CN118196094B - 一种三轴转台缺陷视觉检测方法 - Google Patents

Abstract

本发明涉及边缘检测技术领域，具体涉及一种三轴转台缺陷视觉检测方法。该方法获取部件灰度图像中初始缺陷区域，结合初始缺陷区域的边缘上相邻边缘像素点的梯度角度差异，初始缺陷区域的形状与边缘上边缘像素点的切线边缘长度的离散程度，得到初始缺陷区域的初始缺陷值，并利用其选取疑似缺陷区域；依据疑似缺陷区域的灰度分布与初始缺陷值，以及疑似缺陷区域的边缘上边缘像素点的梯度值分布，筛选出部件灰度图像中实际缺陷区域。本发明结合初始缺陷区域的形状特征、边缘平滑特征与颜色特征进行筛选，提高三轴转台中部件进行缺陷检测的准确率。

Description

一种三轴转台缺陷视觉检测方法

技术领域

本发明涉及边缘检测技术领域，具体涉及一种三轴转台缺陷视觉检测方法。

背景技术

三轴转台是一种用于旋转物体或传感器的设备，通常用于实验室、工业生产线或科研领域；若三轴转台的齿轮出现裂缝，会降低三轴转台对物体的旋转精度，减少三轴转台的使用寿命。因此，需要对三轴转台的齿轮进行缺陷检测。

现有方法对部件图像进行边缘检测以识别齿轮部件的裂缝，但是因齿轮的轮齿受到光线变化影响会使轮齿产生阴影，导致齿轮与其产生阴影部分构成的区域存在较大的梯度变化，且齿轮表面较为粗糙使其表面存在漫反射现象，导致部件图像中出现的光影噪声区域也存在较大的梯度变化，通过边缘检测可能将齿轮与其产生阴影部分构成的区域和光影噪声区域被误识别为裂缝区域，导致齿轮部件的裂缝区域检测不准确。

发明内容

为了解决通过边缘检测容易将齿轮与其产生阴影部分构成的区域和光影噪声区域被误识别为裂缝区域，导致齿轮部件的裂缝区域检测不准确的技术问题，本发明的目的在于提供一种三轴转台缺陷视觉检测方法，所采用的技术方案具体如下：

本发明提出了一种三轴转台缺陷视觉检测方法，该方法包括：

获取三轴转台内部部件的部件灰度图像；对部件灰度图像进行边缘检测，得到部件灰度图像中初始缺陷区域；

根据每个初始缺陷区域的边缘上相邻边缘像素点的梯度角度之间的差异，获取每个初始缺陷区域的边缘上每个边缘像素点的切线边缘长度；结合每个初始缺陷区域的边缘上相邻边缘像素点的梯度角度的差异，每个初始缺陷区域的形状以及边缘上边缘像素点的所述切线边缘长度的离散程度，获取部件灰度图像中每个初始缺陷区域的初始缺陷值；基于所述初始缺陷值从初始缺陷区域中选取部件灰度图像中疑似缺陷区域；

依据每个疑似缺陷区域的灰度分布与所述初始缺陷值，以及每个疑似缺陷区域的边缘上边缘像素点的梯度值分布，从疑似缺陷区域中筛选出部件灰度图像中实际缺陷区域。

进一步地，所述对部件灰度图像进行边缘检测，得到部件灰度图像中初始缺陷区域的方法，包括：

对部件灰度图像进行边缘检测，得到部件一次边缘图像；将部件一次边缘图像经过形态学运算处理获取的图像记为部件形态图像；

对部件形态图像进行边缘检测，得到部件二次边缘图像；将部件二次边缘图像中灰度值为255的像素点在部件灰度图像中对应像素点构成的连通域，作为部件灰度图像中的所述初始缺陷区域。

进一步地，所述获取每个初始缺陷区域的边缘上每个边缘像素点的切线边缘长度的方法，包括：

对于部件灰度图像中每个初始缺陷区域，获取初始缺陷区域的边缘上每个边缘像素点的梯度角度；

在初始缺陷区域的边缘上任选一个边缘像素点作为目标点，将所述目标点作为生长点进行区域生长，在生长点的预设邻域范围内对应梯度角度满足预设生长条件的边缘像素点作为新的生长点进行区域生长，直至所有的新的生长点的预设邻域范围内所有边缘像素点均不满足预设生长条件时停止区域生长，得到目标点的切向边缘；所述预设生长条件包括：与目标点的梯度角度之间的差异的归一化结果小于预设生长阈值；

将目标点的切线边缘上边缘像素点的总数量作为目标点的切线边缘长度。

进一步地，所述结合每个初始缺陷区域的边缘上相邻边缘像素点的梯度角度的差异，每个初始缺陷区域的形状以及边缘上边缘像素点的所述切线边缘长度的离散程度，获取部件灰度图像中每个初始缺陷区域的初始缺陷值的方法，包括：

对于部件灰度图像中每个初始缺陷区域，获取初始缺陷区域的最小外接圆的圆心，记为基准点；计算初始缺陷区域的边缘上每个边缘像素点与所述基准点之间的欧式距离，作为对应边缘像素点的分析距离；

选取初始缺陷区域的边缘上任意一个边缘像素点为起始点，以所述起始点开始，按照顺时针方向，分别将初始缺陷区域的边缘上边缘像素点的所述分析距离顺序排列得到分析距离序列，将初始缺陷区域的边缘上边缘像素点的梯度角度顺序排列得到梯度角度序列；

获取所述梯度角度序列的一阶差分序列；从梯度角度序列的一阶差分序列的元素中选取梯度角度序列中每个元素的关联元素；

结合初始缺陷区域对应的所述分析距离序列中元素的离散程度，所述梯度角度序列中每个元素的所述关联元素的大小，以及初始缺陷区域的边缘上边缘像素点的所述切线边缘长度的离散程度，获取初始缺陷区域的所述初始缺陷值。

进一步地，所述从梯度角度序列的一阶差分序列的元素中选取梯度角度序列中每个元素的关联元素的方法，包括：

对于部件灰度图像中每个初始缺陷区域的梯度角度序列，选取梯度角度序列中除第一个元素与最后一个元素外其余任意一个元素作为分析元素，将分析元素的下标值记为分析值，将梯度角度序列的一阶差分序列中下标值等于所述分析值的元素记为分析元素的基准元素；在梯度角度序列的一阶差分序列中，将分析元素的基准元素与所述基准元素的相邻前一个元素，作为分析元素的关联元素；

梯度角度序列中第一个元素的关联元素为梯度角度序列的一阶差分序列中第一个元素，梯度角度序列中最后一个元素的关联元素为梯度角度序列的一阶差分序列中最后一个元素。

进一步地，所述初始缺陷区域的所述初始缺陷值的计算公式如下：

式中，P为初始缺陷区域的所述初始缺陷值；为初始缺陷区域的边缘上边缘像素点的所述切线边缘长度的方差；n为初始缺陷区域对应的所述分析距离序列中元素的总数量；为初始缺陷区域对应的所述分析距离序列中第i个元素；为初始缺陷区域对应的所述分析距离序列中所有元素的均值；为初始缺陷区域对应的所述分析距离序列中第i个元素的所述关联元素的绝对值的均值；Norm为归一化函数。

进一步地，所述基于所述初始缺陷值从初始缺陷区域中选取部件灰度图像中疑似缺陷区域的方法，包括：

对于部件灰度图像中所有初始缺陷区域的初始缺陷值，将大于第一预设缺陷阈值的所述初始缺陷值对应的初始缺陷区域作为部件灰度图像中疑似缺陷区域。

进一步地，所述依据每个疑似缺陷区域的灰度分布与所述初始缺陷值，以及每个疑似缺陷区域的边缘上边缘像素点的梯度值分布，从疑似缺陷区域中筛选出部件灰度图像中实际缺陷区域的方法，包括：

获取部件灰度图像中每个疑似缺陷区域的边缘上每个边缘像素点的梯度值；

对于部件灰度图像中每个疑似缺陷区域，计算疑似缺陷区域中所有像素点的灰度值的均值作为疑似缺陷区域的灰度综合值；获取疑似缺陷区域的边缘上所有边缘像素点的梯度值的均值作为梯度综合值；

依据每个疑似缺陷区域的所述灰度综合值、梯度综合值与所述初始缺陷值，得到部件灰度图像中每个疑似缺陷区域的最终缺陷值；所述梯度综合值与所述初始缺陷值均与所述最终缺陷值为正相关的关系，所述灰度综合值与所述最终缺陷值为负相关的关系；

