基于图像灰度特征的缺陷检测方法.pdf

《基于图像灰度特征的缺陷检测方法.pdf》由会员分享，可在线阅读，更多相关《基于图像灰度特征的缺陷检测方法.pdf（10页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201911057633.5 (22)申请日 2019.11.01 (71)申请人 易思维 （杭州） 科技有限公司 地址 310051 浙江省杭州市滨江区滨安路 1197号3幢495室 (72)发明人 叶琨郭磊崔鹏飞 (51)Int.Cl. G06K 9/62(2006.01) G06K 9/32(2006.01) G06T 7/00(2017.01) (54)发明名称 基于图像灰度特征的缺陷检测方法 (57)摘要 本发明公开了一种基于图像灰度特征的缺 陷检测方法， 包括： 1)。

2、对实测的特征区域图像进 行如下步骤， 得到将图像进行灰度化处 理， 得到灰度图； 在灰度图中建立选区， 当前选 区内的各像素点生成特征值； 将选区内的特征值 按行/列级联， 组成当前预选像素点的特征向量； 标记新的预选像素点， 重复步骤， 直到得出 最后一个预选像素点的特征向量； 将所有特征 向量进行排序， 剔除部分特征向量； 对被保留的 特征向量进行加权处理； 将经过加权处理的所有 特征向量级联， 组成全局特征向量； 2)计算余弦 相似度3)将相似度较大值对应的特征图像类型 标记为被测物形态； 本方法能够对于成像质量的 要求低， 适用于工业现场对产品的质量检测。 权利要求书2页 说明书5页 。

3、附图2页 CN 110766095 A 2020.02.07 CN 110766095 A 1.一种基于图像灰度特征的缺陷检测方法， 其特征在于， 包括以下步骤： 1)提取被测物实测图像的感兴趣区域， 得到特征区域图像并对其进行如下步骤， 得到 特征区域图像对应的全局特征向量 将图像进行灰度化处理， 得到灰度图； 从灰度图中的预选像素点开始， 根据预设尺寸在灰度图中建立选区， 统计选区内所 有像素点的灰度值， 计算选区的灰度均值和标准偏差值； 通过如下方式为当前选区内的各像素点生成特征值： 判断像素点的灰度值是否小于灰 度均值， 若是， 则将该点的特征值标记为0， 若否， 则将该点的特征值标记。

4、为非零值； 将选区内的特征值按行/列级联， 组成当前预选像素点的特征向量； 沿图像坐标系的方向， 将预选像素点的下一个像素点或将与预选像素点距离t的像 素点记为新的预选像素点， 重复步骤， 直到得出最后一个预选像素点的特征向量； 将所有特征向量按照其所对应的标准偏差值进行排序， 保留标准偏差值较大的前 P个特征向量， 剔除其余特征向量； 根据标准偏差值对每个被保留的特征向量进行加权处理； 将经过加权处理的所有特征向量级联， 组成全局特征向量； 2)分别计算和的余弦相似度和的余弦相似度 其中，表示正常特征图像对应的全局特征向量，表示缺陷特征图像对应的全局特 征向量， 其利用以下过程获得： 对正常。

5、形态的待测物图像和存在缺陷的待测物图像分别进行感兴趣区域提取， 得到尺 寸相同的正常特征图像和缺陷特征图像； 对正常特征图像和缺陷特征图像分别进行步骤求取全局特征， 将正常特征图像 得出的全局特征向量记为缺陷特征图像得出的全局特征向量记为 3)比较的大小， 将较大值所对应的特征图像类型标记为被测物形态。 2.如权利要求1所述基于图像灰度特征的缺陷检测方法， 其特征在于： 若缺陷形态呈现 为多种类型， 则提取多张缺陷特征图像， 每张缺陷特征图像分别对应一种缺陷类型； 计算出 每张缺陷特征图像对应的全局特征向量； 采用相同方法获得待测特征区域的与各个缺陷 特征图像的全局特征向量的余弦相似度； 步骤。

6、3)中， 比较余弦相似度值， 根据余弦相似度最大值对应的缺陷特征图像， 标记被测 物缺陷的类型。 3.如权利要求1或2所述基于图像灰度特征的缺陷检测方法， 其特征在于： 步骤， 灰度图中的第一个预选像素点选取为： 图像坐标点(L， L)， L13像素； 步骤， 最后一个预选像素点的选取为： 图像坐标点(N-L+1， M-L+1)， N为灰度图的总行 数， M为灰度图的总列数。 权利要求书 1/2 页 2 CN 110766095 A 2 4.如权利要求3所述基于图像灰度特征的缺陷检测方法， 其特征在于： 步骤中将每个预选像素点作为选区中心来建立选区， 或者， 将其作为选区的第一个 像素点来建立。

