CN117058111A - 一种汽车铝合金压铸模具质量检查方法及*** - Google Patents
一种汽车铝合金压铸模具质量检查方法及*** Download PDFInfo
- Publication number
- CN117058111A CN117058111A CN202311055707.8A CN202311055707A CN117058111A CN 117058111 A CN117058111 A CN 117058111A CN 202311055707 A CN202311055707 A CN 202311055707A CN 117058111 A CN117058111 A CN 117058111A
- Authority
- CN
- China
- Prior art keywords
- aluminum alloy
- obtaining
- die
- alloy die
- pixel point
- 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
- 238000004512 die casting Methods 0.000 title claims abstract description 102
- 229910000838 Al alloy Inorganic materials 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000007689 inspection Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 239000002131 composite material Substances 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 15
- 241000270708 Testudinidae Species 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005336 cracking Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 238000003708 edge detection Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，提出了一种汽车铝合金压铸模具质量检查方法及***，获取汽车铝合金压铸模具表面图像灰度图；根据灰度分布情况得到ROI区域，在ROI区域中获取像素点的扇形邻域；根据扇形邻域获取像素点的平均梯度；分别计算扇形邻域内固定位置射线的LBP序列，根据LBP序列获取像素点的LBP纹理指数；根据像素点的梯度和LBP纹理指数得到像素点的复合特征向量；根据像素点间的复合特征向量利用DBSCAN聚类算法获取模具龟裂纹聚类簇；根据龟裂纹聚类簇总面积得到铝合金压铸模具质量系数，实现对模具质量的检测。本发明旨在提高龟裂纹像素点的聚类精度，实现汽车铝合金压铸模具表面精确检测。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种汽车铝合金压铸模具质量检查方法及***。
背景技术
随着汽车工业的发展，对汽车零部件的质量、轻量化和性能要求越来越高，铝合金作为一种轻质高强度的材料，被广泛应用于汽车制造中，铝合金压铸模具用于生产各种汽车零部件，如发动机壳体、传动零件、车身结构件、底盘部件等，是用于生产汽车零部件的重要工具。压铸是一种将熔化的金属注入模具中，然后通过压力使其冷却凝固成型的工艺，铝合金压铸模具在该过程中起着关键作用，它决定了最终产品的形状、尺寸和质量；若压铸模具表面存在细小网状、毛状突起或凹陷，随着压铸次数不断增加，这些突起或凹陷不断扩大和延伸最终形成龟裂纹，后续经过该模具的压铸的成品都会存在缺陷。
传统的聚类算法大多直接采用简单的欧式距离作为度量距离实现聚类，极易导致聚类精度低，从而影响后续聚类效果的现象。
综上所述，本发明提出一种汽车铝合金压铸模具质量检查方法及***，通过获取汽车铝合金压铸模具表面灰度图，根据灰度分布情况得到各个像素点的复合特征向量，用以改进聚类算法中的度量距离，提高聚类的准确率。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种汽车铝合金压铸模具质量检查方法及***，所采用的技术方案具体如下：
