CN115908415B - 基于边缘的缺陷检测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种基于边缘的缺陷检测方法，包括：获取需要进行缺陷检测的待检测产品对应的待检测图像；基于预设的分数阶微分算子确定所述待检测图像中每个像素点的梯度值，确定所述待检测图像的梯度强度图像；确定第一滤波阈值和第二滤波阈值，基于第一滤波阈值和第二滤波阈值对所述梯度强度图像进行边缘阈值分割，得到所述待检测图像的二值化边缘图像；基于所述二值化边缘图像进行缺陷检测，以获取所述待检测图像的缺陷检测结果。此外，本发明实施例还公开了一种基于边缘的缺陷检测装置、设备及存储介质。采用本发明，可以提高弱边缘缺陷和微小缺陷，提高边缘缺陷检测的准确率。

Description

基于边缘的缺陷检测方法、装置、设备及存储介质

技术领域

本发明涉及工业视觉自动化检测技术领域，尤其涉及一种基于边缘的缺陷检测方法、装置、计算机设备及计算机可读存储介质。

背景技术

智能制造最核心的技术就是机器视觉技术。机器视觉来替代人工视觉，大大提高企业的生产效率和生产自动化和智能化程度。机器视觉的核心功能是测量识别定位，其在制造领域的应用主要有视觉测量、视觉定位、视觉引导和视觉检测等，而这些视觉技术领域都会涉及到图像的边缘检测，特别是工业产品的表面缺陷检测，例如锂电极片极耳缺陷检测、手机玻璃盖板瑕疵检测、显示屏缺陷检测以及晶圆硅片瑕疵检测等。因此，边缘检测是处理许多复杂视觉问题的关键，检测出边缘的分割图像就可以对缺陷和瑕疵进行特征提取、缺陷分类以及成因分析，从而利用动态监控与反馈技术对生产线进行实时监控和过程反馈，实时改进生产制造过程和工序作业，降低产品的缺陷率，减少生产成本，提高企业效益。

由于工业生产线光照条件和成像环境比较复杂，往往摄像设备采集到的图像对比度较低，导致有些缺陷与背景区分度低，这样弱化了缺陷或瑕疵的边缘。另外，在产品生产制造过程中，由于环境、设备、工艺和技术等各种原因，产品表面难免会产生多种缺陷。例如手机玻璃盖板有划伤、崩边、脏污、漏光、异色、凹凸点等，锂电池极片缺陷有撕裂、污垢、皱褶、不对称涂层、气泡、划痕、暗痕、漏箔、胶带不良等等。往往这些缺陷中存在弱边缘缺陷和微小缺陷，而在摄像设备采集到的图像中表现为局部对比度低，边缘不清晰。这种弱边缘缺陷用传统的Roberts、Sobel、Prewitt、Canny等算法难以准确边缘检测而导致缺陷漏检。缺陷检测最关键的是如何准确定位和分割出缺陷，而缺陷的定位和分割都是根据所形成目标缺陷的精确边缘检测。

在相关技术方案中，可以通过阈值来实现对边缘的检测，具体通过阈值对边缘梯度强度进行二值化分割，即阈值分割。但是，一般的单阈值简单但可能会分割出噪点或伪边缘点，而双阈值分割会较好地避免噪点和伪边缘点，但是双阈值分割复杂度高，且双阈值的设定需要根据采集的图像，通过多次仿真来人为设置，但这样的阈值适应性较差，而当所要检测的目标缺陷的边缘较弱时，灰度变化就不稳定。

综上，上述边缘检测的方案对边缘的检出效率低，且准确度不高，从而导致基于边缘检测的缺陷检测等工序存在明显的漏检或过检，缺陷检测的准确率较低。

发明内容

基于此，有必要针对上述问题，提出了一种基于边缘的缺陷检测方法、装置、计算机设备及计算机可读存储介质。

在本发明的第一部分，提供了一种基于边缘的缺陷检测方法，所述方法包括：

获取需要进行缺陷检测的待检测产品对应的待检测图像；

基于预设的分数阶微分算子确定所述待检测图像中每个像素点的梯度值，确定所述待检测图像的梯度强度图像；

确定第一滤波阈值和第二滤波阈值，基于第一滤波阈值和第二滤波阈值对所述梯度强度图像进行边缘阈值分割，得到所述待检测图像的二值化边缘图像；

基于所述二值化边缘图像进行缺陷检测，以获取所述待检测图像的缺陷检测结果。

可选的，所述获取需要进行缺陷检测的待检测产品对应的待检测图像的步骤之后，还包括：对所述待检测图像进行图像预处理，所述图像预处理包括图像去噪处理、图像增强处理中的一个或多个。

