一种基于机器视觉的注塑件检测方法及系统

摘要

本发明公开了一种基于机器视觉的注塑件检测方法及系统，本发明技术方案通过对同一待测环形注塑件采集由不同光源照射的两个图像分别进行处理，利用光源照射后可以将环形注塑件上反光点放大的特点，根据两个采集图像中各个高亮位置点的亮度值过滤反光点，排除了环形注塑件上反光点对于气泡缺陷形状识别的影响噪声，克服现有技术无法对注塑件上的气泡缺陷，特别是环形注塑件上的气泡缺陷进行精准识别的技术问题，实现对注塑件上的气泡缺陷进行精准识别，特别是环形注塑件的气泡缺陷识别，可以提高注塑件的检测成功率和准确性。

权利要求

1.一种基于机器视觉的注塑件检测方法，其特征在于，对环形注塑件上的气泡缺陷进行检测，所述方法包括：通过拍摄设备在封闭空间对待测环形注塑件进行图像采集，得到第一采集图像；保持所述拍摄设备和所述待测环形注塑件的位置不变，在所述封闭空间中投放光源后，对所述待测环形注塑件进行二次图像采集，得到第二采集图像；

对所述第一采集图像和所述第二采集图像中的环形边界特征进行识别并标记，分别在所述第一采集图像和所述第二采集图像中确定所述待测环形注塑件的环形边界；

对所述第一采集图像和所述第二采集图像进行预处理后输入到预先建立的高亮区域模型中进行识别，分别标记并输出第一采集图像和第二采集图像上存在的高亮位置点；

分别确定所述第一采集图像和所述第二采集图像在环形边界上的高亮位置点，并确定环形边界上各个高亮位置点的亮度值；

根据所述第一采集图像和所述第二采集图像在环形边界上同一位置的高亮位置点的亮度值之差，将差值大于预设阈值的高亮位置点作为影响因子在所述第一采集图像中过滤，得到过滤图像；

将所述过滤图像输入到预先建立的气泡形状识别模型中进行识别，标记并输出所述过滤图像中形状满足气泡缺陷形状的高亮位置点，作为待测环形注塑件上的气泡缺陷。

2.如权利要求1所述的基于机器视觉的注塑件检测方法，其特征在于，所述对所述第一采集图像和所述第二采集图像中的环形边界特征进行识别并标记，分别在所述第一采集图像和所述第二采集图像中确定所述待测环形注塑件的环形边界的步骤中，具体包括：分别对所述第一采集图像和所述第二采集图像进行网格化处理，并确定基准点；

建立三维坐标系，以所述基准点为原点，分别将所述第一采集图像和所述第二采集图像移动到所述三维坐标系当中，并确定各个网格化点在所述三维坐标系中的坐标位置；

在所述第一采集图像中确定色度相同的连续多个网格化点之间形成的连线，且所述连线与不在所述连线上的相邻网格化点之间色度的差值达到色度阈值的，将所述连线确定为环形边界；

根据所述第一采集图像中确定的环形边界，在所述三维坐标系中以所述基准点为基准，移动到所述第二采集图像中，确定所述待测环形注塑件在第二采集图像中的环形边界。

3.如权利要求2所述的基于机器视觉的注塑件检测方法，其特征在于，所述对所述第一采集图像和所述第二采集图像进行预处理的步骤中，具体包括：对所述第一采集图像和所述第二采集图像进行灰度化处理，分别得到对应的灰度图像；

在所述三维坐标系中，以所述基准点为中点，将所述灰度图像进行横向拉伸一定倍数后，得到拉伸图像；

对所述拉伸图像中存在的光斑特征进行识别，将所述拉伸图像中的光斑特征进行过滤，得到过滤图像；

根据所述横向拉伸的倍数，将所述过滤图像进行横向缩小后，得到预处理后的图像输入到预先建立的高亮区域模型。

4.如权利要求3所述的基于机器视觉的注塑件检测方法，其特征在于，所述高亮区域模型的建立步骤，包括：获取训练图像，其中，所述训练图像是在封闭空间中投放光源后，由拍摄设备对训练环形注塑件进行图像采集而得到；

根据所述训练图像的色度，在所述训练图像中标记发生高亮区域的形状边界，并分别确定每个高亮区域的中心点与所述训练环形注塑件的环形边界上最近的距离点，将所述距离点与对应的高亮区域进行相关联；

通过机器学习算法建立初始高亮模型，将关联后的训练图像输入到所述初始高亮模型中进行训练，直到训练次数达到阈值后，生成训练高亮模型；

获取测试图像，其中，所述测试图像是通过拍摄设备在封闭空间对训练环形注塑件进行图像采集而得到；

将所述测试图像输入到所述训练高亮模型中进行测试，当输出图像中由训练高亮模型在所述测试图像中标记存在高亮区域的高亮位置点的准确度达到预设阈值时，生成高亮区域模型。

5.如权利要求3所述的基于机器视觉的注塑件检测方法，其特征在于，所述对所述拉伸图像中存在的光斑特征进行识别的步骤中，具体包括：对所述拉伸图像中存在的不规则图形进行识别，确定存在于所述拉伸图像中的不规则图形；

分别对每一个不规则图形中划分多层圆环区域，并在每一层圆环区域中确定多个测试点，同时，确定每个测试点所在的色度；

计算每一层圆环区域中所有测试点的平均色度，将所述平均色度作为所在圆环区域的色度值；

当确定同一个不规则图形中，最外层的圆环区域上的色度值往最内层的圆环区域依次递减，则确定该不规则图形为所述拉伸图像中存在的光斑特征。

6.如权利要求1所述的基于机器视觉的注塑件检测方法，其特征在于，所述分别确定所述第一采集图像和所述第二采集图像在环形边界上的高亮位置点，并确定环形边界上各个高亮位置点的亮度值的步骤中，具体包括：分别确定所述第一采集图像和所述第二采集图像在环形边界上每个高亮位置点所在的区域范围；

