本发明涉及计算机视觉及工业自动化技术领域，具体涉及一种基于GFV-SIFT特征的振动环境注塑模具异常缺陷检测方法。
技术背景
随着定制产品多样性和生产自动化的发展，注塑模具保护装置在制造业中使用得越来越广泛。模具保护装置是一种对各种注塑机生产过程进行实时保护、测试和控制的系统，它能有效检测产品是否存在缺陷及合模前是否有塑料件残留以防止损坏模具。因此，确保模具保护系统准确高效地工作已经成为一个重要的任务。
现有基于视觉的模具保护系统通过分析注塑期间捕获的图像来智能保护注塑模具，主要通过将实时图像与模板图像匹配来获取其异常状态。图像配准步骤的准确性和效率直接影响后续结果，然而，在注塑机加工过程中，总是存在明显振动，使得实时图像与模板图像位置的变化会引起系统误报警。因此，提高系统中图像配准的准确率是一个亟待解决的问题。近年来许多图像配准研究广泛使用局部特征点，如SIFT、PCA-SIFT和SURF。这些局部特征在大多数情况下是鲁棒的，但它们无法满足图像局部区域存在多处类似时的情况。模具结构表面纹理信息少，局部区域结构相似或对称，使得模具图像直接使用现有局部特征匹配会导致大量误匹配，从而导致模具检测系统误报警频繁。因此，这些基于局部信息的特征不能直接用于模具保护系统中的图像匹配。另有一些仅基于全局特征的图像匹配方法，可以一定程度解决局部特征的问题，但它们配准效果不够鲁棒。现有这些算法都不能满足生产过程中模具保护系统的准确率要求。
技术实现要素：
为解决上述模具检测系统的不足，本发明提出一种基于GFV-SIFT特征的振动环境注塑模具异常缺陷检测方法，以解决现有模具保护系统误报警频繁的问题。
如图1所示，本发明的技术方案包括以下步骤：
1)采集获得无缺陷注塑模具的模板图像和待测注塑模具的实时图像，针对两幅图像使用局部特征向量提取初始匹配点，将同一个局部特征向量在两幅图像分别获得的两个初始匹配点作为一对匹配对，计算一对匹配对的两个初始匹配点之间的欧氏距离并作为初始相似性，用初始匹配阈值对所有初始相似性进行分割判断获得初始匹配对；
模板图像是指预先已采集的无缺陷的注塑模具表面图像。
实时图像是指待测注塑模具表面图像。
具体实施中，通过相机拍摄获得的注塑模具生产过程的模具表面图像作为模板图像和实时图像，注塑完成后采集一次，脱模之后采集一次。
2)由步骤1)得到所有初始匹配对中的每一个初始匹配点构造各自的全局向量，然后对全局向量作归一化处理；
3)由步骤2)得到的归一化后的全局向量与其各自对应的局部特征向量用权重因子构造一个新向量，计算一对初始匹配对的两个初始匹配点之间的欧氏距离并作为最终相似性，用最终匹配阈值对所有最终相似性进行分割判断获得最终匹配对；
4)用步骤3)中得到的最终匹配对计算投影变换矩阵，用投影变换矩阵投影变换实时图像，然后差分处理变换后的实时图像与模板图像，再去噪声处理后提取区域判断是否存在异常缺陷。
所述步骤1)中，用初始匹配阈值对所有初始相似性进行分割判断获得初始匹配对，具体为：将初始相似性小于等于初始匹配阈值的匹配对保留，作为初始匹配对；否则剔除。
所述的局部特征向量是经典SIFT局部尺度不变描述子(SIFT算子)。
所述步骤2)，具体为：以每一个初始匹配点为圆心、图像对角线长度为直径作圆，对圆在周向上作m等分(即等分划分为m个扇形)且在径向上作n等分(即沿半径长度等分划分为n份，得到n个环形)，从而将圆所在的区域分成m*n个小块区域；
接着，统计每个小块区域内包含的初始匹配点个数，再由所有小块区域的初始匹配点个数组成一个m*n维的向量，作为全局向量；
具体实施中，位于圆内但位于图像之外的初始匹配点的数量认为是零。
然后采用以下公式进行归一化处理：
其中，表示归一化后的全局向量，表示未归一化后的全局向量，表示的模。
所述步骤3)具体是采用以下公式构造新向量
