孔位保护门状态检测方法、装置、计算机设备和存储介质与流程

本申请涉及设备状态检测技术领域，特别是涉及一种孔位保护门状态检测方法、装置、计算机设备和存储介质。

背景技术：

保护门又称安全门，是一种安全保护盖，其一般设置于孔位上，平时孔位未被使用时，是挡住孔位，防止异物进入孔位存在安全隐患。现在，市面上出现了设置有保护门的产品，例如在市场上买的插座，插座孔位内部都带有安全保护盖，使用时插上插头，保护盖会自动推开，拔掉插头，保护门会自动复位封闭插座的孔位，还包括一般安装于墙壁面板上的网线插口或其他电器设备孔位，都可设置保护门起到安全防护作用。

在设置有保护门的产品生产制造过程中，需要检测产品的保护门是否能正常复位，而保护门是否能正常复位的检测通常是通过人工目测来把控产品的生产质量。由于人工检测因每个人的评判标准不同，且人的感官判断易受个人状态、情绪等主观因素影响，使得产品的检测的效率低且误检率高。

如今，为提高自动化水平，市场上也出现了一些自动化检测设置有孔位保护门产品的方法，但这些缺陷检测方法多是通过排布好的流水线式的测试仪进行检测或借助二插或三插保护门插拔力检测机构等进行检测，检测仪器在运转过程存在许多干扰因素，会使得检测结果不稳定且检测效率不高。

技术实现要素：

基于此，有必要针对传统的孔位保护门检测方法存在检测结果不稳定且效率不高问题，提供一种高效的孔位保护门状态检测方法、装置、计算机设备和存储介质。

一种孔位保护门状态检测方法，方法包括：

获取待检测设备图像，待检测设备上设置有孔位，孔位上设置有孔位保护门；

对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域；

基于灰度直方图的统计算法，提取出孔位区域的灰度特征子集；

将灰度特征子集投影到二维坐标系中预设的判别函数直线上，获取灰度特征子集的投影纵坐标值，预设的判别函数直线为使得灰度特征子集在投影后的子空间中有最大类间距离和最小类内距离的直线；

根据灰度特征子集投影后的纵坐标值与预设判别函数直线的阈值的大小关系，得到待检测设备图像对应的设备的缺陷状态；

预设判别函数直线的阈值由以下方式得到：

获取多张待检测设备图像，对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域；基于灰度直方图的统计算法，提取多个孔位区域的灰度特征子集，构建训练样本集，训练样本子集至少包括两类样本子集；将各类样本子集投影到最佳鉴别矢量空间，分别计算各类样本子集投影后的横坐标均值，得到预设的判别函数直线的阈值，最佳鉴别矢量空间为基于fisher线性判别分析算法和训练样本集，引入拉格朗日乘子法求解出的最佳投影方向。

在其中一个实施例中，对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域包括：

根据预设的基于局部统计的自适应动态阈值分割法，对待检测设备图像进行阈值分割，得到缺陷像素点集合；

根据connection算子，对缺陷像素点集合进行连通域分析，得到可疑缺陷区域集合；

根据预设的孔位面积约束条件以及预设的孔位蓬松度，从可疑缺陷区域集合筛选出孔位区域。

在其中一个实施例中，根据预设的基于局部统计的自适应动态阈值分割法，对待检测设备图像进行阈值分割，得到缺陷像素点集合包括：

基于预设的滤波器，对待检测设备图像进行平滑滤波处理，根据预设滤波器的窗口中的像素灰度平均值，计算待检测设备图像的局部标准差；

根据局部标准差、预设的标准方差比例因子以及预设的最小绝对阈值，计算各像素点的修正偏移量；

获取待检测设备图像中各像素点的灰度值以及各像素点的模板邻域的像素灰度平均值；

根据各像素点的灰度值、各像素点的模板邻域的像素灰度平均值以及各像素点的修正偏移量，得到缺陷像素点集合。

在其中一个实施例中，根据预设滤波器窗口中的像素灰度平均值，计算待检测设备图像的局部标准差包括：

根据预设滤波器的窗口中的中心像素点灰度值，得到预设滤波器的窗口中的所有像素点的灰度平均值；

根据中心像素点灰度值以及灰度平均值，计算局部标准差。

在其中一个实施例中，提取出孔位区域的灰度特征子集之前，还包括：

根据预设的滤波器，对孔位区域进行平滑滤波处理，模糊孔位区域中的纹理信息。

在其中一个实施例中，得到待检测设备图像对应的设备的缺陷状态之后，还包括：

根据gen_contour_region_xld算子，提取孔位区域的边缘轮廓；

根据缺陷状态，标记边缘轮廓；

推送标记后的边缘轮廓的图像。

一种孔位保护门状态检测装置，装置包括：

图像获取模块，用于读取待检测设备图像，获取待检测设备图像，待检测设备上设置有孔位，孔位上设置有孔位保护门；

孔位区域获取模块，用于对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域；

灰度特征提取模块，用于基于灰度直方图的统计算法，提取出孔位区域的灰度特征子集；

投影模块，用于将灰度特征子集投影到二维坐标系中预设的判别函数直线上，计算灰度特征子集的投影纵坐标值，预设的判别函数直线为使得灰度特征子集在投影后的子空间中有最大类间距离和最小类内距离的直线；

缺陷检测模块，用于根据灰度特征子集投影后的纵坐标值与预设判别函数直线的阈值的大小关系，得到待检测设备图像对应的设备的缺陷状态；

预设阈值计算模块，用于获取多张待检测设备图像，对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域，基于灰度直方图的统计算法，提取多个孔位区域的灰度特征子集，构建训练样本集，训练样本子集至少包括两类样本子集，将各类样本子集投影到最佳鉴别矢量空间，分别计算各类样本子集投影后的横坐标均值，得到预设的判别函数直线的阈值，最佳鉴别矢量空间为基于fisher线性判别分析算法和训练样本集，引入拉格朗日乘子法求解出的最佳投影方向。

在其中一个实施例中，装置还包括：

标记推送模块，用于根据gen_contour_region_xld算子，提取孔位区域的边缘轮廓，根据缺陷状态，标记边缘轮廓，推送标记后的边缘轮廓的图像。

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

获取待检测设备图像，待检测设备上设置有孔位，孔位上设置有孔位保护门；

对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域；

基于灰度直方图的统计算法，提取出孔位区域的灰度特征子集；

将灰度特征子集投影到二维坐标系中预设的判别函数直线上，获取灰度特征子集的投影纵坐标值，预设的判别函数直线为使得灰度特征子集在投影后的子空间中有最大类间距离和最小类内距离的直线；

根据灰度特征子集投影后的纵坐标值与预设判别函数直线的阈值的大小关系，得到待检测设备图像对应的设备的缺陷状态；

预设判别函数直线的阈值由以下方式得到：

获取多张待检测设备图像，对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域；基于灰度直方图的统计算法，提取多个孔位区域的灰度特征子集，构建训练样本集，训练样本子集至少包括两类样本子集；将各类样本子集投影到最佳鉴别矢量空间，分别计算各类样本子集投影后的横坐标均值，得到预设的判别函数直线的阈值，最佳鉴别矢量空间为基于fisher线性判别分析算法和训练样本集，引入拉格朗日乘子法求解出的最佳投影方向。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待检测设备图像，待检测设备上设置有孔位，孔位上设置有孔位保护门；

对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域；

基于灰度直方图的统计算法，提取出孔位区域的灰度特征子集；

将灰度特征子集投影到二维坐标系中预设的判别函数直线上，获取灰度特征子集的投影纵坐标值，预设的判别函数直线为使得灰度特征子集在投影后的子空间中有最大类间距离和最小类内距离的直线；

根据灰度特征子集投影后的纵坐标值与预设判别函数直线的阈值的大小关系，得到待检测设备图像对应的设备的缺陷状态；

预设的判别函数直线的阈值由以下方式得到：

获取多张待检测设备图像，对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域；基于灰度直方图的统计算法，提取多个孔位区域的灰度特征子集，构建训练样本集，训练样本子集至少包括两类样本子集；将各类样本子集投影到最佳鉴别矢量空间，分别计算各类样本子集投影后的横坐标均值，得到预设的判别函数直线的阈值，最佳鉴别矢量空间为基于fisher线性判别分析算法和训练样本集，引入拉格朗日乘子法求解出的最佳投影方向。

上述孔位保护门状态检测方法、装置、计算机设备和存储介质，从图像识别角度出发，首先获取待测设备图像构建训练样本集，根据训练样本集得到预设的判别函数直线的阈值，然后，对新获取待检测设备图像进行基于局部统计的自适应动态阈值分割，能够精确地筛选出孔位区域，通过将提取出的孔位区域的灰度特征投影到预设判别函数直线，来达到抽取分类信息和压缩特征空间维数的效果，投影后使得特征子集在投影后的子空间有最大的类间距离和最小的类内距离，保证样本在该空间有最佳可分离性，最后，比较投影后的灰度特征子集的投影纵坐标值与预设判别函数直线的阈值，即能判断出待测设备是否存在缺陷，上述方法便捷有效准确率高，且抗干扰能力强检测结果稳定。

附图说明

图1为一个实施例中孔位保护门状态检测方法的应用环境图；

图2为一个实施例中孔位保护门状态检测方法的流程示意图；

图3为一个实施例中待检测设备图像的应用环境图；

图4为一个实施例中预设的判别函数直线的阈值获取步骤的流程示意图；

图5为另一个实施例中孔位区域获取子步骤的流程示意图；

图6为一个实施例中孔位保护门状态检测装置的结构图；

图7为另一个实施例中孔位保护门状态检测装置的结构图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的孔位保护门状态检测方法，可应用于如图1中所示的应用环境图中服务器120获取摄像装置103上传的待检测设备图像，对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域(孔位区域包含可疑缺陷区域集合)，基于灰度直方图的统计算法，提取出孔位区域的灰度特征子集，将灰度特征子集投影到二维坐标系中预设的判别函数直线上，获取灰度特征子集的投影纵坐标值，预设的判别函数直线为使得灰度特征子集在投影后的子空间中有最大类间距离和最小类内距离的直线，根据灰度特征子集投影后的纵坐标值与预设判别函数直线的阈值的大小关系，得到待检测设备图像对应的设备的缺陷状态。其中，摄像装置103可以但不限于是摄像头、具有拍照功能的智能手机以及摄像设备等，服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在其中一个实施例中，如图2所示，提供了一种孔位保护门状态检测方法，以该方法应用于服务器为例进行说明，包括以下步骤：

步骤s100，获取待检测设备图像，待检测设备上设置有孔位，孔位上设置有孔位保护门。

待检测设备图像即为摄像装置采集到的设置有孔位及孔位保护门的待检测设备的图像，图像信息包括孔位区域图像，其中，孔位区域图像包括保护门图像。待检测设备以插座为例，待检测设备图像即包括插孔区域图像以及插孔上的保护门图像。如图3所示，结合图1，在实际应用中，待检测设备图像的获取方式可以是当处于流水线上的待检测设备101(带孔位那一面向上，孔位上设置有孔位保护门)经过光电传感器105时，光电传感器105将触发信号发送给工控机104，工控机104收到信号后通过io板卡输出控制信号，首先打开置于待检测设备101正上方的环形无影光源，然后给摄像装置103发送软触发信号，采集到待检测设备101图像，然后摄像装置103将采集的图像上传至服务器120，服务器120获取待检测设备图像。

步骤s200，对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域。

通过摄像装置采集到的待检测设备图像可发现，图像中的孔位区域与待检测设备的正面(设置有孔位的那一面定义为正面)有明显的灰度差，对比度较为明显，因此，可首先通过阈值分割，来提取出待测正面的感兴趣区域，即正面所有待检测的孔位区域及保护门区域。由于工厂的作业环境比较复杂，且需要同时满足多种颜色待检测设备的检测，本申请采用基于局部统计的自适应动态阈值分割法来提取孔位区域，其中，孔位区域为包含可疑缺陷区域集合。局部阈值分割是一种处理亮度分布不均匀的常用方法，其在一些光照不足的阴影区域有良好的分割效果。设待检测设备的原始图像为f(x,y)，对原始图像进行平滑滤波器处理得到的图像设为m(x,y)，滤波器可以选择为均值滤波器、二项式滤波器及高斯滤波器等。设定偏移量为offset，对f(x,y)与m(x,y)进行逐一的像素灰度值比较，当待分割的目标比背景亮时，满足f(x,y)≥m(x,y)+offset的像素点位置输出为1；当待分割的目标比背景暗时，满足f(x,y)≤m(x,y)-offset的像素点位置输出1；当待分割的目标既有可能亮于背景，也有可能暗于背景区域时，需要同时满足上述两个条件。本申请在在局部阈值分割的基础上，提出一种基于局部统计的自适应动态阈值分割方法，在窗口的平均值信息基础上，通过增加对窗口的标准方差统计信息来修正偏移量offset。

步骤s300，基于灰度直方图的统计算法，提取出孔位区域的灰度特征子集。

本实施例中，基于灰度直方图的统计算法的统计特性提取孔位区域的灰度特征。对于一副像素总数为n的二维图像，其灰度等级为l，同一灰度级的像素总数是n(i)，则一阶灰度直方图可定义为：

通过灰度直方图可以总体反映出孔位区域总体灰度水平及灰度分布概率。根据灰度直方图的统计特性，可以提取如下的灰度特征：

(1)均值m，平均灰度度量，反映图像总体的灰度水平。

(2)标准差σ，平均对比度度量，它反映灰度直方图的离散程度。

计算孔位区域的灰度均值及标准差后，根据灰度均值和标准差构建灰度特征子集t＝{(mt,σt)}，作为测试样本集。

在其中一个实施例中，提取出孔位区域的灰度特征子集之前，还包括：根据预设的滤波器，对孔位区域进行平滑滤波处理，模糊孔位区域中的纹理信息。

本实施例中，采用预设的滤波器为3*3大小的均值滤波器，对孔位区域集合d进行平滑滤波处理，能够模糊图像中孔位保护门的部分纹理信息，排除纹理部分对区域灰度标准差的干扰。可以理解的是，在其他实施例中，均值滤波器还可以为其他尺寸大小，滤波器可以是二项式滤波器及高斯滤波器等。

步骤s400，将灰度特征子集投影到二维坐标系中预设的判别函数直线上，获取灰度特征子集的投影纵坐标值，预设的判别函数直线为使得灰度特征子集在投影后的子空间中有最大类间距离和最小类内距离的直线。

在实际应用中，工作人员假设在二维坐标系空间中，存在一直线(判别函数直线)w，使得在这个空间中所有特征点投影到此直线后，类内方差最小，类间方差最大。然后，需要计算出判别函数直线的阈值，然后，将灰度特征子集投影到该判别函数直线上，获取灰度特征子集的在该直线上的投影纵坐标值，然后，可以是将缺陷状态的检测转化为一个二分类问题，基于判别函数直线的阈值与投影纵坐标值的大小关系，得到待检测设备的保护门的缺陷状态。

在其中一个实施例中，预设判别函数直线的阈值由以下方式得到：

步骤s402，获取多张待检测设备图像；

步骤s404，对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域；

步骤s406，基于灰度直方图的统计算法，提取多个孔位区域的灰度特征子集，构建训练样本集，训练样本子集至少包括两类样本子集；

步骤s408，将各类样本子集投影到最佳鉴别矢量空间，分别计算各类样本子集投影后的横坐标均值，得到预设的判别函数直线的阈值，最佳鉴别矢量空间为基于fisher线性判别分析算法和训练样本集，引入拉格朗日乘子法求解出的最佳投影方向。

具体的，可以是读取50个待检测设备图像的孔位区域作为训练样本集，划分为两类子集，其中包括25个合格孔位区域灰度特征子集x0和25个不合格孔位区域灰度特征子集x1：

x0＝{(m1,σ1),(m2,σ2),(m3,σ3),…,(m25,σ25)}

x1＝{(m26,σ26),(m27,σ27),(m28,σ28),…,(m50,σ50)}

计算各类样本的均值向量

计算各类样本的协方差矩阵

定义两类样本的中心在直线上的投影为：w^tu0和w^tu1，两类样本的协方差：w^tc0w和w^tc1w，为使得同类的样本的投影点尽可能接近，即需要保证w^tc0w+w^tc1w尽可能小，为使得异类样本的投影点尽可能远离，即需要保证尽可能大，于是，最大化

计算类内散度矩阵：

sw＝c0+c1

计算类间散度矩阵：

sb＝(u0-u1)(u0-u1)^t

此时，则可重写j为：

令w^tsww＝1，最大化广义瑞利商等价形式为：

s.t.w^tsww＝1

运用拉格朗日乘子法，则有sbw＝λsww；sbw的方向恒为u0-u1，不妨令sbw＝λ(u0-u1)，于是可得计算矩阵sw的逆矩阵再计算w最大特征值对应的特征向量，该特征向量就是投影方向w，w为一维列向量，此时可计算得最佳投影线的斜率k＝w(2)/w(1)，其中，w(2)为一维列向量中第二个元素值，w(1)为一维列向量中第一个元素值，最终求得判别函数即为y＝kx+b；本申请中，b＝0；计算训练样本集中所有灰度特征子集点在直线y＝kx+b上的投影坐标，根据点到直线的投影公式可得：

其中，n＝1,2,3,…,50；分别计算两类子集投影变换后点的横坐标均值，即：

此时，判别函数直线的阈值其中，k＝w(2)/w(1)。

步骤s500，根据灰度特征子集投影后的纵坐标值与预设判别函数直线的阈值的大小关系，得到待检测设备图像对应的设备的缺陷状态。

如上述实施例所述，当确定好判别函数直线后，将测试样本集的灰度特征子集t＝{(mt,σt)}投影到该判别函数直线上，可得灰度特征子集的投影后的坐标值为：

本实施例中，检测孔位内保护门的状态即检测保护门的复位与无复位两种状态，因此是一个二分类问题，可记其输出标记result∈{0,1}。本实施例中，通过分类规则，比较yt值与阈值w0的大小，得出其分类，分类规则如下：

即若result输出等于0，则代表此孔位内保护门没有复位；若result输出等于1，则代表此孔位孔内保护门复位。

上述孔位保护门状态检测方法，从图像识别角度出发，首先获取待测设备图像构建训练样本集，根据训练样本集得到预设的判别函数直线的阈值，然后，对新获取待检测设备图像进行基于局部统计的自适应动态阈值分割，能够精确地筛选出孔位区域，通过将提取出的孔位区域的灰度特征投影到预设判别函数直线，来达到抽取分类信息和压缩特征空间维数的效果，投影后使得特征子集在投影后的子空间有最大的类间距离和最小的类内距离，保证样本在该空间有最佳可分离性，最后，比较投影后的特征子集的纵坐标值与预设判别函数直线的阈值，即能判断出待测设备是否存在缺陷，上述方法便捷有效准确率高，且抗干扰能力强检测结果稳定。

如图5所示，在其中一个实施例中，对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域包括：步骤s202，根据预设的基于局部统计的自适应动态阈值分割法，对待检测设备图像进行阈值分割，得到缺陷像素点集合；步骤s204，根据connection算子，对缺陷像素点集合进行连通域分析，得到可疑缺陷区域集合；步骤s206，根据预设的孔位面积约束条件以及预设的孔位蓬松度，从可疑缺陷区域集合筛选出孔位区域。

连通区域一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。连通区域分析是指将图像中的各个连通区域找出并标记。本实施例中，在加入滤波器窗口的标准方差修正偏移量offset后，可基于偏移量offset、滤波器窗口中所有像素点的像素平均值、预设的标准方差比例因子和最小绝对阈值，对待检测设备图像进行阈值分割，分割出缺陷点集合，缺陷点可看作一个个独立的小区域，在分割出缺陷点后，可采用connection算子，对缺陷像素点集合进行连通域分析，得到可疑缺陷区域集合，所谓可疑缺陷区域集合可理解为可能存在缺陷的孔位区域。由于待检测设备的孔位区域大小是相同且固定的，故可通过孔位的面积特征进一步筛选孔位区域。具体的，可以是通过孔位的像素面积作为约束条件。待检测设设备以插座为例，插座包括两孔插座和三孔插座，一般的，两孔插座的插孔的物理尺寸大小为0.9cm*0.9cm，三孔插座的孔位的物理尺寸大小为0.9cm*0.2cm。从图像角度上说，采集到的待检测设备的图像上，三孔位的每个孔位面积大约为14000左右的像素大小，两孔位的每个孔位面积大约为72800像素大小。因此，本实施例中设定孔位的像素面积在[13000,15000]与[70000,75000]两个范围内为约束条件，基于此，可以从可疑缺陷区域集合中筛选出包含孔位区域集合。对于分割后的二值化待检测设备图像而言，孔位区域面积s可由如下公式表述：

所有满足约束条件的区域集合a＝{si|13000＜si＜15000∪70000＜si＜75000,si∈s。如果只采用单一的面积特征进行筛选，很可能会将非孔位区域判断为孔位区域。因此，提出加入孔位的外观形状特征即孔位区域的蓬松度作为附加的筛选条件。蓬松度(bulkiness)：

bulkiness＝π*ra*rb/ai

其中ra和rb表示最小外接椭圆半径，a表示区域的面积。当蓬松度越接近1时，代表此区域的最小外接椭圆越接近圆形。

待检测设备以插座为例，通过多个实验样品统计分析计算得到插孔区域的蓬松度都在1.05左右，与其它区域的蓬松度值具有很明显的差异性。因此，本实施例中，设定插孔蓬松度处于[1.04,1.06]范围为约束条件，最终可以筛选出所有孔位区域的集合d。

d＝{ai|1.04＜π*ra*rb/ai＜1.06,ai∈a}

可以理解的是，连通域标记方法除connection算子之外，还可以采用其他连通域分析算法。蓬松度的约束条件可以其他数值的约束条件，具体可视情况而定。本实施例中，通过预设的孔位蓬松度的约束条件，能够提高孔位区域筛选精度。

在其中一个实施例中，根据预设的基于局部统计的自适应动态阈值分割法，对待检测设备图像进行阈值分割，得到缺陷像素点集合包括：基于预设的滤波器，对待检测设备图像进行平滑滤波处理，根据预设滤波器的窗口中的像素灰度平均值，计算待检测设备图像的局部标准差，根据局部标准差、预设的标准方差比例因子以及预设的最小绝对阈值，计算各像素点的修正偏移量，获取待检测设备图像中各像素点的灰度值以及各像素点的模板邻域的像素灰度平均值，根据各像素点的灰度值、各像素点的模板邻域的像素灰度平均值以及各像素点的修正偏移量，得到缺陷像素点集合。

本实施例中，预设的滤波器可以是均值滤波器、二项式滤波器及高斯滤波器等，滤波器的窗口大小为150像素*150像素，局部标准差即滤波器窗口的标准方差统计信息，它反映了一幅图像当中局部区域对比度的变化。假设f(i,j)为待检测设备图像f中(i,j)位置处像素的灰度值，图像大小为m×n，w为以(i,j)为中心，大小为l×l的窗口，l为奇数且l＞1，w看作是图像中的局部区域，计算其局部标准差devij，定义如下：

式中，i，j≥0，m≤m-1，n≤n-1，sqrt()为开方运算。设g(x,y)为输入的待检测设备的图像在(x,y)处像素的灰度值，m(x,y)为模板邻域内的平均灰度值信息，d(x,y)为局部标准差，则该像素点的统计修正偏移量为：

式中，std为标准方差比例因子，tabs是最小绝对阈值，本实施例中，设置标准方差比例因子std为1.36，tabs最小绝对阈值为20。根据平均值m(x,y)和偏移修正量offset，从待检测设备图像中通过阈值分割出所有缺陷像素点的集合d，集合d可以表示为：

d＝{(x,y)|g(x,y)＜m(x,y)-offset∪g(x,y)＞m(x,y)+offset}

可以理解的是，在其他实施例中，std以及tabs还可以是其他数值，具体可根据实际情况而定。本实施例中，通过计算滤波器窗口的局部标准差来修正偏移量offset，能够限定灰度值的合理变化范围，避免小区域的缺陷被过度平滑以致于无法被正确分割出来，提高缺陷分割的完整性。

在其中一个实施例中，根据预设滤波器窗口中的像素灰度平均值，计算待检测设备图像的局部标准差包括：根据预设滤波器的窗口中的中心像素点灰度值，得到预设滤波器的窗口中的所有像素点的灰度平均值，根据中心像素点灰度值以及灰度平均值，计算局部标准差。

若为窗口w中所有像素灰度平均值，根据预设滤波器的窗口中的中心像素点灰度值，则可定义如下：

式中，i，j≥0，m≤m-1，n≤n-1。本实施例中，基于像素灰度平均值和中心像素点灰度值计算局部标准差，能够在检测孤立点边缘降低敏感度，具有一定的平滑滤波的效果。

在其中一个实施例中，得到待检测设备图像对应的设备的缺陷状态之后，还包括：根据gen_contour_region_xld算子，提取孔位区域的边缘轮廓，根据缺陷状态，标记边缘轮廓，推送标记后的边缘轮廓的图像。

在实际应用中，待检测设备的图像的处理是基于halcon17.12progress平台处理的，为便于工作人员的检测，待检测设备的图像的检测结果可显示于软件界面。具体的，可以是基于gen_contour_region_xld算子，提取孔位区域的边缘轮廓，gen_contour_region_xld算子为halcon算子函数的一种，其用于根据区域创建xld轮廓(contour)。本实施例中，可以是当result(缺陷状态结果)输出为0，则代表此插孔内保护门没有复位，此时，则用红色轮廓标记孔位的边缘轮廓，若result(缺陷状态结果)输出等于1，则代表此孔位内保护门复位，则用绿色轮廓标记孔位的边缘轮廓，如此，工作人员能够通过显示出的孔位轮廓的颜色，来判断待检测设备的保护门是否复位，便捷有效。可以理解的是，在其他实施例中，孔位的边缘轮廓的方式还可以是用其他颜色标记，或通过其他能够区分孔位保护门是否复位的方式进行标记。

为清楚地描述本申请提供的孔位保护门状态检测方法，下面结合一个具体实例以及图2和图3来进行说明，其中，待检测设备以插座为例，摄像装置以相机为例：

当处于流水线上的正面朝上的待检测设备101即插座(插座带插孔那一面为正面)通过光电传感器105时，光电传感器105将触发信号发送给工控机104，工控机104收到信号后通过io板卡输出控制信号，首先打开置于插座正上方的环形无影光源，然后给相机103(相机型号为basleraca2500-14gm，水平/垂直分辨率为2592pixel*1944pixel)发送软触发信号，采集到插座正面图像，然后相机103将采集的图像上传至服务器，服务器获取插座图像，基于halcon17.12progress平台对插座图像进行基于局部统计的自适应动态阈值分割，获取插孔区域。其中，插孔区域包括基于插孔的像素面积约束条件和蓬松度要求获取，即插孔的像素面积处于[13000,15000]或[70000,75000]之间，插孔蓬松度处于[1.04,1.06]范围之间。然后，基于灰度直方图的统计算法，提取出插孔区域的灰度特征子集t＝{(mt,σt)}，将灰度特征子集t＝{(mt,σt)}投影到二维坐标系中预设的判别函数直线y＝kx+b上，获取灰度特征子集的投影纵坐标值yt，根据灰度特征子集投影纵坐标值yt与预设判别函数直线的阈值w0的大小关系，得到插座图像对应的插座的缺陷状态，若yt≤w0，则输出等于0，则代表插孔内保护门没有复位，则以红色标记插孔边缘轮廓；若yt＞w0，则输出等于1，则代表此孔位孔内保护门复位，以绿色标记插孔边缘轮廓。

应该理解的是，虽然图2、图4以及图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4以及图5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在其中一个实施例中，如图6所示，提供了一种孔位保护门状态检测装置，包括：图像获取模块610、孔位区域获取模块620、灰度特征提取模块630、投影模块640、缺陷检测模块650以及预设阈值计算模块660，其中：

图像获取模块610，用于读取待检测设备图像，获取待检测设备图像，待检测设备上设置有孔位，孔位上设置有孔位保护门。

孔位区域获取模块620，用于对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域。

灰度特征提取模块630，用于基于灰度直方图的统计算法，提取出孔位区域的灰度特征子集。

投影模块640，用于将灰度特征子集投影到二维坐标系中预设的判别函数直线上，计算灰度特征子集的投影纵坐标值，预设的判别函数直线为使得灰度特征子集在投影后的子空间中有最大类间距离和最小类内距离的直线。

缺陷检测模块650，用于根据灰度特征子集投影后的纵坐标值与预设判别函数直线的阈值的大小关系，得到待检测设备图像对应的设备的缺陷状态。

预设阈值计算模块660，用于获取多张待检测设备图像，对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域，基于灰度直方图的统计算法，提取多个孔位区域的灰度特征子集，构建训练样本集，训练样本子集至少包括两类样本子集，将各类样本子集投影到最佳鉴别矢量空间，分别计算各类样本子集投影后的横坐标均值，得到预设的判别函数直线的阈值，最佳鉴别矢量空间为基于fisher线性判别分析算法和训练样本集，引入拉格朗日乘子法求解出的最佳投影方向。

如图7所示，在其中一个实施例中，孔位保护门状态检测装置还包括标记推送模块670，用于根据gen_contour_region_xld算子，提取孔位区域的边缘轮廓，根据缺陷状态，标记边缘轮廓，推送标记后的边缘轮廓的图像。

在其中一个实施例中，孔位保护门状态检测装置还包括平滑滤波模块680，用于根据预设的滤波器，对孔位区域进行平滑滤波处理，模糊孔位区域中的纹理信息。

在其中一个实施例中，孔位区域获取模块620还用于根据预设的基于局部统计的自适应动态阈值分割法，对待检测设备图像进行阈值分割，得到缺陷像素点集合，根据connection算子，对缺陷像素点集合进行连通域分析，得到可疑缺陷区域集合，根据预设的孔位面积约束条件以及预设的孔位蓬松度，从可疑缺陷区域集合筛选出孔位区域。

在其中一个实施例中，孔位区域获取模块620还用于基于预设的滤波器，对待检测设备图像进行平滑滤波处理，根据预设滤波器的窗口中的像素灰度平均值，计算待检测设备图像的局部标准差，根据局部标准差、预设的标准方差比例因子以及预设的最小绝对阈值，计算各像素点的修正偏移量，获取待检测设备图像中各像素点的灰度值以及各像素点的模板邻域的像素灰度平均值，根据各像素点的灰度值、各像素点的模板邻域的像素灰度平均值以及各像素点的修正偏移量，得到缺陷像素点集合。

在其中一个实施例中，孔位区域获取模块620还用于根据预设滤波器的窗口中的中心像素点灰度值，得到预设滤波器的窗口中的所有像素点的灰度平均值，根据中心像素点灰度值以及灰度平均值，计算局部标准差。

关于孔位保护门状态检测装置的具体限定可以参见上文中对于孔位保护门状态检测方法的限定，在此不再赘述。上述孔位保护门状态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在其中一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待检测设备图像等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种孔位保护门状态检测方法。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在其中一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待检测设备图像，对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域，基于灰度直方图的统计算法，提取出孔位区域的灰度特征子集，将灰度特征子集投影到二维坐标系中预设的判别函数直线上，获取灰度特征子集的投影纵坐标值，预设的判别函数直线为使得灰度特征子集在投影后的子空间中有最大类间距离和最小类内距离的直线，根据灰度特征子集投影后的纵坐标值与预设判别函数直线的阈值的大小关系，得到待检测设备图像对应的设备的缺陷状态。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：获取多张待检测设备图像，对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域；基于灰度直方图的统计算法，提取多个孔位区域的灰度特征子集，构建训练样本集，训练样本子集至少包括两类样本子集；将各类样本子集投影到最佳鉴别矢量空间，分别计算各类样本子集投影后的横坐标均值，得到预设的判别函数直线的阈值，最佳鉴别矢量空间为基于fisher线性判别分析算法和训练样本集，引入拉格朗日乘子法求解出的最佳投影方向。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：基于预设的滤波器，对待检测设备图像进行平滑滤波处理，根据预设滤波器的窗口中的像素灰度平均值，计算待检测设备图像的局部标准差，根据局部标准差、预设的标准方差比例因子以及预设的最小绝对阈值，计算各像素点的修正偏移量，获取待检测设备图像中各像素点的灰度值以及各像素点的模板邻域的像素灰度平均值，根据各像素点的灰度值、各像素点的模板邻域的像素灰度平均值以及各像素点的修正偏移量，得到缺陷像素点集合。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：根据预设的基于局部统计的自适应动态阈值分割法，对待检测设备图像进行阈值分割，得到缺陷像素点集合，根据connection算子，对缺陷像素点集合进行连通域分析，得到可疑缺陷区域集合，根据预设的孔位面积约束条件以及预设的孔位蓬松度，从可疑缺陷区域集合筛选出孔位区域。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：根据预设滤波器的窗口中的中心像素点灰度值，得到预设滤波器的窗口中的所有像素点的灰度平均值，根据中心像素点灰度值以及灰度平均值，计算局部标准差。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：根据gen_contour_region_xld算子，提取孔位区域的边缘轮廓，根据缺陷状态，标记边缘轮廓，推送标记后的边缘轮廓的图像。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：用于根据预设的滤波器，对孔位区域进行平滑滤波处理，模糊孔位区域中的纹理信息。

在其中一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待检测设备图像，对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域，基于灰度直方图的统计算法，提取出孔位区域的灰度特征子集，将灰度特征子集投影到二维坐标系中预设的判别函数直线上，获取灰度特征子集的投影纵坐标值，预设的判别函数直线为使得灰度特征子集在投影后的子空间中有最大类间距离和最小类内距离的直线，根据灰度特征子集投影后的纵坐标值与预设判别函数直线的阈值的大小关系，得到待检测设备图像对应的设备的缺陷状态。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取多张待检测设备图像，对待检测设备图像进行基于局部统计的自适应动态阈值分割，获取孔位区域；基于灰度直方图的统计算法，提取多个孔位区域的灰度特征子集，构建训练样本集，训练样本子集至少包括两类样本子集；将各类样本子集投影到最佳鉴别矢量空间，分别计算各类样本子集投影后的横坐标均值，得到预设的判别函数直线的阈值，最佳鉴别矢量空间为基于fisher线性判别分析算法和训练样本集，引入拉格朗日乘子法求解出的最佳投影方向。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于预设的滤波器，对待检测设备图像进行平滑滤波处理，根据预设滤波器的窗口中的像素灰度平均值，计算待检测设备图像的局部标准差，根据局部标准差、预设的标准方差比例因子以及预设的最小绝对阈值，计算各像素点的修正偏移量，获取待检测设备图像中各像素点的灰度值以及各像素点的模板邻域的像素灰度平均值，根据各像素点的灰度值、各像素点的模板邻域的像素灰度平均值以及各像素点的修正偏移量，得到缺陷像素点集合。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据预设的基于局部统计的自适应动态阈值分割法，对待检测设备图像进行阈值分割，得到缺陷像素点集合，根据connection算子，对缺陷像素点集合进行连通域分析，得到可疑缺陷区域集合，根据预设的孔位面积约束条件以及预设的孔位蓬松度，从可疑缺陷区域集合筛选出孔位区域。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据预设滤波器的窗口中的中心像素点灰度值，得到预设滤波器的窗口中的所有像素点的灰度平均值，根据中心像素点灰度值以及灰度平均值，计算局部标准差。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据gen_contour_region_xld算子，提取孔位区域的边缘轮廓，根据缺陷状态，标记边缘轮廓，推送标记后的边缘轮廓的图像。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：用于根据预设的滤波器，对孔位区域进行平滑滤波处理，模糊孔位区域中的纹理信息。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。