CN112085708A - 产品外轮廓中的直线边缘的缺陷检测方法及设备 - Google Patents

Abstract

本发明公开了一种产品外轮廓中的直线边缘的缺陷检测方法及设备，通过第一次筛选，可以首先筛选出直线边缘中的疑似正常边缘点，再通过第二次筛选，可以进一步地从疑似正常边缘点中筛选出正常边缘点和异常边缘点，如此，可以准确地检测出产品的直线边缘中的异常边缘点，进而有利于确定出直线边缘中出现的缺陷，实现直线边缘的缺陷检测，在应用至流水线的场景时，可以对流水线上具有直线边缘的产品进行判断，从而可以检测出合格产品，提高产品的质量和制作效率。

Description

产品外轮廓中的直线边缘的缺陷检测方法及设备

技术领域

本发明涉及图像处理技术领域，尤指一种产品外轮廓中的直线边缘的缺陷检测方法及设备。

背景技术

在制造业中，很多产品可以通过流水线作业来制作完成，以提高产品的制作效率，提高工业产能。在流水线作业中，若其中某道工序完成时，需要传送至下一道工序中，其中，在传送至下一道工序之前，需要对已完成的产品的合格率进行检验，将不合格的产品剔除掉，以提高最终产品的合格率，尽可能地减少制作材料的浪费，提高产品的制作效率。

那么，如何确定流水线上的产品是否存在缺陷，是本领域技术人员亟待解决的技术问题。

发明内容

本发明实施例提供了一种产品外轮廓中的直线边缘的缺陷检测方法及设备，用以确定流水线上的产品是否存在缺陷。

第一方面，本发明实施例提供了一种产品外轮廓中的直线边缘的缺陷检测方法，包括：

确定测试图像中所述产品外轮廓的直线边缘的位置；

根据确定出的所述测试图像中所述直线边缘的位置，确定所述测试图像中所述直线边缘包括的各边缘点的数据信息；其中所述数据信息包括：梯度信息和坐标信息；

在根据各所述边缘点的梯度信息与预设的标准梯度信息，从所述直线边缘包括的各所述边缘点中筛选出疑似正常边缘点时，根据所述疑似正常边缘点的坐标信息，从所述疑似正常边缘点中确定出异常边缘点。

第二方面，本发明实施例提供了一种产品外轮廓中的直线边缘的缺陷检测设备，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的所述程序指令，按照获得的程序执行：

确定测试图像中所述产品外轮廓的直线边缘的位置；

根据确定出的所述测试图像中所述直线边缘的位置，确定所述测试图像中所述直线边缘包括的各边缘点的数据信息；其中所述数据信息包括：梯度信息和坐标信息；

在根据各所述边缘点的梯度信息与预设的标准梯度信息，从所述直线边缘包括的各所述边缘点中筛选出疑似正常边缘点时，根据所述疑似正常边缘点的坐标信息，从所述疑似正常边缘点中确定出异常边缘点。

本发明有益效果如下：

本发明实施例提供的一种产品外轮廓中的直线边缘的缺陷检测方法及设备，通过第一次筛选，可以首先筛选出直线边缘中的疑似正常边缘点，再通过第二次筛选，可以进一步地从疑似正常边缘点中筛选出正常边缘点和异常边缘点，如此，可以准确地检测出产品的直线边缘中的异常边缘点，进而有利于确定出直线边缘中出现的缺陷，实现直线边缘的缺陷检测，在应用至流水线的场景时，可以对流水线上具有直线边缘的产品进行判断，从而可以检测出合格产品，提高产品的质量和制作效率。

附图说明

图1为本发明实施例中提供的一种产品外轮廓中的直线边缘的缺陷检测方法的流程图；

图2为本发明实施例中提供的一种标准图像的示意图；

图3为本发明实施例中提供的一种测试图像的示意图；

图4为本发明实施例中提供的一种直线边缘的示意图；

图5为本发明实施例中提供的另一种直线边缘的示意图；

图6为本发明实施例中提供的另一种测试图像的示意图；

图7为本发明实施例中提供的目标图像的示意图；

图8为本发明实施例中提供的具体实施例的流程图；

图9为本发明实施例中提供的一种产品外轮廓中的直线边缘的缺陷检测设备的结构示意图。

具体实施方式

下面将结合附图，对本发明实施例提供的一种产品外轮廓中的直线边缘的缺陷检测方法及设备的具体实施方式进行详细地说明。需要说明的是，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种产品外轮廓中的直线边缘的缺陷检测方法，如图1所示，可以包括：

