CN115937182A - 一种多视角机械缺陷视觉检测方法 - Google Patents

一种多视角机械缺陷视觉检测方法 Download PDF

Info

Publication number
CN115937182A
CN115937182A CN202211696524.XA CN202211696524A CN115937182A CN 115937182 A CN115937182 A CN 115937182A CN 202211696524 A CN202211696524 A CN 202211696524A CN 115937182 A CN115937182 A CN 115937182A
Authority
CN
China
Prior art keywords
defect
instrument
matrix
gray
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211696524.XA
Other languages
English (en)
Inventor
王振宇
叶中英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Imv Co ltd
Original Assignee
Wuxi Imv Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuxi Imv Co ltd filed Critical Wuxi Imv Co ltd
Priority to CN202211696524.XA priority Critical patent/CN115937182A/zh
Publication of CN115937182A publication Critical patent/CN115937182A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明涉及机械缺陷检测的技术领域，公开了一种多视角机械缺陷视觉检测方法，所述方法包括：旋转拍摄角度获取待检测仪器的多视角仪器表面图像；对所获取多视角仪器表面图像进行图像去噪增强的预处理；基于缺陷提取目标函数对预处理后的多视角仪器表面图像进行缺陷部分提取；基于仪器表面缺陷特征检测指标体系，对不同视角下含有缺陷部分的子图像进行指标特征提取，检测不同视角下待检测仪器表面是否存在缺陷，并综合判断该仪器表面是否存在缺陷。本发明基于多重滤波弱化图像噪声并增强图像缺陷区域的信息强度以及边缘清晰度，利用自适应遗传优化策略快速求解缺陷提取目标函数，实现不同视角下仪器表面图像的缺陷部分提取以及缺陷检测。

Description

一种多视角机械缺陷视觉检测方法
技术领域
本发明涉及缺陷检测的技术领域，尤其涉及一种多视角机械缺陷视觉检测方法。
背景技术
高精度工业器械生产过程中由于多种工艺因素影响导致产生表面缺陷，影响出厂品质及正常使用。尤其是精密仪器表面缺陷种类多样、尺度小、特征不明显，现有的人工目检难以达到高效、准确的检测要求。同时受客观物理条件限制，用于获取工业器械信息的视觉相机无法仅凭单一视角便获取工件整体表面数据，比如由于视角光线等原因造成仪器表面缺陷漏检等。为了检测到工件表面所有区域可能存在的缺陷，本发明提出一种多视角机械缺陷视觉检测方法，实现对精密器械的全方位精准检测。
发明内容
有鉴于此，本发明提供一种多视角机械缺陷视觉检测方法，目的在于：1)利用去噪滤波函数对待检测仪器表面图像的灰度矩阵依次进行行滤波以及列滤波，平滑表面图像的噪声信息，实现图像中由于视角光线等产生的图像噪声的弱化处理，但弱化噪声的同时也弱化了缺陷部分的信息强度，因此采用多尺度的高斯滤波模板卷积差分处理，对不同尺度下的高斯滤波处理像素进行基于不同尺度差分表示以及梯度权重的像素灰度融合，增强图像缺陷区域的信息强度以及边缘清晰度；2)在缺陷部分提取过程中，采用反向学习策略得到当前迭代个体的反向个体，通过对比当前迭代个体和反向个体，筛选出其中表现较优的个体，作为下一次迭代个体，丰富了种群的多样性，在缺陷提取目标函数过程中，每个个体采用自适应的迭代策略进行算法迭代，表现较好的个体以自身为基编码表示，增强局部可搜索性，表现较差的个体采用随机迭代的方式，使得个体能充分搜索编码表示空间以加快探索，不仅可以较好地平衡种群的多样性以提高解的精度，而且能加快收敛以节约算法的搜索开销。
实现上述目的，本发明提供的一种多视角机械缺陷视觉检测方法，包括以下步骤：
S1：旋转拍摄角度获取待检测仪器的多视角仪器表面图像；
S2：对所获取多视角仪器表面图像进行图像去噪增强的预处理，得到预处理后的多视角仪器表面图像，其中本征尺度分解融合为所述图像去噪增强处理的主要实施方法；
S3：基于缺陷提取目标函数对预处理后的多视角仪器表面图像进行缺陷部分提取，得到不同视角下含有缺陷部分的子图像，其中自适应遗传优化策略为所述仪器表面图像缺陷提取的主要实施策略；
S4：构建仪器表面缺陷特征检测指标体系，所述指标体系包括形状特征以及纹理特征；
S5：基于仪器表面缺陷特征检测指标体系，对不同视角下含有缺陷部分的子图像进行指标特征提取，检测不同视角下待检测仪器表面是否存在缺陷，并基于不同视角下的缺陷检测结果综合判断该仪器表面是否存在缺陷。
作为本发明的进一步改进方法：
可选地，所述S1步骤中获取待检测仪器的多视角仪器表面图像，包括：
利用摄像设备拍摄待缺陷检测仪器的表面图像，每次拍摄后顺时针旋转摄像设备的拍摄角度，得到不同视角下待检测仪器的仪器表面图像
Figure BDA0004022557220000011
其中
Figure BDA0004022557220000012
表示将摄像设备顺时针旋转
Figure BDA0004022557220000013
度后，得到
Figure BDA0004022557220000014
视角下待检测仪器的仪器表面图像，I0表示初始拍摄视角下待检测仪器的仪器表面图像，将不同视角下待检测仪器的仪器表面图像作为待检测仪器的多视角仪器表面图像。
可选地，所述S2步骤中对所获取多视角仪器表面图像进行图像去噪增强的预处理，包括：
根据所获取的多视角仪器表面图像，利用本征尺度分解融合方法对不同视角下待检测仪器的仪器表面图像进行不同尺度下图像特征分解融合的预处理，得到去噪增强后的仪器表面图像，其中本征尺度分解融合方法流程为：
S21：对任意
Figure BDA0004022557220000021
视角下待检测仪器的仪器表面图像进行图像灰度化处理，得到仪器表面图像的灰度矩阵Q，灰度矩阵的大小为M×N，其中M表示仪器表面图像中行像素的数目，N表示仪器表面图像中列像素的数目，灰度矩阵中的元素坐标为仪器表面图像中对应像素的像素坐标，元素值为对应像素的灰度值；在本发明实施例中，像素的灰度值为像素在RGB颜色分量的最大值；
S22：利用去噪滤波函数对灰度矩阵Q依次进行行滤波以及列滤波，得到灰度矩阵中任意元素的灰度滤波结果：
Q′(x,y)＝q(x,y)[1-α2/(Q(x,y))2],x∈[1,M],y∈[1,N]
Figure BDA0004022557220000022
Figure BDA0004022557220000023
Figure BDA0004022557220000024
Figure BDA0004022557220000025
其中：
e表示自然常数；
ω(·)表示去噪滤波函数；
Q(x,y)表示灰度矩阵Q中第x行第y列元素的元素值，q(x,y)表示灰度矩阵Q中第x行第y列元素的滤波系数，Q′(x,y)表示灰度矩阵Q中第x行第y列元素的灰度滤波结果，其中滤波结果即为弱化噪声后的处理结果；
a表示滤波尺度，maxa∈[1,5]{qa(x,y)}表示在a∈[1,5]尺度下灰度矩阵Q中第x行第y列元素的灰度滤波结果最大值；
σσ表示灰度矩阵Q中的元素值标准差；
α表示预设置的滤波阈值；
并将所有元素的灰度滤波结果构建为灰度滤波矩阵Q′；