针对每个高亮位置点的区域范围确定外接圆，将所述外接圆的圆心所在位置上对应的亮度值，作为对应高亮位置点的亮度值。

7.如权利要求6所述的基于机器视觉的注塑件检测方法，其特征在于，所述根据所述第一采集图像和所述第二采集图像在环形边界上同一位置的高亮位置点的亮度值之差，将差值大于预设阈值的高亮位置点作为影响因子在所述第一采集图像中过滤，得到过滤图像的步骤中，具体包括：将所述第一采集图像中各个高亮位置点在三维坐标系中的坐标位置作为一个整体，定义为第一坐标位置；

将所述第二采集图像中各个高亮位置点在三维坐标系中的坐标位置作为一个整体，定义为第二坐标位置；

以所述第一坐标位置为基准，将所述第二坐标位置在三维坐标系中进行整体移动，直至所述第二坐标位置与所述第一坐标位置重合；

确定重合后处于同一位置的高亮位置点的亮度值之差，将差值大于预设阈值的高亮位置点作为影响因子在所述第一采集图像中过滤，得到过滤图像。

8.一种基于机器视觉的注塑件检测系统，其特征在于，用于对环形注塑件上的气泡缺陷进行检测，所述系统包括：图像采集模块、环形边界模块、高亮识别模块、高亮确定模块、图像过滤模块和气泡识别模块；

所述图像采集模块，用于通过拍摄设备在封闭空间对待测环形注塑件进行图像采集，得到第一采集图像；保持所述拍摄设备和所述待测环形注塑件的位置不变，在所述封闭空间中投放光源后，对所述待测环形注塑件进行二次图像采集，得到第二采集图像；

所述环形边界模块，用于对所述第一采集图像和所述第二采集图像中的环形边界特征进行识别并标记，分别在所述第一采集图像和所述第二采集图像中确定所述待测环形注塑件的环形边界；

所述高亮识别模块，用于对所述第一采集图像和所述第二采集图像进行预处理后输入到预先建立的高亮区域模型中进行识别，分别标记并输出第一采集图像和第二采集图像上存在的高亮位置点；

所述高亮确定模块，用于分别确定所述第一采集图像和所述第二采集图像在环形边界上的高亮位置点，并确定环形边界上各个高亮位置点的亮度值；

所述图像过滤模块，用于根据所述第一采集图像和所述第二采集图像在环形边界上同一位置的高亮位置点的亮度值之差，将差值大于预设阈值的高亮位置点作为影响因子在所述第一采集图像中过滤，得到过滤图像；

所述气泡识别模块，用于将所述过滤图像输入到预先建立的气泡形状识别模型中进行识别，标记并输出所述过滤图像中形状满足气泡缺陷形状的高亮位置点，作为待测环形注塑件上的气泡缺陷。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1‑7中任一项所述的基于机器视觉的注塑件检测方法。

10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1‑7中任一项所述的基于机器视觉的注塑件检测方法。

说明书

一种基于机器视觉的注塑件检测方法及系统

技术领域

[0001] 本发明涉及图像处理技术领域，尤其涉及一种基于机器视觉的注塑件检测方法及系统。

背景技术

[0002] 注塑件在制作时是由聚丙烯和聚乙烯等材料通过融合多种有机物溶剂后制作而成的工件。其制作原理是将塑胶粒经过高温熔化后注入到模型中，经机器挤压并冷却后成件，其制作过程受温度、压强压力和模型等其他因素影响较大，生产出来的注塑件表面大概率会出现缺胶或者多胶的情况，所以生产出来后的注塑件通常需要通过检测的方式发现缺陷。

[0003] 目前关于注塑件的缺陷类型，常见于：缩小、气纹、缺料、披锋、夹线等。面对上述常见的缺陷类型，现有的注塑件检测策略基本上都是以人工检测的方式为主，工作人员通过观察生产出来的注塑件表面情况，将存在缺陷的注塑件进行分类出去。上述明显缺陷或许还能通过人工的方式进行检测，但遇到特殊缺陷类型，例如“气泡”。由于物料注射过快而形成气泡，或者产出成型时体积收缩不均而引起空洞，使得气泡存在于注塑件内部。而一些精密度较高的注塑件，对成品的要求很高，气泡的出现会应该注塑件安装后设备的使用。但传统的这种人工检测的方式效率极低，而且肉眼可见的准确度有限，无法对气泡缺陷点进行准确识别。虽然随着图像处理技术的发展，目前市面上有一些针对气泡缺陷在注塑件上的研究，但均只局限于气泡产生的成因分析等方向，并不能发现注塑件上的气泡缺陷；再加上在面对环形注塑件的图像检测过程中，由于环形注塑件本身的反光点会对气泡识别产生一定影响，令环形注塑件的气泡缺陷检测更为艰难。

[0004] 因此，目前市面上亟需一种新的注塑件检测策略，可以对注塑件上的气泡缺陷进行精准识别，特别是环形注塑件的气泡缺陷识别，提高注塑件的检测成功率和准确性。

发明内容

[0005] 本发明提供了一种基于机器视觉的注塑件检测方法及系统，实现对注塑件上的气泡缺陷进行精准识别，特别是环形注塑件的气泡缺陷识别，可以提高注塑件的检测成功率和准确性。

