此,通过上述目标程度公式可以得到每个边缘检测图像中所有边缘像素点的目标程度。
具体的,预设一个目标程度阈值a1,其中本实施例以a1=0.6为例进行叙述,本实施例不进行具体限定,其中a1可根据具体实施情况而定。若当前边缘像素点的目标程度大于阈值a1,则将当前边缘像素点记为目标连通点。
获取当前边缘检测图像中由目标连通点构成的目标连通域,获取每个边缘检测图像中所有的由目标连通点组成的目标连通域。
另外需要说明的是,此时获取的目标连通域边缘为主体边缘,该边缘可能是模具本身的细节边缘,也可能是质量问题导致的缺陷的主体边缘。若该边缘为模具本身的边缘,则该边缘是强边缘,由于强边缘附近基本不存在弱边缘,计算得到的对应边缘像素点的细节程度会很小,不会影响后续的图像增强,因此不用考虑;若为缺陷的主体边缘时,则与其连通的目标程度较小的边缘也可能为缺陷边缘,故由此获取对应边缘像素点的细节程度,以目标连通域为生长种子获取与其连通的边缘像素点。
具体的,当目标连通域为生长种子时,与目标连通域连通的边缘像素点的细节程度的获取方法为:
式中表示坐标位置为/>的边缘像素点k的细节程度;/>示坐标位置为的边缘像素点k的目标程度;/>表示边缘像素点k与目标连通域的连通关系;t表示目标连通域集合。
获取每个边缘检测图像中每个主体连通域与其连通的所有边缘像素点的细节程度。
预设一个细节程度阈值c1,其中本实施例以c1=0.65为例进行叙述,本实施例不进行具体限定,其中c1可根据具体实施情况而定。若当前边缘像素点的细节程度大于阈值c1时,则将当前边缘像素点记为目标边缘像素点;若当前边缘像素点的细节程度小于或等于阈值c1时,则将当前边缘像素点记为非目标边缘像素点。
至此,通过上述方法可以得到每个边缘检测图像中所有的目标边缘像素点。
3.根据细节程度与目标边缘像素点选择直方图均衡化的取整规则。
需要说明的是,边缘像素点的细节程度越大,说明该处的细节越应该保留,细节程度越大,对应的边缘像素点越有可能丢失。
具体的,将标记的目标边缘像素点进行简单二值掩膜处理:将目标边缘像素点灰度值标记为1,其他像素点灰度值标记为0,从而生成掩膜图像。
至此,通过上述方法可以得到每个边缘检测图像的掩膜图像。
将掩膜图像与模具灰度图的灰度值相乘得到对应位置的像素点的灰度值,建立统计直方图,统计该部分像素点的灰度值分布,记为第一统计直方图;同理对模具灰度图建立统计直方图,记为第二统计直方图。
进一步需要说明的是,由于第一统计直方图中的灰度值通过直方图均衡化映射后会应尽可能地保留,所以对第二统计直方图进行均衡化,通过第一统计直方图的灰度分布确定均衡化的取整规则。
而常规均衡化大概过程为:
(1)首先进行概率质量函数估计:将第二统计直方图转化为概率分布函数,将每个像素的值除以图像中像素的总数,得到每个像素的像素概率,即概率质量函数;
(2)然后进行累积分布函数估计:对概率质量函数进行累计和,得到累计分布函数,可以用于计算图像中各个灰度值的积累概率;
(3)最后进行均衡化:在累积分布函数估计的基础上,将它们进行标准化并重新进行分布,以线性增加整个范围内不同像素的灰度值数,从而使整个图像的灰度值分布更加均匀;
(4)使用新的累积分布函数将图像中的像素从旧的灰度值映射到新的灰度值。请参阅图3,其示出了边缘检测图像的灰度值矩阵示意图;请参阅图4,其示出了映射过程示意图。
由图3,图4可知,旧的灰度值在进行映射后得到的新的灰度值会出现小数。由于灰度值值需要保证整数,所以传统均衡化会采用四舍五入的方式进行取整。而在图4中,若灰度值为3所在的边缘为细节边缘,通过映射后对应新的灰度值变为5,而灰度值4通过映射后对应新的灰度值也为5,此时由于细节边缘的灰度值与非细节边缘的灰度值映射后新的灰度值均为5,则对应的细节边缘通过均衡化后则会丢失。所以若在进行取整的过程中,将灰度值3映射后的灰度值4.68,将其进行向下取整取为4;将灰度值4映射后的灰度值5.04,将其进行向上取整取为6,则可以有效增大细节与背景的对比度,保留更多的细节。
由于累计分布函数计算出第二统计直方图中灰度值映射之后得到新的灰度值存在小数情况,所以需要根据第一统计直方图中细节灰度值的分布确定第二统计直方图映射后的值的取整规则。
具体的,将第一统计直方图中的灰度值不为0的灰度值,记为细节灰度值;将第一统计直方图中的灰度值为0的灰度值,记为非细节灰度值。
S1在进行取整的过程中,若细节灰度值前后相邻的灰度值是非细节灰度值:
则将小于细节灰度值的非细节灰度值向下取整,大于细节灰度值的非细节灰度值向上取整,并将该取整规则记为第一非细节取整规则。
至此,根据上述方法得到每个边缘检测图像中细节灰度值前后相邻的灰度值是非细节灰度值时每个非细节灰度值的第一非细节取整规则,对所有非细节灰度值取整完成后,可以得到每个边缘检测图像中所有包含单个细节灰度值的灰度值区间。
进一步的,通过上述方法得到灰度值区间,在灰度值区间内,若当前细节灰度值本身映射后的新的灰度值与区间中心的整数灰度值相等时,则当前区间中心的整数灰度值记为当前细节灰度值映射后的新的灰度值;若当前细节灰度值本身映射后的新的灰度值小于区间中心的整数灰度值时,则当前细节灰度值映射后的新的灰度值向上取整结果记为当前细节灰度值映射后的新的灰度值;若当前细节灰度值本身映射后的新的灰度值大于或等于区间中心的整数灰度值时,则当前细节灰度值映射后的新的灰度值向下取整结果记为当前细节灰度值映射后的新的灰度值。将上述取整规则记为第一细节取整规则。
