[发明专利]基于k_tSL中心聚类算法的工业元件表面缺陷检测方法

摘要

基于k_tSL中心聚类算法的工业元件表面缺陷检测方法，涉及基于机器视觉的工业元件表面缺陷检测技术。目的是为了解决现有主流工业产品表面缺陷检测技术在有干扰的情况下，检测精度低、稳定性差的问题。本发明首先对相机采集到的图像进行待测区域分割，得到元件的多个表面块感兴趣区域，对每一个表面块感兴趣区域的每一个像素位置进行特征提取，对多维特征使用K‑tSL中心聚类算法进行聚类，选取覆盖面积大于50％的连通区域作为正常区域，其余部分为缺陷部分，根据连通区域的大小判断工业元件是否合格。上述方法稳定性好，检测精度高，可以应用到工业元件的自动生产和监测中。

主权项

1.基于k_tSL中心聚类算法的工业元件表面缺陷检测方法，包括如下步骤：步骤一、系统初始化，调整相机，当待测工业元件通过皮带传送过程中触发红外传感器时，相机采集一张待测元件正面的图像，所采集的图像的大小为1280×1024个像素；步骤二、对步骤一采集到的图像进行待测区域分割，得到元件的多个表面块感兴趣区域；步骤三、对步骤二得到的每一个表面块感兴趣区域的每一个像素位置进行特征提取，所述特征包括归一化灰度信息和多尺度多方向的Gabor滤波提取的纹理特征，则每一个像素位置对应了多维特征；步骤四、对步骤三得到的每一个表面块感兴趣区域的每一个像素位置对应的多维特征，使用结合了K均值聚类和全平方损失tSL的k_tSL中心聚类算法进行聚类，选取覆盖面积大于50％的连通区域作为正常区域，其余部分为缺陷部分，同时去除小的不连通的区域；步骤五、对步骤四得到的连通区域的大小进行评估，判断工业元件的每个表面的块缺陷部分占有的面积比例是否都小于阈值，如果是，那么元件缺陷检测合格，否则元件缺陷检测不合格，其特征在于，步骤二中对步骤一采集到的图像进行待测区域分割的具体方法包括如下步骤：步骤二一、读取步骤一采集到的原始图像Io，读取模板图像；步骤二二、对原始图像Io中工业元件的中心进行粗定位；具体方法为：首先将原始图像I_o和模板图像I_T缩小至1/k，缩小后的图像分别记为和使用高斯滤波器H对和分别进行高斯滤波，去除和中的噪声；然后使用sobel算子对去除噪声后的和进行边缘检测，分别得到边缘图像和使用作为卷积核对作卷积操作，卷积结果中值最大的元素对应的像素即为工业元件中心点对应的大致位置，所述大致位置记为其中为的纵坐标，为的横坐标，在原始图像I_o中，工业元件中心坐标模板图像尺寸为[HT WT]是已知量，即模板图像的纵向长度为HT，横向长度为WT，工业元件位于上边缘、下边缘、左边缘和右边缘所围成的区域内，所述上边缘的纵坐标为min(mx‑0.75HT,1)，下边缘的纵坐标为max(mx+0.75HT,1024)，左边缘的横坐标为min(my‑0.6WT,1)，右边缘的横坐标为max(my+0.6WT,1280)；将上边缘、下边缘、左边缘和右边缘所围成的区域划分出来，得到图像Ic，其余部分作为无效的背景部分去除；步骤二三、对图像Ic进行旋转，使得图像Ic中工业元件较长的边与旋转前图像Ic较长的边平行，并进一步裁剪掉无效的背景部分；具体方法为：首先把也进行裁剪，裁剪的上下左右边缘分别是和裁剪后的图像记为对进行主成分分析，求得图像的最主要的主成分分量相对于X轴的角度θ，使用该角度θ对图像I_c进行旋转操作,对旋转后的图像I_c的角上多出的像素填充全黑的像素，得到的图像记为对该图像进一步裁剪掉无效的区域，图像的纵向长度和横向长度分别为和裁剪时选取的上下左右边缘分别是0.05H_T、H_c‑0.05H_T、0.15W_T和裁剪后的图像记为I_ROI；步骤二四、对工业元件中的每个表面块感兴趣区域的位置和大小进行估计；具体为：对所述的每个表面块的感兴趣区域的上下左右边缘进行估计；步骤二五、对多个表面块进行精准分割；具体方法为：对于步骤二四得到的每个表面块的感兴趣区域，首先使用边缘检测DX对该表面块感兴趣区域进行横向边缘检测，对横向边缘检测结果的每一列求和，得到该表面块感兴趣区域的横向评价值，然后根据横向评价值选取该表面块感兴趣区域的左右边缘会出现的区域内的最大值，将两个最大值分别作为该表面块感兴趣区域的左边缘和右边缘；然后，对于步骤二四得到的每个表面块的感兴趣区域，使用边缘检测DY对该表面块感兴趣区域进行纵向边缘检测，对纵向边缘检测结果的每一行求和，得到该表面块感兴趣区域的纵向评价值，然后根据纵向评价值选取该表面块感兴趣区域的上下边缘会出现的区域内的最大值，将两个最大值分别作为该表面块感兴趣区域的上边缘和下边缘，完成对每个表面块的精准分割。