S23：构建不同尺度σ1,σ2,σ3的高斯滤波模板，其中高斯滤波模板为3×3的矩阵形式，σ1＝1，σ2＝2，σ3＝3；
在本发明实施例中，高斯滤波模板的构建流程为：
设置初始高斯滤波模板：
Figure BDA0004022557220000026
其中：
Figure BDA0004022557220000027
表示尺度为σi的初始高斯滤波模板中第x′行第y′列元素的元素值；
对初始高斯滤波模板中各元素的元素值进行归一化处理，使得全部元素相加为1，得到尺度为σi的高斯滤波模板
Figure BDA0004022557220000028
S24：将不同尺度的高斯滤波模板与灰度滤波矩阵Q′的任意元素进行卷积操作：
Figure BDA0004022557220000029
其中：
Figure BDA00040225572200000210
表示尺度为σi的高斯滤波模板，
Figure BDA00040225572200000211
表示经高斯滤波模板
Figure BDA00040225572200000212
滤波处理后，第x行第y列元素的元素值；
将所有元素的高斯滤波处理后结果构成矩阵Q″(σi)；
S25：计算灰度滤波矩阵Q′与不同尺度下矩阵Q″(σi)的差分矩阵，其中矩阵中任意元素(x,y)的差分表示为：
Figure BDA0004022557220000031
其中：
Figure BDA0004022557220000032
表示第x行第y列元素与尺度σi的差分表示；
S26：基于不同尺度的差分表示，对灰度矩阵中的元素进行重构，将重构得到的矩阵作为预处理后仪器表面图像像素矩阵，实现基于不同尺度差分表示以及梯度权重的像素灰度融合，增强图像缺陷区域的信息强度以及边缘清晰度，其中任意元素(x,y)的重构元素值为：
Figure BDA0004022557220000033
Figure BDA0004022557220000034
其中：
Q″′(x,y)表示元素(x,y)的重构元素值；
wi,(x,y)表示元素(x,y)在尺度σi的梯度权重。
可选地，所述S3步骤中确定缺陷提取目标函数，包括：
为任意
Figure BDA0004022557220000035
视角下的仪器表面图像确定缺陷提取目标函数
Figure BDA0004022557220000036
Figure BDA0004022557220000037
其中：
Figure BDA0004022557220000038
表示
Figure BDA0004022557220000039
视角下的仪器表面图像的缺陷灰度阈值，将仪器表面图像像素矩阵中元素值高于缺陷灰度阈值的元素标记为缺陷元素，其余元素标记为非缺陷元素；
Figure BDA00040225572200000310
表示任意
Figure BDA00040225572200000311
视角下仪器表面图像像素矩阵中的平均灰度值；
Figure BDA00040225572200000312
表示所标记缺陷元素的平均元素值，
Figure BDA00040225572200000313
表示所标记非缺陷元素的平均元素值；
Figure BDA00040225572200000314
表示所标记缺陷元素数目占矩阵元素总数的比例，
Figure BDA00040225572200000315
表示所非标记缺陷元素数目占矩阵元素总数的比例；
在本发明实施例中，仪器表面图像像素矩阵中缺陷元素区域所对应的像素区域即为缺陷像素区域。
可选地，所述S3步骤中基于缺陷提取目标函数对预处理后的多视角仪器表面图像进行缺陷部分提取，包括：
利用自适应遗传优化策略对预处理后不同
Figure BDA00040225572200000316
视角下仪器表面图像的缺陷提取目标函数
Figure BDA00040225572200000317
进行求解，得到
Figure BDA00040225572200000318
视角下仪器表面图像的缺陷灰度阈值
Figure BDA00040225572200000319
将仪器表面图像像素矩阵中元素值高于缺陷灰度阈值
Figure BDA00040225572200000320
的元素标记为缺陷元素，其余元素标记为非缺陷元素，得到不同视角下标记缺陷区域的仪器表面图像像素矩阵，将预处理后仪器表面图像像素矩阵中含有80％缺陷元素的区域作为含有缺陷部分的子图像，其中
Figure BDA00040225572200000321
缺陷提取目标函数的求解流程为：
S31：输入预处理后所有视角下仪器表面图像的像素矩阵以及对应的缺陷提取目标函数，并将任意
Figure BDA00040225572200000322
视角的缺陷提取目标函数进行重构，重构后的目标函数F为：
Figure BDA00040225572200000323
重构后的目标函数将不同视角下的缺陷提取目标函数分成四组，每组中包括相邻视角下的缺陷提取目标函数，每组的权重为相邻视角下缺陷灰度阈值之差的绝对值；
S32：生成U个个体构成种群，并随机初始化每个个体的编码表示，每个个体的编码表示为8种不同视角的缺陷灰度阈值，其中种群中第u个个体的初始编码表示为ru(0)＝[ru,1(0),ru,2(0),...,ru,8(0)]，其中ru,8(0)表示初始编码表示ru(0)中第8种视角的缺陷灰度阈值，每种缺陷灰度阈值的取值范围为0-255，
Figure BDA0004022557220000041
k的顺序取值依次表示8种视角；
S33：基于种群生成包含U个反向个体的反向种群，其中反向种群中第u个个体的初始编码表示为
Figure BDA0004022557220000042
S34：设置自适应遗传优化策略的当前迭代次数为t，最大迭代次数为Max，其中t的初始值为0，初始化自适应阈值ε＝0；则种群中第u个个体在第t次迭代的编码表示为ru(t)，对应反向个体的编码表示为
Figure BDA0004022557220000043
S35：将种群以及反向种群中个体的编码表示代入到重构后的目标函数F中，得到对应编码表示的目标函数值，其中种群中第u个个体在第t次迭代的目标函数值为F(ru(t))，对应反向个体的目标函数值为
Figure BDA0004022557220000044
S36：比较种群中任意个体与对应反向个体的目标函数值，若反向个体的目标函数值更小，则将种群中个体的编码表示替换为对应反向个体的编码表示；
S37：按照目标函数值降序对种群中的个体进行排序，对降序排序后的前ε个个体的编码表示采取如下编码表示更新策略：
Figure BDA0004022557220000045
其中：
Figure BDA0004022557220000046
表示种群中随机个体的编码表示，β表示比例因子，将其设置为0.6；
rε(t)表示第t次迭代后前ε个个体的编码表示；
对其余个体采用如下编码表示更新策略：
Figure BDA0004022557220000047
其中：
Figure BDA0004022557220000048
表示种群中随机个体的编码表示，r1-ε(t+1)表示其余个体的编码表示更新结果；
S38：若t+1<Max，依次令t＝t+1，
Figure BDA0004022557220000049
返回步骤S33；否则计算当前种群内所有个体的目标函数值，将最小目标函数值所对应的编码表示作为求解得到的不同视角下的缺陷灰度阈值，基于不同视角下的缺陷灰度阈值标记不同视角下仪器表面图像像素矩阵中的缺陷元素。
可选地，所述S4步骤中构建仪器表面缺陷特征检测指标体系，包括：
构建仪器表面特征检测指标体系，所构建仪器表面特征检测指标体系中包括缺陷部分形状特征以及纹理特征，缺陷部分形状特征表示缺陷部分的面积，纹理特征表示缺陷区域内像素的灰度值变化情况。
可选地，所述S5步骤中基于仪器表面缺陷特征检测指标体系，对不同视角下含有缺陷部分的子图像进行指标特征提取，包括：
基于仪器表面缺陷特征检测指标体系，对不同
Figure BDA00040225572200000410