S101、确定测试图像中产品外轮廓的直线边缘的位置；

S102、根据确定出的测试图像中直线边缘的位置，确定测试图像中直线边缘包括的各边缘点的数据信息；其中数据信息包括：梯度信息和坐标信息；

其中，梯度信息可以包括：水平方向梯度图、垂直方向梯度图、以及梯度幅度图；

水平方向梯度图(用Gx表示)可以表示为：

垂直方向梯度图(用Gy表示)可以表示为：

梯度幅度图(用G表示)可以表示为：

其中，上述关系式中提及的I表示输入图像，该输入图像可以理解为：在通过Sobel边缘算子计算水平方向的梯度和垂直方向的梯度时，输入至Sobel边缘算子中的图像。

并且，以由X轴和Y轴构成的二维坐标系为例，坐标信息可以理解为：某个边缘点在X轴上对应的数值和在Y轴上对应的数值。

S103、在根据各边缘点的梯度信息与预设的标准梯度信息，从直线边缘包括的各边缘点中筛选出疑似正常边缘点时，根据疑似正常边缘点的坐标信息，从疑似正常边缘点中确定出异常边缘点。

如此，通过第一次筛选，可以首先筛选出直线边缘中的疑似正常边缘点，再通过第二次筛选，可以进一步地从疑似正常边缘点中筛选出正常边缘点和异常边缘点，如此，可以准确地检测出产品的直线边缘中的异常边缘点，进而有利于确定出直线边缘中出现的缺陷，实现直线边缘的缺陷检测，在应用至流水线的场景时，可以对流水线上具有直线边缘的产品进行判断，从而可以检测出合格产品，提高产品的质量和制作效率。

并且，本发明实施例提供的上述缺陷检测方法，由于通过两次筛选确定出直线边缘中的异常边缘点，所以可以精确地检测出直线边缘中出现缺陷和异常，避免因出现较轻微的缺陷时而误认为是正常边缘点而出现的漏检问题，从而实现了高精度地缺陷检测。

此外，本发明实施例提供的上述缺陷检测方法，不严格要求直线边缘绝对地满足直线特征，即使该直线特征具有轻微的弯曲时，仍然能够实现缺陷检测，从而可以适用于因产品本身特性和工艺满足不了要求时而出现的轻微弯曲的应用场景。

可选地，在本发明实施例中，确定测试图像中产品外轮廓的直线边缘的位置，包括以下过程：

过程1、确定测试图像中产品的轮廓特征；

过程2、根据预先确定出的标准图像中产品的轮廓特征、以及测试图像中产品的轮廓特征，确定标准图像与测试图像之间产品的特征变换量；其中特征变换量包括：位置变换量和角度变换量；

其中，在执行此过程2时，在确定标准图像中产品的轮廓特征，以及在确定测试图像中产品的轮廓特征时，均可以采用以下方式：

1、确定图像中的匹配区域(如图2和图3中的虚线框3所示)，该区域需要包括产品所在区域；

2、提取匹配区域中的轮廓特征。

对于匹配区域的选取和形状设置，均可以根据实际需要进行设置，在此并不限定。

在确定出测试图像中产品的轮廓特征，以及在确定出标准图像中产品的轮廓特征时，可以根据轮廓特征，确定出测试图像中产品的轮廓特征与标准图像中产品的轮廓特征之间的位置关系和角度关系，从而可以确定出特征变换量。

过程3、根据确定出的产品的特征变换量、以及预先确定出的标准图像中产品包括的各轮廓点的位置信息和角度信息，确定测试图像中产品包括的各轮廓点的位置信息和角度信息；

例如，以标准图像中的某一个点(如点P)为例，若根据轮廓特征，确定出标准图像中的点P与测试图像中的点P’对应匹配时，可以确定出点P与点P’之间的坐标偏移量，若点P的坐标信息为(mx_p，my_p)，那么坐标偏移量可以用(ox，oy)来表示，点P的坐标信息经过转换后得到点P’的坐标信息，用(mx_p’，my_p’)，因此：

mx_p’＝(mx_p-ox)*cos(θ)-(my_p-oy)*sin(θ)+mx_p；

my_p’＝(mx_p-ox)*sin(θ)+(my_p-oy)*cos(θ)+mx_p；

并且，点P对应的梯度信息(如梯度方向)也需要按照θ做旋转，若旋转的梯度方向为(dx_p，dy_p)，旋转后的梯度方向为(dx_p’，dy_p’)，因此：

dx_p’＝dx_p*cos(θ)-dy_p*sin(θ)；

dy_p’＝dx_p*sin(θ)+dy_p*cos(θ)；

通过上述处理，可以实现轮廓点信息的转换处理，即对轮廓点的位置信息和梯度信息进行转换处理，以便于后续根据转换处理后的结果，确定出测试图像中产品的各轮廓点的位置信息和角度信息。

