CN113989266B - 基于图像处理的机械配件表面缺陷检测方法 - Google Patents

Abstract

本发明涉及图像处理领域，具体涉及一种基于图像处理的机械配件表面缺陷检测方法，包括：获取待检测的机械配件表面图及其灰度图；对灰度图进行canny边缘检测，得到灰度图中的多个缺陷离散边缘和孤立点；根据各像素点的梯度幅值和梯度方向确定各离散边缘的端点搜索域及域内权重；获取各离散边缘搜索域内孤立点的总相似度；根据孤立点的总相似度及其对应的权重，得到各孤立点对应的连接系数；根据连接系数对各离散边缘进行端点更新；对每次更新端点后的各离散边缘进行停止条件判定，得到最终的连接结果，进而得到缺陷区域。上述方法用于对机械配件的表面进行缺陷检测，通过上述方法可得到更完整的缺陷边缘，提高缺陷检测效果。

Description

基于图像处理的机械配件表面缺陷检测方法

技术领域

本发明涉及图像处理领域，具体涉及一种基于图像处理的机械配件表面缺陷检测方法。

背景技术

机械配件的质量对机械产品的使用寿命有很大的影响。然而，在生产过程中由于操作不当往往会使机械配件表面出现划痕、裂纹等缺陷，所以对机械配件进行缺陷检测必不可少。

现在广泛使用的对机械配件表面进行缺陷检测的手段为canny边缘检测技术：主要是利用canny边缘检测算法获取缺陷边缘信息，实现对缺陷的检测。

然而，现有的canny边缘检测技术存在一些问题，其检测出的边缘通常为离散的边缘片段，在对缺陷进行检测时，断续的离散边缘难以实现对不同类型缺陷的识别，大大影响了缺陷检测效果，因此需要对离散边缘进行连接。而现有的边缘连接算法仅仅是根据端点8邻域内是否出现其他边缘轮廓来进行连接，对于一些离得很近但却不是严格连接的情况无法自适应。因此，亟需一种方法实现对断续的离散边缘进行自适应连接，获得更完整的缺陷边缘，提高缺陷检测效果。

发明内容

本发明提供了一种基于图像处理的机械配件表面缺陷检测方法，包括：获取待检测的机械配件表面图及其灰度图；对灰度图进行canny边缘检测，得到灰度图中的多个缺陷离散边缘和孤立点；根据各像素点的梯度幅值和梯度方向确定各离散边缘的端点搜索域及域内权重；获取各离散边缘搜索域内孤立点的总相似度；根据孤立点的总相似度及其对应的权重，得到各孤立点对应的连接系数；根据连接系数对各离散边缘进行端点更新；对每次更新端点后的各离散边缘进行停止条件判定，得到最终的连接结果，相比于现有技术，本发明结合计算机视觉与图像处理，利用机械配件缺陷离散边缘上各像素点的梯度幅值和梯度方向得到端点搜索域及域内权重，进而得到搜索域内孤立点的连接系数，根据孤立点的连接系数对离散边缘端点进行更新，可实现自适应端点连接。

