本發(fā)明涉及工件質(zhì)量檢測(cè)領(lǐng)域，特別涉及一種工件表面缺陷檢測(cè)方法和裝置。

背景技術(shù)：

人類(lèi)社會(huì)的不斷進(jìn)步在某種程度上與新材料的使用有著密切的聯(lián)系，例如青銅和鋼鐵的引入使用都曾經(jīng)極大的提高了人類(lèi)社會(huì)的生產(chǎn)力和生產(chǎn)效率，因此具有劃時(shí)代的意義。進(jìn)入20世紀(jì)以來(lái)，作為材料領(lǐng)域又一創(chuàng)新的高分子材料正在越來(lái)越深刻的影響著人類(lèi)社會(huì)的發(fā)展進(jìn)程。塑料是我們熟知的一類(lèi)高分子材料，具有密度小、重量輕、絕緣性能好、介電損耗低、化學(xué)穩(wěn)定性高及耐磨性好等優(yōu)點(diǎn)，被廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、建筑、國(guó)防尖端工業(yè)等和人們生活息息相關(guān)的各個(gè)領(lǐng)域，其增長(zhǎng)率已經(jīng)躍居四大工業(yè)材料(塑料、鋼鐵、木材和水泥)之首，“以塑代鋼”、“以塑代木”成了當(dāng)今世材料界的發(fā)展趨勢(shì)。在塑料加工領(lǐng)域，最常用的加工方法為注射成型法其特點(diǎn)為能夠加工外型復(fù)雜、尺寸精確、質(zhì)地密致的塑料制品。，并且注塑工藝對(duì)各種塑料的加工具有良好的適應(yīng)性，生產(chǎn)能力較高，并易于實(shí)現(xiàn)自動(dòng)化。在塑料工業(yè)迅速發(fā)展的今天，應(yīng)用于注塑成型工藝的注塑機(jī)不論在數(shù)量上，還是在品種上都占有重要地位，從而成為目前塑料加工成型中增長(zhǎng)最快，生產(chǎn)數(shù)量最多的加工方法之一。然而，注塑制品的生產(chǎn)過(guò)程中，通常由于注塑條件的不良等各種因素的干擾而導(dǎo)致工件的表面常會(huì)產(chǎn)生斑點(diǎn)、凹坑、劃痕、色差、缺損等外觀性、尺寸精確度性或功能性的缺陷，并且這些缺陷很可能會(huì)很大程度上影響制品進(jìn)一步的工藝加工甚至制品的使用性能。注塑制品現(xiàn)行的缺陷檢測(cè)方法主要靠人工目測(cè)和離線抽樣分析相結(jié)合的人工方法進(jìn)行檢測(cè)。但是這種人工檢測(cè)方法只能對(duì)具有明顯形狀和表面缺陷的制品進(jìn)行分揀，并在缺陷制品明顯增多時(shí)對(duì)生產(chǎn)設(shè)備做出必要的干預(yù)，通過(guò)檢修設(shè)備、調(diào)整參數(shù)等手段排除故障，恢復(fù)生產(chǎn)；并且由于受檢測(cè)人員的經(jīng)驗(yàn)、心理和生理因素的影響，即人工檢測(cè)受到檢測(cè)人員主觀因素的影響很大，因此人工檢測(cè)方法的實(shí)時(shí)性差，誤檢率高，并且無(wú)法進(jìn)行定量描述，從而影響了評(píng)估的準(zhǔn)確性和可靠性。此外，在比較危險(xiǎn)的工作環(huán)境下，無(wú)法進(jìn)行人工檢測(cè)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的主要目的在于提供一種工件表面缺陷檢測(cè)方法及裝置，旨在解決人工檢測(cè)方法所存在的只能對(duì)具有明顯形狀和表面缺陷的制品進(jìn)行分揀，并且由于受檢測(cè)人員的主觀因素的影響很大，所造成的實(shí)時(shí)性差，誤檢率高，并且無(wú)法進(jìn)行定量描述，從而影響了評(píng)估的準(zhǔn)確性和可靠性的技術(shù)問(wèn)題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供的一種工件表面缺陷檢測(cè)處理方法，包括：

將輸入的表面具有豎直方向上的條形紋理和與水平方向上成5度夾角的條形紋理的工件的圖像I_I轉(zhuǎn)換為灰度圖像I_G之后進(jìn)行二值化處理，從而獲得將工件從背景分離的二值化圖像I_B，其中，所述工件的所述表面具有豎直方向上的所述條形紋理與所述圖像I_I的豎直方向重合；

從所述二值化圖像I_B之中提取所述工件的輪廓F_i，并根據(jù)所述輪廓F_i從所述灰度圖像I_G之中提取所述工件的灰度圖像I_Gi；

通過(guò)對(duì)所述工件的所述灰度圖像I_Gi進(jìn)行濾波處理，過(guò)濾掉所述工件的所屬表面的所述豎直方向上的條形紋理與所述水平方向上成5度夾角的所述條形紋理之后獲得濾波后圖像B_Gi；

對(duì)所述圖像B_Gi進(jìn)行邊緣銳化處理獲得邊緣銳化圖像E_Gi之后再進(jìn)行自適應(yīng)二值化處理之后獲得輪廓圖像D_Gi；

使用預(yù)設(shè)尺寸大小的patch對(duì)所述輪廓圖像D_Gi進(jìn)行輪廓檢測(cè)處理，從而獲得每個(gè)所述patch所對(duì)應(yīng)的特征向量V_ij，并將所有所述工件特征向量V_ij所進(jìn)行歸一化并組成特征向量集合V_i，其中，所述下標(biāo)j為所述特征向量在所述特征向量集和V_i之內(nèi)的序號(hào)；

將所述特征向量集合V_i之中的每個(gè)特征向量V_ij帶入預(yù)先訓(xùn)練好的SVM模型進(jìn)行判別運(yùn)算，并輸出所述判別運(yùn)算的結(jié)果，其中，所述SVM模型的判別結(jié)果包括正常和缺陷這兩種判別結(jié)果類(lèi)型。

優(yōu)選地，所述將輸入的表面具有豎直方向上的條形紋理和與水平方向上成5度夾角的條形紋理的工件的圖像I_I轉(zhuǎn)換為灰度圖像I_G之后進(jìn)行二值化處理，從而獲得將工件從背景分離的二值化圖像I_B的步驟之中，所述二值化處理為OSTU算法。

優(yōu)選地，所述從所述二值化圖像I_B之中提取所述工件的輪廓F_i，并根據(jù)所述輪廓F_i從所述灰度圖像I_G之中提取所述工件的灰度圖像I_Gi的步驟之中，所述從所述二值化圖像I_B之中提取所述工件的輪廓F_i所采用的方法是腐蝕算法。

優(yōu)選地，所述通過(guò)對(duì)所述工件的所述灰度圖像I_Gi進(jìn)行濾波處理，過(guò)濾掉所述工件的所屬表面的所述豎直方向上的條形紋理與所述水平方向上成5度夾角的所述條形紋理之后獲得濾波后圖像B_Gi的步驟包括：

對(duì)所述工件的灰度圖像I_Gi進(jìn)行第一次Garbor濾波處理獲得所述第一次濾波后的圖像A_Gi＝I_Gi*g₁；

對(duì)所述圖像A_Gi進(jìn)行第二次Garbor濾波處理獲得所述第二次濾波后的圖像B_Gi＝A_Gi*g₂，

其中，所述*為卷積運(yùn)算，所述第一次Garbor濾波的所述Garbor核函數(shù)g₁和所述第二次Garbor濾波的所述Garbor核函數(shù)g₂的公式定義為：

長(zhǎng)，所述δ為所述Garbor核函數(shù)的尺度大小，所述θ為抑制角度，所述為相位差，所述(x,y)為所述圖像I_Gi和所述圖像A_Gi之中對(duì)應(yīng)像素點(diǎn)的坐標(biāo)，在進(jìn)行所述第一次Garbor濾波處理時(shí)的所述抑制角度θ＝90°，在進(jìn)行所述第二次Garbor濾波處理時(shí)的所述抑制角度θ＝5°。

優(yōu)選地，所述使用預(yù)設(shè)尺寸大小的patch對(duì)所述輪廓圖像D_Gi進(jìn)行輪廓檢測(cè)處理，從而獲得每個(gè)所述patch所對(duì)應(yīng)的特征向量V_ij，并將所有所述工件特征向量V_ij所進(jìn)行歸一化并組成特征向量集合V_i的步驟之中，所述特征向量V_ij包括經(jīng)過(guò)所述輪廓檢測(cè)處理所獲得的所述輪廓的長(zhǎng)、所述輪廓的寬、所述輪廓的位置坐標(biāo)(x,y)和所述輪廓的灰度均值5個(gè)特征值。

本發(fā)明進(jìn)一步提供一種工件表面缺陷檢測(cè)裝置，包括：

圖像輸入預(yù)處理模塊，用于將輸入的表面具有豎直方向上的條形紋理和與水平方向上成5度夾角的條形紋理的工件的圖像I_I轉(zhuǎn)換為灰度圖像I_G之后進(jìn)行二值化處理，從而獲得將工件從背景分離的二值化圖像I_B，其中，所述工件的所述表面具有豎直方向上的所述條形紋理與所述圖像I_I的豎直方向重合；

工件圖像獲取模塊，用于從所述二值化圖像I_B之中提取所述工件的輪廓F_i，并根據(jù)所述輪廓F_i從所述灰度圖像I_G之中提取所述工件的灰度圖像I_Gi；

濾波處理模塊，用于通過(guò)對(duì)所述工件的所述灰度圖像I_Gi進(jìn)行濾波處理，過(guò)濾掉所述工件的所屬表面的所述豎直方向上的條形紋理與所述水平方向上成5度夾角的所述條形紋理之后獲得濾波后圖像B_Gi；

輪廓提取模塊，用于對(duì)所述圖像B_Gi進(jìn)行邊緣銳化處理獲得邊緣銳化圖像E_Gi之后再進(jìn)行自適應(yīng)二值化處理之后獲得輪廓圖像D_Gi；

特征提取模塊，用于使用預(yù)設(shè)尺寸大小的patch對(duì)所述輪廓圖像D_Gi進(jìn)行輪廓檢測(cè)處理，從而獲得每個(gè)所述patch所對(duì)應(yīng)的特征向量V_ij，并將所有所述工件特征向量V_ij所進(jìn)行歸一化并組成特征向量集合V_i，其中，所述下標(biāo)j為所述特征向量在所述特征向量集和V_i之內(nèi)的序號(hào)；

判別輸出模塊，用于將所述特征向量集合V_i之中的每個(gè)特征向量V_ij帶入預(yù)先訓(xùn)練好的SVM模型進(jìn)行判別運(yùn)算，并輸出所述判別運(yùn)算的結(jié)果，其中，所述SVM模型的判別結(jié)果包括正常和缺陷這兩種判別結(jié)果類(lèi)型。

優(yōu)選地，所述圖像輸入預(yù)處理模塊之中，所述二值化處理為OSTU算法。

優(yōu)選地，所述工件圖像獲取模塊之中，所述從所述二值化圖像I_B之中提取所述工件的輪廓F_i所采用的方法是腐蝕算法。

優(yōu)選地，所述濾波處理模塊包括：

第一次Garbor濾波處理單元，用于對(duì)所述工件的灰度圖像I_Gi進(jìn)行第一次Garbor濾波處理獲得所述第一次濾波后的圖像A_Gi＝I_Gi*g₁；

第二次Garbor濾波處理單元，用于對(duì)所述圖像A_Gi進(jìn)行第二次Garbor濾波處理獲得所述第二次濾波后的圖像B_Gi＝A_Gi*g₂，

其中，所述*為卷積運(yùn)算，所述第一次Garbor濾波的所述Garbor核函數(shù)g₁和所述第二次Garbor濾波的所述Garbor核函數(shù)g₂的公式定義為：

長(zhǎng)，所述δ為所述Garbor核函數(shù)的尺度大小，所述θ為抑制角度，所述為相位差，所述(x,y)為所述圖像I_Gi和所述圖像A_Gi之中對(duì)應(yīng)像素點(diǎn)的坐標(biāo)，在進(jìn)行所述第一次Garbor濾波處理時(shí)的所述抑制角度θ＝90°，在進(jìn)行所述第二次Garbor濾波處理時(shí)的所述抑制角度θ＝5°。

優(yōu)選地，所述特征提取模塊之中，所述特征向量V_ij包括經(jīng)過(guò)所述輪廓檢測(cè)處理所獲得的所述輪廓的長(zhǎng)、所述輪廓的寬、所述輪廓的位置坐標(biāo)(x,y)和所述輪廓的灰度均值5個(gè)特征值。

本發(fā)明通過(guò)上述預(yù)處理，可以準(zhǔn)確快速的提取所述工件的對(duì)應(yīng)范圍的圖像，從而可以大大減少后續(xù)處理過(guò)程的運(yùn)算量，同時(shí)也可以避免工件對(duì)應(yīng)范圍之外的圖像內(nèi)容對(duì)判別處理的干擾，提高判別的準(zhǔn)確度的同時(shí)也提高了魯棒性。并且通過(guò)上述的濾波處理，濾出工件本身的輪廓以及表面具有豎直方向上的條形紋理和與水平方向上成5度夾角的條形紋理對(duì)后續(xù)特征提取的干擾和影響。此外，由于對(duì)采用濾波處理之后的圖像進(jìn)行邊緣銳化之后在進(jìn)行輪廓提取，因此大大提高了輪廓特征提取的可靠性和魯棒性，與此同時(shí)采用輪廓特征作為SVM判別模型的特征參數(shù)具有操作簡(jiǎn)單，運(yùn)算速度快，可靠性好的特點(diǎn)。

并且，別于普通的二值化處理方法，所述OSTU算法又叫類(lèi)間方差最大算法，其主要處理過(guò)程之中需要首先計(jì)算能將兩類(lèi)分開(kāi)的最佳閾值，從而使得它們的類(lèi)內(nèi)方差最小，因此該算法具可根據(jù)圖像的內(nèi)容自動(dòng)獲取最佳分類(lèi)閾值的特點(diǎn)。并且，由于輸入的所述工件圖像內(nèi)容簡(jiǎn)單，顏色或灰度分布較為單一，因此采用該算法即可以避免該算法對(duì)噪音和目標(biāo)大小十分敏感，以及無(wú)法有效應(yīng)對(duì)圖像內(nèi)容較為復(fù)雜的情形等不利因素的干擾，具有運(yùn)算簡(jiǎn)單，速度快，可以實(shí)現(xiàn)實(shí)時(shí)處理的特點(diǎn)。此外，在一些環(huán)境中，如果使用向量化的形式，可以更快地運(yùn)算循環(huán)，也可以很容易采用多線程并行處理的的方法。

其次，由于Gabor核函數(shù)對(duì)于圖像的邊緣敏感，能夠提供良好的方向選擇和尺度選擇特性，而且對(duì)于光照變化不敏感，能夠提供對(duì)光照變化良好的適應(yīng)性。并且，由于Gabor濾波方式與人類(lèi)視覺(jué)系統(tǒng)中簡(jiǎn)單細(xì)胞的視覺(jué)刺激響應(yīng)非常相似，因此在提取目標(biāo)的局部空間和頻率域信息方面具有良好的特性。此外，通過(guò)采用Garbor濾波的方式，具有運(yùn)算簡(jiǎn)單，易于理解，參數(shù)易于調(diào)整，并且降低了計(jì)算的復(fù)雜度，減少了計(jì)算量，提高了響應(yīng)速度。

附圖說(shuō)明

圖1為實(shí)現(xiàn)本發(fā)明各個(gè)實(shí)施例的圖像輸入部件的硬件結(jié)構(gòu)示意圖；

圖2為實(shí)現(xiàn)本發(fā)明各個(gè)實(shí)施例的工件的外觀結(jié)構(gòu)示意圖；

圖3為本發(fā)明工件表面缺陷檢測(cè)方法第一實(shí)施例的流程示意圖；

圖4為本發(fā)明工件表面缺陷檢測(cè)方法第二實(shí)施例的流程示意圖；

圖5為本發(fā)明工件表面缺陷檢測(cè)裝置第一實(shí)施例的功能模塊示意圖；

圖6為本發(fā)明工件表面缺陷檢測(cè)裝置第二實(shí)施例的功能模塊示意圖。

本發(fā)明目的的實(shí)現(xiàn)、功能特點(diǎn)及優(yōu)點(diǎn)將結(jié)合實(shí)施例，參照附圖做進(jìn)一步說(shuō)明。

具體實(shí)施方式

應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

現(xiàn)在將參考附圖描述實(shí)現(xiàn)本發(fā)明各個(gè)實(shí)施例的設(shè)備裝置。在后續(xù)的描述中，使用用于表示元件的諸如“模塊”、“部件”或“單元”的后綴僅為了有利于本發(fā)明的說(shuō)明，其本身并沒(méi)有特定的意義。因此，"模塊"與"部件"可以混合地使用。

工件表面缺陷檢測(cè)方法及裝置可以以各種形式來(lái)實(shí)施。例如，本發(fā)明中描述的處理方法及裝置可以包括移動(dòng)設(shè)備裝置以及固定設(shè)備裝置。下面，假設(shè)終端是固定設(shè)備裝置。然而，本領(lǐng)域技術(shù)人員將理解的是，除了特別用于固定目的的元件之外，根據(jù)本發(fā)明的實(shí)施方式的構(gòu)造也能夠應(yīng)用于移動(dòng)類(lèi)型的設(shè)備裝置。

圖1為實(shí)現(xiàn)本發(fā)明各個(gè)實(shí)施例的圖像輸入部件的硬件結(jié)構(gòu)示意圖的硬件結(jié)構(gòu)示意。如圖所示，用于圖像輸入的相機(jī)1被設(shè)置在Z軸2之上，所述相機(jī)1的高度可以沿所述Z軸2的豎直方向上下移動(dòng)，從而可以調(diào)節(jié)所述相機(jī)1的焦距和視場(chǎng)范圍大?。凰鯶軸2的一端與Y軸3連接，所述Y軸3的兩端分別與設(shè)置在所述圖像輸入部件框架兩側(cè)平行排列的兩個(gè)X軸4連接，所述Y軸3可以沿X軸4方向移動(dòng)，從而可以調(diào)節(jié)所述相機(jī)1的視場(chǎng)范圍。在所述圖像輸入部件的底座設(shè)置光源6，在所述光源6的上部平行設(shè)置數(shù)個(gè)磨砂玻璃滾軸5，從而形成一個(gè)由所述磨砂玻璃滾軸5所構(gòu)成的工件放置平臺(tái)。所述磨砂玻璃滾軸5由一電機(jī)驅(qū)動(dòng)從而實(shí)現(xiàn)同步轉(zhuǎn)動(dòng)。所述磨砂玻璃滾軸5的驅(qū)動(dòng)電機(jī)每轉(zhuǎn)一個(gè)45度的角度，則所述磨砂玻璃滾軸5也相應(yīng)轉(zhuǎn)動(dòng)45度，同時(shí)所述相機(jī)1將采集一幅圖片，并將所述圖片輸入至所述工件表面缺陷檢測(cè)方法及裝置進(jìn)行處理。每一個(gè)工件一共需要轉(zhuǎn)8個(gè)45度，對(duì)應(yīng)每一個(gè)角度所拍攝的圖片都依次輸入至所述工件表面缺陷檢測(cè)方法及裝置進(jìn)行處理，判別是否存在缺陷。

圖2為實(shí)現(xiàn)本發(fā)明各個(gè)實(shí)施例的工件的外觀結(jié)構(gòu)示意圖。如圖所示。所述工件的形狀近似圓筒型，能360度滾動(dòng)；透光，并且表面具有豎直方向上的條形紋理和與水平方向上成5度夾角的條形紋理。

參照?qǐng)D3，圖3為本發(fā)明工件表面缺陷檢測(cè)方法的第一實(shí)施例的流程示意圖。

如圖3所示的實(shí)施例，所述工件表面缺陷檢測(cè)方法包括：

步驟S10、圖像輸入預(yù)處理。

即將輸入的表面具有豎直方向上的條形紋理和與水平方向上成5度夾角的條形紋理的工件的圖像I_I轉(zhuǎn)換為灰度圖像I_G之后進(jìn)行二值化處理，從而獲得將工件從背景分離的二值化圖像I_B，其中，所述工件的所述表面具有豎直方向上的所述條形紋理與所述圖像I_I的豎直方向重合。

步驟S20、工件圖像獲取。

即從所述二值化圖像I_B之中提取所述工件的輪廓F_i，并根據(jù)所述輪廓F_i從所述灰度圖像I_G之中提取所述工件的灰度圖像I_Gi。

步驟S30、濾波處理。

即通過(guò)對(duì)所述工件的所述灰度圖像I_Gi進(jìn)行濾波處理，過(guò)濾掉所述工件的所屬表面的所述豎直方向上的條形紋理與所述水平方向上成5度夾角的所述條形紋理之后獲得濾波后圖像B_Gi。

步驟S40、輪廓提取。

即對(duì)所述圖像B_Gi進(jìn)行邊緣銳化處理獲得邊緣銳化圖像E_Gi之后再進(jìn)行自適應(yīng)二值化處理之后獲得輪廓圖像D_Gi。

步驟S50、特征提取。

即使用預(yù)設(shè)尺寸大小的patch對(duì)所述輪廓圖像D_Gi進(jìn)行輪廓檢測(cè)處理，從而獲得每個(gè)所述patch所對(duì)應(yīng)的特征向量V_ij，并將所有所述工件特征向量V_ij所進(jìn)行歸一化并組成特征向量集合V_i，其中，所述下標(biāo)j為所述特征向量在所述特征向量集和V_i之內(nèi)的序號(hào)。

步驟S60、判別輸出。

即將所述特征向量集合V_i之中的每個(gè)特征向量V_ij帶入預(yù)先訓(xùn)練好的SVM模型進(jìn)行判別運(yùn)算，并輸出所述判別運(yùn)算的結(jié)果，其中，所述SVM模型的判別結(jié)果包括正常和缺陷這兩種判別結(jié)果類(lèi)型。

通過(guò)上述步驟S10和步驟S20，可以準(zhǔn)確快速的提取所述工件的對(duì)應(yīng)范圍的圖像，從而可以大大減少后續(xù)處理過(guò)程的運(yùn)算量，同時(shí)也可以避免工件對(duì)應(yīng)范圍之外的圖像內(nèi)容對(duì)判別處理的干擾，提高判別的準(zhǔn)確度的同時(shí)也提高了魯棒性。并且通過(guò)上述步驟S30的濾波處理，濾出工件本身的輪廓以及表面具有豎直方向上的條形紋理和與水平方向上成5度夾角的條形紋理對(duì)后續(xù)特征提取的干擾和影響。此外，由于對(duì)采用濾波處理之后的圖像進(jìn)行邊緣銳化之后在進(jìn)行輪廓提取，因此大大提高了輪廓特征提取的可靠性和魯棒性，與此同時(shí)采用輪廓特征作為SVM判別模型的特征參數(shù)具有操作簡(jiǎn)單，運(yùn)算速度快，可靠性好的特點(diǎn)。

進(jìn)一步，基于上述圖3的實(shí)施例，在步驟S10，圖像輸入預(yù)處理過(guò)程，即所述將輸入的表面具有豎直方向上的條形紋理和與水平方向上成5度夾角的條形紋理的工件的圖像I_I轉(zhuǎn)換為灰度圖像I_G之后進(jìn)行二值化處理，從而獲得將工件從背景分離的二值化圖像I_B的步驟之中，所述二值化處理為OSTU算法。

最大類(lèi)間方差

區(qū)別于普通的二值化處理方法，所述OSTU算法又叫類(lèi)間方差最大算法，其主要處理過(guò)程之中需要首先計(jì)算能將兩類(lèi)分開(kāi)的最佳閾值，從而使得它們的類(lèi)內(nèi)方差最小，因此該算法具可根據(jù)圖像的內(nèi)容自動(dòng)獲取最佳分類(lèi)閾值的特點(diǎn)。并且，由于輸入的所述工件圖像內(nèi)容簡(jiǎn)單，顏色或灰度分布較為單一，因此采用該算法即可以避免該算法對(duì)噪音和目標(biāo)大小十分敏感，以及無(wú)法有效應(yīng)對(duì)圖像內(nèi)容較為復(fù)雜的情形等不利因素的干擾，具有運(yùn)算簡(jiǎn)單，速度快，可以實(shí)現(xiàn)實(shí)時(shí)處理的特點(diǎn)。此外，在一些環(huán)境中，如果使用向量化的形式，可以更快地運(yùn)算循環(huán)，也可以很容易采用多線程并行處理的的方法。

進(jìn)一步，基于上述圖3的實(shí)施例，在步驟S20、工件圖像獲取，即所述從所述二值化圖像I_B之中提取所述工件的輪廓F_i，并根據(jù)所述輪廓F_i從所述灰度圖像I_G之中提取所述工件的灰度圖像I_Gi的步驟之中，所述從所述二值化圖像I_B之中提取所述工件的輪廓F_i所采用的方法是腐蝕算法。

所述腐蝕算法是一種消除邊界點(diǎn)，使邊界向內(nèi)部收縮的處理過(guò)程，其可以用來(lái)消除小且無(wú)意義的物體，從而可以有效避免噪聲干擾。

參照?qǐng)D4，圖4為本發(fā)明工件表面缺陷檢測(cè)方法的第二實(shí)施例的所述步驟S30的流程示意圖。如圖4所示，基于上述圖3的實(shí)施例，所述步驟S30、濾波處理包括：

步驟S310、第一次Garbor濾波處理。

即對(duì)所述工件的灰度圖像I_Gi進(jìn)行第一次Garbor濾波處理獲得所述第一次濾波后的圖像A_Gi＝I_Gi*g₁。

步驟S320、第二次Garbor濾波處理。

即對(duì)所述圖像A_Gi進(jìn)行第二次Garbor濾波處理獲得所述第二次濾波后的圖像B_Gi＝A_Gi*g₂。

其中，所述*為卷積運(yùn)算，所述第一次Garbor濾波的所述Garbor核函數(shù)g₁和所述第二次Garbor濾波的所述Garbor核函數(shù)g₂的公式定義為：

長(zhǎng)，所述δ為所述Garbor核函數(shù)的尺度大小，所述θ為抑制角度，所述為相位差，所述(x,y)為所述圖像I_Gi和所述圖像A_Gi之中對(duì)應(yīng)像素點(diǎn)的坐標(biāo)，在進(jìn)行所述第一次Garbor濾波處理時(shí)的所述抑制角度θ＝90°，在進(jìn)行所述第二次Garbor濾波處理時(shí)的所述抑制角度θ＝5°。

由于Gabor核函數(shù)對(duì)于圖像的邊緣敏感，能夠提供良好的方向選擇和尺度選擇特性，而且對(duì)于光照變化不敏感，能夠提供對(duì)光照變化良好的適應(yīng)性。并且，由于Gabor濾波方式與人類(lèi)視覺(jué)系統(tǒng)中簡(jiǎn)單細(xì)胞的視覺(jué)刺激響應(yīng)非常相似，因此在提取目標(biāo)的局部空間和頻率域信息方面具有良好的特性。此外，通過(guò)采用Garbor濾波的方式，具有運(yùn)算簡(jiǎn)單，易于理解，參數(shù)易于調(diào)整，并且降低了計(jì)算的復(fù)雜度，減少了計(jì)算量，提高了響應(yīng)速度。

進(jìn)一步，基于上述圖4的實(shí)施例，所述S50、特征提取過(guò)程，即所述使用預(yù)設(shè)尺寸大小的patch對(duì)所述輪廓圖像D_Gi進(jìn)行輪廓檢測(cè)處理，從而獲得每個(gè)所述patch所對(duì)應(yīng)的特征向量V_ij，并將所有所述工件特征向量V_ij所進(jìn)行歸一化并組成特征向量集合V_i的步驟之中，所述特征向量V_ij包括經(jīng)過(guò)所述輪廓檢測(cè)處理所獲得的所述輪廓的長(zhǎng)、所述輪廓的寬、所述輪廓的位置坐標(biāo)(x,y)和所述輪廓的灰度均值5個(gè)特征值。

由于采用了所述輪廓檢測(cè)處理所獲得的所述輪廓的長(zhǎng)、所述輪廓的寬、所述輪廓的位置坐標(biāo)(x,y)和所述輪廓的灰度均值這5個(gè)特征值，增加了所屬特征向量V_ij的緯度，增強(qiáng)了其魯棒性，并且使SVM判別更加成熟可靠，響應(yīng)速度快，易于工程實(shí)現(xiàn)。

上述本發(fā)明工件表面缺陷檢測(cè)方法的第一實(shí)施例中的工件表面缺陷檢測(cè)方法可以由本發(fā)明工件表面缺陷檢測(cè)裝置的第一實(shí)施例所提供的工件表面缺陷檢測(cè)裝置來(lái)實(shí)現(xiàn)。

參照?qǐng)D5，圖5為本發(fā)明工件表面缺陷檢測(cè)裝置的第一實(shí)施例提供一種工件表面缺陷檢測(cè)裝置100，所述工件表面缺陷檢測(cè)裝置100包括：

圖像輸入預(yù)處理模塊10，用于將輸入的表面具有豎直方向上的條形紋理和與水平方向上成5度夾角的條形紋理的工件的圖像I_I轉(zhuǎn)換為灰度圖像I_G之后進(jìn)行二值化處理，從而獲得將工件從背景分離的二值化圖像I_B，其中，所述工件的所述表面具有豎直方向上的所述條形紋理與所述圖像I_I的豎直方向重合。工件圖像獲取模塊20，用于從所述二值化圖像I_B之中提取所述工件的輪廓F_i，并根據(jù)所述輪廓F_i從所述灰度圖像I_G之中提取所述工件的灰度圖像I_Gi；

濾波處理模塊，用于通過(guò)對(duì)所述工件的所述灰度圖像I_Gi進(jìn)行濾波處理，過(guò)濾掉所述工件的所屬表面的所述豎直方向上的條形紋理與所述水平方向上成5度夾角的所述條形紋理之后獲得濾波后圖像B_Gi。

濾波處理模塊30，用于用于通過(guò)對(duì)所述工件的所述灰度圖像I_Gi進(jìn)行濾波處理，過(guò)濾掉所述工件的所屬表面的所述豎直方向上的條形紋理與所述水平方向上成5度夾角的所述條形紋理之后獲得濾波后圖像B_Gi。

輪廓提取模塊40、用于對(duì)所述圖像B_Gi進(jìn)行邊緣銳化處理獲得邊緣銳化圖像E_Gi之后再進(jìn)行自適應(yīng)二值化處理之后獲得輪廓圖像D_Gi。

特征提取模塊50，用于使用預(yù)設(shè)尺寸大小的patch對(duì)所述輪廓圖像D_Gi進(jìn)行輪廓檢測(cè)處理，從而獲得每個(gè)所述patch所對(duì)應(yīng)的特征向量V_ij，并將所有所述工件特征向量V_ij所進(jìn)行歸一化并組成特征向量集合V_i，其中，所述下標(biāo)j為所述特征向量在所述特征向量集和V_i之內(nèi)的序號(hào)。

判別輸出模塊60、用于將所述特征向量集合V_i之中的每個(gè)特征向量V_ij帶入預(yù)先訓(xùn)練好的SVM模型進(jìn)行判別運(yùn)算，并輸出所述判別運(yùn)算的結(jié)果，其中，所述SVM模型的判別結(jié)果包括正常和缺陷這兩種判別結(jié)果類(lèi)型。

通過(guò)上述圖像輸入預(yù)處理模塊10和工件圖像獲取模塊20，可以準(zhǔn)確快速的提取所述工件的對(duì)應(yīng)范圍的圖像，從而可以大大減少后續(xù)處理過(guò)程的運(yùn)算量，同時(shí)也可以避免工件對(duì)應(yīng)范圍之外的圖像內(nèi)容對(duì)判別處理的干擾，提高判別的準(zhǔn)確度的同時(shí)也提高了魯棒性。并且通過(guò)上述濾波處理模塊30的濾波處理，濾出工件本身的輪廓以及表面具有豎直方向上的條形紋理和與水平方向上成5度夾角的條形紋理對(duì)后續(xù)特征提取的干擾和影響。此外，由于對(duì)采用濾波處理之后的圖像進(jìn)行邊緣銳化之后在進(jìn)行輪廓提取，因此大大提高了輪廓特征提取的可靠性和魯棒性，與此同時(shí)采用輪廓特征作為SVM判別模型的特征參數(shù)具有操作簡(jiǎn)單，運(yùn)算速度快，可靠性好的特點(diǎn)。

進(jìn)一步，基于上述圖5的實(shí)施例，所述圖像輸入預(yù)處理模塊10之中所述將輸入的表面具有豎直方向上的條形紋理和與水平方向上成5度夾角的條形紋理的工件的圖像I_I轉(zhuǎn)換為灰度圖像I_G之后進(jìn)行二值化處理，從而獲得將工件從背景分離的二值化圖像I_B的處理過(guò)程之中，所述二值化處理為OSTU算法。

區(qū)別于普通的二值化處理方法，所述OSTU算法又叫類(lèi)間方差最大算法，其主要處理過(guò)程之中需要首先計(jì)算能將兩類(lèi)分開(kāi)的最佳閾值，從而使得它們的類(lèi)內(nèi)方差最小，因此該算法具可根據(jù)圖像的內(nèi)容自動(dòng)獲取最佳分類(lèi)閾值的特點(diǎn)。并且，由于輸入的所述工件圖像內(nèi)容簡(jiǎn)單，顏色或灰度分布較為單一，因此采用該算法即可以避免該算法對(duì)噪音和目標(biāo)大小十分敏感，以及無(wú)法有效應(yīng)對(duì)圖像內(nèi)容較為復(fù)雜的情形等不利因素的干擾，具有運(yùn)算簡(jiǎn)單，速度快，可以實(shí)現(xiàn)實(shí)時(shí)處理的特點(diǎn)。此外，在一些環(huán)境中，如果使用向量化的形式，可以更快地運(yùn)算循環(huán)，也可以很容易采用多線程并行處理的的方法。

進(jìn)一步，基于上述圖5的實(shí)施例，所述工件圖像獲取模塊20之中所述從所述二值化圖像I_B之中提取所述工件的輪廓F_i，并根據(jù)所述輪廓F_i從所述灰度圖像I_G之中提取所述工件的灰度圖像I_Gi的處理過(guò)程之中，所述從所述二值化圖像I_B之中提取所述工件的輪廓F_i所采用的方法是腐蝕算法。

所述腐蝕算法是一種消除邊界點(diǎn)，使邊界向內(nèi)部收縮的處理過(guò)程，其可以用來(lái)消除小且無(wú)意義的物體，從而可以有效避免噪聲干擾。

上述本發(fā)明工件表面缺陷檢測(cè)方法的第二實(shí)施例中的工件表面缺陷檢測(cè)方法可以由本發(fā)明工件表面缺陷檢測(cè)裝置的第二實(shí)施例所提供的工件表面缺陷檢測(cè)裝置來(lái)實(shí)現(xiàn)。

參照?qǐng)D6，本發(fā)明工件表面缺陷檢測(cè)裝置的第二實(shí)施例提供一種工件表面缺陷檢測(cè)裝置，基于上述圖5所示的實(shí)施例，所述濾波處理模塊30包括：

第一次Garbor濾波處理單元31，用于對(duì)所述工件的灰度圖像I_Gi進(jìn)行第一次Garbor濾波處理獲得所述第一次濾波后的圖像A_Gi＝I_Gi*g₁；

第二次Garbor濾波處理單元32，用于對(duì)所述圖像A_Gi進(jìn)行第二次Garbor濾波處理獲得所述第二次濾波后的圖像B_Gi＝A_Gi*g₂，

其中，所述*為卷積運(yùn)算，所述第一次Garbor濾波的所述Garbor核函數(shù)g₁和所述第二次Garbor濾波的所述Garbor核函數(shù)g₂的公式定義為：

長(zhǎng)，所述δ為所述Garbor核函數(shù)的尺度大小，所述θ為抑制角度，所述為相位差，所述(x,y)為所述圖像I_Gi和所述圖像A_Gi之中對(duì)應(yīng)像素點(diǎn)的坐標(biāo)，在進(jìn)行所述第一次Garbor濾波處理時(shí)的所述抑制角度θ=90°，在進(jìn)行所述第二次Garbor濾波處理時(shí)的所述抑制角度θ=5°。

由于Gabor核函數(shù)對(duì)于圖像的邊緣敏感，能夠提供良好的方向選擇和尺度選擇特性，而且對(duì)于光照變化不敏感，能夠提供對(duì)光照變化良好的適應(yīng)性。并且，由于Gabor濾波方式與人類(lèi)視覺(jué)系統(tǒng)中簡(jiǎn)單細(xì)胞的視覺(jué)刺激響應(yīng)非常相似，因此在提取目標(biāo)的局部空間和頻率域信息方面具有良好的特性。此外，通過(guò)采用Garbor濾波的方式，具有運(yùn)算簡(jiǎn)單，易于理解，參數(shù)易于調(diào)整，并且降低了計(jì)算的復(fù)雜度，減少了計(jì)算量，提高了響應(yīng)速度。

進(jìn)一步，基于上述圖6的實(shí)施例，所述特征提取模塊50之中所述使用預(yù)設(shè)尺寸大小的patch對(duì)所述輪廓圖像D_Gi進(jìn)行輪廓檢測(cè)處理，從而獲得每個(gè)所述patch所對(duì)應(yīng)的特征向量V_ij，并將所有所述工件特征向量V_ij所進(jìn)行歸一化并組成特征向量集合V_i的處理過(guò)程之中所述特征向量V_ij包括經(jīng)過(guò)所述輪廓檢測(cè)處理所獲得的所述輪廓的長(zhǎng)、所述輪廓的寬、所述輪廓的位置坐標(biāo)(x,y)和所述輪廓的灰度均值5個(gè)特征值。

由于采用了所述輪廓檢測(cè)處理所獲得的所述輪廓的長(zhǎng)、所述輪廓的寬、所述輪廓的位置坐標(biāo)(x,y)和所述輪廓的灰度均值這5個(gè)特征值，增加了所屬特征向量V_ij的緯度，增強(qiáng)了其魯棒性，并且使SVM判別更加成熟可靠，響應(yīng)速度快，易于工程實(shí)現(xiàn)。

需要說(shuō)明的是，在本文中，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過(guò)程、方法、物品或者裝置不僅包括那些要素，而且還包括沒(méi)有明確列出的其他要素，或者是還包括為這種過(guò)程、方法、物品或者裝置所固有的要素。在沒(méi)有更多限制的情況下，由語(yǔ)句“包括一個(gè)……”限定的要素，并不排除在包括該要素的過(guò)程、方法、物品或者裝置中還存在另外的相同要素。

上述本發(fā)明實(shí)施例序號(hào)僅僅為了描述，不代表實(shí)施例的優(yōu)劣。

顯然，本領(lǐng)域的技術(shù)人員應(yīng)該明白，上述的本發(fā)明的各模塊單元或各步驟可以用通用的計(jì)算裝置來(lái)實(shí)現(xiàn)，可選地，它們可以用計(jì)算裝置可執(zhí)行的程序代碼來(lái)實(shí)現(xiàn)，從而，可以將它們存儲(chǔ)在存儲(chǔ)裝置中由計(jì)算裝置來(lái)執(zhí)行，并且在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟，或者將它們分別制作成各個(gè)集成電路模塊，或者將它們中的多個(gè)模塊或步驟制作成單個(gè)集成電路模塊來(lái)實(shí)現(xiàn)。這樣，本發(fā)明不限制于任何特定的硬件和軟件結(jié)合。

通過(guò)以上的實(shí)施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到上述實(shí)施例方法可借助軟件加必需的通用硬件平臺(tái)的方式來(lái)實(shí)現(xiàn)，當(dāng)然也可以通過(guò)硬件，但很多情況下前者是更佳的實(shí)施方式?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)(如ROM/RAM、磁碟、光盤(pán))中，包括若干指令用以使得一臺(tái)終端設(shè)備(可以是手機(jī)，計(jì)算機(jī)，服務(wù)器，空調(diào)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述的方法。

以上僅為本發(fā)明的優(yōu)選實(shí)施例，并非因此限制本發(fā)明的專(zhuān)利范圍，凡是利用本發(fā)明說(shuō)明書(shū)及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專(zhuān)利保護(hù)范圍內(nèi)。