CN116912261B - 一种塑料模具注塑表面缺陷检测方法 - Google Patents
一种塑料模具注塑表面缺陷检测方法 Download PDFInfo
- Publication number
- CN116912261B CN116912261B CN202311192279.3A CN202311192279A CN116912261B CN 116912261 B CN116912261 B CN 116912261B CN 202311192279 A CN202311192279 A CN 202311192279A CN 116912261 B CN116912261 B CN 116912261B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- defect
- analyzed
- suspected
- suspected defect
- 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 260
- 238000001746 injection moulding Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000002347 injection Methods 0.000 claims abstract description 49
- 239000007924 injection Substances 0.000 claims abstract description 49
- 238000009826 distribution Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims description 37
- 230000002950 deficient Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 description 16
- 238000005286 illumination Methods 0.000 description 9
- 239000000203 mixture Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000243 solution Substances 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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种塑料模具注塑表面缺陷检测方法,包括:获取注塑产品的图像序列,得到各个像素点的灰度分布模型;根据待检测的注塑产品的灰度图像中各个像素点的灰度值与各个像素点的灰度分布模型得到各个待分析像素点以及各个待分析像素点的特征二元组;根据各个待分析像素点的初始疑似缺陷概率,得到疑似缺陷像素点;获取疑似缺陷区域;根据各个疑似缺陷区域中各个疑似缺陷像素点的初始疑似缺陷概率、梯度值以及各个疑似缺陷像素点与缺陷中心点之间的欧氏距离计算各个疑似缺陷区域的区域缺陷概率;根据各个疑似缺陷区域的区域缺陷概率确定缺陷区域。本发明可以对注塑产品表面的低对比度缺陷进行快速缺陷检测。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种塑料模具注塑表面缺陷检测方法。
背景技术
由于塑料种类多样,且塑料模具生产注塑产品的工艺较为复杂,生产完成后的注塑产品表面不可避免的存在各种缺陷,注塑产品往往是批量生产的,流水线上的注塑产品具有高度相似性,因此现有技术中往往使用模板匹配算法对注塑产品表面缺陷进行检测,由于实际生产环境中存在自然光照的影响,导致即使正常的注塑产品表面也会与模板图像之间存在灰度差异。此外,部分缺陷并不会造成注塑产品表面发生明显的灰度变化,如凹陷缺陷,在自然关照的干扰下,无法判断发生灰度变化的像素点是缺陷造成的还是光照造成的,因此使用传统的模板匹配算法对注塑产品表面缺陷的检测效果较差。
发明内容
本发明提供一种塑料模具注塑表面缺陷检测方法,以解决现有的问题。
本发明的一种塑料模具注塑表面缺陷检测方法采用如下技术方案:
本发明一个实施例提供了一种塑料模具注塑表面缺陷检测方法,该方法包括以下步骤:
对检测合格的注塑产品进行设定时间内的实时图像采集,得到注塑产品的图像序列;根据各个像素点在图像序列中的各灰度图像上的灰度值得到各个像素点的灰度分布模型;
根据待检测的注塑产品的灰度图像中各个像素点的灰度值与各个像素点的灰度分布模型得到灰度图像中的各个待分析像素点,并计算灰度图像中各个待分析像素点的特征二元组;
获取以各个待分析像素点为中心的滑窗区域,根据所得滑窗区域中所有待分析像素点的特征二元组与滑窗中心点的特征二元组之间的差异得到各个待分析像素点的初始疑似缺陷概率;根据各个待分析像素点的初始疑似缺陷概率得到疑似缺陷像素点;对所有疑似缺陷像素点的坐标进行聚类,得到多个疑似缺陷区域以及各个疑似缺陷区域的缺陷中心点坐标;
根据各个疑似缺陷区域中所包含的各个疑似缺陷像素点的初始疑似缺陷概率以及各个疑似缺陷像素点在待检测的注塑产品的梯度图像中的梯度值得到各个疑似缺陷像素点的缺陷概率;根据各个疑似缺陷区域中所包含的各个疑似缺陷像素点与缺陷中心点坐标之间的欧氏距离以及各个疑似缺陷像素点的缺陷概率得到各个疑似缺陷区域的区域缺陷概率;根据各个疑似缺陷区域的区域缺陷概率得到缺陷区域。
优选的,所述根据灰度图像中的各个待分析像素点的方法为:
对于灰度图像中的任意一个像素点,获取该像素点所对应的灰度分布模型中各个子高斯模型的灰度范围,若该像素点的灰度值处于任意一个子高斯模型的灰度范围内,该像素点为待分析像素点;否则,该像素点为缺陷像素点。
优选的,所述灰度图像中各个待分析像素点的特征二元组的获取方法为:
以任意一个待分析像素点为目标像素点,获取与目标像素点的灰度值匹配的子高斯模型,计算目标像素点的灰度值和与所得子高斯模型的均值之间的差值;计算正整数3与所得子高斯模型的标准差之间的乘积,将所得差值与所得乘积之间的比值作为目标像素点的灰度偏移量;所得子高斯模型的均值以及目标像素点的灰度偏移量组成目标像素点的特征二元组,以灰度图像中的各个待分析像素点为目标像素点,得到灰度图像中各个待分析像素点的特征二元组。
优选的,所述各个待分析像素点的初始疑似缺陷概率的获取方法为:
获得所得滑窗区域中每个待分析像素点与滑窗中心点的灰度偏移量之间的差值以及所得各个差值的平均值,将每个待分析像素点对应的差值与所得平均值之间的差值作每个待分析像素点的第一差异指标;
将所得滑窗区域中每个待分析像素点的特征二元组中的子高斯模型均值与滑窗中心点特征二元组中的子高斯模型均值之间的差值作为每个待分析像素点的第二差异指标;根据所得滑窗区域中每个待分析像素点与滑窗中心点之间的欧氏距离得到每个待分析像素点与滑窗中心点之间第二差异指标的参考权重;
计算所得滑窗区域中每个待分析像素点的第二差异指标的平方及其参考权重之间的乘积,将所得乘积与每个待分析像素点的第一差异指标的平方之间的加和结果作为每个待分析像素点与滑窗中心点之间的差异程度;
计算所得滑窗区域中每个待分析像素点与滑窗中心点之间差异程度的平均值,记为各个滑窗中心点的差异程度;根据各个滑窗中心点的差异程度得到各个滑窗中心点的初始疑似缺陷概率,即灰度图像中各个待分析像素点的初始疑似缺陷概率。
优选的,所述疑似缺陷像素点的获取方法为:设置第一阈值,当各个待分析像素点的初始疑似缺陷概率大于等于第一阈值时,各个待分析像素点为疑似缺陷像素点;否则各个待分析像素点不为疑似缺陷像素点。
优选的,所述各个疑似缺陷像素点的缺陷概率的获取方法为:
获取梯度图像中所有待分析像素点的梯度最大值,计算各个疑似缺陷像素点的梯度值与梯度最大值之间的比值,将正整数1与所得比值之间的差值作为各个疑似缺陷像素点的修正程度;将各个疑似缺陷像素点的初始疑似缺陷概率与各个疑似缺陷像素点的修正程度之间的乘积作为各个疑似缺陷像素点的缺陷概率。
优选的,所述各个疑似缺陷区域的区域缺陷概率的获取方法为:
计算各个疑似缺陷区域中所包含的各个疑似缺陷像素点与缺陷中心点之间的欧氏距离,根据所得欧氏距离得到各个疑似缺陷像素点的参考权重,将各个疑似缺陷像素点的参考权重与各个疑似缺陷像素点的缺陷概率的乘积的累加和作为各个疑似缺陷区域的区域缺陷概率。
优选的,所述缺陷区域的获取方法为:设置第二阈值,当一个疑似缺陷区域的区域缺陷概率大于等于第二阈值时,该疑似缺陷区域为一个缺陷区域,否则该疑似缺陷区域不为缺陷区域。
优选的,所述第二阈值设置为0.8。
优选的,所述第一阈值设置为0.3。
本发明的有益效果是:本发明获取注塑产品表面图像中各个像素点的灰度分布模型,并根据待检测的注塑产品表面相同位置上各个像素点的灰度值相对于其灰度分布模型的特征二元组之间的差异判断图像中缺陷存在概率,可以实现在自然光照本身存在变化的情况以及注塑产品表面本身设计由凹槽区域的情况下,对注塑产品表面灰度变化不明显的凹陷缺陷进行检测,方法简单快速。
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为本发明的一种塑料模具注塑表面缺陷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塑料模具注塑表面缺陷检测方法,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塑料模具注塑表面缺陷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塑料模具注塑表面缺陷检测方法的步骤流程图,该方法包括以下步骤:
S001.获取注塑产品的图像序列;根据各个像素点在图像序列中的各图像上的灰度值得到各个像素点的灰度分布模型。
将相机固定在检测合格的注塑产品的正上方,对检测合格的注塑产品进行设定时间内的实时图像采集,并对采集到的图像进行灰度化处理,得到注塑产品的图像序列。其中,对图像进行灰度化的方法为公知技术,在此不再详细介绍。
获取注塑产品的图像序列中具有相同坐标的像素点的灰度值,得到各个像素点的灰度序列,利用EM算法对各个像素点的灰度序列拟合混合高斯模型,本实施例设置混合高斯模型中包含的子高斯模型的个数为5,得到各个像素点的混合高斯模型,此时各个像素点的混合高斯模型即为各个像素点的灰度分布模型。其中,第i个像素点的混合高斯模型中的第a个子高斯模型所对应的参数为,μia和/>分别为第i个像素点的混合高斯模型中第a个子高斯模型的均值和方差。
S002.根据待检测的注塑产品的灰度图像中各个像素点的灰度值与各个像素点的灰度分布模型得到灰度图像中的各个待分析像素点以及各个待分析像素点的特征二元组。
首先对采集到的注塑产品图像进行灰度化处理,得到注塑表面图像;
由于注塑产品表面缺陷类型多样,但是多数缺陷或是因为自身缺陷特点,或者因为缺陷造成注塑件表面形变,使得注塑件表面灰度发生异常,在光照的作用下形成亮区域以及暗区域,造成缺陷所处位置灰度发生异常。
正常情况下,塑料模具加工完成的注塑产品表面只会受自然光照的干扰,各个像素点的灰度值会在一定范围内波动,即满足各个像素点所对应的灰度分布模型,但是对于部分缺陷,如白色注塑产品的烧焦缺陷,缺陷像素点与该位置上会发生较大的灰度差异,使得缺陷像素点的灰度值不能满足灰度分布模型。
因此对于判断注塑产品表面是否存在缺陷时,首先判断各个像素点是否满足灰度分布模型,例如,注塑表面图像中第i个像素点在的灰度值为hi,对于该像素点的灰度分布模型中的第a个子高斯模型,当时,认为该像素点的灰度值与该第a个子高斯模型不匹配,否则认为该像素点与第a个子高斯模型匹配,如果该像素点与其所对应的混合高斯模型中的所有子高斯模型均不匹配,认为该像素点为缺陷像素点,否则认为其为正常像素点。
当注塑表面图像中存在缺陷像素点时,表示当前注塑产品中存在严重影响产品外观的缺陷,故认为其为不合格产品;
考虑到不排除存在部分像素点的灰度值虽然可以满足灰度分布模型,但是并不能在当前光照环境下并不能达到该灰度值,例如注塑产品表面的凹陷缺陷,此类缺陷使得缺陷区域相对于正常区域而言存在亮暗的变化,但是由于凹陷深度较小,使得缺陷区域内亮暗的变化仍然满足灰度分布模型,此时根据像素点灰度值是否满足灰度分布模型是无法对此类缺陷进行检测的,也就是说,使用上述方法所得到的检测结果并不准确,因此还需要对不存在缺陷像素点的图像进行进一步检测,则此时需要进一步检测的像素点即为本实施例中的待分析像素点。
由于各个待分析像素点灰度值都是围绕注塑产品本身的灰度值进行变化的,所以在同一时刻下,注塑产品表面图像中各个待分析像素点的灰度变化方向以及灰度变化程度均较为相似,即各个待分析像素点的灰度值相对于灰度分布模型均值的偏移情况是相似的,也就是说各个待分析像素点的灰度值到灰度分布模型均值之间的距离与灰度分布模型的最大变化范围之间的比值是相似的,记与第i个待分析像素点的灰度值所匹配的子高斯模型的均值和标准差分别为gi和fi,该待分析像素点的灰度值记为hi,则第i个待分析像素点的灰度偏移量Li可表示为:
;
hi-gi表示第i个待分析像素点的灰度值相对于该待分析像素点所对应的灰度分布模型的均值之间的差值,当该值为负时,表示当前时刻该待分析像素点的灰度值小于灰度分布模型的均值,此时对应自然光较弱;当该值为正时,表示当前时刻该待分析像素点的灰度值大于灰度分布模型的均值,对应自然光较强;
3fi为第i个待分析像素点的灰度值相对于所匹配的子高斯模型均值之间的最大变化范围;本实施例根据hi-gi的正负情况获取该待分析像素点灰度的变化方向,根据hi-gi相对于3fi比值大小表示该待分析像素点灰度的变化程度,根据灰度变化方向以及灰度变化程度得到该待分析像素点的灰度偏移量。
使用上述方法计算注塑产品表面图像中所有待分析像素点的灰度偏移量,每个待分析像素点所对应的子高斯模型的均值以及该待分析像素点的灰度偏移量构成每个待分析像素点的特征二元组。
S003.获取以各个待分析像素点为中心的滑窗区域,根据所得滑窗区域中所有待分析像素点与滑窗中心点的特征二元组之间的差异得到各个待分析像素点的初始疑似缺陷概率,进而得到疑似缺陷像素点。
由于注塑产品表面各个像素点的灰度变化可以看作注塑产品本身灰度值以及自然光照共同作用的结果,其中注塑产品表面灰度值是不会发生变化的,因此正常情况下,自然光照是使得注塑产品表面发生灰度变化的主要原因。
自然光近似平行光,因此同一时刻下,自然光照下注塑产品表面各个待分析像素点的灰度值相对于其灰度分布模型均值的偏移程度一致,当注塑产品表面出现缺陷时,缺陷区域像素点的灰度变化会破坏正常像素点灰度变化的一致性。正常情况下,注塑产品表面为平面时,各个待分析像素点局部范围内的所有待分析像素点灰度偏移量具有一致性,当注塑表面存在凹陷区域时,在漫反射的作用下,缺陷区域内部会存在明暗变化,从而破坏灰度偏移量的一致性,考虑到注塑产品种类较多,不排除注塑产品表面本身设计有凹槽区域,这种区域也会破坏灰度偏移量的一致性,因此在对注塑产品表面凹陷区域进行识别时,往往会将这种区域误识别为缺陷。故当一个待分析像素点局部范围内的所有待分析像素点不能满足灰度偏移量的一致性时,只能认为该待分析像素点为疑似缺陷像素点,后续还需要进一步判断是否为缺陷区域像素点。
设置滑窗区域大小为m×m,本实施例中m=7,以灰度图像中各个待分析像素点为滑窗中心点,得到各个待分析像素点所对应的滑窗区域;
由于本实施例的灰度分布模型中包含多个子高斯模型,而灰度偏移量是针对其中一个子高斯模型而言的,因此本实施例需要在根据灰度偏移量进行缺陷判断时,还需要考虑对应的子高斯模型的均值之间的差异,而当注塑产品表面平整时,局部范围内的光照变化较小,对应子高斯模型均值之间的差异也较小,即本实施例判断一个滑窗区域为平整区域时,需要满足滑窗区域内灰度偏移量之间的差异程度以及均值之间的差异程度均较小。
当滑窗区域内均为正常像素点时,此时滑窗区域内所有像素点相对于滑窗中心点的特征二元组之间的差异较小,由此得到的初始疑似缺陷概率的值较小。而当滑窗区域内存在缺陷像素点时,若滑窗中心点为正常像素点,则其与缺陷像素点的特征二元组之间的差异较大;若滑窗中心点为缺陷像素点,则其与正常像素点的特征二元组之间差异较大,此时初始疑似缺陷概率的值较大。当滑窗区域内均为缺陷像素点时,此时所有像素点相对于滑窗中心点的灰度偏移量之间本身差异较大,对应初始疑似缺陷概率也较大。
考虑到滑窗区域大小为人为设定的,当滑窗区域大小设置的较大时,由于自然光照存在衰减,不排除距离滑窗中心点较远的点的匹配的子高斯模型均值之间存在较大差异,因此本实施例根据滑窗区域中所有待分析像素点相对于滑窗中心点之间的距离设置对各个待分析像素点所对应的子高斯模型均值之间差异的参考权重,即距离滑窗中心点越远的待分析像素点的子高斯模型均值之间差异的参考权重越小,由此得到注塑产品表面图像中各个待分析像素点为缺陷像素点的概率,具体包括:
获得所得滑窗区域中每个待分析像素点与滑窗中心点的灰度偏移量之间的差值以及所得各个差值的平均值,将每个待分析像素点对应的差值与所得平均值之间的差值作每个待分析像素点的第一差异指标;
将所得滑窗区域中每个待分析像素点的特征二元组中的子高斯模型均值与滑窗中心点特征二元组中的子高斯模型均值之间的差值作为每个待分析像素点的第二差异指标;根据所得滑窗区域中每个待分析像素点与滑窗中心点之间的欧氏距离得到每个待分析像素点与滑窗中心点之间第二差异指标的参考权重;
