CN118014989A - 一种电源适配器表面缺陷智能检测方法 - Google Patents

Abstract

本发明涉及图像缺陷检测技术领域，具体涉及一种电源适配器表面缺陷智能检测方法。该方法包括：获取电源适配器表面的灰度图像，显著性检测得到疑似划痕像素点；高斯金字塔分层处理得到不同尺度下的尺度图像；根据灰度值差异和LBP值差异，确定异常程度；筛选得到待分析像素点；根据异常程度确定异常区域；根据异常区域的边缘像素点的梯度、边缘像素点分布和边缘像素点的异常程度，确定异常区域的划痕概率，根据划痕概率从异常区域中筛选得到划痕区域；根据划痕区域对电源适配器表面进行缺陷检测，得到检测结果。本发明能够有效对电源适配器表面进行缺陷检测，提高检测结果的准确性与客观性。

Description

一种电源适配器表面缺陷智能检测方法

技术领域

本发明涉及图像缺陷检测技术领域，具体涉及一种电源适配器表面缺陷智能检测方法。

背景技术

电源适配器是一种将电源电压和电流调整为适合其他电子设备的电源要求的电子设备。在制造过程中，如果电源适配器在生产、运输或装配的过程中受到不当处理，可能导致表面划痕的产生，故针对电源适配器表面的划痕缺陷智能检测技术显得尤为重要。

相关技术中，使用显著性检测的方式进行表面划痕的检测，这种方式下，由于电源适配器仍存在小颗粒的磨砂纹理以及散热孔隙等的纹理影响，现有显著性检测算法中常利用颜色特征对图像进行特征提取，进而确定显著区域，而受到小颗粒和电源适配器自身散热孔隙的影响，部分散热孔隙区域和小颗粒区域的颜色特征在图像表现上与划痕区域相似，故相关技术中无法得到准确的划痕区域，导致小颗粒和散热孔隙极易被识别为划痕区域，影响划痕区域分析的准确性，无法对电源适配器表面进行可靠的缺陷检测。

发明内容

为了解决相关技术中无法得到准确的划痕区域，导致小颗粒和散热孔隙极易被识别为划痕区域，影响划痕区域分析的准确性，无法对电源适配器表面进行可靠的缺陷检测的技术问题，本发明提供一种电源适配器表面缺陷智能检测方法，所采用的技术方案具体如下：

本发明提出了一种电源适配器表面缺陷智能检测方法，方法包括：

获取电源适配器表面的灰度图像，对所述灰度图像进行显著性检测得到疑似划痕像素点；对所述灰度图像进行预设尺度的高斯金字塔分层处理，得到不同尺度下的尺度图像；

根据所述灰度图像与所有尺度图像下相同位置的疑似划痕像素点的灰度值差异和LBP值差异，确定每一疑似划痕像素点的异常程度；根据所述异常程度对所述疑似划痕像素点进行筛选，确定待分析像素点；

对所有待分析像素点进行聚类，根据所述异常程度确定异常区域；根据所述异常区域的边缘像素点的梯度、边缘像素点分布和边缘像素点的异常程度，确定每一异常区域的划痕概率，根据所述划痕概率从所述异常区域中筛选得到划痕区域；

根据所述划痕区域对所述电源适配器表面进行缺陷检测，得到检测结果。

进一步地，所述根据所述灰度图像与所有尺度图像下相同位置的疑似划痕像素点的灰度值差异和LBP值差异，确定每一疑似划痕像素点的异常程度，包括：

将任一尺度下的尺度图像进行等比例缩放，得到与所述灰度图像大小相同的待测图像，将所述待测图像中与所述灰度图像的疑似划痕像素点相同位置的像素点作为待测像素点；

对所述灰度图像中的疑似划痕像素点和待测图像中的待测像素点分别进行二值化局部纹理法分析，得到对应每一像素点的LBP值；

将相同位置的疑似划痕像素点和待测像素点的灰度值的差值绝对值作为同位置灰度差异；

将相同位置的疑似划痕像素点和待测像素点的LBP值的差值绝对值作为同位置LBP差异；

根据所有尺度下所述同位置灰度差异和所述同位置LBP差异，确定对应位置的疑似划痕像素点的异常程度。

进一步地，所述根据所有尺度下所述同位置灰度差异和所述同位置LBP差异，确定对应位置的疑似划痕像素点的异常程度，对应的计算公式包括：

其中，/>表示第i个疑似划痕像素点的异常程度，W表示高斯金字塔层数，也即不同尺度，j表示第j个尺度，/>表示第i个疑似划痕像素点的灰度值，/>表示第j个尺度下待测像素点的灰度值，/>表示第i个疑似划痕像素点的LBP值，/>表示第j个尺度下待测像素点的LBP值，/>表示取绝对值，/>表示归一化处理。

