本发明涉及图像处理领域。具体涉及基于图像处理的汽车零件表面缺陷检测方法。
背景技术：
1、随着汽车制造业进入高速发展阶段，对汽车零部件特别是金属板件的质量控制愈发严格，金属板作为汽车构造的基石，其制造工艺的优劣直接关乎到汽车的整体安全性、耐久性和美学表现。在金属板生产过程中，金属板表面缺陷是影响零部件合格与否的决定性因素，甚至能诱发潜在的安全风险，因此对表面缺陷的筛查和鉴定工作显得尤为关键。
2、现有技术通过采集金属板表面图像，并利用图像识别技术来检测潜在缺陷，然而，由于金属板特有的高反光性，光线在金属表面产生的复杂折射与反射作用，导致捕捉到的图像信息可能出现失真现象。
3、公开号为cn117197141a的中国专利申请文件公开了一种汽车零部件表面缺陷检测方法，方法包括：获取汽车零部件表面灰度图像，根据像素点的灰度值确定初始阈值，进而获得待测阈值以及初步缺陷区域和正常区域；由于光照影响，高亮区域会被误判，所以通过最终缺陷区域之间的走向以及位置关系筛选缺陷间断区域；基于其中像素点的灰度值获得光照影响值，进而对像素点的灰度值进行调整并结合正常区域中的像素点的灰度值获得灰度调整值；根据调整后的像素点的灰度值获得对比阈值并与待测阈值进行比较，获得最优阈值对灰度图像进行缺陷检测。
4、现有技术虽然考虑到了光照影响，但在识别金属板表面上细微且形态各异的划痕缺陷时，由于划痕通常呈现为不规则、边界清晰的痕迹，而流痕则表现为与金属流动方向相关的连续性纹路，两者在视觉上相似度较高，再加上图像失真的影响，增加了金属板表面可能存在的划痕缺陷与金属板表面的流痕的区分难度，影响了现有技术对金属板表面的划痕缺陷的准确判断，导致缺陷检测的精度较低。
技术实现思路
1、为解决现有技术对金属板表面的划痕缺陷检测精度较低的技术问题，本发明提出基于图像处理的汽车零件表面缺陷检测方法，该方法提高了汽车零件表面缺陷检测的精度。具体采用如下方案：基于图像处理的汽车零件表面缺陷检测方法，包括：
2、采集汽车金属板表面图像并进行预处理，得到待检测图像；
3、提取所述待检测图像中的所有纹路，根据每个纹路上所有像素点的梯度方向初步筛选第一划痕纹路，并将所有纹路中除了第一划痕纹路之外的其他纹路作为剩余纹路；
4、基于每个剩余纹路上的相邻像素点与纹路起点之间的欧式距离差异，确定每个剩余纹路的形态长短程度；
5、根据每个剩余纹路上的相邻像素点的梯度方向差异，得到每个剩余纹路的形态弯曲程度；
6、设定每个剩余纹路上的每个像素点的第一邻域范围和第二邻域范围，且第一邻域范围小于所述第二邻域范围；
7、基于每个剩余纹路上的每个像素点的第一邻域范围和第二邻域范围的灰度差异，以及每个像素点与纹路起点之间的斜率，确定每个剩余纹路的形态清晰程度；
8、利用每个剩余纹路的形态长短程度和形态弯曲程度以及形态清晰程度，筛选出所有剩余纹路中包含的第二划痕纹路；
9、根据所述待检测图像中包含的第一划痕纹路和第二划痕纹路的数量，确定所述汽车金属板表面是否存在划痕缺陷。
10、本发明通过准确提取出汽车金属板表面图像的所有纹路，根据像素点的梯度方向初步筛选出第一划痕纹路和剩余纹路，实现了纹路的精细划分，同时通过分析剩余纹路上相邻像素点与剩余纹路起点之间的欧式距离差异，量化了剩余纹路的形态长短程度，结合相邻像素点的梯度方向差异，得出了剩余纹路的形态弯曲程度，这两种特征能够反映划痕具有的独特的形态特征，提高了识别的准确性。常规的汽车零件缺陷检测过程中，对划痕与流痕之间的细微区别难以有效区分，本发明根据每个像素点的第一邻域和第二邻域范围内的灰度差异，以及像素点与剩余纹路起点的斜率，精确评估剩余纹路的形态清晰程度，增强了对微小、模糊划痕的识别能力，通过综合考虑剩余纹路的形态长短程度、形态弯曲程度以及形态清晰程度这三个关键特征，筛选出第二划痕纹路，并根据第一划痕纹路和第二划痕纹路的数量对汽车金属板表面的缺陷进行量化，提高了汽车零件表面缺陷检测的精度。