7、选区。 5.如权利要求14中任一项所述基于图像灰度特征的缺陷检测方法， 其特征在于： t 13像素。 6.如权利要求1所述基于图像灰度特征的缺陷检测方法， 其特征在于： 步骤加权处理 方式如下： 其中， Vi表示第i个被保留的特征向量， Vi 表示加权处理后的特征向量， K表示被保留的 特征向量总数， ki为第i个被保留的特征向量所对应的标准偏差值；表示所有被保留的 特征向量对应标准偏差值的总和。 7.如权利要求6所述基于图像灰度特征的缺陷检测方法， 其特征在于： 在计算步骤2)之 前， 首先对全局特征向量进行归一化处理， 归一化后的全局特征向量为： 其中， vin表示第i个全局特征向量中的第。

8、n个特征值， L为单个全局特征向量的总长度。 权利要求书 2/2 页 3 CN 110766095 A 3 基于图像灰度特征的缺陷检测方法 技术领域 0001 本发明涉及视觉检测领域， 具体涉及一种基于图像灰度特征的缺陷检测方法。 背景技术 0002 把控产品质量一直是加工制造领域经久不衰的话题， 质量检测的方式多种多样， 随着计算机技术的发展， 基于视觉的产品检测方法越来越多的替代了传统检测方法， 现有 的视觉检测方法存在以下问题： 对成像质量要求较高， 当待测物和工件本体灰度相差较小 时， 无法准确提取关键特征点信息， 导致误检； 对于这种问题， 一方面需要采用价格昂贵的 相机， 成本提高。

9、； 另一方面需要稳定的测试环境， 对外界环境要求较高， 无法满足工业现场 复杂生产环境下的使用。 发明内容 0003 针对上述问题， 本发明提出一种基于图像灰度特征的缺陷检测方法， 本方法通过 求取待测图像全局特征向量与模板图像全局特征向量的余弦相似度值， 判别被测物有无缺 陷， 若存在缺陷， 还能识别其所对应的类别； 对于成像质量的要求低， 当被测物和工件本体 灰度差较小时， 也能成功检测， 适用于工业现场对产品的质量检测。 0004 一种基于图像灰度特征的缺陷检测方法， 包括以下步骤： 0005 1)提取被测物实测图像的感兴趣区域， 得到特征区域图像并对其进行如下步骤， 得到特征区域图像对。

10、应的全局特征向量 0006 将图像进行灰度化处理， 得到灰度图； 0007 从灰度图中的预选像素点开始， 根据预设尺寸在灰度图中建立选区， 统计选区 内所有像素点的灰度值， 计算选区的灰度均值和标准偏差值； 0008 通过如下方式为当前选区内的各像素点生成特征值： 判断像素点的灰度值是否小 于灰度均值， 若是， 则将该点的特征值标记为0， 若否， 则将该点的特征值标记为非零值； 0009 将选区内的特征值按行/列级联， 组成当前预选像素点的特征向量； 0010 沿图像坐标系的方向， 将预选像素点的下一个像素点或将与预选像素点距离t 的像素点记为新的预选像素点， 重复步骤， 直到得出最后一个预选。

11、像素点的特征向量； 0011 将所有特征向量按照其所对应的标准偏差值进行排序， 保留标准偏差值较大的 前P个特征向量， 剔除其余特征向量； 0012 根据标准偏差值对每个被保留的特征向量进行加权处理； 0013 将经过加权处理的所有特征向量级联， 组成全局特征向量； 00142)分别计算和的余弦相似度和的余弦相似度 0015 0016 说明书 1/5 页 4 CN 110766095 A 4 0017其中，表示正常特征图像对应的全局特征向量，表示缺陷特征图像对应的 全局特征向量， 其利用以下过程获得： 0018 对正常形态的待测物图像和存在缺陷的待测物图像分别进行感兴趣区域提取， 得 到尺寸相。

12、同的正常特征图像和缺陷特征图像； 0019 对正常特征图像和缺陷特征图像分别进行步骤求取全局特征， 将正常特征 图像得出的全局特征向量记为缺陷特征图像得出的全局特征向量记为 00203)比较的大小， 将较大值所对应的特征图像类型标记为被测物形态。 0021 进一步， 若缺陷形态呈现为多种类型， 则提取多张缺陷特征图像， 每张缺陷特征图 像分别对应一种缺陷类型； 计算出每张缺陷特征图像对应的全局特征向量； 采用相同方法 获得待测特征区域的与各个缺陷特征图像的全局特征向量的余弦相似度； 0022 步骤3)中， 比较余弦相似度值， 根据余弦相似度最大值对应的缺陷特征图像， 标记 被测物缺陷的类型。 。

13、0023 进一步， 关于步骤中的第一个预选像素点、 步骤最后一个预选像素点， 以及选 区的建立， 其设置方式不唯一； 0024 优选， 步骤， 灰度图中的第一个预选像素点选取为： 图像坐标点(L， L)， L13 像素； 0025 步骤， 最后一个预选像素点的选取为： 图像坐标点(N-L+1， M-L+1)， N为灰度图的 总行数， M为灰度图的总列数。 0026 优选， 将每个预选像素点作为选区中心来建立选区， 或者， 也可以将其作为选区的 第一个/最后一个像素点来建立选区； 0027 进一步， 预选像素点可以逐像素点进行设置也可以间隔一定步长t进行设置； 优 选， t13像素。 0028 。

14、进一步， 为了更加凸显灰度变化， 步骤需要进行加权处理， 其方式如下： 0029 0030 其中， Vi表示第i个被保留的特征向量， Vi 表示加权处理后的特征向量， K表示被保 留的特征向量总数， ki为第i个被保留的特征向量所对应的标准偏差值；表示所有被保 留的特征向量对应标准偏差值的总和。 0031 进一步， 为了便于计算， 节省计算时间， 在计算步骤2)之前， 首先对全局特征向量 进行归一化处理， 归一化后的全局特征向量为： 0032 0033 其中， vin表示第i个全局特征向量中的第n个特征值， L为单个全局特征向量的总 说明书 2/5 页 5 CN 110766095 A 5 长。

15、度。 0034 本发明方法通过分析不同模板(有、 无缺陷特征图； 不同类别缺陷特征图)的灰度 特征， 得出各特征图对应的特征向量， 并对特征向量进行加权处理， 保证了检测结果的准确 性； 通过求取待测图像全局特征向量与模板图像全局特征向量的余弦相似度值， 判别被测 物有无缺陷， 若存在缺陷， 还能识别其所对应的类别； 0035 本方法处理分辨率为256256的图像， 运行次数为10000， 平均每次运行耗时约 1ms； 大大缩短了检测时间， 实时性好， 同时， 对于成像质量的要求低， 当被测物和工件本体 灰度差较小时， 也能成功检测， 适用于工业现场对产品的质量检测。 附图说明 0036 图1。

16、为实施例中有螺柱特征图像、 无螺柱特征图像示意图； 0037 图2为实施例中采用方式一设置预选特征点、 选区的示意图； 0038 图3为实施例中采用方式二设置预选特征点、 选区的示意图； 0039 图4为实施例中采用方式三设置预选特征点、 选区的示意图。 具体实施方式 0040 以下结合附图和具体实施方式对本发明的技术方案进行详细描述。 0041 一种基于图像灰度特征的缺陷检测方法， 如图1所示， 本实施以焊接螺柱检测为 例， 识别工件的特定位置处有、 无螺柱， 若有螺柱则认为该位置是正常的(对应为正常特 征)， 若无螺柱则该位置异常(对应为缺陷特征)； 0042 具体步骤如下： 0043 1。

17、)提取待测工件实测图像的感兴趣区域， 得到特征区域图像并对其进行如下步 骤， 得到特征区域图像对应的全局特征向量 0044 将图像进行灰度化处理， 得到灰度图； 0045 从灰度图中的预选像素点开始， 根据预设尺寸在灰度图中建立选区， 统计选区 内所有像素点的灰度值， 计算选区的灰度均值和标准偏差值； 0046 通过如下方式为当前选区内的各像素点生成特征值： 判断像素点的灰度值是否小 于灰度均值， 若是， 则将该点的特征值标记为0， 若否， 则将该点的特征值标记为非零值； 0047 本实施例中， 将非零值设置为1； 0048 将选区内的特征值按行/列级联， 组成当前预选像素点的特征向量； 00。

18、49 沿图像坐标系的方向， 将预选像素点的下一个像素点或将与预选像素点距离t 的像素点记为新的预选像素点， 重复步骤， 直到得出最后一个预选像素点的特征向量； 0050 即： 预选像素点可以逐像素点进行设置也可以间隔一定步长t进行设置； 其中， t取 值13像素。 0051 将所有特征向量按照其所对应的标准偏差值进行排序， 保留标准偏差值较大的 前P个特征向量， 剔除其余特征向量； 0052 根据标准偏差值对每个被保留的特征向量进行加权处理； 0053 将经过加权处理的所有特征向量级联， 组成全局特征向量； 0054 加权处理可以更加凸显灰度变化， 其方式如下： 说明书 3/5 页 6 CN 。

19、110766095 A 6 0055 0056 其中， Vi表示第i个被保留的特征向量， Vi 表示加权处理后的特征向量， K表示被保 留的特征向量总数， ki为第i个被保留的特征向量所对应的标准偏差值；表示所有被保 留的特征向量对应标准偏差值的总和。 00572)分别计算和的余弦相似度和的余弦相似度 0058 0059 0060其中，表示正常特征图像对应的全局特征向量，表示缺陷特征图像对应的 全局特征向量， 其利用以下过程获得： 0061 对正常形态的工件图像(有螺柱)和存在缺陷的工件图像(无螺柱)分别进行感兴 趣区域提取， 得到尺寸相同的正常特征图像和缺陷特征图像； 0062 对正常特征图。

20、像和缺陷特征图像分别进行步骤求取全局特征， 将正常特征 图像得出的全局特征向量记为缺陷特征图像得出的全局特征向量记为 00633)比较的大小， 将较大值所对应的特征图像类型标记为被测物形态。 0064即： 若则当前工件图像中存在缺陷(该位置无螺柱)； 若则 工件图像正常(该位置有螺柱)。 0065 应当明确的是， 本方法还可以具体识别出缺陷的类型， 即： 若缺陷形态呈现为多种 类型， 则提取多张缺陷特征图像， 每张缺陷特征图像分别对应一种缺陷类型； 计算出每张缺 陷特征图像对应的全局特征向量； 采用相同方法获得待测特征区域的与各个缺陷特征图 像的全局特征向量的余弦相似度； 0066 步骤3)中。

21、， 比较余弦相似度值， 根据余弦相似度最大值对应的缺陷特征图像， 标记 被测物缺陷的类型。 0067 并且， 关于步骤中的第一个预选像素点、 步骤最后一个预选像素点， 以及选区 的建立， 其设置方式不唯一； 0068 步骤， 灰度图中的第一个预选像素点可以选取为： 图像坐标点(L， L)， L13像 素； 0069 步骤， 最后一个预选像素点的选取为： 图像坐标点(N-L+1， M-L+1)， N为灰度图的 总行数， M为灰度图的总列数。 0070 将每个预选像素点作为选区中心来建立选区， 或者， 将其作为选区的第一个/最后 一个像素点来建立选区； 0071 以下例举三种的设置方式： 0072。

22、 方式一： 如图2所示， 步骤， 灰度图中的第一个预选像素点选为： 图像坐标点(2， 说明书 4/5 页 7 CN 110766095 A 7 2)； 且将点(2， 2)作为选区中心来建立选区； 0073 步骤， 预设的最后一个像素点选为： 图像坐标点(N-1， M-1)， N为灰度图的总行 数， M为灰度图的总列数。 0074 方式二： 如图3所示， 步骤， 灰度图中的第一个预选像素点选为： 灰度图中的第一 个像素点(1， 1)， 且将其作为选区的第一个像素点来建立选区； 0075 步骤， 预设的最后一个像素点选为： 灰度图的最后一个像素点(N， M)。 0076 方式三： 如图4所示， 步。

23、骤， 灰度图中的第一个预选像素点选为： 灰度图中的第一 个像素点(1， 1)， 且将其作为选区的中心点来建立选区， 选区边缘部分的空缺像素点(图中 虚线圆)由中心点周围区域的像素点进行填充； 0077 步骤， 预设的最后一个像素点选为： 灰度图的最后一个像素点。 0078 为了便于计算， 节省计算时间， 在计算步骤2)之前， 首先对全局特征向量进行归一 化处理， 归一化后的全局特征向量为： 0079 0080 其中， vin表示第i个全局特征向量中的第n个特征值， L为单个全局特征向量的总 长度。 0081 前面对本发明具体示例性实施方案所呈现的描述是出于说明和描述的目的。 前面 的描述并不想要成为毫无遗漏的， 根据上述教导很多改变和变化都是可能的。 选择示例性 实施方案并进行描述是为了解释本发明的特定原理及其实际应用。 本发明的范围旨在由所 附权利要求书及其等价形式所限定。 说明书 5/5 页 8 CN 110766095 A 8 图1 图2 说明书附图 1/2 页 9 CN 110766095 A 9 图3 图4 说明书附图 2/2 页 10 CN 110766095 A 10 。