CN117252874B - 一种塑胶模具生产质量视觉检测方法 - Google Patents
一种塑胶模具生产质量视觉检测方法 Download PDFInfo
- Publication number
- CN117252874B CN117252874B CN202311528683.3A CN202311528683A CN117252874B CN 117252874 B CN117252874 B CN 117252874B CN 202311528683 A CN202311528683 A CN 202311528683A CN 117252874 B CN117252874 B CN 117252874B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- texture
- period
- suspected
- target
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000000007 visual effect Effects 0.000 title claims abstract description 21
- 230000000737 periodic effect Effects 0.000 claims abstract description 55
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 9
- 238000011179 visual inspection Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 9
- 238000003708 edge detection Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 9
- 238000009499 grossing Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009776 industrial production Methods 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
本发明涉及图像边缘检测技术领域,具体涉及一种塑胶模具生产质量视觉检测方法,该方法根据塑胶模具圆柱器件表面灰度图像在圆柱器件轴向的周期分布情况。得到每个像素点的周期强弱程度,并根据周期强弱程度筛选出疑似纹理像素点;进一步地根据疑似纹理像素点与其周期位置处的像素点之间的邻域周期分布相似情况,得到对应的周期相似程度;将周期强弱程度和周期相似程度结合后,筛选出纹理区域像素点。最后将纹理区域筛除后进行迭代阈值分割,得到更加准确的分割结果,使得对塑胶模具生产质量视觉检测效果更好。
Description
技术领域
本发明涉及图像边缘检测技术领域,具体涉及一种塑胶模具生产质量视觉检测方法。
背景技术
塑料模具作为工业生产中的重要制件工具,其生产的产品与日常生产生活关系密切,而塑料模具的生产质量会决定这些产品的质量,因此随着人们对工业产品质量要求的不断提高,对塑胶模具生产质量检测无疑是重要且不可忽视的一个步骤。并且考虑到与圆形有关的产品对塑料模具生产质量的要求更高,因此对于塑料模具圆柱器件的质量检测更加重要。
现有技术通常通过图像处理的方法,对塑胶模具圆柱器件表面图像通过迭代分割法划分出目标区域和背景区域,并根据目标区域进行检测模具的生产质量。但是当塑胶模具圆柱器件表面出现裂纹缺陷时,这些裂纹可能会与塑胶模具圆柱器件表面正常纹理混合在一起,使得常规的迭代阈值分割算法所计算出的阈值无法准确的划分出裂纹缺陷区域,使得根据现有技术直接通过迭代分割法处理塑胶模具圆柱器件表面图像得到的目标区域,对塑胶模具生产质量视觉检测效果较差。
发明内容
为了解决根据现有技术直接通过迭代分割法处理塑胶模具圆柱器件表面图像得到的目标区域,对塑胶模具生产质量视觉检测效果较差的技术问题,本发明的目的在于提供一种塑胶模具生产质量视觉检测方法,所采用的技术方案具体如下:
本发明提出了一种塑胶模具生产质量视觉检测方法,所述方法包括:
获取塑胶模具圆柱器件表面灰度图像;
在所述塑胶模具圆柱器件表面灰度图像中,根据每个像素点的灰度值在圆柱器件轴向上的周期分布情况,得到每个像素点的周期强弱程度;根据所述周期强弱程度筛选出疑似纹理像素点;根据每个疑似纹理像素点与其周期位置处的像素点之间的邻域周期分布相似情况,得到每个疑似纹理像素点的周期相似程度;
