CN118096723B - 一种机器人电缆生产质量视觉检测方法 - Google Patents

Abstract

本发明涉及图形识别技术领域，具体涉及一种机器人电缆生产质量视觉检测方法，包括：通过将表面图像划分为若干个局部区域，根据局部区域中像素点在不同方向上梯度分量的分布情况以及像素点的梯度方向，获取局部区域在不同方向上的梯度权重系数，对局部区域内的像素点进行聚类，根据聚类后不同类纹理像素点的数量，以及局部区域内像素点的梯度分量的分布情况，获得局部区域内像素点在不同方向上的权重调整系数，结合梯度权重系数和权重调整系数调节像素点的梯度分量，并识别出表面图像中的裂缝边缘。本发明提高了边缘检测效果，进一步提高了机器人电缆生产质量的识别准确性。

Description

一种机器人电缆生产质量视觉检测方法

技术领域

本发明涉及图形识别技术领域，具体涉及一种机器人电缆生产质量视觉检测方法。

背景技术

机器人电缆在汽车制造、工业自动化、家用电器等领域中发挥着重要作用，其质量直接影响到设备的安全性和可靠性。因此，对机器人电缆的质量进行有效的检测显得尤为重要，而在机器人电缆生产过程中护套挤出工序出现问题时会导致机器人电缆外皮产生裂缝，因此通过机器视觉技术可以通过无接触检测保证机器人电缆的生产质量，实现对机器人电缆生产质量的自动化、高效率的检测。

但是在利用机器视觉技术对机器人电缆进行检测时，通常需要获取机器人电缆的图像并对其进行边缘检测，但是应用传统的Sobel算子进行边缘检测时，会因图像上裂缝的深浅不一，导致无法准确设定阈值以准确得到裂缝的边缘，从而影响对机器人电缆的生产质量检测结果的准确性。

发明内容

本发明提供一种机器人电缆生产质量视觉检测方法，以解决现有的问题。

本发明的一种机器人电缆生产质量视觉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机器人电缆生产质量视觉检测方法，该方法包括以下步骤：

获取机器人电缆的表面图像；

将表面图像划分为若干个局部区域，获取表面图像中像素点在不同方向上的梯度分量，根据局部区域中像素点在不同方向上梯度分量的分布情况，获得局部区域的梯度分布比，根据局部区域的梯度分布比以及像素点的梯度方向，获取局部区域在不同方向上的梯度权重系数；

对局部区域内的像素点进行聚类，获得若干类纹理像素点，根据不同类纹理像素点的数量，以及局部区域内所有像素点在不同方向上梯度分量的分布情况，分别获得局部区域内每个像素点在水平方向和垂直方向上的权重调整系数，结合不同方向上的梯度权重系数和权重调整系数对表面图像中的像素点的梯度分量进行调节，获得调节后的梯度分量，利用调节后的梯度分量识别出表面图像中的裂缝边缘。

进一步地，所述根据局部区域中像素点在不同方向上梯度分量的分布情况，获得局部区域的梯度分布比，包括的具体方法为：

将任意一个局部区域内所有像素点的水平梯度分量和垂直梯度分量分别进行累加，得到局部区域的水平梯度总量和垂直梯度总量，将任意像素点的水平梯度分量和垂直梯度分量形成的二维向量记为像素点的第一分量向量，将局部区域的水平梯度总量和垂直梯度总量形成的二维向量记为局部区域的第二分量向量，获取局部区域中每个像素点的第一分量向量与所属局部区域的第二分量向量的余弦相似度，记为每个像素点的局部方向因子，将任意局部区域中所有像素点的局部方向因子的方差输入到sigmoid函数中，得到的结果记为局部区域的梯度分布比。

进一步地，所述获取根据局部区域的梯度分布比以及像素点的梯度方向，获取局部区域在不同方向上的梯度权重系数，包括的具体方法为：

将任意一个局部区域中梯度幅值最大的像素点对应的梯度方向记为局部区域的裂缝参考方向；

其中，表示第个局部区域在水平方向上的梯度权重系数，表示第个局部区域在垂直方向上的梯度权重系数；表示第个局部区域的梯度分布比；为第个局部区域的裂缝参考方向；表示正弦函数；表示余弦函数。

进一步地，所述对局部区域内的像素点进行聚类，获得若干类纹理像素点，包括的具体方法为：

根据像素点的梯度方向并利用K-means聚类算法对任意局部区域内所有像素点进行聚类，获得若干个聚类簇，将属于同一个聚类簇的像素点作为一类，并将聚类簇中的像素点记为纹理像素点，获得局部区域中的若干类纹理像素点。

进一步地，所述根据不同类纹理像素点的数量，以及局部区域内所有像素点在不同方向上梯度分量的分布情况，分别获得局部区域内每个像素点在水平方向和垂直方向上的权重调整系数，包括的具体方法为：

分别获取任意局部区域内所有像素点的水平梯度分量和垂直梯度分量的方差；

式中，表示第个局部区域内第像素点在水平方向上的权重调整系数，表示第个局部区域内第像素点在垂直方向上的权重调整系数；表示第个局部区域内像素点的数量，表示第个局部区域内第个像素点的梯度一致参数，表示第个局部区域内所有像素点的水平梯度分量的方差，表示第个局部区域内所有像素点的垂直梯度分量的方差。

进一步地，所述梯度一致参数的具体获取方法为：

将局部区域中任意像素点记为目标像素点，分别获取局部区域内与目标像素点属于同一类纹理像素点的像素点数量记为目标像素点的梯度一致参数。

进一步地，所述结合不同方向上的梯度权重系数和权重调整系数对表面图像中的像素点的梯度分量进行调节，获得调节后的梯度分量，包括的具体方法为：

其中，表示第个局部区域内第个像素点的水平调整系数；表示第个局部区域内第个像素点的垂直调整系数；表示第个局部区域在水平方向上的梯度权重系数；表示第个局部区域内第像素点在水平方向上的权重调整系数；表示第个局部区域在垂直方向上的梯度权重系数；表示第个局部区域内第像素点在垂直方向上的权重调整系数；表示sigmoid归一化函数；

将表面图像中每个像素点的水平调整系数与水平梯度分量相乘，得到像素点的调整后的水平梯度分量，将将表面图像中每个像素点的垂直调整系数与垂直梯度分量相乘，得到像素点的调整后的垂直梯度分量。

进一步地，所述利用调节后的梯度分量识别出表面图像中的裂缝边缘，包括的具体方法为：

根据像素点调整后的水平梯度分量和垂直梯度分量获取像素点的最终梯度幅值，利用大津法获取表面图像中所有像素点的最终梯度幅值的分割阈值，将最终梯度幅值大于等于分割阈值的像素点作为表面图像中的边缘像素点，将边缘像素点形成的边缘线作为表面图像中的裂缝边缘。

进一步地，所述将表面图像划分为若干个局部区域，包括的具体方法为：

利用超像素分割算法将表面图像划分为若干个超像素区域，记为局部区域。

进一步地，所述获取表面图像中像素点在不同方向上的梯度分量，包括的具体方法为：

利用Sobel算子获取表面图像中所有像素点的梯度幅值在水平方向和垂直方向上的分量，分别记为水平梯度分量和垂直梯度分量。

本发明的技术方案的有益效果是：将局部区域内所有像素点的梯度的总量以及局部区域所包含像素点的梯度结合起来，避免忽略局部区域内像素点之间的关系，同时所获取的局部区域的水平梯度总量和垂直梯度总量可以在一定程度上保证减少图像中噪声对结果的影像的同时，可以更有效地反映表面图像中每个局部区域所在范围内的局部特征，使得得到的梯度分布比对局部区域的梯度信息的描述效果具有更好的鲁棒性和准确性；通过局部区域范围下的对表面图像中像素点在不同方向上的梯度分量进行调节，以提高裂缝边缘对应像素点相对于其他像素点的显著程度，提高了对机器人电缆表面上裂缝边缘的识别准确性。

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，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为本发明一种机器人电缆生产质量视觉检测方法的步骤流程图；

图2为本发明一个实施例提供的机器人电缆裂缝识别的流程图。

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机器人电缆生产质量视觉检测方法，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机器人电缆生产质量视觉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机器人电缆生产质量视觉检测方法的步骤流程图，该方法包括以下步骤：