11、进一步地，所述利用每个剩余纹路的形态长短程度和形态弯曲程度以及形态清晰程度，筛选出所有剩余纹路中包含的第二划痕纹路，包括：
12、设定形态长短程度、形态弯曲程度以及形态清晰程度各自的权重；
13、将每个剩余纹路的形态长短程度、形态弯曲程度以及形态清晰程度进行加权求和，得到的数值作为该剩余纹路为第二划痕纹路的概率；
14、若某个剩余纹路为第二划痕纹路的概率大于概率阈值，则该剩余纹路为第二划痕纹路，若某个剩余纹路为第二划痕纹路的概率不大于概率阈值，则剩余纹路不作为第二划痕纹路。
15、如此，根据形态长短程度、形态弯曲程度以及形态清晰程度对判断剩余纹路是否为划痕时的影响大小来设定不同的权重，可以进一步提升对剩余纹路进行判断的准确性。
16、进一步地，所述形态长短程度的权重小于形态弯曲程度的权重，所述形态弯曲程度的权重小于所述形态清晰程度的权重。
17、进一步地，所述每个剩余纹路的形态长短程度，满足如下关系式：
18、；
19、式中，为第条剩余纹路的形态长短程度，为该剩余纹路上像素点的总数，为该剩余纹路上像素点的序号，的值取遍范围内所有整数，为第条剩余纹路上第个像素点与第条剩余纹路起点的欧式距离，为第条剩余纹路上第个像素点与第条剩余纹路起点的欧式距离，为计算绝对值，为以自然常数为底的指数函数。
20、如此，通过对每条剩余纹路上每个像素点与纹路起始点的欧式距离进行计算，并考虑相邻像素点间欧式距离的差异，来量化该纹路在空间上的延伸长度和分布情况。通过计算和归一化处理，得出一个数值来表征剩余纹路的形态长短程度，进而辅助判断该纹路是否为划痕或流痕。
21、进一步地，所述每个剩余纹路的形态弯曲程度，满足如下关系式：
22、；
23、式中，为第条剩余纹路的形态弯曲程度，为该剩余纹路上像素点的总数，为该剩余纹路上像素点的序号，的值取遍范围内所有整数，为第条剩余纹路上第个像素点的梯度方向，为第条剩余纹路上第个像素点的梯度方向，为反正切函数。
24、如此，通过比较纹路上连续像素点之间的梯度方向差异来反映纹路的弯曲变化情况，通过对纹路上所有相邻像素点梯度方向变化的累积统计，量化评估剩余纹路的弯曲程度，弯曲程度较高的纹路更可能表现为划痕缺陷特征。
25、进一步地，所述每个剩余纹路的形态清晰程度，获取方法为：
26、计算剩余纹路上每个像素点的第一邻域范围内像素点的灰度均值和第二邻域范围内像素点的灰度均值的差值，并求取绝对值，作为该像素点的邻域灰度差异；
27、按照如下公式计算每个剩余纹路的形态清晰程度：
28、；
29、式中，为第条剩余纹路的形态清晰程度，为该剩余纹路上像素点的总数，为该剩余纹路上像素点的序号，的值取遍范围内所有整数，为第条剩余纹路上第个像素点与第条剩余纹路起点之间的斜率，为第条剩余纹路上第个像素点的邻域灰度差异，为以自然常数为底的指数函数。
30、如此，通过计算每个像素点在其第一邻域和第二邻域范围内的灰度均值差值（绝对值），得到邻域灰度差异，邻域灰度差异反映了像素点局部灰度的剧烈变化程度，这种变化在划痕等缺陷处通常较为明显，结合邻域灰度差异可以更好地捕捉和识别划痕等清晰特征。
31、进一步地，所述设定每个剩余纹路上的每个像素点的第一邻域范围和第二邻域范围，包括：
32、获取剩余纹路的最大宽度，将每个像素点左右两侧总共相邻的个像素点，作为第一邻域范围，将每个像素点左右两侧总共相邻的个像素点，作为第二邻域范围。
33、进一步地，根据所述待检测图像中包含的第一划痕纹路和第二划痕纹路的数量，确定所述汽车金属板表面是否存在划痕缺陷，包括：
34、将第一划痕纹路的数量和第二划痕纹路的数量累加，得到所述待检测图像中的划痕纹路总数；
