CN109671078B - 一种产品表面图像异常检测方法及装置 - Google Patents

Abstract

本发明公开了一种产品表面图像异常检测方法及装置，本发明首先经过将产品图像与模板图像进行对比判断是否一致，然后根据分割阈值划分去噪产品图像中的产品像素区域、根据分割阈值划分去噪产品图像中的产品像素区域、去噪后再根据产品像素区域判断产品是否有缺陷，即产品是否合格。相对于现有的方法，根据本发明提供的方法开发的识别系统的开发周期短，流程较简单，对于计算机的负载性能要求低，对于不合格产品的识别率高，误检率低，且稳定性强，适合连续的大批量产品表面缺陷的自动化检测。

Description

一种产品表面图像异常检测方法及装置

技术领域

本公开涉及图像处理领域与产品质量检测技术领域，具体涉及一种产品表面图像异常检测方法及装置。

背景技术

在智能制造化的工业生产中，随着产品产量的增加，对于产品的质量的检查需求越来越高，要保证产品的表面与合格样品之间相比无瑕疵，目前大多数的产品检测需要人工完成，将产品表面异常检测的目的是将产品表面上可见的划痕、印刷缺陷、突起、污渍、裂隙、气泡、凹坑等异常，将合格产品与存在缺陷的产品区分开来，以降低次品率，提高产品品质。随着信息化的发展，计算机图形学的发展，现在逐渐将产品表面检测自动化了，目前基于产品表面检测的方法绝为纹理分析技术，用以检测不同纹理表面的缺陷。

目前已有的产品异常检测专利包括：申请号为CN201010534162.5的专利提供了一种晶圆表面的缺陷检测方法；申请号为CN201410705536.3的专利提出了一种基于机器视觉的多类型材质表面缺陷检测方法；申请号为CN201210101070.7的专利提出了一种基于印刷质量在线检测的卷盘烟标生产系统及缺陷处理方法，这些方法的系统开发周期一般长，算法较复杂，对于计算机的负载性能要求高，不适合大批量产品的自动化检测。

发明内容

本公开提供一种产品表面图像异常检测方法及装置，本发明首先经过将产品图像与模板图像进行对比判断是否一致，然后根据分割阈值划分去噪产品图像中的产品像素区域、根据分割阈值划分去噪产品图像中的产品像素区域、去噪后再根据产品像素区域判断产品是否有异常，即是否有缺陷，从而判断产品是否合格。

为了实现上述目的，根据本公开的一方面，提供一种产品表面图像异常检测方法，所述方法包括以下步骤：

步骤1，对产品表面进行图像采集获取产品图像；

步骤2，将产品图像与模板图像进行对比判断是否一致；

步骤3，将一致的产品图像进行线性滤波去除产品图像的噪声得到去噪产品图像；

步骤4，选取去噪产品图像的分割阈值；

步骤5，根据分割阈值划分去噪产品图像中的产品像素区域；

步骤6，根据产品像素区域判断产品是否有缺陷，

模板图像为预先拍摄的通过彩色CCD/CMOS工业相机对流水线上或上下料机器人上的合格产品表面的图像。

进一步地，在步骤1中，对产品表面进行图像采集获取产品图像的方法为，

通过彩色CCD/CMOS工业相机对流水线上或上下料机器人上的产品表面进行拍摄，从而获取图像，产品在流水线上或上下料机器人上均具有相同的位姿；即每个产品在拍摄时在流水线或上下料机器人系统上的位置、角度、方向一致，从而在彩色CCD/CMOS工业相机对所有产品拍摄时能够采集到相同位置、角度、方向的图像。

进一步地，在步骤2中，将产品图像与模板图像进行对比判断是否一致的方法为，

产品图像与模板图像一致则判断产品为合格产品，产品图像与模板图像不一致则需继续判断产品是否有缺陷，是否一致的判断方法为以下步骤：

步骤2.1，输入模板图像，模板图像为预先拍摄的通过彩色CCD/CMOS工业相机对流水线上或上下料机器人上的合格产品表面的图像；

步骤2.2，通过下式将产品图像与模板图像的图像矩阵做减法运算得到图像差值，

F₀为模板图像的图像矩阵，F_k为产品图像的图像矩阵，k为流水线上或上下料机器人产品的递增的产品顺序号，k＝1,2,...,N，若产品图像与模板图像的图像差值一致即ΔF_k＜T则转到步骤1，即进行下一个产品的检测，若有产品图像与模板图像的图像差值不一致的情况，即ΔF_k≥T时，转到步骤2.3，其中，T为对比阈值，默认为0，T可人工进行调整，对比阈值的选取决定了检测灵敏度；

