CN116681695B - 一种抗变形模板端面的质量检测方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种抗变形模板端面的质量检测方法，包括：根据模板端面分区内正常像素点、差异像素点位置距离得到模板端面分区可进行判断的评价，进而获得可判断窗口；获取异常点的灰度偏离大小，根据初始选取范围内异常点位置差异得到延伸特征向量和延伸特征向量的模长；获取可判断窗口的延伸特征向量，根据可判断窗口的延伸特征向量获得可判断窗口的特征值；获取phash值，通过比对得到产品质量。本发明能够根据模板产品整体扭曲带来的影响效果构建分区的特征向量，避免特征被缩放模糊导致信息丢失，保证phash的检测精度时，提升了对于整体特征发生改变时的检测敏感性。

Description

一种抗变形模板端面的质量检测方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种抗变形模板端面的质量检测方法。

背景技术

模板端面质量检测场景中，通过模板端面的表面是否均匀判断出模板端面加工时是否产生模板变形，因此模板端面材质的抗变形性能十分重要。

模板端面生产线数量较多，且模板端面的面积较大，人工检测容易疲劳且对于大面积的模板端面发生变形的感知程度不敏感，通常用计算机视觉进行检测，利用感知哈希算法（PHash），能够快速提取图像的部分特征部位构成特征指纹，便于进行图像之间相似性的判断，能够快速感知模板端面质量。

在抗变形模板端面使用传统方式提取phash值时，需要将图像进行缩放，而模板端面原料在加工时体现出的瑕疵特征被缩放会被重度模糊，需要综合端面材质在加工时产生的扭曲变形在整体体现出的特征波动选取对应窗口部分的特征值，保证检测精度。

发明内容

本发明提供一种抗变形模板端面的质量检测方法，以解决现有的问题。

本发明的一种抗变形模板端面的质量检测方法采用如下技术方案：

本发明一个实施例提供了一种抗变形模板端面的质量检测方法，该方法包括以下步骤：

获取模板端面原始图像预处理得到模板端面分区；

获取模板端面的先验灰度范围，根据先验灰度范围得到正常像素点、差异像素点位置；根据模板端面分区内正常像素点、差异像素点位置距离得到模板端面分区可进行判断的判断评价，进而获得可判断窗口；

获取初始选取范围，根据初始选取范围内除中心位置异常点外其他位置异常点的灰度值和先验灰度范围内的灰度均值得到初始选取范围内除中心位置外其他位置异常点的灰度偏离大小，根据初始选取范围内中心位置异常点和其他位置异常点的横纵坐标差异得到延伸特征向量，根据初始选取范围内中心位置异常点的灰度偏离大小和其他位置异常点的灰度偏离大小差异得到延伸特征向量的模长；

根据初始选取范围内的所有延伸特征向量得到初始范围的延伸特征向量，获取次短距离，根据次短距离获取扩张后的范围进而得到扩张后的范围的延伸特征向量及可判断窗口的延伸特征向量；

获取所有可判断窗口的延伸特征向量，根据可判断窗口的延伸特征向量与最相邻窗口的延伸特征向量的角度差异以及延伸特征向量的模长获得可判断窗口的窗口特征值，获取所有可判断窗口的窗口特征值；

根据可判断窗口的窗口特征值的中位数进行赋值得到二维矩阵，获取二维矩阵phash值，通过比对先验高品质产品图像之间phash值得到产品质量。

进一步地，所述根据模板端面分区内正常像素点、差异像素点位置距离得到模板端面分区可进行判断的判断评价，包括的具体步骤如下：

式中，表示模板端面分区/>内差异像素点的个数，/>表示模板端面分区/>内正常像素点的个数，/>表示第i个差异像素点的位置，/>表示第j个正常像素点的位置，表示第i个差异像素点和第j个正常像素点的欧式距离，/>为第/>个模板端面分区可进行判断的判断评价。

