CN117437219B - 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及基于计算机视觉的磁胶电感不规则外观缺陷检测方法。该方法获取磁胶电感外观的灰度图像；根据灰度值的分布，获取像素点的噪声程度值；根据噪声程度值，获取像素点的滤波概率值筛选出参考像素点；根据参考像素点的噪声程度值和滤波概率值，获取参考像素点的相似程度筛选出疑似噪声像素点；根据疑似噪声像素点的相似程度、灰度值和疑似噪声像素点的第一预设窗口中邻域像素点的噪声程度值，获取疑似噪声像素点的滤波权重进行去噪，获得去噪后的灰度图像进行缺陷检测，确定缺陷区域。本发明通过获取疑似噪声像素点的滤波权重，对灰度图像进行准确的去噪，去除了噪声的干扰，准确检测出缺陷区域。

Description

基于计算机视觉的磁胶电感不规则外观缺陷检测方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及基于计算机视觉的磁胶电感不规则外观缺陷检测方法。

背景技术

磁胶电感指的是使用磁胶材料制作的电感器件，具有良好的柔韧性和磁性能，在电子组件制造中常被用作电感的包覆材料，由磁芯、线圈和包装材料组成。磁胶电感的外壳在生产过程中容易由于磨损而产生缺陷问题，影响磁胶电感的质量以及销售。因此，需要对磁胶电感的外观进行缺陷检测，确定磁胶电感的质量合格。

现有方法中通过边缘检测算法对磁胶电感的外观进行缺陷检测，获取磁胶电感外观中的缺陷区域。在实际情况中，磁胶电感的外观会出现不同程度的噪声，导致对磁胶电感外观中的缺陷区域检测不准确，不能对磁胶电感的质量进行准确的判断。

发明内容

为了解决噪声导致的磁胶电感外观的缺陷区域检测不准确的技术问题，本发明的目的在于提供一种基于计算机视觉的磁胶电感不规则外观缺陷检测方法，所采用的技术方案具体如下：

本发明提出了一种基于计算机视觉的磁胶电感不规则外观缺陷检测方法，该方法包括以下步骤：

获取磁胶电感外观的灰度图像；

根据灰度图像中每个像素点的灰度值，获取高灰度值区间；构建灰度图像中每个像素点的第一预设窗口，根据高灰度值区间中的灰度值与灰度图像中每个像素点的灰度值差异，以及每个像素点的第一预设窗口中灰度值分布，获取灰度图像中每个像素点的噪声程度值；

根据每个第一预设窗口中每个像素点的噪声程度值，获取灰度图像中每个像素点的滤波概率值；

根据滤波概率值筛选出参考像素点；根据每个参考像素点与其他每个参考像素点对应的第一预设窗口中相同位置的像素点之间的噪声程度值的差异，以及每个参考像素点的滤波概率值，获取每个参考像素点的相似程度；

根据相似程度筛选出疑似噪声像素点；根据每个疑似噪声像素点的相似程度、灰度值和每个疑似噪声像素点的第一预设窗口中邻域像素点的噪声程度值，以及其他疑似噪声像素点的第一预设窗口中邻域像素点的噪声程度值，获取每个疑似噪声像素点的滤波权重；

根据所述滤波权重，对每个疑似噪声像素点进行去噪，获得去噪后的灰度图像进行缺陷检测，确定灰度图像中的缺陷区域。

进一步地，所述高灰度值区间的获取方法为：

根据灰度图像中的灰度值从小到大的顺序，获取灰度直方图；其中，灰度直方图的横轴为灰度值，灰度直方图的纵轴为每个灰度值对应的像素点数量；

将灰度直方图中最小的像素点数量对应的灰度值，作为目标灰度值；

将灰度直方图中目标灰度值与最大灰度值之间的灰度值区间，作为高灰度值区间。

进一步地，所述构建灰度图像中每个像素点的第一预设窗口，根据高灰度值区间中的灰度值与灰度图像中每个像素点的灰度值差异，以及每个像素点的第一预设窗口中灰度值分布，获取灰度图像中每个像素点的噪声程度值的方法为：

