CN116934740A - 基于图像处理的塑料模具表面缺陷分析检测方法 - Google Patents
基于图像处理的塑料模具表面缺陷分析检测方法 Download PDFInfo
- Publication number
- CN116934740A CN116934740A CN202311159959.5A CN202311159959A CN116934740A CN 116934740 A CN116934740 A CN 116934740A CN 202311159959 A CN202311159959 A CN 202311159959A CN 116934740 A CN116934740 A CN 116934740A
- Authority
- CN
- China
- Prior art keywords
- mold
- edge
- gray
- abnormal
- die
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 167
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 199
- 230000000875 corresponding effect Effects 0.000 claims description 182
- 238000000034 method Methods 0.000 claims description 45
- 239000006185 dispersion Substances 0.000 claims description 19
- 230000002596 correlated effect Effects 0.000 claims description 17
- 108091026890 Coding region Proteins 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 239000007769 metal material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003672 processing method Methods 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
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像边缘检测技术领域,具体涉及基于图像处理的塑料模具表面缺陷分析检测方法,该方法首先获取塑料模具的表面灰度图像对应的模具连接边缘,根据模具连接边缘上像素点的局部灰度分布差异得到邻域异常值,根据邻域异常值得到异常模具连接点;根据异常模具连接点邻域内像素点的灰度偏差程度以及灰度分布情况,得到对应的模具异常区域,根据模具异常区域的形状特征结合其中各个像素点的灰度值,得到其中各个像素点的缺陷置信度,最后结合缺陷置信度得到真实模具缺陷区域,并进行塑料模具缺陷分析检测。本发明通过缺陷置信度得到的真实模具缺陷区域,对塑料模具表面缺陷分析检测的准确度更高。
Description
技术领域
本发明涉及图像边缘检测技术领域,具体涉及基于图像处理的塑料模具表面缺陷分析检测方法。
背景技术
塑料模具是专门用于生产塑料产品的模具,通常由铁、铝、铜等合金制成,对应的导热性较好。而塑料模具在使用过程中,由于高压和高温等因素影响,对应的塑料模具表面可能会产生各种缺陷,例如磨损、腐蚀和起坑等,并且塑料模具的质量能够决定生产出塑料产品的质量,所以塑料模具表面的缺陷不仅会影响到塑料模具的使用寿命,还会降低其生产出的塑料产品的质量,因此需要定期对塑料模具表面进行缺陷检测,并对检测出的缺陷进行及时处理。
由于人工检测塑料模具表面缺陷的方法效率较低且准确度不足,所以现有技术通常基于图像处理技术通过边缘检测算法以及模板匹配等传统缺陷检测方法,对塑料模具表面进行缺陷检测。传统的缺陷检测方法只在同一种金属上进行缺陷检测时对应的检测效果较好,而塑料模具由于不同的零件对应的金属材质不同,且存在非常多的零件拼接位置,导致采用现有技术中的缺陷检测方法难以判断零件拼接处的缺陷,即现有技术对塑料模具的零件拼接处进行缺陷分析检测的准确度较低。
发明内容
为了解决现有技术对塑料模具的零件拼接处进行缺陷分析检测的准确度较低的技术问题,本发明的目的在于提供一种基于图像处理的塑料模具表面缺陷分析检测方法,所采用的技术方案具体如下:
本发明提出了基于图像处理的塑料模具表面缺陷分析检测方法,所述方法包括:
获取塑料模具的表面灰度图像对应的模具连接边缘;
根据模具连接边缘上邻接的模具连接像素点之间的局部灰度分布差异,得到每个模具连接像素点对应的邻域异常值;根据每个模具连接像素点对应的邻域异常值的数值大小,得到异常模具连接点;
根据异常模具连接点的邻域内各个像素点的灰度偏差程度,得到每个异常模具连接点对应的模具灰度突变点;以每个模具灰度突变点为起始点进行边界追踪,得到每个异常模具连接点对应的模具异常区域;根据模具异常区域的形状特征得到对应的边缘规则度;根据模具异常区域内各个像素点的灰度值分布特征,以及所述边缘规则度,得到模具异常区域内各个像素点的缺陷置信度;
根据模具连接像素点的邻域异常值选取种子点,并根据模具异常区域内各个像素点的缺陷置信度进行区域生长,得到塑料模具的表面灰度图像中的真实模具缺陷区域。
进一步地,所述模具连接边缘的获取方法包括:
获取塑料模具的表面灰度图像对应的模具骨架边缘图像,根据模具骨架边缘图像中边缘像素点的分布规律得到模具连接边缘。
进一步地,所述根据模具骨架边缘图像中边缘像素点的分布规律得到模具连接边缘包括:
所述模具连接边缘包括第一模具连接边缘和第二模具连接边缘;
对所述骨架边缘图像进行霍夫直线检测,将霍夫直线检测到的直线边缘中长度大于预设长度阈值的直线边缘,作为第一模具连接边缘;
将第一连接边缘外的其他边缘作为非直线边缘;任选一个非直线边缘作为目标非直线边缘;在目标非直线边缘中任选一个像素点作为起点并通过链码法进行编码,得到目标非直线边缘对应的链码编码序列;当所述链码编码序列中存在局部链码组连续出现的次数大于预设规律阈值时,将目标非直线边缘作为第二模具连接边缘,所述局部链码组中的链码编码数量至少为两个且对应的链码编码在链码编码序列中连续分布。
进一步地,所述邻域异常值的获取方法包括:
对于任意一个模具连接边缘:
将模具连接边缘上任意一个端点作为起点,以边缘延伸方向为顺序根据模具连接像素点构建模具连接像素点序列;在模具连接像素点序列中,将第一个模具连接像素点对应的邻域异常值设置为0;
