CN116958126B - 基于计算机视觉的模具注塑检测方法及系统 - Google Patents
基于计算机视觉的模具注塑检测方法及系统 Download PDFInfo
- Publication number
- CN116958126B CN116958126B CN202311197107.5A CN202311197107A CN116958126B CN 116958126 B CN116958126 B CN 116958126B CN 202311197107 A CN202311197107 A CN 202311197107A CN 116958126 B CN116958126 B CN 116958126B
- Authority
- CN
- China
- Prior art keywords
- gray
- sampling
- pixel point
- points
- obtaining
- 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 description 56
- 238000001746 injection moulding Methods 0.000 title claims description 19
- 238000005070 sampling Methods 0.000 claims abstract description 196
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000007547 defect Effects 0.000 claims abstract description 18
- 238000002347 injection Methods 0.000 claims abstract description 16
- 239000007924 injection Substances 0.000 claims abstract description 16
- 230000000903 blocking effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T7/40—Analysis of texture
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于计算机视觉的模具注塑检测方法及系统,包括:根据模具灰度图像中,利用LBP算法获得的若干个采样点与中心像素点之间的相互关系,以及若干个采样点的灰度参数所形成拟合曲线的变化特征,获得采样倾向点以及对应的权重,根据权重的大小选取若干个采样倾向点,利用采样倾向点的灰度结合LBP算法获得改进后的LBP编码。本发明通过对LBP算法获得的多个采样点中获取若干个采样倾向点,可以更好的描述模具灰度图像中局部区域的纹理特征,提高LBP编码对纹理特征的表达效果,提高了LBP算法的特征描述效果,并提高了注塑模具的缺陷检测准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于计算机视觉的模具注塑检测方法及系统。
背景技术
模具注塑是现代工业制造的一种普遍方法,通过一系列手段生产出各种尺寸及形状的产品。但在模具注塑的过程中,会出现一些缺陷,如气泡,此缺陷可能会使产品强度下降并破坏光滑度等。由于圆形LBP算法对气泡提取效果较好,通常利用圆形LBP来对气泡类型的缺陷进行特征提取,达到识别气泡缺陷的目的。
常规LBP算子仅覆盖一个小范围,不能够满足大尺度的纹理需求,使用圆形LBP算子生成覆盖区域内LBP码的过程中,对于采样点的选取一般使用均匀采样的方法,使得生成的LBP编码不能准确地表示局部区域的纹理特征,导致对注塑模具是否存在气泡缺陷的检测结果产生影响。
本发明提出了一种基于计算机视觉的模具注塑检测方法及系统,通过对模具灰度图像进行分析,改进LBP算法,并使用改进后的圆形LBP算子进行特征提取,以达到适应不同尺度纹理特征的需求。
发明内容
本发明提供基于计算机视觉的模具注塑检测方法及系统,以解决现有的问题。
本发明的基于计算机视觉的模具注塑检测方法及系统采用如下技术方案:
本发明提供了基于计算机视觉的模具注塑检测方法及系统,该系统包括以下模块:
采集模具灰度图像;
对模具灰度图像进行分块处理获得若干第二块区域以及第二块区域中的所有采样点,根据采样点的灰度参数获得灰度参数序列;
