本發(fā)明涉及模具檢測領域。更具體地，本發(fā)明涉及基于機器視覺的模腔異常檢測方法。

背景技術：

1、在制造業(yè)中，尤其是塑料、橡膠、金屬加工等行業(yè)，模腔填充是一個至關重要的環(huán)節(jié)。異物的混入不僅可能導致產(chǎn)品表面出現(xiàn)缺陷、結構損壞，還可能引發(fā)更嚴重的安全問題，從而影響產(chǎn)品的安全性和可靠性。因此，模腔異物的檢測成為確保產(chǎn)品質(zhì)量的一個關鍵步驟。傳統(tǒng)的檢測方法主要依賴人工目視檢查和一些基礎的自動化設備，這些方法不僅效率低下，準確性有限，而且適應性差，難以滿足現(xiàn)代制造業(yè)對高效率和高準確度的需求。

2、在模腔異常檢測方面，機器視覺檢測技術的應用也日益增多，這種技術能夠?qū)δ＞吡慵械漠愇?、制件缺陷、制件脫模不良以及嵌件錯位等問題進行檢測，具有準確性強、效率高以及能夠?qū)崿F(xiàn)實時檢測的特點。

3、現(xiàn)有公開號為cn108288274a的中國專利申請文件公開了模具檢測方法、裝置以及電子設備，該方法包括：匹配背景圖像；基于待檢測模具圖像與匹配背景圖像的匹配矩陣分別對待檢測模具圖像與匹配背景圖像進行變換處理、歸一化處理以及裁剪處理，得到第一模具圖像以及第一背景圖像；獲得第一模具圖像與第一背景圖像的第一差分圖像，并對第一差分圖像進行閾值分割以及連通區(qū)域的面積篩選，得到第一區(qū)域圖像；判斷第一區(qū)域圖像中的像素點的像素值是否均為0；輸出模具存在異物的信息。

4、但是，由于模具的材質(zhì)問題以及模腔是凹凸不平的，在利用圖像處理的過程中會出現(xiàn)反光的現(xiàn)象，并且會出現(xiàn)反光將部分異常所覆蓋的情況，導致模腔異常檢測結果不準確。

技術實現(xiàn)思路

1、為解決模腔異常檢測結果不準確的問題，本發(fā)明提出基于機器視覺的模腔異常檢測方法。

2、本發(fā)明公開基于機器視覺的模腔異常檢測方法，包括：獲取預處理后的模腔表面灰度圖，將模腔表面灰度圖輸入預設的神經(jīng)網(wǎng)絡中，輸出概率值，概率值包括正常概率、殘留概率、缺陷概率和反光概率，根據(jù)概率值獲得模腔類型；根據(jù)模腔類型構建目標灰度圖，提取目標灰度圖的roi區(qū)域，根據(jù)概率值對roi區(qū)域進行網(wǎng)格劃分獲得多個子區(qū)域，計算roi區(qū)域的梯度一致性，完成模腔異常檢測；其中，獲得多個子區(qū)域包括：獲取網(wǎng)格劃分的初始網(wǎng)格尺寸；計算更新后的網(wǎng)格尺寸，網(wǎng)格尺寸包括網(wǎng)格的長和網(wǎng)格的寬，更新后的網(wǎng)格尺寸滿足關系式：，表示更新后的網(wǎng)格尺寸，表示反光概率，表示初始網(wǎng)格尺寸；根據(jù)更新后的網(wǎng)格尺寸對roi區(qū)域進行劃分獲得多個子區(qū)域。

3、通過預處理模腔表面灰度圖并利用神經(jīng)網(wǎng)絡輸出不同概率值，能夠準確識別模腔類型并構建目標灰度圖，這些灰度圖是反光概率大的圖像，即包含異常的可能性大的圖像。通過提取目標灰度圖的roi區(qū)域并根據(jù)反光概率動態(tài)調(diào)整網(wǎng)格尺寸，能夠更細致地劃分roi區(qū)域，從而能夠提高檢測的一致性和準確性。

4、優(yōu)選的，所述神經(jīng)網(wǎng)絡為卷積神經(jīng)網(wǎng)絡，卷積神經(jīng)網(wǎng)絡對模腔表面灰度圖進行特征提取獲得圖像特征，對圖像特征進行分類獲得概率值。

5、優(yōu)選的，所述神經(jīng)網(wǎng)絡的訓練過程包括：將模具在歷史中的模腔表面灰度圖作為輸入信息，并將模具的模腔類型的真實值作為標簽，得到一組訓練數(shù)據(jù)；將訓練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡，得到輸出結果；通過輸出結果和標簽計算神經(jīng)網(wǎng)絡的損失值，損失函數(shù)使用交叉熵損失，根據(jù)損失值反向傳播誤差信號，更新神經(jīng)網(wǎng)絡的網(wǎng)絡參數(shù)，使損失值變??；迭代地更新神經(jīng)網(wǎng)絡的網(wǎng)絡參數(shù)，當神經(jīng)網(wǎng)絡達到設定的最大訓練次數(shù)或損失值小于設定損失值時，停止更新，得到訓練好的神經(jīng)網(wǎng)絡。

6、優(yōu)選的，所述獲取目標灰度圖包括：模腔類型為模腔正常、模腔殘留、模腔缺陷和模腔反光；當概率值中任意一個大于0.5時，獲得對應的模腔類型；將模腔反光的模具對應的模腔表面灰度圖和概率值均不大于0.5的模具對應的模腔表面灰度圖共同作為目標灰度圖。

7、通過神經(jīng)網(wǎng)絡輸出的概率值能夠獲得具體的模腔類型，從已經(jīng)確定的模腔類型中更加快速地找到模腔反光的模腔，并且將通過概率值無法確定的模腔一并作為目標灰度圖，能夠快速識別出需要特別關注或處理的模腔，從而及時調(diào)整生產(chǎn)參數(shù)或進行維護，減少不良品的產(chǎn)生。

8、優(yōu)選的，所述獲取目標灰度圖還包括：對于任一模腔表面灰度圖，分別計算正常概率和殘留概率的歐式距離、正常概率和缺陷概率的歐式距離、正常概率和反光概率的歐式距離，將三個歐式距離相加并通過負相關映射的結果作為難分類度；將難分類度大于預設閾值的模腔表面灰度圖作為目標灰度圖。

9、通過將這些距離相加以獲得難分類度，能夠量化模腔圖像與各類別中心點之間的差異程度。反映了模腔圖像特征與各類別典型特征之間的偏差程度，歐式距離的計算結果越大，表明模腔圖像的特征與正常狀態(tài)的特征差異越大，這通常意味著模腔存在某種異常。

10、優(yōu)選的，所述梯度一致性包括：對于任意一個子區(qū)域，根據(jù)子區(qū)域中每個像素點的梯度值對梯度方向進行加權求和，獲得子區(qū)域的總梯度方向；遍歷獲得roi區(qū)域中每個子區(qū)域的總梯度方向，構建roi區(qū)域的梯度共生矩陣，將梯度共生矩陣的模作為梯度一致性。

11、梯度一致性有效地量化了模腔表面的均勻性。梯度一致性是通過分析子區(qū)域中每個像素點的梯度值，并對梯度方向進行加權求和來實現(xiàn)的，進而能夠捕捉到模腔表面的細微變化，提高檢測的靈敏度和準確性。此外，通過構建梯度共生矩陣并計算其模作為梯度一致性的度量，進一步增強了對模腔表面異常的識別能力。

12、優(yōu)選的，所述梯度一致性還包括：對于任意一個子區(qū)域，計算子區(qū)域中每個像素點的梯度方向，繪制梯度直方圖，以獲得子區(qū)域的主梯度方向和次梯度方向；分別構建roi區(qū)域的主梯度共生矩陣和次梯度共生矩陣；根據(jù)主梯度共生矩陣計算主梯度特征向量，根據(jù)次梯度共生矩陣計算次梯度特征向量；計算梯度一致性，滿足關系式：，其中，表示梯度一致性，表示主梯度特征向量，表示次梯度特征向量的轉(zhuǎn)置，表示主梯度特征向量的模，表示次梯度特征向量的模。

13、利用了圖像局部變化的方向信息，方向信息反映了模腔表面的微觀結構和潛在的異常特征。主梯度方向通常對應于圖像中變化最顯著的方向，即模腔的子區(qū)域中的主紋理方向，而次梯度方向則提供了關于變化方向的補充信息，即模腔的子區(qū)域中的次重要的紋理方向。

14、優(yōu)選的，所述梯度一致性還包括：對于任意一個子區(qū)域，計算子區(qū)域中每個像素點的梯度方向，繪制梯度直方圖，以獲得子區(qū)域的主梯度方向和次梯度方向；分別構建roi區(qū)域的主梯度共生矩陣和次梯度共生矩陣；根據(jù)主梯度共生矩陣計算主梯度特征向量，根據(jù)次梯度共生矩陣計算次梯度特征向量；將主梯度特征向量和次梯度特征向量的相似度作為梯度一致性。

15、本發(fā)明的有益效果：

16、1、本發(fā)明通過預處理模腔表面灰度圖并輸入到卷積神經(jīng)網(wǎng)絡中，網(wǎng)絡能夠輸出反映不同狀態(tài)的概率值，這些概率值綜合反映了模腔的當前狀態(tài)，這種方法能夠從圖像數(shù)據(jù)中自動提取特征并進行分類，從而減少了人工干預，提高了檢測的效率和準確性。

17、2、本發(fā)明通過綜合利用梯度方向信息、梯度一致性計算以及反光概率調(diào)整的網(wǎng)格尺寸，顯著提高了模腔異常檢測的準確性和可靠性。這種方法不僅能夠識別出模腔表面的微小變化，還能夠適應不同的檢測條件，如反光和陰影的影響，從而為模腔的質(zhì)量控制提供了一種強有力的工具。

18、3、本發(fā)明通過自動化的特征提取和定量化的異常檢測，顯著提高了模腔異常檢測的準確性和可靠性。不僅能夠識別出模腔表面的微小變化，還能夠適應不同的檢測條件，如反光和陰影的影響，通過及時發(fā)現(xiàn)模腔表面的異常，可以避免潛在的質(zhì)量問題，提高產(chǎn)品的一致性和可靠性，減少生產(chǎn)成本，提高生產(chǎn)效率。