除第一个模具连接像素点外,任选一个模具连接像素点作为目标模具连接像素点;以目标模具连接像素点为中心构建预设邻域窗口,通过模具连接边缘上目标模具连接像素点对应的切线所在的直线,将预设邻域窗口划分为两个划分区域;
计算每个划分区域对应的灰度值均值和对应的灰度离散度,根据所述灰度值均值和所述灰度离散度,得到每个划分区域对应的灰度分布特征值,所述灰度分布特征值与所述灰度值均值呈正比,所述灰度分布特征值与所述灰度离散度呈反比;将目标模具连接像素点对应的两个划分区域之间的灰度分布特征值的差异,作为目标模具连接像素点对应的划分特征值;
在模具连接像素点序列中,将目标模具连接像素点与前一个模具连接像素点之间的划分特征值的差异的归一化值,作为目标模具连接像素点对应的邻域异常值。
进一步地,所述模具灰度突变点的获取方法包括:
对于任意一个异常模具连接点:
在模具连接像素点序列中,将异常模具连接点的预设邻域窗口和前一个模具连接像素点预设邻域窗口组成的区域,作为异常模具连接点的参考邻域;将参考邻域内所有像素点的灰度值均值作为灰度标准值;在参考邻域内,将对应的灰度值与灰度标准值之间的差异最大的像素点,作为模具灰度突变点。
进一步地,所述边缘规则度的获取方法包括:
对于任意一个模具异常区域:
将模具异常区域面积与对应的最小外接矩形的面积之间的比值,作为模具异常区域对应的矩形规则度;计算模具异常区域对应的圆形度,将所述圆形度作为模具异常区域对应的圆形规则度;根据所述矩形规则度和所述圆形规则度得到模具异常区域对应的边缘规则度,所述矩形规则度和所述圆形规则度均与所述边缘规则度呈正相关。
进一步地,所述缺陷置信度的获取方法包括:
任选一个模具异常区域作为目标模具异常区域,将目标模具异常区域中的像素点作为参考像素点;将目标模具异常区域对应的模具灰度突变点所对应的参考邻域内的灰度标准值,作为目标灰度标准值;将目标模具异常区域中所有像素点的灰度值均值,作为异常灰度标准值;
将每个参考像素点的灰度值与所述目标灰度标准值之间的差异,作为每个参考像素点的参考灰度差异;将所述异常灰度标准值与所述目标灰度标准值之间的差异,作为所有参考像素点的整体灰度差异;根据所述参考灰度差异和所述整体灰度差异,得到每个参考像素点的相对缺陷权重,所述参考灰度差异与所述相对缺陷权重呈正相关,所述整体灰度差异与所述相对缺陷权重呈负相关;
将目标模具异常区域的边缘规则度,作为目标边缘规则度;根据每个参考像素点的相对缺陷权重和所述目标边缘规则度,得到每个参考像素点的缺陷置信度,所述相对缺陷权重与所述缺陷置信度呈正相关,所述目标边缘规则度与所述缺陷置信度呈负相关。
进一步地,所述真实模具缺陷区域的获取方法包括:
将邻域异常值大于或等于预设第二异常阈值的模具连接像素点作为模具缺陷像素点;将存在模具缺陷像素点对应的模具连接边缘,作为模具连接缺陷边缘;
对于任意一个模具连接缺陷边缘:
在模具连接缺陷边缘上至多选取预设数量个模具缺陷像素点作为种子点,将与种子点相邻且缺陷置信度大于预设生长阈值的像素点作为新的种子点进行区域生长,得到每个模具连接缺陷边缘对应的真实模具缺陷区域。
进一步地,所述异常模具连接点的获取方法包括:
将大于预设第一异常阈值的邻域异常值对应的模具连接像素点,作为异常模具连接点。
进一步地,所述灰度离散度为划分区域对应的灰度值标准差与灰度值均值之间的比值。
本发明具有如下有益效果:
考虑到塑料模具上的零件拼接处通常会存在一定的规律,本发明根据模具骨架边缘图像中边缘像素点的分布规律,得到准确的模具连接边缘。进一步地为了减少由于模具连接边缘两侧模具零件对应金属材质的不同的情况对缺陷检测的影响,本发明根据模具连接像素点对应的邻域内的灰度变化情况,通过局部灰度分布差异得到每个模具连接像素点对应的邻域异常值,进一步通过邻域异常值准确的判断出后续可能存在缺陷的模具异常区域,有效地减少了模具零件拼接处对缺陷检测的影响。进一步地考虑到部分合理异常区域可能被划分为模具异常区域,本发明根据塑料模具中部分零件区域也即合理异常区域的形状特征,并结合各个模具异常区域中的灰度值,得到模具异常区域中各个像素点的缺陷置信度,最后根据缺陷置信度的分布情况进行分析,得到真实模具缺陷区域,从而有效地减少了零件拼接位置以及模具中不同种类的金属对模具表面缺陷检测的影响,提高了对塑料模具的零件拼接处进行缺陷分析检测的准确度。综上所述,本发明通过缺陷置信度得到的真实模具缺陷区域,对塑料模具表面缺陷分析检测的准确度更高。
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基于图像处理的塑料模具表面缺陷分析检测方法流程图。
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基于图像处理的塑料模具表面缺陷分析检测方法,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基于图像处理的塑料模具表面缺陷分析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基于图像处理的塑料模具表面缺陷分析检测方法流程图,该方法包括:
步骤S1:获取塑料模具的表面灰度图像对应的模具连接边缘。
本发明旨在提供一种基于图像处理的塑料模具表面缺陷分析检测方法,用于根据塑料模具的塑料模具的表面灰度图像通过图像处理的方法进行分析,得到塑料模具的表面灰度图像中的真实模具缺陷区域,并根据真实模具缺陷区域进行塑料模具表面缺陷分析检测。因此首先需要获取本发明实施例对应的图像处理对象。
本发明实施例首先获取塑料模具的表面灰度图像。具体地:通过图像采集设备对待测的塑料模具表面进行图像采集,得到塑料模具的模具表面初始图像。在本发明实施例中,图像采集设备选择CCD相机,在其他实施例中实施者可选择其他图像采集设备。
考虑到外界环境以及图像采集设备内部参数的影响,所采集到的模具表面初始图像中可能存在噪声,为了使得后续的缺陷检测过程更加准确,本发明实施例将模具表面初始图像灰度化后,通过滤波去噪方法进行去噪预处理,并对去噪预处理后的图像通过自适应灰度离散度增强算法进行图像增强,得到本发明实施例所需要的塑料模具的表面灰度图像。在本发明实施例中,滤波去噪方法选用中值滤波算法。
由于塑料模具通常是由较多的零件拼接而成,而不同的零件对应的金属材质可能不同,并且不同金属的物理性质不同会导致对应的缺陷表现形式和表现特征不同,从而使得对塑料模具的零件拼接处进行缺陷检测的难度较大。所以本发明实施例需要分析塑料模具的零件拼接处的缺陷特征。而在分析塑料模具的零件拼接处前,首先需要确定塑料模具中零件拼接处的位置,因此本发明实施例获取塑料模具的表面灰度图像对应的模具连接边缘。
优选地,模具连接边缘的获取方法包括:
获取塑料模具的表面灰度图像对应的模具骨架边缘图像。由于塑料模具表面拼接处的像素点的灰度值相较于其他区域对应的灰度值较小,本发明实施例根据塑料模具的表面灰度图像的灰度差异分布情况,得到对应的模具骨架边缘图像。在本发明实施例中对塑料模具的表面灰度图像通过Canny算子检测到的边缘通过Zhang-suen边缘细化算法,得到塑料模具的表面灰度图像对应的模具骨架边缘图像。需要说明的是,Canny算子以及Zhang-suen边缘细化算法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
考虑到塑料模具中各个组成零件之间并不是随意拼凑的,通常具有一定的规律,本发明实施例根据模具骨架边缘图像中边缘像素点的分布规律,得到模具连接边缘。
优选地,根据模具骨架边缘图像中边缘像素点的分布规律得到模具连接边缘包括:
模具连接边缘包括第一模具连接边缘和第二模具连接边缘;对骨架边缘图像进行霍夫直线检测,将霍夫直线检测到的直线边缘中长度大于预设长度阈值的直线边缘,作为第一模具连接边缘;将第一连接边缘外的其他边缘作为非直线边缘。对于塑料模具而言,由于直线连接边缘位于两个模具零件区域之间,因此对应的直线连接边缘通常较长,所以为了避免长度较短的直线边缘对获取模具连接边缘的影响,本发明实施例将长度大于预设长度阈值的直线边缘,作为第一模具连接边缘。在本发明实施例中,预设长度阈值设置为25,实施者可根据具体实施环境自行调整。需要说明的是,由于模具骨架边缘图像中的边缘为细化边缘,因此实施者可将直线边缘中的边缘像素点数量作为直线边缘的长度,在此不做进一步赘述。
考虑到只有部分特殊形状的模具部分会以曲线形式拼接,但是即使为曲线形式拼接,其拼接的边缘也通常具有一定的规律性。因此本发明实施例对直线形式拼接和曲线形式拼接进行分别分析,也即第一模具连接边缘为直线形式拼接对应的边缘,而第二模具连接边缘为曲线形式拼接对应的边缘。需要说明的是,霍夫直线检测为本领技术人员所熟知的现有技术,在此不做进一步限定和赘述。
任选一个非直线边缘作为目标非直线边缘;在目标非直线边缘中任选一个像素点作为起点并通过链码法进行编码,得到目标非直线边缘对应的链码编码序列;当链码编码序列中存在局部链码组连续出现的次数大于预设规律阈值时,将目标非直线边缘作为第二模具连接边缘,局部链码组中的链码编码数量至少为两个且对应的链码编码在链码编码序列中连续分布。在本发明实施例中,预设规律阈值设置为3,实施者可根据具体实施环境自行选择其他预设规律阈值,在此不做进一步赘述。
由于曲线形式拼接具有一定的规律性,而局部链码组能够体现边缘上像素点在局部边缘上的分布规律,因此当非直线边缘上连续出现一定次数相同的局部链码组时,可以认为该非直线边缘具有曲线拼接对应的规律性特征。例如若将每个像素点正上方的邻域像素编码设置为1,并按照顺时针方向依次将其他邻域编码设置为2-8;此时若存在局部链码组143在链码编码序列中连续出现4次,即对应的链码编码序列中出现143143143143的情况,也即该非直线边缘出现类似于锯齿波状的分布特征,说明该非直线边缘为曲线形式拼接对应的边缘,也即第二模具连接边缘。
在本发明实施例中,考虑到所检测到的模具连接边缘可能存在连续性较差的问题,为了方便后续分析,本发明实施例通过获取每个模具连接边缘对应的模具连接边缘端点,将模具连接边缘端点之间距离小于预设距离阈值的两个模具连接边缘合并,得到合并后的模具连接边缘,并且本发明实施例将预设距离阈值设置为2。需要说明的是,本发明实施例后续所采用的所有模具连接边缘均为合并后的模具连接边缘,后续不做进一步赘述。
步骤S2:根据模具连接边缘上邻接的模具连接像素点之间的局部灰度分布差异,得到每个模具连接像素点对应的邻域异常值;根据每个模具连接像素点对应的邻域异常值的数值大小,得到异常模具连接点。
至此,得到能够将不同模具零件隔开的模具连接边缘,由于不同模具零件对应的金属材料可能不同,导致同时对模具连接边缘两侧的模具零件进行缺陷检测时,对应的准确性较差。但是正常情况下,模具连接边缘上邻接的模具连接像素点之间的局部灰度值分布通常具有一定的相似性,而当模具连接边缘像素点对应的局部邻域内出现异常突变值时,该相似性会被影响,因此为了确定每个模具连接边缘像素点的局部邻域内是否存在异常区域,本发明实施例根据模具连接边缘上邻接的模具连接像素点之间的局部灰度分布差异,得到每个模具连接像素点对应的邻域异常值。对应的邻域异常值越大,说明该模具连接像素点对应的局部邻域内越可能出现异常区域。
优选地,邻域异常值的获取方法包括:
对于任意一个模具连接边缘:将模具连接边缘上任意一个端点作为起点,以边缘延伸方向为顺序根据模具连接像素点构建模具连接像素点序列。构建模具连接像素点序列的目的是限定模具连接像素点的顺序,使得每个模具连接像素点都能得到对应的邻域异常值。
在模具连接像素点序列中,将第一个模具连接像素点对应的邻域异常值设置为0。由于本发明实施例后续在对每个模具连接像素点进行分析时,均是在模具连接像素点序列中以每个模具连接像素点与前一个模具连接像素点之间的局部灰度分布差异得到的,而第一个模具连接像素点不存在前一个模具连接像素点,因此为了保证发明的完整性,将第一个模具连接像素点对应的邻域异常值设置为0。
除第一个模具连接像素点外,任选一个模具连接像素点作为目标模具连接像素点;以目标模具连接像素点为中心构建预设邻域窗口,通过模具连接边缘上目标模具连接像素点对应的切线所在的直线,将预设邻域窗口划分为两个划分区域。在本发明实施例中,预设邻域窗口的大小设置为25×25,实施者可根据具体实施环境自行调整预设邻域窗口的大小。由于模具连接边缘将不同模具零件隔开,因此通过目标模具连接像素点对应的切线所在的直线对预设邻域窗口进行划分时,所划分出的两个区域通常对应不同模具零件的区域。
计算每个划分区域对应的灰度值均值和对应的灰度离散度;根据灰度值均值和灰度离散度,得到每个划分区域对应的灰度分布特征值,灰度分布特征值与灰度值均值呈正比,灰度分布特征值与灰度离散度呈反比。将目标模具连接像素点对应的两个划分区域之间的灰度分布特征值的差异,作为目标模具连接像素点对应的划分特征值。
优选地,灰度离散度为划分区域对应的灰度值标准差与灰度值均值之间的比值。
灰度分布特征值能够表现对应的划分区域的纹理细节特征,也即模具连接边缘其中一侧模具零件对应的区域在目标模具连接像素点附近的表面纹理特征。考虑到当零件拼接位置处不存在缺陷时,在对应的模具连接像素点序列中的连续的模具连接像素点对应的两个划分区域之间通常具有相似的纹理特征差异,也即连续的模具连接像素点之间的划分特征值较为相似,当连续的两个模具连接像素点之间的划分特征值存在较大的差异,说明连续的两个模具连接像素点对应的局部邻域内可能存在异常区域。因此进一步地在模具连接像素点序列中,将目标模具连接像素点与前一个模具连接像素点之间的划分特征值的差异的归一化值,作为目标模具连接像素点对应的邻域异常值。邻域异常值即目标模具连接像素点对应的局部邻域范围内的异常程度,也即可进一步根据邻域异常值得到每个模具连接像素点对应的局部邻域范围内的异常区域。
在本发明实施例中,目标模具连接像素点的邻域异常值的获取方法在公式上表现为:
其中,为目标模具连接像素点的邻域异常值,/>为目标模具连接像素点对应的第一个划分区域的灰度值均值,/>为目标模具连接像素点对应的第一个划分区域的灰度离散度,/>为目标模具连接像素点对应的第二个划分区域的灰度值均值,/>目标模具连接像素点对应的第二个划分区域的灰度离散度;/>为目标模具连接像素点的前一个模具连接像素点对应的第一个划分区域的灰度值均值,/>为目标模具连接像素点的前一个模具连接像素点对应的第一个划分区域的灰度离散度,/>为目标模具连接像素点的前一个模具连接像素点对应的第二个划分区域的灰度值均值,/>为目标模具连接像素点的前一个模具连接像素点对应的第二个划分区域的灰度离散度。/>为以自然常数e为底的指数函数,/>为绝对值符号,/>为归一化函数。
为目标模具连接像素点对应的第一个划分区域的灰度分布特征值,/>为目标模具连接像素点对应的第二个划分区域的灰度分布特征值,为目标模具连接像素点的前一个模具连接像素点对应的第一个划分区域的灰度分布特征值,/>为目标模具连接像素点的前一个模具连接像素点对应的第二个划分区域的灰度分布特征值,/>为目标模具连接像素点对应的划分特征值,/>为目标模具连接像素点的前一个模具连接像素点对应的划分特征值。需要说明的是,此处的前一个模具连接像素点为模具连接像素点序列中目标模具连接像素点的前一个模具连接像素点。进一步需要说明的是,本发明实施例中所有的归一化函数均采用线性归一化,实施者可根据具体实施环境自行调整归一化方法,且线性归一化为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。此外需要说明的是,实施者也可通过其他方法根据灰度值均值和灰度离散度得到灰度分布特征值,例如,将灰度离散度与用于防止分母为0的预设第一调节参数相加后得到对应的和值,将灰度值均值与该和值的比值作为灰度分布特征值,且本发明实施例将预设第一调节参数设置为0.01,实施者可根据具体实施环境自行调整预设第一调节参数的大小。
至此,得到每个模具连接像素点对应的邻域异常值。当邻域异常值较大时,说明对应模具连接像素点的局部邻域内某一区域的像素值发生了突变,也即可能存在对应的异常区域,因此为了进一步进行缺陷检测,需要对数值较大的邻域异常值进行分析。本发明实施例根据每个模具连接像素点对应的邻域异常值的数值大小,得到异常模具连接点。异常模具连接点即局部邻域内像素值发生了突变并且可能存在异常区域的模具连接像素点。
优选地,异常模具连接点的获取方法包括:
将大于预设第一异常阈值的邻域异常值对应的模具连接像素点,作为异常模具连接点。在本发明实施例中,由于邻域异常值为归一化后的值,因此将预设第一异常阈值设置为0.4,实施者可根据具体实施环境自行调整预设第一异常阈值的大小,在此不做进一步赘述。
步骤S3:根据异常模具连接点的邻域内各个像素点的灰度偏差程度,得到每个异常模具连接点对应的模具灰度突变点;以每个模具灰度突变点为起始点进行边界追踪,得到每个异常模具连接点对应的模具异常区域;根据模具异常区域的形状特征得到对应的边缘规则度;根据模具异常区域内各个像素点的灰度值分布特征,以及边缘规则度,得到模具异常区域内各个像素点的缺陷置信度。
至此,得到局部邻域内存在像素值发生了突变的异常模具连接点,也即异常模具连接点局部邻域内存在异常区域。考虑到像素值发生了突变的像素点通常为异常区域的像素点,因此本发明实施例根据异常模具连接点的邻域内各个像素点的灰度偏差程度,得到每个异常模具连接点对应的模具灰度突变点,模具灰度突变点即对应像素值发生了突变的像素点。
优选地,模具灰度突变点的获取方法包括:
对于任意一个异常模具连接点:在模具连接像素点序列中,将异常模具连接点的预设邻域窗口和前一个模具连接像素点预设邻域窗口组成的区域,作为异常模具连接点的参考邻域;将参考邻域内所有像素点的灰度值均值作为灰度标准值;在参考邻域内,将对应的灰度值与灰度标准值之间的差异最大的像素点,作为模具灰度突变点。考虑到对于模具表面而言,对应的灰度值通常相近,也即正常区域的像素点的灰度值与灰度标准值相差不大,因此对应的灰度值与灰度标准值之间的差异越大,对应的像素点越异常,也即越可能为模具灰度突变点。
考虑到异常区域的像素点对应的灰度值通常也是相近的,但与正常区域存在较大的差别,因此为了确定模具灰度突变点对应的异常区域,本发明实施例以每个模具灰度突变点为起始点进行边界追踪,得到每个异常模具连接点对应的模具异常区域。在本发明实施例中,以每个模具灰度突变点为起始点,根据相邻的像素点的灰度值通过八邻域的内边界跟踪算法以逆时针方向进行遍历,得到每个模具灰度突变点对应的模具异常区域。需要说明的是,八邻域的内边界跟踪算法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
至此,得到每个模具灰度突变点对应的模具异常区域,也即每个异常模具连接点对应的模具异常区域,但是上述所获取的模具异常区域仅考虑到灰度特征以及边缘特征,而塑料模具上也存在一些与缺陷区域相似的正常区域,例如螺丝对应的区域,表面结构区块对应的区域,本发明实施例将这些区域作为合理异常区域,由于这些合理异常区域均为塑料模具表面对应的结构,因此这些结构均为规则的图形区域,且通常为圆形或矩形。而零件拼接处的缺陷通常是由零件挤压或者磨损所形成的,对应的模具异常区域的形状并不规则。本发明实施例根据模具异常区域的形状特征得到对应的边缘规则度。对应的边缘规则度越大,说明模具异常区域的形状越规则,即越靠近矩形或圆形。
优选地,边缘规则度的获取方法包括:
对于任意一个模具异常区域:
将模具异常区域面积与对应的最小外接矩形的面积之间的比值,作为模具异常区域对应的矩形规则度。对于近乎于矩形的模具异常区域而言,其对应的最小外接矩形与其本身相差不大,因此对应的矩形规则度通常较大。且对应的模具异常区域越接近矩形,则模具异常区域的面积与对应的最小外接矩形的面积越相近,对应的矩形规则度越大。需要说明的是,模具异常区域面积即模具异常区域中的像素点数量,模具异常区域周长即模具异常区域对应的边界上的像素点数量,最小外接矩形的面积即最小外接矩形中的像素点数量。
计算模具异常区域对应的圆形度,将圆形度作为模具异常区域对应的圆形规则度。圆形度表征一个区域与理想圆形的接近程度,也即模具异常区域的圆形规则度越大,说明该模具异常区域越接近于圆形。并且现有技术中的圆形度为对应区域的面积乘上后除以周长的平方,且为本领域技术人员所熟知的技术手段。
由于矩形规则度和圆形规则度均能表征模具异常区域的形状规则程度。因此本发明实施例根据矩形规则度和圆形规则度得到模具异常区域对应的边缘规则度,矩形规则度和圆形规则度均与边缘规则度呈正相关。优选地,将矩形规则度和圆形规则度之间的均值,作为模具异常区域对应的边缘规则度。需要说明的是,实施者可也通过其他方法根据矩形规则度和圆形规则度得到边缘规则度,例如将矩形规则度和圆形规则度的乘积作为边缘规则度。
在本发明实施例中,任选一个模具异常区域作为第个模具异常区域,则第/>个模具异常区域的边缘规则度的获取方法在公式上表现为:
其中,为第/>个模具异常区域的边缘规则度,/>为第/>个模具异常区域的模具异常区域面积,/>为第/>个模具异常区域的模具异常区域周长,/>为第/>个模具异常区域的最小外接矩形的面积;/>为第/>个模具异常区域的圆形度,也即对应的圆形规则度;/>为第/>个模具异常区域的矩形规则度。
至此,得到每个模具异常区域对应的边缘规则度。考虑到模具异常区域是根据边缘特征得到的,对应的模具异常区域中可能存在对应的像素值较为正常的像素点,因此为了进一步得到每个像素点的缺陷程度,即缺陷置信度,本发明实施例根据模具异常区域内各个像素点的灰度值分布特征,以及边缘规则度,得到模具异常区域内各个像素点的缺陷置信度。
优选地,缺陷置信度的获取方法包括:
任选一个模具异常区域作为目标模具异常区域,将目标模具异常区域中的像素点作为参考像素点;将目标模具异常区域对应的模具灰度突变点所对应的参考邻域内的灰度标准值,作为目标灰度标准值;将目标模具异常区域中所有像素点的灰度值均值,作为异常灰度标准值;将每个参考像素点的灰度值与目标灰度标准值之间的差异,作为每个参考像素点的参考灰度差异。由于模具异常区域是通过边界追踪得到的,其中可能出现部分像素点的灰度值与对应参考邻域内的灰度标准值差异较小的像素点,也即与正常区域灰度值相近的像素点。对应的参考灰度差异越大,说明该参考像素点越偏离正常区域的灰度值,也即参考像素点的灰度异常程度越大,对应的缺陷置信度越大。
将异常灰度标准值与目标灰度标准值之间的差异,作为所有参考像素点的整体灰度差异;根据参考灰度差异和整体灰度差异,得到每个参考像素点的相对缺陷权重,参考灰度差异与相对缺陷权重呈正相关,整体灰度差异与相对缺陷权重呈负相关。整体灰度差异能够对参考灰度差异进行限定,使得不同的模具异常区域的参考灰度差异的标准不同。并且本发明实施例中的相对缺陷权重表征对应的像素点的缺陷异常程度,因此参考灰度差异与相对缺陷权重呈正相关,整体灰度差异与相对缺陷权重呈负相关。
由于模具异常区域的边缘规则度越大,说明该模具异常区域越可能为合理异常区域。因此本发明实施例将目标模具异常区域的边缘规则度,作为目标边缘规则度;根据每个参考像素点的相对缺陷权重和目标边缘规则度,得到每个参考像素点的缺陷置信度,相对缺陷权重与缺陷置信度呈正相关,目标边缘规则度与缺陷置信度呈负相关。
在本发明实施例中,在目标模具异常区域中任选一个参考像素点作为参考像素点,则目标模具异常区域中参考像素点/>的缺陷置信度的获取方法在公式上表现为:
其中,为目标模具异常区域中参考像素点/>的缺陷置信度,/>为目标模具异常区域中参考像素点/>的灰度值,/>为目标模具异常区域对应的目标灰度标准值,/>为目标模具异常区域对应的异常灰度标准值;/>为目标模具异常区域对应的边缘规则度,即目标边缘规则度;/>为归一化函数,/>为目标模具异常区域中参考像素点/>的参考灰度差异,/>为目标模具异常区域对应的整体灰度差异,/>为目标模具异常区域中参考像素点/>对应的相对缺陷权重;/>为预设第二调节参数,用于防止分母为0,本发明实施例将预设第二调节参数设置为0.01,实施者可根据具体实施环境自行设定预设第二调节参数的大小。需要说明的是,实施者也可通过本发明实施例外的其他方法根据相对缺陷权重和和目标边缘规则度得到缺陷置信度,例如将相对缺陷权重和目标边缘规则度的比值作为缺陷置信度,在此不做进一步赘述。
步骤S4:根据模具连接像素点的邻域异常值选取种子点,并根据模具异常区域内各个像素点的缺陷置信度进行区域生长,得到塑料模具的表面灰度图像中的真实模具缺陷区域。
至此,得到模具异常区域中所有各个像素点的缺陷置信度,进一步可根据缺陷置信度得到塑料模具的表面灰度图像中的真实模具缺陷区域。但是为了保证真实模具缺陷区域能够更加准确的覆盖模具零件交接处的缺陷,本发明实施例在模具连接边缘上根据模具连接像素点的邻域异常值选取种子点,并根据模具异常区域内各个像素点的缺陷置信度进行区域生长,得到塑料模具的表面灰度图像中的真实模具缺陷区域。通过在模具连接边缘上选取种子点能够使得真实模具缺陷区域更加贴合零件交接处的缺陷,根据各个像素点的缺陷置信度进行区域生长,能够使得得到真实模具缺陷区域表征的模具缺陷更加准确。需要说明的是,区域生长为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
优选地,真实模具缺陷区域的获取方法包括:
将邻域异常值大于或等于预设第二异常阈值的模具连接像素点作为模具缺陷像素点;将存在模具缺陷像素点对应的模具连接边缘,作为模具连接缺陷边缘。在本发明实施例中,预设第二异常阈值设置为0.6,实施者可根据具体实施环境自行设置预设第二异常阈值的大小。
对于任意一个模具连接缺陷边缘:在模具连接缺陷边缘上至多选取预设数量个模具缺陷像素点作为种子点,将与种子点相邻且缺陷置信度大于预设生长阈值的像素点作为新的种子点进行区域生长,得到每个模具连接缺陷边缘对应的真实模具缺陷区域。在本发明实施例中,考虑到缺陷置信度为归一化后的值,因此预设生长阈值设置为0.6,实施者可根据具体实施环境自行调整预设生长阈值的大小。进一步可得到所有像素点的缺陷置信度均大于预设生长阈值的真实模具缺陷区域。
综上所述,本发明首先获取塑料模具的表面灰度图像对应的模具连接边缘,根据模具连接边缘上像素点的局部灰度分布差异得到邻域异常值,根据邻域异常值得到异常模具连接点;根据异常模具连接点邻域内像素点的灰度偏差程度以及灰度分布情况,得到对应的模具异常区域,根据模具异常区域的形状特征结合其中各个像素点的灰度值,得到其中各个像素点的缺陷置信度,最后结合缺陷置信度得到真实模具缺陷区域,并进行塑料模具缺陷分析检测。本发明通过缺陷置信度得到的真实模具缺陷区域,对塑料模具表面缺陷分析检测的准确度更高。
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 (10)
1.基于图像处理的塑料模具表面缺陷分析检测方法,其特征在于,所述方法包括:
获取塑料模具的表面灰度图像对应的模具连接边缘;
根据模具连接边缘上邻接的模具连接像素点之间的局部灰度分布差异,得到每个模具连接像素点对应的邻域异常值;根据每个模具连接像素点对应的邻域异常值的数值大小,得到异常模具连接点;
根据异常模具连接点的邻域内各个像素点的灰度偏差程度,得到每个异常模具连接点对应的模具灰度突变点;以每个模具灰度突变点为起始点进行边界追踪,得到每个异常模具连接点对应的模具异常区域;根据模具异常区域的形状特征得到对应的边缘规则度;根据模具异常区域内各个像素点的灰度值分布特征,以及所述边缘规则度,得到模具异常区域内各个像素点的缺陷置信度;
根据模具连接像素点的邻域异常值选取种子点,并根据模具异常区域内各个像素点的缺陷置信度进行区域生长,得到塑料模具的表面灰度图像中的真实模具缺陷区域。
2.根据权利要求1所述的基于图像处理的塑料模具表面缺陷分析检测方法,其特征在于,所述模具连接边缘的获取方法包括:
获取塑料模具的表面灰度图像对应的模具骨架边缘图像,根据模具骨架边缘图像中边缘像素点的分布规律得到模具连接边缘。
3.根据权利要求2所述的基于图像处理的塑料模具表面缺陷分析检测方法,其特征在于,所述根据模具骨架边缘图像中边缘像素点的分布规律得到模具连接边缘包括:
所述模具连接边缘包括第一模具连接边缘和第二模具连接边缘;
对所述骨架边缘图像进行霍夫直线检测,将霍夫直线检测到的直线边缘中长度大于预设长度阈值的直线边缘,作为第一模具连接边缘;
将第一连接边缘外的其他边缘作为非直线边缘;任选一个非直线边缘作为目标非直线边缘;在目标非直线边缘中任选一个像素点作为起点并通过链码法进行编码,得到目标非直线边缘对应的链码编码序列;当所述链码编码序列中存在局部链码组连续出现的次数大于预设规律阈值时,将目标非直线边缘作为第二模具连接边缘,所述局部链码组中的链码编码数量至少为两个且对应的链码编码在链码编码序列中连续分布。
4.根据权利要求1所述的基于图像处理的塑料模具表面缺陷分析检测方法,其特征在于,所述邻域异常值的获取方法包括:
对于任意一个模具连接边缘:
将模具连接边缘上任意一个端点作为起点,以边缘延伸方向为顺序根据模具连接像素点构建模具连接像素点序列;在模具连接像素点序列中,将第一个模具连接像素点对应的邻域异常值设置为0;
除第一个模具连接像素点外,任选一个模具连接像素点作为目标模具连接像素点;以目标模具连接像素点为中心构建预设邻域窗口,通过模具连接边缘上目标模具连接像素点对应的切线所在的直线,将预设邻域窗口划分为两个划分区域;
计算每个划分区域对应的灰度值均值和对应的灰度离散度,根据所述灰度值均值和所述灰度离散度,得到每个划分区域对应的灰度分布特征值,所述灰度分布特征值与所述灰度值均值呈正比,所述灰度分布特征值与所述灰度离散度呈反比;将目标模具连接像素点对应的两个划分区域之间的灰度分布特征值的差异,作为目标模具连接像素点对应的划分特征值;
在模具连接像素点序列中,将目标模具连接像素点与前一个模具连接像素点之间的划分特征值的差异的归一化值,作为目标模具连接像素点对应的邻域异常值。
5.根据权利要求4所述的基于图像处理的塑料模具表面缺陷分析检测方法,其特征在于,所述模具灰度突变点的获取方法包括:
对于任意一个异常模具连接点:
在模具连接像素点序列中,将异常模具连接点的预设邻域窗口和前一个模具连接像素点预设邻域窗口组成的区域,作为异常模具连接点的参考邻域;将参考邻域内所有像素点的灰度值均值作为灰度标准值;在参考邻域内,将对应的灰度值与灰度标准值之间的差异最大的像素点,作为模具灰度突变点。
6.根据权利要求1所述的基于图像处理的塑料模具表面缺陷分析检测方法,其特征在于,所述边缘规则度的获取方法包括:
对于任意一个模具异常区域:
将模具异常区域面积与对应的最小外接矩形的面积之间的比值,作为模具异常区域对应的矩形规则度;计算模具异常区域对应的圆形度,将所述圆形度作为模具异常区域对应的圆形规则度;根据所述矩形规则度和所述圆形规则度得到模具异常区域对应的边缘规则度,所述矩形规则度和所述圆形规则度均与所述边缘规则度呈正相关。
7.根据权利要求5所述的基于图像处理的塑料模具表面缺陷分析检测方法,其特征在于,所述缺陷置信度的获取方法包括:
任选一个模具异常区域作为目标模具异常区域,将目标模具异常区域中的像素点作为参考像素点;将目标模具异常区域对应的模具灰度突变点所对应的参考邻域内的灰度标准值,作为目标灰度标准值;将目标模具异常区域中所有像素点的灰度值均值,作为异常灰度标准值;
将每个参考像素点的灰度值与所述目标灰度标准值之间的差异,作为每个参考像素点的参考灰度差异;将所述异常灰度标准值与所述目标灰度标准值之间的差异,作为所有参考像素点的整体灰度差异;根据所述参考灰度差异和所述整体灰度差异,得到每个参考像素点的相对缺陷权重,所述参考灰度差异与所述相对缺陷权重呈正相关,所述整体灰度差异与所述相对缺陷权重呈负相关;
将目标模具异常区域的边缘规则度,作为目标边缘规则度;根据每个参考像素点的相对缺陷权重和所述目标边缘规则度,得到每个参考像素点的缺陷置信度,所述相对缺陷权重与所述缺陷置信度呈正相关,所述目标边缘规则度与所述缺陷置信度呈负相关。
8.根据权利要求1所述的基于图像处理的塑料模具表面缺陷分析检测方法,其特征在于,所述真实模具缺陷区域的获取方法包括:
将邻域异常值大于或等于预设第二异常阈值的模具连接像素点作为模具缺陷像素点;将存在模具缺陷像素点对应的模具连接边缘,作为模具连接缺陷边缘;
对于任意一个模具连接缺陷边缘:
在模具连接缺陷边缘上至多选取预设数量个模具缺陷像素点作为种子点,将与种子点相邻且缺陷置信度大于预设生长阈值的像素点作为新的种子点进行区域生长,得到每个模具连接缺陷边缘对应的真实模具缺陷区域。
9.根据权利要求1所述的基于图像处理的塑料模具表面缺陷分析检测方法,其特征在于,所述异常模具连接点的获取方法包括:
将大于预设第一异常阈值的邻域异常值对应的模具连接像素点,作为异常模具连接点。
10.根据权利要求4所述的基于图像处理的塑料模具表面缺陷分析检测方法,其特征在于,所述灰度离散度为划分区域对应的灰度值标准差与灰度值均值之间的比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311159959.5A CN116934740B (zh) | 2023-09-11 | 2023-09-11 | 基于图像处理的塑料模具表面缺陷分析检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311159959.5A CN116934740B (zh) | 2023-09-11 | 2023-09-11 | 基于图像处理的塑料模具表面缺陷分析检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934740A true CN116934740A (zh) | 2023-10-24 |
CN116934740B CN116934740B (zh) | 2023-12-08 |
Family
ID=88386230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311159959.5A Active CN116934740B (zh) | 2023-09-11 | 2023-09-11 | 基于图像处理的塑料模具表面缺陷分析检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934740B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437600A (zh) * | 2023-12-20 | 2024-01-23 | 山东海纳智能装备科技股份有限公司 | 基于图像识别技术的煤流监测系统 |
CN117495850A (zh) * | 2023-12-29 | 2024-02-02 | 中国科学院空天信息创新研究院 | 图像异常点检测方法、装置和设备 |
CN117593300A (zh) * | 2024-01-18 | 2024-02-23 | 江西汉永新材料股份有限公司 | 一种pe管材裂纹缺陷检测方法及系统 |
CN117611563A (zh) * | 2023-12-04 | 2024-02-27 | 东莞市隆亨钧精密制造有限公司 | 一种基于图像处理的塑胶模具生产缺陷检测方法 |
CN117808806A (zh) * | 2024-02-29 | 2024-04-02 | 德睦熙睿生物科技(天津)有限公司 | 基于图像特征分析的饲料生产质量精细化检测方法 |
CN117974656A (zh) * | 2024-03-29 | 2024-05-03 | 深圳市众翔奕精密科技有限公司 | 基于电子辅料加工下的材料切片方法及系统 |
CN118071753A (zh) * | 2024-04-24 | 2024-05-24 | 森骏卓越精密智造(深圳)有限公司 | 一种注塑模具表面缺陷视觉检测方法 |
CN118134921A (zh) * | 2024-05-07 | 2024-06-04 | 太仓瑞鼎精密机械科技有限公司 | 一种铰刀断裂缺陷实时检测方法及系统 |
CN118196080A (zh) * | 2024-05-13 | 2024-06-14 | 宝鸡拓普达钛业有限公司 | 一种用于钛合金产品的缺陷智能识别方法及系统 |
CN118134921B (zh) * | 2024-05-07 | 2024-08-30 | 太仓瑞鼎精密机械科技有限公司 | 一种铰刀断裂缺陷实时检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130216118A1 (en) * | 2010-11-05 | 2013-08-22 | Peter Keith Rogan | Centromere Detector and Method for Determining Radiation Exposure From Chromosome Abnormalities |
CN104021574A (zh) * | 2014-07-04 | 2014-09-03 | 武汉武大卓越科技有限责任公司 | 路面病害自动识别方法 |
CN104180769A (zh) * | 2013-05-22 | 2014-12-03 | 康耐视公司 | 使用激光位移传感器进行有效表面测量的系统和方法 |
CN115049669A (zh) * | 2022-08-16 | 2022-09-13 | 如皋富美龙金属制品有限公司 | 金属缺陷识别方法 |
CN115439481A (zh) * | 2022-11-09 | 2022-12-06 | 青岛平电锅炉辅机有限公司 | 基于图像处理的除氧器焊接质量检测方法 |
-
2023
- 2023-09-11 CN CN202311159959.5A patent/CN116934740B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130216118A1 (en) * | 2010-11-05 | 2013-08-22 | Peter Keith Rogan | Centromere Detector and Method for Determining Radiation Exposure From Chromosome Abnormalities |
CN104180769A (zh) * | 2013-05-22 | 2014-12-03 | 康耐视公司 | 使用激光位移传感器进行有效表面测量的系统和方法 |
US20170299380A1 (en) * | 2013-05-22 | 2017-10-19 | Cognex Corporation | System and method for efficient surface measurement using a laser displacement sensor |
CN104021574A (zh) * | 2014-07-04 | 2014-09-03 | 武汉武大卓越科技有限责任公司 | 路面病害自动识别方法 |
CN115049669A (zh) * | 2022-08-16 | 2022-09-13 | 如皋富美龙金属制品有限公司 | 金属缺陷识别方法 |
CN115439481A (zh) * | 2022-11-09 | 2022-12-06 | 青岛平电锅炉辅机有限公司 | 基于图像处理的除氧器焊接质量检测方法 |
Non-Patent Citations (2)
Title |
---|
ZHENGYING CAI ET.AL: "An Image Edge Detection Algorithm Based on an Artificial Plant Community", 《MDPI》, pages 1 - 24 * |
