本發(fā)明涉及一種適用于工業(yè)環(huán)境中線纜表面瑕疵的檢測方法，屬于圖像處理
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：產(chǎn)品表面質(zhì)量問題一直是工業(yè)生產(chǎn)中備受關(guān)注的一個問題。一方面，產(chǎn)品表面質(zhì)量影響產(chǎn)品的商業(yè)價值，外觀的瑕疵會直接造成產(chǎn)品商業(yè)價值的貶值，例如在印刷、包裝、工藝品等外觀缺陷常常需要高度重視。另一方面，產(chǎn)品表面質(zhì)量對產(chǎn)品的直接使用或深加工有著重要影響，表面缺陷的存在會對使用者造成巨大損失，需進(jìn)行嚴(yán)格控制和檢查。從技術(shù)性能和技術(shù)指標(biāo)來講，用機(jī)器視覺來進(jìn)行表面缺陷檢測具有眾多優(yōu)勢。機(jī)器視覺是一種無接觸無損傷檢測，安全可靠，能成功代替人眼并超越人眼，實現(xiàn)功能更強(qiáng)大的檢測。一般對彩色圖像的處理往往是rgb三個分量分開處理，或者是采用rgb三維向量一起處理，但往往會忽略圖像空間信息的重要性。噪聲像素通常表現(xiàn)為顏色或亮度相對孤立的點，在空間上總是與其所在的物體相互毗鄰的,如果僅考慮彩色信息就會將這樣的像素點劃分到別的聚類中，從而使圖像分割結(jié)果出現(xiàn)誤差。技術(shù)實現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題是：針對工業(yè)生產(chǎn)中線纜表面的質(zhì)量問題，提出了一種適用于工業(yè)環(huán)境中線纜表面瑕疵的檢測方法。通過利用彩色面陣ccd相機(jī)進(jìn)行掃描獲取線纜圖像，針對此圖像進(jìn)行圖像處理，最后成功檢測出線纜表面的瑕疵，能夠有效解決工業(yè)生產(chǎn)中線纜表面的質(zhì)量問題。本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：本發(fā)明提出一種工業(yè)生產(chǎn)中對線纜表面瑕疵的檢測方法，包括以下步驟：步驟一、讀取線纜表面的待檢測圖像數(shù)據(jù)，設(shè)置像素點的空間二維坐標(biāo)信息與三維彩色信息的比例，用五維向量表示圖像樣本集中的每一個像素點，以像素點為集合元素生成圖像樣本集；步驟二、圖像數(shù)據(jù)預(yù)處理：對五維向量的每一維進(jìn)行縮放，使其值位于[0,1]區(qū)間；步驟三、將圖像樣本劃分為瑕疵和非瑕疵兩個類別，初始化隸屬度矩陣，建立約束條件對每個圖像樣本隸屬于每個類別的隸屬度值進(jìn)行歸一化處理；步驟四、對于每個類別，計算其每一維的聚類中心形成以五維向量表示的聚類中心，之后計算每一個像素點到該類別的聚類中心的距離，并根據(jù)聚類距離更新隸屬度矩陣；步驟五、根據(jù)隸屬度矩陣和聚類距離，計算目標(biāo)函數(shù)，并判斷目標(biāo)函數(shù)是否收斂：目標(biāo)函數(shù)若不收斂，則返回重新執(zhí)行步驟四，若收斂，則開始分割圖像；步驟六、對圖像進(jìn)行分割，對于分割后的每一個像素點，根據(jù)最終隸屬度矩陣獲取像素點隸屬的類值，根據(jù)類值計算得到該像素點的灰度值，并根據(jù)灰度值實現(xiàn)對線纜表面瑕疵的檢測。作為本發(fā)明提出的工業(yè)生產(chǎn)中對線纜表面瑕疵的檢測方法進(jìn)一步具體的細(xì)化方案，步驟一中，是利用彩色面陣ccd相機(jī)對線纜表面進(jìn)行掃描，獲取一幅rgb彩色線纜圖像作為待檢測圖像數(shù)據(jù)。作為本發(fā)明提出的工業(yè)生產(chǎn)中對線纜表面瑕疵的檢測方法進(jìn)一步具體的細(xì)化方案，步驟一中，圖像樣本集其中aj是用五維向量表示的一個彩色圖像的像素點，aj＝(αpj,qj),j＝1,2,…,n，s是樣本空間維數(shù)，n是樣本個數(shù)，pj＝(xj,yj)表示圖像的坐標(biāo)，qj＝(bj,gj,rj)表示圖像的像素；α表示空間信息與彩色信息的比例,α∈(0,1)。作為本發(fā)明提出的工業(yè)生產(chǎn)中對線纜表面瑕疵的檢測方法進(jìn)一步具體的細(xì)化方案，步驟二中，對五維空間的每一維進(jìn)行縮放，使其值位于[0,1]區(qū)間，如式(1)所示：其中，maxl、minl分別表示第l維的最大值、最小值，f(l)是第l維的數(shù)據(jù)，g(l)是第l維縮放后的數(shù)據(jù)。