进一步的，本发明在每次更新离散边缘端点时进行停止条件判定，根据判定结果确定是否停止连接，根据最终连接结果对各完整边缘进行标记，可有效提高缺陷检测效果。

为达到上述目的，本发明采用以下技术方案，一种基于图像处理的机械配件表面缺陷检测方法，包括：

获取待检测的机械配件表面图。

对机械配件表面图进行灰度化处理，得到机械配件表面灰度图。

对机械配件表面灰度图进行canny边缘检测，得到表面灰度图中的多个缺陷离散边缘和多个孤立点。

对缺陷离散边缘上的像素点进行粗粒化，得到各缺陷离散边缘对应的不同尺度的采样序列。

计算不同尺度的采样序列的样本熵，得到各缺陷离散边缘对应的尺度-样本熵序列。

选取尺度-样本熵序列中的样本熵最大值，将该样本熵最大值的采样序列对应的尺度确定为各缺陷离散边缘的搜索域半径。

选取尺度-样本熵序列中的样本熵最小值，将该样本熵最小值的采样序列的最后一个序号对应的梯度径向的法向确定为各缺陷离散边缘的搜索方向。

根据搜索域半径和搜索方向得到各缺陷离散边缘搜索域内各像素点的接近权重和方向权重。

利用canny边缘检测得到的孤立点与缺陷离散边缘上各点的梯度幅值和梯度方向，得到各缺陷离散边缘搜索域内的孤立点与各缺陷离散边缘的总相似度。

根据孤立点的总相似度及其对应的接近权重和方向权重，得到各缺陷离散边缘搜索域内的各孤立点对应的连接系数。

根据各缺陷离散边缘搜索域内的各孤立点对应的连接系数对各缺陷离散边缘进行端点更新。

对每次更新端点后的各缺陷离散边缘进行停止条件判定，得到最终的连接结果。

对连接结果中完整的缺陷边缘进行标记，标记的缺陷边缘连通域即为机械配件表面缺陷区域。

进一步的，所述一种基于图像处理的机械配件表面缺陷检测方法，所述表面灰度图中的多个缺陷离散边缘和多个孤立点是按照如下方式得到：

对机械配件表面灰度图进行高斯降噪，得到去噪后的机械配件表面灰度图。

对去噪后的机械配件表面灰度图进行梯度计算，得到机械配件表面灰度图中各像素点的梯度幅值和梯度方向。

对各像素点的梯度幅值和梯度方向进行非极大值抑制，获得筛选后的边缘点。

对筛选后的边缘点进行双阈值分类，得到抑制类边缘点、弱边缘类边缘点和强边缘类边缘点。

对强边缘类边缘点和弱边缘类边缘点进行8邻域连接，得到多个缺陷离散边缘。

对未连接的强边缘类边缘点和弱边缘类边缘点进行标记，得到多个孤立点。

进一步的，所述一种基于图像处理的机械配件表面缺陷检测方法，所述各缺陷离散边缘对应的尺度-样本熵序列是按照如下方式得到：

根据缺陷离散边缘上各像素点的梯度方向获取各像素点的梯度径向。

将缺陷离散边缘从一个端点开始到另一个端点结束，依次对经过的缺陷离散边缘上的像素点进行编号，获取该缺陷离散边缘对应的梯度径向序列。

对缺陷离散边缘对应的梯度径向序列进行不同尺度的跳跃采样，得到每个尺度对应的采样序列。

计算每个尺度对应的采样序列的样本熵。

以尺度为序号，不同尺度对应的采样序列的样本熵为序列，得到缺陷离散边缘对应的尺度-样本熵序列。

进一步的，所述一种基于图像处理的机械配件表面缺陷检测方法，所述各缺陷离散边缘搜索域内各像素点的接近权重和方向权重是按照如下方式得到：

以缺陷离散边缘的端点为搜索域中心，搜索域半径为层数，依次对离搜索域中心最近的层数到最外层分别进行标记。

根据缺陷离散边缘搜索域内各像素点所在层数距离搜索域中心的距离，得到缺陷离散边缘搜索域内各像素点的接近权重。

根据缺陷离散边缘搜索域内各像素点与搜索域中心连线的角度，得到缺陷离散边缘搜索域内各像素点的方向权重。

