CN114972892B - 基于计算机视觉的汽车刹车片缺陷分类方法 - Google Patents

Abstract

本发明涉及基于计算机视觉的汽车刹车片缺陷分类方法，属于数据处理技术领域。该方法中通过深度相机获取目标生产线生产的各汽车刹车片对应的表面灰度图像和深度图像；根据各缺陷区域对应的各像素点灰度值、各缺陷区域对应的最小外接矩形、各缺陷区域对应的各像素点深度值以及各缺陷区域对应的各像素点的高斯曲率，得到各缺陷区域对应的第一特征指标、对应的第二特征指标以及对应的第三特征指标；根据第一特征指标、第二特征指标以及第三特征指标，得到各缺陷区域对应的目标特征指标；根据目标特征指标，得到各缺陷区域的缺陷类型。本发明的方法是一种自动化分类方法，相对于人工对刹车片缺陷进行分类的方式，该方法的效率和准确度都较高。

Description

基于计算机视觉的汽车刹车片缺陷分类方法

技术领域

本发明涉及数据处理技术领域，具体涉及基于计算机视觉的汽车刹车片缺陷分类方法。

背景技术

刹车片一般由钢板、粘接隔热层和摩擦块构成，是汽车制动系统中的重要零部件，也是影响汽车刹车性能的关键性部件；而当生产刹车片的生产线出现问题时，则可能会严重影响厂家的经济利益；因此需要关注生产线上经常出现的刹车片缺陷，即对汽车刹车片缺陷进行分类，统计生产线上经常出现的缺陷类别，帮助厂家后续分析生产线上存在的问题，以及有利于厂家后续对存在缺陷的刹车片进一步的加工处理，使存在缺陷的刹车片合格，减少资源浪费。

现有的一般基于人工的方式对汽车刹车片缺陷进行分类，这种方式会存在检测效率低、主观性较强的问题，并且还容易出现视觉疲劳导致的错检等现象，因此这种基于人工对汽车刹车片缺陷进行分类的方法可靠性较低。

发明内容

本发明提供基于计算机视觉的汽车刹车片缺陷分类方法，用于解决现有方法对汽车刹车片缺陷进行分类可靠性较低的问题，所采用的技术方案具体如下：

本发明提供了一种基于计算机视觉的汽车刹车片缺陷分类方法包括以下步骤：

获取目标生产线生产的各汽车刹车片对应的表面灰度图像和深度图像；

根据所述表面灰度图像对应的梯度图和所述深度图像，对各汽车刹车片进行筛选，得到各目标汽车刹车片对应的各缺陷区域、各缺陷区域对应的各像素点灰度值以及各缺陷区域对应的各像素点深度值；

根据所述各缺陷区域对应的各像素点灰度值和所述各缺陷区域对应的最小外接矩形，得到所述各缺陷区域对应的第一特征指标；根据所述各缺陷区域对应的各像素点灰度值和所述各缺陷区域对应的各像素点深度值，得到所述各缺陷区域对应的第二特征指标；

根据所述各缺陷区域对应的各像素点的高斯曲率，得到所述各缺陷区域对应的第三特征指标；

根据所述第一特征指标、所述第二特征指标以及所述第三特征指标，得到所述各缺陷区域对应的目标特征指标；根据所述目标特征指标，得到所述各缺陷区域的缺陷类型。

优选的，根据所述表面灰度图像对应的梯度图和所述深度图像，对各汽车刹车片进行筛选，得到各目标汽车刹车片对应的各缺陷区域、各缺陷区域对应的各像素点灰度值以及各缺陷区域对应的各像素点深度值的方法，包括：

对所述表面灰度图像使用sobel算子进行处理，计算得到所述表面灰度图像对应的梯度图；

计算梯度图中各像素点梯度值与对应梯度图中其它像素点梯度值之间欧氏距离的和，记为显著值；

根据预设阈值将梯度图转化为二值图，记为特征二值图，所述特征二值图中0为正常显著值像素点，1为异常显著值像素点；

根据所述特征二值图中值为1组成的各区域，得到所述特征二值图对应的表面灰度图像对应的各区域，记为缺陷区域；

判断各表面灰度图像中是否存在缺陷区域，若是，则将对应表面灰度图像对应的汽车刹车片记为目标汽车刹车片，将对应表面灰度图像记为目标表面灰度图像，将目标汽车刹车片对应的深度图像记为目标深度图像；

根据目标汽车刹车片对应的各缺陷区域、目标汽车刹车片对应的目标深度图像以及目标汽车刹车片对应的目标表面灰度图像，得到所述各缺陷区域对应的各像素点灰度值以及各缺陷区域对应的各像素点深度值。

优选的，根据所述各缺陷区域对应的各像素点灰度值和所述各缺陷区域对应的最小外接矩形，得到所述各缺陷区域对应的第一特征指标的方法，包括：

获取所述各缺陷区域对应的最小外接矩形，将所述各缺陷区域对应的最小外接矩形的长宽比记为所述各缺陷区域对应的形态特征值；

计算得到所述各缺陷区域对应的各像素点灰度值的均值，记为特征均值；计算得到所述各缺陷区域对应的最小外接矩形中除对应缺陷区域对应的各像素点之外的各像素点像素值的均值，记为正常均值；

将所述各缺陷区域对应的特征均值与正常均值的比值，记为所述各缺陷区域对应的第一灰度特征值；

根据各缺陷区域对应的第一灰度特征值和形态特征值，得到各缺陷区域对应的第一特征指标。

优选的，对于任一缺陷区域，根据如下公式计算该缺陷区域对应的第一特征指标：

其中，

为该缺陷区域对应的第一特征指标，

为该缺陷区域对应的第一灰度特征 值，

为该缺陷区域对应的形态特征值。

优选的，根据所述各缺陷区域对应的各像素点灰度值和所述各缺陷区域对应的各像素点深度值，得到所述各缺陷区域对应的第二特征指标的方法，包括：

计算所述各缺陷区域对应的各像素点深度值的均值，记为各缺陷区域对应的深度均值；

获取所述各缺陷区域对应的最小横坐标对应的像素点、各缺陷区域对应的最大横坐标对应的像素点、各缺陷区域对应的最小纵坐标对应的像素点以及各缺陷区域对应的最大纵坐标对应的像素点；

计算所述各缺陷区域对应的最小横坐标对应的像素点深度值、最大横坐标对应的像素点深度值、最小纵坐标对应的像素点深度值以及最大纵坐标对应的像素点深度值之和的均值，记为特征深度值；

计算所述各缺陷区域对应的深度均值与对应缺陷区域对应的特征深度值之间差值的绝对值，记为深度变化指标；

根据所述各缺陷区域对应的特征均值、正常均值以及深度变化指标，得到各缺陷区域对应的第二特征指标。

优选的，对于任一缺陷区域，根据如下公式计算该缺陷区域对应的第二特征指标：

其中，

为该缺陷区域对应的第二特征指标，b1为第一参数，b2为第二参数，

为该 缺陷区域对应的深度变化指标，

为该缺陷区域对应的特征均值，

为该缺陷区域对应的 正常均值，e为自然常数。

优选的，根据所述各缺陷区域对应的各像素点的高斯曲率，得到所述各缺陷区域对应的第三特征指标的方法，包括：

计算所述各缺陷区域对应的各像素点的高斯曲率；

根据所述各缺陷区域对应的各像素点的高斯曲率，构建得到所述各缺陷区域对应的目标矩阵；

根据所述各缺陷区域对应的目标矩阵，计算得到各目标矩阵对应的特征逆方差；

将所述各缺陷区域对应的目标矩阵对应的特征逆方差与对应目标矩阵中元素的总数量的比值记为各缺陷区域对应的第三特征指标。

优选的，对于任一缺陷区域，根据如下公式计算该缺陷区域对应的目标特征指标：

其中，

为该缺陷区域对应的目标特征指标，

为该缺陷区域对应的第三特征指 标，

为该缺陷区域对应的第二特征指标，

为该缺陷区域对应的第一特征指标，

为第三参 数。

有益效果：本发明根据表面灰度图像对应的梯度图，对各汽车刹车片进行筛选，得到各目标汽车刹车片对应的各缺陷区域、各缺陷区域对应的各像素点灰度值以及各缺陷区域对应的各像素点深度值；然后根据各缺陷区域对应的各像素点灰度值、各缺陷区域的最小外接矩形、各缺陷区域对应的各像素点深度值以及各缺陷区域对应的各像素点的高斯曲率，得到各缺陷区域对应的第一特征指标、各缺陷区域对应的第二特征指标以及各缺陷区域对应的第三特征指标；最后根据第一特征指标、第二特征指标以及第三特征指标，得到各缺陷区域对应的目标特征指标和各缺陷区域的缺陷类型。本发明提供的基于计算机视觉的汽车刹车片缺陷分类方法是一种自动化分类方法，相对于人工对刹车片缺陷进行分类的方式，该方法的效率、准确度以及可靠度都较高，并且该方法为厂家后续分析生产线上存在的问题提供了相对可靠的参数，不仅有利于厂家后续对存在缺陷的刹车片进行进一步的加工处理，还有助于厂家后续对生产线的调整。

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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明一种基于计算机视觉的汽车刹车片缺陷分类方法的流程图。

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、完整的描述，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，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。

除非另有定义，本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。

本实施例提供了基于计算机视觉的汽车刹车片缺陷分类方法，详细说明如下：

如图1所示，该基于计算机视觉的汽车刹车片缺陷分类方法，包括以下步骤：

步骤S001，获取目标生产线生产的各汽车刹车片对应的表面灰度图像和深度图像。

本实施例主要对刹车片上存在的划痕缺陷、凹坑缺陷以及小凸起缺陷进行识别分类；本实施例主要通过分析各缺陷区域对应的各像素点灰度值、各缺陷区域对应的最小外接矩形、各缺陷区域对应的各像素点深度值以及各缺陷区域对应的各像素点的高斯曲率来判断各缺陷区域的缺陷类别；本实施例提供的基于计算机视觉的汽车刹车片缺陷分类方法是一种自动化分类方法，相对于人工对刹车片缺陷进行分类的方式，该方法的效率、准确度以及可靠度都较高，并且该方法为厂家后续分析生产线上存在的问题提供了相对可靠的参数，不仅有利于厂家后续对存在缺陷的刹车片进行进一步的加工处理，还有助于厂家后续对生产线的调整。

本实施例只针对一条生产线所生产的汽车刹车片进行分析，记为目标生产线，利用深度相机拍摄目标生产线所生产的各汽车刹车片对应的可见光表面图像和各汽车刹车片对应的可见光深度图像，所述可见光表面图像为RGB图像，所述可见光深度图像上的任一像素点对应一个深度值。之后对可见光表面图像进行灰度化处理，得到各汽车刹车片对应的可见光表面灰度图像；所述可见光深度图像为二维图像，并且所述汽车刹车片对应的可见光表面深度图像与对应的可见光灰度图像的区别仅仅是可见光表面深度图像中各像素点对应的不是灰度值而是深度值。由于汽车刹车片区域颜色深，与背景差异较大，因此利用最大类间方差法对各汽车刹车片对应的可见光表面灰度图像进行阈值分割，得到各可见光表面灰度图像对应的二值图，所述二值图上0像素值区域为背景区域，1像素值区域为汽车刹车片所在区域；将二值图与对应的汽车刹车片的可见光表面灰度图像和可见光深度图像分别进行位运算，得到各汽车刹车片对应的表面灰度图像和深度图像；所述位运算是指将二值图与对应的汽车刹车片的可见光表面灰度图像和可见光深度图像分别进行相乘操作。所述最大类间方差法是一种自适应算法，能够自动计算获得阈值分割所需阈值，在处理此类对比度较高的图像时能够实现很好的效果，所述最大类间方差法为公知技术，因此不作具体描述。

步骤S002，根据所述表面灰度图像对应的梯度图和所述深度图像，对各汽车刹车片进行筛选，得到各目标汽车刹车片对应的各缺陷区域、各缺陷区域对应的各像素点灰度值以及各缺陷区域对应的各像素点深度值。

由于本实施例主要是对划痕缺陷、凹坑缺陷以及小凸起缺陷进行识别分类，因此首先根据表面灰度图像对应的梯度图，对各汽车刹车片进行筛选，得到各目标汽车刹车片对应的各缺陷区域、各缺陷区域对应的各像素点灰度值以及各缺陷区域对应的各像素点深度值；后续判断各缺陷区域对应的缺陷类别。

由于刹车片表面产生的缺陷伴随着刹车片表面形态上的变化，进而会引起表面灰度图像对应的梯度图的变化；因此本实施例对各汽车刹车片对应的表面灰度图像使用sobel算子进行处理，计算得到表面灰度图像对应的梯度图；由于汽车刹车片表面并不平滑，可能会产生大量的梯度噪声；因此使用高斯滤波方法，将梯度图中的噪声去除，减少噪声对后续处理的干扰，将去除噪声之后的梯度图记为目标梯度图。然后利用LC算法对目标梯度图进行处理：计算目标梯度图中各像素点梯度值与对应目标梯度图中其它像素点梯度值之间欧氏距离的和，记为显著值；因此可以得到目标梯度图中各像素点对应的显著值，即得到表面灰度图像对应的目标梯度图中各像素点对应的显著值。之后根据预设阈值将目标梯度图转化为二值图，记为特征二值图，所述特征二值图中0为正常显著值像素点，1为异常显著值像素点；获得特征二值图中值为1组成的各区域，即缺陷所在区域；然后根据所述特征二值图中值为1组成的各区域，得到所述特征二值图对应的表面灰度图像对应的各区域，记为缺陷区域；所述预设阈值需要根据实际情况设置。

然后判断各表面灰度图像中是否存在缺陷区域，若是，则将对应表面灰度图像对应的汽车刹车片记为目标汽车刹车片，将对应表面灰度图像记为目标表面灰度图像，将目标汽车刹车片对应的深度图像记为目标深度图像；否则，则将对应的表面灰度图像剔除。因此通过上述方式可以得到各目标汽车刹车片对应的目标表面灰度图像、目标深度图像以及各目标汽车刹车片对应的缺陷区域；根据目标汽车刹车片对应的各缺陷区域、目标汽车刹车片对应的目标深度图像以及目标汽车刹车片对应的目标表面灰度图像，得到各缺陷区域对应的各像素点灰度值以及各缺陷区域对应的各像素点深度值。

获得各缺陷区域对应的各像素点灰度值以及各缺陷区域对应的各像素点深度值的具体过程为：

对于任一目标汽车刹车片对应的任一缺陷区域：根据该缺陷区域中的各像素点位置，得到该目标汽车刹车对应的目标深度图像中与该缺陷区域中的各像素点位置对应的各像素点的深度值和该目标汽车刹车对应的目标表面灰度图像中与该缺陷区域中的各像素点位置对应的各像素点的灰度值；将该目标汽车刹车对应的目标深度图像中与该缺陷区域中的各像素点位置对应的各像素点的深度值作为该目标汽车刹车片对应的该缺陷区域中的各像素点深度值；将该目标汽车刹车对应的目标表面灰度图像中与该缺陷区域中的各像素点位置对应的各像素点的灰度值作为该目标汽车刹车片对应的该缺陷区域中的各像素点灰度值。

本实施例中sobel算子和LC算法为公知技术，因此不再详细描述。

步骤S003，根据所述各缺陷区域对应的各像素点灰度值和所述各缺陷区域对应的最小外接矩形，得到所述各缺陷区域对应的第一特征指标；根据所述各缺陷区域对应的各像素点灰度值和所述各缺陷区域对应的各像素点深度值，得到所述各缺陷区域对应的第二特征指标。

本实施例主要对划痕缺陷、凹坑缺陷以及小凸起缺陷进行分类，而一般情况下划痕与凹坑颜色更深、灰度值的数值更低，小凸起相对于刹车片原材质而言，则会更亮，则灰度值更大；并且一般情况下凹坑深度值大于划痕深度值、划痕深度值大于小凸起深度值，划痕缺陷区域对应的最小外接矩形的长宽比大于小凸起和凹坑缺陷区域对应的最小外接矩形的长宽比；因此本实施例通过对各缺陷区域对应的各像素点灰度值、各缺陷区域对应的最小外接矩形和各缺陷区域对应的各像素点深度值，得到各缺陷区域对应的第一特征指标和各缺陷区域对应的第二特征指标；具体为：

由于一般情况下划痕缺陷通常呈现出细长的条纹状，而凹坑与小凸起通常呈显出方形，因此划痕缺陷的最小外接矩形为长方形，其长宽比较大，凹坑与小凸起的最小外接矩形的长宽比较小，接近于1；因此获取各缺陷区域对应的最小外接矩形，将各缺陷区域对应的最小外接矩形的长宽比记为各缺陷区域对应的形态特征值；任一缺陷区域对应的最小外接矩形中包含缺陷区域和一部分正常区域；计算得到各缺陷区域对应的各像素点灰度值的均值，记为特征均值；计算得到各缺陷区域对应的最小外接矩形中除对应缺陷区域对应的各像素点之外的各像素点像素值的均值，记为正常均值；因此可以得到各缺陷区域对应的特征均值和正常均值，将各缺陷区域对应的特征均值与正常均值的比值，记为各缺陷区域对应的第一灰度特征值。对于任一缺陷区域，如果该缺陷区域为小凸起，则该缺陷区域对应的特征均值比缺陷区域对应的正常均值大，即对应的第一灰度特征值大于1；如果该缺陷区域非小凸起，则该缺陷区域对应的特征均值比缺陷区域对应的正常均值小，即对应的第一灰度特征值小于1。

然后根据各缺陷区域对应的第一灰度特征值和形态特征值，得到各缺陷区域对应的第一特征指标；对于任一缺陷区域，计算该缺陷区域对应的第一特征指标：

其中，

为该缺陷区域对应的第一特征指标，

为该缺陷区域对应的第一灰度特征 值，

为该缺陷区域对应的形态特征值。由于当该缺陷区域对应的缺陷类别为划痕缺陷时，G 值小于1但大于0，J值远大于1，则T值便远大于1；当该缺陷区域对应的缺陷类别为小凸起缺 陷时，G值大于1，J值接近于1，则T值小于0；当该缺陷区域对应的缺陷类别为凹坑缺陷时，G 值小于1但大于0，J值接近于1，则T值可能接近于1但不小于1。

因此本实施例中通过上述过程可以得到各缺陷区域对应的第一特征指标，并且缺陷区域对应的第一特征指标越小越可能是小凸起，缺陷区域对应的第一特征指标适中越可能是凹坑，缺陷区域对应的第一特征指标越大越可能是划痕。

然后计算各缺陷区域对应的各像素点深度值的均值，记为各缺陷区域对应的深度均值；获取各缺陷区域对应的最小横坐标对应的像素点、各缺陷区域对应的最大横坐标对应的像素点、各缺陷区域对应的最小纵坐标对应的像素点以及各缺陷区域对应的最大纵坐标对应的像素点。对于任一缺陷区域：计算该缺陷区域对应的最小横坐标对应的像素点深度值、最大横坐标对应的像素点深度值、最小纵坐标对应的像素点深度值以及最大纵坐标对应的像素点深度值之和的均值，记为特征深度值；计算该缺陷区域对应的深度均值与对应缺陷区域对应的特征深度值之间差值的绝对值，记为深度变化指标；根据该缺陷区域对应的特征均值、正常均值以及深度变化指标，得到该缺陷区域对应的第二特征指标；根据如下公式计算该缺陷区域对应的第二特征指标：

其中，

为该缺陷区域对应的第二特征指标，b1为第一参数，b2为第二参数，

为该 缺陷区域对应的深度变化指标，

为该缺陷区域对应的特征均值，

为该缺陷区域对应的 正常均值，e为自然常数；所述b1的值需要根据实际情况设置；设置b2的值接近于汽车刹车 片划痕缺陷对应的标准划痕深度值。

由于当该缺陷区域对应的缺陷类别为划痕缺陷时，

的值较大；当该缺陷区域 对应的缺陷类别为小凸起缺陷时，

的值较小，当该缺陷区域对应的缺陷类别为凹坑缺 陷时，

的值适中；根据

的图像特性，当该缺陷区域对应的缺陷类别为 划痕缺陷时，

的值大于小凸起缺陷且小于凹坑缺陷对应的深度变化指标，但对应的

的值较小；当该缺陷区域对应的缺陷类别为小凸起时，

的值较小，但对应 的

的值较大；当该缺陷区域对应的缺陷类别为凹坑缺陷时，

的值较大，但

的值较适中；因此

越小，该缺陷区域越可能为小凸起；

越大，该缺陷区域 越可能为划痕；

适中，该缺陷区域越可能为凹坑。

因此通过上述公式可以得到各缺陷区域对应的第二特征指标，用于后面缺陷类型的判断。

步骤S004，根据所述各缺陷区域对应的各像素点的高斯曲率，得到所述各缺陷区域对应的第三特征指标。

由于划痕缺陷通常为锐利物体造成的，因此划痕缺陷的曲率变化剧烈，在高斯曲率图中反映为局部曲率纹理变化大，不均匀，逆方差较小；凹坑缺陷的曲率变化较平缓，在高斯曲率图中反映为局部曲率变化小，均匀，逆方差较大；小凸起缺陷的曲率变化适中，在高斯曲率图中反映为局部变化处于划痕与凹坑之间，故逆方差适中；因此本实施例通过对各缺陷区域中各像素点对应的高斯曲率进行分析，得到各缺陷区域对应的第三特征指标；具体过程为：

计算各缺陷区域中各像素点的高斯曲率；所述高斯曲率是评价曲面弯曲程度的一种有效指标，即曲面上一点最大曲率与最小曲率的乘积；根据各缺陷区域对应的各像素点的高斯曲率，构建得到各缺陷区域对应的高斯曲率图；之后按照构建灰度共生矩阵的方式，构建得到各缺陷区域对应的高斯曲率图对应的矩阵，记为目标矩阵；然后按照计算灰度共生矩阵逆方差的方法，计算得到各目标矩阵对应的逆方差，并记为特征逆方差；所述特征逆方差可以反映高斯曲率变化程度，逆方差小，说明高斯曲率变化较大；将各缺陷区域对应的目标矩阵对应的特征逆方差与对应目标矩阵中元素的总数量的比值记为各缺陷区域对应的第三特征指标；所述第三特征指标越大越可能是凹坑缺陷，第三特征指标越小越可能是划痕缺陷，第三特征指标适中越可能是小凸起缺陷；所述高斯曲率、目标矩阵以及目标逆方差的具体计算过程为现有技术，因此不再具体描述。

步骤S005，根据所述第一特征指标、所述第二特征指标以及所述第三特征指标，得到所述各缺陷区域对应的目标特征指标；根据所述目标特征指标，得到所述各缺陷区域的缺陷类型。

本实施例通过各缺陷区域对应的第一特征指标、第二特征指标以及第三特征指标进行分析，得到各缺陷区域对应的目标特征指标；然后根据目标特征指标，得到各缺陷区域的缺陷类型；具体为：

