CN117274291B - 基于计算机视觉的模具脱模残留检测方法 - Google Patents
基于计算机视觉的模具脱模残留检测方法 Download PDFInfo
- Publication number
- CN117274291B CN117274291B CN202311549091.XA CN202311549091A CN117274291B CN 117274291 B CN117274291 B CN 117274291B CN 202311549091 A CN202311549091 A CN 202311549091A CN 117274291 B CN117274291 B CN 117274291B
- Authority
- CN
- China
- Prior art keywords
- block
- region
- gray
- threshold
- analysis
- 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 abstract description 196
- 238000004458 analytical method Methods 0.000 claims abstract description 131
- 238000005266 casting Methods 0.000 claims abstract description 86
- 230000007547 defect Effects 0.000 claims abstract description 62
- 238000012804 iterative process Methods 0.000 claims abstract description 30
- 230000002902 bimodal effect Effects 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000000926 separation method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000011218 segmentation Effects 0.000 abstract description 10
- 239000003795 chemical substances by application Substances 0.000 description 14
- 238000005286 illumination Methods 0.000 description 9
- 239000006082 mold release agent Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 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
- G06T7/10—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
- G06T7/0002—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及区域分割技术领域,具体涉及一种基于计算机视觉的模具脱模残留检测方法。该方法将铸件灰度图像划分为区域块,获取区域块的灰度特征值;利用迭代阈值法对区域块进行阈值迭代,在区域块的阈值迭代过程进行采样获取区域块的分析迭代过程;根据区域块在相邻的两次分析迭代过程中疑似缺陷像素点的数量的差异与位置分布的差异调整阈值的误差,得到区域块的最终区域阈值;结合获取的区域块的双峰显著度与最终区域阈值获取对铸件灰度图像进行分割的最终图像阈值,基于最终图像阈值对模具脱模区域进行检测。本发明根据区域块内信息的重要程度对最终区域阈值进行调整获取最终图像阈值,提高铸件上脱模残留检测的准确率。
Description
技术领域
本发明涉及区域分割技术领域,具体涉及基于计算机视觉的模具脱模残留检测方法。
背景技术
铸件脱模时需要用到脱模剂进行辅助,脱模剂过多或温湿度不合适等原因会导致脱模剂残留在铸件上,并在铸件表面形成痕迹。在使用表面存在缺陷的铸件进行工作时,可能导致机器寿命降低,因此,对铸件进行脱模残留检测非常重要。
现有技术直接利用迭代阈值法获取对铸件灰度图像进行图像分割的阈值,由于光照不均匀与噪声等因素的影响,导致残留物周围灰度出现不均匀变化,基于迭代阈值法获取的阈值对图像进行分割会导致分割结果不准确,降低铸件上脱模残留检测的准确率。
发明内容
为了解决因光照不均匀与噪声等因素使残留物周围出现不均匀变化,导致利用迭代阈值法获取的阈值不能准确识别脱模残留的技术问题,本发明的目的在于提供一种基于计算机视觉的模具脱模残留检测方法,所采用的技术方案具体如下:
本发明提出了一种基于计算机视觉的模具脱模残留检测方法,该方法包括:
获取脱模后铸件的铸件灰度图像;
将铸件灰度图像划分为预设尺寸的区域块;获取每个区域块的灰度特征值;对于每个区域块,利用迭代阈值法对区域块进行阈值迭代,将所述灰度特征值作为对区域块进行阈值迭代的阈值的初始值,直至迭代次数超过预设第一正整数;间隔预设第二正整数次对区域块在阈值迭代中的迭代过程进行采样,将获取的至少两次迭代过程作为分析迭代过程;
获取区域块在每次分析迭代过程的阈值与疑似缺陷像素点;根据区域块在相邻的两次分析迭代过程中疑似缺陷像素点的数量之间的差异、疑似缺陷像素点的位置分布之间的差异以及阈值之间差异,获取对区域块进行分割的最终区域阈值;
基于每个区域块内灰度分布获取每个区域块的双峰显著度;结合铸件灰度图像中每个区域块在相邻的分析迭代过程的阈值之间的差异与所述双峰显著度,对相应区域块的所述最终区域阈值进行调整,获取对铸件灰度图像进行分割的最终图像阈值;
基于最终图像阈值对模具脱模残留区域进行检测。
进一步地,所述获取每个区域块的灰度特征值的方法,包括:
获取每个区域块的灰度直方图曲线;
对于每条灰度直方图曲线,将灰度直方图曲线上每个极大值点对应的灰度级与该灰度级在对应区域块内出现的频率的乘积,作为每个极大值点的加权灰度值;
将灰度直方图曲线上所有极大值点的所述加权灰度值的均值作为灰度直方图曲线对应的区域块的灰度特征值。
进一步地,所述疑似缺陷像素点的获取方法,包括:
对于每个区域块,将区域块中灰度值大于每次分析迭代过程的阈值的像素点作为区域块在每次分析迭代过程的疑似缺陷像素点。
进一步地,所述获取对区域块进行分割的最终区域阈值的方法,包括:
对于每个区域块,将区域块在每次分析迭代过程与其上一次分析迭代过程的阈值之间的差值绝对值与每次分析迭代过程的阈值的比值,作为区域块在每次分析迭代过程的相对误差;
将区域块在每次分析迭代过程中疑似缺陷像素点构成的连通域作为区域块在每次分析迭代过程的疑似缺陷区域;根据区域块在每次分析迭代过程的疑似缺陷区域的位置分布,获取每次迭代分析的分布综合距离;
结合区域块在每次分析迭代过程与其上一次分析迭代过程的疑似缺陷像素点的数量之间的差异,分布综合距离之间的差异,以及每次分析迭代过程的相对误差,获取区域块在每次分析迭代过程的误差真实度;
将区域块在所有分析迭代过程的误差真实度的最大值作为最终真实值;将所述最终真实值对应的分析迭代过程的阈值作为区域块的最终区域阈值。
进一步地,所述获取每次迭代分析的分布综合距离的方法,包括:
对于区域块的每次分析迭代过程,选取区域块在分析迭代过程的任意一个疑似缺陷区域作为目标区域,将目标区域的中心分别与其他每个疑似缺陷区域的中心之间的欧式距离作为目标区域的分布距离;将目标区域的所有分布距离的均值作为目标区域的分布均距离;将分析迭代过程的疑似缺陷区域的分布均距离的均值作为分析迭代过程的分布综合距离。
进一步地,所述获取区域块在每次分析迭代过程的误差真实度的计算公式如下:
;式中,/>为每个区域块在第n次分析迭代过程的误差真实度;/>为每个区域块在第n次分析迭代过程的相对误差;/>为每个区域块在第n次分析迭代过程中疑似缺陷像素点的数量;/>为每个区域块在第n-1次分析迭代过程中疑似缺陷像素点的数量;a为预设第二正整数;/>为每个区域块在第n次分析迭代过程的分布综合距离;/>为每个区域块在第n-1次分析迭代过程的分布综合距离;/>为绝对值函数;/>为预设正数。
进一步地,所述基于每个区域块内灰度分布获取每个区域块的双峰显著度的方法,包括:
对于每条灰度直方图曲线,获取灰度直方图曲线上所有的极大值点,将灰度级出现的频率最大的两个极大值点作为峰点;将两个峰点之间的欧式距离作为灰度直方图曲线的双峰分离度;
在灰度直方图曲线上两个峰点之间的曲线段上获取所有的极小值点,将灰度直方图曲线对应区域块内灰度级出现的频率最小的极小值点作为谷点;
将两个峰点的灰度级在对应区域块内出现的频率的最大值与谷点的灰度级在对应区域块内出现的频率之间的差值作为灰度直方图曲线的高度差;
根据灰度直方图曲线的双峰分离度与高度差获取灰度直方图曲线对应区域块的双峰显著度;所述双峰分离度与所述高度差均与所述双峰显著度为正相关的关系。
进一步地,所述最终图像阈值的获取方法,包括:
根据铸件灰度图像中每个区域块的所述最终真实值与双峰显著度,获取铸件灰度图像中每个区域块的重要度;所述最终真实值与所述双峰显著度均与所述重要度为正相关的关系;
基于铸件灰度图像中每个区域块的重要度对最终区域阈值进行加权分析,获取对铸件灰度图像进行分割的最终图像阈值。
进一步地,所述最终图像阈值的获取方法,包括:
基于铸件灰度图像中所有区域块的重要度,对每个区域块的所述重要度进行归一化,获取重要权重;根据重要权重将铸件灰度图像中区域块的最终区域阈值进行加权求和,获取铸件灰度图像的最终图像阈值。
进一步地,所述基于最终图像阈值对模具脱模残留区域进行检测的方法,包括:
将铸件灰度图像中灰度值大于最终图像阈值的像素点构成的连通域作为脱模残留区域。
