CN104637067A

CN104637067A - 一种纹理表面的缺陷检测方法

Info

Publication number: CN104637067A
Application number: CN201510118459.6A
Authority: CN
Inventors: 赖明钟
Original assignee: XIAMEN MAIKEMASHI ELECTRONIC INFORMATION TECHNOLOGY Co Ltd
Current assignee: XIAMEN MAIKEMASHI ELECTRONIC INFORMATION TECHNOLOGY Co Ltd
Priority date: 2015-03-18
Filing date: 2015-03-18
Publication date: 2015-05-20
Anticipated expiration: 2035-03-18
Also published as: CN104637067B

Abstract

本发明公开了一种纹理表面的缺陷检测方法，包括以下步骤：首先，通过摄像机获取产品的图像，并进行亮度归一化矫正；其次，采用非线性范围滤波器滤去除表面纹理背景；然后，对图像进行对数、指数和幂次运算等处理，增强细微缺陷；继而，采用尼巴拉克（Niblack）阈值法提取候选缺陷区域；最后，进行缺陷识别。本发明可消除产品表面纹理和各区域亮度不均匀带来的干扰，并对细微缺陷进行增强处理，从而能够快速且准确地检测产品的表面缺陷。

Description

一种纹理表面的缺陷检测方法

技术领域

本发明涉及一种缺陷检测方法，具体涉及一种纹理表面的缺陷检测方法。

背景技术

很多工业产品出厂时，都需要检测表面缺陷，随着市场竞争日益激烈，工业产品的外观越来越精美。表面形状更加复杂，表面喷砂、氧化等越来越多，导致工业品越来越美观的同时，表面上的缺陷也更加难于检测。

纹理是一种反映像素灰度的空间分布属性，通常表现为局部不规则但宏观存在规律的特征。一般表现为灰度与颜色的变化，以及纹理基元的反复出现性和排列规则性。工业品喷砂、氧化等工艺的特点，每个“合格”工业品个体间表面“纹理”都存在差异，对于复杂表面形状，每次成像之间也会存在差异，这些都给“表面缺陷的检测和判断”带来了极大的困难，常规算法很难将缺陷和表面纹理区分开。

由于企业生产环境的复杂性，和产品可能具有复杂的表面形状，实际成像中，图像的各个区域亮度不一致，部分区域亮度高，部分区域亮度低，给表面缺陷的增强和检测带来了较大的困难。

对此，中国公开专利：CN103293168.A公开了一种基于视觉显著性的水果表面缺陷检测方法，通过视觉显著图排除了纹理和颜色不均的干扰，但此方法处理过程算法复杂，检测速度慢，且对细微缺陷没有进行增强处理，可能存在漏检。

发明内容

本发明目的在于为克服上述问题而提供一种算法快速，能够排除纹理背景和亮度不均的干扰，且识别精度高的纹理表面的缺陷检测方法。

为实现上述目的，本发明采用的技术方案是：

一种纹理表面的缺陷检测方法，包括如下步骤：

（一）亮度归一化矫正：

1.1：采集一幅产品的摄像机图像ImageColor；

1.2：提取图像ImageColor，得到红色通道图像ImageRed；

1.3：分别在水平和竖直方向均值平滑图像ImageRed，得到平滑图像ImageRedMean；

1.4：利用平滑图像ImageRedMean，反向矫正图像ImageRed亮度,得到图像ImageRed_new；对于图像中的每个像素，使用下面公式进行矫正:

ImageRed_new=(ImageRed-ImageRedMean)*C+ImageRed；

1.5：提取图像ImageColor，得到绿色通道图像ImageGreen；

1.6：分别在水平和竖直方向均值平滑图像ImageGreen，得到平滑图像ImageGreenMean；

1.7：利用平滑图像ImageGreenMean，反向矫正图像ImageGreen亮度，得到图像ImageGreen_new；对于图像中的每个像素，使用下面公式进行矫正:

ImageGreen_new=(ImageGreen-ImageGreenMean)*C+ImageGreen；

1.8：提取图像ImageColor，得到蓝色通道图像ImageBlue；

1.9：分别在水平和竖直方向均值平滑图像ImageBlue，得到平滑图像ImageBlueMean；

1.10：利用平滑图像ImageBlueMean，反向矫正图像ImageBlue亮度，得到图像ImageBlue_new；对于图像中的每个像素，使用下面公式进行矫正:

ImageBlue_new=(ImageBlue-ImageBlueMean)*C+ImageBlue；

1.11:合并图像ImageRed_new、图像ImageGreen_new和图像ImageBlue_new，得到图像ImageRect；

（二）去除表面纹理背景：

2.1：使用非线性范围滤波器滤去除图像ImageRect的纹理，逐个像素处理，得到图像ImageTrim；

（三）细微缺陷的增强：

3.1：对图像ImageTrim进行对数运算，得到图像ImageLog；

3.2：对图像ImageLog进行指数运算，得到图像ImageExp；

3.3：对图像ImageExp进行幂次运算，得到图像ImagePow；

3.4：对图像ImagePow进行自适应拉伸，得到图像ImageScale；

（四）提取缺陷：

4.1：使用尼巴拉克（Niblack）阈值提取方法，提取白色缺陷RegionLight；

4.2：使用尼巴拉克（Niblack）阈值提取方法，提取黑色缺陷RegionDark；

4.3：合并白色缺陷RegionLight和黑色缺陷RegionDark得到候选缺陷区域Region；

（五）缺陷识别：

5.1：对候选缺陷区域Region进行连通域分析，根据面积和灰度选择可疑缺陷区域RegionSelected。

5.2：对可疑缺陷区域RegionSelected进行灰度“闭”操作，闭合半径为J，得到闭合区域RegionClosing；

5.3：对闭合区域RegionClosing进行连通域分析，计算连通域面积，将面积大于K的列为缺陷区域。

进一步的，所述步骤1.3、1.6和1.9中，平滑窗口大小为A*B，A的取值范围为图像宽度的1/4~1/2，B的取值范围为图像高度的1/4~1/2。

进一步的，所述步骤1.4、1.7和1.10中， C的范围为0.1~2。

进一步的，所述步骤2.1中，逐个像素处理的具体方法为：对于像素Pixel，在MaskX和MaskY范围内将所有像素灰度按照大小顺序排列，去除前面（MaskX * MaskY）/D个灰度，去除后面（MaskX * MaskY）/E个灰度，将剩余的像素灰度进行均值处理（D和E的取值范围都是1/4~1/2）。

进一步的，所述步骤3.1中，对数运算是以e为底。

进一步的，所述步骤3.2中，指数运算是以10为底。

进一步的，所述步骤3.3中，幂次参数为R，取值范围为6~10。

进一步的，所述步骤3.4中，自适应拉伸的具体方法为：提取图像ImagePow的灰度Min和灰度Max，将Min和Max拉升到0~255。

进一步的，所述步骤5.1中，选择可疑缺陷区域的具体方法：连通域后，计算每个连通区域的面积Area和平均灰度MeanGray，将Area在F和G之间，且MeanGray在H和I之间的列为可疑缺陷区域RegionSelected。

进一步的，所述F、G、H、I、J和K的取值范围根据客户具体要求而定。

本发明与现有技术相比具有以下优点：

本发明通过图像亮度归一化矫正和非线性滤波器处理，排开了区域亮度不均和表面纹理背景的干扰，实现在复杂环境下，对具有复杂表面形状的产品表面缺陷的检测，适用性强，且通过对细微缺陷进行增强处理，提高了表面缺陷检测的精度和准确性，同时算法简单，检测效率高，能够满足日益大规模化的工业生产要求。

附图说明

图1为本发明实施例的处理流程图。

图2为本发明实施例中的红色通道图。

图3为本发明实施例中经过亮度矫正的红色通道图。

图4为本发明实施例中去除表面纹理背景图。

图5为本发明实施例中进行细微缺陷增强图。

图6为本发明实施例中缺陷识别示意图。

具体实施方式

现结合附图和具体实施方式对本发明进一步说明。

如图1所述，一种纹理表面的缺陷检测方法，包括如下步骤：

（一）亮度归一化矫正：

前面提到，企业生产环境复杂且产品可能具有复杂的表面形状，所以实际成像中，图像的各个区域亮度不一致，部分区域亮度高，部分区域亮度低，给表面缺陷的增强和检测带来了较大的困难。本发明提出一种快速计算场景亮度分布的方法，并将场景亮度反向补偿图像的亮度分布，得到各区域亮度均衡的场景图像。具体方法为：