第一方面，本发明实施例提供了一种汽车铝合金压铸模具质量检查方法，该方法包括以下步骤：
采集汽车铝合金压铸模具表面图像，获取汽车铝合金压铸模具表面灰度图；
根据汽车铝合金压铸模具表面灰度图的灰度分布获取近似圆拟合度，根据铝合金压铸模具中的各个近似圆拟合度进行阈值分割获取ROI区域，根据ROI区域内各像素点与ROI区域圆心之间的距离关系得到各像素点的扇形邻域；将各像素点扇形邻域所包含像素点的梯度均值作为各像素点的梯度幅值。
将扇形邻域等分为数个相同的小扇形区间，计算各小扇形区间分割线及扇形邻域边界线上像素点的LBP值，获取各条线的LBP序列；根据各条线LBP序列的标准差及LBP序列之间的DTW距离获取各条线的自纹理对比度，根据各条线的自纹理对比度得到像素点的LBP纹理指数；根据各像素点的梯度幅值和LBP纹理指数得到各像素点的复合特征向量；
将各像素点复合特征向量之间的余弦相似度作为聚类度量距离，结合聚类度量距离及聚类算法获取汽车铝合金压铸模具龟裂纹聚类簇，获取汽车铝合金压铸模具龟裂纹聚类簇总面积；根据龟裂纹聚类簇总面积获取汽车铝合金压铸模具质量系数，完成汽车铝合金压铸模具的质量检测。
优选的，所述根据汽车铝合金压铸模具表面灰度图的灰度分布获取近似圆拟合度，包括：
获取铝合金压铸模具表面二值图像，通过霍夫圆检测得到铝合金压铸模具表面二值图像中的各近似圆，变换结果中最大近似圆所在部分为横腔区域，获取横腔区域内所有近似圆并得到各近似圆上的像素点总数，在横腔区域内进行边缘检测，针对各近似圆，统计近似圆上与边缘像素点相重合的像素点个数，将近似圆上与边缘像素点相重合的像素点个数和近似圆上对应的像素点总数求取比值得到近似圆拟合度。
优选的，所述根据铝合金压铸模具中的各个近似圆拟合度进行阈值分割获取ROI区域，包括：
根据铝合金压铸模具中的各个近似圆拟合度，设定分割阈值，将近似圆拟合度大于分割阈值的最小近似圆标记为ROI区域。
优选的，所述根据ROI区域内各像素点与ROI区域圆心之间的距离关系得到各像素点的扇形邻域，包括：
对于ROI区域内各像素点，以像素点作为扇形圆弧上的中位点，通过固定扇形圆弧上的中位点与ROI区域圆心之间的距离以及角度得到各像素点的扇形邻域，保证此扇形邻域圆弧与ROI区域轮廓圆的弧度一致。
优选的，所述根据各条线LBP序列的标准差及LBP序列之间的DTW距离获取各条线的自纹理对比度，包括：
获取各条线的LBP序列，计算各条线LBP序列的标准差以及各条线LBP序列之间的DTW距离，对各条线LBP序列之间的DTW距离求和，各条线的自纹理对比度与LBP序列的标准差成正比、与LBP序列之间的DTW距离之和成反比。
优选的，所述根据各条线的自纹理对比度得到像素点的LBP纹理指数，包括：
将各像素点扇形邻域内每条线的自纹理对比度求和取平均，得到各像素点的LBP纹理指数。
优选的，所述根据各像素点的梯度幅值和LBP纹理指数得到各像素点的复合特征向量，具体包括：获取各像素点LBP纹理指数的方向，得到LBP纹理指数向量，将各像素点的梯度幅值与LBP纹理指数向量求和得到各像素点的复合特征向量。
优选的，所述结合聚类度量距离及聚类算法获取汽车铝合金压铸模具龟裂纹聚类簇，具体步骤包括：
利用聚类算法获取ROI区域的各聚类簇，计算每个聚类簇的平均灰度值，设定分割阈值，将平均灰度值小于分割阈值的聚类簇标记为龟裂纹聚类簇。
优选的，所述根据龟裂纹聚类簇总面积获取汽车铝合金压铸模具质量系数，具体步骤包括：
汽车铝合金压铸模具质量系数与龟裂纹聚类簇总面积在ROI区域面积的比重成反比。
第二方面，本发明实施例还提供了一种汽车铝合金压铸模具质量检查***，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果：
本发明主要通过汽车铝合金压铸模具表面图像的灰度特征对模具中的龟裂纹路进行聚类，得到龟裂纹路聚类面积，实现汽车铝合金压铸模具的质量检查，提高汽车零部件的生产质量。本发明结合汽车铝合金压铸模具灰度图像中的ROI区域及扇形邻域内的纹理特征对汽车铝合金压铸模具的龟裂程度进行分析，提高了模具中龟裂纹路的识别精度，提升后续聚类准确性；
进一步，本发明结合汽车铝合金压铸模具ROI区域中各扇形邻域规定像素点的LBP值获取自纹理对比度，对自纹理对比度进行求和取均值得到各像素点的LBP纹理指数，实现对模具中龟裂纹路纵向特征的提取，提高了特征提取的准确度，同时结合各像素点的梯度特征与LBP纹理指数，获取各像素点的复合特征向量，使该复合特征向量融合了像素点龟裂纹路的横向纹路特征与纵向纹路特征，利用该复合特征向量之间的余弦距离作为聚类算法的度量标准，解决了常规聚类算法聚类精度低的问题，及时发现模具的质量问题，在汽车铝合金零部件生产过程中降低了残次零部件出现概率。本发明具有聚类精度高等有益效果。