视角下含有缺陷部分的子图像进行指标特征提取，其中指标特征提取流程为：
计算待检测仪器在不同视角下含有缺陷部分的子图像数目以及不同子图像的面积作为缺陷部分形状特征
Figure BDA00040225572200000411
其中
Figure BDA00040225572200000412
表示在
Figure BDA00040225572200000413
视角下含有缺陷部分的子图像数目，
Figure BDA00040225572200000414
表示在
Figure BDA00040225572200000415
视角下不同子图像的面积，
Figure BDA00040225572200000416
表示其中第
Figure BDA00040225572200000417
个子图像的面积，在本发明实施例中，仪器表面图像像素矩阵中含有80％缺陷元素的区域作为含有缺陷部分的子图像；
计算待检测仪器在
Figure BDA00040225572200000418
视角下含有缺陷部分的子图像的灰度共生矩阵作为
Figure BDA00040225572200000419
视角的缺陷部分纹理特征，其中灰度共生矩阵的形式为：
Figure BDA0004022557220000051
其中：
count(0,255)表示在预处理后
Figure BDA0004022557220000052
视角下含有缺陷部分的子图像中，水平方向相邻元素的元素值依次为0,255的元素对数目。
可选地，所述S5步骤中根据所提取的指标特征，检测不同视角下待检测仪器表面是否存在缺陷，包括：
预设置形状指标阈值以及纹理特征阈值，其中形状指标阈值为特征向量形式，包括含有缺陷部分的子图像数目以及不同子图像的面积，纹理特征阈值为含有明显缺陷的图像的灰度共生矩阵；
根据所提取的指标特征，检测不同视角下待检测仪器表面是否存在缺陷，其中检测流程为：
S51：计算任意
Figure BDA0004022557220000053
视角下含有缺陷部分的子图像数目以及不同子图像的面积作为
Figure BDA0004022557220000054
视角下形状指标特征，并计算
Figure BDA0004022557220000055
视角下形状指标特征与形状指标阈值的相关，将计算结果作为
Figure BDA0004022557220000056
视角下待检测仪器表面存在形状缺陷的概率
Figure BDA0004022557220000057
S52：计算任意
Figure BDA0004022557220000058
视角下含有缺陷部分的子图像的灰度共生矩阵与纹理特征阈值相关，将计算结果作为
Figure BDA0004022557220000059
视角下待检测仪器表面存在纹理缺陷的概率
Figure BDA00040225572200000510
S53：将
Figure BDA00040225572200000511
作为任意
Figure BDA00040225572200000512
视角下待检测仪器表面存在缺陷的概率
Figure BDA00040225572200000513
可选地，所述S5步骤中基于不同视角下的缺陷检测结果综合判断该仪器表面是否存在缺陷，包括：
基于不同视角下的缺陷检测结果综合判断该仪器表面是否存在缺陷，其中缺陷综合检测判断公式为：
Figure BDA00040225572200000514
其中：
p表示缺陷检测结果，若p大于预设置的检测概率阈值，则表示仪器表面存在缺陷。
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及
处理器，执行所述存储器中存储的指令以实现上述所述的多视角机械缺陷视觉检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的多视角机械缺陷视觉检测方法。
相对于现有技术，本发明提出一种多视角机械缺陷视觉检测方法，该技术具有以下优势：
首先，本方案提出一种图像去噪增强方法，根据所获取的多视角仪器表面图像，利用本征尺度分解融合方法对不同视角下待检测仪器的仪器表面图像进行不同尺度下图像特征分解融合的预处理，得到去噪增强后的仪器表面图像，其中本征尺度分解融合方法流程为：对任意
Figure BDA00040225572200000515
视角下待检测仪器的仪器表面图像进行图像灰度化处理，得到仪器表面图像的灰度矩阵Q，灰度矩阵的大小为M×N，其中M表示仪器表面图像中行像素的数目，N表示仪器表面图像中列像素的数目，灰度矩阵中的元素坐标为仪器表面图像中对应像素的像素坐标，元素值为对应像素的灰度值；利用去噪滤波函数对灰度矩阵Q依次进行行滤波以及列滤波，得到灰度矩阵中任意元素的灰度滤波结果：
Q′(x,y)＝q(x,y)[1-α2/(Q(x,y))2],x∈[1,M],y∈[1,N]
Figure BDA0004022557220000061
Figure BDA0004022557220000062
Figure BDA0004022557220000063
Figure BDA0004022557220000064
其中：e表示自然常数；ω(·)表示去噪滤波函数；Q(x,y)表示灰度矩阵Q中第x行第y列元素的元素值，q(x,y)表示灰度矩阵Q中第x行第y列元素的滤波系数，Q′(x,y)表示灰度矩阵Q中第x行第y列元素的灰度滤波结果；a表示滤波尺度，maxa∈[1,5]{qa(x,y)}表示在a∈[1,5]尺度下灰度矩阵Q中第x行第y列元素的灰度滤波结果最大值；σQ表示灰度矩阵Q中的元素值标准差；α表示预设置的滤波阈值；并将所有元素的灰度滤波结果构建为灰度滤波矩阵Q′；构建不同尺度σ1,σ2,σ3的高斯滤波模板，其中高斯滤波模板为3×3的矩阵形式，σ1＝1，σ2＝2，σ3＝3；将不同尺度的高斯滤波模板与灰度滤波矩阵Q′的任意元素进行卷积操作：
Figure BDA0004022557220000065
其中：
Figure BDA0004022557220000066
表示尺度为σi的高斯滤波模板，
Figure BDA0004022557220000067
表示经高斯滤波模板
Figure BDA0004022557220000068
滤波处理后，第x行第y列元素的元素值；将所有元素的高斯滤波处理后结果构成矩阵Q″(σi)；计算灰度滤波矩阵Q′与不同尺度下矩阵Q″(σi)的差分矩阵，其中矩阵中任意元素(x,y)的差分表示为：
Figure BDA0004022557220000069
其中：
Figure BDA00040225572200000610
表示第x行第y列元素与尺度σi的差分表示；基于不同尺度的差分表示，对灰度矩阵中的元素进行重构，将重构得到的矩阵作为预处理后仪器表面图像像素矩阵，其中任意元素(x,y)的重构元素值为：
Figure BDA00040225572200000611
Figure BDA00040225572200000612
其中：Q″′(x,y)表示元素(x,y)的重构元素值；wi,(x,y)表示元素(x,y)在尺度σi的梯度权重。本方案利用去噪滤波函数对待检测仪器表面图像的灰度矩阵依次进行行滤波以及列滤波，平滑表面图像的噪声信息，实现图像中由于视角光线等产生的图像噪声的弱化处理，但弱化噪声的同时也弱化了缺陷部分的信息强度，因此采用多尺度的高斯滤波模板卷积差分处理，对不同尺度下的高斯滤波处理像素进行基于不同尺度差分表示以及梯度权重的像素灰度融合，增强图像缺陷区域的信息强度以及边缘清晰度。
同时，本方案提出一种缺陷部分提取流程，通过构建不同视角下仪器表面图像的缺陷提取目标函数，输入预处理后所有视角下仪器表面图像的像素矩阵以及对应的缺陷提取目标函数，并将任意
Figure BDA00040225572200000613
视角的缺陷提取目标函数进行重构，重构后的目标函数F为：
Figure BDA00040225572200000614
