CN117635609A - 一种塑胶产品生产质量视觉检测方法 - Google Patents
一种塑胶产品生产质量视觉检测方法 Download PDFInfo
- Publication number
- CN117635609A CN117635609A CN202410101256.5A CN202410101256A CN117635609A CN 117635609 A CN117635609 A CN 117635609A CN 202410101256 A CN202410101256 A CN 202410101256A CN 117635609 A CN117635609 A CN 117635609A
- Authority
- CN
- China
- Prior art keywords
- scratch
- pixel
- suspected
- pixel point
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 31
- 238000011179 visual inspection Methods 0.000 title claims description 16
- 238000012216 screening Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 61
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种塑胶产品生产质量视觉检测方法,包括:采集灰度图;获取灰度图中像素点的局部范围,根据像素点的局部范围中像素点的灰度值,获取疑似划痕像素点;获取疑似划痕像素点的梯度方向;根据疑似划痕像素点的梯度方向,获取疑似划痕像素点为划痕像素点的第一可能性;并构建筛选坐标系;对筛选坐标系进行聚类,得到若干类簇;根据类簇中像素点为划痕像素点的第一可能性以及像素点的灰度值,计算像素点类簇中像素点为划痕像素点的可能性;根据像素点类簇中像素点为划痕像素点的可能性,获取划痕像素点。本发明通过对采集的塑胶产品的特征进行,并结合聚类算法准确的得到划痕像素点。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种塑胶产品生产质量视觉检测方法。
背景技术
由于在塑胶产品生产的过程中,为了去除塑胶产品上的毛刺同时解决塑胶产品中的应力集中的问题,通常会在塑胶产品面与面交界处添加倒角设计;但在光照的影响下,塑胶产品倒角处的像素点的灰度值与塑胶产品其他位置的像素点的灰度值存在的差异大,而在对塑胶产品进行质量检测时,传统的阈值分割算法无法区分塑胶产品中的划痕与倒角之间的差异,因此传统的阈值分割算法并不能得到良好的检测效果。
发明内容
本发明提供一种塑胶产品生产质量视觉检测方法,以解决现有的问题:传统的阈值分割算法并不能得到良好的检测效果。
本发明的一种塑胶产品生产质量视觉检测方法采用如下技术方案:
包括以下步骤:
采集塑胶产品图像,并对塑胶产品图像进行预处理得到灰度图;
获取灰度图中像素点的局部范围,根据像素点的局部范围中像素点的灰度值,计算像素点的划痕程度;根据像素点的划痕程度获取疑似划痕像素点;
获取疑似划痕像素点的梯度方向;根据疑似划痕像素点的梯度方向,获取疑似划痕像素点的像素链;根据疑似划痕像素点的像素链中像素点的划痕程度以及灰度值,获取疑似划痕像素点为划痕像素点的第一可能性;
根据疑似划痕像素点为划痕像素点的第一可能性,构建筛选坐标系;对筛选坐标系进行聚类,得到若干类簇;根据类簇中像素点为划痕像素点的第一可能性以及像素点的灰度值,计算像素点类簇中像素点为划痕像素点的可能性;根据像素点类簇中像素点为划痕像素点的可能性,获取划痕像素点。
优选的,所述采集塑胶产品图像,并对塑胶产品图像进行预处理得到灰度图,包括的具体方法为:
利用工业相机采集塑胶产品图像,然后对塑胶产品图像进行灰度化处理,最后利用双边滤波算法对经过灰度化处理的塑胶产品图像进行去噪,得到去噪后的塑胶产品灰度图像,记为灰度图。
优选的,所述获取灰度图中像素点的局部范围,根据像素点的局部范围中像素点的灰度值,计算像素点的划痕程度,包括的具体方法为:
对于第个像素点,将第/>个像素点八邻域内所有的像素点记为第/>个像素点的局部范围,根据第/>个像素点的局部范围内所有像素点的灰度值,计算于第/>个像素点的划痕程度,其具体的计算公式为:
式中,表示第/>个像素点的划痕程度;/>表示第/>个像素点的灰度值;/>表示第/>个像素点的局部范围内所有像素点的灰度均值;/>表示第/>个像素点的局部范围内第/>个像素点的灰度值;/>表示第/>个像素点的局部范围内所有像素点的数量;/>表示线性归一化函数;/>表示绝对值运算。
优选的,所述根据像素点的划痕程度获取疑似划痕像素点,包括的具体方法为:
预设一个划痕程度阈值,将灰度图中所有划痕程度大于/>的像素点记为疑似划痕像素点。
优选的,所述获取疑似划痕像素点的梯度方向,包括的具体方法为:
利用sobel算子获取所有疑似划痕像素点水平方向的梯度值以及竖直方向上的梯度值,分别记为与/>;在通过/>与/>获取所有疑似划痕像素点的梯度方向,其具体的计算公式为:
式中,表示第/>个疑似划痕像素点的梯度方向;/>表示第/>个疑似划痕像素点竖直方向上的梯度值;/>表示第/>个疑似划痕像素点水平方向上的梯度值;/>为反正切函数。
优选的,所述根据疑似划痕像素点的梯度方向,获取疑似划痕像素点的像素链,包括的具体方法为:
对于获取第个疑似划痕像素点的像素链,首先预设一个像素链长度/>,以第/>个疑似划痕像素点为中心,做一条垂直于第/>个疑似划痕像素点的梯度方向的直线,记为第/>个疑似划痕像素点的特征线,将第/>个疑似划痕像素点的特征线中欧氏距离第/>个疑似划痕像素点最近的/>个像素点,作为第/>个疑似划痕像素点的像素链。
优选的,所述根据疑似划痕像素点的像素链中像素点的划痕程度以及灰度值,获取疑似划痕像素点为划痕像素点的第一可能性,包括的具体方法为:
统计与第个疑似划痕像素点的灰度值相同的疑似划痕像素点数量,同时获取第/>个疑似划痕像素点的像素链中每个像素点的划痕程度以及灰度值;根据第/>个疑似划痕像素点的灰度值相同像素点数量、第/>个疑似划痕像素点的像素链中每个像素点的划痕程度以及灰度值,获取每个疑似划痕像素点为划痕像素点的第一可能性,其具体的计算公式为:
式中,表示第/>个疑似划痕像素点为划痕像素点的第一可能性;/>表示与第/>个疑似划痕像素点的灰度值相同的疑似划痕像素点数量;/>表示第/>个疑似划痕像素点的划痕程度;/>表示第/>个疑似划痕像素点的像素链中第/>个像素点的划痕程度;/>表示第/>个疑似划痕像素点的灰度值;/>表示第/>个疑似划痕像素点的像素链中第/>个像素点的灰度值;/>表示预设的像素链长度;/>表示以自然常数为底数的指数函数;/>表示绝对值运算。
优选的,所述根据疑似划痕像素点为划痕像素点的第一可能性,构建筛选坐标系;对筛选坐标系进行聚类,得到若干类簇,包括的具体方法为:
根据以疑似划痕像素点为划痕像素点的第一可能性为纵轴,以疑似划痕像素点的灰度值为横轴,建立一个直角坐标系,记为筛选坐标系;将所有疑似划痕像素点置入筛选坐标系中,然后利用DBSCAN聚类算法对筛选坐标系中的疑似划痕像素点进行聚类,得到若干像素点类簇。
优选的,所述根据类簇中像素点为划痕像素点的第一可能性以及像素点的灰度值,计算像素点类簇中像素点为划痕像素点的可能性,包括的具体方法为:
根据像素点类簇中像素点之间的欧氏距离以及像素点为划痕像素点的第一可能性,计算像素点类簇中像素点为划痕像素点的可能性,其具体的计算公式为:
式中,表示第/>个像素点类簇中像素点为划痕像素点的可能性;/>表示第/>个像素点类簇中像素点的数量;/>表示第/>个像素点类簇中第/>个像素点为划痕像素点的第一可能性;/>表示第/>个像素点类簇中第/>个像素点与第/>个像素点之间的欧氏距离;表示线性归一化函数。
优选的,所述根据像素点类簇中像素点为划痕像素点的可能性,获取划痕像素点,包括的具体方法为:
预设一个可能性阈值,对于第/>个像素点类簇,若第/>个像素点类簇中像素点为划痕像素点的可能性大于等于/>,第/>个像素点类簇中像素点为划痕像素点。
本发明的技术方案的有益效果是:本申请通过获取灰度图中像素点的局部范围,分析灰度图中划痕像素点与倒角边缘像素点之间的差异,计算像素点的划痕程度,得到疑似划痕像素点,通过构建疑似划痕像素点的像素链,分析构建疑似划痕像素点的形状特征,得到疑似划痕像素点为划痕像素点的第一可能性,根据疑似划痕像素点为划痕像素点的第一可能性,结合疑似划痕像素点灰度值的分布程度,即可准确地检测出划痕像素点。
