CN102842131A - 一种监测目标物体缺陷的方法及设备 - Google Patents

Abstract

本发明公开了一种监测目标物体缺陷的方法及设备，用以解决现有技术中存在的处理效率低且不能确定缺陷区域位置的问题。本发明实施例的方法包括：采集待检测目标物体的图像；对待检测目标物体进行着色处理；根据设定的聚类中心确定包含待检测目标物体的图像中属于每个聚类中心的像素点；根据属于同一个隶属区域的像素点确定该隶属区域对应的特征数据；根据每个隶属区域对应的特征数据及该特征数据对应的阈值，确定隶属区域是否为待检测目标物体的缺陷区域。本发明实施例根据属于每个设定的聚类中心的像素点组成的隶属区域的特征数据及阈值以确定待检测目标物体的缺陷区域，不仅处理速度快，而且能够确定待检测目标物体的缺陷区域的位置。

Description

一种监测目标物体缺陷的方法及设备

技术领域

本发明涉及图像处理技术领域，特别涉及一种监测目标物体缺陷的方法及设备。

背景技术

钢丝绳具有强度高、挠性好、自重轻、耐冲击、运行平稳、安全可靠等优点，广泛应用于煤炭、冶金、交通、运输、建筑、旅游等行业和部门，尤其是作为承载构件应用于起重机的各工作机构中。在使用过程中，当钢丝绳产生缺陷（如断丝、热蚀、划伤、裂纹、旋转损坏等）后，该缺陷会不断积累加重，积累到一定程度后极可能会发生整根钢丝绳突然断裂的情况，从而引发严重的事故，因此作为承载构件的钢丝绳的安全检测一直备受关注。

传统的钢丝绳缺陷的检测是采用人工方式，即由专职检测人员定期对使用中的钢丝绳进行观察，采用卡尺测量绳径、触摸或目测以确定钢丝绳是否存在缺陷，在钢丝绳产生缺陷时进行更换，以此来避免由于钢丝绳的断裂而引发的事故。但由于人工方式受人为因素的影响较大，检查结果的可靠性差且检测效率低，不能确保钢丝绳安全、可靠、高效地工作。

为了解决上述问题，提出了利用图像处理技术确定钢丝绳缺陷的方法。目前采用图像处理技术对钢丝绳缺陷的检测包括：采集包括待检测钢丝绳的图像，然后将待检测钢丝绳的图像与背景图像分离，再计算待检测钢丝绳的图像的特征数据，将这些特征数据进行识别和规范化后，确定待检测钢丝绳是否有缺陷。由于这种检测方法是对整个待检测钢丝绳的图像进行特征数据的计算，因此计算特征数据的速度较慢，处理效率低；并且该方法只能确定待检测钢丝绳是否存在缺陷，而不能确定缺陷区域的具体位置，因此确定的缺陷信息不完整，对钢丝绳的后续处理带来了不便。

综上所述，目前采用图像处理技术检测钢丝绳缺陷的方案处理效率低，且不能确定缺陷区域的具体位置。

发明内容

本发明实施例提供一种监测目标物体缺陷的方法及设备，用以解决现有技术中存在的处理效率低，且不能确定缺陷区域位置的问题。

本发明实施例的一种监测目标物体缺陷的方法包括：

采集待检测目标物体的图像；

对所述待检测目标物体进行着色处理；

根据设定的聚类中心确定包含所述待检测目标物体的图像中属于每个聚类中心的像素点，其中属于同一个聚类中心的像素点组成该聚类中心的隶属区域；

根据属于同一个该隶属区域包含的像素点确定该隶属区域对应的特征数据；

根据每个隶属区域对应的特征数据及该特征数据对应的阈值，确定所述隶属区域是否为所述待检测目标物体的缺陷区域。

确定属于每个聚类中心的像素点，包括：

确定所述图像中的像素点与所述聚类中心的隶属度矩阵；

根据预设的模糊度系数和所述隶属度矩阵，确定目标函数矩阵；

根据目标函数矩阵，确定每个聚类中心对应的每个像素点的筛选值；

针对一个聚类中心，根据该聚类中心对应的每个像素点的筛选值，确定属于该聚类中心的隶属区域中的像素点。

确定目标函数矩阵，包括：

根据预设的模糊度系数对所述隶属度矩阵进行修正处理，得到修正隶属度矩阵；

根据所述修正隶属度矩阵确定所述图像的目标函数矩阵。

优选的，根据下列公式确定所述修正隶属度矩阵中的元素值：

其中，u_ij为修正隶属度矩阵中的元素值；α为模糊度系数，0≤α≤1；

为所述图像的隶属度矩阵，i＝1,2,...,c，j＝1,2,...,n；i₀＝1,2,...,c，j₀＝1,2,...,n；其中n为所述图像的像素点的数目，c为聚类中心的数目。

优选的，根据下列公式确定每个聚类中心对应的每个像素点的筛选值：

$w_{i_1,j_1}=\frac{\underset{i=1}{\overset{i_1}{\mathrm{\Σ}}}[{\left({\mathrm{\μ}}_{\mathrm{ij}}\right)}^m\×j\×J(i,j)]}{\underset{i=1}{\overset{i_1}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ij}}\right)}^m};$

其中，为每个像素点对应的筛选值；{μ_ij}为经过归一化处理后的修正隶属度矩阵；i₁＝1,2,...,c，j₁＝1,2,...,n；i＝1,2,...,c，j＝1,2,...,n；其中n为所述图像的像素点的数目，c为聚类中心的数目；J(i,j)为目标函数矩阵；m为模糊加权指数，m∈[1,∞)。