重构后的目标函数将不同视角下的缺陷提取目标函数分成四组，每组中包括相邻视角下的缺陷提取目标函数，每组的权重为相邻视角下缺陷灰度阈值之差的绝对值；生成U个个体构成种群，并随机初始化每个个体的编码表示，每个个体的编码表示为8种不同视角的缺陷灰度阈值，其中种群中第u个个体的初始编码表示为
ru(0)＝[ru,1(0),ru,2(0),...,ru,8(0)]，其中ru,8(0)表示初始编码表示ru(0)中第8种视角的缺陷灰度阈值，每种缺陷灰度阈值的取值范围为0-255，
Figure BDA0004022557220000071
k的顺序取值依次表示8种视角；基于种群生成包含U个反向个体的反向种群，其中反向种群中第u个个体的初始编码表示为
Figure BDA0004022557220000072
设置自适应遗传优化策略的当前迭代次数为t，最大迭代次数为Max，其中t的初始值为0，初始化自适应阈值ε＝0；则种群中第u个个体在第t次迭代的编码表示为ru(t)，对应反向个体的编码表示为
Figure BDA0004022557220000073
将种群以及反向种群中个体的编码表示代入到重构后的目标函数F中，得到对应编码表示的目标函数值，其中种群中第u个个体在第t次迭代的目标函数值为F(ru(t))，对应反向个体的目标函数值为
Figure BDA0004022557220000074
比较种群中任意个体与对应反向个体的目标函数值，若反向个体的目标函数值更小，则将种群中个体的编码表示替换为对应反向个体的编码表示；按照目标函数值降序对种群中的个体进行排序，对降序排序后的前ε个个体的编码表示采取如下编码表示更新策略：
Figure BDA0004022557220000075
其中：
Figure BDA0004022557220000076
表示种群中随机个体的编码表示，β表示比例因子，将其设置为0.6；
rε(t)表示第t次迭代后前ε个个体的编码表示；对其余个体采用如下编码表示更新策略：
Figure BDA0004022557220000077
其中：
Figure BDA0004022557220000078
表示种群中随机个体的编码表示，r1-ε(t+1)表示其余个体的编码表示更新结果；若t+1<Max，依次令t＝t+1，
Figure BDA0004022557220000079
重新生成反向个体进行算法迭代；否则计算当前种群内所有个体的目标函数值，将最小目标函数值所对应的编码表示作为求解得到的不同视角下的缺陷灰度阈值，基于不同视角下的缺陷灰度阈值标记不同视角下仪器表面图像像素矩阵中的缺陷元素。在缺陷部分提取过程中，本方案采用反向学习策略得到当前迭代个体的反向个体，通过对比当前迭代个体和反向个体，筛选出其中表现较优的个体，作为下一次迭代个体，丰富了种群的多样性，在缺陷提取目标函数过程中，每个个体采用自适应的迭代策略进行算法迭代，表现较好的个体以自身为基编码表示，增强局部可搜索性，表现较差的个体采用随机迭代的方式，使得个体能充分搜索编码表示空间以加快探索，不仅可以较好地平衡种群的多样性以提高解的精度，而且能加快收敛以节约算法的搜索开销，快速实现缺陷部分提取，并根据缺陷部分提取结果，对不同视角下含有缺陷部分的子图像进行指标特征提取，检测不同视角下待检测仪器表面是否存在缺陷，并基于不同视角下的缺陷检测结果综合判断该仪器表面是否存在缺陷。
附图说明
图1为本发明一实施例提供的一种多视角机械缺陷视觉检测方法的流程示意图；
图2为本发明一实施例提供的实现多视角机械缺陷视觉检测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种多视角机械缺陷视觉检测方法。所述多视角机械缺陷视觉检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述多视角机械缺陷视觉检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：旋转拍摄角度获取待检测仪器的多视角仪器表面图像。
所述S1步骤中获取待检测仪器的多视角仪器表面图像，包括：
利用摄像设备拍摄待缺陷检测仪器的表面图像，每次拍摄后顺时针旋转摄像设备的拍摄角度，得到不同视角下待检测仪器的仪器表面图像
Figure BDA0004022557220000081
其中
Figure BDA0004022557220000082
表示将摄像设备顺时针旋转
Figure BDA0004022557220000083
度后，得到
Figure BDA0004022557220000084
视角下待检测仪器的仪器表面图像，I0表示初始拍摄视角下待检测仪器的仪器表面图像，将不同视角下待检测仪器的仪器表面图像作为待检测仪器的多视角仪器表面图像。
S2：对所获取多视角仪器表面图像进行图像去噪增强的预处理，得到预处理后的多视角仪器表面图像，其中本征尺度分解融合为所述图像去噪增强处理的主要实施方法。
所述S2步骤中对所获取多视角仪器表面图像进行图像去噪增强的预处理，包括：
根据所获取的多视角仪器表面图像，利用本征尺度分解融合方法对不同视角下待检测仪器的仪器表面图像进行不同尺度下图像特征分解融合的预处理，得到去噪增强后的仪器表面图像，其中本征尺度分解融合方法流程为：
S21：对任意
Figure BDA00040225572200000810
视角下待检测仪器的仪器表面图像进行图像灰度化处理，得到仪器表面图像的灰度矩阵Q，灰度矩阵的大小为M×N，其中M表示仪器表面图像中行像素的数目，N表示仪器表面图像中列像素的数目，灰度矩阵中的元素坐标为仪器表面图像中对应像素的像素坐标，元素值为对应像素的灰度值；在本发明实施例中，像素的灰度值为像素在RGB颜色分量的最大值；
S22：利用去噪滤波函数对灰度矩阵Q依次进行行滤波以及列滤波，得到灰度矩阵中任意元素的灰度滤波结果：
Q′(x,y)＝q(x,y)[1-α2/(Q(x,y))2],x∈[1,M],y∈[1,N]
Figure BDA0004022557220000085
Figure BDA0004022557220000086
Figure BDA0004022557220000087
Figure BDA0004022557220000088
其中：
e表示自然常数；
ω(·)表示去噪滤波函数；
Q(x,y)表示灰度矩阵Q中第x行第y列元素的元素值，q(x,y)表示灰度矩阵Q中第x行第y列元素的滤波系数，Q′(x,y)表示灰度矩阵Q中第x行第y列元素的灰度滤波结果，其中滤波结果即为弱化噪声后的处理结果；
a表示滤波尺度，maxa∈[1,5]{qa(x,y)}表示在a∈[1,5]尺度下灰度矩阵Q中第x行第y列元素的灰度滤波结果最大值；
σQ表示灰度矩阵Q中的元素值标准差；
α表示预设置的滤波阈值；
并将所有元素的灰度滤波结果构建为灰度滤波矩阵Q′；
S23：构建不同尺度σ1,σ2,σ3的高斯滤波模板，其中高斯滤波模板为3×3的矩阵形式，σ1＝1，σ2＝2，σ3＝3；
在本发明实施例中，高斯滤波模板的构建流程为：
设置初始高斯滤波模板：
Figure BDA0004022557220000089
其中：
Gσi(x′,y′)表示尺度为σi的初始高斯滤波模板中第x′行第y′列元素的元素值；
对初始高斯滤波模板中各元素的元素值进行归一化处理，使得全部元素相加为1，得到尺度为σi的高斯滤波模板
Figure BDA0004022557220000091
S24：将不同尺度的高斯滤波模板与灰度滤波矩阵Q′的任意元素进行卷积操作：
Figure BDA0004022557220000092
其中：
Figure BDA0004022557220000093
表示尺度为σi的高斯滤波模板，
Figure BDA0004022557220000094
表示经高斯滤波模板
Figure BDA0004022557220000095
滤波处理后，第x行第y列元素的元素值；
将所有元素的高斯滤波处理后结果构成矩阵Q″(σi)；
S25：计算灰度滤波矩阵Q′与不同尺度下矩阵Q″(σi)的差分矩阵，其中矩阵中任意元素(x,y)的差分表示为：
