注塑工件模板匹配方法、电子设备及存储介质

1.本发明涉及注塑工件缺陷检测领域，具体涉及一种对待测的工件图像兼具了平移、旋转、缩放稳定性的注塑工件模板匹配方法、电子设备及存储介质。

背景技术：

2.在自动化普及程度较高的地区，注塑产线已基本实现全自动化。而对注塑工件的质检仍主要采用人工目测来检测塑件的表面缺陷，这种开环的工作方法主观性强，实时监控能力较弱，鉴于人工检测的标准不一，检测标准不稳定。同时，从作业环境来讲，一线工人在工作过程中也面临危险性，且劳动强度较大。
3.目前也有采用图像识别的方式进行注塑工件的表面检测，但是当塑件图像在实际拍摄过程中发生平移、旋转、缩放等畸变影响下，误报比例大且准确率低，实际应用效果并不理想，仅在容易出现一致性表面缺陷的几个工位能够使用，适用性非常窄。

技术实现要素：

4.本发明要解决的技术问题是提供一种兼具多变量稳定性的注塑工件模板匹配方法、电子设备及存储介质，塑件图像在实际拍摄过程中发生平移、旋转、缩放等畸变影响下，仍然能够进行合格与否的判定，以解决现有技术检测标准主观性强、准确率低，鲁棒性不佳，应用范围窄以及人工成本高等问题，实现塑件质量检测环节的自动化。
5.为解决以上技术问题，本发明采用以下技术方案：
6.一种兼具多变量稳定性的注塑工件模板匹配方法，其特征在于包括如下步骤：
7.s1：采集注塑工件图像并对所采集的注塑工件图像数据预处理；
8.s2：图像数据集的轮廓特征提取和标准模板数据的建立；
9.s3：对注塑工件采用基于hu矩的轮廓匹配算法得出匹配精度；
10.s4：使用基于j(ψ
ij
)仲裁函数的塑件模板匹配机制对待测工件与标准模板进行匹配。
11.进一步地，步骤s1中注塑工件图像数据预处理包括以下步骤：原始图像进行灰度变换处理，灰度图像进行中值滤波，经平滑处理后的图像再进行锐化处理。
12.进一步地，步骤s2中图像数据集的轮廓特征提取使用canny边缘检测算法，首先用高斯一阶导函数滤波器对图像进行预处理，再计算出梯度的方向和幅值，基于非最大化抑制理论确定图像较为精确的边缘信息，并根据实际图像设定相应阈值获取最佳轮廓特征，由此建立各类缺陷图像的标准模板的图像数据库。
13.进一步地，步骤s2中将高门限灰度值设定为240，低门限灰度值设定为200。
14.进一步地，步骤s3中对注塑工件采用基于hu矩的轮廓匹配算法得出匹配精度包括以下步骤：利用hu矩函数建立模板图像和缺陷图像的不变矩数据，将缺陷图像的不变矩数据与模板图像的不变矩数据进行匹配得出匹配结果，将匹配结果的数值作为几何轮廓相似度的度量。
15.进一步地，步骤s3中hu矩函数是图像的二阶、三阶中心矩组合成的七个不变矩。
16.进一步地，步骤s3中，缺陷图像的不变矩数据与模板图像的不变矩数据之间使用如下公式进行匹配：
[0017][0018]
其中，ψ
ij
表示匹配结果，记作匹配精度，其数值大小和相似程度呈反相关趋势；i用于记待测工件的编号，j表示同一工件图像输进行匹配的次数，k表示被处理图像的hu矩从一到七的顺序，a表示标准模板，b表示历次的待测图像；表示图片编号为i的标准模板的第k个hu矩数据，表示图片编号为i的待测图像的第k个hu矩数据。
[0019]
进一步地，步骤s4中使用基于j(ψ
ij
)仲裁函数的塑件模板匹配机制对待测工件与标准模板进行匹配按以下仲裁函数公式进行匹配：
[0020][0021]
仲裁函数j(ψ
ij
)中，i表示待测工件的编号，j表示同一工件图像输进行匹配的次数也是同一工件输入仲裁函数的次数，一般是一次或者两次；hua[k]表示标准模板图像的hu不变矩数据，k表示被处理图像的hu矩从一到七的顺序；ω为合格工件的精度下限阈值；
[0022]
如果仲裁函数j(ψ
ij
)值为1，也即匹配精度低于阈值ω，则该图像所表示的工件为合格产品；
[0023]
如果仲裁函数值为0，也即匹配精度高于阈值ω，但低于其统计学缩放值，则将图像进行二次预处理，进一步提取特征信息后再匹配，如第二次的匹配精度仍高于阈值，再划归到缺陷图像数据集；
[0024]
如果函数值为-1，也即匹配精度ω高于阈值的统计学缩放值，将该工件直接划归为缺陷图像数据集。
[0025]
一种电子设备，包括：存储器、处理器及在存储器上并可在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上所述方法的步骤。
[0026]
一种暂态或非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如上所述方法的步骤。
[0027]
