[发明专利]一种基于机器视觉的压铸件表面缺陷检测方法及系统

权利要求书

1.一种基于机器视觉的压铸件表面缺陷检测方法，其特征在于，包括SVM分类器训练过程和SVM分类器检测过程，

所述SVM分类器训练过程包括：

S11.采集压铸件表面的原始样本图像；

S12.将原始样本图像进行处理以得到可以提取缺陷特征向量的样本图像；

S13.将步骤S12中处理后的样本图像进行HOG+LBP特征提取；

S14.通过输入步骤S13中提取的HOG+LBP特征，对SVM分类器进行训练得到训练好的SVM分类器；

所述SVM分类器检测过程包括：

S21.采集待检测压铸件表面的原始图像；

S22.将原始图像进行处理以得到可以提取缺陷特征向量的图像；

S23.将步骤S22中处理后的图像进行HOG+LBP特征提取；

S24.加载步骤S14中训练好的SVM分类器，并输入步骤S23中提取的HOG+LBP特征进行缺陷识别。

2.如权利要求1所述的基于机器视觉的压铸件表面缺陷检测方法，其特征在于，所述步骤S12和所述步骤S22中，所述处理包括：图像预处理、图像分割、形态学处理和边缘检测。

3.如权利要求2所述的基于机器视觉的压铸件表面缺陷检测方法，其特征在于，所述图像预处理包括：通过中值滤波方法对图像进行平滑，滤除图像上的噪声干扰；所述图像分割包括：通过自适应阈值分割法将缺陷区域从背景图像中分割开并凸显缺陷特征；所述形态学处理包括：通过先腐蚀再膨胀的方式将分割后的图像中的多余噪点或空洞去除；所述边缘检测包括：通过canny算子检测图像缺陷区域外轮廓并绘制外界矩形，得到分离的缺陷区域图像。

4.如权利要求1所述的基于机器视觉的压铸件表面缺陷检测方法，其特征在于，所述步骤S13和步骤S23中，所述HOG特征提取包括：

a1.对图像进行灰度化；

a2.采用Gamma校正法对图像进行标准化；

a3.计算图像中每个像素的横纵坐标方向的梯度，进而计算每个像素的梯度方向值；

a4.将整幅图像分割成单元格，并统计每个单元格的梯度直方图；

a5.将多个单元格合并成块，将每个块中的所有单元格的梯度直方图进行合并得到该块的梯度直方图，然后采用L2-norm方法进行归一化；

a6.将图像中所有块的梯度直方图进行合并得到整幅图像的HOG特征。

5.如权利要求1所述的基于机器视觉的压铸件表面缺陷检测方法，其特征在于，所述步骤S13和步骤S23中，所述LBP特征提取包括：

对于图像中的每个像素点，选定其灰度值作为LBP算子的阈值，比较该像素点与其邻域内像素点的灰度值，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；计算得到每个像素点的LBP值；

根据每个像素点的LBP值，计算图像的特征直方图，并采用LBP等价模式进行降维得到图像的LBP特征。

6.如权利要求1所述的基于机器视觉的压铸件表面缺陷检测方法，其特征在于，所述步骤S24中，在每两个类别中添加一个SVM分类器，通过投票得出最优解；利用RBF核函数，将非线性可分问题映射到高维空间。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的基于机器视觉的压铸件表面缺陷检测方法。

8.一种基于机器视觉的压铸件表面缺陷检测系统，其特征在于，包括：图像采集单元、图像处理单元、HOG+LBP特征提取单元、SVM分类器训练检测单元；所述图像采集单元用于采集压铸件表面的图像；所述图像处理单元用于将采集到的图像进行处理以得到可以提取缺陷特征向量的图像；所述HOG+LBP特征提取单元用于将处理后的图像进行HOG+LBP特征提取；所述SVM分类器训练检测单元用于对SVM分类器进行训练，并利用训练好的SVM分类器进行缺陷识别。