[0006] 为了解决上述技术问题，本发明实施例提供了一种基于机器视觉的注塑件检测方法，对环形注塑件上的气泡缺陷进行检测，所述方法包括：

[0007] 通过拍摄设备在封闭空间对待测环形注塑件进行图像采集，得到第一采集图像；保持所述拍摄设备和所述待测环形注塑件的位置不变，在所述封闭空间中投放光源后，对所述待测环形注塑件进行二次图像采集，得到第二采集图像；

[0008] 对所述第一采集图像和所述第二采集图像中的环形边界特征进行识别并标记，分别在所述第一采集图像和所述第二采集图像中确定所述待测环形注塑件的环形边界；

[0009] 对所述第一采集图像和所述第二采集图像进行预处理后输入到预先建立的高亮区域模型中进行识别，分别标记并输出第一采集图像和第二采集图像上存在的高亮位置点；

[0010] 分别确定所述第一采集图像和所述第二采集图像在环形边界上的高亮位置点，并确定环形边界上各个高亮位置点的亮度值；

[0011] 根据所述第一采集图像和所述第二采集图像在环形边界上同一位置的高亮位置点的亮度值之差，将差值大于预设阈值的高亮位置点作为影响因子在所述第一采集图像中过滤，得到过滤图像；

[0012] 将所述过滤图像输入到预先建立的气泡形状识别模型中进行识别，标记并输出所述过滤图像中形状满足气泡缺陷形状的高亮位置点，作为待测环形注塑件上的气泡缺陷。

[0013] 作为优选方案，所述对所述第一采集图像和所述第二采集图像中的环形边界特征进行识别并标记，分别在所述第一采集图像和所述第二采集图像中确定所述待测环形注塑件的环形边界的步骤中，具体包括：

[0014] 分别对所述第一采集图像和所述第二采集图像进行网格化处理，并确定基准点；

[0015] 建立三维坐标系，以所述基准点为原点，分别将所述第一采集图像和所述第二采集图像移动到所述三维坐标系当中，并确定各个网格化点在所述三维坐标系中的坐标位置；

[0016] 在所述第一采集图像中确定色度相同的连续多个网格化点之间形成的连线，且所述连线与不在所述连线上的相邻网格化点之间色度的差值达到色度阈值的，将所述连线确定为环形边界；

[0017] 根据所述第一采集图像中确定的环形边界，在所述三维坐标系中以所述基准点为基准，移动到所述第二采集图像中，确定所述待测环形注塑件在第二采集图像中的环形边界。

[0018] 作为优选方案，所述对所述第一采集图像和所述第二采集图像进行预处理的步骤中，具体包括：

[0019] 对所述第一采集图像和所述第二采集图像进行灰度化处理，分别得到对应的灰度图像；

[0020] 在所述三维坐标系中，以所述基准点为中点，将所述灰度图像进行横向拉伸一定倍数后，得到拉伸图像；

[0021] 对所述拉伸图像中存在的光斑特征进行识别，将所述拉伸图像中的光斑特征进行过滤，得到过滤图像；

[0022] 根据所述横向拉伸的倍数，将所述过滤图像进行横向缩小后，得到预处理后的图像输入到预先建立的高亮区域模型。

[0023] 作为优选方案，所述高亮区域模型的建立步骤，包括：

[0024] 获取训练图像，其中，所述训练图像是在封闭空间中投放光源后，由拍摄设备对训练环形注塑件进行图像采集而得到；

[0025] 根据所述训练图像的色度，在所述训练图像中标记发生高亮区域的形状边界，并分别确定每个高亮区域的中心点与所述训练环形注塑件的环形边界上最近的距离点，将所述距离点与对应的高亮区域进行相关联；

[0026] 通过机器学习算法建立初始高亮模型，将关联后的训练图像输入到所述初始高亮模型中进行训练，直到训练次数达到阈值后，生成训练高亮模型；

[0027] 获取测试图像，其中，所述测试图像是通过拍摄设备在封闭空间对训练环形注塑件进行图像采集而得到；

[0028] 将所述测试图像输入到所述训练高亮模型中进行测试，当输出图像中由训练高亮模型在所述测试图像中标记存在高亮区域的高亮位置点的准确度达到预设阈值时，生成高亮区域模型。

[0029] 作为优选方案，所述对所述拉伸图像中存在的光斑特征进行识别的步骤中，具体包括：

[0030] 对所述拉伸图像中存在的不规则图形进行识别，确定存在于所述拉伸图像中的不规则图形；

[0031] 分别对每一个不规则图形中划分多层圆环区域，并在每一层圆环区域中确定多个测试点，同时，确定每个测试点所在的色度；

[0032] 计算每一层圆环区域中所有测试点的平均色度，将所述平均色度作为所在圆环区域的色度值；

[0033] 当确定同一个不规则图形中，最外层的圆环区域上的色度值往最内层的圆环区域依次递减，则确定该不规则图形为所述拉伸图像中存在的光斑特征。

[0034] 作为优选方案，所述分别确定所述第一采集图像和所述第二采集图像在环形边界上的高亮位置点，并确定环形边界上各个高亮位置点的亮度值的步骤中，具体包括：

[0035] 分别确定所述第一采集图像和所述第二采集图像在环形边界上每个高亮位置点所在的区域范围；

[0036] 针对每个高亮位置点的区域范围确定外接圆，将所述外接圆的圆心所在位置上对应的亮度值，作为对应高亮位置点的亮度值。

[0037] 作为优选方案，所述根据所述第一采集图像和所述第二采集图像在环形边界上同一位置的高亮位置点的亮度值之差，将差值大于预设阈值的高亮位置点作为影响因子在所述第一采集图像中过滤，得到过滤图像的步骤中，具体包括：