过程4、根据测试图像中产品的轮廓点的位置信息和角度信息，以及测试图像中产品的轮廓特征，确定测试图像中产品外轮廓的直线边缘的位置。

其中，在过程4中，通过测试图像中产品的轮廓特征，可以确定出产品外轮廓中是否包括直线边缘，并且可以根据测试图像中产品的轮廓点的位置信息和角度信息，通过手动或自动的方式，找到待处理的直线边缘的起点和终点，然后对起点和终点进行修正处理之后，即可确定出测试图像中直线边缘的准确位置。

具体地，在对起点和终点进行修正处理时，可以具体包括：

经过起点和终点分别向直线边缘作垂线，将从起点(或终点)经过垂线的点中选择出梯度值大于预设阈值的点，将选择出的该点更新为直线边缘的起点(或终点)。

当然，上述内容中除了可以根据轮廓特征确定特征变换量之外，还可以根据形状特征或点特征等，只要能够确定出特征变换量即可。

说明一点，在执行过程1之前，可以首先对标准图像进行训练，且训练过程可以包括：模版匹配训练；

在该训练过程中，主要用于确定出标准图像中的轮廓特征。

通过上述训练过程，可以得到标准图像(如图2所示)中产品的轮廓特征，从而有利于后续确定出测试图像(如图3所示)中直线边缘的位置。

其中，上述训练过程的具体实施方式，可以为本领域技术人员所熟知的任何实现上述过程的方式，在此并不限定。

可选地，在本发明实施例中，根据各边缘点的梯度信息与预设的标准梯度信息，从直线边缘包括的各边缘点中筛选出疑似正常边缘点，包括：

将任一边缘点的梯度角度与预设的第一标准梯度角度的差值的绝对值定义为第一数值，将该边缘点的梯度角度与预设的第二标准梯度角度的差值的绝对值定义为第二数值，并将该边缘点对应的第一数值和第二数值中的较小值定义为目标值；其中，第一标准梯度角度与第二标准梯度角度之和为360°；

在直线边缘包括的各边缘点中，将目标值大于第二预设值的边缘点确定为异常边缘点；

在直线边缘包括的各边缘点中，将目标值不大于第二预设值的边缘点确定为疑似正常边缘点。

其中，在实际情况中，直线边缘上的正常边缘点的梯度角度是固定在一定范围内的，以图像所在的坐标系为参考，正常边缘点的梯度角度可以为[90°-a°,90°+a°]，或者[270°-a,270°+a°]，其中，a°表示容忍角度，或者可以理解为误差角度。

以图4所示的一种直线边缘为例，图中示出的P1点和P2点为其中的两个边缘点，从图中所示可知：

1、边缘点P1应该属于正常边缘点，该边缘点P1的梯度角度应该是在上述范围内的；

2、边缘点P2很明显属于异常边缘点，该边缘点P2的梯度角度应该不在上述范围内。

因此，如果确定出的边缘点的梯度角度不在上述范围内时，可以确定该边缘点为异常边缘点。

再结合图5所示的另一种直线边缘，图中示出的P3为其中的一个边缘点，从图中所示可知：边缘点P3应该属于异常边缘点，但是该边缘点P3的梯度角度可能也会在上述范围内。

因此，结合图4和图5所示，即使能够确定出边缘点的梯度角度在上述范围内时，该边缘点可能是异常边缘点，也可能是正常边缘点，所以可以将此种边缘点称之为疑似正常边缘点，再进行进一步地判断。

并且，对于任一边缘点而言，其梯度角度的计算方法可以为理解为：该边缘点的水平方向梯度和垂直方向梯度之间的夹角。

因此，根据各边缘点的梯度信息(也即梯度角度)，可以从各边缘点中筛选出疑似正常边缘点，以便于对疑似正常边缘点进行进一步地判断，提高缺陷的检测精度，避免漏检的问题出现。

具体地，在本发明实施例中，第一标准梯度角度可以但不限于为90°，第二标准梯度角度可以但不限于为270°；第一标准梯度角度和第二标准梯度角度可以根据经验确定出的直线边缘中的正常边缘点的梯度角度来确定，在此并不限定。