进一步的，所述一种基于图像处理的机械配件表面缺陷检测方法，所述各缺陷离散边缘搜索域内的各孤立点对应的连接系数是按照如下方式得到：

计算缺陷离散边缘搜索域内各孤立点与该缺陷离散边缘各像素点的梯度幅值相似度，得到各孤立点的梯度幅值相似度。

计算缺陷离散边缘搜索域内各孤立点与该缺陷离散边缘端点附近边缘点的梯度径向相似度，得到各孤立点的梯度径向相似度。

根据各孤立点的梯度幅值相似度和梯度径向相似度，得到各孤立点的总相似度。

根据各孤立点的总相似度及其对应位置的接近权重和方向权重，得到该缺陷离散边缘搜索域内的各孤立点对应的连接系数。

进一步的，所述一种基于图像处理的机械配件表面缺陷检测方法，所述对各缺陷离散边缘进行端点更新是按照如下方式进行：

比较缺陷离散边缘各孤立点的连接系数，获取选择系数最大的孤立点。

将选择系数最大的孤立点作为缺陷离散边缘的新端点与原端点进行连接，将该新端点作为下次连接的原端点，完成对缺陷离散边缘的端点更新。

进一步的，所述一种基于图像处理的机械配件表面缺陷检测方法，所述停止条件具体为：

设置连接系数阈值，当缺陷离散边缘搜索域内所有孤立点的连接系数均小于连接系数阈值时停止连接。

当缺陷离散边缘搜索域内最优的点为其他缺陷离散边缘的端点时，将两端点连接并停止下次连接。

本发明的有益效果在于：

本发明结合计算机视觉与图像处理，利用机械配件缺陷离散边缘上各像素点的梯度幅值和梯度方向得到端点搜索域及域内权重，进而得到搜索域内孤立点的连接系数，根据孤立点的连接系数对离散边缘端点进行更新，可实现自适应端点连接。

进一步的，本发明在每次更新离散边缘端点时进行停止条件判定，根据判定结果确定是否停止连接，根据最终连接结果对各完整边缘进行标记，可有效提高缺陷检测效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种机械配件表面缺陷检测方法流程示意图；

图2为本发明实施例提供的一种机械配件表面缺陷检测方法流程示意图；

图3为本发明实施例提供的一种梯度方向和边缘方向示意图；

图4为本发明实施例提供的一种搜索域半径示意图；

图5为办发明实施例提供的一种搜索方向示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。

实施例1

本发明实施例提供一种基于图像处理的机械配件表面缺陷检测方法，如图1所示，包括：

S101、获取待检测的机械配件表面图。

其中，待检测的机械配件表面图指的是在需要检测机械配件表面裂纹、划痕等场景时获取的。

S102、对机械配件表面图进行灰度化处理，得到机械配件表面灰度图。

其中，灰度图，又称灰阶图。把白色与黑色之间按对数关系分为若干等级，称为灰度。灰度分为256阶。

S103、对机械配件表面灰度图进行canny边缘检测，得到表面灰度图中的多个缺陷离散边缘和多个孤立点。

其中，canny边缘检测是一种非常常见的边缘检测算法，它是一个多阶段的算法，即由多个步骤构成。

S104、对缺陷离散边缘上的像素点进行粗粒化，得到各缺陷离散边缘对应的不同尺度的采样序列。

其中，粗粒化指的是对梯度径向序列进行尺度为的跳跃采样，即每次取/>个数据进行平均。

S105、计算不同尺度的采样序列的样本熵，得到各缺陷离散边缘对应的尺度-样本熵序列。

其中，不同尺度的采样序列的样本熵表示其复杂程度，其最复杂的尺度表示缺陷离散边缘在该尺度上梯度方向变化最剧烈，其最不复杂的尺度表示缺陷离散边缘在该尺度上方向变化不大。