计算所得滑窗区域中每个待分析像素点的第二差异指标的平方及其参考权重之间的乘积,将所得乘积与每个待分析像素点的第一差异指标的平方之间的加和结果作为每个待分析像素点与滑窗中心点之间的差异程度;
计算所得滑窗区域中每个待分析像素点与滑窗中心点之间差异程度的平均值,记为各个滑窗中心点的差异程度;根据各个滑窗中心点的差异程度得到各个滑窗中心点的初始疑似缺陷概率,即灰度图像中各个待分析像素点的初始疑似缺陷概率。
其中第i个待分析像素点为缺陷像素点的初始疑似缺陷概率pi可表示为:
;
其中,n为滑窗区域内部所包含的所有待分析像素点的个数;dij为以灰度图像中第i个待分析像素点为中心的滑窗区域中第j个待分析像素点到滑窗中心点之间的欧氏距离;ΔLij为第i个待分析像素点的滑窗区域中第j个待分析像素点的灰度偏移量与滑窗中心点灰度偏移量的差值;为以第i个待分析像素点为中心的滑窗区域内所有待分析像素点灰度偏移量与滑窗中心点灰度偏移量之间差值的均值,e为自然常数。
为第i个待分析像素点的滑窗区域中第j个待分析像素点与滑窗中心点之间的第一差异指标,gi-gj为第i个待分析像素点的滑窗区域中第j个待分析像素点与滑窗中心点的第二差异指标;/>为第i个待分析像素点的滑窗区域中第j个待分析像素点与滑窗中心点的第二差异指标的参考权重,由于距离滑窗中心点越远的待分析像素点的子高斯模型均值之间的差异参考权重越小,因此本实施例使用/>构建滑窗区域中的待分析像素点到滑窗中心点的距离与待分析像素点所对应的子高斯模型均值之间差异的参考权重的负相关关系。
为第i个待分析像素点的滑窗区域中第j个待分析像素点与滑窗中心点之间的差异程度;/>表示第i个待分析像素点的滑窗中心点的差异程度,也就是灰度图像中第i个待分析像素点的差异程度,该值越大,表示滑窗区域内部越不能满足灰度偏移一致性,对应其该待分析像素点属于缺陷的概率越大,即初始疑似缺陷概率与特征二元组之间的差异呈正相关关系,因此本实施例使用/>构建的特征二元组之间差异与初始疑似缺陷概率之间的正相关关系,并对其进行归一化处理。
设置第一阈值ε=0.3,当第i个待分析像素点的初始疑似缺陷概率pi≥ε时,认为该待分析像素点为疑似缺陷像素点,否则不为疑似缺陷像素点,对各个待分析像素点的初始疑似缺陷概率进行分析,得到各个疑似缺陷像素点。
S004.获取疑似缺陷区域;根据各个疑似缺陷区域中各个疑似缺陷像素点的初始疑似缺陷概率、梯度值以及各个疑似缺陷像素点与缺陷中心点之间的欧氏距离计算各个疑似缺陷区域的区域缺陷概率;根据各个疑似缺陷区域的区域缺陷概率确定缺陷区域。
使用DBSCAN聚类算法对所有疑似缺陷像素点的坐标进行聚类,由此得到多个聚类结果,每个聚类结果均为一个疑似缺陷区域,记录各个聚类结果的聚类中心的坐标,本实施例中将各个聚类结果的聚类中心作为缺陷中心点。
由于凹槽区域与凹陷区域的区别在于:前者为人为设定的区域,其边缘较为清晰,而凹陷区域为生产过程中产生的缺陷区域,往往不具有清晰的边缘,因此本实施例在对缺陷区域进行检测时,还需要结合各个像素点的边缘梯度值对各个像素点的缺陷概率进一步修正,从而避免将正常的凹槽区域错误的识别为缺陷区域。
使用Canny算子对注塑产品表面图像进行边缘检测,得到注塑产品表面图像中各个像素点的梯度值以及梯度方向,得到注塑产品表面图像的梯度图像。
根据各个疑似缺陷像素点在梯度图像中的梯度值大小对各个疑似缺陷像素点的初始疑似缺陷概率进行修正,由这种方法对边缘点的影响最大,边缘点往往处于一个区域的最远位置,因此本实施例根据修正后各个疑似缺陷像素点的缺陷概率及其到缺陷中心点的距离判断各个疑似缺陷区域为缺陷区域的概率,各个疑似缺陷像素点的缺陷概率的获取方法为:
获取梯度图像中所有待分析像素点的梯度最大值,计算各个疑似缺陷像素点的梯度值与梯度最大值之间的比值,将正整数1与所得比值之间的差值作为各个疑似缺陷像素点的修正程度;将各个疑似缺陷像素点的初始疑似缺陷概率与各个疑似缺陷像素点的修正程度之间的乘积作为各个疑似缺陷像素点的缺陷概率。
各个疑似缺陷区域的区域缺陷概率的获取方法为:
计算各个疑似缺陷区域中所包含的各个疑似缺陷像素点与缺陷中心点之间的欧氏距离,根据所得欧氏距离得到各个疑似缺陷像素点的参考权重,将各个疑似缺陷像素点的参考权重与各个疑似缺陷像素点的缺陷概率的乘积的累加和作为各个疑似缺陷区域的区域缺陷概率。
则第k个疑似缺陷区域的区域缺陷概率Pk可表示为:
;
其中,N为第k个疑似缺陷区域中所包含的像素点的总个数;tr为该疑似缺陷区域中的第r个像素点在梯度图像中所对应的梯度值;dr为第r个像素点到缺陷中心点的距离。
为第r个像素点的梯度值与注塑产品表面图像中最大梯度值之间的接近程度,当tr越接近max{tr}时,认为该像素点的梯度值越大,即边缘越清晰,该疑似缺陷区域属于凹陷区域的概率越小。
由于越远离缺陷中心点的位置上为边缘点的概率越高,因此判断疑似缺陷区域是否为缺陷区域时,越远离缺陷中心点的像素点参考程度越大,即像素点到缺陷中心点的距离与缺陷区域概率呈正相关关系,因此本实施例使用构建dr与Pk之间的正相关模型。
为对第r个像素点修正后的缺陷概率,当pi较大时,此时若该像素点的梯度值越大,即/>越大,说明该像素点为凹槽区域边缘点的概率越大,对应该疑似缺陷区域属于缺陷区域的概率越小,因此本实施例使用/>表示对各个疑似缺陷像素点修正程度,梯度值越大,表示该像素点为人为设计的凹槽区域的概率越大,故而对初始疑似缺陷像素点的修正程度越大,反之亦然,由此实现对各个疑似缺陷像素点的初始疑似缺陷概率的修正。
设置第二阈值δ=0.8,当第k个缺陷区域的缺陷概率Pk≥δ时,认为该疑似缺陷区域为缺陷区域,否则不为缺陷区域。
通过以上步骤,完成对塑料模具注塑产品的表面缺陷检测。
本实施例获取注塑产品表面图像中各个像素点的灰度分布模型,并根据待检测的注塑产品表面相同位置上各个像素点的灰度值相对于其灰度分布模型的特征二元组之间的差异判断图像中缺陷存在概率,可以实现在自然光照本身存在变化的情况以及注塑产品表面本身设计由凹槽区域的情况下,对注塑产品表面灰度变化不明显的凹陷缺陷进行检测,方法简单快速。
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 (8)
1.一种塑料模具注塑表面缺陷检测方法,其特征在于,该方法包括以下步骤:
对检测合格的注塑产品进行设定时间内的实时图像采集,得到注塑产品的图像序列;根据各个像素点在图像序列中的各灰度图像上的灰度值得到各个像素点的灰度分布模型;
根据待检测的注塑产品的灰度图像中各个像素点的灰度值与各个像素点的灰度分布模型,得到灰度图像中的各个待分析像素点,并计算灰度图像中各个待分析像素点的特征二元组;
获取以各个待分析像素点为中心的滑窗区域,根据所得滑窗区域中所有待分析像素点的特征二元组与滑窗中心点的特征二元组之间的差异,得到各个待分析像素点的初始疑似缺陷概率;根据各个待分析像素点的初始疑似缺陷概率得到疑似缺陷像素点;对所有疑似缺陷像素点的坐标进行聚类,得到多个疑似缺陷区域以及各个疑似缺陷区域的缺陷中心点坐标;
根据各个疑似缺陷区域中所包含的各个疑似缺陷像素点的初始疑似缺陷概率以及各个疑似缺陷像素点在待检测的注塑产品的梯度图像中的梯度值,得到各个疑似缺陷像素点的缺陷概率;根据各个疑似缺陷区域中所包含的各个疑似缺陷像素点与缺陷中心点坐标之间的欧氏距离以及各个疑似缺陷像素点的缺陷概率,得到各个疑似缺陷区域的区域缺陷概率;根据各个疑似缺陷区域的区域缺陷概率得到缺陷区域;
所述灰度图像中各个待分析像素点的特征二元组的获取方法为:
以任意一个待分析像素点为目标像素点,获取与目标像素点的灰度值匹配的子高斯模型,计算目标像素点的灰度值和与所得子高斯模型的均值之间的差值;计算正整数3与所得子高斯模型的标准差之间的乘积,将所得差值与所得乘积之间的比值作为目标像素点的灰度偏移量;所得子高斯模型的均值以及目标像素点的灰度偏移量组成目标像素点的特征二元组,以灰度图像中的各个待分析像素点为目标像素点,得到灰度图像中各个待分析像素点的特征二元组;
所述各个待分析像素点的初始疑似缺陷概率的获取方法为:
获得所得滑窗区域中每个待分析像素点与滑窗中心点的灰度偏移量之间的差值以及所得各个差值的平均值,将每个待分析像素点对应的差值与所得平均值之间的差值作每个待分析像素点的第一差异指标;
将所得滑窗区域中每个待分析像素点的特征二元组中的子高斯模型均值与滑窗中心点特征二元组中的子高斯模型均值之间的差值作为每个待分析像素点的第二差异指标;根据所得滑窗区域中每个待分析像素点与滑窗中心点之间的欧氏距离得到每个待分析像素点与滑窗中心点之间第二差异指标的参考权重;
计算所得滑窗区域中每个待分析像素点的第二差异指标的平方及其参考权重之间的乘积,将所得乘积与每个待分析像素点的第一差异指标的平方之间的加和结果作为每个待分析像素点与滑窗中心点之间的差异程度;
计算所得滑窗区域中每个待分析像素点与滑窗中心点之间差异程度的平均值,记为各个滑窗中心点的差异程度;根据各个滑窗中心点的差异程度得到各个滑窗中心点的初始疑似缺陷概率,即灰度图像中各个待分析像素点的初始疑似缺陷概率。
2.根据权利要求1所述的一种塑料模具注塑表面缺陷检测方法,其特征在于,所述灰度图像中的各个待分析像素点的获取方法为:
对于灰度图像中的任意一个像素点,获取该像素点所对应的灰度分布模型中各个子高斯模型的灰度范围,若该像素点的灰度值处于任意一个子高斯模型的灰度范围内,该像素点为待分析像素点;否则,该像素点为缺陷像素点。
3.根据权利要求1所述的一种塑料模具注塑表面缺陷检测方法,其特征在于,所述疑似缺陷像素点的获取方法为:设置第一阈值,当各个待分析像素点的初始疑似缺陷概率大于等于第一阈值时,各个待分析像素点为疑似缺陷像素点;否则各个待分析像素点不为疑似缺陷像素点。
4.根据权利要求1所述的一种塑料模具注塑表面缺陷检测方法,其特征在于,所述各个疑似缺陷像素点的缺陷概率的获取方法为:
获取梯度图像中所有待分析像素点的梯度最大值,计算各个疑似缺陷像素点的梯度值与梯度最大值之间的比值,将正整数1与所得比值之间的差值作为各个疑似缺陷像素点的修正程度;将各个疑似缺陷像素点的初始疑似缺陷概率与各个疑似缺陷像素点的修正程度之间的乘积作为各个疑似缺陷像素点的缺陷概率。
5.根据权利要求1所述的一种塑料模具注塑表面缺陷检测方法,其特征在于,所述各个疑似缺陷区域的区域缺陷概率的获取方法为:
计算各个疑似缺陷区域中所包含的各个疑似缺陷像素点与缺陷中心点之间的欧氏距离,根据所得欧氏距离得到各个疑似缺陷像素点的参考权重,将各个疑似缺陷像素点的参考权重与各个疑似缺陷像素点的缺陷概率的乘积的累加和作为各个疑似缺陷区域的区域缺陷概率。
6.根据权利要求1所述的一种塑料模具注塑表面缺陷检测方法,其特征在于,所述缺陷区域的获取方法为:设置第二阈值,当一个疑似缺陷区域的区域缺陷概率大于等于第二阈值时,该疑似缺陷区域为一个缺陷区域,否则该疑似缺陷区域不为缺陷区域。
7.根据权利要求6所述的一种塑料模具注塑表面缺陷检测方法,其特征在于,所述第二阈值设置为0.8。
8.根据权利要求3所述的一种塑料模具注塑表面缺陷检测方法,其特征在于,所述第一阈值设置为0.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311192279.3A CN116912261B (zh) | 2023-09-15 | 2023-09-15 | 一种塑料模具注塑表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311192279.3A CN116912261B (zh) | 2023-09-15 | 2023-09-15 | 一种塑料模具注塑表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912261A CN116912261A (zh) | 2023-10-20 |
CN116912261B true CN116912261B (zh) | 2023-12-08 |
Family
ID=88353561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311192279.3A Active CN116912261B (zh) | 2023-09-15 | 2023-09-15 | 一种塑料模具注塑表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912261B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977333B (zh) * | 2023-09-22 | 2023-12-22 | 山东恒海钢结构有限公司 | 基于图像数据的装配式钢结构构件质量检测方法 |
CN117372435B (zh) * | 2023-12-08 | 2024-02-06 | 智联信通科技股份有限公司 | 基于图像特征的连接器针脚检测方法 |
CN117611583B (zh) * | 2024-01-22 | 2024-04-19 | 张家港飞腾复合新材料股份有限公司 | 基于人工智能的铝复合板缺陷检测方法及系统 |
