CN116152242B - 一种篮球用天然皮革缺陷可视化检测*** - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种篮球用天然皮革缺陷可视化检测***，该***包括存储器和处理器，处理器执行存储器存储的计算机程序，以实现如下步骤：获取预设数目个边缘检测阈值对应的边缘图像，根据每个边缘检测阈值对应的边缘图像，对待检测区域的灰度图像进行初步缺陷检测处理，确定初步缺陷区域；确定初步缺陷区域的缺陷程度，根据缺陷程度确定第一缺陷区域；对第一缺陷区域进行扩散处理，将扩散处理后的第一缺陷区域确定为第二缺陷区域。本发明根据篮球缺陷的图像特征信息，实现了对篮球缺陷区域的准确识别，可以应用于篮球外观缺陷检测领域。

Description

一种篮球用天然皮革缺陷可视化检测***

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种篮球用天然皮革缺陷可视化检测***。

背景技术

目前，篮球制品采用的制作原料主要是人造皮革。在利用人造皮革制作篮球时，受温度等其他外接因素的影响，篮球制品表面可能存在没有纹理的不明显缺陷，为了保证篮球制品具备高品质，要求对表面存在缺陷的篮球进行相应处理，需要对存在缺陷的篮球制品进行缺陷区域识别，以降低后续进行产品缺陷修复的复杂度。

随着工业摄像机以及图像处理技术的日益发展，利用机器视觉进行篮球制品表面缺陷检测的技术也在逐渐发展，也就是现有的图像缺陷识别技术在制品质量检测领域得到了广泛的应用。常用图像缺陷识别技术主要是边缘检测算法，其只能实现较为明显的缺陷检测，但对于篮球表面的不明显缺陷呈现浅显的不同于皮革纹理的小块状缺陷，难以实现对篮球皮革表面的纹理的不明显缺陷进行有效检测，也就是缺陷区域识别的准确度较低。可见，针对现存的问题，提供一种快速简便、以及科学有效的识别出存在缺陷的篮球中的缺陷区域的检测方法具有重要意义。

发明内容

为了解决上述现有篮球表面缺陷区域检测准确度较低的技术问题，本发明的目的在于提供一种，所采用的技术方案具体如下：

本发明一个实施例提供了一种篮球用天然皮革缺陷可视化检测***，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

获取篮球的待检测区域的灰度图像，根据所述灰度图像确定预设数目个边缘检测阈值对应的边缘图像；

对每个边缘检测阈值对应的边缘图像的像素点数目进行排序，根据排序后的每个边缘检测阈值对应的边缘图像的像素点数目，确定目标边缘检测阈值；

根据目标边缘检测阈值对应的边缘图像与最小边缘检测阈值对应的边缘图像，确定初步缺陷区域；

根据初步缺陷区域内每个像素点的灰度值，确定初步缺陷区域的缺陷程度，根据所述缺陷程度确定第一缺陷区域；

对所述第一缺陷区域进行扩散处理，将扩散处理后的第一缺陷区域确定为第二缺陷区域。

进一步地，根据排序后的每个边缘检测阈值对应的边缘图像的像素点数目，确定目标边缘检测阈值，包括：

根据排序后的每个边缘检测阈值对应的边缘图像的像素点数目，对边缘图像的像素点数目的变化情况进行分析，将前后边缘检测阈值对应的像素点数目相差最大的边缘检测阈值确定为目标边缘检测阈值。

进一步地，根据目标边缘检测阈值对应的边缘图像与最小边缘检测阈值对应的边缘图像，确定初步缺陷区域，包括：

将目标边缘检测阈值对应的边缘图像与最小边缘检测阈值对应的边缘图像相减，获得差值图像；对差值图像中灰度值不为零的像素点进行聚类处理，将聚类簇构成的区域确定为初步缺陷区域。

进一步地，根据初步缺陷区域内每个像素点的灰度值，确定初步缺陷区域的缺陷程度，包括：

确定初步缺陷区域对应的灰度直方图，对初步缺陷区域对应的灰度直方图进行拟合处理，获得拟合处理后的灰度直方图；

将拟合处理后的灰度直方图对应的灰度均值确定为第一缺陷因子；

计算拟合处理后的灰度直方图中每个灰度级与目标灰度级之间的差值绝对值，将所述差值绝对值确定为对应灰度级的第二缺陷因子；

将每个灰度级对应的像素出现频率与对应灰度级的第二缺陷因子的比值确定为对应灰度级的第三缺陷因子；

对每个灰度级的第三缺陷因子进行负相关映射处理，将每个灰度级的第三缺陷因子的负相关映射值的累加值确定为第四缺陷因子；

将第一缺陷因子与第四缺陷因子的乘积确定为初步缺陷区域的缺陷程度。

进一步地，对所述第一缺陷区域进行扩散处理的步骤包括：

提取第一缺陷区域的任意一个最外层像素点，将最外层像素点的预设邻域内每个像素点的灰度值与对应最外层像素点的预设邻域的像素灰度均值之间的差值的绝对值，确定为对应最外层像素点的预设邻域内对应像素点的相似指标；

若最外层像素点的预设邻域内任意一个像素点的相似指标小于预设相似阈值，则将该像素点确定为第一缺陷区域的扩散像素点，将扩散像素点添加到对应第一缺陷区域中，形成新的缺陷区域，将新的缺陷区域确定为第二缺陷区域。

进一步地，根据所述缺陷程度确定第一缺陷区域，包括：

对缺陷程度进行归一化处理，判断归一化处理后的缺陷程度是否大于预设缺陷阈值，若大于预设缺陷阈值，则将缺陷程度大于预设缺陷阈值的初步缺陷区域确定为第一缺陷区域。

本发明具有如下有益效果：

本发明提供了一种篮球用天然皮革缺陷可视化检测***，该***通过对篮球的待检测区域的灰度图像进行图像数据处理，获得了可以评估缺陷程度的缺陷指标，利用缺陷指标获得了更准确的篮球缺陷区域，其便于后续对篮球缺陷区域进行修复处理，主要应用于篮球外观缺陷检测领域。通过多个不同的边缘检测阈值对灰度图像进行边缘检测，可以获得不同检测程度的边缘图像，根据边缘图像结合篮球缺陷区域的图像特征信息，有助于获得更全面的初步缺陷区域。相比传统边缘检测算法获得缺陷区域，一定程度上降低了噪声点等不良因素的影响，有助于克服篮球皮革缺陷不明显难以准确分割的缺陷；为了避免光源等环境因素形成的模糊区域误判为初步缺陷区域的可能性，根据初步缺陷区域的像素灰度，结合篮球区域灰度分布均匀和灰度值较高的图像特征信息，确定初步缺陷区域的缺陷程度，利用缺陷程度可以从多个初步缺陷区域中剔除非缺陷区域，获得第一缺陷区域，其有效提高了缺陷区域识别的准确度和真实性；为了获得更精准的缺陷区域，对第一缺陷区域进行扩散处理，并将扩散处理后的第一缺陷区域确定为第二缺陷区域，使图像缺陷检测的准确程度得到了进一步提升。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一种篮球用天然皮革缺陷可视化检测方法的流程图；

图2为本发明实施例中的篮球的待检测区域图像；

图3为本发明实施例中的边缘检测阈值51对应的边缘图像；

图4为本发明实施例中的边缘检测阈值77对应的边缘图像；

图5为本发明实施例中的边缘检测阈值102对应的边缘图像；

图6为本发明实施例中的不同边缘检测阈值对应的像素数目的变化曲线；

图7为本发明实施例中的目标边缘检测阈值对应的边缘图像；

图8为本发明实施例中的边缘检测阈值为0时对应的边缘图像；

图9为本发明实施例中的初步缺陷区域对应的拟合处理后的灰度直方图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

为了便于后续对瑕疵篮球进行修复处理工作，需要确定瑕疵篮球表面图像中的缺陷区域，瑕疵篮球是指存在缺陷的篮球。相比背景区域，瑕疵篮球的缺陷区域在整个表面图像中并不明显，仅受分布皮革纹理的影响，故传统边缘检测算法对瑕疵篮球的缺陷区域进行识别的效果较差，为了提高瑕疵篮球缺陷区域确定的准确性，本实施例提供了一种篮球用天然皮革缺陷可视化检测***，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