[0038] 将所述第一采集图像中各个高亮位置点在三维坐标系中的坐标位置作为一个整体，定义为第一坐标位置；

[0039] 将所述第二采集图像中各个高亮位置点在三维坐标系中的坐标位置作为一个整体，定义为第二坐标位置；

[0040] 以所述第一坐标位置为基准，将所述第二坐标位置在三维坐标系中进行整体移动，直至所述第二坐标位置与所述第一坐标位置重合；

[0041] 确定重合后处于同一位置的高亮位置点的亮度值之差，将差值大于预设阈值的高亮位置点作为影响因子在所述第一采集图像中过滤，得到过滤图像。

[0042] 作为优选方案，所述气泡形状识别模型的建立步骤，包括：

[0043] 在对气泡形状识别模型进行预先建立的过程中，获取由上述步骤执行后得到的过滤图像；

[0044] 通过人工识别的方式对所述过滤图像中存在的气泡进行标记，确定气泡缺陷范围；

[0045] 对每一个气泡缺陷范围中的灰度值进行识别，根据气泡缺陷范围中灰度值的变化，将所述气泡缺陷范围划分为两个区域；

[0046] 分别对同一个气泡缺陷范围所在的两个区域确定外接圆，将两个区域对应外接圆的圆心进行相关联；

[0047] 通过机器学习算法建立初始气泡模型，将关联后的过滤图像输入到所述初始气泡模型中进行训练和测试，直到训练和测试的次数达到阈值后，生成气泡形状识别模型。

[0048] 相应地，本发明另一实施例还提供了一种基于机器视觉的注塑件检测系统，用于对环形注塑件上的气泡缺陷进行检测，所述系统包括：图像采集模块、环形边界模块、高亮识别模块、高亮确定模块、图像过滤模块和气泡识别模块；

[0049] 所述图像采集模块，用于通过拍摄设备在封闭空间对待测环形注塑件进行图像采集，得到第一采集图像；保持所述拍摄设备和所述待测环形注塑件的位置不变，在所述封闭空间中投放光源后，对所述待测环形注塑件进行二次图像采集，得到第二采集图像；

[0050] 所述环形边界模块，用于对所述第一采集图像和所述第二采集图像中的环形边界特征进行识别并标记，分别在所述第一采集图像和所述第二采集图像中确定所述待测环形注塑件的环形边界；

[0051] 所述高亮识别模块，用于对所述第一采集图像和所述第二采集图像进行预处理后输入到预先建立的高亮区域模型中进行识别，分别标记并输出第一采集图像和第二采集图像上存在的高亮位置点；

[0052] 所述高亮确定模块，用于分别确定所述第一采集图像和所述第二采集图像在环形边界上的高亮位置点，并确定环形边界上各个高亮位置点的亮度值；

[0053] 所述图像过滤模块，用于根据所述第一采集图像和所述第二采集图像在环形边界上同一位置的高亮位置点的亮度值之差，将差值大于预设阈值的高亮位置点作为影响因子在所述第一采集图像中过滤，得到过滤图像；

[0054] 所述气泡识别模块，用于将所述过滤图像输入到预先建立的气泡形状识别模型中进行识别，标记并输出所述过滤图像中形状满足气泡缺陷形状的高亮位置点，作为待测环形注塑件上的气泡缺陷。

[0055] 作为优选方案，所述环形边界模块具体用于：分别对所述第一采集图像和所述第二采集图像进行网格化处理，并确定基准点；建立三维坐标系，以所述基准点为原点，分别将所述第一采集图像和所述第二采集图像移动到所述三维坐标系当中，并确定各个网格化点在所述三维坐标系中的坐标位置；在所述第一采集图像中确定色度相同的连续多个网格化点之间形成的连线，且所述连线与不在所述连线上的相邻网格化点之间色度的差值达到色度阈值的，将所述连线确定为环形边界；根据所述第一采集图像中确定的环形边界，在所述三维坐标系中以所述基准点为基准，移动到所述第二采集图像中，确定所述待测环形注塑件在第二采集图像中的环形边界。

[0056] 作为优选方案，所述高亮识别模块用于对所述第一采集图像和所述第二采集图像进行预处理的步骤中，具体包括：对所述第一采集图像和所述第二采集图像进行灰度化处理，分别得到对应的灰度图像；在所述三维坐标系中，以所述基准点为中点，将所述灰度图像进行横向拉伸一定倍数后，得到拉伸图像；对所述拉伸图像中存在的光斑特征进行识别，将所述拉伸图像中的光斑特征进行过滤，得到过滤图像；根据所述横向拉伸的倍数，将所述过滤图像进行横向缩小后，得到预处理后的图像输入到预先建立的高亮区域模型。

[0057] 作为优选方案，所述高亮区域模型的建立步骤，包括：获取训练图像，其中，所述训练图像是在封闭空间中投放光源后，由拍摄设备对训练环形注塑件进行图像采集而得到；根据所述训练图像的色度，在所述训练图像中标记发生高亮区域的形状边界，并分别确定每个高亮区域的中心点与所述训练环形注塑件的环形边界上最近的距离点，将所述距离点与对应的高亮区域进行相关联；通过机器学习算法建立初始高亮模型，将关联后的训练图像输入到所述初始高亮模型中进行训练，直到训练次数达到阈值后，生成训练高亮模型；获取测试图像，其中，所述测试图像是通过拍摄设备在封闭空间对训练环形注塑件进行图像采集而得到；将所述测试图像输入到所述训练高亮模型中进行测试，当输出图像中由训练高亮模型在所述测试图像中标记存在高亮区域的高亮位置点的准确度达到预设阈值时，生成高亮区域模型。

