CN106918602B - 一种鲁棒的基于机器视觉的表面缺陷检测方法 - Google Patents
一种鲁棒的基于机器视觉的表面缺陷检测方法 Download PDFInfo
- Publication number
- CN106918602B CN106918602B CN201710239734.9A CN201710239734A CN106918602B CN 106918602 B CN106918602 B CN 106918602B CN 201710239734 A CN201710239734 A CN 201710239734A CN 106918602 B CN106918602 B CN 106918602B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- damage
- value
- threshold value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
Abstract
一种鲁棒的基于机器视觉的表面缺陷检测方法,包括以下几个步骤:步骤1:对输入的彩色图像进行灰度化处理,得到灰度图像;步骤2:当灰度图像中的损伤灰度值比背景高时,对灰度图像进行反色;步骤3:基于提出的二值化阈值优化函数求取最佳阈值;步骤4:基于最佳阈值对图像进行二值化;步骤5:对二值化后的图像进行轮廓检测。本发明提出的二值化阈值优化函数求取最佳阈值的方法,相比于传统的二值化操作例如迭代阈值法、大津法、双峰平均值法和一维最大熵法,有很强的鲁棒性,不仅能够从含有表面缺陷的图像中准确提取损伤的位置,而且能大大降低不含有损伤图像误检为损伤的比例。该发明参数调节方便,实现过程简单。
Description
技术邻域
本发明属于图像处理领域,其涉及一种鲁棒的基于机器视觉的表面缺陷检测方法。
背景技术
目前,由于机器视觉的普及,基于机器视觉的表面缺陷检测方法非常广泛,在计算机视觉及图像处理领域,图像的二值化处理方法是图像分析与识別最基本而很重要的研究内容之一,一般基于机器视觉的表面缺陷检测方法是通过二值化对图像进行检测。目前,图像的二值化方法较多,但是往往检测效果不佳。缺乏鲁棒性,往往只能针对一种检测对象表面,比如织物、金属和玻璃等等。常规二值化算法往往存在很大的错误检测率,经常在不含有损伤图像中错误检测出损伤。
发明内容
1.发明要解决的技术问题
针对现有二值化检测算法往往只能针对一种检测对象表面,比如织物、金属和玻璃等的问题。同时为了降低常规二值化算法存在很大的错误检测率,本发明提供了一种鲁棒的基于机器视觉的表面缺陷检测方法。采用本发明的技术方案,可以满足绝大多数的材料表面缺陷的自动检测,大大方便了基于机器视觉表面缺陷检测的应用。
2.技术方案
为达到上述目的,本发明提供的技术方案为:
一种鲁棒的基于机器视觉的表面缺陷检测方法,具体包括以下步骤:
步骤1:灰度化处理。通过相机采集待检测表面图像,如果为彩色图像,先进行灰度化处理得到灰度图像I。
步骤2:图像反色。如果损伤的灰度值高于背景值,灰度图像I进行反色操作。
步骤3:阈值初始化。初始化二值化阈值t,并计算图像的概率统计值P0(t)。
其中,pi为灰度值为i的概率,pi=ni/N,其中ni为图像中灰度值为i的像素点个数,N为整个图像像素点的个数。
步骤4:计算图像的平均概率统计值u0(t)和u1(t).
其中,u0(t)为图像的平均概率统计值,i=0到初始阈值t。
步骤5:定义二值化阈值的目标优化函数L(t)。
其中,二值化阈值优化函数L(t)的第一项来保证二值化后损伤的正确提取,通过第二项来保证二值化后背景不会判断为损伤,第三项为正则项,用来消除背景和损伤之间的亮度差异,λ为调节系数。
步骤6:重复步骤3-6,求取使得L(t)最大时的th,th为最佳阈值。
步骤7:采用th对灰度图像I进行二值化得到It。
步骤8:轮廓提取。采用八个方向freeman链码算法对二值化的图像进行操作,获取的轮廓作为表面损伤的检测结果。
附图说明
图1是本方法的检测策略。
图2是本方法的灰度图像。
图3是本方法的二值化结果。
图4是本方法的迭代阈值法二值化结果。
图5是本方法的大津法二值化结果。
图6是本方法的双峰平均值法二值化结果。
具体实施方式
为进一步了解本发明的内容,结合实施例对本发明做详细描述。
实施例1
本实施例以金属表面上圆形缺陷检测为例进行说明,其流程如图1所示,具体实施检测步骤:
步骤1:灰度化处理。通过相机采集待检测表面图像,如果为彩色图像,先进行灰度化处理得到灰度图像I,灰度图像I如图2所示。
步骤2:图像反色。如果损伤的灰度值高于背景值,灰度图像I进行反色操作。
步骤3:阈值初始化。初始化二值化阈值t,并计算图像的概率统计值P0(t)。
其中,pi为灰度值为i的概率,pi=ni/N,其中ni为图像中灰度值为i的像素点个数,N为整个图像像素点的个数。
步骤4:计算图像的平均概率统计值u0(t)和u1(t).