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提供的一种汽车铝合金压铸模具质量检查方法的步骤流程图。
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汽车铝合金压铸模具质量检查方法及***，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，一个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汽车铝合金压铸模具质量检查方法及***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汽车铝合金压铸模具质量检查方法的步骤流程图，该方法包括以下步骤：
步骤S001，通过图像采集装置获取汽车铝合金压铸模具表面图像，并进行预处理。
具体的，首先本实施例将通过使用高清工业CCD相机拍摄获取汽车铝合金压铸模具表面1080p分辨率图像，作为汽车铝合金压铸模具质量检查的数据来源，需要说明的是，汽车铝合金压铸模具表面图像的获取方法有很多，具体的图像获取方法可通过现有技术实现，不在本实施例保护范围内，不做相关详细阐述；
然后，将汽车铝合金压铸模具表面图像转化为灰度图像，具体方法为平均值法，其次，对汽车铝合金压铸模具灰度图像使用高斯滤波去噪算法进行去噪，去除斑点噪声，由于平均值法、高斯滤波去噪算法均为现有公知技术，在此不做详细陈述。
至此，即可根据本实施例上述方法获取汽车铝合金压铸模具表面去噪灰度图像，作为后续汽车铝合金压铸模具质量检查的数据基础。
步骤S002，基于预处理后的铝合金压铸模具表面图像获取ROI(Region ofInterest，感兴趣区域)区域，分析ROI区域内龟裂纹纹路特征构建像素点扇形邻域窗口，基于扇形邻域窗口内平均梯度以及LBP(Local Binary Patterns，局部二值模式)纹理指数构建像素点的复合特征向量。
具体的，本实施例将根据铝合金压铸模具表面图像的灰度分布特征获取ROI区域，根据ROI区域内铝合金压铸模具的龟裂纹路特征得到像素点的扇形邻域窗口，对扇形邻域窗口内的平均梯度幅值和LBP纹理指数进行合并，得到像素点的复合特征向量，由于常规聚类算法在聚类过程的度量距离并未考虑到像素点的纹理和边缘特征，导致出现聚类精度低的问题，因此，本实施例将对像素点的纹理和边缘特征进行聚合，以各像素点之间复合特征向量的余弦相似度作为聚类过程中的度量距离，提高了铝合金压铸模具中龟裂纹路的聚类精度，实现铝合金压铸模具的质量检查。铝合金压铸模具表面图像像素点复合特征向量的构建过程具体为：
首先，对预处理后的铝合金压铸模具表面图像使用Canny边缘检测算法，将边缘检测结果中强边缘部分的像素点灰度值置为0，弱边缘以及非边缘部分的像素点灰度值置为255，得到铝合金压铸模具表面边缘二值图像，基于上述边缘检测结果进行霍夫圆变换，变换结果中最大的近似圆所在部分即为横腔区域，Canny边缘检测算法及霍夫圆变换为现有公知技术，不在本实施例保护范围内，在此不做相关详细阐述，针对横腔区域内所有近似圆，计算近似圆拟合度，所述近似圆拟合度具体表达式为：
式中，τq为近似圆q的近似圆拟合度，Cr为近似圆q与边缘二值图像中灰度值为0的像素点重合的数量，Cq为近似圆q的像素点总数；当Cr越大时说明边缘二值图像中的边缘越接近圆形，则拟合度越高。
使用大津阈值算法确定横腔区域内所有近似圆拟合度的分割阈值，大津阈值算法为现有公知技术，不在本实施例保护范围内，在此不做相关详细阐述，将大于分割阈值的拟合度对应近似圆记为模具近似圆，小于分割阈值的拟合度对应的近似圆记为纹路近似圆，针对各个模具近似圆，取其中的最小近似圆标记为ROI区域；
