(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 20221097840 3.8 (22)申请日 2022.08.16 (65)同一申请的已公布的文献号 申请公布号 CN 115049835 A (43)申请公布日 2022.09.13 (73)专利权人 众烁精密模架 （南 通） 有限公司 地址 226500 江苏省南 通市如皋市江安 镇 东跃路28号 (72)发明人 孙朝卿　 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/30(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/34(2022.01)(56)对比文件 CN 114140462 A,202 2.03.04 CN 107169 962 A,2017.09.15 CN 108447050 A,2018.08.24 CN 111311604 A,2020.0 6.19 审查员 王丹丹 (54)发明名称 基于压铸模具缺陷识别的数据预处 理方法 (57)摘要 本发明涉及数据处理技术领域， 具体涉及一 种基于压铸模 具缺陷识别的数据预处理方法， 该 方法采集磨具的表面图像得到对应的灰度图像， 对灰度图像进行超像素分割得到多个超像素块， 根据超像素块中每个像素点的灰度梯度确认每 个超像素块的类型， 基于每个超像素块的类型对 将超像素块进行聚类， 得到对应的类型聚簇， 根 据每个类型聚类簇中超像素块的分布获取均值 滤波的自适应尺寸， 以对灰度图像进行自适应均 值滤波， 得到降噪后的图像， 完成预处理。 通过自 适应滤波窗口后的均值滤波进行降噪处理， 避免 模糊图像边缘及细节信息， 保留了大部分细 节信 息， 使得后续检测的缺陷更为 准确。 权利要求书2页 说明书9页 附图1页 CN 115049835 B 2022.11.29 CN 115049835 B 1.一种基于 压铸模具缺陷识别的数据预处 理方法， 其特 征在于， 该 方法包括以下步骤： 采集磨具的表面图像得到对应的灰度图像； 对灰度图像进行超像素分割得到多个超像素块， 根据当前超像素块中每个像素点的灰 度梯度特征， 将当前超像素块中的所有像素点分为两个类别， 基于两个类别中的像素点数 量计算当前超像素块的像素混乱 程度， 并根据所有像素点的灰度值和像素点的数量计算当 前超像素块的灰度均匀 程度； 获取每个超像素块的像素混乱程度和灰度均匀 程度， 以根据 像素混乱程度和灰度均匀程度确定每 个超像素块的类型； 基于每个超像素块的类型对将超像素块进行聚类， 得到对应的类型聚簇， 根据每个类 型聚类簇中超像素块的分布获取均值滤波的自适应尺寸， 以对灰度图像进 行自适应均值滤 波， 得到降噪后的图像； 所述类型聚簇包括： 纯类噪声聚簇、 纯类缺陷聚簇以及噪声与缺陷共 存聚簇； 所述自适应尺寸的计算公式为： 其中， 为均值滤波的自适应尺寸； 为纯类噪声聚簇的自适应滤波窗口尺寸； 0为类 缺陷聚簇的自适应滤波窗口尺寸乘以0得到的； 为噪声与缺陷共存聚簇的自适应滤波窗 口尺寸； 为噪声聚簇与其他类别聚簇区域重叠部分的像素块数量 与重叠面积 的 比值； 为噪声与缺陷共存聚簇与其他类聚簇的重合部分的像素块数量 与重叠面积 的比值； 所述纯类噪声聚簇的自适应滤波窗口尺寸的计算公式为： 其中， R代表噪声聚簇， j代表噪声聚簇内第j个超像素块， F为噪声聚簇内超像素块的总 数量， 为聚簇中心， 为噪声聚簇内超像素块的像素块质心的坐标位置； 为噪声聚 簇内第j个超像素块的像素面积； 所述噪声与缺陷共 存聚簇的自适应滤波窗口尺寸的计算公式为： 其中， h代表噪声与缺陷共存聚簇内的第h个超像素块， L代表噪声与缺陷共存聚簇内的 超像素块数量， W代表噪声与缺陷共存聚簇； 代表噪声与缺陷共存聚簇内第h个超像素 块的面积。权　利　要　求　书 1/2 页 2 CN 115049835 B 22.如权利要求1所述的一种基于压铸模具缺陷识别的数据 预处理方法， 其特征在于， 所 述将当前超像素块中的所有像素点分为两个 类别的方法， 包括： 根据像素点 i的8邻域内每 个像素点的灰度值， 计算像素点 i的邻域特 征值 ： 其中， 代表8邻域方向中的邻域z， I代表灰度值， 为像素点i 与相邻邻域像素点的灰度差求一阶导， 代表像素点i与邻域求导结果为0的邻域点， G代表 数量， 代表没有灰度梯度的邻域点数量， 代表邻域不存在灰度梯度的数量占8邻域数 量的占比； 为A类像素点， A类 像素点代 表灰度均匀区域的像素点； 当像素点i的邻域特征值大于 时， 确认像素点i为A类像素点； 当像素点i的邻域特征值 小于或等于 时， 确认像素点 i为B类像素点， B类 像素点代 表其仅有两侧不存在灰度梯度。 3.如权利要求2所述的一种基于压铸模具缺陷识别的数据 预处理方法， 其特征在于， 所 述像素混乱程度的计算公式  为： 其中， 代表超像素块内A类像素点和B类像素点组成的像素混乱程度； 为A类像素点 或B类像素点中像素点的数量； 代表超像素块内像素点的总数量； 为熵值 计算， 为指数函数归一 化计算。 4.如权利要求1所述的一种基于压铸模具缺陷识别的数据 预处理方法， 其特征在于， 所 述灰度均匀程度的计算公式为： 其中， 为超像素块内的灰度均匀程度； i为超像素块内第i个像素点； N为超像素块内像 素点的总数量， I代表灰度值， 代表第i个像素点的灰度值， 为超像素块内方 差计算， 为指数函数归一 化计算。 5.如权利要求1所述的一种基于压铸模具缺陷识别的数据 预处理方法， 其特征在于， 所 述类型包括： 纯类噪声、 类缺陷、 以及缺陷和噪声共 存。权　利　要　求　书 2/2 页 3 CN 115049835 B 3