Figure BDA0004022557220000096
其中：
Figure BDA0004022557220000097
表示第x行第y列元素与尺度σi的差分表示；
S26：基于不同尺度的差分表示，对灰度矩阵中的元素进行重构，将重构得到的矩阵作为预处理后仪器表面图像像素矩阵，实现基于不同尺度差分表示以及梯度权重的像素灰度融合，增强图像缺陷区域的信息强度以及边缘清晰度，其中任意元素(x,y)的重构元素值为：
Figure BDA0004022557220000098
Figure BDA0004022557220000099
其中：
Q″′(x,y)表示元素(x,y)的重构元素值；
wi,(x,y)表示元素(x,y)在尺度σi的梯度权重。
S3：基于缺陷提取目标函数对预处理后的多视角仪器表面图像进行缺陷部分提取，得到不同视角下含有缺陷部分的子图像，其中自适应遗传优化策略为所述仪器表面图像缺陷提取的主要实施策略。
所述S3步骤中确定缺陷提取目标函数，包括：
为任意
Figure BDA00040225572200000910
视角下的仪器表面图像确定缺陷提取目标函数
Figure BDA00040225572200000911
Figure BDA00040225572200000912
其中：
Figure BDA00040225572200000913
表示
Figure BDA00040225572200000914
视角下的仪器表面图像的缺陷灰度阈值，将仪器表面图像像素矩阵中元素值高于缺陷灰度阈值的元素标记为缺陷元素，其余元素标记为非缺陷元素；
Figure BDA00040225572200000915
表示任意
Figure BDA00040225572200000916
视角下仪器表面图像像素矩阵中的平均灰度值；
Figure BDA00040225572200000917
表示所标记缺陷元素的平均元素值，
Figure BDA00040225572200000918
表示所标记非缺陷元素的平均元素值；
Figure BDA00040225572200000919
表示所标记缺陷元素数目占矩阵元素总数的比例，
Figure BDA00040225572200000920
表示所非标记缺陷元素数目占矩阵元素总数的比例；
在本发明实施例中，仪器表面图像像素矩阵中缺陷元素区域所对应的像素区域即为缺陷像素区域。
所述S3步骤中基于缺陷提取目标函数对预处理后的多视角仪器表面图像进行缺陷部分提取，包括：
利用自适应遗传优化策略对预处理后不同
Figure BDA00040225572200000921
视角下仪器表面图像的缺陷提取目标函数
Figure BDA00040225572200000922
进行求解，得到
Figure BDA00040225572200000923
视角下仪器表面图像的缺陷灰度阈值
Figure BDA00040225572200000924
将仪器表面图像像素矩阵中元素值高于缺陷灰度阈值
Figure BDA00040225572200000925
的元素标记为缺陷元素，其余元素标记为非缺陷元素，得到不同视角下标记缺陷区域的仪器表面图像像素矩阵，将预处理后仪器表面图像像素矩阵中含有80％缺陷元素的区域作为含有缺陷部分的子图像，其中
Figure BDA0004022557220000101
缺陷提取目标函数的求解流程为：
S31：输入预处理后所有视角下仪器表面图像的像素矩阵以及对应的缺陷提取目标函数，并将任意
Figure BDA0004022557220000102
视角的缺陷提取目标函数进行重构，重构后的目标函数F为：
Figure BDA0004022557220000103
重构后的目标函数将不同视角下的缺陷提取目标函数分成四组，每组中包括相邻视角下的缺陷提取目标函数，每组的权重为相邻视角下缺陷灰度阈值之差的绝对值；
S32：生成U个个体构成种群，并随机初始化每个个体的编码表示，每个个体的编码表示为8种不同视角的缺陷灰度阈值，其中种群中第u个个体的初始编码表示为ru(0)＝[ru，1(0),ru，2(0),...,ru，8(0)]，其中ru，8(0)表示初始编码表示ru(0)中第8种视角的缺陷灰度阈值，每种缺陷灰度阈值的取值范围为0-255，
Figure BDA0004022557220000104
k的顺序取值依次表示8种视角；
S33：基于种群生成包含U个反向个体的反向种群，其中反向种群中第u个个体的初始编码表示为
Figure BDA0004022557220000105
S34：设置自适应遗传优化策略的当前迭代次数为t，最大迭代次数为Max，其中t的初始值为0，初始化自适应阈值ε＝0；则种群中第u个个体在第t次迭代的编码表示为ru(t)，对应反向个体的编码表示为
Figure BDA0004022557220000106
S35：将种群以及反向种群中个体的编码表示代入到重构后的目标函数F中，得到对应编码表示的目标函数值，其中种群中第u个个体在第t次迭代的目标函数值为F(ru(t))，对应反向个体的目标函数值为
Figure BDA0004022557220000107
S36：比较种群中任意个体与对应反向个体的目标函数值，若反向个体的目标函数值更小，则将种群中个体的编码表示替换为对应反向个体的编码表示；
S37：按照目标函数值降序对种群中的个体进行排序，对降序排序后的前ε个个体的编码表示采取如下编码表示更新策略：
Figure BDA0004022557220000108
其中：
Figure BDA0004022557220000109
表示种群中随机个体的编码表示，β表示比例因子，将其设置为0.6；
rε(t)表示第t次迭代后前ε个个体的编码表示；
对其余个体采用如下编码表示更新策略：
Figure BDA00040225572200001010
其中：
Figure BDA00040225572200001011
表示种群中随机个体的编码表示，r1-ε(t+1)表示其余个体的编码表示更新结果；
S38：若t+1<Max，依次令t＝t+1，
Figure BDA00040225572200001012
返回步骤S33；否则计算当前种群内所有个体的目标函数值，将最小目标函数值所对应的编码表示作为求解得到的不同视角下的缺陷灰度阈值，基于不同视角下的缺陷灰度阈值标记不同视角下仪器表面图像像素矩阵中的缺陷元素。
S4：构建仪器表面缺陷特征检测指标体系，所述指标体系包括形状特征以及纹理特征。
所述S4步骤中构建仪器表面缺陷特征检测指标体系，包括：
构建仪器表面特征检测指标体系，所构建仪器表面特征检测指标体系中包括缺陷部分形状特征以及纹理特征，缺陷部分形状特征表示缺陷部分的面积，纹理特征表示缺陷区域内像素的灰度值变化情况。
S5：基于仪器表面缺陷特征检测指标体系，对不同视角下含有缺陷部分的子图像进行指标特征提取，检测不同视角下待检测仪器表面是否存在缺陷，并基于不同视角下的缺陷检测结果综合判断该仪器表面是否存在缺陷。
所述S5步骤中基于仪器表面缺陷特征检测指标体系，对不同视角下含有缺陷部分的子图像进行指标特征提取，包括：
基于仪器表面缺陷特征检测指标体系，对不同
Figure BDA0004022557220000111
视角下含有缺陷部分的子图像进行指标特征提取，其中指标特征提取流程为：
计算待检测仪器在不同视角下含有缺陷部分的子图像数目以及不同子图像的面积作为缺陷部分形状特征
Figure BDA0004022557220000112
其中
Figure BDA0004022557220000113
表示在
Figure BDA0004022557220000114
视角下含有缺陷部分的子图像数目，
Figure BDA0004022557220000115
表示在
Figure BDA0004022557220000116
视角下不同子图像的面积，
Figure BDA0004022557220000117
表示其中第
Figure BDA0004022557220000118