获取篮球的待检测区域的灰度图像，根据灰度图像确定预设数目个边缘检测阈值对应的边缘图像；

根据每个边缘检测阈值对应的边缘图像，对待检测区域的灰度图像进行初步缺陷检测处理，确定初步缺陷区域；

根据初步缺陷区域对应的灰度直方图，确定初步缺陷区域的缺陷程度，根据缺陷程度确定第一缺陷区域；

对第一缺陷区域进行扩散处理，将扩散处理后的第一缺陷区域确定为第二缺陷区域。

下面对上述各个步骤进行详细展开：

参考图1，示出了本发明一种篮球用天然皮革缺陷可视化检测方法，该检测方法包括以下步骤：

S1，获取篮球的待检测区域的灰度图像，根据灰度图像确定预设数目个边缘检测阈值对应的边缘图像，其步骤包括：

第一步，获取篮球的待检测区域的灰度图像。

本实施例的应用场景为：对存在缺陷的篮球进行缺陷区域识别，以获得更准确的缺陷区域。首先，利用工业相机，拍摄存在缺陷的篮球区域的表面图像，将存在缺陷的篮球区域确定为待检测区域，篮球的待检测区域图像如图2所示。然后，为了简化矩阵，实现RGB（Red Green Blue，红绿蓝）三通道到单通道的转换，提高后续操作运算的效率，对待检测区域的表面图像进行灰度化处理，获得待检测区域的灰度图像。灰度化处理的方法包括但不限于：最大值法、平均值法以及加权平均法，灰度化处理的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。

第二步，根据灰度图像确定预设数目个边缘检测阈值对应的边缘图像。

在本实施例中，利用预设数目个边缘检测阈值，对灰度图像进行不同程度的边缘检测，获得每个边缘检测区域对应的边缘图像。边缘检测阈值的间隔可以为5，取值范围可以为0到255之间，那么目标边缘检测区域的预设数目可以为51个。边缘检测的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。边缘检测阈值51对应的边缘图像如图3所示，边缘检测阈值77对应的边缘图像如图4所示，边缘检测阈值102对应的边缘图像如图5所示。由图3、图4和图5对比可知，随着边缘检测阈值的逐渐减小，边缘图像中的非缺陷区域的边缘像素点数目呈现逐渐增加的趋势，而缺陷区域也逐渐显现识别出来。因此，缺陷区域为边缘像素点较少、且灰度分布均匀的局部区域。

需要说明的是，较小的边缘检测阈值可以将缺陷区域呈现出来，但此时的缺陷区域包含大量的噪声点，检测的缺陷区域的准确度较差。为了提高缺陷区域识别的精准度和准确性，后续需要根据篮球缺陷区域的图像特征信息，对待检测区域的灰度图像进行图像数据处理，以便于获得准确度更高的缺陷区域。边缘检测阈值的间隔和取值范围可以由实施者根据具体实际情况自行设置，不做具体限定。

至此，本实施例获得了每个边缘检测阈值对应的边缘图像。

S2，对每个边缘检测阈值对应的边缘图像的像素点数目进行排序，根据排序后的每个边缘检测阈值对应的边缘图像的像素点数目，确定目标边缘检测阈值，其步骤包括：

第一步，对每个边缘检测阈值对应的边缘图像的像素点数目进行排序。

在本实施例中，为了便于分析不同边缘检测阈值对应的边缘图像的图像特征，观测每个边缘图像中的像素点数目的变化情况，并按照从小到大的顺序或者从大到小的顺序，对预设数目个边缘检测阈值进行排序处理，以便于确定不同边缘检测阈值对应的边缘检测程度之间的差异情况。预设排列顺序可以为从小到大的顺序或者从大到小的顺序。

第二步，根据排序后的每个边缘检测阈值对应的边缘图像的像素点数目，对边缘图像的像素点数目的变化情况进行分析，将前后边缘检测阈值对应的像素点数目相差最大的边缘检测阈值确定为目标边缘检测阈值。