步骤2.3，将F₀和F_k中对应像素的特征值进行比较，即将F₀和F_k中像素点取值分别用其周围的像素点来表示，即通过以下公式进行比较：

式中，δ₀(i,j),δ_k(i,j)分别表示以F₀(i,j)，F_k(i,j)为中心的邻域，M为邻域中的像素点数，取以(i,j)点为中心，m×n像素的邻域，作为表示像素点(i,j)的表征域δ，M＝m×n，当F₀(i,j)和F_k(i,j)的欧氏距离小于对比阈值T则判定为一致，m＝3像素，n＝3像素。

进一步地，在步骤3中，将一致的产品图像进行线性滤波去除产品图像的噪声得到去噪产品图像的方法为，在产品图像中，以f(x,y)表示(x,y)点的实际灰度，通过邻域平均方法进行线性滤波去除产品图像的噪声为下式表示，

其中，o_i为a_i点灰度值，ε称为门限，ε＝A％L，L为总灰度级数，A为整数，取值范围为5到10，同理，去除模板图像的噪声得到去噪模板图像。

进一步地，在步骤4中，选取去噪产品图像的分割阈值的方法为，设去噪产品图像的原始灰度图像的灰度级为L，灰度为i的像素点数为n_i，去噪产品图像的像素总数为N，则去噪产品图像的分割阈值的计算过程如下：

步骤4.1，计算去噪产品图像的灰度级的归一化直方图p_i＝n_i/N，且

步骤4.2，计算归一化直方图的灰度均值μ，

步骤4.3，用阈值t将灰度级划分为两类(C₀,C₁)，C₀中为灰度级[0,t]的像素，C₁包含了灰度级为[t+1,L-1]的像素，C₀和C₁的发生概率ω₀和ω₁由下式得到：

其中，t＝0,1,...,L-1；

步骤4.4，计算类C₀和C₁的灰度均值μ₀(t)和μ₁(t)：

步骤4.5，根据C₀和C₁的灰度均值计算方差

和

步骤4.6，计算类间方差：

在上式中，灰度均值μ₀(t)和μ₁(t)分别代表去噪产品图像中背景和产品的中心灰度；

步骤4.7，求类间方差σ_B(t)的最大值，并将具有最大值的σ_B(t)中t^*值作为分割阈值，即

同理可以得到去噪模板图像的分割阈值；其中，t＝0,1,...,L-1。

进一步地，在步骤5中，根据分割阈值划分去噪产品图像中的产品像素区域：

将去噪产品图像中各个像素的灰度值都与分割阈值相比较，并根据比较结果将对应的像素划分得到去噪产品图像中的产品像素区域，即，

其中，f(x,y)是去噪产品图像的原始灰度图像，g(x,y)是分割后的二值化图像，g(x,y)即为产品像素区域，同理可以获得模板图像的产品像素区域。

进一步地，在步骤5中，根据产品像素区域判断产品是否有缺陷的方法为，

令b_i(x,y)为产品图像的产品像素区域的二值化图像，b₀(x,y)为模板图像的产品像素区域的二值化图像，对b_i(x,y)中像素值为1的像素进行标记，得到产品图像的产品像素区域中的疑似缺陷区域Ω_i，i＝1,2,...,N，k为流水线上或上下料机器人产品的递增的产品顺序号，计算b_i(x,y)与b₀(x,y)的相似度ξ_i：

当ξ_i＜ε时，即认为产品没有缺陷，产品合格；而当ξ_i≥ε时，即可认为存在缺陷，产品不合格，ε＝A％L，L为模板图像的总灰度级数，A为整数，取值范围为5到10。

本发明还提供了一种产品表面图像异常检测装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：

图像采集单元，用于对产品表面进行图像采集获取产品图像；

初次对比单元，用于将产品图像与模板图像进行对比判断是否一致；

图像去噪单元，用于将一致的产品图像进行线性滤波去除产品图像的噪声得到去噪产品图像；

阈值选取单元，用于选取去噪产品图像的分割阈值；

产品划分单元，用于根据分割阈值划分去噪产品图像中的产品像素区域；

缺陷判断单元，用于根据产品像素区域判断产品是否有缺陷。

本公开的有益效果为：本发明提供一种产品表面图像异常检测方法及装置，相对于现有的方法，根据本发明提供的方法开发的识别系统的开发周期短，流程较简单，对于计算机的负载性能要求低，对于不合格产品的识别率高，误检率低，且稳定性强，适合连续的大批量产品表面缺陷的自动化检测。

