CN117132506A - 基于视觉技术的钟表零配件质量检测方法 - Google Patents

Abstract

本发明涉及图像局部增强技术领域，具体涉及基于视觉技术的钟表零配件质量检测方法。本发明获取零配件表面灰度图像中边缘线的折角区域，通过折角区域中边缘线的局部像素值波动情况，确定每个折角区域的初始滤波窗口；对折角区域中每个像素点与边缘的位置分布情况，调整每个像素点的优化滤波窗口；通过优化滤波窗口对像素点的像素值进行更新，获得滤波图像。本发明通过对图像中局部边缘进行分析，调整滤波窗口，获得更准确清晰的滤波图像，使缺陷边缘滤波效果更佳，缺陷检测的结果更准确且误差小，进而提高产品质量检测的可信程度。

Description

基于视觉技术的钟表零配件质量检测方法

技术领域

本发明涉及图像局部增强技术领域，具体涉及一种基于视觉技术的钟表零配件质量检测方法。

背景技术

目前，随着科技的不断进步和人们对高品质生活的追求，人们对高质量、精准且耐用的钟表需求不断增长，钟表零配件制造业也在不断地发展和完善。在竞争激烈的市场环境中，高质量的产品逐渐成为核心竞争标准，而通过对零配件进行严格的质量检测，可以保证产品质量的高要求，提高产品的品质。因此，对这些零配件进行质量检测是钟表零配件制造业中极为重要的一步。

随着自动化技术的不断应用和发展，越来越多的企业开始采用自动化设备通过计算机视觉技术进行质量检测，但是在对钟表零件的检测过程中，可能由于噪声干扰导致钟表零件上部分缺陷特征不明显，在现有滤波方法去噪过程中，没有考虑到局部边缘的边缘滤波影响，使去噪后的裂纹缺陷形状失真，与正常加工纹路形状相似，对缺陷边缘的滤波效果较差，导致质量检测中的缺陷不易识别或误识别，质量检测可信度较低。

发明内容

为了解决现有技术中没有考虑到局部边缘的边缘滤波影响，对缺陷边缘的滤波效果较差，导致质量检测中的缺陷不易识别或误识别，质量检测可信度较低的技术问题，本发明的目的在于提供一种基于视觉技术的钟表零配件质量检测方法，所采用的技术方案具体如下：

本发明提供了一种基于视觉技术的钟表零配件质量检测方法，所述方法包括：

获取零配件表面灰度图像；根据所述零配件表面灰度图像中边缘线的形状特征，获得折角区域；

根据每个折角区域中所有边缘像素点的局部像素值波动情况，确定每个折角区域中像素点的初始滤波窗口；根据折角区域中每个像素点距离边缘的位置分布情况，调整对应的初始滤波窗口，获得每个像素点的优化滤波窗口；