其中，表示128维的SIFT描述子，表示归一化后的全局向量，ω表示0-1范围的权重因子。
所述步骤3)中，用最终匹配阈值对所有最终相似性进行分割判断获得最终匹配对，具体为：将最终相似性小于等于最终匹配阈值的初始匹配对保留，作为最终匹配对；否则剔除。
所述步骤4)，具体为：从步骤3)得到的所有最终匹配对中随机选取四对最终匹配对，使用八点法计算模板图像与实时图像之间的变换矩阵，然后将实时图像经变换矩阵转换后的图像与模板图像作差分处理，差分得到的图像经自适应阈值二值化处理，最后使用开操作去除噪声得到最终图像，将最终图像中二值化的白色目标区域的面积和预设的异常判定阈值进行比较，若白色目标区域的面积大于异常判定阈值，则认为是异常缺陷；否则不认为是异常缺陷。
注塑模具的模板图像与实时图像均采集自模具生产过程中，b本发明先使用SIFT对模具生产实时图像与模板图像做初始匹配，再对初始匹配对的每一个匹配点构造一个新向量，新向量将基于几何关系的全局特征向量(GFV)和模型保护系统的图像配准步骤的局部尺度不变特征变换(SIFT)使用权重因子相结合，使用欧氏距离做向量相似性判断，设定合适最终匹配阈值得到最终的匹配对。
针对模具保护系统的振动问题，本发明采用了基于特征点分布几何关系的全局向量特征(GFV)，用于在图像配准步骤中的初始SIFT匹配之后进行重新匹配，测试结果显示本发明的方法有效改进了模具检测系统的准确率。
本发明方法主要分为两步：通过SIFT进行初始匹配，再根据GFV-SIFT特征进行重新匹配，具体流程见图1所示。
步骤(1)具体为：采用鲁棒性较高的SIFT算子来提取局部特征，其中SIFT特征主要由两个元素组成：关键点和对应的128维描述子。
步骤(2)具体为：对于每个初始匹配点构建全局向量特征(即GFV特征)，全局描述符表达了中心匹配点周围的其他SIFT匹配点的位置分布信息，以弥补局部特征在模具图像应用上的不足。全局向量构建一个直方图，这个直方图的每一维圆形的一个分块区域，每一维的数值为累积SIFT初始匹配点数目。图像对角线的一半的径向距离参数，并以每个初始匹配点作为圆心，区域分割情况如图2所示。
接着，归一化SIFT(128维)描述符和全局向量的描述符，再由从0到1的相对权重因子结合局部描述符SIFT与全局向量构造新向量。全局向量在模具图像的分割中为每个特征累积每区域中的匹配点的数量，具体分区域参数有径向参数和周向参数。进一步来说，M是全局矢量的径向尺寸，N是全局矢量的周向尺寸，M和N是可调参数，如图3所示的实例中全局向量维度为M*N＝24。
本发明中，GFV特征包含匹配点全局几何分布信息，因此本方法在一定程度上解决了SIFT特征在局部相似信息多和图像表面纹理信息少时误匹配情况频繁的问题，提高了图像配准的准确率，从而一定程度上提高了模具检测系统的生产效率。
本发明的有益效果是：
本发明方法与传统基于机器视觉的模具保护方法相比，本方法引入了图像配准用于模具生产异常检测，解决了模具生产振动环境下直接使用差分后图像匹配对不准问题。
本方法在SIFT初始匹配的基础上，新向量使用权重因子结合基于特征点位置分布关系的全局向量(GFV)和局部描述子(SIFT)，保证了向量的鲁棒性，全局向量表达中心匹配点周围的其他匹配点的位置分布信息，弥补了局部特征在模具图像局部信息相似多导致误匹配率高的不足。
本发明能实现在振动环境下模具异常状态的精确检测。本发明使得图像匹配的准确率得到提高，这样实时图像的变换矩阵的准确率相应提高，从而使得模板图像与转换后的实时图像的差分处理结果能精确的显示注塑模具表面的异常情况，即振动环境下注塑模具异常状态能被精确检测出来。
附图说明
图1为本发明方法的流程图；
图2(a)为本发明全局向量的区域划分示意图；
图2(b)为实施例全局向量的区域划分的例子图；
图3为实施例全局向量的区域编号及对应维的值；
图4为实施例新向量的组成图；
图5为实施例配准后处理步骤图；
