本發(fā)明涉及圖像處理，更具體地說(shuō)，涉及一種基于智能圖像識(shí)別的數(shù)據(jù)線外觀缺陷快速檢測(cè)方法。

背景技術(shù)：

1、在數(shù)據(jù)線生產(chǎn)過(guò)程中，數(shù)據(jù)線外觀缺陷檢測(cè)是保障產(chǎn)品質(zhì)量的重要環(huán)節(jié)。傳統(tǒng)的數(shù)據(jù)線外觀缺陷檢測(cè)方法主要依賴人工檢測(cè)，檢測(cè)人員通過(guò)肉眼觀察數(shù)據(jù)線表面是否存在凸包、凹陷、劃痕等缺陷。這種人工檢測(cè)方式不僅效率低下，難以滿足大規(guī)模生產(chǎn)的檢測(cè)需求，而且檢測(cè)結(jié)果容易受到檢測(cè)人員主觀因素的影響，如疲勞、情緒等，導(dǎo)致檢測(cè)精度不高，漏檢和誤檢情況時(shí)有發(fā)生。

2、隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)的發(fā)展，基于圖像識(shí)別的檢測(cè)方法逐漸應(yīng)用于數(shù)據(jù)線外觀缺陷檢測(cè)領(lǐng)域?，F(xiàn)有的基于圖像識(shí)別的檢測(cè)方法通常是在固定位置設(shè)置單個(gè)圖像采集設(shè)備，對(duì)數(shù)據(jù)線進(jìn)行拍攝，然后通過(guò)簡(jiǎn)單的圖像對(duì)比或特征提取來(lái)判斷是否存在缺陷。這種方法雖然在一定程度上提高了檢測(cè)效率，但由于采集的圖像角度有限，難以全面獲取數(shù)據(jù)線表面的信息，容易遺漏一些處于特殊角度的缺陷。

3、鑒于此，我們提出一種基于智能圖像識(shí)別的數(shù)據(jù)線外觀缺陷快速檢測(cè)方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于智能圖像識(shí)別的數(shù)據(jù)線外觀缺陷快速檢測(cè)方法，以解決現(xiàn)有技術(shù)中因圖像采集角度有限而導(dǎo)致部分缺陷遺漏的技術(shù)問(wèn)題。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：一種基于智能圖像識(shí)別的數(shù)據(jù)線外觀缺陷快速檢測(cè)方法，包括以下步驟：

3、s1、設(shè)置以數(shù)據(jù)線為中心呈環(huán)形陣列分布的若干組圖像采集模塊，同時(shí)在每組圖像采集模塊的兩側(cè)和中部設(shè)置光照模塊；

4、s2、利用圖像采集模塊對(duì)勻速通過(guò)檢測(cè)區(qū)域的數(shù)據(jù)線進(jìn)行多角度圖像采集，按預(yù)設(shè)時(shí)間間隔拍攝并記錄數(shù)據(jù)線位置；

5、s3、對(duì)采集的圖像進(jìn)行去噪、增強(qiáng)對(duì)比度和灰度化處理；

6、s4、提取預(yù)處理后圖像的特征點(diǎn)并匹配，計(jì)算變換矩陣后將圖像拼接成數(shù)據(jù)線表面整體圖像；

7、s5、將整體圖像與合格數(shù)據(jù)線標(biāo)準(zhǔn)圖像比對(duì)，計(jì)算對(duì)應(yīng)像素點(diǎn)灰度值差異；

8、s6、根據(jù)灰度值差異確定數(shù)據(jù)線表面的凸包或凹陷區(qū)域及其位置；

9、s7、針對(duì)缺陷位置依次開(kāi)啟對(duì)應(yīng)光照模塊補(bǔ)光，再次采集缺陷位置圖像；

10、s8、分析補(bǔ)光后圖像灰度值變化，分別計(jì)算凸包高度和凹陷深度；

11、s9、將計(jì)算的凸包高度和凹陷深度分別與各自對(duì)應(yīng)的閾值比對(duì)，把數(shù)據(jù)線分為合格品、次品或廢品。

12、優(yōu)選的，所述s3中，采用高斯濾波算法進(jìn)行去噪，設(shè)原圖像為，去噪后的圖像通過(guò)以下公式計(jì)算：

13、；

14、其中，為高斯核標(biāo)準(zhǔn)差，根據(jù)圖像的噪聲水平和分辨率自適應(yīng)調(diào)整，以實(shí)現(xiàn)最佳去噪效果，和為積分變量，用于對(duì)原圖像在不同位置進(jìn)行加權(quán)求和；

15、采用自適應(yīng)直方圖均衡化算法增強(qiáng)圖像對(duì)比度，設(shè)圖像灰度級(jí)為，原圖像像素值為，出現(xiàn)概率為經(jīng)過(guò)自適應(yīng)直方圖均衡化后的像素值通過(guò)如下公式計(jì)算：

