一种基于机器视觉的压铸件表面缺陷检测方法及系统与流程

本发明涉及机器视觉缺陷自动检测技术领域，尤其涉及一种基于机器视觉的压铸件表面缺陷检测方法及系统。

背景技术：

压力铸造是一种将液态金属在高压下高速填充入压铸型腔内在压力下凝固形成铸件的铸造方法。压铸生产过程较为复杂，铸件表面不可避免的会产生许多缺陷，目前，客户对产品的质量要求愈发提高，对压铸产品的质量检测和质量信息的收集整理提出了更高的要求。

国内主要压铸厂对铝合金压铸件表面缺陷的检测大多是靠人工检测为主，人工检测效率较为低下，工作量较大耗费大量劳动力，检测结果容易受到人为因素影响，同时无法有效收集整理质量缺陷信息；压铸工业中x射线检测应用较多，x射线检测则主要用于内部缺陷的检测，且x射线检测设备成本较高，自动化程度较低，无法自动识别缺陷类别，同时x射线具有放射性，考虑安全性无法集成到生产线中，导致无法做到全面覆盖检测且不能实时收集缺陷信息。

基于机器视觉的检测技术近来来迅猛发展，在铸造领域也逐步投入应用，机器视觉系统具有成本低、便携性和可编程修改等特点。现有的视觉检测大多是检测零件尺寸，对于表面缺陷的检测方案较少，已有的几种缺陷检测方案中，主要分为两种分类识别技术。一种是通过神经网络技术进行学习训练，神经网络技术作为训练学习的方法需要大量的样本和较为统一的特征，在样本特征较为复杂多样的情况下容易陷入局部极小值，得不到最优解。另一种则是通过分类器进行学习训练，但在特征提取的过程中需要广泛全面提取缺陷的几何特征、形状特征、颜色特征、纹理特征等不同特征，再降维处理才能得到分类规则，计算量大，检测效率低，检测结果在情况较为复杂的实际生产过程中容易受到影响。同时这些缺点导致目前的视觉检测技术很难应用到压铸件的表面检测中。

综上，目前的检测方案自动化程度较低，检测效率不高，检测覆盖程度较低。

技术实现要素：

为解决人工检测和x射线检测效率低，以及现有技术中视觉检测方法检测无法有效应用到压铸件表面检测的问题，本发明提出一种基于机器视觉的压铸件表面缺陷检测方法及系统。

本发明提供一种基于机器视觉的压铸件表面缺陷检测方法，包括svm分类器训练过程和svm分类器检测过程。所述svm分类器训练过程包括：s11.采集压铸件表面的原始样本图像；s12.将原始样本图像进行处理以得到可以提取缺陷特征向量的样本图像；s13.将步骤s12中处理后的样本图像进行hog+lbp特征提取；s14.通过输入步骤s13中提取的hog+lbp特征，对svm分类器进行训练得到训练好的svm分类器。所述svm分类器检测过程包括：s21.采集待检测压铸件表面的原始图像；s22.将原始图像进行处理以得到可以提取缺陷特征向量的图像；s23.将步骤s22中处理后的图像进行hog+lbp特征提取；s24.加载步骤s14中训练好的svm分类器，并输入步骤s23中提取的hog+lbp特征进行缺陷识别。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于机器视觉的压铸件表面缺陷检测方法。

本发明还提供一种基于机器视觉的压铸件表面缺陷检测系统，包括：图像采集单元、图像处理单元、hog+lbp特征提取单元、svm分类器训练检测单元；所述图像采集单元用于采集压铸件表面的图像；所述图像处理单元用于将采集到的图像进行处理以得到可以提取缺陷特征向量的图像；所述hog+lbp特征提取单元用于将处理后的图像进行hog+lbp特征提取；所述svm分类器训练检测单元用于对svm分类器进行训练，并利用训练好的svm分类器进行缺陷识别。

本发明还提供一种压铸生产信息监控系统，包括如上所述的基于机器视觉的压铸件表面缺陷检测系统、压铸工控机系统、质量参数分析系统，以及用于各系统通信连接的opc通讯系统；所述质量参数分析系统用于将压铸工控机系统中制备压铸件的工艺参数数据以及基于机器视觉的压铸件表面缺陷检测系统所识别的压铸件表面缺陷进行整合分析。

