[發(fā)明專利]一種基于圖像識別的模具缺陷檢測方法、計算機可讀存儲介質(zhì)及裝置

有效

• 申請?zhí)枺?/td>: 202011475659.4
• 申請日: 2020-12-15
• 公開（公告）號: CN112465809B
• 公開（公告）日: 2023-05-05
• 發(fā)明（設(shè)計）人: 孫鵬劼;張鉉;劉昊;裴智勇;胡風雪;翟奮樓;楊杰
• 申請（專利權(quán)）人: 北京市計算中心有限公司;河北榮泰模具科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06T7/13;G06T7/181;G06T7/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于圖像識別的模具缺陷檢測方法，其特征在于，所述缺陷檢測方法包括：

步驟S1，標準樣本圖像信息的獲取；根據(jù)第一預(yù)設(shè)合格標準、挑選出合格模具作為標準樣本，對所述標準樣本進行圖像處理，獲取所述標準樣本的圖像信息；

步驟S2，待檢測模具圖像信息的獲取；分別對待檢測模具進行圖像處理，獲取經(jīng)過所述圖像處理后的待檢測模具圖像信息；

步驟S3，對比匹配；根據(jù)第二預(yù)設(shè)合格標準，對所述步驟S2中獲取的所述待檢測模具圖像信息分別與所述步驟S1中獲取的所述標準樣本的圖像信息進行對比匹配；判斷所述待檢測模具是否符合所述第二預(yù)設(shè)合格標準；

如果符合，則所述待檢測模具為合格模具；

如果不符合，則重復(fù)所述步驟S2和所述步驟S3的過程，如果仍不符合所述第二預(yù)設(shè)合格標準，則認定所述待檢測模具為不合格模具；

所述步驟S2中的所述圖像處理包括：

步驟S21，圖像采集；對待檢測模具進行圖像采集，獲得待檢測模具的初步圖像；

步驟S22，圖像矯正；對所述待檢測模具的所述初步圖像進行圖像矯正；

所述步驟S22圖像矯正為基于任意外接四邊形的圖像透視矯正，包括：

步驟S220：獲取所述待檢測模具的所述初步圖像的最小外接矩形；

最小外接矩形的獲取過程包括：

步驟S2201：灰度化處理；對所述初步圖像進行灰度化處理，得到灰度圖像；

步驟S2202：二值化處理；對所述步驟S2201得到的灰度圖像進行圖像二值化處理；

步驟S2203：獲取所述待檢測模具的邊緣輪廓；

步驟S2204：外接矩形的獲取；獲得能夠?qū)⒉襟ES2203獲得的所述待檢測模具的邊緣輪廓包圍起來的若干個外接矩形；

步驟S2205：面積計算；計算所述步驟S2204獲得的各外接矩形的面積；

步驟S2206：面積大小比較；對比各外接矩形的面積大小，面積最小的外接矩形為最小外接矩形；

步驟S221：基于所述最小外接矩形的四個頂點坐標對所述最小外接矩形進行透視矯正；

步驟S222：對經(jīng)過所述步驟S221透視矯正后的圖像進行邊界擴展；

所述邊界擴展過程包括：

邊界擴展前的圖像數(shù)據(jù)矩陣用F_m×n表示，邊界擴展后的圖像數(shù)據(jù)矩陣用F′_m'×n'表示，邊界擴展層數(shù)為p，

矩陣

將矩陣F_m×n中的數(shù)值，從F_pp開始，依次賦值到F′_m′×n'中，邊界擴展后圖像數(shù)據(jù)矩陣尺寸滿足：m′＝m+2p，n′＝n+2p，F(xiàn)'_i+p,j+p＝F_i,j；

賦值后得到邊界擴展后的圖像矩陣F″_m″×n″，

其中，矩陣E表示的是所有元素都為255的矩陣，

其中，

步驟S223：極點坐標的獲取，極點坐標的獲取過程包括：

步驟S2231：對經(jīng)過所述步驟S222邊界擴展后的圖像進行灰度化處理；

步驟S2232：對經(jīng)過步驟S2231灰度化處理后的圖像分別進行上、下、左、右各方向的遍歷，獲得各像素點的灰度值；

步驟S2233：分別比較上、下、左、右各方向中各自灰度值的大小，上、下、左、右各方向?qū)?yīng)的灰度值最小的點分別為第一極點、第二極點、第三極點和第四極點；

步驟S224：獲取模具圖像的外接四邊形，所述外接四邊形的四條邊分別過所述第一極點、第二極點、第三極點和第四極點，所述外接四邊形能夠?qū)⑺龃龣z測模具的邊緣輪廓包圍起來；

步驟S225：獲取所述步驟S224的外接四邊形的頂點坐標；

步驟S226：利用所述外接四邊形的頂點坐標，進行圖像透視矯正；

所述步驟S224獲取模具圖像的外接四邊形，包括：

步驟S2241：根據(jù)笛卡爾坐標，獲取所述第一極點的坐標，所述第一極點的坐標為(t₀，t₁)，所述第一極點位于所述待檢測模具圖像的上方，所述待檢測模具圖像的寬度為x_max，將所述待檢測模具圖像以x＝0.5x_max為對稱軸均分為第一區(qū)域圖像和第二區(qū)域圖像，所述第二區(qū)域圖像上點的橫坐標大于所述第一區(qū)域圖像上點的橫坐標；

步驟S2242：判斷t₀與0.5x_max的大小；

如果，t₀0.5x_max，

則所述第一極點位于所述第一區(qū)域圖像上；

獲得所述第二區(qū)域圖像邊緣上的點(x_max，n)；

基于兩點式直線方程獲得直線方程：

將所述第二區(qū)域圖像點的橫坐標帶入所述直線方程得到縱坐標：(x,y)；

依次遍歷x＝0.5x_max到x＝x_max之間的點，獲得所述待檢測模具圖像在點(x,y)的灰度值：g(x,y)；

判斷g(x,y)與255的大小；

如果，g(x,y)≠255，則，所述點(x,y)為所述待檢測模具圖像背景區(qū)域上的點，

如果，g(x,y)＝255，則，所述點(x,y)為所述模具圖像上的點，此時，對應(yīng)的點的坐標為(x_max，n_end)，過所述第一極點的外接四邊形的一條邊的直線方程為：

所述步驟S3還包括：

對所述不合格模具的缺陷位置進行標記處理；

所述標記處理為采用N分法匹配圖像算法確定缺陷位置，包括：

步驟S31：分別對所述步驟S2中獲取的所述待檢測模具圖像與所述步驟S1中獲取的所述標準樣本圖像進行切割，得到所述待檢測模具圖像的子圖像與所述標準樣本圖像的子圖像；

步驟S32：根據(jù)圖像相似度定義，分別計算所述待檢測模具圖像的子圖像與對應(yīng)的所述標準樣本圖像的子圖像的余弦匹配值cosθ；

將在R、G、B三個通道上的三個矩陣整理成一個向量，求出所述向量的模，每個所述子圖像有3m個特征，每個所述子圖像看成一個3m×1的列向量，記為A與B，

步驟S33：分別比較余弦匹配值cosθ的大小，找到余弦匹配值cosθ的最小值對應(yīng)的子圖像位置，重復(fù)步驟S31和步驟S32，直至達到子圖像預(yù)設(shè)切割尺寸；

步驟S34：對余弦匹配值cosθ的最小值對應(yīng)的子圖像進行標記處理，所述標記處理位置為不合格模具的缺陷位置；

其中，x_lt與y_lt是不合格模具的缺陷位置標記處理圖形的第一頂點的橫坐標和縱坐標；H(k)和W(k)是第k次切割后切割矩形的高度和寬度；N是2以上的正整數(shù)；K是總的切割次數(shù)；C_min(k)是第k次切割并將所述待檢測模具圖像的子圖像與所述標準樣本圖像的子圖像匹配后余弦值最小的子圖像的索引值；所述不合格模具的缺陷位置標記處理圖形的第二、第三、第四三個頂點的橫縱坐標為：

x_lb＝x_lt,y_lb＝y(tǒng)_lt+H(K)

x_rt＝x_lt+W(K),y_rt＝y(tǒng)_lt

x_rb＝x_lt+W(K),y_rb＝y(tǒng)_lt+H(K)；

所述標記處理為采用五分法匹配圖像算法確定缺陷位置，N＝5，C_min(k)從C₅子圖像索引向量中取值：

C₅＝[0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24]^T

I與J為橫坐標索引向量與縱坐標索引向量，N＝5，

I₅＝[0,0,0,0,0,1,1,1,1,1,2,2,2,2,2,3,3,3,3,3,4,4,4,4,4]^T

J₅＝[0,1,2,3,4,0,1,2,3,4,0,1,2,3,4,0,1,2,3,4,0,1,2,3,4]^T；

所述缺陷檢測方法還包括對背景圖像進行采集，對采集到的所述背景圖像進行預(yù)處理；

預(yù)處理包括濾波和均衡化。