进一步地，所述根据所述异常程度对所述疑似划痕像素点进行筛选，确定待分析像素点，包括：

将所述异常程度大于预设异常阈值的疑似划痕像素点作为待分析像素点。

进一步地，所述对所有待分析像素点进行聚类，根据所述异常程度确定异常区域，包括：

基于DBSCAN密度聚类算法对所有待分析像素点进行聚类，得到初始聚类簇；

将所述初始聚类簇中待分析像素点的数量大于预设数量阈值的初始聚类簇所对应的区域作为异常区域。

进一步地，所述根据所述异常区域的边缘像素点的梯度、边缘像素点分布和边缘像素点的异常程度，确定每一异常区域的划痕概率，包括：

对任一所述异常区域进行边缘检测处理，得到所述异常区域的边缘像素点；

对同一异常区域的所有边缘像素点进行直线拟合，计算同一异常区域的所有边缘像素点分别距拟合直线的距离的均值，得到直线判断指标；

计算同一异常区域内所有边缘像素点的梯度幅值的均值，负相关映射并归一化处理得到梯度判断指标；

计算同一异常区域内所有边缘像素点的异常程度的均值作为异常判断指标；

将所述直线判断指标、梯度判断指标和所述异常判断指标的乘积的归一化值，作为对应异常区域的划痕概率。

进一步地，所述根据所述划痕概率从所述异常区域中筛选得到划痕区域，包括：

将所述划痕概率大于预设划痕阈值的异常区域作为划痕区域。

进一步地，所述根据所述划痕区域对所述电源适配器表面进行缺陷检测，得到检测结果，包括：

计算所述划痕区域的像素点数量与电源适配器表面的灰度图像的所有像素点数量的比值，归一化得到划痕严重程度；

将所述划痕严重程度作为检测结果。

进一步地，所述对所述灰度图像进行显著性检测得到疑似划痕像素点，包括：

基于颜色特征分割的HC显著性检测算法，对所述灰度图像中像素点的灰度值进行显著性分割，将所述灰度图像中灰度值小于预设灰度阈值的区域作为显著性区域，所述显著性区域内的像素点作为疑似划痕像素点。

进一步地，所述对所述灰度图像进行预设尺度的高斯金字塔分层处理，得到不同尺度下的尺度图像，包括：

基于高斯金字塔分层算法，对所述灰度图像进行不同尺度的分层，得到每一尺度的尺度图像。

本发明具有如下有益效果：

本发明通过显著性检测得到疑似划痕像素点，而后，基于高斯金字塔分层处理确定不同尺度的尺度图像，基于尺度图像和灰度图像中相同位置的纹理的灰度变化特征和LBP值变化特征，进行异常程度筛选，得到待分析像素点，由于是不同尺度下的灰度波动和LBP值波动，能够有效筛选小颗粒影响，保留散热孔隙和划痕区域的待分析像素点；而后，聚类确定异常区域，并结合边缘像素点的梯度、边缘像素点分布和边缘像素点的异常程度，对异常区域进行划痕分析，确定每一异常区域的划痕概率，由于对散热孔隙和划痕区域在边缘梯度和边缘分布等的特征差异进行分析，使得划痕概率能够有效对异常区域进行划分，从而得到准确的划痕区域，根据划痕区域对电源适配器表面进行缺陷检测，得到检测结果。综上，本发明实施例通过对划痕特征进行有效分析，从而消除小颗粒和散热孔隙等纹理对划痕区域的影响，提升划痕区域分析的准确性与可靠性，有效对电源适配器表面进行可靠的缺陷检测，进而使得检测结果具备更高的准确性与客观性。

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电源适配器表面缺陷智能检测方法流程图。

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电源适配器表面缺陷智能检测方法，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电源适配器表面缺陷智能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电源适配器表面缺陷智能检测方法流程图，该方法包括：

S101：获取电源适配器表面的灰度图像，对灰度图像进行显著性检测得到疑似划痕像素点；对灰度图像进行预设尺度的高斯金字塔分层处理，得到不同尺度下的尺度图像。

本发明旨在基于电源适配器表面的纹理进行划痕检测，需要说明的是，由于电源适配器表面通常为磨砂质感，对应的具有光的散射效果，形成小颗粒，且高功率电源适配器由于本身功率过高，发热严重等问题，往往需要在表面设置散热孔隙，因此，传统划痕检测过程中基于灰度值进行划痕分析，会受到小颗粒和散热孔隙等的影响，从而产生识别异常，影响表面缺陷智能检测的效果。基于此，本发明通过进一步的图像分析，从而实现准确有效的缺陷检测。

本发明实施例的一种具体的实施场景为，在电源适配器正上方架设对应的图像采集装置，实现电源适配器表面的原始图像采集，而后，对原始图像进行图像预处理，得到灰度图像。本发明实施例中的图像预处理可以具体例如为图像去噪处理、图像灰度化处理和语义分割等预处理手段，其中，图像去噪处理可以具体例如为均值去噪处理，图像灰度化处理可以具体例如为均值灰度化处理，当然，在本发明的另一些实施例中，也可以根据需求对预处理所使用的技术手段进行调整，以满足实际的使用场景，对此不作进一步赘述与限定。

其中，显著性检测，为对图像进行分类的方法，可以基于显著性检测对灰度图像进行筛选。

进一步地，在本发明的一些实施例中，对灰度图像进行显著性检测得到疑似划痕像素点，包括：基于颜色特征分割的HC显著性检测算法，对灰度图像中像素点的灰度值进行显著性分割，将灰度图像中小于预设灰度阈值的区域作为显著性区域，显著性区域内的像素点作为疑似划痕像素点。

本发明实施例中，由于小颗粒纹理、散热孔隙本身具有较深的色彩特征，其会影响到划痕检测效果，由此，本发明实施例中可以先基于颜色特征进行显著性检测，将灰度图像中小于预设灰度阈值的区域作为显著性区域，该显著性区域即为发光小颗粒的背侧、散热孔隙和划痕所共同组成的区域。

其中，HC显著性检测算法，为本领域所熟知的显著性检测算法，用于实现图像的显著性监测，得到不同灰度特征的区域。

其中，预设灰度阈值，为显著性区域的门限值，本发明实施例中可以在显著性检测处理之后得到的每一区域中所有像素点的灰度值均值，在灰度值均值小于预设灰度阈值时，将其作为显著性区域，预设灰度阈值可以具体例如为50，或者，也可以根据实际检测需求进行调整，对此不做限制。

进一步地，在本发明的一些实施例中，对灰度图像进行预设尺度的高斯金字塔分层处理，得到不同尺度下的尺度图像，包括：基于高斯金字塔分层算法，对灰度图像进行不同尺度的分层，得到每一尺度的尺度图像。

其中，高斯金字塔分层算法，为本领域技术人员所熟知的图像分层算法，基于高斯金字塔分层算法，能够将图像处理得到不同尺度的尺度图像。

本发明实施例中，可以设置尺度层数为10，也即是说，基于高斯金字塔分层算法将灰度图像处理得到10个不同尺度的尺度图像，其中，预设尺度可以具体例如为0.5、0.25等多种变化尺度，对此不做限制。

本发明实施例中，不同尺度图像中所包含的图像信息具有差异，可以基于该差异对显著性区域进行变化分析，从而实现更为准确有效的处理效果。其具体分析过程参见后续实施例。

S102：根据灰度图像与所有尺度图像下相同位置的疑似划痕像素点的灰度值差异和LBP值差异，确定每一疑似划痕像素点的异常程度；根据异常程度对疑似划痕像素点进行筛选，确定待分析像素点。

本发明实施例中，在疑似划痕像素点中包含光照较暗的小颗粒区域、纹理较深的划痕区域和自身散热孔隙，而因光照以较为均匀的形式照射到电源适配器表面，故小颗粒区域内像素点的纹理特征较浅，即划痕区域和散热孔隙内像素的纹理特征更深，则深纹理像素点相较小颗粒区域像素点的纹理稳定性更好，即其在不同尺度下像素点的稳定性更好。因此，本发明实施例可以基于稳定性进行异常分析。

