CN117152447B - 一种冲切模具智能管理方法及系统 - Google Patents
一种冲切模具智能管理方法及系统 Download PDFInfo
- Publication number
- CN117152447B CN117152447B CN202311434300.6A CN202311434300A CN117152447B CN 117152447 B CN117152447 B CN 117152447B CN 202311434300 A CN202311434300 A CN 202311434300A CN 117152447 B CN117152447 B CN 117152447B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- edge
- pixel
- attribution degree
- pixel points
- 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
- 238000004080 punching Methods 0.000 title claims abstract description 58
- 238000007726 management method Methods 0.000 title claims abstract description 37
- 238000005520 cutting process Methods 0.000 claims abstract description 93
- 230000007547 defect Effects 0.000 claims abstract description 54
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 238000003708 edge detection Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims description 15
- 241001270131 Agaricus moelleri Species 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 17
- 238000001514 detection method Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000005555 metalworking Methods 0.000 description 1
- 238000009740 moulding (composite fabrication) Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
本发明涉及模具智能管理技术领域,具体涉及一种冲切模具智能管理方法及系统。该方法包括语义分割确定切割刃图像和背景图像;对切割刃图像进行边缘检测得到初始边缘像素点;获取待测像素点和邻域像素点,根据待测像素点和邻域像素点的灰度分布将待测像素点划分为刃边缘像素点和刃内像素点;获取目标像素点和对应的细化像素点,进而计算归属度调整系数;结合初始归属度和归属度调整系数,确定刃边缘像素点目标归属度;根据所有刃边缘像素点的目标归属度确定冲切模具切割刃的缺陷程度;根据缺陷程度对冲切模具切割刃进行管理,本发明能够有效提升冲切模具切割刃管理的管理准确性和管理可靠性。
Description
技术领域
本发明涉及模具智能管理技术领域,具体涉及一种冲切模具智能管理方法及系统。
背景技术
冲切模具是一种用于冲压、切割或成形等工艺的工具,通常由金属材料制成。它们被广泛应用于金属加工、汽车制造、电子和家电等行业中,用于生产零件、组件或产品。而冲切模具由于对切割刃的精度要求较高,切割刃上较小的缺陷会导致所产成品的良品率较低,因此,对冲切模具切割刃的智能管理要求较高。
相关技术中,通过图像采集的方式对切割刃状态进行分析,并基于分析结果对冲切模具进行智能管理,使用Zhang-Suen细化算法对得到的初始边缘进行细化处理,得到最终的边缘,基于该边缘进行边缘检测,由于切割刃要求精度较高,本身的缺陷通常为裂纹和缺口缺陷,缺陷细节较少,Zhang-Suen细化算法是由两侧向中间进行细化,这种情况下,极易将切割刃缺陷的细节进行细化丢失,导致对切割刃本身的缺陷状态检测误差较大,进而导致对冲切模具进行智能管理的准确性与管理可靠性较差。
发明内容
为了解决相关技术中对冲切模具进行智能管理的准确性与管理可靠性较差的技术问题,本发明提供一种冲切模具智能管理方法及系统,所采用的技术方案具体如下:
本发明提出了一种冲切模具智能管理方法,方法包括:
获取冲切模具切割刃的灰度图像,对所述灰度图像进行语义分割,将所述灰度图像划分为切割刃图像和背景图像;
对所述切割刃图像进行边缘检测处理,确定初始边缘像素点;选择任一初始边缘像素点作为待测像素点,将所述待测像素点为中心的预设邻域范围内的其他像素点作为邻域像素点,根据所述待测像素点和所述邻域像素点的灰度分布确定所述待测像素点的初始归属度;
根据所述初始归属度将所述待测像素点划分为刃边缘像素点和刃内像素点;将任一刃边缘像素点作为目标像素点,确定与目标像素点相距最近的另外两个刃边缘像素点作为细化像素点,根据目标像素点与细化像素点的分布、两个细化像素点间的距离,确定所述目标像素点的归属度调整系数;
根据所述刃边缘像素点的初始归属度和归属度调整系数,确定所述刃边缘像素点目标归属度;根据所有刃边缘像素点的目标归属度确定所述冲切模具切割刃的缺陷程度;根据所述缺陷程度对所述冲切模具切割刃进行管理。
进一步地,所述根据所述待测像素点和所述邻域像素点的灰度分布确定所述待测像素点的初始归属度,包括:
将灰度值大于所述待测像素点的邻域像素点的数量作为邻域灰度数量,根据所述邻域灰度数量确定数量影响系数;
计算所述待测像素点和所有邻域像素点的灰度梯度的方差作为梯度方差;
计算所述数量影响系数和所述梯度方差的乘积的归一化值,得到所述待测像素点的初始归属度。
进一步地,所述根据所述邻域灰度数量确定数量影响系数,包括:
确定所述邻域灰度数量是否满足预设数量条件;
在所述邻域灰度数量满足预设数量条件时,所述数量影响系数为第一数值;
在所述邻域灰度数量不满足预设数量条件时,所述数量影响系数为第二数值,其中,所述第一数值大于所述第二数值。
进一步地,所述邻域像素点为8邻域像素点,所述确定所述邻域灰度数量是否满足预设数量条件,包括:
在所述邻域灰度数量大于等于3,且小于等于5时,确定所述邻域灰度数量满足预设数量条件;否则,确定所述邻域灰度数量不满足预设数量条件。
进一步地,所述根据所述初始归属度将所述待测像素点划分为刃边缘像素点和刃内像素点,包括:
将所述初始归属度大于预设归属度阈值的待测像素点作为刃边缘像素点,否则,作为刃内像素点。
进一步地,所述根据目标像素点与细化像素点的分布、两个细化像素点间的距离,确定所述目标像素点的归属度调整系数,包括:
分别连接目标像素点与对应两个细化像素点,得到两条连线,将两条连线所形成夹角的角度值进行反比例归一化处理得到角度影响系数;
计算两个细化像素点间的欧式距离,并对该欧式距离进行归一化处理得到距离影响系数;
计算角度影响系数和距离影响系数的乘积作为目标像素点的归属度调整系数。
进一步地,所述根据所述刃边缘像素点的初始归属度和归属度调整系数,确定所述刃边缘像素点目标归属度,包括:
计算所述初始归属度和归属度调整系数的乘积的归一化值作为所述刃边缘像素点目标归属度。
进一步地,所述根据所有刃边缘像素点的目标归属度确定所述冲切模具切割刃的缺陷程度,包括:
将目标归属度大于预设归属度阈值的刃边缘像素点作为归属像素点;
对所有归属像素点进行直线拟合,得到拟合直线,计算所有刃边缘像素点与拟合直线的距离和值的归一化值作为缺陷程度。
进一步地,所述根据所述缺陷程度对所述冲切模具切割刃进行管理,包括:
在所述缺陷程度大于预设缺陷阈值时,生成切割刃更换指令,其中,所述切割刃更换指令用于提醒对切割刃进行更换处理。
本发明还提出一种冲切模具智能管理系统,所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序,以实现前述的一种冲切模具智能管理方法的步骤。
本发明具有如下有益效果:
本发明通过对灰度图像进行语义分割,能够对切割刃图像和背景图像进行大致划分,而后,对大致划分的切割刃边缘进行检测处理确定初始边缘像素点,对初始边缘像素点周围局部区域内像素点的灰度分布进行分析,从而计算每个初始边缘像素点的初始归属度,可以理解的是,初始归属度可以表示其属于准确的边缘像素点的归属度,但仅根据周围像素点的初始归属度进行分析可靠性不足,因此,本发明进一步对初始边缘像素点进行筛选,得到刃边缘像素点,并基于相邻刃边缘像素点的像素点位置分布和距离特征,得到归属度调整系数,结合归属度调整系数和初始归属度,确定目标归属度,并根据所有刃边缘像素点的目标归属度确定冲切模具切割刃的缺陷程度,能够准确对切割刃边缘进行细化,同时保留边缘细节,保证缺陷程度的准确性,提升缺陷检测的准确性。而后,基于缺陷程度对冲切模具切割刃进行管理,有效提升冲切模具切割刃管理的管理准确性和管理可靠性。
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冲切模具智能管理方法流程图。
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冲切模具智能管理方法及系统,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。
一种冲切模具智能管理方法及系统实施例:
下面结合附图具体的说明本发明所提供的一种冲切模具智能管理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种冲切模具智能管理方法流程图,该方法包括:
S101:获取冲切模具切割刃的灰度图像,对灰度图像进行语义分割,将灰度图像划分为切割刃图像和背景图像。
本发明的一种具体实施场景为,对冲切模具的直刃切割刃进行智能管理,可以理解的是,切割刃状态直接影响冲切模具的性能和加工效果。切割刃的精度、锋利度需要进行实时的检测,而在检测过程中,基于切割刃本身的图像信息确定切割刃的状态,并根据状态对切割刃的精度、锋利度等状态进行分析。
本发明实施例中,可以在切割刃的侧面配置对应的图像采集装置,该图像采集装置可以具体例如为摄像机,以用于拍摄冲切模具切割刃的原始图像,可以理解的是,由于切割刃通常为直刃,在获取原始图像中,切割刃的成像也通常为直刃成像,因此,本发明可以基于该直刃特点对切割刃的损伤程度进行分析。
切割刃的损伤通常为切割刃本身的缺口损伤和裂纹损伤,缺口损伤和裂纹损伤均能够影响原始图像,因此,本发明对原始图像进行图像预处理,得到灰度图像,其中,图像预处理可以具体例如为图像去噪处理和图像灰度化处理,则本发明实施例中,图像去噪处理可以具体例如为均值去噪处理,而图像灰度话处理可以具体例如为均值灰度化处理,可以理解的是,本发明实施例中的图像去噪处理和图像灰度化处理还可以是多种其他任意可能的实现方式,对此不做限制。
本发明在得到灰度图像之后,可以对灰度图像进行语义分割,将灰度图像划分为切割刃图像和背景图像,其中,语义分割为常用的智能化图像分割方法,对此不作进一步的赘述,通过语义分割的方式提取灰度图像中的感兴趣区域,并将感兴趣区域作为切割刃对应的区域,其他区域作为背景对应的区域,由此,得到切割刃图像和背景图像。
S102:对切割刃图像进行边缘检测处理,确定初始边缘像素点;选择任一初始边缘像素点作为待测像素点,将待测像素点为中心的预设邻域范围内的其他像素点作为邻域像素点,根据待测像素点和邻域像素点的灰度分布确定待测像素点的初始归属度。
本发明实施例中,边缘检测可以具体例如为基于Canny算子的边缘检测方法,或者,也可以根据实际检测需求选择多种其他边缘检测算子,对切割刃图像进行边缘检测处理,得到初始边缘像素点。
本发明实施例中,由于对切割刃的精度要求较高,切割刃边缘存在缺口时,对应生产的冲切件质量较差,因此,本发明实施例中,需要对切割刃的边缘进行准确细化,由于图像的预处理和边缘检测算子本身的特点,导致图像的本身的精细度受到影响,造成初始边缘像素点的可靠性较低,因此,需要对初始边缘像素点进行进一步的筛选和提取。
则本发明可以选择任一初始边缘像素点作为待测像素点,而后,将待测像素点为中心的预设邻域范围内的其他像素点作为邻域像素点,其中,预设邻域范围,可以具体例如为八邻域范围,可以理解的是,本发明实施例中可以将待测像素点八邻域范围内所有的像素点作为邻域像素点,以基于八邻域的范围对待测像素点进行局部像素分析。
进一步地,在本发明的一些实施例中,根据待测像素点和邻域像素点的灰度分布确定待测像素点的初始归属度,包括:将灰度值大于待测像素点的邻域像素点的数量作为邻域灰度数量,根据邻域灰度数量确定数量影响系数;计算待测像素点和所有邻域像素点的灰度梯度的方差作为梯度方差;计算数量影响系数和梯度方差的乘积的归一化值,得到待测像素点的初始归属度。
其中,将灰度值大于待测像素点的邻域像素点的数量作为邻域灰度数量,本发明实施例中,在待测像素点处于刃内或刃外时,均会产生周围像素点灰度值相近的特点,也即周围像素点灰度值与待测像素点灰度值相同,而又由于切割刃本身反射光比背景区域大,由此,切割刃的灰度值明显大于背景区域,也即在待测像素点处于切割刃和背景区域的边缘时,对应的邻域像素点的分布较为复杂,表现在像素点灰度值和像素点的灰度分布上。
进一步地,本发明的一些实施例中,根据邻域灰度数量确定数量影响系数,包括:确定邻域灰度数量是否满足预设数量条件;在邻域灰度数量满足预设数量条件时,数量影响系数为第一数值;在邻域灰度数量不满足预设数量条件时,数量影响系数为第二数值,其中,第一数值大于第二数值。邻域像素点为8邻域像素点,确定邻域灰度数量是否满足预设数量条件,包括:在邻域灰度数量大于等于3,且小于等于5时,确定邻域灰度数量满足预设数量条件;否则,确定邻域灰度数量不满足预设数量条件。
也即是说,在本发明实施例中,当邻域灰度数量大于等于3,且小于等于5时,也即在邻域灰度数量为3、4、5时,将对应的数量影响系数设置为第一数值,否则设置为第二数值,本发明实施例中的第一数值可以具体例如为0.8,第二数值可以具体例如为0.5,由此,得到数量影响系数。
当然,本发明实施例的预设数量条件、第一数值和第二数值的大小均可以实际情况进行自适应的调整,对此不做限制。
其中,由于第一数值大于第二数值,也即在邻域灰度数量满足预设数量条件时,可以表示对应的待测像素点越可能为刃边缘的像素点。
本发明实施例中,可以使用数量影响系数的二值化,作为对应的筛选条件,进一步对所有初始边缘像素点进行筛选,当然,在筛选过程中还需考虑灰度分布的情况。
本发明实施例中,计算待测像素点和所有邻域像素点的灰度梯度的方差作为梯度方差,在方差越大时,可以表征对应邻域像素点的灰度分布越复杂,也即是说,越不可能为刃内的区域或背景区域。而在刃边缘的区域,灰度分布较为复杂,也即梯度方差越大,越可能为刃边缘的区域。
则本发明实施例计算数量影响系数和梯度方差的乘积的归一化值,得到待测像素点的初始归属度。其中,由于数量影响系数越大,表示对应的待测像素点越可能为刃边缘的像素点,而在梯度方差越大时,也可以表示待测像素点越可能为刃边缘的像素点,由此,本发明实施例通过计算数量影响系数和梯度方差的乘积的归一化值,得到待测像素点的初始归属度。
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。
S103:根据初始归属度将待测像素点划分为刃边缘像素点和刃内像素点;将任一刃边缘像素点作为目标像素点,确定与目标像素点相距最近的另外两个刃边缘像素点作为细化像素点,根据目标像素点与细化像素点的分布、两个细化像素点间的距离,确定目标像素点的归属度调整系数。
进一步地,在本发明的一些实施例中,根据初始归属度将待测像素点划分为刃边缘像素点和刃内像素点,包括:将初始归属度大于预设归属度阈值的待测像素点作为刃边缘像素点,否则,作为刃内像素点。
其中,预设归属度阈值,为归属度的门限值,本发明实施例的预设归属度阈值可以具体例如为0.75,或者也可以根据实际情况进行调整,对此不做限制。
本发明实施例中,在初始归属度大于预设归属度阈值时,也即在初始归属度大于0.75时,可以表示对应待测像素点周围像素点分布复杂,待测像素点越可能为对应边缘的像素点,将待测像素点作为刃边缘像素点;而在初始归属度小于等于预设归属度阈值时,也即在初始归属度小于等于0.75时,可以表示对应待测像素点所处局部区间内像素点相近,也即越可能为同一区域的像素点,将待测像素点作为刃内像素点。
本发明实施例中,可以从刃边缘像素点中任选一个作为目标像素点,而后,确定与目标像素点相距最近的另外两个刃边缘像素点作为细化像素点,基于细化像素点对刃边缘像素点的分布情况进行分析。
进一步地,在本发明的一些实施例中,根据目标像素点与细化像素点的分布、两个细化像素点间的距离,确定目标像素点的归属度调整系数,包括:分别连接目标像素点与对应两个细化像素点,得到两条连线,将两条连线所形成夹角的角度值进行反比例归一化处理得到角度影响系数;计算两个细化像素点间的欧式距离,并对该欧式距离进行归一化处理得到距离影响系数;计算角度影响系数和距离影响系数的乘积作为目标像素点的归属度调整系数。
本发明实施例中,分别连接目标像素点与对应两个细化像素点,得到两条连线,也即连接任一细化像素点与目标像素点,得到一条连线,由此,得到两条连线,可以理解的是,两条连线具有一定的夹角,可以根据两条连线的夹角进行分析,对于刃边缘为直线的情况,也即两直线的夹角越小,越可能表示正常的刃边缘,而在两直线的夹角越大时,表示可能为模糊导致的误差,因此,本发明将两条连线所形成夹角的角度值进行反比例归一化处理得到角度影响系数,则角度影响系数越大,表示对应的两个细化像素点与目标像素点越呈直线分布。
本发明实施例中,在目标像素点与两个细化像素点呈直线分布时,两条连线夹角度数为0,两个细化像素点间的距离最大,而在呈现一定夹角时,对应的两个细化像素点间的距离变小,因此,本发明实施例中,计算两个细化像素点间的欧式距离,并对该欧式距离进行归一化处理得到距离影响系数,也即距离影响系数越大,目标像素点与两个细化像素点越可能呈直线分布。
在计算获得角度影响系数和距离影响系数之后,基于角度影响系数和距离影响系数综合分析得到归属度调整系数,也即计算角度影响系数和距离影响系数的乘积作为目标像素点的归属度调整系数,归属度调整系数越大时,表示对应的目标像素点越可能位于刃边缘,也即其对应的归属度越大,因此,设置归属度调整系数对初始归属度进行调整,其具体调整过程参见后续实施例。
S104:根据刃边缘像素点的初始归属度和归属度调整系数,确定刃边缘像素点目标归属度;根据所有刃边缘像素点的目标归属度确定冲切模具切割刃的缺陷程度;根据缺陷程度对冲切模具切割刃进行管理。
进一步地,在本发明的一些实施例中,根据刃边缘像素点的初始归属度和归属度调整系数,确定刃边缘像素点目标归属度,包括:计算初始归属度和归属度调整系数的乘积的归一化值作为刃边缘像素点目标归属度。