步骤S001：获取机器人电缆的表面图像。

需要说明的是，在机器人电缆生产过程中，护套挤出工序是用来给电缆制造过程中的内部导线提供保护和绝缘的步骤。如果护套挤出工序出现问题，如挤出压力不均匀、温度控制不当、材料质量不佳等，就会导致护套在电缆外皮上出现裂缝，使得电缆的保护层就会受损，从而使内部导线暴露在外部环境中，进一步使电缆容易出现损坏或者短路的问题，从而影响机器人电缆的正常使用和安全性能。因此，在生产过程中为了保证机器人电缆的生产质量，避免机器人电缆出现裂缝缺陷，保证机器人电缆的质量。

具体的，为了实现本实施例提出的一种机器人电缆生产质量视觉检测方法，首先需要捕获机器人电缆的表面图像，具体过程为：

利用电子设备捕获机器人电缆的表面对应的图像，并对捕获到的图像进行灰度化以及滤波处理，获得机器人电缆的表面图像。

需要说明的是，所述电子设备包含工业相机、光源以及自动控制装置。

需要说明的是，对机器人电缆表面采集到的图像进行滤波处理时，本实施例选用中值滤波算法进行滤波处理，具体滤波算法可根据实际情况调整，本实施例不进行具体限定，另外，中值滤波算法是现有的滤波算法，因此本实施例不进行赘述。

至此，通过上述方法得到机器人电缆的表面图像。

步骤S002：将表面图像划分为若干个局部区域，获取表面图像中像素点在不同方向上的梯度分量，根据局部区域中像素点在不同方向上梯度分量的分布情况，获得局部区域的梯度分布比，根据局部区域的梯度分布比以及像素点的梯度方向，获取局部区域在不同方向上的梯度权重系数。

具体的，步骤2.1，首先，利用超像素分割算法将表面图像划分为若干个超像素区域，记为局部区域。

需要说明的是，由于机器人电缆上的裂缝深浅程度的关系，使得在对应的表面图像中裂缝所对应像素点的梯度幅值的大小多变，因此本实施例为了提高表面图像中裂缝缺陷对应像素点相对于其他像素点的显著程度，以结合像素点在局部范围内的梯度特征对表面图像中像素点的梯度进行调节，所述局部范围即局部区域，由于获取局部区域所使用的超像素分割算法为现有的分割算法，因此本实施例不进行赘述。

然后，抽取局部区域的梯度分布比特征，具体方法为：利用Sobel算子获取表面图像中所有像素点的梯度方向和梯度幅值，以及每个像素点的梯度幅值在水平方向和垂直方向上的分量，分别记为水平梯度分量和垂直梯度分量；将任意一个局部区域内所有像素点的水平梯度分量和垂直梯度分量分别进行累加，得到局部区域的水平梯度总量和垂直梯度总量，将任意像素点的水平梯度分量和垂直梯度分量形成的二维向量记为像素点的第一分量向量，将局部区域的水平梯度总量和垂直梯度总量形成的二维向量记为局部区域的第二分量向量，获取局部区域中每个像素点的第一分量向量与所属局部区域的第二分量向量的余弦相似度，记为每个像素点的局部方向因子，将任意局部区域中所有像素点的局部方向因子的方差输入到sigmoid函数中，得到的结果记为局部区域的梯度分布比。

需要说明的是，Sobel算子为现有算法，本实施例不进行赘述。

需要说明的是，所述梯度分布比表示局部区域内所有像素点的水平梯度分量和垂直梯度分量形成的向量，即第一分量向量，与局部区域对应的第二分量向量之间余弦相似度的分布情况，用于描述在各个局部区域中像素点的梯度分布的离散程度；另外，由于机器人电缆的表面图像中，若存在局部区域中不含有裂缝，则局部区域中所有像素点的梯度相近，而局部区域中含有裂缝时，则局部区域中存在部分像素点的梯度值与其他像素点的梯度值不相同，因此梯度分布比的数值越大，则局部区域中所有像素点的局部方向因子对应的方差越大，表示局部区域中像素点的梯度分布越离散，局部区域中存在裂缝的可能性越大，反之，梯度分布比越小，局部区域中像素点的梯度分布越集中，即像素点的梯度越相近，则局部区域中存在裂缝的可能性越小。

需要说明的是，由于机器人电缆的表面图像中的局部区域内存在裂缝时会使得局部区域内所有像素点的梯度一致性降低，而为了更准确描述局部区域内像素点的梯度分布情况，本实施例将局部区域内所有像素点的梯度的总量以及局部区域所包含像素点的梯度结合起来，避免忽略局部区域内像素点之间的关系，同时所获取的局部区域的水平梯度总量和垂直梯度总量可以在一定程度上保证减少图像中噪声对结果的影像的同时，可以更有效地反映表面图像中每个局部区域所在范围内的局部特征，使得得到的梯度分布比对局部区域的梯度信息的描述效果具有更好的鲁棒性和准确性。

最后，将任意一个局部区域中梯度幅值最大的像素点对应的梯度方向记为局部区域的裂缝参考方向。

步骤2.2，根据局部区域的梯度分布比和裂缝参考方向，分别获取局部区域在水平方向和垂直方向上的梯度权重系数，作为一种实施例，具体计算方法为：

其中，表示第个局部区域在水平方向上的梯度权重系数，表示第个局部区域在垂直方向上的梯度权重系数；表示第个局部区域的梯度分布比；为第个局部区域的裂缝参考方向；表示正弦函数；表示余弦函数。

需要说明的是，本实施例通过Sobel算子获取表面图像中像素点的梯度方向以及像素点在不同方向上的梯度幅值，以反映表面图像中相邻位置下的像素点之间的灰度值变化方向以及变化程度，因此结合像素点的梯度方向的分布情况以及像素点的梯度幅值，能够得到反映机器人电缆的表面图像中对应裂缝的分布方向，以进一步根据裂缝方向获取像素点在不同方向上的梯度权重系数，以便于后续提高裂缝缺陷所对应像素点的显著程度，提高裂缝的识别准确性。

至此，通过上述方法得到表面图像中每个局部区域在水平方向和垂直方向上的梯度权重系数。

步骤S003：对局部区域内的像素点进行聚类，获得若干类纹理像素点，根据不同类纹理像素点的数量，以及局部区域内所有像素点在不同方向上梯度分量的分布情况，分别获得局部区域内每个像素点在水平方向和垂直方向上的权重调整系数，结合不同方向上的梯度权重系数和权重调整系数对表面图像中的像素点的梯度分量进行调节，获得调节后的梯度分量，利用调节后的梯度分量识别出表面图像中的裂缝边缘。

需要说明的是，使用裂缝方向对Sobel算子水平和垂直方向上梯度权重进行调整，无法做到边缘检测过后一定会获得更好的分割区域，但是根据局部区域的特性来调整权重，可以更好的突出和捕捉到图像的关键特征，因此根据局部区域纹理方向的一致性和局部区域方差大小，来调整该局部区域内梯度权重调整系数，获得最终权重大小。

具体的，步骤3.1，首先，根据像素点的梯度方向并利用K-means聚类算法对任意局部区域内所有像素点进行聚类，获得若干个聚类簇，将属于同一个聚类簇的像素点作为一类，并将聚类簇中的像素点记为纹理像素点，获得局部区域中的若干类纹理像素点；将局部区域中任意像素点记为目标像素点，分别获取局部区域内与目标像素点属于同一类纹理像素点的像素点数量记为目标像素点的梯度一致参数。

然后，分别获取任意局部区域内所有像素点的水平梯度分量和垂直梯度分量的方差；根据任意局部区域内所有像素点的梯度幅值的方差、局部区域内像素点的梯度一致参数，获取局部区域内每个像素点在水平方向和垂直方向上的权重调整系数，作为一种实施例，具体计算方法为：

式中，表示第个局部区域内第像素点在水平方向上的权重调整系数，表示第个局部区域内第像素点在垂直方向上的权重调整系数；表示第个局部区域内像素点的数量，表示第个局部区域内第个像素点的梯度一致参数，表示第个局部区域内所有像素点的水平梯度分量的方差，表示第个局部区域内所有像素点的垂直梯度分量的方差。

需要说明的是，由于电缆表面的裂缝局部区域内纹理方向一致性越强，且该区域方差越小，该区域内存在裂缝的可能性就越少，即该区域的梯度就越小，则该区域水平方向和垂直方向上对应的权重调整系数就越小。

步骤3.2，首先，获取局部区域中像素点在水平方向和竖直方向上的调整系数，作为一种实施例，具体计算方法为：

其中，表示第个局部区域内第个像素点的水平调整系数；表示第个局部区域内第个像素点的垂直调整系数；表示第个局部区域在水平方向上的梯度权重系数；表示第个局部区域内第像素点在水平方向上的权重调整系数；表示第个局部区域在垂直方向上的梯度权重系数；表示第个局部区域内第像素点在垂直方向上的权重调整系数；表示sigmoid归一化函数。

需要说明的是，水平调整系数和垂直调整系数分别表示局部区域中像素点在裂缝方向的影响下分别在对应方向上对梯度的调整程度，局部区域中像素点在裂缝方向的影响下分别在对应方向上对梯度的调整程度越大，对应的调整系数的大小就越大，则对像素点在对应方向上的梯度分量的调整程度就越大。

然后，将表面图像中每个像素点的水平调整系数与水平梯度分量相乘，得到像素点的调整后的水平梯度分量，将将表面图像中每个像素点的垂直调整系数与垂直梯度分量相乘，得到像素点的调整后的垂直梯度分量；根据像素点调整后的水平梯度分量和垂直梯度分量获取像素点的最终梯度幅值，利用大津法获取表面图像中所有像素点的最终梯度幅值的分割阈值，将最终梯度幅值大于等于分割阈值的像素点作为表面图像中的边缘像素点，将边缘像素点形成的边缘线作为表面图像中的裂缝边缘。

需要说明的是，由于机器人电缆出现裂缝后，在表面图像中呈现出一定范围内的梯度变化，本实施例通过局部区域范围下的对表面图像中像素点在不同方向上的梯度分量进行调节，以提高裂缝边缘对应像素点相对于其他像素点的显著程度，提高裂缝边缘的识别准确性。如图2所述为本实施例所提供的机器人电缆裂缝识别的流程图。

至此，本实施例完成。

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 (9)

1.一种机器人电缆生产质量视觉检测方法，其特征在于，该方法包括以下步骤：

获取机器人电缆的表面图像；

将表面图像划分为若干个局部区域，获取表面图像中像素点在不同方向上的梯度分量，根据局部区域中像素点在不同方向上梯度分量的分布情况，获得局部区域的梯度分布比，根据局部区域的梯度分布比以及像素点的梯度方向，获取局部区域在不同方向上的梯度权重系数；

对局部区域内的像素点进行聚类，获得若干类纹理像素点，根据不同类纹理像素点的数量，以及局部区域内所有像素点在不同方向上梯度分量的分布情况，分别获得局部区域内每个像素点在水平方向和垂直方向上的权重调整系数，结合不同方向上的梯度权重系数和权重调整系数对表面图像中的像素点的梯度分量进行调节，获得调节后的梯度分量，利用调节后的梯度分量识别出表面图像中的裂缝边缘；

所述根据局部区域中像素点在不同方向上梯度分量的分布情况，获得局部区域的梯度分布比，包括的具体方法为：

将任意一个局部区域内所有像素点的水平梯度分量和垂直梯度分量分别进行累加，得到局部区域的水平梯度总量和垂直梯度总量，将任意像素点的水平梯度分量和垂直梯度分量形成的二维向量记为像素点的第一分量向量，将局部区域的水平梯度总量和垂直梯度总量形成的二维向量记为局部区域的第二分量向量，获取局部区域中每个像素点的第一分量向量与所属局部区域的第二分量向量的余弦相似度，记为每个像素点的局部方向因子，将任意局部区域中所有像素点的局部方向因子的方差输入到sigmoid函数中，得到的结果记为局部区域的梯度分布比。

2.根据权利要求1所述一种机器人电缆生产质量视觉检测方法，其特征在于，所述获取根据局部区域的梯度分布比以及像素点的梯度方向，获取局部区域在不同方向上的梯度权重系数，包括的具体方法为：

将任意一个局部区域中梯度幅值最大的像素点对应的梯度方向记为局部区域的裂缝参考方向；

其中，表示第个局部区域在水平方向上的梯度权重系数，表示第个局部区域在垂直方向上的梯度权重系数；表示第个局部区域的梯度分布比；为第个局部区域的裂缝参考方向；表示正弦函数；表示余弦函数。

3.根据权利要求1所述一种机器人电缆生产质量视觉检测方法，其特征在于，所述对局部区域内的像素点进行聚类，获得若干类纹理像素点，包括的具体方法为：

根据像素点的梯度方向并利用K-means聚类算法对任意局部区域内所有像素点进行聚类，获得若干个聚类簇，将属于同一个聚类簇的像素点作为一类，并将聚类簇中的像素点记为纹理像素点，获得局部区域中的若干类纹理像素点。

4.根据权利要求1所述一种机器人电缆生产质量视觉检测方法，其特征在于，所述根据不同类纹理像素点的数量，以及局部区域内所有像素点在不同方向上梯度分量的分布情况，分别获得局部区域内每个像素点在水平方向和垂直方向上的权重调整系数，包括的具体方法为：

分别获取任意局部区域内所有像素点的水平梯度分量和垂直梯度分量的方差；

式中，表示第个局部区域内第像素点在水平方向上的权重调整系数，表示第个局部区域内第像素点在垂直方向上的权重调整系数；表示第个局部区域内像素点的数量，表示第个局部区域内第个像素点的梯度一致参数，表示第个局部区域内所有像素点的水平梯度分量的方差，表示第个局部区域内所有像素点的垂直梯度分量的方差。

5.根据权利要求4所述一种机器人电缆生产质量视觉检测方法，其特征在于，所述梯度一致参数的具体获取方法为：

将局部区域中任意像素点记为目标像素点，分别获取局部区域内与目标像素点属于同一类纹理像素点的像素点数量记为目标像素点的梯度一致参数。

6.根据权利要求1所述一种机器人电缆生产质量视觉检测方法，其特征在于，所述结合不同方向上的梯度权重系数和权重调整系数对表面图像中的像素点的梯度分量进行调节，获得调节后的梯度分量，包括的具体方法为：

其中，表示第个局部区域内第个像素点的水平调整系数；表示第个局部区域内第个像素点的垂直调整系数；表示第个局部区域在水平方向上的梯度权重系数；表示第个局部区域内第像素点在水平方向上的权重调整系数；表示第个局部区域在垂直方向上的梯度权重系数；表示第个局部区域内第像素点在垂直方向上的权重调整系数；表示sigmoid归一化函数；

将表面图像中每个像素点的水平调整系数与水平梯度分量相乘，得到像素点的调整后的水平梯度分量，将将表面图像中每个像素点的垂直调整系数与垂直梯度分量相乘，得到像素点的调整后的垂直梯度分量。

7.根据权利要求1所述一种机器人电缆生产质量视觉检测方法，其特征在于，所述利用调节后的梯度分量识别出表面图像中的裂缝边缘，包括的具体方法为：

根据像素点调整后的水平梯度分量和垂直梯度分量获取像素点的最终梯度幅值，利用大津法获取表面图像中所有像素点的最终梯度幅值的分割阈值，将最终梯度幅值大于等于分割阈值的像素点作为表面图像中的边缘像素点，将边缘像素点形成的边缘线作为表面图像中的裂缝边缘。

8.根据权利要求1所述一种机器人电缆生产质量视觉检测方法，其特征在于，所述将表面图像划分为若干个局部区域，包括的具体方法为：

利用超像素分割算法将表面图像划分为若干个超像素区域，记为局部区域。

9.根据权利要求1所述一种机器人电缆生产质量视觉检测方法，其特征在于，所述获取表面图像中像素点在不同方向上的梯度分量，包括的具体方法为：

利用Sobel算子获取表面图像中所有像素点的梯度幅值在水平方向和垂直方向上的分量，分别记为水平梯度分量和垂直梯度分量。