进一步地，在本发明的一些实施例中，根据灰度图像与所有尺度图像下相同位置的疑似划痕像素点的灰度值差异和LBP值差异，确定每一疑似划痕像素点的异常程度，包括：将任一尺度下的尺度图像进行等比例缩放，得到与灰度图像大小相同的待测图像，将待测图像中与灰度图像的疑似划痕像素点相同位置的像素点作为待测像素点；对灰度图像中的疑似划痕像素点和待测图像中的待测像素点分别进行二值化局部纹理法分析，得到对应每一像素点的LBP值；将相同位置的疑似划痕像素点和待测像素点的灰度值的差值绝对值作为同位置灰度差异；将相同位置的疑似划痕像素点和待测像素点的LBP值的差值绝对值作为同位置LBP差异；根据所有尺度下同位置灰度差异和同位置LBP差异，确定对应位置的疑似划痕像素点的异常程度。

其中，异常程度，也即对应的稳定性程度，本发明实施例中异常程度即为在不同层次下疑似划痕像素点的稳定性。本发明实施例中，由于在进行高斯金字塔分层处理之后，所得到的尺度图像与灰度图像的尺度不一致，因此，便于进行检测，本发明实施例将每一尺度下的尺度图像进行等比例缩放，得到与灰度图像大小相同的待测图像，每一尺度的尺度图像均具有对应的待测图像，则在灰度图像和每一待测图像中，相同位置均表示相同的纹理区域，根据相同位置的变化进行特征分析。

本发明实施例中，将相同位置的疑似划痕像素点和待测像素点的灰度值的差值绝对值作为同位置灰度差异，由于经过不同尺度变化之后，小颗粒区域的稳定性较差，会产生较大的灰度变化，也即是说，在同位置灰度差异数值越大时，表示对应位置的疑似划痕像素点和待测像素点的稳定性越差。

本发明实施例中，对灰度图像中的疑似划痕像素点和待测图像中的待测像素点分别进行二值化局部纹理法分析，得到对应每一像素点的LBP值，其中，LBP值，即为二值化局部纹理分析所得到的数值，将相同位置的疑似划痕像素点和待测像素点的LBP值的差值绝对值作为同位置LBP差异，同位置LBP差异越大，表示对应位置的疑似划痕像素点和待测像素点的局部纹理分布差异较大，也即待测图像和灰度图像在对应位置的局部范围内产生了较大的纹理变化，其稳定性越差。

由此，本发明可以结合所有尺度下同位置灰度差异和同位置LBP差异，确定对应位置的疑似划痕像素点的异常程度。对应的计算公式包括：

其中，表示第i个疑似划痕像素点的异常程度，W表示高斯金字塔层数，也即不同尺度，j表示第j个尺度，/>表示第i个疑似划痕像素点的灰度值，/>表示第j个尺度下待测像素点的灰度值，/>表示第i个疑似划痕像素点的LBP值，/>表示第j个尺度下待测像素点的LBP值，/>表示取绝对值，/>表示归一化处理。

其中，表示对应的同位置灰度差异，/>表示同位置LBP差异，则本发明实施例中通过计算同位置灰度差异和同位置LBP差异的乘积，求均并负相关归一化，得到疑似划痕像素点的异常程度。

由于同位置灰度差异数值越大时，表示对应位置的疑似划痕像素点和待测像素点的稳定性越差，同位置LBP差异越大，表示待测图像和灰度图像在对应位置的局部范围内产生了较大的纹理变化，其稳定性越差；而异常程度为对应的稳定性程度，小颗粒区域的稳定性较差，其异常程度较小，而划痕区域和散热孔隙具有较大的稳定性，异常程度也大，由此，可以基于异常程度对小颗粒区域进行筛选。

进一步地，在本发明的一些实施例中，根据异常程度对疑似划痕像素点进行筛选，确定待分析像素点，包括：将异常程度大于预设异常阈值的疑似划痕像素点作为待分析像素点。

其中，预设异常阈值，为异常程度的门限值，本发明实施例中，在疑似划痕像素点的异常程度大于预设异常阈值时，将对应的疑似划痕像素点作为待分析像素点，可选地，预设异常阈值可以具体例如为0.7，或者，也可以根据实际检测需求进行设置，对此不做限制。