本发明具有如下有益效果:
本发明实施例中,为提高识别铸件灰度图像中缺陷区域的准确性,将铸件灰度图像划分为多个区域块,获取区域块的灰度特征值,利用迭代阈值法对区域块进行阈值迭代,并将灰度特征值作为对区域块进行阈值迭代的阈值的初始值,以减少区域块的阈值迭代次数,提高工作效率,为减少计算量,对区域块在阈值迭代过程进行采样获取分析迭代过程;区域块在迭代前后中前景区域面积与形状的差异程度,反映利用迭代阈值获取的阈值对区域块进行分割得到的区域为脱模残留区域的准确性,根据区域块在相邻的两次分析迭代过程中疑似缺陷像素点的数量之间的差异、位置分布之间的差异以及阈值之间差异,获取对区域块进行分割的最终区域阈值;双峰显著度反映区域块内残留区域与正常模具区域之间差异程度,并结合区域块在相邻的分析迭代过程的阈值之间的差异,对最终区域阈值进行调整,以降低获取的最终图像阈值对图像分割出现误差的可能性,提高铸件上脱模残留检测的准确率。
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计算机视觉的模具脱模残留检测方法的方法流程图。
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计算机视觉的模具脱模残留检测方法,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。
本发明所针对的具体场景:利用迭代阈值分割算法对铸件脱模后的残留物进行缺陷检测时,由于不均匀的光照以及不属于缺陷区域的存在导致在残留物周围存在影响阈值分割结果的因素。因此本方法通过将图像分块,并根据不同分块中对缺陷的分割效果以及重要程度对不同分块的阈值进行加权处理,从而降低缺陷周围干扰因素对缺陷检测的影响。
下面结合附图具体的说明本发明所提供的一种基于计算机视觉的模具脱模残留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计算机视觉的模具脱模残留检测方法的方法流程图,该方法包括:
步骤S1:获取脱模后铸件的铸件灰度图像。
具体的,铸件脱模时需要用到脱模剂辅助,脱模剂过多或温湿度不合适等原因会导致脱模剂残留,在铸件表面形成痕迹。将脱模后的铸件放置在工作台上,将工业相机固定在工作台的正上方,利用工业相机拍摄铸件得到铸件图像。图像采集过程中可能拍摄到背景区域,为消除背景对模具脱模残留检测的影响,对铸件图像使用语义分割,去除背景部分,留下铸件区域得到铸件原始图像。对铸件原始图像进行灰度化处理,得到铸件灰度图像。
需要说明的是,本发明实施例中选用加权平均化算法进行灰度化处理,语义分割去除背景,具体方法在此不做介绍,均为本领域技术人员熟知的技术手段。
步骤S2:将铸件灰度图像划分为预设尺寸的区域块;获取每个区域块的灰度特征值;对于每个区域块,利用迭代阈值法对区域块进行阈值迭代,将灰度特征值作为对区域块进行阈值迭代的阈值的初始值,直至迭代次数超过预设第一正整数;间隔预设第二正整数次对区域块在阈值迭代中的迭代过程进行采样,将获取的至少两次迭代过程作为分析迭代过程。
为提高识别铸件灰度图像中缺陷区域的准确性,对铸件灰度图像使用超像素分割获取区域块,区域块的预设尺寸取经验值10x10,实施者可根据具体情况自行设置。其中,超像素分割为本领域技术人员公知技术,在此不再赘述。
根据区域块的灰度分布特点获取区域块的灰度特征值。
优选地,区域块的灰度特征值的具体获取方法为:获取每个区域块的灰度直方图曲线;对于每条灰度直方图曲线,将灰度直方图曲线上每个极大值点对应的灰度级与该灰度级在对应区域块内出现的频率的乘积,作为每个极大值点的加权灰度值;将灰度直方图曲线上所有极大值点的加权灰度值的均值作为灰度直方图曲线对应的区域块的灰度特征值。
需要说明的是,每个区域块的灰度直方图曲线上的极大值点的灰度级在对应区域块中所占的比例较大。残留物的痕迹在图像中灰度值高于正常的铸件区域的灰度值,但铸件边缘部分区域因反光导致该区域的灰度高于缺陷区域的灰度值,且铸件边缘区域在图像中较少。为减少后续阈值迭代次数,本发明利用灰度直方图曲线上极大值点的灰度级与该灰度级在对应区域块中出现的频率,获取每个区域块的灰度特征值。
每个区域块的灰度特征值的计算公式如下:
式中,HD为每个区域块的灰度特征值;为每个区域块的灰度直方图曲线上第i个极大值点的灰度级;/>为每个区域块的灰度直方图曲线上第i个极大值点对的灰度级在对应区域块中出现的频率;/>为每个区域块的灰度直方图曲线上第i个极大值点的加权灰度值;/>为每个区域块的灰度直方图曲线上极大值点的数量。
本发明利用迭代阈值法对每个区域块进行阈值迭代,将每个区域块的灰度特征值作为对应区域块进行阈值迭代时阈值的初始值,即每个区域块进行第一次迭代过程的阈值为对应区域块的灰度特征值,直至每个区域块进行阈值迭代的迭代次数超过预设第一正整数。每个区域块在进行阈值迭代时每次迭代过程均能得到每次迭代过程的阈值。其中,迭代阈值法为本领域技术公知技术,在此不再赘述。本发明实施例中预设第一正整数取经验值40,实施者可根据具体情况自行设置。