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为本发明一种塑胶产品生产质量视觉检测方法的步骤流程图。
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塑胶产品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产品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产品生产质量视觉检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集塑胶产品图像,并对塑胶产品图像进行预处理得到灰度图。
需要说明的是,在塑胶产品生产的过程中,会不可避免的出现塑胶产品之间发生碰撞而产生划痕,使塑胶产品的产品质量下降;而本实施例作为一种塑胶产品生产质量视觉检测方法,是通过将存在划痕的塑胶产品筛选出来,以此达到提高塑胶产品的产品质量的目的。为了将存在划痕的塑胶产品筛选出来,因此首先需要采集塑胶产品图像,同时为了能够准确的将存在划痕的塑胶产品筛选出来,还需要对塑胶产品图像进行预处理。
具体的,利用工业相机采集塑胶产品图像,然后对塑胶产品图像进行灰度化处理,最后利用双边滤波算法对经过灰度化处理的塑胶产品图像进行去噪,由于利用双边滤波算法进行去噪的具体过程为一种公知的现有技术,故在本实施例中不再进行赘述;得到去噪后的塑胶产品灰度图像,记为灰度图。
至此,得到灰度图。
步骤S002:获取灰度图中像素点的局部范围,根据像素点的局部范围中像素点的灰度值,计算像素点的划痕程度;根据像素点的划痕程度获取疑似划痕像素点。
需要说明的是,由于在塑胶产品生产的过程中,为了去除塑胶产品上的毛刺同时解决塑胶产品中的应力集中的问题,通常会在塑胶产品面与面交界处添加倒角设计;但在光照的影响下,塑胶产品倒角处的像素点的灰度值与塑胶产品其他位置的像素点的灰度值存在的差异大,而在对塑胶产品进行质量检测时,传统的阈值分割算法无法区分塑胶产品中的划痕与倒角之间的差异,因此传统的阈值分割算法并不能得到良好的检测效果;因此本实施例提出了一种塑胶产品生产质量视觉检测方法。
需要进一步说明的是,由于塑胶产品的中的划痕总是呈细长状的,故可以以此为依据对灰度图中所有的像素点进行初步的筛选,获取灰度图中所有的疑似划痕像素点。
具体的,对于第个像素点,将第/>个像素点八邻域内所有的像素点记为第/>个像素点的局部范围,根据第/>个像素点的局部范围内所有像素点的灰度值,计算于第/>个像素点的划痕程度,其具体的计算公式为:
式中,表示第/>个像素点的划痕程度;/>表示第/>个像素点的灰度值;/>表示第/>个像素点的局部范围内所有像素点的灰度均值;/>表示第/>个像素点的局部范围内第/>个像素点的灰度值;/>表示第/>个像素点的局部范围内所有像素点的数量;/>表示线性归一化函数;/>表示绝对值运算。
需要说明的是,由于塑胶产品的中的划痕总是细长状的,因此当第个像素点位于划痕中时,第/>个像素点的局部范围内即存在两种像素点,一种为正常像素点另一种为划痕像素点,由于塑胶产品中的划痕会影响灰度图中灰度值,即正常像素点与划痕像素点的灰度值存在的差异大,而/>表示的就是第/>个像素点的局部范围内像素点之间的差异,因此/>的值越大,则第/>个像素点就越具有划痕像素点的特征;故可以以此为依据,获取灰度图中的疑似划痕像素点。
具体的,预设一个划痕程度阈值,/>的具体取值可结合实际情况自行设置,本实施例不做硬性要求,在本实施例中以/>进行叙述,将灰度图中所有划痕程度大于/>的像素点记为疑似划痕像素点。
至此,得到灰度图中所有疑似划痕像素点。
步骤S003:获取疑似划痕像素点的梯度方向;根据疑似划痕像素点的梯度方向,获取疑似划痕像素点的像素链;根据疑似划痕像素点的像素链中像素点的划痕程度以及灰度值,获取疑似划痕像素点为划痕像素点的第一可能性。
需要说明的是,由于在塑胶产品面与面交界处添加倒角设计;但在光照的影响下,位于倒角的边缘处的像素点的局部范围也中存在两种像素点,一种是正常像素点另一种是由于不同的角度下表现出不同灰度值的正常像素点,即位于倒角的边缘处的像素点与划痕像素点相似,因此通过步骤S002得到的疑似划痕像素点中共有两类像素点,一类是划痕像素点,另一类是倒角边缘像素点;而本实施例作为一种塑胶产品生产质量视觉检测方法,则需要将划痕像素点与倒角边缘像素点区分开来。
需要进一步说明的是,由于塑胶产品中的倒角是在塑胶产品生产的过程中设计的,因此倒角边缘像素点构成的倒角边缘是规整的,而塑胶产品中的划痕却是在塑胶产品生产的过程中碰撞产生的,因此塑胶产品中的划痕则不规整,故可以以此为依据,获取每个疑似划痕像素点为划痕像素点的第一可能性。
具体的,利用sobel算子获取所有疑似划痕像素点水平方向的梯度值以及竖直方向上的梯度值,分别记为与/>,由于利用sobel算子获取像素点水平方向的梯度值以及竖直方向上的梯度值的具体过程,作为一种现有的公知技术,故在本实施例中不再进行赘述;在通过/>与/>获取所有疑似划痕像素点的梯度方向,其具体的计算公式为:
式中,表示第/>个疑似划痕像素点的梯度方向;/>表示第/>个疑似划痕像素点竖直方向上的梯度值;/>表示第/>个疑似划痕像素点水平方向上的梯度值;/>为反正切函数。
在得到每个疑似划痕像素点的梯度方向后,根据每个疑似划痕像素点的梯度方向,获取每个疑似划痕像素点的像素链;对于获取第个疑似划痕像素点的像素链,首先预设一个像素链长度/>,/>的具体大小可结合实际情况自行设置,本实施例不做硬性要求,在本实施例中以/>进行叙述,以第/>个疑似划痕像素点为中心,做一条垂直于第/>个疑似划痕像素点的梯度方向的直线,记为第/>个疑似划痕像素点的特征线,将第/>个疑似划痕像素点的特征线中欧氏距离第/>个疑似划痕像素点最近的/>个像素点,作为第/>个疑似划痕像素点的像素链。
接着,统计与第个疑似划痕像素点的灰度值相同的疑似划痕像素点数量,同时获取第/>个疑似划痕像素点的像素链中每个像素点的划痕程度以及灰度值;根据第/>个疑似划痕像素点的灰度值相同像素点数量、第/>个疑似划痕像素点的像素链中每个像素点的划痕程度以及灰度值,获取每个疑似划痕像素点为划痕像素点的第一可能性,其具体的计算公式为:
式中,表示第/>个疑似划痕像素点为划痕像素点的第一可能性;/>表示与第/>个疑似划痕像素点的灰度值相同的疑似划痕像素点数量;/>表示第/>个疑似划痕像素点的划痕程度;/>表示第/>个疑似划痕像素点的像素链中第/>个像素点的划痕程度;/>表示第/>个疑似划痕像素点的灰度值;/>表示第/>个疑似划痕像素点的像素链中第/>个像素点的灰度值;/>表示预设的像素链长度;/>表示以自然常数为底数的指数函数;/>表示绝对值运算。
需要说明的是,由于划痕是塑胶产品在生产过程中塑胶产品之间的碰撞产生的,因此划痕中像素点的灰度值不同,而倒角边缘像素点是在塑胶产品生产过程中设计出来的,以此倒角边缘像素的灰度值相同,所以的值越小,则第/>个疑似划痕像素点越可能为划痕像素点。
需要进一步说明的是,当边缘为直线时,边缘的梯度方向通常垂直于边缘的方向,又由于倒角边缘像素点是在塑胶产品生产过程中设计出来的,因此倒角边缘像素点所构成的倒角边缘是笔直的,而划痕像素点所构成的划痕则不是笔直的,因此若第个疑似划痕像素点为倒角边缘像素点,则第/>个疑似划痕像素点的像素链会位于倒角边缘上,若第/>个疑似划痕像素点为划痕像素点,则第/>个疑似划痕像素点的像素链不会位于划痕边缘上,即第个疑似划痕像素点,与第/>个疑似划痕像素点的像素链中每个像素点之间的划痕程度差异与灰度差异大,因此/>的值越大,则第/>个疑似划痕像素点越可能为划痕像素点;所以/>的值越大,则第/>个疑似划痕像素点越可能为划痕像素点。
至此,得到所有疑似划痕像素点为划痕像素点的第一可能性。
步骤S004:根据疑似划痕像素点为划痕像素点的第一可能性,构建筛选坐标系;对筛选坐标系进行聚类,得到若干类簇;根据类簇中像素点为划痕像素点的第一可能性以及像素点的灰度值,计算像素点类簇中像素点为划痕像素点的可能性;根据像素点类簇中像素点为划痕像素点的可能性,获取划痕像素点。