以ROI区域圆心O为原点构建空间二维坐标系，此区域内任一像素点i都有基本属性，包括灰度值以及空间坐标(xi，yi)，由于ROI区域内龟裂纹虽然形状比较紊乱，但整体来看仍具有一定方向性，因为材料在压铸成型时，高温塑形低温凝固，材料表面张力使得横腔内龟裂纹的纹路整体向圆心O生长，纹路中整体基本包括两部分，第一类纹路指向圆心生长，称为纵向纹路，另一类纹路与指向圆心的方向基本保持垂直，称为环向纹路。对于任一像素点i，构建扇形邻域窗口，以像素点i为扇形圆弧上的中位点，穿过像素点i以及圆心O的中轴长度为8像素，扇形圆心角为4°，保证此扇形邻域窗口圆弧与ROI区域轮廓圆的弧度一致，本实施例中构建该扇形邻域窗口，主要考虑两类纹路特性以及场景特征，在扇形区域内可以尽可能的保证邻域窗口内为同一类龟裂纹纹路，方便后续计算。另外说明，当像素点i与圆心O的欧氏距离不足8像素时，以此时像素点与圆心的欧氏距离为中轴长度，扇形圆心角度数不变，因为产生龟裂纹时圆心附近区域为最后生长区域，所以此时与圆心较近的像素点邻域窗口产生范围变化时对最终检测结果并无较大影响。
考虑到汽车铝合金压铸模具的龟裂纹路边缘特征，针对构建的扇形邻域窗口，使用Sobel算子计算得到像素点i邻域窗口内所有像素点的梯度幅值，将所有像素点的梯度幅值求和取平均作为像素点i的梯度幅值，所述像素点i的梯度幅值表达式具体为：
式中，Zi为像素点i的梯度幅值，N为像素点i扇形邻域内的像素点个数，Sn为扇形邻域窗口内第n个像素点的梯度幅值，像素点i的梯度幅值越大表示扇形邻域窗口内的龟裂纹路边缘特征越明显；
然后在该扇形邻域窗口内，每隔1°划分为一个区域，则扇形邻域窗口被等分为数个相同的小扇形区间，考虑整体计算量以及扇形邻域窗口内的均匀采样问题，选取小扇形区间分割线以及邻域窗口边界线上的像素点作为分析数据，并将小扇形区间分割线以及邻域窗口边界线统称为射线，然后计算每条射线上像素点的LBP值，将每条射线上的LBP值按照距离扇形邻域窗口顶点从近到远进行排序，构成LBP序列，通过分析每条射线对应LBP序列的关系体现像素点i邻域窗口内的纹理特征，得到扇形邻域窗口内每条射线的自纹理对比度，所述自纹理对比度表达式具体为：
式中，Ym为扇形邻域窗口内第m条射线的自纹理对比度，σm为扇形邻域窗口内第m条射线LBP序列的标准差，Lm为扇形邻域窗口内第m条射线对应的LBP序列，Ln为扇形邻域窗口内除第m条射线外剩余第n条射线的LBP序列，Dtw(Lm，Ln)为第m条射线的LBP序列与第n条射线的LBP序列之间的DTW(Dynamic-Time-Wraping，动态时间规整)距离，M为扇形邻域窗口内的射线总数量。第m条射线与第n条射线之间的DTW距离值越小表示第m条射线包含像素点与第n条射线包含像素点的纹理差异度越小，则第m条射线的自纹理对比度Ym越大；当第m条射线的LBP序列标准差σm越大时，其自纹理对比度Ym也越大；
首先计算每条射线对应LBP序列的标准差，记第m条射线LBP序列的标准差为σm，然后计算各个LBP序列与其余LBP序列之间的DTW距离平均值，这两个数据体现了邻域窗口内指向圆心O方向的纹理特征以及邻域窗口***线包含像素点互相的纹理差异度，所述LBP纹理指数表达式具体为：
式中，Toli为像素点i的LBP纹理指数，M为扇形邻域窗口内的射线总数量，Ym为像素点i的扇形邻域窗口内第m条射线的自纹理对比度。LBP纹理指数值越大，说明扇形邻域窗口***线包含像素点的纹理分布越不均匀，且每条射线包含像素点的纹理特征相似度越高，此时像素点i的扇形邻域窗口处于环向纹路，相反，若LBP纹理指数Toli较小时，说明像素点i的扇形邻域窗口处于纵向纹路，当LBP纹理指数Toli接近于0时，说明像素点i的扇形邻域窗口处于正常无纹路区域；
针对汽车铝合金压铸模具ROI区域内各个像素点，具有梯度特征表征像素点的横向边缘特征，具有LBP纹理指数表征像素点的纵向纹路特征，联合像素点的梯度幅值以及LBP纹理指数构建像素点的复合特征向量，复合特征向量表达式具体为：
Fi＝(Zi，Toli)
式中，Zi为像素点i的梯度幅值，Toli为像素点i的LBP纹理指数，Fi为像素点i的复合特征向量，包含了ROI区域内像素点i的横向纹路特征和纵向纹路特征。
步骤S003，针对各像素点构建的复合特征向量，使用聚类算法实现聚类，得到龟裂纹聚类簇，根据龟裂纹聚类簇得到汽车铝合金压铸模具质量系数。
基于DBSCAN(Density-Based Spatial Clustering of Applications withNoise)聚类算法，本实施例中将输入参数邻域半径定义为ε＝0.2，最小点数定义为MinPts＝20，在计算样本间距离时通过计算像素点复合特征向量的余弦相似度，以此作为DBSCAN聚类算法的度量距离，DBSCAN聚类算法与余弦相似度计算为现有公知技术，不在本实施例保护范围内，在此不做相关详细阐述；
汽车铝合金压铸模具灰度图经过DBSCAN聚类算法聚类后，输出包含聚类簇的聚类结果，计算每个聚类簇的平均灰度值，相较于正常区域来说，龟裂纹聚类簇平均灰度值较小，使用大津阈值算法获取所有平均灰度值的分割阈值，将小于分割阈值的平均灰度值对应聚类簇标记为龟裂纹聚类簇，根据龟裂纹聚类簇面积构建汽车铝合金压铸模具质量系数，所述汽车铝合金压铸模具质量系数表达式具体为：