为减少计算量,对于每个区域块,从区域块进行阈值迭代的第一次迭代过程开始,间隔预设第二正整数对区域块在阈值迭代中多次迭代过程进行采样,将获取的至少两次迭代过程作为分析迭代过程,即相邻的两次分析迭代过程之间间隔预设第二正整数次迭代过程。
若预设第二正整数较小时,提高效率的效果较低;若较大时;出现误差的可能性较大;本发明实施例中预设第二正整数取经验值3,实施者可根据具体情况自行设置。作为一个示例,将区域块在阈值迭代中的第1次迭代过程、第4次迭代过程、第7次迭代过程、...、第1+3xK次迭代过程、...、第40次迭代过程作为区域块的分析迭代过程。
步骤S3:获取区域块在每次分析迭代过程的阈值与疑似缺陷像素点;根据区域块在相邻的两次分析迭代过程中疑似缺陷像素点的数量之间的差异、疑似缺陷像素点的位置分布之间的差异以及阈值之间差异,获取对区域块进行分割的最终区域阈值。
在对区域块进行阈值迭代的过程中,当前次迭代过程的阈值是根据上一次迭代过程的阈值对区域块分析得到的,上一次迭代过程可能由于光照或者噪声等因素的干扰出现的误差会在后续迭代过程中累积,导致迭代过程的阈值的误差不断扩大。为了降低在阈值迭代过程中误差的传递,根据区域块在阈值迭代过程中相邻的分析迭代过程的阈值之间的误差对阈值进行调整,获取对区域块进行分割的最终区域阈值。
脱模剂通常是非金属材料,进行灰度检测会显示高亮区域;残留物周围区域在光照下会出现反光现象,铸件边缘部分区域同样会出现反光现象,导致这些区域的灰度值高于正常的铸件区域。
对于每个区域块,将区域块中灰度值大于每次分析迭代过程的阈值的像素点作为区域块在每次分析迭代过程的疑似缺陷像素点。需要说明的是,由于区域块在每次分析迭代的阈值不同,导致区域块在每次分析迭代过程的疑似缺陷像素点发生改变。
由于噪声、光照与脱模剂残留缺陷等因素的影响,分析块的迭代过程的阈值之间的相对误差存在一定程度的变化,不同相对误差的可接收程度即真实性不同。噪声区域、光照区域与脱模剂残留缺陷区域的像素点在分析迭代过程中可能被识别为疑似缺陷像素点,分析块在相邻的分析迭代过程的疑似缺陷像素点的数量之间的差异与位置分布之间的差异,呈现两次分析迭代过程的阈值受到噪声与光照影响程度,反映每次分析迭代的误差的真实性,进而获取对区域块进行分割的最终区域阈值。
优选地,每个区域块的最终区域阈值的具体获取方法为:对于每个区域块,将区域块在每次分析迭代过程与其上一次分析迭代过程的阈值之间的差值绝对值与每次分析迭代过程的阈值的比值,作为区域块在每次分析迭代过程的相对误差;将区域块在每次分析迭代过程中疑似缺陷像素点构成的连通域作为区域块在每次分析迭代过程的疑似缺陷区域;根据区域块在每次分析迭代过程的疑似缺陷区域的位置分布,获取每次迭代分析的分布综合距离;结合区域块在每次分析迭代过程与其上一次分析迭代过程的疑似缺陷像素点的数量之间的差异,分布综合距离之间的差异,以及每次分析迭代过程的相对误差,获取区域块在每次分析迭代过程的误差真实度;将区域块在所有分析迭代过程的误差真实度的最大值作为最终真实值;将最终真实值对应的分析迭代过程的阈值作为区域块的最终区域阈值。
(1)获取区域块在每次分析迭代过程的相对误差。
每个区域块在每次分析迭代过程的相对误差的计算公式如下:
式中,为每个区域块在第n次分析迭代过程的相对误差;/>为每个区域块在第n次分析迭代过程的阈值;/>为每个区域块在第n-1次分析迭代过程的阈值;/>为绝对值函数。
需要说明的是,当越大,说明区域块在相邻的分析迭代过程中因光照或者噪声等因素出现误差的可能性越大,则相对误差/>越大。本发明从区域块在阈值迭代中第二分析迭代过程开始获取相对误差,即区域块的第一次分析迭代过程无相对误差。
(2)获取区域块在每次分析迭代过程的分布综合距离。
对于区域块的每次分析迭代过程,选取区域块在分析迭代过程的任意一个疑似缺陷区域作为目标区域,将目标区域的中心分别与其他每个疑似缺陷区域的中心之间的欧式距离作为目标区域的分布距离;将目标区域的所有分布距离的均值作为目标区域的分布均距离;将分析迭代过程的疑似缺陷区域的分布均距离的均值作为分析迭代过程的分布综合距离。
疑似缺陷区域可能为反光区域、噪声区域与脱模剂残留缺陷区域;分布综合距离呈现区域块在分析迭代过程的疑似缺陷区域的变化程度。
(3)获取区域块在每次分析迭代过程的误差真实度。
结合区域块在相邻的两次分析迭代过程的疑似缺陷像素点的数量之间的差异、分布综合距离之间的差异,对两次分析迭代过程的阈值的差异进行调整,获取区域块在每次分析迭代过程的误差真实度。误差真实度的计算公式如下:
式中,为每个区域块在第n次分析迭代过程的误差真实度;/>为每个区域块在第n次分析迭代过程的相对误差;/>为每个区域块在第n次分析迭代过程中疑似缺陷像素点的数量;/>为每个区域块在第n-1次分析迭代过程中疑似缺陷像素点的数量;/>为每个区域块在第n次分析迭代过程的分布综合距离;/>为每个区域块在第n-1次分析迭代过程的分布综合距离;/>为绝对值函数;/>为预设正数,取经验值0.01,作用为防止分式无意义。
