CN117974665A - 基于计算机视觉的金属模具在线检测方法及设备 - Google Patents

Abstract

本发明公开了基于计算机视觉的金属模具在线检测方法及设备，涉及模具检测技术领域，本发明包括：S1：首先使用高分辨率摄像头对金属模具进行实时拍摄，获取模具表面图像；S2：再通过图像预处理技术，对获取的模具表面图像进行优化；S3：然后应用计算机视觉算法，从图像中识别出模具的特征并输出缺陷检测结果；本发明，通过对出现缺陷的模具进行分类和统计，分析出现缺陷模具数量异常的类型，并根据该类型对不同的生产部门进行告警，适应复杂的生产环境，为企业提供数据驱动的决策支持，同时可对出现缺陷的模具判断是否可修复，并将修复模具及报废模具进行集中处理，减少废品率的同时提高企业的经济效益。

Description

基于计算机视觉的金属模具在线检测方法及设备

技术领域

本发明涉及模具检测技术领域，具体为基于计算机视觉的金属模具在线检测方法及设备。

背景技术

金属模具作为制造业中的关键工具，广泛应用于汽车、航空、电子和消费品等领域。模具的质量直接影响到最终产品的形状、精度和表面质量，因此，对模具的实时监测和质量控制是确保产品质量和提高生产效率的关键环节；

传统的模具检测方法主要依赖于人工目视检查或离线测量，这些方法存在效率低、易受主观判断影响、无法实现实时监控等缺点，随着计算机视觉技术的发展，自动化的在线检测方法逐渐成为模具质量控制的新趋势；

尽管计算机视觉技术在其他领域已经取得了显著的进展，但在金属模具在线检测方面的应用仍然面临着一些挑战，在对批次模具完成缺陷检测后，没有对不同缺陷的模具进行分类，从而无法准确的对整个批次模具生产质量进行判断，也不能实现缺陷模具的修复和报废的集中处理，此外，对模具图像采集时无法根据模具表面特征及光照情况对采集的设备进行灵活调节，影响采集模具图像的质量；

为了解决上述缺陷，现提供技术方案。

发明内容

本发明的目的在于解决现有金属模具在线检测在对批次模具完成缺陷检测后，没有对不同缺陷的模具进行分类，从而无法准确的对整个批次模具生产质量进行判断，也不能实现缺陷模具的修复和报废的集中处理的问题，而提出基于计算机视觉的金属模具在线检测方法及设备。

本发明的目的可以通过以下技术方案实现：

基于计算机视觉的金属模具在线检测方法及设备，包括：

S1：首先使用高分辨率摄像头对金属模具进行实时拍摄，获取模具表面图像；

S2：再通过图像预处理技术，对获取的模具表面图像进行优化；

S3：然后应用计算机视觉算法，从图像中识别出模具的特征并输出缺陷检测结果；

S4：最后针对不同模具缺陷进行分类和统计，实现缺陷模具的修复和报废的集中处理，具体步骤如下：

将模具缺陷类型分为外观缺陷、尺寸缺陷及结构缺陷，再对以上三种类型的缺陷模具数量及发现频率进行分析，其中数量为批次模具数量，发现频率为预设时间段出现该类型的模具频率，并将数量与发现频率分别标定为sl和pl，归一化处理后代入以下公式：以得到预警值YJZ，式中/>分别为数量与发现频率的预设权重系数；/>分别为第一修正因子和第一影响参值；

并将得到的预警值YJZ与预设的预警阈值进行比对，当存在预警值YJZ大于预设的预警阈值时，则进行告警；

再针对模具缺陷具体参数进行分析判断出现缺陷的模具是否可修复，缺陷具体参数包括：缺陷尺寸、缺陷位置、尺寸偏差及内部曲线，并通过缺陷具体参数分别得到缺尺值QC、缺位值QW、尺差值CC及内缺值NQ，归一化处理后代入以下公式：以得到分岭值FLZ，式中/>分别为缺尺值QC与缺位值QW之和的预设权重系数、尺差值CC的预设权重系数及内缺值NQ的预设权重系数；/>分别为第二修正因子和第二影响参值；/>分别为修正参数和修正系数；

