一种汽车钣金件表面缺陷的视觉检测方法及系统与流程

1.本发明涉及图像数据处理技术领域，具体涉及一种汽车钣金件表面缺陷的视觉检测方法及系统。


背景技术：

2.在产品质量检测领域中，目前对玻璃制品、印刷行业与纺织行业等的瑕疵检测研究比较多见，但是对高透光率的汽车钣金件表面缺陷检测还是比较罕见。汽车钣金件表面缺陷的尺寸极小，在极短的曝光时间以及严重的电磁干扰条件下，采集到的汽车钣金件表面缺陷的图像总体偏暗，并且汽车钣金件表面缺陷与背景的灰度级差异极小，不易对汽车钣金件表面缺陷的区域进行较为准确的检测提取。
3.现有技术对缺陷的评估是通过获取区域的形状特征值、灰度特征值和纹理特征值，将形状特征值、灰度特征值和纹理特征值输入到预先获取的缺陷类型识别网络中，来确定缺陷，检测过程比较复杂；缺陷类型识别网络需要大量数据进行训练，才能保证缺陷评估的准确性，但实际情况下，数据的获取以及缺陷类型识别网络的输出结果容易存在误差，导致缺陷评估不准确。


技术实现要素：

4.为了解决缺陷检测过程复杂以及检测数据容易发生误差，导致缺陷评估不准确的技术问题，本发明的目的在于提供一种汽车钣金件表面缺陷的视觉检测方法及系统，所采用的技术方案具体如下：
5.第一方面，本发明一个实施例提供了一种汽车钣金件表面缺陷的视觉检测方法，该方法包括以下步骤：
6.获得初始缺陷检测后的汽车钣金件表面图像，获得所述汽车钣金件表面图像中至少包括一个疑似缺陷子区域和一个正常子区域；
7.根据灰度值获取每个子区域的灰度分布熵，根据所述灰度分布熵获取子区域的灰度分布特征值；
8.将每个子区域进行颜色空间转换，获得颜色空间下每个分量的分量图像；对每个分量图像中的每个像素点进行滤波处理，获得每个像素点在不同所述分量图像中的滤波值，每个像素点对应的所述滤波值组成每个像素点的滤波向量，根据所述滤波向量的分布获得每个子区域的纹理分布熵；
9.获得每个子区域中的每个像素点的海森矩阵，根据所有所述海森矩阵中的特征信息获取每个子区域的特征指标；
10.根据所述纹理分布熵与所述特征指标获取每个子区域的纹理分布特征值；
11.根据所述灰度分布特征值与所述纹理分布特征值获取每个子区域的缺陷检测指标；
12.根据每个子区域的缺陷检测指标对所述汽车钣金件表面图像进行缺陷评估。
13.进一步地，所述灰度分布特征值的获取方法，包括：
14.任意选取所述汽车钣金件表面图像中的任意一个子区域作为目标子区域，计算所述目标子区域与所述汽车钣金件表面图像中每个子区域之间的灰度分布熵的差值绝对值的均值作为平均熵差异；
15.计算所述目标子区域的灰度分布熵与所述平均熵差异的乘积作为所述目标子区域的灰度分布特征值。
16.进一步地，所述纹理分布熵的获取方法，包括：
17.计算每个子区域中每个所述滤波向量数量与所述滤波向量总数量的比值作为每个所述滤波向量的出现概率；
18.根据每个滤波向量的出现概率计算熵值，获得所述纹理分布熵。
19.进一步地，所述特征指标的获取方法，包括：
20.获取每个所述海森矩阵的特征值，根据每个所述海森矩阵的最大所述特征值，获取对应的特征向量，获得所述特征向量与水平线之间的方向角；
21.计算每个子区域中最大方向角与最小方向角之间的差值作为第一差值；
22.计算每个子区域中所有每个所述海森矩阵的最大所述特征值的方差作为第一方差；
23.将每个子区域的所述第一方差与所述第一差值的乘积作为每个子区域的特征指标。
24.进一步地，所述纹理分布特征值的获取方法，包括：
25.计算每个子区域的所述纹理分布熵与所述特征指标的乘积作为每个子区域的纹理分布特征值。