作為本發(fā)明提出的工業(yè)生產(chǎn)中對線纜表面瑕疵的檢測方法進(jìn)一步具體的細(xì)化方案，步驟三中，建立約束條件對每個圖像樣本隸屬于每個類別的隸屬度值進(jìn)行歸一化處理，具體如下：設(shè)u＝(μij)c×n表示樣本的隸屬度矩陣，隨機(jī)設(shè)置初始隸屬度矩陣設(shè)定約束條件如式(2)、(3)、(4)所示：μij>0,1≤i≤c,1≤j≤n(4)；根據(jù)約束條件，做如下歸一化處理：其中，c是樣本劃分的類數(shù)，取c＝2；μij是第j個樣本屬于第i類的隸屬度值。作為本發(fā)明提出的工業(yè)生產(chǎn)中對線纜表面瑕疵的檢測方法進(jìn)一步具體的細(xì)化方案，步驟四具體如下：設(shè)vi是一個以五維向量表示的第i類的聚類中心，其每一維定義如式(6)所示：其中，m是加權(quán)指數(shù)，取m＝2，v＝[v1,v2,…,vc]是由c個聚類中心構(gòu)成的s×c的矩陣；設(shè)dij＝||aj-vi||表示從樣本aj到聚類中心vi的距離，更新隸屬度矩陣，如式(8)所示：作為本發(fā)明提出的工業(yè)生產(chǎn)中對線纜表面瑕疵的檢測方法進(jìn)一步具體的細(xì)化方案，步驟四中，選取歐氏距離作為五維空間的聚類距離，如式(7)所示：其中，t＝1,2,…,s，s是樣本空間維數(shù)。作為本發(fā)明提出的工業(yè)生產(chǎn)中對線纜表面瑕疵的檢測方法進(jìn)一步具體的細(xì)化方案，步驟五中，判斷目標(biāo)函數(shù)是否收斂具體如下：定義目標(biāo)函數(shù)，如式(9)所示：根據(jù)隸屬度矩陣和聚類距離，計算目標(biāo)函數(shù)，并進(jìn)行收斂判斷，如式(10)所示：||f(k)-f(k-1)||≤ε,k≥1(10)其中k為更新次數(shù)，ε為收斂系數(shù)。作為本發(fā)明提出的工業(yè)生產(chǎn)中對線纜表面瑕疵的檢測方法進(jìn)一步具體的細(xì)化方案，步驟六具體如下：對圖像進(jìn)行分割，設(shè)z＝(zj)表示分割后的圖像，zj表示一個像素點，j＝1,2,…,n，根據(jù)最終隸屬度函數(shù)獲取像素點隸屬的類值u，如式(11)所示：記zj＝(pj,gray_value)，其中pj＝(xj,yj)表示像素點的坐標(biāo)，gray_value表示像素點的灰度值，如式(12)所示：gray_value＝255*(u-1)/(c-1)(12)經(jīng)以上計算分析，根據(jù)公式(11)，設(shè)非瑕疵部分的像素點隸屬的類值u為1，瑕疵部分的像素點隸屬的類值u為2，根據(jù)公式(12)，計算出非瑕疵部分的灰度值為0，瑕疵部分的灰度值為255。本發(fā)明為解決提出的技術(shù)問題，還提出一種工業(yè)生產(chǎn)中對線纜表面瑕疵的檢測系統(tǒng)，包括：圖像數(shù)據(jù)讀取單元，用于讀取線纜表面的待檢測圖像數(shù)據(jù)，設(shè)置像素點的空間二維坐標(biāo)信息與三維彩色信息的比例，用五維向量表示圖像樣本集中的每一個像素點，以像素點為集合元素生成圖像樣本集；圖像數(shù)據(jù)預(yù)處理單元，用于對五維向量的每一維進(jìn)行縮放，使其值位于[0,1]區(qū)間；隸屬度模型計算單元，用于將圖像樣本劃分為瑕疵和非瑕疵兩個類別，初始化隸屬度矩陣，建立約束條件對每個圖像樣本隸屬于每個類別的隸屬度值進(jìn)行歸一化處理；聚類中心計算單元，用于對于每個類別，計算其每一維的聚類中心形成以五維向量表示的聚類中心，之后計算每一個像素點到該類別的聚類中心的距離，并根據(jù)聚類距離更新隸屬度矩陣；目標(biāo)函數(shù)計算單元，用于根據(jù)隸屬度矩陣和聚類距離，計算目標(biāo)函數(shù)，并判斷目標(biāo)函數(shù)是否收斂：目標(biāo)函數(shù)若不收斂，則觸發(fā)聚類中心計算單元重新執(zhí)行計算，若收斂，則觸發(fā)圖像分割檢測單元；圖像分割檢測單元，用于對圖像進(jìn)行分割，對于分割后的每一個像素點，根據(jù)最終隸屬度矩陣獲取像素點隸屬的類值，根據(jù)類值計算得到該像素點的灰度值，并根據(jù)灰度值實現(xiàn)對線纜表面瑕疵的檢測。