获取每个边缘检测图像中细节灰度值前后相邻的灰度值是非细节灰度值时的每个细节灰度值的第一细节取整规则。
至此,通过上述方法得到每个边缘检测图像中细节灰度值前后相邻的灰度值是非细节灰度值时的第一取整规则,即第一非细节取整规则与第一细节取整规则。
S2若细节灰度值前后相邻的灰度值是细节灰度值:
则以概率质量函数最大的细节灰度值为目标灰度值,以每个目标灰度值对应的像素点为窗口中心,建立大小的窗口。
S2-1若超过一半窗口数量的窗口中存在两前后相邻细节灰度值像素点,可将相邻细节灰度值合并为一个新的细节灰度组合记为第一组合,再按上述第一非细节取整规则对第一组合前后的非细节灰度值进行取整,该取整规则记为第二非细节取整规则。
至此,通过上述方法可以得到每个边缘检测图像中细节灰度值前后相邻的灰度值是细节灰度值时的每个非细节灰度值的第二非细节取整规则。
S2-2若不足一半窗口数量的窗口中存在两前后相邻细节灰度值像素点,则先将相邻的细节灰度值记为第一组合,小于第一组合的最小细节灰度值向下取整,大于第一组合的最大细节灰度值向上取整,该取整规则记为第三非细节取整规则。
至此,通过上述方法可以得到每个边缘检测图像中细节灰度值前后相邻的灰度值是细节灰度值时的每个非细节灰度值的第三非细节取整规则。
根据第三非细节取整规则,对当前非细节灰度值取整完成后,可以得到一个单个细节灰度值的灰度值区间。由第一细节取整规则同理可得,第一组合细节灰度值中的两个灰度值的第二细节取整规则。当细节灰度值判断完成后,其他未进行判断的灰度值按照原本直方图均衡化的四舍五入取整规则进行取整处理。
至此,通过上述方法可以得到每个边缘检测图像的所有边缘像素点的取整规则。
步骤S003:根据取整规则对模具灰度图进行自适应增强,对增强后的图像进行分割,获取对应的分割结果,根据分割结果进行质量判断。
具体的,根据步骤S002得到的取整规则对模具灰度图进行自适应增强,得到增强后的图像。增强后的图像对比度明显,采用自适应阈值分割获取对应的分割图像,将分割结果与模板进行匹配,获取差异性,根据实际情况通过差异性对模具进行质量检测,预设一个差异性阈值L,其中本实施例以L=0.5为例进行叙述,本实施例不进行具体限定,其中L可根据具体实施情况而定,若差异性大于阈值L,则说明质量不合格;若差异性小于或等于阈值L,则说明质量合格。
至此,本实施例结束。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种用于自动化生产设备的模具质量监测方法,其特征在于,该方法包括以下步骤:
获取模具灰度图;
根据模具灰度图像进行边缘检测得到不同阈值的边缘检测图像;根据边缘检测图像以及边缘像素点灰度值得到每个边缘像素点的目标程度;根据目标程度对边缘像素点进行阈值筛选得到由目标连通点组成的目标连通域;根据目标连通域与连通的边缘像素点得到连通的边缘像素点的细节程度;根据细节程度对边缘像素点进行阈值筛选得到目标边缘像素点;根据目标边缘像素点与模具灰度图像得到第一统计直方图;根据第一统计直方图得到细节灰度值和非细节灰度值;根据细节灰度值和非细节灰度值得到每个边缘像素点的第一非细节取整规则和第一细节取整规则;根据第一非细节取整规则和第一细节取整规则得到每个边缘像素点的第二非细节取整规则、第三非细节取整规则和第二细节取整规则;根据第一非细节取整规则、第一细节取整规则、第二非细节取整规则、第三非细节取整规则和第二细节取整规则得到每个边缘像素点的取整规则;
根据取整规则对模具灰度图进行自适应增强,对增强后的图像进行分割,获取对应的分割结果,根据分割结果进行质量判断;
所述第一非细节取整规则和第一细节取整规则,具体的获取方法如下:
第一非细节取整规则的获取方法为:
若细节灰度值前后相邻的灰度值是非细节灰度值,则将小于细节灰度值的非细节灰度值向下取整,大于细节灰度值的非细节灰度值向上取整,并将取整规则记为第一非细节取整规则;
第一细节取整规则的获取方法为:
根据第一非细节取整规则,对所有非细节灰度值取整完成后,得到每个边缘检测图像中所有包含单个细节灰度值的灰度值区间;在灰度值区间内,对于任意一个细节灰度值,若细节灰度值本身映射后的新的灰度值与区间中心的整数灰度值相等时,则区间中心的整数灰度值记为细节灰度值映射后的新的灰度值;若细节灰度值本身映射后的新的灰度值小于区间中心的整数灰度值时,则细节灰度值映射后的新的灰度值向上取整结果记为细节灰度值映射后的新的灰度值;若细节灰度值本身映射后的新的灰度值小于区间中心的整数灰度值时,则细节灰度值映射后的新的灰度值向下取整结果记为细节灰度值映射后的新的灰度值;将取整规则记为第一细节取整规则;
所述第二非细节取整规则、第三非细节取整规则和第二细节取整规则,具体的获取方法如下:
若细节灰度值前后相邻的灰度值是细节灰度值,则以概率质量函数最大的细节灰度值为目标灰度值,以每个目标灰度值对应的像素点为窗口中心,建立大小的窗口;
第二非细节取整规则的获取方法为:
若超过一半窗口数量的窗口中存在两前后相邻细节灰度值像素点,将相邻细节灰度值合并为一个新的细节灰度组合记为第一组合,再按第一非细节取整规则对第一组合前后的非细节灰度值进行取整,将取整规则记为第二非细节取整规则;
