CN101256157A - 表面缺陷检测方法、装置 - Google Patents

Abstract

本发明涉及检测领域，公开了一种表面缺陷检测方法、装置，方法包括：获取表面的原始图像；对原始图像的各像素点，分别计算每像素点在多个方向的梯度值，取其中最大值作为像素点的新的灰度值，得到梯度图像；对梯度图像，如果灰度值像素点的灰度值大于阈值，则将其灰度值赋值为：第一灰度值，否则赋值为：第二灰度值，获取二值化图像；细化二值化图像，得到单线条的二值化图像，其中包括单线条的缺陷边缘；将单线条的缺陷边缘，转换为闭环的缺陷边缘；在原始图像中，比较闭环的缺陷边缘内像素点与外侧附近的像素点的灰度值的大小，如果小于，则判定闭环的缺陷为：表面的缺陷。应用本技术方案能够实现对被检测物件的缺陷的自动检测，提高检测效率。

Description

表面缺陷检测方法、装置

技术领域

本发明涉及检测领域，尤其涉及一种表面缺陷检测方法、装置。

背景技术

在工业生产过程中，经常需要对一些样本、部件进行检查、测量。例如，生产高档手表时，需要对手表表壳的一些微小外观缺陷(划痕、凹坑、崩边、裂纹、砂眼等)进行检测。现有技术中，一般直接用人眼去检测、识别样本、部件的表面缺陷，但是该种方法一方面存在以下的缺陷：

首先，应用该方法的工作效率很低，不利于节约劳动力，不利于提高生产效率。

其次，由于人为的因素，特别是当需要对大批量的产品进行检测时，检测人员容易产生眼部疲劳，从而出现对缺陷的错判、漏判等，检测的精确度不高。

发明内容

本发明实施例提供了一种表面缺陷检测方法，实现对被检测物件的缺陷的自动检测，提高检测的效率。

本发明实施例还提供了一种表面缺陷检测装置，实现对被检测物件的缺陷的自动检测，提高检测的效率。

本发明实施例提供的表面缺陷检测方法，包括：

获取被检测物件的表面的图像，记为原始图像；

对所述原始图像的各像素点，分别计算每像素点在至少两个方向的梯度值，取其中最大值作为所述像素点的新的灰度值，得到梯度图像；

对所述梯度图像，如果像素点的灰度值大于预定的阈值，则将所述像素点的灰度值赋值为：预定的第一灰度值，否则，将所述像素点的灰度值赋值为：预定的第二灰度值，获取二值化图像；

细化所述二值化图像，得到单线条的二值化图像，其中所述单线条的二值化图像中包括单线条的缺陷边缘；

将所述单线条的缺陷边缘，转换为闭环的缺陷边缘；

在所述原始图像中，比较所述闭环的缺陷边缘内任意像素点与所述闭环的缺陷边缘外侧附近的任意像素点的灰度值的大小，只有边缘内的像素点的灰度值小于边缘外的像素点的灰度值时，才判定所述闭环的缺陷边缘为：所述被检测物件表面的缺陷的边缘。

本发明实施例提供的表面缺陷检测装置，包括：

输入单元，用于输入被检测物件的表面的图像，记为原始图像；

梯度图像确定单元，用于对所述原始图像的各像素点，分别计算每像素点在至少两个方向的梯度值，取其中最大值作为所述像素点的新的灰度值，得到梯度图像；

二值化单元，用于对所述梯度图像，如果像素点的灰度值大于预定的阈值，则将所述像素点的灰度值赋值为：预定的第一灰度值，否则，将所述像素点的灰度值赋值为：预定的第二灰度值，获取二值化图像；

细化单元，细化所述二值化图像，得到单线条的二值化图像，其中所述单线条的二值化图像中包括单线条的缺陷边缘；

转换单元，用于将所述单线条的缺陷边缘，转换为闭环的缺陷边缘；

缺陷判定单元，用于在所述原始图像中，比较所述闭环的缺陷边缘内任意像素点与所述闭环的缺陷边缘外侧附近的任意像素点的灰度值的大小，只有边缘内的像素点的灰度值小于边缘外的像素点的灰度值时，才判定所述闭环的缺陷边缘为：所述被检测物件表面的缺陷的边缘。