图6为实施例的外壳模具生产的实时检测结果图。
具体实施方式
为了更加清楚说明本发明的目的和技术方案，以下结合附图，对本发明进行进一步详细说明。
本发明方法实施的实施例如下：
1)采集获得无缺陷注塑模具的模板图像和待测注塑模具的实时图像，针对两幅图像使用局部特征向量提取初始匹配点，将同一个局部特征向量在两幅图像分别获得的两个初始匹配点作为一对匹配对，计算一对匹配对的两个初始匹配点之间的欧氏距离作为初始相似性的判断依据，用初始匹配阈值对所有初始相似性进行分割判断获得初始匹配对；
2)由步骤1)得到所有初始匹配对中的每一个初始匹配点构造各自的全局向量：以每一个初始匹配点为圆心、图像对角线长度为直径作圆，对圆在周向上作m等分且在径向上作n等分，从而将圆所在的区域分成m*n个小块区域，如图2(a)所示；接着，统计每个小块区域内包含的初始匹配点个数，再由所有小块区域的初始匹配点个数组成一个m*n维的向量，作为全局向量。
m是全局矢量的径向尺寸，n是全局矢量的周向尺寸，m和n是可调参数，如图4所示全局向量维度为m*n＝24，其中径向尺寸m＝3，周向尺寸n＝8，。
给每一个匹配点构造全局向量，构建全局向量(GFV)，其描述SIFT初始匹配点在图像中的位置信息。全局向量构建一个直方图，在这个直方图的每一维中，即每个区域中累积SIFT检测到的初始匹配点数目。实施例的区域分割结果情况如图2(b)所示，图中白线表示区域分割线，白点表示SIFT初始匹配点，图中白色数字为分块区域的编号，该24个编号分别对应全局向量24维，图中可见当中心点变化时，全局向量各分块区域中SIFT初始匹配点数目不同，即图像不同位置的SIFT初始匹配点的全局向量不同。全局向量的各维度的值为小块区域内包含的SIFT初始匹配点个数，如图3所示。
然后进行归一化处理。
如图1所示，在其中的SIFT初始匹配及GFV再匹配结果中，白线表示正确匹配对，黑线表示错误匹配对，图中可见GFV全局向量再匹配后明显减少了SIFT初始匹配结果中错误匹配对的数目，GFV全局向量提高了最终图像配准的准确率。
3)由步骤2)得到的归一化后的全局向量与其各自对应的局部特征向量用权重因子构造一个新向量：将SIFT(128维)的归一化描述符和全局向量的归一化描述符结合。局部特征向量SIFT与全局向量由从0到1的相对权重因子构造新向量。新向量组成如图4所示。
然后计算一对初始匹配对的两个初始匹配点之间的欧氏距离并作为最终相似性，用最终匹配阈值对所有最终相似性进行分割判断获得最终匹配。
4)处理步骤如图5所示，从步骤3)得到的所有最终匹配对中随机选取四对最终匹配对，使用八点法计算模板图像与实时图像之间的变换矩阵，然后将实时图像经变换矩阵转换后的图像与模板图像作差分处理，差分得到的图像经二值化处理，最后使用开操作去除噪声得到最终图像，将最终图像中二值化的白色目标区域的面积和预设的异常判定阈值进行比较，若白色目标区域的面积大于异常判定阈值，则认为是异常缺陷；否则不认为是异常缺陷。
最后使用外壳模具生产实时图像作为测试样本，本方法对模具生产异常进行检测，其结果如图6所示，从左到右的三幅子图分别为系统中模板图像、实时生产异常情况图(图中矩形框标记)、白色区域为检测到的生产异常结果图。
由上述实施例可见，本发明能够准确地实现振动环境下模具生产过程异常情况的检测，有效地提高模具图像配准的准确率。为了更好的展示本发明的优势，本发明实施对外壳注塑模具图像配准准确率进行统计实验。具体为：在各参数不变的条件下，外壳模具测试图像数目为500张，SIFT初始匹配的准确率为76.9％，GFV再匹配的准确率为80。另外，我们对外壳注塑模具生产异常检测情况准确率同样统计验证。具体为：采集注塑模具连续运行250小时的图像，实际异常情况数目8次，检测异常情况数目8次，外壳注塑模具生产异常检测情况准确率为100％。