S106、选取尺度-样本熵序列中的样本熵最大值，将该样本熵最大值的采样序列对应的尺度确定为各缺陷离散边缘的搜索域半径。

其中，搜索域半径指的是样本熵值最大的采样序列对应的尺度。

S107、选取尺度-样本熵序列中的样本熵最小值，将该样本熵最小值的采样序列的最后一个序号对应的梯度径向的法向确定为各缺陷离散边缘的搜索方向。

其中，搜索方向为一个角度二元组，是搜索域内的一个径向。

S108、根据搜索域半径和搜索方向得到各缺陷离散边缘搜索域内各像素点的接近权重和方向权重。

其中，搜索域内像素点的接近权重越大，表示该像素点越接近中心点；方向权重越大，表示该像素点越在搜索方向上。

S109、利用canny边缘检测得到的孤立点与缺陷离散边缘上各点的梯度幅值和梯度方向，得到各缺陷离散边缘搜索域内的孤立点与各缺陷离散边缘的总相似度。

其中，孤立点与缺陷离散边缘的总相似度是由该孤立点与缺陷离散边缘梯度幅值相似度与梯度径向相似度得到。

S110、根据孤立点的总相似度及其对应的接近权重和方向权重，得到各缺陷离散边缘搜索域内的各孤立点对应的连接系数。

其中，连接系数是为了判断孤立点是否为离散边缘更新的端点。

S111、根据各缺陷离散边缘搜索域内的各孤立点对应的连接系数对各缺陷离散边缘进行端点更新。

其中，对离散边缘进行端点更新是选择搜索域内连接系数最大的孤立点进行更新。

S112、对每次更新端点后的各缺陷离散边缘进行停止条件判定，得到最终的连接结果。

其中，停止条件指的是当搜索区域内所有孤立点的连接系数均小于时（/>为自设阈值，一个推荐值为0.5）停止连接。

S113、对连接结果中完整的缺陷边缘进行标记，标记的缺陷边缘连通域即为机械配件表面缺陷区域。

其中，对完整的缺陷边缘进行标记是为了利用完整的边缘信息区分不同的缺陷类型。

本实施例的有益效果在于：

本实施例结合计算机视觉与图像处理，利用机械配件缺陷离散边缘上各像素点的梯度幅值和梯度方向得到端点搜索域及域内权重，进而得到搜索域内孤立点的连接系数，根据孤立点的连接系数对离散边缘端点进行更新，可实现自适应端点连接。

进一步的，本实施例在每次更新离散边缘端点时进行停止条件判定，根据判定结果确定是否停止连接，根据最终连接结果对各完整边缘进行标记，可有效提高缺陷检测效果。

实施例2

本发明实施例提供一种基于图像处理的机械配件表面缺陷检测方法，如图2所示，包括：

S201、获取待检测的机械配件表面图。

在光照、拍摄角度等复杂成像因素的影响下，同一事物的边缘像素值并不相同，其像素的梯度变化会受到不同程度的影响，其边缘点的梯度强弱也不同，这就导致canny算法在检测出边缘的情况下其边缘为离散的即同一条真实边缘会在经过canny算子检测后呈现断续的情况，这时，断续的边缘会影响canny算法的检测效果，例如在需要检测零件表面裂纹、划痕等场景时需要将完整的裂纹或划痕实例标注出来，这时，若存在断续的边缘，其会大大影响检测效果。因此本实施例针对上述问题进行对断续的离散边缘进行自适应连接。

首先利用相机对需要缺陷检测的机械配件的表面进行拍摄，获取机械配件表面图像。

S202、获取灰度图中各像素点的梯度幅值和梯度方向。

对得到的机械配件表面图像进行canny边缘检测，具体步骤如下：

对得到的机械配件表面图像进行灰度化处理，得到机械配件表面灰度图。

对灰度图进行高斯去噪，得到去噪后的灰度图。

计算灰度图中各像素点的梯度幅值与方向，利用sobel算子计算图像，/>方向的梯度/>，则梯度幅值/>，其对应的梯度方向为/>。

S203、获取灰度图中的多个缺陷离散边缘及多个孤立点。

根据上述各像素点的梯度幅值与梯度方向进行非极大值抑制，获得筛选后的边缘点。此为现有技术不再赘述。

根据设定的双阈值将上述筛选后的像素点分为三类，分别为抑制类边缘点、弱边缘类边缘点、强边缘类边缘点。

将强边缘类边缘点视为确定的真实边缘，如果弱边缘点中(抑制类边缘点已经置零，不予考虑)有与真实缘点连接的边缘点，则将此弱边缘点也视为真实边缘。至此，所有与真实边缘点相连的弱边缘点均已经连接完毕，而周围没有任何弱边缘点与其相连的强边缘点，虽一开始已经被标记为真实边缘，但仍需进行后续标记其为孤立点；周围没有任何真实边缘与其相连的弱边缘点，也标记为孤立点。

