周期纹理图像缺陷检测方法与流程

1.本发明涉及视觉缺陷检测技术领域，尤其涉及一种周期纹理图像缺陷检测方法。


背景技术：

2.工业产品表面缺陷检测一直是工业生产质量控制的一个重要方面，其中，不少产品的表面具有周期纹理，例如金属网、滤网、织物等产品。对于周期性纹理表面的缺陷检测，现有技术主要采用平移相减法、人工目视法和深度学习法进行周期纹理检测。
3.对于平移相减法，其通过平移相减进行缺陷位置的凸显，在实现过程中，需要手动测量图案的周期用以平移，而且，平移必然会导致边缘存在部分区域无法被检测到，而且对于不同的图像周期不同，容易出现漏检、错检。
4.对于人工目视法，其在工业生产中检测效率低，且对于周期性纹理图像，人工目视检测出错率较高。
5.对于深度学习法，其需要在前期进行大量数据的人工标注，对算力要求很高，导致学习成本很高。对于不同周期纹理产品的类型都需要重新标注训练网络，普适性较差，对于工业生产来说不够便利。


技术实现要素：

6.本发明的目的是提供一种周期纹理图像缺陷检测方法，其以具有缺陷的周期纹理图像作为对象，采用频域图像处理技术这类传统算法对周期纹理图像进行完整的缺陷检测，检测过程不会遗留周期纹理图像的边缘位置，且不需要手动测算周期，在缺陷检测时计算量小，算力成本低，无需引入人工智能模型，从而避免依赖大量数据的训练和大量人工标注工作，在保证检测准确率的前提下，大大提升检测效率和降低检测成本。
7.为了实现上述目的，本发明公开了一种周期纹理图像缺陷检测方法，其包括如下步骤：
8.s1、获取待测图像f(x,y)，所述待测图像具有m行n列像素，其中，x＝0,1,
……
,m-1,y＝0,1,
……
,n-1，m和n均为大于或等于1的自然数；
9.s2、对所述待测图像f(x,y)进行重建处理，以获得所述待测图像f(x,y)的重建图像f’(x,y)；
10.s3、将所述待测图像f(x,y)和重建图像f’(x,y)进行饱和相减后进行连通域处理，以得到第一缺陷二值图；
11.s4、将所述重建图像f’(x,y)和待测图像f(x,y)进行饱和相减后进行连通域处理，以得到第二缺陷二值图；
12.s5、将所述第一缺陷二值图和第二缺陷二值图进行按位或运算，以得到最终的缺陷二值图。
13.较佳地，所述步骤s2具体包括：
14.s21、对所述待测图像f(x,y)进行二维离散傅里叶变换，获得第一复数矩阵f(u,
v)，其中，u＝0,1,
……
,m-1,v＝0,1,
……
,n-1；
15.s22、根据所述第一复数矩阵f(u,v)的幅度值|f(u,v)|，对所述第一复数矩阵f(u,v)进行像素操作，以得到第二复数矩阵f’(u,v)；
16.s23、对所述第二复数矩阵f’(u,v)进行二维离散傅里叶逆变换，获得重建图像f’(x,y)。
17.具体地，依据公式对所述待测图像f(x,y)进行二维离散傅里叶变换，以得到所述第一复数矩阵f(u,v)。
18.具体地，通过如下步骤获得所述第一复数矩阵f(u,v)的幅度值|f(u,v)|：
19.将公式变换为
20.f(u,v)＝r(u,v)+ji(u,v)＝|f(u,v)|e
jφ(u,v)
；
21.将公式f(u,v)＝r(u,v)+ji(u,v)＝|f(u,v)|e
jφ(u,v)
变换为
22.|f(u,v)|＝[r2(u,v)+i2(u,v)]
1/2
，从而得到所述第一复数矩阵f(u,v)的幅度值|f(u,v)|。
[0023]
较佳地，所述步骤s22具体包括：
[0024]
s221、根据所述第一复数矩阵f(u,v)的幅度值|f(u,v)|，对所述第一复数矩阵f(u,v)进行置零操作，以得到第二复数矩阵f’(u,v)。
[0025]
具体地，所述步骤s221具体包括：
[0026]
以所述第一复数矩阵f(u,v)的幅度值|f(u,v)|作为阈值，对所述第一复数矩阵f(u,v)进行阈值截取，以得到第二复数矩阵f’(u,v)。
[0027]
较佳地，依据公式
[0028][0029]
对所述第二复数矩阵f’(u,v)进行二维离散傅里叶逆变换，获得重建图像f’(x,y)。
[0030]
较佳地，所述步骤s3具体包括：
[0031]
