基于频域图像增强的螺旋缠绕式物料缺陷检测方法与流程

本发明涉及一种基于频域图像增强的螺旋缠绕式物料缺陷检测方法，在检测精度、速度、以及准确性方面比现有技术较优，具有很好的检测性能，并且对于螺旋缠绕式物料具有通用性，属于机器视觉、图像处理、缺陷检测领域。

背景技术：

研究表明，电线、电容等物料在生产过程中需要均匀螺旋缠绕在物料盘上，但是部分物料在生产过程中会出现折痕、破损等缺陷情况，并且在缠绕过程中会出现松动情况，导致缠绕紧实度比较低，这样的不良产品将会对公司以及企业造成严重的经济损失。因此，螺旋缠绕式物料缺陷检测具有重要的理论研究意义以及广泛的应用价值。

传统的物料盘扇区内部物料缺陷检测方法有很多种，但是存在很多弊端。人工检测方法依赖操作者的技术经验，受主观因素较大，重复性低，效率也较低。基于图像处理的检测方法主要难点在于成像效果不佳，主要是部分物料在拍摄过程中灰度值对比度不明显或者边缘特征不明显，而且在物料拍摄过程中，部分类别的物料存在拍照反光现象，这种现象对缺陷检测也造成了一定的难度。

近年来，机器视觉取得了重大发展，机器视觉系统是指通过图像摄取装置将被摄取的目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和宽度、颜色等信息，转换成数字信号，图像系统对这些信号进行各种运算，抽取目标的特征，进而根据判别的结果来控制现场的设备动作。可以实现利用机器代替人眼来做各种测量和判断。利用机器视觉技术对螺旋缠绕式物料缺陷进行检测，具有无接触无损伤、检测精度高、速度快、稳定性高等优点。将图像空间域图像转换到频域进行处理的方法对螺旋缠绕式物料缺陷进行检测具有极佳的效果。

技术实现要素：

本发明提出了一种基于频域图像增强的螺旋缠绕式物料缺陷检测方法，并依据工业相机、镜头及光源等搭建一个机器视觉平台进行图像采集，然后进行图像处理。主要利用将图像由图像空间域转换到频率域进行图像增强的算法进行缺陷检测，得到很好的检测效果。

本发明的技术方案，包括下列步骤：

步骤1：利用图像的实值快速傅里叶变换将图像从图像空间转换到频域空间；

步骤2：在频域空间中生成高斯滤波器；

步骤3：在频域空间中用高斯滤波器对图像进行卷积操作；

步骤4：将卷积得到的频域空间的图像转换到图像空间；

步骤5：检测空间域图像中的线及其宽度。

与现有技术相比，本发明的有益效果是：

本发明中的机器视觉平台采集的图像效果俱佳，采用的频域图像增强算法在检测准确性方面比现有技术较优，在检测精度、速度、以及准确性方面比现有技术较优，具有很好的检测性能，并且对于螺旋缠绕式物料具有通用性。

附图说明

图1总体框架示意图，即摘要附图；

图2原始图像；

图3扇区图像；

图4扇区由图像空间域转换到频域的图像；

图5高斯滤波后频域图像转换到空间域的图像；

图6转换后的图像与原始单通道的图像进行图像相减的图像；

图7高斯方法检测线得到的缺陷区域。

具体实施方式

下面结合具体实施方式对本发明作进一步详细地描述。

本发明以物料盘扇区部分螺旋缠绕的物料的缺陷检测为例进行发明说明。本发明的总体框架示意图如图1所示，首先对机器视觉平台采集的图像进行快速傅里叶变换，从而将图像从图像空间转换到频域空间；然后在频域中生成高斯滤波器，利用高斯滤波器进行卷积，从而实现滤波的效果；接着，将频域中的图像转换到图像域中，将转换后的图像与原始单通道的图像进行图像相减；然后为了避免图像边缘对检测线时的影响，需要将图像的域减小；最后利用高斯方法检测线从而得到缺陷区域。

下面结合附图，对本发明技术方案的具体实施过程加以说明。

1.快速傅里叶变换

机器视觉平台采集的物料盘原始图像如图2所示。然后利用模板匹配算法将其中的扇区部分提取出来，扇区部分图像如图3所示，该图像为单通道图像。然后计算输入扇区图像的快速傅里叶变换，傅里叶变换是可分离和正交变换中的一个特例，将图像从图像域转换到频域，该变换中的输入图像是实值图像(即不是频域中的复数图像)。在这种情况下，复数输出图像具有冗余。图像右半部分的值是图像左半部分中相应值的复数共轭。因此，只要通过计算和存储复杂图像的左半部分，就能节省运行时间和内存。该方法支持可以转换为实数类型的图像的所有图像类型。在这种情况下，输出是(w/2+1)*h维的复数图像，其中w和h是输入图像的宽度和高度。扇区部分图像由空间域图像转换到频域的效果如图4所示。

2.频域空间高斯滤波

空间域和频域线性滤波的基础是卷积定理，该定理可以表示为式(1)、(2)。

基本上，频域滤波的目的是选择一个滤波器传递函数，以便按照指定的方式修改h(u,v)。在频域中分析图像的频率成分与图像的视觉效果间的对应关系比较直观。在频域空间设计滤波器就是要确定图像需要滤除的频率和可以保留的频率，本发明设计一个高斯滤波器进行频域滤波。

2.1在频域中生成高斯滤波器

在空间域中高斯的标准偏差(即平滑量)由sigma1和sigma2确定。sigma1是由空间域中滤波器的主方向角确定的空间域中滤波器的主方向的标准偏差。sigma2为在空间域中高斯垂直于滤波器的主方向的标准偏差。为了实现滤波操作的最大整体效率，需要调整指定滤波器的归一化因子。

2.2在频域中用滤波器卷积图像

核心内容为频域图像的所有像素与频域滤波器的对应元素进行相乘运算，然后得到一个原始图像大小的频域图像，这样即可实现高斯滤波。该部分的基本思路是允许一定的频域通过，限制或者消除另外一些频率分量。由卷积之后得到的频谱图可以发现滤波效果很好。

2.3获得滤波之后的空间域图像

该部分主要是将卷积滤波之后的频域图像进行傅里叶逆变换以得到滤波之后的图像，即增强的图像。高斯滤波后频域图像转换到空间域的图像如图5所示。

2.4图像相减

将滤波之后得到的图像与原始扇区图像进行图像相减操作。输出图像的灰度值g′满足式(3)。

g′＝(g1-g2)*mult+add(3)

其中g1、g2分别为进行相减操作两幅图像的灰度值，mult为校正因子，add为校正值得大小。图像相减之后得到的图像如图6所示。

3.缩小图像区域

在进行利用高斯方法探测曲线之前需要避免图像边缘部分对该操作的结果的影响，并且为了实现高精度的缺陷检测需要进行缩小图像操作。首先将图像进行zoom-out操作，zoom-out是将视距放大，即离开事物远一点去观察事物，所以事物看到确实会缩小。需要对图像的宽高进行等比例的缩放，此时定义一个factor，即灵敏度因子，图像对该灵敏度的设置的反映效果是不同的。其次进行缩小图像区域的操作，该操作旨在以图像中心为缩小中心，矩形图像四周进行缩小操作。该部分应用到形态学处理，首先获得图像的区域，然后以矩形的方式进行腐蚀操作，最终得到缩小之后的图像。

4.利用高斯方法探测线

该操作旨在从输入图像中提取线(曲线结构)，提取得到的线以亚像素精确的轮廓线表示。由采集得到的图像并进行频域图像增强之后的图像可以看出，物料缺陷部分在图像中均表现为偏暗部分，因此根据该特征需要提取图像中较暗的曲线，并且以每个线点的宽度为线宽进行提取。补偿不对称线的影响(线的每一侧具有不同对比度的线)，并校正曲线的位置和宽度，物料缺陷部分在图像中均表现为高斯曲线，高斯曲线模型应该用于线条不太清晰的应用中。由于微分几何原因，直线提取时无法提取某些结点，因此需要试图通过不同的方法提取这些结点。

提取是通过使用高斯平滑核的偏导数来确定图像的每个点的x和y中的二次多项式的参数。参数sigma用来确定要执行的平滑量。sigma值越大，图像的平滑度越大，但可能导致线的局部化效果较差。一般情况下，局部化将比用类似参数返回的直线效果更优。多项式的参数用于计算每个像素的行方向。在垂直于直线方向的第二方向导数中表现出局部最大值的像素被标记为线点。以这种方式找到的线点被表示为边缘线。这是通过快速接受大于高值的二阶导数的线点来完成的。具有小于低值的二阶导数的点被拒绝，所有其他能够通过连接路径连接到接受点的线点都被接受。这类似于具有无限路径长度的滞后阈值操作。二阶导数的值直接依赖于振幅，即振幅越大，响应越大。对于线的宽度，存在近似逆指数依赖性：线越宽，响应越小。

经过以上的操作就可以将缺陷提取出来。由于该操作前对图像进行了等比例缩放，因此需要将提取得到的曲线变换到未缩放前的图像中去。此处用到了二维仿射变换，首先生成一个二维齐次变换矩阵，然后根据上文提到的灵敏度因子向均匀的二维变换矩阵添加缩放，最终得到提取之后的缺陷部分如图7所示。图中各种颜色的线条为物料缺陷部分。