基于机器视觉的手机壳生产品质检测方法与流程

1.本发明涉及图像处理技术领域，具体涉及一种基于机器视觉的手机壳生产品质检测方法。


背景技术：

2.随着智能手机行业的快速发展，越来越广泛的在千家万户普及开来，手机成了人们日常生活中越来越不可少的一部分，在娱乐和工作都缺少不了，使得手机的使用变得越来越频繁，还有就是随着手机的不断更新，对于手机壳的要求也变得越来越高。手机壳在生产过程中可能由于生产工艺和环境因素的问题，仍避免不了出现一些带有划痕和坑点的有缺陷的手机壳，这些缺陷对于手机的整体美观会带来很大的影响，因此这些有缺陷的手机壳并不能上市使用，这样就会给生产厂家带来很大的经济损失。
3.传统的对于手机壳表面的缺陷检测主要依赖于人工进行检测，但是这种检测方法效率低下，易疲劳，难以长期的持续化进行检测，同时由于人工的主观性原因也造成检测的准确性问题；随着图像处理技术和机器视觉技术的发展，也出现了基于手机壳表面图像对缺陷进行检测的技术，如一种基于深度学习的手机外壳缺陷检测方法，基于手机外壳的表面图像通过深度学习的方法检测手机壳的缺陷，但是构建深度学习网络需要大量的训练样本且耗时较长，更重要的是有些细微的划痕和不明显的坑点的特征并不明显不易被检测出来，因此也会对检测的准确性造成影响。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于机器视觉的手机壳生产品质检测方法，所采用的技术方案具体如下：本发明一个实施例提供了一种基于机器视觉的手机壳生产品质检测方法：获得手机壳表面图像进行预处理得到灰度图，其中手机壳包括相机孔；将灰度图划分为预设尺寸的像素块，并得到各像素块的对比度、熵、能量以及灰度值的平均值、方差、极大值、极小值；利用每两个像素块的对比度、熵、能量以及灰度值的平均值、方差、极大值、极小值获得每两个像素块的综合差异；基于每两个像素块的综合差异进行分类获得不同类别的像素块；获得灰度图中相机孔区域包含像素块的数量；将任一像素块作为目标像素块，其中目标像素块所属类别为目标像素块的第一类别；根据除第一类别外其他每个类别内像素块与目标像素块的综合差异的平均值获得目标像素块的第二类别；根据第一类别内像素块的数量、相机孔区域包含像素块的数量和所有像素块的数量获得目标像素块的抑制因子；利用目标像素块与第一、第二类别内像素块的综合差异、目标像素块的抑制因子和类别数量获得目标像素块的第一显著性；目标像素块与邻域内像素块构成组合像素块，根据组合像素块和所述邻域内像素块的对比度、熵和能量获得目标像素块的第二显著性；基于目标像素块的第一、第二显著性
获得目标像素块的显著性；获得所有像素块的显著性，其中像素块的显著性为像素块内各像素点的显著性；利用不同预设尺寸下各像素点的显著性获得灰度图中各像素点最终显著性；基于各像素点最终显著性对灰度图进行线性增强，并对进行线性增强后的灰度图进行检测得到手机壳的缺陷。
5.优选地，利用每两个像素块的对比度、熵、能量以及灰度值的平均值、方差、极大值、极小值获得每两个像素块的综合差异包括：计算每两个像素块的对比度、熵和能量的欧式距离得到每两个像素块的纹理差异；计算每两个像素块的灰度值的极大值和极小值的差值，作为每两个像素块的极差；计算每两个像素块的灰度值的平均值、灰度值的方差和极差的欧氏距离获得每两个像素块的灰度差异；每两个像素块的灰度差异和纹理差异的和的平均值为每两个像素块的综合差异。
6.优选地，获得灰度图中相机孔区域包含像素块的数量包括：利用canny算子对灰度图进行边缘检测获得灰度图中闭合边缘，闭合边缘包括的区域为闭合边缘区域，面积最大的闭合边缘区域为相机孔区域；相机孔区域内包含像素块的数量包括完全在相机孔区域内的像素块的数量和部分区域在相机孔区域内的像素块的数量。
7.优选地，根据除第一类别外其他每个类别内像素块与目标像素块的综合差异的平均值获得目标像素块的第二类别包括；获得除第一类别外其他每个类别内像素块与目标像素块的综合差异的平均值的最小值，所述综合差异的平均值的最小值对应的除第一类别外其他各类别中的像素块类别为目标像素块的第二类别。
8.优选地，根据第一类别内像素块的数量、相机孔区域包含像素块的数量和所有像素块的数量获得目标像素块的抑制因子包括：获得第一类别内像素块的数量和相机孔区域包含像素块的数量的差值；所述差值与所有像素块的数量的比值为目标像素块的抑制因子。
9.优选地，第一显著性为：其中，表示目标像素块的第一显著性；表示像素块分类的类别数；表示目标像素块的第一类别中像素块的数量，表示第一类别中第i个像素块与目标像素块的综合差异；表示目标像素块的第二类别中像素块的数量，表示第二类别中第j个像素块与目标像素块的综合差异；表示目标像素块的抑制因子；表示调节系数；表示以自然常数e为底的指数函数。
10.优选地，目标像素块与邻域内像素块构成组合像素块，根据组合像素块和邻域内像素块的对比度、熵和能量获得目标像素块的第二显著性包括：将目标像素块与四邻域内像素块分别组合获得四个组合像素块，基于灰度共生矩阵获得每个组合像素块的对比度、熵、能量；目标像素块的第二显著性为：其中，表示目标像素块的第二显著性；表示目标像素块对应的第a个组合像素
块的熵，表示目标像素块对应的四邻域内第a个像素块的熵；表示目标像素块对应的第a个组合像素块的对比度，表示目标像素块对应的四邻域内第a个像素块的对比度；表示目标像素块对应的第a个组合像素块的能量，表示目标像素块对应的四邻域内第a个像素块的能量。
11.优选地，目标像素块的显著性为：其中，表示目标像素块的显著性；表示目标像素块的第一显著性；表示目标像素块的第二显著性；表示以自然常数e为底的指数函数。
12.优选地，各像素点最终显著性为：其中，n表示像素点的最终显著性；表示预设尺寸变换的次数，也即是共有个预设尺寸；表示第m个预设尺寸下像素点的显著性。
13.优选地，基于各像素点最终显著性对灰度图进行线性增强，并对进行线性增强后的灰度图进行检测得到手机壳的缺陷包括：对于灰度图中的一个像素点，将该像素点的最终显著性与第一预设值相加并乘以该像素点的灰度值得到像素点线性增强后的灰度值；得到灰度图中所有像素点线性增强后的灰度值，由此得到线性增强后的灰度图；利用边缘检测和霍夫圆检测对线性增强后的灰度图进行分析，其中检测到的不是手机壳边缘的边缘线为划痕缺陷，检测到圆为坑点缺陷。
14.本发明实施例至少具有如下有益效果：获得手机壳表面图像的灰度图，并将其划分为多个像素块，基于每个像素块的纹理信息并结合灰度信息获得每两个像素块的综合差异；综合考虑了像素块的信息，使得到的综合差异更加准确；进一步的利用改进的ca显著性分析模型结合目标像素块与周围像素块结合后的组合像素块的纹理变化情况得到目标像素块的显著性，使得得到的显著性更加准确；最后根据不同预设尺寸下灰度图各像素点的显著性得到灰度图每个像素点的最终显著性，基于每个像素点的最终显著性对灰度图进行线性增强，使得灰度图的缺陷部分更加显著，进而降低了对手机壳的缺陷检测时的难度，提高了对手机壳缺陷检测时的准确性。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
16.图1为本发明实施例提供的一种基于机器视觉的手机壳生产品质检测方法的方法流程图。
具体实施方式
17.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于机器视觉的手机壳生产品质检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
18.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
19.下面结合附图具体的说明本发明所提供的一种基于机器视觉的手机壳生产品质检测方法的具体方案。
20.实施例：本发明的主要应用场景为：为了防止生产的手机壳出现划痕和坑点的缺陷，对于生产线上生产的手机壳进行检测，手机壳排列在传送带上，摄像机在传送带正上方，同时拍摄频率不仅与传送带速度相关，还需使得每个手机壳都出现在图像中间，需要说明的是，本发明中的手机壳并无纹理和颜色。
21.请参阅图1，其示出了本发明实施例提供的一种基于机器视觉的手机壳生产品质检测方法的方法流程图，该方法包括以下步骤：步骤s1，获得手机壳表面图像进行预处理得到灰度图，其中手机壳包括相机孔；将灰度图划分为预设尺寸的像素块，并得到各像素块的对比度、熵、能量以及灰度值的平均值、方差、极大值、极小值；利用每两个像素块的对比度、熵、能量以及灰度值的平均值、方差、极大值、极小值获得每两个像素块的综合差异。
22.首先，由先验可知，手机壳表面的缺陷有些是特征比较明显的，而有些比较小的划痕和坑点的特征是很不明显的，这些特征不明显的缺陷是不容易检测出来的，因此会出现漏检的问题，因此在对手机壳的缺陷进行识别的时候需要对手机壳表面图像进行优化增强；本实施例利用显著性分析算法，将手机壳表面图像中的缺陷区域凸显出来，以便更准确的对缺陷进行识别。
23.在众多显著性检测模型中，ca显著性模型既考虑了灰度值，对比度等低层次因素，又考虑了像素块出现频数以及空间分布，非常符合本发明所针对的场景，故本发明结合场景对现有ca显著性模型进行改进，然后将改进后的ca显著性模型用于手机壳表面图像的显著性的分析。
24.进一步的，获得手机壳表面图像，其中手机壳位于手机壳表面图像的中间，利用高斯除噪的方法对手机壳表面图像进行预处理，将预处理后得到手机壳表面图像灰度化，获得灰度图，其中灰度化使用加权平均值法。
25.为了更方便的分析，以及更好的提取局部信息，需要对灰度图进行分块处理，其中图像分块方法使用超像素分割方法，将灰度图划分为预设尺寸的像素块，其中第一次划分灰度图的预设尺寸为m*m，优选地，本实施例中m的取值为20，需要说明的是m的取值需要实施者根据实际情况进行确定；还需要说明的是求取像素点的显著性的时候需要在不同预设尺寸下对灰度图进行划分，求得每个预设尺寸下各像素点的显著性，进而综合求得像素点的显著性。
26.接着，显著性分析最主要的作用就是突出图像中最显著也就是与其它区域最不相似的区域，故需要对所获取的像素块求取与其它像素块的相似性。
27.获得预设尺寸下每个像素块的灰度共生矩阵，根据每个像素块的灰度共生矩阵获得每个像素块的对比度、熵和能量，其中，对比度反映了像素块的清晰度和纹理的沟纹深浅，熵反映了像素块的复杂程度，能量反映了像素块灰度分布均匀程度；计算每两个像素块的对比度、熵和能量的欧式距离得到每两个像素块的纹理差异：其中，、、和、、分别为两个像素块的对比度、熵和能量，当两个像素块的对比度、熵和能量越接近，也即是纹理差异的值越小说明两个像素块越相似，反之差异越大。
28.其次，还需要根据像素块的灰度值所反映的信息判断两个像素块的差异程度，获得每个像素块的灰度值的平均值、方差、极大值和极小值，其中像素块灰度值的极大值和极小值的差值为像素块的极差；计算每两个像素块的灰度值的平均值、灰度值的方差和极差的欧氏距离获得每两个像素块的灰度差异：其中，表示每两个像素块的灰度差异，、、和、、分别为两个像素块的灰度值的平均值、灰度值的方差和极差。两个像素块的灰度差异w越小，说明两个像素块越相似，反之两个像素块的差异越大。
29.最后，基于每两个像素块的纹理差异和灰度差异综合分析获得每两个像素块的综合差异：其中，当综合差异越大时，说明两个像素块的差异越大，这里从像素块的纹理信息和灰度信息对像素块的差异进行分析获得两个像素块的综合差异，能够更加准确的获得两个像素块的准确性。由此可以得到每两个像素块的综合差异。
30.步骤s2，基于每两个像素块的综合差异进行分类获得不同类别的像素块；获得灰度图中相机孔区域包含像素块的数量；将任一像素块作为目标像素块，其中目标像素块所属类别为目标像素块的第一类别；根据除第一类别外其他每个类别内像素块与目标像素块的综合差异的平均值获得目标像素块的第二类别；根据第一类别内像素块的数量、相机孔区域包含像素块的数量和所有像素块的数量获得目标像素块的抑制因子；利用目标像素块与第一、第二类别内像素块的综合差异、目标像素块的抑制因子和类别数量获得目标像素块的第一显著性。
31.首先，根据每两个像素块的综合差异对像素块进行分类，在本实施例中利用dbscan聚类算法进行分类，获得不同类别的像素块，获得分得的类别数，当类别数越多时，说明灰度图中像素块的显著性越大。
32.同时，还需要获得灰度图中的相机孔区域，利用canny算子对灰度图进行边缘检测获得灰度图中闭合边缘，闭合边缘包括的区域为闭合边缘区域，面积最大的闭合边缘区域为相机孔区域；获得相机孔区域内包含像素块的数量，其中相机孔区域内包含像素块的数
量包括完全在相机孔区域内的像素块的数量和部分区域在相机孔区域内的像素块的数量，相机孔相比于手机壳本身要突出一些，在进行显著性分析时，相机孔可能会获取到较大显著性，但这对于本实施例来说，相机孔区域并不存在缺陷，因此在分析像素块的显著性的时候属于相机孔区域的像素块反而需要抑制。
33.进一步的，选择任意一个像素块，作为目标像素块，当目标像素块与其最相似的像素块差异都比较大时说明目标像素块的显著性是很大的，获得目标像素块所属的类别，记为目标像素块的第一类别；获得除第一类别外其他每个类别内像素块与目标像素块的综合差异的平均值的最小值，所述综合差异的平均值的最小值对应的除第一类别外其他各类别中的像素块类别为目标像素块的第二类别，这里选了两个与目标像素块的相似程度较大的类别的目标像素块对目标像素块的显著性进行分析，实施者在实施时可以根据实际情况进行选取不同数量的类别进行分析。
34.根据第一类别内像素块的数量、相机孔区域包含像素块的数量和所有像素块的数量获得目标像素块的抑制因子：其中，表示目标像素块的抑制因子，不同的像素块作为目标像素块时，抑制因子也是不同的，但属于同一类的像素块作为抑制因子时，其值是相同的；表示相机孔区域包含像素块的数量；表示目标像素块的第一类别内像素块的数量；表示灰度图中像素块的数量。
35.最后，利用目标像素块与第一、第二类别内像素块的综合差异、目标像素块的抑制因子和类别数量获得目标像素块的第一显著性：其中，表示目标像素块的第一显著性；表示像素块分类的类别数；表示目标像素块的第一类别中像素块的数量，表示第一类别中第i个像素块与目标像素块的综合差异；表示目标像素块的第二类别中像素块的数量，表示第二类别中第j个像素块与目标像素块的综合差异；表示目标像素块的抑制因子，当目标像素块为相机孔区域内的像素块时，目标像素块所属的第一类别内的像素块绝大多数都是相机孔区域内的像素块，此时抑制因子是一个无线接近于0的数，则此时目标像素块的显著性就会变小，达到了对相机孔区域显著性抑制的效果，反之当目标像素块不属于相机孔区域的像素块就不会对像素块的显著性进行抑制，例如目标像素块是缺陷时，其所属的第一类别内像素块的数量是非常小的，此时抑制因子的值是正值且比较大的，是不会对目标像素块的显著性造成抑制的，同时会增大目标像素块的显著性，当目标像素块为正常的没有缺陷的像素块时，其所属的第一类别内的像素块的数量是比较多的，其抑制因子是个负值，此时也会对目标像素块的显著性进行抑制；表示调节系数，其值是一个无限接近于0但不为0的值；表示以自然常数e为底的指数函数。
36.当目标像素块的第一类别和第二类别内的像素块与目标像素块的综合差异越大
时说明目标像素块的显著性越大；同时，第一显著性的值越大说明目标像素块的显著性越大。至此可以得到每个像素块的第一显著性。
37.步骤s3，目标像素块与邻域内像素块构成组合像素块，根据组合像素块和所述邻域内像素块的对比度、熵和能量获得目标像素块的第二显著性；基于目标像素块的第一、第二显著性获得目标像素块的显著性；获得所有像素块的显著性，其中像素块的显著性为像素块内各像素点的显著性；利用不同预设尺寸下各像素点的显著性获得灰度图中各像素点最终显著性；基于各像素点最终显著性对灰度图进行线性增强，并对进行线性增强后的灰度图进行检测得到手机壳的缺陷。
38.首先，在步骤s2结合像素块的纹理信息和灰度信息分析了像素块的显著性，同时还需要目标像素块邻域内的像素块分析目标像素块的显著性。获得目标像素块四邻域内的像素块，并与目标像素块组合成组合像素块，根据目标像素块四邻域内对应的组合像素块和对应的像素块获得目标像素块的显著性，记为目标像素块的第二显著性：其中，表示目标像素块的第二显著性；表示目标像素块对应的第a个组合像素块的熵，表示目标像素块对应的四邻域内第a个像素块的熵；表示目标像素块对应的第a个组合像素块的对比度，表示目标像素块对应的四邻域内第a个像素块的对比度；表示目标像素块对应的第a个组合像素块的能量，表示目标像素块对应的四邻域内第a个像素块的能量。
39.当目标像素块四邻域内的组合像素块与四邻域内的像素块的对比度、熵和能量有明显的变化时说明目标像素块的显著性是比较大的。
40.进一步的，获得目标像素块的显著性：目标像素块的显著性为：其中，表示目标像素块的显著性；表示目标像素块的第一显著性；表示目标像素块的第二显著性；表示以自然常数e为底的指数函数。
41.由此，可以得到预设尺寸为m*m的每个像素块的显著性，其中，需要说明的是每个像素块的显著性也是其像素块内像素点的显著性，为了更加精确的获得灰度图中每个像素点的显著性，需要多个预设尺寸下的像素块综合分析灰度图内像素点的显著性，本实施例对灰度图一共分割五次，也即是有五个不同的预设尺寸，其每次分割得到的像素块的尺寸为m/m，其中m表示分割的次数，因此第一次分割得到的像素块的预设尺寸为20*20，第二次分割得到的像素块的预设尺寸为10*10，以此类推第五次分割得到的像素块的预设尺寸为4*4。根据每个预设尺寸下的像素点的显著性获得灰度图像素点的最终显著性：其中，n表示像素点的最终显著性；表示预设尺寸变换的次数，在本实施例中取值
为5，在具体的实施过程中，由实施者根据实际的情况进行调整；表示第m个预设尺寸下像素点的显著性。
42.至此，可以得到灰度图中每个像素点的最终显著性。
43.最后，获得灰度图中各像素点的最终显著性后，基于像素点的最终显著性对灰度图进行线性增强，以便将缺陷部分更加突出的显现出来，从而便于检测；用公式表示线性增强为：其中g表示线性增强前像素点的灰度值，xx表示线性增强后像素点的灰度值，n表示像素点的最终显著性。
44.利用边缘检测和霍夫圆检测对线性增强后的灰度图进行分析，其中检测到的不是手机壳边缘的边缘线为划痕缺陷，检测到圆为坑点缺陷。
45.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
46.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
47.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。