至此，我们获得了多个缺陷离散边缘（由强边缘点与弱边缘点连接而成）以及多个孤立点（包含了强边缘点与弱边缘点）。

对于一个缺陷离散边缘，其端点附近可能有属于它的孤立点，只是由于某种因素如拍摄环境或光照等复杂因素影响导致其不与此缺陷离散边缘直接连接，进而出现断裂的现象。因此需要根据组成缺陷离散边缘的各像素点的梯度幅值与梯度方向特征来进行缺陷离散边缘的跳跃连接。进而进行缺陷离散边缘的端点更新。

S204、获取各缺陷离散边缘对应的梯度径向序列。

对缺陷离散边缘上各像素点的梯度方向进行分析可评价该离散边缘延伸的规律。

对于一个缺陷离散边缘，其上各像素点均对应一个梯度方向为（以/>方向为基准方向），根据边缘方向特点可知，当梯度方向为/>或/>时其对应的边缘延伸方向是相同的，如图3所示。

则对于一个缺陷离散边缘，其上各像素点对应的梯度方向为一个径向，这个径向的垂向为边缘延伸方向（由于边缘可向两端延伸，所以其延伸方向也为一条径向）。因此对于一个边缘像素点对应的梯度方向（/>），其对应的梯度径向表示方式如下：

当时，其径向表示为一个角度二元组/>。

当时，其径向表示为一个角度二元组/>。

记每个点对应的角度二元组为。

基于此，将离散边缘从一个端点开始，依次将边缘上各像素点梯度方向的对应径向组成一个序列，序列的序号为从端点开始直到另一个端点。序列值由各点的梯度径向(一个角度二元组)组成。具体形式如下：

其中，表示序号为/>的点对应的梯度径向，/>表示该离散边缘是由/>个边缘点组成的，表示序号为的点对应的梯度径向对应的角度二元组。

至此，获得梯度径向序列。

对于一个缺陷离散边缘的梯度方向序列，其各个尺度上的样本熵表示其复杂程度，其最复杂的尺度表示缺陷离散边缘在该尺度上梯度方向变化最剧烈，则需要根据该尺度进行搜索范围的确定；其最不复杂的尺度表示缺陷离散边缘在该尺度上方向变化不大，即在该尺度上组成缺陷离散边缘的点均向同一方向延伸，因此可基于该方向确定搜索方向。

S205、获取梯度径向序列对应的尺度-样本熵序列。

所述尺度为相邻序号组成离散边缘的点的个数，则对于一个离散边缘，计算其对应的梯度径向序列的尺度-样本熵序列（样本熵序列为现有技术不再赘述）。

计算尺度-样本熵序列之前需对梯度径向序列进行粗粒化。

所述粗粒化过程如下：

对原始序列进行尺度为的跳跃采样，即每次取个数据进行平均，所述平均过程如下：

其中，代表尺度为的采样后序列的第个序列值（角度二元组），，为原始序列第个序列值对应的角度二元组内数据。

根据上述采样过程，对原始序列进行尺度为的采样后，其序列具体表示如下：

其中，表示该离散边缘是由个边缘点组成的。

计算每个尺度对应的采样序列的样本熵（样本熵计算过程为现有技术不再赘述）。以尺度为序号，该尺度下采样序列的样本熵为序列值建立尺度-样本熵序列。所述尺度-样本熵序列表示如下：

其中，为以尺度采样获得的采样序列的样本熵。

S206、根据尺度-样本熵序列确定搜索域半径。

计算上述尺度-样本熵序列中的最大值，获得样本熵值最大的采样序列对应的尺度，以为搜索半径。所述搜索半径示意图如图4所示：即为搜索区域的层数（所述层数指中心像素点外有几层像素）。

S207、根据尺度-样本熵序列确定搜索方向。

需要说明的是，对于一条缺陷离散边缘，其有两个端点，在对其进行连接的时候需要从两个端点附近同时寻找可连接的孤立点，对于其中一个端点来说，其离散边缘的梯度径向序列应是从另一个端点到该端点进行排序建立的。