本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：本發(fā)明主要對線纜表面瑕疵的檢測技術(shù)進(jìn)行了較為系統(tǒng)的研究，采用基于聚類的方法，對彩色線纜表面瑕疵進(jìn)行有效檢測。本發(fā)明設(shè)計的線纜表面瑕疵檢測方案有效改進(jìn)了工業(yè)環(huán)境中線纜表面瑕疵的檢測方法，針對圖像中的噪聲問題，引入空間信息，有效抑制了噪聲；針對彩色圖像的色彩通道間存在不平穩(wěn)特性，對圖像數(shù)據(jù)進(jìn)行了特征縮放預(yù)處理，實現(xiàn)了對線纜表面瑕疵的有效分割，最終滿足了工業(yè)環(huán)境中線纜表面質(zhì)量高效檢測的要求。附圖說明圖1是表面有瑕疵的線纜圖像。圖2是線纜表面瑕疵的分割圖像。圖3是線纜圖像處理方案的詳細(xì)流程。具體實施方式下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)說明：本
技術(shù)領(lǐng)域：
技術(shù)人員可以理解的是，除非另外定義，這里使用的所有術(shù)語(包括技術(shù)術(shù)語和科學(xué)術(shù)語)具有與本發(fā)明所屬領(lǐng)域中的普通技術(shù)人員的一般理解相同的意義。還應(yīng)該理解的是，諸如通用字典中定義的那些術(shù)語應(yīng)該被理解為具有與現(xiàn)有技術(shù)的上下文中的意義一致的意義，并且除非像這里一樣定義，不會用理想化或過于正式的含義來解釋。本發(fā)明的目的是提供一種線纜表面瑕疵檢測方案，通過結(jié)合具體的圖像處理算法實現(xiàn)一個可行方案，以提高線纜在工業(yè)生產(chǎn)中的生產(chǎn)質(zhì)量。本發(fā)明引入對空間坐標(biāo)的聚類會有效抑制噪聲對分割結(jié)果的影響。再者，為了加快算法的處理速度，需要對圖像數(shù)據(jù)進(jìn)行預(yù)處理。對于彩色圖像，色彩通道間存在不平穩(wěn)特性，即每一維數(shù)據(jù)的統(tǒng)計服從不同的分布，因此需要對彩色圖像數(shù)據(jù)進(jìn)行特定的預(yù)處理。如圖3所示，本發(fā)明提出一種工業(yè)生產(chǎn)中對線纜表面瑕疵的檢測方法，具體的圖像處理方法包括讀取圖像數(shù)據(jù)、圖像數(shù)據(jù)預(yù)處理、初始化隸屬度矩陣、更新隸屬度矩陣、判斷目標(biāo)函數(shù)是否收斂、分割圖像六個步驟，通過這六個步驟，最終實現(xiàn)對線纜表面瑕疵的有效檢測。該方法包括以下步驟：步驟一：讀取圖像數(shù)據(jù)，構(gòu)造五維向量。圖像樣本集表示一幅rgb彩色線纜圖像，其中aj是用五維向量表示的一個像素點，,aj＝(pj,qj),j＝1,2,…,n，s是樣本空間維數(shù)，n是樣本個數(shù)，pj＝(xj,yj)表示圖像的坐標(biāo)，qj＝(bj,gj,rj)表示圖像的像素。聚類算法需要考慮樣本各分量之間的比例關(guān)系，同樣的數(shù)據(jù)在不同的比例變換下會產(chǎn)生不同的結(jié)果。彩色圖像的聚類分割應(yīng)該以彩色信息為主，兼顧空間信息，也就是空間坐標(biāo)信息與三維彩色信息的比例應(yīng)該是不同的，因此構(gòu)造一個新的五維向量a′j＝(αpj,qj)表示一個像素點，j＝1,2,…,n，α表示空間信息與彩色信息的比例,α∈(0,1)。步驟二：圖像數(shù)據(jù)預(yù)處理。對灰度圖像，像素值處于[0,255]，用像素值除以255，即可將數(shù)據(jù)縮放至[0,1]。對彩色圖像，色彩通道間存在不平穩(wěn)特性，即每一維的統(tǒng)計服從不同的分布，因此簡單的數(shù)據(jù)縮放不適合彩色圖像。圖像的每一個像素點是五維向量，需要對五維空間的每一維進(jìn)行縮放，使其值位于[0,1]區(qū)間，如式(1)所示：maxl、minl分別表示第l維的最大值、最小值，f(l)是第l維的數(shù)據(jù)，g(l)是第l維縮放后的數(shù)據(jù)。步驟三：初始化隸屬度矩陣，并進(jìn)行歸一化處理。u＝(μij)c×n表示樣本的隸屬度矩陣，c是樣本劃分的類數(shù)，取c＝2。μij是第j個樣本屬于第i類的隸屬度值。