CN104772880B - 一种基于lmdo的注塑机械手模具异常检测方法 - Google Patents
一种基于lmdo的注塑机械手模具异常检测方法 Download PDFInfo
- Publication number
- CN104772880B CN104772880B CN201510168954.8A CN201510168954A CN104772880B CN 104772880 B CN104772880 B CN 104772880B CN 201510168954 A CN201510168954 A CN 201510168954A CN 104772880 B CN104772880 B CN 104772880B
- Authority
- CN
- China
- Prior art keywords
- lmdo
- image
- injection molding
- mold
- 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.)
- Expired - Fee Related
Links
- 238000001746 injection moulding Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000005286 illumination Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 101150067055 minC gene Proteins 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001012 protector Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/84—Safety devices
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Closed-Circuit Television Systems (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
一种基于LMDO的注塑机械手模具异常检测方法,所述异常检测方法包括以下过程:1)采集注塑机开模到位时的标准模板图像,并进行预处理,作为之后的差分背景图像;2)等待注塑机工作状态信息,当检测到注塑机运行至开模到位时,通过摄像机对模具型腔面连续取像,提取几幅图像的平均图像,并对平均图像做预处理,为后续图像处理做准备,作为之后的差分前景图像;3)对差分前景图像和差分背景图像执行基于LMDO的异常检测算法,得到排除光照干扰部分的异常区域。本发明提供一种具有实时性良好、对光照变化鲁棒性强等特点的基于局部多层次差分算子(LMDO)的异常检测方法,其能够通过注塑机开模图像信息监控模具是否有异常状态。
Description
技术领域
本发明涉及工业自动化领域中注塑机行业,是一种配有机械手的注塑机生产过程中对模具的智能监视装置。
背景技术
近年来随着塑料制品应用领域的不断扩大,全球制造业对注塑机的需求呈现出持续大幅攀升的趋势。现代化的注塑机都配有机械手,机械手是能够模仿人体手臂的部分功能,可以对注塑产品进行自动取出,使其按照预定要求对产品进行堆叠、排列及摆放。机械手是专门为注塑机设计开发的自动化生产设备,它可以减轻工人繁重的体力劳动,改善劳动条件保证安全生产,提高生产效率,在增强企业的市场竞争力等方面起到极其重要的作用。如今注塑机机械手使用普遍,机械手自动夹取料过程中的安全保护以及模块保护越发重要。为了对带有机械手的注塑机生产过程中模具存在的残留、滑块错位、脱模不良等异常情况进行实时监控以实现对模具的自动保护,模具保护器被大量引入带有机械手的注塑机行业中。
这种基于图像处理技术的监控***极大提高了注塑机模具生产过程中的安全性和工作效率,很大程度上降低了修模成本和工作人员的劳动强度。目前市场上的模具保护器功能都比较单一,模具保护装置所使用的软件的图像处理算法相对简单,智能化程度相对较低,导致了***往往需要复杂的人工校准和经验来保证其异常检测结果的正确性。但是一般情况下带有机械手的注塑机所在的工作环境会十分复杂,时常会有较大程度的光照变化,而采用传统算法的模具保护***不能在这种多变的环境中正常工作,容易频繁的出现异常区域错误报警等问题。这时候用户需要频繁调整***的相关参数,或者是直接重新学习,导致操作繁琐以 及工作效率低下的问题。
发明内容
为了克服已有注塑机械手模具监视方法的实时性不足、对光照变化鲁棒性较差等不足,本发明提供一种具有实时性良好、对光照变化鲁棒性强等特点的基于局部多层次差分算子(LMDO)的异常检测方法,其能够通过注塑机开模图像信息监控模具是否有异常状态。
本发明解决其技术问题所采用的技术方案是:
一种基于LMDO的注塑机械手模具异常检测方法,所述异常检测方法包括以下过程:
1)采集注塑机开模到位时的标准模板图像,并进行预处理,作为之后的差分背景图像;
2)等待注塑机工作状态信息,当检测到注塑机运行至开模到位时,通过摄像机对模具型腔面连续取像,提取几幅图像的平均图像,并对平均图像做预处理,,为后续图像处理做准备,作为之后的差分前景图像;
3)对差分前景图像和差分背景图像执行基于LMDO的异常检测算法,得到排除光照干扰部分的异常区域;过程如下:
3.1)局部多层次差分算子