第三非细节取整规则的获取方法为:
若不足一半窗口数量的窗口中存在两前后相邻细节灰度值像素点,则先将相邻的细节灰度值记为第一组合,小于第一组合的最小细节灰度值向下取整,大于第一组合的最大细节灰度值向上取整,将取整规则记为第三非细节取整规则;
根据第三非细节取整规则,对当前非细节灰度值取整完成后,得到一个单个细节灰度值的灰度值区间;
根据第一细节取整规则,获得第一组合细节灰度值中内两个灰度值的第二细节取整规则。
2.根据权利要求1所述一种用于自动化生产设备的模具质量监测方法,其特征在于,所述每个边缘像素点的目标程度,具体的获取方法如下:
对于任意一个坐标位置为的像素点,将所有边缘检测图像中坐标位置为/>的像素点灰度值的累加值,记为第二灰度值;将第二灰度值与边缘检测图像数量的比值记为坐标位置为/>的边缘像素点的目标程度;
获取每个边缘像素点的目标程度。
3.根据权利要求1所述一种用于自动化生产设备的模具质量监测方法,其特征在于,所述细节程度,具体的获取方法如下:
将边缘像素点与目标连通域的连通关系记为第一连通关系;将1减去边缘像素点的目标程度的计算结果记为第一乘数;将第一乘数与第一连通关系记为边缘像素点的细节程度;
获取每个与目标连通域连通的边缘像素点的细节程度。
4.根据权利要求1所述一种用于自动化生产设备的模具质量监测方法,其特征在于,所述第一统计直方图,具体的获取方法如下:
将掩膜图像与模具灰度图的灰度值相乘得到对应位置的像素点的灰度值,建立统计直方图,统计对应位置像素点的灰度值分布,记为第一统计直方图。
5.根据权利要求1所述一种用于自动化生产设备的模具质量监测方法,其特征在于,所述细节灰度值和非细节灰度值,具体的获取方法如下:
将第一统计直方图中的灰度值为细节边缘所在的灰度值,记为细节灰度值;将第一统计直方图中的灰度值不为细节边缘所在的灰度值,记为非细节灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310928460.XA CN116681696B (zh) | 2023-07-27 | 2023-07-27 | 一种用于自动化生产设备的模具质量监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310928460.XA CN116681696B (zh) | 2023-07-27 | 2023-07-27 | 一种用于自动化生产设备的模具质量监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681696A CN116681696A (zh) | 2023-09-01 |
CN116681696B true CN116681696B (zh) | 2023-10-20 |
Family
ID=87781287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310928460.XA Active CN116681696B (zh) | 2023-07-27 | 2023-07-27 | 一种用于自动化生产设备的模具质量监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681696B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522875B (zh) * | 2024-01-08 | 2024-04-05 | 深圳市新创源精密智造有限公司 | 基于图像滤波的半导体载带生产质量视觉检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537632A (zh) * | 2014-12-26 | 2015-04-22 | 武汉大学 | 基于边缘提取的红外图像直方图增强方法 |
EP3001382A2 (en) * | 2014-09-28 | 2016-03-30 | Ricoh Company, Ltd. | Method and apparatus for generating disparity map based on image frames photographed by stereo camera |
CN107274365A (zh) * | 2017-06-15 | 2017-10-20 | 中国矿业大学(北京) | 一种基于反锐化掩模和nsct算法的矿井图像增强方法 |
CN114782432A (zh) * | 2022-06-20 | 2022-07-22 | 南通电博士自动化设备有限公司 | 一种基于纹理特征的改进canny算子的边缘检测方法 |
CN115760826A (zh) * | 2022-11-29 | 2023-03-07 | 江苏满锐精密工具有限公司 | 一种基于图像处理的轴承磨损状况诊断方法 |
WO2023126030A1 (zh) * | 2022-09-28 | 2023-07-06 | 探长信息技术(苏州)有限公司 | 一种交换机接口完好性检测方法 |
CN116468728A (zh) * | 2023-06-20 | 2023-07-21 | 深圳市锦红兴科技有限公司 | 一种五金冲压件模具生产质量检测方法 |