计算上述尺度-样本熵序列中的最小值，获得样本熵值最小的采样序列对应的尺度。对于一条缺陷离散边缘的端点（所述端点检测为现有技术不再赘述），以对应的采样序列的最后一个序号对应的角度二元组（梯度径向）的法向为搜索方向。

此时，搜索方向为一个角度二元组，搜索区域中心点即为端点位置，则对于此端点来说，搜索方向为其搜索域内的一个径向，则最终的搜索方向确定示意图如图5所示：图中灰色块为缺陷离散边缘上的点，搜索方向的法向（即梯度径向）将搜索域一分为二，也将搜索方向分为两部分，则最终的搜索方向为不与多数缺陷离散边缘上点在同一区域的一部分，图中最终搜索方向为右侧的搜索方向。

至此，对于一个缺陷离散边缘的端点，确定了以其为中心点的搜索域半径以及对应的最终搜索方向。

缺陷离散边缘的端点为搜索域的中心，当确定最终搜索方向与搜索域半径后需要根据最终搜索方向与搜索域半径进行搜索域内权重设置。即在搜索域内，各像素点位置越接近中心点其权重越大，像素点越在搜索方向上，其对应的权重应越大。

S208、根据搜索域半径计算搜索域内各像素点的接近权重。

对于一个端点，其搜索域层数为，则从离中心点最近的层数到最外层分别标记为层。则对于一个处于第层的像素点位置，其对应的接近权重计算方式如下：

其中为中间量，为了省略公式计算，无具体意义。

至此获得搜索域内各像素点的接近权重。

S209、根据搜索方向计算搜索域内各像素点的方向权重。

对于一个搜索域内的像素点位置，将其与搜索域中心点（即端点）连线，连线的角度（相对于基准方向，即方向。）为（）。则该像素点位置对应的方向权重计算方式如下：

其中，为最终搜索方向的角度，为连线角度与最终连线角度的差值，为其化为180内的角度。为该位置对应的方向权重。

孤立点即为待连接的点，其所在位置若在缺陷离散边缘端点搜索域内，其会对应一个权重，这个权重代表了其位置的重要性，即权重越大，其所在位置越会被连接至缺陷离散边缘，而孤立点自身也对应着一个梯度幅值，这个梯度幅值越与当前组成缺陷离散边缘各像素点的梯度幅值均值相近，则其越应被连接至该缺陷离散边缘。而孤立点对应的梯度径向转化为边缘方向后与当前组成缺陷离散边缘搜寻方向越接近其越应被连接至该缺陷离散边缘。

S210、计算搜索域内各孤立点与缺陷离散边缘的总相似度。

a)计算孤立点的梯度幅值与缺陷离散边缘各像素点梯度幅值的幅值相似度。

计算方式如下：

其中，为该孤立点的梯度幅值，为缺陷离散边缘各像素点的梯度幅值均值。

b)计算孤立点的梯度径向与缺陷离散边缘端点附近个边缘像素点的梯度径向相似度。

计算方式如下：

端点附近个边缘像素点的梯度径向均值计算方式如下：

其中，为边缘点梯度径向均值（其为一个角度二元组），/>为离端点最近的个离散边缘上点的编号，/>为其对应的角度二元组元素。

则其梯度径向相似度计算方式如下：

其中，为孤立点的梯度径向角度二元组与梯度径向均值的差值。则对其进行判定：

若大于90/>则将其替换为180/>，180/>。

若小于等于90/>则不变。

又根据梯度径向角度二元组的特性，可知或180/>，180是相等的，则根据此，记上述判定操作后的/>为。

则（/>相等）则，其梯度径向相似度/>的计算公式如下：

c)根据孤立点与边缘的梯度幅值相似度与梯度径向相似度/>计算总相似度/>。

总相似度计算方式如下：

S211、计算搜索域内各孤立点的连接系数。

根据孤立点的总相似度与其对应位置的接近权重以及方向权重计算连接系数/>。

连接系数计算方式如下：

其中，为搜索域内孤立点的总相似度，/>为该孤立点位置对应的接近权重，/>为该孤立点位置对应的方向权重，/>为该孤立点在当前位置的连接系数。

S212、根据连接系数进行缺陷离散边缘端点的更新。

计算端点的搜索域内所有孤立点对应的连接系数，选择连接系数最大的孤立点作为其更新的端点，若更新的端点与原端点之间存在像素空隙，则最少连接像素块个数进行填充，选择填充位置为其位置对应权重降序筛选，填充边缘点对应的梯度幅值与梯度径向均为新旧端点的梯度幅值与梯度径向均值。

填充完毕后，上述整个过程为一次完整的边缘端点更新。

S213、对每次更新端点的缺陷离散边缘进行停止条件判定，获得最终连接结果。

对于整个图像上的多个缺陷离散边缘，边缘端点更新同时进行，以一次更新后的缺陷离散边缘作为新的缺陷离散边缘重复进行上述步骤，并在每次更新时进行停止条件判定，所述停止条件如下：

当搜索域内所有孤立点的连接系数均小于时（/>为自设阈值，一个推荐值为0.5）停止连接。

当搜索区域内最优的点为其他边缘的端点时将两端点连接并停止下次连接。

至此，可得到最终的连接结果。

S214、根据最终连接结果对完整的缺陷边缘实例进行标记，完成缺陷类型的识别。

当所有边缘均停止连接时，对连接结果中完整的缺陷边缘进行标记，标记的缺陷边缘连通域即为机械配件表面缺陷区域。

本实施例的有益效果在于：

本实施例结合计算机视觉与图像处理，利用机械配件缺陷离散边缘上各像素点的梯度幅值和梯度方向得到端点搜索域及域内权重，进而得到搜索域内孤立点的连接系数，根据孤立点的连接系数对离散边缘端点进行更新，可实现自适应端点连接。

进一步的，本实施例在每次更新离散边缘端点时进行停止条件判定，根据判定结果确定是否停止连接，根据最终连接结果对各完整边缘进行标记，可有效提高缺陷检测效果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于图像处理的机械配件表面缺陷检测方法，其特征在于，包括：