并且，第二预设值的取值，可以根据第一次筛选的筛选精度、处理速度等因素进行设置，在此并不限定。

可选地，在本发明实施例中，坐标信息包括纵坐标时，根据疑似正常边缘点的坐标信息，从疑似正常边缘点中确定出异常边缘点，包括：

在疑似正常边缘点具有多个，且将首个疑似正常边缘点设定为正常边缘点时，针对其余各疑似正常边缘点，均执行以下步骤：

根据当前疑似正常边缘点的纵坐标、以及上一次确定出的正常边缘点的纵坐标，从疑似正常边缘点中确定出异常边缘点。

如此，可以根据坐标信息进行进一步地筛选，进而可以准确地分辨出疑似正常边缘点中的异常边缘点和正常边缘点，从而可以准确地检测出缺陷，确定出缺陷所在位置。

具体地，在本发明实施例中，根据当前疑似正常边缘点的纵坐标、以及上一次确定出的正常边缘点的纵坐标，从疑似正常边缘点中确定出异常边缘点，具体包括：

判断当前疑似正常边缘点的纵坐标与上一次确定出的正常边缘点的纵坐标的差值是否大于第一预设值；

若大于，则确定当前疑似正常边缘点为异常边缘点；

若不大于，则确定当前疑似正常边缘点为正常边缘点。

例如，结合图5所示，图中所示的边缘点P3为当前疑似正常边缘点，而上一次确定出的正常边缘点假设为边缘点P4，在边缘点P3与边缘点P4的纵坐标差值大于第一预设值，则可以说明该疑似正常边缘点P3在纵坐标方向上存在缺陷，即图中所示疑似正常边缘点P3位于凹陷处，所以可以确定出疑似正常边缘点P3为异常边缘点。

其中，若假设直线边缘包括的边缘点的数量为M，且这些边缘点按照一定的顺序排列(具体的排列方式后续内容中有介绍)，此时，按照排列顺序，第一个边缘点可以为直线边缘的起点或终点，此处以第一个边缘点可以为直线边缘的起点为例进行说明。

首先，可以确定第一个边缘点为正常边缘点；当然，在实际情况中，还可以根据边缘点的梯度角度确定第一个边缘点是否为正常边缘点；

然后，在确定出第一个边缘点后，对第二个边缘点进行判断，如果根据第二个边缘点的梯度角度，确定出第二个边缘点为疑似正常边缘点时，可以将第一个边缘点作为上一次确定出的正常边缘点，继续进一步判断第二个边缘点是否为异常边缘点；

接着，在确定出第二个边缘点后，对第三个边缘点进行判断，如果根据第三个边缘点的梯度角度，确定出第三个边缘点依然为疑似正常边缘点时，可以继续将第一个边缘点作为上一次确定出的正常边缘点，继续进一步判断第三个边缘点是否为异常边缘点；

在确定出第三个边缘点后，对第四个边缘点进行判断，如果根据第四个边缘点的梯度角度，确定出第四个边缘点依然为疑似正常边缘点时，可以将第三个边缘点作为上一次确定出的正常边缘点，继续进一步判断第四个边缘点是否为异常边缘点；

之后，按照上述过程，依次对每个边缘点进行判断，直至完成对第M个边缘点的判断，从而通过两次筛选，可以从直线边缘包括的各边缘点中筛选出异常边缘点，实现直线边缘的缺陷检测。

可选地，在本发明实施例中，在根据确定出的测试图像中直线边缘的位置，确定测试图像中直线边缘包括的各边缘点数据时，可以包括以下步骤：

步骤1、根据确定出的测试图像中直线边缘的位置，从测试图像中提取直线边缘对应的目标图像；

其中，目标图像的形状可以但不限于为四边形，如图6和图7所示，图6所示为测试图像，图7所示为目标图像，且图7为图6中的虚线框1内的区域放大后的图像，该目标图像为长方形。

并且，目标图像的长(如图7中所示的L)，可以根据直线边缘的起点和终点之间的距离确定；例如，起点的坐标为(S_x，S_y)，终点的坐标为(E_x，E_y)，那么目标图像的长L可以表示为以下关系式：

对于目标图像的宽(如图7中所示的H)，可以根据实际所要应用的场景中待检测的直线边缘中可能出现的缺陷确定，具体可以根据实际经验进行设置，在此并不限定。

说明一点，提取目标图像，可以有利于后续快速地确定出各边缘点的数据信息，减少计算量，提高计算速度，同时还可以节省设备的内存，提高设备的处理效率。

具体地，在提取目标图像时，可以但不限于采用放射变换的方式，具体的提取过程可以参见现有的放射变换技术，在此不再详述。

步骤2、根据预设的边缘提取算法，从目标图像中提取直线边缘包括的各边缘点，并确定出各边缘点的数据信息。

其中，预设边缘提取算法可以但不限于为Canny算法，该Canny算法可以根据直线边缘的梯度信息，确定出各边缘点，同时还可以得到各边缘点的梯度信息和坐标信息，以便于后续筛选出异常边缘点。对于Canny算法的具体实现过程，可以参见现有技术，在此不再详述。

具体地，在本发明实施例中，在确定出各边缘点的数据信息之后，还包括：

根据预设的轮廓跟踪算法，对提取出的各边缘点进行转换处理，得到边缘点数组；其中，边缘点数组包括的各边缘点中，除第一个边缘点之外，其他任一边缘点与相邻的前一个边缘点为领域相连关系；