需要说明的是，边缘检测的对象可以为灰度图像中梯度较大的像素点，随着边缘检测阈值的减小，边缘检测到的像素点的梯度也在逐渐减小，即随着边缘检测阈值的减小，边缘检测阈值对应的边缘图像的像素点数目逐渐增多。相比篮球的正常纹理区域，含有缺陷的异常区域中灰度梯度较大的像素点更少，即缺陷区域在边缘检测阈值的减小过程中呈现的稳定程度更好。因此，为了检测图像中可能为缺陷的异常区域像素点，通过每个边缘检测阈值对应的边缘图像的像素点数目，可以确定每个边缘检测阈值对应的稳定程度，稳定程度为初步判定缺陷区域的重要指标，稳定程度越大，后续得到的初步缺陷区域的准确度越高。

比如，可以通过拟合曲线，计算曲线中每个曲线点的斜率，曲线斜率可以表征每个边缘检测阈值的前后边缘检测阈值对应的像素点数目变化程度，像素点数目变化程度可以表征不同边缘检测阈值对应的边缘图像中可能为缺陷的像素点的稳定性，确定像素点的稳定性便于后续初步提取可能含有缺陷的异常区域。具体为：

首先，将排序后的边缘检测阈值作为横坐标，记为，其取值范围可以为0到255，将边缘检测阈值对应的边缘图像的像素点数目（图像中检测出的像素点个数）作为纵坐标，记为/>，基于排序后每个边缘检测阈值对应的边缘图像的像素点数目，拟合变化曲线，不同边缘检测阈值对应的像素数目的变化曲线如图6所示。由图6可知，按照边缘检测阈值从大到小的顺序观察，可以发现，随着边缘检测阈值的减小，边缘图像的像素点数目逐渐增加，可以将第n个边缘检测阈值/>作为分界点，在分界点/>之后的边缘检测阈值对应的边缘图像的像素点数目的增长幅度较大，在分界点/>之前的边缘检测阈值对应的边缘图像的像素点数目的增长幅度较小。

然后，计算变化曲线中每个曲线点的斜率的二阶导数，将斜率的二阶导数确定为稳定程度，将最大稳定程度对应的曲线点的横坐标（边缘检测阈值）确定为目标边缘检测阈值，目标边缘检测阈值可以表征两侧的边缘检测阈值对应的像素点数目变化差异最大。计算曲线点的斜率的二阶导数的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。

其中，确定最大稳定程度的计算公式可以为：

，

其中，为最大稳定程度，/>为第i个曲线点的斜率的二阶导数，/>为拟合曲线中每个曲线点的斜率的二阶导数构成的数集，/>为数集中的最大二阶导数，i为拟合曲线中曲线点的序号，m为拟合曲线中曲线点的个数，即边缘检测阈值的个数，/>为第i个曲线点的纵坐标，/>为第i个曲线点的横坐标，/>为求最大值函数。

又如，还可以计算每个边缘检测阈值的前一个边缘检测阈值对应的像素点数目与后一个边缘检测阈值对应的像素点数目之间的差值绝对值，将像素点数目之间的差值绝对值确定为对应边缘检测阈值的稳定程度，将最大稳定程度对应的边缘检测阈值确定为目标边缘检测阈值。对于最大边缘检测阈值和最小边缘检测阈值，暂且不考虑。

S3，根据目标边缘检测阈值对应的边缘图像与最小边缘检测阈值对应的边缘图像，确定初步缺陷区域。

将目标边缘检测阈值对应的边缘图像与最小边缘检测阈值对应的边缘图像相减，获得差值图像，对差值图像中灰度值不为零的像素点进行聚类处理，将聚类簇构成的区域确定为初步缺陷区域。

在本实施例中，为了便于理解，假设目标边缘检测阈值为50，目标边缘检测阈值对应的边缘图像如图7所示，边缘检测阈值为0时对应的边缘图像如图8所示，图8和图7相减，可以获得差值图像中的多个离散的像素点，离散的的像素点即为差值图像中灰度值不为零的像素点。多个离散的像素点的稳定性更高，更有可能是含有缺陷的异常区域像素点。由于篮球缺陷为局部区域，而非离散的像素点，需要对多个离散的像素点进行密度聚类，获得初步缺陷区域。

其中，对多个离散的像素点进行密度聚类。将多个离散的像素点从差值图像中提取出来，根据每个离散像素点的坐标位置信息，利用现有聚类方法，对多个离散的像素点进行聚类处理，获得聚类簇，将聚类簇构成的区域确定为初步缺陷区域。需要说明的是，初步缺陷区域的个数至少为1个，现有聚类方法包括但限于：基于密度的DBSCAN（Density-BasedSpatial Clustering of Applications with Noise，基于密度的聚类算法）聚类、均值漂移聚类以及K-means（k-means clustering algorithm，K均值算法）聚类。

至此，本实施例获得了待检测区域的初步缺陷区域。

S4，根据初步缺陷区域内每个像素点的灰度值，确定初步缺陷区域的缺陷程度，根据缺陷程度确定第一缺陷区域。

需要说明的是，受工业相机拍摄角度和环境光线等外界因素的影响，导致采集的待检测区域的表面图像存在部分无缺陷但显示较为模糊的区域，此时对待检测区域进行初步缺陷检测时，可能会将显示较为模糊的无缺陷区域误判为初步缺陷区域。为了提高缺陷区域识别的准确性，需要根据缺陷区域的图像特征信息，确定缺陷判定指标，利用缺陷判定指标将多个初步缺陷区域中的无缺陷区域剔除，其步骤包括：

首先，根据初步缺陷区域内每个像素点的灰度值，确定初步缺陷区域的缺陷程度。

作为示例，其步骤包括：

第一步，确定初步缺陷区域对应的灰度直方图，对初步缺陷区域对应的灰度直方图进行拟合处理，获得拟合处理后的灰度直方图。

在本实施例中，相比非缺陷区域，篮球缺陷区域的灰度分布更为均匀，灰度值也相对较高。为了便于准确分析每个初步缺陷区域的灰度分布状况，基于初步缺陷区域内每个像素点的灰度值，可以获得初步缺陷区域对应的灰度直方图，灰度直方图的获取过程为现有技术，此处不再进行详细阐述。为了提高灰度直方图的灰度分布特征，将灰度直方图中每个灰度级对应的像素出现频率的均值处所对应的灰度级，作为对应初步缺陷区域用于图像处理的高斯模型的均值，利用该单个高斯模型对对应初步缺陷区域的灰度直方图进行拟合处理，获得拟合处理后的灰度直方图，高斯模型拟合处理的过程为现有技术，此处不再进行详细阐述。

第二步，将拟合处理后的灰度直方图对应的灰度均值确定为第一缺陷因子。

在本实施例中，根据每个初步缺陷区域对应拟合处理后的灰度直方图中每个灰度级对应的像素出现频率，可以计算每个初步缺陷区域对应的灰度均值。由于缺陷区域内的灰度值较高，故可以将初步缺陷区域对应的灰度均值作为评估缺陷程度的重要指标值，即将灰度均值确定为第一缺陷因子。

第三步，计算拟合处理后的灰度直方图中每个灰度级与目标灰度级之间的差值绝对值，将差值绝对值确定为对应灰度级的第二缺陷因子。

在本实施例中，目标灰度级是指拟合处理后的灰度直方图中每个灰度级对应的像素出现频率的均值处所对应的灰度级作为目标灰度级，若像素出现频率的均值出现在多个灰度级中，则将多个灰度级的均值确定为目标灰度级，若像素出现频率的均值没有出现在任何一个灰度级中，将最接近的灰度级确定为目标灰度级。为了便于分析拟合处理后的灰度直方图中的每个灰度级与目标灰度级的差异情况，计算每个灰度级均与对应的目标灰度级之间差值绝对值，然后，为了便于后续描述，将每个灰度级对应的灰度值的差值绝对值确定为第二缺陷因子。每个灰度级均有其对应的第二缺陷因子。

第四步，将每个灰度级对应的像素出现频率与对应灰度级的第二缺陷因子的比值确定为对应灰度级的第三缺陷因子。

第五步，对每个灰度级的第三缺陷因子进行负相关映射处理，将每个灰度级的第三缺陷因子的负相关映射值的累加值确定为第四缺陷因子。

第六步，将第一缺陷因子与第四缺陷因子的乘积确定为初步缺陷区域的缺陷程度。

例如，初步缺陷区域的缺陷程度的计算公式可以为：

，

其中，为第k个初步缺陷区域的缺陷程度，/>为第k个初步缺陷区域的第一缺陷因子，j为第k个初步缺陷区域对应的拟合处理后的灰度直方图中灰度级的序号，/>为第k个初步缺陷区域对应的拟合处理后的灰度直方图中灰度级的个数，/>为第k个初步缺陷区域对应的拟合处理后的灰度直方图中第j个灰度级对应的像素出现频率，/>为第k个初步缺陷区域对应的拟合处理后的灰度直方图的目标灰度级，/>为第k个初步缺陷区域对应的拟合处理后的灰度直方图中的第j个灰度级，/>为第k个初步缺陷区域对应的拟合处理后的灰度直方图中第j个灰度级的第二缺陷因子，/>为第k个初步缺陷区域对应的拟合处理后的灰度直方图中第j个灰度级的第三缺陷因子，为第k个初步缺陷区域的第四缺陷因子，/>为以自然常数e为底的指数函数，在本发明的一些实施例中，负相关映射可以具体例如为负相关的归一化映射，则/>表示归一化函数。

初步缺陷区域对应的拟合处理后的灰度直方图如图9所示，在图9中拟合处理后的灰度直方图的横坐标为边缘检测阈值，其取值范围为0到255，拟合处理后的灰度直方图的纵坐标为像素点个数。由图9可知，目标灰度级可以表征整个拟合处理后的灰度直方图的灰度分布状况，第二缺陷因子/>与缺陷程度/>为正相关，/>即为，第二缺陷因子越大，说明第j个灰度级与目标灰度级之间的距离越远，缺陷程度越大；第j个灰度级对应的像素出现频率/>与缺陷程度/>为负相关，/>越大，说明在初步缺陷区域内该灰度级的像素点个数较多，在拟合处理后的灰度直方图中呈现的高度越高，缺陷程度越小。

在初步缺陷区域的缺陷程度的计算公式中，第一缺陷因子与缺陷程度/>为正相关，第一缺陷因子越大，说明对应初步缺陷区域内像素点的灰度值越大，缺陷程度越大，即对应初步缺陷区域为缺陷区域的可能性越大；第三缺陷因子/>与缺陷程度/>为负相关，故需要对/>进行负相关映射，可以获得第三缺陷因子的负相关映射值，即；第三缺陷因子的负相关映射值/>可以表征第j个灰度级相对于目标灰度级的像素分布均匀程度，第j个灰度级对应的像素出现频率越大、且与目标灰度级的差异越小，像素分布均匀程度越小；为了从整体衡量初步缺陷区域的像素灰度分布均匀程度，使每个灰度级的第三缺陷因子的负相关映射值的累加值确定为对应初步缺陷区域的第四缺陷因子/>，第四缺陷因子越大，说明第k个初步缺陷区域对应的拟合处理后的灰度直方图越趋向于单峰性，像素灰度分布均匀程度越差，缺陷程度越小；初步缺陷区域的缺陷程度，从缺陷区域图像特征的两个角度，即灰度值和灰度分布均匀程度，分析初步缺陷区域的缺陷程度，有助于提高缺陷程度的准确度；缺陷程度/>越小，说明第k个初步缺陷区域对应的拟合处理后的灰度直方图呈现的高瘦效果越明显，呈现的单峰效果越明显，第k个初步缺陷区域为缺陷区域的可能性越小。

又如，初步缺陷区域的缺陷程度的计算公式可以为：，

其中，为第k个初步缺陷区域的缺陷程度，/>为第k个初步缺陷区域的第一缺陷因子，j为第k个初步缺陷区域对应的拟合处理后的灰度直方图中灰度级的序号，/>为第k个初步缺陷区域对应的拟合处理后的灰度直方图中灰度级的个数，/>为第k个初步缺陷区域对应的拟合处理后的灰度直方图中第j个灰度级对应的像素出现频率，/>为第k个初步缺陷区域对应的拟合处理后的灰度直方图的目标灰度级，/>为第k个初步缺陷区域对应的拟合处理后的灰度直方图中的第j个灰度级，/>为第k个初步缺陷区域对应的拟合处理后的灰度直方图中第j个灰度级的第二缺陷因子，/>为第k个初步缺陷区域对应的拟合处理后的灰度直方图中第j个灰度级的第三缺陷因子，/>为第k个初步缺陷区域的第四缺陷因子，a为超参数，用于防止分式分母为0的特殊情况，超参数a可以设置为0.01。

然后，根据缺陷程度确定第一缺陷区域。

在本实施例中，对每个初步缺陷区域的缺陷程度进行归一化处理，判断每个初步缺陷区域对应的归一化处理后的缺陷程度是否大于预设缺陷阈值，若大于预设缺陷阈值，则将缺陷程度大于预设缺陷阈值的初步缺陷区域确定为第一缺陷区域。预设缺陷阈值取经验值为0.7，实施者可根据具体实际情况自行设置预设缺陷阈值，这里不做具体限定。归一化处理的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。归一化处理方法包括但不限于：最大-最小归一化、标准差归一化以及小数定标归一化等。

至此，本实施例得到了待检测区域中的第一缺陷区域。

S5，对第一缺陷区域进行扩散处理，将扩散处理后的第一缺陷区域确定为第二缺陷区域。

需要说明的是，真实的篮球皮革缺陷区域边缘与正常皮革之间呈现一定的渐变性，故第一缺陷区域只是大致的缺陷区域，并非准确的缺陷区域，为了得到更准确的缺陷区域，对每个第一缺陷区域的边缘进行扩散，可以获得更准确的缺陷区域，更准确的缺陷区域即为完成扩散处理的第二缺陷区域。

提取第一缺陷区域的任意一个最外层像素点，将最外层像素点的预设邻域内每个像素点的灰度值与对应最外层像素点的预设邻域的像素灰度均值之间的差值的绝对值，确定为对应最外层像素点的预设邻域内对应像素点的相似指标；若最外层像素点的预设邻域内任意一个像素点的相似指标小于预设相似阈值，则将该像素点确定为第一缺陷区域的扩散像素点，将扩散像素点添加到对应第一缺陷区域中，形成新的缺陷区域，将新的缺陷区域确定为第二缺陷区域。

在本实施例中，利用现有边缘检测方法，可以检测到第一缺陷区域的最外层边缘，获得每个第一缺陷区域的各个最外层像素点。对于每个最外层像素点的八邻域范围内像素点，标记满足灰度相似条件的像素点为扩散像素点，将扩散像素点添加到对应第一缺陷区域中，形成新的缺陷区域，将新的缺陷区域作为第二缺陷区域，实现了对待检测区域中缺陷区域的准确识别。现有边缘检测方法包括但不限于：Canny边缘检测算子、Sobel边缘检测算子以及Roberts算子等。预设邻域范围可以设置为八邻域，这里不做具体限定。

灰度相似条件：将每个最外层像素点的八邻域范围内的每个像素点的相似指标均与预设相似阈值作比对，筛选出相似指标大于预设相似阈值的像素点确定为扩散像素点。预设相似阈值取经验值可以为5，这里不做具体限定，实施者根据具体实际情况自行设置。

例如，灰度相似条件中相似指标的计算公式可以为：

，

其中，为第一缺陷区域中第m个最外层像素点的八邻域范围内第f个像素点的相似指标，/>为第一缺陷区域中第m个最外层像素点的八邻域范围内第f个像素点的灰度值，/>为第一缺陷区域中第m个最外层像素点的八邻域范围的灰度均值，/>为对/>求绝对值，m为第一缺陷区域中最外层像素点的序号，f为第一缺陷区域中最外层像素点的八邻域范围内像素点的序号。

在相似指标的计算公式中，可以表征第一缺陷区域中第m个最外层像素点的八邻域范围内第f个像素点的灰度值与八邻域范围的灰度均值的差异，差异越小说明第f个像素点越有可能为缺陷区域内的像素点，否则，则相反。

在获得待检测区域中的第二缺陷区域后，利用现有图像分割算法将第二缺陷区域提取出来，从而完成了针对篮球缺陷，更为准确的图像缺陷检测。现有图像分割算法包括但不限于：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。

本发明提供了一种篮球用天然皮革缺陷可视化检测***，通过分析不同边缘检测阈值对应边缘图像，确定初步缺陷区域，进而根据初步缺陷区域的灰度分布特征，获得可以评估初步缺陷区域的缺陷程度的缺陷指标，筛选出第一缺陷区域，最后对第一缺陷区域进行扩张处理，获得更为准确的第二缺陷区域，使篮球缺陷区域检测的准确程度得到了进一步的提升。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。

Claims (4)

1.一种篮球用天然皮革缺陷可视化检测***，其特征在于，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

获取篮球的待检测区域的灰度图像，根据所述灰度图像确定预设数目个边缘检测阈值对应的边缘图像；

对每个边缘检测阈值对应的边缘图像的像素点数目进行排序，根据排序后的每个边缘检测阈值对应的边缘图像的像素点数目，确定目标边缘检测阈值；

根据目标边缘检测阈值对应的边缘图像与最小边缘检测阈值对应的边缘图像，确定初步缺陷区域；

根据初步缺陷区域内每个像素点的灰度值，确定初步缺陷区域的缺陷程度，根据所述缺陷程度确定第一缺陷区域；

对所述第一缺陷区域进行扩散处理，将扩散处理后的第一缺陷区域确定为第二缺陷区域；

根据目标边缘检测阈值对应的边缘图像与最小边缘检测阈值对应的边缘图像，确定初步缺陷区域，包括：

将目标边缘检测阈值对应的边缘图像与最小边缘检测阈值对应的边缘图像相减，获得差值图像；对差值图像中灰度值不为零的像素点进行聚类处理，将聚类簇构成的区域确定为初步缺陷区域；

根据初步缺陷区域内每个像素点的灰度值，确定初步缺陷区域的缺陷程度，包括：

确定初步缺陷区域对应的灰度直方图，对初步缺陷区域对应的灰度直方图进行拟合处理，获得拟合处理后的灰度直方图；

将拟合处理后的灰度直方图对应的灰度均值确定为第一缺陷因子；

计算拟合处理后的灰度直方图中每个灰度级与目标灰度级之间的差值绝对值，将所述差值绝对值确定为对应灰度级的第二缺陷因子；

将每个灰度级对应的像素出现频率与对应灰度级的第二缺陷因子的比值确定为对应灰度级的第三缺陷因子；

对每个灰度级的第三缺陷因子进行负相关映射处理，将每个灰度级的第三缺陷因子的负相关映射值的累加值确定为第四缺陷因子；

将第一缺陷因子与第四缺陷因子的乘积确定为初步缺陷区域的缺陷程度。

2.根据权利要求1所述的一种篮球用天然皮革缺陷可视化检测***，其特征在于，根据排序后的每个边缘检测阈值对应的边缘图像的像素点数目，确定目标边缘检测阈值，包括：

根据排序后的每个边缘检测阈值对应的边缘图像的像素点数目，对边缘图像的像素点数目的变化情况进行分析，将前后边缘检测阈值对应的像素点数目相差最大的边缘检测阈值确定为目标边缘检测阈值。

3.根据权利要求1所述的一种篮球用天然皮革缺陷可视化检测***，其特征在于，对所述第一缺陷区域进行扩散处理的步骤包括：

提取第一缺陷区域的任意一个最外层像素点，将最外层像素点的预设邻域内每个像素点的灰度值与对应最外层像素点的预设邻域的像素灰度均值之间的差值的绝对值，确定为对应最外层像素点的预设邻域内对应像素点的相似指标；

若最外层像素点的预设邻域内任意一个像素点的相似指标小于预设相似阈值，则将该像素点确定为第一缺陷区域的扩散像素点，将扩散像素点添加到对应第一缺陷区域中，形成新的缺陷区域，将新的缺陷区域确定为第二缺陷区域。

4.根据权利要求1所述的一种篮球用天然皮革缺陷可视化检测***，其特征在于，根据所述缺陷程度确定第一缺陷区域，包括：

对缺陷程度进行归一化处理，判断归一化处理后的缺陷程度是否大于预设缺陷阈值，若大于预设缺陷阈值，则将缺陷程度大于预设缺陷阈值的初步缺陷区域确定为第一缺陷区域。