一种基于机器视觉的多类型材质表面缺陷检测方法

摘要

本发明提供了一种基于机器视觉的多类型材质表面缺陷检测方法。本发明利用子图像灰度差、彩色直方图、像素均匀度作为特征，通过特征学得到获得平均的合格品图像特征，即理想的合格品特征，并于在线检测阶段计算待检测产品的上述图像特征，设定简单的阈值将缺陷快速分割出来，确定检测产品有无缺陷。最后，本发明综合上述三种特征的检测结果作最终判断，提高了产品检测的稳定性，同时能够满足不同材质的多种工业产品表面缺陷检测的需求。

主权项

一种基于机器视觉的多类型材质表面缺陷检测方法，其特征在于：步骤1：图像采集：对产品表面进行拍摄，获得图像后进行特征计算；步骤2：位置对齐：对获取的图像进行位置对齐，获得位姿一致性的图像；步骤3：特征计算：步骤3.1计算子图像灰度差：首先将彩色图像转化为灰度图像，在灰度图像中计算子图像的灰度差特征；步骤3.2彩色直方图：根据图像的彩色图像的RGB模型中三个通道中像素值的分布来描述的彩色直方图特征；将单个通道中的0至255个像素强度区间平均分成若干个区间，计算落在每个强度区间的像素的个数，再对其他通道作同样的计算处理，假定在单个通道当中，每个区间包含像素强度数为P，则第k个像素强度区间如式(4)所示：$I_k=[\mathrm{kP},\mathrm{kP}+P-1],k=\mathrm{0,1,2},...,(\frac{256}{P}-1)---\left(4\right);$在确定像素区间的范围后，扫描整幅图像像素强度值并以n_k可表示为落在第k个区间内的像素个数，此类像素的强度值在此区间内；再将此推广到RGB三个通道，以n_ck表示第c个通道的第k个区间的像素个数，作为描述图像的特征；步骤3.3像素均匀度：计算灰度级图像像素间的均匀度；步骤4特征融合检测：步骤4.1学习过程：图像的子图像灰度差、彩色直方图以及像素均匀度特征融合的学习过程包含三个阶段：准备数据、分析数据、训练数据；首先选择若干个无缺陷样品即合格品的图像作为训练图像，根据求取的每幅图像的子图像灰度差、彩色直方图以及像素均匀度特征，对所有图像的特征值求平均值，得到合格产品图像特征的均值，即训练的合格品的理想特征；4.2检测过程：在得到了训练后的合格品的三种特征：子图像灰度差、彩色直方图以及像素均匀度特征之后，各个特征的检测首先独立对产品表面进行判断；输入待检测产品的图像，分别求出其三种特征，并与训练的对应特征比较，设定一定的阈值，其差值超过阈值的特征中的某一项即为缺陷的特征，如式(12)所示：$E_I=I_T-\bar{I}>\mathrm{TI}---\left(12\right)$式中E_I是特征值的差，I_T为待检测图像的特征值，是训练的特征值，TI为特征值差的阈值。判定规则如下：若有基于两种或两种特征以上的缺陷检测结果都为合格品，那么待检测产品合格；若有两个或两个以上的特征检测存在缺陷，则判定产品为不合格品。