CN117611563B - 一种基于图像处理的塑胶模具生产缺陷检测方法 - Google Patents
一种基于图像处理的塑胶模具生产缺陷检测方法 Download PDFInfo
- Publication number
- CN117611563B CN117611563B CN202311650225.7A CN202311650225A CN117611563B CN 117611563 B CN117611563 B CN 117611563B CN 202311650225 A CN202311650225 A CN 202311650225A CN 117611563 B CN117611563 B CN 117611563B
- Authority
- CN
- China
- Prior art keywords
- suspected
- bubble defect
- connected domain
- bubble
- boundary
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 272
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 title claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 19
- 230000003014 reinforcing effect Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像识别技术领域,具体涉及一种基于图像处理的塑胶模具生产缺陷检测方法,包括:在塑胶模具的灰度图像中筛选多个初始种子点进行区域生长,得到多个非气泡缺陷区域,根据灰度图像中非气泡缺陷区域外的像素点确定多个疑似气泡缺陷连通域,根据疑似气泡缺陷连通域的边界像素点以及内部像素点获取疑似气泡缺陷连通域为气泡缺陷的可能性,对疑似气泡缺陷连通域进行增强,获取增强图像,使得越可能为气泡缺陷的区域与越不可能为气泡缺陷的区域的对比更加明显,从而排除花纹、棱边等纹理对气泡缺陷的干扰,使得根据增强图像识别的气泡缺陷更加准确。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种基于图像处理的塑胶模具生产缺陷检测方法。
背景技术
塑胶模具广泛应用于各个领域,塑胶模具的质量影响了利用塑胶模具生产的各种产品的质量,当塑胶模具中存在气泡缺陷时,可能会导致塑胶模具力学性能降低、尺寸不稳定性等问题,因此需要对塑胶模具中的气泡缺陷进行检测。
目前通常通过计算机视觉进行塑胶模具中气泡缺陷的识别,但由于塑胶模具中还存在花纹以及棱边等纹理,对气泡缺陷造成了干扰,利用边缘检测、阈值分割等计算机视觉处理方法难以识别出气泡缺陷。
发明内容
为了解决上述问题,本发明提供一种基于图像处理的塑胶模具生产缺陷检测方法,该方法包括以下步骤:
采集塑胶模具的灰度图像;
在灰度图像中筛选多个初始种子点进行区域生长,得到多个非气泡缺陷区域;根据灰度图像中非气泡缺陷区域外的像素点确定多个疑似气泡缺陷连通域;
确定疑似气泡缺陷连通域的边界像素点以及内部像素点,根据边界像素点以及内部像素点获取疑似气泡缺陷连通域为气泡缺陷的可能性;
根据疑似气泡缺陷连通域为气泡缺陷的可能性对疑似气泡缺陷连通域进行增强;根据所有疑似气泡缺陷连通域增强的结果获取增强图像,根据增强图像识别气泡缺陷。
优选的,所述在灰度图像中筛选多个初始种子点,包括的具体步骤如下:
对灰度图像进行边缘检测,获取灰度图像中的所有边缘点;预设距离阈值L以及区域数量N,获取灰度图像中到所有边缘点的距离大于距离阈值L的所有像素点,在此些像素点中随机选取N个初始种子点。
优选的,所述根据灰度图像中非气泡缺陷区域外的像素点确定多个疑似气泡缺陷连通域,包括的具体步骤如下:
将灰度图像中位于非气泡缺陷区域外的像素点作为疑似气泡缺陷像素点;对所有疑似气泡缺陷像素点进行连通性分析,得到多个疑似气泡缺陷连通域。
优选的,所述确定疑似气泡缺陷连通域的边界像素点以及内部像素点,包括的具体步骤如下:
对于每个疑似气泡缺陷连通域,将围成该疑似气泡缺陷连通域的闭合曲线称为该疑似气泡缺陷连通域的边界,将疑似气泡缺陷连通域边界上每个像素点作为该疑似气泡缺陷连通域的边界像素点,将疑似气泡缺陷连通域内除边界像素点外的所有像素点作为该疑似气泡缺陷连通域的内部像素点。
优选的,所述根据边界像素点以及内部像素点获取疑似气泡缺陷连通域为气泡缺陷的可能性,包括的具体步骤如下:
从疑似气泡缺陷连通域边界上任意一个边界像素点开始,获取该疑似气泡缺陷连通域边界的链码;根据疑似气泡缺陷连通域边界的链码以及疑似气泡缺陷连通域中所有边界像素点以及内部像素点的灰度分布获取疑似气泡缺陷连通域为气泡缺陷的可能性。
优选的,所述根据疑似气泡缺陷连通域边界的链码以及疑似气泡缺陷连通域中所有边界像素点以及内部像素点的灰度分布获取疑似气泡缺陷连通域为气泡缺陷的可能性,包括的具体步骤如下:
其中,Qi表示第i个疑似气泡缺陷连通域为气泡缺陷的可能性;hi表示第i个疑似气泡缺陷连通域的所有边界像素点的平均灰度值;Hi表示第i个疑似气泡缺陷连通域的所有内部像素点的平均灰度值;Si表示第i个疑似气泡缺陷连通域的所有内部像素点的灰度值的方差;Ki表示第i个疑似气泡缺陷连通域边界的链码中出现的所有种方向编码的种类数;ni,k表示第i个疑似气泡缺陷连通域边界的链码中出现的第k种方向编码的出现次数;表示第i个疑似气泡缺陷连通域边界的链码中出现的所有种方向编码的平均出现次数;Mi表示第i个疑似气泡缺陷连通域边界的链码的长度;Δqm-1,m表示第i个疑似气泡缺陷连通域边界的链码中第m-1个方向编码对应的方向与第m个方向编码对应的方向之间的夹角;exp()表示以自然常数为底的指数函数;norm()表示归一化。
优选的,所述根据疑似气泡缺陷连通域为气泡缺陷的可能性对疑似气泡缺陷连通域进行增强,包括的具体步骤如下:
根据每个疑似气泡缺陷连通域为气泡缺陷的可能性获取每个疑似气泡缺陷中每个像素点的增强灰度值:
其中,v′i,j表示第i个疑似气泡缺陷连通域中第j个像素点的增强灰度值;vi,j表示第i个疑似气泡缺陷连通域中第j个像素点原本的灰度值;Qi表示第i个疑似气泡缺陷连通域为气泡缺陷的可能性;α为超参数。
优选的,所述根据所有疑似气泡缺陷连通域增强的结果获取增强图像,包括的具体步骤如下:
将每个疑似气泡缺陷连通域中每个像素点的增强灰度值替换塑胶模具的灰度图像中每个疑似气泡缺陷连通域中每个像素点原本的灰度值,得到增强图像。
优选的,所述根据增强图像识别气泡缺陷,包括的具体步骤如下:
对增强图像进行阈值分割得到气泡缺陷区域。
优选的,所述采集塑胶模具的灰度图像,包括的具体步骤如下:
拍摄塑胶模具的RGB图像,对塑胶模具的RGB图像进行灰度化,得到塑胶模具的灰度图像。
本发明的技术方案的有益效果是:本发明在塑胶模具的灰度图像中筛选多个初始种子点进行区域生长,得到多个非气泡缺陷区域,根据灰度图像中非气泡缺陷区域外的像素点确定多个疑似气泡缺陷连通域,初步排除了塑胶模具中不存在花纹和棱边等纹理的正常区域。本发明根据疑似气泡缺陷连通域的边界像素点以及内部像素点获取疑似气泡缺陷连通域为气泡缺陷的可能性,根据疑似气泡缺陷连通域为气泡缺陷的可能性对疑似气泡缺陷连通域进行增强,使得越可能为气泡缺陷的区域与越不可能为气泡缺陷的区域的对比更加明显,排除了花纹和棱边等纹理对气泡缺陷识别的干扰,使得最终识别的气泡缺陷更加准确。
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为本发明的一种基于图像处理的塑胶模具生产缺陷检测方法的步骤流程图;
图2为塑胶模具的灰度图像;
图3为弗里曼链码的八个方向示意图。
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基于图像处理的塑胶模具生产缺陷检测方法,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基于图像处理的塑胶模具生产缺陷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基于图像处理的塑胶模具生产缺陷检测方法的步骤流程图,该方法包括以下步骤:
S001.采集塑胶模具的灰度图像。
通过相机对塑胶模具进行拍摄,得到塑胶模具的RGB图像。为了便于后续处理,对塑胶模具的RGB图像进行灰度化,得到塑胶模具的灰度图像。本实施例的一个塑胶模具的灰度图像参见图2所示。