获取高灰度值区间中灰度值的均值，作为第一均值；

对于灰度图像中的任一像素点，以该像素点为中心，构建该像素点的第一预设窗口；

获取该像素点的灰度值与第一均值的差异，作为第一差异；

获取该像素点的第一预设窗口中每个像素点与该像素点的灰度值差异，作为第二差异；

根据所述第一差异和所述第二差异，获取该像素点的噪声程度值。

进一步地，所述噪声程度值的计算公式为：

；

式中，为第j个像素点的噪声程度值；/>为第j个像素点的灰度值；/>为高灰度值区间中的第m个灰度值；M为高灰度值区间中灰度值的总数量；/>为第j个像素点的第一预设窗口中第i个像素点的灰度值；n为第一预设窗口中像素点的总数量；/>为第一均值；/>为第一差异；/>为第二差异；/>为绝对值函数；exp为以自然常数为底数的指数函数。

进一步地，所述滤波概率值的计算公式为：

；

式中，为第j个像素点的滤波概率值；n为第一预设窗口中像素点的总数量；/>为第j个像素点的第一预设窗口中第i个像素点的噪声程度值；/>为第j个像素点的噪声程度值；/>为绝对值函数；norm为归一化函数。

进一步地，所述根据滤波概率值筛选出参考像素点的方法为：

当滤波概率值大于预设的滤波概率值阈值时，将对应的像素点作为参考像素点。

进一步地，所述相似程度的计算公式为：

；

式中，为第a个参考像素点的相似程度；/>为第a个参考像素点的滤波概率值；R为参考像素点的总数量；n为第一预设窗口中像素点的总数量；/>为第a个参考像素点的第一预设窗口中第i个像素点的噪声程度值；/>为第r个参考像素点的第一预设窗口中第i个像素点的噪声程度值；/>为绝对值函数；exp为以自然常数为底数的指数函数。

进一步地，所述根据相似程度筛选出疑似噪声像素点的方法为：

当相似程度大于预设的相似程度阈值时，将对应的参考像素点作为疑似噪声像素点。

进一步地，所述滤波权重的计算公式为：

；

式中，为第e个疑似噪声像素点的滤波权重；K为疑似噪声像素点的总数量；n为第一预设窗口中像素点的总数量；/>为第k个疑似噪声像素点的第一预设窗口中第v个邻域像素点的噪声程度值；/>为第e个疑似噪声像素点的第一预设窗口中第v个邻域像素点的噪声程度值；/>为第e个疑似噪声像素点的相似程度；/>为第e个疑似噪声像素点的灰度值；/>为第一预设常数，大于0；/>为第二预设常数，大于0；norm为归一化函数。

进一步地，所述根据所述滤波权重，对每个疑似噪声像素点进行去噪，获得去噪后的灰度图像进行缺陷检测，确定灰度图像中的缺陷区域的方法为：

对于任一疑似噪声像素点，获取该疑似噪声像素点的第一预设窗口中每个像素点的灰度值均值，作为该疑似噪声像素点的参考灰度值；

将该疑似噪声像素点的滤波权重和参考灰度值的乘积，作为该疑似噪声像素点的去噪灰度值；

根据每个疑似噪声像素点的去噪灰度值，获得去噪后的灰度图像；

通过边缘检测算法对去噪后的灰度图像进行缺陷检测，确定灰度图像中的缺陷区域。

本发明具有如下有益效果：

根据灰度图像中每个像素点的灰度值，获取高灰度值区间，提高获取灰度图像中疑似噪声像素点的效率；构建灰度图像中每个像素点的第一预设窗口，便于分析每个像素点的分布，提高获取疑似噪声像素点的准确性，进而根据高灰度值区间中的灰度值与灰度图像中每个像素点的灰度值差异，以及每个像素点的第一预设窗口中灰度值分布，准确获取灰度图像中每个像素点的噪声程度值，为筛选出灰度图像中的疑似噪声像素点做准确，进一步根据每个第一预设窗口中每个像素点的噪声程度值，获取灰度图像中每个像素点的滤波概率值，准确筛选出参考像素点，提高获取疑似噪声像素点的效率和准确性；为了对灰度图像进行准确高效的去噪，进一步根据每个参考像素点与其他每个参考像素点对应的第一预设窗口中相同位置的像素点之间的噪声程度值的差异，以及每个参考像素点的滤波概率值，获取每个参考像素点的相似程度，准确筛选出疑似噪声像素点，提高对灰度图像进行去噪的效率；进一步根据每个疑似噪声像素点的相似程度、灰度值和每个疑似噪声像素点的第一预设窗口中邻域像素点的噪声程度值，以及其他疑似噪声像素点的第一预设窗口中邻域像素点的噪声程度值，准确获取每个疑似噪声像素点的滤波权重，对每个疑似噪声像素点进行准确的去噪，准确的获得去噪后的灰度图像，去除了噪声的干扰，进而对去噪后的灰度图像进行准确的缺陷检测，准确的检测出灰度图像中的缺陷区域，进而准确的对磁胶电感的质量进行判断，避免表面存在缺陷的磁胶电感流入市场。