隨機(jī)設(shè)置初始隸屬度矩陣并根據(jù)約束條件(2)、(3)、(4)：μij>0,1≤i≤c,1≤j≤n(4)做如下歸一化處理：步驟四：計算聚類中心、聚類距離，更新隸屬度矩陣。vi表示第i類的聚類中心，是一個五維向量，其每一維定義如式(6)所示其中m是加權(quán)指數(shù)，取m＝2，v＝[v1,v2,…,vc]是由c個聚類中心構(gòu)成的s×c的矩陣。dij＝||aj-vi||表示從樣本aj到聚類中心vi的距離，本發(fā)明選取歐氏距離作為五維空間的聚類距離，如式(7)所示更新隸屬度矩陣，如式(8)所示步驟五：判斷目標(biāo)函數(shù)是否收斂。定義目標(biāo)函數(shù)，如式(9)所示：根據(jù)隸屬度矩陣和聚類距離，計算目標(biāo)函數(shù)，并進(jìn)行收斂判斷，如式(10)所示||f(k)-f(k-1)||≤ε,k≥1(10)其中k為更新次數(shù)，ε為收斂系數(shù)。目標(biāo)函數(shù)若不收斂，則跳轉(zhuǎn)至步驟四繼續(xù)計算，若收斂，則開始分割圖像。步驟六：分割圖像。z＝(zi),i＝1,2,…,n表示分割后的圖像，zi表示一個像素點，根據(jù)最終隸屬度函數(shù)獲取像素點隸屬的類值u，如式(11)所示：記zi＝(pi,gray_value)，其中pi＝(xi,yi)表示像素點的坐標(biāo)，gray_value表示像素點的灰度值，如式(12)所示：gray_value＝255*(u-1)/(c-1)(12)線纜表面的像素點分為瑕疵和非瑕疵兩類，經(jīng)以上計算分析，根據(jù)公式(11)，非瑕疵部分的像素點屬于第1類，瑕疵部分的像素點屬于第2類，根據(jù)公式(12)，非瑕疵部分的灰度值為0，瑕疵部分的灰度值為255。以下結(jié)合圖1、圖2進(jìn)一步詳細(xì)舉例說明本發(fā)明的方法過程：步驟一：讀取圖像數(shù)據(jù)，構(gòu)造五維向量。線纜圖像如圖1所示，像素點個數(shù)為655360，圖像樣本集a＝{a1,a2,…,a655360}，每一個像素點ai＝(αpi,qi)，i＝1,2,…,655360，pi＝(xi,yi)是圖像的坐標(biāo)，qi＝(bi,gi,ri)是圖像的像素，比例系數(shù)α＝0.7，取其中的20個像素點,如下所示：a265233＝(144.9,191.1,22,31,16)，a265889＝(144.9,650.3,34,48,26)；a266545＝(145.6,213.5,20,31,16)，a267201＝(145.6,672.7,31,45,24)；a365233＝(199.5,303.1,112,168,106)，a365833＝(199.5,723.1,102,138,80)；a366433＝(200.2,247.1,51,75,39)，a367033＝(202.2,667.1,83,115,65)；a465233＝(254.1,415.1,28,38,22)，a465623＝(254.1,415.1,28,28,18)；a466013＝(254.8,65.1,23,32,17)，a466403＝(254.8,338.1,28,44,23)；a565233＝(308.7,527.1,30,41,17)，a565945＝(309.4,129.5,17,23,14)；a566657＝(309.4,627.9,52,74,32)，a567369＝(310.1,230.3,21,28,13)；a620233＝(338.8,499.1,211,255,150)，a621232＝(339.5,302.4,199,255,140)；a622231＝(340.2,105.7,182,243,126)，a623230＝(340.2,805,231,255,160)。步驟二：圖像數(shù)據(jù)預(yù)處理。