CN117764981B - 基于机器视觉的注塑模具质量在线检测系统 - Google Patents
基于机器视觉的注塑模具质量在线检测系统 Download PDFInfo
- Publication number
- CN117764981B CN117764981B CN202410038867.XA CN202410038867A CN117764981B CN 117764981 B CN117764981 B CN 117764981B CN 202410038867 A CN202410038867 A CN 202410038867A CN 117764981 B CN117764981 B CN 117764981B
- Authority
- CN
- China
- Prior art keywords
- injection mold
- gray level
- inner cavity
- gray
- value
- 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
- 238000002347 injection Methods 0.000 title claims abstract description 233
- 239000007924 injection Substances 0.000 title claims abstract description 233
- 230000011218 segmentation Effects 0.000 claims abstract description 51
- 238000012216 screening Methods 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 46
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Landscapes
- Moulds For Moulding Plastics Or The Like (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及区域分割技术领域,具体涉及一种基于机器视觉的注塑模具质量在线检测系统。该系统包括:将注塑模具内腔灰度图像中的像素点划分类型,获取每种类型的筛选像素个数;结合图像中灰度分布,以及每个像素点对应类型的像素点个数与筛选像素数量之间的差值,对像素点的灰度值进行修正得到修正灰度值,基于像素点的修正灰度值对图像进行迭代阈值分析获取分割阈值;基于分割阈值获取目标区域,进而依据其面积对注塑模具质量进行检测。本发明对阴影区域内像素点的灰度值进行修正,增大异常区域与阴影区域的灰度差异,使分割得到的目标区域更加准确,提高注塑模具质量检测的准确性。
Description
技术领域
本发明涉及区域分割技术领域,具体涉及一种基于机器视觉的注塑模具质量在线检测系统。
背景技术
注塑模具是一种常见的制造工具,主要用于制造塑料注塑成型产品。当注塑模具质量存在缺陷时,会导致生产的铸件存在尺寸偏差、表面粗糙与损伤等问题,影响产品质量。因此,对注塑模具进行质量检测是制造产品前不可或缺的一个步骤。
现有技术通常利用迭代阈值法获取对图像进行分割的最终阈值,但是注塑模具内腔中异物与损伤区域与拍摄时图像中光照差的阴影区域之间的灰度差异较小,容易将阴影区域误划分为异常区域,使异常区域分割不准确,导致注塑模具质量检测的准确率较低。
发明内容
为了解决因阴影区域与异常区域的灰度差异较小,导致注塑模具质量检测的准确率较低的技术问题,本发明的目的在于提供一种基于机器视觉的注塑模具质量在线检测系统,所采用的技术方案具体如下:
本发明提出了一种基于机器视觉的注塑模具质量在线检测系统,所述系统包括:
图像预处理模块,用于获取注塑模具内腔灰度图像;
像素数量分析模块,用于将注塑模具内腔灰度图像中的像素点划分为至少两种类型;根据每种类型的像素点个数与其他类型的像素点个数之间的差值,获取注塑模具内腔灰度图像中每种类型的筛选像素数量;
修正灰度获取模块,用于结合注塑模具内腔灰度图像的灰度分布,以及每个像素点对应类型的像素点个数与所述筛选像素数量之间的差值,对每个像素点的灰度值进行修正,获取注塑模具内腔灰度图像中每个像素点的修正灰度值;
目标区域分割模块,用于基于注塑模具内腔灰度图像中像素点的修正灰度值,对注塑模具内腔灰度图像进行迭代阈值分析,获取分割阈值;基于分割阈值获取注塑模具内腔灰度图像中的目标区域;
注塑模具质量检测模块,用于基于目标区域的面积对注塑模具质量进行检测。
进一步地,所述将注塑模具内腔灰度图像中的像素点划分为至少两种类型的方法,包括:
将注塑模具内腔灰度图像的灰度直方图中灰度级按照顺序排列得到灰度级序列,将灰度级序列依次划分为预设数量个长度相等的子序列;同一子序列中的灰度级在注塑模具内腔灰度图像中对应的像素点为同种类型的像素点。