附图说明

通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：

图1所示为一种产品表面图像异常检测方法的流程图；

图2所示为一种产品表面图像异常检测装置图。

具体实施方式

以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

如图1所示为根据本公开的一种产品表面图像异常检测方法的流程图，下面结合图1来阐述根据本公开的实施方式的一种产品表面图像异常检测方法。

本公开提出一种产品表面图像异常检测方法，具体包括以下步骤：

步骤1，对产品表面进行图像采集获取产品图像；

步骤2，将产品图像与模板图像进行对比判断是否一致；

步骤3，将一致的产品图像进行线性滤波去除产品图像的噪声得到去噪产品图像；

步骤4，选取去噪产品图像的分割阈值；

步骤5，根据分割阈值划分去噪产品图像中的产品像素区域；

步骤6，根据产品像素区域判断产品是否有缺陷，

模板图像为预先拍摄的通过彩色CCD/CMOS工业相机对流水线上或上下料机器人上的合格产品表面的图像。

进一步地，在步骤1中，对产品表面进行图像采集获取产品图像的方法为，

通过彩色CCD/CMOS工业相机对流水线上或上下料机器人上的产品表面进行拍摄，从而获取图像，产品在流水线上或上下料机器人上均具有相同的位姿；即每个产品在拍摄时在流水线或上下料机器人系统上的位置、角度、方向一致，从而在彩色CCD/CMOS工业相机对所有产品拍摄时能够采集到相同位置、角度、方向的图像。

进一步地，在步骤2中，将产品图像与模板图像进行对比判断是否一致的方法为，

产品图像与模板图像一致则判断产品为合格产品，产品图像与模板图像不一致则需继续判断产品是否有缺陷，是否一致的判断方法为以下步骤：

步骤2.1，输入模板图像，模板图像为预先拍摄的通过彩色CCD/CMOS工业相机对流水线上或上下料机器人上的合格产品表面的图像；

步骤2.2，通过下式将产品图像与模板图像的图像矩阵做减法运算得到图像差值，

F₀为模板图像的图像矩阵，F_k为产品图像的图像矩阵，k为流水线上或上下料机器人产品的递增的产品顺序号，k＝1,2,...,N，若产品图像与模板图像的图像差值一致即ΔF_k＜T则转到步骤1，即进行下一个产品的检测，若有产品图像与模板图像的图像差值不一致的情况，即ΔF_k≥T时，转到步骤2.3，其中，T为对比阈值，默认为0，T可人工进行调整，对比阈值的选取决定了检测灵敏度；

步骤2.3，将F₀和F_k中对应像素的特征值进行比较，即将F₀和F_k中像素点取值分别用其周围的像素点来表示，即通过以下公式进行比较：

式中，δ₀(i,j),δ_k(i,j)分别表示以F₀(i,j)，F_k(i,j)为中心的邻域，M为邻域中的像素点数，取以(i,j)点为中心，m×n像素的邻域，作为表示像素点(i,j)的表征域δ，M＝m×n，当F₀(i,j)和F_k(i,j)的欧氏距离小于对比阈值T则判定为一致，m＝3像素，n＝3像素。

进一步地，在步骤3中，将一致的产品图像进行线性滤波去除产品图像的噪声得到去噪产品图像的方法为，

在产品图像中，以f(x,y)表示(x,y)点的实际灰度，通过邻域平均方法进行线性滤波去除产品图像的噪声为下式表示，

其中，o_i为a_i点灰度值，ε称为门限，ε＝A％L，L为总灰度级数，A为整数，取值范围为5到10，同理，去除模板图像的噪声得到去噪模板图像。

进一步地，在步骤4中，选取去噪产品图像的分割阈值的方法为，设去噪产品图像的原始灰度图像的灰度级为L，灰度为i的像素点数为n_i，去噪产品图像的像素总数为N，则去噪产品图像的分割阈值的计算过程如下：

步骤4.1，计算去噪产品图像的灰度级的归一化直方图p_i＝n_i/N，且

步骤4.2，计算归一化直方图的灰度均值μ，

步骤4.3，用阈值t将灰度级划分为两类(C₀,C₁)，C₀中为灰度级[0,t]的像素，C₁包含了灰度级为[t+1,L-1]的像素，C₀和C₁的发生概率ω₀和ω₁由下式得到：