16、；

17、其中，為圖像總像素?cái)?shù)，為當(dāng)前處理的局部區(qū)域，為狄拉克函數(shù)。

18、優(yōu)選的，所述s4中，圖像拼接方法為：

19、采用sift算法提取每組圖像的特征點(diǎn)，設(shè)圖像的尺度空間為，通過(guò)高斯差分函數(shù)來(lái)檢測(cè)極值點(diǎn)，計(jì)算公式為：

20、；

21、其中，為高斯函數(shù)，為尺度因子；

22、利用flann算法對(duì)不同組圖像的特征點(diǎn)進(jìn)行匹配，基于kd樹(shù)數(shù)據(jù)結(jié)構(gòu)進(jìn)行快速搜索，設(shè)特征點(diǎn)集為，搜索最近鄰點(diǎn)時(shí)通過(guò)計(jì)算歐氏距離來(lái)確定，計(jì)算公式為：

23、；

24、其中，為特征點(diǎn)向量維度，和分別表示特征點(diǎn)和在第維的坐標(biāo)值；

25、使用ransac算法計(jì)算圖像之間的變換矩陣，設(shè)從匹配點(diǎn)對(duì)中隨機(jī)抽取對(duì)樣本，計(jì)算單應(yīng)性矩陣，使得滿足的匹配點(diǎn)對(duì)數(shù)量最多，其中，為原圖像特征點(diǎn)，為目標(biāo)圖像對(duì)應(yīng)特征點(diǎn)。

26、優(yōu)選的，根據(jù)變換矩陣將不同組圖像進(jìn)行拼接，并采用漸入漸出的融合方法消除拼接接縫，拼接完成后，通過(guò)計(jì)算拼接區(qū)域的清晰度對(duì)拼接圖像進(jìn)行質(zhì)量評(píng)估，若質(zhì)量不滿足預(yù)設(shè)標(biāo)準(zhǔn)，則重新進(jìn)行特征點(diǎn)提取、匹配和拼接操作，清晰度和對(duì)比度分別通過(guò)計(jì)算梯度幅值和局部標(biāo)準(zhǔn)差得到，其計(jì)算公式為：

27、；

28、；

29、其中，為局部區(qū)域均值。

30、優(yōu)選的，所述s5中，先采用模板匹配算法對(duì)整體圖像和標(biāo)準(zhǔn)圖像進(jìn)行粗匹配，設(shè)模板圖像為，搜索圖像為，通過(guò)計(jì)算歸一化互相關(guān)系數(shù)確定大致的匹配區(qū)域，其計(jì)算公式為：

31、；

32、其中，為在坐標(biāo)處模板圖像與搜索圖像的歸一化互相關(guān)系數(shù)，用于衡量?jī)烧叩钠ヅ涑潭?，為模板圖像在坐標(biāo)處的像素值，為模板圖像的均值，為搜索圖像在坐標(biāo)處的像素值，為搜索圖像對(duì)應(yīng)于模板圖像區(qū)域的均值，和為模板圖像的尺寸，即模板圖像在和方向的像素?cái)?shù)量；

33、然后在該區(qū)域內(nèi)采用逐像素相減的方法計(jì)算對(duì)應(yīng)像素點(diǎn)的灰度值差異，并計(jì)算灰度值差異的均值和方差統(tǒng)計(jì)特征，其中，和為匹配區(qū)域圖像在和方向的像素?cái)?shù)量。

34、優(yōu)選的，所述s6中，設(shè)定一個(gè)基于大量實(shí)驗(yàn)數(shù)據(jù)和實(shí)際生產(chǎn)要求確定的灰度值差異閾值，當(dāng)某一像素點(diǎn)的灰度值差異超過(guò)該閾值時(shí)，將其標(biāo)記為疑似缺陷點(diǎn)；

35、對(duì)標(biāo)記的像素點(diǎn)進(jìn)行八鄰域連通性分析，將相互連通的標(biāo)記像素點(diǎn)組成的區(qū)域確定為缺陷區(qū)域；

36、計(jì)算每個(gè)缺陷區(qū)域的面積、周長(zhǎng)、重心位置，進(jìn)一步明確缺陷的位置和形態(tài)；

37、對(duì)確定的缺陷區(qū)域進(jìn)行形態(tài)學(xué)處理，采用膨脹和腐蝕操作；

38、去除噪聲和小的干擾區(qū)域，優(yōu)化缺陷區(qū)域的形狀和邊界；

39、計(jì)算缺陷區(qū)域內(nèi)像素點(diǎn)灰度值的二階中心矩、、，計(jì)算公式為：

40、；

41、其中，、、為缺陷區(qū)域內(nèi)像素點(diǎn)灰度值的二階中心矩，用于描述缺陷區(qū)域灰度值分布的特征；

42、計(jì)算缺陷區(qū)域的方向特征，其計(jì)算公式為：

43、；

44、以重心為中心，沿方向及其垂直方向分別取兩條直線和，將缺陷區(qū)域劃分為四個(gè)子區(qū)域、、、；

45、計(jì)算四個(gè)子區(qū)域內(nèi)灰度值差異的總和、、、；

46、若，則判定該缺陷區(qū)域?yàn)橥拱粗?，則判定為凹陷。

47、優(yōu)選的，所述s7中，分別統(tǒng)計(jì)不同補(bǔ)光角度下凸包和凹陷區(qū)域內(nèi)的平均灰度值，采用中值濾波去除異常值的影響，設(shè)第次補(bǔ)光后凸包區(qū)域內(nèi)像素點(diǎn)集合為，平均灰度值，凹陷區(qū)域內(nèi)像素點(diǎn)集合為，平均灰度值；

48、對(duì)比不同補(bǔ)光角度下凸包和凹陷區(qū)域平均灰度值的變化情況，繪制灰度值隨補(bǔ)光角度變化的曲線，計(jì)算曲線的斜率以得到灰度梯度變化；

49、設(shè)相鄰兩次補(bǔ)光角度為、，凸包對(duì)應(yīng)平均灰度值為、，灰度梯度；

50、凹陷對(duì)應(yīng)平均灰度值為、，灰度梯度；

51、設(shè)凸包高度映射函數(shù)為，凹陷深度映射函數(shù)為；

52、采用線性插值分析方法，根據(jù)灰度梯度變化計(jì)算凸包的高度和凹陷的深度。

53、優(yōu)選的，對(duì)于凸包，已知灰度梯度落在區(qū)間，對(duì)應(yīng)的高度值為、，則計(jì)算得到的凸包高度為：

54、；

55、對(duì)于凹陷，已知灰度梯度落在區(qū)間，對(duì)應(yīng)的高度值為、，則計(jì)算得到的凹陷深度為：

56、。

57、優(yōu)選的，所述s9中，數(shù)據(jù)線分類(lèi)規(guī)則為：

58、設(shè)凸包高度閾值為，凸包廢品閾值為，凹陷深度閾值為，凹陷廢品閾值為；

59、若且，則判定該數(shù)據(jù)線為合格品；

60、若，則判定該數(shù)據(jù)線為次品；

61、若，則判定該數(shù)據(jù)線為廢品。

62、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

63、1、本發(fā)明通過(guò)設(shè)計(jì)環(huán)形陣列分布的圖像采集模塊結(jié)構(gòu)，實(shí)現(xiàn)全方位采集數(shù)據(jù)線圖像的效果，相比傳統(tǒng)的單個(gè)圖像采集設(shè)備，本發(fā)明能獲取更全面的數(shù)據(jù)線表面信息，大大提高了缺陷檢測(cè)的完整性，解決了現(xiàn)有技術(shù)中因圖像采集角度有限而導(dǎo)致部分缺陷遺漏的問(wèn)題。

64、2、本發(fā)明還通過(guò)對(duì)勻速通過(guò)檢測(cè)區(qū)域的數(shù)據(jù)線按預(yù)設(shè)時(shí)間間隔拍攝并記錄位置，配合高效的圖像處理算法，實(shí)現(xiàn)了快速檢測(cè)，在數(shù)據(jù)處理過(guò)程中，利用sift、flann等算法快速進(jìn)行特征點(diǎn)提取與匹配，能在短時(shí)間內(nèi)完成圖像拼接、缺陷判斷操作，進(jìn)一步解決了人工檢測(cè)效率低下的問(wèn)題，滿足大規(guī)模生產(chǎn)中對(duì)數(shù)據(jù)線快速檢測(cè)的需求，提升生產(chǎn)效率。

65、3、本發(fā)明利用sift算法、flann算法和ransac算法進(jìn)行特征點(diǎn)提取、匹配和圖像拼接，以及通過(guò)分析補(bǔ)光后圖像灰度值變化計(jì)算凸包高度和凹陷深度，并與閾值比對(duì)進(jìn)行數(shù)據(jù)線分類(lèi)，這進(jìn)一步解決了對(duì)缺陷深度和高度計(jì)算不準(zhǔn)確、無(wú)法精準(zhǔn)評(píng)估和分類(lèi)的問(wèn)題，能夠?qū)?shù)據(jù)線質(zhì)量進(jìn)行更精確的判斷，滿足生產(chǎn)企業(yè)對(duì)產(chǎn)品質(zhì)量嚴(yán)格把控的需求。