35、将划痕纹路总数与所有纹路总数的比值，作为所述汽车金属板表面的划痕缺陷程度；
36、预设划痕缺陷程度阈值；
37、若所述汽车金属板表面的划痕缺陷程度超过所述划痕缺陷程度阈值，则所述汽车金属板表面存在划痕缺陷，否则，不存在划痕缺陷。
38、进一步地，根据每个纹路上所有像素点的梯度方向初步筛选第一划痕纹路，包括：
39、将每个纹路上所有像素点的梯度方向的平均值，作为该纹路的整体方向；
40、统计每个整体方向包含的纹路数量，将包含纹路数量最多的整体方向作为流痕的梯度主方向，记为，流痕的梯度主方向范围为，为预设值；
41、根据梯度方向在之外的每个纹路的梯度方向与的差异，计算梯度方向在之外的每个纹路为第一划痕纹路的概率；
42、预设第一划痕纹路的概率阈值；
43、若梯度方向在之外的某个纹路为第一划痕纹路的概率超过所述第一划痕纹路的概率阈值，则该纹路为第一划痕纹路，否则，该纹路不为第一划痕纹路。
44、如此，根据流痕缺陷的分布特征和划痕缺陷的分布特征之间的区别，检测出与流痕缺陷分布方向不一致的纹路，作为划痕缺陷，可以优先检测出与流痕排布方向不一致的划痕。
45、进一步地，所述梯度方向在之外的每个纹路为第一划痕纹路的概率，包括：
46、将纹路的梯度方向与的差值的绝对值进行归一化，得到纹路为第一划痕的概率。
47、本发明具有以下效果：
48、本发明首先通过采集并预处理汽车金属板表面图像，准确提取出所有纹路，根据像素点的梯度方向初步筛选出第一划痕纹路和剩余纹路，实现了纹路的精细划分，通过分析剩余纹路上相邻像素点与剩余纹路起点之间的欧式距离差异，量化了剩余纹路的形态长短程度，结合相邻像素点的梯度方向差异，得出了剩余纹路的形态弯曲程度，这两种特征能够反映划痕具有的独特的形态特征，提高了识别的准确性，根据每个像素点的第一邻域和第二邻域范围内的灰度差异，以及像素点与剩余纹路起点的斜率，精确评估剩余纹路的形态清晰程度，增强了对微小、模糊划痕的识别能力，通过综合考虑剩余纹路的形态长短程度、形态弯曲程度以及形态清晰程度这三个关键特征，筛选出第二划痕纹路，并根据第一划痕纹路和第二划痕纹路的数量对汽车金属板表面的缺陷进行量化，提高了汽车零件表面缺陷检测的精度。
1.基于图像处理的汽车零件表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于图像处理的汽车零件表面缺陷检测方法，其特征在于，所述形态长短程度的权重小于形态弯曲程度的权重，所述形态弯曲程度的权重小于所述形态清晰程度的权重。
3.根据权利要求1所述的基于图像处理的汽车零件表面缺陷检测方法，其特征在于，所述每个剩余纹路的形态长短程度，满足如下关系式：
4.根据权利要求1所述的基于图像处理的汽车零件表面缺陷检测方法，其特征在于，所述每个剩余纹路的形态弯曲程度，满足如下关系式：
5.根据权利要求1所述的基于图像处理的汽车零件表面缺陷检测方法，其特征在于，所述每个剩余纹路的形态清晰程度，获取方法为：
6.根据权利要求5所述的基于图像处理的汽车零件表面缺陷检测方法，其特征在于，所述设定每个剩余纹路上的每个像素点的第一邻域范围和第二邻域范围，包括：
7.根据权利要求1所述的基于图像处理的汽车零件表面缺陷检测方法，其特征在于，根据所述待检测图像中包含的第一划痕纹路和第二划痕纹路的数量，确定所述汽车金属板表面是否存在划痕缺陷，包括：
8.根据权利要求1所述的基于图像处理的汽车零件表面缺陷检测方法，其特征在于，根据每个纹路上所有像素点的梯度方向初步筛选第一划痕纹路，包括：
9.根据权利要求8所述的基于图像处理的汽车零件表面缺陷检测方法，其特征在于，所述梯度方向在流痕的梯度主方向范围之外的每个纹路为第一划痕纹路的概率，包括：
