[发明专利]一种基于机器视觉的缺陷检测方法及装置

说明书

为了解决目前缺陷检测的准确性有待进一步提高的问题，本发明提供了一种基于机器视觉的缺陷检测方法，包括步骤：获取至少一个工件的待检测CT图像；通过白Top‑Hat变换算法对待检测CT图像进行特征加强；基于Sobel算子对特征加强后的待检测CT图像进行边缘分割处理并二值化；使用纹理特征中灰度共生矩阵提取二值化后的待检测CT图像的特征向量；支持向量机根据待检测CT图像的特征向量，判别待检测CT图像中是否存在缺陷。本申请提高了缺陷检测的准确度。

技术领域

本发明涉及缺陷检测领域，具体而言，涉及一种基于机器视觉的缺陷检测方法及装置。

背景技术

传统上企业在缺陷检测这个环节通常依赖于人工检测，这种作业方式工作强度大，对人眼视力损伤严重。人工目视已无法满足生产效率的要求，而且人工检测方法还存在检测精度低、主观性强、误捡漏检等问题。目前虽然已有一些自动化的工件缺陷检测方法，但缺陷检测的准确性有待进一步提高。

发明内容

为了解决目前缺陷检测的准确性有待进一步提高的问题，本申请实施例提供了一种基于机器视觉的缺陷检测方法及装置，提高了缺陷检测的准确性。

第一方面，本申请实施例提供了一种基于机器视觉的缺陷检测方法，包括步骤：获取至少一个工件的待检测CT图像；

通过白Top-Hat变换算法对所述待检测CT图像进行特征加强；

基于Sobel算子对特征加强后的所述待检测CT图像进行边缘分割处理并二值化；

使用纹理特征中灰度共生矩阵提取二值化后的所述待检测CT图像的特征向量；

支持向量机根据所述待检测CT图像的特征向量，判别所述待检测CT图像中是否存在缺陷。

其中，还包括：获取有缺陷的CT图像；

读取所述有缺陷的CT图像像素点的值；基于阈值分割，对所述有缺陷的CT图像进行二值化处理；

填补所述有缺陷的CT图像中的缺陷孔洞区域，得到无缺陷的CT图像；提取所述无缺陷的CT图像的特征向量，得到无缺陷样本集；

提取所述有缺陷的CT图像的特征向量，得到有缺陷样本集；

使用所述无缺陷样本集和所述有缺陷样本集训练所述支持向量机。

其中，还包括：当所述待检测CT图像中有缺陷时，根据缺陷连通区域像素点占整个所述待检测CT图像的比例确定缺陷严重级别。

其中，提取的所述待检测CT图像的特征向量包括：灰度分布、梯度分布、纹理特征分析的灰度共生矩阵的熵和自相关。

其中，支持向量机的核函数为径向基函数RBF。

第二方面，本申请实施例提供了一种基于机器视觉的缺陷检测装置，包括：获取单元，用于获取至少一个工件的待检测CT图像；

特征加强单元，用于通过白Top-Hat变换算法对所述待检测CT图像进行特征加强；

边缘分割单元，用于基于Sobel算子对特征加强后的所述待检测CT图像进行边缘分割处理并二值化；

特征提取单元，用于使用纹理特征中灰度共生矩阵提取二值化后的所述待检测CT图像的特征向量；

判别单元，用于支持向量机根据所述待检测CT图像的特征向量，判别所述待检测CT图像中是否存在缺陷。

其中，还包括训练单元，用于：获取有缺陷的CT图像；

读取所述有缺陷的CT图像像素点的值；基于阈值分割，对所述有缺陷的CT图像进行二值化处理；