[0058] 作为优选方案，所述高亮识别模块用于对所述拉伸图像中存在的光斑特征进行识别的步骤中，具体包括：对所述拉伸图像中存在的不规则图形进行识别，确定存在于所述拉伸图像中的不规则图形；分别对每一个不规则图形中划分多层圆环区域，并在每一层圆环区域中确定多个测试点，同时，确定每个测试点所在的色度；计算每一层圆环区域中所有测试点的平均色度，将所述平均色度作为所在圆环区域的色度值；当确定同一个不规则图形中，最外层的圆环区域上的色度值往最内层的圆环区域依次递减，则确定该不规则图形为所述拉伸图像中存在的光斑特征。

[0059] 作为优选方案，所述高亮确定模块具体用于：分别确定所述第一采集图像和所述第二采集图像在环形边界上每个高亮位置点所在的区域范围；针对每个高亮位置点的区域范围确定外接圆，将所述外接圆的圆心所在位置上对应的亮度值，作为对应高亮位置点的亮度值。

[0060] 作为优选方案，所述图像过滤模块具体用于：将所述第一采集图像中各个高亮位置点在三维坐标系中的坐标位置作为一个整体，定义为第一坐标位置；将所述第二采集图像中各个高亮位置点在三维坐标系中的坐标位置作为一个整体，定义为第二坐标位置；以所述第一坐标位置为基准，将所述第二坐标位置在三维坐标系中进行整体移动，直至所述第二坐标位置与所述第一坐标位置重合；确定重合后处于同一位置的高亮位置点的亮度值之差，将差值大于预设阈值的高亮位置点作为影响因子在所述第一采集图像中过滤，得到过滤图像。

[0061] 作为优选方案，所述气泡形状识别模型的建立步骤，包括：在对气泡形状识别模型进行预先建立的过程中，获取由上述步骤执行后得到的过滤图像；通过人工识别的方式对所述过滤图像中存在的气泡进行标记，确定气泡缺陷范围；对每一个气泡缺陷范围中的灰度值进行识别，根据气泡缺陷范围中灰度值的变化，将所述气泡缺陷范围划分为两个区域；分别对同一个气泡缺陷范围所在的两个区域确定外接圆，将两个区域对应外接圆的圆心进行相关联；通过机器学习算法建立初始气泡模型，将关联后的过滤图像输入到所述初始气泡模型中进行训练和测试，直到训练和测试的次数达到阈值后，生成气泡形状识别模型。

[0062] 本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的基于机器视觉的注塑件检测方法。

[0063] 本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任一项所述的基于机器视觉的注塑件检测方法。

[0064] 相比于现有技术，本发明实施例具有如下有益效果：

[0065] 本发明技术方案通过对同一待测环形注塑件采集由不同光源照射的两个图像分别进行处理，利用光源照射后可以将环形注塑件上反光点放大的特点，根据两个采集图像中各个高亮位置点的亮度值过滤反光点，排除了环形注塑件上反光点对于气泡缺陷形状识别的影响噪声，克服现有技术无法对注塑件上的气泡缺陷，特别是环形注塑件上的气泡缺陷进行精准识别的技术问题，实现对注塑件上的气泡缺陷进行精准识别，特别是环形注塑件的气泡缺陷识别，可以提高注塑件的检测成功率和准确性。

附图说明

[0066] 图1 ：为本发明实施例提供的一种基于机器视觉的注塑件检测方法的步骤流程图；

[0067] 图2 ：为本发明实施例提供的一种基于机器视觉的注塑件检测系统的结构示意图；

[0068] 图3 ：为本发明实施例提供的终端设备的一种实施例的结构示意图。

具体实施方式

[0069] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0070] 实施例一

[0071] 请参照图1，为本发明实施例提供的一种基于机器视觉的注塑件检测方法的步骤流程图。所述方法用于对环形注塑件上的气泡缺陷进行检测，包括步骤101至步骤106，各步骤具体如下：

[0072] 步骤101，通过拍摄设备在封闭空间对待测环形注塑件进行图像采集，得到第一采集图像；保持所述拍摄设备和所述待测环形注塑件的位置不变，在所述封闭空间中投放光源后，对所述待测环形注塑件进行二次图像采集，得到第二采集图像。

[0073] 具体地，由于注塑件图像在识别缺陷过程中，会产生反光点，而环形注塑件由于本身存在弧度的原因，其产生反光点的问题会更加严重。当注塑件图像产生反光点时，在识别过程中往往会将部分反光点错误识别成气泡缺陷，或者由于反光点覆盖范围过大而影响气泡缺陷的识别。基于上述原因，我们在对注塑件检测的过程中，尤其是环形注塑件检测的过程中，特别需要剔除反光点对注塑件图像本身带来的影响。本步骤需要采集两个图像，一个图像是基于封闭空间对环形注塑件的采集，另一个图像是在外加光源的情况下采集的图像。通过研究发现，在对原来拍摄的图像外加光源之后，会对注塑件图像上的反光点进行放大，更利于我们识别和去除反光点。

[0074] 步骤102，对所述第一采集图像和所述第二采集图像中的环形边界特征进行识别并标记，分别在所述第一采集图像和所述第二采集图像中确定所述待测环形注塑件的环形边界。

[0075] 在本实施例中，所述步骤102具体包括：步骤1021，分别对所述第一采集图像和所述第二采集图像进行网格化处理，并确定基准点；步骤1022，建立三维坐标系，以所述基准点为原点，分别将所述第一采集图像和所述第二采集图像移动到所述三维坐标系当中，并确定各个网格化点在所述三维坐标系中的坐标位置；步骤1023，在所述第一采集图像中确定色度相同的连续多个网格化点之间形成的连线，且所述连线与不在所述连线上的相邻网格化点之间色度的差值达到色度阈值的，将所述连线确定为环形边界；步骤1024，根据所述第一采集图像中确定的环形边界，在所述三维坐标系中以所述基准点为基准，移动到所述第二采集图像中，确定所述待测环形注塑件在第二采集图像中的环形边界。