根据折角区域中每个像素点的优化滤波窗口更新像素值，获得滤波图像；通过所述滤波图像进行缺陷检测。

进一步地，所述折角区域的获取方法包括：

获取边缘线中的角点；以每个角点为中心角点，沿边缘线延伸的两个方向各获取一个最近的角点，作为中心角点的相邻角点；

对于任意一个角点，获取该角点对应两个相邻角点之间的连线，将该角点与每个相邻角点之间的边缘线，以及所述连线所围成的区域作为该角点的折角区域。

进一步地，所述初始滤波窗口的获取方法包括：

选取至少两个预设滤波窗口，对于折角区域中的任意一个边缘像素点，根据灰度值的大小，将该边缘像素点对应预设滤波窗口中像素点划分为第一区域的像素点和第二区域的像素点；

在该边缘像素点对应预设滤波窗口中，根据第一区域的像素点与第二区域的像素点之间灰度波动的差异，获得该边缘像素点的波动指标；

将折角区域中所有边缘像素点的波动指标平均值作为折角区域在对应预设滤波窗口下的窗口尺寸评价值；

在所有预设滤波窗口对应的窗口尺寸评价值中，选取窗口尺寸评价值最小时的预设滤波窗口作为折角区域中像素点的初始滤波窗口。

进一步地，所述将该边缘像素点对应预设滤波窗口中像素点划分为第一区域的像素点和第二区域的像素点，包括：

对于折角区域中的任意一个边缘像素点，在该边缘像素点的预设滤波窗口中，将所有像素点按照灰度值大小进行排序，获得灰度序列；

计算灰度序列中每相邻两个灰度值之间的灰度差异；在最大的灰度差异对应的两个灰度值中，将最大的灰度值作为划分灰度值；

在该边缘像素点对应预设滤波窗口中，将像素点的灰度值小于划分灰度值的像素点作为第一区域的像素点，将像素点的灰度值大于或等于划分灰度值的像素点作为第二区域的像素点。

进一步地，所述波动指标的具体表达式为：

式中，表示为第/>个边缘像素点的波动指标，/>表示为第一区域的像素点的总数量，/>表示为第二区域的像素点的总数量，/>表示为第一区域的像素点的灰度值的方差，表示为第二区域的像素点的灰度值的方差，/>表示为第一区域中第/>个像素点的灰度值，/>表示为第二区域中第/>个像素点的灰度值，/>表示为预设滤波窗口的边长，/>表示为绝对值提取函数。

进一步地，所述优化滤波窗口的获取方法包括：

拟合折角区域对应中心角点与各个相邻角点之间的边缘线，获得两条拟合趋势线；

对于折角区域中任意一个像素点，获取该像素点与折角区域对应的中心角点之间的距离线段，将距离线段与折角区域的所述拟合趋势线之间的最小夹角作为该像素点的角度参数，将距离线段的大小作为该像素点的距离参数，通过该像素点的所述角度参数和所述距离参数，获得该像素点的调整权重；

将该像素点所在折角区域的初始滤波窗口的边长与该像素点的所述调整权重相乘，获得该像素点的优化滤波窗口。

进一步地，所述调整权重的具体表达式为：

式中，表示为第/>个像素点的调整权重，/>表示为第/>个像素点的角度参数，/>表示为第/>个像素点的距离参数，/>表示为折角区域中距离参数的最大值，/>表示为余弦函数，/>表示为以自然常数为底的指数函数，/>表示为预设调整系数，预设调整系数为正数。

进一步地，所述根据折角区域中每个像素点的优化滤波窗口更新像素值，获得滤波图像，包括：

根据折角区域中每个像素点的优化滤波窗口，通过双边滤波算法获得每个像素点的更新像素值，获得滤波图像。

进一步地，所述通过所述滤波图像进行缺陷检测，包括：

将正常样本和不同类型缺陷样本作为数据集，对每个样本分配相应的类别标签；使用卷积神经网络将图像作为输入，类别作为输出，通过数据集进行训练，获得预先训练好的神经网络模型；

将滤波图像输入到预先训练好的神经网络模型中，输出缺陷检测结果。

进一步地，所述边缘线通过canny边缘检测算法获取。

本发明具有如下有益效果：

本发明通过获取零配件表面灰度图像中边缘线曲折的部分，即折角区域，对边缘细节进行分析，通过折角区域中边缘线的局部像素值波动情况，确定每个折角区域的初始滤波窗口，使边缘部分的滤波效果更优，减小因灰度变化波动的不同，导致滤波后局部边缘形状发生变化的情况。进一步对折角区域中像素点进行分析，考虑到距离边缘越近的像素点在滤波时影响边缘滤波效果的程度越明显，通过每个像素点与边缘的位置分布情况，调整每个像素点的优化滤波窗口，使靠近边缘的像素点的平滑效果减弱，更好的保留边缘信息。通过优化滤波窗口对像素点的像素值进行更新，最终获得更准确清晰的滤波图像。本发明考虑边缘局部的边缘滤波影响，使曲折边缘部分像素点在信息保留完整的同时滤波效果更佳，进而缺陷检测的结果更准确且误差小，提高产品质量检测的可信程度。

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视觉技术的钟表零配件质量检测方法流程图；

图2为本发明一个实施例所提供的一种基于视觉技术的钟表零配件表面图像去噪方法流程图。

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基于视觉技术的钟表零配件质量检测方法，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。

一种基于视觉技术的钟表零配件质量检测方法实施例：

下面结合附图具体的说明本发明所提供的一种基于视觉技术的钟表零配件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基于视觉技术的钟表零配件质量检测方法流程图，该方法包括以下步骤：