当越大时,区域块在第n-1次与第n次分析迭代过程的疑似缺陷像素点的数量差异较大,基于相邻两次分析迭代过程的阈值获取的区域的差异部分为反光区域与噪声区域的可能性较大,说明区域块在第n次分析迭代过程的阈值不具备真实性,则误差真实度/>越小。当/>越大时,区域块在第n-1次与第n次分析迭代过程的疑似缺陷区域的位置或形状出现较大变化,基于相邻两次分析迭代过程的阈值获取的区域的差异部分为反光区域与噪声区域的可能性较大、脱模剂残留区域的可能性较小,说明区域块在第n次分析迭代过程的阈值不具备真实性,区域块基于第n次分析迭代过程的阈值识别的脱模具残留区域的准确率较低,则误差真实度/>越小。
通过对区域块在第n次分析迭代过程的相对误差/>进行调整,得到区域块在第n次分析迭代过程的误差真实度/>,当/>越大时,基于区域块的第n次分析迭代过程的阈值获取的区域为脱模剂残留区域的可能性越大,/>能准确反映基于区域块在第n次分析迭代过程的阈值获取的残缺区域的准确性。
对于每个区域块,根据上述方法获取区域块进行阈值迭代过程中每次分析迭代过程的误差真实度,将区域块在所有分析迭代过程的误差真实度的最大值作为最终真实值;将最终真实值对应的分析迭代过程的阈值作为区域块的最终区域阈值。
至此,铸件灰度图像的每个区域块均有对应的最终真实值与该区域块进行图像分割的最终区域阈值。
步骤S4:基于每个区域块内灰度分布获取每个区域块的双峰显著度;结合铸件灰度图像中每个区域块在相邻的分析迭代过程的阈值之间的差异与双峰显著度,对相应区域块的最终区域阈值进行调整,获取对铸件灰度图像进行分割的最终图像阈值。
脱模剂类型以及环境因素的不同,铸件上脱模剂残留物会与铸件形成灰度差,并且因脱模剂通常是非金属材料,在灰度检测的过程中显示高亮区域。因此,残留物区域与正常的铸件区域会存在一定的灰度差异,可以依据图像中的双峰程度对区域块的重要程度进行判断。
优选地,区域块的双峰显著度的具体获取方法为:对于每条灰度直方图曲线,获取灰度直方图曲线上所有的极大值点,将灰度级出现的频率最大的两个极大值点作为峰点;将两个峰点之间的欧式距离作为灰度直方图曲线的双峰分离度;在灰度直方图曲线上两个峰点之间的曲线段上获取所有的极小值点,将灰度直方图曲线对应区域块内灰度级出现的频率最小的极小值点作为谷点;将两个峰点的灰度级在对应区域块内出现的频率的最大值与谷点的灰度级在对应区域块内出现的频率之间的差值作为灰度直方图曲线的高度差;根据灰度直方图曲线的双峰分离度与高度差获取灰度直方图曲线对应区域块的双峰显著度;双峰分离度与高度差均与双峰显著度为正相关的关系。
作为一个示例,对于每个区域块,将区域块的灰度直方图曲线上极大值点的灰度级在该区域块内出现的频率按照从大到小的顺序排列,将前两个极大值点作为峰点,第一个极大值点作为第一个峰点,第二个极大值点作为第二个峰点。将两个峰点之间的欧式距离作为个区域块的灰度直方图曲线的双峰分离度。
将区域块的灰度直方图曲线上两个峰点之间的曲线段上所有的极小值点的灰度级在该区域块内出现的频率按照从小到大的顺序排列,将第一个极小值点作为谷点。将第一峰点与谷点的灰度级在该区域块内出现的概率的差值作为区域块的灰度直方图曲线的高度差K。
结合每个区域块的灰度直方图曲线的双峰分离度与高度差,获取每个区域块的灰度直方图曲线的双峰显著度。双峰显著度的计算公式如下:
式中,F为每个区域块的灰度直方图曲线的双峰显著度;为每个区域块的灰度直方图曲线的第一个峰点的灰度级;/>为每个区域块的灰度直方图曲线的第一个峰点的灰度级在对应区域块内出现的概率;/>为每个区域块的灰度直方图曲线的第二个峰点的灰度级;/>为每个区域块的灰度直方图曲线的第二个峰点的灰度级在对应区域块内出现的概率;
为每个区域块的灰度直方图曲线的双峰分离度;K为每个区域块的灰度直方图曲线的高度差。
需要说明的是,当双峰分离度越大时,说明区域块内前景区域与背景区域差异明显,即区域块内脱模剂残留区域与正常铸件区域较容易区分,区域块的灰度直方图曲线呈双峰分布越明显,则区域块的灰度直方图曲线的双峰显著度F越大;当高度差K越大时,说明区域块内脱模剂残留区域与正常的铸件区域较容易区分,则区域块的灰度直方图曲线的双峰显著度F越大。
在对图像进行缺陷检测时,每个区域块所包含的信息对于缺陷检测过程具有不同的重要程度,因此对分块信息的重要程度进行分析,进而对每个区域块的重要程度进行加权运算,获取对铸件灰度图像进行分割的最终图像阈值。
优选地,最终图像阈值的具体获取方法为:根据铸件灰度图像中每个区域块的最终真实值与双峰显著度,获取铸件灰度图像中每个区域块的重要度;最终真实值与双峰显著度均与重要度为正相关的关系;基于铸件灰度图像中每个区域块的重要度对最终区域阈值进行加权分析,获取对铸件灰度图像进行分割的最终图像阈值。
