本發(fā)明屬于視覺檢測的，尤其涉及基于關鍵邊緣點和blob分析的關鍵輪廓點提取方法。

背景技術：

1、隨著產(chǎn)品間的競爭以及使產(chǎn)品外觀的質(zhì)量安全能夠符合標準，因此，產(chǎn)品外觀缺陷檢測是產(chǎn)品生產(chǎn)步驟中不可缺少的步驟。而在產(chǎn)品外觀檢測中，關鍵輪廓點的提取是關鍵的步驟，其準確性和效率直接影響檢測結(jié)果。

2、現(xiàn)有的關鍵輪廓點提取方法主要包括基于傳統(tǒng)邊緣檢測算法、基于形態(tài)學處理和基于深度學習的方法等。傳統(tǒng)邊緣檢測方法能夠檢測出圖像中的大致邊緣信息，計算相對簡單，在一些簡單場景中表現(xiàn)較好?；陂撝档姆指罘椒ú僮骱啽悖芸焖俜蛛x出目標區(qū)域?；谏疃葘W習的方法在處理大規(guī)模數(shù)據(jù)時具有很強的學習能力，能夠提取出較為精確的輪廓點。

3、隨著技術的不斷發(fā)展和各行業(yè)對高精度圖像處理需求的增加，這種關鍵輪廓點提取方法的前景十分廣闊，能夠廣泛應用于3c、電子元器件、醫(yī)療器械和半導體等工業(yè)領域中。

4、由于現(xiàn)有的關鍵輪廓點提取方法（如基于傳統(tǒng)邊緣檢測算法、基于形態(tài)學處理和基于深度學習的方法等）存在諸多局限性，具體地說：基于傳統(tǒng)邊緣檢測算子的方法，其通過計算圖像梯度來嘗試獲取邊緣信息，但容易受噪聲影響，導致邊緣不連續(xù)且準確性欠佳，尤其在處理復雜形狀和微小缺陷時效果不理想；基于閾值分割的方式，其依據(jù)設定的灰度或顏色閾值對圖像進行區(qū)域劃分以獲取輪廓，但在光照不均或物體材質(zhì)多樣時難以確定合適閾值，易產(chǎn)生分割錯誤；基于形態(tài)學操作如膨脹、腐蝕等的方法，其處理圖像以提取輪廓，然而面對復雜形狀和細節(jié)豐富的物體，可能丟失關鍵輪廓信息；基于特征提取的手段，通過特征匹配或分類來提取輪廓，不過此類方法計算復雜，實時性差，且特征選擇和提取要求高。因此，常見的輪廓點提取方法往往存在準確性不高、對噪聲敏感或無法有效處理復雜形狀和效率低等問題。

技術實現(xiàn)思路

1、本發(fā)明的目的是提供基于關鍵邊緣點和blob分析的關鍵輪廓點提取方法，以解決現(xiàn)有技術在外觀缺陷檢測中關鍵輪廓點提取不準確和效率低下的問題。

2、所述基于關鍵邊緣點和blob分析的關鍵輪廓點提取方法包括以下步驟：

3、s1、圖像采集與預處理，其使用高精度圖像采集設備獲取產(chǎn)品的外觀圖像，并對外觀圖像進行濾波、增強預處理操作，以增強圖像質(zhì)量和減少噪聲干擾；

4、s2、關鍵邊緣點檢測，其結(jié)合圖像的梯度信息和局部特征，根據(jù)邊緣點的強度、梯度幅值屬性，設置一個閾值，保留強度或梯度幅值較大的邊緣點，以準確檢測出具有顯著特征的關鍵邊緣點；

5、s3、blob分析，其對包含關鍵邊緣點的圖像進行二值化處理，通過連通區(qū)域標記算法識別出不同的blob，并計算每個blob的特征；

6、s4、關鍵輪廓點篩選與確定，其根據(jù)blob的面積或周長特征，設置規(guī)則來篩選潛在輪廓點；

7、s5、后處理與優(yōu)化，其對提取的關鍵輪廓點進行進一步的平滑、去噪和優(yōu)化處理，以提高其準確性和穩(wěn)定性。

8、在一些實施方式中，所述s2包括以下具體步驟：

9、s2-1、對經(jīng)過預處理的圖像進行邊緣特征提取，通過計算圖像的梯度幅值和方向，獲得圖像的邊緣特征，

10、圖像在和方向上的梯度計算為，其中和表示圖像的像素坐標，和表示在和方向上的梯度，

11、計算梯度幅值和梯度方向為；

12、s2-2、設置閾值，對輸入的圖像進行計算獲得二值化邊緣圖像，如；

13、s2-3、對檢測到的邊緣進行篩選和細化，去除長度小于最小邊緣長度，

14、的公式為，其中表示邊緣的相鄰邊緣像素。

15、在一些實施方式中，所述s3包括以下具體步驟：

16、s3-1、對相鄰像素進行判斷，使用8連通區(qū)域定義，像素值坐標小于1且相互連接的像素組成一個連通區(qū)域，判斷依據(jù)如；

17、s3-2、計算每個blob的特征值，如，其中表示第i個blob的面積，

18、如，其中表示第i個blob的周長，

19、如，其中表示第i個blob的圓形度。

20、在一些實施方式中，所述s3包括以下具體步驟：

21、s4-1、結(jié)合關鍵邊緣點和blob分析的結(jié)果，確定潛在的關鍵輪廓點，計算關鍵邊緣點到每個blob質(zhì)心的距離，如，其中表示第j個關鍵邊緣點，第i個blob質(zhì)心，表示第j個關鍵邊緣點到第i個blob質(zhì)心的距離；

22、s4-2、設定距離閾值、面積閾值、周長閾值、圓形度閾值，當對應的blob滿足、、且時，認為邊緣點是潛在的關鍵點輪廓點，形成潛在關鍵輪廓點集合p

23、根據(jù)所述步驟，以使本發(fā)明實現(xiàn)以下有益效果：

24、通過以上詳細的步驟，能夠從初步篩選的?blob?中準確地確定出關鍵輪廓點，為后續(xù)的缺陷判斷和產(chǎn)品質(zhì)量評估提供可靠的基礎，以提高了關鍵輪廓點提取的準確性和精度，能夠更準確地描述物體的輪廓特征，此外，對噪聲具有較好的魯棒性，能夠在存在噪聲的圖像中提取出可靠的關鍵輪廓點，提高計算效率和能夠滿足實時處理的需求。

技術特征：

1.基于關鍵邊緣點和blob分析的關鍵輪廓點提取方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的基于關鍵邊緣點和blob分析的關鍵輪廓點提取方法，其特征在于，所述s2包括以下具體步驟：

3.根據(jù)權利要求1所述的基于關鍵邊緣點和blob分析的關鍵輪廓點提取方法，其特征在于，所述s3包括以下具體步驟：

4.根據(jù)權利要求1所述的基于關鍵邊緣點和blob分析的關鍵輪廓點提取方法，其特征在于，所述s4包括以下具體步驟：

技術總結(jié)
本發(fā)明提供基于關鍵邊緣點和Blob分析的關鍵輪廓點提取方法，本發(fā)明能夠從初步篩選的?Blob?中準確地確定出關鍵輪廓點，為后續(xù)的缺陷判斷和產(chǎn)品質(zhì)量評估提供可靠的基礎，以提高了關鍵輪廓點提取的準確性和精度，能夠更準確地描述物體的輪廓特征，此外，對噪聲具有較好的魯棒性，能夠在存在噪聲的圖像中提取出可靠的關鍵輪廓點，提高計算效率和能夠滿足實時處理的需求；本發(fā)明屬于視覺檢測的技術領域。

技術研發(fā)人員：駱韜,徐信羅,李曉剛,肖高博
受保護的技術使用者：珠海博韜科技有限公司
技術研發(fā)日：
技術公布日：2024/12/17