一种基于图像增强识别技术的产品表面缺陷在线检测方法与流程

本发明涉及图像检测技术领域，具体涉及一种基于图像增强识别技术的产品表面缺陷在线检测方法。

背景技术：

随着工业生产和工艺的不断发展，对机械设备自动化程度、生产效率和质量要求越来越高；人们对产品的质量也有了更高的要求，这也使工业生产对产品质量控制的要求也变得越来越严格。在提高产品生产效率以及保证产品质量的同时，产品质量检测效率也需要不断地提高，需要将那些表面存在缺陷的产品在销售之前被检测出来；而传统的产品质量检测是通过人工实时在线检测产品的质量，检测效率低，且容易出现漏检，这给产品的质量控制带来了很多不稳定和不可靠的因素。目前，国内针对产品的表面缺陷在线检测还处于起步阶段，尚无成熟的在线检测解决方案。检测机器所使用的ccd成像元件由于光照条件、成像角度等因素，会对成像的清晰度产生比较严重的影响，从而导致产品质量的检测很不稳定。因此，如何提高产品图像的清晰度成了影响产品质量检测水平的关键因素。目前对图像的清晰化处理方法是通过增强图像的色彩和对比度，降低外界因素对图像的影响，比较常见的有直方图均衡法、偏振图像处理法、小波变化法和retinex法等。传统的retinex图像增强算法于1971年由美国物理学家edwin.h.land提出，其是一种颜色恒知觉的色彩理论，一副图像i(x,y)可分为照射图像和反射图像两部分，即包含了照射分量l(x,y)和反射分量r(x,y)，用公式表示为i(x,y)＝l(x,y)×r(x,y)，式中i(x,y)为需要增强的原始图像，l(x,y)描述了图像变化缓慢的低频信息，r(x,y)为i(x,y)的反射图像，其决定了图像的内在性质，包含了图像中的大部分高频细节信息。(x,y)为图像中的坐标。对公式两边取对数，即可分离出反射和照射分量：log(i(x,y))＝log(l(x,y)r(x,y))＝logl(x,y)+logr(x,y)。这样处理后反射图像的分量就可以直接利用减法运算实现，大大的降低了计算量，logr(x,y)＝log(i(x,y))-logl(x,y)，此结果作为retinex算法图像增强的最终结果。1997年jabson等人提出了单尺度retinex算法，使用高斯滤波器来估计图像的照射分量l(x,y)，则第i个颜色分量retinex增强结果用数学公式可以表示为：ri(x,y)＝logii(x,y)-log(f(x,y)*ii(x,y))，其中i＝1,2,3…n，*表示与输入图像ii(x,y)做卷积，f(x,y)通常为高斯环绕函数，其表达式为：式中，σ为高斯函数的标准差。σ取值大小关系到卷积核的作用范围，σ越大，增强图像的色彩恢复的越自然，但会忽略局部细节，σ越小，增强图像的局部细节越突出，但色彩失真越严重。所以传统的retinex使得图像的高频成分被增强，但同时滤除掉了大部分低频成分，导致图像内容信息的丢失。但当前的retinex图像增强算法存在一些问题，其都是建立在图像灰度值是连续的、缓慢变化的基础之上，当图像灰度的其中一部分忽然出现突变时，就会出现光晕现象。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种新的基于增强图像识别技术的产品表面缺陷在线检测方法。经过不断地研究发现，在产品表面缺陷的检测中引入基于多尺度retinex算法的图像增强方法，不但可以完整保留图像内容信息，还能够极大地提高所获取图像的清晰度，从而实现产品表面缺陷的快速准确检测。

本发明所采用的技术方案是，一种基于增强图像识别技术的产品表面缺陷在线检测方法，具体按照以下步骤实施：

步骤1、图像在线采集，从视频帧中获取待检测产品表面图像；

步骤2、采用基于光照亮度自适应的多尺度retinex图像增强方法对产品表面图像进行处理，获得增强后的产品表面图像；

步骤3、对增强后的产品表面图像根据照度进行区域分割，将其分割为高、中、低三个照度区域；

步骤4、针对每个照度的区域图像进行图像特征参数提取，上述图像特征至少包括，颜色特征、形态特征、几何特征；

步骤5、分析处理从区域图像中提取的各类特征参数，判断产品表面是否存在缺陷；

步骤6、统计缺陷信息：记录检测产品合格和不合格的数量。

优选地，所述步骤2中采用基于光照亮度自适应的多尺度retinex算法的图像增强方法对所述产品图像进行处理，获得增强后的产品图像具体可以采用如下方式：

步骤2.1)、对所述图像进行双边滤波，滤除图像中的噪声成分，得到去噪后的平滑图像，双边滤波定义具体如下：

其中，s是经过双边滤波后的图像，kp为归一化系数；i为高分辨率颜色图像；ω为插值窗口大小；p'与q'是低分辨图像像素；p和q为与p'和q'对应的高分辨率图像像素；wσs、wσr分别为距离项与颜色相似项；

步骤2.2)、将原始图像和双边滤波后的平滑图像从rgb颜色空间转换到hsv颜色空间，并提取上述图像中的亮度分量值；

步骤2.3)、分别对所述原始图像和平滑图像中的亮度分量值进行增强处理，具体为：

2.3.1)对所述亮度值分量进行对数变换；

2.3.2)将对数变化后的两值相减得到一差值；

2.3.3)对所述差值再进行对数反变换，得到的值为增强后的图像亮度；

步骤2.4)、将图像从hsv颜色空间转换至rgb颜色空间进行显示，得到增强后的产品表面图像。

优选地，所述步骤5具体包括以下步骤：

步骤5.1)将从区域图像中提取的各类特征参数与预先设置的各类缺陷参数进行对比；

步骤5.2)，计算同类型参数之间的差值，将其与预设的阈值作比较，如果小于预设的阈值则判定为缺陷点。

优选地，所述步骤6包括：

对缺陷点的个数进行统计，当缺陷点个数大于预设数量时，判定产品为不合格，分别统计产品合格和不合格的数量。

有益效果：

采用本发明的技术方案后，有效地增强了产品图像的清晰度，再选择相适应的算法对增强后的产品图像进行处理，完成对产品的在线检测，大大提高了检测效率和稳定性。

附图说明

图1为传统的retinex算法流程图；

图2为本发明中产品质量检测方法流程示意图；

图3为基于光照亮度自适应的多尺度retinex图像增强方法的具体步骤。

以下结合附图和具体实施例对本发明作进一步详述。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图2所示，一种基于增强图像识别技术的产品质量在线检测方法，具体按照以下步骤实施：

步骤1、图像在线采集，从视频帧中获取待检测产品表面图像；

步骤2、采用基于光照亮度自适应的多尺度retinex图像增强方法对产品表面图像进行处理，获得增强后的产品表面图像；

步骤3、对增强后的产品表面图像根据照度进行区域分割，将其分割为高、中、低三个照度区域；

步骤4、针对每个照度的区域图像进行图像特征参数提取，上述图像特征至少包括，颜色特征、形态特征、几何特征；

步骤5、分析处理从区域图像中提取的各类特征参数，判断产品表面是否存在缺陷；

步骤6、统计缺陷信息：记录检测产品合格和不合格的数量。

优选地，所述步骤2中采用基于光照亮度自适应的多尺度retinex算法的图像增强方法对所述产品图像进行处理，获得增强后的产品图像具体可以采用如下方式：

步骤2.1)、对所述图像进行双边滤波，滤除图像中的噪声成分，得到去噪后的平滑图像，双边滤波定义具体如下：

其中，s是经过双边滤波后的图像，kp为归一化系数；i为高分辨率颜色图像；ω为插值窗口大小；p'与q'是低分辨图像像素；p和q为与p'和q'对应的高分辨率图像像素；wσs、wσr分别为距离项与颜色相似项；

步骤2.2)、将原始图像和双边滤波后的平滑图像从rgb颜色空间转换到hsv颜色空间，并提取上述图像中的亮度分量值；

步骤2.3)、分别对所述原始图像和平滑图像中的亮度分量值进行增强处理，具体为：

2.3.1)对所述亮度值分量进行对数变换；

2.3.2)将对数变化后的两值相减得到一差值；

2.3.3)对所述差值再进行对数反变换，得到的值为增强后的图像亮度；

步骤2.4)、将图像从hsv颜色空间转换至rgb颜色空间进行显示，得到增强后的产品表面图像。

优选地，所述步骤5具体包括以下步骤：

步骤5.1)将从区域图像中提取的各类特征参数与预先设置的各类缺陷参数进行对比；

步骤5.2)，计算同类型参数之间的差值，将其与预设的阈值作比较，如果小于预设的阈值则判定为缺陷点。

优选地，所述步骤6包括：

对缺陷点的个数进行统计，当缺陷点个数大于预设数量时，判定产品为不合格，分别统计产品合格和不合格的数量。

应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。