26.进一步地，所述缺陷检测指标的获取方法，包括：
27.设置第一权值因子、第二权值因子；
28.计算所述第一权值因子与所述灰度分布特征值的乘积作为第一结果；
29.计算所述第二权值因子与所述纹理分布特征值的乘积作为第二结果；
30.将每个子区域的所述第一结果与所述第二结果相加的和作为每个子区域的缺陷检测指标。
31.进一步地，所述根据每个子区域的缺陷检测指标对所述汽车钣金件表面图像进行缺陷评估的方法，包括：
32.获取每张所述汽车钣金件表面图像中的所述缺陷检测指标的均值作为每张所述汽车钣金件表面图像的缺陷程度值；
33.设置缺陷程度值阈值，当所述缺陷程度值大于缺陷程度值阈值时，所述汽车钣金件表面图像中的缺陷严重，影响使用；当所述缺陷程度值小于等于缺陷程度值阈值时，所述汽车钣金件表面图像中的缺陷不明显，不影响使用。
34.第二方面，本发明另一个实施例提供了一种汽车钣金件表面缺陷的视觉检测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述任意一项方法的步骤。
35.本发明具有如下有益效果：获得初始缺陷检测后的汽车钣金件表面图像，获得汽车钣金件表面图像中至少包括一个疑似缺陷子区域和一个正常子区域，使得分析的汽车钣
金件表面图像一定是存在疑似缺陷的，从而后续的分析更有意义；根据灰度值获取每个子区域的灰度分布熵，确定每个子区域中的灰度分布状况，进而根据灰度分布熵获取子区域的灰度分布特征值，便于初步判断疑似缺陷子区域；将每个子区域进行颜色空间转换，获得颜色空间下每个分量的分量图像，便于分析每个分量图像中每个像素点的像素值；对每个分量图像中的每个像素点进行滤波处理，获得每个像素点在不同分量图像中的滤波值，精确的确定每个像素点在分量图像上的像素值，根据每个像素点对应的滤波值组成每个像素点的滤波向量，确定每个像素点的颜色特征，根据滤波向量的分布获得每个子区域的纹理分布熵，确定每个子区域中的纹理分布状况；获得每个子区域中的每个像素点的海森矩阵，根据所有海森矩阵中的特征信息获取每个子区域的特征指标，便于分析子区域中的灰度变化程度；根据纹理分布熵与特征指标获取每个子区域的纹理分布特征值，进一步推测子区域中的疑似缺陷子区域；根据灰度分布特征值与纹理分布特征值获取每个子区域的缺陷检测指标，确定每个子区域的缺陷程度；根据每个子区域的缺陷检测指标对汽车钣金件表面图像进行缺陷评估，确定汽车钣金件表面图像中是否存在影响正常使用的缺陷，使得汽车钣金件表面缺陷的评估更加准确，且缺陷的评估过程更简单方便。
附图说明
36.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。
37.图1为本发明一个实施例所提供的一种汽车钣金件表面缺陷的视觉检测方法的流程示意图。
具体实施方式
38.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汽车钣金件表面缺陷的视觉检测方法及系统，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。
39.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。
40.下面结合附图具体的说明本发明所提供的一种汽车钣金件表面缺陷的视觉检测方法及系统的具体方案。
41.请参阅图1，其示出了本发明一个实施例提供的一种汽车钣金件表面缺陷的视觉检测方法的流程示意图，该方法包括以下步骤：