进一步地，所述根据初始选取范围内除中心位置异常点外其他位置异常点的灰度值和先验灰度范围内的灰度均值得到初始选取范围内除中心位置外其他位置异常点的灰度偏离大小，包括的具体步骤如下：

式中，表示初始选择范围内第i个其他异常点的灰度值，/>表示先验灰度范围内的灰度均值，/>表示第i个其他异常点产生的灰度偏离大小。

进一步地，所述根据初始选取范围内中心位置异常点和其他位置异常点的横纵坐标差异得到延伸特征向量，包括的具体步骤如下：

式中，表示初始选取范围/>内中心异常点的位置，/>表示初始选取范围/>内任意一个其他异常点的位置，/>表示异常点/>的横坐标，/>表示异常点/>的横坐标，/>表示异常点/>的纵坐标，/>表示异常点/>的纵坐标，/>表示初始选取范围/>内，其他异常点/>与中心异常点/>的延伸特征向量方向。

进一步地，所述根据初始选取范围内中心位置异常点的灰度偏离大小和其他位置异常点的灰度偏离大小差异得到延伸特征向量的模长，包括的具体步骤如下：

式中，表示其他异常点/>与中心异常点/>的延伸特征向量的模长，/>表示任意一个其他异常点的灰度偏离大小，/>表示中心异常点/>的灰度偏离大小，/>表示求绝对值。

进一步地，所述根据初始选取范围内的所有延伸特征向量得到初始范围的延伸特征向量，包括的具体步骤如下：

式中，表示初始范围R的延伸特征向量，/>表示初始范围R内存在的延伸特征向量总个数，/>表示初始选取范围/>内中心异常点的位置，/>表示初始选取范围/>第q个其他异常点的位置，/>表示初始选取范围/>第q+1个其他异常点的位置，/>表示/>的延伸特征向量，/>表示/>的延伸特征向量。

进一步地，所述获取次短距离，根据次短距离获取扩张后的范围进而得到扩张后的范围的延伸特征向量及可判断窗口的延伸特征向量，包括的具体步骤如下：

次短距离，取d=2的函数值作为次短距离；

通过次短距离选取范围，排除最短距离选取出的异常点，除中心点/>；

计算剩余异常点的延伸特征向量；

计算剩余异常点范围内的延伸特征向量；

将与/>相加，获取次短距离的选取范围/>内的延伸特征向量/>；

依照异常点的相近距离进行扩张并继续计算选取范围内的延伸特征向量，直至选取范围接触到分区边界即停止，得到分区的延伸特征向量，得到可判断窗口的延伸特征向量。

进一步地，所述根据可判断窗口的延伸特征向量与最相邻窗口的延伸特征向量的角度差异以及延伸特征向量的模长获得可判断窗口的窗口特征值，包括的具体步骤如下：

模板端面图像中，获取当前待检测窗口最相邻的全部邻接窗口，统计最相邻窗口延伸特征向量与/>窗口延伸特征向量/>夹角在/>内的延伸特征向量个数，记为K，将当前检测窗口/>的延伸特征向量/>模长/>进行K倍扩张，将扩张后的窗口延伸特征向量模长作为窗口特征值。

本发明的技术方案的有益效果是：

相比传统直接进行缩放后DCT选取特征值，对于模板整体产生的扭曲变形特征在缩放时被严重模糊，无法保留下变形带来的部分灰度变化特征，最终降低配合phash的检测准确效果。

本发明能够根据模板产品整体扭曲带来的影响效果构建分区的特征向量并选取特征值作为phash的对比，避免特征被缩放模糊导致信息丢失，保证phash的检测精度时，提升了对于整体特征发生改变时的检测敏感性。

本发明通过先验灰度范围排除大量正常像素点，根据差异像素点的分布及其灰度差异进行区域延展特性的分析，不单一通过像素点灰度值进行筛选，在渐变波动的强度被考虑并结合异常点分布所构成的区域延展特性，在进行比对时体现出整体异常特征，使phash值能够准确描述模板变形带来的区域异常。