在半径为R,邻居点为P的图像局部区域,每个邻居点像素值所对应的对比度层次tp由下式计算所得:
gs=gp-gc (1)
式中,gp为P个邻居点的灰度值,gc为局部区域中心像素点的灰度值,maxC,minC 分别代表邻居点和中心点之间的对比度最大值和最小值,T代表对比度分层数量;针对每一个对比度层次i,观察中心点周围有多少个邻居点的对比度值落入了该层,以获取每层次的LMDO:
将每个层次的级联在一起构成了LMDOP.R:
3.2)利用LMDO值对背景与前景图像进行差分
根据T个层次的值来判定像素之间的相识度,记背景图像某一点的第i层次的8bit二进制值为Blmdo(j),j=0...7,前景图像该点的第i层 的8bit二进制值为Flmdo(j),两者差分,得到第i层次的相似度:
其中,为同或;
求像素之间的相似度就得求出每个层次的权重,再将每个层次的相似度Si与各自的权重相乘,得到整体的相似度:
其中,ai代表第i个层次的权重,经过大量试验数据表明,当a1=a2=…aT时,比较两幅图像的相似度效果最佳;若相似度S小于一个设定阈值Q时,则该点像素即被认定为前景,则值为灰度级0,否则为背景,其值为灰度级255,从而实现异常区域的分割;
4)对异常区域图像进行连续的开和闭运算;
5)通过区域生长法对异常区域进行标记和面积测量;
6)最后通过形态边缘提取得到异常区域轮廓并报警,注塑机停止压模进入连锁保护措施。
本发明的有益效果主要表现在:利用基于局部多层次差分算子的异常检测方法,高效地解决了光照变化引起的***误检的问题。同时,LMDO具有较小的计算复杂度和不错的纹理特性,大部分为比较运算,实现简单,提升了图像异常检测效率。这些都是现有技术所没有考虑的影响***的关键因素,这种异常检测算法大大增强了***的实时性和鲁棒性。
附图说明
图1是基于LMDO的开模异常检测方法的结构框图。
图2是前景图像LMDO值的获取过程图。
图3是背景图像LMDO值的获取过程图。
图4是背景图像的学习流程图。
图5是基于LMDO的开模异常检测方法流程图。
图6是背景LMDO图与前景LMDO图差分并阈值分割后的图像。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图6,一种基于LMDO的注塑机械手模具异常检测方法,所述异常检测方法包括以下过程:
1)采集注塑机开模到位时的标准模板图像,并进行预处理,作为之后的差分背景图像;
2)等待注塑机工作状态信息,当检测到注塑机运行至开模到位时,通过摄像机对模具型腔面连续取像,提取几幅图像的平均图像,并对平均图像做预处理,,为后续图像处理做准备,作为之后的差分前景图像;
3)对差分前景图像和差分背景图像执行基于LMDO的异常检测算法,得到排除 光照干扰部分的异常区域;过程如下:
3.1)局部多层次差分算子
LMDO是一种比较某一像素点与其邻域像素值,进而产生像素点间的对比度,然后将对比度值映射到一定的层次上去,得到多个层次的LMDO值,将LMDO值作为图像特征,用来识别在光照变化的环境下的图像差异有非常好的效果。
在半径为R,邻居点为P的图像局部区域,每个邻居点像素值所对应的对比度层次tp由下式计算所得:
gs=gp-gc (1)
式中,gp为P个邻居点的灰度值,gc为局部区域中心像素点的灰度值,maxC,minC分别代表邻居点和中心点之间的对比度最大值和最小值,T代表对比度分层数量。针对每一个对比度层次i,可以观察中心点周围有多少个邻居点的对比度值落入了该层,以获取每层次的LMDO:
将每个层次的级联在一起构成了LMDOP.R:
3.2)利用LMDO值对背景与前景图像进行差分
根据T个层次的值来判定像素之间的相识度,记背景图像某一点的第i层次的8bit二进制值为Blmdo(j)(j=0...7),前景图像该点的第i层 的8bit二进制值为Flmdo(j),两者差分,得到第i层次的相似度:
其中,为同或。
由于每个层次的像素值在局部区域中都占有一定的对比度,求像素之间的相似度就得求出每个层次的权重,再将每个层次的相似度Si与各自的权重相乘,得到整体的相似度:
其中,ai代表第i个层次的权重,经过大量试验数据表明,当a1=a2=…aT时,比较两幅图像的相似度效果最佳。若相似度S小于一个设定阈值Q时,则该点像素即被认定为前景,则值为灰度级0,否则为背景,其值为灰度级255,从而实现异常区域的分割;
4)对异常区域图像进行连续的开和闭运算以消除噪声影响;
5)通过区域生长法对异常区域进行标记和面积测量;
6)最后通过形态边缘提取得到异常区域轮廓并报警,注塑机停止压模进入连锁保护措施;如果没有异常区域,则继续等待下一周期的注塑机开模状态信息。
整个***装置主要由:模拟摄像机,视频解码器,核心DSP处理器,触摸屏,液晶显示器,键盘等构成。整个异常处理过程:首先,在注塑机开模状态的情况下,通过键盘按钮执行学***均图像,并对平均图像做预处理,为后续图像处理做准备,作为用于差分的前景图像;再将背景图像和前景图像进行差分,并将差分之后的图像采用阈值分割实现二值化;并对图像进行连续的开和闭运算以消除噪声影响;通过区域生长法对异常区域进行标记和面积测 量;最后通过空穴检测查看是否存在异常,如果有异常,在触摸屏显示报警信息,注塑机停止压模进入连锁保护措施;否则继续等待开模到位时注塑机工作状态信息。
所述基于LMDO的异常检测方法,具体步骤:
如图2所示,在半径为1,邻居点为8的图像局部区域,像素值gc=130的点为中心点,每个邻居点像素值从左上角按逆时针旋转所对应的像素值分别为134,27,60,4,127,221,82,187。取对比度分层数量T=4,求取背景图像的LMDO值,首先求出每个邻居点所对应的对比度层次tp由下式计算:
针对每一个对比度层次i(i=1…4),可以观察中心点周围有多少个邻居点的对比度值落入了该层,以获取每层次的LMDO值:
将每个层次的级联在一起构成了LMDO8.1:
如图3所示,在半径为1,邻居点为8的图像局部区域,像素值gc=120的点为中心点,每个邻居点像素值从左上角按逆时针旋转所对应的像素值分别为134,47,58,6,140,231,75,160。同样取对比度分层数量T=4,求取前景图像的LMDO值,首先求出每个邻居点所对应的对比度层次tp由下式计算:
针对每一个对比度层次i(i=1…4),可以观察中心点周围有多少个邻居点的对比度值落入了该层,以获取每层次的LMDO值:
将每个层次的级联在一起构成了LMDO8.1:
下面根据4个层次的值来判定像素之间的相识度,记背景像素值130的第i层次的8bit二进制值为Blmdo(j)(j=0...7),前景像素值120的第i 层的8bit二进制值为Flmdo(j),两者差分,得到第i层次的相似度:
由于每个层次的像素值在局部区域中都占有一定的对比度,求像素之间的相似度就得求出每个层次的权重,再将每个层次的相似度Si与各自的权重相乘,得到整体的相似度:
取a1=a2=…aT=1
若相似度S小于一个设定阈值Q时,则该点像素即被认定为前景,则值为灰度级0,否则为背景,其值为灰度级255,从而实现异常区域的分割;
在模具开模状态下,通过摄像头采集的模板图像,并进行预处理,以消除图像中噪声以及无关的信息的图像。在模具开模到位时,***处于监控状态下,通过摄像机对模具型腔面连续取像,提取几幅图像的平均图像,并对平均图像做预处理后的图像。在模具开模到位时多了一个模具未脱落下,会影响***的效率。
如图6所示,为背景图像与前景图像经过LMDO异常处理所得的结果图,图中黑色部分就是异常区域分割的结果。
这种LMDO异常检测方法可以有效的去除光照变化的影响,运算简单,加快了异常检测的速度,有效提升了操作效率。
Claims (1)
1.一种基于LMDO的注塑机械手模具异常检测方法,其特征在于:所述异常检测方法包括以下过程:
1)采集注塑机开模到位时的标准模板图像,并进行预处理,作为之后的差分背景图像;
2)等待注塑机工作状态信息,当检测到注塑机运行至开模到位时,通过摄像机对模具型腔面连续取像,提取几幅图像的平均图像,并对平均图像做预处理,为后续图像处理做准备,作为之后的差分前景图像;
3)对差分前景图像和差分背景图像执行基于LMDO的异常检测算法,得到排除光照干扰部分的异常区域;过程如下:
3.1)局部多层次差分算子
在半径为R,邻居点为P的图像局部区域,每个邻居点像素值所对应的对比度层次tp由下式计算所得:
gs=gp-gc (1)
式中,gp为P个邻居点的灰度值,gc为局部区域中心像素点的灰度值,maxC,minC分别代表邻居点和中心像素点之间的对比度最大值和最小值,T代表对比度分层数量;针对每一个对比度层次i,观察中心像素点周围有多少个邻居点的对比度值落入了该层,以获取每层次的LMDO:
将每个层次的级联在一起构成了LMDOP.R:
3.2)利用LMDO值对背景与前景图像进行差分
根据T个层次的值来判定像素之间的相似度,记背景图像某一点的第i层次的8bit二进制值为Blmdo(j),j=0...7,前景图像该点的第i层的8bit二进制值为Flmdo(j),两者差分,得到第i层次的相似度:
其中,为同或;
求像素之间的相似度就得求出每个层次的权重,再将每个层次的相似度Si与各自的权重相乘,得到整体的相似度:
其中,ai代表第i个层次的权重;若相似度S小于一个设定阈值Q时,则该点像素即被认定为前景,则值为灰度级0,否则为背景,其值为灰度级255,从而实现异常区域的分割;
4)对异常区域图像进行连续的开和闭运算;
5)通过区域生长法对异常区域进行标记和面积测量;
6)最后通过形态边缘提取得到异常区域轮廓并报警,注塑机停止压模进入连锁保护措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510168954.8A CN104772880B (zh) | 2015-04-10 | 2015-04-10 | 一种基于lmdo的注塑机械手模具异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510168954.8A CN104772880B (zh) | 2015-04-10 | 2015-04-10 | 一种基于lmdo的注塑机械手模具异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104772880A CN104772880A (zh) | 2015-07-15 |
CN104772880B true CN104772880B (zh) | 2017-05-24 |
Family