对于任一缺陷区域：根据如下公式计算该缺陷区域对应的目标特征指标：

其中，

为该缺陷区域对应的目标特征指标，

为该缺陷区域对应的第三特征指 标，

为第三参数；设置

的值接近于汽车刹车片小凸起缺陷对应的标准第三特征指标；本实 施例中根据

的图像特性，当该缺陷区域对应的缺陷类别为划痕缺陷时，

的值较 小，但对应的

的值较大；当该缺陷区域对应的缺陷类别为小凸起缺陷时，

的值 适中，但对应的

的值较小；当该缺陷区域对应的缺陷类别为凹坑缺陷时，

的值 较大，但

的值较适中；因此

越小，该缺陷区域越可能为小凸起缺陷；

越大，该缺 陷区域越可能为划痕缺陷；

适中，该缺陷区域越可能为凹坑缺陷。

因此本实施例中通过上述过程可以得到各缺陷区域对应的目标特征指标；设置预设第一阈值和预设第二阈值，预设第一阈值小于预设第二阈值；判断各缺陷区域对应的目标特征指标是否小于预设第一阈值，若是，则判断对应缺陷区域可能为小凸起缺陷；否则，判断各缺陷区域对应的目标特征指标是否大于等于预设第一阈值且小于等于预设第二阈值，若是，则判断对应缺陷区域可能为凹坑缺陷；否则，判断各缺陷区域对应的目标特征指标是否大于预设第二阈值，若是，则判断对应缺陷区域可能为划痕缺陷；所述预设第一阈值和预设第二阈值的值需要根据实际情况设置。统计目标生产线在目标时间段内所生产的汽车刹车片最经常出现的缺陷类型，后续厂家根据这些数据对存在缺陷的刹车片进行进一步的加工处理或者对生产线的进行调整。

本实施例根据表面灰度图像对应的梯度图，对各汽车刹车片进行筛选，得到各目标汽车刹车片对应的各缺陷区域、各缺陷区域对应的各像素点灰度值以及各缺陷区域对应的各像素点深度值；然后根据各缺陷区域对应的各像素点灰度值、各缺陷区域的最小外接矩形、各缺陷区域对应的各像素点深度值以及各缺陷区域对应的各像素点的高斯曲率，得到各缺陷区域对应的第一特征指标、各缺陷区域对应的第二特征指标以及各缺陷区域对应的第三特征指标；最后根据第一特征指标、第二特征指标以及第三特征指标，得到各缺陷区域对应的目标特征指标和各缺陷区域的缺陷类型。本实施例提供的基于计算机视觉的汽车刹车片缺陷分类方法是一种自动化分类方法，相对于人工对刹车片缺陷进行分类的方式，该方法的效率、准确度以及可靠度都较高，并且该方法为厂家后续分析生产线上存在的问题提供了相对可靠的参数，不仅有利于厂家后续对存在缺陷的刹车片进行进一步的加工处理，还有助于厂家后续对生产线的调整。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种基于计算机视觉的汽车刹车片缺陷分类方法，其特征在于，该方法包括如下步骤：

获取目标生产线生产的各汽车刹车片对应的表面灰度图像和深度图像；

根据所述表面灰度图像对应的梯度图和所述深度图像，对各汽车刹车片进行筛选，得到各目标汽车刹车片对应的各缺陷区域、各缺陷区域对应的各像素点灰度值以及各缺陷区域对应的各像素点深度值；

根据所述各缺陷区域对应的各像素点灰度值和所述各缺陷区域对应的最小外接矩形，得到所述各缺陷区域对应的第一特征指标；根据所述各缺陷区域对应的各像素点灰度值和所述各缺陷区域对应的各像素点深度值，得到所述各缺陷区域对应的第二特征指标；

根据所述各缺陷区域对应的各像素点的高斯曲率，得到所述各缺陷区域对应的第三特征指标；

根据所述第一特征指标、所述第二特征指标以及所述第三特征指标，得到所述各缺陷区域对应的目标特征指标；根据所述目标特征指标，得到所述各缺陷区域的缺陷类型；

所述根据所述表面灰度图像对应的梯度图和所述深度图像，对各汽车刹车片进行筛选，得到各目标汽车刹车片对应的各缺陷区域、各缺陷区域对应的各像素点灰度值以及各缺陷区域对应的各像素点深度值的方法，包括：

对所述表面灰度图像使用sobel算子进行处理，计算得到所述表面灰度图像对应的梯度图；

计算梯度图中各像素点梯度值与对应梯度图中其它像素点梯度值之间欧氏距离的和，记为显著值；

根据预设阈值将梯度图转化为二值图，记为特征二值图，所述特征二值图中0为正常显著值像素点，1为异常显著值像素点；

根据所述特征二值图中值为1组成的各区域，得到所述特征二值图对应的表面灰度图像对应的各区域，记为缺陷区域；

判断各表面灰度图像中是否存在缺陷区域，若是，则将对应表面灰度图像对应的汽车刹车片记为目标汽车刹车片，将对应表面灰度图像记为目标表面灰度图像，将目标汽车刹车片对应的深度图像记为目标深度图像；

根据目标汽车刹车片对应的各缺陷区域、目标汽车刹车片对应的目标深度图像以及目标汽车刹车片对应的目标表面灰度图像，得到所述各缺陷区域对应的各像素点灰度值以及各缺陷区域对应的各像素点深度值。

2.如权利要求1所述的基于计算机视觉的汽车刹车片缺陷分类方法，其特征在于，所述根据所述各缺陷区域对应的各像素点灰度值和所述各缺陷区域对应的最小外接矩形，得到所述各缺陷区域对应的第一特征指标的方法，包括：

获取所述各缺陷区域对应的最小外接矩形，将所述各缺陷区域对应的最小外接矩形的长宽比记为所述各缺陷区域对应的形态特征值；

计算得到所述各缺陷区域对应的各像素点灰度值的均值，记为特征均值；计算得到所述各缺陷区域对应的最小外接矩形中除对应缺陷区域对应的各像素点之外的各像素点像素值的均值，记为正常均值；

将所述各缺陷区域对应的特征均值与正常均值的比值，记为所述各缺陷区域对应的第一灰度特征值；

根据各缺陷区域对应的第一灰度特征值和形态特征值，得到各缺陷区域对应的第一特征指标。

3.如权利要求2所述的基于计算机视觉的汽车刹车片缺陷分类方法，其特征在于，对于任一缺陷区域，根据如下公式计算该缺陷区域对应的第一特征指标：

其中，

为该缺陷区域对应的第一特征指标，

为该缺陷区域对应的第一灰度特征值，

为该缺陷区域对应的形态特征值。

4.如权利要求2所述的基于计算机视觉的汽车刹车片缺陷分类方法，其特征在于，所述根据所述各缺陷区域对应的各像素点灰度值和所述各缺陷区域对应的各像素点深度值，得到所述各缺陷区域对应的第二特征指标的方法，包括：

计算所述各缺陷区域对应的各像素点深度值的均值，记为各缺陷区域对应的深度均值；

获取所述各缺陷区域对应的最小横坐标对应的像素点、各缺陷区域对应的最大横坐标对应的像素点、各缺陷区域对应的最小纵坐标对应的像素点以及各缺陷区域对应的最大纵坐标对应的像素点；

计算所述各缺陷区域对应的最小横坐标对应的像素点深度值、最大横坐标对应的像素点深度值、最小纵坐标对应的像素点深度值以及最大纵坐标对应的像素点深度值之和的均值，记为特征深度值；

计算所述各缺陷区域对应的深度均值与对应缺陷区域对应的特征深度值之间差值的绝对值，记为深度变化指标；

根据所述各缺陷区域对应的特征均值、正常均值以及深度变化指标，得到各缺陷区域对应的第二特征指标。

5.如权利要求4所述的基于计算机视觉的汽车刹车片缺陷分类方法，其特征在于，对于任一缺陷区域，根据如下公式计算该缺陷区域对应的第二特征指标：

其中，

为该缺陷区域对应的第二特征指标，b1为第一参数，b2为第二参数，

为该缺陷 区域对应的深度变化指标，

为该缺陷区域对应的特征均值，

为该缺陷区域对应的正常 均值，e为自然常数。

6.如权利要求1所述的基于计算机视觉的汽车刹车片缺陷分类方法，其特征在于，所述根据所述各缺陷区域对应的各像素点的高斯曲率，得到所述各缺陷区域对应的第三特征指标的方法，包括：

计算所述各缺陷区域对应的各像素点的高斯曲率；

根据所述各缺陷区域对应的各像素点的高斯曲率，构建得到所述各缺陷区域对应的目标矩阵；

根据所述各缺陷区域对应的目标矩阵，计算得到各目标矩阵对应的特征逆方差；

将所述各缺陷区域对应的目标矩阵对应的特征逆方差与对应目标矩阵中元素的总数量的比值记为各缺陷区域对应的第三特征指标。

7.如权利要求1所述的基于计算机视觉的汽车刹车片缺陷分类方法，其特征在于，对于任一缺陷区域，根据如下公式计算该缺陷区域对应的目标特征指标：

其中，

为该缺陷区域对应的目标特征指标，

为该缺陷区域对应的第三特征指标，

为 该缺陷区域对应的第二特征指标，

为该缺陷区域对应的第一特征指标，

为第三参数。

Images