赵珈兿: "基于机器视觉的冲压件缺陷识别方法研究", 《中国优秀硕士学位论文全文数据库》, no. 15, pages 1 - 74 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611563B (zh) * | 2023-12-04 | 2024-05-10 | 东莞市隆亨钧精密制造有限公司 | 一种基于图像处理的塑胶模具生产缺陷检测方法 |
CN117611563A (zh) * | 2023-12-04 | 2024-02-27 | 东莞市隆亨钧精密制造有限公司 | 一种基于图像处理的塑胶模具生产缺陷检测方法 |
CN117437600B (zh) * | 2023-12-20 | 2024-03-26 | 山东海纳智能装备科技股份有限公司 | 基于图像识别技术的煤流监测系统 |
CN117437600A (zh) * | 2023-12-20 | 2024-01-23 | 山东海纳智能装备科技股份有限公司 | 基于图像识别技术的煤流监测系统 |
CN117495850A (zh) * | 2023-12-29 | 2024-02-02 | 中国科学院空天信息创新研究院 | 图像异常点检测方法、装置和设备 |
CN117495850B (zh) * | 2023-12-29 | 2024-03-19 | 中国科学院空天信息创新研究院 | 图像异常点检测方法、装置和设备 |
CN117593300A (zh) * | 2024-01-18 | 2024-02-23 | 江西汉永新材料股份有限公司 | 一种pe管材裂纹缺陷检测方法及系统 |
CN117593300B (zh) * | 2024-01-18 | 2024-04-26 | 江西汉永新材料股份有限公司 | 一种pe管材裂纹缺陷检测方法及系统 |
CN117808806A (zh) * | 2024-02-29 | 2024-04-02 | 德睦熙睿生物科技(天津)有限公司 | 基于图像特征分析的饲料生产质量精细化检测方法 |
CN117808806B (zh) * | 2024-02-29 | 2024-05-03 | 德睦熙睿生物科技(天津)有限公司 | 基于图像特征分析的饲料生产质量精细化检测方法 |
CN117974656A (zh) * | 2024-03-29 | 2024-05-03 | 深圳市众翔奕精密科技有限公司 | 基于电子辅料加工下的材料切片方法及系统 |
CN118071753A (zh) * | 2024-04-24 | 2024-05-24 | 森骏卓越精密智造(深圳)有限公司 | 一种注塑模具表面缺陷视觉检测方法 |
CN118071753B (zh) * | 2024-04-24 | 2024-07-05 | 森骏卓越精密智造(深圳)有限公司 | 一种注塑模具表面缺陷视觉检测方法 |
CN118134921A (zh) * | 2024-05-07 | 2024-06-04 | 太仓瑞鼎精密机械科技有限公司 | 一种铰刀断裂缺陷实时检测方法及系统 |
CN118134921B (zh) * | 2024-05-07 | 2024-08-30 | 太仓瑞鼎精密机械科技有限公司 | 一种铰刀断裂缺陷实时检测方法及系统 |
CN118196080A (zh) * | 2024-05-13 | 2024-06-14 | 宝鸡拓普达钛业有限公司 | 一种用于钛合金产品的缺陷智能识别方法及系统 |
CN118196080B (zh) * | 2024-05-13 | 2024-08-13 | 宝鸡拓普达钛业有限公司 | 一种用于钛合金产品的缺陷智能识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116934740B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
CN115841493B (zh) | 一种基于图像处理的电缆检测方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN116385439B (zh) | 基于图像处理的电机橡胶减震垫质量检测方法 | |
CN110458157B (zh) | 一种电力电缆生产过程智能监控系统 | |
Li et al. | Automatic saw-mark detection in multicrystalline solar wafer images | |
CN103543394A (zh) | 一种高压电气设备放电紫外成像量化参数提取方法 | |
CN114972326A (zh) | 热收缩管扩管工艺的次品识别方法 | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及系统 | |
CN117274722B (zh) | 基于红外图像的配电箱智能检测方法 | |
CN117351019A (zh) | 一种焊接缺陷检测方法 | |
CN115601368B (zh) | 一种建材装备钣金件缺陷检测方法 | |
CN116071363B (zh) | 一种自动化型钢智能生产监测系统 | |
CN115222735B (zh) | 一种基于麻点缺陷的金属模具质量检测方法 | |
CN116433668A (zh) | 一种智能液压油管漏油检测方法 | |
CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 | |
CN116188468A (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN116137036A (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN116630813A (zh) | 一种公路路面施工质量智能检测系统 | |
CN112329782A (zh) | 一种原料粒度确定方法、系统、终端及介质 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN112508913A (zh) | 基于图像检测的电缆截面边沿检测方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 |
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 |