式中，为汽车铝合金压铸模具质量系数，H为龟裂纹聚类簇总面积，Ht为ROI区域总面积，龟裂纹聚类簇总面积越小，则表明汽车铝合金压铸模具的龟裂纹路越少，汽车铝合金压铸模具质量系数也就越高。
当汽车铝合金压铸模具质量系数小于阈值T时可认为此部分模具有质量问题，本实施例中阈值T取值为95％。
基于与上述方法相同的发明构思，本发明实施例还提供了一种汽车铝合金压铸模具质量检查***，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种汽车铝合金压铸模具质量检查方法中任意一项所述方法的步骤。
综上所述，本发明实施例解决了常规聚类算法采用简单欧氏距离进行聚类，导致聚类精度低的问题，结合汽车铝合金压铸模具的纹理特征，提高了汽车铝合金压铸模具龟裂纹路的检测准确率。
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。且上述对本说明书特定实施例进行了描述。另外，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 (10)
1.一种汽车铝合金压铸模具质量检查方法及***，其特征在于，该方法包括以下步骤：
采集汽车铝合金压铸模具表面图像，获取汽车铝合金压铸模具表面灰度图；
根据汽车铝合金压铸模具表面灰度图的灰度分布获取近似圆拟合度，根据铝合金压铸模具中的各个近似圆拟合度进行阈值分割获取ROI区域，根据ROI区域内各像素点与ROI区域圆心之间的距离关系得到各像素点的扇形邻域；将各像素点扇形邻域所包含像素点的梯度均值作为各像素点的梯度幅值；
将扇形邻域等分为数个相同的小扇形区间，计算各小扇形区间分割线及扇形邻域边界线上像素点的LBP值，获取各条线的LBP序列；根据各条线LBP序列的标准差及LBP序列之间的DTW距离获取各条线的自纹理对比度，根据各条线的自纹理对比度得到像素点的LBP纹理指数；根据各像素点的梯度幅值和LBP纹理指数得到各像素点的复合特征向量；
将各像素点复合特征向量之间的余弦相似度作为聚类度量距离，结合聚类度量距离及聚类算法获取汽车铝合金压铸模具龟裂纹聚类簇，获取汽车铝合金压铸模具龟裂纹聚类簇总面积；根据龟裂纹聚类簇总面积获取汽车铝合金压铸模具质量系数，完成汽车铝合金压铸模具的质量检查。
2.根据权利要求1所述的一种汽车铝合金压铸模具质量检查方法及***，其特征在于，所述根据汽车铝合金压铸模具表面灰度图的灰度分布获取近似圆拟合度，包括的具体方法为：
获取铝合金压铸模具表面二值图像，通过霍夫圆检测得到铝合金压铸模具表面二值图像中的各近似圆，变换结果中最大近似圆所在部分为横腔区域，获取横腔区域内所有近似圆并得到各近似圆上的像素点总数，在横腔区域内进行边缘检测，针对各近似圆，统计近似圆上与边缘像素点相重合的像素点个数，将近似圆上与边缘像素点相重合的像素点个数和近似圆上对应的像素点总数求取比值得到近似圆拟合度。
3.根据权利要求1所述的一种汽车铝合金压铸模具质量检查方法及***，其特征在于，所述根据铝合金压铸模具中的各个近似圆拟合度进行阈值分割获取ROI区域，包括的具体方法为：
根据铝合金压铸模具中的各个近似圆拟合度，设定分割阈值，将近似圆拟合度大于分割阈值的最小近似圆标记为ROI区域。
4.根据权利要求1所述的一种汽车铝合金压铸模具质量检查方法及***，其特征在于，所述根据ROI区域内各像素点与ROI区域圆心之间的距离关系得到各像素点的扇形邻域，包括的具体方法为：
对于ROI区域内各像素点，以像素点作为扇形圆弧上的中位点，通过固定扇形圆弧上的中位点与ROI区域圆心之间的距离以及角度得到各像素点的扇形邻域，保证此扇形邻域圆弧与ROI区域轮廓圆的弧度一致。
5.根据权利要求1所述的一种汽车铝合金压铸模具质量检查方法及***，其特征在于，所述根据各条线LBP序列的标准差及LBP序列之间的DTW距离获取各条线的自纹理对比度，包括的具体方法为：
获取各条线的LBP序列，计算各条线LBP序列的标准差以及各条线LBP序列之间的DTW距离，对各条线LBP序列之间的DTW距离求和，各条线的自纹理对比度与LBP序列的标准差成正比、与各LBP序列之间的DTW距离之和成反比。
6.根据权利要求1所述的一种汽车铝合金压铸模具质量检查方法及***，其特征在于，所述根据各条线的自纹理对比度得到像素点的LBP纹理指数，包括的具体方法为：
