CN116012357A - 基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法。该方法包括：获取汽车圆形拖车孔的候选灰度图像，识别候选灰度图像的异常像素点，根据每个异常像素点与其同列的其他异常像素点之间的目标距离和搜索区域的信息熵，获取搜索区域的保留必要程度；根据保留必要程度，获取搜索区域的初始非局部均值滤波参数的调整因子，以调整初始非局部均值滤波参数得到目标非局部均值滤波参数，并对搜索区域进行滤波处理，得到目标灰度图像；根据目标灰度图像，对汽车圆形拖车孔进行气纹缺陷检测，得到检测结果。本发明提高了汽车圆形拖车孔的气纹缺陷检测的准确性。

Description

基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法。

背景技术

汽车圆形拖车孔盖在铸造时容易气纹缺陷，为了保证汽车圆形拖车孔盖的质量，需要进行气纹缺陷的检测。由于用于喷涂汽车圆形拖车孔盖的油漆通常由多种原材料混合而成，在汽车圆形拖车孔盖在被喷漆后，表面通常存在类似椒盐噪声的亮点，因此在对汽车圆形拖车孔盖进行气纹缺陷检测之前需要对图像进行去噪处理。

现有技术中，采用非局部均值滤波算法对图像进行去噪处理，由于滤波时整张图像采用统一的滤波参数进行滤波，容易导致气纹缺陷被破环，影响气纹缺陷检测的准确性，导致汽车圆形拖车孔气纹缺陷间的准确性较低。

发明内容

为了解决在汽车圆形拖车孔气纹缺陷检测的准确性较低的问题，本发明提供一种基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法，所采用的技术方案具体如下：

本发明提出了一种基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法，所述方法包括：

获取汽车圆形拖车孔的候选灰度图像；

将所述候选灰度图像划分成多个搜索区域，识别所述搜索区域中的异常像素点，获取每个所述异常像素点与其同列的其他异常像素点之间的目标距离和所述搜索区域的信息熵，根据所述目标距离和所述信息熵，获取所述搜索区域的保留必要程度；

根据所述保留必要程度，获取所述搜索区域的初始非局部均值滤波参数的调整因子；

根据所述调整因子调整所述初始非局部均值滤波参数，得到目标非局部均值滤波参数，根据所述目标非局部均值滤波参数，对所述搜索区域进行滤波处理，在对所述多个搜索区域进行所述滤波处理后，得到目标灰度图像；

根据所述目标灰度图像，对所述汽车圆形拖车孔进行气纹缺陷检测，得到检测结果。

一些实施例中，所述获取汽车圆形拖车孔的候选灰度图像，包括：

采集汽车圆形拖车孔的原始灰度图像；

识别所述原始灰度图像中的拖车孔边缘区域，对所述拖车孔边缘区域内的像素点进行灰度值替换处理，得到所述候选灰度图像。

一些实施例中，所述对所述拖车孔边缘区域内的像素点进行灰度值替换处理，得到候选灰度图像，包括：

获取所述原始灰度图像中每个像素点的灰度值，确定每个所述灰度值对应的像素点数量，将所述像素点数量最大的灰度值作为目标灰度值；

将所述拖车孔边缘区域内的像素点的灰度值替换成所述目标灰度值，得到所述候选灰度图像。

一些实施例中，所述识别所述搜索区域中的异常像素点，包括：

对所述候选灰度图像的灰度区间进行灰度分级处理，得到多个灰度级；

使用灰度游程矩阵逐列遍历所述搜索区域中的像素点，在遍历至不同灰度级的像素点时，将所述不同灰度级的像素点作为所述异常像素点。

一些实施例中，所述获取每个所述异常像素点与其同列的其他异常像素点之间的目标距离和所述搜索区域的信息熵，根据所述目标距离和所述信息熵，获取所述搜索区域的保留必要程度，包括：

比较所述目标距离，确定距离所述异常像素点最近的两个其他异常像素点分别为第一异常像素点和第二异常像素点；

确定所述异常像素点与所述第一异常像素点之间的距离为第一距离，以及确定所述异常像素点与所述第二异常像点之间的距离为第二距离；

计算所述第一距离与所述第二距离之间差值绝对值，作为所述异常像素点的目标距离差异；

对所述搜索区域中所有所述异常像素点的所述目标距离差异进行累加求和，得到累加求和结果；

计算所述累加求和结果与所述信息熵之间的乘积，并对所述乘积进行归一化处理的得到所述保留必要程度。

一些实施例中，所述根据所述保留必要程度，获取所述搜索区域的初始非局部均值滤波参数的调整因子，包括：

获取所述搜索区域的多个邻域搜索区域的保留必要程度的方差，对所述方差进行归一化处理，得到归一化值；

计算所述归一化值与所述保留必要程度的和值；

对所述和值进行归一化处理，得到所述调整因子。

一些实施例中，所述根据所述调整因子调整所述初始非局部均值滤波参数，得到目标非局部均值滤波参数，包括：

计算设定值与所述调整因子之间的差值作为所述初始非局部均值滤波参数的调整系数；

计算所述调整系数与所述初始非局部滤波系数之间的乘积，作为所述目标非局部均值滤波参数。

一些实施例中，所述根据所述目标灰度图像，对所述汽车圆形拖车孔进行气纹缺陷检测，得到检测结果，包括：

对所述目标灰度图像进行边缘检测处理，生成目标检测图像；

若所述目标检测图像中存在边缘轮廓，则确定所述汽车圆形拖车孔存在所述气纹缺陷；

若所述目标检测图像中未存在边缘轮廓，则确定所述汽车圆形拖车孔未存在所述气纹缺陷。

本发明具有如下有益效果：将候选灰度图像划分成多个搜索区域，便于后续对候选灰度图像的每个区域进行自适应滤波处理。由于噪声点分布均匀，噪声点之间的距离较近，而气纹缺陷区域的边缘像素点之间距离通常比噪声点之间的距离远，因此每个异常像素点与其同列的其他异常像素点之间的目标距离与该异常像素点为气纹缺陷像素点的概率之间存在一定的映射关系，搜索区域的信息熵反映搜索区域的灰度分布的混乱程度，也即可以反映搜索区域处于气纹曲线区域的概率，通过目标距离和信息熵获取搜索区域的保留必要程度，能够为搜索区域的自适应滤波参数的调整提供可靠依据。根据搜索区域的保留必要程度，获取搜索区域的初始非局部均值滤波参数的调整因子，并根据调整因子调整初始非局部均值滤波参数，能够实现搜索区域的自适应滤波去噪处理。由于对图像的各个搜索区域的自适应滤波去噪处理，能够在滤除图像中的噪声点的同时，保留图像中的气纹缺陷，通过对自适应滤波后得到的目标灰度图像对汽车圆形拖车孔进行气纹缺陷检测，能够提高汽车圆形拖车孔的气纹缺陷检测的准确性。

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机器视觉的汽车圆形拖车孔气纹缺陷检测方法的流程示意图；

图2为本发明一个实施例提供的一种拖车孔边缘区域的示意图；

图3为本发明一个实施例提供的一种气纹缺陷的示意图。

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机器视觉的汽车圆形拖车孔气纹缺陷检测方法，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，一个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机器视觉的汽车圆形拖车孔气纹缺陷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一种基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法的流程示意图，该方法包括以下步骤：

S101，获取汽车圆形拖车孔的候选灰度图像。

一些实施例中，采集汽车圆形拖车孔的原始灰度图像，识别原始灰度图像中的拖车孔边缘区域，对拖车孔边缘区域内的像素点进行灰度值替换处理，得到候选灰度图像。

可以在汽车圆形拖车孔的盖子处于关闭状态时，通过摄像头对汽车圆形拖车孔区域进行拍摄得到汽车圆形拖车孔图像，并对汽车圆形拖车孔图像进行灰度处理，得到原始灰度图像。

本发明实施例中，在铸造汽车圆形拖车孔盖时，向铸造汽车圆形拖车孔盖的摸具内注入原料，如果模具内缺乏必要的排气孔或者排气孔不足，则铸造后的汽车圆形拖车孔盖容易出现气纹缺陷，其中，气纹缺陷通常出现在汽车圆形拖车孔盖的边缘区域。

一些实施例中，图2为本发明一个实施例提供的一种拖车孔边缘区域的示意图，由于原始灰度图像中气纹缺陷区域的像素点的梯度幅值比拖车孔边缘区域的像素点的梯度幅值小，也即是说，拖车孔边缘区域的纹理比气纹缺陷区域的纹理更加明显。本发明实施例中，可以使用Canny算子实现原始灰度图像的边缘检测，可以理解的是，由于Canny算子包括高阈值和低阈值两个阈值，梯度值大于高阈值的像素点为强边缘像素点，梯度值小于高阈值且大于低阈值的像素点为弱边缘像素点，梯度值小于低阈值的像素点为非边缘像素点。可以预先将Canny算子的低阈值设置为较大的数值，然后通过预先设置好的Canny算子对原始灰度图像进行边缘检测，此时，可以仅检测出拖车孔边缘区域，忽视气纹缺陷区域。其中，拖车孔边缘区域反映到实际场景中是汽车圆形拖车孔盖与车身之间的缝隙区域。

需要说明的是，在通过预先设置好的Canny算子检测原始灰度图像中的拖车孔边缘区域时，Canny算子的低阈值可以根据实际场景需求进行设定，此处不做任何限定，可选地，Canny算子的低阈值可以设置为0.6或0.7。

作为一种可能的情况，若通过预先设置好的Canny算子对原始灰度图像进行边缘检测处理后得到的拖车孔边缘区域存在断点，即检测到的拖车孔边缘区域不连续，则可以对拖车孔边缘区域进行形态学闭运算，以对断点进行弥合，得到完整的边缘。

为了排除拖车孔边缘区域对气纹缺陷识别的影响，需要去除原始灰度图像中的拖车孔边缘区域，因此在识别出原始灰度图像中的拖车孔边缘区域后，可以对拖车孔边缘区域内的像素点进行灰度值替换处理，以去除原始灰度图像中的拖车孔边缘区域。

本发明实施例中，识别原始灰度图像中的拖车孔边缘区域，并对拖车孔边缘区域内的像素点进行灰度值替换处理得到候选灰度图像，能够将原始灰度图像中的拖车孔边缘区域去除，从而排除拖车孔边缘的纹理干扰，便于后续的滤波去噪处理。

本发明实施例中，对拖车孔边缘区域内的像素点进行灰度值替换处理，得到候选灰度图像，包括：获取原始灰度图像中每个像素点的灰度值，确定每个灰度值对应的像素点数量，将像素点数量最大的灰度值作为目标灰度值，将拖车孔边缘区域内的像素点的灰度值替换成目标灰度值，得到候选灰度图像。

具体地，可以建立原始灰度图像的灰度直方图，其中，灰度直方图的横坐标为灰度值，纵坐标为像素点数量，比较每个灰度值对应的像素点数量大小，确定像素点数量最大的灰度值为目标灰度值，并将拖车孔边缘区域内的像素点的灰度值替换成目标灰度值，得到候选灰度图像。

由于原始灰度图像中正常像素点的数量最多，像素点数量最大的目标灰度值为正常像素点的灰度值，因此，将拖车孔边缘区域内的像素点的灰度值替换成目标灰度值，可以将拖车孔区域去除，以便于后续的气纹缺陷识别。其中，正常像素点为气纹缺陷区域、噪声区域和拖车孔边缘区域之外的像素点。

S102，将候选灰度图像划分成多个搜索区域，识别搜索区域中的异常像素点，获取每个异常像素点与其同列的其他异常像素点之间的目标距离和搜索区域的信息熵，根据目标距离和信息熵，获取搜索区域的保留必要程度。

其中，搜索区域为非局部均值滤波算法对图像进行滤波处理时的区域，需要说明的是，非局部均值滤波算法为公知技术，此处不再赘述。

需要说明的是，搜索区域的尺寸大小可以根据实际需求进行设定，此处不做任何限定，可选地，搜索区域尺寸大小可以为21×21。

本发明实施例中，识别搜索区域中的异常像素点，包括：对候选灰度图像的灰度区间进行灰度分级处理，得到多个灰度级，使用灰度游程矩阵逐列遍历搜索区域中的像素点，在遍历至不同灰度级的像素点时，将不同灰度级的像素点作为异常像素点。

可选地，可以将候选灰度图像的灰度区间[0，255]划分成多个灰度级，例如，可以将灰度区间[0，255]划分成64个灰度级，每个灰度级的灰度区间长度为4。

灰度游程矩阵可以反映图像中像素点在某一个方向上的变化情况，从而可以体现图像的纹理信息，也即是说，灰度游程矩阵可以实现对图像中同一方向同一灰度级连续出现的数量进行统计。因此，本发明实施例中，可以使用灰度游程矩阵对图像的每个搜索区域中的每列像素点进行遍历操作，在遍历至不同灰度级的像素点时，将该不同灰度级的像素点作为异常像素点。

由于噪声点以及气纹缺陷像素点与正常像素点之间存在灰度级差异，噪声点和气纹缺陷像素点会被确定为异常像素点，其中，气纹缺陷像素点为气纹缺陷区域内的像素点。

本发明实施例中，获取每个异常像素点与其同列的其他异常像素点之间的目标距离和搜索区域的信息熵，根据目标距离和信息熵，获取搜索区域的保留必要程度，包括：比较目标距离，中确定距离异常像素点最近的两个其他异常像素点分别为第一异常像素点和第二异常像素点，确定异常像素点与第一异常像素点之间的距离为第一距离，以及确定异常像素点与第二异常像点之间的距离为第二距离，计算第一距离与第二距离之间差值绝对值，作为异常像素点的目标距离差异，对搜索区域中所有异常像素点的目标距离差异进行累加求和，得到累加求和结果，计算累加求和结果与信息熵之间的乘积，并对乘积进行归一化处理得到保留必要程度。

其中，保留必要程度表征搜索区域处于气纹缺陷区域的概率，保留必要程度越大，表明搜索区域处于气纹缺陷区域的概率越大，相应地，需要滤波处理的程度越低；保留必要程度越小，表明搜索区域处于气纹缺陷区域的概率越小，相应地，需要滤波处理的程度越高。

针对每个搜索区域的每个异常像素点，可以比较该异常像素点与其同列的每个其他异常像素点之间的目标距离，以确定与该异常像素点距离最近的两个其他异常像素点，即第一异常像素点和第二异常像素点，并获取该异常像素点与第一异常像素点之间的第一距离，以及该异常像素点与第二异常像素点之间的第二距离，并根据该第一距离、第二距离和该搜索区域的信息熵，获取该搜索区域的保留必要程度。

具体地，可以通过下述公式计算每个搜索区域的保留必要程度：

其中，γ_i为第i个搜索区域的保留必要程度，H_i为第i个搜索区域的信息熵，d_ij为第i个搜索区域的第j个异常像素点与第一异常像素点之间的第一距离，d_i ^′ _j为第i个搜索区域的第j个异常像素点与第二异常像素点之间的第二距离，i为搜索区域的索引，j为异常像素点的索引，J为第i个搜索区域的异常像素点数量，||表示取绝对值，Norm{}为归一化函数。

其中，搜索区域的信息熵可以通过下述公式计算：

其中，H_i为第i个搜索区域的信息熵，p_j为灰度值j在第i个搜索区域中出现的频率，log()为对数函数，j为灰度值。

本发明实施例中，搜索区域的信息熵H_i越大，表明该搜索区域的灰度分布越混乱，该搜索区域处于纹理缺陷区域的概率越大，相应地，该搜索区域的保留必要程度越大，因此，保留必要程度与信息熵呈正相关关系。实际场景中，噪声点在候选灰度图像中的分布通常较为均匀，因此噪声点之间的距离通常较近，|d_ij-d_i ^′ _j|表示异常像素点与其邻近的其他像素点之间的目标距离差异，目标距离差异越小，说明该异常像素点为噪声像素点的可能性越大，即该异常像素点为气纹缺陷像素点的可能性越小，因此，

越小，搜索区域处于纹理缺陷区域的概率越小，相应地，该搜索区域的保留必要程度越小。反之，目标距离差异|d_ij-d_i ^′ _j|越大，说明该异常像素点为噪声像素点的可能性越小，即该异常像素点为气纹缺陷像素点的可能性越大，因此，

越大，搜索区域处于纹理缺陷区域的概率越大，相应地，该搜索区域的保留必要程度越大，因此，

与保留必要程度呈正相关关系。由此，通过考虑同列异常像素点之间的距离和搜索区域的信息熵来计算搜索区域的保留必要程度，提高了保留必要程度准确性，为后续是否对对应的搜索区域进行滤波处理提供了可靠依据。

S103，根据保留必要程度，获取搜索区域的初始非局部均值滤波参数的调整因子。

其中，初始非局部均值滤波参数为非局部均值滤波算法(Non Local Maeans，NLM)的初始滤波参数。应说明的是，初始非局部均值滤波参数可以根据实际场景需求进行设定，此处不做任何限定，可选地，初始非局部均值滤波参数可以为设置为20。

本发明实施例中，根据保留必要程度，获取搜索区域的初始非局部均值滤波参数的调整因子，包括：获取搜索区域的多个邻域搜索区域的保留必要程度的方差，对方差进行归一化处理，得到归一化值，计算归一化值与保留必要程度的和值，对和值进行归一化处理，得到调整因子。

其中，搜索区域为矩形区域，多个邻域搜索区域可以为搜索区域的八邻域范围内的搜索区域。

具体地，可以通过下述公式计算每个搜索区域的初始非局部均值滤波参数的调整因子：

其中，μ_i为第i个搜索区域的初始非局部均值滤波参数的调整因子，γ_i为第i个搜索区域的保留必要程度，

为第i个搜索区域的多个邻域搜索区域的集合，k为多个邻域搜索区域的数量，Var{}表示取方差，

为第i个搜索区域的多个邻域搜索区域的保留必要程度的方差，Norm{}为归一化函数。

本发明实施例中，调整因子的大小可以反映搜索区域处于气纹缺陷区域的概率，调整因子越大，表明该搜索区域处于气纹缺陷区域的概率越大，该搜索区域的保留必要性越高；调整因子越小，表明该搜索区域处于气纹缺陷区域的概率越小，该搜索区域的保留必要性越低。

上述计算调整因子的公式中，

可以反映搜索区域的多个邻域搜索区域的保留必要程度的稳定性，

越大，说明该搜索区域的多个邻域搜索区域的保留必要程度的稳定性越弱，该多个邻域搜索区域之间的保留必要程度的差异性也越大，相应地，该搜索区域处于气纹缺陷区域的边缘处的概率越大，则该搜索区域的保留必要性越高，该搜索区域的初始非局部均值滤波参数的调整因子越大。

越小，说明该搜索区域的多个邻域搜索区域的保留必要程度的稳定性越强，该多个邻域搜索区域之间的保留必要程度的差异性也越小，相应地，该搜索区域处于气纹缺陷区域的边缘处的概率越小，则该搜索区域的保留必要性越低，该搜索区域的初始非局部均值滤波参数的调整因子越小。通过引入搜索区域的多个邻域搜索区域的保留必要程度的方差，可以结合邻域搜索区域之间的保留必要程度的差异性，确定搜索区域处于气纹缺陷区域的边缘处的概率，并通过该概率对保留必要程度γ_i进行调整来获取初始非局部均值滤波参数的调整因子，能够提高调整因子的准确性，从而为后续初始非局部均值滤波参数的调整提供可靠依据。

S104，根据调整因子调整初始非局部均值滤波参数，得到目标非局部均值滤波参数，根据目标非局部均值滤波参数，对搜索区域进行滤波处理，在对多个搜索区域进行滤波处理后，得到目标灰度图像。

本发明实施例中，根据调整因子调整初始非局部均值滤波参数，得到目标非局部均值滤波参数，包括：计算设定值与调整因子之间的差值作为初始非局部均值滤波参数的调整系数，计算调整系数与初始非局部滤波系数之间的乘积，作为目标非局部均值滤波参数。

可选地，设定值为1。

具体地，可以根据下述公式计算每个搜索区域的目标非局部均值滤波参数：

h_i＝h₀*(1-μ_i)

其中，h_i为第i个搜索区域的目标非局部均值滤波参数，h₀为第i个搜索区域的初始非局部均值滤波参数，μ_i为第i个搜索区域的初始非局部均值滤波参数的调整因子。

本发明实施例中，目标非局部均值滤波参数越大，滤波去噪效果越好，即边缘细节会丢失，目标非局部均值滤波参数越小，滤波去噪效果越差，即边缘细节会得以保留。其中，搜索区域的调整因子越大，表明搜索区域处于纹理缺陷区域的概率越大，该搜索区域的保留必要性越高，相应地，目标非局部均值滤波参数越小；搜索区域的调整因子越小，表明搜索区域处于纹理缺陷区域的概率越小，该搜索区域的保留必要性越低，相应地，目标非局部均值滤波参数越大。由此，可以对候选灰度图像中的每个搜索区域进行自适应滤波去噪处理得到目标灰度图像，从而在滤除候选灰度图像中的噪声点的同时，可以较好的保留候选灰度图像中气纹缺陷区域，便于后续的气纹缺陷识别。

S105，根据目标灰度图像，对汽车圆形拖车孔进行气纹缺陷检测，得到检测结果。

可选地，对目标灰度图像进行边缘检测处理，生成目标检测图像，若目标检测图像中存在边缘轮廓，则确定汽车圆形拖车孔存在气纹缺陷，若目标检测图像中未存在边缘轮廓，则确定汽车圆形拖车孔未存在气纹缺陷。

图3为本发明一个实施例提供的一种气纹缺陷的示意图，由于目标灰度图像中的气纹缺陷区域的像素点的梯度幅值通常较小，即气纹缺陷区域的纹理明显程度较低，可以预先将Canny算子的低阈值设置为较小的数值，然后通过预先设置好的Canny算子对目标灰度图像进行边缘检测，此时，可以从目标灰度图像中检测出如图3所示的气纹缺陷。

需要说明的是，Canny算子的低阈值可以根据实际场景需求进行设定，此处不做任何限定，可选地，Canny算子的低阈值可以设置为0.3或0.4。

本发明实施例中，由于目标灰度图像中的各个搜索区域经由非局部均值滤波算法进行自适应滤波去噪处理后，去除了图像中的噪声点，减少了噪声干扰，并且保留了图像中的纹理缺陷，通过对目标灰度图像进行边缘检测，实现了气纹缺陷的检测，提高了气纹缺陷检测的准确性。

综上所述，本发明实施例中，将候选灰度图像划分成多个搜索区域，便于后续对候选灰度图像的每个区域进行自适应滤波处理。由于噪声点分布均匀，噪声点之间的距离较近，而气纹缺陷区域的边缘像素点之间距离通常比噪声点之间的距离远，因此每个异常像素点与其同列的其他异常像素点之间的目标距离与该异常像素点为气纹缺陷像素点的概率之间存在一定的映射关系，搜索区域的信息熵反映搜索区域的灰度分布的混乱程度，也即可以反映搜索区域处于气纹曲线区域的概率，通过目标距离和信息熵获取搜索区域的保留必要程度，能够为搜索区域的自适应滤波参数的调整提供可靠依据。根据搜索区域的保留必要程度，获取搜索区域的初始非局部均值滤波参数的调整因子，并根据调整因子调整初始非局部均值滤波参数，能够实现搜索区域的自适应滤波去噪处理。由于对图像的各个搜索区域的自适应滤波去噪处理，能够在滤除图像中的噪声点的同时，保留图像中的气纹缺陷，通过对自适应滤波后得到的目标灰度图像对汽车圆形拖车孔进行气纹缺陷检测，能够提高汽车圆形拖车孔的气纹缺陷检测的准确性。

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 (8)

1.一种基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法，其特征在于，方法包括：

获取汽车圆形拖车孔的候选灰度图像；

将所述候选灰度图像划分成多个搜索区域，识别所述搜索区域中的异常像素点，获取每个所述异常像素点与其同列的其他异常像素点之间的目标距离和所述搜索区域的信息熵，根据所述目标距离和所述信息熵，获取所述搜索区域的保留必要程度；

根据所述保留必要程度，获取所述搜索区域的初始非局部均值滤波参数的调整因子；

根据所述调整因子调整所述初始非局部均值滤波参数，得到目标非局部均值滤波参数，根据所述目标非局部均值滤波参数，对所述搜索区域进行滤波处理，在对所述多个搜索区域进行所述滤波处理后，得到目标灰度图像；

根据所述目标灰度图像，对所述汽车圆形拖车孔进行气纹缺陷检测，得到检测结果。

2.根据权利要求1所述的方法，其特征在于，所述获取汽车圆形拖车孔的候选灰度图像，包括：

采集汽车圆形拖车孔的原始灰度图像；

识别所述原始灰度图像中的拖车孔边缘区域，对所述拖车孔边缘区域内的像素点进行灰度值替换处理，得到所述候选灰度图像。

3.根据权利要求2所述的方法，其特征在于，所述对所述拖车孔边缘区域内的像素点进行灰度值替换处理，得到候选灰度图像，包括：

获取所述原始灰度图像中每个像素点的灰度值，确定每个所述灰度值对应的像素点数量，将所述像素点数量最大的灰度值作为目标灰度值；

将所述拖车孔边缘区域内的像素点的灰度值替换成所述目标灰度值，得到所述候选灰度图像。

4.根据权利要求1所述的方法，其特征在于，所述识别所述搜索区域中的异常像素点，包括：

对所述候选灰度图像的灰度区间进行灰度分级处理，得到多个灰度级；

使用灰度游程矩阵逐列遍历所述搜索区域中的像素点，在遍历至不同灰度级的像素点时，将所述不同灰度级的像素点作为所述异常像素点。

5.根据权利要求1所述的方法，其特征在于，所述获取每个所述异常像素点与其同列的其他异常像素点之间的目标距离和所述搜索区域的信息熵，根据所述目标距离和所述信息熵，获取所述搜索区域的保留必要程度，包括：

比较所述目标距离，确定距离所述异常像素点最近的两个其他异常像素点分别为第一异常像素点和第二异常像素点；

确定所述异常像素点与所述第一异常像素点之间的距离为第一距离，以及确定所述异常像素点与所述第二异常像点之间的距离为第二距离；

计算所述第一距离与所述第二距离之间差值绝对值，作为所述异常像素点的目标距离差异；

对所述搜索区域中所有所述异常像素点的所述目标距离差异进行累加求和，得到累加求和结果；

计算所述累加求和结果与所述信息熵之间的乘积，并对所述乘积进行归一化处理的得到所述保留必要程度。

6.根据权利要求1所述的方法，其特征在于，所述根据所述保留必要程度，获取所述搜索区域的初始非局部均值滤波参数的调整因子，包括：

获取所述搜索区域的多个邻域搜索区域的保留必要程度的方差，对所述方差进行归一化处理，得到归一化值；

计算所述归一化值与所述保留必要程度的和值；

对所述和值进行归一化处理，得到所述调整因子。

7.根据权利要求1所述的方法，其特征在于，所述根据所述调整因子调整所述初始非局部均值滤波参数，得到目标非局部均值滤波参数，包括：

计算设定值与所述调整因子之间的差值作为所述初始非局部均值滤波参数的调整系数；

计算所述调整系数与所述初始非局部滤波系数之间的乘积，作为所述目标非局部均值滤波参数。

8.根据权利要求1所述的方法，其特征在于，所述根据所述目标灰度图像，对所述汽车圆形拖车孔进行气纹缺陷检测，得到检测结果，包括：

对所述目标灰度图像进行边缘检测处理，生成目标检测图像；

若所述目标检测图像中存在边缘轮廓，则确定所述汽车圆形拖车孔存在所述气纹缺陷；

若所述目标检测图像中未存在边缘轮廓，则确定所述汽车圆形拖车孔未存在所述气纹缺陷。

Images