一种金属表面缺陷检测方法、装置、设备及介质

摘要: 本发明涉及图像处理领域,特别涉及一种金属表面缺陷检测方法、装置、设备及介质。背景技术:1、针对工业金属板材冲压生产过程中产生的划痕、压痕、斑点、褶皱等表面缺陷,...
一种金属表面缺陷检测方法、装置、设备及介质

本发明涉及图像处理领域,特别涉及一种金属表面缺陷检测方法、装置、设备及介质。

背景技术:

1、针对工业金属板材冲压生产过程中产生的划痕、压痕、斑点、褶皱等表面缺陷,在小样本标注、低光照、高斯噪声干扰、无gpu嵌入式设备部署的复杂工业工况下,实现高精度、轻量化、离线实时的缺陷识别与检测。

2、在金属板材冲压智能制造生产线的实际质检业务中,人工抽检效率低、主观性强、漏检率高,行业亟需自动化视觉检测设备替代人工质检。实际生产场景存在两大硬性业务限制:一是工业量产中金属表面各类细微缺陷的高质量标注样本稀缺,单类缺陷可用于训练的有效样本仅5至10张,无法满足大数据训练需求;二是工厂质检设备多为低成本无gpu嵌入式工控机,硬件算力、存储资源有限,无法搭载大型深度学习模型与高端算力设备。

3、综上所述,如何在离线状态下识别细微金属缺陷是目前亟待解决的问题。

技术实现思路

1、有鉴于此,本发明的目的在于提供一种金属表面缺陷检测方法、装置、设备及介质,能够在离线状态下识别细微金属缺陷。其具体方案如下:

2、第一方面,本技术提供了一种金属表面缺陷检测方法,包括:

3、获取待检测金属表面图像,并对所述待检测金属表面图像进行预处理,得到处理后图像;

4、基于所述处理后图像中各像素对应局部区域的纹理复杂度指标,确定各像素对应的自适应采样参数,并根据所述自适应采样参数对所述处理后图像进行局部纹理编码,以得到对应的纹理特征信息;

5、根据各像素对应的所述纹理复杂度指标,为所述纹理特征信息中的各像素分配相应的目标权重,并对各所述纹理特征信息进行加权处理,得到增强纹理特征;

6、基于不同预设尺度分别对所述处理后图像进行各像素的特征筛选,以从各尺度特征中选取满足预设最优条件的目标纹理特征图,对所述纹理特征信息、所述增强纹理特征以及所述目标纹理特征图进行融合,生成融合特征;

7、根据各像素对应的所述融合特征,对所述待检测金属表面图像进行缺陷识别,以输出相应的缺陷检测结果。

8、可选的,所述基于所述处理后图像中各像素对应局部区域的纹理复杂度指标,确定各像素对应的自适应采样参数,包括:

9、以各像素为中心构建预设尺寸的局部窗口,统计所述局部窗口内各灰度级像素的分布情况,并根据所述灰度级像素的概率分布确定对应的局部灰度信息熵,将所述局部灰度信息熵作为对应像素的纹理复杂度指标;

10、根据各像素对应的所述纹理复杂度指标与预设采样范围之间的映射关系,为各像素确定对应的自适应采样参数。

11、可选的,所述根据所述自适应采样参数对所述处理后图像进行局部纹理编码,以得到对应的纹理特征信息,包括:

12、以各像素作为中心像素,根据对应的所述自适应采样参数建立局部采样邻域,在所述局部采样邻域内获取若干邻域采样点的灰度信息,并将各所述邻域采样点的灰度信息与所述中心像素的灰度信息进行比较,以生成对应像素的局部二值模式编码;

13、根据各像素对应的所述局部二值模式编码构建所述纹理特征信息。

14、可选的,所述根据各像素对应的所述纹理复杂度指标,为所述纹理特征信息中的各像素分配相应的目标权重,并对各所述纹理特征信息进行加权处理,得到增强纹理特征,包括:

15、根据所述纹理特征信息构建基础纹理特征直方图;

16、基于各像素对应的纹理复杂度指标确定对应的目标权重,并利用所述目标权重对所述基础纹理特征直方图中的对应特征进行加权累积,以提高纹理复杂度满足预设高复杂度条件的第一区域对应纹理特征的贡献度,并降低纹理复杂度满足预设低复杂度条件的第二区域对应纹理特征的贡献度,生成增强纹理特征。

17、可选的,所述基于不同预设尺度分别对所述处理后图像进行各像素的特征筛选,以从各尺度特征中选取满足预设最优条件的目标纹理特征图,包括:

18、针对各个预设尺度的所述处理后图像分别生成对应的纹理特征图,确定所述纹理特征图中各像素在各预设尺度下对应局部区域的能力指标;所述能力指标为用于反映纹理的金属表面缺陷表征能力的指标;