可选的，所述对所述待检测图像进行图像预处理的步骤，还包括：对所述待检测图像进行双边滤波处理，以得到图像去噪处理之后的待检测图像；

或，基于预设的多尺度高斯滤波算法，对所述待检测图像进行滤波处理，以得到图像增强处理之后的待检测图像；其中，所述基于预设的多尺度高斯滤波算法，对所述待检测图像进行滤波处理的步骤，还包括：确定多个高斯标准差，确定与每一个高斯标准差对应的高斯滤波核，基于每一个高斯滤波核对所述待检测图像进行滤波处理分别得到对应的滤波图像；基于所述待检测图像、多个滤波图像确定多个边缘图像，并基于预设的加权系数对所述多个加权图像进行加权处理以得到图像增强处理之后的待检测图像。

可选的，所述基于预设的分数阶微分算子确定所述待检测图像中每个像素点的梯度值，确定所述待检测图像的梯度强度图像的步骤，还包括：基于预设的分数阶微分算子，计算所述待检测图像中每个像素点在X方向和Y方向上的灰度梯度值以得到每个像素点对应的梯度幅度值和梯度方向，根据所述每个像素点对应的梯度幅度值和梯度方向得到所述所述待检测图像的梯度强度图像；其中，所述预设的分数阶微分算子为分数阶Sobel型对称边缘算子或非对称分数阶边缘算子。

可选的，所述基于预设的分数阶微分算子确定所述待检测图像中每个像素点的梯度值，确定所述待检测图像的梯度强度图像的步骤之后，还包括：对所述梯度强度图像进行非极大值抑制。

可选的，所述基于第一滤波阈值和第二滤波阈值对所述梯度强度图像进行边缘阈值分割，得到所述待检测图像的二值化边缘图像的步骤，还包括：对所述梯度强度图像进行局部均值滤波处理，以得到第一滤波阈值；对所述梯度强度图像进行局部高斯滤波处理，以得到第二滤波阈值；根据预设的加权系数，对所述第一滤波阈值和第二滤波阈值进行处理，以得到第三滤波阈值；基于第三滤波阈值对所述梯度强度图像进行二值化处理，以得到边缘阈值分割之后的二值化边缘图像。

可选的，所述基于第一滤波阈值和第二滤波阈值对所述梯度强度图像进行边缘阈值分割，得到所述待检测图像的二值化边缘图像的步骤之后，还包括：利用形态学闭运算算子，对二值化边缘图像进行修复处理；利用预设的领域模板细化算法，对修复处理之后的二值化边缘图像进行细化处理。

可选的，所述基于所述二值化边缘图像进行缺陷检测，以获取所述待检测图像的缺陷检测结果的步骤，还包括：基于预设的缺陷检测算法获取所述二值化边缘图像中包含的缺陷特征，以获取所述待检测图像的缺陷检测结果。

在本发明的第二部分，提供了一种基于边缘的缺陷检测装置，所述装置包括：

图像获取模块，用于获取需要进行缺陷检测的待检测产品对应的待检测图像；

分数阶边缘梯度计算模块，用于基于预设的分数阶微分算子确定所述待检测图像中每个像素点的梯度值，确定所述待检测图像的梯度强度图像；

自适应边缘检测模块，用于确定第一滤波阈值和第二滤波阈值，基于第一滤波阈值和第二滤波阈值对所述梯度强度图像进行边缘阈值分割，得到所述待检测图像的二值化边缘图像；

边缘缺陷输出模块，用于基于所述二值化边缘图像进行缺陷检测，以获取所述待检测图像的缺陷检测结果。

在本发明的第三部分，提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器有可执行代码，当所述可执行代码在所述处理器上运行以实现如前所述的基于边缘的缺陷检测方法。

在本发明的第四部分，提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行如前所述的基于边缘的缺陷检测方法。

