基于机器视觉的PTFE成品外观缺陷检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及基于机器视觉的PTFE成品外观缺陷检测方法。

背景技术

随着科技发展，材料使用不再局限于钢材，一些塑料管材等新型建筑材料因其原材料获取等原因崭露头角，比如被称为塑料王的PTFE被应用于各个领域。塑料管材在生产过程中也可能因为机器调整不当导致缺陷产生，基于机器视觉的缺陷检测可以减少人力资源成本。PTFE管材是一种广泛应用于化工、医疗、食品、电子等领域的重要管材。由于其优异的耐热性、耐腐蚀性和低摩擦系数，PTFE管材被广泛应用于输送液体、气体和腐蚀性介质的工艺中。在生产过程中，确保PTFE管材的质量和完整性对于确保产品性能和安全至关重要。PTFE管材在生产过程中可能存在一些表面或内部缺陷，如气泡、裂纹、收缩等。这些缺陷可能会影响管材的强度、耐压能力和使用寿命。

但再常规中经常使用超像素分割进行获取缺陷区域，但在PTFE管材进行检测的过程中，PTFE管材是由多根管材进行排列在一起的，可能由于缺陷区域的像素点的灰度值和非缺陷区域的像素点的灰度值较为相近；所以在常规的超像素分割是针对像素点的灰度值进行相似性判断的时，未能将PTFE管材的竖直和水平特征考虑进去，导致在灰度值相近的时候，PTFE管材的缺陷区域检测时不准确，出现误判。因此本发明针对图像像素点的相似进行判断时，考虑每个像素点在水平和竖直方向的变化特征，根据水平和竖直的变化特征进行像素点的相似判断，最后确定出准确的超像素块。

发明内容

本发明提供基于机器视觉的PTFE成品外观缺陷检测方法，以解决现有的问题。

本发明的基于机器视觉的PTFE成品外观缺陷检测方法采用如下技术方案：

本发明一个实施例提供了基于机器视觉的PTFE成品外观缺陷检测方法，该方法包括以下步骤：

采集PTFE管材的图像，并进行灰度化得到管材灰度图；

预设一个超像素块的个数K，根据预设超像素块的个数K对管材灰度图进行划分，得到管材灰度图中的超像素块，每个超像素块内包含一个种子点；

根据每个超像素块中的种子点的灰度值和种子点对应的水平和竖直线上像素点的灰度值得到超像素块中每个像素点与对应种子点的初始相似性权重；

根据超像素块内每个像素点到种子点对应的水平和竖直线的距离得到每个像素点与对应种子点之间的夹角；根据超像素块中每个像素点与对应种子点之间的夹角和初始相似性权重得到每个像素点与对应种子点相似性权重；

根据超像素块中每个像素点与对应种子点的相似性权重和每个像素点与对应种子点之间的灰度差异得到每个像素点与对应种子点的相似性；根据每个像素点与对应种子点之间的相似性对管材灰度图重新划分超像素块，得到管材灰度图中修正后的超像素块；

根据管材灰度图中修正后的超像素块进行PTFE成品的外观缺陷检测。

进一步地，所述根据预设超像素块的个数K对管材灰度图进行划分，得到管材灰度图中的超像素块，包括的具体步骤如下：

将管材灰度图均匀划分为K个超像素块，每个超像素块中的像素点的个数为

进一步地，所述每个超像素块内包含一个种子点的具体获取步骤如下：

选取每个超像素块内中心位置的像素点为每个超像素块的种子点。

进一步地，所述根据每个超像素块中的种子点的灰度值和种子点对应的水平和竖直线上像素点的灰度值得到超像素块中每个像素点与对应种子点的初始相似性权重，包括的具体步骤如下：

超像素块中每个像素点与对应种子点的初始相似性权重的公式为：

式中，

进一步地，所述种子点对应的水平和竖直线，包括的具体步骤如下：

种子点对应的水平和竖直线是每个超像素块中的种子点所在的水平行和竖直列的像素点组成的水平和竖直线。

进一步地，所述根据超像素块内每个像素点到种子点对应的水平和竖直线的距离得到每个像素点与对应种子点之间的夹角，包括的具体步骤如下：

每个像素点与对应种子点之间的夹角的公式为：

式中，

进一步地，所述每个像素点与对应种子点相似性权重的具体获取步骤如下：

每个像素点与对应种子点相似性权重的公式为：

式中，

进一步地，所述每个像素点与对应种子点的相似性的具体获取步骤如下：

每个像素点与对应种子点的相似性的公式为：

式中，

进一步地，所述根据每个像素点与对应种子点之间的相似性对管材灰度图重新划分超像素块，得到管材灰度图中修正后的超像素块，包括的具体步骤如下：

当超像素块中的任意一个像素点的灰度值与对应种子点的相似性大于等于预设阈值A时，则判定该像素点与对应的种子像素点为一类，将该超像素块中与种子点为一类的像素点记为相似像素点，将超像素块内的所有的相似像素点作为一个新的超像素块；新的超像素块作为修正后的超像素块。

进一步地，所述根据管材灰度图中修正后的超像素块进行PTFE成品的外观缺陷检测，包括的具体步骤如下：

将修正后的超像素块的灰度均值输入到LOF算法进行异常检测，得到修正后每个超像素块的LOF值；当修正后每个超像素块的LOF值大于预设阈值B时，则判定为PTFE管材外表存在缺陷。

本发明的技术方案的有益效果是：本发明通过对水平和竖直方向上的变化特征分析，然后进行对超像素块中每个像素点与种子点之间的相似性进行修正，提高了在超像素分割中每个超像素块中的误差之间很小；然后对所有的超像素块进行离群异常检测，将缺陷区域对应的超像素快筛选出来，提高了PTFE成品外观缺陷检测的准确性。

附图说明

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，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地介绍，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他的附图。

图1为本发明基于机器视觉的PTFE成品外观缺陷检测方法的步骤流程图；

图2为本发明基于机器视觉的PTFE成品外观缺陷检测方法的像素点对应的水平和竖直方向上点的示意图；

图3为本发明基于机器视觉的PTFE成品外观缺陷检测方法的夹角的示意图。

具体实施方式

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基于机器视觉的PTFE成品外观缺陷检测方法，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。

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。

下面结合附图具体的说明本发明所提供的基于机器视觉的PTFE成品外观缺陷检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于机器视觉的PTFE成品外观缺陷检测方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集管材灰度图。

需要说明的是，在对PTFE管材进行检测时，为了分析PTFE管材中是否存在缺陷，所以本实施例要针对PTFE管材进行分析，则需要采集PTFE管材的图像，根据图像进行外观的缺陷检测。

具体地，使用传送带对并排摆放的PTFE管材进行传送，然后在传送带的正上方安装一个摄像机，进行采集PTFE管材的图像，然后对采集到的PTFE管材的图像进行灰度化预处理得到管材灰度图。其中，规定以传送带的传送方向为竖直方向，与传送带垂直的方向为水平方向。

至此，得到管材灰度图。

步骤S002：预设图像中超像素块的初始种子点，根据初始种子点、竖直和水平方向的灰度特征得到图像中每个像素点的相似权重。

需要说明的是，在使用传送带对并排摆放的PTFE管材进行传送过程中拍摄，由于管材是多根并列摆放，所以得到的图像在一个和管材垂直的方向上的灰度变化情况呈现周期性，而与管材水平的方向，其灰度变化是变化不大的，所以根据与管材的垂直和水平的方向上的灰度值特征进行每个像素点和对应的种子点进行权重相似性计算；然后根据图像中像素点权重相似性进行对超像素分割中的灰度差异进行修正。

（1）预设超像素块的个数，根据超像素块的个数对超像素块的种子点进行均匀的分布布置。

进一步需要说明的是，为了确定出缺陷区域的具体位置，首先对种子点进行均匀分布布置，然后根据均匀分布的种子点对应的超像素块进行差异性分析，获取最终超像素块内部灰度差异较小的超像素块。

具体地，预设超像素块的个数为K，其中本实施例以K=100为例进行叙述，本实施例不进行具体限定，其中K可根据具体实施情况而定。将管材灰度图中的像素点的个数记为N。将预设超像素块的个数K均匀分布在管材灰度图中，根据超像素块的个数K和管材灰度图中的像素点的个数N得到每个超像素块中的像素点的个数为