s31、将所述待测图像f(x,y)和重建图像f’(x,y)进行饱和相减，得到图像f1(x,y)；
[0032]
s32、提取所述图像f1(x,y)的比特层；
[0033]
s33、从所述图像f1(x,y)的比特层中选取合适的比特层，以得到二值化图像f2(x,y)；
[0034]
s34、对所述二值化图像f2(x,y)进行最大值或最小值滤波处理，得到图像f3(x,y)；
[0035]
s35、对所述图像f3(x,y)进行连通域分析，以得到所述第一缺陷二值图。
[0036]
较佳地，所述步骤s4具体包括：
[0037]
s41、将所述重建图像f’(x,y)和待测图像f(x,y)进行饱和相减，得到图像f1’(x,y)；
[0038]
s42、提取所述图像f1’(x,y)的比特层；
[0039]
s43、从所述图像f1’(x,y)的比特层中选取合适的比特层，以得到二值化图像f2’(x,y)；
[0040]
s44、对所述二值化图像f2’(x,y)进行最大值或最小值滤波处理，得到图像f3’(x,y)；
[0041]
s45、对所述图像f3’(x,y)进行连通域分析，以得到所述第二缺陷二值图。
[0042]
具体地，通过下述步骤对图像进行连通域分析：
[0043]
依次对图像的每一连通域进行标号处理；
[0044]
分别计算图像的每一连通域的面积；
[0045]
按照连通域的面积大小，对图像的所有连通域进行升序排列；
[0046]
去掉图像中具有最大面积的连通域；
[0047]
对图像中剩余的连通域进行k-means二聚类，以得到第一分类和第二分类；
[0048]
计算第一分类下的所有连通域的总面积，及计算第二分类下的所有连通域的总面积；
[0049]
将总面积较大的分类作为缺陷区域，及将总面积较小的分类作为背景区域。
[0050]
与现有技术相比，本发明以具有缺陷的周期纹理图像作为对象，采用频域图像处理技术这类传统算法对周期纹理图像进行完整的缺陷检测，检测过程不会遗留周期纹理图像的边缘位置，且不需要手动测算周期，在缺陷检测时计算量小，算力成本低，无需引入人工智能模型，从而避免依赖大量数据的训练和大量人工标注工作，在保证检测准确率的前提下，大大提升检测效率和降低检测成本。
附图说明
[0051]
图1是本发明的周期纹理图像缺陷检测方法的流程框图；
[0052]
图2是本发明的待测图像f(x,y)的示意图；
[0053]
图3是本发明的重建图像f’(x,y)的示意图；
[0054]
图4是本发明的图像f1’(x,y)的示意图；
[0055]
图5是本发明的图像f3’(x,y)的示意图；
[0056]
图6是本发明的第二缺陷二值图的示意图；
[0057]
图7是本发明的最终的缺陷二值图的示意图。
具体实施方式
[0058]
为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。
[0059]
请参阅图1-图7所示，本实施例的周期纹理图像缺陷检测方法，用于对具有缺陷的周期纹理图像进行缺陷检测，该周期纹理图像缺陷检测方法包括如下步骤：
[0060]
s1、获取待测图像f(x,y)，所述待测图像具有m行n列像素，其中，x＝0,1,
……
,m-1,y＝0,1,
……
,n-1，m和n均为大于或等于1的自然数。
[0061]
这里的待测图像f(x,y)为原始图像，即具有缺陷的周期纹理图像，如图2所示，本实施例以该待测图像f(x,y)的图像宽、高均为1024为例进行说明，此时该待测图像f(x,y)的矩阵像素值如下：
[0062][0063]
s2、对所述待测图像f(x,y)进行重建处理，以获得所述待测图像f(x,y)的重建图像f’(x,y)。
[0064]
较佳地，所述步骤s2具体包括：
[0065]
s21、对所述待测图像f(x,y)进行二维离散傅里叶变换，获得第一复数矩阵f(u,v)，其中，u＝0,1,
……
,m-1,v＝0,1,
……
,n-1。
[0066]
具体地，依据公式对所述待测图像f(x,y)进行二维离散傅里叶变换，以得到所述第一复数矩阵f(u,v)，此时，图像f(x,y)进行二维离散傅里叶变换，以得到所述第一复数矩阵f(u,v)，此时，