采用本发明实施例，具有如下有益效果：

采用了上述基于边缘的缺陷检测方法、装置、计算机设备及计算机可读存储介质之后，在对产品进行缺陷检测时，针对待检测图像，基于预设的分数阶微分算子确定所述待检测图像中每个像素点的梯度值，确定所述待检测图像的梯度强度图像；确定第一滤波阈值和第二滤波阈值，基于第一滤波阈值和第二滤波阈值对所述梯度强度图像进行边缘阈值分割，得到所述待检测图像的二值化边缘图像；基于所述二值化边缘图像进行缺陷检测，以获取所述待检测图像的缺陷检测结果。也就是说，在本实施例中，通过分数阶微分算子增强低频边缘，更精确的计算弱边缘的梯度幅值和梯度方向，并且通过不同的滤波阈值自适应分割图像中局部强度变化的弱边缘，从而提高弱边缘缺陷和微笑缺陷的检出率，提高了缺陷检测的检测效率，提高了基于边缘的缺陷检测的准确率。

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的前提下，还可以根据这些附图获得其他的附图。

其中：

图1为一个实施例中一种基于边缘的缺陷检测方法的流程示意图；

图2为另一个实施例中一种基于边缘的缺陷检测方法的流程示意图；

图3为一个实施例中对待检测图像进行预处理的流程示意图；

图4为一个实施例中自适应边缘检测的流程示意图；

图5为另一个实施例中自适应边缘检测的流程示意图；

图6为一个实施例中一种基于边缘的缺陷检测方法的功能示意图；

图7为一个实施例中一种基于边缘的缺陷检测装置的结构示意图；

图8为一个实施例中运行上述基于边缘的缺陷检测方法的计算机设备的结构示意图。

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作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。

在本实施例中，提供了一种基于边缘的缺陷检测方法，该方法可以适用于工业应用场景中对产品的缺陷进行检测场景，例如，在玻璃屏幕的生产线或检测工序中对生产的玻璃屏幕进行缺陷检测的工序中，对玻璃屏幕进行缺陷检测，将存在缺陷的玻璃屏幕从中筛选出来，避免进入到下一个工序，从而提高对应的产品的良品率。

需要说明的是，在本实施例中，上述基于边缘的缺陷检测方法可以适用于对锂电池极片、晶圆片以及手机玻璃盖板等低对比度和弱边缘的微小缺陷检测，可以提高边缘的检出率，从而提高基于该边缘检测的缺陷检测的检出率，提高缺陷检测的效率和准确度。

如图1所示，提供了上述基于边缘的缺陷检测方法的流程示意图，其中，该基于边缘的缺陷检测方法包括如图1所示的步骤S102-S108：

步骤S102：获取需要进行缺陷检测的待检测产品对应的待检测图像。

在本实施例中，待检测图像可以是灰度图像，也可以是彩色图像（例如RGB图像），在这里不进行限制。

在获取待检测图像之后，可以进一步的对图像进行图像去噪处理、图像增强处理等图像预处理操作，例如，如图2所示，上述基于边缘的缺陷检测方法还包括：

步骤S103：对所述待检测图像进行图像预处理。

这里，图像预处理包括图像去噪处理、图像增强处理中的一个或多个。

具体的，如图3所示，上述步骤S103可以包括：步骤S1031：对所述待检测图像进行双边滤波处理，以得到图像去噪处理之后的待检测图像。

这里是对待检测图像进行降噪处理。具体的，为了避免高斯滤波对图像弱边缘和微小细节的模糊，可以采用双边滤波进行去噪处理。双边滤波去噪采用非线性双边滤波器，双边滤波的权重不仅考虑了像素间的空间欧氏距离，还考虑了像素范围域中的灰度相似性，突出边缘的局部显著性，它可以达到保持弱边缘细节并降噪平滑的效果。双边滤波的核函数是空间域核域像素范围域核的综合结果。

具体的，设原始的待检测图像（这里指灰度图像）为

，其中，/>

是灰度值。对待检测图像进行双边滤波如下，双边滤波去噪后的图像为/>

，

，

其中，双边滤波核大小为

，其中，/>

为自然数，滤波系数/>

是滤波函数/>

的归一化：

。

在一个具体的实施例中，上述对待检测图像进行双边滤波的双边滤波核的大小可以是

或/>

，参数/>

和/>

可以根据检测场景进行设定，例如选取小于5和20。

在另一个实施例中，和/或，如图3所示，上述步骤S103还可以包括步骤S1032：基于预设的多尺度高斯滤波算法，对所述待检测图像进行滤波处理，以得到图像增强处理之后的待检测图像。

这里是对待检测图像进行图像增强处理，其中，可以是对步骤S1031中进行了图像去噪处理之后的图像继续进行图像增强处理，也可以是直接对待检测图像进行图像增强处理。

具体执行中，基于预设的多尺度高斯滤波算法，对所述待检测图像进行滤波处理以实现对图像的增强处理的具体操作如下：

确定多个高斯标准差，例如，确定3个不同的高斯标准差

，从而可以确定与每一个高斯标准差对应的高斯滤波核，这里得到的是3个不同尺度的高斯滤波核

，分别对应了上述3个不同的高斯标准差/>

；然后基于上述3个不同的高斯标准差/>

对待检测图像或去噪之后的待检测图像进行滤波处理，得到对应的滤波图像。

这里以对图像去噪处理之后的图像

进行滤波处理为例进行说明，得到对应的滤波图像/>

：

，

其中，

表示卷积处理。

进一步的，基于待检测图像

以及上述滤波图像/>

可以得到相应的边缘图像（或称为细节图像）/>

：

。

然后通过对这3个边缘图像进行加权融合来增强待检测图像中的弱边缘和缺陷细节，以得到进行图像增强处理之后的图像

：

，

其中，

是为预设的加权系数，是对图像中的细节进行融合的权重系数，且

。

在本步骤中，通过多尺度细节增强算法来增强低对比度图像，从而可以提高弱边缘缺陷的边缘点的局部对比度，从而可以提高后续对边缘进行检测的检出率。

需要说明的是，上述步骤S1031和步骤S1032在当前实施例中可以是均包含在内的，也可以是仅包含其中一个步骤，在包含步骤S1031和S1032的情况下，先执行步骤S1031再执行步骤S1032，通过多尺度细节增强增强弱边缘缺陷的边缘点局部对比度，使用双边滤波在降噪同时保持缺陷边缘或细节，以免边缘被弱化，从而可以进一步的提高后续边缘检测的检出率。

步骤S104：基于预设的分数阶微分算子确定所述待检测图像中每个像素点的梯度值，确定所述待检测图像的梯度强度图像。

在本步骤中，通过分数阶微分算子，可以增强待检测图像中的低频边缘，从而可以更精确的计算弱边缘的梯度幅值和梯度方向。

具体的，基于预设的分数阶微分算子，计算每个像素点处的灰度值变化强度，即灰度梯度，这里可以采用对称的分数阶微分算子，增强弱边缘缺陷和微小缺陷的边缘梯度强度，从而提高后续边缘检测的准确性。在其他实施例中，预设的分数阶微分算子为分数阶Sobel型对称边缘算子或非对称分数阶边缘算子。

具体的，基于预设的分数阶微分算子，计算所述待检测图像中每个像素点在X方向和Y方向上的灰度梯度值以得到每个像素点对应的梯度幅度值和梯度方向，根据所述每个像素点对应的梯度幅度值和梯度方向得到所述所述待检测图像的梯度强度图像。

其中，X方向和Y方向的分数阶微分算子分别为：

X方向分数阶微分算子：

Y方向分数阶微分算子：

其中，

，其中，/>

的取值可以根据不同的弱边缘缺陷检测确定其具体值，例如根据产品场景、成像环境对应的成像效果所确定的图像中的弱边缘特征，据此进行仿真计算可以确定/>

的具体取值。

由分数阶微分算子计算得到每个像素点

的灰度梯度值/>

为：

，

计算图像每个像素点

的梯度幅值/>

和梯度方向/>

：

，

，

然后由梯度幅值得到待检测图像相应的梯度强度图像

。

进一步的，在步骤S104之后，还可以进一步的对图像进行非极大值抑制，具体的，如图2所示，步骤S104之后还包括：

步骤S105：对所述梯度强度图像进行非极大值抑制。

对于每个像素点

，在其3×3邻域内的8个方向，如果/>

的梯度幅值/>

比其梯度方向上相邻两个像素点的梯度幅值大，将该点定为边缘点，如果该点的梯度幅值

比其梯度方向上相邻两个像素点的梯度幅值小，则此点梯度强度设为0，即为非边缘点。如果像素点/>

的梯度方向与8连通域内的8个方向都不一致时，这时可取梯度方向最相似8个方向的其中一个方向来近似梯度方向进行非极大值抑制。或者在梯度方向上进行梯度幅值插值得到相邻两个点的梯度幅值，然后再在梯度方向来进行非极大值抑制。

经过上述梯度幅值非极大抑制后得到待检测图像

的梯度强度图仍记为

。

步骤S106：确定第一滤波阈值和第二滤波阈值，基于第一滤波阈值和第二滤波阈值对所述梯度强度图像进行边缘阈值分割，得到所述待检测图像的二值化边缘图像。

具体的，在本步骤中，基于计算得到的梯度强度图像进行自适应边缘检测，如图4所示，上述步骤S106还包括：

步骤S1061：对所述梯度强度图像进行局部均值滤波处理，以得到第一滤波阈值；

步骤S1062：对所述梯度强度图像进行局部高斯滤波处理，以得到第二滤波阈值；

步骤S1063：根据预设的加权系数，对所述第一滤波阈值和第二滤波阈值进行处理，以得到第三滤波阈值；

步骤S1064：基于第三滤波阈值对所述梯度强度图像进行二值化处理，以得到边缘阈值分割之后的二值化边缘图像。

具体的，步骤S1061用于产生梯度强度的局部均值阈值，即为第一滤波阈值。

在这个局部均值阈值中，将每个像素与周围像素的平均值进行比较。局部均值阈值为像素

的相邻像素的平均值。局部均值滤波的滤波核为/>

的平均内核：

，

梯度强度图像

和平均内核卷积后得到梯度平均强度图像/>

。

步骤S1062用于产生梯度强度局部高斯滤波阈值（即为第二滤波阈值）。高斯滤波器是一种平滑滤波器，其中滤波核中心像素比周围像素的值更高，有助于模糊尖锐的边缘，可以用高斯滤波器作为阈值来消除非边缘区域。在这个局部高斯滤波阈值中，将每个像素与周围像素的高斯加权值进行比较。局部高斯阈值为像素

的相邻像素的高斯滤波值。高斯滤波的滤波内核为/>

或/>

，由如下高斯核函数生成：

，

其中滤波参数

可以取/>

，也可以根据不同的检测场景调整滤波参数/>

的取值。由高斯滤波核和梯度强度图像/>

卷积后得到梯度高斯强度图像/>

。

步骤S1063用以生成分割边缘的自适应局部阈值矩阵

（即为第三滤波阈值），它是局部均值滤波阈值和局部高斯滤波阈值的加权融合：

，

其中

，不同的缺陷弱边缘检测场景可以调整不同的/>

以达到最佳的检测效果。

步骤S1064用于根据局部阈值矩阵（第三滤波阈值）对梯度强度图像

进行单一阈值分割缺陷边缘点，得到二值化边缘图像/>

：

。

在本步骤中，采用单一局部自适应阈值边缘分割，既避免了人为设置的单一全局阈值分割会漏检弱边缘点，也会产生噪点或伪边缘点，也避免了通过Otsu或者最大熵获取自适应双阈值的复杂度高和在线检测实时性较差，从而提高了边缘分割的准确性和效率。其具体执行过程可以如图5所示。

进一步的，在步骤S106中，对边缘进行分割得到对应的二值化边缘图像之后，为了提高边缘检测的准确率，还需要进一步的对边缘进行修复处理和/或细化处理。

具体的，如图2所示，上述步骤S106之后还包括：

步骤S1071：利用形态学闭运算算子，对二值化边缘图像进行修复处理；

步骤S1072：利用预设的领域模板细化算法，对修复处理之后的二值化边缘图像进行细化处理。

具体的，首先利用形态学闭运算算子对二值化边缘图像

进行处理，修复不连续边缘，得到图像/>

：

，

其中，

为3 × 3的交叉形结构元素，/>

为膨胀运算符，/>

为腐蚀运算符，图像

为形态学修复后的缺陷边缘检测。

然后，利用速度较快细化质量较好的领域模板细化算法，对图像

进行边缘骨干化，得到细化后的缺陷边缘。最终得到的图像用于步骤S108中的缺陷检测。

步骤S108：基于所述二值化边缘图像进行缺陷检测，以获取所述待检测图像的缺陷检测结果。

具体的，基于预设的缺陷检测算法获取所述二值化边缘图像中包含的缺陷特征，以获取所述待检测图像的缺陷检测结果，从而可以检测出包含了各种边缘的缺陷，以提高了缺陷检测的准确率。

具体的，根据需要进行检测的产品，获取其对于缺陷的缺陷特征、类型以及定义，然后提取二值化边缘图像中的缺陷特征，并基于提取到的缺陷特征根据预设的缺陷定义、类型确定其中的缺陷，以获取缺陷检测结果。需要说明的是，提取二值化边缘图像中的缺陷特征时采用的预设的缺陷检测算法可以是任意的缺陷检测算法，在这里不进行限定。其中，缺陷特征是根据产品的不同定义的不同的特征种类。

也就是说，在获取了对缺陷的边缘进行分割细化之后的二值化边缘图像之后，即可根据检测对应的应用场景，按照预设的缺陷检测算法对其中包含的缺陷特征进行计算，从而确定其中是否包含缺陷以及具体包含的缺陷，获取待检测图像中包含的缺陷，即为对应的缺陷检测结果，完成对待检测图像的缺陷的检测。

在另一个实施例中，如图6所示，给出了上述基于边缘的缺陷检测方法实现的各个功能的示意图。其中，包含了图像输入、图像去噪、图像增强、分数阶边缘梯度计算、非极大值抑制、自适应边缘检测、边缘细化和修复以及缺陷边缘输出。

在本实施例中，针对锂电池极片、晶圆以及手机玻璃盖板等低对比度和弱边缘微小缺陷难以在缺陷检测的过程被检测出来的情况，上述基于边缘的缺陷检测方法，通过多尺度细节增强算法增强了弱边缘缺陷的边缘点的局部对比度，并且使用双边滤波在降噪同时保持缺陷边缘或细节，以免边缘被弱化，提高了边缘的检出率；并且，利用分数阶微分算子来增强低频边缘，可以更精确的计算弱边缘的梯度幅值和梯度方向；利用局部均值滤波和局部高斯滤波的融合得到局部边缘分割阈值，局部自适应的对弱边缘缺陷进行有效的分割，从而比较准确检测弱边缘缺陷和微小缺陷。在上述基于边缘的缺陷检测方法中，对于边缘以及包含边缘的缺陷的检测性能稳定，方法复杂度较低，实时性好，边缘检测效率高，缺陷检测准确度高。

在另一个实施例中，如图7所示，还提供了一种基于边缘的缺陷检测装置，其中，该装置包括：

图像获取模块102，用于获取需要进行缺陷检测的待检测产品对应的待检测图像；

分数阶边缘梯度计算模块104，用于基于预设的分数阶微分算子确定所述待检测图像中每个像素点的梯度值，确定所述待检测图像的梯度强度图像；

自适应边缘检测模块106，用于确定第一滤波阈值和第二滤波阈值，基于第一滤波阈值和第二滤波阈值对所述梯度强度图像进行边缘阈值分割，得到所述待检测图像的二值化边缘图像；

边缘缺陷输出模块108，用于基于所述二值化边缘图像进行缺陷检测，以获取所述待检测图像的缺陷检测结果。

在一个可选的实施例中，如图7所示，上述基于边缘的缺陷检测装置还包括图像预处理模块103，用于对所述待检测图像进行图像预处理，所述图像预处理包括图像去噪处理、图像增强处理中的一个或多个。

在一个可选的实施例中，如图7所示，上述图像预处理模块还包括图像去噪单元1031和/或图像增强单元1032，其中，所述图像去噪单元1031用于对所述待检测图像进行双边滤波处理，以得到图像去噪处理之后的待检测图像；所述图像增强单元1032用于基于预设的多尺度高斯滤波算法，对所述待检测图像进行滤波处理，以得到图像增强处理之后的待检测图像。

在一个可选的实施例中，其中，所述图像增强单元1032还用于确定多个高斯标准差，确定与每一个高斯标准差对应的高斯滤波核，基于每一个高斯滤波核对所述待检测图像进行滤波处理分别得到对应的滤波图像；基于所述待检测图像、多个滤波图像确定多个边缘图像，并基于预设的加权系数对所述多个加权图像进行加权处理以得到图像增强处理之后的待检测图像。

在一个可选的实施例中，分数阶边缘梯度计算模块104还用于基于预设的分数阶微分算子，计算所述待检测图像中每个像素点在X方向和Y方向上的灰度梯度值以得到每个像素点对应的梯度幅度值和梯度方向，根据所述每个像素点对应的梯度幅度值和梯度方向得到所述所述待检测图像的梯度强度图像；其中，所述预设的分数阶微分算子为分数阶Sobel型对称边缘算子或非对称分数阶边缘算子。

在一个可选的实施例中，如图7所示，上述基于边缘的缺陷检测装置还包括非极大值抑制模块105，用于对所述梯度强度图像进行非极大值抑制。

在一个可选的实施例中，如图7所示，上述自适应边缘检测模块106还包括：

局部均值滤波单元1061，用于对所述梯度强度图像进行局部均值滤波处理，以得到第一滤波阈值；

局部高斯滤波单元1062，用于对所述梯度强度图像进行局部高斯滤波处理，以得到第二滤波阈值；

局部阈值融合单元1603，用于根据预设的加权系数，对所述第一滤波阈值和第二滤波阈值进行处理，以得到第三滤波阈值；

边缘阈值分割单元1064，用于基于第三滤波阈值对所述梯度强度图像进行二值化处理，以得到边缘阈值分割之后的二值化边缘图像。

在一个可选的实施例中，如图7所示，上述基于边缘的缺陷检测装置还包括边缘细化修复模块107，用于利用形态学闭运算算子，对二值化边缘图像进行修复处理；利用预设的领域模板细化算法，对修复处理之后的二值化边缘图像进行细化处理。

在一个可选的实施例中，边缘缺陷输出模块108还用于基于预设的缺陷检测算法获取所述二值化边缘图像中包含的缺陷特征，以获取所述待检测图像的缺陷检测结果。

图8示出了一个实施例中实现上述基于边缘的缺陷检测方法的计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图8所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现上述方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行上述方法。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

采用了上述基于边缘的缺陷检测方法、装置、计算机设备及计算机可读存储介质之后，在对产品进行缺陷检测时，针对待检测图像，基于预设的分数阶微分算子确定所述待检测图像中每个像素点的梯度值，确定所述待检测图像的梯度强度图像；确定第一滤波阈值和第二滤波阈值，基于第一滤波阈值和第二滤波阈值对所述梯度强度图像进行边缘阈值分割，得到所述待检测图像的二值化边缘图像；基于所述二值化边缘图像进行缺陷检测，以获取所述待检测图像的缺陷检测结果。也就是说，在本实施例中，通过分数阶微分算子增强低频边缘，更精确的计算弱边缘的梯度幅值和梯度方向，并且通过不同的滤波阈值自适应分割图像中局部强度变化的弱边缘，从而提高弱边缘缺陷和微笑缺陷的检出率，提高了缺陷检测的检测效率，提高了基于边缘的缺陷检测的准确率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于边缘的缺陷检测方法，其特征在于，所述方法包括：

获取需要进行缺陷检测的待检测产品对应的待检测图像；

基于预设的分数阶微分算子确定所述待检测图像中每个像素点的梯度值，确定所述待检测图像的梯度强度图像；

确定第一滤波阈值和第二滤波阈值，基于第一滤波阈值和第二滤波阈值对所述梯度强度图像进行边缘阈值分割，得到所述待检测图像的二值化边缘图像；其中，对所述梯度强度图像进行局部均值滤波处理，以得到第一滤波阈值；对所述梯度强度图像进行局部高斯滤波处理，以得到第二滤波阈值；根据预设的加权系数，对所述第一滤波阈值和第二滤波阈值进行加权融合处理，以得到第三滤波阈值；基于第三滤波阈值对所述梯度强度图像进行二值化处理，以得到边缘阈值分割之后的二值化边缘图像；

基于所述二值化边缘图像进行缺陷检测，以获取所述待检测图像的缺陷检测结果。

2.根据权利要求1所述的基于边缘的缺陷检测方法，其特征在于，所述获取需要进行缺陷检测的待检测产品对应的待检测图像的步骤之后，还包括：

对所述待检测图像进行图像预处理，所述图像预处理包括图像去噪处理、图像增强处理中的一个或多个。

3.根据权利要求2所述的基于边缘的缺陷检测方法，其特征在于，所述对所述待检测图像进行图像预处理的步骤，还包括：

对所述待检测图像进行双边滤波处理，以得到图像去噪处理之后的待检测图像；

或，

基于预设的多尺度高斯滤波算法，对所述待检测图像进行滤波处理，以得到图像增强处理之后的待检测图像；

其中，所述基于预设的多尺度高斯滤波算法，对所述待检测图像进行滤波处理的步骤，还包括：

确定多个高斯标准差，确定与每一个高斯标准差对应的高斯滤波核，基于每一个高斯滤波核对所述待检测图像进行滤波处理分别得到对应的滤波图像；

基于所述待检测图像、多个滤波图像确定多个边缘图像，并基于预设的加权系数对所述多个边缘图像进行加权处理以得到图像增强处理之后的待检测图像。

4.根据权利要求1所述的基于边缘的缺陷检测方法，其特征在于，所述基于预设的分数阶微分算子确定所述待检测图像中每个像素点的梯度值，确定所述待检测图像的梯度强度图像的步骤，还包括：

基于预设的分数阶微分算子，计算所述待检测图像中每个像素点在X方向和Y方向上的灰度梯度值以得到每个像素点对应的梯度幅度值和梯度方向，根据所述每个像素点对应的梯度幅度值和梯度方向得到所述待检测图像的梯度强度图像；

其中，所述预设的分数阶微分算子为分数阶Sobel型对称边缘算子或非对称分数阶边缘算子。

5.根据权利要求1所述的基于边缘的缺陷检测方法，其特征在于，所述基于预设的分数阶微分算子确定所述待检测图像中每个像素点的梯度值，确定所述待检测图像的梯度强度图像的步骤之后，还包括：

对所述梯度强度图像进行非极大值抑制。

6.根据权利要求1所述的基于边缘的缺陷检测方法，其特征在于，所述基于第一滤波阈值和第二滤波阈值对所述梯度强度图像进行边缘阈值分割，得到所述待检测图像的二值化边缘图像的步骤之后，还包括：

利用形态学闭运算算子，对二值化边缘图像进行修复处理；

利用预设的领域模板细化算法，对修复处理之后的二值化边缘图像进行细化处理。

7.根据权利要求1所述的基于边缘的缺陷检测方法，其特征在于，所述基于所述二值化边缘图像进行缺陷检测，以获取所述待检测图像的缺陷检测结果的步骤，还包括：

基于预设的缺陷检测算法获取所述二值化边缘图像中包含的缺陷特征，以获取所述待检测图像的缺陷检测结果。

8.一种基于边缘的缺陷检测装置，其特征在于，所述装置包括：

图像获取模块，用于获取需要进行缺陷检测的待检测产品对应的待检测图像；

分数阶边缘梯度计算模块，用于基于预设的分数阶微分算子确定所述待检测图像中每个像素点的梯度值，确定所述待检测图像的梯度强度图像；

自适应边缘检测模块，用于确定第一滤波阈值和第二滤波阈值，基于第一滤波阈值和第二滤波阈值对所述梯度强度图像进行边缘阈值分割，得到所述待检测图像的二值化边缘图像；其中，对所述梯度强度图像进行局部均值滤波处理，以得到第一滤波阈值；对所述梯度强度图像进行局部高斯滤波处理，以得到第二滤波阈值；根据预设的加权系数，对所述第一滤波阈值和第二滤波阈值进行加权融合处理，以得到第三滤波阈值；基于第三滤波阈值对所述梯度强度图像进行二值化处理，以得到边缘阈值分割之后的二值化边缘图像；

边缘缺陷输出模块，用于基于所述二值化边缘图像进行缺陷检测，以获取所述待检测图像的缺陷检测结果。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器有可执行代码，当所述可执行代码在所述处理器上运行以实现如权利要求1至7任一所述的基于边缘的缺陷检测方法。

Images