42.步骤s1：获得初始缺陷检测后的汽车钣金件表面图像，获得所述汽车钣金件表面图像中至少包括一个疑似缺陷子区域和一个正常子区域。
43.具体的，本发明实施例使用相机采用俯视的视角对汽车钣金件表面图像进行采集，相机的具体部署实施者可根据实际情况自行设定；固定台用于放置待检测的汽车钣金
件；光源为分布均匀的光环，实施者可根据实际情况自行选取光源以及对光源的位置、角度等进行设置，保证获得的汽车钣金件表面图像光照均匀，避免对缺陷区域的提取造成影响。
44.正常情况下，汽车钣金件表面是均匀光滑的，表面无凸凹不平等各种缺陷状况，因此，获得的汽车钣金件表面图像中像素点的灰度值分布均匀且相同；当汽车钣金件表面存在缺陷时，获得的汽车钣金件表面图像中的缺陷区域对应的像素点的灰度值会分布不均匀且灰度会发生明显变化。本发明实施例采用语义分割算法对汽车钣金件表面图像进行分割获得子区域，根据子区域的数量对汽车钣金件表面图像进行初始缺陷检测。若汽车钣金件表面图像进行语义分割后，没有分割出子区域，说明汽车钣金件表面不存在缺陷，不再进行后续分析；若汽车钣金件表面图像进行语义分割后，分割出至少包括一个疑似缺陷子区域和一个正常子区域，说明汽车钣金件表面存在疑似缺陷，此时将对汽车钣金件表面图像进行分析，确定疑似缺陷是否为影响汽车钣金件正常使用的缺陷。
45.其中，语义分割算法是公知技术，这里不再进行过多赘述。
46.步骤s2：根据灰度值获取每个子区域的灰度分布熵，根据所述灰度分布熵获取子区域的灰度分布特征值。
47.具体的，对每个子区域中的像素点的特征进行综合分析，获取每个子区域的特征，根据每个子区域的特征对每个子区域进行分析，初步猜测每个子区域是否为疑似缺陷子区域。本发明实施例根据每个子区域中的每个像素点的灰度值来获取每个子区域的灰度分布熵来表示每个子区域的特征。获取灰度分布熵的方法如下：
48.获取每个子区域中的每个像素点的灰度值，每个灰度值对应一个灰度级，获取每个子区域中每个灰度级数量以及灰度级总数量，分别将每个灰度级数量与灰度级总数量的比值作为每个灰度级对应的灰度级概率，分别将每个灰度级概率代入到以自然常数e为底数的对数函数中，所得的结果作为对应的第一结果；将每个灰度级概率与对应的第一结果的乘积作为第二结果；分别将每个子区域中的所有第二结果进行累加所得和的相反数作为每个子区域的灰度分布熵。以子区域a为例，获取子区域a的灰度分布熵sa的公式为：
[0049][0050]
其中，sa为子区域a的灰度分布熵；pk为子区域a中的第k个灰度级的灰度级概率；k为子区域a中的灰度级总数量；ln为以自然常数e为底数的对数函数。
[0051]
需要说明的是，sa表示子区域a中的灰度分布状况，sa越小，子区域a中的灰度分布越均匀，子区域a越正常；sa越大，子区域a中的灰度分布越混乱，子区域a越可能为缺陷子区域；pk对子区域a的灰度分布熵的大小起决定作用。
[0052]
其中，熵的获取是公知技术，具体过程不再进行过多赘述。
[0053]
根据获取子区域a的灰度分布熵sa的方法，获取每个子区域的灰度分度熵。
[0054]
每个子区域的灰度分度熵只能反映单个子区域的灰度分布变化，将汽车钣金件表面图像中的每个子区域的灰度分布熵与所在同一张汽车钣金件表面图像中的其他子区域的灰度分布熵进行比较，可以更加突出缺陷子区域。因此，本发明实施例根据灰度分布熵获取每个子区域的灰度分布特征值的方法为：任意选取汽车钣金件表面图像中的任意一个子区域作为目标子区域，计算目标子区域与汽车钣金件表面图像中每个子区域之间的灰度分
布熵的差值绝对值的均值作为平均熵差异；计算目标子区域的灰度分布熵与平均熵差异的乘积作为目标子区域的灰度分布特征值。获取目标子区域的灰度分布特征值f的公式为：
[0055][0056]
其中，f为目标子区域的灰度分布特征值；s为目标子区域的灰度分布熵；a为目标子区域所在汽车钣金件表面图像中的子区域总数量；sz为第z个子区域的灰度分布熵；||为绝对值函数。
[0057]
需要说明的是，f不仅表示目标子区域中的灰度分布状况，也表示目标子区域中的灰度分布与其他子区域中的灰度分布的差异情况，f越大，说明目标子区域对应的汽车钣金件表面分布越不均匀，且目标子区域中的灰度分布状况与其他子区域中的灰度分布状况之间的差异越大，目标子区域越可能为缺陷子区域。s越大，说明目标子区域中的灰度分布越混乱，f越大；平均熵差异越大，说明目标子区域中的灰度分布与目标子区域所在汽车钣金件表面图像中的其他子区域中的灰度分布的差异越大，f越大；因此，f越大，说明目标子区域越可能为缺陷子区域。
[0058]
根据获取目标子区域的灰度分布特征值的方法，获取每个子区域的灰度分布特征值。
[0059]
步骤s3：将每个子区域进行颜色空间转换，获得颜色空间下每个分量的分量图像；对每个分量图像中的每个像素点进行滤波处理，获得每个像素点在不同所述分量图像中的滤波值，每个像素点对应的所述滤波值组成每个像素点的滤波向量，根据所述滤波向量的分布获得每个子区域的纹理分布熵。
[0060]
具体的，为了进一步确定缺陷子区域，本发明实施例对像素点的纹理分布进行分析，正常子区域中的纹理分布均匀，缺陷子区域的纹理分布杂乱且不一致；根据纹理分布的特点获取每个子区域的纹理分布熵。获取纹理分布熵的过程如下：
[0061]
(1)在本发明实施例中，选择hsv颜色空间作为待分析的颜色空间，在其他实施例中可根据具体钣金件材料选择其他颜色空间。将每个子区域进行hsv颜色空间转换，获得每个子区域对应的h、s、v三个分量的分量图像，从色调、饱和度、明度三个方面来分析每个子区域的纹理分布。本发明实施例设置gabor滤波器，实施者根据实际情况设定滤波窗口的尺寸，gabor滤波器根据设定滤波窗口对分量图像中的每个像素点进行滤波处理，获得每个像素点在三个分量图像中对应的滤波值，即每个像素点对应三个滤波值，分别为gh、gs、gv，其中，gh为色调滤波值；gs为饱和度滤波值；gv为明度滤波值。将每个像素点对应的三个滤波值组成每个像素点对应的一个滤波向量，即其中为子区域中第i个像素点的滤波向量；g
hi
为子区域中第i个像素点的色调滤波值；g
si
为子区域中第i个像素点的饱和度滤波值；g
vi
为子区域中第i个像素点的明度滤波值。
[0062]
其中，gabor滤波器的参数设定以及滤波过程均为现有技术，这里不再进行过多赘述。
[0063]
(2)滤波向量表示每个像素点的纹理分布特征，因此，本发明实施例根据滤波向量来获取每个子区域的纹理分布熵。纹理分布熵的获取方法如下：
[0064]
计算每个子区域中每个滤波向量数量与滤波向量总数量的比值作为每个滤波向
量的出现概率；根据每个滤波向量的出现概率计算熵值，获得纹理分布熵。以步骤s2中的子区域a为例，获取子区域a的纹理分布熵wa的公式为：
[0065][0066]
其中，fi为子区域a中的第i个像素点对应的滤波向量在子区域a中出现的数量即对应的滤波向量数量；na为子区域a中所有滤波向量的数量即子区域a中的滤波向量总数量；ln为以自然常数e为底数的对数函数。
[0067]