个子图像的面积，在本发明实施例中，仪器表面图像像素矩阵中含有80％缺陷元素的区域作为含有缺陷部分的子图像；
计算待检测仪器在
Figure BDA0004022557220000119
视角下含有缺陷部分的子图像的灰度共生矩阵作为
Figure BDA00040225572200001110
视角的缺陷部分纹理特征，其中灰度共生矩阵的形式为：
Figure BDA00040225572200001111
其中：
count(0,255)表示在预处理后
Figure BDA00040225572200001112
视角下含有缺陷部分的子图像中，水平方向相邻元素的元素值依次为0,255的元素对数目。
所述S5步骤中根据所提取的指标特征，检测不同视角下待检测仪器表面是否存在缺陷，包括：
预设置形状指标阈值以及纹理特征阈值，其中形状指标阈值为特征向量形式，包括含有缺陷部分的子图像数目以及不同子图像的面积，纹理特征阈值为含有明显缺陷的图像的灰度共生矩阵；
根据所提取的指标特征，检测不同视角下待检测仪器表面是否存在缺陷，其中检测流程为：
S51：计算任意
Figure BDA00040225572200001113
视角下含有缺陷部分的子图像数目以及不同子图像的面积作为
Figure BDA00040225572200001114
视角下形状指标特征，并计算
Figure BDA00040225572200001115
视角下形状指标特征与形状指标阈值的相关，将计算结果作为
Figure BDA00040225572200001116
视角下待检测仪器表面存在形状缺陷的概率
Figure BDA00040225572200001117
S52：计算任意
Figure BDA00040225572200001118
视角下含有缺陷部分的子图像的灰度共生矩阵与纹理特征阈值相关，将计算结果作为
Figure BDA00040225572200001119
视角下待检测仪器表面存在纹理缺陷的概率
Figure BDA00040225572200001120
S53：将
Figure BDA00040225572200001121
作为任意
Figure BDA00040225572200001122
视角下待检测仪器表面存在缺陷的概率
Figure BDA00040225572200001123
所述S5步骤中基于不同视角下的缺陷检测结果综合判断该仪器表面是否存在缺陷，包括：
基于不同视角下的缺陷检测结果综合判断该仪器表面是否存在缺陷，其中缺陷综合检测判断公式为：
Figure BDA00040225572200001124
其中：
p表示缺陷检测结果，若p大于预设置的检测概率阈值，则表示仪器表面存在缺陷。
实施例2：
如图2所示，是本发明一实施例提供的实现多视角机械缺陷视觉检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(用于实现多视角机械缺陷视觉检测的程序12等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
旋转拍摄角度获取待检测仪器的多视角仪器表面图像；
对所获取多视角仪器表面图像进行图像去噪增强的预处理，得到预处理后的多视角仪器表面图像；
基于缺陷提取目标函数对预处理后的多视角仪器表面图像进行缺陷部分提取，得到不同视角下含有缺陷部分的子图像；
构建仪器表面缺陷特征检测指标体系；
基于仪器表面缺陷特征检测指标体系，对不同视角下含有缺陷部分的子图像进行指标特征提取，检测不同视角下待检测仪器表面是否存在缺陷，并基于不同视角下的缺陷检测结果综合判断该仪器表面是否存在缺陷。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种多视角机械缺陷视觉检测方法，其特征在于，所述方法包括：
S1：旋转拍摄角度获取待检测仪器的多视角仪器表面图像；
S2：对所获取多视角仪器表面图像进行图像去噪增强的预处理，得到预处理后的多视角仪器表面图像，其中本征尺度分解融合为所述图像去噪增强处理的主要实施方法；
S3：基于缺陷提取目标函数对预处理后的多视角仪器表面图像进行缺陷部分提取，得到不同视角下含有缺陷部分的子图像，其中自适应遗传优化策略为所述仪器表面图像缺陷提取的主要实施策略；
S4：构建仪器表面缺陷特征检测指标体系，所述指标体系包括形状特征以及纹理特征；
S5：基于仪器表面缺陷特征检测指标体系，对不同视角下含有缺陷部分的子图像进行指标特征提取，检测不同视角下待检测仪器表面是否存在缺陷，并基于不同视角下的缺陷检测结果综合判断该仪器表面是否存在缺陷。
2.如权利要求1所述的一种多视角机械缺陷视觉检测方法，其特征在于，所述S1步骤中获取待检测仪器的多视角仪器表面图像，包括：
利用摄像设备拍摄待缺陷检测仪器的表面图像，每次拍摄后顺时针旋转摄像设备的拍摄角度，得到不同视角下待检测仪器的仪器表面图像
Figure FDA0004022557210000011
其中
Figure FDA0004022557210000012
表示将摄像设备顺时针旋转
Figure FDA0004022557210000013
度后，得到
Figure FDA0004022557210000014
视角下待检测仪器的仪器表面图像，I0表示初始拍摄视角下待检测仪器的仪器表面图像，将不同视角下待检测仪器的仪器表面图像作为待检测仪器的多视角仪器表面图像。
3.如权利要求2所述的一种多视角机械缺陷视觉检测方法，其特征在于，所述S2步骤中对所获取多视角仪器表面图像进行图像去噪增强的预处理，包括：
根据所获取的多视角仪器表面图像，利用本征尺度分解融合方法对不同视角下待检测仪器的仪器表面图像进行不同尺度下图像特征分解融合的预处理，得到去噪增强后的仪器表面图像，其中本征尺度分解融合方法流程为：
S21：对任意
Figure FDA0004022557210000015
视角下待检测仪器的仪器表面图像进行图像灰度化处理，得到仪器表面图像的灰度矩阵Q，灰度矩阵的大小为M×N，其中M表示仪器表面图像中行像素的数目，N表示仪器表面图像中列像素的数目，灰度矩阵中的元素坐标为仪器表面图像中对应像素的像素坐标，元素值为对应像素的灰度值；
S22：利用去噪滤波函数对灰度矩阵Q依次进行行滤波以及列滤波，得到灰度矩阵中任意元素的灰度滤波结果：
Q′(x,y)＝q(x,y)[1-α2/(Q(x,y))2],x∈[1,M],y∈[1,N]
Figure FDA0004022557210000016
Figure FDA0004022557210000017
Figure FDA0004022557210000018
Figure FDA0004022557210000019
其中：
e表示自然常数；
ω(·)表示去噪滤波函数；
Q(x,y)表示灰度矩阵Q中第x行第y列元素的元素值，q(x,y)表示灰度矩阵Q中第x行第y列元素的滤波系数，Q′(x,y)表示灰度矩阵Q中第x行第y列元素的灰度滤波结果；
a表示滤波尺度，maxa∈[1,5]{qa(x,y)}表示在a∈[1,5]尺度下灰度矩阵Q中第x行第y列元素的灰度滤波结果最大值；
σQ表示灰度矩阵Q中的元素值标准差；
α表示预设置的滤波阈值；
并将所有元素的灰度滤波结果构建为灰度滤波矩阵Q′；
S23：构建不同尺度σ1,σ2,σ3的高斯滤波模板，其中高斯滤波模板为3×3的矩阵形式，σ1＝1，σ2＝2，σ3＝3；
S24：将不同尺度的高斯滤波模板与灰度滤波矩阵Q′的任意元素进行卷积操作：
Figure FDA0004022557210000021
其中：
Figure FDA0004022557210000022
表示尺度为σi的高斯滤波模板，
Figure FDA0004022557210000023
表示经高斯滤波模板
Figure FDA0004022557210000024
滤波处理后，第x行第y列元素的元素值；
将所有元素的高斯滤波处理后结果构成矩阵Q″(σi)；