1.1：通过CCD摄像机或COMS摄像机采集一幅产品的摄像机彩色图像ImageColor。

1.2：利用图像处理工具（如Photoshop）提取彩色图像ImageColor，得到红色通道图像ImageRed，如图2所示。

1.3：分别在水平和竖直方向均值平滑图像ImageRed，，平滑窗口大小为A*B，本优选方案中，A的取值范围为图像宽度的1/4~1/2，B的取值范围为图像高度的1/4~1/2，得到平滑图像ImageRedMean，利用平滑窗口均值平滑图像是图像处理领域的常用算法，于此不再具体说明。

1.4：利用平滑图像ImageRedMean，反向矫正图像ImageRed亮度,得到图像ImageRed_new；对于图像中的每个像素，使用下面公式进行矫正

ImageRed_new = (ImageRed - ImageRedMean) * C + ImageRed，其中C的范围为0.1~2，矫正后的图像如图3所示。

1.5：利用图像处理工具（如Photoshop）提取彩色图像ImageColor，得到绿色通道图像ImageGreen。

1.6：分别在水平和竖直方向均值平滑图像ImageGreen，，平滑窗口大小为A*B，本优选方案中，A的取值范围为图像宽度的1/4~1/2，B的取值范围为图像高度的1/4~1/2，得到平滑图像ImageGreenMean。

1.7：利用平滑图像ImageGreenMean，反向矫正图像ImageGreen亮度，得到图像ImageGreen_new；对于图像中的每个像素，使用下面公式进行矫正：

ImageGreen_new = (ImageGreen - ImageGreenMean) * C + ImageGreen，其中C的范围为0.1~2。

1.8：利用图像处理工具（如Photoshop）提取彩色图像ImageColor，得到蓝色通道图像ImageBlue。

1.9：分别在水平和竖直方向均值平滑图像ImageBlue，平滑窗口大小为A*B，本优选方案中，A的取值范围为图像宽度的1/4~1/2，B的取值范围为图像高度的1/4~1/2，得到平滑图像ImageBlueMean。

1.10：利用平滑图像ImageBlueMean，反向矫正图像ImageBlue亮度，得到图像ImageBlue_new；对于图像中的每个像素，使用下面公式进行矫正：

ImageBlue_new = (ImageBlue - ImageBlueMean) * C + ImageBlue，其中C的范围为0.1~2。

1.11合并图像ImageRed_new、图像ImageGreen_new和图像ImageBlue_new，得到图像ImageRect。

（二）去除表面纹理背景：

使用非线性范围滤波器滤去除图像ImageRect的纹理，逐个像素处理，得到图像ImageTrim，具体方法为：对于像素Pixel，在MaskX和MaskY范围内将所有像素灰度按照从小到大或从大到小排列，去除前面（MaskX * MaskY）/D个灰度，去除后面（MaskX * MaskY）/E个灰度，将剩余的像素灰度进行均值处理（D和E的取值范围都是1/4~1/2），处理后的图像如图4所示。

由于喷砂、氧化等只会导致表面像素灰度小范围变化，因此该方法有效抑制了表面原有纹理。

（三）细微缺陷的增强：

3.1：对图像ImageTrim进行对数运算（以e为底），得到图像ImageLog，对图像进行对数运算是图像处理领域的常用算法，于此不再具体说明。

3.2：对图像ImageLog进行以10为底的指数运算，得到图像ImageExp，对图像进行指数运算是图像处理领域的常用算法，于此不再具体说明。

3.3：对图像ImageExp进行幂次运算，得到图像ImagePow，幂次参数为R，取值范围为6~10，对图像进行对数幂算是图像处理领域的常用算法，于此不再具体说明。

3.4：对图像ImagePow进行自适应拉伸，得到图像ImageScale，具体方法为：提取图像ImagePow的灰度Min和灰度Max，将Min和Max拉升到0~255。处理后图像如图5所示。

（四）提取缺陷：

尼巴拉克（Niblack）二值化算法是比较简单的局部阈值方法，阈值的计算公式是T = m + k*v，其中m为以该像素点为中心的区域的平均灰度值，v是该区域的标准差，k是一个系数（通常取-0.1）。