至此,获取了塑胶模具的灰度图像。
S002.在灰度图像中筛选多个初始种子点进行区域生长,得到多个非气泡缺陷区域,根据灰度图像中非气泡缺陷区域外的像素点确定多个疑似气泡缺陷连通域。
需要说明的是,塑胶模具中的气泡缺陷在光的折射和反射作用下,灰度值与正常区域存在明显差异,因此本实施例根据塑胶模具的灰度图像中灰度值分布筛选灰度图像中疑似气泡缺陷的区域。
具体的,对塑胶模具的灰度图像进行边缘检测,获取灰度图像中的所有边缘点。预设距离阈值L以及区域数量N,例如L=20、N=5,具体不做限定,实施人员可根据实际实施情况设置距离阈值以及区域数量。获取灰度图像中到所有边缘点的距离大于距离阈值L的所有像素点,在此些像素点中随机选取N个初始种子点,根据初始种子点以及灰度图像中每个像素点的灰度值进行区域生长,得到灰度图像中多个区域。需要说明的是,本实施例中的距离指的是像素点之间的距离。
需要说明的是,由于塑胶模具的单个气泡缺陷相对较小,因此本实施例通过设置距离阈值在距离边缘点较远的位置选取初始种子点,则选取的初始种子点一定为非气泡缺陷区域的像素点。由于气泡缺陷区域的像素点与正常区域的像素点的灰度差异较为明显,因此将非气泡缺陷区域的像素点作为初始种子点进行区域生长,得到的区域为非气泡缺陷的区域。
在本实施例中,将灰度图像中位于区域生长得到的多个区域外的所有像素点作为疑似气泡缺陷像素点。对所有疑似气泡缺陷像素点进行连通性分析,得到多个疑似气泡缺陷连通域。
至此,获取了多个疑似气泡缺陷连通域。
S003.确定疑似气泡缺陷连通域的边界像素点以及内部像素点,根据边界像素点以及内部像素点获取疑似气泡缺陷连通域为气泡缺陷的可能性。
需要说明的是,由于塑胶模具中存在花纹以及棱边等纹理,此些纹理与正常区域存在灰度差异,通过步骤S002中的方法得到的多个疑似气泡缺陷连通域可能也包含了此些纹理,对气泡缺陷的识别造成了干扰。气泡缺陷呈近圆形,且气泡边缘在反光的影响下气泡边缘的灰度值较大,气泡内部的灰度值较小且较为统一。因此本实施例通过对每个疑似气泡缺陷连通域的形状以及灰度分布进行分析,获取每个疑似气泡缺陷连通域为气泡缺陷的可能性。
具体的,对于每个疑似气泡缺陷连通域,将围成该疑似气泡缺陷连通域的闭合曲线称为该疑似气泡缺陷连通域的边界,将疑似气泡缺陷连通域边界上每个像素点作为该疑似气泡缺陷连通域的边界像素点,将疑似气泡缺陷连通域内除边界像素点外的所有像素点作为该疑似气泡缺陷连通域的内部像素点。从疑似气泡缺陷连通域边界上任意一个边界像素点开始,获取该疑似气泡缺陷连通域边界的链码。本实施例以弗里曼链码进行叙述,具体不做限定,实施人员可根据实际实施情况选择链码算法。弗里曼链码为八方向链码,每个方向对应一个方向编码,取值为0到7,相邻方向之间夹角为45°,弗里曼链码的八个方向参见图3。
根据每个疑似气泡缺陷连通域边界的链码以及疑似气泡缺陷连通域中所有像素点的灰度分布获取每个疑似气泡缺陷连通域为气泡缺陷的可能性:
其中,Qi表示第i个疑似气泡缺陷连通域为气泡缺陷的可能性;hi表示第i个疑似气泡缺陷连通域的所有边界像素点的平均灰度值;Hi表示第i个疑似气泡缺陷连通域的所有内部像素点的平均灰度值;Si表示第i个疑似气泡缺陷连通域的所有内部像素点的灰度值的方差;Ki表示第i个疑似气泡缺陷连通域边界的链码中出现的所有种方向编码的种类数;ni,k表示第i个疑似气泡缺陷连通域边界的链码中出现的第k种方向编码的出现次数;表示第i个疑似气泡缺陷连通域边界的链码中出现的所有种方向编码的平均出现次数;Mi表示第i个疑似气泡缺陷连通域边界的链码的长度;Δqm-1,m表示第i个疑似气泡缺陷连通域边界的链码中第m-1个方向编码对应的方向与第m个方向编码对应的方向之间的夹角;exp()表示以自然常数为底的指数函数;norm()表示归一化;
表示第i个疑似气泡缺陷连通域的边界像素点与内部像素点的灰度比值,由于气泡边缘反光造成气泡边缘的灰度值较大,气泡内部的灰度值较小且较为统一,因此当疑似气泡缺陷连通域的边界像素点与内部像素点的灰度比值/>越大,疑似气泡缺陷连通域的所有内部像素点的灰度值的方差Si越小时,该疑似气泡缺陷连通域越可能为气泡缺陷;