需要说明的是,本实施例作为一种塑胶产品生产质量视觉检测方法,其目的是要将存在划痕的塑胶产品筛选出来,而通过步骤S003得到疑似划痕像素点为划痕像素点的第一可能性,是通过划痕与倒角边缘形状上的差异得到的,为了准确的将疑似划痕像素点中的划痕像素点筛选出来,还需要进一步的对疑似划痕像素点进行分析。
需要进一步说明的是,由于塑胶产品中的倒角是在塑胶产品生产的过程中设计的,而塑胶产品中的划痕却是在塑胶产品生产的过程中碰撞产生的,因此倒角边缘像素点的灰度值趋于一致,而划痕像素点的灰度值则不会趋于一致,故可以以此为依据,进一步的对疑似划痕像素点进行分析。
具体的,根据以疑似划痕像素点为划痕像素点的第一可能性为纵轴,以疑似划痕像素点的灰度值为横轴,建立一个直角坐标系,记为筛选坐标系;将所有疑似划痕像素点置入筛选坐标系中,然后利用DBSCAN聚类算法对筛选坐标系中的疑似划痕像素点进行聚类,得到若干像素点类簇,由于DBSCAN聚类算法作为一种公知的现有技术,故在本实施例中不再进行赘述;
然后,根据像素点类簇中像素点之间的欧氏距离以及像素点为划痕像素点的第一可能性,计算像素点类簇中像素点为划痕像素点的可能性,其具体的计算公式为:
式中,表示第/>个像素点类簇中像素点为划痕像素点的可能性;/>表示第/>个像素点类簇中像素点的数量;/>表示第/>个像素点类簇中第/>个像素点为划痕像素点的第一可能性;/>表示第/>个像素点类簇中第/>个像素点与第/>个像素点之间的欧氏距离;表示线性归一化函数。
需要说明的是,由于倒角边缘像素点的灰度值趋于一致,而划痕像素点的灰度值则不会趋于一致,因此在筛选坐标系中的倒角边缘像素点分布集中,而筛选坐标系中的划痕像素点分布离散,即的值越大,则第/>个像素点类簇中的越可能为划痕像素点;即/>的值越大,则第/>个像素点类簇中的越可能为划痕像素点,即可以通过像素点类簇中像素点为划痕像素点的可能性获取塑胶产品中的划痕像素点。
具体的,预设一个可能性阈值,/>的具体取值可结合实际情况自行设置,本实施例不做硬性要求,在本实施例中以/>进行叙述,对于第/>个像素点类簇,若第/>个像素点类簇中像素点为划痕像素点的可能性大于等于/>,第/>个像素点类簇中像素点为划痕像素点;第/>个像素点类簇中像素点为划痕像素点的可能性小于/>,第/>个像素点类簇中像素点为倒角边缘像素点。
至此,本实施例完成。
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 (10)
1.一种塑胶产品生产质量视觉检测方法,其特征在于,该方法包括以下步骤:
采集塑胶产品图像,并对塑胶产品图像进行预处理得到灰度图;
获取灰度图中像素点的局部范围,根据像素点的局部范围中像素点的灰度值,计算像素点的划痕程度;根据像素点的划痕程度获取疑似划痕像素点;
获取疑似划痕像素点的梯度方向;根据疑似划痕像素点的梯度方向,获取疑似划痕像素点的像素链;根据疑似划痕像素点的像素链中像素点的划痕程度以及灰度值,获取疑似划痕像素点为划痕像素点的第一可能性;
根据疑似划痕像素点为划痕像素点的第一可能性,构建筛选坐标系;对筛选坐标系进行聚类,得到若干类簇;根据类簇中像素点为划痕像素点的第一可能性以及像素点的灰度值,计算像素点类簇中像素点为划痕像素点的可能性;根据像素点类簇中像素点为划痕像素点的可能性,获取划痕像素点。
2.根据权利要求1所述一种塑胶产品生产质量视觉检测方法,其特征在于,所述采集塑胶产品图像,并对塑胶产品图像进行预处理得到灰度图,包括的具体方法为:
利用工业相机采集塑胶产品图像,然后对塑胶产品图像进行灰度化处理,最后利用双边滤波算法对经过灰度化处理的塑胶产品图像进行去噪,得到去噪后的塑胶产品灰度图像,记为灰度图。
3.根据权利要求1所述一种塑胶产品生产质量视觉检测方法,其特征在于,所述获取灰度图中像素点的局部范围,根据像素点的局部范围中像素点的灰度值,计算像素点的划痕程度,包括的具体方法为:
对于第个像素点,将第/>个像素点八邻域内所有的像素点记为第/>个像素点的局部范围,根据第/>个像素点的局部范围内所有像素点的灰度值,计算于第/>个像素点的划痕程度,其具体的计算公式为:
式中,表示第/>个像素点的划痕程度;/>表示第/>个像素点的灰度值;/>表示第/>个像素点的局部范围内所有像素点的灰度均值;/>表示第/>个像素点的局部范围内第/>个像素点的灰度值;/>表示第/>个像素点的局部范围内所有像素点的数量;/>表示线性归一化函数;/>表示绝对值运算。
4.根据权利要求1所述一种塑胶产品生产质量视觉检测方法,其特征在于,所述根据像素点的划痕程度获取疑似划痕像素点,包括的具体方法为:
预设一个划痕程度阈值,将灰度图中所有划痕程度大于/>的像素点记为疑似划痕像素点。
5.根据权利要求1所述一种塑胶产品生产质量视觉检测方法,其特征在于,所述获取疑似划痕像素点的梯度方向,包括的具体方法为:
利用sobel算子获取所有疑似划痕像素点水平方向的梯度值以及竖直方向上的梯度值,分别记为与/>;在通过/>与/>获取所有疑似划痕像素点的梯度方向,其具体的计算公式为:
式中,表示第/>个疑似划痕像素点的梯度方向;/>表示第/>个疑似划痕像素点竖直方向上的梯度值;/>表示第/>个疑似划痕像素点水平方向上的梯度值;/>为反正切函数。
6.根据权利要求1所述一种塑胶产品生产质量视觉检测方法,其特征在于,所述根据疑似划痕像素点的梯度方向,获取疑似划痕像素点的像素链,包括的具体方法为:
对于获取第个疑似划痕像素点的像素链,首先预设一个像素链长度/>,以第/>个疑似划痕像素点为中心,做一条垂直于第/>个疑似划痕像素点的梯度方向的直线,记为第/>个疑似划痕像素点的特征线,将第/>个疑似划痕像素点的特征线中欧氏距离第/>个疑似划痕像素点最近的/>个像素点,作为第/>个疑似划痕像素点的像素链。
7.根据权利要求6所述一种塑胶产品生产质量视觉检测方法,其特征在于,所述根据疑似划痕像素点的像素链中像素点的划痕程度以及灰度值,获取疑似划痕像素点为划痕像素点的第一可能性,包括的具体方法为:
统计与第个疑似划痕像素点的灰度值相同的疑似划痕像素点数量,同时获取第/>个疑似划痕像素点的像素链中每个像素点的划痕程度以及灰度值;根据第/>个疑似划痕像素点的灰度值相同像素点数量、第/>个疑似划痕像素点的像素链中每个像素点的划痕程度以及灰度值,获取每个疑似划痕像素点为划痕像素点的第一可能性,其具体的计算公式为:
式中,表示第/>个疑似划痕像素点为划痕像素点的第一可能性;/>表示与第/>个疑似划痕像素点的灰度值相同的疑似划痕像素点数量;/>表示第/>个疑似划痕像素点的划痕程度;/>表示第/>个疑似划痕像素点的像素链中第/>个像素点的划痕程度;/>表示第/>个疑似划痕像素点的灰度值;/>表示第/>个疑似划痕像素点的像素链中第/>个像素点的灰度值;/>表示预设的像素链长度;/>表示以自然常数为底数的指数函数;/>表示绝对值运算。
8.根据权利要求1所述一种塑胶产品生产质量视觉检测方法,其特征在于,所述根据疑似划痕像素点为划痕像素点的第一可能性,构建筛选坐标系;对筛选坐标系进行聚类,得到若干类簇,包括的具体方法为:
根据以疑似划痕像素点为划痕像素点的第一可能性为纵轴,以疑似划痕像素点的灰度值为横轴,建立一个直角坐标系,记为筛选坐标系;将所有疑似划痕像素点置入筛选坐标系中,然后利用DBSCAN聚类算法对筛选坐标系中的疑似划痕像素点进行聚类,得到若干像素点类簇。
9.根据权利要求1所述一种塑胶产品生产质量视觉检测方法,其特征在于,所述根据类簇中像素点为划痕像素点的第一可能性以及像素点的灰度值,计算像素点类簇中像素点为划痕像素点的可能性,包括的具体方法为:
根据像素点类簇中像素点之间的欧氏距离以及像素点为划痕像素点的第一可能性,计算像素点类簇中像素点为划痕像素点的可能性,其具体的计算公式为:
式中,表示第/>个像素点类簇中像素点为划痕像素点的可能性;/>表示第/>个像素点类簇中像素点的数量;/>表示第/>个像素点类簇中第/>个像素点为划痕像素点的第一可能性;/>表示第/>个像素点类簇中第/>个像素点与第/>个像素点之间的欧氏距离;/>表示线性归一化函数。
10.根据权利要求1所述一种塑胶产品生产质量视觉检测方法,其特征在于,所述根据像素点类簇中像素点为划痕像素点的可能性,获取划痕像素点,包括的具体方法为:
预设一个可能性阈值,对于第/>个像素点类簇,若第/>个像素点类簇中像素点为划痕像素点的可能性大于等于/>,第/>个像素点类簇中像素点为划痕像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410101256.5A CN117635609B (zh) | 2024-01-25 | 2024-01-25 | 一种塑胶产品生产质量视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410101256.5A CN117635609B (zh) | 2024-01-25 | 2024-01-25 | 一种塑胶产品生产质量视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117635609A true CN117635609A (zh) | 2024-03-01 |
CN117635609B CN117635609B (zh) | 2024-03-29 |
Family
ID=90027221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410101256.5A Active CN117635609B (zh) | 2024-01-25 | 2024-01-25 | 一种塑胶产品生产质量视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635609B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994067A (zh) * | 2024-04-03 | 2024-05-07 | 沂南县宏奥生物科技有限公司 | 一种基于羽毛粉生产的智能控制方法 |
CN118154586A (zh) * | 2024-05-09 | 2024-06-07 | 深圳市冠森高捷电子技术有限公司 | 基于机器视觉的连接器裂纹缺陷智能检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5452367A (en) * | 1993-11-29 | 1995-09-19 | Arch Development Corporation | Automated method and system for the segmentation of medical images |
US20210027454A1 (en) * | 2019-07-24 | 2021-01-28 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method for Defect Classification, Method for Training Defect Classifier, and Apparatus Thereof |
US11151405B1 (en) * | 2020-06-19 | 2021-10-19 | The Boeing Company | Method and system for machine vision detection |
CN115082419A (zh) * | 2022-07-14 | 2022-09-20 | 江苏诺阳家居科技有限公司 | 一种吹塑箱包生产缺陷检测方法 |
CN115690105A (zh) * | 2022-12-30 | 2023-02-03 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的铣刀划痕检测方法 |
-
2024
- 2024-01-25 CN CN202410101256.5A patent/CN117635609B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5452367A (en) * | 1993-11-29 | 1995-09-19 | Arch Development Corporation | Automated method and system for the segmentation of medical images |
US20210027454A1 (en) * | 2019-07-24 | 2021-01-28 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method for Defect Classification, Method for Training Defect Classifier, and Apparatus Thereof |
US11151405B1 (en) * | 2020-06-19 | 2021-10-19 | The Boeing Company | Method and system for machine vision detection |
CN115082419A (zh) * | 2022-07-14 | 2022-09-20 | 江苏诺阳家居科技有限公司 | 一种吹塑箱包生产缺陷检测方法 |
CN115690105A (zh) * | 2022-12-30 | 2023-02-03 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的铣刀划痕检测方法 |
Non-Patent Citations (2)
Title |
---|
吴宏: "基于U-Net的金属垫圈划痕检测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, 15 January 2023 (2023-01-15), pages 022 - 40 * |
李青磊: "基于视觉的太阳能电池片表面缺陷分割技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 March 2020 (2020-03-15), pages 042 - 1227 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994067A (zh) * | 2024-04-03 | 2024-05-07 | 沂南县宏奥生物科技有限公司 | 一种基于羽毛粉生产的智能控制方法 |
CN117994067B (zh) * | 2024-04-03 | 2024-06-04 | 沂南县宏奥生物科技有限公司 | 一种基于羽毛粉生产的智能控制方法 |
CN118154586A (zh) * | 2024-05-09 | 2024-06-07 | 深圳市冠森高捷电子技术有限公司 | 基于机器视觉的连接器裂纹缺陷智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117635609B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN108445009B (zh) | 一种太阳能电池板裂纹检测方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN115953398B (zh) | 一种用于带钢表面的缺陷识别方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN115131348B (zh) | 一种纺织品表面缺陷的检测方法及系统 | |
CN115049657A (zh) | 一种玻璃缺陷检测方法 | |
CN114782330B (zh) | 基于人工智能的炉排异常检测方法及系统 | |
CN113012105B (zh) | 基于图像处理的纱线毛羽检测评级方法 | |
CN117437223B (zh) | 一种高速板对板连接器缺陷智能检测方法 | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN115330795A (zh) | 布匹毛刺缺陷检测方法 | |
CN114972575A (zh) | 一种基于轮廓边缘的直线拟合算法 | |
CN115082465A (zh) | 基于扫描电镜图像处理的羊毛羊绒分类方法 | |
CN117437228B (zh) | 基于图像特征的光伏钢结构组件断裂检测方法 | |
CN116109577A (zh) | 一种印刷标签缺陷检测系统及方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 |
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 |