其中,u0(t)为图像的平均概率统计值,i=0到初始阈值t。
步骤5:定义二值化阈值的目标优化函数L(t)。
其中,二值化阈值优化函数L(t)的第一项来保证二值化后损伤的正确提取,通过第二项来保证二值化后背景不会判断为损伤,第三项为正则项,用来消除背景和损伤之间的亮度差异,λ为调节系数,本实施中λ为0.01。
步骤6:重复步骤3-6,求取使得L(t)最大时的th,th为最佳阈值,本方案计算的th为48。
步骤7:采用th对灰度图像I进行二值化得到It。
本方案二值化的结果如图3所示,可以看到黑色圆形缺陷被很好的提取出来,图4、图5和图6分别为迭代阈值法、大津法和双峰平均值方法的二值化结果,可以看出上述三种方法没有很好的将圆形损伤从背景提取出来,部分损伤淹没在背景中,上述三种方法的二值化阈值分别为113、25和43。
步骤8:轮廓提取。采用八个方向freeman链码算法对二值化的图像进行操作,获取的轮廓作为表面损伤的检测结果。
以上示意性的对本发明及其实施方式进行了描述,该描述没有局限性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构及实施例,均应属于本发明的保护范围。
Claims (1)
1.一种鲁棒的基于机器视觉的表面缺陷检测方法,其特征在于,所属方法包括如下步骤:
步骤1:灰度化处理;通过相机采集待检测表面图像,如果为彩色图像,先进行灰度化处理得到灰度图像I
步骤2:图像反色;如果损伤的灰度值高于背景值,灰度图像I进行反色操作
步骤3:阈值初始化;初始化二值化阈值t,并计算图像的概率统计值P0(t)
其中,pi为灰度值为i的概率,pi=ni/N,其中ni为图像中灰度值为i的像素点个数,N为整个图像像素点的个数
步骤4:计算图像的平均概率统计值u0(t)和u1(t);
其中,u0(t)为图像的平均概率统计值,i=0到初始阈值t
步骤5:定义二值化阈值的目标优化函数L(t)
其中,二值化阈值优化函数L(t)的第一项来保证二值化后损伤的正确提取,通过第二项来保证二值化后背景不会判断为损伤,第三项为正则项,用来消除背景和损伤之间的亮度差异,λ为调节系数
步骤6:重复步骤3-6,求取使得L(t)最大时的th,th为最佳阈值
步骤7:采用th对灰度图像I进行二值化得到It
步骤8:轮廓提取;采用八个方向freeman链码算法对二值化的图像进行操作,获取的轮廓作为表面损伤的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710239734.9A CN106918602B (zh) | 2017-04-13 | 2017-04-13 | 一种鲁棒的基于机器视觉的表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710239734.9A CN106918602B (zh) | 2017-04-13 | 2017-04-13 | 一种鲁棒的基于机器视觉的表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106918602A CN106918602A (zh) | 2017-07-04 |
CN106918602B true CN106918602B (zh) | 2020-01-31 |
Family
ID=59567076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710239734.9A Active CN106918602B (zh) | 2017-04-13 | 2017-04-13 | 一种鲁棒的基于机器视觉的表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106918602B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596930B (zh) * | 2018-04-23 | 2020-10-27 | 西安交通大学 | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 |
CN109816627B (zh) * | 2018-12-13 | 2021-01-15 | 中国科学院西安光学精密机械研究所 | 平面玻璃元件油墨区弱小缺陷目标检测方法 |
CN113134791A (zh) * | 2021-04-30 | 2021-07-20 | 盐城工学院 | 一种基于图像识别的工件表面处理方法及抛丸机 |
CN116698875B (zh) * | 2023-08-03 | 2023-10-20 | 长春理工大学 | 一种基于图像处理的3d打印缺陷检测方法及装置 |
CN116993715B (zh) * | 2023-09-18 | 2023-12-19 | 山东庆葆堂生物科技有限公司 | 一种玻璃瓶气密性检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018194A (zh) * | 2012-12-06 | 2013-04-03 | 江苏省质量安全工程研究院 | 基于背景估计的非对称最小二乘基线校正方法 |
CN103048331B (zh) * | 2012-12-20 | 2015-09-23 | 石家庄印钞有限公司 | 基于柔性模板配准的印刷缺陷检测方法 |
CN105004737B (zh) * | 2015-07-14 | 2017-06-23 | 浙江大学 | 基于自适应改进型梯度信息的水果表面缺陷检测方法 |
-
2017
- 2017-04-13 CN CN201710239734.9A patent/CN106918602B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106918602A (zh) | 2017-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106918602B (zh) | 一种鲁棒的基于机器视觉的表面缺陷检测方法 | |
CN109871938B (zh) | 一种基于卷积神经网络的零部件喷码检测方法 | |
CN109636824B (zh) | 一种基于图像识别技术的多目标计数方法 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN109035274B (zh) | 基于背景估计与u型卷积神经网络的文档图像二值化方法 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
CN108764345B (zh) | 一种基于局部与全局聚类的水下大坝裂缝检测方法 | |
CN106204617B (zh) | 基于残差图像直方图循环移位的自适应图像二值化方法 | |
CN107610144B (zh) | 一种改进的基于最大类间方差法的红外图像分割方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN106097368A (zh) | 一种单板裂缝的识别方法 | |
CN116805317B (zh) | 基于人工智能的回转炉内壁缺陷检测方法 | |
CN105389793B (zh) | 一种自动识别物体表面裂缝走向及宽度的方法 | |
CN111429372A (zh) | 一种增强低对比度图像边缘检测效果的方法 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN101706959A (zh) | 基于二维信息熵金属板带表面缺陷提取方法 | |
CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
CN108230334B (zh) | 基于灰度阈值的高浓度风沙图像分割的方法 | |
CN108205678A (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
CN116523900B (zh) | 一种五金件加工质量检测方法 | |
CN109934817B (zh) | 一种果体外部轮廓畸形检测方法 | |
CN107845080B (zh) | 卡片图像增强方法 | |
CN104657972A (zh) | 一种图像块的模糊度判断方法及系统 | |
CN114511851B (zh) | 一种基于显微镜图像的游丝藻类细胞统计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |