【技术实现步骤摘要】
本专利技术属于机器视觉，尤其涉及一种表面瑕疵检测方法、系统、设备及终端。
技术介绍
1、机器视觉瑕疵检测是工业生产中的一样必备需求，许多物品在生产的时候由于各种因素会导致物品外表面产生一定的瑕疵，例如钢材表面会出现油污以及划痕，布匹表面会出现破洞或者勾丝，包装盒表面印刷错误或者有其他的破损等等。采用机器视觉检测主要目的在于改善传统人工肉眼分辨瑕疵的现状，使检测更加科学化数字化。我国利用机器视觉瑕疵检测的研究比发达国家起步晚，1990年以前相关研究只是在高校和科学研究所里进行。随着机器视觉技术的快速发展，制造业自动化生产线上应用机器视觉来检测目标表面瑕疵的软件和应用越来越多，生产效率得到了很大提高。2009年上海举行的亚洲国际标签展中，展示了将流程控制与质量控制融为一体的print star印刷检测系统。国内东富达科技公司也具备各类产品表面瑕疵检测系统，例如钢材检测、无纺布检测、薄膜检测、锂电池检测等，国外品牌例如基恩士以及康耐视更是在准确率以及检测速度上完全符合实际生产需求。
2、通过上述分析，现有技术存在的问题及缺陷为：
3、1.现有多数软件系统虽然在准确率上均有着较为良好的表现，但多数采用深度学习训练模型的方式只针对某种特定物品进行检测，无法实现通用，每当受检测的物体发生变动时都需要重新训练模型，此时需要大量数据集支撑，人工以及时间成本较高。
4、2.使用传统视觉算法的检测系统往往存在稳定性差，抗外界干扰能力弱的问题。
5、3.软件体量较大，使用方式较为复杂，目前多数软件由于内
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种表面瑕疵检测方法、系统、设备及终端。
2、本专利技术是这样实现的，一种表面瑕疵检测方法，包括：
3、s1，lbp算子：将基准图像与实际拍摄图像进行对比前首先采用lbp纹理特征提取算法进行预处理；
4、s2，改进sift特征点匹配：加入改进后的sift特征点匹配算法，开发梯度方向公式，计算图像中的关键特征点，并将特征点的空间信息进行比对；
5、s3，瑕疵检测：当拍摄图片的局部特征点与基准图库中的某张图片比对成功后，会根据多色彩融合比对方式对两张图片进行详细比对，从而找出差异点，并完成瑕疵检测。
6、进一步，s1中，普通lbp公式实现如下：
7、
8、其中lbp代表像素点及其周围8个相邻点之间的像素差值，因此当光照发生变化时，像素和周围像素值同时增加或减少，因此差值保持不变，这样增加了抗外界光干扰的能力，p代表采中心点周围的像素数目，r代表网格半径大小，像素网格可根据需要扩增至任意网格大小；
9、rot为旋转的不同角度，ror(x,i)指沿顺时针方向旋转lbp算子i次，整个公式所表达的意思是不断旋转圆形邻域得到一系列初始定义的lbp值，取其最小值作为该邻域的lbp值，通过这种方式保证了图像的旋转不变性，从而实现受检物体即使发生一定的偏移或旋转也是可以正常与基准图例进行匹配检测。
10、但实际拍摄中，图片往往存在大量噪声，这样简单的处理无法达到匹配要求，为此，我们引入η作为有效特征临界值。
11、进一步，s2具体包括：
12、s201，构建高斯金字塔；
13、s202，建立dog高斯差分金字塔；
14、s203，关键点的精确定位；
15、s204，关键点的主方向分配；
16、s205，关键点的特征描述；
17、s206，通过原始sift算法的关键点匹配完成特征点的匹配。
18、进一步，s201具体包括：
19、sift特征点匹配算法首先要构建图像金字塔模型，图像的金字塔模型是指将原始图像不断降阶采样，得到一系列大小不一的图像，由大到小，从下到上构成的塔状模型；原图像为金子塔的第一层，每次降采样所得到的新图像为金字塔的上一层(每层一张图像)，每个金字塔共n层；金字塔的层数根据图像的原始大小和塔顶图像的大小共同决定，为了让尺度体现其连续性，高斯金字塔在简单降采样的基础上加入高斯模糊，使得金字塔每层的图像变为多张高斯模糊图像，这多张图像合称为一组(octave)；
20、高斯金字塔共有o组、s层，则有：
21、σ(s)＝σ02s/s
22、其中σ表示尺度空间坐标，s表示sub-level层坐标，σ0表示初始尺度，s表示每组层数。
23、进一步，s204具体包括：关键点的方向实际上就是图像局部的梯度方向，对于在dog金字塔中检测的关键点，采集其所在高斯金字塔图像3σ邻域窗口内像素的梯度和方向分布特征。首先计算图像尺度空间：
24、其中x,y,σ分别表示像素所在的x，y坐标以及维度，i表示所对应的原图像像素，*表示卷积操作。
25、l(x,y,σ)＝g(x,y,σ)*i(x,y)
26、再计算梯度的幅值和方向：
27、梯度幅值：
28、
29、梯度方向：
30、
31、在计算出关键点的所有梯度方向后，采取峰值作为主方向，并取高于峰值百分之八十的作为辅助方向；
32、对于具备多个梯度方向的关键点本专利技术重新计算了主方向及幅值，采用公式为：
33、
34、其中代表方向个数，nor代表归一化处理，归一化处理后得出每个方向的权重值，max代表主方向的幅值，通过这种方式对主方向以及辅助方向进行按权重处理，计算出新的主方向，由于最终将多梯度方向进行合并，因此每一个特征点最终只具备一个梯度方向，这样的方式显著提高了特征点比对成功的机率。
35、进一步，s205具体包括：对于每一个关键点，拥有三个信息：位置、尺度以及方向；为每个关键点建立一个描述符，用一组向量将这个关键点描述出来，使其不随各种变化而改变，这个描述子不但包括关键点，也包含关键点周围对其有贡献的像素点，并且描述符应该有较高的独特性，以便于提高特征点正确匹配的概率。
36、进一步，s3中，具体对比规则如下：
37、1、绘制图片色域分布图，确认颜色整体分布基本相似，并将图像rgb值分别存入数组当中；
38、2、对基准图片以及拍摄图片进行二值化操作，将像素分别存入两组数组当中，并逐个比对，算出两组数组差异度，计算出差异点比例；
39、3、最终按照计算公式判定是否为合格产品；
40、
41、其中α，β，γ分别代表三个权重参数，这里根据实际应用场景进行调整，r1,g1,b1,ε1分别代表基准图像rgb三通道色彩值以及灰度值，r2,g2,b2，ε2分别代表受检图像的三通道值以及灰度值，这里采用彩色图以及灰度图像素综合比对的原因是即便是某些色彩本文档来自技高网...
【技术保护点】
1.一种表面瑕疵检测方法，其特征在于，包括：
2.如权利要求1所述的表面瑕疵检测方法，其特征在于，S1中，LBP公式实现如下：
3.如权利要求1所述的表面瑕疵检测方法，其特征在于，S2具体包括：
4.如权利要求3所述的表面瑕疵检测方法，其特征在于，S201具体包括：
5.如权利要求3所述的表面瑕疵检测方法，其特征在于，S204具体包括：关键点的方向实际上就是图像局部的梯度方向，对于在DOG金字塔中检测的关键点，采集其所在高斯金字塔图像3σ邻域窗口内像素的梯度和方向分布特征；首先计算图像尺度空间：
6.如权利要求3所述的表面瑕疵检测方法，其特征在于，S205具体包括：对于每一个关键点，拥有三个信息：位置、尺度以及方向；为每个关键点建立一个描述符，用一组向量将这个关键点描述出来，使其不随各种变化而改变，这个描述子不但包括关键点，也包含关键点周围对其有贡献的像素点，并且描述符应该有较高的独特性，以便于提高特征点正确匹配的概率。
7.如权利要求1所述的表面瑕疵检测方法，其特征在于，S3中，具体对比规则如下：
<...【技术特征摘要】
1.一种表面瑕疵检测方法，其特征在于，包括：
2.如权利要求1所述的表面瑕疵检测方法，其特征在于，s1中，lbp公式实现如下：
3.如权利要求1所述的表面瑕疵检测方法，其特征在于，s2具体包括：
4.如权利要求3所述的表面瑕疵检测方法，其特征在于，s201具体包括：
5.如权利要求3所述的表面瑕疵检测方法，其特征在于，s204具体包括：关键点的方向实际上就是图像局部的梯度方向，对于在dog金字塔中检测的关键点，采集其所在高斯金字塔图像3σ邻域窗口内像素的梯度和方向分布特征；首先计算图像尺度空间：
6.如权利要求3所述的表面瑕疵检测方法，其特征在于，s205具体包括：对于每一个关键点，拥有三个信息：位置、尺度以及方向；为每...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。