-
2023
- 2023-07-27 CN CN202310928460.XA patent/CN116681696B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3001382A2 (en) * | 2014-09-28 | 2016-03-30 | Ricoh Company, Ltd. | Method and apparatus for generating disparity map based on image frames photographed by stereo camera |
CN104537632A (zh) * | 2014-12-26 | 2015-04-22 | 武汉大学 | 基于边缘提取的红外图像直方图增强方法 |
CN107274365A (zh) * | 2017-06-15 | 2017-10-20 | 中国矿业大学(北京) | 一种基于反锐化掩模和nsct算法的矿井图像增强方法 |
CN114782432A (zh) * | 2022-06-20 | 2022-07-22 | 南通电博士自动化设备有限公司 | 一种基于纹理特征的改进canny算子的边缘检测方法 |
WO2023126030A1 (zh) * | 2022-09-28 | 2023-07-06 | 探长信息技术(苏州)有限公司 | 一种交换机接口完好性检测方法 |
CN115760826A (zh) * | 2022-11-29 | 2023-03-07 | 江苏满锐精密工具有限公司 | 一种基于图像处理的轴承磨损状况诊断方法 |
CN116468728A (zh) * | 2023-06-20 | 2023-07-21 | 深圳市锦红兴科技有限公司 | 一种五金冲压件模具生产质量检测方法 |
Non-Patent Citations (1)
Title |
---|
Contrast Enhancement using Efficient Gray-Level Grouping;Tanveer Hasan et al.;《2019 International Conference on Electrical, Electronics and Computer Engineering (UPCON)》;1-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN116681696A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116681696B (zh) | 一种用于自动化生产设备的模具质量监测方法 | |
CN115984148B (zh) | 一种高通量基因测序数据的去噪增强方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN116777941B (zh) | 一种基于机器视觉的型材轮廓检测方法及系统 | |
CN114782432A (zh) | 一种基于纹理特征的改进canny算子的边缘检测方法 | |
CN117422712B (zh) | 基于图像滤波处理的塑料母粒视觉检测方法及系统 | |
CN116310882B (zh) | 基于高分辨率遥感影像的林业信息识别方法 | |
CN111709964B (zh) | 一种pcba目标边缘检测方法 | |
CN115272303B (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
CN117314801A (zh) | 基于人工智能的模糊图像优化增强方法 | |
CN115346126A (zh) | 一种边坡裂纹识别方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN110874825A (zh) | 一种复合绝缘子表面水迹二值图像提取方法 | |
CN116664567A (zh) | 一种固体绝缘开关柜质量评估方法及系统 | |
CN116934761A (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN116433657A (zh) | 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法 | |
CN111179197B (zh) | 对比度增强方法及装置 | |
CN109544481B (zh) | 一种基于机器学习的航空影像匀光方法及系统 | |
CN113269763A (zh) | 基于深度图复原和亮度估计的水下图像清晰度恢复方法 | |
CN116703930B (zh) | 一种汽车后视镜模具成型检测方法 | |
CN117274247B (zh) | 一种ltcc导体表面镀层质量视觉检测方法 | |
CN112419190B (zh) | 一种基于局部统计信息和几何距离的脉冲噪声滤波方法、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 |