CN115100174A - 一种船舶钣金件漆面缺陷检测方法 - Google Patents

Abstract

本发明涉及人工智能技术领域，具体涉及一种船舶钣金件漆面缺陷检测方法。该方法根据亮度图像的分布直方图确定初始分区数量，进行超像素块分割并进行高斯拟合。根据高斯模型的差异值对低拟合度区域进行多次合并划分操作，最终获得包含多个子区域的第一分块图像。进一步将第一分块图像中分布密集的子区域合并，获得第二分块图像。根据第二分块图像中子区域的数量进行最终的混合高斯模型拟合。根据混合高斯模型拟合检测缺陷像素点，获得缺陷区域。本发明通过自适应调整混合高斯模型的参数，使其能够有效描述光照对图像的影响，并进行准确的缺陷检测。

Description

一种船舶钣金件漆面缺陷检测方法

技术领域

本发明涉及人工智能技术领域，具体涉及一种船舶钣金件漆面缺陷检测方法。

背景技术

随着社会经济的发展、经济全球化的推进，国家之间商贸交易愈加频繁，船舶作为商贸交易的重要交通方式，其使用量大幅度提升。钣金件作为船舶壳体的重要配件，其是否存在缺陷直接影响船舶的使用寿命。由于船体整天暴漏在高湿高盐的环境中，其特别容易发生锈蚀，因而漆面作为船体部件的重要保护层，需要保障其质量，这样才能有效降低漆面脱落的概率，增加其对船体的保护效果。船体钣金部件喷漆会因为工艺失误出现漆面鼓包现象，存在鼓包时会增加漆面脱落的风险，因而在喷漆完成后需对喷漆质量进行检测。

鼓包缺陷是一种对比度比较小的缺陷，并且鼓包缺陷的边界不太清晰。同时在利用视觉方式进行缺陷检测时，容易受光线的干扰，导致鼓包缺陷的检测不准确。例如边缘检测算法中，因为光线影响会导致获得的区域边界不清晰且因为光线变化导致大量非缺陷因素的误识别。同理阈值分割算法也会因为光照影响导致检测不准确。

在现有技术中，考虑到光照在平面上呈现一种连续、渐变的分布形态，因而认为光照符合高斯分布，可根据高斯模型对图像信息进行处理识别。在拟合高斯模型时，常常根据经验随机给定高斯火鹤模型中子高斯模型的数量，这样会存在数量选取不贴合图像实际情况导致拟合不准确。如果图像信息受到光线较为简单的影响，则只需少量子高斯模型即可拟合分析；如果光线复杂，则需要更多的子高斯模型进行拟合分析，如果不根据图像信息自适应的设置子高斯模型的数量，则会影响检测精度。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种船舶钣金件漆面缺陷检测方法，所采用的技术方案具体如下：

本发明提出了一种船舶钣金件漆面缺陷检测方法，所述方法包括：

采集钣金漆面图像；获取所述钣金漆面图像中的亮度图像；获取所述亮度图像的分布直方图；以所述分布直方图中的峰值点数量作为初始分区数量；以所述初始分区数量作为分割数量对所述亮度图像进行超像素分割，获得多个超像素块；

根据所述超像素块中像素点的位置和像素值进行高斯拟合，获得第一高斯模型；获得所述超像素块中每个像素点的像素值与对应的所述第一高斯模型的拟合值的差异值；将所述差异值累加获得图像整体差异值；

根据每个像素点的所述差异值对所述像素点分类，获得低拟合度像素点类别及其对应的多个低拟合度区域；获得每个所述低拟合度区域的第二高斯模型；根据所述第二高斯模型之间的相似度将相邻的所述低拟合度区域合并，获得划分区域图像；重复合并划分操作，每次所述合并划分操作对应一个所述图像整体差异值；当图像整体差异值序列收敛时停止所述合并划分操作，获得包含多个子区域的第一分块图像；

将所述第一分块图像中分布密集的子区域合并，获得第二分块图像；获得所述亮度图像的混合高斯模型；所述混合高斯模型中子高斯模型的数量与所述第二分块图像中的子区域数量相等；

将大于预设差异阈值的所述混合高斯模型的所述差异值对应的像素点作为缺陷像素点，获得缺陷区域。

进一步地，所述获取所述钣金漆面图像中的亮度图像包括：

将所述钣金漆面图像转换至HSV颜色空间中，提取所述HSV颜色空间中的亮度分量信息，获得所述亮度图像。

进一步地，所述根据每个像素点的所述差异值对所述像素点分类包括：

根据所述差异值利用k均值聚类算法对所述像素点分为两类，获得低拟合度像素点类别和高拟合度像素点类别。

进一步地，所述根据所述第二高斯模型之间的相似度将相邻的所述低拟合度区域合并包括：

获取相邻所述低拟合度区域的所述第二高斯模型之间的余弦相似度；若所述余弦相似度大于预设相似度阈值，则将相邻的所述低拟合度区域合并，以相邻的所述低拟合度区域中较大的所述低拟合度区域对应的所述第二高斯模型作为合并后区域的高斯模型。

进一步地，所述当图像整体差异值序列收敛时停止所述合并划分操作包括：

若所述整体差异值序列中连续小于预设差异阈值的元素数量大于预设参考数量，则认为此时所述图像整体差异序列收敛。

进一步地，所述将所述第一分块图像中分布密集的子区域合并包括：

根据子区域的中心点坐标利用密度聚类算法对子区域进行分类，获得多个聚类簇；将样本数量最多的所述聚类簇中的子区域合并为一个子区域。

本发明具有如下有益效果：

本发明实施例根据图像直方图设置初始分区数量，根据初始分区数量对图像进行分块并进行高斯拟合。通过每个像素点在初次拟合过程中的差异值筛选出低拟合度像素点，对低拟合度区域进行针对性的高斯拟合并根据拟合模型将区域进行合并划分。进行多次合并划分过程，每次合并划分过程都会分析对应的低拟合区域并对其进行针对性拟合，最终获得拟合度好的第一分块图像。因为本发明实施例旨在分析复杂光照对图像的影响，而同一种光线会因为缺陷区域比正常区域更粗糙，导致缺陷区域受影响较多，因此在第一分块图像上连线分布且分布密集的的子区域为受同种光线影响的部分缺陷区域，将密集的子区域合并，获得第二分块图像，以第二分块图像中的子区域数量对亮度图像进行混合高斯模型拟合，获得最终的混合高斯模型并进行缺陷检测。本发明实施例通过自适应调节混合高斯模型参数，实现准确的钣金漆面缺陷检测。

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为本发明一个实施例所提供的一种船舶钣金件漆面缺陷检测方法流程图；

图2为本发明一个实施例所提供的一种钣金漆面图像。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种船舶钣金件漆面缺陷检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

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

下面结合附图具体的说明本发明所提供的一种船舶钣金件漆面缺陷检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种船舶钣金件漆面缺陷检测方法流程图，该方法包括：

步骤S1：采集钣金漆面图像；获取钣金漆面图像中的亮度图像；获取亮度图像的分布直方图；以分布直方图中的峰值点数量作为初始分区数量；以初始分区数量作为分割数量对亮度图像进行超像素分割，获得多个超像素块。

本发明实施例为实现自动化产品缺陷检测，将喷漆工艺完毕后的钣金结构件放置在传送带上，在传送带上方部署工业相机，工业相机的高度适中，且采样频率根据传送带速度进行合适的调整，以至于获得清楚完整的钣金漆面图像。请参阅图2，其示出了本发明一个实施例所提供的一种钣金漆面图像。

需要说明的是，在获得钣金漆面图像后，可进行背景信息消除，去噪等预处理操作，时图像信息特征增强，图像预处理操作为本领域技术人员熟知的现有技术，在此不做赘述。

图像中的亮度直观的反映了光线对钣金漆面的影响，因此可在亮度图像下进行分析。亮度图像的具体提取过程包括：

相机拍摄到的图像为RGB图像，将钣金漆面漆面图像转换至HSV颜色空间中，提取HSV颜色空间中的亮度分量信息，获得亮度图像。亮度图像中每个像素点的像素值为钣金漆面图像对应位置的亮度值

需要说明的是，RGB图像转换至HSV颜色空间为本领域技术人员熟知的现有技术，在此不做赘述。

亮度图像的分布直方图横坐标为图像中的亮度，纵坐标为对应亮度的出现频数。因为高斯模型的分布形态为先增大后减小，在分布直方图中，峰值点也存在先增大后减小的特征，因此可根据分布直方图中的峰值点数量获得图像的初始分区数量。以初始分区数量作为分割数量对亮度图像进行超像素分割，获得多个超像素块。

需要说明的是，此处的超像素分割旨在分割出具有相似亮度特征的块区域，与常规超像素分割不同，常规超像素分割中的超像素块中的元素为相同的像素信息，本发明实施例中的超像素块数量为了与后续初始高斯模型数量相同，每个超像素块中元素的像素信息尽可能相近而并非相同。

步骤S2：根据超像素块中像素点的位置和像素值进行高斯拟合，获得第一高斯模型；获得超像素块中每个像素点的像素值与对应的第一高斯模型的拟合值的差异值；将差异值累加获得图像整体差异值。

以每个超像素块中的像素点作为样本，以像素点的位置和像素值作为样本信息，进行高斯拟合，获得第一高斯模型。即一个超像素块对应一个第一高斯模型。

因为超像素块中元素的信息仅相似并不相同，因此存在一些像素点与第一高斯模型并不匹配，即本身像素值与拟合值存在较大差异。获得每个像素点与其对应的第一高斯模型的差异值。每个像素点的差异值累加值即为图像整体差异值。本发明实施例旨在寻找出合适的高斯模型参数，因此需要使图像整体差异值不断降低，直至达到最优结果。

步骤S3：根据每个像素点的差异值对像素点分类，获得低拟合度像素点类别及其对应的多个低拟合度区域；获得每个低拟合度区域的第二高斯模型；根据第二高斯模型之间的相似度将相邻的低拟合度区域合并，获得划分区域图像；重复合并划分操作，每次合并划分操作对应一个图像整体差异值；当图像整体差异值序列收敛时停止合并划分操作，获得包含多个子区域的第一分块图像。

为了降低图像整体差异值，需要对低拟合度的像素点进行针对性拟合。根据每个像素点的差异值对像素点进行分类，具体包括：根据差异值利用k均值聚类算法对像素点分为两类，获得低拟合度像素点类别和高拟合度像素点类别。其中高拟合度像素点类别中的高拟合度像素点可构成多个高拟合度区域，低拟合度像素点类别构成多个低拟合度区域，后续分析仅针对低拟合度区域，即高拟合度区域已划分好，可以根据低拟合度区域作为掩膜对图像进行提取，获得仅包括低拟合度区域的图像进行后续分析，在此不做限定。

对每个低拟合度区域中的像素点的样本信息进行高斯拟合获得第二高斯模型。相邻的低拟合度区域可能存在相同的光照影响，光照影响可通过第二高斯模型参数进行表示，因此可根据第二高斯模型之间的相似度将相邻的低拟合度区域进行合并，获得划分区域图像。具体包括：

获取相邻低拟合度区域的第二高斯模型之间的余弦相似度。若余弦相似度大于预设相似度阈值，则将相邻的低拟合度区域合并，以相邻的低拟合度区域中较大的低拟合度区域对应的第二高斯模型作为合并后区域的高斯模型。如果余弦相似度不大于相似度阈值，则保持当前的区域划分。在本发明实施例中，相似度阈值设置为0.8。

划分区域图像中包括多个划分区域，包括高拟合度区域和合并划分后的低拟合度区域。其中获取划分区域图像的过程为合并划分操作，每次合并划分操作获得的划分区域图像都对应一个图像整体差异值。重复合并划分操作，即在划分区域图像中继续获取低拟合度区域，进行针对性拟合，并进行合并划分。经过多次合并划分操作可获得一个由图像整体差异值构成的图像整体差异值序列，因为每次合并划分操作都会增加像素点的拟合度，即减小差异值，因此当图像整体差异值序列收敛时即可停止合并划分操作，获得包含多个子区域的第一分块图像。

优选的，若整体差异值序列中连续小于预设差异阈值的元素数量大于预设参考数量，则认为此时图像整体差异序列收敛。

步骤S4：将第一分块图像中分布密集的子区域合并，获得第二分块图像；获得亮度图像的混合高斯模型；混合高斯模型中子高斯模型的数量与第二分块图像中的子区域数量相等。

本发明实施例旨在分析光照对图像信息的影响，因为正常的漆面区域是光滑的，在正常漆面区域的光线分布会呈现一种大范围的连续且渐变的分布方式，即正常区域对应的高斯模型数量少，范围大。但是因为漆面鼓包缺陷，导致缺陷区域粗糙，相同的光线对缺陷区域可形成多种影响，即在缺陷区域中存在密集且区域小的高斯模型。因为每个高斯模型对应一个子区域，因此可将第一分块图像中分布密集的子区域合并获得第二分块图像，具体包括：

根据子区域的中心点坐标利用密度聚类算法对子区域进行分类，获得多个聚类簇。将样本数量最多的聚类簇中的子区域合并为一个子区域。

根据第二分块图像中的子区域数量即可获得亮度图像最终的混合高斯模型，混合高斯模型中子高斯模型的数量与第二分块图像中的子区域数量相等。此时的混合高斯模型完整的表现书了光照对图像亮度影响。

步骤S5：将大于预设差异阈值的混合高斯模型的差异值对应的像素点作为缺陷像素点，获得缺陷区域。

因为混合高斯模型表现出的是光照对图像的影响，即在分析时认为混合高斯模型中不存在缺陷区域像素点的影响，仅存在光照的影响。因此可根据每个像素点位置处的实际像素值与混合高斯模型的拟合值的差异值判断出缺陷像素点。将大于预设差异阈值的混合高斯模型的差异值对应的像素点作为缺陷像素点，获得缺陷区域。在本发明实施例中，差异阈值设置为0.2。

综上所述，本发明实施例根据亮度图像的分布直方图确定初始分区数量，进行超像素块分割并进行高斯拟合。根据高斯模型的差异值对低拟合度区域进行多次合并划分操作，最终获得包含多个子区域的第一分块图像。进一步将第一分块图像中分布密集的子区域合并，获得第二分块图像。根据第二分块图像中子区域的数量进行最终的混合高斯模型拟合。根据混合高斯模型拟合检测缺陷像素点，获得缺陷区域。本发明实施例通过自适应调整混合高斯模型的参数，使其能够有效描述光照对图像的影响，并进行准确的缺陷检测。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，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 (6)

1.一种船舶钣金件漆面缺陷检测方法，其特征在于，所述方法包括：

采集钣金漆面图像；获取所述钣金漆面图像中的亮度图像；获取所述亮度图像的分布直方图；以所述分布直方图中的峰值点数量作为初始分区数量；以所述初始分区数量作为分割数量对所述亮度图像进行超像素分割，获得多个超像素块；

根据所述超像素块中像素点的位置和像素值进行高斯拟合，获得第一高斯模型；获得所述超像素块中每个像素点的像素值与对应的所述第一高斯模型的拟合值的差异值；将所述差异值累加获得图像整体差异值；

根据每个像素点的所述差异值对所述像素点分类，获得低拟合度像素点类别及其对应的多个低拟合度区域；获得每个所述低拟合度区域的第二高斯模型；根据所述第二高斯模型之间的相似度将相邻的所述低拟合度区域合并，获得划分区域图像；重复合并划分操作，每次所述合并划分操作对应一个所述图像整体差异值；当图像整体差异值序列收敛时停止所述合并划分操作，获得包含多个子区域的第一分块图像；

将所述第一分块图像中分布密集的子区域合并，获得第二分块图像；获得所述亮度图像的混合高斯模型；所述混合高斯模型中子高斯模型的数量与所述第二分块图像中的子区域数量相等；

将大于预设差异阈值的所述混合高斯模型的所述差异值对应的像素点作为缺陷像素点，获得缺陷区域。

2.根据权利要求1所述的一种船舶钣金件漆面缺陷检测方法，其特征在于，所述获取所述钣金漆面图像中的亮度图像包括：

将所述钣金漆面图像转换至HSV颜色空间中，提取所述HSV颜色空间中的亮度分量信息，获得所述亮度图像。

3.根据权利要求1所述的一种船舶钣金件漆面缺陷检测方法，其特征在于，所述根据每个像素点的所述差异值对所述像素点分类包括：

根据所述差异值利用k均值聚类算法对所述像素点分为两类，获得低拟合度像素点类别和高拟合度像素点类别。

4.根据权利要求1所述的一种船舶钣金件漆面缺陷检测方法，其特征在于，所述根据所述第二高斯模型之间的相似度将相邻的所述低拟合度区域合并包括：

获取相邻所述低拟合度区域的所述第二高斯模型之间的余弦相似度；若所述余弦相似度大于预设相似度阈值，则将相邻的所述低拟合度区域合并，以相邻的所述低拟合度区域中较大的所述低拟合度区域对应的所述第二高斯模型作为合并后区域的高斯模型。

5.根据权利要求1所述的一种船舶钣金件漆面缺陷检测方法，其特征在于，所述当图像整体差异值序列收敛时停止所述合并划分操作包括：

若所述整体差异值序列中连续小于预设差异阈值的元素数量大于预设参考数量，则认为此时所述图像整体差异序列收敛。

6.根据权利要求1所述的一种船舶钣金件漆面缺陷检测方法，其特征在于，所述将所述第一分块图像中分布密集的子区域合并包括：

根据子区域的中心点坐标利用密度聚类算法对子区域进行分类，获得多个聚类簇；将样本数量最多的所述聚类簇中的子区域合并为一个子区域。

Images