S25：计算灰度滤波矩阵Q′与不同尺度下矩阵Q″(σi)的差分矩阵，其中矩阵中任意元素(x,y)的差分表示为：
Figure FDA0004022557210000025
其中：
Figure FDA0004022557210000026
表示第x行第y列元素与尺度σi的差分表示；
S26：基于不同尺度的差分表示，对灰度矩阵中的元素进行重构，将重构得到的矩阵作为预处理后仪器表面图像像素矩阵，其中任意元素(x,y)的重构元素值为：
Figure FDA0004022557210000027
Figure FDA0004022557210000028
其中：
Q″′(x,y)表示元素(x,y)的重构元素值；
wi,(x,y)表示元素(x,y)在尺度σi的梯度权重。
4.如权利要求1所述的一种多视角机械缺陷视觉检测方法，其特征在于，所述S3步骤中确定缺陷提取目标函数，包括：
为任意
Figure FDA0004022557210000029
视角下的仪器表面图像确定缺陷提取目标函数
Figure FDA00040225572100000210
Figure FDA00040225572100000211
其中：
Figure FDA00040225572100000212
表示
Figure FDA00040225572100000213
视角下的仪器表面图像的缺陷灰度阈值，将仪器表面图像像素矩阵中元素值高于缺陷灰度阈值的元素标记为缺陷元素，其余元素标记为非缺陷元素；
Figure FDA00040225572100000214
表示任意
Figure FDA00040225572100000215
视角下仪器表面图像像素矩阵中的平均灰度值；
Figure FDA00040225572100000216
表示所标记缺陷元素的平均元素值，
Figure FDA00040225572100000217
表示所标记非缺陷元素的平均元素值；
Figure FDA00040225572100000218
表示所标记缺陷元素数目占矩阵元素总数的比例，
Figure FDA00040225572100000219
表示所非标记缺陷元素数目占矩阵元素总数的比例。
5.如权利要求4所述的一种多视角机械缺陷视觉检测方法，其特征在于，所述S3步骤中基于缺陷提取目标函数对预处理后的多视角仪器表面图像进行缺陷部分提取，包括：
利用自适应遗传优化策略对预处理后不同
Figure FDA00040225572100000220
视角下仪器表面图像的缺陷提取目标函数
Figure FDA00040225572100000221
进行求解，得到
Figure FDA00040225572100000222
视角下仪器表面图像的缺陷灰度阈值
Figure FDA00040225572100000223
将仪器表面图像像素矩阵中元素值高于缺陷灰度阈值
Figure FDA00040225572100000224
的元素标记为缺陷元素，其余元素标记为非缺陷元素，得到不同视角下标记缺陷区域的仪器表面图像像素矩阵，将预处理后仪器表面图像像素矩阵中含有80％缺陷元素的区域作为含有缺陷部分的子图像，其中
Figure FDA00040225572100000225
缺陷提取目标函数的求解流程为：
S31：输入预处理后所有视角下仪器表面图像的像素矩阵以及对应的缺陷提取目标函数，并将任意
Figure FDA0004022557210000031
视角的缺陷提取目标函数进行重构，重构后的目标函数F为：
Figure FDA0004022557210000032
重构后的目标函数将不同视角下的缺陷提取目标函数分成四组，每组中包括相邻视角下的缺陷提取目标函数，每组的权重为相邻视角下缺陷灰度阈值之差的绝对值；
S32：生成U个个体构成种群，并随机初始化每个个体的编码表示，每个个体的编码表示为8种不同视角的缺陷灰度阈值，其中种群中第u个个体的初始编码表示为ru(0)＝[ru，1(0)，ru，2(0)，...，ru，8(0)]，其中ru，8(0)表示初始编码表示ru(0)中第8种视角的缺陷灰度阈值，每种缺陷灰度阈值的取值范围为0-255，
Figure FDA0004022557210000033
k∈[0，7]，k的顺序取值依次表示8种视角；
S33：基于种群生成包含U个反向个体的反向种群，其中反向种群中第u个个体的初始编码表示为
Figure FDA0004022557210000034
S34：设置自适应遗传优化策略的当前迭代次数为t，最大迭代次数为Max，其中t的初始值为0，初始化自适应阈值ε＝0；则种群中第u个个体在第t次迭代的编码表示为ru(t)，对应反向个体的编码表示为
Figure FDA0004022557210000035
S35：将种群以及反向种群中个体的编码表示代入到重构后的目标函数F中，得到对应编码表示的目标函数值，其中种群中第u个个体在第t次迭代的目标函数值为F(ru(t))，对应反向个体的目标函数值为
Figure FDA0004022557210000036
S36：比较种群中任意个体与对应反向个体的目标函数值，若反向个体的目标函数值更小，则将种群中个体的编码表示替换为对应反向个体的编码表示；
S37：按照目标函数值降序对种群中的个体进行排序，对降序排序后的前ε个个体的编码表示采取如下编码表示更新策略：
Figure FDA0004022557210000037
其中：
Figure FDA0004022557210000038
表示种群中随机个体的编码表示，β表示比例因子，将其设置为0.6；
rε(t)表示第t次迭代后前ε个个体的编码表示；
对其余个体采用如下编码表示更新策略：
Figure FDA0004022557210000039
其中：
Figure FDA00040225572100000310
表示种群中随机个体的编码表示，r1-ε(t+1)表示其余个体的编码表示更新结果；
S38：若t+1＜Max，依次令t＝t+1，
Figure FDA00040225572100000311
返回步骤S33；否则计算当前种群内所有个体的目标函数值，将最小目标函数值所对应的编码表示作为求解得到的不同视角下的缺陷灰度阈值，基于不同视角下的缺陷灰度阈值标记不同视角下仪器表面图像像素矩阵中的缺陷元素。
6.如权利要求1所述的一种多视角机械缺陷视觉检测方法，其特征在于，所述S4步骤中构建仪器表面缺陷特征检测指标体系，包括：
构建仪器表面特征检测指标体系，所构建仪器表面特征检测指标体系中包括缺陷部分形状特征以及纹理特征，缺陷部分形状特征表示缺陷部分的面积，纹理特征表示缺陷区域内像素的灰度值变化情况。
7.如权利要求6所述的一种多视角机械缺陷视觉检测方法，其特征在于，所述S5步骤中基于仪器表面缺陷特征检测指标体系，对不同视角下含有缺陷部分的子图像进行指标特征提取，包括：
基于仪器表面缺陷特征检测指标体系，对不同
Figure FDA0004022557210000041
视角下含有缺陷部分的子图像进行指标特征提取，其中指标特征提取流程为：
计算待检测仪器在不同视角下含有缺陷部分的子图像数目以及不同子图像的面积作为缺陷部分形状特征
Figure FDA0004022557210000042
其中
Figure FDA0004022557210000043
表示在
Figure FDA0004022557210000044
视角下含有缺陷部分的子图像数目，
Figure FDA0004022557210000045
表示在
Figure FDA0004022557210000046
视角下不同子图像的面积，
Figure FDA0004022557210000047
表示其中第
Figure FDA0004022557210000048
个子图像的面积；
计算待检测仪器在
Figure FDA0004022557210000049
视角下含有缺陷部分的子图像的灰度共生矩阵作为
Figure FDA00040225572100000410
视角的缺陷部分纹理特征，其中灰度共生矩阵的形式为：
Figure FDA00040225572100000411
