CN115689990A - 一种基于机器视觉的地毯灯杂光缺陷智能检测算法及设备 - Google Patents

Abstract

本发明公开了一种基于机器视觉的地毯灯杂光缺陷智能检测算法及设备，它包括：步骤S1、利用高精度工业相机采集地毯灯在墙面上投射的图案的源图像；步骤S2、使用大津法分割源图像的前景和背景得到二值化图像，同时在源图像上使用自定义滤波器得到一张特征图；步骤S3、对所述步骤S2中的二值化图像依次使用形态学闭运算和膨胀运算；步骤S4、计算出所述步骤S2中二值化图像的连通图，并依据图案的设计尺寸与实际算法测量得到的尺寸进行坐标变换。本发明提供一种基于机器视觉的地毯灯杂光缺陷智能检测算法及设备，解决了目前人眼核查地毯灯杂光精度低、速度慢等问题和基于深度学习的检测技术的样本数据搜集时间长、数据标注工作量大等问题。

Description

一种基于机器视觉的地毯灯杂光缺陷智能检测算法及设备

技术领域

本发明涉及一种基于机器视觉的地毯灯杂光缺陷智能检测算法及设备，属于工业智能检测技术。

背景技术

目前，随着科技的发展和人们需求的转变，汽车车灯已经不仅局限于具备单一的照明功能，而是开始迎合“迎宾”和“送别”等多种场景的装饰需求。地毯灯作为这样一种带有“语义”信息的车灯，受到越来越多的车企关注。由于生产过程中的杂志颗粒、刻蚀工艺等问题，地毯灯照出的图案区域偶尔会有一些杂光缺陷，这些杂光虽然不会影响地毯灯的正常使用，但严重破坏了其美观度。因此地毯灯生产商会对生产出的地毯灯进行严格的杂光检测。

地毯灯的杂光缺陷可以使用肉眼排查，但该方法需要对员工进行频繁换班，否则长时间的视觉工作会造成眼部疲劳，会严重降低检测效果。近年来，无损检测技术的发展为工业外观缺陷检测提供了新思路。机器视觉检测技术以其高准度、快速度、零损耗的优点被推向一个前所未有的研究和应用的高潮。基于深度学习的缺陷检测技术虽然也取得较好的检测效果，但需要花费大量时间搜集样本数据，并投入高额的图像标注成本。

发明内容

本发明所要解决的技术问题是，克服现有技术的不足，提供一种基于机器视觉的地毯灯杂光缺陷智能检测算法及设备，解决了目前人眼核查地毯灯杂光精度低、速度慢等问题和基于深度学习的检测技术的样本数据搜集时间长、数据标注工作量大等问题。

为了解决上述技术问题，本发明的技术方案是：

本发明一方面提供一种基于机器视觉的地毯灯杂光缺陷智能检测算法，它包括：

步骤S1、利用高精度工业相机采集地毯灯在墙面上投射的图案的源图像；

步骤S2、使用大津法分割源图像的前景和背景得到二值化图像，同时在源图像上使用自定义滤波器得到一张特征图；

步骤S3、对所述步骤S2中的二值化图像依次使用形态学闭运算和膨胀运算；

步骤S4、计算出所述步骤S2中二值化图像的连通图，并依据图案的设计尺寸与实际算法测量得到的尺寸进行坐标变换，得到需要进行缺陷检测的ROI区域，剔除所述步骤S3的处理结果中的前景区域，计算出实际缺陷检测区域；

步骤S5、在所述步骤S2的特征图上逐行逐列遍历所述步骤S4中的实际缺陷检测区域，通过阈值比较完成对杂光的识别与定位。

进一步，所述步骤S2中二值化图像的计算公式为：

其中，v为原图二值化前的像素点的灰度值，v'为原图二值化后的像素点的灰度值，K是使得类间方差最大的阈值，c₁为二值化后的前景像素点的灰度值，c₂为二值化后的背景像素点的灰度值。