[0076] 具体地，通过上述步骤101可以将注塑件的反光点进行放大。而为了进一步识别环形边界对于反光点的影响，专门针对环形注塑件，也就是对更难突破的环形注塑件上的反光点进行识别，我们需要先确定环形注塑件上的环形边界。在具体识别过程中，为了消除外加光源对环形边界识别的影响（例如，曝光时间过长容易使环形边界出现模糊化），在本步骤中，我们利用第一采集图像和第二采集图像在基准点位置上进行对准。再根据环形边界与周围非边界上的网格区域形成的色差，从而识别出完整的环形边界，防止后续对环形边界上出现的反光点进行识别过程中无法完全识别。

[0077] 步骤103，对所述第一采集图像和所述第二采集图像进行预处理后输入到预先建立的高亮区域模型中进行识别，分别标记并输出第一采集图像和第二采集图像上存在的高亮位置点。

[0078] 在本实施例中，所述步骤103用于对所述第一采集图像和所述第二采集图像进行预处理的步骤中，具体包括：步骤1031，对所述第一采集图像和所述第二采集图像进行灰度化处理，分别得到对应的灰度图像；步骤1032，在所述三维坐标系中，以所述基准点为中点，将所述灰度图像进行横向拉伸一定倍数后，得到拉伸图像；步骤1033，对所述拉伸图像中存在的光斑特征进行识别，将所述拉伸图像中的光斑特征进行过滤，得到过滤图像；步骤1034，根据所述横向拉伸的倍数，将所述过滤图像进行横向缩小后，得到预处理后的图像输入到预先建立的高亮区域模型。

[0079] 其中，在本实施例的另一方面中，所述步骤1033用于对所述拉伸图像中存在的光斑特征进行识别的步骤中，具体包括：对所述拉伸图像中存在的不规则图形进行识别，确定存在于所述拉伸图像中的不规则图形；分别对每一个不规则图形中划分多层圆环区域，并在每一层圆环区域中确定多个测试点，同时，确定每个测试点所在的色度；计算每一层圆环区域中所有测试点的平均色度，将所述平均色度作为所在圆环区域的色度值；当确定同一个不规则图形中，最外层的圆环区域上的色度值往最内层的圆环区域依次递减，则确定该不规则图形为所述拉伸图像中存在的光斑特征。

[0080] 具体地，为了在后续步骤中确定在环形边界上的反光点（基本上所有的反光点都集中在环形边界上了，因为光源照射过程中，环形界面会反射光源形成反光。所以环形注塑件上的反光点基本都集中在环形边界上），我们需要通过模型对注塑件上出现反光点进行识别。而为了更准确地识别高亮位置点（即疑似反光点，后续再判断），需要先对图像进行预处理。在预处理过程中，为了降噪，需要对图像中除环形注塑件以外的图像区域而存在的其他影响因子进行去除（例如，噪点等光斑）。这个时候可以利用图像拉伸后，将光斑拉伸为不规则图像，利用光斑在图像中色度从外层向内递减的特点进行判断出图像中存在的光斑噪点，进行过滤。

[0081] 在本实施例中，所述高亮区域模型的建立步骤，包括：获取训练图像，其中，所述训练图像是在封闭空间中投放光源后，由拍摄设备对训练环形注塑件进行图像采集而得到；根据所述训练图像的色度，在所述训练图像中标记发生高亮区域的形状边界，并分别确定每个高亮区域的中心点与所述训练环形注塑件的环形边界上最近的距离点，将所述距离点与对应的高亮区域进行相关联；通过机器学习算法建立初始高亮模型，将关联后的训练图像输入到所述初始高亮模型中进行训练，直到训练次数达到阈值后，生成训练高亮模型；获取测试图像，其中，所述测试图像是通过拍摄设备在封闭空间对训练环形注塑件进行图像采集而得到；将所述测试图像输入到所述训练高亮模型中进行测试，当输出图像中由训练高亮模型在所述测试图像中标记存在高亮区域的高亮位置点的准确度达到预设阈值时，生成高亮区域模型。

[0082] 具体地，本方案的关键点也存在于高亮区域模型的建立这个环节。因为高亮区域模型的功能用于对高亮位置点进行精准识别，那么我们在训练这个模型时，需要对训练图像中存在高亮区域的位置与环形边界上的关联特征进行指引。模型连续环形边界对于图像产生高亮区域的位置进行学习，最后生成的高亮区域模型可以对输入图像进行识别，生成标识的高亮位置点。

[0083] 步骤104，分别确定所述第一采集图像和所述第二采集图像在环形边界上的高亮位置点，并确定环形边界上各个高亮位置点的亮度值。

[0084] 在本实施例中，所述步骤104具体包括：步骤1041，分别确定所述第一采集图像和所述第二采集图像在环形边界上每个高亮位置点所在的区域范围；步骤1042，针对每个高亮位置点的区域范围确定外接圆，将所述外接圆的圆心所在位置上对应的亮度值，作为对应高亮位置点的亮度值。

[0085] 具体地，通过外接圆的方式确定高亮位置点，其实际是利用外接圆的圆心作为对应高亮位置点的亮度值，可以使得各个高亮位置点的亮度值赋值更为准确，以便于下一步分辨出这些高亮位置点哪一些是真正的反光点。

[0086] 步骤105，根据所述第一采集图像和所述第二采集图像在环形边界上同一位置的高亮位置点的亮度值之差，将差值大于预设阈值的高亮位置点作为影响因子在所述第一采集图像中过滤，得到过滤图像。

