CN114998198A - 一种注塑件表面缺陷识别方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种注塑件表面缺陷识别方法。该方法基于注塑件表面缺陷相较于注塑件表面纹理所特有的结构特征，对经由图像识别电子设备所识别得到的注塑件表面图像进行数据获取，获取注塑件表面的数据，进而对获取的数据进行处理分析，该方法的侧重点是对获取数据后的数据处理方法进行改进，额外在数据处理中引入了纹理主方向差异度以及纹理方向距离。本发明提供的该方法经过对数据处理方法的改进，解决了现有技术无法准确确定注塑件表面缺陷的技术问题，提高了注塑件表面缺陷的识别效率及准确度，可将其集成于生产领域的人工智能系统，作为人工智能优化操作系统、人工智能中间件等，用于计算机视觉软件开发。

Description

一种注塑件表面缺陷识别方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种注塑件表面缺陷识别方法。

背景技术

注塑件在加工成型的过程中，由于各个阶段中工艺参数的设置滞后性以及生产状态的波动性等原因，会不可避免地导致注塑件最终成型后的表面存在一些外观上的缺陷，如成型过程中因气泡而在注塑件表面形成的裂隙，或者在加工转移时在表面造成的划痕，等等。

而注塑件由于生产工艺的原因，加工成型后的表面会存在较多复杂纹理，这些大量、复杂的纹理与需识别的注塑件表面缺陷在灰度值方面较为相似，极大影响了对注塑件表面缺陷识别的准确度。

发明内容

为解决现有技术无法高效、准确识别注塑件表面缺陷的问题，本发明提供了一种注塑件表面缺陷识别方法，所采用的技术方案具体如下：

一种注塑件表面缺陷识别方法，包括以下步骤：

识别注塑件表面，得到注塑件表面图像；

对注塑件表面图像进行超像素分割的数据处理，根据注塑件表面图像大小以及所要分割得到的超像素个数，确定各个超像素块中种子点的分配步长，以所述分配步长均匀地分配所有种子点；

计算当前像素点与种子点之间的特征相似度，得到当前像素点的单点相似评价值；计算当前像素点的邻域内各个像素点与种子点之间的特征相似度并求均值，得到当前像素点的空间相似评价值，以当前像素点的单点相似评价值和空间相似评价值得到当前像素点与种子点之间的相似度；

所述特征相似度通过计算当前像素点和种子点之间的颜色差异、当前像素点和种子点之间的空间位置差异以及当前像素点和种子点之间的纹理主方向差异得到；

计算当前像素点与所有种子点之间的相似度，确定与当前像素点的相似度最大的种子点，将当前像素点划分到与其相似度最大的种子点所对应的超像素块中，对注塑件表面图像中所有像素点进行划分，完成对注塑件表面图像的超像素分割；

计算任意两个超像素块之间的空间位置距离以及纹理方向距离，以所述空间位置距离和纹理方向距离确定任意两个超像素块之间的距离值；

根据所述任意两个超像素块之间的距离值，对所有超像素块进行聚类，将注塑件表面图像分割为缺陷区域以及背景区域，完成注塑件表面缺陷识别。

本发明的有益效果为：

本发明基于识别得到的注塑件表面图像，从图像中获取注塑件表面数据，然后对所获取的注塑件表面数据进行数据处理分析，基于对注塑件表面缺陷的结构认识，在现有超像素分割方法仅计算当前像素点与种子点之间的特征相似度的基础上，额外引入了当前像素点邻域中各像素点与种子点之间的特征相似度来表征当前像素点和种子点之间的相似性，并且在计算特征相似性时，相较于现有超像素分割中的特征相似性计算内容，额外引入了像素点的纹理主方向差异度来表征注塑件表面上不同像素点之间的特征相似度，由此完成了注塑件表面图像的超像素分割该种数据处理过程；后续，同样基于注塑件表面缺陷的结构特征，以超像素块的空间位置距离和纹理方向距离为依据完成了超像素块类别划分，最终完成了注塑件表面缺陷区域和背景区域的划分。本发明通过对超像素分割过程中的数据处理方法进行改进的，提高了超像素分割在针对注塑件表面缺陷识别时的准确度，解决了现有技术无法高效、准确识别注塑件表面缺陷的问题，显而易见，本发明该方法集成为生产领域的人工智能系统，或作为人工智能优化操作系统、人工智能中间件，亦或用于计算机视觉软件开发后，可显著提高注塑件表面缺陷识别效率和准确度。

进一步的，以当前像素点的单点相似评价值和空间相似评价值得到当前像素点与种子点之间的相似度的具体方法为：

μ＝μ_d+αμ_space

其中μ为当前像素点与种子点之间的相似度，μ_d为当前像素点的单点相似评价值，μ_space为当前像素点的空间相似评价值，α为空间调节参数，用以调节图像的空间信息对整体相似度的影响。

进一步的，空间调节参数的计算公式为：

其中，α为空间调节参数，

为注塑件的平均纹理熵。

进一步的，所述注塑件的平均纹理熵的确定过程为：

采用灰度共生矩阵对不存在缺陷的注塑件表面图像进行纹理提取，分别采用0°，45°，90°和135°的模板得到四个灰度共生矩阵，并对这四个灰度共生矩阵求取均值得到每个像素对应的灰度共生矩阵G；

然后对每个像素对应的灰度共生矩阵求取熵值，

其中G(i，j)代表图像上第i行和第j列像素对应的灰度共生矩阵，ENT(i,j)表示熵图像上第i行和第j列像素对应的熵值。然后对熵图像上的每一个元素对应的熵值求和并求取均值作为注塑件的平均纹理熵

进一步的，所述特征相似度的计算方法为：

γ＝w₁γ_c+w₂γ_p+w₃γ_d

其中，γ为当前像素点与种子点之间的特征相似度，γ_c为当前像素点与种子点之间的颜色差异度，γ_p为当前像素点与种子点之间的空间位置差异度，γ_d为当前像素点与种子点之间的纹理主方向差异度，w₁，w₂和w₃分别代表颜色差异度、空间位置差异度和纹理主方向差异度在特征相似度γ中的权重，w₁＝0.1，w₂＝0.6，w₃＝0.3。

进一步的，所述当前像素点与种子点之间的颜色差异度γ_c的计算方法为：

其中，当前像素点为p₁(x₁,y₁)，种子点为p_c(x_c,y_c)，f(p₁)和f(p_c)分别代表p₁和p_c的灰度值；

所述当前像素点与种子点之间的空间位置差异度γ_p的计算方法为：

其中，d为所述分配步长；

所述当前像素点与种子点之间的纹理主方向差异度γ_d的计算方法为：

其中，

分别表示像素点p₁和种子点p_c的纹理主方向，分别对p₁和p_c计算其对应的Hessian矩阵

其中I_xx，I_yy，I_xy和I_yx分别是像素点p₁和p_c处的二阶差分，然后采用主成分分析算法对Hessian矩阵H计算主成分方向作为p₁和p_c的纹理主方向

进一步的，任意两个超像素块之间的空间位置距离为；

其中，

为任意两个超像素块之间的空间位置距离，q₁和q₂分别为任意两个超像素块的中心位置坐标，

分别代表q₁的行坐标和列坐标，

分别代表q₂的行坐标和列坐标；

任意两个超像素块之间的纹理方向距离确定过程为：

选取16个Gabor滤波器分别与超像素块进行卷积操作得到纹理响应的值，Gabor滤波器在选取时，采用四个尺度0，4，8，32，以及四个方向0°，45°，90°，135°；

在每个方向上，分别用四个尺度下的Gabor滤波器与超像素块进行卷积操作得到四个纹理响应特征图并求取平均值得到在每个方向上的平均纹理响应特征图；

对四个方向上的平均纹理响应特征图进行视觉显著性检测，并分别对四个方向上的显著图求取显著值均值得到四个方向上的显著度θ₁～θ₄，四个方向上的显著度θ₁～θ₄分别表征超像素块的纹理方向在四个方向上的分布情况，由四个方向上的显著度构成纹理方向向量τ[θ₁,θ₂,θ₃,θ₄]；

计算任意两个超像素块之间的纹理方向距离：

其中，

为任意两个超像素块之间的纹理方向距离，w₄和w₅为权重系数，w₄＝0.01，w₄＝0.02，σ_b为向量内分散度，σ_d为向量间分散度；

所述向量内分散度σ_b以及向量间分散度σ_d的计算公式为：

其中，τ_c和τ_b分别代表两个超像素块的纹理方向向量，β_c表示纹理方向向量τ_c的向量元素均值，β_b表示纹理方向向量τ_b的向量元素均值。

进一步的，以所述空间位置距离和纹理方向距离确定任意两个超像素块之间的距离值的方法为：

其中，

为任意两个超像素块之间的距离值，

为任意两个超像素块之间的空间位置距离，

为任意两个超像素块之间的纹理方向距离，w₆和w₇为权重系数，w₆＝0.005，w₇＝0.03。

进一步的，根据所述任意两个超像素块之间的距离值，对所有超像素块进行聚类，将注塑件表面图像分割为缺陷区域以及背景区域的具体过程为：

采用k-means聚类算法，设置分类数为两个，任意选择两个超像素块作为两个类的初始聚类中心，依次计算每个超像素块与两个初始聚类中心的距离值，并将超像素块按照距离值最小的方式分配到两个类中，然后对这两个类计算其所有超像素块的质心，作为新的两个类的距离中心，重复上述依次合并超像素块的过程，直到满足任意一个终止条件：

(1)、迭代次数达到设定次数，所述设定次数为20；

(2)、两个类的聚类中心不再发生变化；

通过所述依次合并超像素块的过程将所有超像素块聚类成两个区域：缺陷区域T_d与背景区域T_b。

附图说明

图1是本发明的注塑件表面缺陷识别方法的流程图；

图2是本发明的正常的注塑件表面图像；

图3是本发明的存在缺陷的注塑件表面图像。

具体实施方式

本发明的构思为：在采集并获取注塑件表面图像后，采用超像素分割方法将图像分割成设定个数的超像素块，并在分割过程中根据注塑件表面缺陷相较于注塑件表面一般纹理所特有的结构特征，在现有超像素分割方法仅计算当前像素点与种子点之间的特征相似度的基础上，额外引入了当前像素点邻域中各像素点与种子点之间的特征相似度来表征当前像素点和种子点之间的相似性，并且在计算特征相似性时，相较于现有超像素分割中的特征相似性计算内容，额外引入了像素点的纹理主方向差异度来表征注塑件表面上不同像素点之间的特征相似度，由此完成了注塑件表面图像的超像素分割该种数据处理过程；后续，同样基于注塑件表面缺陷的结构特征，以超像素块的空间位置距离和纹理方向距离为依据完成了超像素块类别划分，最终完成了注塑件表面缺陷区域和背景区域的划分。

下面结合附图及实施例，对本发明的一种注塑件表面缺陷识别方法进行详细说明。

方法实施例：

本发明的一种注塑件表面缺陷识别方法实施例，其流程如图1所示，过程如下：

步骤一，采集注塑件表面图像，并对得到的注塑件表面图像进行预处理。

采用相关的电子设备，如工业相机进行图形识别获取注塑件表面图像。

对所获得的注塑件表面图像进行滤波处理，本实施例采用高斯滤波或中值滤波对注塑件表面图像进行滤波处理，当然也可以采用现有技术中的其它滤波处理方法。对注塑件表面图像进行滤波处理过滤噪声后，采用直方图均衡化方法对注塑件表面图像进行增强，以提高注塑件表面缺陷与背景的对比度。

步骤二，基于注塑件表面缺陷的结构特点，采用超像素分割法对注塑件表面图像进行分割，得到一系列超像素块。

本发明以注塑件表面缺陷为划痕为例进行分析。如图2所示，即使是正常的注塑件表面也含有大量杂乱且没有规则的纹理，又如图3所示，含有划痕缺陷的注塑件表面图像和正常的注塑件表面图像的灰度分布曲线较为相似，划痕缺陷的尺寸不大且其对应的灰度值与周围注塑件表面的灰度值的差距不大，不容易区分，无法有效地将背景纹理剔除掉以完成注塑件表面缺陷的识别。

但是划痕缺陷有其特定的结构特点，相较于注塑件表面纹理呈现明显的长条状且保持很强的方向一致性，本发明根据缺陷的这一结构特点对注塑件表面图像进行超像素分割，使得超像素块的边缘可以更加贴合缺陷边缘，提高对注塑件表面缺陷边缘表征的准确度。

具体步骤为：

1、初始化种子点。

针对长与宽分别为M和N的注塑件表面图像，设置其要分割得到的超像素个数k，超像素个数k的具体取值可根据实际需要确定，本发明设置k＝100。

根据注塑件表面图像的大小以及所要分割得到的超像素个数，确定步长

以步长d均匀地分配种子点，以种子点为中心，划分矩形区域为超像素块，使得每个超像素块内含有的像素数目为MN/k。

然后在以种子点为中心的n×n的窗口内，计算所有像素的梯度值，并将种子点移动到窗口区域内梯度最小的像素点位置，以调整种子点的位置，避免种子点落入轮廓边界上；本申请取n＝3，n的取值小于所确定的步长d。

2、通过计算像素点与种子点之间的相似度将像素点合并到各个超像素块。

首先，计算每个像素点与种子点之间的特征相似程度，并将其称为每个像素点的单点相似评价值μ_d。

但是，由于注塑件表面纹理杂乱且无规则，相邻像素点的灰度分布不连续也不规律，会出现类似噪声点的不可预测随机分布的情况，那么若只计算当前像素点和种子点之间的相似程度，便可能会因为当前像素点接近其邻域内的噪声点，而使当前像素点被错误地归类到不合适的超像素块中，无法得到准确的超像素分割效果。

为此，本发明额外引入了图像空间信息，通过计算当前像素点的领域中的各个像素点与种子点之间的特征相似程度并求平均值，得到了针对当前像素点的空间相似评价μ_space，本发明采用当前像素的八邻域作为像素邻域的范围，在其它实施例中，也可以根据场景选择其他邻域范围。

由此结合单点相似评价μ_d和空间相似评价μ_space，便可得到当前像素点与种子点两者之间的相似度μ：

μ＝μ_d+αμ_space

其中

α为空间调节参数，用以调节图像的空间信息对整体相似度的影响。Z为当前像素邻域内的像素数目，本发明取Z＝8，

表示当前像素点与种子点的特征相似度，

表示当前像素点邻域内各个像素点与种子点的特征相似度。

为了减少计算量，在以种子点为中心的2d×2d的窗口内寻找相似的像素点，当然也可以不设置窗口而在整个注塑件表面图像中寻找相似的像素点。

在传统的超像素分割中，特征相似度γ采用的是像素与种子点的颜色和空间位置差异，但是结合上述的分析，含有划痕缺陷的注塑件表面的灰度分布曲线与标准注塑件的区别不大，因此本发明在计算特征相似度γ的时候，设置颜色差异在特征相似度γ中的权重较小。

同时，结合前文分析可知，由于注塑件表面缺陷有特定的结构特点，所以本发明额外引入了像素点的纹理主方向作为特征相似度的评价指标，并最终得到了如下的特征相似度计算方法：

γ＝w₁γ_c+w₂γ_p+w₃γ_d

代表像素点p₁(x₁,y₁)与种子点p_c(x_c,y_c)之间的颜色差异度，其中f(p₁)和f(p_c)分别代表p₁和p_c的灰度值，

代表像素点p₁与种子点p_c空间位置差异度，

代表像素点p₁和种子点p_c的纹理主方向差异度，

分别表示像素点p₁和种子点p_c的纹理主方向，分别对p₁和p_c计算其对应的Hessian矩阵

其中I_xx，I_yy，I_xy和I_yx分别是像素点p₁和p_c处的二阶差分。然后采用主成分分析算法对Hessian矩阵H计算主成分方向作为p₁和p_c的纹理主方向

w₁，w₂和w₃分别代表颜色差异度、空间位置差异度和纹理主方向差异度在特征相似度γ中的权重，本发明设置w₁＝0.1，w₂＝0.6，w₃＝0.3，当然在其它实施例中还可以根据需要对w₁，w₂和w₃进行取值；以及，为了保证颜色差异度在特征相似度γ中的权重较小，可设置w₁＜w₂且w₁＜w₃。

根据所给出的特征相似度γ的计算方法，完成当前像素点与种子点的特征相似度

的计算，以及当前像素点邻域内各个像素点与种子点的特征相似度

的计算。

而关于空间调节参数α，可以根据注塑件表面纹理的杂乱程度来决定空间调节参数α的取值大小。

采用灰度共生矩阵对不存在缺陷的注塑件表面图像Q进行纹理提取，分别采用0°，45°，90°和135°的模板得到四个灰度共生矩阵，并对这四个灰度共生矩阵求取均值得到每个像素对应的灰度共生矩阵G。

由于灰度共生矩阵的熵值特征ENT可以很好地衡量纹理的非均匀性和杂乱程度，因此对每个像素对应的灰度共生矩阵求取熵值，

其中G(i，j)代表图像上第i行和第j列像素对应的灰度共生矩阵，ENT(i,j)表示熵图像上第i行和第j列像素对应的熵值。然后对熵图像上的每一个元素对应的熵值求和并求取均值作为注塑件的平均纹理熵

当平均纹理熵

大的时候，注塑件纹理越不均匀越杂乱，此时选择的空间调节参数α应该越大，因此空间调节参数α的计算公式为：

其取值范围为

根据当前像素点与种子点的相似度μ计算方法，便可确定与各个像素点最为相似的种子点，然后将各个像素点合并到与其最为相似的种子点所在的超像素块中，最终得到100个超像素块S₁～S₁₀₀。

步骤三，基于聚类算法，对超像素块进行距离度量并进行合并，将注塑件缺陷和背景分割开，完成注塑件缺陷识别。

在得到100个超像素块S₁～S₁₀₀后，采用聚类算法对超像素块进行距离度量，并将空间距离相近、相似程度高的超像素块进行合并，最终得到两类区域：缺陷区域T_d与背景区域T_b。

基于注塑件表面缺陷的结构是连续的，因此引入空间位置距离

来表征注塑件表面缺陷的这种特性，同时由于划痕缺陷呈现明显的长条状且保持很强的方向一致性，而背景纹理的纹理比较杂乱，没有特定的方向性，由此引入超像素块的纹理方向距离

以空间位置距离

和纹理方向距离

得到最终的两个超像素块的距离度量

首先求解空间位置距离

根据任意两个超像素块的中心位置坐标q₁和q₂求解两个超像素块之间的空间位置距离

其中

分别代表q₁的行和列，其中

分别代表q₂的行坐标和列坐标，空间位置距离

越大，说明在图像上两个超像素块的空间距离越远。

然后求解纹理方向距离

选取16个Gabor滤波器分别与超像素块进行卷积操作得到纹理响应的值。Gabor滤波器在选取时，采用4个尺度0，4，8，32和4个方向0°，45°，90°，135°。在同一个方向上，分别用4个尺度下Gabor滤波器与超像素块进行卷积操作得到四个纹理响应特征图并求取平均值得到在该方向上的平均纹理响应特征图。

对这四个方向上的平均纹理响应特征图进行视觉显著性检测，并分别对四个方向上的显著图求取显著值均值得到这四个方向上的显著度θ₁～θ₄，这四个方向上的显著度θ₁～θ₄分别表征超像素块的纹理方向在四个方向上的分布情况，由四个方向上的显著度构成纹理方向向量τ[θ₁,θ₂,θ₃,θ₄]。

对于纹理方向有特定方向的划痕来说，其纹理方向在四个方向中的某一些方向上的分布比较明显，另外一些方向上的分布比较小，对于没有特定方向的比较杂乱的背景纹理来说，在四个方向上的分布比较均匀，同时划痕和背景的纹理方向向量在每个方向上的大小也不尽相同，因此，引入向量内分散度σ_b和向量间分散度σ_d来评价任意两个超像素块之间的纹理方向距离

其中τ_c和τ_b代表两个超像素块的纹理方向向量，β_c表示纹理方向向量τ_c的向量元素均值，β_b表示纹理方向向量τ_b的向量元素均值，w₄和w₅代表权重系数，本实施例中根据经验取w₄＝0.01，w₄＝0.02，在其它实施例中还可根据需要取其它值。当纹理方向距离

越大，说明两个超像素块的纹理差距越大。

由此，基于空间位置距离

和纹理方向距离

可以得到两个超像素块之间的距离值：

其中，w₆和w₇代表权重系数，本实施例中根据经验取w₆＝0.005，w₇＝0.03，同样地，在其它实施例中还可根据需要取其它值。

最终，采用k-means聚类算法，设置分类数为两个，任意选择两个超像素块作为两个类的初始聚类中心，依次计算每个超像素块与两个初始聚类中心的距离值，并将超像素块按照距离值

最小的方式分配到两个类中，然后对这两个类计算其所有超像素块的质心，作为新的两个类的距离中心，重复上述依次合并超像素块的过程，直到满足任意一个终止条件：

(1)、迭代次数达到设定次数，本申请设定次数为20；

(2)、两个类的聚类中心不再发生变化。

由上述依次对每个超像素块进行合并的过程，便可以将100个超像素块S₁～S₁₀₀聚类成两个区域：缺陷区域T_d与背景区域T_b。

至此完成了对注塑件表面缺陷区域T_d的提取识别并同时得到了背景区域T_b。

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 (9)

1.一种注塑件表面缺陷识别方法，其特征在于，包括以下步骤：

识别注塑件表面，得到注塑件表面图像；

对注塑件表面图像进行超像素分割的数据处理，根据注塑件表面图像大小以及所要分割得到的超像素个数，确定各个超像素块中种子点的分配步长，以所述分配步长均匀地分配所有种子点；

计算当前像素点与种子点之间的特征相似度，得到当前像素点的单点相似评价值；计算当前像素点的邻域内各个像素点与种子点之间的特征相似度并求均值，得到当前像素点的空间相似评价值，以当前像素点的单点相似评价值和空间相似评价值得到当前像素点与种子点之间的相似度；

所述特征相似度通过计算当前像素点和种子点之间的颜色差异、当前像素点和种子点之间的空间位置差异以及当前像素点和种子点之间的纹理主方向差异得到；

计算当前像素点与所有种子点之间的相似度，确定与当前像素点的相似度最大的种子点，将当前像素点划分到与其相似度最大的种子点所对应的超像素块中，对注塑件表面图像中所有像素点进行划分，完成对注塑件表面图像的超像素分割；

计算任意两个超像素块之间的空间位置距离以及纹理方向距离，以所述空间位置距离和纹理方向距离确定任意两个超像素块之间的距离值；

根据所述任意两个超像素块之间的距离值，对所有超像素块进行聚类，将注塑件表面图像分割为缺陷区域以及背景区域，完成注塑件表面缺陷识别。

2.根据权利要求1所述的注塑件表面缺陷识别方法，其特征在于，以当前像素点的单点相似评价值和空间相似评价值得到当前像素点与种子点之间的相似度的具体方法为：

μ＝μ_d+αμ_space

其中μ为当前像素点与种子点之间的相似度，μ_d为当前像素点的单点相似评价值，μ_space为当前像素点的空间相似评价值，α为空间调节参数，用以调节图像的空间信息对整体相似度的影响。

3.根据权利要求2所述的注塑件表面缺陷识别方法，其特征在于，空间调节参数的计算公式为：

其中，α为空间调节参数，

为注塑件的平均纹理熵。

4.根据权利要求3所述的注塑件表面缺陷识别方法，其特征在于，所述注塑件的平均纹理熵的确定过程为：

采用灰度共生矩阵对不存在缺陷的注塑件表面图像进行纹理提取，分别采用0°，45°，90°和135°的模板得到四个灰度共生矩阵，并对这四个灰度共生矩阵求取均值得到每个像素对应的灰度共生矩阵G；

然后对每个像素对应的灰度共生矩阵求取熵值，

其中G(i，j)代表图像上第i行和第j列像素对应的灰度共生矩阵，ENT(i,j)表示熵图像上第i行和第j列像素对应的熵值，然后对熵图像上的每一个元素对应的熵值求和并求取均值作为注塑件的平均纹理熵

5.根据权利要求1-4任意一项所述的注塑件表面缺陷识别方法，其特征在于，所述特征相似度的计算方法为：

γ＝w₁γ_c+w₂γ_p+w₃γ_d

其中，γ为当前像素点与种子点之间的特征相似度，γ_c为当前像素点与种子点之间的颜色差异度，γ_p为当前像素点与种子点之间的空间位置差异度，γ_d为当前像素点与种子点之间的纹理主方向差异度，w₁，w₂和w₃分别代表颜色差异度、空间位置差异度和纹理主方向差异度在特征相似度γ中的权重，w₁＝0.1，w₂＝0.6，w₃＝0.3。

6.根据权利要求5所述的注塑件表面缺陷识别方法，其特征在于，

所述当前像素点与种子点之间的颜色差异度γ_c的计算方法为：

其中，当前像素点为p₁(x₁,y₁)，种子点为p_c(x_c,y_c)，f(p₁)和f(p_c)分别代表p₁和p_c的灰度值；

所述当前像素点与种子点之间的空间位置差异度γ_p的计算方法为：

其中，d为所述分配步长；

所述当前像素点与种子点之间的纹理主方向差异度γ_d的计算方法为：

其中，

和

分别表示像素点p₁和种子点p_c的纹理主方向，分别对p₁和p_c计算其对应的Hessian矩阵

其中I_xx，I_yy，I_xy和I_yx分别是像素点p₁和p_c处的二阶差分，然后采用主成分分析算法对Hessian矩阵H计算主成分方向作为p₁和p_c的纹理主方向

和

7.根据权利要求6所述的注塑件表面缺陷识别方法，其特征在于，

任意两个超像素块之间的空间位置距离为；

其中，

为任意两个超像素块之间的空间位置距离，q₁和q₂分别为任意两个超像素块的中心位置坐标，

和

分别代表q₁的行坐标和列坐标，

和

分别代表q₂的行坐标和列坐标；

任意两个超像素块之间的纹理方向距离确定过程为：

选取16个Gabor滤波器分别与超像素块进行卷积操作得到纹理响应的值，Gabor滤波器在选取时，采用四个尺度0，4，8，32，以及四个方向0°，45°，90°，135°；

在每个方向上，分别用四个尺度下的Gabor滤波器与超像素块进行卷积操作得到四个纹理响应特征图并求取平均值得到在每个方向上的平均纹理响应特征图；

对四个方向上的平均纹理响应特征图进行视觉显著性检测，并分别对四个方向上的显著图求取显著值均值得到四个方向上的显著度θ₁～θ₄，四个方向上的显著度θ₁～θ₄分别表征超像素块的纹理方向在四个方向上的分布情况，由四个方向上的显著度构成纹理方向向量τ[θ₁,θ₂,θ₃,θ₄]；

计算任意两个超像素块之间的纹理方向距离：

其中，

为任意两个超像素块之间的纹理方向距离，w₄和w₅为权重系数，w₄＝0.01，w₄＝0.02，σ_b为向量内分散度，σ_d为向量间分散度；

所述向量内分散度σ_b以及向量间分散度σ_d的计算公式为：

其中，τ_c和τ_b分别代表两个超像素块的纹理方向向量，β_c表示纹理方向向量τ_c的向量元素均值，β_b表示纹理方向向量τ_b的向量元素均值。

8.根据权利要求7所述的注塑件表面缺陷识别方法，其特征在于，以所述空间位置距离和纹理方向距离确定任意两个超像素块之间的距离值的方法为：

其中，

为任意两个超像素块之间的距离值，

为任意两个超像素块之间的空间位置距离，

为任意两个超像素块之间的纹理方向距离，w₆和w₇为权重系数，w₆＝0.005，w₇＝0.03。

9.根据权利要求7或8所述的注塑件表面缺陷识别方法，其特征在于，根据所述任意两个超像素块之间的距离值，对所有超像素块进行聚类，将注塑件表面图像分割为缺陷区域以及背景区域的具体过程为：

采用k-means聚类算法，设置分类数为两个，任意选择两个超像素块作为两个类的初始聚类中心，依次计算每个超像素块与两个初始聚类中心的距离值，并将超像素块按照距离值最小的方式分配到两个类中，然后对这两个类计算其所有超像素块的质心，作为新的两个类的距离中心，重复上述依次合并超像素块的过程，直到满足任意一个终止条件：

(1)、迭代次数达到设定次数，所述设定次数为20；

(2)、两个类的聚类中心不再发生变化；

通过所述依次合并超像素块的过程将所有超像素块聚类成两个区域：缺陷区域T_d与背景区域T_b。

Images