在根据各边缘点的梯度信息与预设的标准梯度信息，从直线边缘包括的各边缘点中筛选出疑似正常边缘点时，根据疑似正常边缘点的坐标信息，从疑似正常边缘点中确定出异常边缘点，包括：

根据各边缘点的梯度信息与预设的标准梯度信息，按照边缘点数组中各边缘点的排列顺序，依次筛选出疑似正常边缘点和异常边缘点；

根据疑似正常边缘点的坐标信息，按照疑似正常边缘点的排列顺序，依次确定出异常边缘点。

其中，上述内容中提及的邻域相连关系，可以但不限于为4邻域相邻或8邻域相邻。

通过对提取出的边缘点进行转换处理，可以使得边缘点数组中的各边缘点按照一定的顺序进行排列，从而有利于后续在筛选时，按照排列顺序依然进行筛选，保证准确且快速地筛选出异常边缘点，避免筛选错误，提高筛选结果的准确率，使得缺陷检测的结果更加准确、可靠。

当然，在对提取出的边缘点进行转换处理时，具体的转换过程可以参见现有技术，在此不再详述。

具体地，在本发明实施例中，在依次确定出异常边缘点之后，还包括：

按照边缘点数组中各边缘点的排列顺序，确定各异常边缘点的顺序；

根据确定出的各异常边缘点的顺序，判断出相邻的异常边缘点的数量不大于第三预设值时，对数量不大于第三预设值的相邻异常边缘点进行过滤处理。

例如，假设边缘点数组中包括7个边缘点，说明一点，此处为了简单清楚地说明过滤处理，只是以边缘点数组中包括7个边缘点为例进行说明，但这并不表示实际情况中边缘点数组中包括7个边缘点，也即实际情况中边缘点数组中包括的边缘点有很多。

将边缘点数组中的7个边缘点分别记为边缘点1、边缘点2、边缘点3、边缘点4、边缘点5、边缘点6和边缘点7，边缘点1可以为对应直线边缘的起点，对应的边缘点7为对应直线边缘的终点；或者，边缘点1可以为对应直线边缘的终点，对应的边缘点7为对应直线边缘的起点。

若通过上述两次筛选过程，假设确定出的异常边缘点分别为：边缘点3、边缘点4、边缘点5和边缘点7时，那么：

首先，按照边缘点数组中各边缘点的排列顺序，对异常边缘点进行排序后为：边缘点3、边缘点4、边缘点5和边缘点7；

接着，若第三预设值设置为2时，那么：

由于边缘点3、边缘点4和边缘点5相邻，边缘点7与边缘点5不相邻，且相邻的异常边缘点的数量为3，3大于2，所以边缘点3、边缘点4和边缘点5并不是噪声，而是真实的缺陷；

边缘点7没有相邻的异常边缘点，所以可以认为相邻的异常边缘点的数量为1，且1小于2，所以可以被认为边缘点7为噪声，因此可以对边缘点7进行过滤处理，即删除边缘点7。

因此，最终确定出的异常边缘点为：边缘点3、边缘点4、边缘点5。

如此，通过上述过滤处理过程，可以对噪声进行过滤处理，去掉噪声造成的干扰，从而有利于提高直线边缘的缺陷检测的准确性。

可选地，在本发明实施例中，坐标信息包括纵坐标时，在从疑似正常边缘点中确定出异常边缘点之后，还包括：

在判断出异常边缘点的纵坐标大于正常边缘点的纵坐标时，确定异常边缘点对应的缺陷类型为凸起缺陷；

或，在判断出异常边缘点的纵坐标小于正常边缘点的纵坐标时，确定异常边缘点对应的缺陷类型为缺损缺陷。

例如，如图4所示，边缘点P1为正常边缘点，边缘点P2为异常边缘点，边缘点P2的纵坐标明显大于边缘点P1的纵坐标，所以可以确定出边缘点P2对应的缺陷类型为凸起缺陷，从图中也可以看出边缘点P2位于凸起处。

又例如，如图5所示，边缘点P4为正常边缘点，边缘点P3为异常边缘点，边缘点P3的纵坐标明显小于边缘点P4的纵坐标，所以可以确定出边缘点P3对应的缺陷类型为缺损缺陷，从图中也可以看出边缘点P3位于缺损(或凹陷)处。