将各像素点扇形邻域内每条线的自纹理对比度求和取平均，得到各像素点的LBP纹理指数。
7.根据权利要求1所述的一种汽车铝合金压铸模具质量检查方法及***，其特征在于，所述根据各像素点的梯度幅值和LBP纹理指数得到各像素点的复合特征向量，包括的具体方法为：
获取各像素点LBP纹理指数的方向，得到LBP纹理指数向量，将各像素点的梯度幅值与LBP纹理指数向量求和得到各像素点的复合特征向量。
8.根据权利要求1所述的一种汽车铝合金压铸模具质量检查方法及***，其特征在于，所述结合聚类度量距离及聚类算法获取汽车铝合金压铸模具龟裂纹聚类簇，包括的具体方法为：
利用聚类算法获取ROI区域的各聚类簇，计算每个聚类簇的平均灰度值，设定分割阈值，将平均灰度值小于分割阈值的聚类簇标记为龟裂纹聚类簇。
9.根据权利要求1所述的一种汽车铝合金压铸模具质量检查方法及***，其特征在于，所述根据龟裂纹聚类簇总面积获取汽车铝合金压铸模具质量系数，包括的具体方法为：
汽车铝合金压铸模具质量系数与龟裂纹聚类簇总面积在ROI区域面积的比重成反比。
10.一种汽车铝合金压铸模具质量检查***，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311055707.8A CN117058111B (zh) | 2023-08-21 | 2023-08-21 | 一种汽车铝合金压铸模具质量检查方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311055707.8A CN117058111B (zh) | 2023-08-21 | 2023-08-21 | 一种汽车铝合金压铸模具质量检查方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117058111A true CN117058111A (zh) | 2023-11-14 |
| CN117058111B CN117058111B (zh) | 2024-02-09 |
Family
ID=88660555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311055707.8A Active CN117058111B (zh) | 2023-08-21 | 2023-08-21 | 一种汽车铝合金压铸模具质量检查方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117058111B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575986A (zh) * | 2024-01-05 | 2024-02-20 | 大连亚明汽车部件股份有限公司 | 一种车辆压铸配件成品监测方法、装置、设备及介质 |
| CN117893532A (zh) * | 2024-03-14 | 2024-04-16 | 山东神力索具有限公司 | 基于图像处理的模锻索具用模具裂纹缺陷检测方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170323472A1 (en) * | 2014-10-26 | 2017-11-09 | Galileo Group, Inc. | Methods and systems for surface informatics based detection with machine-to-machine networks and smartphones |
| CN110544233A (zh) * | 2019-07-30 | 2019-12-06 | 北京的卢深视科技有限公司 | 基于人脸识别应用的深度图像质量评价方法 |
| CN113221585A (zh) * | 2020-02-04 | 2021-08-06 | 手持产品公司 | 用于改进的直接零件标示读取的交替照明器组件和移动成像装置 |
| WO2021208249A1 (zh) * | 2020-04-15 | 2021-10-21 | 上海摩象网络科技有限公司 | 图像处理方法、设备及手持相机 |
| CN114235825A (zh) * | 2022-02-24 | 2022-03-25 | 武汉祥文钢材制品有限公司 | 一种基于计算机视觉的钢丝绳质量检测方法 |