利用公式(1)對20個像素點的每一維數(shù)據(jù)進(jìn)行縮放，使其值位于[0,1]區(qū)間：a265233＝(0.405,0.213,0.041,0.057,0.032)，a265889＝(0.045,0.726,0.091,0.128,0.073)，a266545＝(0.407,0.238,0.033,0.058,0.032)，a267201＝(0.407,0.751,0.078,0.115,0.065)，a365233＝(0.558,0.339,0.412,0.621,0.397)，a365833＝(0.558,0.808,0.370,0.498,0.291)，a366433＝(0.560,0.276,0.160,0.239,0.126)，a367033＝(0.560,0.745,0.292,0.403,0.231)，a465233＝(0.710,0.464,0.065,0.086,0.056)，a465623＝(0.710,0.769,0.058,0.086,0.040)，a466013＝(0.712,0.073,0.045,0.062,0.036)，a466403＝(0.712,0.378,0.066,0.111,0.061)，a565233＝(0.863,0.589,0.074,0.099,0.036)，a565944＝(0.865,0.145,0.021,0.025,0.024)，a566657＝(0.865,0.701,0.165,0.235,0.097)，a567369＝(0.867,0.257,0.037,0.045,0.020)，a620233＝(0.947,0.557,0.819,0.979,0.575)，a621232＝(0.949,0.338,0.770,0.979,0.534)，a622231＝(0.951,0.118,0.700,0.930,0.478)，a623230＝(0.951,0.899,0.901,0.979,0.615)。步驟三：初始化隸屬度矩陣，并進(jìn)行歸一化處理。用(0,1)之間的隨機(jī)數(shù)初始化隸屬度矩陣如下所示：并用公式(5)對初始隸屬度矩陣做歸一化處理：步驟四：計算聚類中心、聚類距離，更新隸屬度矩陣。根據(jù)公式(6)計算兩個聚類中心v1、v2，構(gòu)成5×2的聚類中心矩陣：根據(jù)公式(7)計算聚類距離，聚類距離是一個2×20的矩陣：并根據(jù)公式(8)更新隸屬度矩陣：步驟五：判斷目標(biāo)函數(shù)是否收斂根據(jù)公式(9)計算目標(biāo)函數(shù)，取f(0)＝0f(1)＝1.15068×10-6并用公式(10)判斷目標(biāo)函數(shù)是否收斂，收斂系數(shù)ε＝10-6，|f(1)-f(0)|＝1.15068×10-6>ε不收斂，跳轉(zhuǎn)至步驟四，繼續(xù)計算：聚類中心：聚類距離：隸屬度矩陣：計算目標(biāo)函數(shù)：f(2)＝1.15063×10-6判斷目標(biāo)函數(shù)是否收斂：|f(2)-f(1)|＝5.27214×10-11<ε收斂，開始分割圖像。步驟六：分割圖像。最終生成的隸屬度矩陣如下：根據(jù)公式(11)，這20個像素點隸屬的類別如下：a265233a265889a266545a267201a365233a365833a366433a367033a465233a4656231112111111a466013a466403a565233a565945a566657a567369a620233a621232a622231a6232301111112222z＝(zj),j＝1,2,…,655360表示分割后的圖像，zj＝(pj,gray_value)表示每一個像素點，根據(jù)公式(12)，這20個像素點在分割后的圖像上表示如下：z265233＝(207,273,0)，z265889＝(207,929,0)；z266545＝(208,305,0)，z267201＝(208,961,0)；z365233＝(285,433,255)，z365833＝(285,1033,0)；z366433＝(286,353,0)，z367033＝(286,953,0)；z465233＝(363,593,0)，z465623＝(363,983,0)；z466013＝(364,93,0)，z466403＝(364,483,0)；z565233＝(441,753,0)，z565945＝(442,185,0)；z566657＝(442,897,0)，z567369＝(443,329,0)；z620233＝(484,713,255)，z621232＝(485,432,255)；z622231＝(486,151,255)，z623230＝(486,1150,255)。圖1總計655360個像素點，所有像素點的處理方法和這20個像素點的處理方法完全相同，最終生成的瑕疵分割圖像如圖2所示。以上所述僅是本發(fā)明的部分實施方式，應(yīng)當(dāng)指出，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。當(dāng)前第1頁12