结合区域块的灰度直方图曲线的双峰显著度与该区域块的最终误差度,获取区域块的重要度,重要度的计算公式如下:
式中,Z为铸件灰度图像的每个区域块的重要度;F为铸件灰度图像的每个区域块的灰度直方图曲线的双峰显著度;为铸件灰度图像的每个区域块的最终真实值。
需要说明的是,当双峰显著度F越大时,说明区域块内脱模剂残留区域与正常铸件区域的差异越明显,区域块的最终区域阈值越重要,则重要度Z越大;当最终真实值越大时,说明基于最终区域阈值对区域块进行分割后得到脱模剂残留区域的可靠性越高,则区域块的最终区域阈值越重要,则重要度Z越大。
基于铸件灰度图像中所有区域块的重要度,对每个区域块的重要度进行归一化,获取重要权重;根据重要权重将铸件灰度图像中区域块的最终区域阈值进行加权求和,获取铸件灰度图像的最终图像阈值。铸件灰度图像的最终图像阈值的计算公式如下:
式中,TY为铸件灰度图像的最终图像阈值;m为铸件灰度图像的区域块的数量;为铸件灰度图像的第a个区域块的最终区域阈值;/>为铸件灰度图像的第a个区域块的重要度。
步骤S5:基于最终图像阈值对模具脱模残留区域进行检测。
将铸件灰度图像中灰度值大于最终图像阈值的像素点构成的连通域作为脱模残留区域,完成对他脱模后铸件表面的脱模剂残留的缺陷检测。
至此,本发明完成。
综上所述,本发明实施例中,将铸件灰度图像划分为区域块,获取区域块的灰度特征值;利用迭代阈值法对区域块进行阈值迭代,在区域块的阈值迭代过程进行采样获取区域块的分析迭代过程;根据区域块在相邻的两次分析迭代过程中疑似缺陷像素点的数量的差异与位置分布的差异调整阈值的误差,得到区域块的最终区域阈值;结合获取的区域块的双峰显著度与最终区域阈值获取对铸件灰度图像进行分割的最终图像阈值,基于最终图像阈值对模具脱模区域进行检测。本发明根据区域块内信息的重要程度对最终区域阈值进行调整获取最终图像阈值,提高铸件上脱模残留检测的准确率。
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 (8)
1.一种基于计算机视觉的模具脱模残留检测方法,其特征在于,该方法包括:
获取脱模后铸件的铸件灰度图像;
将铸件灰度图像划分为预设尺寸的区域块;获取每个区域块的灰度特征值;对于每个区域块,利用迭代阈值法对区域块进行阈值迭代,将所述灰度特征值作为对区域块进行阈值迭代的阈值的初始值,直至迭代次数超过预设第一正整数;间隔预设第二正整数次对区域块在阈值迭代中的迭代过程进行采样,将获取的至少两次迭代过程作为分析迭代过程;
获取区域块在每次分析迭代过程的阈值与疑似缺陷像素点;根据区域块在相邻的两次分析迭代过程中疑似缺陷像素点的数量之间的差异、疑似缺陷像素点的位置分布之间的差异以及阈值之间差异,获取对区域块进行分割的最终区域阈值;
基于每个区域块内灰度分布获取每个区域块的双峰显著度;结合铸件灰度图像中每个区域块在相邻的分析迭代过程的阈值之间的差异与所述双峰显著度,对相应区域块的所述最终区域阈值进行调整,获取对铸件灰度图像进行分割的最终图像阈值;
基于最终图像阈值对模具脱模残留区域进行检测;
所述获取对区域块进行分割的最终区域阈值的方法,包括:
对于每个区域块,将区域块在每次分析迭代过程与其上一次分析迭代过程的阈值之间的差值绝对值与每次分析迭代过程的阈值的比值,作为区域块在每次分析迭代过程的相对误差;
将区域块在每次分析迭代过程中疑似缺陷像素点构成的连通域作为区域块在每次分析迭代过程的疑似缺陷区域;根据区域块在每次分析迭代过程的疑似缺陷区域的位置分布,获取每次迭代分析的分布综合距离;
结合区域块在每次分析迭代过程与其上一次分析迭代过程的疑似缺陷像素点的数量之间的差异,分布综合距离之间的差异,以及每次分析迭代过程的相对误差,获取区域块在每次分析迭代过程的误差真实度;
将区域块在所有分析迭代过程的误差真实度的最大值作为最终真实值;将所述最终真实值对应的分析迭代过程的阈值作为区域块的最终区域阈值;
所述获取区域块在每次分析迭代过程的误差真实度的计算公式如下:
式中,Gn为每个区域块在第n次分析迭代过程的误差真实度;Wn为每个区域块在第n次分析迭代过程的相对误差;Xn为每个区域块在第n次分析迭代过程中疑似缺陷像素点的数量;Xn-1为每个区域块在第n-1次分析迭代过程中疑似缺陷像素点的数量;a为预设第二正整数;Dn为每个区域块在第n次分析迭代过程的分布综合距离;Dn-1为每个区域块在第n-1次分析迭代过程的分布综合距离;||为绝对值函数;∈为预设正数。
2.根据权利要求1所述的一种基于计算机视觉的模具脱模残留检测方法,其特征在于,所述获取每个区域块的灰度特征值的方法,包括:
获取每个区域块的灰度直方图曲线;
对于每条灰度直方图曲线,将灰度直方图曲线上每个极大值点对应的灰度级与该灰度级在对应区域块内出现的频率的乘积,作为每个极大值点的加权灰度值;
将灰度直方图曲线上所有极大值点的所述加权灰度值的均值作为灰度直方图曲线对应的区域块的灰度特征值。
3.根据权利要求1所述的一种基于计算机视觉的模具脱模残留检测方法,其特征在于,所述疑似缺陷像素点的获取方法,包括:
对于每个区域块,将区域块中灰度值大于每次分析迭代过程的阈值的像素点作为区域块在每次分析迭代过程的疑似缺陷像素点。
4.根据权利要求1所述的一种基于计算机视觉的模具脱模残留检测方法,其特征在于,所述获取每次迭代分析的分布综合距离的方法,包括:
对于区域块的每次分析迭代过程,选取区域块在分析迭代过程的任意一个疑似缺陷区域作为目标区域,将目标区域的中心分别与其他每个疑似缺陷区域的中心之间的欧式距离作为目标区域的分布距离;将目标区域的所有分布距离的均值作为目标区域的分布均距离;将分析迭代过程的疑似缺陷区域的分布均距离的均值作为分析迭代过程的分布综合距离。
5.根据权利要求2所述的一种基于计算机视觉的模具脱模残留检测方法,其特征在于,所述基于每个区域块内灰度分布获取每个区域块的双峰显著度的方法,包括:
对于每条灰度直方图曲线,获取灰度直方图曲线上所有的极大值点,将灰度级出现的频率最大的两个极大值点作为峰点;将两个峰点之间的欧式距离作为灰度直方图曲线的双峰分离度;
在灰度直方图曲线上两个峰点之间的曲线段上获取所有的极小值点,将灰度直方图曲线对应区域块内灰度级出现的频率最小的极小值点作为谷点;
将两个峰点的灰度级在对应区域块内出现的频率的最大值与谷点的灰度级在对应区域块内出现的频率之间的差值作为灰度直方图曲线的高度差;
根据灰度直方图曲线的双峰分离度与高度差获取灰度直方图曲线对应区域块的双峰显著度;所述双峰分离度与所述高度差均与所述双峰显著度为正相关的关系。
6.根据权利要求1所述的一种基于计算机视觉的模具脱模残留检测方法,其特征在于,所述最终图像阈值的获取方法,包括:
根据铸件灰度图像中每个区域块的所述最终真实值与双峰显著度,获取铸件灰度图像中每个区域块的重要度;所述最终真实值与所述双峰显著度均与所述重要度为正相关的关系;
基于铸件灰度图像中每个区域块的重要度对最终区域阈值进行加权分析,获取对铸件灰度图像进行分割的最终图像阈值。
7.根据权利要求6所述的一种基于计算机视觉的模具脱模残留检测方法,其特征在于,所述最终图像阈值的获取方法,包括:
基于铸件灰度图像中所有区域块的重要度,对每个区域块的所述重要度进行归一化,获取重要权重;根据重要权重将铸件灰度图像中区域块的最终区域阈值进行加权求和,获取铸件灰度图像的最终图像阈值。
8.根据权利要求1所述的一种基于计算机视觉的模具脱模残留检测方法,其特征在于,所述基于最终图像阈值对模具脱模残留区域进行检测的方法,包括:
将铸件灰度图像中灰度值大于最终图像阈值的像素点构成的连通域作为脱模残留区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311549091.XA CN117274291B (zh) | 2023-11-21 | 2023-11-21 | 基于计算机视觉的模具脱模残留检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311549091.XA CN117274291B (zh) | 2023-11-21 | 2023-11-21 | 基于计算机视觉的模具脱模残留检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274291A CN117274291A (zh) | 2023-12-22 |
CN117274291B true CN117274291B (zh) | 2024-02-13 |
Family
ID=89202948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311549091.XA Active CN117274291B (zh) | 2023-11-21 | 2023-11-21 | 基于计算机视觉的模具脱模残留检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274291B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764981B (zh) * | 2024-01-11 | 2024-05-10 | 东莞市中钢模具有限公司 | 基于机器视觉的注塑模具质量在线检测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272346A (zh) * | 2022-09-30 | 2022-11-01 | 江苏炜盛光电科技有限公司 | 一种基于边缘检测的pcb板生产过程在线检测方法 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
CN116843678A (zh) * | 2023-08-28 | 2023-10-03 | 青岛冠宝林活性炭有限公司 | 一种硬碳电极生产质量检测方法 |
CN116993726A (zh) * | 2023-09-26 | 2023-11-03 | 山东克莱蒙特新材料科技有限公司 | 一种矿物铸件检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020238819A1 (en) * | 2019-05-24 | 2020-12-03 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
-
2023
- 2023-11-21 CN CN202311549091.XA patent/CN117274291B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272346A (zh) * | 2022-09-30 | 2022-11-01 | 江苏炜盛光电科技有限公司 | 一种基于边缘检测的pcb板生产过程在线检测方法 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
CN116843678A (zh) * | 2023-08-28 | 2023-10-03 | 青岛冠宝林活性炭有限公司 | 一种硬碳电极生产质量检测方法 |
CN116993726A (zh) * | 2023-09-26 | 2023-11-03 | 山东克莱蒙特新材料科技有限公司 | 一种矿物铸件检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于神经网络的灰度图像阈值分割方法;薛岚燕;郑胜林;潘保昌;陈箫枫;;广东工业大学学报;20051225(04);第71-76页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117274291A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117274291B (zh) | 基于计算机视觉的模具脱模残留检测方法 | |
CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN115049664B (zh) | 基于视觉的船舶发动机配件缺陷检测方法 | |
CN117173184A (zh) | 基于人工智能的道路施工质量检测方法及系统 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN114723681A (zh) | 一种基于机器视觉的混凝土裂缝缺陷检测方法 | |
CN115775250B (zh) | 基于数字图像分析的金手指电路板缺陷快速检测系统 | |
CN116777916B (zh) | 基于泵机金属外壳的缺陷检测方法 | |
CN110717900B (zh) | 基于改进Canny边缘检测算法的受电弓磨耗检测方法 | |
CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN115311275B (zh) | 一种电子元器件表面缺陷检测方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116228768B (zh) | 一种电子元器件表面划痕检测方法 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN115661143B (zh) | 用于MiniLED晶圆缺陷的快速检测系统 | |
CN117522873B (zh) | 一种太阳能光伏组件生产质量检测系统 | |
CN116486091B (zh) | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 | |
CN114998343A (zh) | 基于视觉的模具表面抛光程度检测方法 | |
CN115346126A (zh) | 一种边坡裂纹识别方法 | |
CN114972337B (zh) | 一种基于防水布霍夫空间数据处理的异常识别方法 | |
CN117911792B (zh) | 一种电压基准源芯片生产用引脚检测系统 | |
CN115100208A (zh) | 一种基于直方图和动态光源的薄膜表面缺陷评估方法 | |
CN116664584B (zh) | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 | |
CN115018835A (zh) | 一种汽车起动机齿轮检测方法 | |
CN117078676B (zh) | 基于图像处理的破碎锤外壳视觉检测方法 |
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 |