再将得到的分岭值FLZ与预设的分岭阈值进行比对，当分岭值FLZ大于或等于分岭阈值时，则判断该模具不具备修复的条件；当分岭值FLZ小于分岭阈值时，则判断该模具可修复。

进一步的，所述S4中进行告警的具体步骤如下：

当对外观类型的缺陷计算得到的预警值YJZ大于预设的预警阈值时，则向模具设计团队反馈模具设计中导致外观缺陷的因素；向模具制造部门指出制造过程中导致划痕或熔接线问题的工艺；向注塑或成型工艺团队发送调整工艺参数提示；向质量控制部门上传缺陷图像和数据；

当对尺寸类型的缺陷计算得到的预警值YJZ大于预设的预警阈值时，则向模具设计团队反馈尺寸偏差问题；向CNC编程和加工部门确定加工过程中的误差来源，并提示采取相应措施提高加工精度；向测量和检验团队确定二次确定，以便判断通过图像处理的方式检测尺寸是否存在误差；向生产计划部门发送调整生产计划信令，留出足够时间判断是否是批次模具的问题；

当结构类型的缺陷计算得到的预警值YJZ大于预设的预警阈值时，则向模具材料供应商确定是否与材料质量有关；再向热处理部门确定热处理过程中是否存在硬度分布不均或变形；并向模具维护团队提供结构缺陷的详细信息，并制定预防性维护计划；最后向工程和研发部门建议研发更耐用的模具设计和材料。

进一步的，所述S1中获取模具表面图像的具体操作步骤如下：

首先设计一个包括多个摄像头的成像系统，多个摄像头通过不同角度对金属模具进行拍摄；

引入环境光线感应器，根据影响参数自动调整摄像头的曝光；影响参数包括：反射率、对比度、亮度均匀性、光照条件及色彩饱和度，通过对影响参数的分析分别得到反射率、实时对比度记为/>、标准对比度/>、亮匀值LY、光照强度GZ及色饱度SB，归一化处理后代入以下公式：/>以得到曝调值BTZ，以此曝调值作为调整摄像头曝光的标准；式中/>为第三修正因子；OP为预设的权重指数；

再将计算得到的曝调值与预设的若干个曝调值区间进行比对，若干个曝调值区间分别对应设置若干个摄像头曝光增加调节等级，当确定曝调值所属曝调值区间后，则确定摄像头曝光增加调节等级，并对摄像头的曝光调节按照曝光增加调节等级进行增加调节。

进一步的，所述S1中通过对影响参数的分析分别得到反射率、实时对比度记为、标准对比度/>、亮匀值LY、光照强度GZ及色饱度SB的具体操作步骤如下：

反射率：不同的反射率水平决定了模具表面反射回摄像头的光线量，高反射率需要降低曝光，而低反射率需要增加曝光，将得到的实时模具反射率记为；

对比度：通过采集图像中最亮和最暗区域之间的亮度差异，将得到的实时对比度记为，并预设标准对比度/>，标准对比度/>为图像中最适当的对比度；

亮度均匀性：通过图像中亮度的一致性进行评估，将图像切割成若干个区域，对每个区域的亮度进行检测得到若干个区域亮度，计算若干个区域亮度的方差值，并记为亮匀值LY；

光照条件：通过获取自然光的光照强度对光照条件进行量化衡量，并记为光照强度GZ;

色彩饱和度：通过HSL和HSV模型进行表示，其中H代表色相，S代表饱和度，L和V分别代表明度和亮度，在HSV模型中，饱和度为：S=max(R,G,B)−max(R,G,B)/min(R,G,B)，其中R、G、B分别代表红、绿、蓝三个颜色通道的强度，通过上述公式提供了一个从完全不饱和完全饱和的饱和度量化值，并记为色饱度SB。