本发明的有益效果：1、通过结合视觉图像处理技术和模式识别技术开发了一套自动检测识别压铸件表面缺陷的方法和系统，有效解决了压铸生产中普遍使用的人工检测效率低下和x射线检测自动化程度较低的问题，大大提高了压铸车间质量检测的效率和准确率。2、同时针对现有视觉检测系统常用的特征提取方法和神经网络训练方法的缺点，采用hog+lbp的特征计算，有效避免了复杂的多维特征计算降低识别的效率，利用svm分类器进行识别分类，所需样本数量较少且避免了样本种类较繁杂时神经网络算法陷入局部极小值的问题。3、系统整体运算过程更简单，更加适合在实际压铸生产中应用，且收集到的质量数据与工艺参数数据完成整合，对质量控制有指导意义，并且这种方式便于系统的维修，增加了系统的稳定性。

附图说明

图1为本发明实施例中基于机器视觉的压铸件表面缺陷检测方法的流程图。

图2为本发明实施例中基于移动互联网的压铸生产信息监控系统的结构图。

具体实施方式

下面结合具体实施方式并对照附图对本发明作进一步详细说明，应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

本实施例提供一种基于机器视觉的压铸件表面缺陷检测方法和系统。基于机器视觉的压铸件表面缺陷检测方法如图1所示，包括svm(支持向量机)分类器训练过程和svm分类器检测过程，具体如下：

步骤s1的svm分类器训练过程包括：

s11.采集压铸件表面的原始样本图像；

s12.将原始样本图像进行处理以得到可以提取缺陷特征向量的样本图像；

s13.将步骤s12中处理后的样本图像进行hog(方向梯度直方图)+lbp(局部二值模式)特征提取；

s14.通过输入步骤s13中提取的hog+lbp特征，对svm分类器进行训练得到训练好的svm分类器；

步骤s2的svm分类器检测过程包括：

s21.采集待检测压铸件表面的原始图像；

s22.将原始图像进行处理以得到可以提取缺陷特征向量的图像；

s23.将步骤s22中处理后的图像进行hog+lbp特征提取；

s24.加载步骤s14中训练好的svm分类器，并输入步骤s23中提取的hog+lbp特征进行缺陷识别。

具体地，步骤s12和步骤s22中，处理主要包括：图像预处理、图像分割、形态学处理和边缘检测。

图像预处理包括：对图像进行平滑，滤除图像上的噪声干扰。例如中值滤波，其为一种非线性滤波，是用邻域像素与滤波窗口卷积核的中值为锚点的像素，在处理脉冲噪声以及椒盐噪声时效果极佳，能够有效的保护好图像的边缘信息。

图像分割主要为自适应阈值分割，其将灰度化处理后图像上的像素点按照灰度值，自动设置一个合理的阈值，将灰度值低于阈值的像素灰度值设置为0，高于阈值的像素设置为255，整个图像只有明显的黑和白两种颜色，其更加便于后续重点区域的处理。阈值分割后得到的二值化图像，能够将细小缺陷区域更明显地与背景分割开来，方便检测边缘及分割缺陷区域。

形态学处理包括：用于将分割后图像中出现多余的噪点或是空洞去除，保持它们的基本形态特征，使后续的边缘检测和缺陷特征提取更加准确，所用形态学开处理就是先进行腐蚀再进行膨胀，达到去除外部孤立点，圆滑边界的作用。

边缘检测：用于标记缺陷区域的边缘信息，得到缺陷轮廓，标记缺陷区域轮廓的外接矩形，可以采用canny算子检测出二值图像缺陷区域外轮廓，并绘制外界矩形，得到分离的缺陷区域图像。

步骤s13和步骤23中，hog特征提取的目的是用于提取缺陷图像的方向梯度直方图，表征局部区域的梯度方向特征。hog特征提取步骤如下：

(1)将图片进行灰度化处理。

(2)采用gamma校正法对图像进行标准化，这种压缩处理能够有效地降低图像局部的阴影和光照变化。如以下公式：

i(x,y)＝i(x,y)^gamma，gamma＝0.5

其中，i(x,y)表示每个像素点的像素值。

(3)计算图像中每个像素的横纵坐标方向的梯度，进而计算每个像素的梯度方向值，捕获轮廓一些纹理信息，还能进一步弱化光照的影响。设gx为x方向梯度，gy为y方向梯度，像素点(x,y)的灰度值为h(x,y)，则：

gx(x,y)＝h(x+1,y)-h(x-1,y)

gy(x,y)＝h(x,y+1)-h(x,y-1)

(4)将整幅图像分割成单元格，并统计每个单元格的梯度直方图；比如，将64×64的图像划分为8×8的单元格，

(5)将多个单元格合并成块(例如：每4个单元格合成一个16×16的块)，将每个块中的所有单元格的梯度直方图进行合并得到该块的梯度直方图。由于局部光照的变化以及前景-背景对比度的变化，需要对每一个块的直方图进行归一化，从而能够对光照、阴影、边缘对比度等具有更好的不变性。本实施例中采用l2-norm归一化方法，具体公式如下：

其中，v′表示归一化后的特征向量，v表示归一化前的特征向量，ε表示一个极小的常量。

(6)将图像中所有块的梯度直方图进行合并得到整幅图像的hog特征。由于每个块有4个9维的直方图，归一化后即得到该块36维的特征向量，图像总共特征向量维数为49×36＝1764维。

步骤s13和步骤s23中，lbp特征提取是提取lbp局部纹理特征，具体步骤如下：

(1)一幅大小为64×64的灰度图片，对于其中每一个像素点，比较邻域内8个像素点与中心像素点的灰度值，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，进而计算得到每个像素点的lbp值。

(2)根据每个像素点的lbp特征值，计算图像的特征直方图，即每个lbp特征值出现的次数。

(3)采用lbp等价模式进行降维，即当某个lbp所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该类型保留；跳变次数超过2次时，均归为一类，这样总共的类型由2⁸＝256种降低到8×(8-1)+2+1＝59种，大大降低计算量，并且可以减少高频噪声带来的影响且不丢任何信息。

步骤s14中，svm分类器通过输入的特征向量训练生成训练好的svm分类器，可以对设置好的各种缺陷种类进行识别。

步骤s24中，通过加载步骤s14中训练完成的svm分类器对新输入的缺陷图像进行识别分类，svm在两类问题中有较好的表现，针对本案多类分类的情况，采用一对一的分类方法，即将多类分类问题转化为多个二类分类问题，在每两个类别中添加一个分类器，最后投票得出最优解，其具有计算时间短的优点，且分类结果比较准确。另外，采用核函数的方法，将非线性可分问题映射到高维空间，避免了线性不可分情况出现，并且选取rbf(径向基核函数)作为核函数，使得其学习性能好，分类精度较高。

本发明还可以实现为一种存储有程序产品的计算机可读存储介质，当程序产品在终端设备(如工业pc)上运行时，所述程序代码用于使终端设备执行如上所述的基于机器视觉的压铸件表面缺陷检测方法。如图2所示，本实施例提供一种基于移动互联网的压铸生产信息监控系统10，包括基于机器视觉的压铸件表面缺陷检测系统100、压铸工控机系统、opc通讯系统、质量参数分析系统以及人工操作界面。

基于机器视觉的压铸件表面缺陷检测系统100包括：图像采集单元、图像处理单元、hog+lbp特征提取单元和svm分类器训练检测单元。图像采集单元又包括：工业ccd相机1011、图像采集卡1012和照明模块1013。图像处理单元、图像处理单元、hog+lbp特征提取单元和svm分类器训练检测单元集合在一个计算机102(例如工业pc)中。

工业ccd相机1011用于拍摄采集压铸件表面的原始样本图像和待检测压铸件表面的原始图像；图像采集卡1012，用于将所采集的图像通过太网传输给计算机；照明模块，用于保障压铸车间内光照条件一致。图像处理单元，用于将原始样本图像或原始图像分割处理以得到可以提取缺陷特征向量的图像。hog+lbp特征提取单元，包括hog特征提取模块和lbp特征提取模块。hog特征提取模块，用于对处理后的图像进行hog特征提取，减少光照和阴影的影响；lbp特征提取模块，用于对处理后的图像进行lbp特征提取。svm分类器训练检测单元包含svm分类器训练模块和svm分类器检测模块。svm分类器训练模块，用于输入hog+lbp特征，对分类器进行训练得到训练好的svm分类器。svm分类器检测模块用于加载训练好的svm分类器，并输入hog+lbp特征进行缺陷识别分类。

压铸工控机系统包括压铸信息(参数)数据库，通过对压铸信息(参数)进行设置，从而压铸形成各种压铸件。已经成型的压铸件通过如图2中所示的传送皮带301以及行程开关302传送至工业ccd相机1011的下方以便于采集图像。

opc通讯系统用于压铸工控机系统、基于机器视觉的压铸件表面缺陷检测系统和质量参数分析系统之间的数据通讯连接。

质量参数分析系统以及人工操作界面也可以集合在计算机102中。质量参数分析系统用于将压铸工控机系统中制备压铸件的工艺参数数据以及基于机器视觉的压铸件表面缺陷检测系统所识别的压铸件表面缺陷进行整合分析。通过质量参数分析系统可以直观看到工艺参数和质量信息(缺陷类别)的对应关系，进而分析工艺参数对表面缺陷的影响。计算机人工操作界面用于操作人员调整相机参数，调整分类器设置，开启或关闭检测功能，查看检测结果等。

以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。