需要说明的是，wa表示子区域a中的纹理分布状况，wa越大，子区域a中的像素点的纹理分布越不规律，纹理越杂乱，子区域a越可能为缺陷子区域；wa越小，子区域a中的像素点的纹理分布越均匀，子区域a越正常。为子区域a中第i个像素点对应的滤波向量的出现概率，对纹理分布熵wa的大小起决定作用。
[0068]
其中，熵的获取为公知技术，这里不再进行过多赘述。
[0069]
根据获取子区域a的纹理分布熵的方法，获取每个子区域的纹理分布熵。
[0070]
步骤s4：获得每个子区域中的每个像素点的海森矩阵，根据所有所述海森矩阵中的特征信息获取每个子区域的特征指标。
[0071]
具体的，为确定子区域中像素点的特征状况，本发明实施例将进一步对子区域中的像素点的特征进行提取，根据每个像素点的海森矩阵中的特征信息获取每个子区域的特征指标的方法如下：
[0072]
获取每个海森矩阵的特征值，根据每个海森矩阵的最大特征值，获取对应的特征向量，获得特征向量与水平线之间的方向角；计算每个子区域中最大方向角与最小方向角之间的差值作为第一差值；计算每个子区域中所有每个海森矩阵的最大特征值的方差作为第一方差；将每个子区域的第一方差与第一差值的乘积作为每个子区域的特征指标。
[0073]
作为一个示例，计算每个像素点的海森矩阵，获取每个像素点对应2
×
2的海森矩阵，并计算每个海森矩阵的特征值，其中，海森矩阵的特征值主要用于表征像素点在特征值对应特征向量的方向上的灰度变化状况，每个海森矩阵的最大特征值对应的特征向量的方向是对应像素点的灰度变化最大的方向，从而对像素点的纹理变化状况进行检测分析。以步骤s2中的子区域a中的第i个像素点为例，将第i个像素点对应的海森矩阵的特征值分别记为选取出中的最大特征值，将最大特征值对应的特征向量的方向相对于水平线的角度记为将作为第i个像素点的方向角，子区域a中的第i个像素点对应的海森矩阵的最大特征值代表第i个像素点在方向角上灰度变化程度，即在方向角上像素点的亮度变化较为明显。根据获取子区域a中的第i个像素点对应的海森矩阵的最大特征值和方向角的方法，获取每个像素点对应的海森矩阵的最大特征值和方向角。
[0074]
其中，海森矩阵是公知技术，这里不再进行过多赘述。
[0075]
若子区域对应的汽车钣金件表面平滑均匀，则子区域中的像素点的灰度变化状况保持一致；若子区域对应的汽车钣金件表面存在缺陷，则子区域中的像素点的灰度变化状况比较混乱；因此，本发明实施例基于子区域中的像素点的海森矩阵构建子区域的特征指标，以子区域a为例，获取子区域a的特征指标ta的公式为：
[0076][0077]
其中，ta为子区域a的特征指标；σ(λamax)为子区域a中每个像素点对应的海森矩阵的最大特征值的方差即第一方差；的最大特征值的方差即第一方差；为子区域a中的最大方向角；为子区域a中的最大方向角；为子区域a中的最小方向角。
[0078]
需要说明的是，σ(λamax)表示子区域a中的每个像素点的灰度变化的分布状况，σ(λamax)越大，说明子区域a中的像素点的灰度变化越不一致，ta越大；第一方差越大；第一方差表示子区域a中的像素点对应的方向角最值之间的差异，第一差值表示子区域a中的像素点对应的方向角最值之间的差异，第一差值越大，说明子区域a中的像素点的纹理分布越不一致，纹理越复杂即纹理变化方向越不一致，ta越大；ta表示子区域a中的像素点的灰度以及纹理的变化程度和方向，因此，ta越大，子区域a越可能为缺陷子区域。
[0079]
根据获取子区域a的特征指标的方法，获取每个子区域的特征指标。
[0080]
步骤s5：根据所述纹理分布熵与所述特征指标获取每个子区域的纹理分布特征值。