表示第i个疑似气泡缺陷连通域边界的链码中出现的每种方向编码的出现次数与所有方向编码的平均出现次数的差异和,气泡缺陷为近圆形,花纹、棱边等纹理多呈线形,圆的链码中各方向编码的出现次数是基本一致的,线形的链码中各方向编码中某一方向编码的出现次数远远大于其他方向出现的次数,同时圆的链码中相邻的方向编码对应的方向之间的夹角接近45°,因此当/>越小时,疑似气泡缺陷连通域边界的链码中各方向编码出现的次数越一致,当/>越小时,疑似气泡缺陷连通域边界的链码中相邻方向编码对应的方向之间的夹角越小,疑似气泡缺陷连通域越可能为近圆形的气泡缺陷,反之当/>越大或/>越大时,疑似气泡缺陷连通域越不可能为气泡缺陷。
至此,获取了每个疑似气泡缺陷连通域为气泡缺陷的可能性。
S004.根据疑似气泡缺陷连通域为气泡缺陷的可能性对疑似气泡缺陷连通域进行增强,根据所有疑似气泡缺陷连通域增强的结果获取增强图像。
需要说明的是,为了使得气泡缺陷区域更加明显,本实施例根据每个疑似气泡缺陷连通域为气泡缺陷的可能性对每个疑似气泡缺陷连通域进行增强。
具体的,根据每个疑似气泡缺陷连通域为气泡缺陷的可能性获取每个疑似气泡缺陷中每个像素点的增强灰度值:
其中,v′i,j表示第i个疑似气泡缺陷连通域中第j个像素点的增强灰度值;vi,j表示第i个疑似气泡缺陷连通域中第j个像素点原本的灰度值;Qi表示第i个疑似气泡缺陷连通域为气泡缺陷的可能性;α为超参数,经验值为0.5,具体不做限定,实施人员可根据实际实施情况设置超参数;当Qi≥α时,将1-Qi作为的指数,实现对灰度值的放大,当第i个疑似气泡缺陷连通域为气泡缺陷的可能性越大时,对于疑似气泡缺陷连通域中像素点的灰度值放大程度越大。当Qi<α时,将/>作为/>的指数,实现对灰度值的缩小,当第i个疑似气泡缺陷连通域为气泡缺陷的可能性越小时,对于疑似气泡缺陷连通域中像素点的灰度值缩小程度越大,从而使得越可能为气泡缺陷的疑似气泡缺陷连通域越亮,越不可能为气泡缺陷的疑似气泡缺陷连通域越暗,从而扩大气泡缺陷与塑胶模具中花纹以及棱边等纹理的对比度,使得气泡缺陷更加明显。
将每个疑似气泡缺陷连通域中每个像素点的增强灰度值替换塑胶模具的灰度图像中每个疑似气泡缺陷连通域中每个像素点原本的灰度值,得到增强图像。
至此,得到了增强图像。
S005.根据增强图像识别气泡缺陷。
对增强图像进行大津阈值分割,将大于阈值的区域作为气泡缺陷区域。
通过以上步骤,完成了塑胶模具生产过程中气泡缺陷的检测。
本发明实施例通过在塑胶模具的灰度图像中筛选多个初始种子点进行区域生长,得到多个非气泡缺陷区域,根据灰度图像中非气泡缺陷区域外的像素点确定多个疑似气泡缺陷连通域,初步排除了塑胶模具中不存在花纹和棱边等纹理的正常区域。本发明根据疑似气泡缺陷连通域的边界像素点以及内部像素点获取疑似气泡缺陷连通域为气泡缺陷的可能性,根据疑似气泡缺陷连通域为气泡缺陷的可能性对疑似气泡缺陷连通域进行增强,使得越可能为气泡缺陷的区域与越不可能为气泡缺陷的区域的对比更加明显,排除了花纹和棱边等纹理对气泡缺陷识别的干扰,使得最终识别的气泡缺陷更加准确。
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 (6)
1.一种基于图像处理的塑胶模具生产缺陷检测方法,其特征在于,该方法包括以下步骤:
采集塑胶模具的灰度图像;
在灰度图像中筛选多个初始种子点进行区域生长,得到多个非气泡缺陷区域;根据灰度图像中非气泡缺陷区域外的像素点确定多个疑似气泡缺陷连通域;
确定疑似气泡缺陷连通域的边界像素点以及内部像素点,根据边界像素点以及内部像素点获取疑似气泡缺陷连通域为气泡缺陷的可能性;
所述根据边界像素点以及内部像素点获取疑似气泡缺陷连通域为气泡缺陷的可能性,包括的具体步骤如下:
从疑似气泡缺陷连通域边界上任意一个边界像素点开始,获取该疑似气泡缺陷连通域边界的链码;根据疑似气泡缺陷连通域边界的链码以及疑似气泡缺陷连通域中所有边界像素点以及内部像素点的灰度分布获取疑似气泡缺陷连通域为气泡缺陷的可能性;
所述根据疑似气泡缺陷连通域边界的链码以及疑似气泡缺陷连通域中所有边界像素点以及内部像素点的灰度分布获取疑似气泡缺陷连通域为气泡缺陷的可能性,包括的具体步骤如下:
其中,Qi表示第i个疑似气泡缺陷连通域为气泡缺陷的可能性;hi表示第i个疑似气泡缺陷连通域的所有边界像素点的平均灰度值;Hi表示第i个疑似气泡缺陷连通域的所有内部像素点的平均灰度值;Si表示第i个疑似气泡缺陷连通域的所有内部像素点的灰度值的方差;Ki表示第i个疑似气泡缺陷连通域边界的链码中出现的所有种方向编码的种类数;ni,k表示第i个疑似气泡缺陷连通域边界的链码中出现的第k种方向编码的出现次数;表示第i个疑似气泡缺陷连通域边界的链码中出现的所有种方向编码的平均出现次数;Mi表示第i个疑似气泡缺陷连通域边界的链码的长度;Δqm-1,m表示第i个疑似气泡缺陷连通域边界的链码中第m-1个方向编码对应的方向与第m个方向编码对应的方向之间的夹角;exp()表示以自然常数为底的指数函数;norm()表示归一化;
根据疑似气泡缺陷连通域为气泡缺陷的可能性对疑似气泡缺陷连通域进行增强;根据所有疑似气泡缺陷连通域增强的结果获取增强图像,根据增强图像识别气泡缺陷;
所述根据疑似气泡缺陷连通域为气泡缺陷的可能性对疑似气泡缺陷连通域进行增强,包括的具体步骤如下:
根据每个疑似气泡缺陷连通域为气泡缺陷的可能性获取每个疑似气泡缺陷中每个像素点的增强灰度值:
其中,v′i,j表示第i个疑似气泡缺陷连通域中第j个像素点的增强灰度值;vi,j表示第i个疑似气泡缺陷连通域中第j个像素点原本的灰度值;α为超参数;
所述根据所有疑似气泡缺陷连通域增强的结果获取增强图像,包括的具体步骤如下:
将每个疑似气泡缺陷连通域中每个像素点的增强灰度值替换塑胶模具的灰度图像中每个疑似气泡缺陷连通域中每个像素点原本的灰度值,得到增强图像。
2.根据权利要求1所述的一种基于图像处理的塑胶模具生产缺陷检测方法,其特征在于,所述在灰度图像中筛选多个初始种子点,包括的具体步骤如下:
对灰度图像进行边缘检测,获取灰度图像中的所有边缘点;预设距离阈值L以及区域数量N,获取灰度图像中到所有边缘点的距离大于距离阈值L的所有像素点,在此些像素点中随机选取N个初始种子点。
3.根据权利要求1所述的一种基于图像处理的塑胶模具生产缺陷检测方法,其特征在于,所述根据灰度图像中非气泡缺陷区域外的像素点确定多个疑似气泡缺陷连通域,包括的具体步骤如下:
将灰度图像中位于非气泡缺陷区域外的像素点作为疑似气泡缺陷像素点;对所有疑似气泡缺陷像素点进行连通性分析,得到多个疑似气泡缺陷连通域。
4.根据权利要求1所述的一种基于图像处理的塑胶模具生产缺陷检测方法,其特征在于,所述确定疑似气泡缺陷连通域的边界像素点以及内部像素点,包括的具体步骤如下:
对于每个疑似气泡缺陷连通域,将围成该疑似气泡缺陷连通域的闭合曲线称为该疑似气泡缺陷连通域的边界,将疑似气泡缺陷连通域边界上每个像素点作为该疑似气泡缺陷连通域的边界像素点,将疑似气泡缺陷连通域内除边界像素点外的所有像素点作为该疑似气泡缺陷连通域的内部像素点。
5.根据权利要求1所述的一种基于图像处理的塑胶模具生产缺陷检测方法,其特征在于,所述根据增强图像识别气泡缺陷,包括的具体步骤如下:
对增强图像进行阈值分割得到气泡缺陷区域。
6.根据权利要求1所述的一种基于图像处理的塑胶模具生产缺陷检测方法,其特征在于,所述采集塑胶模具的灰度图像,包括的具体步骤如下:
拍摄塑胶模具的RGB图像,对塑胶模具的RGB图像进行灰度化,得到塑胶模具的灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311650225.7A CN117611563B (zh) | 2023-12-04 | 2023-12-04 | 一种基于图像处理的塑胶模具生产缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311650225.7A CN117611563B (zh) | 2023-12-04 | 2023-12-04 | 一种基于图像处理的塑胶模具生产缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117611563A CN117611563A (zh) | 2024-02-27 |
CN117611563B true CN117611563B (zh) | 2024-05-10 |
Family