| CN115055806A (zh) * | 2022-08-11 | 2022-09-16 | 先富斯技术（武汉）有限公司 | 基于视觉跟踪的焊接轨迹跟踪方法及装置 |
| CN115222733A (zh) * | 2022-09-19 | 2022-10-21 | 山东金源不锈钢制品有限公司 | 基于图像识别的金属构件表面缺陷检测方法 |
| CN115984284A (zh) * | 2023-03-21 | 2023-04-18 | 黄海造船有限公司 | 一种用于船舶维护的x射线船体焊缝图像检测方法 |
| CN116071387A (zh) * | 2023-03-06 | 2023-05-05 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于机器视觉的枕轨生产质量检测方法 |
| CN116168039A (zh) * | 2023-04-26 | 2023-05-26 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
| CN116363127A (zh) * | 2023-05-31 | 2023-06-30 | 临沂中科芯华新材料科技有限公司 | 基于图像处理的全降解塑料制品质量检测方法 |
| CN116580021A (zh) * | 2023-07-03 | 2023-08-11 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
| CN116597392A (zh) * | 2023-07-19 | 2023-08-15 | 山东天力润滑油有限公司 | 基于机器视觉的液压油杂质识别方法 |
-
2023
- 2023-08-21 CN CN202311055707.8A patent/CN117058111B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170323472A1 (en) * | 2014-10-26 | 2017-11-09 | Galileo Group, Inc. | Methods and systems for surface informatics based detection with machine-to-machine networks and smartphones |
| CN110544233A (zh) * | 2019-07-30 | 2019-12-06 | 北京的卢深视科技有限公司 | 基于人脸识别应用的深度图像质量评价方法 |
| CN113221585A (zh) * | 2020-02-04 | 2021-08-06 | 手持产品公司 | 用于改进的直接零件标示读取的交替照明器组件和移动成像装置 |
| WO2021208249A1 (zh) * | 2020-04-15 | 2021-10-21 | 上海摩象网络科技有限公司 | 图像处理方法、设备及手持相机 |
| CN114235825A (zh) * | 2022-02-24 | 2022-03-25 | 武汉祥文钢材制品有限公司 | 一种基于计算机视觉的钢丝绳质量检测方法 |
| CN115055806A (zh) * | 2022-08-11 | 2022-09-16 | 先富斯技术（武汉）有限公司 | 基于视觉跟踪的焊接轨迹跟踪方法及装置 |
| CN115222733A (zh) * | 2022-09-19 | 2022-10-21 | 山东金源不锈钢制品有限公司 | 基于图像识别的金属构件表面缺陷检测方法 |
| CN116071387A (zh) * | 2023-03-06 | 2023-05-05 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于机器视觉的枕轨生产质量检测方法 |
| CN115984284A (zh) * | 2023-03-21 | 2023-04-18 | 黄海造船有限公司 | 一种用于船舶维护的x射线船体焊缝图像检测方法 |
| CN116168039A (zh) * | 2023-04-26 | 2023-05-26 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
| CN116363127A (zh) * | 2023-05-31 | 2023-06-30 | 临沂中科芯华新材料科技有限公司 | 基于图像处理的全降解塑料制品质量检测方法 |