确定属于该聚类中心的隶属区域中的像素点，包括：

将所有未被检测出属于已检测的聚类中心的隶属区域的像素点作为本次检测的聚类中心对应的像素点，并从本次检测的聚类中心对应的像素点中选择一个像素点作为本次检测的聚类中心的隶属区域中的像素点；

针对本次检测的聚类中心对应的一个像素点，确定该像素点对应的目标像素点，其中所述目标像素点属于该聚类中心的隶属区域，若该像素点在所述目标函数矩阵中对应的位置和目标像素点在所述目标函数矩阵中对应的位置之间有其他像素点，则所述其他像素点都不属于该聚类中心的隶属区域；

确定该像素点的筛选值和目标像素点的筛选值之间的差值的绝对值；

若确定的差绝对值小于预设的门限值，则确定该像素点属于该聚类中心的隶属区域；

若确定的绝对值不小于所述门限值，则确定该像素点不属于该聚类中心的隶属区域。

优选的，每个所述聚类中心对应区域的特征数据包括多种类型的特征数据；

确定所述隶属区域是否为所述待检测目标物体的缺陷区域，包括：

从未使用的特征数据的类型中选择本次检测所使用的特征数据的类型；

根据选择的特征数据的类型，确定每个未检测出是缺陷区域的隶属区域的特征数据；

根据确定的隶属区域的特征数据，确定每个未检测出是缺陷区域的隶属区域的比值；

将确定的隶属区域的比值与该类型特征数据对应的阈值进行比较，在确定的隶属区域的比值小于该类型特征数据对应的阈值时，确定该隶属区域是缺陷区域。

确定该隶属区域是缺陷区域之后，还包括：

判断是否有未使用的特征数据的类型；

若有，则返回从未使用的特征数据的类型中选择本次检测所使用的特征数据的类型的步骤。

在确定的隶属区域的比值小于该类型特征数据对应的阈值之后，还包括：

将比较时使用的特征数据的类型对应的缺陷类别作为该聚类中心对应的缺陷区域的缺陷类别。

本发明实施例提供了一种监测目标物体缺陷的设备，包括：

图像采集模块，用于采集待检测目标物体的图像；

着色处理模块，用于对所述待检测目标物体进行着色处理；

隶属区域确定模块，用于根据设定的聚类中心确定包含所述待检测目标物体的图像中属于每个聚类中心的像素点，其中属于同一个聚类中心的像素点组成该聚类中心对应的隶属区域；

特征数据确定模块，用于根据属于同一个隶属区域的像素点确定该隶属区域对应的特征数据；

缺陷区域确定模块，用于根据每个隶属区域对应的特征数据及该特征数据对应的阈值，确定所述隶属区域是否为所述待检测目标物体的缺陷区域。

所述隶属区域确定模块具体用于：

确定所述图像中的像素点与所述聚类中心的隶属度矩阵；根据预设的模糊度系数和所述隶属度矩阵，确定目标函数矩阵；根据目标函数矩阵，确定每个聚类中心对应的每个像素点的筛选值；针对一个聚类中心，根据该聚类中心对应的每个像素点的筛选值，确定属于该聚类中心的隶属区域中的像素点。

所述隶属区域确定模块还用于：

将所有未被检测出属于已检测的聚类中心的隶属区域的像素点作为本次检测的聚类中心对应的像素点，并从本次检测的聚类中心对应的像素点中选择一个像素点作为本次检测的聚类中心的隶属区域中的像素点；

针对本次检测的聚类中心对应的一个像素点，确定该像素点对应的目标像素点，其中所述目标像素点属于该聚类中心的隶属区域，若该像素点在所述目标函数矩阵中对应的位置和目标像素点在所述目标函数矩阵中对应的位置之间有其他像素点，则所述其他像素点都不属于该聚类中心的隶属区域；确定该像素点的筛选值和目标像素点的筛选值之间的差值的绝对值；若确定的差绝对值小于预设的门限值，则确定该像素点属于该聚类中心的隶属区域；若确定的绝对值不小于所述门限值，则确定该像素点不属于该聚类中心的隶属区域。

所述缺陷区域确定模块具体用于：

每个所述聚类中心对应区域的特征数据包括多种类型的特征数据，从未使用的特征数据的类型中选择本次检测所使用的特征数据的类型；根据选择的特征数据的类型，确定每个未检测出是缺陷区域的隶属区域的特征数据；根据确定的隶属区域的特征数据，确定每个未检测出是缺陷区域的隶属区域的比值；将确定的隶属区域的比值与该类型特征数据对应的阈值进行比较，在确定的隶属区域的比值小于该类型特征数据对应的阈值时，确定该隶属区域是缺陷区域。

本发明实施例的有益效果如下：本发明实施例根据包含待检测目标物体的图像中属于每个设定的聚类中心的像素点组成的隶属区域的特征数据及该特征数据对应的阈值确定待检测目标物体的缺陷区域，由于特征数据的计算是针对每个聚类中心对应的隶属区域，所以能够加快处理速度；并且通过本发明实施例能够确定待检测目标物体缺陷区域的位置。