19、对于同一像素,对各所述预设尺度对应的能力指标进行比较,选取满足预设最优条件的尺度对应的纹理特征图,作为目标纹理特征图。

20、可选的,所述对所述纹理特征信息、所述增强纹理特征以及所述目标纹理特征图进行融合,生成融合特征,包括:

21、基于预设缺陷识别场景从所述目标纹理特征图、所述纹理特征信息和所述增强纹理特征中选取对应的特征进行融合,生成用于表征金属表面缺陷的融合特征。

22、可选的,所述根据所述融合特征,对所述待检测金属表面图像进行缺陷识别,以输出相应的缺陷检测结果,包括:

23、将所述融合特征输入预设轻量化分类模型进行缺陷分类,输出对应的缺陷类型和缺陷位置;

24、其中,所述轻量化分类模型包括支持向量机分类模型。

25、第二方面,本技术提供了一种金属表面缺陷检测装置,包括:

26、图像获取模块,用于获取待检测金属表面图像,并对所述待检测金属表面图像进行预处理,得到处理后图像;

27、信息获取模块,用于基于所述处理后图像中各像素对应局部区域的纹理复杂度指标,确定各像素对应的自适应采样参数,并根据所述自适应采样参数对所述处理后图像进行局部纹理编码,以得到对应的纹理特征信息;

28、特征获取模块,用于根据各像素对应的所述纹理复杂度指标,为所述纹理特征信息中的各像素分配相应的目标权重,并对各所述纹理特征信息进行加权处理,得到增强纹理特征;

29、特征融合模块,用于基于不同预设尺度分别对所述处理后图像进行各像素的特征筛选,以从各尺度特征中选取满足预设最优条件的目标纹理特征图,对所述纹理特征信息、所述增强纹理特征以及所述目标纹理特征图进行融合,生成融合特征;

30、缺陷检测模块,用于根据各像素对应的所述融合特征,对所述待检测金属表面图像进行缺陷识别,以输出相应的缺陷检测结果。

31、第三方面,本技术提供了一种电子设备,包括:

32、存储器,用于保存计算机程序;

33、处理器,用于执行所述计算机程序,以实现如前述的金属表面缺陷检测方法。

34、第四方面,本技术提供了一种计算机可读存储介质,用于保存计算机程序;其中,所述计算机程序被处理器执行时实现如前述的金属表面缺陷检测方法。

35、综上可知,本技术获取待检测金属表面图像,并对所述待检测金属表面图像进行预处理,得到处理后图像;基于所述处理后图像中各像素对应局部区域的纹理复杂度指标,确定各像素对应的自适应采样参数,并根据所述自适应采样参数对所述处理后图像进行局部纹理编码,以得到对应的纹理特征信息;根据各像素对应的所述纹理复杂度指标,为所述纹理特征信息中的各像素分配相应的目标权重,并对各所述纹理特征信息进行加权处理,得到增强纹理特征;基于不同预设尺度分别对所述处理后图像进行各像素的特征筛选,以从各尺度特征中选取满足预设最优条件的目标纹理特征图,对所述纹理特征信息、所述增强纹理特征以及所述目标纹理特征图进行融合,生成融合特征;根据各像素对应的所述融合特征,对所述待检测金属表面图像进行缺陷识别,以输出相应的缺陷检测结果。由上可知,本技术通过对采集到的金属表面图像进行预处理后,依据图像中各像素所处局部区域的纹理复杂程度,为每个像素设定自适应的采样参数,并据此实施局部纹理编码以提取纹理特征,随后,基于同一纹理复杂度指标为各像素赋予相应的权重,对纹理特征进行加权融合以强化有效信息,接着,在多个预设尺度下进行逐像素筛选最优的目标纹理特征图,将所述纹理特征信息、所述增强纹理特征以及所述目标纹理特征图融合为融合特征,最终,利用融合特征完成对金属表面缺陷的自动识别与检测结果输出。这样一来,灰度熵驱动的自适应邻域采样能精准适配金属表面纹理的空间差异,显著提升划痕、压痕等细微缺陷的提取能力,从而在小样本条件下维持高检测灵敏度。通过目标权重差异化增强缺陷并抑制背景与高斯噪声,有效保障了低光照、强噪声工业环境下的特征稳定性。多尺度方差最优筛选机制在完整保留非均匀细微纹理、避免漏检的同时,将特征维度压缩逾60%,兼顾了精度与计算效率。整体算法不依赖训练与gpu资源,可直接部署于低端工控机,在钢材、铝材等多种金属表面及典型缺陷检测中展现出良好的普适性与工业实时性。