将第二块区域中位于中心位置的像素点记为中心像素点;根据灰度参数序列获得第一特殊灰度值和第二特殊灰度值,将第一特殊灰度值和第二特殊灰度值所形成的区间,记为灰度区间;利用灰度区间结合采样点的灰度值,获得采样倾向点,根据采样倾向点的灰度值,以及采样倾向点与第二块区域的中心像素点之间的距离获得采样倾向点的权重;根据权重的大小选取若干个采样倾向点得到第二块区域中的采样倾向点,根据第二块区域中的采样倾向点获得第二块区域的LBP编码;
利用LBP编码实现对模具灰度图像中缺陷的智能检测。
进一步的,所述对模具灰度图像进行分块处理获得若干第二块区域以及第二块区域中的所有采样点,根据采样点的灰度参数获得灰度参数序列,包括的具体步骤如下:
对模具灰度图像进行分块处理,获得若干个块区域,根据块区域内所有像素点的灰度值,获得块区域的灰度特征,根据灰度特征的大小获得第二块区域以及对应的邻域半径和邻域大小;
结合邻域半径和邻域大小获取第二块区域中若干个采样点,根据采样点与第二块区域的中心像素点获得采样点的距离参数,根据距离参数最值获得最大像素点和最小像素点;根据最大像素点和最小像素点,获得第一像素点和第二像素点;根据最大像素点、最小像素点、第一像素点以及第二像素点的灰度值,获得采样点的灰度参数,获得第二块区域中所有采样点的灰度参数形成的序列,记为灰度参数序列。
进一步的,所述对模具灰度图像进行分块处理,获得若干个块区域,根据块区域内所有像素点的灰度值,获得块区域的灰度特征,根据灰度特征的大小获得第二块区域以及对应的邻域半径和邻域大小,包括的具体步骤如下:
首先,对模具灰度图像进行分块处理,划分为大小为若干个大小的块区域;
然后,获取模具灰度图像中任意块区域的方差,获得若干个块区域对应的方差,并利用线性归一化方法,对所有方差进行归一化处理,将归一化后块区域的方差,记为块区域的灰度特征;
预设灰度特征阈值,将灰度特征小于灰度特征阈值的块区域记为第一块区域,将灰度特征值不小于灰度特征阈值的块区域记为第二块区域。
进一步的,所述结合邻域半径和邻域大小获取第二块区域中若干个采样点,根据采样点与第二块区域的中心像素点获得采样点的距离参数,根据距离参数最值获得最大像素点和最小像素点,包括的具体步骤如下:
获取第二块区域中通过LBP算法获取的若干个采样点,并将任意采样点与中心像素点之间连线所经过像素点中,所有像素点与中心像素点的欧式距离,记为采样点的距离参数;
获取距离参数最大和最小时对应的像素点,分别记为最大像素点和最小像素点。
进一步的,所述根据最大像素点和最小像素点,获得第一像素点和第二像素点,包括的具体步骤如下:
获得由最大像素点和最小像素点所形成的大小为的矩形区域中另外两个像素点,分别记为第一像素点和第二像素点。
进一步的,所述灰度参数序列,包括的具体步骤如下:
将第二块区域中采样点对应的最大像素点、最小像素点、第一像素点以及第二像素点的平均灰度值,记为采样点的灰度参数;
获得任意第二块区域中所有采样点的灰度参数,并以第二块区域的中心像素点的正上方的采样点为起始点,以逆时针为旋转方向,根据对应旋转方向上所有采样点的灰度参数的顺序,获得由第二块区域中所有采样点的灰度参数形成的序列,记为灰度参数序列。
进一步的,所述第一特殊灰度值和第二特殊灰度值获取方法如下:
利用最小二乘法对灰度参数序列进行曲线拟合,获取拟合曲线的导数中数值为0时对应的灰度值,记为特殊灰度值,获得拟合曲线中最小和最大的特殊灰度值,分别记为第一特殊灰度值和第二特殊灰度值。
进一步的,所述采样倾向点的权重获取方法如下:
首先,获取第二块区域中灰度值在灰度区间内的所有采样点,记为采样倾向点,获得若干个采样倾向点;
然后,根据采样倾向点的灰度以及采样倾向点与中心像素点之间的距离,获得任意第二块区域中采样倾向点的权重,具体获取方法为:
其中,表示第/>个采样倾向点的权重,/>表示第/>个采样倾向点与中心像素点之间的欧式距离;/>表示第/>个采样倾向点的灰度值。
进一步的,所述第二块区域的LBP编码获取方法如下:
根据预设选取数量并通过均匀采样的方法,获得若干个采样倾向点,并利用LBP算法,获得第二块区域的LBP编码。
进一步的,该系统包括以下模块:
图像准备模块:采集模具灰度图像;
LBP邻域模块:对模具灰度图像进行分块处理获得若干第二块区域以及第二块区域中的所有采样点,根据采样点的灰度参数获得灰度参数序列;
LBP改进模块:将第二块区域中位于中心位置的像素点记为中心像素点;根据灰度参数序列获得第一特殊灰度值和第二特殊灰度值,将第一特殊灰度值和第二特殊灰度值所形成的区间,记为灰度区间;利用灰度区间结合采样点的灰度值,获得采样倾向点,根据采样倾向点的灰度值,以及采样倾向点与第二块区域的中心像素点之间的距离获得采样倾向点的权重;根据权重的大小选取若干个采样倾向点得到第二块区域中的采样倾向点,根据第二块区域中的采样倾向点获得第二块区域的LBP编码;
