基于机器视觉的陶瓷瓦表面鼓包检测方法技术

基于机器视觉的陶瓷瓦表面鼓包检测方法，首先，提取出陶瓷瓦的红色通道图像，并进行高斯滤波的预处理，以改善光照不均并抑制噪声；其次，采用自适应小波变换、线性中值滤波的方法增强鼓包与背景区域对比度；最后，利用二值化和形态学的方法，得到鼓包区域的信息。本发明专利技术基于机器视觉的陶瓷瓦表面鼓包检测方法自动化程度较高，可以解决人工检测劳动强度大、主观性强、检测效率低的问题。检测效率低的问题。检测效率低的问题。

【技术实现步骤摘要】
基于机器视觉的陶瓷瓦表面鼓包检测方法


[0001]本专利技术涉及陶瓷瓦表面缺陷检测
，具体涉及一种基于机器视觉的陶瓷瓦表面鼓包检测方法。

技术介绍

[0002]陶瓷瓦表面缺陷检测是生产过程中的一个重要步骤。由于生产工艺、生产环境等生产条件的不同，陶瓷瓦表面可能会出现鼓包、裂纹、缺角、缺釉、色差等缺陷。目前该生产过程的缺陷检测仍是采用人工检测的方法，而人工检测存在主观性强、劳动强度大、检测效率低的问题。为了提高检测效率与准确率、促进产业升级，实现陶瓷瓦缺陷的自动化检测至关重要。
[0003]近年来，在工业化生产的缺陷检测，如钢管、金属、瓷砖等工件表面缺陷检测中，机器视觉的方法应用越来越常见。例如：
[0004]文献[1]：张建军,罗静.基于改进Sobel算子的表面裂纹边缘检测算法[J].合肥工业大学学报(自然科学版),2011,34(6):845
‑
847.利用改进的Sobel算子对钢管表面裂纹进行检测；
[0005]文献[2]：王清晨,景军锋.采用机器视觉的金属表面横向裂纹检测[J].电子测量与仪器学报,2018,32(11):71
‑
77.利用图像分块和自定义滤波的方法对金属表面裂纹进行检测；
[0006]文献[3]：郭萌,胡辽林,赵江涛.基于Kirsch和Canny算子的陶瓷碗表面缺陷检测方法[J].光学学报,2016,36(09):27
‑
33.等利用Kirsch和Canny算子对陶瓷碗表面进行缺陷检测；
[0007]文献[4]：李强,曾曙光,郑胜,等.基于机器视觉的陶瓷瓦表面裂纹检测方法[J].激光与光电子学进展,2020,57(08):51
‑
57.利用主成分分析方法对陶瓷瓦表面裂纹进行检测。
[0008]以上文献中的技术方案对工业产品表面裂纹检测有一定效果，但对于表面为立体状态且存在大量花纹的陶瓷瓦而言，鼓包作为其中最复杂、最难检测的缺陷之一，国内外对鼓包检测的研究却鲜有报道。

技术实现思路

[0009]针对陶瓷瓦表面高低起伏且受复杂花纹干扰，其表面鼓包缺陷自动检测难度较大的技术问题。本专利技术提供一种基于机器视觉的陶瓷瓦表面鼓包检测方法，方法自动化程度较高，可以解决人工检测劳动强度大、主观性强、检测效率低的问题。
[0010]本专利技术采取的技术方案为：
[0011]基于机器视觉的陶瓷瓦表面鼓包检测方法，包括以下步骤：
[0012]步骤1：提取陶瓷瓦的红色通道图像，以去除光照不均的干扰；
[0013]步骤2：对陶瓷瓦红色通道图像进行高斯滤波，以抑制噪声；
[0014]步骤3：采用自适应小波变换(Adaptive Wavelet Transform,AWT)、线性中值滤波的方法，增强鼓包与背景区域对比度。
[0015]步骤4：利用二值化和形态学的方法，得到鼓包区域的信息。
[0016]所述步骤2中，高斯滤波具体如下：
[0017]通过一个模板对图像的每一个像素进行加权平均，减小相邻像素间的灰度差，高斯滤波窗口大小为3
×
3；利用预处理后图像的行均值N(i)和列均值M(j)与总均值K相比较，得到待检测陶瓷瓦区域W1，计算公式如下：
[0018][0019][0020][0021]其中：W0(i,j)为W0的红色通道的像素值；m、n分别表示的像素矩阵的行数、列数；i、j分别表示像素的索引，设待检测区域灰度矩阵为W1，大小为m1×
n1，m1、n1分别表示灰度矩阵的行数和列数。
[0022]所述步骤3中包括如下步骤：
[0023]S3.1：使用自适应小波变换的方法分解W1，能够得到W1不同尺度的信息，选取包含鼓包信息的尺度并进行小波重构得到重构图像W2。
[0024]设原始信号为P0(x),低通滤波器为V(l)，信号P0(x)经过一次滤波能够得到一个低频分量和一个高频分量，其中，高频分量表示图像的细节信息，又被称为小波面、小波系数，低频分量表示图像的近似信息，还能继续进行滤波分解；
[0025]令n次滤波后的低频分量为P
n
(x)，第n次分解得到的高频分量为G
n
(x)，有如下数学描述：
[0026][0027]G
n
(x)＝P
n
‑1(x)
‑
P
n
(x)n＝1,2,
…
,N；
[0028]其中，n为分解次数，又被称为尺度。
[0029]à
trous小波变换将信号分解为多个小波面和一个近似信号，多个小波面表示不同的细节信息，近似信号表示背景信息。若要将其重构，将所有小波面和近似信号进行叠加，如下述公式：
[0030][0031]将
à
trous小波变换拓展二维图像P(x,y)中，分解后的图像与原始图像尺寸一致，可以提取不同尺度下的高频分量G
n
(x,y)，实现对具有不同特征的图像进行特征分离。且同理可得，重构图像P'(x,y)可由分解后的小波系数与背景信息叠加得到：
[0032][0033]à
trous小波算法还具有以下优点：
①
运算简单；
②
计算中没有插值和抽样，有利于
获取图像的细节纹理特征；
③
可通过滤波器滤波实现变换过程，易于编程实现。
[0034]S3.2：重构图像W2中鼓包信息表现为异常点区域，通过水平中值滤波将鼓包信息抹去。对重构图像W2作一维水平中值滤波处理，得到滤波后图像W3。中值滤波是将数字图像中一点的像素值用该点的一个邻域中各点值的中值代替，从而消除孤立的噪声点。
[0035]S3.3：将图像W2与图像W3差分得到图像W4，即将重构图像W2与去除鼓包信息后的背景图像W3相减。图像差分的目是提高鼓包与背景区域的对比度。
[0036]所述步骤4中包括如下步骤：
[0037]S4.1：利用灰度阈值T1对图像W4进行二值化，得到二值化图像W5，实现鼓包的分割，计算公式如下：
[0038][0039]W4(i,j)表示W4的像素值；abs(W4(i,j))表示W4像素值的绝对值；
[0040][0041]W5(i,j)表示W5的像素值；
[0042]S4.2：再对二值化图像W5使用连通域提取、形态学滤波得到图像W6；最后，根据图像W6统计鼓包个数并计算其面积。连通区域是由具有相同像素值的相邻像素组成像素集合，连通域提取就是在二值化图像中寻找连通区域，并赋予每个连通域唯一的标识，然后根据需求保留需要的连通域，其余部分置零。本方法使用形态学滤波中的闭运算填充提取出的连通域边缘的小孔、裂缝等使其更加完整，但总的位置和形状不变。
[0043]本专利技术一种基于机器视觉的陶瓷瓦表面鼓包检测方法，具有以下有益效果：
[0044]1)本专利技术方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器视觉的陶瓷瓦表面鼓包检测方法，其特征在于包括以下步骤：步骤1：提取陶瓷瓦的红色通道图像，以去除光照不均的干扰；步骤2：对陶瓷瓦红色通道图像进行高斯滤波，以抑制噪声；步骤3：采用自适应小波变换、线性中值滤波的方法，增强鼓包与背景区域对比度；步骤4：利用二值化和形态学的方法，得到鼓包区域的信息。2.根据权利要求1所述基于机器视觉的陶瓷瓦表面鼓包检测方法，其特征在于：所述步骤2中，高斯滤波具体如下：通过一个模板对图像的每一个像素进行加权平均，减小相邻像素间的灰度差，高斯滤波窗口大小为3
×
3；利用预处理后图像的行均值N(i)和列均值M(j)与总均值K相比较，得到待检测陶瓷瓦区域W1，计算公式如下：，计算公式如下：，计算公式如下：其中：W0(i,j)为W0的红色通道的像素值；m、n分别表示的像素矩阵的行数、列数；i、j分别表示像素的索引，设待检测区域灰度矩阵为W1，大小为m1×
n1，m1、n1分别表示灰度矩阵的行数和列数。3.根据权利要求1所述基于机器视觉的陶瓷瓦表面鼓包检测方法，其特征在于：所述步骤3中包括如下步骤：S3.1：使用自适应小波变换的方法分解W1，能够得到W1不同尺度的信息，选取包含鼓包信息的尺度并进行小波重构得到重构图像W2；设原始信号为P0(x),低通滤波器为V(l)，信号P0(x)经过一次滤波能够得到一个低频分量和一个高频分量，其中，高频分量表示图像的细节信息，又被称为小波面、小波系数，低频分量表示图像的近似信息，还能继续进行滤波分解；令n次滤波后的低频分量为P
n
(x)，第n次分解得到的高频分量为G
n
(x)，有...

【专利技术属性】
技术研发人员：曾曙光，胡承鑫，郑胜，李强，肖焱山，罗志会，
申请(专利权)人：三峡大学，
类型：发明
国别省市：