根据每个疑似纹理像素点的周期强弱程度和所述周期相似程度,得到每个疑似纹理像素点的纹理区域可能性;根据所述纹理区域可能性筛选出纹理区域像素点;将所有纹理区域像素点筛除后进行迭代阈值分割,得到塑胶模具圆柱器件表面灰度图像对应的目标区域;
根据所述目标区域进行塑胶模具生产质量视觉检测。
进一步地,所述周期强弱程度的获取方法包括:
依次将每个像素点作为目标像素点;
在塑胶模具圆柱器件轴向上,将目标像素点预设邻域范围内中与目标像素点的灰度值差异小于预设灰度差异阈值的像素点,作为轴向参考像素点;计算所有轴向参考像素点的梯度值均值;将梯度值大于所述梯度值均值的轴向参考像素点,作为轴向边缘像素点;
沿塑胶模具圆柱器件轴向,将轴向边缘像素点依次排列,得到轴向边缘像素点序列;将轴向边缘像素点序列中,每个轴向边缘像素点与其前一个轴向边缘像素点之间的距离,作为每个轴向边缘像素点的参考距离;
在轴向边缘像素点序列中,根据轴向边缘像素点的参考距离分布情况构建周期性强弱程度计算模型;根据所述周期性强弱程度计算模型,得到目标像素点的周期强弱程度。
进一步地,所述周期性强弱程度计算模型包括:
;其中,/>为目标像素点/>的周期性强弱程度;/>为目标像素点/>对应的轴向边缘像素点数量;/>为目标像素点/>对应的轴向边缘像素点序列中第/>个轴向边缘像素点的参考距离;/>为目标像素点/>对应的轴向边缘像素点序列中第/>个轴向边缘像素点的参考距离,/>为预设第一调节参数,所述预设第一调节参数大于0;/>为归一化函数。
进一步地,所述疑似纹理像素点的获取方法包括:
将周期性强弱程度大于预设周期性阈值的像素点,作为疑似纹理像素点。
进一步地,所述周期相似程度的获取方法包括:
依次将每个疑似纹理像素点作为目标疑似纹理像素点;
在目标疑似纹理像素点对应的轴向边缘像素点序列中,将每个轴向边缘像素点与其之前第二个轴向边缘像素点之间的距离,作为每个疑似纹理像素点对应的间隔距离;将目标疑似纹理像素点对应的轴向边缘像素点序列中所有疑似纹理像素点对应的间隔距离均值,作为目标疑似纹理像素点的周期参考距离;
在塑胶模具圆柱器件的轴向上,将目标疑似纹理像素点的预设邻域范围中与目标疑似纹理像素点相距周期参考距离的整数倍的像素点,作为目标疑似纹理像素点的周期对比像素点;将所有周期对比像素点以距离目标疑似纹理像素点的距离由近到远的顺序排列,得到目标疑似纹理像素点的周期对比像素点序列;
在塑胶模具圆柱器件的周向上,获取每个周期对比像素点对应周向边缘像素点;将与对应周期对比像素点距离最近的两个周向边缘像素点,作为每个周期对比像素点的周期权重像素点;
根据目标疑似纹理像素点与每个周期对比像素点之间对应的轴向参考像素点数量差异,和各个周期对比像素点的周期权重像素点的周期强弱程度分布情况,以及周期对比像素点序列中各个周期对比像素点的索引值,构建周期相似程度计算模型,根据所述周期相似程度计算模型得到目标疑似纹理像素点的周期相似程度。
进一步地,所述周期相似程度计算模型包括:
;其中,/>为目标疑似纹理像素点/>的周期相似程度,N为目标疑似纹理像素点/>的周期对比像素点序列的元素数量;/>为目标疑似纹理像素点/>的周期对比像素点序列中第i个周期对比像素点的轴向参考像素点数量;/>为目标疑似纹理像素点/>的轴向参考像素点数量;/>为目标疑似纹理像素点/>的周期对比像素点序列中,第i个周期对比像素点的第一个周期权重像素点的周期性强弱程度;/>为目标疑似纹理像素点/>的周期对比像素点序列中,第i个周期对比像素点的第二个周期权重像素点的周期性强弱程度;i为目标疑似纹理像素点/>的周期对比像素点序列中的周期对比像素点索引值;/>为向上取整函数;/>为预设第二调节参数,所述预设第二调节参数大于0;/>为归一化函数。
进一步地,所述周向边缘像素点的获取方法包括:
依次将每个周期对比像素点作为目标周期对比像素点;
在塑胶模具圆柱器件周向上,将目标周期对比像素点预设第二邻域范围中与目标周期对比像素点的灰度值差异小于预设灰度差异阈值的像素点,作为周向参考像素点;计算所有周向参考像素点的梯度值均值;将梯度值大于所述梯度值均值的周向参考像素点,作为周向边缘像素点。
进一步地,所述纹理区域可能性的获取方法包括:
将每个疑似纹理像素点的周期强弱程度与所述周期相似程度的乘积,作为每个疑似纹理像素点的纹理区域可能性。
进一步地,所述纹理区域像素点的获取方法包括:
将纹理区域可能性大于预设纹理阈值的疑似纹理像素点,作为纹理区域像素点。
进一步地,所述根据所述目标区域进行塑胶模具生产质量视觉检测的方法包括:
获取目标区域对应的各个连通域的最小外接矩形;当存在对应的最小外接矩形的长宽比大于预设细长阈值的连通域时,将对应的塑胶模具圆柱器件表面的质量检测结果记为不合格;当所有连通域的最小外接矩形的长宽比均小于预设细长阈值的时,将对应的塑胶模具圆柱器件表面的质量检测结果记为合格。
本发明具有如下有益效果:
考虑到对于塑胶模具圆柱器件而言,其表面的正常的纹理区域通常具有周期性,对应的像素点会按照一定规律周期性的分布在模具表面,而裂纹区域则是随机出现且没有规律可言的,因此如果根据该特点得到正常的纹理区域的像素点,并在迭代阈值分割算法的阈值更新公式中筛除正常的纹理区域的像素点,使其不参与运算,消除正常的纹理区域对迭代阈值计算的干扰,从而能够划分出具有裂纹区域特征的目标区域;使得根据目标进行塑胶模具生产质量视觉检测的效果更好。因此本发明根据纹理区域对应像素点分布的规律性,根据像素点的灰度值在圆柱器件轴向上的周期分布情况,以及疑似纹理像素点与其周期位置处的像素点之间的邻域周期分布相似情况,得到每个疑似纹理像素点的纹理区域可能性;从而根据纹理区域可能性筛选出纹理区域像素点,使得后续的迭代阈值分割结果更加准确。综上所述,本发明通过筛除纹理区域像素点进行迭代阈值分割的方法,对塑胶模具生产质量视觉检测效果更好。
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塑胶模具生产质量视觉检测方法流程图;
图2为本发明一个实施例提供的一种塑胶模具圆柱器件表面图像。
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一种塑胶模具生产质量视觉检测方法,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胶模具生产质量视觉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胶模具生产质量视觉检测方法流程图,该方法包括:
步骤S1:获取塑胶模具圆柱器件表面灰度图像。
本发明实施例旨在提供一种塑胶模具生产质量视觉检测方法,用于根据塑胶模具圆柱器件表面灰度图像通过图像处理的方法进行分析,根据得到的目标区域进行塑胶模具生产质量视觉检测。因此首先需要获取塑胶模具圆柱器件表面灰度图像。
本发明实施例在塑胶模具圆柱器件正上方设置高精度工业相机,通过高精度工业相机拍摄塑胶模具圆柱器件表面,并将拍摄得到的图像进行灰度化后,通过高斯滤波器进行平滑处理,得到本发明实施例所需要的塑胶模具圆柱器件表面灰度图像。灰度化的目的是方便后续根据灰度值进行分析,平滑处理的目的是减少拍摄环境对应的噪声影响。需要说明的是,灰度化和通过高斯滤波器进行平滑处理的方法为图像处理中的常用技术手段,且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。
步骤S2:在塑胶模具圆柱器件表面灰度图像中,根据每个像素点的灰度值在圆柱器件轴向上的周期分布情况,得到每个像素点的周期强弱程度;根据周期强弱程度筛选出疑似纹理像素点;根据每个疑似纹理像素点与其周期位置处的像素点之间的邻域周期分布相似情况,得到每个疑似纹理像素点的周期相似程度。
考虑到对于塑胶模具圆柱器件而言,其表面的正常的纹理区域通常具有周期性,对应的像素点会按照一定规律周期性的分布在模具表面,而裂纹区域则是随机出现且没有规律可言的。因此本发明实施例在塑胶模具圆柱器件表面灰度图像中,根据每个像素点的灰度值在圆柱器件轴向上的周期分布情况,得到每个像素点的周期强弱程度。通过周期强弱程度对像素点进行初步筛选。
优选地,周期强弱程度的获取方法包括:
依次将每个像素点作为目标像素点;
在塑胶模具圆柱器件轴向上,将目标像素点预设邻域范围内中与目标像素点的灰度值差异小于预设灰度差异阈值的像素点,作为轴向参考像素点;计算所有轴向参考像素点的梯度值均值;将梯度值大于梯度值均值的轴向参考像素点,作为轴向边缘像素点。请参阅图2,其示出了本发明一个实施例提供的一种塑胶模具圆柱器件表面图像,在图2中,塑胶模具圆柱器件表面存在有规律的环形纹理,因此当目标像素点为正常的纹理对应的像素点时,其轴向上灰度值较大的像素点通常为环形纹理边缘或缺陷区域的像素点,并且考虑到裂纹缺陷是随机出现且没有规律性的。因此当目标像素点为正常的纹理像素点时,其轴向上的灰度梯度值较大的轴向边缘像素点在空间距离上为规律分布的。在本发明实施例中,预设灰度差异阈值设置为10,预设邻域范围为以目标像素点为中心,两侧各取30个像素点对应的邻域范围,实施者可根据具体实施环境自行调整预设灰度差异阈值和预设邻域范围。需要说明的是,当其中一侧的像素点数量不足时,从另一侧进行补齐。
