一種紋理表面的缺陷檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種缺陷檢測方法，具體涉及一種紋理表面的缺陷檢測方法。
【背景技術(shù)】
[0002]很多工業(yè)產(chǎn)品出廠時，都需要檢測表面缺陷，隨著市場競爭日益激烈，工業(yè)產(chǎn)品的外觀越來越精美。表面形狀更加復(fù)雜，表面噴砂、氧化等越來越多，導(dǎo)致工業(yè)品越來越美觀的同時，表面上的缺陷也更加難于檢測。
[0003]紋理是一種反映像素灰度的空間分布屬性，通常表現(xiàn)為局部不規(guī)則但宏觀存在規(guī)律的特征。一般表現(xiàn)為灰度與顏色的變化，以及紋理基元的反復(fù)出現(xiàn)性和排列規(guī)則性。工業(yè)品噴砂、氧化等工藝的特點，每個“合格”工業(yè)品個體間表面“紋理”都存在差異，對于復(fù)雜表面形狀，每次成像之間也會存在差異，這些都給“表面缺陷的檢測和判斷”帶來了極大的困難，常規(guī)算法很難將缺陷和表面紋理區(qū)分開。
[0004]由于企業(yè)生產(chǎn)環(huán)境的復(fù)雜性，和產(chǎn)品可能具有復(fù)雜的表面形狀，實際成像中，圖像的各個區(qū)域亮度不一致，部分區(qū)域亮度高，部分區(qū)域亮度低，給表面缺陷的增強和檢測帶來了較大的困難。
[0005]對此，中國公開專利:CN103293168.A公開了一種基于視覺顯著性的水果表面缺陷檢測方法，通過視覺顯著圖排除了紋理和顏色不均的干擾，但此方法處理過程算法復(fù)雜，檢測速度慢，且對細微缺陷沒有進行增強處理，可能存在漏檢。

【發(fā)明內(nèi)容】

[0006]本發(fā)明目的在于為克服上述問題而提供一種算法快速，能夠排除紋理背景和亮度不均的干擾，且識別精度高的紋理表面的缺陷檢測方法。
[0007]為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是:
一種紋理表面的缺陷檢測方法，包括如下步驟:
(一)亮度歸一化矯正:
1.1:采集一幅產(chǎn)品的攝像機圖像ImageColor ；
1.2:提取圖像ImageColor,得到紅色通道圖像ImageRed ；
1.3:分別在水平和豎直方向均值平滑圖像ImageRed,得到平滑圖像ImageRedMean ；
1.4:利用平滑圖像ImageRedMean,反向矯正圖像ImageRed亮度，得到圖像ImageRed_new;對于圖像中的每個像素，使用下面公式進行矯正:
ImageRed_new=(ImageRed-1mageRedMean)*C+ImageRed ；
1.5:提取圖像ImageColor,得到綠色通道圖像ImageGreen ；
1.6:分別在水平和豎直方向均值平滑圖像ImageGreen，得到平滑圖像ImageGreenMean ；
1.7:利用平滑圖像ImageGreenMean,反向矯正圖像ImageGreen亮度，得到圖像ImageGreen_new ;對于圖像中的每個像素,使用下面公式進行矯正:ImageGreen_new=(ImageGreen-1mageGreenMean)*C+ImageGreen ；
1.8:提取圖像ImageColor,得到藍色通道圖像ImageBlue ；
1.9:分別在水平和豎直方向均值平滑圖像ImageBlue,得到平滑圖像ImageBlueMean ；
1.10:利用平滑圖像ImageBlueMean,反向矯正圖像ImageBlue亮度，得到圖像ImageBlue_new ;對于圖像中的每個像素,使用下面公式進行矯正:
ImageBlue_new=(ImageBlue-1mageBlueMean)*C+ImageBlue ；
1.11:合并圖像 ImageRed_new、圖像 ImageGreen_new 和圖像 ImageBlue_new,得到圖像ImageRect；
(二)去除表面紋理背景:
2.1:使用非線性范圍濾波器濾去除圖像ImageRect的紋理，逐個像素處理，得到圖像ImageTrim ；
(三)細微缺陷的增強:
3.1:對圖像ImageTrim進行對數(shù)運算，得到圖像ImageLog ；
3.2:對圖像ImageLog進行指數(shù)運算,得到圖像ImageExp ；
3.3:對圖像ImageExp進行冪次運算,得到圖像ImagePow ；
3.4:對圖像ImagePow進行自適應(yīng)拉伸，得到圖像ImageScale ；
(四)提取缺陷:
4.1:使用尼巴拉克(Niblack)閾值提取方法,提取白色缺陷Reg1nLight ；
4.2:使用尼巴拉克(Niblack)閾值提取方法,提取黑色缺陷Reg1nDark ；
4.3:合并白色缺陷Reg1nLight和黑色缺陷Reg1nDark得到候選缺陷區(qū)域Reg1n ；
(五)缺陷識別:
5.1:對候選缺陷區(qū)域Reg1n進行連通域分析，根據(jù)面積和灰度選擇可疑缺陷區(qū)域Reg1nSelected0
[0008]5.2:對可疑缺陷區(qū)域Reg1nSelected進行灰度“閉”操作，閉合半徑為J，得到閉合區(qū)域 Reg1nClosing ；
5.3:對閉合區(qū)域Reg1nClosing進行連通域分析,計算連通域面積,將面積大于K的列為缺陷區(qū)域。
[0009]進一步的，所述步驟1.3、1.6和1.9中，平滑窗口大小為A*B，A的取值范圍為圖像寬度的1/4~1/2，B的取值范圍為圖像高度的1/4~1/2。
[0010]進一步的，所述步驟1.4、1.7和1.10中，C的范圍為0.1~2。
[0011]進一步的，所述步驟2.1中，逐個像素處理的具體方法為:對于像素Pixel，在MaskX和MaskY范圍內(nèi)將所有像素灰度按照大小順序排列，去除前面(MaskX * MaskY)/D個灰度，去除后面(MaskX * MaskY) /E個灰度，將剩余的像素灰度進行均值處理(D和E的取值范圍都是1/4~1/2)。
[0012]進一步的，所述步驟3.1中，對數(shù)運算是以e為底。
[0013]進一步的，所述步驟3.2中，指數(shù)運算是以10為底。
[0014]進一步的，所述步驟3.3中，冪次參數(shù)為R，取值范圍為6~10。
[0015]進一步的,所述步驟3.4中，自適應(yīng)拉伸的具體方法為:提取圖像ImagePow的灰度Min和灰度Max，將Min和Max拉升到0~255。
[0016]進一步的，所述步驟5.1中，選擇可疑缺陷區(qū)域的具體方法:連通域后，計算每個連通區(qū)域的面積Area和平均灰度MeanGray,將Area在F和G之間，且MeanGray在H和I之間的列為可疑缺陷區(qū)域Reg1nSelected。
[0017]進一步的，所述F、G、H、1、J和K的取值范圍根據(jù)客戶具體要求而定。
[0018]本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點:
本發(fā)明通過圖像亮度歸一化矯正和非線性濾波器處理，排開了區(qū)域亮度不均和表面紋理背景的干擾，實現(xiàn)在復(fù)雜環(huán)境下，對具有復(fù)雜表面形狀的產(chǎn)品表面缺陷的檢測，適用性強，且通過對細微缺陷進行增強處理，提高了表面缺陷檢測的精度和準確性，同時算法簡單，檢測效率高，能夠滿足日益大規(guī)?；墓I(yè)生產(chǎn)要求。
【附圖說明】
[0019]圖1為本發(fā)明實施例的處理流程圖。
[0020]圖2為本發(fā)明實施例中的紅色通道圖。
[0021]圖3為本發(fā)明實施例中經(jīng)過亮度矯正的紅色通道圖。
[0022]圖4為本發(fā)明實施例中去除表面紋理背景圖。
[0023]圖5為本發(fā)明實施例中進行細微缺陷增強圖。
[0024]圖6為本發(fā)明實施例中缺陷識別示意圖。
【具體實施方式】
[0025]現(xiàn)結(jié)合附圖和【具體實施方式】對本發(fā)明進一步說明。
[0026]如圖1所述，一種紋理表面的缺陷檢測方法，包括如下步驟:
(一)亮度歸一化矯正:
前面提到，企業(yè)生產(chǎn)環(huán)境復(fù)雜且產(chǎn)品可能具有復(fù)雜的表面形狀，所以實際成像中，圖像的各個區(qū)域亮度不一致，部分區(qū)域亮度高，部分區(qū)域亮度低，給表面缺陷的增強和檢測帶來了較大的困難。本發(fā)明提出一種快速計算場景亮度分布的方法，并將場景亮度反向補償圖像的亮度分布，得到各區(qū)域亮度均衡的場景圖像。具體方法為:
1.1:通過(XD攝像機或COMS攝像機采集一幅產(chǎn)品的攝像機彩色圖像ImageCo I or。
[0027]1.2:利用圖像處理工具(如Photoshop)提取彩色圖像ImageColor,得到紅色通道圖像ImageRed,如圖2所示。
[0028]1.3:分別在水平和豎直方向均值平滑圖像ImageRed，，平滑窗口大小為A*B，本優(yōu)選方案中，A的取值范圍為圖像寬度的1/4~1/2，B的取值范圍為圖像高度的1/4~1/2，得到平滑圖像ImageRedMean，利用平滑窗口均值平滑圖像是圖像處理領(lǐng)域的常用算法，于此不再具體說明。
[0029]1.4:利用平滑圖像ImageRedMean,反向矯正圖像ImageRed亮度，得到圖像ImageRed_new ;對于圖像中的每個像素,使用下面公式進行矯正
ImageRed_new = (ImageRed -1mageRedMean) * C + ImageRed,其中 C 的范圍為0.1~2，矯正后的圖像如圖3所示。
[0030]1.5:利用圖像處理工具(如Photoshop)提取彩色圖像ImageColor,得到綠色通道圖像 ImageGreen。
[0031]1.6:分別在水平和豎直方向均值平滑圖像ImageGreen，，平滑窗口大小為A*B，本優(yōu)選方案中，A的取值范圍為圖像寬度的1/4~1/2，B的取值范圍為圖像高度的1/4~1/2，得到平滑圖像ImageGreenMean。
[0032]1.7:利用平滑圖像ImageGreenMean,反向矯正圖像ImageGreen亮度，得到圖像ImageGreen_new ;對于圖像中的每個像素,使用下面公式進行矯正:
ImageGreen_new = (ImageGreen -1mageGreenMean) * C + ImageGreen,其中 C 的范圍為0.1-2ο
[0033]1.8:利用圖像處理工具(如Photoshop)提取彩色圖像ImageColor,得到藍色通道圖像 ImageBlue。
[0034]1.9:分別在水平和豎直方