[0081]
具体的，为提高缺陷区域的提取精度，本发明实施例根据纹理分布熵与特征指标对每个子区域的区域特征进行进一步的提取，获取每个子区域的纹理分布特征值，纹理分布特征值主要表示每个子区域中的像素点的亮度变化状况以及纹理细节分布状况，即子区域中的纹理结构信息。根据纹理分布特征值对子区域对应的汽车钣金件表面的结构分布状况进行检测，进一步判断子区域中的缺陷状况。
[0082]
每个子区域的纹理分布特征值的获取方法为：计算每个子区域的纹理分布熵与特征指标的乘积作为每个子区域的纹理分布特征值。
[0083]
作为一个示例，以步骤s2中的子区域a为例，获取子区域a的纹理分布特征值qa的公式为：
[0084]
qa＝wa*ta[0085]
其中，qa为子区域a的纹理分布特征值；wa为子区域a的纹理分布熵；ta为子区域a的特征指标。
[0086]
需要说明的是，wa越大，说明子区域a中的纹理分布越不均匀，qa越大；ta越大，说明子区域a中的灰度变化以及纹理变化越大，qa越大；因此，qa越大，子区域a越可能为缺陷子区域。
[0087]
根据获取子区域a的纹理分布特征值的方法，获取每个子区域的纹理分布特征值。
[0088]
步骤s6：根据所述灰度分布特征值与所述纹理分布特征值获取每个子区域的缺陷检测指标。
[0089]
具体的，根据获取的灰度分布特征值与纹理分布特征值可以确定缺陷子区域，但有的缺陷子区域的缺陷程度比较轻，肉眼观察不到且不影响汽车钣金件的正常使用，此时，将汽车钣金件进行再次加工，会浪费更多的资源且效率过低，因此，获取每个子区域的缺陷检测指标，确定每个子区域的缺陷程度。获取每个子区域的缺陷检测指标的方法如下：
[0090]
设置第一权值因子、第二权值因子；计算第一权值因子与灰度分布特征值的乘积
作为第一结果；计算第二权值因子与纹理分布特征值的乘积作为第二结果；将每个子区域的第一结果与第二结果相加的和作为每个子区域的缺陷检测指标。
[0091]
作为一个示例，以步骤s2中的子区域a为例，获取子区域a的缺陷检测指标ua的公式为：
[0092]
ua＝α1*fa+α2*qa[0093]
其中，ua为子区域a的缺陷检测指标；fa为子区域a的灰度分布特征值；qa子区域a的纹理分布特征值；α1为第一权值因子，本发明实施例设置为0.4；α2为第二权值因子，本发明实施例设置为0.6。
[0094]
需要说明的是，fa越大，说明子区域a中的灰度分布越不均匀，且与子区域a所在汽车钣金件表面图像中的其他子区域之间的灰度分布差异越大，第一结果α1*fa越大，ua越大；qa越大，说明子区域a中的纹理结构信息变化的越明显，第二结果α2*qa越大，ua越大；因此，ua越大，说明子区域a中的缺陷程度越大。
[0095]
根据获取子区域a的缺陷检测指标的方法，获取每个子区域的缺陷检测指标。
[0096]
步骤s7：根据每个子区域的缺陷检测指标对所述汽车钣金件表面图像进行缺陷评估。
[0097]
具体的，根据汽车钣金件表面图像中的每个子区域的缺陷检测指标，可以确定汽车钣金件表面图像对应的汽车钣金件的缺陷程度，从而确定汽车钣金件是否需要再次进行加工。对汽车钣金件表面图像进行缺陷评估的方法如下：
[0098]
获取每张汽车钣金件表面图像中的缺陷检测指标的均值作为每张汽车钣金件表面图像的缺陷程度值；设置缺陷程度值阈值，当缺陷程度值大于缺陷程度值阈值时，汽车钣金件表面图像中的缺陷严重，影响使用；当缺陷程度值小于等于缺陷程度值阈值时，汽车钣金件表面图像中的缺陷不明显，不影响使用。
[0099]