附图说明

图1为本发明实施例的监测目标物体缺陷的方法的流程图；

图2为本发明实施例的确定每个聚类中心的隶属区域的方法的流程图；

图3为本发明实施例的确定待检测目标物体的缺陷区域的方法的流程图；

图4为本发明实施例的监测目标物体缺陷的设备的结构示意图；

图5为本发明实施例的监测目标物体缺陷的设备的结构示意图。

具体实施方式

本发明实施例根据包含待检测目标物体的图像中属于每个设定的聚类中心的像素点组成的隶属区域的特征数据及该特征数据对应的阈值确定待检测目标物体的缺陷区域，能够解决背景技术中存在的处理效率低，且不能确定缺陷区域位置的问题。

下面结合说明书附图对本发明实施例进行详细说明。

如图1所示，本发明实施例的一种监测目标物体缺陷的方法，包括以下步骤：

S101、采集待检测目标物体的图像；

具体的，在待检测目标物体前方架设工业线阵相机，并在待检测目标物体上方放置光源，使工业线阵相机能够采集到清晰图像；在线阵相机开始测量之前，获得该线阵相机的内外参数，如比例系数、有效焦距、主点、旋转矩阵、平移矩阵等；

S102、对待检测目标物体进行着色处理；

具体的，根据实际工作情况在线阵相机里安装滤光片；

S103、根据设定的聚类中心确定包含待检测目标物体的图像中属于每个聚类中心的像素点，其中属于同一个聚类中心的像素点组成该聚类中心的隶属区域；

S104、根据属于同一个隶属区域包含的像素点确定该隶属区域对应的特征数据；

S105、根据每个隶属区域对应的特征数据及该特征数据对应的阈值，确定隶属区域是否为待检测目标物体的缺陷区域。

如图2所示，S103中确定属于每个聚类中心的像素点，包括以下步骤：

S1031、确定包含待检测目标物体的图像中的像素点与设定的聚类中心的隶属度矩阵；

具体的，假设包含待检测目标物体的图像的像素点集合为

对于整幅图像来说，x_j为每个像素点的灰度值；设定的聚类中心V＝{v₁,...,v_c}，v_i∈R^c，v_i为聚类中心的灰度值，且2≤c＜n；

隶属度矩阵中的元素值，则根据公式1确定隶属度矩阵中的各个元素值：

公式1；

其中，i＝1,2,...,c，j＝1,2,...,n；i₀＝1,2,...,c，j₀＝1,2,...,n；其中n为图像的像素点的数目，c为聚类中心的数目；|x_j-v_i|为第j个像素点与第i个聚类中心之间的距离；ε为设定的值，可根据需要设定，根据现场测试经验取ε＝0.001。

S1032、根据预设的模糊度系数和S1031中确定的隶属度矩阵，确定目标函数矩阵；

具体的，根据预设的模糊度系数对隶属度矩阵进行修正处理，得到修正隶属度矩阵；

根据修正隶属度矩阵确定包含待检测目标物体的图像的目标函数矩阵。

为了降低待检测目标物体所处的工作环境对图像分割处理的影响，引入了模糊度系数α，α为预先设定的值，用于修正S1031中确定的隶属度矩阵，使确定的修正隶属度矩阵更为准确，从而使图像分割处理的精度更高；以待检测目标物体为起重机的钢丝绳为例，一般都工作在室外环境中，强光、油污、灰尘等都会影响到对获取的图像进行图像分割处理；若根据S1031中确定的隶属度矩阵对获取的图像进行图像分割处理后容易使每个聚类中心对应的隶属区域的边缘出现不连续的断点，影响图像分割的精确度；而且也容易将钢丝绳表面灰尘或油污附着的区域与缺陷区域，或由于强光照射出现光斑的区域误判为缺陷区域，影响图像分割的精确度；本发明实施例中采用模糊度系数α对S1031中确定的隶属度矩阵进行修正，若待检测目标物体工作在强光环境中则0＜α＜0.5；若待检测目标物体上附着的灰尘、油污等物较多时，0.5＜α＜1；

根据公式2确定修正隶属度矩阵中的元素值：

公式2；

其中，α为模糊度系数，0≤α≤1；

为图像中的像素点的隶属度矩阵，i＝1,2,...,c，j＝1,2,...,n；i₀＝1,2,...,c，j₀＝1,2,...,n；其中n为图像中像素点的数目，c为聚类中心的数目。

根据公式2确定的图像的修正隶属度矩阵如下：

${\left[\begin{array}{ccccc}{u}_{11}& u_{12}& u_{13}& \·\·\·& u_{1n}\\ \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·\\ u_{c1}& u_{c2}& u_{c3}& \·\·\·& u_{\mathrm{cn}}\end{array}\right]}_{c\×n}$

其中，第1行的每个元素为图像中每个像素点与第1个聚类中心的隶属度；依此类推，第c行的每个元素为图像中每个像素点与第c个聚类中心的隶属度。

根据公式3确定归一化处理后的修正隶属度矩阵中的元素值：

${\mathrm{\μ}}_{\mathrm{ij}}=\frac{{({\mathrm{\μ}}_{\mathrm{ij}}/d_{\mathrm{ij}}^2)}^{l/(m-1)}}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(u_{\mathrm{ij}}/d_{\mathrm{ij}}^2)}^{l/(m-1)}}$ 公式3；

其中，{u_ij}为的图像的修正隶属度矩阵；d_ij为图像中的第j个像素点与第i个聚类中心之间的距离值，该距离值由像素点的坐标值与聚类中心的坐标值确定；m为模糊加权指数，m∈[1,∞)，一般取m＝2；i＝1,2,...,c，j＝1,2,...,n；i₀＝1,2,...,c，j₀＝1,2,...,n；其中n为图像中像素点的数目，c为聚类中心的数目；l为迭代次数的倒数，其值为经验值，可根据待检测目标物体的长度确定；