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。

图1为本发明一个实施例所提供的一种抗变形模板端面的质量检测方法的步骤流程图。

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抗变形模板端面的质量检测方法，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抗变形模板端面的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一种抗变形模板端面的质量检测方法的步骤流程图，该方法包括以下步骤：

S001、获取模板端面原始图像预处理得到模板端面分区。

需要说明的是，模板端面为圆柱体模板的顶面，通常为预先加工好，再进行安装，模板浇筑完成后，需要经过检测后才能交付使用；而本实施例的目的即是对模板端面进行质量检测，因此首先需要获取模板端面的图像并进行后续分析。

具体的，通过工业相机采集加工完成的端面模板产品，获取其原始图像，灰度化，通过现有连通域算法获取图像连通域，提取出目标端面区域；目标端面区域为圆形，根据目标端面区域对原始图像进行裁剪，得到裁剪图像，通过PHash算法规定的对裁剪图像进行分区，得到144个模板端面分区，即是将裁剪图像横向及纵向分别进行12等分，PHash算法为公知技术，本实施例不再赘述。

S002、获取模板端面的先验灰度范围，根据先验灰度范围得到正常像素点、差异像素点位置；根据模板端面分区内正常像素点、差异像素点位置距离得到模板端面分区可进行判断的评价，进而获得可判断窗口。

需要说明的是，抗变形模板需要一定厚度进行结构的支撑，才能达到抗变形的设计要求，而材料在加工过程中产生的板面整体扭曲变形会导致板面整体的灰度波动变化，形成灰度波动变形区域，通过变形区域的分布对各分区产生的灰度影响选取特征值。模板变形首先带来表面对于相机的角度变化，具体为光线在模板表面的反射角度产生变化，因此在图像中产生灰度差异。

具体的，获取当前模板材质的先验灰度范围，本实施例以/>为例进行说明（不同模板存在不同先验灰度），需要说明的是，先验灰度范围是指模板端面标准的灰度值范围，即正常灰度值范围。将图像中像素点灰度值/>的点i筛选出，得到若干灰度值不属于先验灰度范围的像素点，对这些像素点标记为1，记为差异像素点，其他正常像素点标记为0，得到标记图像，将标记图像记为差异图像。

进一步需要说明的是，对于差异图像，符合先验灰度范围的点被掏取后，剩余像素点无法构成完整闭合区域，但直接进行填补形成区域会丢失先验范围内外像素点的分布信息；对于裁剪图像中第一个分区，分区/>内含有先验灰度范围外的像素点（即差异像素点）数量/>越多，表示分区内符合标准的正常点/>越少。而对于模板本身，其浇筑表面光洁度存在变化，差异点聚集越近，代表分区内正常、差异区域分界明显，将差异点占有区域进行填充对分辨两区域的影响较小。因此需要对差异点占有区域进行影响分析，对差异点占有区域进行填充之后分辨两区域的影响进行量化。

具体的，将任意一个模板端面分区记为，模板端面分区可进行判断的判断评价为：

式中，表示模板端面分区/>内差异像素点的个数，/>表示模板端面分区/>内正常像素点的个数，/>表示第i个差异像素点的位置，/>表示第j个正常像素点的位置，表示第i个差异像素点和第j个正常像素点的欧式距离；此时，正常像素点个数越少，代表在当前分区内异常区域更大，进行区域内异常区域判断更有必要。/>为异常点N相对正常点Y的分布距离情况，该式越大代表异常点N分布较为紧密，代表异常区域的特征更加明显，能够获取明显的异常区域延伸趋势的可能性更高；则得到了当前分区/>可进行的判断评价，按照上述方法获取所有分区的判断评价。

进一步的，获取所有分区的判断评价均值，将判断评价大于等于/>的分区作为可判断分区，用于后续进行异常区域延伸判断。

至此，获得了待判断窗口中的可判断窗口。

S003、获取初始选取范围，根据初始选取范围内除中心位置异常点外其他位置异常点的灰度值和先验灰度范围内的灰度均值得到初始选取范围内除中心位置外其他位置异常点的灰度偏离大小，根据初始选取范围内中心位置异常点和其他位置异常点的横纵坐标差异得到延伸特征向量；根据初始选取范围内中心位置异常点的灰度偏离大小和其他位置异常点的灰度偏离大小差异得到延伸特征向量的模长。

需要说明的是，对于可判断窗口，通过内部含有的异常点波动及分布情况进行延伸向量的计算。

具体的，任意一个可判断窗口内部任意一异常点为/>，获取该点与其他异常点/>的距离，得到距离序列，选取最短距离/>构建初始选取范围/>。需要说明的是，初始选取范围/>是以异常点/>为中心，邻域半径为最短距离的方形范围。

进一步需要说明的是，在当前初始选取范围R下，以异常点为中心，范围内分布的其他异常点/>越多，代表当前范围内对异常、正常范围分界的识别性较差，需要进行扩张。

具体操作：将异常点灰度值差异作为当前异常点产生的灰度偏离大小。

式中，表示初始选择范围内第i个其他异常点的灰度值，/>表示先验灰度范围的灰度均值，/>表示第i个其他异常点产生的灰度偏离大小。

需要说明的是，对于范围内其他异常点，其分布体现了当前范围内异常区域的朝向；异常点堆积在初始选取范围内，位于中心异常点/>的某个方向上，异常点堆积越多代表异常区域向其他分区异常点堆积位置进行延伸的特征越明显。

具体的，在初始选取范围内，构建延伸特征向量/>描述当前分区内的异常点堆积特征。

式中，表示初始选取范围/>内中心异常点的位置，/>表示初始选取范围/>内任意一个其他异常点的位置，/>表示异常点/>的横坐标，/>表示异常点/>的横坐标，/>表示异常点/>的纵坐标，/>表示异常点/>的纵坐标，/>表示初始选取范围/>内，其他异常点/>与中心异常点/>的延伸特征向量/>。

可以代表两点坐标相减构建向量方向，由中心点指向其他点。

式中，表示其他异常点/>与中心异常点/>的延伸特征向量的模长，/>表示任意一个其他异常点的灰度偏离大小，/>表示中心异常点/>的灰度偏离大小，/>表示求绝对值。

代表延伸特征向量的模长为两点灰度偏离大小的差异。

至此，在初始选取范围内，构建出延伸特征向量，获得了/>的延伸特征向量，同理获得与其他所有异常点的延伸特征向量。

S004、根据初始选取范围内的所有延伸特征向量得到初始范围的延伸特征向量，根据次短距离获取扩张后的范围进而得到扩张后的范围的延伸特征向量及可判断窗口的延伸特征向量。

具体的，初始范围R内存在个延伸特征向量，通过其总体分布相加形成范围R的延伸特征向量。

式中，表示初始范围R的延伸特征向量，/>表示初始范围R内存在的延伸特征向量总个数，/>表示初始选取范围/>内中心异常点的位置，/>表示初始选取范围/>第q个其他异常点的位置，/>表示初始选取范围/>第q+1个其他异常点的位置，/>表示/>的延伸特征向量，/>表示/>的延伸特征向量；此时，/>通过初始范围内全部延伸特征向量相加，综合异常点位置关系及异常波动强度，将向量总和结果作为初始范围的延伸特征；则得到了初始选取范围/>内的延伸特征向量/>。

具体的，初始范围R相对图像分区较小，需要进行扩张获取图像分区的延伸特征。

首先获取次短距离，small为次小值计算方法，为现有技术，本实施例中不再赘述，本实施例取d=2作为次短距离。

1.通过次短距离选取范围，/>即为扩张之后的范围，排除最短距离选取出的异常点（除中心点/>），记为剩余异常点，需要说明的是，范围/>是根据次短距离选取的范围，即以异常点/>为中心，邻域半径为次短距离的方形范围；

2.计算剩余异常点的延伸特征向量；

3.计算剩余异常点范围内的延伸特征向量；

4.将与/>相加，获取次短距离的选取范围/>内的延伸特征向量/>。

依照异常点的相近距离进行扩张并继续计算选取范围内的延伸特征向量，直至选取范围R接触到分区边界即停止，得到分区的延伸特征向量，即得到了可判断窗口的延伸特征向量；此时，减少了直接通过全部异常点堆积计算产生的部分离散距离较大的异常点对聚集的异常点产生延伸方向较大的影响。

至此，获取到任意一个可判断窗口的延伸特征向量/>，利用相同的方法获得其他所有窗口的延伸特征向量。

S005、获取所有可判断窗口的延伸特征向量，根据可判断窗口的延伸特征向量与最相邻窗口的延伸特征向量的角度差异获得可判断窗口的特征值，进而得到所有可判断窗口的特征值。

需要说明的是，Phash作为感知信息，而模板制作工艺中，出现较明显的缺陷极其容易被检出，而变形所带来的特征差异较小，因此分析出的延伸特征向量之间需要体现出变形带来的特征差异区域在窗口间延伸特性的传递，需要将特征向量进行显著性区别，最终得到窗口的特征值。

具体的，通过图像内，与当前待检测窗口最相邻（即紧密相邻的窗口，紧密相邻即是窗口之间没有其他窗口）的全部邻接窗口中，统计最相邻窗口延伸特征向量与/>窗口延伸特征向量/>夹角在/>内的延伸特征向量个数，记为K，将当前检测窗口/>的延伸特征向量/>模长/>进行多倍扩张，即/>；按照上述方法对所有可判断窗口的延伸特征向量进行更新，将更新后的延伸特征向量的模长作为可判断窗口的窗口特征值。

至此，获取到图像中各个可判断窗口的窗口特征值。

S006、根据窗口特征值的中位数进行赋值得到二维矩阵，获取phash值，通过比对得到产品质量。

具体的，对于可判断窗口的窗口特征值，通过现有函数获取窗口特征值中位数。窗口特征值大于中位数将窗口赋值为1，窗口特征值小于中位数将窗口赋值为0，非可判断窗口由于含有极少的缺陷区域特征，同样赋予0，至此，将原图像转化为/>大小的二维矩阵。

利用感知哈希算法的转化方法将矩阵按整行取出，作为一串二进制数，转化为16进制，作为本行的特征值，从上到下按行进行遍历，获取所有行的特征值，最终获取一个12x1的phash值。

通过当前待测图像的phash值与先验的部分高品质产品图像之间phash值的最小值进行比对，若比对结果大于最小值，则说明当前产品质量属于高品质。

至此，完成了对于模板端面的质量检测。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种抗变形模板端面的质量检测方法，其特征在于，该方法包括以下步骤：

获取模板端面原始图像预处理得到模板端面分区；

获取模板端面的先验灰度范围，根据先验灰度范围得到正常像素点、差异像素点位置；根据模板端面分区内正常像素点、差异像素点位置距离得到模板端面分区可进行判断的判断评价，进而获得可判断窗口；

获取初始选取范围，根据初始选取范围内除中心位置异常点外其他位置异常点的灰度值和先验灰度范围内的灰度均值得到初始选取范围内除中心位置外其他位置异常点的灰度偏离大小，根据初始选取范围内中心位置异常点和其他位置异常点的横纵坐标差异得到延伸特征向量，根据初始选取范围内中心位置异常点的灰度偏离大小和其他位置异常点的灰度偏离大小差异得到延伸特征向量的模长；

根据初始选取范围内的所有延伸特征向量得到初始范围的延伸特征向量，获取次短距离，根据次短距离获取扩张后的范围进而得到扩张后的范围的延伸特征向量及可判断窗口的延伸特征向量；

获取所有可判断窗口的延伸特征向量，根据可判断窗口的延伸特征向量与最相邻窗口的延伸特征向量的角度差异以及延伸特征向量的模长获得可判断窗口的窗口特征值，获取所有可判断窗口的窗口特征值；

根据可判断窗口的窗口特征值的中位数进行赋值得到二维矩阵，获取二维矩阵phash值，通过比对先验高品质产品图像之间phash值得到产品质量；

所述根据模板端面分区内正常像素点、差异像素点位置距离得到模板端面分区可进行判断的判断评价，包括的具体步骤如下：

式中，表示模板端面分区/>内差异像素点的个数，/>表示模板端面分区/>内正常像素点的个数，/>表示第i个差异像素点的位置，/>表示第j个正常像素点的位置，/>表示第i个差异像素点和第j个正常像素点的欧式距离，/>为第/>个模板端面分区可进行判断的判断评价；

所述根据初始选取范围内除中心位置异常点外其他位置异常点的灰度值和先验灰度范围内的灰度均值得到初始选取范围内除中心位置外其他位置异常点的灰度偏离大小，包括的具体步骤如下：

式中，表示初始选择范围内第i个其他异常点的灰度值，/>表示先验灰度范围内的灰度均值，/>表示第i个其他异常点产生的灰度偏离大小；

所述根据初始选取范围内中心位置异常点和其他位置异常点的横纵坐标差异得到延伸特征向量，包括的具体步骤如下：

式中，表示初始选取范围/>内中心异常点的位置，/>表示初始选取范围/>内任意一个其他异常点的位置，/>表示异常点/>的横坐标，/>表示异常点/>的横坐标，/>表示异常点的纵坐标，/>表示异常点/>的纵坐标，/>表示初始选取范围/>内，其他异常点/>与中心异常点/>的延伸特征向量方向；

所述根据初始选取范围内中心位置异常点的灰度偏离大小和其他位置异常点的灰度偏离大小差异得到延伸特征向量的模长，包括的具体步骤如下：

式中，表示其他异常点/>与中心异常点/>的延伸特征向量的模长，/>表示任意一个其他异常点的灰度偏离大小，/>表示中心异常点/>的灰度偏离大小，/>表示求绝对值；

所述根据初始选取范围内的所有延伸特征向量得到初始范围的延伸特征向量，包括的具体步骤如下：

式中，表示初始范围R的延伸特征向量，/>表示初始范围R内存在的延伸特征向量总个数，/>表示初始选取范围/>内中心异常点的位置，/>表示初始选取范围/>第q个其他异常点的位置，/>表示初始选取范围/>第q+1个其他异常点的位置，/>表示/>的延伸特征向量，/>表示/>的延伸特征向量；

所述获取次短距离，根据次短距离获取扩张后的范围进而得到扩张后的范围的延伸特征向量及可判断窗口的延伸特征向量，包括的具体步骤如下：

次短距离，取d=2的函数值作为次短距离；

通过次短距离选取范围，排除最短距离选取出的异常点，除中心点/>；

计算剩余异常点的延伸特征向量；

计算剩余异常点范围内的延伸特征向量；

将与/>相加，获取次短距离的选取范围/>内的延伸特征向量/>；

依照异常点的相近距离进行扩张并继续计算选取范围内的延伸特征向量，直至选取范围接触到分区边界即停止，得到分区的延伸特征向量，得到可判断窗口的延伸特征向量；

根据可判断窗口的延伸特征向量与最相邻窗口的延伸特征向量的角度差异以及延伸特征向量的模长获得可判断窗口的窗口特征值，包括的具体步骤如下：

模板端面图像中，获取当前待检测窗口最相邻的全部邻接窗口，统计最相邻窗口延伸特征向量与/>窗口延伸特征向量/>夹角在/>内的延伸特征向量个数，记为K，将当前检测窗口/>的延伸特征向量/>模长/>进行K倍扩张，将扩张后的窗口延伸特征向量模长作为窗口特征值。