一种基于计算机视觉的铣刀划痕检测方法与流程

1.本发明涉及图像数据处理技术领域，具体涉及一种基于计算机视觉的铣刀划痕检测方法。


背景技术：

2.在数控机床上通过铣刀对模具进行切削、摩擦，从而得到最终符合要求的机器零配件，但数控机床中的铣刀在对模具长时间的加工后，会受到磨损，进而导致铣刀表面出现划痕磨损缺陷。
3.磨损后的铣刀在加工处理精密度较高的机械零配件时可能会损耗模具原材料，导致最终加工得到的机械零配件与要求的精度相差较大，严重时还可能引起机床震动，导致生产事故发生，增加企业的生产加工成本。
4.目前对于铣刀的划痕磨损检测，首先采集铣刀的表面图像，然后基于经验设定的分割阈值，对表面图像进行阈值分割，根据阈值分割结果实现划痕缺陷的检测。但是经验设定的分割阈值容易受主观性影响导致划痕缺陷检测的结果不准确。


技术实现要素：

5.为了解决上述经验设定的分割阈值导致划痕缺陷检测的结果不准确的问题，本发明的目的在于提供一种基于计算机视觉的铣刀划痕检测方法，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计算机视觉的铣刀划痕检测方法，该方法包括：获取铣刀表面的至少两张表面灰度图像；分别对每张所述表面灰度图像进行语义分割得到铣刀灰度图像，分别将每张所述铣刀灰度图像均匀划分为至少两张子图像；对于任意一张所述铣刀灰度图像的任意一张所述子图像，根据所述子图像中像素点的梯度获取每个像素点的特征似圆系数；根据每个像素点的特征似圆系数构建铣刀表面划痕哈尔算子，利用铣刀表面划痕哈尔算子获取所述子图像中每个像素点的哈尔特征值，根据哈尔特征值得到特征图像；根据特征图像获取所述子图像的表面粗糙复杂因子；对于任意一张所述铣刀灰度图像，根据所述铣刀灰度图像下的每张所述子图像的表面粗糙复杂因子和特征图像，得到所述铣刀灰度图像的表面划痕缺陷概率；根据每张所述铣刀灰度图像的表面划痕缺陷概率进行铣刀划痕检测。
6.进一步的，所述根据所述子图像中像素点的梯度获取每个像素点的特征似圆系数的方法，包括：对于所述子图像中的任意一个像素点，根据该像素点的梯度构建海森矩阵，将海森矩阵的最大特征值作为该像素点的划痕正交方向特征值，将海森矩阵的最小特征值作为该像素点的划痕延伸方向特征值，将划痕正交方向特征值和划痕延伸方向特征值的比值作为该像素点的特征似圆系数。
7.进一步的，所述根据每个像素点的特征似圆系数构建铣刀表面划痕哈尔算子的方法，包括：设置特征似圆系数阈值，统计特征似圆系数小于特征似圆系数阈值的像素点数量作为第一数量，计算第一数量与所述子图像中的像素点总数量之间的比值，记为第一比值；铣刀表面划痕哈尔算子由黑色矩形和白色矩形构成，设定铣刀表面划痕哈尔算子为对角线特征，划痕正交方向特征值对应的特征向量的方向与铣刀表面划痕哈尔算子中黑色矩形的分布方向相同；获取常数1与第一比值的差值，将所述子图像的边长与差值的乘积作为铣刀表面划痕哈尔算子中的黑色矩形的边长；根据第一比值获取调节比例系数，根据铣刀表面划痕哈尔算子中的黑色矩形的边长与调整比例系数的乘积获取铣刀表面划痕哈尔算子的尺寸。
8.进一步的，所述根据第一比值获取调节比例系数的方法，包括：当常数1与第一比值的差值小于第一阈值时，调节比例系数取第一设定值，当常数1与第一比值的差值大于等于第一阈值时，调节比例系数取第二设定值。
9.进一步的，所述特征图像的获取方法，包括：对所述子图像中的每个像素点的哈尔特征值进行归一化处理，得到对应的归一化哈尔特征值，所述子图像中所有像素点的归一化哈尔特征值构成的图像为特征图像。
10.进一步的，所述根据特征图像获取所述子图像的表面粗糙复杂因子的方法，包括：构建特征图像的韦伯分布模型，利用最大似然估计法获取韦伯分布模型的形状参数和比例参数，以形状参数为分子，比例参数为分母得到对应的比值，将该比值的相反数作为自然常数的指数所得到的结果，记为所述子图像的表面粗糙复杂因子。
11.进一步的，所述根据所述铣刀灰度图像下的每张所述子图像的表面粗糙复杂因子和特征图像，得到所述铣刀灰度图像的表面划痕缺陷概率的获取方法，包括：以形状参数为纵轴、比例参数为横轴构建直角坐标系，获取每张所述子图像在直角坐标系中的参数点，基于参数点对应的形状参数和比例参数，利用大津法获取划痕缺陷参数点，统计划痕缺陷参数点的数量作为第二数量；计算第二数量与所述子图像的数量之间的比值，获取所有所述子图像的表面粗糙复杂因子的相加结果，将相加结果与比值的乘积作为所述铣刀灰度图像的表面划痕缺陷概率。
12.进一步的，所述根据每张所述铣刀灰度图像的表面划痕缺陷概率进行铣刀划痕检测的方法，包括：分别对每张所述铣刀灰度图像的表面划痕缺陷概率进行归一化处理，得到对应的归一化表面划痕缺陷概率；设置表面划痕缺陷概率阈值，当任意一张所述铣刀灰度图像的归一化表面划痕缺陷概率大于表面划痕缺陷概率阈值，确认铣刀存在划痕缺陷。
13.进一步的，所述利用铣刀表面划痕哈尔算子获取所述子图像中每个像素点的哈尔特征值的方法，包括：对于所述子图像中的任意一个像素点，计算该像素点对应的铣刀表面划痕哈尔算子中黑色矩形内的所有像素点的灰度值之和，计算该像素点对应的铣刀表面划痕哈尔算子中白色矩形内的所有像素点的灰度值之和，将黑色矩形内的所有像素点的灰度值之和与白色矩形内的所有像素点的灰度值之和之间的差值作为该像素点的哈尔特征值。
14.本发明具有如下有益效果：本发明为了保证采集到铣刀的完整表面，获取铣刀表面的至少两张表面灰度图像，为了避免背景的干扰，分别对每张表面灰度图像进行语义分割得到铣刀灰度图像，分别将每张铣刀灰度图像均匀划分为至少两张子图像，减少获取标准铣刀表面图像的繁琐过程，同时能够提高后续划痕缺陷检测的准确性；基于铣刀表面划痕的方向延伸特点，根据子图像中每个像素点的梯度获取像素点的特征似圆系数，能够反映像素点在图像中的各向异性；为了提高图像中的划痕特征提取的准确性，根据每个像素点的特征似圆系数构建铣刀表面划痕哈尔算子，利用铣刀表面划痕哈尔算子获取子图像中每个像素点的哈尔特征值，以得到特征图像；由于特征图像表征了子图像中的划痕特征，因此根据特征图像获取子图像的表面粗糙复杂因子；结合铣刀灰度图像下的每张子图像的表面粗糙复杂因子得到表面划痕缺陷概率，在对铣刀灰度图像中的每个区域都进行了相同特征的分析下，降低了仅对单一区域的分析误差，使得铣刀灰度图像的表面划痕缺陷概率更加严谨，进而根据每张铣刀灰度图像的表面划痕缺陷概率进行铣刀划痕检测的结果更加准确。
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为本发明一个实施例所提供的一种基于计算机视觉的铣刀划痕检测方法的步骤流程图；图2为本发明实施例中铣刀表面划痕哈尔算子的示意图。
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计算机视觉的铣刀划痕检测方法，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计算机视觉的铣刀划痕检测方法的具体方案。
20.请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的铣刀划痕检测方法的步骤流程图，该方法包括：步骤s001，获取铣刀表面的至少两张表面灰度图像；分别对每张表面灰度图像进行语义分割得到铣刀灰度图像，分别将每张铣刀灰度图像均匀划分为至少两张子图像。
21.具体的，为了获取较高质量的铣刀表面图像，使得后续铣刀划痕的检测过程中能够使用铣刀表面的划痕细节信息，需要选择合适的图像拍摄采集设备。由于ccd相机相较于
传统cmos相机在拍摄采集得到的图像质量更好，呈像细节更加清晰，因此使用ccd相机对铣刀表面进行拍摄采集，得到rgb颜色空间下的铣刀表面图像。
22.考虑到铣刀的抽象数学模型为圆柱形立体结构，不同侧表面可能存在不同程度的缺陷，为了将铣刀的整个表面都采集到，使用ccd相机对待检测铣刀的表面进行拍摄，得到至少两张铣刀表面图像。
23.对于拍摄采集得到的rgb颜色空间下的铣刀表面图像，其具有三个不同的颜色通道，在后续对铣刀表面划痕进行计算分析检测时，可能需要在三个不同的通道进行分析计算，为了降低计算成本，提高对铣刀表面划痕识别的准确性检测效果，使用加权平均法将rgb颜色空间下的铣刀表面图像转化成铣刀表面的表面灰度图像。同时为了避免拍摄采集环境中，随机自然噪声对后续铣刀表面划痕质量检测时的影响，使用高斯滤波方法对表面灰度图像进行预处理。
24.其中，加权平均法、高斯滤波方法都为公知技术，本方案实施例中不再赘述。
25.铣刀表面的表面灰度图像主要分为两种像素点，即铣刀表面像素点和背景像素点，为了避免背景像素点对后续铣刀划痕缺陷检测的影响，使用grabcut算法对每张表面灰度图像进行语义分割，去除背景部分，只保留铣刀部分，进而得到铣刀灰度图像。其中grabcut算法为公知技术，本方案实施例中不再赘述。
26.对于任意一张铣刀灰度图像，将铣刀灰度图像均匀划分为至少两张子图像，设均匀划分的子图像的尺寸为。通过对铣刀灰度图像划分，可以利用不同区域之间的差异性效果完成对铣刀表面划痕的检测，从而减少获取标准铣刀表面图像的繁琐过程。
27.步骤s002，对于任意一张铣刀灰度图像的任意一张子图像，根据子图像中像素点的梯度获取每个像素点的特征似圆系数；根据每个像素点的特征似圆系数构建铣刀表面划痕哈尔算子，利用铣刀表面划痕哈尔算子获取子图像中每个像素点的哈尔特征值，根据哈尔特征值得到特征图像；根据特征图像获取子图像的表面粗糙复杂因子。
28.具体的，铣刀灰度图像中若发生划痕缺陷，划痕缺陷会出现按照一定的方向进行延伸，同时在该划痕延伸方向上，灰度值波动起伏较为稳定，但与划痕延伸方向垂直的正交方向上会出现较大的灰度值变化，因此基于此特征分析铣刀灰度图像中的划痕情况。
29.以第a张铣刀灰度图像的第j张子图像为例，对该子图像中的划痕情况的具体分析过程如下：（1）根据子图像中每个像素点的梯度分析每个像素点在子图像中的各向异性，具体为：对于所述子图像中的任意一个像素点，根据该像素点的梯度构建海森矩阵，将海森矩阵的最大特征值作为该像素点的划痕正交方向特征值，将海森矩阵的最小特征值作为该像素点的划痕延伸方向特征值，将划痕正交方向特征值和划痕延伸方向特征值的比值作为该像素点的特征似圆系数。
30.作为一个示例，以第j张子图像中的像素点i为例，首先计算像素点i的二阶梯度，然后利用二阶梯度构建海森矩阵，其中海森矩阵的获取是公知技术，本方案中不再赘述。由于海森矩阵的特征值描述了在对应点的特征向量上的凹凸性，能够反映子图像中划痕的存在情况，即当子图像中不存在划痕缺陷时，海森矩阵的特征值具有一致性，差距不大，以任意一个像素点为中心的轮廓线近似为圆形，而当子图像中存在划痕缺陷时，海森矩阵的特征值出现明显差异，以任意一个像素点为中心的轮廓线为椭圆形，因此对于海森矩阵的两
个特征值，特征值较小的特征向量的方向为铣刀表面划痕缺陷延伸的方向，而特征值较大的特征向量方向则为与铣刀表面图像划痕延伸垂直正交的方向，故将较大特征值作为像素点i的划痕正交方向特征值，将较小特征值作为像素点i的划痕延伸方向特征值，进而根据像素点i的划痕正交方向特征值和划痕延伸方向特征值得到像素点i的特征似圆系数，则特征似圆系数的计算公式为：其中，为像素点i的特征似圆系数；为像素点i的划痕延伸方向特征值；为划痕正交方向特征值。
31.需要说明的是，当铣刀表面无划痕缺陷时，通过海森矩阵计算得到的特征值的数值大小应具有一致性特点，因此垂直正交方向和延伸方向的特征值的差距不大，也即是的数值大小越接近1；反之，当铣刀表面出现划痕缺陷时，垂直正交方向的特征值较大，延伸方向的特征值较小，对应像素点的特征似圆系数的数值小于1。
32.（2）根据每个像素点的特征似圆系数构建铣刀表面划痕哈尔算子，具体为：设置特征似圆系数阈值，统计特征似圆系数小于特征似圆系数阈值的像素点数量作为第一数量，计算第一数量与所述子图像中的像素点总数量之间的比值，记为第一比值；铣刀表面划痕哈尔算子由黑色矩形和白色矩形构成，设定铣刀表面划痕哈尔算子为对角线特征，划痕正交方向特征值对应的特征向量的方向与铣刀表面划痕哈尔算子中黑色矩形的分布方向相同；获取常数1与第一比值的差值，将所述子图像的边长与差值的乘积作为铣刀表面划痕哈尔算子中的黑色矩形的边长；根据第一比值获取调节比例系数，根据铣刀表面划痕哈尔算子中的黑色矩形的边长与调整比例系数的乘积获取铣刀表面划痕哈尔算子的尺寸。
33.作为一个示例，哈尔算子（harr特征描述算子）具有黑白色矩形特征，白色矩形的大小和黑色矩形的大小相同，而黑色矩形和白色矩形的占比和分布方向会影响哈尔算子最终提取到的特征效果，因此本方案考虑到在沿着铣刀划痕垂直正交方向上具有较大的像素点灰度分布变化差异，而沿着铣刀划痕方向上的像素点灰度分布差异变化较小，同时哈尔算子包括三种哈尔特征：线性特征、边缘特征、中心特征和对角线特征，故本发明实施例中的铣刀表面划痕哈尔算子使用对角线特征，然后利用子图像中每个像素点的特征似圆系数进行铣刀表面划痕哈尔算子的黑白矩形占比的确定，则铣刀表面划痕哈尔算子中的黑色矩形的边长的计算公式为：其中，为铣刀表面划痕哈尔算子中的黑色矩形的边长；为子图像的边长；为子图像中特征似圆系数小于特征似圆系数阈值0.4的像素点数量，也即是第一数量；为子图像中的像素点总数量；为第一比值。
34.需要说明的是，由于特征似圆系数的大小能够反映铣刀表面是否存在划痕缺陷，因此通过计算特征似圆系数小于特征似圆系数阈值的像素点数量与子图像中的像素点总
数量的第一比值，用于体现划痕缺陷占比，然后结合第一比值和子图像的边长获取铣刀表面划痕哈尔算子中的黑色矩形的边长，第一比值越大，划痕缺陷越严重，划分越细，故对应铣刀表面划痕哈尔算子中的黑色矩形的边长越小，则铣刀表面划痕哈尔算子中的黑色矩形的边长与第一比值呈负相关关系。
35.基于铣刀表面划痕哈尔算子中的黑色矩形的边长设置铣刀表面划痕哈尔算子的尺寸，也即是铣刀表面划痕哈尔算子对应的检测窗口的尺寸。为了使得划痕缺陷越严重，划分越细，根据第一比值获取调节比例系数：获取常数1与第一比值的差值，当差值小于第一阈值时，调节比例系数取第一设定值，当差值大于等于第一阈值时，调节比例系数取第二设定值。
36.作为一个示例，调节比例系数的计算公式为：其中，为调节比例系数；0.3为第一阈值；3为第一设定值；9为第二设定值。
37.需要说明的是，第一比值越小，说明划痕缺陷越不严重，对应差值越大，差值越大，铣刀表面划痕哈尔算子对应的检测窗口越大，越不需要划分的细，则对应调节比例系数越大。
38.进一步，根据铣刀表面划痕哈尔算子中的黑色矩形的边长与调整比例系数的乘积获取铣刀表面划痕哈尔算子的尺寸，即将铣刀表面划痕哈尔算子中的黑色矩形的边长与调整比例系数的乘积作为铣刀表面划痕哈尔算子对应的检测窗口的边长，同时，利用划痕延伸方向特征值对应的特征向量的方向和划痕正交方向特征值对应的特征向量的方向固定铣刀表面划痕哈尔算子的位置，也即是令划痕正交方向特征值对应的特征向量的方向与铣刀表面划痕哈尔算子中黑色矩形的分布方向相同，如图2所示，其示出了铣刀表面划痕哈尔算子的示意图，为铣刀表面划痕哈尔算子对应检测窗口的边长，为铣刀表面划痕哈尔算子中的黑色矩形的边长，划痕延伸方向特征值对应的特征向量的方向和划痕正交方向特征值对应的特征向量的方向固定铣刀表面划痕哈尔算子的位置。
39.（3）利用铣刀表面划痕哈尔算子获取子图像中每个像素点的哈尔特征值，具体为：对于所述子图像中的任意一个像素点，计算该像素点对应的铣刀表面划痕哈尔算子中黑色矩形内的所有像素点的灰度值之和，计算该像素点对应的铣刀表面划痕哈尔算子中白色矩形内的所有像素点的灰度值之和，将黑色矩形内的所有像素点的灰度值之和与白色矩形内的所有像素点的灰度值之和之间的差值作为该像素点的哈尔特征值。
40.需要说明的是，铣刀表面划痕哈尔算子以步长1对第j张子图像进行遍历。
41.（4）根据哈尔特征值得到特征图像：对所述子图像中的每个像素点的哈尔特征值进行归一化处理，得到对应的归一化哈尔特征值，所述子图像中所有像素点的归一化哈尔特征值构成的图像为特征图像。
42.具体的，获取第j张子图像中每个像素点的哈尔特征值，利用极差归一化算法对每个像素点的哈尔特征值进行归一化处理，得到每个像素点的归一化哈尔特征值，将第j张子图像中所有像素点的归一化哈尔特征值构成的图像作为特征图像。其中，极差归一化算法为公知技术，本方案不再赘述。
43.（5）根据特征图像获取子图像的表面粗糙复杂因子，具体为：构建特征图像的韦伯分布模型，利用最大似然估计法获取韦伯分布模型的形状参数和比例参数，以形状参数为分子，比例参数为分母得到对应的比值，将该比值的相反数作为自然常数的指数所得到的结果，记为所述子图像的表面粗糙复杂因子。
44.作为一个示例，韦伯分布模型是一种用于机械类产品的磨损累计失效的分布形式，根据这种分布模型可以利用概率值很容易地推断出它的分布参数，则构建特征图像的韦伯分布模型为：其中，为特征图像中坐标为的像素点的像素值的分布概率密度；为特征图像中坐标为的像素点的像素值，也即是归一化哈尔特征值；为自然常数；为比例参数，；为形状参数，。
45.利用最大似然估计法获取韦伯分布模型的形状参数和比例参数，然后结合形状参数和比例参数获取第j张子图像的表面粗糙复杂因子，则表面粗糙复杂因子的计算公式为：其中，为第j张子图像的表面粗糙复杂因子；为自然常数；为第j张子图像的形状参数；为第j张子图像的比例参数。
46.需要说明的是，比例参数与第j张子图像的特征图像中的像素值大小有关，特征图像中的像素值越大，说明划痕缺陷越明显，则比例参数越大，表面粗糙复杂因子越大，说明第j个子图像中越存在划痕缺陷，则比例参数与表面粗糙复杂因子呈正相关关系；形状参数与第j张子图像中的划痕数量有关，划痕数量越多，形状参数的值越小，对应表面粗糙复杂因子越大，则形状参数与表面粗糙复杂因子呈负相关关系。
47.同理，利用第a张铣刀灰度图像的第j张子图像的表面粗糙复杂因子的方法，获取每张铣刀灰度图像下的每张子图像的表面粗糙复杂因子。
48.步骤s003，对于任意一张铣刀灰度图像，根据铣刀灰度图像下的每张子图像的表
面粗糙复杂因子，得到铣刀灰度图像的表面划痕缺陷概率；根据每张铣刀灰度图像的表面划痕缺陷概率进行铣刀划痕检测。
49.具体的，根据步骤s002得到每张铣刀灰度图像下的每张子图像的表面粗糙复杂因子，由于表面粗糙复杂因子反映了对应子图像中的划痕缺陷的严重程度，当划痕数量越多，划痕位置区域与周围区域的像素点的灰度值差异越明显，形状参数越小，比例参数越大，对应表面粗糙复杂因子越大，则对于任意一张铣刀灰度图像，根据铣刀灰度图像下的每张子图像的表面粗糙复杂因子，得到铣刀灰度图像的表面划痕缺陷概率，具体为：以形状参数为纵轴、比例参数为横轴构建直角坐标系，获取每张所述子图像在直角坐标系中的参数点，基于参数点对应的形状参数和比例参数，利用大津法获取划痕缺陷参数点，统计划痕缺陷参数点的数量作为第二数量；计算第二数量与所述子图像的数量之间的比值，获取所有所述子图像的表面粗糙复杂因子的相加结果，将相加结果与比值的乘积作为所述铣刀灰度图像的表面划痕缺陷概率。
50.作为一个示例，以第a张铣刀灰度图像为例，由于第a张铣刀灰度图像下的每张子图像都有一个形状参数和一个比例参数，以形状参数为纵轴、比例参数为横轴构建直角坐标系，将每张子图像对应的形状参数和比例参数映射在直角坐标系内构成一个参数点，一张子图像对应一个参数点，然后基于参数点对应的形状参数和比例参数，利用大津法分别获取形状参数分割阈值和比例参数分割阈值，将形状参数小于形状参数分割阈值且比例参数大于比例参数分割阈值所对应的参数点作为划痕缺陷参数点，统计划痕缺陷参数点的数量，根据每张子图像的表面粗糙复杂因子和划痕缺陷参数点的数量计算第a张铣刀灰度图像的表面划痕缺陷概率，则表面划痕缺陷概率的计算公式为：其中，为第a张铣刀灰度图像的表面划痕缺陷概率；为划痕缺陷参数点的数量，也即是第二数量；为第a张铣刀灰度图像下的子图像的数量；为第a张铣刀灰度图像下的第j张子图像的表面粗糙复杂因子。
51.需要说明的是，通过统计划痕缺陷参数点的数量来间接反映存在划痕缺陷的子图像，进而计算划痕缺陷参数点的数量与子图像的数量之间的比值，以体现存在划痕缺陷的子图像在整张铣刀灰度图像中的占比，然后基于整张铣刀灰度图像所对应的表面粗糙复杂因子的总和，利用比值获取存在划痕缺陷的子图像的表面粗糙复杂因子所对应的占比，用以说明铣刀灰度图像中存在划痕缺陷的情况，比值越大，说明存在划痕缺陷的子图像越多，对应铣刀灰度图像越可能存在划痕缺陷，对应表面划痕缺陷概率越大。
52.基于表面划痕缺陷概率的计算公式获取每张铣刀灰度图像的表面划痕缺陷概率，根据每张铣刀灰度图像的表面划痕缺陷概率进行铣刀划痕检测：分别对每张所述铣刀灰度图像的表面划痕缺陷概率进行归一化处理，得到对应的归一化表面划痕缺陷概率；设置表面划痕缺陷概率阈值，当任意一张所述铣刀灰度图像的归一化表面划痕缺陷概率大于表面
划痕缺陷概率阈值，确认铣刀存在划痕缺陷。
53.作为一个示例，本发明实施例利用极差归一化方法，将每张铣刀灰度图像的表面划痕缺陷概率映射到区间[0，1]内，得到每张铣刀灰度图像的归一化表面划痕缺陷概率，设置表面划痕缺陷概率阈值为0.75，当任意一张铣刀灰度图像的归一化表面划痕缺陷概率大于表面划痕缺陷概率阈值，确认铣刀存在划痕缺陷，反之，当每张铣刀灰度图像的归一化表面划痕缺陷概率都小于等于表面划痕缺陷概率阈值时，确认铣刀不存在划痕缺陷。
[0054]
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。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。
[0055]
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。
[0056]
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。