基于人类视觉特性的微型磁瓦表面缺陷检测方法技术

本发明专利技术提供一种基于人类视觉特性的微型磁瓦表面缺陷检测方法：包括以下步骤：(1)图像采集，得到图像Image；执行步骤2；(2)通过阈值分割从图像Image得到磁瓦图像Region；执行步骤3；(3)磁瓦图像Region屏蔽边缘区域，得到屏蔽后的图像；执行步骤4；(4)屏蔽后的图像结构张量计算；执行步骤5；(5)缺陷区域提取。本发明专利技术从人体视觉的本质出发，结合尺度变换与结构张量完成对磁瓦表面多种缺陷的检测。相比传统检测算法只能针对单一的缺陷，本系统检测算法不仅可以同时检测掉块、磕边和划痕的缺陷，而且还能适应光照在一定范围内变化的情形。此外，本发明专利技术检测方法能够满足企业生产的精度与速度需求，且能够稳定的运行，可以进行生产应用。

Surface defect detection method of micro magnetic tile based on human visual characteristics

【技术实现步骤摘要】
基于人类视觉特性的微型磁瓦表面缺陷检测方法
本专利技术涉及一种微型磁瓦表面缺陷检测方法，具体是基于人类视觉特性的微型磁瓦表面缺陷检测方法。
技术介绍
微型磁瓦是永磁微型直流电机的关键部件，与电磁式电机通过励磁线圈产生磁势源不同，永磁电机是以永磁材料产生恒定磁势源。永磁磁瓦具有使电机结构简单、维修方便、重量轻、体积小、使用可靠、用铜量少、铜耗低、能耗小等诸多特点。磁瓦的性能直接影响到直流无刷电机的性能，但在磁瓦的生产制造过程中，由于原料成分、设备使用情况、加工工艺以及工人操作等因素的影响，在其表面不可避免地会出现一些加工缺陷，例如裂纹、崩烂、压痕、砂眼以及漏磨等。缺陷的存在会对磁瓦的磁性能、使用寿命等带来非常大的影响，有缺陷的磁瓦如果在风力发电、新能源汽车、航空航天等领域使用会产生巨大的安全隐患，甚至直接造成灾难性后果。因此，在磁瓦出厂前必须对其进行质量检测，将含有缺陷的磁瓦剔除出去。磁瓦的缺陷特征是随机发生的并且没有规律可寻，目前采用人工目测检测缺陷。人工检测方法主要依靠进行过一定培训的质检人员根据自身的经验通过观察、量具测量和触摸等手段来进行磁瓦质量的判定，存在很多局限性和缺点：(1)由于工人的自身能力差异，存在一定的偶然性，评判的标准不一；(2)检测速度非常慢，难以满足目前的生产速度和要求。一般一个娴熟的质检人员检测一个磁材需时三秒左右，而且还需进行下一轮复检，而一般厂家要求5-6个/s。如果要提高检测速度，只能设置多个工位，耗费大量的劳力；(3)检测的结果易受质检人员视觉疲劳、熟练水平、情绪波动等因素的影响，在精度和稳定性上都难以保证，从而导致误判、漏判、错判的情况发生；(4)人为的接触也有一定的几率损坏磁材，直接导致企业的经济损失；(5)检测人员长时间接触磁性材料会对人身体产生头晕、眼花、智力损坏、脱发等不良反应，一般两年后就不能再从事该工作，企业招工非常困难。因此，如何快速精确检验微型磁瓦零件的表面缺陷成为急需解决的问题。随着“工业4.0”以及“中国制造2025”的提出，高效率、自动化、智能化的生产线将是未来制造业发展的重点。机器视觉检测技术具有非接触式的特点，可以自动、快速、高效地检测出产品的表面缺陷，在产品缺陷检测中的应用越来越广泛。但是，截至目前，利用机器视觉的方法进行微型磁瓦缺陷检测的研究还很少，市场上的微型磁瓦缺陷检测设备更是鲜有报道。通过研究分析现有磁瓦缺陷检测的研究成果，发现存在的主要技术难题如下：(1)磁瓦的表面图像具有形状非平、颜色暗淡、对比度低等特点，且型号具有多样性，造成算法适应性不强；(2)成型、烧结和磨加工过程造成磁瓦表面具有复杂的纹理，影响缺陷及其特征的提取，造成误判率高；(3)微型磁瓦一些表面划痕、裂纹非常细微，成像后的宽度可能还不到一个像素，容易受到干扰，很难检测；(4)算法缺乏通用性，大多数方法都是针对特定缺陷，而不能同时检测所有类型或几种类型的缺陷。而且大多处理时间较长，不适宜在线使用；(5)光源复杂，不同的表面、不同的缺陷需不同的光照形式。微型磁瓦表面缺陷的在线高精度检测往往要求在高生产线速度下，能较准确检出表面的各种类型的缺陷和微小缺陷，因而对机器视觉系统的性能提出了高分辨率、高速、高准确率、鲁棒性强的要求；但另一方面，在计算机视觉中，图像分析与处理算法对效率、鲁棒性、准确性的兼顾往往是难题。正是微型磁瓦表面缺陷在线视觉检测的技术性能要求，使图像处理与分析的算法成为磁瓦表面缺陷视觉检测系统的核心技术。因此，需要对现有技术进行改进。
技术实现思路
本专利技术要解决的技术问题是提供一种高效的基于人类视觉特性的微型磁瓦表面缺陷检测方法。为解决上述技术问题，本专利技术提供一种基于人类视觉特性的微型磁瓦表面缺陷检测方法：包括以下步骤：(1)图像采集，得到图像Image；执行步骤2；(2)通过阈值分割从图像Image得到磁瓦图像Region；执行步骤3；(3)磁瓦图像Region屏蔽边缘区域，得到屏蔽后的图像；执行步骤4；(4)屏蔽后的图像结构张量计算；执行步骤5；(5)缺陷区域提取。作为对本专利技术基于人类视觉特性的微型磁瓦表面缺陷检测方法的改进：步骤3包括：3.1)、对磁瓦图像Region进行打散操作对远离磁瓦部分的干扰过滤掉，进行闭运算操作以减少磁瓦边缘部分干扰，得到过滤后图像；令A代表被操作区域的集合，B为闭运算的结构元，则闭运算表示为：3.2)、尺度变换完成边缘区域屏蔽，得到屏蔽后的图像；对过滤后图像进行仿射变换；仿射变换包括两部分：水平变换和旋转变换，主要按照一个对应点和两个同位角进行变换并将其返回为齐次变换矩阵，表示为：其中，HomMat2D为上述齐次变换矩阵，R为旋转变换矩阵，T为平移系数；最后将变换后的图像作为掩模，通过不断地微调整直至尺度变换后的图像与步骤3.1得到的过滤后图像作差后分割出的区域为一整个连通区域，设此时尺度变换函数数ξ发生了n次运算；当尺度变换函数数ξ发生了次运算后，可以认为是完成了对磁瓦边缘以及四角的屏蔽，得到屏蔽后的图像。作为对本专利技术基于人类视觉特性的微型磁瓦表面缺陷检测方法的进一步改进：步骤4包括：4.1)对于给定的步骤3.2得到的屏蔽后的图像进行缩放，将其尺寸变换至期望显著图的尺寸，得到缩放后的图像；4.2)计算缩放后的图像中每一个位置的线性结构张量Jσ:其中，Kσ为标准差σ的高斯核函数，*为卷积运算；4.3)对所有的线性结构张量Jσ，求其特征值λ1和λ2，进而计算图像中所有像素位置的|λ1-λ2|，构成矩阵A；计算图像中所有像素位置的|λ1+λ2|，构成矩阵B；对于任一结构张量，将其表示为则可以分别计算出该矩阵的特征值λ1和λ2：G、F、H分别代表上述线性结构张量Jσ中的4.4)对矩阵A进行归一化，所的矩阵作为边缘显著图；对矩阵B进行归一化，所得矩阵为角点显著图；4.5)最终显著图由各通道的显著图的线性组合而获得；其中，S代表最终显著图，ψ表示图像的规范化，ψ(CL)、ψ(f)和ψ(O)分别表示灰度、边缘以及角点规范化后的显著图。作为对本专利技术基于人类视觉特性的微型磁瓦表面缺陷检测方法的进一步改进：步骤5包括：为了描述图像的纹理等属性，提出以不均匀性(Inhomogeneity)以及各向同性(Isotropy)对图像的特征进行描述，两者计算步骤如下：Inhomogeneity＝Trace(Jσ)Trace代表计算矩阵的迹，Det代表计算矩阵行列式的值；设某个像素点的不均匀性为PInhomo，各向同性为PIsotropy，在实际计算中只有同时满足以下两个条件的像素点才能继续进行计算：ThreshInhom、ThreshShape是人为设定的参数，通过调整这两项参数可以得到不同的处理结果。作为对本发本文档来自技高网...

【技术保护点】
1.基于人类视觉特性的微型磁瓦表面缺陷检测方法，其特征在于：包括以下步骤：/n(1)图像采集，得到图像Image；执行步骤2；/n(2)通过阈值分割从图像Image得到磁瓦图像Region；执行步骤3；/n(3)磁瓦图像Region屏蔽边缘区域，得到屏蔽后的图像；执行步骤4；/n(4)屏蔽后的图像结构张量计算；执行步骤5；/n(5)缺陷区域提取。/n

【技术特征摘要】
1.基于人类视觉特性的微型磁瓦表面缺陷检测方法，其特征在于：包括以下步骤：
(1)图像采集，得到图像Image；执行步骤2；
(2)通过阈值分割从图像Image得到磁瓦图像Region；执行步骤3；
(3)磁瓦图像Region屏蔽边缘区域，得到屏蔽后的图像；执行步骤4；
(4)屏蔽后的图像结构张量计算；执行步骤5；
(5)缺陷区域提取。


2.根据权利要求1所述的基于人类视觉特性的微型磁瓦表面缺陷检测方法，其特征在于：步骤3包括：
3.1)、对磁瓦图像Region进行打散操作对远离磁瓦部分的干扰过滤掉，进行闭运算操作以减少磁瓦边缘部分干扰，得到过滤后图像；
令A代表被操作区域的集合，B为闭运算的结构元，则闭运算表示为：



3.2)、尺度变换完成边缘区域屏蔽，得到屏蔽后的图像；
对过滤后图像进行仿射变换；仿射变换包括两部分：水平变换和旋转变换，主要按照一个对应点和两个同位角进行变换并将其返回为齐次变换矩阵，表示为：



其中，HomMat2D为上述齐次变换矩阵，R为旋转变换矩阵，T为平移系数；
最后将变换后的图像作为掩模，通过不断地微调整直至尺度变换后的图像与步骤3.1得到的过滤后图像作差后分割出的区域为一整个连通区域，设此时尺度变换函数数ξ发生了n次运算；当尺度变换函数数ξ发生了次运算后，可以认为是完成了对磁瓦边缘以及四角的屏蔽，得到屏蔽后的图像。


3.根据权利要求2所述的基于人类视觉特性的微型磁瓦表面缺陷检测方法，其特征在于：步骤4包括：
4.1)对于给定的步骤3.2得到的屏蔽后的图像进行缩放，将其尺寸变换至期望显著图的尺寸，得到缩放后的图像；
4.2)计算缩放后的图像中每一个位置的线性结构张量Jσ:



其中，Kσ为标准差σ的高斯核函数，*为卷积运算；
4.3)对所有的线性结构张量Jσ，求其特征值λ1和λ2，进而计算图像中所有像素位置的|λ1-λ2|，构成矩阵A；计算图像中所有像素位置的|λ1+λ2|，构成矩阵B；
对于任一结构张量，将其表示为则可以分别计算出该矩阵的特征值λ1和λ2：G、F、H分别代表上述线性结构张量Jσ中的






4.4)对矩阵A进行归一化，所的矩阵作为边缘显著图；对矩阵B进行归一化，所得矩阵为角点显著图；
4...

【专利技术属性】
技术研发人员：李俊峰，王宏鹏，沈军民，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：浙江;33