关于公式3中的l值的确定，以待检测目标物体为钢丝绳为例进行说明，l的大小可根据钢丝绳的长度确定；应用于起重机的钢丝绳由于起重机的吨位不一样，其长度也不一样，比如大吨位（400t~1000t）的起重机的钢丝绳的绳长为400m~500m，又如小吨位（100t以下）的起重机的钢丝绳的绳长一般为100m~150m，因此，一般根据起重机的吨位大小确定迭代次数，从而确定l的值；

具体的，小吨位（100t以下）的起重机对应的迭代次数为15000，则中吨位（100t~400t）的起重机对应的迭代次数为30000，则

大吨位（400t~1000t）的起重机对应的迭代次数为80000，则 $l=\frac{1}{8{\×10}^4}.$

根据确定的修正隶属度矩阵确定图像中属于每个聚类中心的像素点，由属于同一个聚类中心的像素点组成该聚类中心的原始区域，即将图像中的n个像素点划分成c个原始区域。

根据公式4确定目标函数矩阵中的元素值：

$J(i_2,j_2)=\underset{i=1}{\overset{i_2}{\mathrm{\Σ}}}\underset{j=1}{\overset{j_2}{\mathrm{\Σ}}}\left({\mathrm{\μ}}_{\mathrm{ij}}^m\mathrm{\λ}{d}_{\mathrm{ij}}^2\right)$ 公式4；

其中，λ为拉格朗日乘子，由带有约束的拉格朗日方程确定，其中，约束条件为

d_ij为图像中的第j个像素点与第i个聚类中心之间的距离值，该距离值由像素点的坐标值与聚类中心的坐标值确定；{μ_ij}为图像的归一化处理后的修正隶属度矩阵；i＝1,2,...,c，j＝1,2,...,n；i₂＝1,2,...,c，j₂＝1,2,...,n；其中n为图像中像素点的数目，c为聚类中心的数目；m为模糊加权指数，m∈[1,∞)，一般取m＝2。

根据公式4确定的目标函数矩阵如下：

${\left[\begin{array}{ccccc}J\left(\mathrm{1,1}\right)& J\left(\mathrm{1,2}\right)& J\left(\mathrm{1,3}\right)& \·\·\·& J(1,n)\\ \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·\\ J(c,1)& J(c,2)& J(c,3)& \·\·\·& J(c,n)\end{array}\right]}_{c\×n}$

S1033、根据S1032确定的目标函数矩阵，确定每个聚类中心对应的每个像素点的筛选值；

具体的，根据公式5确定每个聚类中心对应的每个像素点的筛选值：

$w_{i_1,j_1}=\frac{\underset{i=1}{\overset{i_1}{\mathrm{\Σ}}}[{\left({\mathrm{\μ}}_{\mathrm{ij}}\right)}^m\×j\×J(i,j)]}{\underset{i=1}{\overset{i_1}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ij}}\right)}^m}$ 公式5；

其中，{μ_ij}为经过归一化处理后的修正隶属度矩阵；i₁＝1,2,...,c，j₁＝1,2,...,n；i＝1,2,...,c，j＝1,2,...,n；其中n为图像的像素点的数目，c为聚类中心的数目；J(i,j)为目标函数矩阵；m为模糊加权指数，m∈[1,∞)。

S1034、针对一个聚类中心，根据S1033确定的该聚类中心对应的每个像素点的筛选值，确定属于该聚类中心的隶属区域中的像素点。

具体的，将所有未被检测出属于已检测的聚类中心的隶属区域的像素点作为本次检测的聚类中心对应的像素点，并从本次检测的聚类中心对应的像素点中选择一个像素点作为本次检测的聚类中心的隶属区域中的像素点；

针对本次检测的聚类中心对应的一个像素点，确定该像素点对应的目标像素点，其中目标像素点属于该聚类中心的隶属区域，若该像素点在目标函数矩阵中对应的位置和目标像素点在目标函数矩阵中对应的位置之间有其他像素点，则该些其他像素点都不属于该聚类中心的隶属区域；

确定该像素点的筛选值和目标像素点的筛选值之间的差值的绝对值；

若确定的绝对值小于预设的门限值，则确定该像素点属于该聚类中心的隶属区域；其中门限值为经验值，可根据需要设定，一般取0.00001；

若确定的绝对值不小于门限值，则确定该像素点不属于该聚类中心的隶属区域。

下面以图像中的像素点数目n=10，聚类中心数目c=3为例对确定属于每个聚类中心的隶属区域的像素点进行详细说明。

确定属于第1个聚类中心的隶属区域中的像素点，设定第1个像素点作为第1个聚类中心的隶属区域中的像素点，并根据公式5确定该像素点的筛选值w_1,1，再根据公式5确定第2个像素点的筛选值w_1,2，此时对于第2个像素点来说，其目标像素点为第1个像素点，判断|w_1,1-w_1,2|与设定的门限值ξ的大小关系；若|w_1,1-w_1,2|＜ξ，则确定第2个像素点属于第1个聚类中心的隶属区域；若|w_1,1-w_1,2|≥ξ，则确定第2个像素点不属于第1个聚类中心的隶属区域；

