CN115994904A - 基于计算机视觉的挂烫机面板生产质量检测方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种基于计算机视觉的挂烫机面板生产质量检测方法，该方法通过对挂烫机面板图像的灰度值分布特征划分出高亮区域和暗部区域，根据高亮区域的边缘分布特征、灰度值分布特征和区域面积得到高亮区域规律度，根据暗部区域的灰度值分布特征和区域面积得到暗部区域规律度，根据高亮区域规律度和暗部区域规律度对挂烫机面板图像进行自适应增强得到待检测图像，对待检测图像进行缺陷识别检测，完成挂烫机面板生产质量检测。本发明实施例通过暗部区域规律度和高亮区域规律度自适应增强挂烫机面板图像的方法，提高了对挂烫机面板生产质量检测的准确性。

Description

基于计算机视觉的挂烫机面板生产质量检测方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及基于计算机视觉的挂烫机面板生产质量检测方法。

背景技术

现有的挂烫机面板材质主要以合金为主，但是考虑到合金在接触具有腐蚀性的物质时容易被腐蚀，所以现有的挂烫机通常对面板表面覆盖一层抗腐蚀涂层，其中特氟龙涂层由于良品率高的特点被广泛应用，但是在实际挂烫机面板喷涂过程中，可能存在由于涂料质量、喷涂工艺和面板质量等因素造成喷涂效果存在残缺、缩孔、划痕等缺陷，这些缺陷会影响挂烫机的整体质量，甚至引发安全问题。为了降低挂烫机面板出现缺陷的概率，通常对挂烫机面板进行生产质量检测。现有技术对挂烫机面板检测的方法主要为人工目测法提取方法，其中人工目测法虽然精准度高，但是存在主观判断和视觉疲劳的问题，使得在流水线生产过程中的质量检测比较乏力。所以现有技术为了适应流水线生产过程，通常根据挂烫机面板的灰度分布特征训练深度学习模型，通过深度学习模型实现在生产过程中对挂烫机面板的智能质量检测。

但是考虑到挂烫机面板由于磨砂涂层的特殊性，即磨砂颗粒的存在会导致涂层表面存在大量的小目标，并且由于环境光的影响，磨砂颗粒小目标对应的磨砂区域通常是高亮的，使得磨砂颗粒小目标较多的挂烫机图像中异常区域与正常区域的区别较弱，影响根据挂烫机面板图像的灰度分布特征所训练的深度学习模型的缺陷识别精准度，进一步降低了挂烫机面板生产质量检测的准确性。

发明内容

为了解决根据挂烫机面板图像的灰度分布特征所训练的深度学习模型的识别精准度低技术问题，本发明的目的在于提供一种基于计算机视觉的挂烫机面板生产质量检测方法，所采用的技术方案具体如下：

本发明提出了一种基于计算机视觉的挂烫机面板生产质量检测方法，所述方法包括：

获取挂烫机面板图像；

根据所述挂烫机面板图像中像素点的灰度值分布特征得到高亮区域和暗部区域，根据所述高亮区域的边缘形状特征和区域面积得到高亮外形规律参数，根据所述高亮区域内像素点的灰度值分布特征和区域面积得到高亮灰度规律参数，根据所述高亮外形规律参数和所述高亮灰度规律参数得到高亮区域规律度；根据所述暗部区域内像素点的灰度值分布特征和区域面积得到暗部区域规律度；

在所述挂烫机面板图像中根据所述高亮区域规律度对所述高亮区域进行自适应增强，在所述挂烫机面板图像中根据所述暗部区域规律度对所述暗部区域进行自适应增强，将自适应增强后的挂烫机面板图像记为待检测图像；

对待检测图像进行缺陷种类识别检测完成挂烫机面板生产质量检测。

进一步地，所述根据所述挂烫机面板图像中像素点的灰度值分布特征得到高亮区域和暗部区域包括：

根据挂烫机面板图像中所有像素点的灰度值建立灰度直方图，将所有像素点中的最大灰度值和最小灰度值的均值作为灰度分界值，根据所述灰度直方图对大于所述灰度分界值小于等于最大灰度值的灰度区间采用最大类间方差法得到高亮阈值，根据所述灰度直方图对大于等于所述最小灰度值小于等于所述灰度分界值的灰度区间采用最大类间方差法得到暗部阈值；

将所述挂烫机面板图像中灰度值大于高亮阈值的像素点记为高亮点，将所述挂烫机面板图像中灰度值小于暗部阈值的像素点记为暗部点，将高亮点组成的区域记为高亮区域，将暗部点组成的区域记为暗部区域。

进一步地，所述高亮外形规律参数的获取方法包括：

对目标高亮区域进行边缘检测得到所有边缘像素点，获得每个边缘像素点的8连通链码的链码值；计算目标边缘像素点与其邻接的下一个边缘像素点之间链码值的差异并记为链码差异值，将8减去所述链码差异值记为链码差异对比值，将所述链码差异值与所述链码差异对比值中的最小值记为链码变化值，改变目标边缘像素点得到所有边缘像素点与其邻接的下一个边缘像素点之间的链码变化值，将所有链码变化值累加后进行正相关映射得到高亮边缘规整误差；

统计每个高亮区域对应的像素点数量并记为区域面积，计算所有高亮区域的高亮区域面积均值，将所述高亮区域的区域面积与所述高亮区域面积均值之间的差异记为第一面积差异，将所述目标高亮区域的第一面积差异与所述高亮边缘规整误差相加后进行负相关映射得到目标高亮区域的高亮外形规律参数，改变目标高亮区域得到所有高亮区域的高亮外形规律参数。

进一步地，所述高亮灰度规律参数的获取方法包括：

计算目标高亮区域内所有像素点的灰度值均值，将所述灰度值均值与所述高亮阈值之间的差值记为目标高亮灰度差异，将所述目标高亮灰度差异与所述第一面积差异的乘积归一化后进行负相关映射，得到目标高亮区域的高亮灰度规律参数；

改变目标高亮区域得到所有高亮区域的高亮灰度规律参数。

进一步地，所述暗部区域规律度的获取方法包括：

统计每个暗部区域对应的像素点数量并记为区域面积，计算所有暗部区域的暗部区域面积均值，将所述暗部区域的区域面积与所述暗部区域面积均值之间的差异记为第二面积差异，计算目标暗部区域内所有像素点的灰度值均值，将所述暗部阈值与所述灰度值均值之间的差值记为目标暗部灰度差异，将所述目标暗部灰度差异与所述第二面积差异的乘积归一化后进行负相关映射，得到目标暗部区域的所述暗部区域规律度；

改变目标暗部区域得到所有暗部区域的暗部区域规律度。

进一步地，所述在所述挂烫机面板图像中根据所述高亮区域规律度对所述高亮区域进行自适应增强包括：

统计所有高亮区域对应的高亮区域规律度，将目标高亮区域的高亮区域规律度进行负相关映射后与每个像素点的灰度值相乘，得到自适应增强后的目标高亮区域，改变目标高亮区域得到自适应增强后的所有高亮区域。

进一步地，所述在所述挂烫机面板图像中根据所述暗部区域规律度对所述暗部区域进行自适应增强包括：

统计所有暗部区域对应的暗部区域规律度，将目标暗部区域的暗部区域规律度与每个像素点的灰度值相乘，得到自适应增强后的目标暗部区域，改变目标暗部区域得到自适应增强后的所有暗部区域。

进一步地，所述将自适应增强后的挂烫机面板图像记为待检测图像包括：

将自适应增强后的所有高亮区域和自适应增强后的所有暗部区域在所述挂烫机面板图像中对应区域进行替换得到待检测图像。

进一步地，所述对待检测图像进行缺陷种类识别检测完成挂烫机面板生产质量检测包括：

对存在缺陷的挂烫机面板图像进行人工标记缺陷得到神经网络训练数据集，通过所述神经网络训练数据集训练神经网络，将所述待检测图像通过训练完成后的神经网络进行缺陷种类识别检测完成挂烫机面板生产质量检测。

本发明具有如下有益效果：

考虑到挂烫机面板中高亮区域和暗部区域对应的缺陷类型不同，本发明实施例根据所述挂烫机面板图像中像素点的灰度值分布特征得到高亮区域和暗部区域，进一步根据所得到的高亮区域和暗部区域分别进行类型不同的区域规律度分析，实现不同类型区域的自适应图像增强，提高对挂烫机生产质量检测识别缺陷的精准度。考虑到磨砂颗粒的形状大小和灰度特征存在规律，当缺陷存在时对应的规律会被破坏，本发明实施例根据高亮区域的边缘分布特征和区域面积得到高亮外形规律参数，根据高亮区域内像素点的灰度值分布特征和区域面积得到高亮灰度规律参数，根据高亮外形规律参数和高亮灰度规律参数得到高亮区域规律度，根据暗部区域内像素点的灰度值分布特征和区域面积得到暗部区域规律度，并根据高亮区域规律度和暗部区域规律度对对应区域进行自适应增强，使得缺陷区域对应的缺陷特征更加明显，进一步对增强后的挂烫机面板图像进行缺陷种类识别，使得对生产检测的准确性高。本发明根据高亮区域规律度和暗部区域规律度自适应增强挂烫机面板图像实现生产质量检测的方法，提高了对挂烫机面板生产质量检测的准确性。

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为本发明一个实施例所提供的一种基于计算机视觉的挂烫机面板生产质量检测方法流程图；

图2为本发明一个实施例所提供的第一种磨砂缺陷示意图；

图3为本发明一个实施例所提供的第二种磨砂缺陷示意图；

图4为本发明一个实施例所提供的第三种磨砂缺陷示意图；

图5为本发明一个实施例所提供的第四种磨砂缺陷示意图；

图6为本发明一个实施例所提供的第五种磨砂缺陷示意图；

图7为本发明一个实施例所提供的增强前的部分挂烫机面板图像；

图8为本发明一个实施例所提供的增前后的部分挂烫机面板图像。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于计算机视觉的挂烫机面板生产质量检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于计算机视觉的挂烫机面板生产质量检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于计算机视觉的挂烫机面板生产质量检测方法流程图，该方法包括：

步骤S1：获取挂烫机面板图像。

本发明实施例目的在于提供一种基于计算机视觉的挂烫机面板生产质量检测方法，根据挂烫机面板图像中磨砂颗粒的特征筛选出破坏磨砂规律的高亮区域和暗部区域，并进一步根据高亮区域和暗部区域对应的磨砂规律被破坏程度实现对高亮区域和暗部区域的自适应增强并检测缺陷。所以为了实现对挂烫机面板生产质量检测的目的，首先需要获取本发明实施例所提供方法的处理对象，即获取挂烫机面板图像。

正常的挂烫机面板图像表面磨砂涂层是分布均匀的凹凸不平状，因此在使用图像采集设备采集在拍摄时由于环境光的影响，挂烫机面板上存在漫反射，考虑到不同的拍摄角度对应反射的亮度特征不同，本发明在挂烫机面板为水平放置的前提下，在挂烫机面板正上方设置图像采集设备，将图像采集设备的拍摄角度设置为竖直向下，并且保证图像采集设备设置的角度能够清楚且完整的拍摄到挂烫机面板整体图像。另一方面，为了控制环境光这一变量对拍摄的影响，本发明实施例在挂烫机面板正上方设置补光设备。在本发明实施例中，图像采集设备选择高精度工业相机，补光设备选择补光灯。

考虑到在挂烫机面板的生产过程中，挂烫机面板在水平运动的生产线上是不断运动的，因此为了能够获取生产过程中的挂烫机面板图像，需要根据生产线的运动速度设置图像采集设备的采集频率，使得图像采集设备每次进行图像采集时都能得到一个新的挂烫机面板图像同时，保证每个挂烫机面板都能被拍摄到。

至此，完成挂烫机面板图像的获取。

步骤S2：根据挂烫机面板图像中像素点的灰度值分布特征得到高亮区域和暗部区域，根据高亮区域的边缘形状特征和区域面积得到高亮外形规律参数，根据高亮区域内像素点的灰度值分布特征和区域面积得到高亮灰度规律参数，根据高亮外形规律参数和高亮灰度规律参数得到高亮区域规律度；根据暗部区域内像素点的灰度值分布特征和区域面积得到暗部区域规律度。

正常的挂烫机面板图像中磨砂颗粒区域存在磨砂波动规律，对应的磨砂波动规律表现为：高亮点周围附着部分低亮点，当对应区域存在缺陷时，磨砂波动规律会被破坏。因此本发明实施例基于不同区域的磨砂波动规律进行自适应的图像增强，强化磨砂规律低的区域的异常程度，以进一步方便后续的缺陷检测。

正常的挂烫机面板中的磨砂涂层经过充分搅拌后，填充料均匀分布在面漆中，在涂层覆盖到挂烫机面板上时，由于填充料不溶于涂层面漆，会在挂烫机面板表面形成均匀部分的凸起，并且凸起对应的磨砂是规律分布的。当对应的挂烫机面板表面填充料在面板表面分布不均使得存在粘连或结块较大的涂层时，对应的磨砂均匀分布的规律被破坏。此外当挂烫机面板出现缩孔、露底等由于涂层覆盖不充足的区域时，对应的磨砂均匀分布的规律也会被破坏。因此可根据磨砂规律被破坏程度来判断各个区域的异常程度。

首先需要考虑到挂烫机面板由于缺陷的不同，在挂烫机面板图像中磨砂均匀分布的规律被破坏的程度或方式也各不相同。对于挂烫机面板中存在粘连或结块较大的异常区域，其产生的原因为涂层面漆中的不溶性填充料产生的凸起，这些凸起相较于正常凸起来说形状和大小存在明显差异，并且由于涂层面漆是光滑的，对应的异常区域的凸起所反射的光线更强，即相比于正常磨砂涂层中凸起的高亮点，异常区域的凸起对应的高亮点更亮，因此本发明实施例根据高亮区域的高亮特征的基础上引入形状和大小计算对应的磨砂规律程度，从而判断对应高亮区域的异常程度。请参阅图2，其示出了本发明一个实施例提供的第一种磨砂缺陷示意图，图2中的挂烫机面板的磨砂涂层表面存在粘连或结块较大的异常区域，在图像上表现为高亮点凸起更高反射更多的光照，形成特亮点，且对应的形状和大小与正常磨砂凸起存在明显差异。

对于挂烫机面板出现缩孔、露底等由于涂层覆盖不充足的区域，由于涂层存在缺陷，对应的缺陷区域相比于其他区域对应的亮度更低，且暗部区域越暗，对应的异常可能性就越大。因此本发明实施例根据暗部区域的暗部特征计算对应的磨砂规律程度，从而判断对应暗部区域的异常程度。请参阅图3，其示出了本发明一个实施例提供的第二种磨砂缺陷示意图，图3中挂烫机面板的磨砂涂层出现缩孔的情况，对应的缩孔区域出现凹陷，在图像上表现为缩孔区域整体亮度明显小于周围正常区域。请参阅图4，其示出了本发明一个实施例提供的第三种磨砂缺陷示意图，图4中挂烫机面板的磨砂涂层出现露底的情况，对应的露底区域由于没有磨砂涂层覆盖，对应的整体亮度相对于正常具有磨砂涂层的区域偏暗。

请参阅图5，其示出了本发明一个实施例提供的第四种磨砂缺陷示意图，图5对应的情况为涂料比例和喷涂量不合适，使得挂烫机面板表面的磨砂涂层形成龟裂。请参阅图6，其示出了本发明一个实施例提供的第四种磨砂缺陷示意图，图6对应的情况为涂料比例和喷涂量不合适，使得挂烫机面板表面的磨砂涂层形成流挂现象。图5和图6对应的磨砂缺陷均导致缺陷呈区域状出现，且破坏了正常磨砂规律。

由于本发明实施例对不同亮度的区域判断磨砂规律程度的方法不同，所以在计算每个区域对应磨砂规律程度之前，需要根据不同区域的亮度获得计算磨砂规律程度所需要的高亮区域和暗部区域。所以本发明实施例根据挂烫机面板图像中像素点的灰度值分布特征得到高亮区域和暗部区域。

优选地，首先需要考虑到挂烫机面板出现异常为小概率事件，即大部分的挂烫机面板均为正常面板。如果直接根据挂烫机面板图像的灰度值对图像进行阈值分割得到高亮区域和暗部区域，则会使得整体的挂烫机生产质量检测过程中产生需要不必要的计算，因此为了提高挂烫机生产质量检测的效率，本发明实施例根据挂烫机面板图像的灰度值分布特征将图像划分为高亮区域、正常区域和暗部区域。由于大部分挂烫机面板为正常面板，对应的挂烫机面板图像中大部分区域或者全部区域均为正常区域，对应的高亮区域和暗部区域较小或没有，而且由于本发明实施例仅对高亮区域和暗部区域进行分析计算，所有将挂烫机面板图像划分为高亮区域、正常区域和暗部区域的方法能够减少后续过程中的计算量，提高挂烫机生产质量检测的效率。

本发明实施例根据挂烫机面板图像中所有像素点的灰度值建立灰度直方图，将所有像素点中的最大灰度值和最小灰度值的均值作为灰度分界值。该灰度分界值通过挂烫机面板图像中的最大灰度值和最小灰度值自适应得到，能够表现出对应的挂烫机面板图像中灰度值分布的边界特征。

根据灰度直方图对大于灰度分界值小于等于最大灰度值的灰度区间采用最大类间方差法得到高亮阈值，根据灰度直方图对大于等于最小灰度值小于等于灰度分界值的灰度区间采用最大类间方差法得到暗部阈值。由于挂烫机面板图像中空间信息较少，所以在采用最大类间方差法时对应的效果良好，且算法本身并不复杂。需要说明的是，最大类间方差法为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

将挂烫机面板图像中灰度值大于高亮阈值的像素点记为高亮点，将挂烫机面板图像中灰度值小于暗部阈值的像素点记为暗部点，将高亮点组成的区域记为高亮区域，将暗部点组成的区域记为暗部区域。在本发明实施例中将大于等于暗部阈值和小于等于高亮阈值的像素点为正常点，对应的正常点组成的区域为正常区域。

进一步地计算各个高亮区域和暗部区域的磨砂规律程度，在本发明实施例中，将磨砂规程度记为区域规律度，即高亮区域对应的磨砂规律程度为高亮区域规律度，暗部区域对应的磨砂规律程度为暗部区域规律度。

由于高亮区域对应的高亮区域规律度需要在高亮特征的基础上引入形状和大小进行分析，且亮度特征在挂烫机面板图像上表现为灰度特征，而对应高亮区域的形状和大小在挂烫机面板图像上表现为外形特征。因此本发明根据高亮区域的灰度特征和外形特征两个方面计算对应的高亮区域规律度。

外形特征对应高亮区域的形状和大小，高亮区域的形状能够反映区域的像素点分布规整度，分布越规整对应的高亮区域越符合磨砂涂层正常凸起的特征，分布越不规整对应的高亮区域越可能出现粘连或结块。因此对于高亮区域的形状特征，可通过每个高亮区域的边缘分布特征得到。对于高亮区域的大小，由于不同实施环境对应的磨砂涂层正常凸起大小和异常凸起大小不同，可通过每个高亮区域的区域面积得到。即本发明实施例可根据高亮区域的边缘分布特征和区域面积得到高亮外形规律参数。

优选地，高亮外形规律参数的获取方法为：

对目标高亮区域进行边缘检测得到所有边缘像素点。在本发明实施例中，采用canny边缘检测算法对高亮区域进行边缘检测。需要说明的是，边缘检测算法存在多种，且包括本发明实施例所采用的canny边缘检测算法在内的所有边缘检测算法均为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

获得每个边缘像素点的8连通链码的链码值。8连通链码的链码值在数值表现为0-7，每个边缘像素点对应的8连通链码的链码值表示边缘像素点滑向下一个像素点的方向。对于完全规整的区域，其边缘像素点构成的所有链码中的链码波动程度不大于1，该链码波动程度即表示相邻两个边缘像素点的链码值之间的差异，且由于链码是闭环的，7和0之间的链码波动程度也应当为1。当高亮区域对应的链码波动程度越大，则对应区域越不规整，说明对应的高亮区域异常程度越高。

计算目标边缘像素点与其邻接的下一个边缘像素点之间链码值的差异并记为链码差异值，将8减去链码差异值记为链码差异对比值，将链码差异值与链码差异对比值中的最小值记为链码变化值，改变目标边缘像素点得到所有边缘像素点与其邻接的下一个边缘像素点之间的链码变化值，将所有链码变化值累加后进行正相关映射得到高亮边缘规整误差。将链码差异值与8减去链码差异值的链码差异对比值中的最小值记为链码变化值的原因是，虽然链码是闭环的，但表征链码的数值不是闭环的，采用该方法获得的链码变化值能够消除数值不是闭环的影响。

对于完全规整的区域，对应的链码变化值累加长度为8，即一共出现过8次转向，构成一个绝对的环，此时的高亮边缘规整误差取最小值为0。所以当链码的值变化波动程度越大，对应的高亮边缘规整误差的值越大，说明对应高亮区域的形状越不规整。

高亮边缘规整误差的获取方法在公式上表现为：

其中，为高亮区域对应的高亮边缘规整误差，为高亮区域对应的边缘像素点数量，为第个边缘像素点的链码值，为第个边缘像素点邻接的下一个边缘像素点的链码值，为最小值选取函数，为绝对值符号，为以8为底的对数函数。需要说明的是，由于边缘像素点的是闭环的，所以初始边缘像素点与最终边缘像素点是邻接的。

统计每个高亮区域对应的像素点数量并记为区域面积，计算所有高亮区域的高亮区域面积均值，将高亮区域的区域面积与高亮区域面积均值之间的差异记为第一面积差异，将目标高亮区域的第一面积差异与高亮边缘规整误差相加后进行负相关映射得到目标高亮区域的高亮外形规律参数，改变目标高亮区域得到所有高亮区域的高亮外形规律参数。

高亮外形规律参数的获取方法在公式上表现为：

其中，为高亮区域对应的高亮外形规律参数，为高亮区域对应的区域面积即像素点数量，为所有高亮区域的高亮区域面积均值，为高亮区域对应的高亮边缘规整误差，表示以自然常数为底的指数函数，表示负相关归一化。

高亮外形规律参数获取方法对应的公式，通过目标高亮区域的区域面积与平均区域面积的差异表征目标高亮区域的区域面积，即大小特征，通过目标区域的高亮边缘规整误差表征目标高亮区域的边缘分布特征，即形状特征，将大小特征对应的区域面积和形状特征对应的高亮边缘规整误差通过加法运算结合在一起，并进行负相关归一化，使得高亮外形规律参数能够反映高亮区域的大小和形状。当目标高亮区域的区域面积与平均区域面积的差异越大，高亮外形规律参数越大，对应的目标高亮区域的高亮外形规律参数越小，说明目标高亮区域越不规律，说明异常程度越高。

高亮区域的灰度特征对应高亮区域内像素点的整体灰度值与正常灰度值的差异，本发明实施例通过灰度值分布特征进行表征。但是考虑到整体灰度值会受到高亮区域面积的影响，因此在获得高亮区域的灰度特征时需要引入高亮区域面积，即区域面积。因此本发明实施例根据高亮区域内像素点的灰度值分布特征和区域面积得到高亮灰度规律参数。

优选地，高亮灰度规律参数的获取方法包括：

计算目标高亮区域内所有像素点的灰度值均值。目标高亮区域的灰度值均值能够表征对应区域灰度值整体的分布状况和整体亮度。

将灰度值均值与高亮阈值之间的差值记为目标高亮灰度差异。该高亮灰度差异能够表征对应的高亮区域的灰度值均值与正常区域的灰度值之间的灰度值差异，对应的高亮灰度差异越大，对应的高亮区域内像素点的灰度值越远离暗部区域。

将目标高亮灰度差异与第一面积差异的乘积归一化后进行负相关映射，得到目标高亮区域的高亮灰度规律参数；改变目标高亮区域得到所有高亮区域的高亮灰度规律参数。

高亮区域的高亮灰度规律参数的获取方法在公式上表现为：

其中，为高亮区域对应的高亮灰度规律参数，为高亮区域对应的区域面积即像素点数量，为所有高亮区域的高亮区域面积均值，为高亮区域中第个像素点的灰度值，为高亮阈值，为归一化函数。

在高亮灰度规律参数的获取公式中，通过高亮区域的面积和平均灰度值与正常区域进行比较表征对应区域在整体灰度分布和整体面积上与正常区域的差异，表示高亮区域内灰度值均值与亮部阈值的差异即高亮区域的高亮灰度差异，表示高亮区域的区域面积大小与平均高亮区域面积均值的差异即第一面积差异。该公式所得到的高亮灰度差异表征高亮区域与正常区域的亮度整体差异，而第一面积差异则表征高亮区域与正常区域的面积大小差异，对应的当高亮区域的高亮灰度差异和第一面积越小，对应的高亮灰度规律参数越大，高亮区域越接近正常区域，说明高亮区域越正常。

至此，得到表征高亮区域外形特征的高亮外形规律参数和表征高亮区域灰度特征的高亮灰度规律参数，进一步地根据高亮区域的外形特征和灰度特征得到对应的高亮区域规律度，即根据高亮外形规律参数和高亮灰度规律参数得到高亮区域规律度。

高亮区域规律度的具体获取方法为：

考虑到高亮外形规律参数越大，高亮灰度规律参数越大，对应的高亮区域越正常，因此如果高亮区域规律度与高亮区域的异常程度呈反比，则高亮外形规律参数与高亮灰度规程参数呈正相关，因此本发明实施例将高亮外形规律参数和高亮灰度规律参数的乘积进行归一化，得到高亮区域的高亮区域规律度。

高亮区域规律度的获取方法在公式上表现为：

其中，为高亮区域的高亮区域规律度，为高亮区域的高亮外形规律参数，为高亮区域的高亮灰度规律参数，为归一化函数。该公式考虑到高亮外形规律参数和高亮灰度规律参数均与高亮区域规律度呈正相关，因此通过乘积的方式将高亮外形规律参数和高亮灰度规律参数结合在一起。对应的当高亮区域的面积大小与正常区域大小越接近，对应的形状越规整时，对应的外形规律参数越大，对应的高亮区域的高亮区域规律度越大，说明高亮区域越正常；当高亮区域的面积大小与正常区域大小越接近，且对应凸起的亮度越小时，对应的灰度规律参数越大，对应的高亮区域的高亮区域规律度越大，说明高亮区域越正常。即高亮区域规律度能够通过高亮区域的形状、大小和亮度三个特征表征对应的高亮区域的正常程度。

高亮区域由于粘连或结块缺陷的特征与磨砂凸起的特征相似，所以在计算对应高亮区域灰度特征的基础上需要引入外形特征来计算对应的区域规律度，而暗部区域出现异常时，通常为挂烫机面板出现缩孔、露底等由于涂层覆盖不充足的情况，对应的位置或区域由于出现凹陷，其亮度相比与正常区域偏暗，且与正常挂烫机面板特征差异明显，因此本发明实施例通过亮度特征根据暗部区域内像素点的灰度值分布特征和区域面积得到暗部区域规律度。

优选地，暗部区域规律度的获取方法包括：

统计每个暗部区域对应的像素点数量并记为区域面积，计算所有暗部区域的暗部区域面积均值，将暗部区域的区域面积与暗部区域面积均值之间的差异记为第二面积差异。第二面积差异通过计算目标暗部区域的面积与平均暗部区域面积之间的差异表征目标暗部区域与正常区域在面积大小上的接近程度，对应的第二面积差异越小，说明目标暗部区域在面积大小上与正常区域越相似，对应的暗部区域越正常。

计算目标暗部区域内所有像素点的灰度值均值，将暗部阈值与灰度值均值之间的差值记为目标暗部灰度差异，目标暗部灰度差异通过目标暗部区域的灰度值均值与暗部阈值之间的差异表征目标暗部区域在整体亮度上与正常区域的接近程度，对应的目标暗部灰度差异越小，说明暗部区域在亮度上与正常区域越相似，对应的暗部区域越正常。

将目标暗部灰度差异与第二面积差异的乘积归一化后进行负相关映射，得到目标暗部区域的暗部区域规律度，改变目标暗部区域得到所有暗部区域的暗部区域规律度。由于第二面积差异与目标暗部灰度差异与暗部区域的正常程度呈负相关，因此为了表征与暗部区域正常程度呈正相关的暗部区域规律度，本发明实施例通过乘积进行负相关映射结合第二面积差异和目标暗部灰度差异。

暗部区域规律度的获取方法在公式上表现为：

其中，为暗部区域对应的暗部区域规律度，为暗部区域对应的区域面积即像素点数量，为所有暗部区域的暗部区域面积均值，为暗部区域中第个像素点的灰度值，为暗部阈值，为归一化函数。需要说明的是，暗部区域规律度的获取方法与亮部灰度规律参数的获取方法相似，本发明实施例不再对其具体意义作进一步赘述。

至此，获取挂烫机面板图像中所有高亮区域的高亮区域规律度和所有暗部区域的暗部区域规律度。

步骤S3：在挂烫机面板图像中根据高亮区域规律度对高亮区域进行自适应增强，在挂烫机面板图像中根据暗部区域规律度对暗部区域进行自适应增强，将自适应增强后的挂烫机面板图像记为待检测图像。

本发明实施例的目的是强化异常区域的异常程度以方面后续的缺陷检测，而对应的高亮区域规律度越小，对应的高亮区域越异常；暗部区域规律度越小，对应的暗部区域越异常。因此本发明实施例在挂烫机面板图像中根据高亮区域规律度对高亮区域进行自适应增强，在挂烫机面板图像中根据暗部区域规律度对暗部区域进行自适应增强，将自适应增强后的挂烫机面板图像记为待检测图像。

优选地，对高亮区域进行自适应增强包括：

统计所有高亮区域对应的高亮区域规律度，将目标高亮区域的高亮区域规律度进行负相关映射后与每个像素点的灰度值相乘，得到自适应增强后的目标高亮区域，改变目标高亮区域得到自适应增强后的所有高亮区域。当高亮区域规律度越小时，说明对应的高亮区域越异常，所以为了将高亮区域的异常程度放大，即提高异常高亮区域内每个像素点的亮度，本发明将高亮区域规律度进行负相关映射后与每个像素点的灰度值相乘，方便后续对图像异常区域的检测。

对高亮区域进行自适应增强在公式上表现为：

其中，为高亮区域增强后的灰度值，为高亮区域增强前的灰度值，为高亮区域规律度，为预设调节参数，预设调节参数作用为防止分母为0，在本发明实施例中预设调节参数设置为0.01。

对暗部区域进行自适应增强包括：

统计所有暗部区域对应的暗部区域规律度，将目标暗部区域的暗部区域规律度与每个像素点的灰度值相乘，得到自适应增强后的目标暗部区域，改变目标暗部区域得到自适应增强后的所有暗部区域。当暗部区域规律度越小时，说明对应的暗部区域越异常，所以为了将暗部区域的异常程度放大，即降低异常暗部区域内每个像素点的亮度，本发明实施例将暗部区域规律度与每个像素点的灰度值相乘，方便后续对图像异常区域的检测。

对暗部区域进行自适应增强在公式上表现为：

其中，为暗部区域增强后的灰度值，为暗部区域增强前的灰度值，为暗部区域规律度。

待检测图像的获取方法具体为：

将自适应增强后的所有高亮区域和自适应增强后的所有暗部区域在挂烫机面板图像中对应区域进行替换得到待检测图像。请参阅图7，其示出了本发明一个实施例提供的增强前的部分挂烫机面板图像，图7中的挂烫机面板的磨砂涂层表面存在粘连或结块较大的异常区域，但是在增强前的挂烫机面板图像上特征并不明显。请参阅图8，其示出了本发明一个实施例提供的增强后的部分挂烫机面板图像，图8为图7对应的特征不明显的磨砂涂层表面异常区域进行图像增强后的异常区域图像，使得对应区域的异常特征被放大，便于后续缺陷种类识别检测。

步骤S4：对待检测图像进行缺陷种类识别检测完成挂烫机面板生产质量检测。

至此，通过步骤S3得挂烫机面板图像异常区域增强后的待检测图像，进一步对待检测图像进行缺陷种类识别检测完成挂烫机面板生产质量检测。

优选地，本发明实施例对存在缺陷的挂烫机面板图像进行人工标记缺陷得到神经网络训练数据集，通过神经网络训练数据集训练神经网络，将待检测图像通过训练完成后的神经网络进行缺陷种类识别检测完成挂烫机面板生产质量检测。需要说明的是，神经网络为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

至此，本发明完成。

综上所述，本发明通过对挂烫机面板图像的灰度值分布特征划分出高亮区域和暗部区域，根据高亮区域的边缘分布特征、灰度值分布特征和区域面积得到高亮区域规律度，根据暗部区域的灰度值分布特征和区域面积得到暗部区域规律度，根据高亮区域规律度和暗部区域规律度对挂烫机面板图像进行自适应增强得到待检测图像，对待检测图像进行缺陷识别检测完成挂烫机面板生产质量检测。本发明实施例通过暗部区域规律度和高亮区域规律度自适应增强挂烫机面板图像的方法，提高了对挂烫机面板生产质量检测的准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (9)

1.基于计算机视觉的挂烫机面板生产质量检测方法，其特征在于，所述方法包括：

获取挂烫机面板图像；

根据所述挂烫机面板图像中像素点的灰度值分布特征得到高亮区域和暗部区域，根据所述高亮区域的边缘形状特征和区域面积得到高亮外形规律参数，根据所述高亮区域内像素点的灰度值分布特征和区域面积得到高亮灰度规律参数，根据所述高亮外形规律参数和所述高亮灰度规律参数得到高亮区域规律度；根据所述暗部区域内像素点的灰度值分布特征和区域面积得到暗部区域规律度；

在所述挂烫机面板图像中根据所述高亮区域规律度对所述高亮区域进行自适应增强，在所述挂烫机面板图像中根据所述暗部区域规律度对所述暗部区域进行自适应增强，将自适应增强后的挂烫机面板图像记为待检测图像；

对待检测图像进行缺陷种类识别检测完成挂烫机面板生产质量检测。

2.根据权利要求1所述的基于计算机视觉的挂烫机面板生产质量检测方法，其特征在于，所述根据所述挂烫机面板图像中像素点的灰度值分布特征得到高亮区域和暗部区域包括：

根据挂烫机面板图像中所有像素点的灰度值建立灰度直方图，将所有像素点中的最大灰度值和最小灰度值的均值作为灰度分界值，根据所述灰度直方图对大于所述灰度分界值小于等于最大灰度值的灰度区间采用最大类间方差法得到高亮阈值，根据所述灰度直方图对大于等于所述最小灰度值小于等于所述灰度分界值的灰度区间采用最大类间方差法得到暗部阈值；

将所述挂烫机面板图像中灰度值大于高亮阈值的像素点记为高亮点，将所述挂烫机面板图像中灰度值小于暗部阈值的像素点记为暗部点，将高亮点组成的区域记为高亮区域，将暗部点组成的区域记为暗部区域。

3.根据权利要求2所述的基于计算机视觉的挂烫机面板生产质量检测方法，其特征在于，所述高亮外形规律参数的获取方法包括：

对目标高亮区域进行边缘检测得到所有边缘像素点，获得每个边缘像素点的8连通链码的链码值；计算目标边缘像素点与其邻接的下一个边缘像素点之间链码值的差异并记为链码差异值，将8减去所述链码差异值记为链码差异对比值，将所述链码差异值与所述链码差异对比值中的最小值记为链码变化值，改变目标边缘像素点得到所有边缘像素点与其邻接的下一个边缘像素点之间的链码变化值，将所有链码变化值累加后进行正相关映射得到高亮边缘规整误差；

统计每个高亮区域对应的像素点数量并记为区域面积，计算所有高亮区域的高亮区域面积均值，将所述高亮区域的区域面积与所述高亮区域面积均值之间的差异记为第一面积差异，将所述目标高亮区域的第一面积差异与所述高亮边缘规整误差相加后进行负相关映射得到目标高亮区域的高亮外形规律参数，改变目标高亮区域得到所有高亮区域的高亮外形规律参数。

4.根据权利要求3所述的基于计算机视觉的挂烫机面板生产质量检测方法，其特征在于，所述高亮灰度规律参数的获取方法包括：

计算目标高亮区域内所有像素点的灰度值均值，将所述灰度值均值与所述高亮阈值之间的差值记为目标高亮灰度差异，将所述目标高亮灰度差异与所述第一面积差异的乘积归一化后进行负相关映射，得到目标高亮区域的高亮灰度规律参数；

改变目标高亮区域得到所有高亮区域的高亮灰度规律参数。

5.根据权利要求2所述的基于计算机视觉的挂烫机面板生产质量检测方法，其特征在于，所述暗部区域规律度的获取方法包括：

统计每个暗部区域对应的像素点数量并记为区域面积，计算所有暗部区域的暗部区域面积均值，将所述暗部区域的区域面积与所述暗部区域面积均值之间的差异记为第二面积差异，计算目标暗部区域内所有像素点的灰度值均值，将所述暗部阈值与所述灰度值均值之间的差值记为目标暗部灰度差异，将所述目标暗部灰度差异与所述第二面积差异的乘积归一化后进行负相关映射，得到目标暗部区域的所述暗部区域规律度；

改变目标暗部区域得到所有暗部区域的暗部区域规律度。

6.根据权利要求1所述的基于计算机视觉的挂烫机面板生产质量检测方法，其特征在于，所述在所述挂烫机面板图像中根据所述高亮区域规律度对所述高亮区域进行自适应增强包括：

统计所有高亮区域对应的高亮区域规律度，将目标高亮区域的高亮区域规律度进行负相关映射后与每个像素点的灰度值相乘，得到自适应增强后的目标高亮区域，改变目标高亮区域得到自适应增强后的所有高亮区域。

7.根据权利要求1所述的基于计算机视觉的挂烫机面板生产质量检测方法，其特征在于，所述在所述挂烫机面板图像中根据所述暗部区域规律度对所述暗部区域进行自适应增强包括：

统计所有暗部区域对应的暗部区域规律度，将目标暗部区域的暗部区域规律度与每个像素点的灰度值相乘，得到自适应增强后的目标暗部区域，改变目标暗部区域得到自适应增强后的所有暗部区域。

8.根据权利要求1所述的基于计算机视觉的挂烫机面板生产质量检测方法，其特征在于，所述将自适应增强后的挂烫机面板图像记为待检测图像包括：

将自适应增强后的所有高亮区域和自适应增强后的所有暗部区域在所述挂烫机面板图像中对应区域进行替换得到待检测图像。

9.根据权利要求1所述的基于计算机视觉的挂烫机面板生产质量检测方法，其特征在于，所述对待检测图像进行缺陷种类识别检测完成挂烫机面板生产质量检测包括：

对存在缺陷的挂烫机面板图像进行人工标记缺陷得到神经网络训练数据集，通过所述神经网络训练数据集训练神经网络，将所述待检测图像通过训练完成后的神经网络进行缺陷种类识别检测完成挂烫机面板生产质量检测。

Images