由上可见，应用本发明实施例的技术方案，通过对被检测物件的图像进行以下处理：首先对于各像素点，计算每像素点在至少两个方向的梯度值，取其中最大值作为所述像素点的新的灰度值(梯度值反映该像素点与其周围的像素点的灰度值的变化率，某像素点的梯度值越大该像素点在某方向上与周围的像素点的灰度值变化越大，对于梯度处理后的梯度图像，梯度图像上的亮度由亮变暗的剧变的边界一般为缺陷的边界)，为了进一步提取缺陷的边界，去除与边界无关的特征，可以对图像进行二值化处理、细化处理，得到二值化后的细化的缺陷边缘，将得到的缺陷边缘转换为闭环的缺陷边缘，该闭环的边缘所构成的区域便为可能的缺陷区域；再在原始图像上，比较该闭环的缺陷边缘内、外的像素点的实际灰度值的大小。由于对于光学成像，图像上某像素点的灰度值大是由于该点反射到摄像头的光线较多，反映在被检测物件的表面上，该点应该比较平滑，所以如果该可能的缺陷区域内的像素点的灰度值小于区域附近的灰度值，则该可能的缺陷区域便为实际的缺陷区域，找到了被检测物件表面的缺陷。可见该技术方案能够实现对被检测物件的缺陷的自动检测，有利于提高检测效率，还避免了现有技术中由于依赖人眼的检测所导致的误判率较高的问题，可见本技术方案特别适用于流水线的工业检测。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的不当限定，在附图中：

图1为本发明实施例1的表面缺陷检测方法的流程示意图；

图2为本发明实施例1的一直方图示意图；

图3为本发明实施例1的另一直方图示意图；

图4为本发明实施例2的表面缺陷检测方法的流程示意图；

图5为本发明实施例3的表面缺陷检测装置的结构示意图；

图6为本发明实施例4的表面缺陷检测装置的结构示意图；

图7为本发明实施例5的表面缺陷检测装置的结构示意图。

具体实施方式

下面将结合附图以及具体实施例来详细说明本发明，在此本发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

实施例1：

图1为本实施例的表面缺陷检测方法的流程示意图，如图示，该方法包括：

步骤101：获取被检测物件的表面的图像，记为原始图像。

利用现有的光学成像设备(比如摄像机、相机等)获取被检测物件的光学图像，记为原始图像，表示为F(x，y)，各像素点的灰度值记为：f(x，y)，其中，x、y分别为像素点的横坐标、纵坐标，x的取值范围为0到ImagWidth，y的取值范围为0到ImagHeight。

对于光学成像，图像上某像素点的灰度值较大是由于该点反射到摄像头的光线较多，反映在被检测物件的表面上，则该点比较平滑，故该被检测物件的图像的灰度值的变化能够大概反映出该被检测物件的表面缺陷，但是由于其放映的精确度不够，故对得到的图像进行后面的步骤处理，以得到更为精确的缺陷检测结果。

步骤102：对于所述原始图像的各像素点，分别计算每像素点在至少两个方向的梯度值，取其中最大值作为所述像素点的灰度值。

对于各像素点(x，y)(其中x的取值范围为0到ImagWidth，y的取值范围为0到ImagHeight0)，计算该像素点在至少两个方向的梯度值，取其中最大值作为所述像素点的新灰度值，对所有的像素点进行以上的处理后，各像素点分别以各自的新灰度值显示的图像变为梯度图像。

由于像素点在某方向上的梯度值，反映该像素点的灰度值在该方向上的变化率，某像素点的在某方向上的梯度值越大，则该像素点的灰度值在该方向上的变化越剧烈，因此对于梯度图像，灰度值由大变小的边界(反映在视觉上是由亮变暗的剧变边界)可能为缺陷的边界，也有可能为噪声所引起的。

在本实施例中，可以计算该像素点在8个方向的梯度值，其中所述8个方向分别为：所述像素点到与该像素点相邻的8个像素点的方向，取其中最大值作为该像素点的梯度值，得到该梯度图像。

步骤103：将梯度值大于预定的阈值的像素点的梯度值赋值为预定的第一灰度值，将梯度值不大于预定的阈值的像素点的梯度值赋值为预定的第二灰度值，获取二值化图像。

二值化处理是，将一幅具有多种梯度值的图像变成白黑分布的二值图像，二值化处理的主要目的是将梯度变化剧烈的边界从梯度图像中分离出来。二值化处理如函数式(1)所示：

$H(x,y)=\left(\begin{array}{c}L1,\mathrm{TD}(x,y)>\mathrm{Vtd}\\ L2,\mathrm{TD}(x,y)\≤\mathrm{Vtd}\end{array}\right.---\left(1\right),$

其中Vtd为：预定的阈值，该预定的阈值可以根据检测的经验设定，也可以使用比如小波变化方法等算法动态计算获取；TD(x，y)为：梯度图像中坐标为(x，y)的像素点的梯度值，H(x，y)为二值化处理后，坐标为(x，y)的像素点的新的灰度值；L1、L2为灰度值相差很大的灰度值，优选为L1等于1，L2等于0，或者L2等于1，L1等于0，本实施例中以前一种优选方案为例。

在本实施例中，优选动态的获取该预定的阈值，优选对步骤102中获取的梯度图像进行直方图统计，获取该梯度图像中的像素点的灰度值的分布，再进一步根据所获取的灰度值的分布，确定二值化处理中的阈值。其具体确定流程参考如下：

假设对当前的梯度图像进行直方图统计，得到图2、(前景与背景的灰度值相差较大时)、或图3(前景与背景的灰度值相差较小时)所示的灰度值分布，选择两波峰之间的灰度值作为阈值Vtd。

步骤104：细化所述二值化图像，得到单线条二值化图像，其中所述单线条的二值化图像中包括单线条的缺陷边缘。

对二值化图像进行细化处理：对线条进行“层层剥夺”(从线条边缘开始一层一层向里剥夺，直到线条剩下一个像素的为止)，以提取图像的骨架，即是将原图像中线条宽度大于1个像素的线条细化成只有一个像素宽，形成“骨架”，形成“骨架”后能比较容易的分析图像，提取缺陷边缘的特征。

步骤105：将所述单线条的缺陷边缘，转换为闭环的缺陷边缘。

对步骤104获取的单线条的二值化图像进行连通、和/或扩张等处理，以将非闭环的缺陷边缘连通为闭环的缺陷边缘，该闭环的边缘所构成的区域便为可能的缺陷区域。

此处连通的处理方法可以但不限于以下：分别在边缘相对的两端点处，沿切线的方向生成边缘，直到两端生长的边缘相交为止，完成该处边缘飞连通处的连通。对所有非闭环的缺陷边缘使用上述的边缘生长可以将图像内的各单线条的缺陷边缘转换为闭环的缺陷边缘。

此处的扩张处理的方法可以但不限于膨胀的算法。

步骤106：比较所述闭环的缺陷边缘内任意像素点、与所述闭环的缺陷边缘外侧附近的任意像素点在所述原始图像中的灰度值的大小，如果小于，则执行步骤107，判定所述闭环的缺陷边缘为：所述被检测物件表面的缺陷的边缘；否则，执行步骤108，判定该闭环的缺陷边缘不为：所述被检测物件表面的缺陷的边缘。

选择该闭环的缺陷边缘内的任意一个像素点，取该像素点在步骤101得到的原始图像的灰度值F(x，y)、与该边缘外附近的任意像素点的灰度值f(x+c，y+d)作比较：

如果f(x，y)＜f(x+c，y+d)，则判定所述闭环的缺陷边缘为：所述被检测物件表面的缺陷的边缘；

如果f(x，y)≥f(x+c，y+d)，则判定该闭环的缺陷边缘的形成为噪声，该该闭环的缺陷边缘不为：所述被检测物件表面的缺陷的边缘。

或者，为了进一步提高监测的准确性，可以选择该闭环的缺陷边缘内的任意多个像素点，取这些像素点在步骤101得到的原始图像的灰度值的平均值，记为：f(x，y)、与该边缘外附近的任意像素点的灰度值f(x+c，y+d)作比较：

如果f(x，y)＜f(x+c，y+d)，则判定所述闭环的缺陷边缘为：所述被检测物件表面的缺陷的边缘；

如果f(x，y)≥f(x+c，y+d)，则判定该闭环的缺陷边缘的形成为噪声，该该闭环的缺陷边缘不为：所述被检测物件表面的缺陷的边缘。

或者，为了进一步提高监测的准确性，可以选择该闭环的缺陷边缘内的任意多个像素点，取这些像素点在步骤101得到的原始图像的灰度值的平均值，记为：f(x，y)、与该边缘外附近的任意几个像素点的灰度值f(x+c，y+d)作比较：

如果f(x，y)＜f(x+c，y+d)，则判定所述闭环的缺陷边缘为：所述被检测物件表面的缺陷的边缘；

如果f(x，y)≥f(x+c，y+d)，则判定该闭环的缺陷边缘的形成为噪声，该该闭环的缺陷边缘不为：所述被检测物件表面的缺陷的边缘。

步骤107：判定所述闭环的缺陷边缘为：所述被检测物件表面的缺陷的边缘。

步骤108：判定所述闭环的缺陷边缘不为：所述被检测物件表面的缺陷的边缘。

至此，根据本实施例的方法，通过对被检测物件的表面图像的分析，能够检测其表面上的缺陷。

为了进一步提高检测的准确性，可以采集被检测物件的多个角度的图像，对各图像分别进行如步骤101到步骤106的处理，进行多角度检测，能够避免缺陷的漏检，以进一步确保检测的精确性。

由上可见，应用本实施例的技术方案能够实现对被检测物件的缺陷的自动检测，而克服了现有技术中由于依赖人眼的检测所带来的误判、检测效率低等问题，应用本实施例的技术方案有利于提高检测效率，该方案特别适用于流水线的工业检测。

实施例2：

图4为本实施例提供的表面缺陷检测方法的流程示意图，如图示，本实施例方法相对于实施例1的方法，所不同之初在于，该方法在步骤107之后还包括步骤109。

步骤109：根据所述缺陷的面积、和/或形状，确定所述缺陷的缺陷等级。

一般的，在工业检测的过程中，在检测出缺陷之后，还可以对缺陷进行划分，而根据划分对缺陷进行相应的处理，故在步骤106后，还可以进行本步骤：

在找到缺陷后，根据缺陷的形状(闭环的缺陷边缘的形状)、和/或，确定该缺陷是点缺陷、线缺陷、还是面缺陷，以便根据缺陷等级进行相应的处理。

实施例3：

图5为本实施例的表面缺陷检测装置的结构示意图，如图示，该装置包括：

输入单元501，用于输入被检测物件的表面的图像，记为原始图像。

具体原理可以参见实施例步骤101的描述。

梯度图像确定单元502，用于对所述原始图像的各像素点，分别计算每像素点在至少两个方向的梯度值，取其中最大值作为所述像素点的新的灰度值，得到梯度图像。

优选的，梯度图像确定单元502在计算各像素点在各方向的梯度时，计算各像素点在8个方向的梯度值，其中所述8个方向分别为：所述像素点到相邻的8个像素点的方向。

其具体原理可以参见实施例步骤102的描述。

二值化单元503，用于对所述梯度图像，如果像素点的灰度值大于预定的阈值，则将所述像素点的灰度值赋值为：预定的第一灰度值，否则，将所述像素点的灰度值赋值为：预定的第二灰度值，获取二值化图像。

所述第一灰度值、第二灰度值分别为0、1中的之一。

其具体原理可以参见实施例步骤103的描述。

细化单元504，细化所述二值化图像，得到单线条的二值化图像，其中所述单线条的二值化图像中包括单线条的缺陷边缘。

其具体原理可以参见实施例步骤104的描述。

转换单元505，用于将所述单线条的缺陷边缘，转换为闭环的缺陷边缘。

对细化单元504获取的单线条的二值化图像进行连通、和/或扩张等处理，以将非闭环的缺陷边缘连通为闭环的缺陷边缘，该闭环的边缘所构成的区域便为可能的缺陷区域

其具体原理可以参见实施例步骤105的描述。

缺陷判定单元506，用于在所述原始图像中，比较所述闭环的缺陷边缘内任意像素点与所述闭环的缺陷边缘外侧附近的任意像素点的灰度值的大小，只有边缘内的像素点的灰度值小于边缘外的像素点的灰度值时，才判定所述闭环的缺陷边缘为：所述被检测物件表面的缺陷的边缘。

其具体原理可以参见实施例步骤106、107、108的描述。

由上可见，应用本实施例的装置，通过对被检测物件的图像进行图像处理可以实现缺陷的自动化检测：首先梯度图像确定单元502对输入单元501输入的原始图像的各像素点，计算每像素点在至少两个方向的梯度值，取其中最大值作为所述像素点的新的灰度值，得到梯度图像。由于梯度值反映该像素点与其周围的像素点的灰度值的变化率，某像素点的梯度值越大该像素点在某方向上与周围的像素点的灰度值变化越大，对于梯度处理后的梯度图像，梯度图像上的亮度由亮变暗的剧变边界一般为缺陷的边界。为了进一步提取缺陷的边界，去除与边界无关的特征，二值化单元503、细化单元504分别对梯度图像进行二值化处理、细化处理，可以得到二值化后的细化的缺陷边缘，转换单元505对所得到的缺陷边缘进行进一步的处理，将所述单线条的缺陷边缘转换为闭环的缺陷边缘，该闭环的边缘所构成的区域便为可能的缺陷区域；最后，由缺陷判定单元506在原始图像上，比较该闭环的缺陷边缘内、外的像素点的实际灰度值的大小，由于对于光学成像，图像上某像素点的灰度值大是由于该点反射到摄像头的光线较多，反映在被检测物件的表面上，该点比较平滑，所以如果该可能的缺陷区域内的像素点的灰度值小于区域附近的灰度值，则该可能的缺陷区域便为实际的缺陷区域，找到了被检测物件表面的缺陷。可见应用本发明实施例的装置，能够实现对被检测物件的缺陷的自动检测，有利于提高检测效率，特别适用于流水线的工业检测；还避免了现有技术中由于依赖人眼的检测所导致的误判率较高的问题，可见该装置特别适用于流水线的工业检测。。

实施例4：

图6为本实施例的表面缺陷检测装置的结构示意图，如图示，本实施例与实施例3所不同的是，该装置还可以包括：

缺陷等级确定单元601，用于根据所述缺陷判定单元确定的缺陷的面积、和/或形状，确定所述缺陷的缺陷等级，以方便后续继续根据缺陷等级进行相应的处理。

实施例5：

图7为本实施例的表面缺陷检测装置的结构示意图，如图示，本实施例与实施例4所不同的是，该装置还可以包括：

直方图统计单元701，用于进行直方图统计以获取所述梯度图像中的灰度值的分布。

阈值确定单元，用于根据所述灰度值的分布确定所述二值化单元503进行二值化处理中需要用到的阈值。

需要说明的是，在本发明实施例中的装置可以为由硬件构成的独立的设备或硬件模块，亦可以为以软件的形式存储在一个计算机可读存储介质中的功能模块。

以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1、一种表面缺陷检测方法，其特征是，包括：

获取被检测物件的表面的图像，记为原始图像；

对所述原始图像的各像素点，分别计算每像素点在至少两个方向的梯度值，取其中最大值作为所述像素点的新的灰度值，得到梯度图像；

对所述梯度图像，如果像素点的灰度值大于预定的阈值，则将所述像素点的灰度值赋值为：预定的第一灰度值，否则，将所述像素点的灰度值赋值为：预定的第二灰度值，获取二值化图像；

细化所述二值化图像，得到单线条的二值化图像，其中所述单线条的二值化图像中包括单线条的缺陷边缘；

将所述单线条的缺陷边缘，转换为闭环的缺陷边缘；

在所述原始图像中，比较所述闭环的缺陷边缘内任意像素点与所述闭环的缺陷边缘外侧附近的任意像素点的灰度值的大小，只有边缘内的像素点的灰度值小于边缘外的像素点的灰度值时，才判定所述闭环的缺陷边缘为：所述被检测物件表面的缺陷的边缘。

2、根据权利要求1所述的表面缺陷检测方法，其特征是，在判定所述闭环的缺陷边缘所述被检测物件表面的缺陷的边缘后，还包括：

根据所述缺陷的面积、和/或形状，确定所述缺陷的缺陷等级。

3、根据权利要求1所述的表面缺陷检测方法，其特征是，所述预定的阈值具体根据以下确定：

进行直方图统计获取所述梯度图像中的灰度值的分布，根据所述灰度值的分布确定所述阈值。

4、根据权利要求1或3所述的表面缺陷检测方法，其特征是，所述第一灰度值、第二灰度值分别为0、1之一。

5、根据权利要求1所述的表面缺陷检测方法，其特征是，分别计算每像素点在至少两个方向的梯度值，具体是：

分别计算每像素点在8个方向的梯度值，其中所述8个方向分别为：所述像素点到相邻的8个像素点的方向。

6、根据权利要求1所述的表面缺陷检测方法，其特征是，将所述单线条的缺陷边缘，转换为闭环的缺陷边缘，包括：

对所述单线条的二值化图像进行连通、或扩张处理，将所述单线条的缺陷边缘转换为闭环的缺陷边缘。

7、一种表面缺陷检测装置，其特征是，包括：

输入单元，用于输入被检测物件的表面的图像，记为原始图像；

梯度图像确定单元，用于对所述原始图像的各像素点，分别计算每像素点在至少两个方向的梯度值，取其中最大值作为所述像素点的新的灰度值，得到梯度图像；

二值化单元，用于对所述梯度图像，如果像素点的灰度值大于预定的阈值，则将所述像素点的灰度值赋值为：预定的第一灰度值，否则，将所述像素点的灰度值赋值为：预定的第二灰度值，获取二值化图像；

细化单元，细化所述二值化图像，得到单线条的二值化图像，其中所述单线条的二值化图像中包括单线条的缺陷边缘；

转换单元，用于将所述单线条的缺陷边缘，转换为闭环的缺陷边缘；

缺陷判定单元，用于在所述原始图像中，比较所述闭环的缺陷边缘内任意像素点与所述闭环的缺陷边缘外侧附近的任意像素点的灰度值的大小，只有边缘内的像素点的灰度值小于边缘外的像素点的灰度值时，才判定所述闭环的缺陷边缘为：所述被检测物件表面的缺陷的边缘。

8、根据权利要求7所述的表面缺陷检测装置，其特征是，所述装置还包括：

缺陷等级确定单元，用于根据所述缺陷判定单元确定的缺陷的面积、和/或形状，确定所述缺陷的缺陷等级。

9、根据权利要求7所述的表面缺陷检测装置，其特征是，所述装置还包括：

直方图统计单元，用于进行直方图统计获取所述梯度图像中的灰度值的分布；

阈值确定单元，用于根据所述灰度值的分布确定所述阈值。

10、根据权利要求7所述的表面缺陷检测装置，其特征是，

所述梯度值计算单元进行的计算：分别计算每像素点在至少两个方向的梯度值，具体是，

分别计算每像素点在8个方向的梯度值，其中所述8个方向分别为：所述像素点到相邻的8个像素点的方向。

Images