其中，在判断异常边缘点对应的缺陷类型时，选择的正常边缘点可以但不限于为：

与该异常边缘点相邻的正常边缘点，如图5中的边缘点P3和边缘点P4；

或者，与该异常边缘点非相邻的任一正常边缘点，如图4中的边缘点P1和边缘点P2。

在实际情况中，可以根据实际情况进行选择，只要能够确定出异常边缘点对应的缺陷类型即可，对于正常边缘点的选择，在此并不限定。

并且，还可以根据异常边缘点的纵坐标与正常边缘点的纵坐标之间的差值，确定出异常边缘点所在位置处的缺陷程度，从而有利于为后续生产线的改善和优化提供数据参考。

下面结合具体实施例，对本发明实施例提供的缺陷检测方法进行说明。

结合图8所示，以一个直线边缘，且该直线边缘包括多个疑似正常边缘点为例。

S801、确定测试图像中产品外轮廓的直线边缘的位置；

S802、根据确定出的测试图像中直线边缘的位置，从测试图像中提取直线边缘所在区域对应的目标图像；

S803、根据边缘提取算法，从目标图像中提取直线边缘包括的各边缘点，并确定出各边缘点的梯度信息和坐标信息；

S804、根据轮廓跟踪算法，对提取出的各边缘点进行转换处理，得到边缘点数组；

S805、按照边缘点数组中各边缘点的排列顺序，依次确定出各边缘点的梯度角度，并根据各边缘点的梯度角度与预设的标准梯度角度，筛选出异常边缘点和疑似正常边缘点；

其中，该S805中的筛选过程即为第一次筛选过程。

S806、将确定出的首个疑似正常边缘点确定为正常边缘点，依次针对其余的每个疑似正常边缘点，确定当前疑似正常边缘点的纵坐标与上一次确定出的正常边缘点的纵坐标的差值，将差值大于第一预设值的疑似正常边缘点确定为异常边缘点，将差值不大于第一预设值的疑似正常边缘点确定为正常边缘点；

其中，该S806中的筛选过程即为第二次筛选过程。

S807、按照边缘点数组中各边缘点的排列顺序，对确定出的各异常边缘点进行排序，并判断排序后的异常边缘点中是否存在数量不大于第三预设值且相邻的异常边缘点；若是，执行S808；若否，执行S809；

S808、将数量不大于第三预设值且相邻的异常边缘点删除；执行S809；

S809、统计确定出的异常边缘点，在异常边缘点的纵坐标大于相邻的正常边缘点的纵坐标时，将该异常边缘点对应的缺陷类型确定为凸起缺陷，在异常边缘点的纵坐标小于相邻的正常边缘点的纵坐标时，将该异常边缘点对应的缺陷类型确定为缺损缺陷。

需要说明的是，可选地，在本发明实施例中，测试图像中产品包括的直线边缘的数量至少为一个，在包括多个直线边缘时，可以针对各直线边缘分别执行上述S801-S809的步骤，也即对每一个直线边缘分别进行处理，将每个直线边缘存在的缺陷进行整合，可以最终确定出产品的缺陷，从而有利于为后续生产线的改善和优化提供数据参考。

还需要说明的是，以图6所示为例，虚线框2所示的八边形表示产品，该产品有八个边，且每个边均为直线，所以可以将每个边看作是一个直线边缘，对应地，该产品可以包括八个直线边缘；

在确定各直线边缘的起点和终点时，以直线边缘B1、直线边缘B2和直线边缘B3为例，可以按照以下方式确定：

直线边缘B1的起点为k1点，终点为k2点；

直线边缘B2的起点为k2点，终点为k3点；

直线边缘B3的起点为k3点，终点为k4点。

也就是说，相邻的两个直线边缘具有交点，该交点既可以为其中一个直线边缘的终点，同时又为另一个直线边缘的起点。

如此，可以保证准确地检测出每个直线边缘存在的缺陷，使得检测出的缺陷与实际存在的缺陷保持一致，从而提高缺陷检测的精确度。

基于同一发明构思，本发明实施例提供了一种产品外轮廓中的直线边缘的缺陷检测设备，该设备的实现原理与前述一种产品外轮廓中的直线边缘的缺陷检测方法的实现原理类似，该设备的具体实施方式可参见前述缺陷检测方法的具体实施例，重复之处不再赘述。

具体地，本发明实施例提供的一种产品外轮廓中的直线边缘的缺陷检测设备，如图9所示，包括：

存储器901，用于存储程序指令；

处理器902，用于调用存储器901中存储的程序指令，按照获得的程序执行：

确定测试图像中产品外轮廓的直线边缘的位置；

根据确定出的测试图像中直线边缘的位置，确定测试图像中直线边缘包括的各边缘点的数据信息；其中数据信息包括：梯度信息和坐标信息；

在根据各边缘点的梯度信息与预设的标准梯度信息，从直线边缘包括的各边缘点中筛选出疑似正常边缘点时，根据疑似正常边缘点的坐标信息，从疑似正常边缘点中确定出异常边缘点。

