本發(fā)明涉及棒材質(zhì)量檢測領(lǐng)域。更具體地，本發(fā)明涉及一種異形棒材表面質(zhì)量檢測方法。

背景技術(shù)：

1、異形金屬棒材是指那些橫截面形狀不規(guī)則的金屬棒材，與常見的圓形、方形或矩形棒材不同，它們的形狀可能更加復(fù)雜，如多邊形、星形、波浪形等。這種棒材在工業(yè)應(yīng)用中因其獨特的形狀而具有特定的用途，但同時也帶來了一些挑戰(zhàn)，尤其是在質(zhì)量檢測方面。目前基于機器視覺對異形金屬棒材表面進行質(zhì)量檢測，拍攝的圖像往往會受到光線影響，導(dǎo)致無法提取異形棒材表面圖像中的細小的紋理信息，導(dǎo)致表面質(zhì)量檢測不準確。

2、現(xiàn)有公開號為cn118115428a的中國專利申請文件公開了一種金屬棒材表面缺陷檢測方法，屬于缺陷檢測技術(shù)領(lǐng)域。該申請專利文件包括：一，將采集到的待測金屬棒材表面圖片采用clahe進行預(yù)處理，利用nsst對預(yù)處理后的圖像進行分解和重構(gòu)。二，在yolov5中改進m-spp模塊替換主干網(wǎng)絡(luò)中的spp模塊，添加改進的空間和坐標注意力模塊sca，特征融合網(wǎng)絡(luò)中添加一個新尺度的特征提取層，改進損失函數(shù)。三，將增強后的數(shù)據(jù)送入網(wǎng)絡(luò)中進行迭代訓(xùn)練，并使用cosine?warmup算法對學(xué)習(xí)率進行調(diào)整。四，模型訓(xùn)練完成后，將待檢測圖片輸入到訓(xùn)練后得到的最優(yōu)模型中，檢測出金屬棒材表面缺陷位置、尺寸及數(shù)量。該申請文件結(jié)合yolov5與圖像處理，模型結(jié)構(gòu)相對簡單，可以一定程度上提高金屬棒材表面缺陷的準確率。

3、上述申請文件中，通過增強圖像的對比度，使缺陷特征更加明顯，對圖像進行分解和重構(gòu)，以提取更多的紋理和邊緣信息；目前，傳統(tǒng)的圖像增強包括：圖像疊加、對比度增強和亮度調(diào)整等，其中對比度增強和亮度調(diào)整為常用技術(shù)手段，但單純的圖像疊加時，會將不必要的紋理特征都提取到，從而影響增強后的表面質(zhì)量檢測的準確性。

技術(shù)實現(xiàn)思路

1、為解決單純的圖像疊加時，會將不必要的紋理特征都提取到，從而影響增強后的表面質(zhì)量檢測的準確性的問題，本發(fā)明在如下方面中提供方案。

2、一種異形棒材表面質(zhì)量檢測方法，包括：獲取多張不同角度的異形棒材的表面圖像的灰度圖像，獲取每個灰度圖像的光強矩陣，計算光強矩陣對應(yīng)區(qū)域的劃分特征，基于劃分特征預(yù)設(shè)檢測閾值，確定疑似異常圖像；對不同角度的疑似異常圖像進行圖像疊加并獲取疊加指數(shù)，基于疊加指數(shù)進行排序，滿足停止疊加條件時，獲得邊緣顯化圖像；將所述邊緣顯化圖像與標準圖像作差，將非零點的個數(shù)與所有像素點個數(shù)的比值作為表面質(zhì)量評價，基于表面質(zhì)量評價判斷異形棒材的質(zhì)量；其中，所述停止疊加條件為：響應(yīng)于不出現(xiàn)新的連續(xù)像素點，則停止疊加，反之，計算出現(xiàn)新的連續(xù)像素點與鄰域的像素點之間的突出程度，響應(yīng)于最小突出程度小于預(yù)設(shè)閾值，則停止疊加；其中，所述突出程度滿足下述關(guān)系式：；式中，、分別表示待疊加圖像和疊加目標中第個新出現(xiàn)的邊緣像素點的像素值，、分別表示待疊加圖像和疊加目標中第個新出現(xiàn)的邊緣像素點的第個鄰域像素點的像素值，表示平均值函數(shù)。

3、其效果在于：通過獲取多角度的灰度圖像并計算光強矩陣，該方法能夠更全面地捕捉異形棒材表面的紋理和特征，從而提高表面缺陷檢測的準確性，利用劃分特征和預(yù)設(shè)的檢測閾值，該方法能夠有效地識別出疑似異常圖像，通過引入疊加指數(shù)和停止疊加條件，能夠在保留重要特征的同時避免不必要的紋理干擾，從而優(yōu)化圖像疊加過程，突出程度的計算和停止疊加條件的應(yīng)用有助于減少誤判和漏檢，提高檢測的可靠性。

4、優(yōu)選的，獲取所述光強矩陣，包括：

5、使用混合高斯分布模型對灰度圖像進行統(tǒng)計灰度級的頻率，以確定灰度值的分布情況，根據(jù)所述混合高斯分布模型確定峰值的個數(shù)，其中，所述峰值表示灰度圖像中不同區(qū)域的灰度中心，將峰值的個數(shù)作為k-means聚類的個數(shù)進行聚類，得到多個聚類簇，對每個聚類簇構(gòu)建一個光強矩陣。

6、其效果在于：通過混合高斯分布模型能夠更精細地分析灰度圖像中灰度級的分布情況，通過擬合多個高斯分布來捕捉圖像中不同區(qū)域的灰度特征，并構(gòu)建多個光強矩陣，該方法能夠更準確地分割圖像，每個光強矩陣對應(yīng)一個聚類簇，可以更準確地評估圖像的局部質(zhì)量，有助于提高產(chǎn)品質(zhì)量控制的標準。

7、優(yōu)選的，所述計算光強矩陣對應(yīng)區(qū)域的劃分特征，包括：

8、計算光強矩陣對應(yīng)聚類簇中每個像素點與聚類中心之間的距離作為離心程度，計算所述光強矩陣中所有像素點的灰度均值，將所述離心程度與所述灰度均值之間的絕對差值求和的平均值，并進行歸一化處理，得到光強矩陣對應(yīng)區(qū)域的劃分特征。

9、其效果在于：通過分析離心程度，有助于分析圖像的紋理結(jié)構(gòu)，其中，紋理通常與像素點相對于區(qū)域中心的分布有關(guān)，能夠捕捉到圖像中每個像素點相對于其聚類中心的位置信息，有助于更精確地描述圖像的特征。

10、優(yōu)選的，所述基于劃分特征預(yù)設(shè)檢測閾值，確定疑似異常圖像，包括：

11、響應(yīng)于劃分特征大于預(yù)設(shè)檢測閾值，則光強矩陣對應(yīng)的區(qū)域存在異常的可能性更高，反之，光強矩陣對應(yīng)的區(qū)域存在異常的可能性較低；

12、將劃分特征大于預(yù)設(shè)檢測閾值的光強矩陣對應(yīng)的灰度圖像作為疑似異常圖像。

13、其效果在于：通過自動識別疑似異常圖像，可以更有效地分配檢查資源，優(yōu)先對可能存在問題的部分進行詳細分析，便于快速定位存在異常區(qū)域的圖像。

14、優(yōu)選的，所述對不同角度的疑似異常圖像進行圖像疊加，包括：

15、獲取同一角度下的疑似異常圖像集合，以第一張疑似異常圖像為疊加目標，除疊加目標以外其他疑似異常圖像作為待疊加圖像，將所述疊加目標與所述待疊加圖像進行疊加。

16、其效果在于：通過疊加不同角度的疑似異常圖像，可以增強異常特征的可見性，使得原本在單張圖像中不明顯的缺陷在疊加圖像中更加突出，疊加圖像可以提供更全面的視角信息，有助于更準確地識別和確認異常區(qū)域，減少誤判和漏判。

17、優(yōu)選的，獲取所述疊加指數(shù)，包括：

18、獲取所述疊加目標與所述待疊加圖像的重疊邊緣和非重疊邊緣；

19、計算第張待疊加圖像和疊加目標重疊的所有邊緣的像素點個數(shù)之和與疊加目標的所有邊緣的像素點個數(shù)之和之間的比值，作為第一比值；

20、獲取第張待疊加圖像的重合邊緣的個數(shù)與所有待疊加圖像的重合邊緣的個數(shù)的最大值之間的比值，作為第二比值；

21、將所述第一比值與所述第二比值之間的乘積作為第張待疊加圖像與疊加目標的疊加指數(shù)。

22、其效果在于：通過綜合考慮重疊邊緣的像素點個數(shù)和重合邊緣的個數(shù)，能夠更準確地評估圖像之間的匹配程度，有利于根據(jù)疊加指數(shù)快速識別哪些待疊加圖像與疊加目標的匹配程度最高，從而優(yōu)化圖像疊加的選擇過程。

23、優(yōu)選的，獲取所述疊加指數(shù)，還包括：

24、計算第張待疊加圖像中每條重合邊緣的長度，將重合邊緣個數(shù)作為權(quán)重進行加權(quán)求和，得到邊緣加權(quán)長度；

25、計算所有待疊加圖像的重合邊緣長度的總和與所有待疊加圖像的重合邊緣個數(shù)的總和的乘積，得到重合邊緣綜合度；

26、將所述邊緣加權(quán)長度與所述重合邊緣綜合度之間的比值作為第張待疊加圖像與疊加目標的疊加指數(shù)。

27、優(yōu)選的，所述邊緣顯化圖像的像素值為疊加后所有像素點的均值。

28、優(yōu)選的，所述基于表面質(zhì)量評價判斷異形棒材的質(zhì)量，包括：

29、響應(yīng)于表面質(zhì)量評價大于預(yù)設(shè)閾值，則異形棒材為劣質(zhì)棒材，反之，則異形棒材為優(yōu)質(zhì)棒材。

30、本發(fā)明具有以下效果：

31、1、本發(fā)明通過計算光強矩陣對應(yīng)區(qū)域的劃分特征，并根據(jù)劃分特征預(yù)設(shè)檢測閾值來確定疑似異常圖像，能夠快速定位局部表面缺陷，更準確地區(qū)分表面缺陷和不必要的紋理特征，有助于減少誤報，即避免將正常的紋理誤判為缺陷，從而提高了表面質(zhì)量檢測的準確性。

32、2、本發(fā)明通過從多角度將疑似異常圖像進行圖像疊加，根據(jù)疊加指數(shù)和停止疊加條件來控制圖像疊加的過程，確保只有真正重要的特征被增強，而不必要的紋理特征被抑制，有效地突出了異常特征，使得檢測系統(tǒng)能夠更可靠地識別和定位表面缺陷。