(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111645618.X (22)申请日 2021.12.2 9 (71)申请人 山东大学 地址 266237 山东省青岛市 即墨区滨 海路 72号 (72)发明人 屠长河　高伟杰　朱笛　孟祥奇　 钟凡　辛士庆　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 代理人 董雪 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/136(2017.01) G06T 7/62(2017.01)G06V 10/44(2022.01) G06V 10/54(2022.01) G06V 10/50(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于机器视觉的砂型缺陷检测方法及 系统 (57)摘要 本发明公开了一种基于机器视觉的砂型缺 陷检测方法及系统， 包括： 获取待检测的当前砂 型图像， 确定当前砂型图像的砂型型号和标准砂 型图像； 基于气孔中心点将两个砂型图像进行对 齐； 得到当前砂型图像和标准砂型图像的图像块 序列； 计算每一个图像块的纹理特征； 比较当前 砂型图像和标准砂型图像中相对应位置图像块 的纹理特征之间的相似度， 判断当前图像块是否 存在缺陷； 基于所有存在缺陷的图像块， 结合缺 陷分割模型， 得到待检测砂型中每一个缺陷的类 型、 尺寸及位置。 本发明能够实现对全部砂型缺 陷类型的准确精细化检测， 大大减少铸造毛坯产 品的废品率。 权利要求书2页 说明书6页 附图6页 CN 114387233 A 2022.04.22 CN 114387233 A 1.一种基于 机器视觉的砂型缺陷检测方法， 其特 征在于， 包括： 获取待检测的当前砂型图像， 通过模板匹配方法确定当前砂型图像的砂型型号， 并获 取所述砂型 型号的标准砂型图像； 分别检测当前砂型图像和标准砂型图像的条形气孔和圆形气孔， 并计算气孔中心点； 基于气孔中心点将两个砂型图像进行对齐； 对对齐后的两个砂型图像分别分割成设定尺寸的多个块状区域， 当前砂型图像的块状 区域与标准砂型图像的块状区域一一对应， 进而得到当前砂型图像和标准砂型图像的图像 块序列； 计算每一个图像块的纹理特征； 比较当前砂型图像和标准砂型图像中相对应位置图像 块的纹理特征之间的相似度， 判断当前图像块是否存在缺陷； 基于所有存在缺陷的图像块， 结合缺陷分割模型， 得到待检测砂型中每一个缺陷的类 型、 尺寸及位置 。 2.如权利要求1所述的一种基于机器视觉的砂型缺陷检测方法， 其特征在于， 通过模板 匹配方法确定当前砂型图像的砂型 型号， 具体包括： 将待检测砂型图像与 数据库中不同型号的标准砂型图像进行相似度匹配， 将与当前砂 型图像相似度最高的标准砂型图像的型号作为当前砂型图像的砂型 型号。 3.如权利要求1所述的一种基于机器视觉的砂型缺陷检测方法， 其特征在于， 分别检测 当前砂型图像和标准砂型图像的条 形气孔和圆形气孔， 具体包括： 对于当前砂型图像或标准砂型图像， 分别使用一系列连续阈值分割砂型图像， 得到一 系列二值图像； 提取每张二值图像中由零像素点组成的全部连通区域， 并计算连通区域的中心和面 积； 通过限制连通区域最小外接矩形的长宽比和面积， 筛选出长条形的连通区域， 通过限 制连通区域的圆度和面积， 筛 选出圆形 连通域； 分别将中心坐标间距小于设定的第 一阈值， 且面积差值小于设定的第 二阈值的长条形 连通区域和圆形连通区域进行聚类， 取出每类中面积最大 的连通区域， 即为当前砂型图像 或标准砂型图像的条 形气孔和圆形气孔。 4.如权利要求1所述的一种基于机器视觉的砂型缺陷检测方法， 其特征在于， 基于气孔 中心点将两个砂型图像进行对齐， 具体包括： 计算当前砂型图像和标准砂型图像对应气孔中心点的偏移距离， 并根据偏移距离从垂 直和水平方向依次对齐两个砂型图像。 5.如权利要求1所述的一种基于机器视觉的砂型缺陷检测方法， 其特征在于， 计算每一 个图像块的纹 理特征， 具体包括： 对图像块进行高斯滤波， 并划分成多个设定尺寸的方 形区域； 计算每一个方形区域内每一个像素的LBP值， 得到每一个方形区域的LBP分布直方图， 并对直方图进行归一 化处理； 将所述图像块的全部方形区域的LBP分布直方图连接成一个向量， 此向量为图像块的 LBP纹理特征向量。 6.如权利要求1所述的一种基于机器视觉的砂型缺陷检测方法， 其特征在于， 比较当前权　利　要　求　书 1/2 页 2 CN 114387233 A 2砂型图像和标准砂型图像中相对应位置图像块的纹 理特征之间的相似度， 具体包括： 通过计算所述两个图像块的纹理特征之间的欧氏距离， 若欧氏距离大于设定的第四阈 值， 则认为当前图像块存在缺陷。 7.如权利要求1所述的一种基于机器视觉的砂型缺陷检测方法， 其特征在于， 基于所有 存在缺陷的图像块， 结合缺陷分割模型， 得到待检测砂型中每一个缺陷的类型、 尺寸及位 置， 具体包括： 将同时存在缺陷的相邻图像块进行合并， 得到当前砂型图像中存在缺陷的图像块序 列； 将存在缺陷的图像块输入缺陷分割模型， 输出图像块中每个像素的类型， 统计属于同 一缺陷类型的像素， 得到当前图像块包 含的缺陷类型、 尺寸及位置； 其中， 所述 缺陷分割模型使用多层深度卷积网络 。 8.一种基于 机器视觉的砂型缺陷检测方法， 其特 征在于， 包括： 图像获取模块， 用于获取待检测的当前砂型图像， 通过模板匹配方法确定当前砂型图 像的砂型 型号， 并获取 所述砂型 型号的标准砂型图像； 图像对齐模块， 用于分别检测当前砂型图像和标准砂型图像的条形气孔和圆形气孔， 并计算气孔中心点； 基于气孔中心点将两个砂型图像进行对齐； 缺陷识别模块， 用于对对齐后的两个砂型图像分别分割成设定尺寸的多个块状区域， 当前砂型图像的块状区域与标准砂型图像的块状区域一一对应， 进而得到 当前砂型图像和 标准砂型图像的图像块序列； 计算每一个图像块的纹理特征； 比较当前砂型图像和标准砂 型图像中相对应位置图像块的纹 理特征之间的相似度， 判断当前图像块是否存在缺陷； 缺陷分割模块， 用于基于所有存在缺陷的图像块， 结合缺陷分割 模型， 得到待检测砂型 中每一个缺陷的类型、 尺寸及位置 。 9.一种终端设备， 其包括处理器和存储器， 处理器用于实现各指令； 存储器用于存储多 条指令， 其特征在于， 所述指 令适于由处理器加载并执行权利要求 1‑7任一项所述的基于机 器视觉的砂型缺陷检测方法。 10.一种计算机可读存储介质， 其中存储有多条指令， 其特征在于， 所述指令适于由终 端设备的处理器加载并执行权利要求1 ‑7任一项所述的基于机器视觉的砂型缺陷检测方 法。权　利　要　求　书 2/2 页 3 CN 114387233 A 3