基于图像处理的机械零件表面缺陷检测方法技术

本发明专利技术涉及图像处理技术领域，具体涉及基于图像处理的机械零件表面缺陷检测方法。该方法包括：采集标准光源下机械零件的表面图像，获取表面图像的分割图像作为初步的缺陷检测结果；筛选出分割图像中的待检测区域，对待检测区域进行连通域提取并聚类，得到多个待检测区域集合；对于每个待检测区域集合，移动光源，采集第二表面图像，获取待检测区域集合在第二表面图像中的特征信息；根据特征信息得到缺陷显著性最大时对应的最佳光源；获取每个待检测区域集合在对应的最佳光源下的最佳图像组成融合图像，对融合图像进行语义分割得到第二分割图像，得到检测结果。本发明专利技术实施例能够对不同的缺陷自适应调节光源，得到准确的缺陷检测结果。结果。结果。

【技术实现步骤摘要】
基于图像处理的机械零件表面缺陷检测方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于图像处理的机械零件表面缺陷检测方法。

技术介绍

[0002]在机械零件生产加工的过程中，由于生产设备故障、原材料混入杂物以及作业人员操作不当等原因均会在机械零件的表面产生缺陷。缺陷对机械零件的安全使用有很大的影响，为了保障机械零件自动化生产的产品质量以及使用时安全和寿命，对机械零件的表面进行缺陷检测是不可缺少的关键环节。
[0003]传统的自动化检测方法多基于机器视觉的技术，采集零件表面图像，进行相应图像处理进行表面缺陷提取。但缺陷情况往往受到光照等环境影响，仅仅通过图像信息很难全面分析表面缺陷，甚至有时根本采集不到缺陷信息，误报率和漏检率比较高。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于图像处理的机械零件表面缺陷检测方法，所采用的技术方案具体如下：本专利技术实施例提供一种基于图像处理的机械零件表面缺陷检测方法，该方法包括以下步骤：采集竖直照射的标准光源下机械零件的表面图像，通过对所述表面图像进行语义分割得到以每个像素点属于缺陷的置信度作为像素值的分割图像，获取初步的缺陷检测结果；根据所述置信度的大小筛选出所述分割图像中所述缺陷检测结果不准确的待检测区域，对所述待检测区域进行连通域提取并对提取的连通域进行聚类，得到多个待检测区域集合；对于每个所述待检测区域集合，移动所述光源，采集第二表面图像，获取所述待检测区域集合在所述第二表面图像中的的特征信息；根据所述特征信息得到缺陷显著性最大时对应的最佳光源；所述特征信息包括亮度特征的变化、图像综合特征的变化以及复杂度；获取每个所述待检测区域集合在对应的所述最佳光源下的最佳图像，将所有所述最佳图像对应像素值相加组成融合图像，对所述融合图像进行所述语义分割，得到第二分割图像，取所述分割图像和所述第二分割图像对应像素点的最大值组成检测结果图像，得到检测结果。
[0005]优选的，所述语义分割还包括以下步骤：获取所述表面图像中每个像素点邻域内的灰度共生矩阵，计算所述灰度共生矩阵的信息熵，根据所述信息熵构建语义分割网络的损失函数。
[0006]优选的，所述置信度的获取方法为：通过语义分割网络对所述表面图像中每个像素点进行二分类，得到每个像素点属
于缺陷的置信度。
[0007]优选的，其特征在于，所述待检测区域的筛选方法为：当所述置信度大于最小阈值且小于最大阈值时，所述置信度对应的像素点的检测结果不准确，将其像素值置为1，其余置为0，得到所述待检测区域。
[0008]优选的，所述待检测区域集合的获取步骤包括：获取每个所述连通域的最小外接矩形，由所述最小外接矩形的方向和中心点坐标组成对应的连通域的特征向量；根据所述特征向量对所有所述连通域进行距离聚类，得到聚类结果，每一类对应一个待检测区域集合。
[0009]优选的，所述亮度特征的变化的获取方法为：将所述表面图像和所述第二表面图像分别转换至带有亮度的颜色空间，根据亮度通道得到光源变化前后的亮度特征图像，将其对应像素点的像素值相减，得到每个位置的亮度特征的变化。
[0010]优选的，所述图像综合特征的变化的获取步骤包括：根据所述灰度共生矩阵获取每个位置的对比度；获取所述第二表面图像中每个像素点邻域内的的第二灰度共生矩阵，并获取每个位置的第二对比度；将所述第二对比度与所述对比度相减，获得每个位置的所述图像综合特征的变化。
[0011]优选的，所述复杂度的获取方法为：计算所述第二灰度共生矩阵每个像素点的第二信息熵，以所述第二信息熵作为所述复杂度。
[0012]优选的，所述亮度特征图像的获取方法为：通过不同位置参数的光源下的理想亮度特征训练神经网络，利用训练完成的神经网络根据当前光源的位置参数获取所述亮度特征图像。
[0013]本专利技术实施例至少具有如下有益效果：通过对检测结果不准确的待检测区域调节光源，得到缺陷最显著时的最佳光源，在处于最佳光源时对其进行二次检测，得到检测结果。本专利技术实施例能够根据不同的缺陷缺陷自适应的调节光源参数，增强缺陷特征，降低像素点邻域内的信息熵，以得到准确的缺陷检测结果。
附图说明
[0014]为了更清楚地说明本专利技术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专利技术的一些实施例，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。
[0015]图1为本专利技术一个实施例提供的一种基于图像处理的机械零件表面缺陷检测方法的步骤流程图。
具体实施方式
[0016]为了更进一步阐述本专利技术为达成预定专利技术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，对依据本专利技术提出的一种基于图像处理的机械零件表面缺陷检测方法，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。
[0017]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专利技术的
的技术人员通常理解的含义相同。
[0018]下面结合附图具体的说明本专利技术所提供的一种基于图像处理的机械零件表面缺陷检测方法的具体方案。
[0019]请参阅图1，其示出了本专利技术一个实施例提供的一种基于图像处理的机械零件表面缺陷检测方法的步骤流程图，该方法包括以下步骤：步骤S001，采集竖直照射的标准光源下机械零件的表面图像，通过对表面图像进行语义分割得到以每个像素点属于缺陷的置信度作为像素值的分割图像，获取初步的缺陷检测结果。
[0020]需要说明的是本专利技术实施例所使用的光源为光强恒定、位姿可随意变化的可移动光源；光源的位姿用在空间中的偏航角、俯仰角以及翻滚角表示，即光源的位置参数为，当该光源竖直向下照射机械零件时为标准光源；机械零件可以是齿轮、轴承等等。
[0021]具体的步骤包括：1.获取表面图像中每个像素点邻域内的灰度共生矩阵，计算灰度共生矩阵的信息熵，根据信息熵构建语义分割网络的损失函数。
[0022]采集标准光源下机械零件表面的RGB图像，考虑到机械零件表面以及外界环境的复杂性会影响机械零件表面缺陷检测的准确性，对RGB图像中每一个像素点邻域范围内的复杂度进行量化，用于语义分割网络损失函数的构建。
[0023]本专利技术实施例用邻域范围内的信息熵反映复杂度：设置每一个像素点的邻域范围为的窗口，利用灰度共生矩阵获得每个像素点邻域范围内的熵值，记像素点邻域范围内的熵值为，由每一个像素点的信息熵，组成信息熵图像。
[0024]作为一个示例，在本专利技术实施例中取值为5。
[0025]需要说明的是，信息熵图像与原始RGB图像大小相同。
[0026]每个像素点的熵值反映了图像灰度分布的复杂程度，熵值越大，图像越复杂，对于表面缺陷检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图像处理的机械零件表面缺陷检测方法，其特征在于，该方法包括以下步骤：采集竖直照射的标准光源下机械零件的表面图像，获取所述表面图像中每个像素点邻域内的灰度共生矩阵，计算所述灰度共生矩阵的信息熵，根据所述信息熵构建语义分割网络的损失函数；通过对所述表面图像进行语义分割得到以每个像素点属于缺陷的置信度作为像素值的分割图像，获取初步的缺陷检测结果；根据所述置信度的大小筛选出所述分割图像中所述缺陷检测结果不准确的待检测区域，对所述待检测区域进行连通域提取并对提取的连通域进行聚类，得到多个待检测区域集合；对于每个所述待检测区域集合，移动所述光源，采集第二表面图像，获取所述待检测区域集合在所述第二表面图像中的特征信息；根据所述特征信息得到缺陷显著性最大时对应的最佳光源；所述特征信息包括亮度特征的变化、图像综合特征的变化以及复杂度；其中，所述图像综合特征的变化的获取方法为：根据所述灰度共生矩阵获取每个位置的对比度；获取所述第二表面图像中每个像素点邻域内的的第二灰度共生矩阵，并获取每个位置的第二对比度；将所述第二对比度与所述对比度相减，获得每个位置的所述图像综合特征的变化；其中，所述复杂度的获取方法为：计算所述第二灰度共生矩阵每个像素点的第二信息熵，以所述第二信息熵作为所述复杂度；获取每个所述待检测区域集合在对应的所述最佳光源下的最佳图像，将所有所述最佳图像对应像素值相加组成融合图像...

【专利技术属性】
技术研发人员：李锦莲，郑妙春，
申请(专利权)人：海门市创睿机械有限公司，
类型：发明
国别省市：