CN115187590A - 一种基于机器视觉的汽车零部件缺陷检测方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于机器视觉的汽车零部件缺陷检测方法。方法包括：获取待检测零部件图像；利用最大类间方差法，得到各目标反光区域；根据各目标反光区域的灰度共生矩阵，得到渐衰特征显著指数；基于安全带扣的对称轴，得到各目标反光区域中像素点的对称区域；根据各目标反光区域中像素点的对称区域，得到各目标反光区域的渐衰特征分布指数；根据各目标反光区域的渐衰特征显著指数和渐衰特征分布指数，得到各目标反光区域的渐衰指数；判断各目标反光区域的渐衰指数是否小于等于目标阈值，若是，则判定对应的目标反光区域中存在缺陷。本发明提高了对复杂表面、形状不规则、反光不均的安全带扣的缺陷检测的可靠性。

Description

一种基于机器视觉的汽车零部件缺陷检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于机器视觉的汽车零部件缺陷检测方法。

背景技术

随着科技水平的提高，汽车零部件的安全质量越来越受人们的重视；安全带扣是汽车装配中必不可缺的安全防护零部件，是保护汽车驾驶人的最后一道安全屏障。如果安全带扣本身存在细微裂纹（例如划痕），在使用初期并不会有明显的使用异常；但是，在长期插拔使用过程中，微型缺陷会从外表面逐渐延伸至内部，导致安全带损坏或者无法插拔，影响到安全带的正常使用，可能会造成巨大的人身财产安全事故。所以，对安全扣的质量进行检测是必不可少的。

现有的无损检测方法，如超声波检测、涡流检测、磁粉检测等存在一些缺陷，例如，涡流检测时需根据材质、表面状态以及检验标准做综合考虑，然后才能确定检测方案和技术参数，并且检测速度慢；常规的机器视觉检测的检测算法具有标准无损检测技术的非接触、无损伤以及自动化程度高优点，并且主要针对于PCB板、规则零件等具有平整表面、形状规则、特征明显等特点的简单对象，但是对于具有复杂表面、形状不规则、反光不均的安全带扣图像的缺陷检测效果较差，可靠性较低。

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基于机器视觉的汽车零部件缺陷检测方法，所采用的技术方案具体如下：

本发明提供了一种基于机器视觉的汽车零部件缺陷检测方法包括以下步骤：

获取待检测零部件图像，所述零部件为安全带扣；

利用最大类间方差法对待检测零部件图像进行处理，得到待检测零部件图像中的各目标反光区域；根据各目标反光区域对应的灰度共生矩阵，得到各目标反光区域对应的微观反光渐衰指数和宏观反光渐衰指数；根据所述微观反光渐衰指数和宏观反光渐衰指数，得到各目标反光区域对应的渐衰特征显著指数；

获取待检测零部件图像中安全带扣的对称轴；基于所述对称轴，得到各目标反光区域中各像素点对应的对称区域；根据各目标反光区域中各像素点对应的对称区域，得到各目标反光区域对应的渐衰特征分布指数；

根据各目标反光区域对应的渐衰特征显著指数和渐衰特征分布指数，得到各目标反光区域对应的渐衰指数；判断各目标反光区域对应的渐衰指数是否小于等于目标阈值，若是，则判定对应的目标反光区域中存在缺陷。

优选的，利用最大类间方差法对待检测零部件图像进行处理，得到待检测零部件图像中的各目标反光区域，包括：

利用最大类间方差法对待检测零部件图像进行处理，得到划分阈值；

将待检测零部件图像中灰度值大于划分阈值的像素点构成的连通域记为目标反光区域，得到待检测零部件图像中的各目标反光区域。

优选的，得到各目标反光区域对应的微观反光渐衰指数的方法，包括：

采用如下公式计算任一目标反光区域对应的微观反光渐衰指数：

其中，N为该目标反光区域对应的灰度共生矩阵的行数或列数，

为该目标反光区域对应的灰度共生矩阵中第i行第j列元素的值，

为该目标反光区域对应的灰度共生矩阵中第i行第j列元素对应的八邻域内第

个元素的值，

为该目标反光区域对应的微观反光渐衰指数。

优选的，得到各目标反光区域对应的宏观反光渐衰指数的方法，包括：

对于任一目标反光区域：

根据该目标反光区域对应的灰度共生矩阵，计算得到该目标反光区域对应的能量值；

将该目标反光区域对应的灰度共生矩阵看作一个矩形，分别获取矩形的四条边的中心点，并将四个中心点相连，得到一个菱形；将所述菱形映射到该目标反光区域对应的灰度共生矩阵中计算该灰度共生矩阵中菱形内的各元素的值的和，记为灰度共生矩阵的菱形值；

根据该目标反光区域对应的能量值和菱形值，计算该目标反光区域对应的宏观反光渐衰指数；

所述计算该目标反光区域对应的宏观反光渐衰指数的公式如下：

其中，Asm为该目标反光区域对应的能量值，

为该目标反光区域对应的宏观反光渐衰指数，

为该目标反光区域对应的灰度共生矩阵的菱形值，M为该目标反光区域对应的灰度共生矩阵内所有元素的值的和。

优选的，所述得到各目标反光区域对应的渐衰特征显著指数，包括：

对于任一目标反光区域：计算该目标反光区域对应的宏观反光渐衰指数和微观反光渐衰指数的比值，将所述比值作为该目标反光区域对应的渐衰特征显著指数。

优选的，获取待检测零部件图像中安全带扣的对称轴；基于所述对称轴，得到各目标反光区域中各像素点对应的对称区域，包括：

使用canny边缘检测对待检测零部件图像进行处理，得到对应的边缘图像；

利用霍夫矩形检测，得到边缘图像中的矩形；作边缘图像中矩形的两个较短的边的垂直平分线，将所述垂直平分线作为待检测零部件图像中安全带扣的对称轴；

对于任一目标反光区域中的任一像素点：

基于所述对称轴，获取该像素点关于对称轴对称的像素点，将该像素点关于对称轴对称的像素点记为该像素点对应的对称像素点；

以该像素点的对称像素点为中心，作设定大小的窗口；将所述窗口对应的区域作为该像素点对应的对称区域。

优选的，根据各目标反光区域中各像素点对应的对称区域，得到各目标反光区域对应的渐衰特征分布指数，包括：

对于任一目标反光区域：

对于任一目标反光区域中的任一像素点：计算该像素点对应的对称区域中各像素点对应的灰度值与该像素点对应的灰度值的差值的绝对值，若该像素点对应的对称区域中存在差值的绝对值小于灰度差阈值的像素点，则判定该目标反光区域中该像素点为正常点；

统计该目标反光区域内正常点的数量；

计算该目标反光区域内正常点的数量与该目标反光区域内所有像素点的数量的比值，将所述比值作为该目标反光区域对应的正常指标；

对该目标反光区域进行分层处理，得到该目标反光区域对应的各层反光子区域；

根据该目标反光区域对应的正常指标、反光子区域的数量以及各层反光子区域包含的像素点的数量，得到该目标子区域对应的渐衰特征分布指数；

所述得到该目标子区域对应的渐衰特征分布指数的公式如下：

其中，fcd为该目标反光区域对应的渐衰特征分布指数，med{ }为取中值函数，

为该目标反光区域对应的第1层反光子区域包含的像素点数量，

为该目标反光区域对应的第2层反光子区域包含的像素点数量，

为该目标反光区域对应的第

层反光子区域包含的像素点数量，coe为该目标反光区域对应的正常指标，

为调节参数，

为目标反光区域对应的反光子区域的层数。

优选的，对该目标反光区域进行分层处理，得到该目标反光区域对应的各层反光子区域，包括：

选取该目标反光区域中灰度值最小的像素点，记为第一像素点；

在目标反光区域内，以第一像素点为起点向外生长，判断与第一像素点相邻的像素点中是否存在灰度值与第一像素点对应的灰度值的差值小于第一阈值的像素点，若存在，则将差值小于第一阈值的像素点与第一像素点划分为同一层；

获取与第一像素点同一层的像素点的相邻像素点，判断这些像素点中是否存在灰度值与第一像素点对应的灰度值的差值小于第一阈值的像素点，若不存在，则停止生长，若存在，则将这些像素点中差值小于第一阈值的像素点与第一像素点划为同一层，并继续生长，直到生长到的像素点中不存在灰度值与第一像素点对应的灰度值的差值小于第一阈值的像素点时为止；将第一像素点对应的层记为第1层反光子区域，所述第1层反光子区域包括与第一像素点同一层的各像素点；

从该目标反光区域内不属于第1层反光子区域的像素点中选择灰度值最小的像素点，记为第二像素点；然后以第二像素点为起点在该目标反光区域中除第1层反光子区域以外的其他区域内进行生长，得到第2层反光子区域；

以此类推，直到将该目标反光区域中的所有像素点都划分到对应的反光子区域，得到该目标反光区域对应的各层反光子区域。

优选的，所述得到各目标反光区域对应的渐衰指数，包括：

对于目标反光区域：计算该目标反光区域对应的渐衰特征显著指数和渐衰特征分布指数的乘积，作为该目标反光区域对应的渐衰指数。

优选的，得到目标阈值的方法，包括：

获取多张有瑕疵的安全带扣图片，记为第一样本图像；获取各第一样本图像中的各目标反光区域；获取各第一样本图像中的存在缺陷的各目标反光区域对应的渐衰指数；选取存在缺陷的各目标反光区域对应的渐衰指数的最大值，记为最大指数；

获取多张无瑕疵的安全带扣图片，记为第二样本图像；获取各第二样本图像中的各目标反光区域以及各第二样本图像中的各目标反光区域对应的渐衰指数；选取各第二样本图像中的各目标反光区域对应的渐衰指数的最小值，记为最小指数；

计算最大指数和最小指数的平均值，将所述平均值记为目标阈值。

本发明具有如下有益效果：

本发明为了提高对形状不规则、反光不均的安全带扣的缺陷检测效果，本发明首先获取待检测零部件图像；由于安全带扣表面的形状改变或出现缺陷会导致待检测零部件图像存在较亮的区域，为了判断这些较亮的区域中哪些是由于形状改变导致的，哪些是由于存在缺陷导致的，本发明利用最大类间方差法得到待检测零部件图像中的各目标反光区域，所述目标反光区域为图像中的较亮区域；接下来结合形状改变导致出现的较亮区域存在渐衰的特点，本发明根据各目标反光区域对应的灰度共生矩阵，进而得到各目标反光区域对应的渐衰特征显著指数，所述渐衰特征显著指数是能够反映目标反光区域渐衰特征的明显度；然后利用安全带扣轴对称的特点，本发明基于安全带扣对称轴，得到各目标反光区域对应的渐衰特征分布指数，所述渐衰特征分布指数是根据像素点的分布来反映目标反光区域渐衰特征的明显度；最后本发明根据各目标反光区域对应的渐衰特征显著指数和渐衰特征分布指数，得到各目标反光区域对应的渐衰指数；若渐衰指数小于等于目标阈值，则判定对应的目标反光区域中存在缺陷。本发明通过渐衰指数来综合反映目标反光区域的渐衰特征的明显度，如果是由于形状改变导致的那么对应的渐衰特征会更加明显；本发明结合复杂表面、形状不规则、反光不均的物体的特点，从渐衰特征的显著程度和分布情况两个角度对区域内的渐衰特征进行衡量，以区分哪些区域存在缺陷，哪些不存在缺陷，可方便快捷地完成非接触的无损瑕疵识别，同时提高了对复杂表面、形状不规则、反光不均的安全带扣的缺陷检测的可靠性。

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为本发明提供的一种基于机器视觉的汽车零部件缺陷检测方法的流程图。

具体实施方式

如图1所示，本实施例的一种基于机器视觉的汽车零部件缺陷检测方法包括以下步骤：

步骤S1，获取待检测零部件图像，所述零部件为安全带扣。

考虑到安全带扣的缺陷可能存在于其表面的任何位置，因此本实施例对安全带扣的正面和背面分别获取图像，然后分别对正面和背面的图像进行分析，以判断对应的安全带扣是否存在缺陷。现有的大多安全带扣的下方有一个矩形区域，即内部有一个矩形的洞；本实施例仅对下方有一个矩形区域的安全带扣进行检测。本实施例以安全带扣的正面的图像为例进行分析。

本实施例使用工业相机获取安全带扣的RGB图像；所述工业相机固定在安全带扣的正上方，将光源设置在待检测的安全带扣的周围进行打光，由于安全带扣是轴对称的，因此本实施例设置的光源的位置应使安全带扣表面出现的反光区域也是轴对称；光源设置的位置根据实际场景进行设置。

为了减少环境和噪音的影响，本实施例对采集到的RGB图像进行预处理，具体的，将RGB图像转化为灰度图像，然后利用高斯函数对灰度图像做卷积，以消除随机噪声的影响，本实施例将处理后的灰度图像记为待检测零部件图像。

步骤S2，利用最大类间方差法对待检测零部件图像进行处理，得到待检测零部件图像中的各目标反光区域；根据各目标反光区域对应的灰度共生矩阵，得到各目标反光区域对应的微观反光渐衰指数和宏观反光渐衰指数；根据所述微观反光渐衰指数和宏观反光渐衰指数，得到各目标反光区域对应的渐衰特征显著指数。

安全带扣为金属材质，打光后会出现反光，在相对于相机相同角度的位置，安全带扣上反光情况应一致（即对于一个平整的金属平面，平面上的每个位置的反光应该是相同的）；对于在安全带扣上有划痕的位置，由于划痕处相对于光源和相机的位置发生了改变，所以划痕处反光情况会发生改变（即出现较亮的反光），因此本实施例根据图像中反光情况改变的位置来确定划痕位置；但是安全带扣形状并不规则，在形状改变处也会出现反光改变的情况（也会出现较亮的反光），因此本实施例后续会将这种原因导致的反光改变进行排除。

安全带扣的形状改变处为缓慢的按照一定角度均匀的有弧度的弯折，而不存在较为直接刚硬的折痕，所以对应的反光改变处反光部分的亮度会出现逐渐降低的特征（将此情况称为渐衰特征）。

为了对安全带扣进行检测，本实施例利用OTSU最大类间方差法对待检测零部件图像进行处理，得到划分阈值；基于划分阈值找到待检测零部件图像中较亮的反光区域，记为目标反光区域（一个目标反光区域是待检测零部件图像中灰度值大于划分阈值的像素点构成的一个连通域，即由于反光改变出现的一个较亮的反光区域）。考虑到划痕处和形状改变处的反光情况都会发生改变，因此本实施例分别对待检测零部件图像中各目标反光区域进行分析，判断各目标反光区域中是否存在缺陷。

对于任一目标反光区域：

本实施例首先获取该目标反光区域对应的灰度共生矩阵。获取灰度共生矩阵的方法为现有技术，在此就不再赘述。

第一，得到该目标反光区域对应的微观反光渐衰指数。

考虑到如果目标反光区域是由于自身形状改变导致的较亮的反光，那么该目标反光区域具有较为明显的渐衰特征，所以该目标反光区域中相邻像素点的灰度值应该是相近的，不会出现像素值突变的情况，因此对应的灰度共生矩阵中相邻的元素的值应该是相近的，且渐衰特征越明显，则越相近；因此本实施例根据该目标反光区域对应的灰度共生矩阵中各元素的值，计算该目标反光区域对应的微观反光渐衰指数；本实施例中计算该目标反光区域对应的微观反光渐衰指数的公式如下：

其中，N为该目标反光区域对应的灰度共生矩阵的行数或列数（灰度共生矩阵为方阵，所以行数和列数是相同的），

为该目标反光区域对应的灰度共生矩阵中第i行第j列元素的值，

为该目标反光区域对应的灰度共生矩阵中第i行第j列元素对应的八邻域内第

个元素的值，

为该目标反光区域对应的微观反光渐衰指数。

微观反光渐衰指数衡量了对应的目标反光区域内微观层面的渐衰特征情况；当目标反光区域的渐衰特征越明显时，对应灰度共生矩阵中相邻元素的频数应越相似，则对应的微观反光渐衰指数越小；反之，对应的微观反光渐衰指数会越大。

第二，得到该目标反光区域对应的宏观反光渐衰指数。

考虑到如果目标反光区域是由于安全带扣自身形状的改变产生的，那么该目标反光区域的灰度值分布是不均匀的，基于此，本实施例根据该目标反光区域对应的灰度共生矩阵，计算得到该目标反光区域对应的能量值Asm；灰度共生矩阵的能量值反映了灰度图像的纹理均匀程度，能量值越大说明对应区域内的灰度值分布越集中，越不均匀，能量值越小说明对应区域内的灰度值分布越均匀。本实施例中根据灰度共生矩阵计算能量值的方法为现有技术，在此就不再赘述。

又由于此时的该目标反光区域中相邻像素的灰度值应该是相近的，不会出现像素值突变的情况；为了排除灰度共生矩阵中灰度值差异较大的元素，本实施例将该目标反光区域对应的灰度共生矩阵看作一个矩形，分别获取矩形的四条边的中心点，并将四个中心点相连，得到一个菱形，将所述菱形映射到该目标反光区域对应的灰度共生矩阵中，计算该灰度共生矩阵中菱形内的各元素的值（所述菱形内的各元素不包括菱形边缘经过的元素）的和，记为该灰度共生矩阵的菱形值；若菱形值与灰度共生矩阵中的所有元素的值之和越接近，则说明该目标反光区域中越没有灰度值突变的情况，即渐衰特征越明显。

本实施例根据该目标反光区域对应的能量值和菱形值，计算该目标反光区域对应的宏观反光渐衰指数，即：

其中，

为该目标反光区域对应的宏观反光渐衰指数，

为该目标反光区域对应的灰度共生矩阵的菱形值，M为该目标反光区域对应的灰度共生矩阵内所有元素的值的和。

宏观反光渐衰指数根据目标反光区域对应的灰度变化的整体情况衡量了该区域内宏观层面的渐衰特征情况，当渐衰特征越明显时，对应的灰度共生矩阵的能量值越大，菱形值的占比也越大，则对应的宏观反光渐衰指数越大；反之，对应的宏观反光渐衰指数越小。

第三，得到该目标反光区域对应的渐衰特征显著指数。

由于微观反光渐衰指数和宏观反光渐衰指数从两个不同层面反映了目标反光区域的渐衰特征的显著程度，接下来，本实施例将该目标反光区域对应的微观反光渐衰指数和宏观反光渐衰指数相结合，得到该目标反光区域对应的渐衰特征显著指数；所述该目标反光区域对应的渐衰特征显著指数为该目标反光区域对应的宏观反光渐衰指数和微观反光渐衰指数的比值，即

，其中，

为该目标反光区域对应的渐衰特征显著指数。当微观反光渐衰指数越小，宏观反光渐衰指数越大时，渐衰特征显著指数越大，即说明该目标反光区域的渐衰特征越明显。

至此，基于上述过程本实施例能够得到各目标反光区域对应的渐衰特征显著指数。

步骤S3，获取待检测零部件图像中安全带扣的对称轴；基于所述对称轴，得到各目标反光区域中各像素点对应的对称区域；根据各目标反光区域中各像素点对应的对称区域，得到各目标反光区域对应的渐衰特征分布指数。

由于安全带扣为对称的金属零件，因此当对零件进行打光时，在因为角度或者结构变化而出现反光的区域也应是对称的；考虑到安全带扣的缺陷并不具备呈对称出现的特征，因此本实施例基于对称性对各目标反光区域进行分析，以判断各目标反光区域内可能存在缺陷的可能性；具体的：

本实施例首先使用canny边缘检测对待检测零部件图像进行处理，得到对应的边缘图像，所述边缘图像为二值图像；然后利用霍夫矩形检测来检测所述边缘图像中的矩形，此矩形为安全带扣下部内部的矩形的洞，即后续卡住安全带扣的插槽位置；作边缘图像中矩形的两个较短的边的垂直平分线，所述垂直平分线为安全带扣的对称轴，即待检测零部件图像中安全带扣的对称轴。本实施例中canny边缘检测和霍夫矩形检测为现有技术，在此就不再赘述。

对于待检测零部件图像中的任一目标反光区域：

第一，得到该目标反光区域对应的正常指标。

本实施例根据上述过程得到了检测零部件图像中安全带扣的对称轴；本实施例基于对称性的特点，根据该目标反光区域中各像素点的坐标，得到各像素点关于对称轴对称的像素点的坐标。所述得到各像素点关于对称轴对称的像素点的坐标的过程为公知的，在此就不再赘述。

考虑到上述获取对称轴的过程中可能存在误差，因此本实施例设定一定的容错范围；对于该目标反光区域中的任一像素点：获取该像素点关于对称轴对称的像素点，记为该像素点对应的对称像素点，然后以该像素点的对称像素点为中心，作一个大小为b*b的窗口（b的值根据实际需要进行设置，例如b=9），本实施例将该窗口对应的区域作为该像素点对应的对称区域；计算该像素点对应的对称区域中各像素点对应的灰度值与该像素点对应的灰度值的差值的绝对值，若存在差值的绝对值小于灰度差阈值的像素点，则判定该目标反光区域中该像素点为正常点；反之，若不存在，则判定该像素点为异常点。本实施例中灰度差阈值的大小根据实际需要进行设置。

根据上述过程，获取该目标反光区域内各像素点对应的对称区域，然后根据各像素点对应的对称区域判断各像素点中哪些是正常点，哪些是异常点；然后统计目标反光区域内正常点的数量。

若该目标反光区域内存在的正常点的数量越多，说明该目标反光区域越具备对称性，存在缺陷的可能性就越小；本实施例计算该目标反光区域内正常点的数量与该目标反光区域内所有像素点的数量的比值，将所述比值作为该目标反光区域对应的正常指标。所述正常指标越大，说明该目标反光区域存在缺陷的可能性越小，则目标反光区域的渐衰特征越明显。至此，本实施例得到了该目标反光区域对应的正常指标。

第二，得到该目标反光区域对应的渐衰特征分布指数。

本实施例对该目标反光区域进行分层处理，具体的：首先选取该目标反光区域中灰度值最小的像素点，记为第一像素点；在目标反光区域内，以第一像素点为起点向外生长，首先判断与第一像素点相邻的像素点中是否存在灰度值与第一像素点对应的灰度值的差值小于第一阈值的像素点，若存在，则将差值小于第一阈值的像素点与第一像素点划分为同一层；接着，继续向外生长，获取与第一像素点同一层的像素点的相邻像素点，判断这些像素点中是否存在灰度值与第一像素点对应的灰度值的差值小于第一阈值的像素点，若不存在，则停止生长，若存在，则将这些像素点中差值小于第一阈值的像素点与第一像素点划为同一层，并继续生长，直到生长到的像素点中不存在灰度值与第一像素点对应的灰度值的差值小于第一阈值的像素点时为止，将第一像素点对应的层记为第1层反光子区域，第1层反光子区域包括与第一像素点同一层的各像素点；同理，从该目标反光区域内不属于第1层反光子区域的像素点中选择灰度值最小的像素点，记为第二像素点；然后以第二像素点为起点在该目标反光区域中除第1层反光子区域以外的其他区域内进行生长，得到第2层反光子区域；以此类推，直到将该目标反光区域中的所有像素点都划分到对应的反光子区域，得到该目标反光区域对应的各层反光子区域。本实施例中不同层反光子区域中的最小灰度值之间的差异应大于第一阈值。本实施例中第一阈值需根据实际需要进行设置。

考虑到当目标反光区域的渐衰特征越明显时，反光子区域的数量应越多，且不同层反光子区域包含的像素点的数量应越均衡，因此各层反光子区域中包含的像素点的数量中值可以反映每一次层反光子区域内包含的像素点数量的情况。除此之外，若该目标反光区域对应的正常指标越大，说明该目标反光区域存在缺陷的可能性越小，因此该目标反光区域的渐衰特征明显。

本实施例根据该目标反光区域对应的正常指标、反光子区域的数量以及各层反光子区域包含的像素点的数量，计算得到该目标子区域对应的渐衰特征分布指数，即：

其中，fcd为该目标反光区域对应的渐衰特征分布指数，med{ }为取中值函数（即获取空号内元素的中值），

为该目标反光区域对应的第1层反光子区域包含的像素点数量，

为该目标反光区域对应的第2层反光子区域包含的像素点数量，

为该目标反光区域对应的第

层反光子区域包含的像素点数量，coe为该目标反光区域对应的正常指标，

为目标反光区域对应的反光子区域的层数，

为调节参数，所述调节参数为了防止分母为0，具体根据实际需要进行设置，本实施例将调节参数设置为0.01。

根据上述公式，当该目标反光区域对应的反光子区域的层数越多，整体包含的像素点数量越大，正常指标越大时，说明该目标反光区域的渐衰特征越明显，则对应的渐衰特征分布指数越大。

至此，本实施例根据上述过程能够得到待检测零部件图像中各目标反光区域对应的渐衰特征分布指数。

步骤S4，根据各目标反光区域对应的渐衰特征显著指数和渐衰特征分布指数，得到各目标反光区域对应的渐衰指数；判断各目标反光区域对应的渐衰指数是否小于等于目标阈值，若是，则判定对应的目标反光区域中存在缺陷。

本实施例根据步骤S2和步骤S3得到了各目标反光区域对应的渐衰特征显著指数和渐衰特征分布指数；这两个参数在不同方面都可以反映目标反光区域渐衰特征明显度，因此本实施例将各目标反光区域对应的渐衰特征显著指数和渐衰特征分布指数相结合，得到各目标反光区域对应的渐衰指数；对于任一目标反光区域：该目标反光区域对应的渐衰指数为该目标反光区域对应的渐衰特征显著指数和渐衰特征分布指数的乘积，即

，其中，R为该目标反光区域对应的渐衰指数；当渐衰特征显著指数和渐衰特征分布指数越大时，说明该区域的渐衰特征越明显，存在缺陷的可能性越小，则该目标反光区域对应的渐衰指数就越大。根据上述过程，本实施例能够得到各目标反光区域对应的渐衰指数。

接下来，本实施例根据各目标反光区域对应的渐衰指数来判断哪些目标反光区域内存在缺陷，哪些目标反光区域内不存在缺陷，具体的：

本实施例获取多张有瑕疵的安全带扣图片，记为第一样本图像；然后根据上述过程获取各第一样本图像中的各目标反光区域；获取各第一样本图像中的存在缺陷的各目标反光区域对应的渐衰指数，并选取存在缺陷的各目标反光区域对应的渐衰指数的最大值，记为最大指数t _max 。然后获取多张无瑕疵的安全带扣图片，记为第二样本图像；同样的，获取各第二样本图像中的各目标反光区域，以及各第二样本图像中的各目标反光区域对应的渐衰指数；选取各第二样本图像中的各目标反光区域对应的渐衰指数的最小值，记为最小指数t _min 。本实施例中多张有瑕疵的安全带扣图片的数量和多张无瑕疵的安全带扣图片的数量可根据实际需要进行设置，本实施例中多张有瑕疵的安全带扣图片的数量和多张无瑕疵的安全带扣图片的数量分别为20张。

上述过程得到了最大指数和最小指数，二者是根据大量数据统计得到的，为了更好的判断目标反光区域中是否存在缺陷，本实施例计算最大指数和最小指数的平均值（即

，其中t ₀为平均值），然后将所述平均值记为目标阈值；对于待检测零部件图像中的任一目标反光区域：当该目标反光区域对应的渐衰指数大于目标阈值时，则判定该目标反光区域中不存在缺陷，反之，则判定该目标反光区域中存在缺陷。

至此，本实施例能够判断待检测零部件图像中的各目标反光区域是否存在缺陷，本实施例结合安全带扣正反两面的图像判断结果，来判断对应的安全带扣是否存在缺陷，若存在缺陷，则及时发出警示。

需要说明的是：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 (10)

1.一种基于机器视觉的汽车零部件缺陷检测方法，其特征在于，该方法包括以下步骤：

获取待检测零部件图像，所述零部件为安全带扣；

利用最大类间方差法对待检测零部件图像进行处理，得到待检测零部件图像中的各目标反光区域；根据各目标反光区域对应的灰度共生矩阵，得到各目标反光区域对应的微观反光渐衰指数和宏观反光渐衰指数；根据所述微观反光渐衰指数和宏观反光渐衰指数，得到各目标反光区域对应的渐衰特征显著指数；

获取待检测零部件图像中安全带扣的对称轴；基于所述对称轴，得到各目标反光区域中各像素点对应的对称区域；根据各目标反光区域中各像素点对应的对称区域，得到各目标反光区域对应的渐衰特征分布指数；

根据各目标反光区域对应的渐衰特征显著指数和渐衰特征分布指数，得到各目标反光区域对应的渐衰指数；判断各目标反光区域对应的渐衰指数是否小于等于目标阈值，若是，则判定对应的目标反光区域中存在缺陷。

2.根据权利要求1所述的一种基于机器视觉的汽车零部件缺陷检测方法，其特征在于，利用最大类间方差法对待检测零部件图像进行处理，得到待检测零部件图像中的各目标反光区域，包括：

利用最大类间方差法对待检测零部件图像进行处理，得到划分阈值；

将待检测零部件图像中灰度值大于划分阈值的像素点构成的连通域记为目标反光区域，得到待检测零部件图像中的各目标反光区域。

3.根据权利要求1所述的一种基于机器视觉的汽车零部件缺陷检测方法，其特征在于，得到各目标反光区域对应的微观反光渐衰指数的方法，包括：

采用如下公式计算任一目标反光区域对应的微观反光渐衰指数：

其中，N为该目标反光区域对应的灰度共生矩阵的行数或列数，

为该目标反光区域对应的灰度共生矩阵中第i行第j列元素的值，

为该目标反光区域对应的灰度共生矩阵中第i行第j列元素对应的八邻域内第

个元素的值，

为该目标反光区域对应的微观反光渐衰指数。

4.根据权利要求1所述的一种基于机器视觉的汽车零部件缺陷检测方法，其特征在于，得到各目标反光区域对应的宏观反光渐衰指数的方法，包括：

对于任一目标反光区域：

根据该目标反光区域对应的灰度共生矩阵，计算得到该目标反光区域对应的能量值；

将该目标反光区域对应的灰度共生矩阵看作一个矩形，分别获取矩形的四条边的中心点，并将四个中心点相连，得到一个菱形；将所述菱形映射到该目标反光区域对应的灰度共生矩阵中计算该灰度共生矩阵中菱形内的各元素的值的和，记为灰度共生矩阵的菱形值；

根据该目标反光区域对应的能量值和菱形值，计算该目标反光区域对应的宏观反光渐衰指数；

所述计算该目标反光区域对应的宏观反光渐衰指数的公式如下：

其中，Asm为该目标反光区域对应的能量值，

为该目标反光区域对应的宏观反光渐衰指数，

为该目标反光区域对应的灰度共生矩阵的菱形值，

为该目标反光区域对应的灰度共生矩阵内所有元素的值的和。

5.根据权利要求1所述的一种基于机器视觉的汽车零部件缺陷检测方法，其特征在于，所述得到各目标反光区域对应的渐衰特征显著指数，包括：

对于任一目标反光区域：计算该目标反光区域对应的宏观反光渐衰指数和微观反光渐衰指数的比值，将所述比值作为该目标反光区域对应的渐衰特征显著指数。

6.根据权利要求1所述的一种基于机器视觉的汽车零部件缺陷检测方法，其特征在于，获取待检测零部件图像中安全带扣的对称轴；基于所述对称轴，得到各目标反光区域中各像素点对应的对称区域，包括：

使用canny边缘检测对待检测零部件图像进行处理，得到对应的边缘图像；

利用霍夫矩形检测，得到边缘图像中的矩形；作边缘图像中矩形的两个较短的边的垂直平分线，将所述垂直平分线作为待检测零部件图像中安全带扣的对称轴；

对于任一目标反光区域中的任一像素点：

基于所述对称轴，获取该像素点关于对称轴对称的像素点，将该像素点关于对称轴对称的像素点记为该像素点对应的对称像素点；

以该像素点的对称像素点为中心，作设定大小的窗口；将所述窗口对应的区域作为该像素点对应的对称区域。

7.根据权利要求1所述的一种基于机器视觉的汽车零部件缺陷检测方法，其特征在于，根据各目标反光区域中各像素点对应的对称区域，得到各目标反光区域对应的渐衰特征分布指数，包括：

对于任一目标反光区域：

对于任一目标反光区域中的任一像素点：计算该像素点对应的对称区域中各像素点对应的灰度值与该像素点对应的灰度值的差值的绝对值，若该像素点对应的对称区域中存在差值的绝对值小于灰度差阈值的像素点，则判定该目标反光区域中该像素点为正常点；

统计该目标反光区域内正常点的数量；

计算该目标反光区域内正常点的数量与该目标反光区域内所有像素点的数量的比值，将所述比值作为该目标反光区域对应的正常指标；

对该目标反光区域进行分层处理，得到该目标反光区域对应的各层反光子区域；

根据该目标反光区域对应的正常指标、反光子区域的数量以及各层反光子区域包含的像素点的数量，得到该目标子区域对应的渐衰特征分布指数；

所述得到该目标子区域对应的渐衰特征分布指数的公式如下：

其中，fcd为该目标反光区域对应的渐衰特征分布指数，med{ }为取中值函数，

为该目标反光区域对应的第1层反光子区域包含的像素点数量，

为该目标反光区域对应的第2层反光子区域包含的像素点数量，

为该目标反光区域对应的第

层反光子区域包含的像素点数量，coe为该目标反光区域对应的正常指标，

为调节参数，

为目标反光区域对应的反光子区域的层数。

8.根据权利要求7所述的一种基于机器视觉的汽车零部件缺陷检测方法，其特征在于，对该目标反光区域进行分层处理，得到该目标反光区域对应的各层反光子区域，包括：

选取该目标反光区域中灰度值最小的像素点，记为第一像素点；

在目标反光区域内，以第一像素点为起点向外生长，判断与第一像素点相邻的像素点中是否存在灰度值与第一像素点对应的灰度值的差值小于第一阈值的像素点，若存在，则将差值小于第一阈值的像素点与第一像素点划分为同一层；

获取与第一像素点同一层的像素点的相邻像素点，判断这些像素点中是否存在灰度值与第一像素点对应的灰度值的差值小于第一阈值的像素点，若不存在，则停止生长，若存在，则将这些像素点中差值小于第一阈值的像素点与第一像素点划为同一层，并继续生长，直到生长到的像素点中不存在灰度值与第一像素点对应的灰度值的差值小于第一阈值的像素点时为止；将第一像素点对应的层记为第1层反光子区域，所述第1层反光子区域包括与第一像素点同一层的各像素点；

从该目标反光区域内不属于第1层反光子区域的像素点中选择灰度值最小的像素点，记为第二像素点；然后以第二像素点为起点在该目标反光区域中除第1层反光子区域以外的其他区域内进行生长，得到第2层反光子区域；

以此类推，直到将该目标反光区域中的所有像素点都划分到对应的反光子区域，得到该目标反光区域对应的各层反光子区域。

9.根据权利要求1所述的一种基于机器视觉的汽车零部件缺陷检测方法，其特征在于，所述得到各目标反光区域对应的渐衰指数，包括：

对于目标反光区域：计算该目标反光区域对应的渐衰特征显著指数和渐衰特征分布指数的乘积，作为该目标反光区域对应的渐衰指数。

10.根据权利要求1所述的一种基于机器视觉的汽车零部件缺陷检测方法，其特征在于，得到目标阈值的方法，包括：

获取多张有瑕疵的安全带扣图片，记为第一样本图像；获取各第一样本图像中的各目标反光区域；获取各第一样本图像中的存在缺陷的各目标反光区域对应的渐衰指数；选取存在缺陷的各目标反光区域对应的渐衰指数的最大值，记为最大指数；

获取多张无瑕疵的安全带扣图片，记为第二样本图像；获取各第二样本图像中的各目标反光区域以及各第二样本图像中的各目标反光区域对应的渐衰指数；选取各第二样本图像中的各目标反光区域对应的渐衰指数的最小值，记为最小指数；

计算最大指数和最小指数的平均值，将所述平均值记为目标阈值。

Images