[发明专利]一种基于超像素的工件表面缺陷分割方法

说明书

一种基于超像素的工件表面缺陷分割方法，其技术方案要点是：将已加工工件表面图像进行图像分块，得到m*m个像素大小的子图像块；计算子图像块灰度共生矩阵的能量值和熵值，选取一张作为标准样图，剩余子图像块能量值和熵值与之对比，筛选出含有缺陷的图像；利用超像素SLIC算法将含缺陷的图像分割为超像素；采用谱聚类NJW算法对超像素进行聚类，得到缺陷分割图像；计算出缺陷的重心和区域面积，并根据子图象块所在位置和相机与实际尺寸关系，计算得到缺陷在工件表面的实际具体位置。本发明方法从超像素层面进行计算减小了针对高分辨率大尺寸图像基于像素的庞大计算量，计算效率更高，同时针对图像中背景纹理、噪声的干扰也起到了抑制作用。

技术领域

本发明涉及一种基于超像素的工件表面缺陷分割方法，属于工件表面质量检测和图像处理领域。

背景技术

工件表面质量对产品的质量或后续加工步骤有着重要影响。特别是在高精密零件加工时，由于切屑、机床振动、刀具磨损以及装夹搬运等原因，工件表面往往会产生多种缺陷，导致产品定位精度下降、使用寿命降低。因为工件表面缺陷微小、加工现场干扰强以及离线式人工抽检带来的检测质量不稳定的现状，以及数字化工厂概念的提出，离线式的人工检测已经不适用于现实情况。

因此基于机器视觉的表面质量检测方法成为研究的热点。工件表面缺陷检测一般分为基于边缘检测算法和基于相似区域的检测算法。第一类边缘检测的代表方法是微分算子边缘检测算法和曲面拟合边缘检测算法。方法简单但噪声抑制能力差。第二类区域检测的代表方法阈值分割和聚类。但由于图像的随机性和复杂性，对图像预处理的要求较高。

以上方法都是针对图像单个像素进行计算，而通常处理图像的大小为256*256，数据量非常大。随着工业数字化水平的提高，高实时性、高可靠性的高速图像处理算法成为机器视觉应用中一个非常关键问题。超像素分割，即把图像分割成多个图像块，试图利用人类视觉是以图像块为单位，而不是以像素为单位去理解图像这一依据去处理图像。而将图像分割为超像素后，以超像素的特征作为参数用于后续处理，大大减少了像素的冗余信息，提高了图像的处理效率。

发明内容

为了解决上述问题，本发明提出一种基于超像素的工件表面缺陷提取方法。把工件表面缺陷图像进行筛选，将含有缺陷的图像使用超像素进行分割，保证超像素中的一致性，并通过聚类提取出缺陷区域，并进行定位。

为了实现所述目标，本发明提出一种基于超像素的工件表面缺陷分割方法，其特征在于，包括以下步骤：

步骤S1工件表面图像分块，通过工业相机直接采集已加工工件表面图像，对获取的图像进行图像分块，使图像被分割为m*m个像素大小的子图像块；

步骤S2选取一张没有缺陷的子图像块作为标准图样，并计算其灰度共生矩阵的能量值和熵值，通过对比其他图像的能量值和熵值，将与标准样图能量值和熵值差别较大的图像，定义为含有缺陷的图像；

步骤S3超像素生成，利用超像素SLIC算法将步骤S2中判断出的含有缺陷的图像分割为多个不规则的超像素；

步骤S4谱聚类分类，采用谱聚类NJW算法对超像素块进行分类，得到背景纹理超像素块为一类，缺陷超像素块为一类的图像，完成缺陷分割，并进行二值化，缺陷部分为0，背景纹理为1。

步骤S5缺陷的定位，根据完成缺陷分割后的二值化图像，计算出缺陷的重心和区域面积，并根据步骤S1图像分块时子图象块所在位置和相机的焦距，计算得到缺陷在工件表面的实际具体位置。

所述步骤S1工件表面图像分块包括以下步骤：使用工业相机采集工件待检测表面完整图像，并选择定位点进行标注；根据工业相机的安装位置和焦距，得到工件表面图像尺寸与分辨率之间的关系；将工件待检测表面完整图像分割成分辨率为m*m的子图像块，并对每张图像进行编号为N_ij，其中i表示子图象在原始图像中的行数，j表示子图像在原始图像中的列数。