[0087] 在本实施例中，所述步骤105具体包括：步骤1051，将所述第一采集图像中各个高亮位置点在三维坐标系中的坐标位置作为一个整体，定义为第一坐标位置；步骤1052，将所述第二采集图像中各个高亮位置点在三维坐标系中的坐标位置作为一个整体，定义为第二坐标位置；步骤1053，以所述第一坐标位置为基准，将所述第二坐标位置在三维坐标系中进行整体移动，直至所述第二坐标位置与所述第一坐标位置重合；步骤1054，确定重合后处于同一位置的高亮位置点的亮度值之差，将差值大于预设阈值的高亮位置点作为影响因子在所述第一采集图像中过滤，得到过滤图像。

[0088] 具体地，利用反光点经外加光源后放大的特性，通过计算同一位置上两个采集图像中对应的亮度值之差，可以确定出这些高亮位置点哪一些是真正的反光点，然后进行过滤后留下无噪声的图像（去除反光点）。为了数据更加准确，我们还会考虑到在确定“同一位置”的步骤上，避免图像在多次采集和处理过程中出现移动的情况，我们利用三维坐标系的移动对等关系，将第一采集图像的整体移动直至与第二采集图像重合，然后同一坐标点上的位置即可视为“同一位置”。

[0089] 步骤106，将所述过滤图像输入到预先建立的气泡形状识别模型中进行识别，标记并输出所述过滤图像中形状满足气泡缺陷形状的高亮位置点，作为待测环形注塑件上的气泡缺陷。

[0090] 在本实施例中，所述气泡形状识别模型的建立步骤，包括：在对气泡形状识别模型进行预先建立的过程中，获取由上述步骤执行后得到的过滤图像；通过人工识别的方式对所述过滤图像中存在的气泡进行标记，确定气泡缺陷范围；对每一个气泡缺陷范围中的灰度值进行识别，根据气泡缺陷范围中灰度值的变化，将所述气泡缺陷范围划分为两个区域；分别对同一个气泡缺陷范围所在的两个区域确定外接圆，将两个区域对应外接圆的圆心进行相关联；通过机器学习算法建立初始气泡模型，将关联后的过滤图像输入到所述初始气泡模型中进行训练和测试，直到训练和测试的次数达到阈值后，生成气泡形状识别模型。

[0091] 具体地，通过上述步骤101至105，我们已经拿到了无噪声的图像了，此时我们只需要对无噪声图像（即过滤图像）输入到识别气泡缺陷形状的模型中进行识别即可。可以理解的是，在对气泡形状识别模型进行识别的过程中，我们是预先操作了步骤101至105，然后将步骤105输出的“过滤图像”作为气泡形状识别模型的训练图像，当模型训练完成后，在对后续需要检测的待测环形注塑件进行检索过程中，就无需重新建立和训练气泡形状识别模型了，即可直接利用。而在构建气泡形状识别模型的过程中，可以通过人工的方式先非常准确地标记图像中存在的气泡缺陷。考虑到在实际应用中，气泡缺陷在图像中的表现会由于阴影部分的出现，使气泡在注塑件上呈现两个明显分层的区域，而通过两个区域相对的外接圆心的关联，模型经过训练后可以根据气泡本身的形状和气泡形成两个分层区域对应外接圆心之间的关系，识别到过滤图像中存在的气泡缺陷，从而做到精准识别环形注塑件上的气泡缺陷。

[0092] 本发明技术方案通过对同一待测环形注塑件采集由不同光源照射的两个图像分别进行处理，利用光源照射后可以将环形注塑件上反光点放大的特点，根据两个采集图像中各个高亮位置点的亮度值过滤反光点，排除了环形注塑件上反光点对于气泡缺陷形状识别的影响噪声，克服现有技术无法对注塑件上的气泡缺陷，特别是环形注塑件上的气泡缺陷进行精准识别的技术问题，实现对注塑件上的气泡缺陷进行精准识别，特别是环形注塑件的气泡缺陷识别，可以提高注塑件的检测成功率和准确性。

[0093] 实施例二

[0094] 请参照图2，为本发明另一实施例提供的一种基于机器视觉的注塑件检测系统的结构示意图。所述系统用于对环形注塑件上的气泡缺陷进行检测，包括：图像采集模块、环形边界模块、高亮识别模块、高亮确定模块、图像过滤模块和气泡识别模块。

[0095] 所述图像采集模块，用于通过拍摄设备在封闭空间对待测环形注塑件进行图像采集，得到第一采集图像；保持所述拍摄设备和所述待测环形注塑件的位置不变，在所述封闭空间中投放光源后，对所述待测环形注塑件进行二次图像采集，得到第二采集图像。

[0096] 所述环形边界模块，用于对所述第一采集图像和所述第二采集图像中的环形边界特征进行识别并标记，分别在所述第一采集图像和所述第二采集图像中确定所述待测环形注塑件的环形边界。

[0097] 在本实施例中，所述环形边界模块具体用于：分别对所述第一采集图像和所述第二采集图像进行网格化处理，并确定基准点；建立三维坐标系，以所述基准点为原点，分别将所述第一采集图像和所述第二采集图像移动到所述三维坐标系当中，并确定各个网格化点在所述三维坐标系中的坐标位置；在所述第一采集图像中确定色度相同的连续多个网格化点之间形成的连线，且所述连线与不在所述连线上的相邻网格化点之间色度的差值达到色度阈值的，将所述连线确定为环形边界；根据所述第一采集图像中确定的环形边界，在所述三维坐标系中以所述基准点为基准，移动到所述第二采集图像中，确定所述待测环形注塑件在第二采集图像中的环形边界。