S1：获取零配件表面灰度图像；根据零配件表面灰度图像中边缘线的形状特征，获得折角区域。

钟表零件作为最直观影响钟表时间精度和准确度的配件，其表面会出现的裂纹类缺陷对钟表的使用价值会产生一定的影响，因此在生产过程中钟表零件的缺陷检测便极为重要。首先利用工业相机获取零配件表面图像，并对零配件表面图像灰度化处理获得零配件表面灰度图像。需要说明的是，图像采集和灰度化处理为本领域技术人员熟知的技术手段，在此不做赘述。

由于零配件表面灰度图像在采集处理的过程中会导致图像出现一定的噪声，因此在检测前需要对图像进行滤波处理。然而生产过程中由于应力不均，会使得零配件表面产生蜿蜒曲折的裂纹，在对曲折的边缘部分像素点进行去噪时，由于裂纹边缘像素点的局部像素值变化较大，边缘附近像素点滤波受到影响较大，采用统一的滤波方法会使裂纹边缘出现扩张或收缩的现象，使得裂纹的形状与零配件中正常纹路区域相似，导致检测结果失真。

因此为了能够对曲折边缘附近的像素点实现更优的滤波效果，保证滤波过程中缺陷纹理的准确性，对零配件表面灰度图像中边缘线局部区域进行分析，自适应调整局部像素点的滤波窗口大小，提高滤波准确性。对边缘线的形状特征分析，获得折角区域，折角区域即为边缘发生方向转折的区域，也即为需要调整像素点的滤波窗口的区域。在本发明实施例中，采用canny边缘检测算法获取零配件表面灰度图像中的边缘，需要说明的是，canny边缘检测算法为本领域技术人员熟知的技术手段，在此不做赘述。

优选地，通过角点检测获取边缘线中的角点，以每个角点为中心角点，沿边缘线延伸的两个方向各获取一个最近的角点，作为中心角点的相邻角点，也即在边缘线上排列的每个角点，以每个角点为中心角点，将对应前后两个角点作为每个中心角点的相邻角点，每个中心角点对应两个相邻角点。对于任意一个角点，获取该角点对应两个相邻角点之间的连线，将该角点与每个相邻角点之间的边缘线，以及连线所围成的区域作为该角点的折角区域。需要说明的是，无论是裂纹还是正常纹路等包含边缘的区域，其边缘均能组成一个首尾相连的完整区域，因此每个角点均能找到相邻的两个角点，角点检测为本领域技术人员熟知的技术手段，在此不做赘述。

至此，获取表征边缘曲折部分的折角区域，进一步对折角区域中的像素点滤波进行优化。

S2：根据每个折角区域中所有边缘像素点的局部像素值波动情况，确定每个折角区域中像素点的初始滤波窗口；根据折角区域中每个像素点距离边缘的位置分布情况，调整对应的初始滤波窗口，获得每个像素点的优化滤波窗口。

对于一般的像素点而言，滤波窗口越大，滤波的去噪平滑效果越好；滤波窗口越小，细节信息保留效果越好。因此本发明实施例通过调整滤波窗口的大小，使得每个折角区域中的像素点在实现较好的滤波效果下，尽可能保留本身的细节信息。

由于裂纹的边缘信息极易在滤波过程被破坏，造成形状失真，因此先根据每个折角区域中所有边缘像素点的局部像素值波动情况，确定每个折角区域中像素点的初始滤波窗口。对于每个边缘像素点而言，边缘像素点为两个区域之间的边界点，其中一个区域为零配件的背景表面区域，另一个区域为正常区域或裂纹区域，两个区域对应的整体像素点的像素值并不同，但为了使滤波效果更佳，需尽量保证在滤波窗口中两个区域受到灰度波动影响程度是相似的。因此在对每个边缘像素点分析局部像素值波动情况时，需要将两个区域的像素点区分后再进行分析。

在本发明实施例中，选取至少两个预设滤波窗口，预设滤波窗口的大小在预设尺寸范围中选取，预设尺寸范围的最小值设置为3，最大值设置为该边缘像素点所在边缘线的长度且取值为奇数，若边缘线的长度不为奇数，则将边缘线的长度减一作为最大值，在本发明其他实施例中，可根据具体实施情况调整尺寸范围。通过多个预设滤波窗口，寻找最适合的滤波窗口大小。

优选地，对于折角区域中的任意一个边缘像素点，在该边缘像素点对应预设滤波窗口中，考虑到不同区域的整体像素值的差异较大，根据灰度值的大小将像素点划分为第一区域的像素点和第二区域的像素点，在对该边缘像素点对应预设滤波窗口中像素点进行分析时，像素点为包括边缘像素点在内的所有像素点。由于不同区域的像素值变化差异是较大的，因此在本发明实施例中，将该边缘像素点对应预设滤波窗口中所有像素点按照灰度值大小进行排序，获得灰度序列，计算灰度序列中每相邻两个灰度值之间的灰度差异，通过灰度差异反映出像素值的变化程度。

在最大的灰度差异对应的两个灰度值中，将最大的灰度值作为划分灰度值，最大的灰度值差异反映了灰度值发生突变的情况，则通过对应两个灰度值中的一个灰度值即可完成划分。需要说明的是，对像素点按照灰度值大小进行排序时，无论从大到小排序，还是从小到大排序，均不影响后续计算，在本发明实施例中，排序为从小到大进行排序。

在该边缘像素点对应预设滤波窗口中，将像素点的灰度值小于划分灰度值的像素点作为第一区域的像素点，将像素点的灰度值大于或等于划分灰度值的像素点作为第二区域的像素点。完成像素点的划分，进一步对该边缘像素点对应预设滤波窗口中的像素波动情况进行分析。

在该边缘像素点对应预设滤波窗口中，根据第一区域的像素点与第二区域的像素点之间灰度波动的差异，获得该边缘像素点的波动指标，波动指标反映了该边缘像素点在此时的滤波窗口中两个区域像素值的波动情况的差异性，差异越小说明滤波窗口的效果越优，不会因为一个区域的波动差异大使得滤波的像素点信息改变较大。在本发明一个实施例中，波动指标的具体表达式为：

式中，表示为第/>个边缘像素点的波动指标，/>表示为第一区域的像素点的总数量，/>表示为第二区域的像素点的总数量，/>表示为第一区域的像素点的灰度值的方差，表示为第二区域的像素点的灰度值的方差，/>表示为第一区域中第/>个像素点的灰度值，/>表示为第二区域中第/>个像素点的灰度值，/>表示为预设滤波窗口的边长，/>表示为绝对值提取函数。

需要说明的是，波动指标中的各个数据均已消除量纲影响，方便后续计算，通过灰度值占比与方差反映每个区域像素点的灰度波动情况，采用差值绝对值的方式反映灰度波动的差异。

进一步，将折角区域中所有边缘像素点的波动指标平均值作为折角区域在对应预设滤波窗口下的窗口尺寸评价值，通过所有边缘像素点的整体局部情况分析，得到折角区域的窗口尺寸评价值，由于预设滤波窗口的尺寸存在多个，即每个预设滤波窗口对应一个折角区域的窗口尺寸评价值，当窗口尺寸评价值越小，说明尺寸的选取结果更优，故在所有预设滤波窗口对应的窗口尺寸评价值中，选取窗口尺寸评价值最小时的预设滤波窗口作为折角区域中像素点的初始滤波窗口。

至此，通过对折角区域中边缘像素点的整体分析，得到每个折角区域对应边缘处的优选滤波窗口，但对于边缘曲折附近处的像素点，其滤波结果也会使得边缘区域的变化，距离越接近边缘滤波结果的影响越大，且随着像素点距离边缘的分布越远，这种影响将会越小，因此进一步根据折角区域中每个像素点距离边缘的位置分布情况调整对应的初始滤波窗口，获得每个像素点的优化滤波窗口。

优选地，通过最小二乘法拟合折角区域对应中心角点与各个相邻角点之间的边缘线，获得拟合趋势线，通过拟合趋势线可以便于分析折角区域中像素点与边缘之间的关系。需要说明的是，最小二乘法为本领域技术人员熟知的技术手段，还可以采用回归分析，样条插值等其他拟合手段，在此不做赘述。

在折角区域获取的过程中，折角区域是由每个中心角点与对应相邻角点获取的，所以一个中心角点对应一个折角区域，一个折角区域对应一个中心角点。对于折角区域中任意一个像素点，获取该像素点与折角区域对应的中心角点之间的距离线段，由于拟合趋势线存在两条，因此距离线段与拟合趋势线之间可以形成两个夹角，将距离线段与折角区域的拟合趋势线之间的最小夹角作为该像素点的角度参数，反映该像素点与边缘的最近距离情况，将距离线段的大小作为该像素点的距离参数，反映该像素点距离两条拟合趋势线的距离情况。

通过该像素点的角度参数和距离参数，获得该像素点的调整权重。通过调整权重反映该像素点与边缘的相关程度，反映该像素点需要调整初始滤波窗口大小的程度，调整权重的具体表达式为：

式中，表示为第/>个像素点的调整权重，/>表示为第/>个像素点的角度参数，/>表示为第/>个像素点的距离参数，/>表示为折角区域中距离参数的最大值，/>表示为余弦函数，/>表示为以自然常数为底的指数函数，/>表示为预设调整系数，预设调整系数为正数，在本发明实施例中设置为0.001，目的是防止分母为零使公式无意义。

通过的形式去除角度的量纲，当/>越小时，说明第/>个像素点距离边缘越近，考虑边缘处滤波影响的程度越高，当/>越小时，说明第/>个像素点距离角点越近，也即距离两条边缘均越近，需要考虑该像素点滤波结果对边缘信息的影响越多，因此当/>越小，/>越小时，/>越大，/>越大，通过以自然常数为底的指数函数进行负相关映射并归一化处理，获得调整权重，调整权重会越小，保证边缘信息不被滤波影响。

进一步，将该像素点所在折角区域的初始滤波窗口的边长与该像素点的调整权重相乘，获得该像素点的优化滤波窗口，当折角区域中的像素点距离边缘越近，距离角点越近时，调整权重越小，需要调小初始滤波窗口，尽可能保证边缘部分信息被保留，减小像素点滤波结果的影响。

至此，对每个需要进行滤波优化的曲折边缘附近的像素点完成分析，获得像素点的优化滤波窗口。

S3：根据折角区域中每个像素点的优化滤波窗口更新像素值，获得滤波图像；通过滤波图像进行缺陷检测。

为了尽可能的保留图像的边缘信息，且能够通过调节滤波窗口来优化滤波效果，本发明实施例采用双边滤波算法进行滤波，根据折角区域中每个像素点的优化滤波窗口更新像素值，具体更新像素值的表达式为：

式中，表示为第/>个像素点更新后的像素值，/>表示为第/>个像素点对应优化滤波窗口中其余像素点的总数量，/>表示为双边滤波中的距离权重，/>表示为双边滤波中的像素值权重，/>表示为第/>个像素点的像素值。

在双边滤波算法中距离权重为根据优化滤波窗口中其他像素点与中心像素点的距离，通过高斯函数进行分配，像素值权重为根据优化滤波窗口中其他像素点与中心像素点的灰度值差异的归一化值。通过将距离权重与像素值权重相乘，获得每个像素值的滤波权重，通过加权求和获得每个像素点的更新像素值。需要说明的是，双边滤波算法的具体过程为本领域技术人员熟知的公开技术手段，在此对具体的滤波公式意义不做赘述。

在本发明其他实施例中，对零配件表面灰度图像中未更新像素值的像素点也进行滤波处理，使最终的滤波图像检测效果更优，对其他像素点滤波处理的算法不做限制，可采用均值滤波、中值滤波或维纳滤波等，在此不做赘述。

对零配件表面灰度图像更新像素点的像素值后，获得滤波图像，滤波图像即为完成去噪后的零配件图像，进一步可根据滤波图像进行缺陷检测，得到更准确的检测结果。在本发明实施例中，将滤波图像输入到预先训练好的神经网络模型中，输出缺陷检测结果。需要说明的是，神经网络模型的主要训练方法为，将正常样本和不同类型缺陷样本作为数据集，对每个样本分配相应的类别标签，使用卷积神经网络将图像作为输入，类别作为输出，通过数据集进行训练，获得预先训练好的神经网络模型。神经网络模型的本质任务为分类，可实现的神经网络结构有多种，例如卷积神经网络和循环神经网络等，具体神经网络模型的结构，训练方法和分类过程为本领域技术人员熟知的公开技术手段，在此不做赘述。

综上，本发明通过获取零配件表面灰度图像中边缘曲折的部分，即折角区域，对边缘细节进行分析，通过折角区域中边缘的局部像素值波动，确定每个折角区域的初始滤波窗口，使边缘部分的滤波效果更优，不会因为整体灰度变化波动导致边缘形状发生较大变化。进一步对折角区域中像素点进行分析，考虑到距离边缘越近的像素点在滤波时影响边缘滤波效果的程度越明显，通过每个像素点与边缘的位置分布情况，调整每个像素点的优化滤波窗口，使靠近边缘的像素点被平滑效果减弱，更好的保留边缘信息。通过优化滤波窗口对像素点的像素值进行更新，最终获得更准确清晰的滤波图像，进而进行缺陷检测的结果更准确，提高产品检验质量。

一种基于视觉技术的钟表零配件表面图像去噪方法实施例：

在现有滤波方法对钟表零配件表面图像去噪的过程中，通常采用统一的滤波窗口进行滤波，仅考虑灰度的波动情况设置滤波窗口，没有考虑到曲折边缘部分受到不同区域灰度值波动情况，使统一去噪后的裂纹缺陷形状失真，出现与正常纹路形状相似的情况，对缺陷边缘的滤波效果较差，得到的滤波图像结果误差较大，为了解决没有考虑到边缘部分的局部不同灰度值波动情况，对缺陷边缘的滤波效果较差，得到的滤波图像结果误差较大的技术问题，本发明提供了一种基于视觉技术的钟表零配件表面图像去噪方法。请参阅图2，其出示了本发明一个实施例所提供的一种基于视觉技术的钟表零配件表面图像去噪方法流程图。该方法包括：

步骤S01：获取零配件表面灰度图像；根据零配件表面灰度图像中边缘线的形状特征，获得折角区域。

步骤S02：根据每个折角区域中所有边缘像素点的局部像素值波动情况，确定每个折角区域中像素点的初始滤波窗口；根据折角区域中每个像素点距离边缘的位置分布情况调整对应的初始滤波窗口，获得每个像素点的优化滤波窗口。

步骤S03：根据折角区域中每个像素点的优化滤波窗口更新像素值，对零配件表面灰度图像中未更新像素值的像素点进行滤波，获得滤波图像。

其中，步骤S01至步骤S03在上述一种基于视觉技术的钟表零配件质量检测方法实施例中已给出详细说明，在此不做赘述。

本发明通过获取零配件表面灰度图像中边缘线曲折的部分，即折角区域，对边缘细节进行分析，通过折角区域中边缘线的局部像素值波动情况，确定每个折角区域的初始滤波窗口，使边缘部分的滤波效果更优，减小因整体灰度变化波动导致滤波后边缘形状发生变化的情况。进一步对折角区域中像素点进行分析，考虑到距离边缘越近的像素点在滤波时影响边缘滤波效果的程度越明显，通过每个像素点与边缘的位置分布情况，调整每个像素点的优化滤波窗口，使靠近边缘的像素点被平滑效果减弱，更好的保留边缘信息。通过优化滤波窗口对像素点的像素值进行更新，最终获得更准确清晰的滤波图像，使缺陷边缘滤波效果更佳。

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 (10)

1.一种基于视觉技术的钟表零配件质量检测方法，其特征在于，所述方法包括：

获取零配件表面灰度图像；根据所述零配件表面灰度图像中边缘线的形状特征，获得折角区域；

根据每个折角区域中所有边缘像素点的局部像素值波动情况，确定每个折角区域中像素点的初始滤波窗口；根据折角区域中每个像素点距离边缘的位置分布情况，调整对应的初始滤波窗口，获得每个像素点的优化滤波窗口；

根据折角区域中每个像素点的优化滤波窗口更新像素值，获得滤波图像；通过所述滤波图像进行缺陷检测。

2.根据权利要求1所述一种基于视觉技术的钟表零配件质量检测方法，其特征在于，所述折角区域的获取方法包括：

获取边缘线中的角点；以每个角点为中心角点，沿边缘线延伸的两个方向各获取一个最近的角点，作为中心角点的相邻角点；

对于任意一个角点，获取该角点对应两个相邻角点之间的连线，将该角点与每个相邻角点之间的边缘线，以及所述连线所围成的区域作为该角点的折角区域。

3.根据权利要求1所述一种基于视觉技术的钟表零配件质量检测方法，其特征在于，所述初始滤波窗口的获取方法包括：

选取至少两个预设滤波窗口，对于折角区域中的任意一个边缘像素点，根据灰度值的大小，将该边缘像素点对应预设滤波窗口中像素点划分为第一区域的像素点和第二区域的像素点；

在该边缘像素点对应预设滤波窗口中，根据第一区域的像素点与第二区域的像素点之间灰度波动的差异，获得该边缘像素点的波动指标；

将折角区域中所有边缘像素点的波动指标平均值作为折角区域在对应预设滤波窗口下的窗口尺寸评价值；

在所有预设滤波窗口对应的窗口尺寸评价值中，选取窗口尺寸评价值最小时的预设滤波窗口作为折角区域中像素点的初始滤波窗口。

4.根据权利要求3所述一种基于视觉技术的钟表零配件质量检测方法，其特征在于，所述将该边缘像素点对应预设滤波窗口中像素点划分为第一区域的像素点和第二区域的像素点，包括：

对于折角区域中的任意一个边缘像素点，在该边缘像素点的预设滤波窗口中，将所有像素点按照灰度值大小进行排序，获得灰度序列；

计算灰度序列中每相邻两个灰度值之间的灰度差异；在最大的灰度差异对应的两个灰度值中，将最大的灰度值作为划分灰度值；

在该边缘像素点对应预设滤波窗口中，将像素点的灰度值小于划分灰度值的像素点作为第一区域的像素点，将像素点的灰度值大于或等于划分灰度值的像素点作为第二区域的像素点。

5.根据权利要求3所述一种基于视觉技术的钟表零配件质量检测方法，其特征在于，所述波动指标的具体表达式为：

式中，表示为第/>个边缘像素点的波动指标，/>表示为第一区域的像素点的总数量，/>表示为第二区域的像素点的总数量，/>表示为第一区域的像素点的灰度值的方差，/>表示为第二区域的像素点的灰度值的方差，/>表示为第一区域中第/>个像素点的灰度值，/>表示为第二区域中第/>个像素点的灰度值，/>表示为预设滤波窗口的边长，/>表示为绝对值提取函数。

6.根据权利要求2所述一种基于视觉技术的钟表零配件质量检测方法，其特征在于，所述优化滤波窗口的获取方法包括：

拟合折角区域对应中心角点与各个相邻角点之间的边缘线，获得两条拟合趋势线；

对于折角区域中任意一个像素点，获取该像素点与折角区域对应的中心角点之间的距离线段，将距离线段与折角区域的所述拟合趋势线之间的最小夹角作为该像素点的角度参数，将距离线段的大小作为该像素点的距离参数，通过该像素点的所述角度参数和所述距离参数，获得该像素点的调整权重；

将该像素点所在折角区域的初始滤波窗口的边长与该像素点的所述调整权重相乘，获得该像素点的优化滤波窗口。

7.根据权利要求6所述一种基于视觉技术的钟表零配件质量检测方法，其特征在于，所述调整权重的具体表达式为：

式中，表示为第/>个像素点的调整权重，/>表示为第/>个像素点的角度参数，/>表示为第/>个像素点的距离参数，/>表示为折角区域中距离参数的最大值，/>表示为余弦函数，表示为以自然常数为底的指数函数，/>表示为预设调整系数，预设调整系数为正数。

8.根据权利要求1所述一种基于视觉技术的钟表零配件质量检测方法，其特征在于，所述根据折角区域中每个像素点的优化滤波窗口更新像素值，获得滤波图像，包括：

根据折角区域中每个像素点的优化滤波窗口，通过双边滤波算法获得每个像素点的更新像素值，获得滤波图像。

9.根据权利要求1所述一种基于视觉技术的钟表零配件质量检测方法，其特征在于，所述通过所述滤波图像进行缺陷检测，包括：

将正常样本和不同类型缺陷样本作为数据集，对每个样本分配相应的类别标签；使用卷积神经网络将图像作为输入，类别作为输出，通过数据集进行训练，获得预先训练好的神经网络模型；

将滤波图像输入到预先训练好的神经网络模型中，输出缺陷检测结果。

10.根据权利要求1所述一种基于视觉技术的钟表零配件质量检测方法，其特征在于，所述边缘线通过canny边缘检测算法获取。