一种基于同态滤波的零件精密度检测方法与流程

1.本发明涉及数据处理技术领域，具体涉及一种基于同态滤波的零件精密度检测方法。


背景技术：

2.由于精密零件在机器的整体机械结构中发挥着重要作用，一些细微的差别都会导致机器出现问题，所以在对精密零件进行检测时，对所采集的用于完成精密零件缺陷检测的精密零件图像就有了很高的要求，要求其尽可能准确反应精密零件表面缺陷与轮廓信息，尽可能更多地显示零件细节。
3.由于精密零件为金属，所以不可避免地会因反光而导致采集到的精密零件图像亮度不均，因此为了确保检测精度，现有技术一般采用同态滤波对图像进行增强处理，以解决光照不均问题。
4.但是，在使用同态滤波对图像进行增强处理时，由于每个图像最适用的同态滤波截止频率均不相同，所以现有技术以经验对同态滤波截止频率进行取值的检测方法便无法保证同态滤波的增强处理效果，导致检测结果不准确；而若去确定每个图像最适用的同态滤波截止频率，现有技术则需要经过大量的实验计算，加大了计算成本，导致检测效率低。


技术实现要素：

5.本发明提供了一种基于同态滤波的零件精密度检测方法，用以解决现有技术无法高效、准确地采用同态滤波完成零件精密度检测的问题，所采用的技术方案具体如下：本发明的一种基于同态滤波的零件精密度检测方法，包括以下步骤：识别零件表面，得到零件表面图像；采用同态滤波方法对零件表面图像进行增强处理，得到增强后的零件表面图像；其中，同态滤波过程中所使用的滤波函数的截止频率的确定方法为：对所述零件表面图像进行时频转换，得到零件表面图像的频谱图；以频谱图最中间高亮中心点为圆心，以圆心为出发点按照设定步长依次增加圆半径，计算每个圆半径所对应的圆周上包含亮度信息的像素点在圆周上所有像素点中的占比值；计算任意两个相邻圆半径所对应的占比值的差值，并确定所有差值中的最大差值，进而确定最大差值对应的两个相邻圆半径，以所述最大差值对应的两个相邻圆半径中的较小半径在频谱图上所对应的频率值作为滤波函数的截止频率；将增强后的零件表面图像输入神经网络模型，判断零件表面是否存在缺陷。
6.本发明的有益效果为：本发明基于识别得到的零件表面图像，从图像中获取零件表面数据，然后对所获取的零件表面数据进行数据处理分析，基于转换得到的零件表面图像的频谱图，给出了在利用同态滤波方法对每个零件表面图像进行增强处理时，最适用于当前零件表面图像的截
止频率计算方法，相较于现有技术凭经验设置截止频率或者通过大量实验计算得到每个零件表面图像的截止频率的方法，本发明明显减少了计算量且提高了对零件表面图像的增强效果，提高了零件精密度检测效率与准确度，解决了现有技术无法高效、准确识别零件表面缺陷的问题。显而易见，本发明该方法集成为生产领域的人工智能系统，或作为人工智能优化操作系统、人工智能中间件，亦或用于计算机视觉软件开发后，可显著提高零件精密度检测效率和准确度。
7.进一步的，所述依次计算每个圆半径所对应的圆周上，包含亮度信息的像素点在圆周上所有像素点中的占比值的过程为：基于所述圆心在所述频谱图上做霍夫圆检测，将频谱图中的像素点进行二值化处理重新赋值为灰度值1以及灰度值0，其中灰度值为1的像素点表示包含亮度信息的像素点，灰度值为0的像素点表示不包含亮度信息的像素点；以所述圆心为出发点，以一个像素点为步长，逐次增加圆半径，并统计不同圆半径所对应的圆周上灰度值为1的像素点相较于圆周上所有像素点的占比：式中表示圆半径为r时的圆周上所有像素点的数量，表示圆半径为r时的圆周上灰度值为1的像素点的数量，表示圆半径为r时灰度值为1的像素点相较于圆周上所有像素点的占比。
8.进一步的，所述滤波函数为：其中，为滤波函数，和分别为最大幅度和最小幅度，，，为截止频率，为所述零件表面图像的频谱图中像素点(u,v)的频率与中心频率的频率差。
9.进一步的，所述神经网络模型为dnn神经网络模型。
附图说明
10.图1是本发明的基于同态滤波的零件精密度检测方法的流程图。
具体实施方式
11.下面结合附图及实施例，对本发明的一种基于同态滤波的零件精密度检测方法进行详细说明。
12.方法实施例：本发明的一种基于同态滤波的零件精密度检测方法实施例，其整体流程如图1所示，具体过程如下：步骤一，使用图像采集设备完成零件表面图像的采集。
13.采用相关的电子设备，如工业相机进行图形识别以获取零件表面图像。
14.使用加权平均法对所获得的零件表面图像进行灰度化处理，得到零件表面灰度图像，当然也可以采用现有技术中的其它灰度化处理方法。
15.由于零件是由金属制造的，而金属表面会反射光线，所以采集到的零件表面图像会呈现出反射部分亮度很大，其余部分显示较暗的情况，相应的，灰度化后的零件表面灰度图像，便存在反射部分灰度值大，其余部分灰度值小的情况。
16.由于所识别得到的零件表面图像存在光照不均的现象，故需要采用同态滤波对其进行增强处理。
17.步骤二，采用改进后的同态滤波方法对零件表面图像进行增强处理。
18.1、使用同态滤波对零件表面图像进行处理。
19.将得到的零件表面灰度图像看做是由入射分量和反射分量组合而成的，记这幅图像为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，为入射分量，为反射分量。
20.入射分量属于变化较慢的低频部分，低频区域中灰度变化较慢，反应在图像中就是一片区域里面的灰度值大体相同，例如强光直射区，为了处理光照不均的问题，这部分频率是需要减少的部分；而反射分量相当于变化较快的高频区域，高频区域反应了细节和边缘部分，为了增强细节就需要增强高频区域。因此在使用同态滤波对图像进行增强处理时，应减少低频信息增大高频信息，从而使图像细节突出，显示出更多的信息。
21.反射分量和入射分量在时域上是紧密相连的，直接对时域进行处理的话并不太好处理，因此同态滤波将其转换到频域上进行处理，首先对公式（1）等号两侧各取对数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）得到公式（2），然后对公式（2）等号两侧进行傅里叶变换：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）此时公式（3）中的零件表面灰度图像就已经是频域图像了，该图像是频谱图，图像中间为高亮低频区域，外侧为暗处高频区域。通过傅里叶变换处理后，便可认为零件表面灰度图像是由高频图像和低频图像相加得到，后续采用滤波函数对图像进行滤波处理：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）通过分别对图像中的高频图像和低频图像进行处理，便实现了对低频信息的减小以及对高频信息的增大。
22.之后，将处理过后的图像也即公式（4）进行反傅里叶变换，得到：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）然后再对公式（5）取指数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）最终得到的图像便是经同态滤波增强之后的图像。
23.2、对同态滤波所使用的滤波函数的确定方式进行优化。
24.在上述使用同态滤波对零件表面图像进行处理的过程中可以看到，整个同态滤波过程中最重要的就是对滤波器也即滤波函数的选择，具体即为滤波函数的截止频率的确定。
25.对于频谱图来说，中间高亮区域为低频区域，外侧暗处为高频区域，以频谱图最中间高亮中心点为圆心，记为，向外延展，那么越靠近圆心的点其对应频率越小，越远离圆心的点其对应频率越大，也即，从圆心点开始根据所选择的半径的不同，对应频率也会不同。
26.根据频谱图的上述特征，本发明给出了一种同态滤波截止频率的确定方法：以为圆心在频谱图上做霍夫圆检测，将频谱图中的像素点进行二值化处理重新赋值为两类，分别为灰度值为1的像素点和灰度值为0的像素点，其中灰度值为1的像素点表示包含亮度信息的像素点，灰度值为0的像素点表示不包含亮度信息的像素点。
27.以一个像素点为步长，统计以为圆心的不同半径所对应的圆周上灰度值为1的像素点相较于圆周上所有像素点的占比：式中表示半径为r时形成的圆周上所有像素点的数量，表示半径为r的圆周上灰度值为1的像素点的数量。表示半径为r时灰度值为1的像素点相较于圆周上所有像素点的占比。
28.对于频谱图来说，频谱图由中心高亮部分和外围黑暗部分构成，而区分高低频并没有一个严格的标准，在本发明中，将上述以步长依次增大半径r而对应得到的所有，按照顺序依次作差，并确定作差得到的最大差值：照顺序依次作差，并确定作差得到的最大差值：就表示对任意两个相邻占比值作差得到的最大值，表示半径为时所对应的圆周上灰度值为1的像素点相较于圆周上所有像素点的占比，表示半径为时所对应的圆周上灰度值为1的像素点相较于圆周上所有像素点的占比，半径相较于半径的长一个像素点，半径所对应的频率即为低频的分界频率。
29.对于同态滤波来说，需要的参数为截止频率，最大幅度和最小幅度，其中截止频率
就表示滤波函数在某一半径距离内不再增长，记其为，在本发明中利用霍夫圆确定高低频的分界频率，该分界频率其实就是截止频率，即取值为半径对应的频率值。
30.最大幅度和最小幅度分别表示增强效果和抑制效果，设最大幅度和最小幅度分别为,，令最大幅度，确保能够增强高频区域，令最小幅度，确保能够抑制低频信息的同时又保证低频信息能够通过滤波器，滤波器主体为高斯滤波器，因此得到了本方案的滤波器：至此，通过频域上的霍夫变化确定了图像最适用的同态滤波的截止频率，由此确定了本发明使用的同态滤波函数。
31.步骤三，使用神经网络检测该零件中是否存在缺陷。
32.在上述零件表面图像增强完成后，就可以基于所得的增强后的零件表面图像对零件精密度进行检测，判断零件表面是否存在缺陷。本发明使用神经网络包围框目标检测方法来检测零件缺陷部分。
33.该神经网络为dnn神经网络，其具体内容如下所示：1).网络采用encoder-decoder的形式，网络的输入为增强后的零件表面图像，输出为包围框中心点和回归出的包围框宽高尺寸以及一个对应的概率值。
34.2).网络所使用的训练集为存在缺陷的零件表面图像。
35.3).通过卷积和池化的操作对输入神经网络的零件表面图像进行下采样提取空域特征，以此来确认什么地方有缺陷，给可能有缺陷的地方以一个包围框圈住，并且其中给出可能为缺陷的概率。
36.在网络处理完成之后，就会得到几个包围框，并且得到包围框对应的概率值，若某个包围框对应的概率值大于70%，则认为该包围框内的区域存在缺陷。
37.至此，采用神经网络便可完成零件表面是否存在缺陷的判断。
38.整体来看，本发明对每个需同态滤波的图像都可对应给出其最适用的滤波函数截止频率，从而使每个图像的增强效果达到最优，且本发明给出的同态滤波截止频率的计算方法相较于现有计算方法减小了计算量，最终使本发明可更为高效、准确地采用同态滤波完成零件精密度检测。
39.以上所述实施例仅用以说明本技术的技术方案，而非对其进行限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。