[0098] 所述高亮识别模块，用于对所述第一采集图像和所述第二采集图像进行预处理后输入到预先建立的高亮区域模型中进行识别，分别标记并输出第一采集图像和第二采集图像上存在的高亮位置点。

[0099] 在本实施例中，所述高亮识别模块用于对所述第一采集图像和所述第二采集图像进行预处理的步骤中，具体包括：对所述第一采集图像和所述第二采集图像进行灰度化处理，分别得到对应的灰度图像；在所述三维坐标系中，以所述基准点为中点，将所述灰度图像进行横向拉伸一定倍数后，得到拉伸图像；对所述拉伸图像中存在的光斑特征进行识别，将所述拉伸图像中的光斑特征进行过滤，得到过滤图像；根据所述横向拉伸的倍数，将所述过滤图像进行横向缩小后，得到预处理后的图像输入到预先建立的高亮区域模型。

[0100] 其中，在本实施例另一方面中，所述高亮识别模块用于对所述拉伸图像中存在的光斑特征进行识别的步骤中，具体包括：对所述拉伸图像中存在的不规则图形进行识别，确定存在于所述拉伸图像中的不规则图形；分别对每一个不规则图形中划分多层圆环区域，并在每一层圆环区域中确定多个测试点，同时，确定每个测试点所在的色度；计算每一层圆环区域中所有测试点的平均色度，将所述平均色度作为所在圆环区域的色度值；当确定同一个不规则图形中，最外层的圆环区域上的色度值往最内层的圆环区域依次递减，则确定该不规则图形为所述拉伸图像中存在的光斑特征。

[0101] 在本实施例中，所述高亮区域模型的建立步骤，包括：获取训练图像，其中，所述训练图像是在封闭空间中投放光源后，由拍摄设备对训练环形注塑件进行图像采集而得到；根据所述训练图像的色度，在所述训练图像中标记发生高亮区域的形状边界，并分别确定每个高亮区域的中心点与所述训练环形注塑件的环形边界上最近的距离点，将所述距离点与对应的高亮区域进行相关联；通过机器学习算法建立初始高亮模型，将关联后的训练图像输入到所述初始高亮模型中进行训练，直到训练次数达到阈值后，生成训练高亮模型；获取测试图像，其中，所述测试图像是通过拍摄设备在封闭空间对训练环形注塑件进行图像采集而得到；将所述测试图像输入到所述训练高亮模型中进行测试，当输出图像中由训练高亮模型在所述测试图像中标记存在高亮区域的高亮位置点的准确度达到预设阈值时，生成高亮区域模型。

[0102] 所述高亮确定模块，用于分别确定所述第一采集图像和所述第二采集图像在环形边界上的高亮位置点，并确定环形边界上各个高亮位置点的亮度值。

[0103] 在本实施例中，所述高亮确定模块具体用于：分别确定所述第一采集图像和所述第二采集图像在环形边界上每个高亮位置点所在的区域范围；针对每个高亮位置点的区域范围确定外接圆，将所述外接圆的圆心所在位置上对应的亮度值，作为对应高亮位置点的亮度值。

[0104] 所述图像过滤模块，用于根据所述第一采集图像和所述第二采集图像在环形边界上同一位置的高亮位置点的亮度值之差，将差值大于预设阈值的高亮位置点作为影响因子在所述第一采集图像中过滤，得到过滤图像。

[0105] 在本实施例中，所述图像过滤模块具体用于：将所述第一采集图像中各个高亮位置点在三维坐标系中的坐标位置作为一个整体，定义为第一坐标位置；将所述第二采集图像中各个高亮位置点在三维坐标系中的坐标位置作为一个整体，定义为第二坐标位置；以所述第一坐标位置为基准，将所述第二坐标位置在三维坐标系中进行整体移动，直至所述第二坐标位置与所述第一坐标位置重合；确定重合后处于同一位置的高亮位置点的亮度值之差，将差值大于预设阈值的高亮位置点作为影响因子在所述第一采集图像中过滤，得到过滤图像。

[0106] 所述气泡识别模块，用于将所述过滤图像输入到预先建立的气泡形状识别模型中进行识别，标记并输出所述过滤图像中形状满足气泡缺陷形状的高亮位置点，作为待测环形注塑件上的气泡缺陷。

[0107] 在本实施例中，所述气泡形状识别模型的建立步骤，包括：在对气泡形状识别模型进行预先建立的过程中，获取由上述步骤执行后得到的过滤图像；通过人工识别的方式对所述过滤图像中存在的气泡进行标记，确定气泡缺陷范围；对每一个气泡缺陷范围中的灰度值进行识别，根据气泡缺陷范围中灰度值的变化，将所述气泡缺陷范围划分为两个区域；分别对同一个气泡缺陷范围所在的两个区域确定外接圆，将两个区域对应外接圆的圆心进行相关联；通过机器学习算法建立初始气泡模型，将关联后的过滤图像输入到所述初始气泡模型中进行训练和测试，直到训练和测试的次数达到阈值后，生成气泡形状识别模型。

[0108] 实施例三

[0109] 本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的基于机器视觉的注塑件检测方法。

[0110] 实施例四

[0111] 请参照图3，是本发明实施例提供的终端设备的一种实施例的结构示意图，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的基于机器视觉的注塑件检测方法。

[0112] 优选地，所述计算机程序可以被分割成一个或多个模块/单元（如计算机程序、计算机程序），所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

[0113] 所述处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field‑Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。

[0114] 所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡和闪存卡（Flash Card）等，或所述存储器也可以是其他易失性固态存储器件。

[0115] 需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。

[0116] 以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。