ID=89955986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311650225.7A Active CN117611563B (zh) | 2023-12-04 | 2023-12-04 | 一种基于图像处理的塑胶模具生产缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611563B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974646B (zh) * | 2024-03-29 | 2024-06-14 | 山东太平洋光纤光缆有限公司 | 一种光纤表面涂覆质量视觉检测方法 |
CN118096766B (zh) * | 2024-04-28 | 2024-07-19 | 西安乾景防务技术有限公司 | 一种用于快速拆装便携吸盘的表面缺陷检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200086812A (ko) * | 2019-01-10 | 2020-07-20 | (주)펨트론 | 기포에 의한 기판불량 검사시스템 및 기포에 의한 기판불량 검사방법 |
CN114757949A (zh) * | 2022-06-15 | 2022-07-15 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及*** |
WO2022167870A2 (en) * | 2021-02-08 | 2022-08-11 | Vanmok Inc. | Prediction of pipeline column separations |
CN115082485A (zh) * | 2022-08-23 | 2022-09-20 | 南通华烨塑料工业有限公司 | 一种注塑制品表面气泡缺陷检测方法及*** |
CN115249246A (zh) * | 2022-09-23 | 2022-10-28 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
CN116030061A (zh) * | 2023-03-29 | 2023-04-28 | 深圳市捷超行模具有限公司 | 一种基于视觉的硅胶成型效果检测方法 |
CN116636402A (zh) * | 2022-02-14 | 2023-08-25 | 哈尔滨理工大学 | 一种植物根系与肉苁蓉寄生生长监测方法和装置 |
CN116645364A (zh) * | 2023-07-18 | 2023-08-25 | 金乡县金沪合金钢有限公司 | 一种基于图像数据的合金钢铸件气孔缺陷检测方法 |
CN219703160U (zh) * | 2023-04-21 | 2023-09-19 | 东莞市隆亨钧精密制造有限公司 | 一种变压器五金件复合冲压模具 |
CN116934740A (zh) * | 2023-09-11 | 2023-10-24 | 深圳市伟利达精密塑胶模具有限公司 | 基于图像处理的塑料模具表面缺陷分析检测方法 |
-
2023
- 2023-12-04 CN CN202311650225.7A patent/CN117611563B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200086812A (ko) * | 2019-01-10 | 2020-07-20 | (주)펨트론 | 기포에 의한 기판불량 검사시스템 및 기포에 의한 기판불량 검사방법 |
WO2022167870A2 (en) * | 2021-02-08 | 2022-08-11 | Vanmok Inc. | Prediction of pipeline column separations |
CN116636402A (zh) * | 2022-02-14 | 2023-08-25 | 哈尔滨理工大学 | 一种植物根系与肉苁蓉寄生生长监测方法和装置 |
CN114757949A (zh) * | 2022-06-15 | 2022-07-15 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及*** |
CN115082485A (zh) * | 2022-08-23 | 2022-09-20 | 南通华烨塑料工业有限公司 | 一种注塑制品表面气泡缺陷检测方法及*** |
CN115249246A (zh) * | 2022-09-23 | 2022-10-28 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
CN116030061A (zh) * | 2023-03-29 | 2023-04-28 | 深圳市捷超行模具有限公司 | 一种基于视觉的硅胶成型效果检测方法 |
CN219703160U (zh) * | 2023-04-21 | 2023-09-19 | 东莞市隆亨钧精密制造有限公司 | 一种变压器五金件复合冲压模具 |
CN116645364A (zh) * | 2023-07-18 | 2023-08-25 | 金乡县金沪合金钢有限公司 | 一种基于图像数据的合金钢铸件气孔缺陷检测方法 |
CN116934740A (zh) * | 2023-09-11 | 2023-10-24 | 深圳市伟利达精密塑胶模具有限公司 | 基于图像处理的塑料模具表面缺陷分析检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117611563A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117611563B (zh) | 一种基于图像处理的塑胶模具生产缺陷检测方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN114187289B (zh) | 一种基于计算机视觉的塑料制品缩坑检测方法及*** | |
CN117173158B (zh) | 一种精密连接器质量智能检测方法及*** | |
CN115082719B (zh) | 一种木材质量分级方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及*** | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及*** | |
CN116310882B (zh) | 基于高分辨率遥感影像的林业信息识别方法 | |
CN116385438B (zh) | 一种核磁共振肿瘤区域提取方法 | |
CN115953409B (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN117036348B (zh) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及*** | |
CN116703754A (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN117541588A (zh) | 一种纸制品的印刷缺陷检测方法 | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
CN116958126B (zh) | 基于计算机视觉的模具注塑检测方法及*** | |
CN117388263B (zh) | 用于充电枪的五金端子质量检测方法 | |
CN116934761B (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN116485787B (zh) | 一种数据线成型外模外观缺陷检测方法 | |
CN115423802A (zh) | 基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法 | |
CN116309561A (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
CN118225803B (zh) | 一种推土机刀片表面外观视觉检测方法 | |
CN117934469B (zh) | 一种矿用高压变频器外壳生产质量视觉检测方法 |
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 |