由此，本发明公开了一种兼具多变量稳定性的注塑工件模板匹配新方法及电子设备和存储介质，
[0028]
与现有技术相比，本发明的技术方案所带来的有益效果是：
[0029]
取代了基于灰度值的模板匹配方法，使得匹配过程对平移、旋转、缩放等影响因素具有鲁棒性。
[0030]
通过本发明中的j(ψ
ij
)仲裁函数，对一部分可能存在错误分类的图像进行二次匹配，增加了容错率的新匹配方法有利于增强注塑工件缺陷分类的准确性。
[0031]
本发明的系统和电子设备可以实现注塑工件的自动化检测，提高检测质量且检测一致性得到保证。
附图说明
[0032]
下面将结合附图及实施例对本发明作进一步说明，附图中：
[0033]
图1是本发明兼具多变量稳定性的注塑工件模板匹配方法的流程图。
[0034]
图2是本发明注塑工件原始图像(a)与预处理之后图像(b)对比图。
[0035]
图3是实施例中canny边缘检测算法高门限(a)与低门限(b)对比图，其中(a)图的两个门限分别为240、200；(b)图的两个门限分别为40、20。
[0036]
图4是本发明特征提取结果。
[0037]
图5是本发明所提出模板匹配方法的具体流程图。
具体实施方式
[0038]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0039]
根据本发明实施的兼具多变量稳定性的注塑工件模板匹配方法，如图1和5所示。输入端为采集的塑件图像，输出端为图像是否合格的判定结果。按如下的实施例基于模板匹配结果实现判定：
[0040]
(1)注塑工件图像数据预处理：原始图像进行灰度变换处理，灰度图像进行中值滤波，经平滑处理图像进行图像锐化处理。本步骤所述灰度变换处理作用为提高注塑工件识别度，所述平滑处理作用为消除图像噪声。所述锐化处理作用为消除平滑处理造成的模糊。注塑工件图像数据预处理结果如图2。
[0041]
(2)图像数据集的轮廓特征提取和标准模板的建立：图像数据集的轮廓特征提取使用canny边缘检测算法，并根据实际图像设定相应阈值获取最佳轮廓特征。所述canny边缘检测算法本实施例中采用高阈值如图3。
[0042]
本实施例针对塑件在工业生产中最可能出现的8类缺陷形式分别进行轮廓特征提取，8类缺陷：塑件翘曲变形、表面黑点、尺寸不稳定、收缩凹陷、银纹、飞边、填充不良、开裂。特征提取结果如图4。
[0043]
(3)对注塑工件采用基于hu矩的轮廓匹配算法得出匹配精度：利用hu矩函数(下式3)建立模板图像和缺陷图像的不变矩数据，将缺陷图像的不变矩数据与模板图像的不变矩数据进行匹配得出匹配结果，将匹配结果的数值作为几何轮廓相似度的度量。hu矩函数是图像的二阶、三阶中心矩组合成的七个不变矩。
[0044]
本实施例所述建立的模板图像的hu矩数据如下：
[0045]
hu1[1]＝2.02425；hu1[2]＝4.46429；hu1[3]＝8.01779；hu1[4]＝8.98081；hu1[5]＝18.0195；hu1[6]＝-11.5543；hu1[7]＝17.499。
[0046][0047]
本实施例中，该函数对标准工件的匹配精度在0.0871到0.1517之间。引入这个匹配精度区间的下限记作ω，用于建立j(ψ
ij
)仲裁函数，本实施例中ω＝0.15。
[0048]
将设计好的标准模板分别于8类缺陷图像进行匹配，并输出匹配结果如下。
[0049][0050]
(4)使用基于j(ψ
ij
)仲裁函数的塑件模板匹配机制对待测工件与标准模板进行匹配：结合标准模板的数据，本实例中阈值ω的统计学缩放值为0.2542。除了塑件尺寸不稳定这类缺陷会进入二次预处理程序以外，其他七类缺陷均顺利检测。而尺寸不稳定的图像在二次预处理以后也得到了准确地分类。
[0051]
将本发明提出的新方法可视化后，如图5所示。
[0052]
本发明实施例的电子设备，包括：存储器、处理器及在存储器上并可在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上所述方法的步骤。电子设备可以设置在相应工位上，以摄像头和存储器处理器的方式实现。
[0053]
当然，本发明也可以直接是暂态或非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如上所述方法的步骤。
[0054]
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，
而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