ID=53614797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510168954.8A Expired - Fee Related CN104772880B (zh) | 2015-04-10 | 2015-04-10 | 一种基于lmdo的注塑机械手模具异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104772880B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778779A (zh) * | 2016-12-12 | 2017-05-31 | 广东省智能制造研究所 | 一种电动注塑机模具检测方法 |
CN111626339B (zh) * | 2020-05-08 | 2023-06-13 | 北京嘎嘎博视科技有限责任公司 | 一种抗光影和抖动影响的注塑机模腔异常检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3661610B2 (ja) * | 2001-06-26 | 2005-06-15 | 住友重機械工業株式会社 | 通信ネットワークを利用した遠隔監視方法 |
JP5388413B2 (ja) * | 2006-12-25 | 2014-01-15 | 東洋機械金属株式会社 | 成形機 |
CN102837406B (zh) * | 2012-08-17 | 2014-12-03 | 浙江工业大学 | 基于fast-9图像特征快速配准算法的模具监视方法 |
CN105799133B (zh) * | 2014-09-24 | 2017-11-03 | 上海智觉光电科技有限公司 | 基于外形轮廓匹配的模具在线监视保护方法 |
-
2015
- 2015-04-10 CN CN201510168954.8A patent/CN104772880B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104772880A (zh) | 2015-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619620B (zh) | 导致表面缺陷的异常定位方法、装置、***及电子设备 | |
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 | |
CN104992449B (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN103530878B (zh) | 一种基于融合策略的边缘提取方法 | |
CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
CN102837406B (zh) | 基于fast-9图像特征快速配准算法的模具监视方法 | |
CN110044910B (zh) | 一种汽车置杯盒零部件检测***及检测方法 | |
CN103559703A (zh) | 基于双目视觉的起重机障碍物监测及预警方法及*** | |
CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN106296689B (zh) | 瑕疵检测方法、***及装置 | |
CN105741281B (zh) | 基于邻域离散度的图像边缘检测方法 | |
CN116758491A (zh) | 应用于3d打印的打印监控图像分析方法及*** | |
CN116777898B (zh) | 基于AFFormer实现3D打印挡墙施工过程裂缝测量的方法 | |
NU | Automatic detection of texture defects using texture-periodicity and Gabor wavelets | |
CN104772880B (zh) | 一种基于lmdo的注塑机械手模具异常检测方法 | |
CN116050678A (zh) | 一种基于云计算的压铸产品加工测试***及方法 | |
CN105619741B (zh) | 一种基于Tegra K1的模具智能检测方法 | |
CN113112458A (zh) | 一种基于支持向量机的金属表面缺陷检测方法 | |
CN113469938A (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及*** | |
Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
CN113487538A (zh) | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 | |
Cunha et al. | Computer vision and robotic manipulation for automated feeding of cork drillers | |
CN110866917A (zh) | 一种基于机器视觉的药片类型及排列方式识别方法 | |
Aydin et al. | A vision based inspection system using gaussian mixture model based interactive segmentation | |
CN108181315B (zh) | 一种基于图像处理的饼干损伤检测装置及检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170524 Termination date: 20200410 |