进一步，类间方差的计算公式为：

其中，

和

分别为二值化后的两类像素点个数，

和

分别为二值化前的两类像素点灰度值的平均值。

进一步，所述步骤S2中的滤波器作用于图像中(x,y)位置的像素表示为：

其中，w(s,t)表示滤波器上第s行、第t列的特征值，f(x+s,y+t)表示图像中第x+s行、第y+t列像素点的灰度值。

进一步，所述滤波器的大小为(2a+1)×(2b+1)。

进一步，所述步骤S3中用于做形态学处理的两个集合定义为A和B，集合B对集合A的闭运算记为A·B，所述闭运算A·B的表达式为：

进一步，所述集合B对集合A的膨胀运算记为

所述膨胀运算记

的表达式为：

其中，Z表示集合A和集合B的并集，z为集合B相对于其原点的位移，c为补集；

集合B对集合A的膨胀就是所有位移z的集合，条件是集合B的前景元素与集合A的至少一个元素重合；

集合B对集合A的闭运算就是集合B的所有不与集合A重叠的平移的并集的补集。

本发明另一方面提供一种基于机器视觉的地毯灯杂光缺陷智能检测设备，它包括视觉控制器、工业相机、显示器和算法移动端，所述算法移动端包括所述的基于机器视觉的地毯灯杂光缺陷智能检测算法。

具体地，所述视觉控制器用于提供不同的照明亮度和照明方式，从而提高照明光源的品质，获得高质量的源图像；

所述工业相机用于采集地毯灯在墙面上投射的图案源图像；

所述显示器用于展示工业相机采集的源图像和经算法检测后标定了缺陷位置的图像。

采用了上述技术方案，本发明利用高精度工业相机采集地毯灯在墙面上投射的图案的源图像；使用大津法分割源图像的前景和背景得到二值化图像，同时在源图像上使用自定义滤波器得到一张特征图；依次对第二步中的二值化图像使用形态学闭运算和膨胀运算；计算出第二步中二值化图像的连通图，并依据图案的设计尺寸与实际算法测量得到的尺寸进行坐标变换，得到需要进行缺陷检测的ROI区域，在此基础上剔除第三步的处理结果中的前景区域，计算出实际的缺陷检测范围；在第二步的特征图上逐行逐列遍历第四步中的检测区域，通过阈值比较完成对杂光的识别与定位。

本发明通过传统的机器视觉处理算法能够快速准确地检测出地毯灯图案的杂光缺陷，在1.8秒内完成对分辨率为2560×1024上1×1mm的杂光缺陷检测，满足工厂检测线的速度要求。与人工检测法相比具有更高的准确率和更快的速度，与基于深度学习的缺陷检测法相比具有更低的样本数据采集、标注成本和模型训练时间开销。

附图说明

图1为本发明的基于机器视觉的地毯灯杂光缺陷智能检测算法的流程图；

图2为本发明的基于机器视觉的地毯灯杂光缺陷智能检测算法的设备使用流程图；

图3为本发明的待检测图像；

图4为本发明的对图3进行大津法操作后的结果图；

图5为本发明的对图4分别进行闭运算和膨胀运算后的结果图；

图6为本发明的图4中前景的连通图；

图7为本发明的需要做检测的ROI区域图；

图8为本发明的算法对杂光的检测结果图。

具体实施方式

为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。

实施例一

如图1所示，本实施例提供一种基于机器视觉的地毯灯杂光缺陷智能检测算法，它包括：

步骤S1、如图3所示，利用高精度工业相机采集地毯灯在墙面上投射的图案的源图像。

步骤S2、使用大津法分割源图像的前景和背景得到二值化图像，同时在源图像上使用自定义滤波器得到一张特征图；大津法与普通二值化方法相比，其自适应阈值机制有助于提高算法对成像图片整体明暗程度变化的鲁棒性。考虑到图像中前景轮廓部分的灰度值有一段渐变过程，实际在生成二值化图像时需要对二值化图像的计算公式中的阈值做微调，改善对前景轮廓部分的分割效果。地毯灯的光源处于图像的右上角，此时图像左下部分较右上部分的灰度值整体偏低，需要将图像沿着对角线切分，对两部分独立地做二值化操作。二值化操作后的结果如图4所示，将光通量定义为一定范围内像素点灰度值的指标，则对杂光缺陷的检测即转换为对高灰度值的像素点的检测。对整幅图像使用滤波器可以计算出所有像素点周围区域内的灰度值指标。该计算过程中，需要对图像边缘外部使用镜像填充或零像素填充一定大小的像素点，以便实现对边缘处的像素点的滤波计算。滤波算子通常设为均值算子，也可视情况设为求和算子或其他自定义算子。滤波器大小和步长视实际需求而定。

步骤S3、对所述步骤S2中的二值化图像依次使用形态学闭运算和膨胀运算；闭运算即依次进行膨胀和腐蚀的操作，用于去除二值化图前景上的细小黑点，因为前景部分不需要参与杂光检测。通过膨胀运算可以将图像前景轮廓的渐变区域遮盖，避免算法在该区域出现杂光缺陷过判，计算结果如图5所示。

步骤S4、计算出所述步骤S2中二值化图像的连通图，并依据图案的设计尺寸与实际算法测量得到的尺寸进行坐标变换，得到需要进行缺陷检测的ROI区域，在此基础上剔除所述步骤S3的处理结果中的前景区域，计算出实际缺陷检测区域。如图6所示，通过计算连通图能够将不相交的前景区别开，这样可以得到每个光条的位置，如图7所示，便于依据该位置信息和检测需求计算出ROI区域。

步骤S5、在所述步骤S2的特征图上逐行逐列遍历所述步骤S4中的实际缺陷检测区域，通过阈值比较完成对杂光的识别与定位。当某像素点的灰度值大于给定阈值，则记为杂光点，检测结果如图8所示。实际上为进一步提高算法对整体环境光照强度的鲁棒性，依据统计学中的3σ法则，计算出检测区域内特征图上所有像素点的灰度平均值和方差，若某点的灰度值大于给定阈值，但在计算出的平均值前后三倍方差区域内，则记为杂光点。

具体地，本实施例的所述步骤S2中二值化图像的计算公式为：

其中，v为原图二值化前的像素点的灰度值，v'为原图二值化后的像素点的灰度值，K是使得类间方差最大的阈值，c₁为二值化后的前景像素点的灰度值，c₂为二值化后的背景像素点的灰度值，一般定为255和0。

类间方差的计算公式为：

其中，

和

分别为二值化后的两类像素点个数，

和

分别为二值化前的两类像素点灰度值的平均值。

具体地，本实施例的所述步骤S2中大小为(2a+1)×(2b+1)的滤波器作用于图像中(x,y)位置的像素表示为：

其中，w(s,t)表示滤波器上第s行、第t列的特征值，f(x+s,y+t)表示图像中第x+s行、第y+t列像素点的灰度值。

具体地，本实施例的所述步骤S3中用于做形态学处理的两个集合定义为A和B，集合B对集合A的闭运算记为A·B，所述闭运算A·B的表达式为：

所述集合B对集合A的膨胀运算记为

所述膨胀运算记

的表达式为：

其中，Z表示集合A和集合B的并集，z为集合B相对于其原点的位移，c为补集；

集合B对集合A的膨胀就是所有位移z的集合，条件是集合B的前景元素与集合A的至少一个元素重合；

集合B对集合A的闭运算就是集合B的所有不与集合A重叠的平移的并集的补集。

实施例二

本实施例提供一种基于机器视觉的地毯灯杂光缺陷智能检测设备，它包括视觉控制器、工业相机、显示器和算法移动端，所述算法移动端包括所述的基于机器视觉的地毯灯杂光缺陷智能检测算法。

