技术特征：
1.一种基于机器视觉的手机壳生产品质检测方法，其特征在于，该方法包括：获得手机壳表面图像进行预处理得到灰度图，其中手机壳包括相机孔；将灰度图划分为预设尺寸的像素块，并得到各像素块的对比度、熵、能量以及灰度值的平均值、方差、极大值、极小值；利用每两个像素块的对比度、熵、能量以及灰度值的平均值、方差、极大值、极小值获得每两个像素块的综合差异；基于每两个像素块的综合差异进行分类获得不同类别的像素块；获得灰度图中相机孔区域包含像素块的数量；将任一像素块作为目标像素块，其中目标像素块所属类别为目标像素块的第一类别；根据除第一类别外其他每个类别内像素块与目标像素块的综合差异的平均值获得目标像素块的第二类别；根据第一类别内像素块的数量、相机孔区域包含像素块的数量和所有像素块的数量获得目标像素块的抑制因子；利用目标像素块与第一、第二类别内像素块的综合差异、目标像素块的抑制因子和类别数量获得目标像素块的第一显著性；目标像素块与邻域内像素块构成组合像素块，根据组合像素块和所述邻域内像素块的对比度、熵和能量获得目标像素块的第二显著性；基于目标像素块的第一、第二显著性获得目标像素块的显著性；获得所有像素块的显著性，其中像素块的显著性为像素块内各像素点的显著性；利用不同预设尺寸下各像素点的显著性获得灰度图中各像素点最终显著性；基于各像素点最终显著性对灰度图进行线性增强，并对进行线性增强后的灰度图进行检测得到手机壳的缺陷。2.根据权利要求1所述的一种基于机器视觉的手机壳生产品质检测方法，其特征在于，所述利用每两个像素块的对比度、熵、能量以及灰度值的平均值、方差、极大值、极小值获得每两个像素块的综合差异包括：计算每两个像素块的对比度、熵和能量的欧式距离得到每两个像素块的纹理差异；计算每两个像素块的灰度值的极大值和极小值的差值，作为每两个像素块的极差；计算每两个像素块的灰度值的平均值、灰度值的方差和极差的欧氏距离获得每两个像素块的灰度差异；每两个像素块的灰度差异和纹理差异的和的平均值为每两个像素块的综合差异。3.根据权利要求1所述的一种基于机器视觉的手机壳生产品质检测方法，其特征在于，所述获得灰度图中相机孔区域包含像素块的数量包括：利用canny算子对灰度图进行边缘检测获得灰度图中闭合边缘，闭合边缘包括的区域为闭合边缘区域，面积最大的闭合边缘区域为相机孔区域；相机孔区域内包含像素块的数量包括完全在相机孔区域内的像素块的数量和部分区域在相机孔区域内的像素块的数量。4.根据权利要求1所述的一种基于机器视觉的手机壳生产品质检测方法，其特征在于，所述根据除第一类别外其他每个类别内像素块与目标像素块的综合差异的平均值获得目标像素块的第二类别包括；获得除第一类别外其他每个类别内像素块与目标像素块的综合差异的平均值的最小值，所述综合差异的平均值的最小值对应的除第一类别外其他各类别中的像素块类别为目标像素块的第二类别。5.根据权利要求1所述的一种基于机器视觉的手机壳生产品质检测方法，其特征在于，所述根据第一类别内像素块的数量、相机孔区域包含像素块的数量和所有像素块的数量获得目标像素块的抑制因子包括：获得第一类别内像素块的数量和相机孔区域包含像素块的数量的差值；所述差值与所有像素块的数量的比值为目标像素块的抑制因子。
6.根据权利要求1所述的一种基于机器视觉的手机壳生产品质检测方法，其特征在于，所述第一显著性为：其中，表示目标像素块的第一显著性；表示像素块分类的类别数；表示目标像素块的第一类别中像素块的数量，表示第一类别中第i个像素块与目标像素块的综合差异；表示目标像素块的第二类别中像素块的数量，表示第二类别中第j个像素块与目标像素块的综合差异；表示目标像素块的抑制因子；表示调节系数；表示以自然常数e为底的指数函数。7.根据权利要求1所述的一种基于机器视觉的手机壳生产品质检测方法，其特征在于，所述目标像素块与邻域内像素块构成组合像素块，根据组合像素块和所述邻域内像素块的对比度、熵和能量获得目标像素块的第二显著性包括：将目标像素块与四邻域内像素块分别组合获得四个组合像素块，基于灰度共生矩阵获得每个组合像素块的对比度、熵、能量；目标像素块的第二显著性为：其中，表示目标像素块的第二显著性；表示目标像素块对应的第a个组合像素块的熵，表示目标像素块对应的四邻域内第a个像素块的熵；表示目标像素块对应的第a个组合像素块的对比度，表示目标像素块对应的四邻域内第a个像素块的对比度；表示目标像素块对应的第a个组合像素块的能量，表示目标像素块对应的四邻域内第a个像素块的能量。8.根据权利要求1所述的一种基于机器视觉的手机壳生产品质检测方法，其特征在于，所述目标像素块的显著性为：其中，表示目标像素块的显著性；表示目标像素块的第一显著性；表示目标像素块的第二显著性；表示以自然常数e为底的指数函数。9.根据权利要求1所述的一种基于机器视觉的手机壳生产品质检测方法，其特征在于，所述各像素点最终显著性为：其中，n表示像素点的最终显著性；表示预设尺寸变换的次数，也即是共有个预设尺寸；表示第m个预设尺寸下像素点的显著性。10.根据权利要求1所述的一种基于机器视觉的手机壳生产品质检测方法，其特征在于，所述基于各像素点最终显著性对灰度图进行线性增强，并对进行线性增强后的灰度图
进行检测得到手机壳的缺陷包括：对于灰度图中的一个像素点，将该像素点的最终显著性与第一预设值相加并乘以该像素点的灰度值得到像素点线性增强后的灰度值；得到灰度图中所有像素点线性增强后的灰度值，由此得到线性增强后的灰度图；利用边缘检测和霍夫圆检测对线性增强后的灰度图进行分析，其中检测到的不是手机壳边缘的边缘线为划痕缺陷，检测到圆为坑点缺陷。
技术总结
本发明涉及图像处理技术领域，具体涉及一种基于机器视觉的手机壳生产品质检测方法。该方法包括：获得手机壳表面图像的灰度图；将灰度图划分为预设尺寸的像素块，基于目标像素块的第一、第二显著性获得目标像素块的显著性；获得所有像素块的显著性，其中像素块的显著性为像素块内各像素点的显著性；利用不同预设尺寸下各像素点的显著性获得灰度图中各像素点最终显著性；基于各像素点最终显著性对灰度图进行线性增强，并对进行线性增强后的灰度图进行检测得到手机壳的缺陷。本发明基于每个像素点的最终显著性对灰度图进行线性增强，使得灰度图的缺陷部分更加显著，进而降低了对手机壳的缺陷检测时的难度，提高了对手机壳缺陷检测时的准确性。时的准确性。时的准确性。
技术研发人员：卢敏雁 柏昌学 徐全双 黎明鲜
受保护的技术使用者：深圳市欣冠精密技术有限公司
技术研发日：2022.08.30
技术公布日：2022/10/3