其中，t＝0,1,...,L-1；

步骤4.4，计算类C₀和C₁的灰度均值μ₀(t)和μ₁(t)：

步骤4.5，根据C₀和C₁的灰度均值计算方差

和

步骤4.6，计算类间方差：

在上式中，灰度均值μ₀(t)和μ₁(t)分别代表去噪产品图像中背景和产品的中心灰度；

步骤4.7，求类间方差σ_B(t)的最大值，并将具有最大值的σ_B(t)中t^*值作为分割阈值，即

同理可以得到去噪模板图像的分割阈值；其中，t＝0,1,...,L-1。

进一步地，在步骤5中，根据分割阈值划分去噪产品图像中的产品像素区域：

将去噪产品图像中各个像素的灰度值都与分割阈值相比较，并根据比较结果将对应的像素划分得到去噪产品图像中的产品像素区域，即，

其中f(x,y)是去噪产品图像的原始灰度图像，g(x,y)是分割后的二值化图像，g(x,y)即为产品像素区域，同理可以获得模板图像的产品像素区域。

进一步地，在步骤5中，根据产品像素区域判断产品是否有缺陷的方法为，

令b_i(x,y)为产品图像的产品像素区域的二值化图像，b₀(x,y)为模板图像的产品像素区域的二值化图像，对b_i(x,y)中像素值为1的像素进行标记，得到产品图像的产品像素区域中的疑似缺陷区域Ω_i，i＝1,2,...,N，k为流水线上或上下料机器人产品的递增的产品顺序号，计算b_i(x,y)与b₀(x,y)的相似度ξ_i：

当ξ_i＜ε时，即认为产品没有缺陷，产品合格；而当ξ_i≥ε时，即可认为存在缺陷，产品不合格，ε＝A％L，L为模板图像的总灰度级数，A为整数，取值范围为5到10。

本发明在上下料机器人中生产的印刷包装袋以及LCD显示屏的产品，采用彩色CCD工业相机对产品表面图像采集，并按照本发明的方法进行了检测的测试，结果表明但在线检测快速有效，对于分辨率分别为800*600像素、1024*768像素和1280*900的产品图像进行判断是否合格品的时间分别只需0.21秒、0.3秒和0.45秒。对于不同材质的物体表面图像检测的合格判断的准确率在95％以上，部分产品的合格判断检测的准确率达到98％以上，相比于其他同类技术的检测准确率有所提高。多种不同工业产品的合格判断检测结果证明了该方法能够适用于多种不同类型的产品材质表面的缺陷检测，克服了传统方法对于检测精度和速度的不足。

本公开的实施例提供的一种产品表面图像异常检测装置，如图2所示为本公开的一种产品表面图像异常检测装置图，该实施例的一种产品表面图像异常检测装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种产品表面图像异常检测装置实施例中的步骤。

所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：

图像采集单元，用于对产品表面进行图像采集获取产品图像；

初次对比单元，用于将产品图像与模板图像进行对比判断是否一致；

图像去噪单元，用于将一致的产品图像进行线性滤波去除产品图像的噪声得到去噪产品图像；

阈值选取单元，用于选取去噪产品图像的分割阈值；

产品划分单元，用于根据分割阈值划分去噪产品图像中的产品像素区域；

缺陷判断单元，用于根据产品像素区域判断产品是否有缺陷。

所述一种产品表面图像异常检测装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种产品表面图像异常检测装置，可运行的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种产品表面图像异常检测装置的示例，并不构成对一种产品表面图像异常检测装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种产品表面图像异常检测装置还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种产品表面图像异常检测装置运行装置的控制中心，利用各种接口和线路连接整个一种产品表面图像异常检测装置可运行装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种产品表面图像异常检测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (4)

1.一种产品表面图像异常检测方法，其特征在于，所述方法包括以下步骤：

步骤1，对产品表面进行图像采集获取产品图像；

步骤2，将产品图像与模板图像进行对比判断是否一致；

步骤3，将不一致的产品图像进行线性滤波去除产品图像的噪声得到去噪产品图像；

步骤4，选取去噪产品图像的分割阈值；

步骤5，根据分割阈值划分去噪产品图像中的产品像素区域；

步骤6，根据产品像素区域判断产品是否有缺陷；

在步骤2中，将产品图像与模板图像进行对比判断是否一致的方法为：

步骤2.1，输入模板图像，模板图像为预先通过彩色CCD/CMOS工业相机对流水线上或上下料机器人上的合格产品表面拍摄的图像；

步骤2.2，通过下式将产品图像与模板图像的图像矩阵做减法运算得到图像差值，

F₀为模板图像的图像矩阵，F_k为产品图像的图像矩阵，k为流水线上或上下料机器人产品的递增的产品顺序号，k＝1,2,…,N，若有产品图像与模板图像的图像差值不一致的情况，即ΔF_k≥T时，转到步骤2.3，其中，T为对比阈值，默认为0；