因此进一步地沿塑胶模具圆柱器件轴向,将轴向边缘像素点依次排列,得到轴向边缘像素点序列;将轴向边缘像素点序列中,每个轴向边缘像素点与其前一个轴向边缘像素点之间的距离,作为每个轴向边缘像素点的参考距离。由于在塑胶模具圆柱器件表面的轴向上,环形纹理是存在周期的,因此正常情况下每两个轴向边缘像素点对应一个周期,并且相邻周期对应位置像素点之间的距离相差不大或相同;当目标像素点的灰度值不为正常纹理像素点时,所筛选出的轴向边缘像素点通常不为环形纹理的边缘对应的像素点,因此通常不存在对应的周期特征。
在轴向边缘像素点序列中,根据轴向边缘像素点的参考距离分布情况构建周期性强弱程度计算模型;根据周期性强弱程度计算模型,得到目标像素点的周期强弱程度。进一步地根据轴向边缘像素点是否存在周期特征的特性,对目标像素点的周期性强弱程度进行计算,并根据周期性强弱程度进一步衡量目标像素点为纹理像素点的可能性。
优选地,周期性强弱程度计算模型包括:
其中,为目标像素点/>的周期性强弱程度;/>为目标像素点/>对应的轴向边缘像素点数量;/>为目标像素点/>对应的轴向边缘像素点序列中第/>个轴向边缘像素点的参考距离;/>为目标像素点/>对应的轴向边缘像素点序列中第/>个轴向边缘像素点的参考距离,/>为预设第一调节参数,预设第一调节参数大于0;/>为归一化函数。在本发明实施例中,归一化函数采用线性归一化,实施者也可根据具体实施环境采用其他归一化方法。
其中,环形纹理的边缘在轴向上具有一定的周期,且每个周期存在两个轴向边缘像素点。因此每个轴向边缘像素点的参考距离与其之前两个轴向边缘像素点的参考距离之间的差异通常较小或不存在差异,因此,当目标像素点对应的周期性越强时,越小,对应的目标像素点越符合纹理区域像素点的特征。
进一步地根据周期强弱程度筛选出疑似纹理像素点。
优选地,疑似纹理像素点的获取方法包括:
由于周期性强弱程度越大时,对应的像素点的轴向上的轴向边缘像素点越符合环形纹理的特征,因此周期性强弱程度越大,对应的像素点越可能为纹理区域的像素点。因此本发明实施例将周期性强弱程度大于预设周期性阈值的像素点,作为疑似纹理像素点。在本发明实施例中,由于周期性强弱程度为归一化后的值,因此将预设周期性阈值设置为0.8,实施者可根据具体实施环境自行调整预设周期阈值的大小。
周期性强弱程度能够表征每个像素点在轴向上一定范围内的周期性,为了进一步地对像素点的纹理可能性表征更加准确,对相邻的局部范围进行进一步地分析,进一步地表征疑似纹理像素点为纹理区域像素点的可能性。根据每个疑似纹理像素点与其周期位置处的像素点之间的邻域周期分布相似情况,得到每个疑似纹理像素点的周期相似程度。
优选地,周期相似程度的获取方法包括:
依次将每个疑似纹理像素点作为目标疑似纹理像素点;
在目标疑似纹理像素点对应的轴向边缘像素点序列中,将每个轴向边缘像素点与其之前第二个轴向边缘像素点之间的距离,作为每个疑似纹理像素点对应的间隔距离;将目标疑似纹理像素点对应的轴向边缘像素点序列中所有疑似纹理像素点对应的间隔距离均值,作为目标疑似纹理像素点的周期参考距离。在正常的塑胶模具圆柱器件表面,每隔两个轴向边缘像素点通常对应一个周期,因此周期参考距离通常对应近似的周期长度。
在塑胶模具圆柱器件的轴向上,将目标疑似纹理像素点的预设邻域范围中与目标疑似纹理像素点相距周期参考距离的整数倍的像素点,作为目标疑似纹理像素点的周期对比像素点;将所有周期对比像素点以距离目标疑似纹理像素点的距离由近到远的顺序排列,得到目标疑似纹理像素点的周期对比像素点序列,从而使得得到的周期对比像素点为目标疑似纹理像素点在邻域内各个周期上对应位置的像素点。
在塑胶模具圆柱器件的周向上,获取每个周期对比像素点对应周向边缘像素点。
优选地,周向边缘像素点的获取方法包括:
依次将每个周期对比像素点作为目标周期对比像素点;
在塑胶模具圆柱器件周向上,将目标周期对比像素点预设第二邻域范围中与目标周期对比像素点的灰度值差异小于预设灰度差异阈值的像素点,作为周向参考像素点;计算所有周向参考像素点的梯度值均值;将梯度值大于梯度值均值的周向参考像素点,作为周向边缘像素点。周向边缘像素点为目标周期对比像素点在周向上对应的边缘像素点。将与对应周期对比像素点距离最近的两个周向边缘像素点,作为每个周期对比像素点的周期权重像素点,进一步地以周期权重像素点对应的周期强弱程度作为权重,影响对应的周期相似程度。
根据目标疑似纹理像素点与每个周期对比像素点之间对应的轴向参考像素点数量差异,和各个周期对比像素点的周期权重像素点的周期强弱程度分布情况,以及周期对比像素点序列中各个周期对比像素点的索引值,构建周期相似程度计算模型,根据周期相似程度计算模型得到目标疑似纹理像素点的周期相似程度。
优选地,周期相似程度计算模型包括:
其中,为目标疑似纹理像素点/>的周期相似程度,N为目标疑似纹理像素点的周期对比像素点序列的元素数量;/>为目标疑似纹理像素点/>的周期对比像素点序列中第i个周期对比像素点的轴向参考像素点数量;/>为目标疑似纹理像素点/>的轴向参考像素点数量;/>为目标疑似纹理像素点/>的周期对比像素点序列中,第i个周期对比像素点的第一个周期权重像素点的周期性强弱程度;/>为目标疑似纹理像素点/>的周期对比像素点序列中,第i个周期对比像素点的第二个周期权重像素点的周期性强弱程度;i为目标疑似纹理像素点/>的周期对比像素点序列中的周期对比像素点索引值;/>为向上取整函数;/>为预设第二调节参数,预设第二调节参数大于0;/>为归一化函数。
当越小时,对应的周期对比像素点与目标疑似纹理像素点之间的邻域范围的灰度分布较为相似,说明目标疑似纹理像素点/>的周期对比像素点序列中第i个周期对比像素点受到缺陷的影响较小,反之则较大。/>能够从每个周期对比像素点的周向上的像素点的周期性分布情况,来进一步地表征周期对比像素点受到缺陷的影响程度,使得对周期相似程度的表征更加准确。而/>则是考虑到了距离因素的影响,对于周期对比像素点而言,与目标疑似纹理像素点之间的距离越近,其对应的邻域范围的灰度分布相似性应当越高,因此引入索引值进行周期相似程度的计算,对应的周期相似程度越大,说明目标疑似纹理像素点属于纹理区域的可能性越大。
步骤S3:根据每个疑似纹理像素点的周期强弱程度和周期相似程度,得到每个疑似纹理像素点的纹理区域可能性;根据纹理区域可能性筛选出纹理区域像素点;将所有纹理区域像素点筛除后进行迭代阈值分割,得到塑胶模具圆柱器件表面灰度图像对应的目标区域。
进一步地将周期强弱程度和周期相似程度结合,根据每个疑似纹理像素点的周期强弱程度和周期相似程度,得到每个疑似纹理像素点的纹理区域可能性。
优选地,纹理区域可能性的获取方法包括:
将每个疑似纹理像素点的周期强弱程度与周期相似程度的乘积,作为每个疑似纹理像素点的纹理区域可能性。需要说明的是,实施者也可通过其他方法根据周期强弱程度和周期相似程度,计算出纹理区域可能性,例如相加后进行归一化。
在本发明实施例中,依次将每个疑似纹理像素点作为第个疑似纹理像素点,则第个疑似纹理像素点的纹理区域可能性的获取方法在公式上表现为:
其中,为第/>个疑似纹理像素点的纹理区域可能性,/>为第/>个疑似纹理像素点的周期强弱程度,/>为第/>个疑似纹理像素点的周期相似程度。
进一步地根据纹理区域可能性筛选出纹理区域像素点。
优选地,纹理区域像素点的获取方法包括:
本发明实施例将纹理区域可能性大于预设纹理阈值的疑似纹理像素点,作为纹理区域像素点。在本发明实施例中,预设纹理阈值设置为0.7,实施者可根据具体实施环境自行调整,在此不做进一步赘述。
在得到纹理区域像素点后,根据本发明实施例将迭代阈值分割算法的阈值更新公式中筛除正常的纹理区域的像素点的目的,进一步地将所有纹理区域像素点筛除后进行迭代阈值分割,得到塑胶模具圆柱器件表面灰度图像对应的目标区域。需要说明的是,迭代分割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。
步骤S4:根据目标区域进行塑胶模具生产质量视觉检测。
在得到本发明实施例的目标区域后,进一步地根据目标区域进行塑胶模具生产质量视觉检测。
优选地,根据目标区域进行塑胶模具生产质量视觉检测的方法包括:
获取目标区域对应的各个连通域的最小外接矩形;当存在对应的最小外接矩形的长宽比大于预设细长阈值的连通域时,将对应的塑胶模具圆柱器件表面的质量检测结果记为不合格;当所有连通域的最小外接矩形的长宽比均小于预设细长阈值的时,将对应的塑胶模具圆柱器件表面的质量检测结果记为合格。在本发明实施例中,预设细长阈值设置为10,实施者可根据具体实施环境自行调整。由于裂纹缺陷对应的缺陷区域通常为长条状,因此引入最小外接矩形的长宽比进行裂纹缺陷的检测,从而进一步地进行塑胶模具生产质量视觉检测。
综上所述,本发明根据塑胶模具圆柱器件表面灰度图像在圆柱器件轴向的周期分布情况。得到每个像素点的周期强弱程度,并根据周期强弱程度筛选出疑似纹理像素点;进一步地根据疑似纹理像素点与其周期位置处的像素点之间的邻域周期分布相似情况,得到对应的周期相似程度;将周期强弱程度和周期相似程度结合后,筛选出纹理区域像素点。最后将纹理区域筛除后进行迭代阈值分割,得到更加准确的分割结果,使得对塑胶模具生产质量视觉检测效果更好。
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 (5)
1.一种塑胶模具生产质量视觉检测方法,其特征在于,所述方法包括:
获取塑胶模具圆柱器件表面灰度图像;
在所述塑胶模具圆柱器件表面灰度图像中,根据每个像素点的灰度值在圆柱器件轴向上的周期分布情况,得到每个像素点的周期强弱程度;根据所述周期强弱程度筛选出疑似纹理像素点;根据每个疑似纹理像素点与其周期位置处的像素点之间的邻域周期分布相似情况,得到每个疑似纹理像素点的周期相似程度;
根据每个疑似纹理像素点的周期强弱程度和所述周期相似程度,得到每个疑似纹理像素点的纹理区域可能性;根据所述纹理区域可能性筛选出纹理区域像素点;将所有纹理区域像素点筛除后进行迭代阈值分割,得到塑胶模具圆柱器件表面灰度图像对应的目标区域;
根据所述目标区域进行塑胶模具生产质量视觉检测;
所述周期强弱程度的获取方法包括:
依次将每个像素点作为目标像素点;
在塑胶模具圆柱器件轴向上,将目标像素点预设邻域范围内中与目标像素点的灰度值差异小于预设灰度差异阈值的像素点,作为轴向参考像素点;计算所有轴向参考像素点的梯度值均值;将梯度值大于所述梯度值均值的轴向参考像素点,作为轴向边缘像素点;
沿塑胶模具圆柱器件轴向,将轴向边缘像素点依次排列,得到轴向边缘像素点序列;将轴向边缘像素点序列中,每个轴向边缘像素点与其前一个轴向边缘像素点之间的距离,作为每个轴向边缘像素点的参考距离;
在轴向边缘像素点序列中,根据轴向边缘像素点的参考距离分布情况构建周期性强弱程度计算模型;根据所述周期性强弱程度计算模型,得到目标像素点的周期强弱程度;
所述周期性强弱程度计算模型包括:
;其中,/>为目标像素点/>的周期性强弱程度;/>为目标像素点/>对应的轴向边缘像素点数量;/>为目标像素点/>对应的轴向边缘像素点序列中第/>个轴向边缘像素点的参考距离;/>为目标像素点/>对应的轴向边缘像素点序列中第/>个轴向边缘像素点的参考距离,/>为预设第一调节参数,所述预设第一调节参数大于0;/>为归一化函数;
所述周期相似程度的获取方法包括:
依次将每个疑似纹理像素点作为目标疑似纹理像素点;
在目标疑似纹理像素点对应的轴向边缘像素点序列中,将每个轴向边缘像素点与其之前第二个轴向边缘像素点之间的距离,作为每个疑似纹理像素点对应的间隔距离;将目标疑似纹理像素点对应的轴向边缘像素点序列中所有疑似纹理像素点对应的间隔距离均值,作为目标疑似纹理像素点的周期参考距离;
在塑胶模具圆柱器件的轴向上,将目标疑似纹理像素点的预设邻域范围中与目标疑似纹理像素点相距周期参考距离的整数倍的像素点,作为目标疑似纹理像素点的周期对比像素点;将所有周期对比像素点以距离目标疑似纹理像素点的距离由近到远的顺序排列,得到目标疑似纹理像素点的周期对比像素点序列;
在塑胶模具圆柱器件的周向上,获取每个周期对比像素点对应周向边缘像素点;将与对应周期对比像素点距离最近的两个周向边缘像素点,作为每个周期对比像素点的周期权重像素点;
根据目标疑似纹理像素点与每个周期对比像素点之间对应的轴向参考像素点数量差异,和各个周期对比像素点的周期权重像素点的周期强弱程度分布情况,以及周期对比像素点序列中各个周期对比像素点的索引值,构建周期相似程度计算模型,根据所述周期相似程度计算模型得到目标疑似纹理像素点的周期相似程度;
所述周期相似程度计算模型包括:
;其中,/>为目标疑似纹理像素点/>的周期相似程度,/>为目标疑似纹理像素点/>的周期对比像素点序列的元素数量;/>为目标疑似纹理像素点/>的周期对比像素点序列中第/>个周期对比像素点的轴向参考像素点数量;/>为目标疑似纹理像素点/>的轴向参考像素点数量;/>为目标疑似纹理像素点/>的周期对比像素点序列中,第/>个周期对比像素点的第一个周期权重像素点的周期性强弱程度;/>为目标疑似纹理像素点/>的周期对比像素点序列中,第/>个周期对比像素点的第二个周期权重像素点的周期性强弱程度;/>为目标疑似纹理像素点/>的周期对比像素点序列中的周期对比像素点索引值;/>为向上取整函数;/>为预设第二调节参数,所述预设第二调节参数大于0;/>为归一化函数;
所述周向边缘像素点的获取方法包括:
依次将每个周期对比像素点作为目标周期对比像素点;
在塑胶模具圆柱器件周向上,将目标周期对比像素点预设第二邻域范围中与目标周期对比像素点的灰度值差异小于预设灰度差异阈值的像素点,作为周向参考像素点;计算所有周向参考像素点的梯度值均值;将梯度值大于所述梯度值均值的周向参考像素点,作为周向边缘像素点。
2.根据权利要求1所述的一种塑胶模具生产质量视觉检测方法,其特征在于,所述疑似纹理像素点的获取方法包括:
将周期性强弱程度大于预设周期性阈值的像素点,作为疑似纹理像素点。
3.根据权利要求1所述的一种塑胶模具生产质量视觉检测方法,其特征在于,所述纹理区域可能性的获取方法包括:
将每个疑似纹理像素点的周期强弱程度与所述周期相似程度的乘积,作为每个疑似纹理像素点的纹理区域可能性。
4.根据权利要求1所述的一种塑胶模具生产质量视觉检测方法,其特征在于,所述纹理区域像素点的获取方法包括:
将纹理区域可能性大于预设纹理阈值的疑似纹理像素点,作为纹理区域像素点。
5.根据权利要求1所述的一种塑胶模具生产质量视觉检测方法,其特征在于,所述根据所述目标区域进行塑胶模具生产质量视觉检测的方法包括:
获取目标区域对应的各个连通域的最小外接矩形;当存在对应的最小外接矩形的长宽比大于预设细长阈值的连通域时,将对应的塑胶模具圆柱器件表面的质量检测结果记为不合格;当所有连通域的最小外接矩形的长宽比均小于预设细长阈值的时,将对应的塑胶模具圆柱器件表面的质量检测结果记为合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311528683.3A CN117252874B (zh) | 2023-11-16 | 2023-11-16 | 一种塑胶模具生产质量视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311528683.3A CN117252874B (zh) | 2023-11-16 | 2023-11-16 | 一种塑胶模具生产质量视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117252874A CN117252874A (zh) | 2023-12-19 |
CN117252874B true CN117252874B (zh) | 2024-03-19 |
Family
ID=89126784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311528683.3A Active CN117252874B (zh) | 2023-11-16 | 2023-11-16 | 一种塑胶模具生产质量视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252874B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105675625A (zh) * | 2016-03-03 | 2016-06-15 | 浙江大学 | 一种梯度迭代阈值分割的水果表面缺陷检测方法 |
CN110503633A (zh) * | 2019-07-29 | 2019-11-26 | 西安理工大学 | 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法 |
CN114897894A (zh) * | 2022-07-11 | 2022-08-12 | 海门市芳华纺织有限公司 | 一种筒纱菊花芯缺陷检测方法 |
CN116071387A (zh) * | 2023-03-06 | 2023-05-05 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于机器视觉的枕轨生产质量检测方法 |
CN116168024A (zh) * | 2023-04-23 | 2023-05-26 | 苏州大凯纸业有限公司 | 基于计算机视觉的瓦楞纸生产质量实时检测方法 |
CN116977342A (zh) * | 2023-09-25 | 2023-10-31 | 厘壮信息科技(苏州)有限公司 | 基于图像分割的pcb板线路检测方法 |
-
2023
- 2023-11-16 CN CN202311528683.3A patent/CN117252874B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105675625A (zh) * | 2016-03-03 | 2016-06-15 | 浙江大学 | 一种梯度迭代阈值分割的水果表面缺陷检测方法 |
CN110503633A (zh) * | 2019-07-29 | 2019-11-26 | 西安理工大学 | 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法 |
CN114897894A (zh) * | 2022-07-11 | 2022-08-12 | 海门市芳华纺织有限公司 | 一种筒纱菊花芯缺陷检测方法 |
CN116071387A (zh) * | 2023-03-06 | 2023-05-05 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于机器视觉的枕轨生产质量检测方法 |
CN116168024A (zh) * | 2023-04-23 | 2023-05-26 | 苏州大凯纸业有限公司 | 基于计算机视觉的瓦楞纸生产质量实时检测方法 |
CN116977342A (zh) * | 2023-09-25 | 2023-10-31 | 厘壮信息科技(苏州)有限公司 | 基于图像分割的pcb板线路检测方法 |
Non-Patent Citations (1)
Title |
---|
"基于高斯金字塔和视觉显著性的色织物疵点检测";郑娜等;《包装工程》;第41卷(第7期);第247-252页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117252874A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116385448B (zh) | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 | |
US8498466B2 (en) | Method of evaluation by comparison of an acquired image with a reference image | |
CN114529549B (zh) | 一种基于机器视觉的布匹缺陷标注方法及系统 | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
JP6099479B2 (ja) | ひび割れ検出方法 | |
CN108629775A (zh) | 一种热态高速线材表面图像处理方法 | |
CN115222733A (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN113793337B (zh) | 基于人工智能的机车配件表面异常程度评估方法 | |
CN110793462B (zh) | 基于视觉技术的尼龙齿轮分度圆测量方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及系统 | |
CN110930425B (zh) | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 | |
CN117252874B (zh) | 一种塑胶模具生产质量视觉检测方法 | |
CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
CN112819842A (zh) | 适用于工件质检的工件轮廓曲线拟合方法、装置及介质 | |
CN116758044A (zh) | 一种基于ResNet网络的太赫兹图像质量评价方法 | |
CN116205923A (zh) | 基于x-ray的汽车轮毂内部缺陷无损检测方法 | |
CN115205165A (zh) | 用于工业机械外壳的防腐材料喷涂方法 | |
CN111508022B (zh) | 一种基于随机采样一致性的线激光条纹定位方法 | |
CN112785589A (zh) | 通过云端网络获取数字医疗异常影像的方法 | |
CN112784922A (zh) | 智能云端医疗影像的提取和分类方法 | |
CN117237350B (zh) | 一种铸钢件质量实时检测方法 |
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 |