1.本发明涉及金属模具质量检测技术领域，具体涉及一种金属模具零件智能检测判别方法。
背景技术：
2.模具是用来制作成型物品的工具，这种工具由各种零件构成，不同的模具由不同的零件构成。它主要通过所成型材料物理状态的改变来实现物品外形的加工。素有"工业之母"的称号。玻璃模具是日用玻璃制品生产过程中的重要组成部分，是玻璃制品成型的关键要素之一。玻璃模具零件质量检测是模具生产的关键工序，模具零件质量检测的关键技术问题是图纸设计和检测，目前主要通过人工对模具零件进行质检，但是人工质检效率低、误差大；不同模具设计方案会导致玻璃瓶重量差异的问题。如何能实现模具零件智能检测判别成为行业内重点攻关的课题。
技术实现要素：
3.本发明提供了一种金属模具零件智能检测判别方法，以解决现有技术存在的人工质检效率低、误差大，不同模具设计方案会导致玻璃瓶重量差异的问题。
4.本发明解决其技术问题所采用的技术方案是：
5.一种金属模具零件智能检测判别方法，包括金属模具零件合格判别综合算法；基于任意外接四边形矫正图像算法和基于n分法切割并匹配图像的算法，具体方法步骤如下：
6.a拍照读取图片；
7.b经灰度化、二值化、边界提取、获得最小外接矩形等处理后，做透视变换操作；
8.c经图像周边扩充、灰度化、二值化、获取极点后，为获得外接任意四边形做好准备；
9.d通过极点绘制极点所在位置的模具边界，获得外接任意四边形的顶点，具体步骤为(1)获得上侧的边界点：(t0,t1)，(2)判断该点是在图的左侧还是右侧：t0<0.5xmax？，(3)获得图像右侧点的点：(xmax,n)，(4)基于两点式直线方程获得直线方程：
[0010][0011]
(5)将图像右侧的点的横坐标带入直线方程得点的坐标：(x,y)，(6)得到图像在点(x,y)的灰度值：g(x,y)，(7)判断该点属于背景还是零件：g(x,y)＝255 ？,(8)直到搜索到属于零件上的点，迭代结束：g(x,y)＝255,if g(x,y)＝0：跳回步骤(3)，(9)得到轮廓的直线方程：
[0012]
[0013]
(10)获得任意外接四边形的四个边及顶点：
[0014]
(xlt,ylt),(xrt,yrt),(xlb,ylb),(xrb,yrb)
[0015]
(11)基于以上获得的四个顶点透视矫正图像；
[0016]
e经透视矫正之后，得到模具正面的图片；
[0017]
f采用n(n＝2,3,...)分法来将图片切割，并依次匹配两幅图片的子图片，直到找到两幅图片差异最大的位置。
[0018]
上述步骤f中的将待检测图片与标准图片进行匹配的算法过程为设定切割次数与n值，将子图像横向纵向均匀切割n份，子图像进行匹配，确定不匹配位置，对不匹配位置进行标记，标记矩形的左上点坐标如下：
[0019]
x
lt
＝x
lt
(i，c
min
，w)
[0020]
y
lt
＝y
lt
(j，c
min
，h)
[0021]
其中，x
lt
与y
lt
分别表示标记矩形左上点的横坐标与纵坐标；i与j分别表示横坐标索引向量与纵坐标索引向量；h与w分别表示包含了每次切割子图像对应矩形的高度与宽度数据的向量；c
min
表示包含了每次子图像匹配时候余弦值最小的子图像位置数据的向量。标记矩形的其他三个点的坐标如下：
[0022]
x
lb
＝x
lb
(x
lt
)，y
lb
＝y
rb
[y
lt
，h(k)]
[0023]
x
rt
＝x
rt
[x
lt
，w(k)]，y
rt
＝y
rt
(y
lt
)
[0024]
x
rb
＝x
rb
[x
lt
，w(k)]，y
rb
＝y
rb
[y
lt
，h(k)]
[0025]
其中，k为图像切割次数。
[0026]
本发明将基于任意外接四边形矫正图像算法和基于n分法切割并匹配图像的算法作为子算法融入至金属模具零件合格判别综合算法中，实现了金属模具零件缺陷的快速检测，有效调高模具图纸设计和检测效率，具有快速精准和节省人工的优点。
具体实施方式
[0027]
一种金属模具零件智能检测判别方法，包括金属模具零件合格判别综合算法；基于任意外接四边形矫正图像算法和基于n分法切割并匹配图像的算法，具体方法步骤如下：
[0028]
a拍照读取图片；
[0029]
b经灰度化、二值化、边界提取、获得最小外接矩形等处理后，做透视变换操作；
[0030]
c经图像周边扩充、灰度化、二值化、获取极点后，为获得外接任意四边形做好准备；
[0031]
d通过极点绘制极点所在位置的模具边界，获得外接任意四边形的顶点，具体步骤为(1)获得上侧的边界点：(t0,t1)，(2)判断该点是在图的左侧还是右侧：t0<0.5xmax？，(3)获得图像右侧点的点：(xmax,n)，(4)基于两点式直线方程获得直线方程：
[0032][0033]
(5)将图像右侧的点的横坐标带入直线方程得点的坐标：(x,y)，(6)得到图像在点(x,y)的灰度值：g(x,y)，(7)判断该点属于背景还是零件：g(x,y)＝255 ？,(8)直到搜索到属于零件上的点，迭代结束：g(x,y)＝255,if g(x,y)＝0：跳回步骤(3)，(9)得到轮廓的直
线方程：
[0034][0035]
(10)获得任意外接四边形的四个边及顶点：
[0036]
(xlt,ylt),(xrt,yrt),(xlb,ylb),(xrb,yrb)
[0037]
(11)基于以上获得的四个顶点透视矫正图像；
[0038]
e经透视矫正之后，得到模具正面的图片；
[0039]
f采用n(n＝2,3,...)分法来将图片切割，并依次匹配两幅图片的子图片，直到找到两幅图片差异最大的位置。
[0040]
上述步骤f中的将待检测图片与标准图片进行匹配的算法过程为设定切割次数与n值，将子图像横向纵向均匀切割n份，子图像进行匹配，确定不匹配位置，对不匹配位置进行标记，标记矩形的左上点坐标如下：
[0041]
x
lt
＝x
lt
(i，c
min
，w)
[0042]
y
lt
＝y
lt
(j，c
min
，h)
[0043]
其中，x
lt
与y
lt
分别表示标记矩形左上点的横坐标与纵坐标；i与j分别表示横坐标索引向量与纵坐标索引向量；h与w分别表示包含了每次切割子图像对应矩形的高度与宽度数据的向量；c
min
表示包含了每次子图像匹配时候余弦值最小的子图像位置数据的向量。标记矩形的其他三个点的坐标如下：
[0044]
x
lb
＝x
lb
(x
lt
)，y
lb
＝y
rb
[y
lt
，h(k)]
[0045]
x
rt
＝x
rt
[x
lt
，w(k)]，y
rt
＝y
rt
(y
lt
)
[0046]
x
rb
＝x
rb
[x
lt
，w(k)]，y
rb
＝y
rb
[y
lt
，h(k)]
[0047]
其中，k为图像切割次数。