获取待检测的机械配件表面图；

对机械配件表面图进行灰度化处理，得到机械配件表面灰度图；

对机械配件表面灰度图进行canny边缘检测，得到表面灰度图中的多个缺陷离散边缘和多个孤立点；

对缺陷离散边缘上的像素点进行粗粒化，得到各缺陷离散边缘对应的不同尺度的采样序列；

计算不同尺度的采样序列的样本熵，得到各缺陷离散边缘对应的尺度-样本熵序列；

选取尺度-样本熵序列中的样本熵最大值，将该样本熵最大值的采样序列对应的尺度确定为各缺陷离散边缘的搜索域半径；

选取尺度-样本熵序列中的样本熵最小值，将该样本熵最小值的采样序列的最后一个序号对应的梯度径向的法向确定为各缺陷离散边缘的搜索方向；

根据搜索域半径和搜索方向得到各缺陷离散边缘搜索域内各像素点的接近权重和方向权重；

利用canny边缘检测得到的孤立点与缺陷离散边缘上各点的梯度幅值和梯度方向，得到各缺陷离散边缘搜索域内的孤立点与各缺陷离散边缘的总相似度；

根据孤立点的总相似度及其对应的接近权重和方向权重，得到各缺陷离散边缘搜索域内的各孤立点对应的连接系数；

根据各缺陷离散边缘搜索域内的各孤立点对应的连接系数对各缺陷离散边缘进行端点更新；

对每次更新端点后的各缺陷离散边缘进行停止条件判定，得到最终的连接结果；

对连接结果中完整的缺陷边缘进行标记，标记的缺陷边缘连通域即为机械配件表面缺陷区域。

2.根据权利要求1所述的一种基于图像处理的机械配件表面缺陷检测方法，其特征在于，所述表面灰度图中的多个缺陷离散边缘和多个孤立点是按照如下方式得到：

对机械配件表面灰度图进行高斯降噪，得到去噪后的机械配件表面灰度图；

对去噪后的机械配件表面灰度图进行梯度计算，得到机械配件表面灰度图中各像素点的梯度幅值和梯度方向；

对各像素点的梯度幅值和梯度方向进行非极大值抑制，获得筛选后的边缘点；

对筛选后的边缘点进行双阈值分类，得到抑制类边缘点、弱边缘类边缘点和强边缘类边缘点；

对强边缘类边缘点和弱边缘类边缘点进行8邻域连接，得到多个缺陷离散边缘；

对未连接的强边缘类边缘点和弱边缘类边缘点进行标记，得到多个孤立点。

3.根据权利要求1所述的一种基于图像处理的机械配件表面缺陷检测方法，其特征在于，所述各缺陷离散边缘对应的尺度-样本熵序列是按照如下方式得到：

根据缺陷离散边缘上各像素点的梯度方向获取各像素点的梯度径向；

将缺陷离散边缘从一个端点开始到另一个端点结束，依次对经过的缺陷离散边缘上的像素点进行编号，获取该缺陷离散边缘对应的梯度径向序列；

对缺陷离散边缘对应的梯度径向序列进行不同尺度的跳跃采样，得到每个尺度对应的采样序列；

计算每个尺度对应的采样序列的样本熵；

以尺度为序号，不同尺度对应的采样序列的样本熵为序列，得到缺陷离散边缘对应的尺度-样本熵序列。

4.根据权利要求1所述的一种基于图像处理的机械配件表面缺陷检测方法，其特征在于，所述各缺陷离散边缘搜索域内各像素点的接近权重和方向权重是按照如下方式得到：

以缺陷离散边缘的端点为搜索域中心，搜索域半径为层数，依次对离搜索域中心最近的层数到最外层分别进行标记；

根据缺陷离散边缘搜索域内各像素点所在层数距离搜索域中心的距离，得到缺陷离散边缘搜索域内各像素点的接近权重；

根据缺陷离散边缘搜索域内各像素点与搜索域中心连线的角度，得到缺陷离散边缘搜索域内各像素点的方向权重。

5.根据权利要求1所述的一种基于图像处理的机械配件表面缺陷检测方法，其特征在于，所述各缺陷离散边缘搜索域内的各孤立点对应的连接系数是按照如下方式得到：

计算缺陷离散边缘搜索域内各孤立点与该缺陷离散边缘各像素点的梯度幅值相似度，得到各孤立点的梯度幅值相似度；

计算缺陷离散边缘搜索域内各孤立点与该缺陷离散边缘端点附近边缘点的梯度径向相似度，得到各孤立点的梯度径向相似度；

根据各孤立点的梯度幅值相似度和梯度径向相似度，得到各孤立点的总相似度；

根据各孤立点的总相似度及其对应位置的接近权重和方向权重，得到该缺陷离散边缘搜索域内的各孤立点对应的连接系数。

6.根据权利要求1所述的一种基于图像处理的机械配件表面缺陷检测方法，其特征在于，所述对各缺陷离散边缘进行端点更新是按照如下方式进行：

比较缺陷离散边缘各孤立点的连接系数，获取选择系数最大的孤立点；

将选择系数最大的孤立点作为缺陷离散边缘的新端点与原端点进行连接，将该新端点作为下次连接的原端点，完成对缺陷离散边缘的端点更新。

7.根据权利要求1所述的一种基于图像处理的机械配件表面缺陷检测方法，其特征在于，所述停止条件具体为：

设置连接系数阈值，当缺陷离散边缘搜索域内所有孤立点的连接系数均小于连接系数阈值时停止连接；

当缺陷离散边缘搜索域内最优的点为其他缺陷离散边缘的端点时，将两端点连接并停止下次连接。