进一步的，所述S2中对获取的模具表面图像进行优化的具体操作步骤如下：

去噪：首先使用像素邻域的平均值替换每个像素的值进行均值滤；再使用像素邻域的中值替换每个像素的值，进行中值滤波，去除椒盐噪声；再对图像进行高斯平滑处理，去除高斯噪声；然后进行双边滤波可以在去噪的同时保持边缘；最后在小波域中去除噪声，然后逆变换回原图像，完成图像的去噪处理；

对比度增强：首先调整图像的直方图分布，增强全局对比度；再根据图像的不同区域进行直方图均衡化；然后通过线性或非线性地拉伸像素值的范围，最后利用Retinex算法，通过模拟人类视觉系统来增强局部对比度，完成对比度的增强；

色彩校正：首先调整图像中的色温和色调，以消除光照条件对颜色的影响，再调整图像中的RGB通道，以匹配特定的色彩空间或标准；

锐化：首先使用二阶导数来突出边缘，再通过计算图像的水平和垂直梯度来检测边缘，最后利用Canny边缘检测多阶段算法检测和连接图像中的边缘；

缩放和裁剪：首先改变图像的尺寸，包括放大或缩小，再去除图像的边缘部分，保留中心区域，实现图像裁剪；

归一化：将图像数据转换到统一的范围。

进一步的，所述S3中从图像中识别出模具的特征并输出缺陷检测结果的具体操作步骤如下：

首先使用Harris角点检测算法或SIFT算法来检测图像中的角点，然后通过边缘检测后的图像，提取物体的轮廓信息，并计算物体的形状描述符，包括矩形的长宽比或圆形的半径；

再对提取的特征进行描述，生成特征向量或特征矩阵；

再使用机器学习或深度学习算法对提取的特征进行分类或匹配；

然后对检测结果进行后处理，包括去除误检、合并相似特征点及优化特征点；

最后将最终的识别结果输出，包括缺陷的位置、类型及大小信息。

进一步的，所述S3中的特征描述子包括SIFT描述子、SURF描述子及ORB描述子；

所述S3中使用机器学习或深度学习算法对提取的特征进行分类或匹配，包括：支持向量机、神经网络及K-最近邻。

进一步的，基于计算机视觉的金属模具在线检测方法的移动互联网的基于计算机视觉的金属模具在线设备，包括：

一个或多个高分辨率摄像头、图像采集卡、处理器、存储设备和通信接口；

摄像头安装在模具生产区域，以便从不同角度捕获模具图像；

图像采集卡负责将摄像头捕获的模拟信号转换为数字信号；

处理器执行图像处理算法和机器学习模型，进行数据分析和缺陷识别；

存储设备用于保存检测结果和相关图像数据；

通信接口实现与生产控制系统的数据交换。

与现有技术相比，本发明的有益效果是：

本发明，通过对出现缺陷的模具进行分类和统计，分析出现缺陷模具数量异常的类型，并根据该类型对不同的生产部门进行告警，适应复杂的生产环境，为企业提供数据驱动的决策支持，同时可对出现缺陷的模具判断是否可修复，并将修复模具及报废模具进行集中处理，减少废品率的同时提高企业的经济效益；

本发明，通过集成先进的计算机视觉技术和机器学习算法，实现了对金属模具的高效、准确在线检测，同时针对模具图像采集时可根据模具表面特征及光照情况对采集的设备进行灵活调节，有效提高了模具图像采集的质量，为后续的缺陷分析提高的准确度，降低了人工成本和误差，还增强了生产的灵活性和响应能力，从而确保了模具的良好状态和最终产品的高质量。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；