[0067]
s22、根据所述第一复数矩阵f(u,v)的幅度值|f(u,v)|，对所述第一复数矩阵f(u,v)进行像素操作，以得到第二复数矩阵f’(u,v)。
[0068]
具体地，通过如下步骤获得所述第一复数矩阵f(u,v)的幅度值|f(u,v)|：
[0069]
将公式变换为
[0070]
f(u,v)＝r(u,v)+ji(u,v)＝|f(u,v)|e
jφ(u,v)
；
[0071]
将公式f(u,v)＝r(u,v)+ji(u,v)＝|f(u,v)|e
jφ(u,v)
变换为
[0072]
|f(u,v)|＝[r2(u,v)+i2(u,v)]
1/2
，从而得到所述第一复数矩阵f(u,v)的幅度值|f(u,v)|。
[0073]
较佳地，所述步骤s22具体包括：
[0074]
s221、根据所述第一复数矩阵f(u,v)的幅度值|f(u,v)|，对所述第一复数矩阵f(u,v)进行置零操作，以得到第二复数矩阵f’(u,v)。
[0075]
具体地，所述步骤s221具体包括：
[0076]
以所述第一复数矩阵f(u,v)的幅度值|f(u,v)|作为阈值，对所述第一复数矩阵f(u,v)进行阈值截取，以得到第二复数矩阵f’(u,v)。
[0077]
本实施例采用简单的阈值截取，对于第一复数矩阵f(u,v)进行阈值截取，阈值为元素的模，本实施例选择100000，从而得到第二复数矩阵f’(u,v)，该第二复数矩阵f’(u,v)具体为：
[0078][0079]
s23、对所述第二复数矩阵f’(u,v)进行二维离散傅里叶逆变换，获得重建图像f’(x,y)。
[0080]
较佳地，依据公式
[0081][0082]
对所述第二复数矩阵f’(u,v)进行二维离散傅里叶逆变换，获得如图3所示的重建图像f’(x,y)。
[0083]
s3、将所述待测图像f(x,y)和重建图像f’(x,y)进行饱和相减后进行连通域处理，以得到第一缺陷二值图。
[0084]
较佳地，所述步骤s3具体包括：
[0085]
s31、将所述待测图像f(x,y)和重建图像f’(x,y)进行饱和相减，得到图像f1(x,y)。
[0086]
s32、提取所述图像f1(x,y)的比特层。
[0087]
s33、从所述图像f1(x,y)的比特层中选取合适的比特层，以得到二值化图像f2(x,y)。
[0088]
s34、对所述二值化图像f2(x,y)进行最大值滤波处理，其滤波核为得到图像f3(x,y)。
[0089]
可以理解的是，本实施例的缺陷为亮斑缺陷，故选用最大值滤波进行处理，对于其他具有暗斑缺陷的图像，可根据实际需求选用最大值或最小值滤波进行处理。
[0090]
s35、对所述图像f3(x,y)进行连通域分析，以得到所述第一缺陷二值图。
[0091]
具体地，通过下述步骤对图像f3(x,y)进行连通域分析：
[0092]
依次对图像f3(x,y)的每一连通域进行标号处理。具体地，将图像f3(x,y)中所有的连通域进行标记(0，1，2，
…
，n)，其中，标记为0的连通域通常为背景。
[0093]
分别计算图像的每一连通域的面积。具体地，对每个标记的连通域进行面积统计，分别统计为记为s0，s1，s2，
…
，sn。
[0094]
按照连通域的面积大小，对图像的所有连通域进行升序排列。
[0095]
去掉图像中具有最大面积的连通域，其中，第一个最大值通常为背景，去掉第一个连通域s0的面积值。
[0096]
对图像中剩余的连通域进行k-means二聚类，以得到第一分类和第二分类；
[0097]
计算第一分类下的所有连通域的总面积，及计算第二分类下的所有连通域的总面积；
[0098]
将总面积较大的分类作为缺陷区域，并将缺陷区域置为255(白色)，及将背景区域置为0(黑色)，从而提高缺陷区域的对比度，得到第一缺陷二值图。
[0099]
s4、将所述重建图像f’(x,y)和待测图像f(x,y)进行饱和相减后进行连通域处理，以得到第二缺陷二值图。
[0100]
较佳地，所述步骤s4具体包括：
[0101]
s41、将所述重建图像f’(x,y)和待测图像f(x,y)进行饱和相减，得到如图4所示的图像f1’(x,y)。
[0102]
s42、提取所述图像f1’(x,y)的比特层。
[0103]
s43、从所述图像f1’(x,y)的比特层中选取合适的比特层，以得到二值化图像f2’(x,y)。
[0104]
s44、对所述二值化图像f2’(x,y)进行最大值滤波处理，得到如图5所示的图像f3’(x,y)。
[0105]
可以理解的是，本实施例的缺陷为亮斑缺陷，故选用最大值滤波进行处理，对于其他具有暗斑缺陷的图像，可根据实际需求选用最大值或最小值滤波进行处理。
[0106]
s45、对所述图像f3’(x,y)进行连通域分析，以得到所述第二缺陷二值图。
[0107]
具体地，通过下述步骤对图像f3’(x,y)进行连通域分析：
[0108]
依次对图像f3’(x,y)的每一连通域进行标号处理。具体地，将图像f3’(x,y)中所有的连通域进行标记(0，1，2，
…
，n)，其中，标记为0的连通域通常为背景。
[0109]
分别计算图像的每一连通域的面积。具体地，对每个标记的连通域进行面积统计，分别统计为记为s0，s1，s2，
…
，sn。
[0110]
按照连通域的面积大小，对图像的所有连通域进行升序排列。
[0111]
去掉图像中具有最大面积的连通域，其中，第一个最大值通常为背景，去掉第一个连通域s0的面积值。
[0112]
对图像中剩余的连通域进行k-means二聚类，以得到第一分类和第二分类；
[0113]
计算第一分类下的所有连通域的总面积，及计算第二分类下的所有连通域的总面积；
[0114]
将总面积较大的分类作为缺陷区域，并将缺陷区域置为255(白色)，及将背景区域置为0(黑色)，从而提高缺陷区域的对比度，得到如图6所示的第二缺陷二值图。
[0115]
s5、将所述第一缺陷二值图和第二缺陷二值图进行按位或运算，以得到如图7所示的最终的缺陷二值图，至此完成缺陷的检测。
[0116]
结合图1-图7，本发明以具有缺陷的周期纹理图像作为对象，采用频域图像处理技术这类传统算法对周期纹理图像进行完整的缺陷检测，检测过程不会遗留周期纹理图像的边缘位置，且不需要手动测算周期，在缺陷检测时计算量小，算力成本低，无需引入人工智能模型，从而避免依赖大量数据的训练和大量人工标注工作，在保证检测准确率的前提下，大大提升检测效率和降低检测成本。
[0117]
以上所揭露的仅为本发明的优选实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。

技术特征：
1.一种周期纹理图像缺陷检测方法，其特征在于，包括如下步骤：获取待测图像f(x,y)，所述待测图像具有m行n列像素，其中，x＝0,1,
……
,m-1,y＝0,1,
……
,n-1，m和n均为大于或等于1的自然数；对所述待测图像f(x,y)进行重建处理，以获得所述待测图像f(x,y)的重建图像f’(x,y)；将所述待测图像f(x,y)和重建图像f’(x,y)进行饱和相减后进行连通域处理，以得到第一缺陷二值图；将所述重建图像f’(x,y)和待测图像f(x,y)进行饱和相减后进行连通域处理，以得到第二缺陷二值图；将所述第一缺陷二值图和第二缺陷二值图进行按位或运算，以得到最终的缺陷二值图。2.如权利要求1所述的周期纹理图像缺陷检测方法，其特征在于，所述对所述待测图像f(x,y)进行重建处理，以获得所述待测图像f(x,y)的重建图像f’(x,y)，具体包括：对所述待测图像f(x,y)进行二维离散傅里叶变换，获得第一复数矩阵f(u,v)，其中，u＝0,1,
……
,m-1,v＝0,1,
……
,n-1；根据所述第一复数矩阵f(u,v)的幅度值|f(u,v)|，对所述第一复数矩阵f(u,v)进行像素操作，以得到第二复数矩阵f’(u,v)；对所述第二复数矩阵f’(u,v)进行二维离散傅里叶逆变换，获得重建图像f’(x,y)。3.如权利要求2所述的周期纹理图像缺陷检测方法，其特征在于，依据公式对所述待测图像f(x，y)进行二维离散傅里叶变换，以得到所述第一复数矩阵f(u，v)。4.如权利要求3所述的周期纹理图像缺陷检测方法，其特征在于，通过如下步骤获得所述第一复数矩阵f(u，v)的幅度值|f(u，v)|：将公式变换为f(u，v)＝r(u，v)+ji(u，v)＝|f(u，v)|e
jφ
(u，v)；将公式f(u，v)＝r(u，v)+ji(u，v)＝|f(u，v)|e
jφ
(u，v)变换为|f(u，v)|＝[r2(u，v)+i2(u，v)]1/2，从而得到所述第一复数矩阵f(u，v)的幅度值|f(u，v)|。5.如权利要求3所述的周期纹理图像缺陷检测方法，其特征在于，所述根据所述第一复数矩阵f(u，v)的幅度值|f(u，v)|，对所述第一复数矩阵f(u，v)进行像素操作，以得到第二复数矩阵f’(u，v)，具体包括：根据所述第一复数矩阵f(u，v)的幅度值|f(u，v)|，对所述第一复数矩阵f(u，v)进行置零操作，以得到第二复数矩阵f’(u，v)。6.如权利要求5所述的周期纹理图像缺陷检测方法，其特征在于，所述根据所述第一复数矩阵f(u，v)的幅度值|f(u，v)|，对所述第一复数矩阵f(u，v)进行置零操作，以得到第二复数矩阵f’(u，v)，具体包括：以所述第一复数矩阵f(u，v)的幅度值|f(u，v)|作为阈值，对所述第一复数矩阵f(u，v)进行阈值截取，以得到第二复数矩阵f’(u，v)。
7.如权利要求2所述的周期纹理图像缺陷检测方法，其特征在于，依据公式对所述第二复数矩阵f’(u,v)进行二维离散傅里叶逆变换，获得重建图像f’(x,y)。8.如权利要求1所述的周期纹理图像缺陷检测方法，其特征在于，所述将所述待测图像f(x,y)和重建图像f’(x,y)进行饱和相减后进行连通域处理，以得到第一缺陷二值图，具体包括：将所述待测图像f(x,y)和重建图像f’(x,y)进行饱和相减，得到图像f1(x,y)；提取所述图像f1(x,y)的比特层；从所述图像f1(x,y)的比特层中选取合适的比特层，以得到二值化图像f2(x,y)；对所述二值化图像f2(x,y)进行最大值或最小值滤波处理，得到图像f3(x,y)；对所述图像f3(x,y)进行连通域分析，以得到所述第一缺陷二值图。9.如权利要求1所述的周期纹理图像缺陷检测方法，其特征在于，所述将所述重建图像f’(x,y)和待测图像f(x,y)进行饱和相减后进行连通域处理，以得到第二缺陷二值图，具体包括：将所述重建图像f’(x,y)和待测图像f(x,y)进行饱和相减，得到图像f1’(x,y)；提取所述图像f1’(x,y)的比特层；从所述图像f1’(x,y)的比特层中选取合适的比特层，以得到二值化图像f2’(x,y)；对所述二值化图像f2’(x,y)进行最大值或最小值滤波处理，得到图像f3’(x,y)；对所述图像f3’(x,y)进行连通域分析，以得到所述第二缺陷二值图。10.如权利要求8或9所述的周期纹理图像缺陷检测方法，其特征在于，通过下述步骤对图像进行连通域分析：依次对图像的每一连通域进行标号处理；分别计算图像的每一连通域的面积；按照连通域的面积大小，对图像的所有连通域进行升序排列；去掉图像中具有最大面积的连通域；对图像中剩余的连通域进行k-means二聚类，以得到第一分类和第二分类；计算第一分类下的所有连通域的总面积，及计算第二分类下的所有连通域的总面积；将总面积较大的分类作为缺陷区域，及将总面积较小的分类作为背景区域。

技术总结
本发明公开了一种周期纹理图像缺陷检测方法，其包括如下步骤：获取待测图像f(x,y)；对所述待测图像f(x,y)进行重建处理，以获得所述待测图像f(x,y)的重建图像f’(x,y)；将所述待测图像f(x,y)和重建图像f’(x,y)进行饱和相减后进行连通域处理，以得到第一缺陷二值图；将所述重建图像f’(x,y)和待测图像f(x,y)进行饱和相减后进行连通域处理，以得到第二缺陷二值图；将所述第一缺陷二值图和第二缺陷二值图进行按位或运算，以得到最终的缺陷二值图；本发明以具有缺陷的周期纹理图像作为对象，采用频域图像处理技术这类传统算法对周期纹理图像进行完整的缺陷检测，检测过程不会遗留周期纹理图像的边缘位置，在缺陷检测时计算量小，算力成本低。力成本低。力成本低。


技术研发人员：林亚君 潘威 汤泉 曹玲 卢盛林
受保护的技术使用者：广东奥普特科技股份有限公司
技术研发日：2023.05.09
技术公布日：2023/7/22