S103：对所有待分析像素点进行聚类，根据异常程度确定异常区域；根据异常区域的边缘像素点的梯度、边缘像素点分布和边缘像素点的异常程度，确定每一异常区域的划痕概率，根据划痕概率从异常区域中筛选得到划痕区域。

进一步地，在本发明的一些实施例中，对所有待分析像素点进行聚类，根据异常程度确定异常区域，包括：基于DBSCAN密度聚类算法对所有待分析像素点进行聚类，得到初始聚类簇；将初始聚类簇中待分析像素点的数量大于预设数量阈值的初始聚类簇所对应的区域作为异常区域。

其中，DBSCAN密度聚类算法，为本领域技术人员所熟知的无监督密度聚类算法，通过DBSCAN密度聚类算法能够对所有待分析像素点进行密度聚类，由于不论是划痕区域还是散热孔隙，均为连续的区域，因此，密度聚类所获得的初始聚类簇，其像素点亦为一个集体的区域，对每一初始聚类簇所分别对应的区域进行分析。由于上述筛选过程中仍有部分小颗粒区域的影响，因此，本发明实施例中对初始聚类簇进行进一步的筛选，由于小颗粒区域相较于划痕区域和散热孔隙，其像素点数量较少，因此，本发明实施例通过初始聚类簇中待分析像素点的数量进行具体筛选，以有效去除小颗粒区域。

其中，预设数量阈值，为初始聚类簇中待分析像素点的数量的门限值，本发明实施例中，预设数量阈值可以具体例如为50，也即是说，将待分析像素点的数量大于50的初始聚类簇所对应的区域作为异常区域，由此，有效筛除小颗粒区域。

在筛除小颗粒区域之后，需要对散热孔隙区域进行进一步的筛选。进一步地，在本发明的一些实施例中，根据异常区域的边缘像素点的梯度、边缘像素点分布和边缘像素点的异常程度，确定每一异常区域的划痕概率，包括：对任一异常区域进行边缘检测处理，得到异常区域的边缘像素点；对同一异常区域的所有边缘像素点进行直线拟合，计算同一异常区域的所有边缘像素点分别距拟合直线的距离的均值，得到直线判断指标；计算同一异常区域内所有边缘像素点的梯度幅值的均值，负相关映射并归一化处理得到梯度判断指标；计算同一异常区域内所有边缘像素点的异常程度的均值作为异常判断指标；将直线判断指标、梯度判断指标和异常判断指标的乘积的归一化值，作为对应异常区域的划痕概率。

在本发明的一个实施例中，归一化处理可以具体例如为最大最小值归一化处理，并且，后续步骤中的归一化均可以采用最大最小值归一化处理，在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法，对此不再赘述。

其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定；负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定。

本发明实施例中，散热孔隙区域和划痕区域的区别特征在于散热孔隙区域的形态稳定，呈直条状或者圆形，而划痕区域则更为不规则，由此，本发明通过对异常区域的所有边缘像素点进行直线拟合，得到对应的拟合直线，而后，计算同一异常区域的所有边缘像素点分别距拟合直线的距离的均值，得到直线判断指标。可以理解的是，该直线判断指标越小，表示同一异常区域的所有边缘像素点分别距拟合直线的距离越小，不论散热孔隙区域呈直条状或者圆形，其距离拟合直线的距离较小，而划痕区域的不规则使得其距离拟合直线的距离较大，由此，直线判断指标越大，越可能为划痕区域。

本发明实施例中，由于划痕纹理周围会产生一定的灰度递进效果，边缘像素点的灰度梯度变化较小，而散热孔隙区域由于直接垂直贯通电源适配器表层，因此，其边缘像素点的灰度梯度变化较大，则本发明实施例计算同一异常区域内所有边缘像素点的梯度幅值的均值，负相关映射并归一化处理得到梯度判断指标，可以具体例如为求取梯度幅值的均值之后，采用exp（-）的函数进行归一化处理，或者，也可以计算均值的负数，而后对负数进行归一化，从而得到梯度判断指标。梯度判断指标数值越大，表示对应越可能为划痕区域。