其中：
count(0,255)表示在预处理后
Figure FDA00040225572100000412
视角下含有缺陷部分的子图像中，水平方向相邻元素的元素值依次为0,255的元素对数目。
8.如权利要求7所述的一种多视角机械缺陷视觉检测方法，其特征在于，所述S5步骤中根据所提取的指标特征，检测不同视角下待检测仪器表面是否存在缺陷，包括：
预设置形状指标阈值以及纹理特征阈值，其中形状指标阈值为特征向量形式，包括含有缺陷部分的子图像数目以及不同子图像的面积，纹理特征阈值为含有明显缺陷的图像的灰度共生矩阵；
根据所提取的指标特征，检测不同视角下待检测仪器表面是否存在缺陷，其中检测流程为：
S51：计算任意
Figure FDA00040225572100000413
视角下含有缺陷部分的子图像数目以及不同子图像的面积作为
Figure FDA00040225572100000414
视角下形状指标特征，并计算
Figure FDA00040225572100000415
视角下形状指标特征与形状指标阈值的相关，将计算结果作为
Figure FDA00040225572100000416
视角下待检测仪器表面存在形状缺陷的概率
Figure FDA00040225572100000417
S52：计算任意
Figure FDA00040225572100000418
视角下含有缺陷部分的子图像的灰度共生矩阵与纹理特征阈值相关，将计算结果作为
Figure FDA00040225572100000419
视角下待检测仪器表面存在纹理缺陷的概率
Figure FDA00040225572100000420
S53：将
Figure FDA00040225572100000421
作为任意
Figure FDA00040225572100000422
视角下待检测仪器表面存在缺陷的概率
Figure FDA00040225572100000423
9.如权利要求8所述的一种多视角机械缺陷视觉检测方法，其特征在于，所述S5步骤中基于不同视角下的缺陷检测结果综合判断该仪器表面是否存在缺陷，包括：
基于不同视角下的缺陷检测结果综合判断该仪器表面是否存在缺陷，其中缺陷综合检测判断公式为：
Figure FDA00040225572100000424
其中：
p表示缺陷检测结果，若p大于预设置的检测概率阈值，则表示仪器表面存在缺陷。
CN202211696524.XA 2022-12-28 2022-12-28 一种多视角机械缺陷视觉检测方法 Pending CN115937182A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211696524.XA CN115937182A (zh) 2022-12-28 2022-12-28 一种多视角机械缺陷视觉检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211696524.XA CN115937182A (zh) 2022-12-28 2022-12-28 一种多视角机械缺陷视觉检测方法

Publications (1)

Publication Number Publication Date
CN115937182A true CN115937182A (zh) 2023-04-07

Family

ID=86652453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211696524.XA Pending CN115937182A (zh) 2022-12-28 2022-12-28 一种多视角机械缺陷视觉检测方法

Country Status (1)

Country Link
CN (1) CN115937182A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309561A (zh) * 2023-05-17 2023-06-23 威海赛宝工业信息技术研究院有限公司 一种基于防漏电绝缘材料的表面缺陷识别方法
CN117078682A (zh) * 2023-10-17 2023-11-17 山东省科霖检测有限公司 一种大规模网格化空气质量等级精准评估方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309561A (zh) * 2023-05-17 2023-06-23 威海赛宝工业信息技术研究院有限公司 一种基于防漏电绝缘材料的表面缺陷识别方法
CN117078682A (zh) * 2023-10-17 2023-11-17 山东省科霖检测有限公司 一种大规模网格化空气质量等级精准评估方法
CN117078682B (zh) * 2023-10-17 2024-01-19 山东省科霖检测有限公司 一种大规模网格化空气质量等级精准评估方法

Similar Documents

Publication Publication Date Title
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN115937182A (zh) 一种多视角机械缺陷视觉检测方法
CN113159147B (zh) 基于神经网络的图像识别方法、装置、电子设备
CN112446839B (zh) 图像增强方法、装置、电子设备及计算机可读存储介质
CN111257341B (zh) 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法
CN111639704A (zh) 目标识别方法、装置及计算机可读存储介质
CN111862096B (zh) 图像分割方法、装置、电子设备及存储介质
CN112465060A (zh) 图像中目标物检测方法、装置、电子设备及可读存储介质
CN113436162B (zh) 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置
CN111695609A (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN111898538A (zh) 证件鉴伪方法、装置、电子设备及存储介质
CN113283446A (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN110532950A (zh) 基于微表情视频的视频特征提取方法、微表情识别方法
CN114757854B (zh) 基于多光谱分析的夜视图像质量提升方法、装置、设备
CN105260995A (zh) 一种图像修复与去噪方法及系统
CN113705461A (zh) 人脸清晰度检测方法、装置、设备及存储介质
CN112102192A (zh) 一种图像白平衡方法
CN112132812A (zh) 证件校验方法、装置、电子设备及介质
CN114445410A (zh) 基于图像识别的电路板检测方法、计算机及可读存储介质
CN113012068B (zh) 图像去噪方法、装置、电子设备及计算机可读存储介质
CN112862703B (zh) 基于移动拍照的图像校正方法、装置、电子设备及介质
Xu et al. Multiple guidance network for industrial product surface inspection with one labeled target sample
CN115512203A (zh) 信息检测方法、装置、设备及存储介质
CN113610934B (zh) 图像亮度调整方法、装置、设备及存储介质
CN112541899A (zh) 证件的残缺检测方法、装置、电子设备及计算机存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination