本发明一般地涉及图像数据处理。更具体地，本发明涉及基于图像处理预防模具事故的检测方法。
背景技术：
1、在生产长条形塑料制品的过程中，需要用到挤出模具，该长条形塑料制品的原料经过挤出模具被挤压为成品。其中，在生产塑料制品的过程中，如果提供的原料不均匀，则可能导致挤出模具发生偏移，原因在于，如果供料不均匀，挤出模具的不同面受到压力很可能不同，该压力是由原料传导来的，进而很可能导致挤出模具发生偏移。
2、当挤出模具发生的偏移量较大时，很可能导致生产的塑料制品为瑕疵品，进而导致模具事故发生。
3、现有技术中，可通过图像处理技术，对偏移量进行计算，但是由于未考虑环境中的干扰因素，导致计算的偏移量的准确度较低。
技术实现思路
1、为解决上述一个或多个技术问题，本发明提出通过对第一边界峰值点进行匹配第二峰值点，然后计算匹配的峰值点之间的距离差异，根据非异常的距离差异得到偏移量，进而根据偏移量判断是否停止作业或发出警报。
2、在本发明实施方式中，提供了基于图像处理预防模具事故的检测方法，包括：获取模具图像；对模具图像进行灰度化，得到模具灰度图像；对所述模具灰度图像进行边缘检测，再使用霍夫变换直线检测算法，得到投票值；对所述投票值进行峰值点检测，获得峰值点序列；根据所述峰值点序列得到边界峰值点，进而根据所述边界峰值点得到完整边界图像；根据所述完整边界图像与模具灰度图像，得到真实边缘图像；根据所述真实边缘图像得到灰度特征值；对于第一时刻的模具图像，得到第一边界峰值点和第一灰度特征值；对于第二时刻的模具图像，得到第二峰值点序列；根据第一灰度特征值，对至少三个第一边界峰值点进行匹配第二峰值点序列中的第二峰值点；计算第一边界峰值点与与其匹配的第二峰值点的距离差异；根据所述距离差异，得到第一边界峰值点对应的距离差异的离群度；对所述离群度使用异常检测算法，得到异常的离群度，进而根据所述异常的离群度之外的离群度对应的第一边界峰值点的距离差异，得到偏移量；响应于所述偏移量大于预设阈值，停止作业或发出警报。
3、在一个实施例中，根据第一灰度特征值，对至少三个第一边界峰值点进行匹配第二峰值点序列中的第二峰值点，包括：对于至少三个第一边界峰值点中任意一个，计算第一边界峰值点分别与每一个第二峰值点的差异度，将所述差异度中的最小值对应的第二峰值点中任意一个峰值点作为该第一边界峰值点的匹配峰值点；所述差异度根据第一灰度特征值获取。
4、在一个实施例中，所述差异度的获取方法，包括：计算第x个第一边界峰值点和第y个第二峰值点之间的差异度，计算差异度的公式为：
5、，其中，为所述差异度，为第x个第一边界峰值点和第y个第二峰值点之间的欧式距离，为以自然常数为底的指数函数，为获得最大值的函数，为第x个第一边界峰值点的影响程度，为第y个第二峰值点的影响程度。
6、在一个实施例中，所述影响程度的获取方法，包括：对所述模具灰度图像进行边缘检测后得到初始边缘图像；第一时刻的模具图像对应第一初始边缘图像，第二时刻的模具图像对应第二初始边缘图像；
7、计算影响程度的公式为：
8、，其中，k为影响程度，n为峰值点对应的初始边缘图像中直线上像素点的个数，其中，第一边界峰值点对应第一初始边缘图像，第二峰值点对应第二初始边缘图像，为第i个像素点的灰度值，p为所述第一灰度特征值。
9、在一个实施例中，进而根据所述边界峰值点得到完整边界图像，包括：对所述模具灰度图像进行边缘检测后得到初始边缘图像；在初始边缘图像上，获得边界峰值点对应的边界点像素序列；在初始边缘图像中，将所述边界点像素序列对应的像素点的值置为1，将剩余的像素点的值置为0，获得初始边界图像，所述初始边界图像为二值化图像；对所述初始边界图像进行形态学闭运算操作，得到完整边界图像。
10、在一个实施例中，根据所述完整边界图像与模具灰度图像，得到真实边缘图像，包括：将所述完整边界图像和模具灰度图像进行点乘运算，得到真实边缘图像。
11、在一个实施例中，根据所述真实边缘图像得到灰度特征值，包括：将所述真实边缘图像中非零像素值的平均值作为灰度特征值。
12、在一个实施例中，计算第一边界峰值点与与其匹配的第二峰值点的距离差异，包括：对于任意一个第一边界峰值点，计算该第一边界峰值点与与其匹配的第二峰值点之间的距离值的差值绝对值，该差值绝对值为距离差异，所述距离值为峰值点中的一个维度的数据。
13、在一个实施例中，根据所述距离差异，得到第一边界峰值点的离群度，包括：对于任意一个具有距离差异的第一边界峰值点，计算该第一边界峰值点分别与其他第一边界峰值点的距离差异之间的差值绝对值，将所述差值绝对值中的最小值作为该第一边界峰值点的离群度。
14、在一个实施例中，进而根据所述异常的离群度之外的离群度对应的第一边界峰值点的距离差异，得到偏移量，包括：将所述异常的离群度之外的离群度对应的第一边界峰值点的距离差异的平均值作为偏移量。
15、本发明的有益效果包括：
16、第一灰度特征值表征模具边缘图像对应的整体灰度情况，其中模具边缘受倒影等干扰的影响较小。因此可利用第二峰值点对应的边缘的像素灰度值与第一灰度特征值的差异，得到第二峰值点受倒影等干扰因素的影响程度，第二峰值点对应的边缘由倒影等干扰因素产生的可能性越大，该影响程度越大。若第二峰值点对应的边缘由倒影等干扰因素产生，则该第二峰值点不应当被第一边界峰值点匹配上。因此，根据第一灰度特征值，对至少三个第一边界峰值点进行匹配第二峰值点序列中的第二峰值点的准确度较高。计算第一边界峰值点与与其匹配的第二峰值点的距离差异。正常情况下，相互匹配的峰值点的距离差异之间的差值绝对值较小。因此，可根据所述距离差异，得到第一边界峰值点对应的距离差异的离群度，离群度表征了第一边界峰值点对应的距离差异的异常程度。对所述离群度使用异常检测算法，得到异常的离群度，进而根据所述异常的离群度之外的离群度对应的第一边界峰值点的距离差异，得到偏移量。该偏移量的准确度较高，因为剔除了异常的离群度对应的距离差异，也就是说，异常的距离差异不参与偏移量的计算过程。
1.基于图像处理预防模具事故的检测方法，其特征在于，包括：
2.根据权利要求1所述的基于图像处理预防模具事故的检测方法，其特征在于，根据第一灰度特征值，对至少三个第一边界峰值点进行匹配第二峰值点序列中的第二峰值点，包括：
3.根据权利要求2所述的基于图像处理预防模具事故的检测方法，其特征在于，所述差异度的获取方法，包括：
4.根据权利要求3所述的基于图像处理预防模具事故的检测方法，其特征在于，所述影响程度的获取方法，包括：
5.根据权利要求1所述的基于图像处理预防模具事故的检测方法，其特征在于，进而根据所述边界峰值点得到完整边界图像，包括：
6.根据权利要求1所述的基于图像处理预防模具事故的检测方法，其特征在于，根据所述完整边界图像与模具灰度图像，得到真实边缘图像，包括：
7.根据权利要求1所述的基于图像处理预防模具事故的检测方法，其特征在于，根据所述真实边缘图像得到灰度特征值，包括：
8.根据权利要求1所述的基于图像处理预防模具事故的检测方法，其特征在于，计算第一边界峰值点与与其匹配的第二峰值点的距离差异，包括：
9.根据权利要求1所述的基于图像处理预防模具事故的检测方法，其特征在于，根据所述距离差异，得到第一边界峰值点的离群度，包括：
10.根据权利要求1所述的基于图像处理预防模具事故的检测方法，其特征在于，进而根据所述异常的离群度之外的离群度对应的第一边界峰值点的距离差异，得到偏移量，包括：
