基于快速局部阈值分割的涂布表面的头发丝异物检测方法与流程

本发明涉及计算机视觉图像处理方法，具体涉及了一种基于快速局部阈值分割的涂布表面的头发丝异物检测方法。

背景技术：

1、随着工业领域的飞速发展，涂布质量要求也越来越高。传统使用人工对涂布表面进行缺陷检测的方式，不仅会影响生产速度，而且容易遗漏细小缺陷。近年来，随着计算机视觉在工业领域的逐步完善，图像算法正逐步取代人工成为涂布表面缺陷检测主要手段。

2、计算机视觉在涂布检测主要分为两种：

3、1)基于深度学习的缺陷检测方法。常用方法为对带有缺陷的图像进行人工标定，通过神经网络进行训练，使用训练好的权重对图像进行处理获取缺陷。该技术能准确检测明显及尺寸大一些的缺陷，但为了提高训练及检测速度，神经网络处理前需要对图像进行压缩，导致像头发丝这样细小的缺陷压缩后容易丢失。若减小压缩比例，则会导致处理时间过长或需要堆积显卡导致成本大量提升。

4、2)使用传统图像算法的缺陷检测方法。常用方法为通过与背景的差异来获取缺陷。该方法在背景均匀的情况下能够很好的检出缺陷，但在背景有明显变化的情况下，尤其是缺陷与背景较相似的时候则很难提取缺陷。

5、现有方法存在检测表面缺陷类型有限以及计算方法较复杂速度慢难以用于在线检测或者依赖成本较高的复杂硬件成像技术的问题，因此需要新的涂布表面头发丝异物检测方法。

技术实现思路

1、为了解决涂层表面头发丝等细长且与背景相近的缺陷难以解决的问题，本发明的目的在于提供了一种基于快速局部阈值分割的涂布表面的头发丝异物检测方法，相比背景技术，识别方法简单，能够快速准确的检测头发丝异物，适用于在线检测场合。

2、如图1所示，本发明解决其技术问题所采用技术方案的步骤如下：

3、1)通过相机或者摄像头对涂布表面进行拍摄图像获取表面灰度图像p(i,j)；

4、2)对表面灰度图像p(i,j)结合高斯滤波和减运算处理获得灰度差异图像d(i,j)；

5、3)使用大阈值对灰度差异图像d(i,j)进行分割，遍历分割后的二值化图像的各个像素点获得连通域并作为疑似明显发丝的轮廓，并根计算轮廓的长度及轮廓的圆形度进而判断是否为头发丝：

6、若是头发丝，则判断存在头发丝，即认为有头发丝异物，返回头发丝数据并退出，以节省计算，否则跳至下一步；

7、4)针对灰度差异图像d(i,j)进行进一步图像分析处理判断是否存在毛发缺陷，进而判断是否有头发丝异物。

8、所述步骤2)具体为：

9、2.1)对表面灰度图像p(i,j)进行高斯滤波，形成模糊图像；

10、2.2)使用模糊图像对表面灰度图像p(i,j)进行减运算，得到灰度差异图像d(i,j)。

11、所述步骤2.1)中，按照公式对原始的表面灰度图像进行滤波：

12、

13、式中，f(x,y)为滤波后的信号值，x和y分别代表图像的横纵坐标，σ表示高斯分布的标准差，e表示自然常数。

14、所述步骤4)具体为：

15、4.1)计算灰度差异图像d(i,j)中的每列所有像素点的像素值的方差并保存作为每列像素列的方差，得到所有列像素列的方差中的最大值和最小值；

16、4.2)根据每列像素列的方差以及每列像素列的方差的最大值和最小值计算高分割阈值，对灰度差异图像d(i,j)使用高分割阈值进行分割，得到较暗区域二值化图像b(i,j)；

17、4.3)对较暗区域二值化图像b(i,j)膨胀处理，得到疑似区域模版图像m(i,j)；

18、4.4)根据每列像素列的方差以及每列像素列的方差的最大值和最小值计算低分割阈值，对灰度差异图像d(i,j)使用低分割阈值进行分割，得到偏暗区域二值化图像；

19、4.5)将偏暗区域二值化图像与疑似区域模版图像m(i,j)进行与运算，得到二值化轮廓图像c(i,j)；

20、4.6)通过连通域识别获取二值化轮廓图像c(i,j)中的所有连通域作为轮廓，一个连通域作为一个轮廓，并根据各个轮廓的圆形度和长度对所有轮廓进行过滤，获取所有疑似毛发的细长轮廓；

21、4.7)步骤4.6)中的所有细长轮廓进行相邻轮廓连接，并根据实际毛发长度过滤非毛发缺陷，判断是否存在毛发缺陷。

22、所述步骤3)或步骤4.6)中，使用以下公式计算轮廓的圆形度：

23、

24、式中，degree为轮廓的圆形度，area为轮廓的包围面积，r为包围轮廓的最小圆半径。

25、所述步骤4.1)中，每五列所有像素点的像素值的方差作为该五列像素点中每列像素列的方差，从而计算压缩后图像方差对图像进行压缩，以节约计算并且防止偏差。

26、所述步骤4.1)中，使用以下公式计算每列像素列的方差：

27、

28、式中，s2为m*n大小图像的方差，为每列像素列所在区域中所有像素点的像素值的平均值，p(i,j)为坐标(i,j)像素点的像素值。

29、所述步骤4.2)及步骤4.4)中，图像分割使用的高分割阈值和低分割阈均使用以下公式计算：

30、thresh＝threshmax*θ+threshmin*(1-θ)

31、式中，thresh为实际使用的分割阈值，threshmax和threshmin分别为预设的分割阈值上下限，θ为比例系数；

32、高分割阈值和低分割阈值根据自身不同的预设的分割阈值上限和下限按照上述公式进行设置。两者使用同一个公式，由于位置或者光场或者其他目的不同，threshmax和threshmin设置经验值不同。

33、并且所述比例系数θ按照以下公式设置：

34、

35、d＝m-m

36、式中，v为每列像素列的方差，m和m分别为图像的各列像素列的方差中的最小值和最大值，d表示图像的各列像素列的方差的最大差值。

37、所述步骤4.2)及步骤4.4)中，利用分割阈值使用以下公式对图像进行分割：

38、

39、式中，vi,j为坐标(i,j)的像素点分割处理后的像素值，pi,j为坐标(i,j)像素点的原有像素值，thresh为分割阈值，为高分割阈值或低分割阈值。

40、所述步骤4.7)具体为：

41、4.7.1)对每个细长轮廓进行判断：

42、若细长轮廓的长度大于等于于预设毛发长度，则该细长轮廓为毛发缺陷，认为有头发丝异物，不进行下一步骤；

43、若细长轮廓的长度小于预设毛发长度，则该细长轮廓作为疑似轮廓，再进行下一步骤；

44、4.7.2)将该疑似轮廓与周围实际相邻距离内的其他疑似轮廓进行初步连接形成连接后轮廓，具体是先用轮廓间的外包围矩形计算轮廓间的实际相邻距离，在实际相邻距离之内进行初步连接并保存，以节约计算，实际相邻距离按照以下公式处理确定：

45、dis＝min(disi,j)

46、

47、式中，dis为实际相邻距离，disi,j为第一个轮廓第i个像素点与第二个轮廓第j个像素点之间的距离，pi和pj分别为两个轮廓上的像素点的像素值；

48、4.7.3)对4.7.2)得到的所有连接后轮廓，计算连接后轮廓的最小包围矩形的长度并进行判断：

49、若长度小于预设的发丝长度，则抛弃；

50、若长度大于等于预设的发丝长度，则连接后轮廓为毛发缺陷，认为有头发丝异物。

51、本发明所述的涂布表面是指采用某种材料涂覆在物体或者地面、墙面上形成的表面。通常这种材料是高分子材料。

52、本发明具有的有益效果是：

53、本发明利用涂层表面因光照或工艺原因导致图像亮度不均匀的特点，通过自适应阈值对图像分段处理，利用高阈值剔除大部分涂层干扰，并利用低阈值对发丝进行连接。

54、本发明检测准确和实用，能有效过滤近似毛发的背景干扰。方法简单，不仅利于工程实现，而且处理速度快、准确性高，图像计算速度快，在头发丝检测方面，可以广泛应用于相似场景，具有较大的应用价值。