进一步地,所述获取注塑模具内腔灰度图像中每种类型的筛选像素数量的方法,包括:
将注塑模具内腔灰度图像中同种类型的像素点个数作为每种类型的初始像素数量;
将注塑模具内腔灰度图像中像素点的总数量与预设数量的倒数的乘积作为均像素数量;
将每种类型的初始像素数量与所述均像素点数量中的最小值作为每种类型的筛选像素数量。
进一步地,所述获取注塑模具内腔灰度图像中每个像素点的修正灰度值的方法,包括:
根据注塑模具内腔灰度图像中灰度分布,获取注塑模具内腔灰度图像中每个像素点的第一修正系数;
依据每种类型的像素点个数与所述筛选像素数量之间的差值,获取注塑模具内腔灰度图像中每种类型的像素点的第二修正系数;
结合每个像素点的所述第一修正系数,以及该像素点对应类型的像素点的所述第二修正系数,对该像素点的灰度值进行修正,获取注塑模具内腔灰度图像中每个像素点的修正灰度值。
进一步地,所述获取注塑模具内腔灰度图像中每个像素点的第一修正系数的方法,包括:
将注塑模具内腔灰度图像的灰度直方图曲线上每个极大值点对应的灰度级在注塑模具内腔灰度图像中出现的频率,作为每个极大值点的灰度出现频率;
将注塑模具内腔灰度图像的灰度直方图曲线依次划分为三个子曲线段;将每个子曲线段上最大的所述灰度出现频率对应的极大值点的灰度级,在注塑模具内腔灰度图像中对应像素点的灰度值,作为每个子曲线段的特征灰度值;将第一个子曲线段与第二个子曲线段的特征灰度值的均值作为第一标准值;
将注塑模具内腔灰度图像中像素点的灰度值中的最大值与最小值的均值作为第二标准值;
将注塑模具内腔图像中每个像素点的灰度值与第一标准值的差值绝对值作为每个像素点的第一差异,每个像素点的灰度值与所述第二标准值的差值绝对值作为每个像素点的第二差异;
根据每个像素点的第一差异与第二差异,获取注塑模具内腔灰度图像中每个像素点的所述第一修正系数;所述第一差异与所述第二差异均与所述第一修正系数为负相关的关系。
进一步地,所述获取注塑模具内腔灰度图像中每种类型的像素点的第二修正系数的方法,包括:
将注塑模具内腔灰度图像中每个像素点对应类型的所述初始像素数量与所述筛选像素数量的差值进行归一化,得到注塑模具内腔灰度图像中每种类型的像素点的第二修正系数。
进一步地,所述注塑模具内腔灰度图像中每个像素点的修正灰度值的计算公式如下:
P=P0+[Norm(f1×f2)×(PMAX-P0)];式中,P为注塑模具内腔灰度图像中每个像素点的修正灰度值;P0为注塑模具内腔灰度图像中每个像素点的灰度值;PMAX为注塑模具内腔灰度图像中像素点的灰度值的最大值;f1为注塑模具内腔灰度图像中每个像素点的所述第一修正系数;f2为注塑模具内腔灰度图像中每种类型的像素点的所述第二修正系数;Norm为归一化函数。
进一步地,所述基于注塑模具内腔灰度图像中像素点的修正灰度值,对注塑模具内腔灰度图像进行迭代阈值分析,获取分割阈值的方法,包括:
基于注塑模具内腔灰度图像中像素点的修正灰度值,利用迭代阈值法对注塑模具内腔灰度图像进行阈值迭代,将所述第二标准差作为注塑模具内腔灰度图像进行阈值迭代的初始阈值,直至当前迭代过程的阈值与其上一次迭代过程的阈值之间的差值绝对值小于预设正数时,停止迭代;
将当前迭代过程的阈值作为对注塑模具内腔灰度图像进行区域分割的分割阈值。
进一步地,所述基于分割阈值获取注塑模具内腔灰度图像中的目标区域的方法,包括:
由注塑模具内腔灰度图像中灰度值小于分割阈值的像素点构成目标区域。
进一步地,所述基于目标区域的面积对注塑模具质量进行检测的方法,包括:
将目标区域中像素点个数与注塑模具内腔灰度图像中像素点个数的比值作为判断值;
当判断值小于预设判断阈值时,注塑模具质量不合格;当判断值大于或者等于预设判断阈值时,注塑模具合格。
本发明具有如下有益效果:
本发明实施例中,为减少计算量,将注塑模具内腔灰度图像中的像素点划分类型,由于注塑模具内腔灰度图像中异常区域的像素点数量远小于正常区域的像素点数量,导致后续获取的分割阈值偏大,为避免上述问题,在进行阈值迭代前对像素点进行筛选,获取每种类型的筛选像素数量;注塑模具的内腔为立体结构,则图像中存在异常区域、阴影区域与正常区域,图像中像素点的灰度,以及像素点对应类型的像素点个数与筛选像素数量之间的差值,反映像素点在图像中所处区域,并根据每个区域的像素特征,对阴影区域与正常区域中像素点的灰度值进行不同程度地修正,增大异常区域分别与阴影区域、正常区域中像素点的修正灰度值之间差异,以便区分阴影区域与异常区域;基于图像中像素点的修正灰度值对注塑模具内腔灰度图像进行迭代阈值分析,获取的分割阈值能避免阴影区域被误划分为异常区域,使基于分割阈值获取的目标区域更加准确,利用目标区域的面积对注塑模具质量进行检测,提高对注塑模具质量检测的准确率。
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是本发明一个实施例所提供的一种基于机器视觉的注塑模具质量在线检测系统的系统框图。
具体实施方式
一种基于机器视觉的注塑模具质量在线检测系统实施例:
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机器视觉的注塑模具质量在线检测系统,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。
本发明所针对的具体场景:在使用注塑模具进行注塑件的生产时,通常需要实时地对注塑模具内腔进行质量检测,而频繁地人工检测不仅耗费人力、降低生产效率,还有可能产生误差。但注塑模具内腔异常区域的像素通常与正常区域存在很大的灰度与位置差异,因此本发明结合这些特点,利用迭代阈值分割算法对注塑模具内腔表面的图像进行阈值分割,以达到在线检测的效果。
下面结合附图具体的说明本发明所提供的一种基于机器视觉的注塑模具质量在线检测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于机器视觉的注塑模具质量在线检测系统的系统框图,该系统包括:图像预处理模块101,像素数量分析模块102,修正灰度获取模块103,目标区域分割模块104,注塑模具质量检测模块105。
图像预处理模块101,用于获取注塑模具内腔灰度图像。
具体的,在生产线的上方架设工业相机,当生产线上的注塑模具移动至工业相机正下方时,利用工业相机拍摄注塑模具的俯视图像,得到注塑模具初始图像,注塑模具初始图像为RGB图像。对注塑模具初始图像进行灰度化与去噪处理,得到注塑模具初始灰度图像。注塑模具初始灰度图像中包含生产背景区域与模具内腔区域,为消除无关区域对后续分析的影响,利用语义分割去除无关的生产背景区域,将留下的模具内腔区域作为注塑模具内腔灰度图像。
需要说明的是,本发明实施例中选用加权平均灰度化算法进行灰度化处理,使用高斯滤波进行去噪处理,语义分割,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。在本发明其他实施例中也可选用其他图像采集装置及图像预处理算法,选用神经网络获取注塑模具内腔灰度图像,图像采集和图像预处理算法均为本领域技术人员熟知的技术手段,在此不做限定。
像素数量分析模块102,用于将注塑模具内腔灰度图像中的像素点划分为至少两种类型;根据每种类型的像素点个数与其他类型的像素点个数之间的差值,获取注塑模具内腔灰度图像中每种类型的筛选像素数量。
具体的,由于注塑模具内腔中异常区域的面积较小,则注塑模具内腔灰度图像中异常区域的像素点数量远小于正常区域的像素点数量,迭代阈值法通常利用两类像素点的灰度值均值进行阈值更新,导致最终迭代获取的分割阈值偏大,使得分割结果出现图像欠分割的现象。因此,可以在进行阈值迭代前对像素点进行筛选,缩小异常区域与正常区域的像素点数量的差异,避免出现分割阈值偏大的情况。
为方便分析,将灰度值相近的像素点划分为同种类型的像素点,具体方法如下:
将注塑模具内腔灰度图像的灰度直方图中灰度级按照顺序排列得到灰度级序列,将灰度级序列依次划分为预设数量个长度相等的子序列;同一子序列中的灰度级在注塑模具内腔灰度图像中对应的像素点为同种类型的像素点。
需要说明的是,注塑模具内腔灰度图像的灰度直方图中灰度级的取值范围为0~255,将灰度直方图中灰度级按照从小到大顺序排列得到灰度级序列,灰度级序列中每个元素为灰度级。本发明实施例中预设数量取经验值16,则每个子序列中元素的数量为16,实施者可根据具体情况自行设置。灰度级0至灰度级15为第一个子序列中的元素,灰度级16至灰度级31为第二个子序列中的元素,以此类推。
依据各类型的像素点个数对每种类型的像素点个数进行筛选,获取每种类型的像素点的筛选像素数量。
优选地,每种类型的筛选像素数量的具体获取方法为:将注塑模具内腔灰度图像中同种类型的像素点个数作为每种类型的像素点的初始像素数量;将注塑模具内腔灰度图像中像素点的总数量与预设数量的倒数的乘积作为均像素数量;将每种类型的像素点的初始像素数量与均像素点数量中的最小值作为每种类型像素点的筛选像素数量。
每种类型的筛选像素数量的计算公式如下:
式中,L′为注塑模具内腔灰度图像中每种类型的筛选像素数量;L为注塑模具内腔灰度图像中每种类型的初始像素数量;L0为注塑模具内腔灰度图像中像素点的总数量;为均像素数量;α为预设数量,取经验值16;min为最小值函数。
这种筛选方法仅对同种类型的像素点个数大于均像素数量的类型的像素点进行筛选,因异常区域的面积较小,所以异常区域中像素点对应类型不会受到影响。通过这种筛选方法可以在不影响异常区域中像素点的基础上有效减少图像背景区域在阈值更新过程中所占的比重,一定程度上解决了阈值收敛不佳的问题。
修正灰度获取模块103,用于结合注塑模具内腔灰度图像的灰度分布,以及每个像素点对应类型的像素点个数与筛选像素数量之间的差值,对每个像素点的灰度值进行修正,获取注塑模具内腔灰度图像中每个像素点的修正灰度值。
具体的,注塑模具的内腔通常为立体结构,拍摄时不同平面的光照强度不同,会出现底面亮度较高、侧面亮度较低的问题,导致注塑模具内腔灰度图像中属于不同平面的像素点的灰度值具有明显差异。若灰度差异过大,可能出现正常模具区域中亮度较低的阴影区域中像素点的灰度值与异常区域中像素点的灰度值较为接近,导致部分正常区域被分割为异常区域,使分割结果不准确。因此,根据阴影部分的像素特点对该区域中像素点的灰度值进行修正,得到修正灰度值,增大阴影区域与异常区域中像素点的灰度值之间的差异,以便区分阴影区域与异常区域。
优选地,像素点的修正灰度值的具体获取方法为:根据注塑模具内腔灰度图像中灰度分布,获取注塑模具内腔灰度图像中每个像素点的第一修正系数;依据每种类型的像素点个数与筛选像素数量之间的差值,获取注塑模具内腔灰度图像中每种类型的像素点的第二修正系数;结合每个像素点的第一修正系数,以及该像素点对应类型的像素点的第二修正系数,对该像素点的灰度值进行修正,获取注塑模具内腔灰度图像中每个像素点的修正灰度值。
(1)获取注塑模具内腔灰度图像中每个像素点的第一修正系数。
优选地,像素点的第一修正系数的具体获取方法为:将注塑模具内腔灰度图像的灰度直方图曲线上每个极大值点对应的灰度级在注塑模具内腔灰度图像中出现的频率,作为每个极大值点的灰度出现频率;将注塑模具内腔灰度图像的灰度直方图曲线依次划分为三个子曲线段;将每个子曲线段上最大的灰度出现频率对应的极大值点的灰度级,在注塑模具内腔灰度图像中对应像素点的灰度值,作为每个子曲线段的特征灰度值;将第一个子曲线段与第二个子曲线段的特征灰度值的均值作为第一标准值;将注塑模具内腔灰度图像中像素点的灰度值中的最大值与最小值的均值作为第二标准值;将注塑模具内腔图像中每个像素点的灰度值与第一标准值的差值绝对值作为每个像素点的第一差异,每个像素点的灰度值与第二标准值的差值绝对值作为每个像素点的第二差异;根据每个像素点的第一差异与第二差异,获取注塑模具内腔灰度图像中每个像素点的第一修正系数;第一差异与第二差异均与第一修正系数为负相关的关系。
在本发明实施例中,子曲线段的具体获取方法为:获取灰度级序列中的第一分割灰度级与第二分割灰度级;在灰度级序列中,将小于第一分割灰度级的灰度级数量与灰度级序列中灰度级的总数量的比值等于第一分割值,将小于第二分割灰度级的灰度级数量与灰度级序列中灰度级的总数量的比值等于第二分割值,由此,获取第一分割灰度级与第二分割灰度级。将第一分割灰度级与第二分割灰度级分别在注塑模具内腔灰度图像的灰度直方图曲线上对应的点依次作为第一分割点与第二分割点,将该灰度直方图曲线的左侧端点与第一分割点之间的曲线段作为第一个子曲线段,将第一分割点与第二分割点之间的曲线段作为第二个子曲线段,将第二分割点与该灰度直方图曲线的右侧端点之间的曲线段为第三曲线段。
本发明实施例中第一分割值取经验值0.3,第二分割值取经验值0.7,实施者可根据具体情况自行设置。需要说明的是,已知,模具内腔中异常区域的灰度值较小,正常区域的灰度值较大,正常模具的阴影区域的灰度值位于异常区域与正常区域的灰度值之间,则第一个子曲线段反映异常区域中灰度出现的频率,第二个子曲线段反映正常模具中阴影区域中灰度出现的频率,第三个子曲线段反映正常区域中灰度出现的频率。
因模具中异常区域、阴影区域与正常区域的分布特点,则注塑模具内腔灰度图像的灰度直方图曲线存在三个较为明显的峰,在图像采集过程中可能存在噪声,使灰度直方图曲线上极大值点大于三个,且每个子曲线段上至少存在一个极大值点。本发明设置子曲线段上最大的灰度出现频率对应的极大值点的灰度级在图像中对应像素点的灰度值,代表该子曲线段对应区域的整体灰度,因此,将该灰度值作为每个子曲线段的特征灰度值。
本发明实施例中迭代阈值法的初始阈值为图像中像素点的灰度值的最大值与最小值的均值,即第二标准值,则阴影区域中像素点的灰度值与第二标准值之间的差异最小,且需保证阴影区域的像素尽量不影响阈值更新时灰度较小类像素的均值,则对越接近异常区域的灰度的灰度值给予越大程度的修正,由此,得到像素点的第一修正系数。
注塑模具内腔灰度图像中每个像素点的第一修正系数的计算公式如下:
式中,f1为注塑模具内腔灰度图像中每个像素点的第一修正系数;P0为注塑模具内腔灰度图像中每个像素点的灰度值;W为第一标准值;T0为第二标准值;|P0-W|为注塑模具内腔灰度图像中每个像素点的第一差异;|P0-T0|为注塑模具内腔灰度图像中每个像素点的第二差异;∈取经验值0.01,作用为防止分母为0导致分式无意义;||为绝对值函数。
当|P0-W|与|P0-T0|均越小时,说明像素点的灰度值与W、T0之间的差异越小或处于W与T0之间,像素点为阴影区域中偏近异常区域的灰度的像素点的可能性越大,需要给予这些像素点修正的程度越大,则第一修正系数f1越大;当|P0-W|与|P0-T0|均越大时,说明像素点位于正常区域或阴影区域的可能性越大,基本不需要对像素点进行修正,则第一修正系数f1越小。
(2)获取注塑模具内腔灰度图像中每个像素点的第二修正系数。
异常区域的面积较小,则异常区域中所属类型的像素点在像素数量分析模块102中进行像素筛选时基本不会被筛掉,而阴影区域的面积通常占图像中大部分面积,其区域内像素点会被筛掉较多,即相较于异常区域,阴影区域与正常区域中像素点对应类型的像素数量与筛选像素数量之间的差异较大。根据上述特征,对像素点再次进行修正。
注塑模具内腔灰度图像中每个像素点对应类型的初始像素数量与筛选像素数量的差值进行归一化,得到注塑模具内腔灰度图像中每种类型的像素点的第二修正系数。
注塑模具内腔灰度图像中每种类型的像素点的第二修正系数的计算公式如下:
f2=Norm(L-L′)
式中,f2为注塑模具内腔灰度图像中每种类型的像素点的第二修正系数;L为注塑模具内腔灰度图像中每种类型的初始像素数量;L′为注塑模具内腔灰度图像中每种类型的筛选像素数量;Norm为归一化函数。
当L-L′=0时,说明该类型的像素点位于异常区域,为避免对异常区域像素产生影响,不需要修正,则第二修正系数f2=0;由于阴影区域通常占图像大部分面积,当L-L′越大时,说明该类型的像素点位于阴影区域的可能性越大,为增大其与异常区域中像素点的灰度差异,需要进行越大程度的修正,则第二修正系数f2越大;当L-L′越小时,说明该类型的像素点位于正常区域的可能性越大,则第二修正系数f2越小。
(3)获取注塑模具内腔灰度图像中每个像素点的修正灰度值。
注塑模具内腔灰度图像中每个像素点的修正灰度值的计算公式如下:
P=P0+[Norm(f1×f2)×(PMAX-P0)]
式中,P为注塑模具内腔灰度图像中每个像素点的修正灰度值;P0为注塑模具内腔灰度图像中每个像素点的灰度值;PMAX为注塑模具内腔灰度图像中像素点的灰度值的最大值;f1为注塑模具内腔灰度图像中每个像素点的第一修正系数;f2为注塑模具内腔灰度图像中每种类型的像素点的第二修正系数;Norm为归一化函数。
本发明实施例以PMAX-P0作为对像素点的灰度值进行修正的基准值。当像素点位于异常区域,第一修正系数f1较小,第二修正系数f2为0,异常区域中像素点的修正灰度值等于原本的灰度值;当像素点位于阴影区域,第一修正系数f1较大,第二修正系数f2较大,且阴影区域中像素点的灰度值越靠近异常区域的灰度值时,f1与f2越大,则需要对阴影区域中灰度值越接近异常区域的灰度的像素点的灰度值进行越大程度地修正,使其与异常区域中像素点的灰度值之间的差异越大,越容易区分,则像素点的修正灰度值P越大。
目标区域分割模块104,用于基于注塑模具内腔灰度图像中像素点的修正灰度值,对注塑模具内腔灰度图像进行迭代阈值分析,获取分割阈值;基于分割阈值获取注塑模具内腔灰度图像中的目标区域。
基于注塑模具内腔灰度图像中像素点的修正灰度值,利用迭代阈值法对注塑模具内腔灰度图像进行阈值迭代,将第二标准差作为注塑模具内腔灰度图像进行阈值迭代的初始阈值,直至当前迭代过程的阈值与其上一次迭代过程的阈值之间的差值绝对值小于预设正数时,停止迭代;将当前迭代过程的阈值作为对注塑模具内腔灰度图像进行区域分割的分割阈值。
其中,迭代阈值法为本领域技术人员公知技术,在此不再赘述。
本发明实施例中预设正数取经验值5,实施者可根据具体情况自行设置。需要说明的是,本发明实施例中基于模具内腔灰度图像中像素点的修正灰度值获取每次迭代过程的阈值。Ti为第i次迭代过程的阈值,当Ti-Ti-1小于预设正数时,将第i次迭代过程的阈值Ti作为分割阈值。
由注塑模具内腔灰度图像中灰度值小于分割阈值的像素点构成目标区域。
注塑模具质量检测模块105,用于基于目标区域的面积对注塑模具质量进行检测。
将目标区域中像素点个数与注塑模具内腔灰度图像中像素点个数的比值作为判断值;当判断值小于预设判断阈值时,注塑模具质量不合格;当判断值大于或者等于预设判断阈值时,注塑模具合格。
模具中缺陷区域的面积较小,当判断值小于预设判断阈值时,说明目标区域分割模块104中获取的分割阈值是对注塑模具内腔灰度图像中缺陷区域与非缺陷区域进行划分,则注塑模具质量不合格;当判断值大于或者等于判断阈值时,该分割阈值是对注塑模具内腔灰度图像中阴影区域与正常区域进行图像划分,则注塑模具合格。
本发明实施例中预设判断阈值取经验值0.3,实施者可根据具体情况自行设置。
至此,本发明完成。
综上所述,本发明实施例中,将注塑模具内腔灰度图像中的像素点划分类型,获取每种类型的筛选像素个数;结合图像中灰度分布,以及每个像素点对应类型的像素点个数与筛选像素数量之间的差值,对像素点的灰度值进行修正得到修正灰度值,基于像素点的修正灰度值对图像进行迭代阈值分析获取分割阈值;基于分割阈值获取目标区域,进而依据其面积对注塑模具质量进行检测。本发明对阴影区域内像素点的灰度值进行修正,增大异常区域与阴影区域的灰度差异,提高注塑模具质量检测的准确性。
一种注塑模具区域分割系统实施例:
现有技术通常利用迭代阈值法划分区域,因注塑模具内腔中异物与损伤区域与拍摄时图像中光照差的阴影区域之间的灰度差异较小,容易将阴影区域误划分为异常区域,使异常区域的面积不准确。
为了解决因阴影区域与异常区域的灰度差异较小,导致异常区域分割不准确的技术问题,本发明的目的在于提供一种注塑模具区域分割系统,所采用的技术方案具体如下:
图像预处理模块101,用于获取注塑模具内腔灰度图像;
像素数量分析模块102,用于将注塑模具内腔灰度图像中的像素点划分为至少两种类型;根据每种类型的像素点个数与其他类型的像素点个数之间的差值,获取注塑模具内腔灰度图像中每种类型的筛选像素数量;
修正灰度获取模块103,用于结合注塑模具内腔灰度图像的灰度分布,以及每个像素点对应类型的像素点个数与所述筛选像素数量之间的差值,对每个像素点的灰度值进行修正,获取注塑模具内腔灰度图像中每个像素点的修正灰度值;
目标区域分割模块104,用于基于注塑模具内腔灰度图像中像素点的修正灰度值,对注塑模具内腔灰度图像进行迭代阈值分析,获取分割阈值;基于分割阈值获取注塑模具内腔灰度图像中的目标区域。
本发明实施例提供一种注塑模具区域分割系统具有如下技术效果:
本发明实施例中,为减少计算量,将注塑模具内腔灰度图像中的像素点划分类型,由于注塑模具内腔灰度图像中异常区域的像素点数量远小于正常区域的像素点数量,导致后续获取的分割阈值偏大,为避免上述问题,在进行阈值迭代前对像素点进行筛选,获取每种类型的筛选像素数量;注塑模具的内腔为立体结构,则图像中存在异常区域、阴影区域与正常区域,图像中像素点的灰度,以及像素点对应类型的像素点个数与筛选像素数量之间的差值,反映像素点在图像中所处区域,并根据每个区域的像素特征,对阴影区域与正常区域中像素点的灰度值进行不同程度地修正,增大异常区域分别与阴影区域、正常区域中像素点的修正灰度值之间差异,以便区分阴影区域与异常区域;基于图像中像素点的修正灰度值对注塑模具内腔灰度图像进行迭代阈值分析,获取的分割阈值能避免阴影区域被误划分为异常区域,使基于分割阈值获取的目标区域更加准确。
其中,图像预处理模块101、像素数量分析模块102、修正灰度获取模块103与目标区域分割模块104在上述一种基于机器视觉的注塑模具质量在线检测系统实施例中已给出了详细说明,不再赘述。
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。
以上所述仅为本发明的较佳实施例,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 (5)
1.一种基于机器视觉的注塑模具质量在线检测系统,其特征在于,该系统包括:
图像预处理模块,用于获取注塑模具内腔灰度图像;
像素数量分析模块,用于将注塑模具内腔灰度图像中的像素点划分为至少两种类型;根据每种类型的像素点个数与其他类型的像素点个数之间的差值,获取注塑模具内腔灰度图像中每种类型的筛选像素数量;
修正灰度获取模块,用于结合注塑模具内腔灰度图像的灰度分布,以及每个像素点对应类型的像素点个数与所述筛选像素数量之间的差值,对每个像素点的灰度值进行修正,获取注塑模具内腔灰度图像中每个像素点的修正灰度值;
目标区域分割模块,用于基于注塑模具内腔灰度图像中像素点的修正灰度值,对注塑模具内腔灰度图像进行迭代阈值分析,获取分割阈值;基于分割阈值获取注塑模具内腔灰度图像中的目标区域;
注塑模具质量检测模块,用于基于目标区域的面积对注塑模具质量进行检测;
所述获取注塑模具内腔灰度图像中每种类型的筛选像素数量的方法,包括:
将注塑模具内腔灰度图像中同种类型的像素点个数作为每种类型的初始像素数量;
将注塑模具内腔灰度图像中像素点的总数量与预设数量的倒数的乘积作为均像素数量;
将每种类型的初始像素数量与所述均像素点数量中的最小值作为每种类型的筛选像素数量;
所述获取注塑模具内腔灰度图像中每个像素点的修正灰度值的方法,包括:
根据注塑模具内腔灰度图像中灰度分布,获取注塑模具内腔灰度图像中每个像素点的第一修正系数;
依据每种类型的像素点个数与所述筛选像素数量之间的差值,获取注塑模具内腔灰度图像中每种类型的像素点的第二修正系数;
结合每个像素点的所述第一修正系数,以及该像素点对应类型的像素点的所述第二修正系数,对该像素点的灰度值进行修正,获取注塑模具内腔灰度图像中每个像素点的修正灰度值;
所述获取注塑模具内腔灰度图像中每个像素点的第一修正系数的方法,包括:
将注塑模具内腔灰度图像的灰度直方图曲线上每个极大值点对应的灰度级在注塑模具内腔灰度图像中出现的频率,作为每个极大值点的灰度出现频率;
将注塑模具内腔灰度图像的灰度直方图曲线依次划分为三个子曲线段;将每个子曲线段上最大的所述灰度出现频率对应的极大值点的灰度级,在注塑模具内腔灰度图像中对应像素点的灰度值,作为每个子曲线段的特征灰度值;将第一个子曲线段与第二个子曲线段的特征灰度值的均值作为第一标准值;
将注塑模具内腔灰度图像中像素点的灰度值中的最大值与最小值的均值作为第二标准值;
将注塑模具内腔图像中每个像素点的灰度值与第一标准值的差值绝对值作为每个像素点的第一差异,每个像素点的灰度值与所述第二标准值的差值绝对值作为每个像素点的第二差异;
根据每个像素点的第一差异与第二差异,获取注塑模具内腔灰度图像中每个像素点的所述第一修正系数;所述第一差异与所述第二差异均与所述第一修正系数为负相关的关系;
所述获取注塑模具内腔灰度图像中每种类型的像素点的第二修正系数的方法,包括:
将注塑模具内腔灰度图像中每个像素点对应类型的所述初始像素数量与所述筛选像素数量的差值进行归一化,得到注塑模具内腔灰度图像中每种类型的像素点的第二修正系数;
所述注塑模具内腔灰度图像中每个像素点的修正灰度值的计算公式如下:
P=P0+[Norm(f1×f2)×(PMAX-P0)];式中,P为注塑模具内腔灰度图像中每个像素点的修正灰度值;P0为注塑模具内腔灰度图像中每个像素点的灰度值;PMAX为注塑模具内腔灰度图像中像素点的灰度值的最大值;f1为注塑模具内腔灰度图像中每个像素点的所述第一修正系数;f2为注塑模具内腔灰度图像中每种类型的像素点的所述第二修正系数;Norm为归一化函数。
2.根据权利要求1所述的一种基于机器视觉的注塑模具质量在线检测系统,其特征在于,所述将注塑模具内腔灰度图像中的像素点划分为至少两种类型的方法,包括:
将注塑模具内腔灰度图像的灰度直方图中灰度级按照顺序排列得到灰度级序列,将灰度级序列依次划分为预设数量个长度相等的子序列;同一子序列中的灰度级在注塑模具内腔灰度图像中对应的像素点为同种类型的像素点。
3.根据权利要求1所述的一种基于机器视觉的注塑模具质量在线检测系统,其特征在于,所述基于注塑模具内腔灰度图像中像素点的修正灰度值,对注塑模具内腔灰度图像进行迭代阈值分析,获取分割阈值的方法,包括:
基于注塑模具内腔灰度图像中像素点的修正灰度值,利用迭代阈值法对注塑模具内腔灰度图像进行阈值迭代,将所述第二标准差作为注塑模具内腔灰度图像进行阈值迭代的初始阈值,直至当前迭代过程的阈值与其上一次迭代过程的阈值之间的差值绝对值小于预设正数时,停止迭代;
将当前迭代过程的阈值作为对注塑模具内腔灰度图像进行区域分割的分割阈值。
4.根据权利要求1所述的一种基于机器视觉的注塑模具质量在线检测系统,其特征在于,所述基于分割阈值获取注塑模具内腔灰度图像中的目标区域的方法,包括:
由注塑模具内腔灰度图像中灰度值小于分割阈值的像素点构成目标区域。
5.根据权利要求1所述的一种基于机器视觉的注塑模具质量在线检测系统,其特征在于,所述基于目标区域的面积对注塑模具质量进行检测的方法,包括:
将目标区域中像素点个数与注塑模具内腔灰度图像中像素点个数的比值作为判断值;
当判断值小于预设判断阈值时,注塑模具质量不合格;当判断值大于或者等于预设判断阈值时,注塑模具合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038867.XA CN117764981B (zh) | 2024-01-11 | 2024-01-11 | 基于机器视觉的注塑模具质量在线检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038867.XA CN117764981B (zh) | 2024-01-11 | 2024-01-11 | 基于机器视觉的注塑模具质量在线检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117764981A CN117764981A (zh) | 2024-03-26 |
CN117764981B true CN117764981B (zh) | 2024-05-10 |
Family
ID=90321901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410038867.XA Active CN117764981B (zh) | 2024-01-11 | 2024-01-11 | 基于机器视觉的注塑模具质量在线检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117764981B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117058147A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市卓昕精密科技有限公司 | 基于计算机视觉的环保塑料制品缺陷检测方法 |
CN117173184A (zh) * | 2023-11-03 | 2023-12-05 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及系统 |
CN117237350A (zh) * | 2023-11-14 | 2023-12-15 | 青岛三合山精密铸造有限公司 | 一种铸钢件质量实时检测方法 |
CN117252882A (zh) * | 2023-11-20 | 2023-12-19 | 苏州德费尔自动化设备有限公司 | 一种气缸盖质量检测方法及系统 |
CN117274291A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市京鼎工业技术股份有限公司 | 基于计算机视觉的模具脱模残留检测方法 |
CN117291924A (zh) * | 2023-11-27 | 2023-12-26 | 惠州市鑫晖源科技有限公司 | 基于机器视觉的主机电源外观质量检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7724981B2 (en) * | 2005-07-21 | 2010-05-25 | Ancestry.Com Operations Inc. | Adaptive contrast control systems and methods |
-
2024
- 2024-01-11 CN CN202410038867.XA patent/CN117764981B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117058147A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市卓昕精密科技有限公司 | 基于计算机视觉的环保塑料制品缺陷检测方法 |
CN117173184A (zh) * | 2023-11-03 | 2023-12-05 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及系统 |
CN117237350A (zh) * | 2023-11-14 | 2023-12-15 | 青岛三合山精密铸造有限公司 | 一种铸钢件质量实时检测方法 |
CN117252882A (zh) * | 2023-11-20 | 2023-12-19 | 苏州德费尔自动化设备有限公司 | 一种气缸盖质量检测方法及系统 |
CN117274291A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市京鼎工业技术股份有限公司 | 基于计算机视觉的模具脱模残留检测方法 |
CN117291924A (zh) * | 2023-11-27 | 2023-12-26 | 惠州市鑫晖源科技有限公司 | 基于机器视觉的主机电源外观质量检测方法 |
Non-Patent Citations (1)
Title |
---|
基于直方图极大值准则可变参数图像阈值分割方法;孙长燕, 那彦, 朱小杰;现代电子技术;20060601(第18期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117764981A (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN112378350B (zh) | 一种网络变压器pin脚平整度检测方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
CN114998341B (zh) | 一种基于模板匹配的齿轮缺陷检测方法及系统 | |
CN117291924B (zh) | 基于机器视觉的主机电源外观质量检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117764986B (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
CN117576100B (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
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 | |
CN117274291B (zh) | 基于计算机视觉的模具脱模残留检测方法 | |
CN117764981B (zh) | 基于机器视觉的注塑模具质量在线检测系统 | |
CN117173160B (zh) | 基于图像处理的房车部件质量检测方法 | |
CN117078676B (zh) | 基于图像处理的破碎锤外壳视觉检测方法 | |
CN116664584B (zh) | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 | |
CN115861318B (zh) | 一种棉花加工生产质量检测方法 | |
CN117522864A (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
CN116075148B (zh) | 一种基于人工智能的pcba板生产线智能监管系统 | |
CN116934744A (zh) | 基于机器视觉的mosfet蚀刻缺陷检测方法 | |
CN114140426B (zh) | 一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN117764989B (zh) | 一种视觉辅助的显示屏缺陷检测方法 | |
CN117808799B (zh) | 基于人工智能的倒角设备加工质量检测方法 |
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 |