其中，异常程度可以作为影响因素，从而消除异常影响较小的区域。则本发明可以结合直线判断指标、梯度判断指标和异常判断指标，进行划痕概率的分析，由于直线判断指标越大，越可能为划痕区域，梯度判断指标数值越大，表示对应越可能为划痕区域，而异常判断指标越大，表示对应的异常性越大，由此，本发明计算直线判断指标、梯度判断指标和异常判断指标的乘积，归一化处理得到异常区域的划痕概率。

进一步地，在本发明的一些实施例中，根据划痕概率从异常区域中筛选得到划痕区域，包括：将划痕概率大于预设划痕阈值的异常区域作为划痕区域。

其中，预设划痕阈值，为划痕概率的门限值，本发明实施例中的预设划痕阈值可以具体例如为0.9，也即是说，将划痕概率大于0.9的异常区域作为划痕区域。由此筛除散热孔隙区域的影响，得到更为准确的划痕区域。

S104：根据划痕区域对电源适配器表面进行缺陷检测，得到检测结果。

本发明实施例中，在得到划痕区域之后，将划痕区域作为异常的纹理区域进行缺陷检测，进一步地，在本发明的一些实施例中，根据划痕区域对电源适配器表面进行缺陷检测，得到检测结果，包括：计算划痕区域的像素点数量与电源适配器表面的灰度图像的所有像素点数量的比值，归一化得到划痕严重程度；将划痕严重程度作为检测结果。也即是说，通过划痕区域的面积占比确定划痕严重程度，得到检测结果。

当然，在本发明的另一些实施例中，也可以使用多种其他任意可能的缺陷检测条件，例如根据划痕区域内所有像素点的灰度值、根据划痕区域的数量等，对此不做限制。

由于电源适配器表面存在小颗粒和散热孔隙等纹理，会对划痕检测产生影响，本发明通过显著性检测得到疑似划痕像素点，而后，基于高斯金字塔分层处理确定不同尺度的尺度图像，基于尺度图像和灰度图像中相同位置的纹理的灰度变化特征和LBP值变化特征，进行异常程度筛选，得到待分析像素点，由于是不同尺度下的灰度波动和LBP值波动，能够有效筛选小颗粒影响，保留散热孔隙和划痕区域的待分析像素点；而后，聚类确定异常区域，并结合边缘像素点的梯度、边缘像素点分布和边缘像素点的异常程度，对异常区域进行划痕分析，确定每一异常区域的划痕概率，由于对散热孔隙和划痕区域在边缘梯度和边缘分布等的特征差异进行分析，使得划痕概率能够有效对异常区域进行划分，从而得到准确的划痕区域，根据划痕区域对电源适配器表面进行缺陷检测，得到检测结果。综上，本发明实施例通过对划痕特征进行有效分析，从而消除小颗粒和散热孔隙等纹理对划痕区域的影响，提升划痕区域分析的准确性与可靠性，有效对电源适配器表面进行可靠的缺陷检测，进而使得检测结果具备更高的准确性与客观性。

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 (10)

1.一种电源适配器表面缺陷智能检测方法，其特征在于，所述方法包括：

获取电源适配器表面的灰度图像，对所述灰度图像进行显著性检测得到疑似划痕像素点；对所述灰度图像进行预设尺度的高斯金字塔分层处理，得到不同尺度下的尺度图像；

根据所述灰度图像与所有尺度图像下相同位置的疑似划痕像素点的灰度值差异和LBP值差异，确定每一疑似划痕像素点的异常程度；根据所述异常程度对所述疑似划痕像素点进行筛选，确定待分析像素点；

对所有待分析像素点进行聚类，根据所述异常程度确定异常区域；根据所述异常区域的边缘像素点的梯度、边缘像素点分布和边缘像素点的异常程度，确定每一异常区域的划痕概率，根据所述划痕概率从所述异常区域中筛选得到划痕区域；

根据所述划痕区域对所述电源适配器表面进行缺陷检测，得到检测结果。

2.如权利要求1所述的一种电源适配器表面缺陷智能检测方法，其特征在于，所述根据所述灰度图像与所有尺度图像下相同位置的疑似划痕像素点的灰度值差异和LBP值差异，确定每一疑似划痕像素点的异常程度，包括：

将任一尺度下的尺度图像进行等比例缩放，得到与所述灰度图像大小相同的待测图像，将所述待测图像中与所述灰度图像的疑似划痕像素点相同位置的像素点作为待测像素点；

对所述灰度图像中的疑似划痕像素点和待测图像中的待测像素点分别进行二值化局部纹理法分析，得到对应每一像素点的LBP值；

将相同位置的疑似划痕像素点和待测像素点的灰度值的差值绝对值作为同位置灰度差异；

将相同位置的疑似划痕像素点和待测像素点的LBP值的差值绝对值作为同位置LBP差异；

根据所有尺度下所述同位置灰度差异和所述同位置LBP差异，确定对应位置的疑似划痕像素点的异常程度。

3.如权利要求2所述的一种电源适配器表面缺陷智能检测方法，其特征在于，所述根据所有尺度下所述同位置灰度差异和所述同位置LBP差异，确定对应位置的疑似划痕像素点的异常程度，对应的计算公式包括：

其中，/>表示第i个疑似划痕像素点的异常程度，W表示高斯金字塔层数，也即不同尺度，j表示第j个尺度，/>表示第i个疑似划痕像素点的灰度值，/>表示第j个尺度下待测像素点的灰度值，/>表示第i个疑似划痕像素点的LBP值，/>表示第j个尺度下待测像素点的LBP值，/>表示取绝对值，/>表示归一化处理。

4.如权利要求1所述的一种电源适配器表面缺陷智能检测方法，其特征在于，所述根据所述异常程度对所述疑似划痕像素点进行筛选，确定待分析像素点，包括：

将所述异常程度大于预设异常阈值的疑似划痕像素点作为待分析像素点。

5.如权利要求1所述的一种电源适配器表面缺陷智能检测方法，其特征在于，所述对所有待分析像素点进行聚类，根据所述异常程度确定异常区域，包括：

基于DBSCAN密度聚类算法对所有待分析像素点进行聚类，得到初始聚类簇；

将所述初始聚类簇中待分析像素点的数量大于预设数量阈值的初始聚类簇所对应的区域作为异常区域。

6.如权利要求1所述的一种电源适配器表面缺陷智能检测方法，其特征在于，所述根据所述异常区域的边缘像素点的梯度、边缘像素点分布和边缘像素点的异常程度，确定每一异常区域的划痕概率，包括：

对任一所述异常区域进行边缘检测处理，得到所述异常区域的边缘像素点；

对同一异常区域的所有边缘像素点进行直线拟合，计算同一异常区域的所有边缘像素点分别距拟合直线的距离的均值，得到直线判断指标；

计算同一异常区域内所有边缘像素点的梯度幅值的均值，负相关映射并归一化处理得到梯度判断指标；

计算同一异常区域内所有边缘像素点的异常程度的均值作为异常判断指标；

将所述直线判断指标、梯度判断指标和所述异常判断指标的乘积的归一化值，作为对应异常区域的划痕概率。

7.如权利要求1所述的一种电源适配器表面缺陷智能检测方法，其特征在于，所述根据所述划痕概率从所述异常区域中筛选得到划痕区域，包括：

将所述划痕概率大于预设划痕阈值的异常区域作为划痕区域。

8.如权利要求1所述的一种电源适配器表面缺陷智能检测方法，其特征在于，所述根据所述划痕区域对所述电源适配器表面进行缺陷检测，得到检测结果，包括：

计算所述划痕区域的像素点数量与电源适配器表面的灰度图像的所有像素点数量的比值，归一化得到划痕严重程度；

将所述划痕严重程度作为检测结果。

9.如权利要求1所述的一种电源适配器表面缺陷智能检测方法，其特征在于，所述对所述灰度图像进行显著性检测得到疑似划痕像素点，包括：

基于颜色特征分割的HC显著性检测算法，对所述灰度图像中像素点的灰度值进行显著性分割，将所述灰度图像中灰度值小于预设灰度阈值的区域作为显著性区域，所述显著性区域内的像素点作为疑似划痕像素点。

10.如权利要求1所述的一种电源适配器表面缺陷智能检测方法，其特征在于，所述对所述灰度图像进行预设尺度的高斯金字塔分层处理，得到不同尺度下的尺度图像，包括：

基于高斯金字塔分层算法，对所述灰度图像进行不同尺度的分层，得到每一尺度的尺度图像。