CN116777916A - 基于泵机金属外壳的缺陷检测方法 - Google Patents

Abstract

本发明涉及一种基于泵机金属外壳的缺陷检测方法，涉及图像增强技术领域。包括以下步骤：获取泵机金属外壳灰度图；获取每个像素块的梯度显著性；获取每个像素块的灰度显著性；根据每个像素块的灰度显著性和梯度显著性获取每个像素块的综合显著性；根据每个像素点增强后的灰度值获取增强后的图像；根据检测出每个增强后边缘线中像素点的数量判断泵机金属外壳是否存在划痕缺陷。本发明结合梯度图像以及灰度图像的显著性对其图像进行增强，大大增加了缺陷识别的效率。

Description

基于泵机金属外壳的缺陷检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于泵机金属外壳的缺陷检测方法。

背景技术

泵机的金属外壳在生产过程中属于大型金属构件，故而在进行铸造及泵壳组装过程中，不可避免地产生一些缺陷，尤其针对微观裂纹或划痕，随着泵机服役时间的增加，微观裂纹或划痕不断扩展，造成机械零件的失效；因此为了保障泵机的安全性及外观完整性，需要对泵机的金属外壳进行缺陷检测。由于大部分金属外壳的检测是由工人在进行检测，用肉眼观察难以发现细微裂纹或划痕，故而可能会出现误检漏检的情况。

为了实现上述目的，本领域技术人员通过采集金属外壳图像，基于机器视觉算法识别出外壳图像中的缺陷，在识别的过程中需要对外壳图像进行处理，由于金属外壳上出现的划痕较为微小，且在进行拍摄时，图像质量也会受到诸如金属外壳的反光灯原因，使得金属外壳缺陷不易检测出来；目前现有技术中通过阴影校正可消除照明的变化，从而改善裂纹和划痕的检测，但是在阴影校正过程中消除由于照明强度变化而引起的低频变化，会放大零件的表面纹理，从而产生嘈杂的图像，可能使划痕或裂纹检测变得困难。

发明内容

为了解决上述技术问题的不足，本发明提供一种基于泵机金属外壳的缺陷检测方法，该方法结合梯度图像以及灰度图像获取图像像素块的综合显著性，根据像素块的显著性对图像进行线性增强，获取增强后的图像，根据增强后的图像进行划痕检测，大大增加了缺陷识别的效率。

本发明的一种基于泵机金属外壳的缺陷检测方法，包括以下步骤：

获取泵机金属外壳灰度图；并获取灰度图中每个像素点的梯度；将灰度图进行超像素分割获取多个像素块；将每个像素块中所有像素点的梯度均值赋予每个像素块的梯度；

根据任一两个像素块的梯度以及该两个像素块所在区域的像素块数量获取该两个像素块的相似度；根据对每个像素块中阴影去除前后灰度值的变化获取每个像素块的抑制因子；根据每个像素块与其邻接任一像素块的相似度及抑制因子获取每个像素块的梯度显著性；

对灰度图进行边缘检测获取边缘线；获取边缘线的不规则程度因子，根据所述不规则程度因子和边缘线的长度获得第一边缘效果评价；根据边缘线之间的相似性获取第二边缘效果评价，根据第一和第二边缘效果评价获得全局边缘效果评价；获取不同的边缘检测图像，根据全局边缘效果评价获得最佳边缘检测图像；

获取最佳边缘检测图像中每个边缘线的规则度；根据每个边缘线的规则度以及每个边缘线是否闭合，获取每个像素块所在边缘线的边缘显著性；

构建每个像素块所在局部区域的灰度共生矩阵；根据每个像素块与其邻域像素块对应的灰度共生矩阵获取每个像素块的纹理显著性；

根据每个像素块所在边缘线的边缘显著性和纹理显著性获取每个像素块的灰度显著性；

根据每个像素块的灰度显著性和梯度显著性获取每个像素块的综合显著性；

根据每个像素块的综合显著性和灰度值均值，以及每个像素块中每个像素点的灰度值获取每个像素块中每个像素点增强后的灰度值；同理获取每个像素点增强后的灰度值；根据每个像素点增强后的灰度值获取增强后的图像；

根据增强后的图像的梯度图像通过边缘检测获取多个增强后边缘线；根据检测出每个增强后边缘线中像素点的数量判断泵机金属外壳是否存在划痕缺陷。

在一实施例中，两个像素块的相似度是按照以下步骤获取：

将每个像素点的梯度采用K均值聚类算法获取多个梯度类别；

获取每个梯度类别对应的预设图层；

根据每个像素块的梯度将所有像素块依次划分至对应的图层中；

将每个图层中的像素块采用K均值聚类算法获取每个图层对应的多个像素块类别；

根据任一两个像素块的梯度，及两个像素块分别所在像素块类别中像素块的数量和所在图层中像素块类别数，获取所述两个像素块的相似度。

在一实施例中，每个像素块的梯度显著性是按照以下步骤获取：

根据每个像素块与其邻接的每个像素块的相似度及每个像素块的抑制因子获取每个像素块的梯度显著性；

其中，邻接的每个像素块包括两个含有最少像素块的像素块类别中的像素块。

在一实施例中，每个像素块的纹理显著性是按照以下步骤获取：

根据任一像素块与其邻域像素块的灰度值构建第一灰度共生矩阵；根据第一灰度共生矩阵获取该像素块对应第一灰度共生矩阵的第一熵值和第一能量值；同理，构建邻域像素块对应的第二灰度共生矩阵；根据第二灰度共生矩阵获取邻域像素块对应第二灰度共生矩阵的第二熵值和第二能量值；

根据任一像素块对应的第一熵值和第一能量值，与其邻域中每个像素块对应的第二熵值和第二能量值获取该像素块的纹理显著性；依次获取每个像素块的纹理显著性。

在一实施例中，每个边缘线的规则度是按照以下步骤获取：

获取每个边缘线上每个像素点对应的切线斜率变化率；

根据每个边缘线上每个像素点对应的切线斜率变化率，以及每个边缘线上像素点的数量，获取每个边缘线的规则度。

在一实施例中，最佳边缘检测图像的获取方法具体为：

利用canny边缘检测算法进行边缘检测时，根据不同的低阈值获得不同的边缘检测图像，分别计算不同低阈值对应的全局边缘效果评价，根据效果评价阈值和全局边缘效果评价确定最佳边缘检测图像。

在一实施例中，对灰度图进行边缘检测获得的多个边缘线包括闭合边缘线和/或非闭合边缘线。

在一实施例中，每个像素块所在边缘线的边缘显著性是按照以下步骤获取：

获取每个闭合边缘线或非闭合边缘线的规则度；

根据每个闭合边缘线或非闭合边缘线的规则度，以及闭合边缘线形成轮廓的面积或非闭合边缘线的长度，获取每个像素块所在闭合边缘线或非闭合边缘线的边缘显著性。

在一实施例中，每个像素块的灰度显著性是根据每个像素块所在闭合边缘线或非闭合边缘线的显著性和纹理显著性而获取的；其中，若每个像素块不在任何边缘线上或闭合边缘线形成轮廓内，则该像素块的边缘显著性为零。

在一实施例中，所述泵机金属外壳是否存在划痕缺陷是按照以下步骤进行判断：

当检测出每个增强后边缘线中像素点的数量大于15，则判断泵机金属外壳存在划痕缺陷，并且将像素点的数量大于15的边缘线确认为划痕所在区域。

本发明的有益效果是：本发明提供的一种基于泵机金属外壳的缺陷检测方法，该方法首先将图像进行超像素分割，然后获取图像梯度图像，根据上下文感知显著性(CA)算法以及在考虑阴影对梯度的影响下获取像素块基于梯度值的梯度显著性，然后根据对灰度图像中划痕外观形状特征以及纹理特征获取图像像素块的灰度显著性，在对灰度图像进行边缘检测时根据全局边缘效果评价获得最佳边缘检测图像，通过图像中边缘的形状特征对边缘检测效果进行评价以获得最佳的边缘检测结果，利用最佳边缘检测结果提高后续过程中的算法准确度；最后结合梯度图像以及灰度图像获取图像像素块的综合显著性，根据像素块的显著性对图像进行线性增强，获取增强后的图像，根据此图像进行划痕检测；本发明主要通过考虑图像拍摄背景形成阴影造成的干扰以及划痕特征使得图像在增强后可以通过简单的方法便将划痕缺陷检测出来，由于增强后的图像是按照划痕缺陷，将划痕的像素点进行增强，而非划痕的像素点进行抑制，也就增强后的图像中，使划痕的像素点显示较亮，而非划痕像素点则变暗，大大增加了缺陷识别的效率。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种基于泵机金属外壳的缺陷检测方法的实施例总体步骤的流程图。

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做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。

本发明主要针对在泵机金属外壳组装完成后，上漆前进行的金属外壳划痕缺陷检测。

本发明提供的一种基于泵机金属外壳的缺陷检测方法，参见图1所示，该方法包括：

S1、获取泵机金属外壳灰度图；

在本实施例中，生产出来的泵机外壳放置在传送带上，使用工业相机在泵机外壳两侧进行图像的拍摄。另外，将获取的泵机金属外壳图像进行灰度化、除燥预处理操作。其中灰度化使用平均加权灰度化公式，除燥使用高斯滤波进行除燥。

需要说明的是，由于泵机外壳可能在组装过程中表面出现划痕缺陷，而划痕缺陷对于泵机的外观影响有着很大的影响，但是由于金属外壳上出现的划痕较为微小，且在进行拍摄时，图像质量也会受到诸如金属外壳的反光灯原因，使得金属外壳缺陷不易检测出来，需要通过结合显著性分析对图像进行图像增强，进而使得金属外壳缺陷易于被检测出来。对采集的灰度图增强如下：

S2、获取灰度图中每个像素点的梯度；

在本实施例中，为了减少计算量将图像进行超像素分割，其中超像素块分割为N×N大小的超像素块，在本实施例中设N=20。需要说明的是，由于在灰度图中，划痕的灰度值在灰度图中并不独特，但是其与金属外壳形成的梯度值却是较为独特的，故需要在进行显著性分析时，将灰度使用索贝尔算子获取每个像素点的梯度，并获取梯度图像。

S3、获取每个像素块的梯度显著性；

需要说明的是，在本实施例通过结合显著性检测场景感知（CA）算法对梯度图像进行显著性分析，即在梯度图像中，划痕特征在梯度图像中可能是较为突兀的；故根据显著性分析CA算法思想，选取与检测像素块最邻接的像素块的差异，此差异越大，说明此像素块对应的像素点的显著值较大。为了获取每个像素块的梯度显著性具体如下：

首先，计算两个像素块的相似度是按照以下步骤获取：

将每个像素点的梯度采用K均值聚类算法获取多个梯度类别；

获取每个梯度类别对应的图层；

根据每个像素块的梯度将所有像素块依次划分至对应的图层中；

将每个图层中的像素块采用K均值聚类算法获取每个图层对应的多个像素块类别；

根据任一两个像素块的梯度，及两个像素块分别所在像素块类别中像素块的数量和所在图层中像素块类别数，获取所述两个像素块的相似度。

在本实施例中，每个梯度类别对应的图层，就是将任一梯度类别中所含的梯度在一个图中显示而获取的图层；

需要说明的是，通过聚类获取的梯度类别数是基于depeaks聚类算法获取，具体设置局部密度半径r=10，获取局部密度ρ，然后以此获取聚类中心距离δ，设置阈值z=0.7，将局部密度ρ进行归一化，其中将局部密度和聚类中心距离都大于阈值z的点设为聚类中心点，则获取的聚类类别数即为梯度类别数。

在本实施例中，其中像素块的相似度由像素块的平均灰度值、像素块所在区域的大小及数量决定。所在区域指的是在两个像素块分别所在的图层；即两个像素块的相似度的计算公式如下：

；

式中，表示两个像素块的相似度；/>、/>分别表示进行相似性比较的两个像素块的梯度；每个像素块的梯度为每个像素块中所有像素点的梯度均值；/>、/>分别表示进行相似性比较的两个像素块所在像素块类别中像素块的数量；/>、/>分别表示进行相似性比较的两个像素块所在图层中像素块类别数。即所求D越小，则两像素块越相似。

其次，根据对每个像素块中阴影去除前后灰度值的变化获取每个像素块的抑制因子；也就是根据反光特征获取每个像素块的抑制因子；

需要说明的是，考虑到在进行拍摄时，环境光与泵机金属外壳中的沟壑可能会形成与金属外壳上划痕缺陷类似的梯度变化，故需要将此因素授予较大显著值的像素块的显著值进行抑制。 另外，由于图像反光会出现大量高亮点，但是高亮点与背景形成的对比在梯度图像中并不会造成干扰，但是由于光照产生的影子等因素，可能会在金属外壳尤其是沟壑中产生渐变的阴影，而在梯度图像中，这种阴影产生的梯度差异便可能会对梯度图像中划痕检测造成干扰，故需要将图像中灰度成阶段性变化的像素块进行抑制。因此，根据阴影产生及其变化规律，将阴影区域的像素块进行抑制。具体如下：

将灰度图中阴影区域使用最大值最小值滤波算法进行去除，其去除前后图像灰度值会发生变化，则变化过程中，灰度值变化越大的，则其为阴影区域像素块的可能性越大。故可获取每个像素块的抑制因子，其计算公式如下：

；

式中，、/>分别为阴影去除前后每个像素块的灰度值均值；/>表示指数函数；表示每个像素块的抑制因子，即前后灰度值均值变化越大，则说明此像素块为阴影像素块的可能性越大，则抑制因子越小，则对图像中灰度成阶段性变化的像素块抑制作用越小，则其显著性越小。

最后，根据每个像素块与其任一像素块的相似度及每个像素块的抑制因子获取每个像素块的梯度显著性；具体每个像素块的梯度显著性是按照以下步骤获取：

根据每个像素块与其邻接的每个像素块的相似度及每个像素块的抑制因子获取每个像素块的梯度显著性；其中，邻接的每个像素块包括两个含有最少像素块的像素块类别中的像素块。

在本实施例中，主要根据显著性CA算法获取每个像素块的梯度显著性，其计算公式如下：

；

式中，表示像素块/>与其邻接的/>个像素块中第i个像素块的相似度；其中m表示邻接的像素块数量，主要包括两个含有最少像素块的像素块类别中的像素块，也就是最小的两个像素块类别中的簇数；/>表示指数函数；/>表示像素块/>的抑制因子；即像素块/>与其最邻接的/>个像素块的相似度越小，则像素块/>的梯度显著性越大；当像素块越不可能是阴影区域像素块且像素块与其最相似像素块的差异越大时，其像素块的梯度显著性越大。

需要说明的是，根据获取的图像可知，由于划痕的痕迹的轻重，在图像中获取时，划痕边缘的梯度值可能不是很容易检测出来，即由于在进行检测时，可能会将图像中时划痕的边缘因为阈值过高而忽略掉，而若设置的阈值过低，又有可能识别出大量的噪声边缘。故本发明使用一种自适应低阈值的canny算子来准确的获取图像中的边缘信息。具体如下：

对灰度图进行边缘检测获取多个边缘线；获取边缘线的不规则程度因子，根据所述不规则程度因子和边缘线的长度获得第一边缘效果评价；根据边缘线之间的相似性获取第二边缘效果评价，根据第一和第二边缘效果评价获得全局边缘效果评价；获取不同的边缘检测图像，根据全局边缘效果评价获得最佳边缘检测图像。

所述边缘线的不规则程度因子的获取方法具体为：

获取每个边缘线上每个像素点对应的切线斜率变化率；根据每个边缘线上每个像素点对应的切线斜率变化率、不同切线斜率变化率的取值的数量以及每个边缘线上像素点的数量，得到边缘线的不规则程度因子；

最佳边缘检测图像的获取方法具体为：

利用canny边缘检测算法进行边缘检测时，根据不同的低阈值获得不同的边缘检测图像，分别计算不同低阈值对应的全局边缘效果评价，根据效果评价阈值和全局边缘效果评价确定最佳边缘检测图像。

在本实施例中，当获取的边缘检测效果较好时，即说明对应获取的边缘检测中，获取的直线的数量越好，且根据噪声边缘线即不规则，又不连续的特征，获取第一边缘效果评价，计算公式如下：

；

式中，为第一边缘效果评价，/>为第u条边缘线的长度，在本实施例中，边缘线上像素点的数量为边缘线的长度，/>为第u个边缘线的不规则程度因子，S为图像中所有边缘线的数量。即当所获取的边缘线的平均长度越长，不规则程度越低，即所求δ越大，则说明其边缘检测效果越好。

其中，根据获取的边缘线的切线斜率变化分布情况及出现频次获得不规则程度因子，则所述边缘线的不规则程度因子的计算公式为：

；

式中，M为不规则程度因子，为第i个边缘像素点的切线斜率变化率，L表示不同切线斜率变化率的取值的数量，/>表示与第i个边缘像素点的切线斜率变化率相同的数量，即当所求边缘线其切线斜率变化率的种类越多，切线斜率变化率越大，且其对应的相同切线斜率变化率的数目/>越少，则说明边缘线对应不规则程度越大。

在本实施例中，每个边缘线上每个像素点对应的切线斜率变化率是通过对边缘线进行函数拟合获取拟合边缘线的函数为f(x)，则边缘线上每点的切线斜率变化率是通过计算函数f(x)的二阶导数，即使用拟合边缘线函数的二阶导数表示每个像素点的切线斜率变化率。

在进行边缘检测的过程中，使用边缘线之间的关系进行分析，即根据待分析图像对应泵机金属外壳的边缘特征，其上获取的边缘，大多存在相似或邻接边缘，而出现的噪声边缘则会是随机的，几乎不可能找到相似边缘线，故可根据此特征获取第二边缘效果评价。

所述第二边缘效果评价的获取方法具体为：

再通过边缘检测获取的图像中，对于一条边缘线，分别计算该边缘线与其他所有边缘线的相似程度，将相似程度最大值记为该边缘线的相似性指标，进而计算所有边缘线的相似性指标的均值，得到第二边缘线效果评价。其中，边缘线之间的相似程度的获取方法有多种，实施者可根据具体实施场景进行选择。当边缘检测效果越好时，边缘之间的相似性越大，即所求评价效果μ越小，则对应边缘检测效果越好。

进而根据第一和第二边缘效果评价获得全局边缘效果评价，计算公式如下：

；

式中，为全局边缘效果评价，/>为第一边缘效果评价，/>为第二边缘效果评价，exp()表示以自然常数e为底的指数函数。当所求边缘检测中，检测获取的噪声边缘越少，即所求/>越大，边缘检测结果中边缘与其最相似边缘的相似性越大，即所求/>越小，即所求/>越大时，则说明对应检测效果越好。

即本步骤首先使用大津阈值法获取边缘检测算法中的高阈值，设置初始低阈值为1，每次变换为低阈值加1，每次变换后计算全局边缘效果评价，当其大于评价阈值时，停止变换低阈值，使用此时低阈值获取的边缘检测图像作为最佳边缘检测图像，进行后续分析。其中，在本实施例中，评价阈值的取值为0.85，当全局边缘效果评价大于评价阈值时，便可认为此时对应的低阈值为最优选的低阈值。

需要说明的是，通过计算每个像素块的梯度显著性，对梯度图像中较为独特的梯度值赋予较大的显著性，但是由于环境场景及泵机金属外壳的复杂性，很有可能有其他干扰因素使得有一些并不是划痕部分的像素点的梯度值较为独特，从而赋予较高显著值，使得显著性检测的效果降低，为了避免这种情况的发生，需要对获取的显著值根据划痕特性进行抑制。也就是要对灰度图中的轮廓面积越小的像素块区域赋予较大的显著性。

S4、获取每个像素块的灰度显著性；

构建每个像素块所在局部区域的灰度共生矩阵；根据每个像素块与其邻域像素块对应的灰度共生矩阵获取每个像素块的纹理显著性；

根据每个像素块所在边缘线的边缘显著性和纹理显著性获取每个像素块的灰度显著性；

在本实施例中，为了获取每个像素块的灰度显著性；首先获取每个像素块所在边缘线的边缘显著性，具体如下：

每个边缘线的规则度是按照以下步骤获取：

获取每个边缘线上每个像素点对应的切线斜率变化率；

根据每个边缘线上每个像素点对应的切线斜率变化率，以及每个边缘线上像素点的数量，获取每个边缘线的规则度。

需要说明的是，每个边缘线上每个像素点对应的切线斜率变化率是通过对边缘线进行函数拟合获取拟合边缘线的函数为f(x)，则边缘线上每点的切线斜率变化率是通过计算函数f(x)的二阶导数，即使用拟合边缘线函数的二阶导数表示每个像素点的切线斜率变化率。

在本实施例中，对灰度图进行边缘检测获得的多个边缘线包括闭合边缘线和/或非闭合边缘线。为此，获取每个闭合边缘线或非闭合边缘线的规则度。其中，判断边缘线是否为闭合边缘的方法为判断该边缘线上的像素块中是否存在端点边缘像素块，即检测边缘像素块周围8邻域内所含有的像素块的数量，若数量大于2，则说明此像素块不为边缘像素块，否则该像素块为边缘像素块，当边缘线中出现两个及以上边缘像素块时，便可认为此边缘为非闭合边缘线；否则，为闭合边缘线。

其中，边缘线的规则度计算公式如下：

；

式中，表示边缘线上像素点的数量；/>表示边缘线上第/>个像素点对应的切线斜率变化率；/>表示边缘线的规则度，/>表示表示边缘线上所有像素点切线斜率变化的平均值，即通过边缘线的切线斜率变化率越规律则说明此边缘越可能是规则边缘线，否则可能是不规则边缘线，也就是边缘线的规则度越大，即为划痕边缘线可能性越大。同时边缘线的平均切线斜率变化越大，即其切线斜率变化值与平均值差异越大，则边缘线的不规则程度越大。

每个像素块所在边缘线的边缘显著性是按照以下步骤获取：

获取每个闭合边缘线或非闭合边缘线的规则度以及不规则程度因子；

根据每个闭合边缘线或非闭合边缘线的规则度以及不规则程度因子，以及闭合边缘线形成轮廓的面积或非闭合边缘线的长度，获取每个像素块所在闭合边缘线或非闭合边缘线的边缘显著性。则每个像素块所在闭合边缘线或非闭合边缘线的边缘显著性的计算公式如下：

；

式中，表示闭合边缘线形成轮廓的面积或非闭合边缘线的长度，此值越小，说明边缘线越可能是划痕边缘线；/>表示闭合边缘线或非闭合边缘线的规则度，此值越大，说明边缘线越不规则，则边缘线越可能是划痕边缘线；M表示闭合边缘线或非闭合边缘线的不规则程度因子，其取值越大，说明边缘线越可能是划痕边缘线；/>表示指数函数；/>表示像素块所在闭合边缘线或非闭合边缘线的边缘显著性，计算出的边缘显著性越小，则认为该闭合边缘线或非闭合边缘线是划痕的边缘线的可能性越大；需要说明的是，若每个像素块不在任何边缘线上或闭合边缘线形成轮廓内，则该像素块的边缘显著性为零。每个像素块所在闭合边缘线及形成轮廓内或非闭合边缘线的边缘显著性，就是将计算的边缘线的边缘显著性赋予该边缘线上每个像素块的边缘显著性。

其中，闭合边缘线或非闭合边缘线的不规则程度因子的计算方法与上述边缘线的不规则程度因子的计算方法相同。

其次，通过构建每个像素块所在局部区域的灰度共生矩阵；根据每个像素块与其邻域像素块对应的灰度共生矩阵获取每个像素块的纹理显著性；需要说明的是，每个像素块所在的局部区域也就是该像素块与其邻域像素块而形成的局部区域；

具体每个像素块的纹理显著性是按照以下步骤获取：

根据任一像素块与其邻域像素块的灰度值构建第一灰度共生矩阵；根据第一灰度共生矩阵获取该像素块对应第一灰度共生矩阵的第一熵值和第一能量值；同理，构建邻域像素块对应的第二灰度共生矩阵；根据第二灰度共生矩阵获取邻域像素块对应第二灰度共生矩阵的第二熵值和第二能量值；

根据任一像素块对应的第一熵值和第一能量值，与其邻域中每个像素块对应的第二熵值和第二能量值获取该像素块的纹理显著性；依次获取每个像素块的纹理显著性。

在本实施例中，根据灰度图像分析可知，图像中金属区域的纹理是分布较为规律的，若出现划痕，则可能会出现纹理差异。故可以通过计算纹理差异赋予像素块的显著值。具体每个像素块的纹理显著性计算公式如下：

；

式中，表示第o块像素块以10×10窗口大小构建的第一灰度共生矩阵所获取的第一熵值；/>表示第o块像素块通过10×10窗口大小构建的第一灰度共生矩阵所获取的第一能量值；

表示第o块像素块其周围5×5范围内第i个像素块通过10×10窗口大小构建的第二灰度共生矩阵所获取的第二熵值；/>表示第o块像素块其周围5×5范围内第i个像素块通过10×10窗口大小构建的第二灰度共生矩阵所获取的第二能量值；

需要说明的是，将每个像素块中像素点的灰度值均值赋予每个对应像素块的灰度值；即以第o块像素块作为10×10窗口的中心，就是将10×10窗口中的每一格视为一个像素块；通过第o块像素块与其该窗口类每个像素块的灰度值构建第一灰度共生矩阵；根据第一灰度共生矩阵获取第o块像素块对应图像中10×10窗口所在区域的第一熵值和第一能量值/>；

同理，以第o块像素块作为5×5窗口的中心，在5×5窗口内获取第i个像素；其中，5×5窗口内每一格视为一个像素块；就是第o块像素块在5×5的邻域中有25个像素块，所以通过对25个像素块进行计算熵值和能量值，能够反映第o块像素块所在10×10窗口内的纹理的显著性；以第i个像素块作为10×10窗口的中心，通过第i个像素块与其该窗口类每个像素块的灰度值构建第二灰度共生矩阵，再根据第二灰度共生矩阵获取第i个像素块对应图像中10×10窗口所在区域的第二熵值和第二能量值/>；其中，10×10窗口中的每一格视为一个像素块。

需要说明的是，能量ASM变换反映了图像灰度分布均匀程度和纹理粗细度。若灰度共生矩阵的元素值邻接，则能量较小，表示纹理细致；若其中一些值大，而其它值小，则能量值较大；能量值大表明一种较均一和规则变化的纹理模式。ENT熵值表示图像包含信息量的随机性度量。当灰度共生矩阵中所有值均相等或者像素值表现出最大的随机性时，熵最大；因此熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂。为此，通过表示纹理的差异性，此差异越大，则计算出的值越大，则说明第o块像素块越可能是划痕区域像素块，则像素块对应纹理显著性越大。

最后，根据每个像素块所在闭合边缘线或非闭合边缘线的显著性和纹理显著性而获取每个像素块的灰度显著性；其每个像素块的灰度显著性计算公式如下：

；

式中，表示每个像素块的纹理显著性；/>表示每个像素块所在边缘线的边缘显著性；/>表示每个像素块的灰度显著性；即当所求边缘轮廓越接近划痕特征，及当像素块与周围像素块的纹理差异越大时，则其灰度显著值越大。需要说明的是，若像素块中包含两条及以上的边缘线，则将像素块所在边缘线的平均边缘显著性参与像素块的灰度显著性计算。

S5、获取每个像素块的综合显著性；

其每个像素块的综合显著性计算公式如下：

；

式中，表示每个像素块的梯度显著性；/>表示每个像素块的灰度显著性；/>表示每个像素块的综合显著性；为此，通过考虑梯度图像梯度对比度，划痕区域纹理特征形状特征以及阴影等干扰因素获取图像像素块的综合显著性。即通过使用梯度图像获取的像素块的梯度显著性Q越大，以及根据灰度图像获取的像素块的灰度显著性R越大，则说明像素块的综合显著性J越大。从而需要对该像素块中的像素点进行增强；若计算的综合显著性越小则需要对该像素块进行抑制。具体对像素点的增强或抑制具体如下：

S6、获取增强后的图像；

在本实施例中，根据每个像素块的综合显著性和灰度值均值，以及每个像素块中每个像素点的灰度值获取每个像素块中每个像素点增强后的灰度值，其每个像素点增强后的灰度值计算公式如下：

；

式中，表示每个像素块中每个像素点增强前图像的灰度值；/>表示每个像素块中每个像素点增强后的灰度值；/>表示每个像素块的综合显著性；依据经验设置阈值τ=0.5；

当图像中像素块的综合显著性Jτ时，则根据该像素块的综合显著性J及该像素块中每个像素点的灰度值/>，通过/>计算出该像素块中每个像素点增强后的灰度值/>；/>

当图像中像素块的综合显著性Jτ时，则根据该像素块的综合显著性J及该像素块中每个像素点的灰度值/>，通过/>计算出该像素块中每个像素点增强后的灰度值/>，也就是将该像素块进行抑制。

当计算出增强后的灰度值超出范围时，取。

至此，根据每个像素点增强后的灰度值获取增强后的图像。

S7、根据增强后的图像的梯度图像通过边缘检测获取多个增强后边缘线；根据检测出每个增强后边缘线中像素点的数量判断泵机金属外壳是否存在划痕缺陷；

需要说明的是，采用canny算子进行边缘检测。

所述泵机金属外壳是否存在划痕缺陷是按照以下步骤进行判断：

当检测出每个增强后边缘线中像素点的数量大于15，则判断泵机金属外壳存在划痕缺陷，并且将像素点的数量大于15的边缘确认为划痕所在区域。对于判断增强后边缘线中像素点的数量设为15的阈值，主要是根据历史检测出划痕的数据而设置的。

综上，本发明首先将图像进行超像素分割，然后获取图像梯度图像，根据显著性CA算法以及在考虑阴影对梯度的影响下获取像素块基于梯度值的梯度显著性，然后根据对灰度图像中划痕外观形状特征以及纹理特征获取图像像素块的灰度显著性，最后结合梯度图像以及灰度图像获取图像像素块的综合显著性，根据像素块的显著性对图像进行线性增强，获取增强后的图像，根据此图像进行划痕检测；本发明主要通过考虑图像拍摄背景形成阴影造成的干扰以及划痕特征使得图像在增强后可以通过简单的方法便将划痕缺陷检测出来，由于增强后的图像是按照划痕缺陷，将划痕的像素点进行增强，而非划痕的像素点进行抑制，也就增强后的图像中，使划痕的像素点显示较亮，而非划痕像素点则变暗，大大增加了缺陷识别的效率。

以上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 (10)

1.一种基于泵机金属外壳的缺陷检测方法，其特征在于，包括以下步骤：

获取泵机金属外壳灰度图；并获取灰度图中每个像素点的梯度；将灰度图进行超像素分割获取多个像素块；将每个像素块中所有像素点的梯度均值赋予每个像素块的梯度；

根据任一两个像素块的梯度以及该两个像素块所在区域的像素块数量获取该两个像素块的相似度；根据对每个像素块中阴影去除前后灰度值的变化获取每个像素块的抑制因子；根据每个像素块与其邻接任一像素块的相似度及抑制因子获取每个像素块的梯度显著性；

对灰度图进行边缘检测获取边缘线；获取边缘线的不规则程度因子，根据所述不规则程度因子和边缘线的长度获得第一边缘效果评价；根据边缘线之间的相似性获取第二边缘效果评价，根据第一和第二边缘效果评价获得全局边缘效果评价；获取不同的边缘检测图像，根据全局边缘效果评价获得最佳边缘检测图像；

获取最佳边缘检测图像中每个边缘线的规则度；根据每个边缘线的规则度以及每个边缘线是否闭合，获取每个像素块所在边缘线的边缘显著性；

构建每个像素块所在局部区域的灰度共生矩阵；根据每个像素块与其邻域像素块对应的灰度共生矩阵获取每个像素块的纹理显著性；

根据每个像素块所在边缘线的边缘显著性和纹理显著性获取每个像素块的灰度显著性；

根据每个像素块的灰度显著性和梯度显著性获取每个像素块的综合显著性；

根据每个像素块的综合显著性和灰度值均值，以及每个像素块中每个像素点的灰度值获取每个像素块中每个像素点增强后的灰度值；同理获取每个像素点增强后的灰度值；根据每个像素点增强后的灰度值获取增强后的图像；

根据增强后的图像的梯度图像通过边缘检测获取多个增强后边缘线；根据检测出每个增强后边缘线中像素点的数量判断泵机金属外壳是否存在划痕缺陷。

2.根据权利要求1所述的一种基于泵机金属外壳的缺陷检测方法，其特征在于，两个像素块的相似度是按照以下步骤获取：

将每个像素点的梯度采用K均值聚类算法获取多个梯度类别；

获取每个梯度类别对应的预设图层；

根据每个像素块的梯度将所有像素块依次划分至对应的图层中；

将每个图层中的像素块采用K均值聚类算法获取每个图层对应的多个像素块类别；

根据任一两个像素块的梯度，及两个像素块分别所在像素块类别中像素块的数量和所在图层中像素块类别数，获取所述两个像素块的相似度。

3.根据权利要求2所述的基于泵机金属外壳的缺陷检测方法，其特征在于，每个像素块的梯度显著性是按照以下步骤获取：

根据每个像素块与其邻接的每个像素块的相似度及每个像素块的抑制因子获取每个像素块的梯度显著性；

其中，邻接的每个像素块包括两个含有最少像素块的像素块类别中的像素块。

4.根据权利要求1所述的一种基于泵机金属外壳的缺陷检测方法，其特征在于，每个像素块的纹理显著性是按照以下步骤获取：

根据任一像素块与其邻域像素块的灰度值构建第一灰度共生矩阵；根据第一灰度共生矩阵获取该像素块对应第一灰度共生矩阵的第一熵值和第一能量值；同理，构建邻域像素块对应的第二灰度共生矩阵；根据第二灰度共生矩阵获取邻域像素块对应第二灰度共生矩阵的第二熵值和第二能量值；

根据任一像素块对应的第一熵值和第一能量值，与其邻域中每个像素块对应的第二熵值和第二能量值获取该像素块的纹理显著性；依次获取每个像素块的纹理显著性。

5.根据权利要求1所述的一种基于泵机金属外壳的缺陷检测方法，其特征在于，每个边缘线的规则度是按照以下步骤获取：

获取每个边缘线上每个像素点对应的切线斜率变化率；

根据每个边缘线上每个像素点对应的切线斜率变化率，以及每个边缘线上像素点的数量，获取每个边缘线的规则度。

6.根据权利要求1所述的一种基于泵机金属外壳的缺陷检测方法，其特征在于，最佳边缘检测图像的获取方法具体为：

利用canny边缘检测算法进行边缘检测时，根据不同的低阈值获得不同的边缘检测图像，分别计算不同低阈值对应的全局边缘效果评价，根据效果评价阈值和全局边缘效果评价确定最佳边缘检测图像。

7.根据权利要求1所述的一种基于泵机金属外壳的缺陷检测方法，其特征在于，对灰度图进行边缘检测获得的多个边缘线包括闭合边缘线和/或非闭合边缘线。

8.根据权利要求7所述的一种基于泵机金属外壳的缺陷检测方法，其特征在于，每个像素块所在边缘线的边缘显著性是按照以下步骤获取：

获取每个闭合边缘线或非闭合边缘线的规则度以及不规则程度因子；

根据每个闭合边缘线或非闭合边缘线的规则度以及不规则程度因子，以及闭合边缘线形成轮廓的面积或非闭合边缘线的长度，获取每个像素块所在闭合边缘线或非闭合边缘线的边缘显著性。

9.根据权利要求8所述的基于泵机金属外壳的缺陷检测方法，其特征在于，每个像素块的灰度显著性是根据每个像素块所在闭合边缘线或非闭合边缘线的显著性和纹理显著性而获取的；其中，若每个像素块不在任何边缘线上或闭合边缘线形成轮廓内，则该像素块的边缘显著性为零。

10.根据权利要求1所述的基于泵机金属外壳的缺陷检测方法，其特征在于，所述泵机金属外壳是否存在划痕缺陷是按照以下步骤进行判断：

当检测出每个增强后边缘线中像素点的数量大于15，则判断泵机金属外壳存在划痕缺陷，并且将像素点的数量大于15的边缘线确认为划痕所在区域。