CN115375686A - 一种基于图像处理的玻璃边缘瑕疵检测方法 - Google Patents

Abstract

本发明公开了一种基于图像处理的玻璃边缘瑕疵检测方法，属于图像处理技术领域；包括以下步骤：获取玻璃边缘的灰度图；获取面积最大的连通域中所有像素点的灰度均值；获取标准差图像；获取在所述灰度区间内连续分布的像素点形成的多个区域；获取每个区域的边缘的柔和度；获取每个区域所在玻璃边缘的位置参数；根据每个区域的瑕疵判断概率对每个区域的瑕疵进行判断。本发明根据获取每个区域的瑕疵判断概率，能够准确识别出每个区域所属的瑕疵，有效提升了每个区域瑕疵的准确率。

Description

一种基于图像处理的玻璃边缘瑕疵检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于图像处理的玻璃边缘瑕疵检测方法。

背景技术

近年来，玻璃的加工工艺发展迅速，相关工艺流程继续向自动化、集成化、智能化、专业化和服务化，由低端向高端发展。对玻璃边缘进行磨边处理的工艺可以防止使用时伤人、消除局部应力集中现象，增加玻璃强度、增加美观作用等，但是在对玻璃的边缘进行磨边加工时，因为流水线的磨轮压力稍大会产生崩边，或磨轮与玻璃之间压力不足存在一定的缝隙而出现了亮边，这两种瑕疵都面积较小，明暗分布相似，但是两者对玻璃本身造成的影响和对使用者来说却都是不一样的；玻璃边缘存在崩边瑕疵时，在使用中会对使用者造成伤害的风险，且后续可能会产生更严重的损坏，而亮边瑕疵没有上述风险，仅是美观程度较低，故需要机器视觉进一步的检测。为了检测玻璃边缘的瑕疵，传统的方法工作人员操作游标卡尺来检测玻璃边缘的瑕疵，仅凭经验调整切割参数，准确率较低，且可控性较差，费时费力。

为了实现上述目的，本领域技术人员基于机器视觉和图像处理领域对玻璃瑕疵检测，通过采集的玻璃边缘的图像信息来检测玻璃边缘的直线性判断玻璃边缘是否存在瑕疵，但是仅仅通过确定瑕疵点的位置和偏移量检测玻璃玻璃边缘的破损瑕疵；对于玻璃边缘的崩边和亮边瑕疵，因为两者之间存在的相似性，在利用机器识别时有一定的困难，对玻璃边缘瑕疵进行检测多集中于利用图像分割和边缘检测将瑕疵检测出来，却不能确定出具体的瑕疵，因此难以检测出玻璃边缘属于崩边瑕疵还是亮边瑕疵。

发明内容

为了解决现有技术中的不足，本发明提供一种基于图像处理的玻璃边缘瑕疵检测方法，该方法计算每个像素点所在邻域对应的标准差，过每个像素点对应的标准差判断是否发生较明显偏移，来获取具有瑕疵的区域，再根据获取的每个区域的柔和度及每个区域所在玻璃边缘的位置综合判断该区域属于崩边或者亮边瑕疵，实现了能够准确识别出每个区域所属的瑕疵，有效提升了每个区域瑕疵的准确率。

本发明的目的是提供一种基于图像处理的玻璃边缘瑕疵检测方法，包括以下步骤：

获取玻璃边缘的灰度图；

通过对灰度图连通域检测获取灰度图中多个连通域；并从多个连通域中获取面积最大的连通域；获取面积最大的连通域中所有像素点的灰度均值；

根据灰度图中每个像素点与其邻域像素点的灰度值和所述灰度均值获取每个像素点的标准差；并利用每个像素点的标准差对该像素点的灰度值进行替换，获取标准差图像；

获取瑕疵像素点在所述标准差图像中的灰度区间；统计标准差图像中在所述灰度区间内的所有像素点；获取在所述灰度区间内连续分布的像素点形成的多个区域；

获取每个区域中边缘像素点对应于灰度图中的梯度幅值；根据每个区域中边缘像素点梯度幅值的均值获取每个区域的边缘的柔和度；

根据每个区域的边缘的柔和度及每个区域所在玻璃边缘的位置获取每个区域的瑕疵判断概率；

根据每个区域的瑕疵判断概率判断每个区域是否属于崩边瑕疵或亮边瑕疵。

在一实施例中，获取在所述灰度区间内连续分布的像素点形成的多个区域的过程中，剔除连续分布像素点数量小于10个时所形成的区域。

在一实施例中，将每个区域中边缘像素点梯度幅值的均值与256的比值作为每个区域的边缘的柔和度。

在一实施例中，每个区域的瑕疵判断概率是按照以下步骤获取：

获取所述每个区域所在位置的下限边缘像素点和上限边缘像素点；

根据每个区域所在位置的下限边缘像素点和上限边缘像素点，以及玻璃厚度获取每个区域所在玻璃边缘位置的参数；

根据每个区域的边缘的柔和度及每个区域所在玻璃边缘位置的参数获取每个区域的瑕疵判断概率。

在一实施例中，所述每个区域所在玻璃边缘位置的参数的计算公式如下：

式中，

表示每个区域所在玻璃边缘位置的参数；

表示每个区域所在位置的上限边缘像素点所在的行数；

表示每个区域所在位置的下限边缘像素点所在的行数；

表示玻璃的厚度；min( )表示求取括号内最小值。

在一实施例中，所述每个区域所在位置的下限边缘像素点是指每个区域的下边缘最靠下的像素点；同理，所述上限边缘像素点是指每个区域的上边缘最靠上的像素点。

在一实施例中，将每个区域的边缘的柔和度及每个区域所在玻璃边缘的位置参数的均值作为每个区域属于崩边瑕疵或亮边瑕疵的判断概率。

在一实施例中，对每个区域的瑕疵按照以下步骤进行判断：

设定判断概率阈值；当每个区域的瑕疵判断概率小于判断概率阈值时，则所述区域为崩边瑕疵；当每个区域的瑕疵判断概率大于或等于判断概率阈值时，则所述区域为亮边瑕疵。

本发明的有益效果是：本发明提供的一种基于图像处理的玻璃边缘瑕疵检测方法，该方法通过计算玻璃边缘没有瑕疵区域的灰度均值，将灰度均值作为灰度图中每个像素点与其邻域像素点的灰度值的算术平均值，来计算每个像素点所在邻域对应的标准差，通过每个像素点对应的标准差判断是否发生较明显偏移；标准差越小，在所对应的窗口内的灰度值与算术平均值的差异越小，越有可能为玻璃边缘中的正常部分，反之标准差越大，差异越大，越有可能为瑕疵部分。从而通过发生的偏移程度来获取具有瑕疵的区域，再根据获取的每个区域的柔和度及每个区域所在玻璃边缘的位置综合判断该区域属于崩边或者亮边瑕疵，实现了能够准确识别出每个区域所属的瑕疵，有效提升了每个区域瑕疵的准确率。

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为本发明的一种基于图像处理的玻璃边缘瑕疵检测方法的实施例总体步骤的流程示意图。

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。

本发明主要针对玻璃在生产加工过程中会在玻璃的边缘产生亮边或崩边瑕疵，对其进行检测，传统检测方法在利用机器识别时因为亮边和崩边瑕疵之间存在的相似性，难以区分属于亮边瑕疵还是崩边瑕疵。为此，本发明提供一种基于图像处理的玻璃边缘瑕疵检测方法。

本发明针对的崩边瑕疵是由于加工时的流水线速度稍快且对玻璃边缘的压力稍大，导致边缘的小部分区域产生崩毁缺失；而亮边是因为在使用磨轮对边缘进行加工时，磨轮的磨损严重或玻璃边缘处中间部分内凹，磨轮与玻璃边缘之间的压力较小，导致玻璃和磨轮之间产生缝隙，从而产生亮边瑕疵。由于导致两种瑕疵的出现，是由于加工工艺的差异，故在玻璃的边缘上同一块区域不可能同时出现两种瑕疵。

本发明提供的一种基于图像处理的玻璃边缘瑕疵检测方法，参见图1所示，包括以下步骤：

S1、获取玻璃边缘的灰度图；

在本实施例中，利用工业相机采集加工生产线上的玻璃边缘图像，其中，采集的玻璃边缘图像时，是将玻璃水平放置，将工业相机对准玻璃侧面而采集的。对原始图像进行图像预处理；另外，由于机器运行而产生的噪声，并对其进行降噪处理，而获取玻璃边缘的灰度图，依次获取比例四个边的边缘灰度图，并对其分别分析瑕疵。

另外，由于玻璃的边缘长度不同，很难通过拍摄一张照片就能将玻璃的某个边缘拍摄完整，因此，设置升降式传送带在平移玻璃并进行采集图像时合适的移动距离，在采集图像的过程中，一个玻璃边缘上会得到多个图像，因此为了对一个边缘进行整体上的检测以及便于观测人员监测，可以将所获取的多个图像进行拼接，获取湖玻璃某一边完整的边缘的灰度图。

S2、获取灰度图中面积最大的连通域；

通过对灰度图连通域检测获取灰度图中多个连通域；并从多个连通域中获取面积最大的连通域；获取面积最大的连通域中所有像素点的灰度均值；为此，获取灰度图中面积最大的连通域及其灰度均值；

需要说明的是，对所获得的某一个玻璃边缘灰度图，即玻璃水平放置时的侧面灰度图像，进行连通域检测，可获取到灰度图中多个连通域，以及对应连通域的面积大小，每个连通域的面积即连通域中的像素点数量，当连通域的数量为1时，则该连通域的面积大小经过图像像素点大小与实际中面积单位之间的换算就等于对应玻璃边缘灰度图整体表面的面积，该玻璃边缘面就是合格没有瑕疵的。

当连通域的数量大于1时，表示在玻璃边缘面中存在瑕疵。另外，若仅通过对连通域位置的分析判断瑕疵类型，由于在磨轮打磨时的角度的倾斜且压力不足时，亮边中心线可能会偏上或偏下；或磨轮打磨时的压力过大，造成崩边稍显严重，中心线位置偏中，故仅通过位置判断的检测方法会过于粗糙，出现大量的检测错误的结果，故需要对该面的玻璃边缘图像进行具体分析。

在本实施例中，由于瑕疵区域在玻璃边缘面所占的面积较小，因此通过获取最大连通域，也就是在玻璃边缘面中没有瑕疵的连通域，通过面积最大的连通域的所有像素点的灰度值及获取面积最大的连通域中所有像素点的灰度均值。将灰度均值作为灰度图中每个像素点与其邻域像素点的灰度值的算术平均值，来计算每个像素点所在邻域对应的标准差，也就是计算每个像素点相对于没有瑕疵区域的灰度标准偏差，来分析崩边或者亮边瑕疵区域，具体如下。

S3、获取标准差图像；

根据灰度图中每个像素点与其邻域像素点的灰度值和所述灰度均值获取每个像素点对应的标准差；并利用每个像素点的标准差对该像素点的灰度值进行替换，获取标准差图像；其中，此处邻域指的是8-领域；

需要说明的是，玻璃边缘处出现崩边和亮边的瑕疵时，崩边和亮边在边缘面的上、下边缘处和边缘面的中部上都存在差异，崩边由于玻璃边缘的两侧出现缺口，所以在崩边瑕疵的边缘处灰度会发生快速变化，内部会有较复杂的明暗变化纹理，发生的位置通常在玻璃边缘的上下两侧；而亮边在边缘处的灰度变化较慢且相对较亮，内部灰度变化少，发生的位置通常在玻璃边缘面的中间部分。

在本实施例中，通过3×3窗口对灰度图进行遍历，将S2中计算的灰度均值作为每个窗口内所有像素点灰度值的算术平均值；通过该算术平均值计算每个窗口中所有像素点灰度值的标准差，将该标准差作为窗口中心像素点所对应的标准差，也可以表示中心像素的标准灰度偏差，反映了每个窗口内灰度相对于算术平均值的偏移程度以反映描述图像中的灰度变化情况；故可根据变化情况对图像中的瑕疵进行检测。当获取的标准差越小，在所对应的窗口内的灰度值与算术平均值的差异越小，越有可能为玻璃边缘中的正常部分，反之值越大，差异越大，越有可能为瑕疵部分。为此，通过计算图像中的最大连通域所对应灰度值之间的标准差，来反映图像中各像素点在灰度上的偏移程度，当出现偏移时，则对应区域出现了灰度变化，可进一步获取发生变化区域，具体将将每个像素点的灰度值通过对应的标准差进行替换，获取标准差图像；

在本实施例中，通过获取的标准差图像中的灰度值可能准确的获取瑕疵位置和范围大小，具体如下。

S4、获取瑕疵像素点所在的区域；

预设瑕疵像素点在所述标准差图像中的灰度区间；统计标准差图像中在所述灰度区间内的所有像素点；获取在所述灰度区间内连续分布的像素点形成的多个区域；并获取所述每个区域所在位置的下限边缘像素点和上限边缘像素点；为此，获取瑕疵像素点所在的区域；

需要说明的是，对于标准差图像中每个像素点的灰度值发生较明显偏移时则灰度值会集中出现于某个区间，根据历史数据预设瑕疵像素点在所述标准差图像中的灰度区间为（10，70），也就是当标准差图像中每个像素点的灰度值在（10，70）区间中，则对应的像素点为瑕疵像素点；

为此，在本实施例中，通过统计标准差图像中在所述灰度区间内的所有像素点；并根据在所述灰度区间内连续分布的像素点形成的多个区域；连续分布的像素点的数量越大，表示瑕疵范围越大，反之越小；其中，获取在所述灰度区间内连续分布的像素点形成的多个区域的过程中，剔除连续分布像素点数量小于10个时所形成的区域。主要是由于经过计算连续分布像素点数量小于10个时在玻璃边缘图像中，数量小于该值的小区域通常为干扰点。并且获取所述每个区域所在位置的下限边缘像素点和上限边缘像素点；其中，所述每个区域所在位置的下限边缘像素点是指每个区域的下边缘最靠下的像素点；同理，所述上限边缘像素点是指每个区域的上边缘最靠上的像素点。

S5、获取每个区域的瑕疵判断概率；

获取每个区域中边缘像素点对应于灰度图中的梯度幅值；根据每个区域中边缘像素点梯度幅值的均值获取每个区域的边缘的柔和度；

根据每个区域所在位置的下限边缘像素点和上限边缘像素点，以及玻璃厚度获取每个区域所在玻璃边缘位置的参数；根据每个区域的边缘的柔和度及每个区域所在玻璃边缘位置的参数获取每个区域的瑕疵判断概率；

在本实施例中，对每个区域进行Canny边缘检测获取边缘像素点，并获取边缘像素点对应于灰度图中的梯度幅值；根据每个区域中边缘像素点梯度幅值的均值获取每个区域的边缘的柔和度；其中，将每个区域中边缘像素点梯度幅值的均值与256的比值作为每个区域的边缘的柔和度。每个区域的边缘的柔和度反映了该区域内边缘的亮度变化快慢，其值越大，变化量越大，越有可能为亮边，反之变化量越小，越有可能为崩边。

需要再次说明的是，玻璃边缘处出现崩边通常出现在玻璃边缘面，也就是侧面的上、下边缘处，而亮边在边缘处的灰度变化较慢且相对较亮，内部灰度变化少，发生的位置通常在玻璃边缘面的中间部分。为次，在本实施例中通过计算每个区域所在玻璃边缘的位置参数来判断，该区域是在玻璃边缘面的具体哪个位置；具体每个区域所在玻璃边缘位置的参数的计算公式如下：

式中，G表示每个区域所在玻璃边缘位置的参数；o表示每个区域所在位置的上限边缘像素点所在的行数；K表示每个区域所在位置的下限边缘像素点所在的行数；m表示玻璃的厚度；min( )表示求取括号内最小值。其中，计算的G的值域范围为

；通过计算位置参数反映了瑕疵横向中心线在玻璃边缘图像的相对位置比例，若参数

越小，说明该区域在边缘面的上或者下边缘处，越有可能为崩边，反之为亮边。

根据每个区域的边缘的柔和度及每个区域所在玻璃边缘位置的参数获取每个区域的瑕疵判断概率；具体将每个区域的边缘的柔和度及每个区域所在玻璃边缘的位置参数的均值作为每个区域的瑕疵判断概率；通过每个区域的边缘的柔和度及每个区域所在玻璃边缘位置的参数综合起来，能够准确反映每个区域具体属于那种瑕疵，有效提升了每个区域瑕疵的准确率。为此，通过瑕疵判断概率对每个区域的瑕疵具体属于那种瑕疵需要进一步判断，具体如下。

S6、根据每个区域的瑕疵判断概率判断每个区域是否属于崩边瑕疵或亮边瑕疵。

对每个区域的瑕疵按照以下步骤进行判断：

设定判断概率阈值；当每个区域的瑕疵判断概率小于判断概率阈值时，则所述区域为崩边瑕疵；当每个区域的瑕疵判断概率大于或等于判断概率阈值时，则所述区域为亮边瑕疵。需要说明的是，在本实施例中，根据经验设置判断概率阈值为0.4。从而实现了玻璃边缘瑕疵的准备检测。

本发明提供的一种基于图像处理的玻璃边缘瑕疵检测方法，该方法通过计算玻璃边缘没有瑕疵区域的灰度均值，将灰度均值作为灰度图中每个像素点与其邻域像素点的灰度值的算术平均值，来计算每个像素点所在邻域对应的标准差，通过每个像素点对应的标准差判断是否发生较明显偏移；标准差越小，在所对应的窗口内的灰度值与算术平均值的差异越小，越有可能为玻璃边缘中的正常部分，反之标准差越大，差异越大，越有可能为瑕疵部分。从而通过发生的偏移程度来获取具有瑕疵的区域，再根据获取的每个区域的柔和度及每个区域所在玻璃边缘的位置综合判断该区域属于崩边或者亮边瑕疵，实现了能够准确识别出每个区域所属的瑕疵，有效提升了每个区域瑕疵的准确率。

以上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 (8)

1.一种基于图像处理的玻璃边缘瑕疵检测方法，其特征在于，包括以下步骤：

获取玻璃边缘的灰度图；

通过对灰度图连通域检测获取灰度图中多个连通域；并从多个连通域中获取面积最大的连通域；获取面积最大的连通域中所有像素点的灰度均值；

根据灰度图中每个像素点与其邻域像素点的灰度值和所述灰度均值获取每个像素点的标准差；并利用每个像素点的标准差对该像素点的灰度值进行替换，获取标准差图像；

获取瑕疵像素点在所述标准差图像中的灰度区间；统计标准差图像中在所述灰度区间内的所有像素点；获取在所述灰度区间内连续分布的像素点形成的多个区域；

获取每个区域中边缘像素点对应于灰度图中的梯度幅值；根据每个区域中边缘像素点梯度幅值的均值获取每个区域的边缘的柔和度；

根据每个区域的边缘的柔和度及每个区域所在玻璃边缘的位置获取每个区域的瑕疵判断概率；

根据每个区域的瑕疵判断概率判断每个区域是否属于崩边瑕疵或亮边瑕疵。

2.根据权利要求1所述的基于图像处理的玻璃边缘瑕疵检测方法，其特征在于，获取在所述灰度区间内连续分布的像素点形成的多个区域的过程中，剔除连续分布像素点数量小于10个时所形成的区域。

3.根据权利要求1所述的基于图像处理的玻璃边缘瑕疵检测方法，其特征在于，将每个区域中边缘像素点梯度幅值的均值与256的比值作为每个区域的边缘的柔和度。

4.根据权利要求1所述的基于图像处理的玻璃边缘瑕疵检测方法，其特征在于，每个区域的瑕疵判断概率是按照以下步骤获取：

获取所述每个区域所在位置的下限边缘像素点和上限边缘像素点；

根据每个区域所在位置的下限边缘像素点和上限边缘像素点，以及玻璃厚度获取每个区域所在玻璃边缘位置的参数；

根据每个区域的边缘的柔和度及每个区域所在玻璃边缘位置的参数获取每个区域的瑕疵判断概率。

5.根据权利要求4所述的基于图像处理的玻璃边缘瑕疵检测方法，其特征在于，所述每个区域所在玻璃边缘位置的参数的计算公式如下：

式中，

表示每个区域所在玻璃边缘位置的参数；

表示每个区域所在位置的上限边缘像素点所在的行数；

表示每个区域所在位置的下限边缘像素点所在的行数；

表示玻璃的厚度；min( )表示求取括号内最小值。

6.根据权利要求5所述的基于图像处理的玻璃边缘瑕疵检测方法，其特征在于，所述每个区域所在位置的下限边缘像素点是指每个区域的下边缘最靠下的像素点；同理，所述上限边缘像素点是指每个区域的上边缘最靠上的像素点。

7.根据权利要求1所述的基于图像处理的玻璃边缘瑕疵检测方法，其特征在于，将每个区域的边缘的柔和度及每个区域所在玻璃边缘的位置参数的均值作为每个区域属于崩边瑕疵或亮边瑕疵的判断概率。

8.根据权利要求1所述的基于图像处理的玻璃边缘瑕疵检测方法，其特征在于，对每个区域的瑕疵按照以下步骤进行判断：

设定判断概率阈值；当每个区域的瑕疵判断概率小于判断概率阈值时，则所述区域为崩边瑕疵；当每个区域的瑕疵判断概率大于或等于判断概率阈值时，则所述区域为亮边瑕疵。

Images