（2）根据每个超像素块中每个像素点和种子点的在水平和竖直方向上的灰度差异得到超像素块中每个像素点的初始相似性权重。

需要说明的是，在每个超像素块中，像素点在水平方向和垂直方向各有差异表现。水平方向的差异来源于光照在管材表面的不均匀，即多跟管材并列摆放时，由于管材之间的缝隙光线较差，而在管材上面光线较强，导致在水平方向上采集的图像呈现周期的梯度变化；竖直方向的差异来源于缺陷，即如果没有缺陷，管材在竖直方向上的灰度变化是很小的，几乎没有灰度变化，但如果在竖直方向上出现缺陷，则会导致灰度变化的差异变大。所以每个像素点越靠近种子点对应的竖直线上时，则划归为同一类别的权重更大；相反，每个像素点越靠近种子点对应的水平线上时，则划归为同一类别的权重较小。

进一步需要说明的是，以种子点为做坐标原点，以垂直与传送带的方向为水平方向，记为纵轴，以传送带的方向为竖直方向，记为横轴。则种子点对应的水平线为纵轴；则种子点对应的竖直线为横轴。像素点对应的水平和竖直方向上点的示意图如图2所示。

具体地，获取每个超像素块中种子点的灰度值，记为

式中，

其中，当

至此，得到管材灰度图中每个像素点与对应种子点的初始相似性权重。

（3）根据管材灰度图中每个像素点与对应种子点的初始相似性权重得到相似性权重。

需要说明的是，在上述分析中知道，超像素块中的像素点越靠近种子点对应的竖直线时，则像素点和种子点为同一类的可能性更大；当超像素块中的像素点越靠近种子点对应的水平线时，则像素点和种子点为同一类的可能性更小。所以获取竖直和水平之间能表示的夹角，根据夹角对管材灰度图中每个像素点与对应种子点的初始相似性权重进行修正。其中，夹角的示意图如图3所示。

具体地，根据像素点对应的水平和竖直线之间的距离得到每个像素点与对应种子点之间的夹角，具体用公式表示为：

式中，

根据每个像素点与种子点之间的夹角对管材灰度图中每个像素点与对应种子点的初始相似性权重进行修正，具体用公式表示为：

式中，

其中，当

至此，得到每个像素点与对应种子点的相似性权重。

步骤S003：根据图像中每个像素点与对应种子点的相似权重对像素点的灰度差异进行修正得到图像修正后的超像素块。

需要说明的是，在常规的超像素分割中，通过超像素块内的种子点与像素点之间灰度值的差异来进行的，显然在异常的图像中，显然时不合理的，所以通过每个像素点与对应种子点的相似权重对像素点的灰度差异进行修正。

具体地，根据图像中每个像素点与对应种子点的相似权重对像素点的灰度差异进行修正得到图像修正后每个像素点与对应种子点之间的相似程度。具体用公式表示为：

式中，

其中，

预设一个阈值A，其中本实施例以A=0.7为例进行叙述，本实施例不进行具体限定，其中A可根据具体实施情况而定。当超像素块中的任意一个像素点的灰度值与对应种子点灰度值之间的相似性大于等于预设阈值A时，则判定这个像素点与对应的种子像素点为一类，将这个超像素块中与种子点为一类的像素点记为相似像素点，将超像素块内的所有的相似像素点作为一个新的超像素块；当超像素块中的任意一个像素点的灰度值与对应种子点灰度值之间的相似性小于预设阈值A时，则判定这个像素点与对应的种子像素点不是同一类，将这个超像素块中与种子点不是同一类的像素点记为非相似像素点，将超像素块内的所有的非相似像素点作为一个新的超像素块，将新的超像素块记为修正后的超像素块。

至此，得到管材灰度图中修正后的超像素块。

步骤S004：根据修正后的超像素块进行缺陷的检测。

计算修正后的超像素块中每个超像素块中所有像素点的灰度均值，将修正后的超像素块的灰度均值作为修正后每个超像素块的代表值。

预设一个阈值，其中本实施例以B=1.1为例进行叙述，本实施例不进行具体限定，其中B可根据具体实施情况而定。将修正后的超像素块的灰度均值输入到LOF算法进行异常检测，得到修正后每个超像素块的LOF值；当修正后每个超像素块的LOF值大于预设阈值B时，则判定为PTFE管材外表存在缺陷。 其中，LOF算法为公知技术，此处不进行具体赘述。

至此，本实施例完成。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，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。