图像检测模块:利用LBP编码实现对模具灰度图像中缺陷的智能检测。
本发明的技术方案的有益效果是:在对模具注塑后的产品进行缺陷检测的过程中,使用一般LBP算子进行特征提取,会因为其覆盖范围大小和形状的局限性,导致特征提取的不完整,细节纹理部分丢失,选取圆形LBP算子,并根据图像的基本信息确定出覆盖半径的大小,使得基本纹理信息得以保留,确定半径大小之后,根据局部的底层特征优化了圆形LBP算子的采样方法,使得根据此采样方法得到的LBP码包含细节纹理的权重,此纹理的产生是注塑中由于气泡产生了纹理,即气泡边缘,对特征的保留具有更优的效果,在特征提取的过程中更方便地对有无气泡进行判断。
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为本发明基于计算机视觉的模具注塑检测系统的模块流程图;
图2为本发明基于计算机视觉的模具注塑检测方法的步骤流程图;
图3为模具灰度图像。
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基于计算机视觉的模具注塑检测方法及系统,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基于计算机视觉的模具注塑检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于计算机视觉的模具注塑检测系统的模块流程图,该系统包括以下模块:
图像准备模块:利用工业相机采集注塑完成后模具的表面图像,并通过灰度化和直方图均衡化对采集的图像进行预处理,获得模具灰度图像;
LBP邻域模块:首先,对模具灰度图像进行分块处理,获得若干个块区域,根据块区域内所有像素点的灰度值的方差,则获得若干个块区域对应的方差,并利用线性归一化方法,对所有方差进行归一化处理,将归一化后块区域的方差,记为块区域的灰度特征将块区域;根据经验预设灰度特征阈值,将灰度特征小于灰度特征阈值的块区域记为第一块区域,将灰度特征值不小于灰度特征阈值的块区域记为第二块区域;然后,当灰度特征小于灰度特征阈值时,规定第一块区域内LBP算法的邻域半径和领域大小;同时,当灰度特征值不小于灰度特征阈值时,另外规定第二块区域内LBP算法的邻域半径和领域大小;
LBP改进模块:首先,获取第二块区域中通过LBP算法获取的若干个采样点,并将任意采样点与中心像素点之间连线所经过像素点中,所有像素点与中心像素点的欧式距离,记为采样点的距离参数,则一个中心像素点对应若干个距离参数;则获取距离参数最大和最小时,分别对应的像素点,分别记为最大像素点和最小像素点;根据最大像素点和最小像素点之间的位置关系,获得由最大像素点和最小像素点所形成的大小为的矩形区域中另外两个像素点,分别记为第一像素点和第二像素点;将最大像素点、最小像素点、第一像素点以及第二像素点的平均灰度值,记为第二块区域中LBP算法获得的采样点的灰度参数;然后,其次,获得任意第二块区域中所有采样点的灰度参数,并以第二块区域的中心像素点的正上方的采样点为起始点,以逆时针为旋转方向,根据对应旋转方向上所有采样点的灰度参数的顺序,获得由第二块区域中所有采样点的灰度参数形成的序列,记为灰度参数序列;并利用最小二乘法对灰度参数序列进行曲线拟合,获取拟合曲线的导数中数值为0时对应的灰度值,记为特殊灰度值,获得拟合曲线中最小和最大的特殊灰度值,分别记为第一特殊灰度值和第二特殊灰度值;将由第一特殊灰度值和第二特殊灰度值形成的区间,记为灰度区间,获取第二块区域中灰度值在灰度区间内的所有采样点,记为采样倾向点,获得若干个采样倾向点;根据采样倾向点的灰度值,以及采样倾向点与中心像素点之间的欧式距离获得采样倾向点的权重;根据经验预设选取数量,将权重从大到小的顺序,将对应的采样倾向点进行排序,选取多个采样倾向点;为了便于后续利用八位数的LBP编码,通过均匀采样的方法选取若干个采样点作为采样倾向点,获得8个采样倾向点,并利用LBP算法,获得优化后的LBP编码。
图像检测模块:利用改进后LBP算法获得模具灰度图像的LBP特征,获取LBP特征的图像形式,记为LBP图像;并利用ResNet卷积神经网络对LBP图像进行检测,获得模具灰度图像对应LBP图像的智能检测结果。
请参阅图2,其示出了本发明一个实施例提供的基于计算机视觉的模具注塑检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集模具图像,并对模具图像进行预处理。
为了后续能够更准确提取模具中可能存在的气泡缺陷,本实施例需要对采集模具图像的模具图像进行灰度化和直方图均衡化处理,以增强图像的对比度,增强图像中模具表面的纹理信息;
利用工业相机采集注塑完成后的模具图像,并对模具图像进行灰度化和直方图均衡化处理,将处理后的模具图像记为模具灰度图像,如图3所示。
步骤S002,根据模具灰度图像中各局部区域的灰度分布,获得LBP算法的邻域半径和邻域大小。
对模具灰度图像进行分块处理,以对模具灰度图像进行局部区域分析,由于LBP算子半径内需要包含像素点的灰度值的变化信息,从而更好地描述局部区域的主要特征,因此根据不同局部区域的灰度变化规律确定LBP算法的邻域半径。
另外,在LBP算法的邻域半径内像素点存在灰度和距离特征,通常情况下LBP算法需要在邻域半径范围内进行均匀采样,并根据灰度值的大小输出二进制数组并转为十进制后作为LBP编码,因此为了反映邻域半径内局部区域的特征,根据邻域半径内像素点的灰度和距离特征,将LBP算法的均匀采样方式,改进为在不同权重下进行的采样,从而实现优化LBP算法的采样方法的目的,解决LBP算法由于均匀采样导致对重要细节纹理丢失的问题。
利用不同权重进行采样目的是获取采样倾向点,不同局部区域的采样倾向点不同,对提取的LBP特征进行不同程度的保留,保留程度越大在对应应的模具灰度图像中,越有可能存在气泡缺陷,从而达到优化LBP算法的采样方法的目的。
首先,对模具灰度图像机械能分块处理,划分为大小为若干个大小的块区域,每个区域内像素点灰度值分布方式不一致,分布规律越复杂,其包含的特征也就越多,所以此处使用每个块区域内灰度值的方差量化复杂程度,并根据复杂程度得到LBP算子半径;
需要说明的是,本实施例根据经验预设块区域的大小为,可根据具体应用情况进行调节,本实施例不作具体限定。
然后,获取模具灰度图像中任意块区域的方差,获得若干个块区域对应的方差,并利用线性归一化方法,对所有方差进行归一化处理,将归一化后块区域的方差,记为块区域的灰度特征;
最后,根据经验预设灰度特征阈值为0.5,将灰度特征小于灰度特征阈值的块区域记为第一块区域,将灰度特征值不小于灰度特征阈值的块区域记为第二块区域;
需要说明的是,灰度特征阈值可根据具体应用情况进行调节,本实施例不作具体限定。
当灰度特征小于灰度特征阈值时,反映对应块区域与模具灰度图像整体相较,灰度复杂程度低,即包含纹理特征的概率低,因此规定第一块区域内LBP算法的邻域半径,领域大小/>;
当灰度特征值不小于灰度特征阈值时,反映对应块区域与模具灰度图像整体相较,灰度复杂程度高,即包含纹理特征的概率高,因此规定第二块区域内LBP算法的邻域半径,领域大小为/>。
至此,将模具灰度图像划分后的块区域分为第一块区域和第二块区域,获得第一块区域和第二块区域对应的LBP算法的邻域半径和邻域大小。
步骤S003,根据邻域半径和邻域大小获得权重,并进一步获得采样倾向点根据采样倾向点获得改进后LBP算法,并利用改进后LBP算法对模具灰度图像进行特征提取,获得LBP特征。
由于第一块区域的纹理复杂程度低,含有气泡缺陷对应的纹理特征的可能性小,因此,本实施例后续对LBP算法的改进不考虑第一块区域;通过步骤S002将灰度复杂程度大,包含纹理特征信息多的块区域筛选出来,获得若干个第二块区域;另外,模具灰度图像的局部区域中含有灰度参数和距离参数,灰度参数反映在LBP算法的邻域半径范围内,局部区域的灰度分布特征是否符合气泡在注塑模具中的灰度分布方式;距离参数反映在LBP算法的邻域半径范围内像素点和中心像素点之间的距离,反映像素点与LBP算法的中心点之间的相似度;
结合灰度参数和距离参数,获得通过LBP算法获得的采样点的权重,对应权重数据越大,相应地采样倾向也高;
另外,模具灰度图像中气泡的灰度分布表现为四周暗,中间亮;则将气泡区域的背景、四周以及中间的灰度值均值分别记为背景灰度均值,四周灰度均值/>以及中间灰度均值/>,则必存在关系/>。
因此权重的具体获取方法为:
首先,获取第二块区域中通过LBP算法获取的若干个采样点,并将任意采样点与中心像素点之间连线所经过像素点中,所有像素点与中心像素点的欧式距离,记为采样点的距离参数,则一个中心像素点对应若干个距离参数,一个距离参数对应一个像素点;则获取距离参数最大和最小时,分别对应的像素点,分别记为最大像素点和最小像素点;根据最大像素点和最小像素点之间的位置关系,获得由最大像素点和最小像素点所形成的大小为的矩形区域中另外两个像素点,分别记为第一像素点和第二像素点;
需要说明的是,由于第二块区域的邻域半径2,因此最大像素点和最小像素点必然可以形成一个大小为的矩形区域;
需要说明的是,LBP算法获得的一个采样点对应一个最大像素点、一个最小像素点、一个第一像素点以及一个第二像素点;
然后,根据最大像素点、最小像素点、第一像素点以及第二像素点,获得任意第二块区域中LBP算法获得的采样点的灰度参数,具体获取方法为:
其中,表示LBP算法获得的第/>个采样点的灰度参数;/>表示LBP算法获得的第/>个采样点的最小像素点的灰度值;/>表示LBP算法获得的第/>个采样点的最大像素点的灰度值;/>表示LBP算法获得的第/>个采样点的第一像素点的灰度值;/>表示LBP算法获得的第/>个采样点的第二像素点的灰度值。
其次,获得任意第二块区域中所有采样点的灰度参数,并以第二块区域的中心像素点的正上方的采样点为起始点,以逆时针为旋转方向,根据对应旋转方向上所有采样点的灰度参数的顺序,获得由第二块区域中所有采样点的灰度参数形成的序列,记为灰度参数序列;并利用最小二乘法对灰度参数序列进行曲线拟合,获取拟合曲线的导数中数值为0时对应的灰度值,记为特殊灰度值,获得拟合曲线中最小和最大的特殊灰度值,分别记为第一特殊灰度值和第二特殊灰度值;
获取拟合曲线的目的是找到采样点的灰度参数的变化规律;
另外,第一特殊灰度值的意义为在拟合曲线中找到第一特殊灰度值和端点灰度值之间斜率的最大值,记为变化量最大值,反映模具灰度图像中任意第二块区域内的梯度最大值,而可以根据梯度最大值获得背景灰度均值,四周灰度均值/>以及中间灰度均值之间的边缘像素点,所获得的边缘像素点可反映到图像特征,将第二块区域的细节纹理特征量化并联系起来。
最后,将由第一特殊灰度值和第二特殊灰度值形成的区间,记为灰度区间,获取第二块区域中灰度值在灰度区间内的所有采样点,记为采样倾向点,获得若干个采样倾向点;
则根据采样倾向点的灰度以及采样倾向点与中心像素点之间的距离,获得任意第二块区域中采样倾向点的权重,具体获取方法为:
其中,表示第/>个采样倾向点的权重,/>表示第/>个采样倾向点与中心像素点之间的欧式距离;/>表示第/>个采样倾向点的灰度值;
第一特殊灰度值和第二特殊灰度值都反映了拟合曲线的变化情况,采样点到中心噪声点的距离越远,则采样点和中心像素点的相关性越低,则与权重成反比关系,而采样点的灰度值越大,越接近理想的采样点,那么其反映到权重中,也就与权重成正比关系。
权重越大,采样倾向点所含有纹理特征的可能性就越大,因此需要利用采样倾向点的权重,选取具有足够可能性的采样倾向点以描述第二块区域的纹理特征;
根据经验预设选取数量为5,将权重从大到小的顺序,将对应的采样倾向点进行排序,选取5个采样倾向点;
另外,为了便于后续利用八位数的LBP编码,在第二块区域中除去选取的5个采样倾向点,通过均匀采样的方法选取3个采样点作为采样倾向点,获得8个采样倾向点,并利用LBP算法,获得优化后的LBP编码。
需要说明的是,在本实施例中所述LBP编码也称为LBP特征;
通过采样倾向点增强了第二块区域的细节纹理特征,在第二块区域的16个采样点中,每个采样点都需要与中心像素点进行灰度值大小的比较,从而确定LBP码,但不是每个采样点和中心像素点进行比较的必要性都一致,存在部分采样点所对应的纹理信息较少,因此部分采样点与中心像素点进行比较的必要性低,因此采样倾向点和中心像素点比较后得到的LBP特征更加具有代表性,可以更好的描述第二块区域的细节纹理特征。
至此,获得优化后LBP算法,以及由优化后LBP算法获得的第二块区域的LBP编码。
步骤S004,利用LBP特征结合神经网络实现模具注塑智能检测。
步骤(1),利用改进后LBP算法获取大量的正常和存在缺陷的模具灰度图像的LBP特征,根据LBP特征的位数,将每个LBP值映射到对应的灰度级别上,例如:当LBP编码是8位二进制数,则可以将LBP值映射到0-255的灰度级别;将映射后的灰度级别应用于模具灰度图像中的每个像素,生成一个与模具灰度图像大小相同的LBP图像;
步骤(2),由模具注塑领域的专业人员结合模具灰度图像,将有气泡缺陷和无气泡缺陷作为模具灰度图像对应的LBP图像的人工标签,将带有人工标签的LBP图像作为一个样本,则大量的带有人工标签的LBP图像组成用于训练神经网络的数据集;
步骤(3),根据经验预设划分比例为6:2:2,将数据集划分为训练集、测试集以及验证集,结合交叉熵损失函数对ResNet卷积神经网络进行训练,输出LBP图像是否有气泡缺陷的检测结果,获得训练完成的ResNet卷积神经网络;
步骤(4),使用训练完成的ResNet卷积神经网络对新的LBP图像进行缺陷检测,将新的LBP图像输入到训练完成的ResNet卷积神经网络中,得到LBP图像是否有缺陷的检测结果,实现对模具注塑的智能检测。
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.基于计算机视觉的模具注塑检测方法,其特征在于,该方法包括以下步骤:
采集模具灰度图像;
对模具灰度图像进行分块处理获得若干第二块区域以及第二块区域中的所有采样点,根据采样点的灰度参数获得灰度参数序列;
将第二块区域中位于中心位置的像素点记为中心像素点;根据灰度参数序列获得第一特殊灰度值和第二特殊灰度值,将第一特殊灰度值和第二特殊灰度值所形成的区间,记为灰度区间;利用灰度区间结合采样点的灰度值,获得采样倾向点,根据采样倾向点的灰度值,以及采样倾向点与第二块区域的中心像素点之间的距离获得采样倾向点的权重;根据权重的大小选取若干个采样倾向点得到第二块区域中的采样倾向点,根据第二块区域中的采样倾向点获得第二块区域的LBP编码;
利用LBP编码实现对模具灰度图像中缺陷的智能检测;
所述对模具灰度图像进行分块处理获得若干第二块区域以及第二块区域中的所有采样点,根据采样点的灰度参数获得灰度参数序列,包括的具体步骤如下:
对模具灰度图像进行分块处理,获得若干个块区域,根据块区域内所有像素点的灰度值,获得块区域的灰度特征,根据灰度特征的大小获得第二块区域以及对应的邻域半径和邻域大小;
结合邻域半径和邻域大小获取第二块区域中若干个采样点,根据采样点与第二块区域的中心像素点获得采样点的距离参数,根据距离参数最值获得最大像素点和最小像素点;根据最大像素点和最小像素点,获得第一像素点和第二像素点;根据最大像素点、最小像素点、第一像素点以及第二像素点的灰度值,获得采样点的灰度参数,获得第二块区域中所有采样点的灰度参数形成的序列,记为灰度参数序列;
所述对模具灰度图像进行分块处理,获得若干个块区域,根据块区域内所有像素点的灰度值,获得块区域的灰度特征,根据灰度特征的大小获得第二块区域以及对应的邻域半径和邻域大小,包括的具体步骤如下:
首先,对模具灰度图像进行分块处理,划分为若干个大小的块区域;
然后,获取模具灰度图像中任意块区域的方差,获得若干个块区域对应的方差,并利用线性归一化方法,对所有方差进行归一化处理,将归一化后块区域的方差,记为块区域的灰度特征;
预设灰度特征阈值,将灰度特征小于灰度特征阈值的块区域记为第一块区域,将灰度特征值不小于灰度特征阈值的块区域记为第二块区域。
2.根据权利要求1所述基于计算机视觉的模具注塑检测方法,其特征在于,所述结合邻域半径和邻域大小获取第二块区域中若干个采样点,根据采样点与第二块区域的中心像素点获得采样点的距离参数,根据距离参数最值获得最大像素点和最小像素点,包括的具体步骤如下:
获取第二块区域中通过LBP算法获取的若干个采样点,并将任意采样点与中心像素点之间连线所经过像素点中,所有像素点与中心像素点的欧式距离,记为采样点的距离参数;
获取距离参数最大和最小时对应的像素点,分别记为最大像素点和最小像素点。
3.根据权利要求1所述基于计算机视觉的模具注塑检测方法,其特征在于,所述根据最大像素点和最小像素点,获得第一像素点和第二像素点,包括的具体步骤如下:
获得由最大像素点和最小像素点所形成的大小为的矩形区域中另外两个像素点,分别记为第一像素点和第二像素点。
4.根据权利要求1所述基于计算机视觉的模具注塑检测方法,其特征在于,所述灰度参数序列,包括的具体步骤如下:
将第二块区域中采样点对应的最大像素点、最小像素点、第一像素点以及第二像素点的平均灰度值,记为采样点的灰度参数;
获得任意第二块区域中所有采样点的灰度参数,并以第二块区域的中心像素点的正上方的采样点为起始点,以逆时针为旋转方向,根据对应旋转方向上所有采样点的灰度参数的顺序,获得由第二块区域中所有采样点的灰度参数形成的序列,记为灰度参数序列。
5.根据权利要求1所述基于计算机视觉的模具注塑检测方法,其特征在于,所述第一特殊灰度值和第二特殊灰度值获取方法如下:
利用最小二乘法对灰度参数序列进行曲线拟合,获取拟合曲线的导数中数值为0时对应的灰度值,记为特殊灰度值,获得拟合曲线中最小和最大的特殊灰度值,分别记为第一特殊灰度值和第二特殊灰度值。
6.根据权利要求1所述基于计算机视觉的模具注塑检测方法,其特征在于,所述采样倾向点的权重获取方法如下:
首先,获取第二块区域中灰度值在灰度区间内的所有采样点,记为采样倾向点,获得若干个采样倾向点;
然后,根据采样倾向点的灰度以及采样倾向点与中心像素点之间的距离,获得任意第二块区域中采样倾向点的权重,具体获取方法为:
其中,表示第/>个采样倾向点的权重,/>表示第/>个采样倾向点与中心像素点之间的欧式距离;/>表示第/>个采样倾向点的灰度值。
7.根据权利要求1所述基于计算机视觉的模具注塑检测方法,其特征在于,所述第二块区域的LBP编码获取方法如下:
根据预设选取数量并通过均匀采样的方法,获得若干个采样倾向点,并利用LBP算法,获得第二块区域的LBP编码。
8.基于计算机视觉的模具注塑检测系统,采用如权利要求1-7中任意一项所述的基于计算机视觉的模具注塑检测方法,其特征在于,该系统包括以下模块:
图像准备模块:采集模具灰度图像;
LBP邻域模块:对模具灰度图像进行分块处理获得若干第二块区域以及第二块区域中的所有采样点,根据采样点的灰度参数获得灰度参数序列;
LBP改进模块:将第二块区域中位于中心位置的像素点记为中心像素点;根据灰度参数序列获得第一特殊灰度值和第二特殊灰度值,将第一特殊灰度值和第二特殊灰度值所形成的区间,记为灰度区间;利用灰度区间结合采样点的灰度值,获得采样倾向点,根据采样倾向点的灰度值,以及采样倾向点与第二块区域的中心像素点之间的距离获得采样倾向点的权重;根据权重的大小选取若干个采样倾向点得到第二块区域中的采样倾向点,根据第二块区域中的采样倾向点获得第二块区域的LBP编码;
图像检测模块:利用LBP编码实现对模具灰度图像中缺陷的智能检测;
所述对模具灰度图像进行分块处理获得若干第二块区域以及第二块区域中的所有采样点,根据采样点的灰度参数获得灰度参数序列,包括的具体步骤如下:
对模具灰度图像进行分块处理,获得若干个块区域,根据块区域内所有像素点的灰度值,获得块区域的灰度特征,根据灰度特征的大小获得第二块区域以及对应的邻域半径和邻域大小;
结合邻域半径和邻域大小获取第二块区域中若干个采样点,根据采样点与第二块区域的中心像素点获得采样点的距离参数,根据距离参数最值获得最大像素点和最小像素点;根据最大像素点和最小像素点,获得第一像素点和第二像素点;根据最大像素点、最小像素点、第一像素点以及第二像素点的灰度值,获得采样点的灰度参数,获得第二块区域中所有采样点的灰度参数形成的序列,记为灰度参数序列;
所述对模具灰度图像进行分块处理,获得若干个块区域,根据块区域内所有像素点的灰度值,获得块区域的灰度特征,根据灰度特征的大小获得第二块区域以及对应的邻域半径和邻域大小,包括的具体步骤如下:
首先,对模具灰度图像进行分块处理,划分为若干个大小的块区域;
然后,获取模具灰度图像中任意块区域的方差,获得若干个块区域对应的方差,并利用线性归一化方法,对所有方差进行归一化处理,将归一化后块区域的方差,记为块区域的灰度特征;
预设灰度特征阈值,将灰度特征小于灰度特征阈值的块区域记为第一块区域,将灰度特征值不小于灰度特征阈值的块区域记为第二块区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311197107.5A CN116958126B (zh) | 2023-09-18 | 2023-09-18 | 基于计算机视觉的模具注塑检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311197107.5A CN116958126B (zh) | 2023-09-18 | 2023-09-18 | 基于计算机视觉的模具注塑检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116958126A CN116958126A (zh) | 2023-10-27 |
CN116958126B true CN116958126B (zh) | 2023-12-12 |
Family
ID=88449543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311197107.5A Active CN116958126B (zh) | 2023-09-18 | 2023-09-18 | 基于计算机视觉的模具注塑检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958126B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004170374A (ja) * | 2002-11-22 | 2004-06-17 | Toyota Motor Corp | 表面欠陥検出装置、及び表面欠陥検出方法 |
CN115829883A (zh) * | 2023-02-16 | 2023-03-21 | 汶上县恒安钢结构有限公司 | 一种异性金属结构件表面图像去噪方法 |