根据公式5确定第3个像素点的筛选值w_1,3，若第2个像素点属于第1个聚类中心的隶属区域，则第3个像素点的目标像素点为第2个像素点，则判断|w_1,3-w_1,2|与ξ的大小关系，以确定第3个像素点是否属于第1个聚类中心的隶属区域；若第2个像素点不属于第1个聚类中心的隶属区域，则第3个像素点的目标像素点为第1个像素点，并判断|w_1,3-w_1,1|与ξ的大小关系，以确定第3个像素点是否属于第1个聚类中心的隶属区域，依此类推，以确定属于第1个聚类中心的隶属区域中的像素点；

在确定属于第1个聚类中心的隶属区域中的像素点之后，确定属于第2个聚类中心的隶属区域中的像素点；假设第1、3、7、10个像素点属于第1个聚类中心的隶属区域；则将未被检测出属于已检测的第1个聚类中心的隶属区域的像素点作为第2个聚类中心对应的像素点，即将第2、4、5、6、8、9个像素点作为第2个聚类中心对应的像素点，并设定该些像素点中第1个不属于第1个聚类中心的隶属区域的像素点为第2个聚类中心的隶属区域中的像素点，即确定图像中第2个像素点作为第2个聚类中心的隶属区域中的像素点；根据公式5确定第2个像素点的筛选值w_2,2，再根据公式5确定第4个像素点的筛选值w_2,4，此时对于第4个像素点来说，其目标像素点为第2个像素点，判断|w_2,4-w_2,2|与ξ的大小关系，以确定第4个像素点是否属于第2个聚类中心的隶属区域；再根据公式5确定第5个像素点的筛选值w_2,5，若第4个像素点属于第2个聚类中心的隶属区域，则第5个像素点的目标像素点为第4个像素点；若第4个像素点不属于第2个聚类中心的隶属区域，则第5个像素点的目标像素点为第2个像素点，以确定第5个像素点是否属于第2个聚类中心的隶属区域；依次类推，以确定属于第2个聚类中心的隶属区域的像素点；

以确定不属于第1个的隶属区域的像素点是否属于第2个的隶属区域，其确定过程与上述确定属于第1个聚类中心的隶属区域的像素点相似，此处不再赘述；

在确定属于第2个聚类中心的隶属区域中的像素点之后，确定既不属于第1个聚类中心的隶属区域，也不属于第2个聚类中心的隶属区域的像素点作为第3个聚类中心的像素点，以确定剩余的像素点是否属于第3个聚类中心的隶属区域，其确定过程与上述确定属于第2个聚类中心的隶属区域的像素点相似，此处不再赘述；

需要说明的是，若对第i个聚类中心的像素点进行筛选时，确定某个或某些个像素点属于第1个聚类中心的隶属区域，则在对第2~c个聚类中心的像素点进行筛选时，不再考虑已属于第i个聚类中心的隶属区域的像素点。

S104中每个聚类中心的隶属区域的特征数据包括多种类型的特征数据；

具体的，特征数据包括面积、伸长度、厚实度、圆度、边缘平滑度中的一种或多种。

若每个聚类中心的隶属区域的特征数据包括多种类型的特征数据，则确定待检测目标物体的缺陷区域，如图3所示，包括以下步骤：

S1041、从未使用的特征数据的类型中选择本次检测所使用的特征数据的类型；

S1042、根据选择的特征数据的类型，确定每个未检测出是缺陷区域的隶属区域的特征数据；

S1043、根据确定的隶属区域的特征数据，确定每个未检测出是缺陷区域的隶属区域的比值；

S1044、将确定的隶属区域的比值与该类型特征数据对应的阈值进行比较，在确定的隶属区域的比值小于该类型特征数据对应的阈值时，确定该隶属区域是缺陷区域。

较佳地，在S1041之前还包括：对确定的隶属区域的图像进行二值化处理，确定二值化处理后的每个聚类中心的隶属区域的特征数据。

较佳地，如图3所示，本发明实施例中S1044之后，还包括：

S1045、判断是否有未使用的特征数据的类型；

若是，则返回S1041；

若否，则结束本流程。

下面以第一次检测的特征数据的类型为隶属区域的面积，第二次检测隶属区域的伸长度及边缘平滑度（先检测伸长度，再检测边缘平滑度），第三次检测隶属区域的圆度及厚实度（先检测圆度，再检测厚实度）为例进行说明；需要说明的是，对隶属区域的检测顺序也可以为其他顺序，如第一次检测隶属区域的伸长度及边缘平滑度（先检测伸长度，再检测边缘平滑度），第二次检测隶属区域的面积，第三次检测隶属区域的圆度及厚实度（先检测圆度，再检测厚实度），此处不再赘述；

假设确定的聚类中心的数目为6，则确定的隶属区域的数目也为6个，则计算6个隶属区域的面积分别为A₁,A₂,A₃,....,A₆，其中A_i为第i个聚类中心的隶属区域的面积；其中定义一个二值图像中区域的面积，就是该区域所占的像素点的数目，即区域的边界内包含的像素点的数目，则根据公式6确定每个隶属区域面积:

$A_i=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}J(i,j)$ 公式6；

则确定A₂对应的比值为

A₃对应的比值为

…,A₆对应的比值为

A₁对应的比值为

若

则确定第2个聚类中心的隶属区域为缺陷区域；若

则确定第2个聚类中心的隶属区域不是缺陷区域；依此类推，以确定聚类中心的隶属区域是否为缺陷区域；其中η为设定的特征数据类别为面积时对应的阈值；

若第一次检测后，确定A₁及A₃对应的隶属区域为缺陷区域，则在第二次检测时，不再检测A₁及A₃对应的隶属区域，即只确定第2、4、5、6个聚类中心的隶属区域的伸长度E₂、E₄、E₅、E₆的值，则确定E₄对应的比值为

若

则确定第4个聚类中心的隶属区域不是缺陷区域，则继续第三类检测；若

则确定第4个聚类中心的隶属区域是缺陷区域，为了确定缺陷的类型，则确定SM₂对应的比值为若

则第4个聚类中心的隶属区域为划伤缺陷，若

则第4个聚类中心的隶属区域为裂纹缺陷；依此类推，以确定第一次检测后未检测出是缺陷区域的隶属区域是否为缺陷区域；

第三次检测的过程与第二次检测的过程类似，此处不再赘述。

以下对本发明实施例的隶属区域的其他种类的特征数据进行说明。

伸长度E为隶属区域的短轴与长轴的比值，如果E=0，则说明隶属区域为一线段，如果E=l，则说明隶属区域为圆形，E的值介于0至1之间；

圆度R为隶属区域的周长(P)与面积（A）的比值；圆度反映区域边界轮廓的延伸；

边缘平滑度SM：区域边界上相邻两像素点之间的连线称为微边，相邻两微边的夹角可反映该区域边界的变化情况，累积邻接码值差Rv越大，则说明隶属区域的边界越不平滑；

厚实度S为隶属区域的面积与包围隶属区域的最小的凸多边形面积的比值，其值在0至1之间的范围内；厚实度反映隶属区域的弯曲程序和凹凸性；以钢丝绳为例，凸多边形在钢丝绳扭转图像中为钢丝绳上因为扭转产生的突起部分。

较佳地，本发明实施例在确定的隶属区域的比值小于该类型的特征数据对应的阈值之后，还包括：

将比较时使用的特征数据的类型对应的缺陷类别作为该聚类中心对应的缺陷区域的缺陷类别。

常见的缺陷类别包括断丝或热蚀、划伤或裂纹、旋转损伤；可根据经验设定特征数据的类型与常见的缺陷类别之间的对应关系，具体的，面积数据对应断丝或热蚀，伸长度及边缘平滑度对应划伤或裂纹，厚实度及圆度对应旋转损伤；

具体的，如图4所示，若隶属区域的面积对应的比值小于设定的面积对应的阈值，则确定隶属区域为缺陷区域，且确定缺陷区域的缺陷类别为断丝或热蚀，即该隶属区域对于该类缺陷为不合格；若该隶属区域的面积对应的比值不小于设定的面积对应的阈值，确定该隶属区域对于该类缺陷为合格，则继续比较其伸长度及边缘平滑度对应的比值；

若隶属区域的伸长度对应的比值小于设定的伸长度对应的阈值，则确定该隶属区域为缺陷区域，即该隶属区域对于该类缺陷为不合格，若伸长度对应的比值小于设定的伸长度对应的阈值且边缘平滑度对应的比值小于设定的边缘平滑度对应的阈值，则确定缺陷区域的缺陷类别为划伤；若隶属区域的伸长度对应的比值小于设定的伸长度对应的阈值且边缘平滑度对应的比值不小于设定的边缘平滑度对应的阈值，则确定隶属区域的缺陷类别为裂纹；若该隶属区域的伸长度对应的比值不小于设定的伸长度阈值，确定该隶属区域对于该类缺陷为合格，则继续比较其圆度及厚实度比值比值；

若隶属区域的圆度对应的比值小于设定的圆度对应的阈值，则该隶属区域有可能是旋转损坏缺陷，需要继续检测厚实度对应的比值，若厚实度对应的比值小于设定的圆度对应的阈值，则确定确定隶属区域为旋转损伤缺陷，即该隶属区域对于该类缺陷为不合格；若隶属区域的厚实度对应的比值不小于设定的厚实度对应的阈值，则确定隶属区域不是缺陷区域，即该隶属区域对于该类缺陷为合格；若隶属区域的圆度对应的比值不小于设定的圆度对应的阈值，则确定该隶属区域不是缺陷区域，则该隶属区域对于该类缺陷为合格；

确定不属于任何缺陷的隶属区域不是待检测目标物体的缺陷区域，若所有的隶属区域都不是缺陷区域，则说明待检测目标物体的外形无缺陷，能够继续正常运行。

需要说明的是，上述比较过程中的比较顺序可根据需要设定，例如可以先比较隶属区域的厚实度比值及圆度比值，再比较面积比值，最后比较伸长度及边缘平滑度比值。

基于同一发明构思，本发明实施例中还提供了一种监测目标物体缺陷的设备，由于该设备解决问题的原理与上述监测目标物体缺陷的方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。

如图5所示，本发明实施例的一种监测目标物体缺陷的设备包括：

图像采集模块10，用于采集待检测目标物体的图像；

着色处理模块20，用于对待检测目标物体进行着色处理；

隶属区域确定模块30，用于根据设定的聚类中心确定包含待检测目标物体的图像中属于每个聚类中心的像素点，其中属于同一个聚类中心的像素点组成该聚类中心对应的隶属区域；

特征数据确定模块40，用于根据属于同一个隶属区域的像素点确定该隶属区域对应的特征数据；

缺陷区域确定模块50，用于根据每个隶属区域对应的特征数据及该特征数据对应的阈值，确定隶属区域是否为待检测目标物体的缺陷区域。

隶属区域确定模块30具体用于：

确定图像中的像素点与聚类中心的隶属度矩阵；根据预设的模糊度系数和隶属度矩阵，确定目标函数矩阵；根据目标函数矩阵，确定每个聚类中心对应的每个像素点的筛选值；针对一个聚类中心，根据该聚类中心对应的每个像素点的筛选值，确定属于该聚类中心的隶属区域中的像素点。

隶属区域确定模块30还用于：

根据预设的模糊度系数对隶属度矩阵进行修正处理，得到修正隶属度矩阵；根据修正隶属度矩阵确定图像的目标函数矩阵。

优选的，隶属区域确定模块30根据公式2确定修正隶属度矩阵中的元素值。

优选的，隶属区域确定模块30根据公式5确定每个聚类中心对应的每个像素点的筛选值。

隶属区域确定模块30还用于：

将所有未被检测出属于已检测的聚类中心的隶属区域的像素点作为本次检测的聚类中心对应的像素点，并从本次检测的聚类中心对应的像素点中选择一个像素点作为本次检测的聚类中心的隶属区域中的像素点；

针对本次检测的聚类中心对应的一个像素点，确定该像素点对应的目标像素点，其中目标像素点属于该聚类中心的隶属区域，若该像素点在目标函数矩阵中对应的位置和目标像素点在目标函数矩阵中对应的位置之间有其他像素点，则其他像素点都不属于该聚类中心的隶属区域；确定该像素点的筛选值和目标像素点的筛选值之间的差值的绝对值；若确定的差绝对值小于预设的门限值，则确定该像素点属于该聚类中心的隶属区域；若确定的绝对值不小于门限值，则确定该像素点不属于该聚类中心的隶属区域。

缺陷区域确定模块50具体用于：

每个聚类中心对应区域的特征数据包括多种类型的特征数据，从未使用的特征数据的类型中选择本次检测所使用的特征数据的类型；根据选择的特征数据的类型，确定每个未检测出是缺陷区域的隶属区域的特征数据；根据确定的隶属区域的特征数据，确定每个未检测出是缺陷区域的隶属区域的比值；将确定的隶属区域的比值与该类型特征数据对应的阈值进行比较，在确定的隶属区域的比值小于该类型特征数据对应的阈值时，确定该隶属区域是缺陷区域。

缺陷区域确定模块50还用于：

确定该隶属区域是缺陷区域之后，判断是否有未使用的特征数据的类型；若有，则返回从未使用的特征数据的类型中选择本次检测所使用的特征数据的类型的步骤。

缺陷区域确定模块50还用于：

在确定的隶属区域的比值小于该类型的特征数据对应的阈值之后，将比较时使用的特征数据的类型对应的缺陷类别作为该聚类中心对应的缺陷区域的缺陷类别。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

本发明实施例根据包含待检测目标物体的图像中属于每个设定的聚类中心的像素点组成的隶属区域的特征数据及该特征数据对应的阈值确定待检测目标物体的缺陷区域，由于特征数据的计算是针对每个聚类中心对应的隶属区域，所以能够加快处理速度；并且通过本发明实施例能够确定待检测目标物体缺陷区域的位置。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (13)

1.一种监测目标物体缺陷的方法，其特征在于，所述方法包括：

采集待检测目标物体的图像；

对所述待检测目标物体进行着色处理；

根据设定的聚类中心确定包含所述待检测目标物体的图像中属于每个聚类中心的像素点，其中属于同一个聚类中心的像素点组成该聚类中心的隶属区域；

根据属于同一个隶属区域的像素点确定该隶属区域对应的特征数据；

根据每个隶属区域对应的特征数据及该特征数据对应的阈值，确定所述隶属区域是否为所述待检测目标物体的缺陷区域。

2.根据权利要求1所述的方法，其特征在于，确定属于每个聚类中心的像素点，包括：

确定所述图像中的像素点与所述聚类中心的隶属度矩阵；

根据预设的模糊度系数和所述隶属度矩阵，确定目标函数矩阵；

根据目标函数矩阵，确定每个聚类中心对应的每个像素点的筛选值；

针对一个聚类中心，根据该聚类中心对应的每个像素点的筛选值，确定属于该聚类中心的隶属区域中的像素点。

3.根据权利要求2所述的方法，其特征在于，确定目标函数矩阵，包括：

根据预设的模糊度系数对所述隶属度矩阵进行修正处理，得到修正隶属度矩阵；

根据所述修正隶属度矩阵确定所述图像的目标函数矩阵。

4.根据权利要求3所述的方法，其特征在于，根据下列公式确定所述修正隶属度矩阵中的元素值：

其中，u_ij为修正隶属度矩阵中的元素值；α为模糊度系数，0≤α≤1；为所述图像的隶属度矩阵，i＝1,2,…,c，j＝1,2,…,n；i₀＝1,2,…,c，j₀＝1,2,…,n；其中n为所述图像的像素点的数目，c为聚类中心的数目。

5.根据权利要求2所述的方法，其特征在于，根据下列公式确定每个聚类中心对应的每个像素点的筛选值：

$w_{i_1,j_1}=\frac{\underset{i=1}{\overset{i_1}{\mathrm{\Σ}}}[{\left({\mathrm{\μ}}_{\mathrm{ij}}\right)}^m\×j\×J(i,j)]}{\underset{i=1}{\overset{i_1}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ij}}\right)}^m};$

其中，为每个像素点对应的筛选值；{μ_ij}为经过归一化处理后的修正隶属度矩阵；i₁＝1,2,…,c，j₁＝1,2,…,n；i＝1,2,…,c，j＝1,2,…,n；其中n为所述图像的像素点的数目，c为聚类中心的数目；J(i,j)为目标函数矩阵；m为模糊加权指数，m∈[1,∞)。

6.根据权利要求5所述的方法，其特征在于，确定属于该聚类中心的隶属区域中的像素点，包括：

将所有未被检测出属于已检测的聚类中心的隶属区域的像素点作为本次检测的聚类中心对应的像素点，并从本次检测的聚类中心对应的像素点中选择一个像素点作为本次检测的聚类中心的隶属区域中的像素点；

针对本次检测的聚类中心对应的一个像素点，确定该像素点对应的目标像素点，其中所述目标像素点属于该聚类中心的隶属区域，若该像素点在所述目标函数矩阵中对应的位置和目标像素点在所述目标函数矩阵中对应的位置之间有其他像素点，则所述其他像素点都不属于该聚类中心的隶属区域；

确定该像素点的筛选值和目标像素点的筛选值之间的差值的绝对值；

若确定的绝对值小于预设的门限值，则确定该像素点属于该聚类中心的隶属区域；

若确定的绝对值不小于所述门限值，则确定该像素点不属于该聚类中心的隶属区域。

7.如权利要求1所述的方法，其特征在于，每个所述聚类中心对应区域的特征数据包括多种类型的特征数据；

确定所述隶属区域是否为所述待检测目标物体的缺陷区域，包括：

从未使用的特征数据的类型中选择本次检测所使用的特征数据的类型；

根据选择的特征数据的类型，确定每个未检测出是缺陷区域的隶属区域的特征数据；

根据确定的隶属区域的特征数据，确定每个未检测出是缺陷区域的隶属区域的比值；

将确定的隶属区域的比值与该类型特征数据对应的阈值进行比较，在确定的隶属区域的比值小于该类型特征数据对应的阈值时，确定该隶属区域是缺陷区域。

8.如权利要求7所述的方法，其特征在于，确定该隶属区域是缺陷区域之后，还包括：

判断是否有未使用的特征数据的类型；

若有，则返回从未使用的特征数据的类型中选择本次检测所使用的特征数据的类型的步骤。

9.如权利要求6所述的方法，其特征在于，在确定的隶属区域的比值小于该类型特征数据对应的阈值之后，还包括：

将比较时使用的特征数据的类型对应的缺陷类别作为该聚类中心对应的缺陷区域的缺陷类别。

10.一种监测目标物体缺陷的设备，其特征在于，所述设备包括：

图像采集模块，用于采集待检测目标物体的图像；

着色处理模块，用于对所述待检测目标物体进行着色处理；

隶属区域确定模块，用于根据设定的聚类中心确定包含所述待检测目标物体的图像中属于每个聚类中心的像素点，其中属于同一个聚类中心的像素点组成该聚类中心的隶属区域；

特征数据确定模块，用于根据属于同一个隶属区域的像素点确定该隶属区域对应的特征数据；

缺陷区域确定模块，用于根据每个隶属区域对应的特征数据及该特征数据对应的阈值，确定所述隶属区域是否为所述待检测目标物体的缺陷区域。

11.如权利要求10所述的设备，其特征在于，所述隶属区域确定模块具体用于：

确定所述图像中的像素点与所述聚类中心的隶属度矩阵；根据预设的模糊度系数和所述隶属度矩阵，确定目标函数矩阵；根据目标函数矩阵，确定每个聚类中心对应的每个像素点的筛选值；针对一个聚类中心，根据该聚类中心对应的每个像素点的筛选值，确定属于该聚类中心的隶属区域中的像素点。

12.如权利要求11所述的设备，其特征在于，所述隶属区域确定模块还用于：

将所有未被检测出属于已检测的聚类中心的隶属区域的像素点作为本次检测的聚类中心对应的像素点，并从本次检测的聚类中心对应的像素点中选择一个像素点作为本次检测的聚类中心的隶属区域中的像素点；

针对本次检测的聚类中心对应的一个像素点，确定该像素点对应的目标像素点，其中所述目标像素点属于该聚类中心的隶属区域，若该像素点在所述目标函数矩阵中对应的位置和目标像素点在所述目标函数矩阵中对应的位置之间有其他像素点，则所述其他像素点都不属于该聚类中心的隶属区域；确定该像素点的筛选值和目标像素点的筛选值之间的差值的绝对值；若确定的差绝对值小于预设的门限值，则确定该像素点属于该聚类中心的隶属区域；若确定的绝对值不小于所述门限值，则确定该像素点不属于该聚类中心的隶属区域。

13.如权利要求10所述的设备，其特征在于，所述缺陷区域确定模块具体用于：

每个所述聚类中心对应区域的特征数据包括多种类型的特征数据，从未使用的特征数据的类型中选择本次检测所使用的特征数据的类型；根据选择的特征数据的类型，确定每个未检测出是缺陷区域的隶属区域的特征数据；根据确定的隶属区域的特征数据，确定每个未检测出是缺陷区域的隶属区域的比值；将确定的隶属区域的比值与该类型特征数据对应的阈值进行比较，在确定的隶属区域的比值小于该类型特征数据对应的阈值时，确定该隶属区域是缺陷区域。

Images