图1为本发明的方法流程图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

应当理解，本披露的说明书和权利要求书中使用的术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本披露说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本披露。如在本披露说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本披露说明书和权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如图1所示，基于计算机视觉的金属模具在线检测方法，包括以下步骤：

S1：使用高分辨率摄像头对金属模具进行实时拍摄，获取模具表面图像；

首先设计一个包括多个摄像头的成像系统，多个摄像头通过不同角度对金属模具进行拍摄；确保模具的每个部分都被全面检查，无死角；

引入环境光线感应器，根据影响参数自动调整摄像头的曝光，确保图像清晰度和色彩准确性；影响参数包括：

反射率：不同的反射率水平决定了模具表面反射回摄像头的光线量，高反射率需要降低曝光，而低反射率需要增加曝光，将得到的实时模具反射率记为；

对比度：通过采集图像中最亮和最暗区域之间的亮度差异，将得到的实时对比度记为，并预设标准对比度/>，标准对比度/>为图像中最适当的对比度；

亮度均匀性：通过图像中亮度的一致性进行评估，将图像切割成若干个区域，对每个区域的亮度进行检测得到若干个区域亮度，计算若干个区域亮度的方差值，并记为亮匀值LY，以此亮匀值作为衡量亮度均匀性的标准；

光照条件：通过获取自然光的光照强度对光照条件进行量化衡量，并记为光照强度GZ;

色彩饱和度：通过HSL和HSV模型进行表示，其中H代表色相，S代表饱和度，L/V代表明度/亮度。在HSV模型中，饱和度定义为：S=max(R,G,B)−max(R,G,B)/min(R,G,B)，其中R、G、B分别代表红、绿、蓝三个颜色通道的强度，通过上述公式提供了一个从0（完全不饱和，即灰色）到1（完全饱和）的饱和度量化值，并记为色饱度SB；

再将得到的反射率、实时对比度记为/>、标准对比度/>、亮匀值LY、光照强度GZ及色饱度SB归一化处理后代入以下公式：/>以得到曝调值BTZ，以此曝调值作为调整摄像头曝光的标准；式中/>为第三修正因子，取值设置在0.5-2.1之间；OP为预设的权重指数，取值设置在1.9-2.5之间；

再将计算得到的曝调值与预设的若干个曝调值区间进行比对，若干个曝调值区间分别对应设置若干个摄像头曝光增加调节等级，当确定曝调值所属曝调值区间后，则确定摄像头曝光增加调节等级，并对摄像头的曝光调节按照曝光增加调节等级进行增加调节，以优化图像质量，其中曝调值越大，则对应曝光增加调节等级越大，对摄像头曝光所需调节的量越大。

S2：通过图像预处理技术，对获取的模具表面图像进行优化；

具体步骤如下：

去噪：首先使用像素邻域的平均值替换每个像素的值进行均值滤；再使用像素邻域的中值替换每个像素的值，进行中值滤波，去除椒盐噪声；再对图像进行高斯平滑处理，去除高斯噪声；然后进行双边滤波可以在去噪的同时保持边缘；最后在小波域中去除噪声，然后逆变换回原图像，完成图像的去噪处理；

采集的图像可能会受到各种噪声的影响，如高ISO值引入的颗粒噪声、电子器件噪声等，去噪的目的是减少这些噪声，同时尽量保留图像的细节；

对比度增强：首先调整图像的直方图分布，使像素值更加均匀，增强全局对比度；再根据图像的不同区域（如局部区域或动态确定的区域）进行直方图均衡化；然后通过线性或非线性地拉伸像素值的范围，以增强对比度，最后利用Retinex算法，通过模拟人类视觉系统来增强局部对比度，完成对比度的增强；增强图像的对比度可以使得图像中的细节更加清晰；

色彩校正：首先调整图像中的色温和色调，以消除光照条件对颜色的影响，再调整图像中的RGB通道，以匹配特定的色彩空间或标准；通过色彩校正，使图像的颜色更加真实；

锐化：首先使用二阶导数来突出边缘，再通过计算图像的水平和垂直梯度来检测边缘，最后利用Canny边缘检测多阶段算法检测和连接图像中的边缘；通过锐化增强图像的边缘和细节，使图像看起来更清晰；

缩放和裁剪：首先根据需求，改变图像的尺寸，包括放大或缩小，再去除图像的边缘部分，保留中心区域，实现图像裁剪；对图像进行的缩放或裁剪，以适应后续处理的需要或去除无关的背景信息；

归一化：通过将图像数据转换到统一的范围，包括[0, 1]或[-1, 1]，有助于后续算法的处理；

通过上述预处理步骤，有效优化模具图像的质量，为后续的缺陷检测和特征分析打下坚实的基础。

S3：应用计算机视觉算法，从图像中识别出模具的特征并输出缺陷检测结果；

具体步骤如下：

首先使用Harris角点检测算法或SIFT算法来检测图像中的角点，然后通过边缘检测后的图像，提取物体的轮廓信息，并计算物体的形状描述符，包括矩形的长宽比或圆形的半径；

再对提取的特征进行描述，生成特征向量或特征矩阵，以便于后续的分类或匹配，其中特征描述子包括：

SIFT描述子：对关键点周围的梯度方向进行统计，生成关键点的局部特征描述子；

SURF描述子：与SIFT类似，但计算速度更快；

ORB描述子：结合了FAST关键点检测器和BRIEF描述子，具有旋转不变性和尺度不变性；

再使用机器学习或深度学习算法对提取的特征进行分类或匹配，包括：

支持向量机：为监督学习模型，用于分类和回归分析；

神经网络：训练用于识别特定几何特征的深度学习模型；

K-最近邻：为基于实例的分类方法，通过计算待分类样本与训练样本之间的距离来进行分类；

然后对检测结果进行后处理，包括去除误检、合并相似特征点及优化特征点；

最后将最终的识别结果输出，包括缺陷的位置、类型及大小信息。

S4：针对不同模具缺陷进行不同分类和统计，以便于后续的不同处理；

具体分类缺陷类型包括：

外观缺陷：划痕、裂纹、锈迹、熔接线、气泡及翘曲；

尺寸缺陷：尺寸超差、形状不规则及对称性偏差；

结构缺陷：模具内部结构损坏、磨损及断裂；

再对以上三种类型的缺陷模具数量及发现频率进行分析，其中数量为批次模具数量，发现频率为预设时间段出现该类型的模具频率，并将数量与发现频率分别标定为sl和pl，归一化处理后代入以下公式：以得到预警值YJZ，式中分别为数量与发现频率的预设权重系数，并分别取值为0.772及3.22，/>分别为第一修正因子和第一影响参值，取值分别设置在0.6-1.5及0.1-0.5之间，并将得到的预警值YJZ与预设的预警阈值进行比对，当存在预警值YJZ大于预设的预警阈值时，则进行告警，具体的：

当对外观类型的缺陷计算得到的预警值YJZ大于预设的预警阈值时，则向模具设计团队反馈模具设计中可能导致外观缺陷的因素，包括排气不良或冷却系统设计不合理，以便进行设计优化；向模具制造部门指出制造过程中导致划痕或熔接线问题的工艺，包括抛光或焊接，建议改进工艺或使用更高质量的材料；向注塑或成型工艺团队发送调整工艺参数提示，以减少气泡和翘曲；向质量控制部门上传缺陷图像和数据，以便制定或更新外观检验标准和接受标准；

当对尺寸类型的缺陷计算得到的预警值YJZ大于预设的预警阈值时，则向模具设计团队反馈尺寸偏差问题，需要重新评估模具设计，包括修改模具的尺寸公差或调整模具的冷却系统；向CNC编程和加工部门确定加工过程中的误差来源，包括刀具磨损或机床精度不足，并提示采取相应措施提高加工精度；向测量和检验团队确定二次确定，以便判断通过图像处理的方式检测尺寸是否存在误差；再生产计划部门发送调整生产计划信令，留出足够时间判断是否是批次模具的问题；