CN116168003A (zh) * | 2023-02-28 | 2023-05-26 | 北京三度镜界科技有限公司 | 基于人工智能的注塑件银纹缺陷检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881913A (zh) * | 2021-02-05 | 2022-08-09 | 富泰华工业(深圳)有限公司 | 图像瑕疵检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-09-18 CN CN202311197107.5A patent/CN116958126B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004170374A (ja) * | 2002-11-22 | 2004-06-17 | Toyota Motor Corp | 表面欠陥検出装置、及び表面欠陥検出方法 |
CN115829883A (zh) * | 2023-02-16 | 2023-03-21 | 汶上县恒安钢结构有限公司 | 一种异性金属结构件表面图像去噪方法 |
CN116168003A (zh) * | 2023-02-28 | 2023-05-26 | 北京三度镜界科技有限公司 | 基于人工智能的注塑件银纹缺陷检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
机器视觉在精密模具破损检测系统中的应用;谢俐 等;制造业自动化(第11期);第76-78页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116958126A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108122236B (zh) | 基于距离调制损失的迭代式眼底图像血管分割方法 | |
CN106599854B (zh) | 基于多特征融合的人脸表情自动识别方法 | |
CN106096610B (zh) | 一种基于支持向量机的文档图像二值化方法 | |
CN110781901B (zh) | 基于bp神经网络预测阈值的仪表重影字符识别方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN108829711B (zh) | 一种基于多特征融合的图像检索方法 | |
CN107657209B (zh) | 一种基于手指静脉图像质量的模板图像注册机制 | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及系统 | |
CN117173158B (zh) | 一种精密连接器质量智能检测方法及系统 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN110689060A (zh) | 一种基于聚合特征差异学习网络的异源图像匹配方法 | |
CN116310882A (zh) | 基于高分辨率遥感影像的林业信息识别方法 | |
CN115033721A (zh) | 基于大数据的图像检索方法 | |
CN116958126B (zh) | 基于计算机视觉的模具注塑检测方法及系统 | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
CN110837834B (zh) | 一种数字仪表读数方法及系统 | |
CN116934761A (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN111931757A (zh) | 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置 | |
CN113160166B (zh) | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 | |
CN113034403B (zh) | 医学影像数据通过高斯滤波进行降噪的工作方法 | |
CN113658238A (zh) | 一种基于改进特征检测的近红外静脉图像高精度匹配方法 | |
CN115018820A (zh) | 基于纹理加强的乳腺癌多分类方法 | |
CN116188880B (zh) | 基于遥感影像和模糊识别的耕地分类的方法及其系统 | |
CN117611563B (zh) | 一种基于图像处理的塑胶模具生产缺陷检测方法 | |
CN117078567B (zh) | 基于图像处理的光伏板图像自适应增强方法 |
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 |