步骤2.3，将F₀和F_k中对应像素的特征值进行比较，即将F₀和F_k中像素点取值分别用其周围的像素点来表示，即通过以下公式进行比较：

式中，δ₀(i,j),δ_k(i,j)分别表示以F₀(i,j)，F_k(i,j)为中心的邻域，M为邻域中的像素点数，取以(i,j)点为中心，m×n像素的邻域，作为表示像素点(i,j)的表征域δ，M＝m×n，当F₀(i,j)和F_k(i,j)的欧氏距离小于对比阈值T则判定为一致，m＝3像素，n＝3像素；

在步骤4中，选取去噪产品图像的分割阈值的方法为：设去噪产品图像的原始灰度图像的灰度级为L，灰度为i的像素点数为n_i，去噪产品图像的像素总数为N，则去噪产品图像的分割阈值的计算过程如下：

步骤4.1，计算去噪产品图像的所有灰度级为i的像素点出现的概率p_i＝n_i/N，且

步骤4.2，计算归一化直方图的灰度均值μ，

步骤4.3，用阈值t将灰度级划分为两类(C₀,C₁)，C₀中为灰度级[0,t]的像素，C₁包含了灰度级为[t+1,L-1]的像素，C₀和C₁的发生概率ω₀(t)和ω₁(t)由下式得到：

其中，t＝0,1,…,L-1；

步骤4.4，计算类C₀和C₁的灰度均值μ₀(t)和μ₁(t)：

步骤4.5，根据C₀和C₁的灰度均值计算方差

和

步骤4.6，计算类间方差：

在上式中，灰度均值μ₀(t)和μ₁(t)分别代表去噪产品图像中背景和产品的中心灰度；

步骤4.7，求σ_B(t)的最大值，并将具有最大值的σ_B(t)中t^*值作为分割阈值，即

同理可以得到去噪模板图像的分割阈值；其中，t＝0,1,…,L-1；

在步骤5中，根据分割阈值划分去噪产品图像中的产品像素区域的方法为：

将去噪产品图像中各个像素的灰度值都与分割阈值相比较，并根据比较结果将对应的像素划分得到去噪产品图像中的产品像素区域，即，

其中，f(x,y)是去噪产品图像的原始灰度图像，g(x,y)是分割后的二值化图像，g(x,y)即为产品像素区域，同理可以获得模板图像的产品像素区域；

在步骤6中，根据产品像素区域判断产品是否有缺陷的方法为：

令b_i(x,y)为产品图像的产品像素区域的二值化图像，b₀(x,y)为模板图像的产品像素区域的二值化图像，对b_i(x,y)中像素值为1的像素进行标记，得到产品图像的产品像素区域中的疑似缺陷区域Ω_i，i＝1,2,…,N，计算b_i(x,y)与b₀(x,y)的相似度ξ_i：

当ξ_i<ε时，即认为产品没有缺陷，产品合格；而当ξ_i≥ε时，即可认为存在缺陷，产品不合格，ε＝A％L，L为模板图像的总灰度级数，A为取值范围5到10之间的整数。

2.根据权利要求1所述的一种产品表面图像异常检测方法，其特征在于，在步骤1中，对产品表面进行图像采集获取产品图像的方法为，通过彩色CCD/CMOS工业相机对流水线上或上下料机器人上的产品表面进行拍摄，从而获取图像，产品在流水线上或上下料机器人上均具有相同的位姿。