具体地，所述视觉控制器用于提供不同的照明亮度和照明方式，从而提高照明光源的品质，获得高质量的源图像；

所述工业相机用于采集地毯灯在墙面上投射的图案源图像；

所述显示器用于展示工业相机采集的源图像和经算法检测后标定了缺陷位置的图像。

以上所述的具体实施例，对本发明解决的技术问题、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、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地毯灯杂光缺陷智能检测算法，其特征在于，它包括：

步骤S1、利用高精度工业相机采集地毯灯在墙面上投射的图案的源图像；

步骤S2、使用大津法分割源图像的前景和背景得到二值化图像，同时在源图像上使用自定义滤波器得到一张特征图；

步骤S3、对所述步骤S2中的二值化图像依次使用形态学闭运算和膨胀运算；

步骤S4、计算出所述步骤S2中二值化图像的连通图，并依据图案的设计尺寸与实际算法测量得到的尺寸进行坐标变换，得到需要进行缺陷检测的ROI区域，剔除所述步骤S3的处理结果中的前景区域，计算出实际缺陷检测区域；

步骤S5、在所述步骤S2的特征图上逐行逐列遍历所述步骤S4中的实际缺陷检测区域，通过阈值比较完成对杂光的识别与定位。

2.根据权利要求1所述的基于机器视觉的地毯灯杂光缺陷智能检测算法，其特征在于，所述步骤S2中二值化图像的计算公式为：

其中，v为原图二值化前的像素点的灰度值，v'为原图二值化后的像素点的灰度值，K是使得类间方差最大的阈值，c₁为二值化后的前景像素点的灰度值，c₂为二值化后的背景像素点的灰度值。

3.根据权利要求2所述的基于机器视觉的地毯灯杂光缺陷智能检测算法，其特征在于，所述类间方差的计算公式为：

其中，

和

分别为二值化后的两类像素点个数，

和

分别为二值化前的两类像素点灰度值的平均值。

4.根据权利要求3所述的基于机器视觉的地毯灯杂光缺陷智能检测算法，其特征在于，所述步骤S2中的滤波器作用于图像中(x,y)位置的像素表示为：

其中，w(s,t)表示滤波器上第s行、第t列的特征值，f(x+s,y+t)表示图像中第x+s行、第y+t列像素点的灰度值。

5.根据权利要求4所述的基于机器视觉的地毯灯杂光缺陷智能检测算法，其特征在于：所述滤波器的大小为(2a+1)×(2b+1)。

6.根据权利要求1所述的基于机器视觉的地毯灯杂光缺陷智能检测算法，其特征在于：所述步骤S3中用于做形态学处理的两个集合定义为A和B，集合B对集合A的闭运算记为A·B，所述闭运算A·B的表达式为：

7.根据权利要求6所述的基于机器视觉的地毯灯杂光缺陷智能检测算法，其特征在于：所述集合B对集合A的膨胀运算记为

所述膨胀运算记

的表达式为：

其中，Z表示集合A和集合B的并集，z为集合B相对于其原点的位移，c为补集；

集合B对集合A的膨胀就是所有位移z的集合，条件是集合B的前景元素与集合A的至少一个元素重合；

集合B对集合A的闭运算就是集合B的所有不与集合A重叠的平移的并集的补集。

8.一种基于机器视觉的地毯灯杂光缺陷智能检测设备，其特征在于：它包括视觉控制器、工业相机、显示器和算法移动端，所述算法移动端包括如根据权利要求1～7中任一项所述的基于机器视觉的地毯灯杂光缺陷智能检测算法。

9.根据权利要求8所述的基于机器视觉的地毯灯杂光缺陷智能检测算法，其特征在于：所述视觉控制器用于提供不同的照明亮度和照明方式。

10.根据权利要求8所述的基于机器视觉的地毯灯杂光缺陷智能检测算法，其特征在于：

所述工业相机用于采集地毯灯在墙面上投射的图案源图像；

所述显示器用于展示工业相机采集的源图像和经算法检测后标定了缺陷位置的图像。

Images