| CN116580021A (zh) * | 2023-07-03 | 2023-08-11 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
| CN116597392A (zh) * | 2023-07-19 | 2023-08-15 | 山东天力润滑油有限公司 | 基于机器视觉的液压油杂质识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张瀚丹等: "基于视觉的汽车装配件缺陷检测研究进展", 《仪器仪表学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575986A (zh) * | 2024-01-05 | 2024-02-20 | 大连亚明汽车部件股份有限公司 | 一种车辆压铸配件成品监测方法、装置、设备及介质 |
| CN117893532A (zh) * | 2024-03-14 | 2024-04-16 | 山东神力索具有限公司 | 基于图像处理的模锻索具用模具裂纹缺陷检测方法 |
| CN117893532B (zh) * | 2024-03-14 | 2024-05-24 | 山东神力索具有限公司 | 基于图像处理的模锻索具用模具裂纹缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117058111B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117058111B (zh) | 一种汽车铝合金压铸模具质量检查方法及*** | |
| CN115830033B (zh) | 基于机器视觉的汽车轮毂表面缺陷检测方法 | |
| CN111145228B (zh) | 基于局部轮廓点与形状特征融合的异源图像配准方法 | |
| CN114943736B (zh) | 一种汽车散热翅片生产质量检测方法及*** | |
| CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
| CN115830015B (zh) | 基于计算机视觉的五金冲压配件质量检测方法 | |
| CN115690105B (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
| CN105447882B (zh) | 一种图像配准方法及*** | |
| CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及*** | |
| CN117611563B (zh) | 一种基于图像处理的塑胶模具生产缺陷检测方法 | |
| CN116993966B (zh) | 一种铸件打磨视觉智能定位方法及*** | |
| CN111968224A (zh) | 船舶3d扫描点云数据处理方法 | |
| CN110929598B (zh) | 基于轮廓特征的无人机载sar图像匹配方法 | |
| CN117541605B (zh) | 一种钢结构锈蚀图像区域快速分割方法 | |
| CN117152180B (zh) | 基于人工智能的矿物铸件缺陷检测方法 | |
| CN116823827B (zh) | 一种基于图像处理的矿石粉碎效果评价方法 | |
| CN116188458B (zh) | 一种汽车配件压铸模具表面形变异常智能识别方法 | |
| CN116432052B (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
| CN115100510B (zh) | 一种轮胎磨损度识别方法 | |
| CN116642904A (zh) | 一种基于三维点云的飞机蒙皮缺陷检测及测量方法 | |
| CN115994870A (zh) | 一种用于增强去噪的图像处理方法 | |
| CN111798413B (zh) | 一种轮胎切平面定位方法及*** | |
| CN113592953A (zh) | 一种基于特征点集的双目非合作目标位姿测量方法 | |
| CN113505811A (zh) | 一种轮毂生产用机器视觉成像方法 | |
| CN117078730B (zh) | 基于模版匹配的防凸卡具配准方法 |
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 |