当结构类型的缺陷计算得到的预警值YJZ大于预设的预警阈值时，则向模具材料供应商确定是否与材料质量有关，包括脆性或内部裂纹，确保材料符合规格要求；再向热处理部门确定热处理过程中是否存在硬度分布不均或变形；并向模具维护团队提供结构缺陷的详细信息，以便进行必要的维修或更换损坏部件，并制定预防性维护计划；最后向工程和研发部门建议研发更耐用的模具设计和材料。

再针对模具缺陷具体参数进行分析判断出现缺陷的模具是否可修复，缺陷具体参数包括：

缺陷尺寸：获取模具缺陷处的尺寸即长度、宽度及深度，并计算缺陷的体积，记为缺尺值QC；

缺陷位置：将模具的每个部位进行重要性评定，并对每个划分的部位给予1-10的评分，获取每个部位的缺陷表面积并与该部位的评分相乘最后相加，以得到缺位值QW；

尺寸偏差：通过对模具的实际尺寸与标准尺寸比对计算偏差，记为尺差值CC；

内部曲线：通过统计模具的内部缺陷数量，内部曲线包括裂纹、孔洞或夹杂，计算内部缺陷数量总和，并记为内缺值NQ；

再分别将得到的缺尺值QC、缺位值QW、尺差值CC及内缺值NQ归一化处理后代入以下公式：以得到分岭值FLZ，式中分别为缺尺值QC与缺位值QW之和的预设权重系数、尺差值CC的预设权重系数及内缺值NQ的预设权重系数，并分别取值为1.22、1.43及0.92；/>分别为第二修正因子和第二影响参值，取值分别设置在1-1.8及0-0.5之间；/>分别为修正参数和修正系数，区别分别设置在0.1-0.5及0.9-1.4之间。

再将得到的分岭值FLZ与预设的分岭阈值进行比对，当分岭值FLZ大于或等于分岭阈值时，则判断该模具不具备修复的条件，当分岭值FLZ小于分岭阈值时，则判断该模具可修复；

根据上述分析方法将出现缺陷的模具进行分类，以便后续修复人员对可修复的模具进行修复同时也便于对不具备修复条件的模具进行集中报废。

基于计算机视觉的金属磨具在线检测设备包括：

一个或多个高分辨率摄像头、图像采集卡、处理器、存储设备和通信接口；

摄像头安装在模具生产区域，以便从不同角度捕获模具图像；

图像采集卡负责将摄像头捕获的模拟信号转换为数字信号；

处理器执行图像处理算法和机器学习模型，进行数据分析和缺陷识别；

存储设备用于保存检测结果和相关图像数据；

通信接口实现与生产控制系统的数据交换。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (8)

1.基于计算机视觉的金属模具在线检测方法，其特征在于，包括以下步骤：

S1：首先使用高分辨率摄像头对金属模具进行实时拍摄，获取模具表面图像；

S2：再通过图像预处理技术，对获取的模具表面图像进行优化；

S3：然后应用计算机视觉算法，从图像中识别出模具的特征并输出缺陷检测结果；

S4：最后针对不同模具缺陷进行分类和统计，实现缺陷模具的修复和报废的集中处理，具体步骤如下：

将模具缺陷类型分为外观缺陷、尺寸缺陷及结构缺陷，再对以上三种类型的缺陷模具数量及发现频率进行分析，其中数量为批次模具数量，发现频率为预设时间段出现该类型的模具频率，并将数量与发现频率分别标定为sl和pl，归一化处理后代入以下公式：以得到预警值YJZ，式中/>分别为数量与发现频率的预设权重系数；/>分别为第一修正因子和第一影响参值；