可选地，在本发明实施例中，处理器902用于：

在疑似正常边缘点具有多个，且将首个疑似正常边缘点设定为正常边缘点时，针对其余各疑似正常边缘点，均执行以下步骤：

根据当前疑似正常边缘点的纵坐标、以及上一次确定出的正常边缘点的纵坐标，从疑似正常边缘点中确定出异常边缘点。

可选地，在本发明实施例中，处理器902用于：

判断当前疑似正常边缘点的纵坐标与上一次确定出的正常边缘点的纵坐标的差值是否大于第一预设值；

若大于，则确定当前疑似正常边缘点为异常边缘点；

若不大于，则确定当前疑似正常边缘点为正常边缘点。

可选地，在本发明实施例中，处理器902用于：

将任一边缘点的梯度角度与预设的第一标准梯度角度的差值的绝对值定义为第一数值，将该边缘点的梯度角度与预设的第二标准梯度角度的差值的绝对值定义为第二数值，并将该边缘点对应的第一数值和第二数值中的较小值定义为目标值；其中，第一标准梯度角度与第二标准梯度角度之和为360°；

在直线边缘包括的各边缘点中，将目标值大于第二预设值的边缘点确定为异常边缘点；

在直线边缘包括的各边缘点中，将目标值不大于第二预设值的边缘点确定为疑似正常边缘点。

可选地，在本发明实施例中，处理器902用于：

根据确定出的测试图像中直线边缘的位置，从测试图像中提取直线边缘对应的目标图像；

根据预设的边缘提取算法，从目标图像中提取直线边缘包括的各边缘点，并确定出各边缘点的数据信息。

可选地，在本发明实施例中，处理器902还用于：

在确定出各边缘点的数据信息之后，根据预设的轮廓跟踪算法，对提取出的各边缘点进行转换处理，得到边缘点数组；其中，边缘点数组包括的各边缘点中，除第一个边缘点之外，其他任一边缘点与相邻的前一个边缘点为领域相连关系；

对应地，处理器902用于：

根据各边缘点的梯度信息与预设的标准梯度信息，按照边缘点数组中各边缘点的排列顺序，依次筛选出疑似正常边缘点和异常边缘点；

根据疑似正常边缘点的坐标信息，按照疑似正常边缘点的排列顺序，依次确定出异常边缘点。

可选地，在本发明实施例中，处理器902还用于：

在依次确定出异常边缘点之后，按照边缘点数组中各边缘点的排列顺序，确定各异常边缘点的顺序；

根据确定出的各异常边缘点的顺序，判断出相邻的异常边缘点的数量不大于第三预设值时，对数量不大于第三预设值的相邻异常边缘点进行过滤处理。

可选地，在本发明实施例中，处理器902还用于：

坐标信息包括纵坐标时，在从疑似正常边缘点中确定出异常边缘点之后，在判断出异常边缘点的纵坐标大于正常边缘点的纵坐标时，确定异常边缘点对应的缺陷类型为凸起缺陷；

或，在判断出异常边缘点的纵坐标小于正常边缘点的纵坐标时，确定异常边缘点对应的缺陷类型为缺损缺陷。

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 (10)

1.一种产品外轮廓中的直线边缘的缺陷检测方法，其特征在于，包括：

确定测试图像中所述产品外轮廓的直线边缘的位置；

根据确定出的所述测试图像中所述直线边缘的位置，确定所述测试图像中所述直线边缘包括的各边缘点的数据信息；其中所述数据信息包括：梯度信息和坐标信息；

在根据各所述边缘点的梯度信息与预设的标准梯度信息，从所述直线边缘包括的各所述边缘点中筛选出疑似正常边缘点时，根据所述疑似正常边缘点的坐标信息，从所述疑似正常边缘点中确定出异常边缘点。

2.如权利要求1所述的缺陷检测方法，其特征在于，所述坐标信息包括纵坐标时，根据所述疑似正常边缘点的坐标信息，从所述疑似正常边缘点中确定出异常边缘点，包括：

在所述疑似正常边缘点具有多个，且将首个所述疑似正常边缘点设定为正常边缘点时，针对其余各所述疑似正常边缘点，均执行以下步骤：

根据当前所述疑似正常边缘点的纵坐标、以及上一次确定出的正常边缘点的纵坐标，从所述疑似正常边缘点中确定出异常边缘点。

3.如权利要求2所述的缺陷检测方法，其特征在于，根据当前所述疑似正常边缘点的纵坐标、以及上一次确定出的正常边缘点的纵坐标，从所述疑似正常边缘点中确定出异常边缘点，具体包括：