（五）缺陷识别：

5.1：对候选缺陷区域Region进行连通域分析，根据面积和灰度选择可疑缺陷区域RegionSelected，具体方法：连通域后，计算每个连通区域的面积Area和平均灰度MeanGray，将Area在F和G之间，且MeanGray在H和I之间的列为可疑缺陷区域RegionSelected，连通域操作是图像处理领域的常用算法，于此不再具体说明。

5.2：对可疑缺陷区域RegionSelected进行灰度“闭”操作，闭合半径为J，得到闭合区域RegionClosing，灰度闭操作是图像处理领域的常用算法，于此不再具体说明。

其中，F、G、H、I、J和K的取值范围根据客户对合格产品的缺陷判断标准来确定，例如K的取值小于464，则图6中检测出的两个区域8759和464判定为缺陷。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims

1.一种纹理表面的缺陷检测方法，其特征在于，包括如下步骤：

（一）亮度归一化矫正：

1.1：采集一幅产品的摄像机图像ImageColor；

1.2：提取图像ImageColor，得到红色通道图像ImageRed；

ImageRed_new=(ImageRed-ImageRedMean)*C+ImageRed；

1.5：提取图像ImageColor，得到绿色通道图像ImageGreen；

ImageGreen_new=(ImageGreen-ImageGreenMean)*C+ImageGreen；

1.8：提取图像ImageColor，得到蓝色通道图像ImageBlue；

ImageBlue_new=(ImageBlue-ImageBlueMean)*C+ImageBlue；

1.11合并图像ImageRed_new、图像ImageGreen_new和图像ImageBlue_new，得到图像ImageRect；

（二）去除表面纹理背景：

（三）细微缺陷的增强：

3.1：对图像ImageTrim进行对数运算，得到图像ImageLog；

3.2：对图像ImageLog进行指数运算，得到图像ImageExp；

3.3：对图像ImageExp进行幂次运算，得到图像ImagePow；

3.4：对图像ImagePow进行自适应拉伸，得到图像ImageScale；

（四）提取缺陷：

（五）缺陷识别：

5.1：对候选缺陷区域Region进行连通域分析，根据面积和灰度选择可疑缺陷区域RegionSelected；

2.根据权利要求1所述的一种纹理表面的缺陷检测方法，其特征在于，所述步骤1.3、1.6和1.9中，平滑窗口大小为A*B，A的取值范围为图像宽度的1/4~1/2，B的取值范围为图像高度的1/4~1/2。

3.根据权利要求1所述的一种纹理表面的缺陷检测方法，其特征在于，所述步骤1.4、1.7和1.10中，C的范围为0.1~2。

4.根据权利要求1所述的一种纹理表面的缺陷检测方法，其特征在于，所述步骤2.1中，逐个像素处理的具体方法为：对于像素Pixel，在MaskX和MaskY范围内将所有像素灰度按照大小顺序排列，去除前面（MaskX * MaskY）/D个灰度，去除后面（MaskX * MaskY）/E个灰度，将剩余的像素灰度进行均值处理（D和E的取值范围都是1/4~1/2）。

5.根据权利要求1所述的一种纹理表面的缺陷检测方法，其特征在于，所述步骤3.1中，对数运算是以e为底。

6.根据权利要求1所述的一种纹理表面的缺陷检测方法，其特征在于，所述步骤3.2中，指数运算是以10为底。

7.根据权利要求1所述的一种纹理表面的缺陷检测方法，其特征在于，所述步骤3.3中，幂次参数为R，取值范围为6~10。

8.根据权利要求1所述的一种纹理表面的缺陷检测方法，其特征在于，所述步骤3.4中，自适应拉伸的具体方法为：提取图像ImagePow的灰度Min和灰度Max，将Min和Max拉升到0~255。

9.根据权利要求1所述的一种纹理表面的缺陷检测方法，其特征在于，所述步骤5.1中，选择可疑缺陷区域的具体方法：连通域后，计算每个连通区域的面积Area和平均灰度MeanGray，将Area在F和G之间，且MeanGray在H和I之间的列为可疑缺陷区域RegionSelected。

10.根据权利要求1或9所述的一种纹理表面的缺陷检测方法，其特征在于，所述F、G、H、I、J和K的取值范围根据客户具体要求而定。