并将得到的预警值YJZ与预设的预警阈值进行比对，当存在预警值YJZ大于预设的预警阈值时，则进行告警；

再针对模具缺陷具体参数进行分析判断出现缺陷的模具是否可修复，缺陷具体参数包括：缺陷尺寸、缺陷位置、尺寸偏差及内部曲线，并通过缺陷具体参数分别得到缺尺值QC、缺位值QW、尺差值CC及内缺值NQ，归一化处理后代入以下公式：以得到分岭值FLZ，式中/>分别为缺尺值QC与缺位值QW之和的预设权重系数、尺差值CC的预设权重系数及内缺值NQ的预设权重系数；/>分别为第二修正因子和第二影响参值；/>分别为修正参数和修正系数；

再将得到的分岭值FLZ与预设的分岭阈值进行比对，当分岭值FLZ大于或等于分岭阈值时，则判断该模具不具备修复的条件；当分岭值FLZ小于分岭阈值时，则判断该模具可修复。

2.根据权利要求1所述的基于计算机视觉的金属模具在线检测方法，其特征在于，所述S4中进行告警的具体步骤如下：

当对外观类型的缺陷计算得到的预警值YJZ大于预设的预警阈值时，则向模具设计团队反馈模具设计中导致外观缺陷的因素；向模具制造部门指出制造过程中导致划痕或熔接线问题的工艺；向注塑或成型工艺团队发送调整工艺参数提示；向质量控制部门上传缺陷图像和数据；

当对尺寸类型的缺陷计算得到的预警值YJZ大于预设的预警阈值时，则向模具设计团队反馈尺寸偏差问题；向CNC编程和加工部门确定加工过程中的误差来源，并提示采取相应措施提高加工精度；向测量和检验团队确定二次确定，以便判断通过图像处理的方式检测尺寸是否存在误差；向生产计划部门发送调整生产计划信令，留出足够时间判断是否是批次模具的问题；

当结构类型的缺陷计算得到的预警值YJZ大于预设的预警阈值时，则向模具材料供应商确定是否与材料质量有关；再向热处理部门确定热处理过程中是否存在硬度分布不均或变形；并向模具维护团队提供结构缺陷的详细信息，并制定预防性维护计划；最后向工程和研发部门建议研发更耐用的模具设计和材料。

3.根据权利要求1所述的基于计算机视觉的金属模具在线检测方法，其特征在于，所述S1中获取模具表面图像的具体操作步骤如下：

首先设计一个包括多个摄像头的成像系统，多个摄像头通过不同角度对金属模具进行拍摄；

引入环境光线感应器，根据影响参数自动调整摄像头的曝光；影响参数包括：反射率、对比度、亮度均匀性、光照条件及色彩饱和度，通过对影响参数的分析分别得到反射率、实时对比度/>、标准对比度/>、亮匀值LY、光照强度GZ及色饱度SB，归一化处理后代入以下公式：/>以得到曝调值BTZ，以此曝调值作为调整摄像头曝光的标准；式中/>为第三修正因子；OP为预设的权重指数；

再将计算得到的曝调值与预设的若干个曝调值区间进行比对，若干个曝调值区间分别对应设置若干个摄像头曝光增加调节等级，当确定曝调值所属曝调值区间后，则确定摄像头曝光增加调节等级，并对摄像头的曝光调节按照曝光增加调节等级进行增加调节。

4.根据权利要求3所述的基于计算机视觉的金属模具在线检测方法，其特征在于，所述S1中通过对影响参数的分析分别得到反射率、实时对比度/>、标准对比度/>、亮匀值LY、光照强度GZ及色饱度SB的具体操作步骤如下：