CN117689655B (zh) * | 2024-01-31 | 2024-04-19 | 东莞市恒兴隆实业有限公司 | 基于计算机视觉的金属钮扣表面缺陷检测方法 |
CN118196094B (zh) * | 2024-05-17 | 2024-08-09 | 陕西福坤顺科技有限公司 | 一种三轴转台缺陷视觉检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及系统 |
CN115082419A (zh) * | 2022-07-14 | 2022-09-20 | 江苏诺阳家居科技有限公司 | 一种吹塑箱包生产缺陷检测方法 |
CN115311301A (zh) * | 2022-10-12 | 2022-11-08 | 江苏银生新能源科技有限公司 | 一种pcb板焊点缺陷检测方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
-
2023
- 2023-09-15 CN CN202311192279.3A patent/CN116912261B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及系统 |
CN115082419A (zh) * | 2022-07-14 | 2022-09-20 | 江苏诺阳家居科技有限公司 | 一种吹塑箱包生产缺陷检测方法 |
CN115311301A (zh) * | 2022-10-12 | 2022-11-08 | 江苏银生新能源科技有限公司 | 一种pcb板焊点缺陷检测方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116912261A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN115311270B (zh) | 一种塑料制品表面缺陷检测方法 | |
CN116363133A (zh) | 基于机器视觉的照明器配件缺陷检测方法 | |
CN115953409B (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN116934763B (zh) | 一种基于视觉特征的医用橡胶胶塞缺陷检测方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN115222735B (zh) | 一种基于麻点缺陷的金属模具质量检测方法 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
CN117764986A (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN117611563B (zh) | 一种基于图像处理的塑胶模具生产缺陷检测方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN118225803B (zh) | 一种推土机刀片表面外观视觉检测方法 | |
CN116310845A (zh) | 一种用于污水处理的智能监测系统 | |
CN117745715B (zh) | 基于人工智能的大口径望远镜镜片缺陷检测方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN117388263B (zh) | 用于充电枪的五金端子质量检测方法 | |
CN117437238A (zh) | 一种封装ic表面缺陷视觉检测方法 | |
CN115254674B (zh) | 一种轴承缺陷分选方法 | |
CN115272737A (zh) | 一种橡胶圈流痕识别方法 | |
CN116703930B (zh) | 一种汽车后视镜模具成型检测方法 | |
CN118314133B (zh) | 基于机器视觉的智能终端机缺陷快速检测方法 | |
CN116958134B (zh) | 基于图像处理的塑料膜挤出质量评估方法 |
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 |