将大于第二预设缺陷阈值的所述最终缺陷值对应的疑似缺陷区域作为实际缺陷区域。

进一步地，所述形态学运算为形态学闭运算。

进一步地，所述预设邻域为八邻域。

本发明具有如下有益效果：

在本发明实施例中，考虑到齿轮与其产生阴影部分构成的区域的轮齿与光照产生噪声区域大多较为规则，则齿轮与其产生阴影部分构成的区域的边缘上相邻边缘像素点的梯度角度较为接近，进而使边缘像素点的切线边缘长度较为接近；但齿轮的裂缝呈不规则条状，使其边缘上相邻的边缘像素点的梯度角度存在较大差异，进而使边缘像素点的切线边缘长度较为分散，因此，结合初始缺陷区域的边缘上相邻边缘像素点的梯度角度的差异，初始缺陷区域的形状以及边缘上边缘像素点的切线边缘长度的离散程度，获取初始缺陷值，并利用初始缺陷值进行第一次筛选，有效地去除大部分被误检测出的初始缺陷区域；同时考虑到裂缝内部光照难以直射，则相较于齿轮与其产生阴影部分构成的区域或者噪声区域，裂缝区域与其周围区域的色差较明显，则裂缝区域的灰度较小且裂缝区域的边缘上边缘像素点的梯度值较大，而齿轮与其产生阴影部分构成的区域或者噪声区域的灰度较大且区域边缘上边缘像素点的梯度值较小，并结合初始缺陷值对初始缺陷区域进行二次筛选，增加实际缺陷区域筛选的准确率。本方案对初始缺陷区域进行两次筛选，基于初始缺陷区域的形状特征与平滑特征进行第一次筛选，进一步结合初始缺陷区域与其周围区域的色差程度特征，以及初始缺陷区域的颜色特征进行第二次筛选，降低齿轮与其产生阴影部分构成的区域和光影噪声区域被误识别为裂缝区域的可能性，提高实际缺陷区域即裂缝区域识别的准确率。

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和优点，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的介绍，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它附图。

图1为本发明一个实施例所提供的一种三轴转台缺陷视觉检测方法的方法流程图；

图2为本发明一个实施例所提供的部件灰度图像的局部示意图；

图3为本发明一个实施例所提供的部件一次边缘图像的局部示意图；

图4为本发明一个实施例所提供的部件形态图像的局部示意图；

图5为本发明一个实施例所提供的部件二次边缘图像的局部示意图；

图6为本发明一个实施例所提供的部件灰度图像中初始缺陷区域的示意图。

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一种三轴转台缺陷视觉检测方法，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一种三轴转台缺陷视觉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一种三轴转台缺陷视觉检测方法的方法流程图，该方法包括：

步骤S1：获取三轴转台内部部件的部件灰度图像；对部件灰度图像进行边缘检测，得到部件灰度图像中初始缺陷区域。

具体的，本申请对三轴转台内部的齿轮部件进行缺陷检测，使用FLIR VS70工业视频内窥镜采集待测三轴转台内部中齿轮部件的图像，将其记为原始部件图像，对原始部件图像进行去噪并灰度化处理，得到部件灰度图像，图2为本发明一个实施例所提供的部件灰度图像的局部示意图。

需要说明的是，本发明实施例中使用高斯滤波进行去噪处理，选用加权平均灰度化算法进行灰度化处理，具体方法在此不做介绍，均为本领域技术人员熟知的技术手段。在本发明其他实施例中也可选用其他图像采集装置及图像预处理算法，图像采集和图像预处理算法均为本领域技术人员熟知的技术手段，在此不做限定。

本实施例使用Sobel算子对部件灰度图像进行边缘检测，得到部件一次边缘图像，部件一次边缘图像为二值图像，图3为本发明一个实施例所提供的部件一次边缘图像的局部示意图。为了消除图像采集过程中的噪声，链接齿轮的裂缝边缘并填充裂缝内部空间，对部件一次边缘图像进行形态学闭运算处理，得到部件形态图像，部件形态图像中边缘与轮廓较为平滑，图4为本发明一个实施例所提供的部件形态图像的局部示意图。

由于本申请主要根据缺陷区域的形状特征和边缘特征分析缺陷特征，则需要利用Canny算子对部件形态图像再次进行边缘检测，得到部件二次边缘图像，图5为本发明一个实施例所提供的部件二次边缘图像的局部示意图。将部件二次边缘图像中灰度值为255的像素点在部件灰度图像中对应像素点构成的连通域，作为部件灰度图像中的初始缺陷区域；图6为本发明一个实施例所提供的部件灰度图像中初始缺陷区域的示意图，如图6所示，图6中灰色曲线构成的闭合区域为初始缺陷区域。

本发明实施例中初始缺陷区域包括：齿轮与其产生阴影部分构成的区域、图像采集过程中光影导致的噪声区域与裂缝缺陷区域，如图5所示，图5中边缘Q1在部件灰度图像中对应的初始缺陷区域为裂缝缺陷区域，边缘Q2在部件灰度图像中对应的初始缺陷区域为图像采集过程中光影导致的噪声区域，边缘Q3在部件灰度图像中对应的初始缺陷区域为齿轮与其产生阴影部分构成的区域。

其中，Sobel算子、Canny算子与形态学闭运算均为本领域技术人员公知技术，在此不再进行赘述。

至此，获取部件灰度图像中初始缺陷区域。

步骤S2：根据每个初始缺陷区域的边缘上相邻边缘像素点的梯度角度之间的差异，获取每个初始缺陷区域的边缘上每个边缘像素点的切线边缘长度；结合每个初始缺陷区域的边缘上相邻边缘像素点的梯度角度的差异，每个初始缺陷区域的形状以及边缘上边缘像素点的切线边缘长度的离散程度，获取部件灰度图像中每个初始缺陷区域的初始缺陷值；基于初始缺陷值从初始缺陷区域中选取部件灰度图像中疑似缺陷区域。

具体的，由于三轴转台内部的齿轮部件需要啮合，齿轮的轮齿呈现较为规则的形状，则齿轮与其产生阴影部分构成的区域大多为规则的几何区域，例如：类平行四边形区域，三角形区域和曲边梯形区域等，图像采集过程中光影导致的噪声区域大多为类圆形区域，这两种区域的边缘较为平滑，则齿轮与其产生阴影部分构成的区域的边缘上相邻边缘像素点的梯度角度较为接近，且噪声区域的边缘上相邻边缘像素点的梯度角度较为接近，进而使得上述两种区域的每个区域的边缘上边缘像素点的梯度角度较为接近。齿轮的裂缝虽然受力影响呈现长条状，但因齿轮材质的因素导致裂缝最终呈现不规则的长条形，裂缝区域的边缘上边缘像素点的梯度方向更为复杂，导致边缘像素点的切线边缘长度大小不一。

因此，结合每个初始缺陷区域的边缘上相邻边缘像素点的梯度角度的差异，每个初始缺陷区域的形状以及边缘上边缘像素点的切线边缘长度的离散程度，使初始缺陷区域的初始缺陷值能准确呈现初始缺陷区域的缺陷程度。

（1）获取初始缺陷区域的边缘上边缘像素点的切线边缘长度。

优选地，切线边缘长度的获取方法为：对于部件灰度图像中每个初始缺陷区域，获取初始缺陷区域的边缘上每个边缘像素点的梯度角度；在初始缺陷区域的边缘上任选一个边缘像素点作为目标点，将目标点作为生长点进行区域生长，在生长点的预设邻域范围内对应梯度角度满足预设生长条件的边缘像素点作为新的生长点进行区域生长，直至所有的新的生长点的预设邻域范围内所有边缘像素点均不满足预设生长条件时停止区域生长，得到目标点的切向边缘；预设生长条件包括：与目标点的梯度角度之间的差异的归一化结果小于预设生长阈值；目标点的切线边缘上边缘像素点的总数量作为目标点的切线边缘长度。初始缺陷区域的边缘上每个边缘像素点的切线边缘长度的获取方法，与目标点的切线边缘长度的获取方法相同。其中，区域生长算法为本领域技术人员公知技术，在此不再赘述。

需要说明的是，本发明实施例中选用Sobel算子获取初始缺陷区域的边缘上边缘像素点的梯度角度；通过对预设生长条件中与目标点的梯度角度之间的差异进行归一化处理，预设生长阈值取经验值，预设邻域为八邻域，实施者可根据具体情况自行设置。目标点的切线边缘实际上为初始缺陷区域的部分边缘。本发明其他实施例选用最大最小值归一化方法、函数转化、Sigmoid函数等归一化方法对预设生长条件中与目标点的梯度角度之间的差异进行归一化处理，在此不做限定。

由于齿轮的轮齿呈现较为规则的形状，则齿轮与其产生阴影部分构成的区域的边缘较为平滑，且噪声区域的边缘同样较为平滑，灰度变化相对缓慢，则边缘上相邻边缘像素点的梯度角度通常较为接近；进一步齿轮与其产生阴影部分构成的区域大多为规则的几何区域，噪声区域为类圆形区域。因此，齿轮与其产生阴影部分构成的区域与噪声区域对应的边缘上边缘像素点的切线边缘长度较为接近；且相较于噪声区域，齿轮与其产生阴影部分构成的区域的边缘上边缘像素点的切线边缘长度较大。齿轮的裂缝区域呈现不规则的长条形状，其边缘上边缘像素点的梯度方向较为复杂，则裂缝区域的边缘上相邻边缘像素点的梯度角度存在较大差异，进而使得裂缝区域的边缘上边缘像素点的切线边缘长短不一。

（2）获取初始缺陷区域的分析距离序列与梯度角度序列。

对于部件灰度图像中每个初始缺陷区域，获取初始缺陷区域的最小外接圆的圆心，记为基准点；计算初始缺陷区域的边缘上每个边缘像素点与基准点之间的欧式距离，作为对应边缘像素点的分析距离；选取初始缺陷区域的边缘上任意一个边缘像素点为起始点，以起始点开始，按照顺时针方向，分别将初始缺陷区域的边缘上边缘像素点的分析距离顺序排列得到分析距离序列，将初始缺陷区域的边缘上边缘像素点的梯度角度顺序排列得到梯度角度序列。

需要说明的是，初始缺陷区域的分析距离序列中元素为初始缺陷区域的边缘上边缘像素点的分析距离，梯度角度序列中元素为初始缺陷区域的边缘上边缘像素点的梯度角度。本发明实施例中在获取图像中两个像素点之间的欧式距离时，利用像素点的像素坐标进行计算；其中，像素坐标为公知技术，在此不再赘述。

（3）获取初始缺陷区域的梯度角度序列中每个元素的关联元素。

优选地，梯度角度序列中每个元素的关联元素的获取方法为：获取梯度角度序列的一阶差分序列；对于部件灰度图像中每个初始缺陷区域的梯度角度序列，选取梯度角度序列中除第一个元素与最后一个元素外其余任意一个元素作为分析元素，将分析元素的下标值记为分析值，将梯度角度序列的一阶差分序列中下标值等于分析值的元素记为分析元素的基准元素；在梯度角度序列的一阶差分序列中，将分析元素的基准元素与基准元素的相邻前一个元素均作为分析元素的关联元素；梯度角度序列中第一个元素的关联元素为梯度角度序列的一阶差分序列中第一个元素，梯度角度序列中最后一个元素的关联元素为梯度角度序列的一阶差分序列中最后一个元素。

已知，齿轮与其产生阴影部分构成的区域与噪声区域的边缘均较为平滑，边缘上相邻边缘像素点的梯度角度通常较为接近，而齿轮的裂缝区域的边缘上相邻边缘像素点的梯度角度存在较大差异；通过进一步分析边缘像素点分别与其相邻的两个边缘像素点的梯度角度的差异衡量初始缺陷区域的异常程度。本发明实施例通过获取初始缺陷区域的梯度角度的一阶差分序列，得到初始缺陷区域的边缘上边缘像素点与其相邻边缘像素点的梯度角度差异；因一阶差分序列为梯度角度序列中连续相邻两个元素之差，则除梯度角度序列中第一个元素与最后一个元素外的其余元素均参与到一阶差分序列中相邻两个元素的计算过程中，这两个元素反映梯度角度序列中元素对应的边缘像素点与其相邻边缘像素点的梯度角度之间的差异。

作为一个示例，若初始缺陷区域的梯度角度序列为，梯度角度序列的一阶差分序列为，其中，-，-，-，则的关联元素为，的关联元素为。

（4）获取初始缺陷区域的初始缺陷值。

结合初始缺陷区域对应的分析距离序列中元素的离散程度，梯度角度序列中每个元素的关联元素的大小，以及初始缺陷区域的边缘上边缘像素点的切线边缘长度的离散程度，获取初始缺陷区域的初始缺陷值。

初始缺陷区域的初始缺陷值的计算公式如下：

式中，P为初始缺陷区域的初始缺陷值；为初始缺陷区域的边缘上边缘像素点的切线边缘长度的方差；n为初始缺陷区域对应的分析距离序列中元素的总数量，等于初始缺陷区域的边缘上边缘像素点的总数量；为初始缺陷区域对应的分析距离序列中第i个元素；为初始缺陷区域对应的分析距离序列中所有元素的均值；为初始缺陷区域对应的分析距离序列中第i个元素的关联元素的绝对值的均值；Norm为归一化函数。

需要说明的是，当QL越大时，初始缺陷区域的边缘上边缘像素点的切线边缘长短不一，初始缺陷区域呈现不规则形状的可能性越大，说明初始缺陷区域为齿轮的裂缝区域的可能性越大，则初始缺陷值P越大；当QL越小时，初始缺陷区域的边缘上边缘像素点的切线边缘长度较为接近，说明初始缺陷区域为齿轮与其产生阴影部分构成的区域或噪声区域的可能性越大，初始缺陷值P越小。

当越大时，初始缺陷区域的边缘上边缘像素点与其相邻边缘像素点的梯度角度存在较大差异，说明初始缺陷区域为齿轮的裂缝区域的可能性越大，初始缺陷值P越大；当越小时，初始缺陷区域的边缘上边缘像素点与其相邻边缘像素点的梯度角度较为接近，说明初始缺陷区域为齿轮与其产生阴影部分构成的区域或者噪声区域的可能性越大，初始缺陷值P越小。

因齿轮与其产生阴影部分构成的区域大多数为规则的几何区域，噪声区域为类圆形区域，而齿轮的裂缝区域呈现不规则的长条形状，则齿轮与其产生阴影部分构成的区域的边缘上边缘像素点的分析距离较为接近，噪声区域的边缘上边缘像素点的分析距离同样较为接近，但裂缝区域的边缘上边缘像素点的分析距离长短不一。因此，当越大时，初始缺陷区域的边缘上边缘像素点的分析距离较为分散，则初始缺陷区域为裂缝区域的可能性越大，初始缺陷值P越大；当越小时，初始缺陷区域的边缘上边缘像素点的分析距离较为接近，初始缺陷区域为齿轮与其产生阴影部分构成的区域或者噪声区域的可能性越大，则初始缺陷值P越小。

根据上述初始缺陷区域的初始缺陷值的获取方法，计算部件灰度图像中每个初始缺陷区域的初始缺陷值。对于部件灰度图像中所有初始缺陷区域的初始缺陷值，将大于第一预设缺陷阈值的初始缺陷值对应的初始缺陷区域作为部件灰度图像中疑似缺陷区域；基于初始缺陷区域的形状特征与平滑特征进行第一次筛选，能够有效地去除大部分被误检测出的初始缺陷区域。

需要说明的是，在本发明实施例中第一预设缺陷阈值取经验值0.5，实施者可根据具体情况自行设置。

步骤S3：依据每个疑似缺陷区域的灰度分布与初始缺陷值，以及每个疑似缺陷区域的边缘上边缘像素点的梯度值分布，从疑似缺陷区域中筛选出部件灰度图像中实际缺陷区域。

具体的，齿轮部件的裂缝内因光照不足使得灰度较低，而齿轮表面较为粗糙使其表面存在漫反射现象，导致齿轮表面出现部分区域较亮或者有亮有暗的现象，则相较于齿轮与其产生阴影部分构成的区域和图像采集过程中光影导致的噪声区域，裂缝区域的灰度较低。另一方面由于齿轮表面较为粗糙，因漫反射与阴影产生的齿轮与其产生阴影部分构成的区域与噪声区域的边缘的颜色变化大多是缓慢变化的，造成上述两种区域的边缘的梯度值较小；但是齿轮开裂形成了一个接近直角的裂缝，光照由于内窥镜结构的限制，难以直射裂缝，导致裂缝与其周围区域会形成一个较为明显的色差，即裂缝区域的边缘的梯度值较大。

因此，在分析呈现疑似缺陷区域的缺陷程度的初始缺陷值的基准上，考虑疑似缺陷区域的灰度分布与边缘上边缘像素点的梯度值分布进行分析，提高基于最终缺陷值筛选出的实际缺陷区域即裂缝区域的准确率。

优选地，最终缺陷值的具体获取方法为：获取部件灰度图像中每个疑似缺陷区域的边缘上每个边缘像素点的梯度值；对于部件灰度图像中每个疑似缺陷区域，计算疑似缺陷区域中所有像素点的灰度值的均值作为疑似缺陷区域的灰度综合值；获取疑似缺陷区域的边缘上所有边缘像素点的梯度值的均值作为梯度综合值；依据每个疑似缺陷区域的灰度综合值、梯度综合值与初始缺陷值，得到部件灰度图像中每个疑似缺陷区域的最终缺陷值；梯度综合值与初始缺陷值均与最终缺陷值为正相关的关系，灰度综合值与最终缺陷值为负相关的关系。需要说明的是，本发明实施例中利用Sobel算子获取疑似缺陷区域的边缘上边缘像素点的梯度值。

部件灰度图像中每个疑似缺陷区域的最终缺陷值的计算公式具体示例如下：

式中，为部件灰度图像中第c个疑似缺陷区域的最终缺陷值；为部件灰度图像中第c个疑似缺陷区域的初始缺陷值；为部件灰度图像中第c个疑似缺陷区域的灰度综合值；为部件灰度图像中第c个疑似缺陷区域的梯度综合值；为部件灰度图像中所有疑似缺陷区域的梯度综合值中的最小值；为部件灰度图像中所有疑似缺陷区域的梯度综合值中的最大值；tanh为反正切函数。

在本发明另一个实施例中可以将初始缺陷值与梯度综合值的和值或者乘积作为分子，灰度综合值作为分母得到的比值进行归一化结果作为最终缺陷值，使得初始缺陷值与梯度综合值均与最终缺陷值为正相关的关系，灰度综合值与最终缺陷值为负相关的关系，在本发明其他实施例中可选择其他基础数学运算构成上述关系，在此不做限定。

需要说明的是，本实施例选用最大最小值归一化方法对疑似缺陷区域的梯度综合值进行归一化处理，在本发明实施例中也可选择其他对梯度综合值进行归一化的方法，例如函数转化、Sigmoid函数等归一化方法，在此不做限定。

需要说明的是，因裂缝内部光照难以直射，相较于齿轮与其产生阴影部分构成的区域或者噪声区域，裂缝区域与其周围区域的色差越明显，则裂缝区域的灰度较小且裂缝区域的边缘上边缘像素点的梯度值较大，而齿轮与其产生阴影部分构成的区域或者噪声区域的灰度较大且区域边缘上边缘像素点的梯度值较小。当越小时，疑似缺陷区域的灰度较低，疑似缺陷区域为裂缝区域的可能性越大，最终缺陷值QX越大；当越大时，疑似缺陷区域与其周围区域的色差较为明显，导致边缘上边缘像素点的梯度值较大，则疑似缺陷区域为裂缝区域的可能性越大，最终缺陷值QX越大；当初始缺陷值越大，说明在第一次筛选时对应疑似缺陷区域为裂缝区域的可能性越大，则疑似缺陷区域在后续分析中被识别为裂缝区域的概率越大，最终缺陷值QX越大。

将大于第二预设缺陷阈值的最终缺陷值对应的疑似缺陷区域作为实际缺陷区域，实际缺陷区域为齿轮部件的裂缝区域。需要说明的是，在本发明实施例中第二预设缺陷阈值取经验值0.5，实施者可根据具体情况自行设置。

本发明方案对初始缺陷区域进行两次筛选，基于初始缺陷区域的形状特征与平滑特征进行第一次筛选，进一步结合初始缺陷区域与其周围区域的色差程度特征，以及初始缺陷区域的颜色特征进行第二次筛选，提高实际缺陷区域即裂缝区域识别的准确率。

至此，本发明完成。

综上所述，在本发明实施例中，获取部件灰度图像中初始缺陷区域，结合初始缺陷区域的边缘上相邻边缘像素点的梯度角度差异，初始缺陷区域的形状与边缘上边缘像素点的切线边缘长度的离散程度，得到初始缺陷区域的初始缺陷值，并利用其选取疑似缺陷区域；依据疑似缺陷区域的灰度分布与初始缺陷值，以及疑似缺陷区域的边缘上边缘像素点的梯度值分布，筛选出部件灰度图像中实际缺陷区域。本发明结合初始缺陷区域的形状特征与颜色特征进行筛选，提高三轴转台中部件进行缺陷检测的准确率。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (6)

1.一种三轴转台缺陷视觉检测方法，其特征在于，该方法包括：

获取三轴转台内部部件的部件灰度图像；对部件灰度图像进行边缘检测，得到部件灰度图像中初始缺陷区域；

根据每个初始缺陷区域的边缘上相邻边缘像素点的梯度角度之间的差异，获取每个初始缺陷区域的边缘上每个边缘像素点的切线边缘长度；结合每个初始缺陷区域的边缘上相邻边缘像素点的梯度角度的差异，每个初始缺陷区域的形状以及边缘上边缘像素点的所述切线边缘长度的离散程度，获取部件灰度图像中每个初始缺陷区域的初始缺陷值；基于所述初始缺陷值从初始缺陷区域中选取部件灰度图像中疑似缺陷区域；

依据每个疑似缺陷区域的灰度分布与所述初始缺陷值，以及每个疑似缺陷区域的边缘上边缘像素点的梯度值分布，从疑似缺陷区域中筛选出部件灰度图像中实际缺陷区域；

获取每个初始缺陷区域的边缘上每个边缘像素点的切线边缘长度的方法，包括：

对于部件灰度图像中每个初始缺陷区域，获取初始缺陷区域的边缘上每个边缘像素点的梯度角度；

在初始缺陷区域的边缘上任选一个边缘像素点作为目标点，将所述目标点作为生长点进行区域生长，在生长点的预设邻域范围内对应梯度角度满足预设生长条件的边缘像素点作为新的生长点进行区域生长，直至所有的新的生长点的预设邻域范围内所有边缘像素点均不满足预设生长条件时停止区域生长，得到目标点的切向边缘；所述预设生长条件包括：与目标点的梯度角度之间的差异的归一化结果小于预设生长阈值；

将目标点的切线边缘上边缘像素点的总数量作为目标点的切线边缘长度；

所述结合每个初始缺陷区域的边缘上相邻边缘像素点的梯度角度的差异，每个初始缺陷区域的形状以及边缘上边缘像素点的所述切线边缘长度的离散程度，获取部件灰度图像中每个初始缺陷区域的初始缺陷值的方法，包括：

对于部件灰度图像中每个初始缺陷区域，获取初始缺陷区域的最小外接圆的圆心，记为基准点；计算初始缺陷区域的边缘上每个边缘像素点与所述基准点之间的欧式距离，作为对应边缘像素点的分析距离；

选取初始缺陷区域的边缘上任意一个边缘像素点为起始点，以所述起始点开始，按照顺时针方向，分别将初始缺陷区域的边缘上边缘像素点的所述分析距离顺序排列得到分析距离序列，将初始缺陷区域的边缘上边缘像素点的梯度角度顺序排列得到梯度角度序列；

获取所述梯度角度序列的一阶差分序列；从梯度角度序列的一阶差分序列的元素中选取梯度角度序列中每个元素的关联元素；

结合初始缺陷区域对应的所述分析距离序列中元素的离散程度，所述梯度角度序列中每个元素的所述关联元素的大小，以及初始缺陷区域的边缘上边缘像素点的所述切线边缘长度的离散程度，获取初始缺陷区域的所述初始缺陷值；

所述从梯度角度序列的一阶差分序列的元素中选取梯度角度序列中每个元素的关联元素的方法，包括：

对于部件灰度图像中每个初始缺陷区域的梯度角度序列，选取梯度角度序列中除第一个元素与最后一个元素外其余任意一个元素作为分析元素，将分析元素的下标值记为分析值，将梯度角度序列的一阶差分序列中下标值等于所述分析值的元素记为分析元素的基准元素；在梯度角度序列的一阶差分序列中，将分析元素的基准元素与所述基准元素的相邻前一个元素均作为分析元素的关联元素；

梯度角度序列中第一个元素的关联元素为梯度角度序列的一阶差分序列中第一个元素，梯度角度序列中最后一个元素的关联元素为梯度角度序列的一阶差分序列中最后一个元素；

所述初始缺陷区域的所述初始缺陷值的计算公式如下：

式中，P为初始缺陷区域的所述初始缺陷值；为初始缺陷区域的边缘上边缘像素点的所述切线边缘长度的方差；n为初始缺陷区域对应的所述分析距离序列中元素的总数量；为初始缺陷区域对应的所述分析距离序列中第i个元素；为初始缺陷区域对应的所述分析距离序列中所有元素的均值；为初始缺陷区域对应的所述分析距离序列中第i个元素的所述关联元素的绝对值的均值；Norm为归一化函数。

2.根据权利要求1所述的一种三轴转台缺陷视觉检测方法，其特征在于，所述对部件灰度图像进行边缘检测，得到部件灰度图像中初始缺陷区域的方法，包括：

对部件灰度图像进行边缘检测，得到部件一次边缘图像；将部件一次边缘图像经过形态学运算处理获取的图像记为部件形态图像；

对部件形态图像进行边缘检测，得到部件二次边缘图像；将部件二次边缘图像中灰度值为255的像素点在部件灰度图像中对应像素点构成的连通域，作为部件灰度图像中的所述初始缺陷区域。

3.根据权利要求1所述的一种三轴转台缺陷视觉检测方法，其特征在于，所述基于所述初始缺陷值从初始缺陷区域中选取部件灰度图像中疑似缺陷区域的方法，包括：

对于部件灰度图像中所有初始缺陷区域的初始缺陷值，将大于第一预设缺陷阈值的所述初始缺陷值对应的初始缺陷区域作为部件灰度图像中疑似缺陷区域。

4.根据权利要求1所述的一种三轴转台缺陷视觉检测方法，其特征在于，所述依据每个疑似缺陷区域的灰度分布与所述初始缺陷值，以及每个疑似缺陷区域的边缘上边缘像素点的梯度值分布，从疑似缺陷区域中筛选出部件灰度图像中实际缺陷区域的方法，包括：

获取部件灰度图像中每个疑似缺陷区域的边缘上每个边缘像素点的梯度值；

对于部件灰度图像中每个疑似缺陷区域，计算疑似缺陷区域中所有像素点的灰度值的均值作为疑似缺陷区域的灰度综合值；获取疑似缺陷区域的边缘上所有边缘像素点的梯度值的均值作为梯度综合值；

依据每个疑似缺陷区域的所述灰度综合值、梯度综合值与所述初始缺陷值，得到部件灰度图像中每个疑似缺陷区域的最终缺陷值；所述梯度综合值与所述初始缺陷值均与所述最终缺陷值为正相关的关系，所述灰度综合值与所述最终缺陷值为负相关的关系；

将大于第二预设缺陷阈值的所述最终缺陷值对应的疑似缺陷区域作为实际缺陷区域。

5.根据权利要求2所述的一种三轴转台缺陷视觉检测方法，其特征在于，所述形态学运算为形态学闭运算。

6.根据权利要求1所述的一种三轴转台缺陷视觉检测方法，其特征在于，所述预设邻域为八邻域。