反射率：不同的反射率水平决定了模具表面反射回摄像头的光线量，高反射率需要降低曝光，而低反射率需要增加曝光，将得到的实时模具反射率记为；

对比度：通过采集图像中最亮和最暗区域之间的亮度差异，将得到的实时对比度记为，并预设标准对比度/>，标准对比度/>为图像中最适当的对比度；

亮度均匀性：通过图像中亮度的一致性进行评估，将图像切割成若干个区域，对每个区域的亮度进行检测得到若干个区域亮度，计算若干个区域亮度的方差值，并记为亮匀值LY；

光照条件：通过获取自然光的光照强度对光照条件进行量化衡量，并记为光照强度GZ;

色彩饱和度：通过HSL和HSV模型进行表示，其中H代表色相，S代表饱和度，L和V分别代表明度和亮度，在HSV模型中，饱和度为：S=max(R,G,B)−max(R,G,B)/min(R,G,B)，其中R、G、B分别代表红、绿、蓝三个颜色通道的强度，通过上述公式提供了一个从完全不饱和完全饱和的饱和度量化值，并记为色饱度SB。

5.根据权利要求1所述的基于计算机视觉的金属模具在线检测方法，其特征在于，所述S2中对获取的模具表面图像进行优化的具体操作步骤如下：

去噪：首先使用像素邻域的平均值替换每个像素的值进行均值滤；再使用像素邻域的中值替换每个像素的值，进行中值滤波，去除椒盐噪声；再对图像进行高斯平滑处理，去除高斯噪声；然后进行双边滤波可以在去噪的同时保持边缘；最后在小波域中去除噪声，然后逆变换回原图像，完成图像的去噪处理；

对比度增强：首先调整图像的直方图分布，增强全局对比度；再根据图像的不同区域进行直方图均衡化；然后通过线性或非线性地拉伸像素值的范围，最后利用Retinex算法，通过模拟人类视觉系统来增强局部对比度，完成对比度的增强；

色彩校正：首先调整图像中的色温和色调，以消除光照条件对颜色的影响，再调整图像中的RGB通道，以匹配特定的色彩空间或标准；

锐化：首先使用二阶导数来突出边缘，再通过计算图像的水平和垂直梯度来检测边缘，最后利用Canny边缘检测多阶段算法检测和连接图像中的边缘；

缩放和裁剪：首先改变图像的尺寸，包括放大或缩小，再去除图像的边缘部分，保留中心区域，实现图像裁剪；

归一化：将图像数据转换到统一的范围。

6.根据权利要求1所述的基于计算机视觉的金属模具在线检测方法，其特征在于，所述S3中从图像中识别出模具的特征并输出缺陷检测结果的具体操作步骤如下：

首先使用Harris角点检测算法或SIFT算法来检测图像中的角点，然后通过边缘检测后的图像，提取物体的轮廓信息，并计算物体的形状描述符，包括矩形的长宽比或圆形的半径；

再对提取的特征进行描述，生成特征向量或特征矩阵；

再使用机器学习或深度学习算法对提取的特征进行分类或匹配；

然后对检测结果进行后处理，包括去除误检、合并相似特征点及优化特征点；

最后将最终的识别结果输出，包括缺陷的位置、类型及大小信息。

7.根据权利要求6所述的基于计算机视觉的金属模具在线检测方法，其特征在于，所述S3中的特征描述子包括SIFT描述子、SURF描述子及ORB描述子；

所述S3中使用机器学习或深度学习算法对提取的特征进行分类或匹配，包括：支持向量机、神经网络及K-最近邻。

8.应用权利要求 1-7 任一项所述在线检测方法的设备，其特征在于，包括：

一个或多个高分辨率摄像头、图像采集卡、处理器、存储设备和通信接口；

摄像头安装在模具生产区域，以便从不同角度捕获模具图像；

图像采集卡负责将摄像头捕获的模拟信号转换为数字信号；

处理器执行图像处理算法和机器学习模型，进行数据分析和缺陷识别；

存储设备用于保存检测结果和相关图像数据；

通信接口实现与生产控制系统的数据交换。