作为一个示例，选取任意一张汽车钣金件表面图像作为目标图像，获取目标图像的缺陷程度值y的公式为：
[0100][0101]
其中，y为目标图像的缺陷程度值；ui为目标图像中的第i个子区域的缺陷检测指标；a为目标图像中的子区域的总数量。
[0102]
需要说明的是，u越大，说明第i个子区域对应的汽车钣金件表面的缺陷程度越大，y越大；a越小，说明目标图像中的子区域越少，y越大；因此，y越大，目标图像中的缺陷程度越大，目标图像对应的汽车钣金件表面的缺陷程度越大。
[0103]
根据获取目标图像的缺陷程度值的方法，获取每张待测汽车钣金件表面图像的缺陷程度值。
[0104]
对每个缺陷程度值进行归一化处理，获得归一化后的缺陷程度值。本发明实施例设置缺陷程度值阈值为0.5，当归一化后的缺陷程度值大于缺陷程度值阈值时，说明汽车钣金件表面图像中的缺陷严重，对应的汽车钣金件无法正常使用，需要对汽车钣金件进行再次加工；当缺陷程度值小于等于缺陷程度值阈值时，说明汽车钣金件表面图像中的缺陷不明显，对应的汽车钣金件不影响正常使用。
[0105]
至此，完成对汽车钣金件表面缺陷的精确评估。
[0106]
综上所述，本发明实施例获得初始缺陷检测后的汽车钣金件表面图像，进而获得子区域；根据灰度值获取子区域的灰度分布熵，根据灰度分布熵获取子区域的灰度分布特征值；获取子区域的分量图像，对分量图像中的像素点进行滤波处理，获得滤波值，根据滤波值获得滤波向量，根据滤波向量获得子区域的纹理分布熵；获得每个像素点的海森矩阵，根据海森矩阵获取子区域的特征指标；根据纹理分布熵与特征指标获取子区域的纹理分布特征值；根据灰度分布特征值与纹理分布特征值获取子区域的缺陷检测指标；根据缺陷检测指标对汽车钣金件表面图像进行缺陷评估，提高缺陷评估的准确性。
[0107]
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种汽车钣金件表面缺陷的视觉检测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述一种汽车钣金件表面缺陷的视觉检测方法实施例中的步骤，例如图1所示的步骤。该一种汽车钣金件表面缺陷的视觉检测方法在上述实施例中已经详细说明，不再赘述。
[0108]
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。
[0109]
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。

技术特征：
1.一种汽车钣金件表面缺陷的视觉检测方法，其特征在于，所述方法包括以下步骤：获得初始缺陷检测后的汽车钣金件表面图像，获得所述汽车钣金件表面图像中至少包括一个疑似缺陷子区域和一个正常子区域；根据灰度值获取每个子区域的灰度分布熵，根据所述灰度分布熵获取子区域的灰度分布特征值；将每个子区域进行颜色空间转换，获得颜色空间下每个分量的分量图像；对每个分量图像中的每个像素点进行滤波处理，获得每个像素点在不同所述分量图像中的滤波值，每个像素点对应的所述滤波值组成每个像素点的滤波向量，根据所述滤波向量的分布获得每个子区域的纹理分布熵；获得每个子区域中的每个像素点的海森矩阵，根据所有所述海森矩阵中的特征信息获取每个子区域的特征指标；根据所述纹理分布熵与所述特征指标获取每个子区域的纹理分布特征值；根据所述灰度分布特征值与所述纹理分布特征值获取每个子区域的缺陷检测指标；根据每个子区域的缺陷检测指标对所述汽车钣金件表面图像进行缺陷评估。2.