3.根据权利要求1所述的一种产品表面图像异常检测方法，其特征在于，在步骤3中，将不一致的产品图像进行线性滤波去除产品图像的噪声得到去噪产品图像的方法为，

在产品图像中，以f(x,y)表示(x,y)点的实际灰度，通过邻域平均方法进行线性滤波去除产品图像的噪声为下式表示，

其中，o_i为a_i点灰度值，ε称为门限，ε＝A％L，L为总灰度级数，A为取值范围5到10之间的整数，同理，去除模板图像的噪声得到去噪模板图像。

4.一种产品表面图像异常检测装置，其特征在于，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：

图像采集单元，用于对产品表面进行图像采集获取产品图像；

初次对比单元，用于将产品图像与模板图像进行对比判断是否一致；

图像去噪单元，用于将不一致的产品图像进行线性滤波去除产品图像的噪声得到去噪产品图像；

阈值选取单元，用于选取去噪产品图像的分割阈值；

产品划分单元，用于根据分割阈值划分去噪产品图像中的产品像素区域；

缺陷判断单元，用于根据产品像素区域判断产品是否有缺陷；

在初次对比单元中，将产品图像与模板图像进行对比判断是否一致的方法为：

步骤2.1，输入模板图像，模板图像为预先通过彩色CCD/CMOS工业相机对流水线上或上下料机器人上的合格产品表面拍摄的图像；

步骤2.2，通过下式将产品图像与模板图像的图像矩阵做减法运算得到图像差值，

F₀为模板图像的图像矩阵，F_k为产品图像的图像矩阵，k为流水线上或上下料机器人产品的递增的产品顺序号，k＝1,2,…,N，若有产品图像与模板图像的图像差值不一致的情况，即ΔF_k≥T时，转到步骤2.3，其中，T为对比阈值，默认为0；

步骤2.3，将F₀和F_k中对应像素的特征值进行比较，即将F₀和F_k中像素点取值分别用其周围的像素点来表示，即通过以下公式进行比较：

式中，δ₀(i,j),δ_k(i,j)分别表示以F₀(i,j)，F_k(i,j)为中心的邻域，M为邻域中的像素点数，取以(i,j)点为中心，m×n像素的邻域，作为表示像素点(i,j)的表征域δ，M＝m×n，当F₀(i,j)和F_k(i,j)的欧氏距离小于对比阈值T则判定为一致，m＝3像素，n＝3像素；

在阈值选取单元中，选取去噪产品图像的分割阈值的方法为：

设去噪产品图像的原始灰度图像的灰度级为L，灰度为i的像素点数为n_i，去噪产品图像的像素总数为N，则去噪产品图像的分割阈值的计算过程如下：

步骤4.1，计算去噪产品图像的所有灰度级为i的像素点出现的概率p_i＝n_i/N，且

步骤4.2，计算归一化直方图的灰度均值μ，

步骤4.3，用阈值t将灰度级划分为两类(C₀,C₁)，C₀中为灰度级[0,t]的像素，C₁包含了灰度级为[t+1,L-1]的像素，C₀和C₁的发生概率ω₀(t)和ω₁(t)由下式得到：

其中，t＝0,1,…,L-1；

步骤4.4，计算类C₀和C₁的灰度均值μ₀(t)和μ₁(t)：

步骤4.5，根据C₀和C₁的灰度均值计算方差

和

步骤4.6，计算类间方差：

在上式中，灰度均值μ₀(t)和μ₁(t)分别代表去噪产品图像中背景和产品的中心灰度；

步骤4.7，求σ_B(t)的最大值，并将具有最大值的σ_B(t)中t^*值作为分割阈值，即

同理可以得到去噪模板图像的分割阈值；其中，t＝0,1,…,L-1；

在产品划分单元中，根据分割阈值划分去噪产品图像中的产品像素区域的方法为：

将去噪产品图像中各个像素的灰度值都与分割阈值相比较，并根据比较结果将对应的像素划分得到去噪产品图像中的产品像素区域，即，

其中，f(x,y)是去噪产品图像的原始灰度图像，g(x,y)是分割后的二值化图像，g(x,y)即为产品像素区域，同理可以获得模板图像的产品像素区域；

在缺陷判断单元中，根据产品像素区域判断产品是否有缺陷的方法为：

令b_i(x,y)为产品图像的产品像素区域的二值化图像，b₀(x,y)为模板图像的产品像素区域的二值化图像，对b_i(x,y)中像素值为1的像素进行标记，得到产品图像的产品像素区域中的疑似缺陷区域Ω_i，i＝1,2,…,N，计算b_i(x,y)与b₀(x,y)的相似度ξ_i：

当ξ_i<ε时，即认为产品没有缺陷，产品合格；而当ξ_i≥ε时，即可认为存在缺陷，产品不合格，ε＝A％L，L为模板图像的总灰度级数，A为取值范围5到10之间的整数。

Images