技术特征：

1.一种兼具多变量稳定性的注塑工件模板匹配方法，其特征在于包括如下步骤：s1：采集注塑工件图像并对所采集的注塑工件图像数据预处理；s2：图像数据集的轮廓特征提取和标准模板数据的建立；s3：对注塑工件采用基于hu矩的轮廓匹配算法得出匹配精度；s4：使用基于j(ψ
ij
)仲裁函数的塑件模板匹配机制对待测工件与标准模板进行匹配。2.根据权利要求1所述的兼具多变量稳定性的注塑工件模板匹配方法，其特征在于步骤s1中注塑工件图像数据预处理包括以下步骤：原始图像进行灰度变换处理，灰度图像进行中值滤波，经平滑处理后的图像再进行锐化处理。3.根据权利要求1所述的兼具多变量稳定性的注塑工件模板匹配方法，其特征在于，步骤s2中图像数据集的各类标准图像做轮廓特征提取，使用了经典canny边缘检测算法，首先用高斯一阶导函数滤波器对图像进行预处理，再计算出梯度的方向和幅值，基于非最大化抑制理论确定图像较为精确的边缘信息，并根据实际图像设定相应阈值获取最佳轮廓特征，由此建立各类缺陷图像的标准模板的图像数据库。4.根据权利要求1所述的兼具多变量稳定性的注塑工件模板匹配方法，其特征在于步骤s2中将高门限灰度值设定为240，低门限灰度值设定为200。5.根据权利要求1所述的兼具多变量稳定性的注塑工件模板匹配方法，其特征在于步骤s3中对注塑工件采用基于hu矩的轮廓匹配算法得出匹配精度包括以下步骤：利用hu矩函数建立模板图像和缺陷图像的不变矩数据，将缺陷图像的不变矩数据与模板图像的不变矩数据进行匹配得出匹配结果，将匹配结果的数值作为几何轮廓相似度的度量。6.根据权利要求1所述的兼具多变量稳定性的注塑工件模板匹配方法，其特征在于步骤s3中hu矩函数是图像的二阶、三阶中心矩组合成的七个不变矩。7.根据权利要求1所述的兼具多变量稳定性的注塑工件模板匹配方法，其特征在于步骤s3中，缺陷图像的不变矩数据与模板图像的不变矩数据之间使用如下公式进行匹配：其中，ψ
ij
表示匹配结果，记作匹配精度，其数值大小和相似程度呈反相关趋势；i用于记待测工件的编号，j表示同一工件图像输进行匹配的次数，k表示被处理图像的hu矩从一到七的顺序，a表示标准模板，b表示历次的待测图像；表示图片编号为i的标准模板的第k个hu矩数据，表示图片编号为i的待测图像的第k个hu矩数据。8.根据权利要求1所述的兼具多变量稳定性的注塑工件模板匹配方法，其特征在于步骤s4中使用基于j(ψ
ij
)仲裁函数的塑件模板匹配机制对待测工件与标准模板进行匹配按以下仲裁函数j(ψ
ij
)公式进行匹配：
其中，i表示待测工件的编号，j表示同一工件图像输进行匹配的次数也是同一工件输入仲裁函数的次数，一般是一次或者两次；hu
a
[k]表示标准模板图像的hu不变矩数据，k表示被处理图像的hu矩从一到七的顺序；ω为合格工件的精度下限阈值；如果仲裁函数j(ψ
ij
)值为1，也即匹配精度低于阈值ω，则该图像所表示的工件为合格产品；如果仲裁函数值为0，也即匹配精度高于阈值ω，但低于其统计学缩放值，则将图像进行二次预处理，进一步提取特征信息后再匹配，如第二次的匹配精度仍高于阈值，再划归到缺陷图像数据集；如果函数值为-1，也即匹配精度ω高于阈值的统计学缩放值，将该工件直接划归为缺陷图像数据集。9.一种电子设备，包括：存储器、处理器及在存储器上并可在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上权利要求1-8任一项所述方法的步骤。10.一种暂态或非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如上权利要求1-8任一项所述方法的步骤。

技术总结

本发明公开了一种注塑工件模板匹配方法、电子设备及存储介质，通过建立J(ψ

技术研发人员：

秦岭 胡志成 尹政杰

受保护的技术使用者：

武汉理工大学

技术研发日：

2022.08.18

技术公布日：

2022/12/12