判断当前所述疑似正常边缘点的纵坐标与上一次确定出的正常边缘点的纵坐标的差值是否大于第一预设值；

若大于，则确定当前所述疑似正常边缘点为所述异常边缘点；

若不大于，则确定当前所述疑似正常边缘点为所述正常边缘点。

4.如权利要求1所述的缺陷检测方法，其特征在于，根据各所述边缘点的梯度信息与预设的标准梯度信息，从所述直线边缘包括的各所述边缘点中筛选出疑似正常边缘点，包括：

将任一所述边缘点的梯度角度与预设的第一标准梯度角度的差值的绝对值定义为第一数值，将该所述边缘点的梯度角度与预设的第二标准梯度角度的差值的绝对值定义为第二数值，并将该所述边缘点对应的所述第一数值和所述第二数值中的较小值定义为目标值；其中，所述第一标准梯度角度与所述第二标准梯度角度之和为360°；

在所述直线边缘包括的各所述边缘点中，将所述目标值大于第二预设值的所述边缘点确定为所述异常边缘点；

在所述直线边缘包括的各所述边缘点中，将所述目标值不大于所述第二预设值的所述边缘点确定为所述疑似正常边缘点。

5.如权利要求1所述的缺陷检测方法，其特征在于，根据确定出的所述测试图像中所述直线边缘的位置，确定所述测试图像中所述直线边缘包括的各边缘点数据，包括：

根据确定出的所述测试图像中所述直线边缘的位置，从所述测试图像中提取所述直线边缘对应的目标图像；

根据预设的边缘提取算法，从所述目标图像中提取所述直线边缘包括的各所述边缘点，并确定出各所述边缘点的数据信息。

6.如权利要求5所述的缺陷检测方法，其特征在于，在确定出各所述边缘点的数据信息之后，还包括：

根据预设的轮廓跟踪算法，对提取出的各所述边缘点进行转换处理，得到边缘点数组；其中，所述边缘点数组包括的各所述边缘点中，除第一个所述边缘点之外，其他任一所述边缘点与相邻的前一个所述边缘点为领域相连关系；

在根据各所述边缘点的梯度信息与预设的标准梯度信息，从所述直线边缘包括的各所述边缘点中筛选出疑似正常边缘点时，根据所述疑似正常边缘点的坐标信息，从所述疑似正常边缘点中确定出异常边缘点，包括：

根据各所述边缘点的梯度信息与预设的标准梯度信息，按照所述边缘点数组中各所述边缘点的排列顺序，依次筛选出所述疑似正常边缘点和所述异常边缘点；

根据所述疑似正常边缘点的坐标信息，按照所述疑似正常边缘点的排列顺序，依次确定出所述异常边缘点。

7.如权利要求6所述的缺陷检测方法，其特征在于，在依次确定出所述异常边缘点之后，还包括：

按照所述边缘点数组中各所述边缘点的排列顺序，确定各所述异常边缘点的顺序；

根据确定出的各所述异常边缘点的顺序，判断出相邻的所述异常边缘点的数量不大于第三预设值时，对数量不大于所述第三预设值的相邻所述异常边缘点进行过滤处理。

8.如权利要求1所述的缺陷检测方法，其特征在于，确定测试图像中所述产品外轮廓的直线边缘的位置，包括：

确定所述测试图像中所述产品的轮廓特征；

根据预先确定出的标准图像中所述产品的轮廓特征、以及所述测试图像中所述产品的轮廓特征，确定所述标准图像与所述测试图像之间所述产品的特征变换量；其中特征变换量包括：位置变换量和角度变换量；

根据确定出的所述产品的特征变换量、以及预先确定出的所述标准图像中所述产品包括的各轮廓点的位置信息和角度信息，确定所述测试图像中所述产品包括的各轮廓点的位置信息和角度信息；

根据所述测试图像中所述产品的轮廓点的位置信息和角度信息，以及所述测试图像中所述产品的轮廓特征，确定所述测试图像中所述产品外轮廓的直线边缘的位置。

9.如权利要求1-8任一项所述的缺陷检测方法，其特征在于，所述坐标信息包括纵坐标时，在从所述疑似正常边缘点中确定出异常边缘点之后，还包括：

在判断出所述异常边缘点的纵坐标大于正常边缘点的纵坐标时，确定所述异常边缘点对应的缺陷类型为凸起缺陷；

或，在判断出所述异常边缘点的纵坐标小于正常边缘点的纵坐标时，确定所述异常边缘点对应的缺陷类型为缺损缺陷。

10.一种产品外轮廓中的直线边缘的缺陷检测设备，其特征在于，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的所述程序指令，按照获得的程序执行：

确定测试图像中所述产品外轮廓的直线边缘的位置；

根据确定出的所述测试图像中所述直线边缘的位置，确定所述测试图像中所述直线边缘包括的各边缘点的数据信息；其中所述数据信息包括：梯度信息和坐标信息；

在根据各所述边缘点的梯度信息与预设的标准梯度信息，从所述直线边缘包括的各所述边缘点中筛选出疑似正常边缘点时，根据所述疑似正常边缘点的坐标信息，从所述疑似正常边缘点中确定出异常边缘点。

Images