如权利要求1所述的一种汽车钣金件表面缺陷的视觉检测方法，其特征在于，所述灰度分布特征值的获取方法，包括：任意选取所述汽车钣金件表面图像中的任意一个子区域作为目标子区域，计算所述目标子区域与所述汽车钣金件表面图像中每个子区域之间的灰度分布熵的差值绝对值的均值作为平均熵差异；计算所述目标子区域的灰度分布熵与所述平均熵差异的乘积作为所述目标子区域的灰度分布特征值。3.如权利要求1所述的一种汽车钣金件表面缺陷的视觉检测方法，其特征在于，所述纹理分布熵的获取方法，包括：计算每个子区域中每个所述滤波向量数量与所述滤波向量总数量的比值作为每个所述滤波向量的出现概率；根据每个滤波向量的出现概率计算熵值，获得所述纹理分布熵。4.如权利要求1所述的一种汽车钣金件表面缺陷的视觉检测方法，其特征在于，所述特征指标的获取方法，包括：获取每个所述海森矩阵的特征值，根据每个所述海森矩阵的最大所述特征值，获取对应的特征向量，获得所述特征向量与水平线之间的方向角；计算每个子区域中最大方向角与最小方向角之间的差值作为第一差值；计算每个子区域中所有每个所述海森矩阵的最大所述特征值的方差作为第一方差；将每个子区域的所述第一方差与所述第一差值的乘积作为每个子区域的特征指标。5.如权利要求1所述的一种汽车钣金件表面缺陷的视觉检测方法，其特征在于，所述纹理分布特征值的获取方法，包括：计算每个子区域的所述纹理分布熵与所述特征指标的乘积作为每个子区域的纹理分布特征值。6.如权利要求1所述的一种汽车钣金件表面缺陷的视觉检测方法，其特征在于，所述缺陷检测指标的获取方法，包括：
设置第一权值因子、第二权值因子；计算所述第一权值因子与所述灰度分布特征值的乘积作为第一结果；计算所述第二权值因子与所述纹理分布特征值的乘积作为第二结果；将每个子区域的所述第一结果与所述第二结果相加的和作为每个子区域的缺陷检测指标。7.如权利要求1所述的一种汽车钣金件表面缺陷的视觉检测方法，其特征在于，所述根据每个子区域的缺陷检测指标对所述汽车钣金件表面图像进行缺陷评估的方法，包括：获取每张所述汽车钣金件表面图像中的所述缺陷检测指标的均值作为每张所述汽车钣金件表面图像的缺陷程度值；设置缺陷程度值阈值，当所述缺陷程度值大于缺陷程度值阈值时，所述汽车钣金件表面图像中的缺陷严重，影响使用；当所述缺陷程度值小于等于缺陷程度值阈值时，所述汽车钣金件表面图像中的缺陷不明显，不影响使用。8.一种汽车钣金件表面缺陷的视觉检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时，实现上述权利要求1-7任意一项所述一种汽车钣金件表面缺陷的视觉检测方法的步骤。

技术总结
本发明涉及图像数据处理技术领域，具体涉及一种汽车钣金件表面缺陷的视觉检测方法及系统。该方法获得初始缺陷检测后的汽车钣金件表面图像，进而获得子区域；根据灰度值获取子区域的灰度分布熵，根灰度分布熵获取子区域的灰度分布特征值；获取子区域的分量图像，对分量图像中的像素点进行滤波处理，获得滤波值，根据滤波值获得滤波向量，根据滤波向量获得子区域的纹理分布熵；获得每个像素点的海森矩阵，根据海森矩阵获取子区域的特征指标；根据纹理分布熵与特征指标获取子区域的纹理分布特征值；根据灰度分布特征值与纹理分布特征值获取子区域的缺陷检测指标；根据缺陷检测指标对汽车钣金件表面图像进行缺陷评估，提高缺陷评估的准确性。评估的准确性。评估的准确性。


技术研发人员：石红光 王琦玮
受保护的技术使用者：有件（嘉兴）网络科技有限公司
技术研发日：2023.01.17
技术公布日：2023/7/11