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为本发明一个实施例所提供的一种基于计算机视觉的磁胶电感不规则外观缺陷检测方法的流程示意图。

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一种基于计算机视觉的磁胶电感不规则外观缺陷检测方法，其具体实施方式、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”指的不一定是同一实施例。此外，一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。

下面结合附图具体的说明本发明所提供的一种基于计算机视觉的磁胶电感不规则外观缺陷检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的磁胶电感不规则外观缺陷检测方法的流程示意图，该方法包括以下步骤：

步骤S1：获取磁胶电感外观的灰度图像。

具体的，在实际情况中磁胶电感的外观存在多个不同颜色的区域，经过磨损造成的缺陷在不同颜色区域中的表现不相同，为了避免不同颜色区域对检测缺陷的干扰，本发明实施例对磁胶电感进行区域划分，每次只检测同种颜色区域的磁胶电感。因此，后续出现的磁胶电感为只包含一种颜色的磁胶电感。

通过相机获取磁胶电感外观图像，为了更好的对磁胶电感外观的缺陷区域进行检测，本发明实施例将采集的磁胶电感外观图像进行灰度化处理，获取磁胶电感外观的灰度图像。其中，灰度化处理为现有技术，不再进行赘述。需要说明的是，磁胶电感外观经过磨损后的缺陷区域在灰度图像中的灰度值比较大。

本发明实施例的具体场景：只针对同种颜色的磁胶电感外壳，同时磁胶电感外壳不受光照的影响。

本发明实施例的目的为：磁胶电感的外观经过磨损后的缺陷区域在灰度图像中的灰度值比较大，同时，灰度图像中噪声像素点的灰度值也比较大，导致在获取灰度图像中的缺陷区域时，容易将噪声像素点误认为缺陷像素点。当灰度图像中的噪声比较严重时，则无法准确的检测出磁胶电感外观中的缺陷区域，不能准确的确定磁胶电感的质量。因此，本发明实施例对灰度图像中的每个像素点进行分析，获取每个像素点的噪声程度值，进而获取疑似噪声像素点，确定每个疑似噪声像素点滤波权重，避免噪声对磁胶电感外壳的缺陷检测产生影响，进而准确的检测出磁胶电感外壳中的缺陷区域。

步骤S2：根据灰度图像中每个像素点的灰度值，获取高灰度值区间；构建灰度图像中每个像素点的第一预设窗口，根据高灰度值区间中的灰度值与灰度图像中每个像素点的灰度值差异，以及每个像素点的第一预设窗口中灰度值分布，获取灰度图像中每个像素点的噪声程度值。

具体的，已知噪声像素点在灰度图像中的灰度值比较大，为了提高对灰度图像进行去噪的效率，本发明实施例获取高灰度值区间，其中，噪声像素点的灰度值和缺陷像素点的灰度值一定在高灰度值区间中。

优选地，获取高灰度值区间的方法为：根据灰度图像中的灰度值从小到大的顺序，获取灰度直方图；其中，灰度直方图的横轴为灰度值，灰度直方图的纵轴为每个灰度值对应的像素点数量；将灰度直方图中最小的像素点数量对应的灰度值，作为目标灰度值；将灰度直方图中目标灰度值与最大灰度值之间的灰度值区间，作为高灰度值区间。其中，灰度直方图的获取方法为现有技术，不再进行赘述。其中，将灰度直方图中最小的像素点数量对应的灰度值作为高灰度值区间的起始灰度值的原因为：在灰度图像中正常像素点占主要部分，噪声像素点占比比较小，因此，将灰度直方图中最小的像素点数量对应的灰度值作为高灰度值区间的起始灰度值。若灰度直方图中最小的像素点数量对应的灰度值至少存在两个，将选取最大的灰度值作为目标灰度值，使得高灰度值区间更准确。

当灰度图像中某个像素点的灰度值在高灰度值区间中时，该像素点可能为噪声像素点也可能为缺陷像素点。已知缺陷像素点为集中分布，而噪声像素点是离散分布的，因此，以灰度图像中的每个像素点为中心，构建每个像素点的第一预设窗口，本发明实施例将第一预设窗口的大小设定为，实施者可根据实际情况设定第一预设窗口的大小，在此不进行限定。进而根据高灰度值区间中的灰度值与灰度图像中每个像素点的灰度值差异，以及每个像素点的第一预设窗口中灰度值分布，获取灰度图像中每个像素点的噪声程度值。

优选地，获取噪声程度值的方法为：获取高灰度值区间中灰度值的均值，作为第一均值；对于灰度图像中的任一像素点，获取该像素点的灰度值与第一均值的差异，作为第一差异；获取该像素点的第一预设窗口中每个像素点与该像素点的灰度值差异，作为第二差异；根据第一差异和第二差异，获取该像素点的噪声程度值。

作为一个示例，以灰度图像中的第j个像素点为例，获取第j个像素点的噪声程度值的计算公式为：

；

式中，为第j个像素点的噪声程度值；/>为第j个像素点的灰度值；/>为高灰度值区间中的第m个灰度值；M为高灰度值区间中灰度值的总数量；/>为第j个像素点的第一预设窗口中第i个像素点的灰度值；n为第一预设窗口中像素点的总数量，本发明实施例为；/>为绝对值函数；exp为以自然常数为底数的指数函数；/>为第一均值；为第一差异；/>为第二差异。

需要说明的是，第一差异越小，/>与/>越相等，第j个像素点的灰度值越可能在高灰度值区间中，第j个像素点越不可能为正常像素点，越大，/>越大；为了区分噪声像素点和缺陷像素点，计算，第二差异/>越大，说明第j个像素点与邻域像素点之间的灰度值差异越大，/>越大，第j个像素点的分布越离散，第j个像素点越可能为噪声像素点，越大；因此，/>越大，第j个像素点越可能为噪声像素点。

根据获取第j个像素点的噪声程度值的方法，获取灰度图像中每个像素点的噪声程度值。

步骤S3：根据每个第一预设窗口中每个像素点的噪声程度值，获取灰度图像中每个像素点的滤波概率值。

具体的，为了更准确的获取出灰度图像中的疑似噪声像素点，对灰度图像进行准确的去噪，本发明实施例根据第一预设窗口中每个像素点的噪声程度值的大小，获取灰度图像中每个像素点的滤波概率值。根据滤波概率值对灰度图像中的像素点进行初步筛选，提高获取疑似噪声像素点的效率。其中，获取滤波概率值的方法如下：

作为一个示例，以步骤S2中的第j个像素点为例，获取第j个像素点的第一预设窗口中每个像素点的噪声程度值与第j个像素点的噪声程度值的差值绝对值，作为噪声程度差异。根据噪声程度差异和第j个像素点的噪声程度值，获取第j个像素点的滤波概率值的计算公式为：

；

式中，为第j个像素点的滤波概率值；n为第一预设窗口中像素点的总数量；/>为第j个像素点的第一预设窗口中第i个像素点的噪声程度值；/>为第j个像素点的噪声程度值；/>为绝对值函数；norm为归一化函数；/>为噪声程度差异。

需要说明的是，噪声程度差异越大，/>越大，第j个像素点与邻域像素点的噪声程度值的差异越大，第j个像素点越可能为噪声像素点，/>越大；/>越大，第j个像素点越可能为噪声像素点，/>越大；因此，/>越大，第j个像素点越可能为噪声像素点，需要进行滤波的概率越大。其中，/>的取值范围为0到1。

根据获取第j个像素点的滤波概率值的方法，获取灰度图像中每个像素点的滤波概率值。

步骤S4：根据滤波概率值筛选出参考像素点；根据每个参考像素点与其他每个参考像素点对应的第一预设窗口中相同位置的像素点之间的噪声程度值的差异，以及每个参考像素点的滤波概率值，获取每个参考像素点的相似程度。

具体的，为了更高效准确的对灰度图像中的噪声像素点进行去噪处理，本发明实施例设定预设的滤波概率值阈值为0.5，实施者可根据实际情况设定预设的滤波概率值阈值的大小，在此不进行限定。当滤波概率值大于预设的滤波概率值阈值时，将对应的像素点作为参考像素点。对参考像素点进行分析，获取参考像素点之间的相似程度，已知噪声像素点的灰度值和分布都是相似的，因此，某一参考像素点的相似程度越大，说明筛选出来的该参考像素点越可能为噪声像素点，进而越可能对该参考像素点进行滤波处理。因此，获取每个参考像素点与其他参考像素点之间的相似程度，其中，获取相似程度的具体方法如下：

作为一个示例，以第a个参考像素点为例，获取第a个参考像素点的第一预设窗口中每个像素点的噪声程度值和其他每个参考像素点的第一预设窗口中相同位置像素点的噪声程度值的差值绝对值，作为第三差异，根据第三差异和第a个参考像素点的滤波概率值，获取第a个参考像素点的相似程度的计算公式为：

；

式中，为第a个参考像素点的相似程度；/>为第a个参考像素点的滤波概率值；R为参考像素点的总数量；n为第一预设窗口中像素点的总数量；/>为第a个参考像素点的第一预设窗口中第i个像素点的噪声程度值；/>为第r个参考像素点的第一预设窗口中第i个像素点的噪声程度值；/>为绝对值函数；exp为以自然常数为底数的指数函数；为第三差异。

需要说明的是，越大，说明第a个参考像素点越可能为噪声像素点，/>越大；第三差异/>越小，/>与/>越相等，说明第a个参考像素点的第一预设窗口中第i个像素点和第r个参考像素点的第一预设窗口中第i个像素点的分布越相似，越大，/>越大，第a个参考像素点与第r个参考像素点越相似，/>越大，第a个参考像素点与其他参考像素点均越相似，第a个参考像素点为噪声像素点的概率越大，/>越大；因此，/>越大，第a个参考像素点越可能为噪声像素点，/>代表的是噪声像素点之间的相似程度。其中，/>的取值范围为0到1，/>的取值范围为0到1，因此，/>的取值范围为0到1。

根据获取第a个参考像素点的相似程度的方法，获取每个参考像素点的相似程度。

步骤S5：根据相似程度筛选出疑似噪声像素点；根据每个疑似噪声像素点的相似程度、灰度值和每个疑似噪声像素点的第一预设窗口中邻域像素点的噪声程度值，以及其他疑似噪声像素点的第一预设窗口中邻域像素点的噪声程度值，获取每个疑似噪声像素点的滤波权重。

具体的，为了更准确的筛选出噪声像素点，对灰度图像进行准确的去噪，进而准确的识别出灰度图像中的缺陷区域，本发明实施例进一步根据相似程度筛选出疑似噪声像素点，其中，本发明实施例设定预设的相似程度阈值为0.5，实施者可根据实际情况设定预设的相似程度阈值的大小，在此不进行限定。当相似程度大于预设的相似程度阈值时，将对应的参考像素点作为疑似噪声像素点。至此，确定灰度图像中的疑似噪声像素点，根据每个疑似噪声像素点的相似程度、灰度值和每个疑似噪声像素点的第一预设窗口中邻域像素点的噪声程度值，以及其他疑似噪声像素点的第一预设窗口中邻域像素点的噪声程度值，获取每个疑似噪声像素点的滤波权重。

在实际情况中，噪声像素点的邻域像素点为正常像素点，正常像素点对应的噪声程度值比较小，因此每个疑似噪声像素点的第一预设窗口中的邻域像素点的噪声程度值越小，说明筛选出的疑似噪声像素点越准确，对疑似噪声像素点进行滤波的程度越大，即疑似噪声像素点的滤波权重越大。

作为一个示例，以第e个疑似噪声像素点为例，获取第e个疑似噪声像素点的滤波权重的计算公式为：

；

式中，为第e个疑似噪声像素点的滤波权重；K为疑似噪声像素点的总数量；n为第一预设窗口中像素点的总数量；/>为第k个疑似噪声像素点的第一预设窗口中第v个邻域像素点的噪声程度值；/>为第e个疑似噪声像素点的第一预设窗口中第v个邻域像素点的噪声程度值；/>为第e个疑似噪声像素点的相似程度；/>为第e个疑似噪声像素点的灰度值；/>为第一预设常数，大于0；/>为第二预设常数，大于0；norm为归一化函数。

本发明实施例将设定为0.5，/>设定为0.5，实施者可根据实际情况设定/>和/>的大小，在此不进行限定。

需要说明的是，越小，/>与/>越小，/>越大，说明第e个疑似噪声像素点越可能为噪声像素点，第e个疑似噪声像素点需要进行滤波的程度越大，/>越大；/>越大，第e个疑似噪声像素点越可能为噪声像素点，/>越大；/>越大，第e个疑似噪声像素点越可能为噪声像素点，/>越大；因此，/>越大，说明第e个疑似噪声像素点需要进行滤波程度越大。

根据获取第e个疑似噪声像素点的滤波权重的方法，获取每个疑似噪声像素点的滤波权重。

步骤S6：根据所述滤波权重，对每个疑似噪声像素点进行去噪，获得去噪后的灰度图像进行缺陷检测，确定灰度图像中的缺陷区域。

具体的，为了对灰度图像进行准确高效的去噪处理，本发明实施例根据每个疑似噪声像素点的滤波权重，对每个疑似噪声像素点进行去噪，获得去噪后的灰度图像。

优选地，获得去噪后的灰度图像的方法为：对于任一疑似噪声像素点，获取该疑似噪声像素点的第一预设窗口中每个像素点的灰度值均值，作为该疑似噪声像素点的参考灰度值；将该疑似噪声像素点的滤波权重和参考灰度值的乘积，作为该疑似噪声像素点的去噪灰度值；根据每个疑似噪声像素点的去噪灰度值，获得去噪后的灰度图像。至此，对每个疑似噪声像素点均进行了去噪处理，获得去噪后的灰度图像。

进而对去噪后的灰度图像进行处理，准确获取灰度图像中缺陷区域，本发明实施例通过边缘检测算法对去噪后的灰度图像进行缺陷检测，准确确定灰度图像中的缺陷区域，在另一实施例中实施者可通过阈值分割等其他缺陷检测方法，获取灰度图像中的缺陷区域，在此不进行限定。其中，边缘检测算法和阈值分割均为现有技术，不再进行赘述。将存在缺陷区域的磁胶电感判断为存在质量问题的磁胶电感，将存在质量问题的磁胶电感回收，进行再次加工，确保进入市场的磁胶电感表面不存在质量问题。

至此，本发明完成。

综上所述，本发明实施例获取磁胶电感外观的灰度图像；根据灰度值的分布，获取像素点的噪声程度值；根据噪声程度值，获取像素点的滤波概率值筛选出参考像素点；根据参考像素点的噪声程度值和滤波概率值，获取参考像素点的相似程度筛选出疑似噪声像素点；根据疑似噪声像素点的相似程度、灰度值和疑似噪声像素点的第一预设窗口中邻域像素点的噪声程度值，获取疑似噪声像素点的滤波权重进行去噪，获得去噪后的灰度图像进行缺陷检测，确定缺陷区域。本发明通过获取疑似噪声像素点的滤波权重，对灰度图像进行准确的去噪，去除了噪声的干扰，准确检测出缺陷区域。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (4)

1.一种基于计算机视觉的磁胶电感不规则外观缺陷检测方法，其特征在于，该方法包括以下步骤：

获取磁胶电感外观的灰度图像；

根据灰度图像中每个像素点的灰度值，获取高灰度值区间；构建灰度图像中每个像素点的第一预设窗口，根据高灰度值区间中的灰度值与灰度图像中每个像素点的灰度值差异，以及每个像素点的第一预设窗口中灰度值分布，获取灰度图像中每个像素点的噪声程度值；

根据每个第一预设窗口中每个像素点的噪声程度值，获取灰度图像中每个像素点的滤波概率值；

根据滤波概率值筛选出参考像素点；根据每个参考像素点与其他每个参考像素点对应的第一预设窗口中相同位置的像素点之间的噪声程度值的差异，以及每个参考像素点的滤波概率值，获取每个参考像素点的相似程度；

根据相似程度筛选出疑似噪声像素点；根据每个疑似噪声像素点的相似程度、灰度值和每个疑似噪声像素点的第一预设窗口中邻域像素点的噪声程度值，以及其他疑似噪声像素点的第一预设窗口中邻域像素点的噪声程度值，获取每个疑似噪声像素点的滤波权重；

根据所述滤波权重，对每个疑似噪声像素点进行去噪，获得去噪后的灰度图像进行缺陷检测，确定灰度图像中的缺陷区域；

所述构建灰度图像中每个像素点的第一预设窗口，根据高灰度值区间中的灰度值与灰度图像中每个像素点的灰度值差异，以及每个像素点的第一预设窗口中灰度值分布，获取灰度图像中每个像素点的噪声程度值的方法为：

获取高灰度值区间中灰度值的均值，作为第一均值；

对于灰度图像中的任一像素点，以该像素点为中心，构建该像素点的第一预设窗口；

获取该像素点的灰度值与第一均值的差异，作为第一差异；

获取该像素点的第一预设窗口中每个像素点与该像素点的灰度值差异，作为第二差异；

根据所述第一差异和所述第二差异，获取该像素点的噪声程度值；

所述滤波概率值的计算公式为：

；

式中，为第j个像素点的滤波概率值；n为第一预设窗口中像素点的总数量；/>为第j个像素点的第一预设窗口中第i个像素点的噪声程度值；/>为第j个像素点的噪声程度值；/>为绝对值函数；norm为归一化函数；

所述根据滤波概率值筛选出参考像素点的方法为：

当滤波概率值大于预设的滤波概率值阈值时，将对应的像素点作为参考像素点；

所述相似程度的计算公式为：

；

式中，为第a个参考像素点的相似程度；/>为第a个参考像素点的滤波概率值；R为参考像素点的总数量；n为第一预设窗口中像素点的总数量；/>为第a个参考像素点的第一预设窗口中第i个像素点的噪声程度值；/>为第r个参考像素点的第一预设窗口中第i个像素点的噪声程度值；/>为绝对值函数；exp为以自然常数为底数的指数函数；

所述滤波权重的计算公式为：

；

式中，为第e个疑似噪声像素点的滤波权重；K为疑似噪声像素点的总数量；n为第一预设窗口中像素点的总数量；/>为第k个疑似噪声像素点的第一预设窗口中第v个邻域像素点的噪声程度值；/>为第e个疑似噪声像素点的第一预设窗口中第v个邻域像素点的噪声程度值；/>为第e个疑似噪声像素点的相似程度；/>为第e个疑似噪声像素点的灰度值；/>为第一预设常数，大于0；/>为第二预设常数，大于0；norm为归一化函数；

所述根据所述滤波权重，对每个疑似噪声像素点进行去噪，获得去噪后的灰度图像进行缺陷检测，确定灰度图像中的缺陷区域的方法为：

对于任一疑似噪声像素点，获取该疑似噪声像素点的第一预设窗口中每个像素点的灰度值均值，作为该疑似噪声像素点的参考灰度值；

将该疑似噪声像素点的滤波权重和参考灰度值的乘积，作为该疑似噪声像素点的去噪灰度值；

根据每个疑似噪声像素点的去噪灰度值，获得去噪后的灰度图像；

通过边缘检测算法对去噪后的灰度图像进行缺陷检测，确定灰度图像中的缺陷区域。

2.如权利要求1所述一种基于计算机视觉的磁胶电感不规则外观缺陷检测方法，其特征在于，所述高灰度值区间的获取方法为：

根据灰度图像中的灰度值从小到大的顺序，获取灰度直方图；其中，灰度直方图的横轴为灰度值，灰度直方图的纵轴为每个灰度值对应的像素点数量；

将灰度直方图中最小的像素点数量对应的灰度值，作为目标灰度值；

将灰度直方图中目标灰度值与最大灰度值之间的灰度值区间，作为高灰度值区间。

3.如权利要求1所述一种基于计算机视觉的磁胶电感不规则外观缺陷检测方法，其特征在于，所述噪声程度值的计算公式为：

；

式中，为第j个像素点的噪声程度值；/>为第j个像素点的灰度值；/>为高灰度值区间中的第m个灰度值；M为高灰度值区间中灰度值的总数量；/>为第j个像素点的第一预设窗口中第i个像素点的灰度值；n为第一预设窗口中像素点的总数量；/>为第一均值；/>为第一差异；/>为第二差异；/>为绝对值函数；exp为以自然常数为底数的指数函数。

4.如权利要求1所述一种基于计算机视觉的磁胶电感不规则外观缺陷检测方法，其特征在于，所述根据相似程度筛选出疑似噪声像素点的方法为：

当相似程度大于预设的相似程度阈值时，将对应的参考像素点作为疑似噪声像素点。