本发明实施例中,可以根据归属度调整系数对初始归属度进行调整,也即通过归属度调整系数进一步地对初始归属度进行分析,得到目标归属度,从而进一步保证目标归属度的可靠性。
进一步地,在本发明的一些实施例中,根据所有刃边缘像素点的目标归属度确定冲切模具切割刃的缺陷程度,包括:将目标归属度大于预设归属度阈值的刃边缘像素点作为归属像素点;对所有归属像素点进行直线拟合,得到拟合直线,计算所有刃边缘像素点与拟合直线的距离和值的归一化值作为缺陷程度。
本发明实施例中,可以通过目标归属度对刃边缘像素点进行进一步筛选,也即选择目标归属度大于预设归属度阈值的刃边缘像素点作为归属像素点。其中,预设归属度阈值,为目标归属度的门限值,本发明实施例中,可以将预设归属度阈值设置为0.75,或者,也可以根据实际生产情况进行调整,对此不做限制。
本发明实施例通过目标归属度对刃边缘像素点进行进一步筛选,使得所得到的归属像素点能够准确表征刃边缘的像素点,消除了边缘模糊效果,保证了归属像素点的准确性,而后,根据归属像素点的特征对刃边缘进行拟合,进而保证刃边缘拟合的准确性与可靠性。
在得到拟合直线之后,可以计算所有刃边缘像素点与拟合直线的距离和值的归一化值作为缺陷程度,也即是说,本发明可以基于点到直线的距离计算方式,计算每一个刃边缘像素点与拟合直线的距离,并将距离进行求和计算,得到距离和值,而后,对距离和值进行归一化处理得到缺陷程度,因为刃边缘可能具有缺口区域,而缺口区域的像素点距离拟合直线较远,且刃边缘所具有的其他缺陷类型所对应的像素点同样距离拟合直线较远,所得距离和值越大,因此,本发明可以计算距离和值,并归一化得到缺陷程度,缺口、裂纹等其他类型的缺陷越大,所对应的距离和值越大,缺陷程度越大。
进一步地,在本发明的一些实施例中,根据缺陷程度对冲切模具切割刃进行管理,包括:在缺陷程度大于预设缺陷阈值时,生成切割刃更换指令,其中,切割刃更换指令用于提醒对切割刃进行更换处理。
其中,预设缺陷阈值,为缺陷程度的门限值,同时,也可以作为缺陷程度的误差门限,本发明实施例中,预设缺陷阈值可以具体例如为0.1,由于冲切模具切割刃对精度要求较高,使得在缺陷产生时,即需对切割刃进行更换维护,因此,本发明实施例中,在缺陷程度大于0.1时,可生成切割刃更换指令,以用于提醒相关工作人员对切割刃进行更换处理。
本发明通过对灰度图像进行语义分割,能够对切割刃图像和背景图像进行大致划分,而后,对大致划分的切割刃边缘进行检测处理确定初始边缘像素点,对初始边缘像素点周围局部区域内像素点的灰度分布进行分析,从而计算每个初始边缘像素点的初始归属度,可以理解的是,初始归属度可以表示其属于准确的边缘像素点的归属度,但仅根据周围像素点的初始归属度进行分析可靠性不足,因此,本发明进一步对初始边缘像素点进行筛选,得到刃边缘像素点,并基于相邻刃边缘像素点的像素点位置分布和距离特征,得到归属度调整系数,结合归属度调整系数和初始归属度,确定目标归属度,并根据所有刃边缘像素点的目标归属度确定冲切模具切割刃的缺陷程度,能够消除拍摄设备感光带来的模糊影响,保证缺陷程度的准确性,提升缺陷检测的准确性。而后,基于缺陷程度对冲切模具切割刃进行管理,有效提升冲切模具切割刃管理的管理准确性和管理可靠性。
本发明还提出了一种冲切模具智能管理系统,系统包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序,以实现前述的一种冲切模具智能管理方法的步骤。
一种冲切模具切割刃缺陷检测方法实施例:
相关技术中使用Zhang-Suen细化算法对得到的初始边缘进行细化处理,得到最终的边缘,基于该边缘进行边缘检测,由于切割刃本身的缺陷较小,Zhang-Suen细化算法是由两侧向中间进行细化,这种情况下,极易将切割刃缺陷的细节进行细化丢失,进而导致切割刃的缺陷检测准确性与可靠性不足。
S201:获取冲切模具切割刃的灰度图像,对灰度图像进行语义分割,将灰度图像划分为切割刃图像和背景图像;
S202:对切割刃图像进行边缘检测处理,确定初始边缘像素点;选择任一初始边缘像素点作为待测像素点,将待测像素点为中心的预设邻域范围内的其他像素点作为邻域像素点,根据待测像素点和邻域像素点的灰度分布确定待测像素点的初始归属度;
S203:根据初始归属度将待测像素点划分为刃边缘像素点和刃内像素点;将任一刃边缘像素点作为目标像素点,确定与目标像素点相距最近的另外两个刃边缘像素点作为细化像素点,根据目标像素点与细化像素点的分布、两个细化像素点间的距离,确定目标像素点的归属度调整系数;
S204:根据刃边缘像素点的初始归属度和归属度调整系数,确定刃边缘像素点目标归属度;根据所有刃边缘像素点的目标归属度确定冲切模具切割刃的缺陷程度。
其中,步骤S201~S204的解释说明在前述一种冲切模具智能管理方法实施例中已给出详尽的说明,在此不作赘述。
本发明通过对灰度图像进行语义分割,能够对切割刃图像和背景图像进行大致划分,而后,对大致划分的切割刃边缘进行检测处理确定初始边缘像素点,对初始边缘像素点周围局部区域内像素点的灰度分布进行分析,从而计算每个初始边缘像素点的初始归属度,可以理解的是,初始归属度可以表示其属于准确的边缘像素点的归属度,但仅根据周围像素点的初始归属度进行分析可靠性不足,因此,本发明进一步对初始边缘像素点进行筛选,得到刃边缘像素点,并基于相邻刃边缘像素点的像素点位置分布和距离特征,得到归属度调整系数,结合归属度调整系数和初始归属度,确定目标归属度,并根据所有刃边缘像素点的目标归属度确定冲切模具切割刃的缺陷程度,能够准确对切割刃边缘进行细化,同时保留边缘细节,保证缺陷程度的准确性,提升缺陷检测的准确性与可靠性。
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 (6)
1.一种冲切模具智能管理方法,其特征在于,所述方法包括:
获取冲切模具切割刃的灰度图像,对所述灰度图像进行语义分割,将所述灰度图像划分为切割刃图像和背景图像;
对所述切割刃图像进行边缘检测处理,确定初始边缘像素点;选择任一初始边缘像素点作为待测像素点,将所述待测像素点为中心的预设邻域范围内的其他像素点作为邻域像素点,根据所述待测像素点和所述邻域像素点的灰度分布确定所述待测像素点的初始归属度;
根据所述初始归属度将所述待测像素点划分为刃边缘像素点和刃内像素点;将任一刃边缘像素点作为目标像素点,确定与目标像素点相距最近的另外两个刃边缘像素点作为细化像素点,根据目标像素点与细化像素点的分布、两个细化像素点间的距离,确定所述目标像素点的归属度调整系数;
根据所述刃边缘像素点的初始归属度和归属度调整系数,确定所述刃边缘像素点目标归属度;根据所有刃边缘像素点的目标归属度确定所述冲切模具切割刃的缺陷程度;根据所述缺陷程度对所述冲切模具切割刃进行管理;
所述根据所述待测像素点和所述邻域像素点的灰度分布确定所述待测像素点的初始归属度,包括:
将灰度值大于所述待测像素点的邻域像素点的数量作为邻域灰度数量,根据所述邻域灰度数量确定数量影响系数;
计算所述待测像素点和所有邻域像素点的灰度梯度的方差作为梯度方差;
计算所述数量影响系数和所述梯度方差的乘积的归一化值,得到所述待测像素点的初始归属度;
所述根据所述邻域灰度数量确定数量影响系数,包括:
确定所述邻域灰度数量是否满足预设数量条件;
在所述邻域灰度数量满足预设数量条件时,所述数量影响系数为第一数值;
在所述邻域灰度数量不满足预设数量条件时,所述数量影响系数为第二数值,其中,所述第一数值大于所述第二数值;
所述根据目标像素点与细化像素点的分布、两个细化像素点间的距离,确定所述目标像素点的归属度调整系数,包括:
分别连接目标像素点与对应两个细化像素点,得到两条连线,将两条连线所形成夹角的角度值进行反比例归一化处理得到角度影响系数;
计算两个细化像素点间的欧式距离,并对该欧式距离进行归一化处理得到距离影响系数;
计算角度影响系数和距离影响系数的乘积作为目标像素点的归属度调整系数;
所述根据所述刃边缘像素点的初始归属度和归属度调整系数,确定所述刃边缘像素点目标归属度,包括:
计算所述初始归属度和归属度调整系数的乘积的归一化值作为所述刃边缘像素点目标归属度。
2.如权利要求1所述的一种冲切模具智能管理方法,其特征在于,所述邻域像素点为8邻域像素点,所述确定所述邻域灰度数量是否满足预设数量条件,包括:
在所述邻域灰度数量大于等于3,且小于等于5时,确定所述邻域灰度数量满足预设数量条件;否则,确定所述邻域灰度数量不满足预设数量条件。
3.如权利要求1所述的一种冲切模具智能管理方法,其特征在于,所述根据所述初始归属度将所述待测像素点划分为刃边缘像素点和刃内像素点,包括:
将所述初始归属度大于预设归属度阈值的待测像素点作为刃边缘像素点,否则,作为刃内像素点。
4.如权利要求1所述的一种冲切模具智能管理方法,其特征在于,所述根据所有刃边缘像素点的目标归属度确定所述冲切模具切割刃的缺陷程度,包括:
将目标归属度大于预设归属度阈值的刃边缘像素点作为归属像素点;
对所有归属像素点进行直线拟合,得到拟合直线,计算所有刃边缘像素点与拟合直线的距离和值的归一化值作为缺陷程度。
5.如权利要求1所述的一种冲切模具智能管理方法,其特征在于,所述根据所述缺陷程度对所述冲切模具切割刃进行管理,包括:
在所述缺陷程度大于预设缺陷阈值时,生成切割刃更换指令,其中,所述切割刃更换指令用于提醒对切割刃进行更换处理。
6.一种冲切模具智能管理系统,所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序,以实现如权利要求1~5任意一项所述的一种冲切模具智能管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311434300.6A CN117152447B (zh) | 2023-11-01 | 2023-11-01 | 一种冲切模具智能管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311434300.6A CN117152447B (zh) | 2023-11-01 | 2023-11-01 | 一种冲切模具智能管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152447A CN117152447A (zh) | 2023-12-01 |
CN117152447B true CN117152447B (zh) | 2024-02-02 |
Family
ID=88908592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311434300.6A Active CN117152447B (zh) | 2023-11-01 | 2023-11-01 | 一种冲切模具智能管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152447B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019025A (zh) * | 2022-04-29 | 2022-09-06 | 深圳市青虹激光科技有限公司 | 切割校准方法、设备以及计算机可读存储介质 |
CN115229355A (zh) * | 2022-09-22 | 2022-10-25 | 江苏双赢锻压机床有限公司 | 高精密冲压锻件用激光切割方法 |
CN115330989A (zh) * | 2022-10-13 | 2022-11-11 | 南通红运金属科技有限公司 | 一种用于激光束切割的控制方法 |
CN115550658A (zh) * | 2022-11-30 | 2022-12-30 | 江苏益捷思信息科技有限公司 | 基于智慧校园管理平台的数据传输方法 |
CN116091498A (zh) * | 2023-04-07 | 2023-05-09 | 飞杨电源技术(深圳)有限公司 | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 |
CN116205939A (zh) * | 2023-02-16 | 2023-06-02 | 农业农村部南京农业机械化研究所 | 线条提取方法、线条提取设备和计算机存储介质 |
CN116228747A (zh) * | 2023-05-04 | 2023-06-06 | 青岛穗禾信达金属制品有限公司 | 一种金属柜加工质量监测方法 |
CN116385472A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市锦红兴科技有限公司 | 一种五金冲压件去毛刺效果评估方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116503426A (zh) * | 2023-06-26 | 2023-07-28 | 天津大学 | 基于图像处理的超声图像分割方法 |
CN116523901A (zh) * | 2023-06-20 | 2023-08-01 | 东莞市京品精密模具有限公司 | 一种基于计算机视觉的冲切模具检测方法 |
CN116630304A (zh) * | 2023-07-18 | 2023-08-22 | 东莞市京品精密模具有限公司 | 一种基于人工智能的锂电池模具加工检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035276B (zh) * | 2018-06-26 | 2022-03-18 | 北京中科慧眼科技有限公司 | 一种图像边缘提取方法、装置及自动驾驶系统 |
-
2023
- 2023-11-01 CN CN202311434300.6A patent/CN117152447B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019025A (zh) * | 2022-04-29 | 2022-09-06 | 深圳市青虹激光科技有限公司 | 切割校准方法、设备以及计算机可读存储介质 |
CN115229355A (zh) * | 2022-09-22 | 2022-10-25 | 江苏双赢锻压机床有限公司 | 高精密冲压锻件用激光切割方法 |
CN115330989A (zh) * | 2022-10-13 | 2022-11-11 | 南通红运金属科技有限公司 | 一种用于激光束切割的控制方法 |
CN115550658A (zh) * | 2022-11-30 | 2022-12-30 | 江苏益捷思信息科技有限公司 | 基于智慧校园管理平台的数据传输方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116205939A (zh) * | 2023-02-16 | 2023-06-02 | 农业农村部南京农业机械化研究所 | 线条提取方法、线条提取设备和计算机存储介质 |
CN116091498A (zh) * | 2023-04-07 | 2023-05-09 | 飞杨电源技术(深圳)有限公司 | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 |
CN116228747A (zh) * | 2023-05-04 | 2023-06-06 | 青岛穗禾信达金属制品有限公司 | 一种金属柜加工质量监测方法 |
CN116385472A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市锦红兴科技有限公司 | 一种五金冲压件去毛刺效果评估方法 |
CN116523901A (zh) * | 2023-06-20 | 2023-08-01 | 东莞市京品精密模具有限公司 | 一种基于计算机视觉的冲切模具检测方法 |
CN116503426A (zh) * | 2023-06-26 | 2023-07-28 | 天津大学 | 基于图像处理的超声图像分割方法 |
CN116630304A (zh) * | 2023-07-18 | 2023-08-22 | 东莞市京品精密模具有限公司 | 一种基于人工智能的锂电池模具加工检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
超声振动改善电铸表面粗糙度的机理;杨光 等;《机械工程学报》;第55卷(第7期);第243-248页 * |
阴极超声振动电铸微棱锥阵列粗糙度研究;杨光 等;《第 17 国特种加工学术会议论文集(下册)》;第745-748页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117152447A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111758024B (zh) | 一种缺陷检测方法及装置 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN117351008B (zh) | 一种智能手机面板表面缺陷检测方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN107657606B (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
CN109632808B (zh) | 棱边缺陷检测方法、装置、电子设备及存储介质 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
CN116071363B (zh) | 一种自动化型钢智能生产监测系统 | |
CN115018835B (zh) | 一种汽车起动机齿轮检测方法 | |
CN117351019B (zh) | 一种焊接缺陷检测方法 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN115049651B (zh) | 一种钣金冲压异常检测方法 | |
CN117576100B (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 | |
CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
CN117152447B (zh) | 一种冲切模具智能管理方法及系统 | |
CN116503426B (zh) | 基于图像处理的超声图像分割方法 | |
CN116258838B (zh) | 一种用于管片模具合模系统的智能视觉引导方法 | |
CN115601564B (zh) | 基于图像识别的胶体轮廓检测方法及系统 | |
CN111476792A (zh) | 一种板带钢图像轮廓的提取方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN117392127B (zh) | 一种显示面板边框的检测方法、装置和电子设备 |
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 |