本發(fā)明主要涉及竹席缺陷檢測領(lǐng)域，具體涉及一種竹塊缺陷檢測方法和系統(tǒng)。

背景技術(shù)：

隨著全球低碳經(jīng)濟浪潮的興起及“綠色、環(huán)保、可持續(xù)發(fā)展”理念的倡導，竹制品越來越受到全世界消費者的青睞。

而現(xiàn)階段全國各麻將涼席生產(chǎn)廠家竹塊的篩選主要依靠的是工人肉眼的判斷，效率低下，判斷標準也不統(tǒng)一。因此設(shè)計一套竹塊快速的缺陷檢測算法十分必要，將有助于提高麻將涼席的生產(chǎn)效率，增加企業(yè)收益。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是提供一種竹塊缺陷檢測方法和系統(tǒng)，通過對竹塊圖像進行區(qū)域大小檢測、初步紋理檢測、輪廓缺陷檢測、正反面檢測和深度紋理檢測，從而判斷出竹塊是否存在缺陷，判斷出的結(jié)果較精確。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：一種竹塊缺陷檢測方法，包括如下步驟：

步驟S1：利用攝像設(shè)備獲取竹塊圖像；

步驟S2：判斷竹塊圖像的區(qū)域范圍是否屬于預設(shè)感興趣區(qū)域ROI(region of interest)的范圍內(nèi)，如果屬于，則根據(jù)預設(shè)圖像區(qū)域標準值將竹塊圖像裁剪為標準化尺寸，否則得到竹塊不合格的結(jié)果；

步驟S3：根據(jù)預設(shè)灰度值對標準化尺寸的竹塊圖像進行初步紋理檢測，如果紋理正常則執(zhí)行步驟S4，否則得到竹塊不合格的結(jié)果；

步驟S4：利用竹塊偽對稱性對初步紋理檢測正常的竹塊圖像進行輪廓缺陷檢測，如果輪廓正常則執(zhí)行步驟S5，否則得到竹塊不合格的結(jié)果；

步驟S5：利用顏色模型HSV對輪廓正常的竹塊圖像進行正面和反面檢測，如果檢測出是反面則將竹塊翻面，并重復執(zhí)行步驟S1；否則，執(zhí)行步驟S6；

步驟S6：訓練支持向量機分類器，并根據(jù)訓練后的支持向量機分類器對正面的竹塊圖像進行深度紋理識別，從而得到竹塊合格或不合格的結(jié)果。

本發(fā)明的有益效果是：通過對竹塊圖像進行區(qū)域大小檢測、初步紋理檢測、輪廓缺陷檢測、正反面檢測和深度紋理檢測，從而判斷出竹塊是否存在缺陷，判斷出的結(jié)果較精確，有助于提高麻將涼席的生產(chǎn)效率，增加企業(yè)收益。

在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進。

進一步，獲取竹塊圖像后，還包括對竹塊圖像的畫質(zhì)進行優(yōu)化處理的步驟，其包括對竹塊圖像進行白平衡處理、中值濾波處理和高斯濾波的優(yōu)化處理。

采用上述進一步方案的有益效果是：對竹塊圖像進行預處理，主要是減小工廠環(huán)境中易產(chǎn)生的椒鹽噪聲的干擾，便于下面的步驟對竹塊圖像進缺陷檢測。

進一步，對竹塊圖像的畫質(zhì)進行優(yōu)化處理后，還包括利用重心原理將竹塊圖像旋轉(zhuǎn)到水平位置的步驟：求取竹塊圖像的最小外接矩形，并利用重心原理計算出所述最小外接矩形的角度，并根據(jù)該角度且以竹塊圖像的重心為旋轉(zhuǎn)中心進行旋轉(zhuǎn)，從而將竹塊圖像旋轉(zhuǎn)到水平位置。

采用上述進一步方案的有益效果是：將竹塊圖像旋轉(zhuǎn)到水平位置有利于特征的提取。

進一步，具體實現(xiàn)所述步驟S3的方法為：將標準化尺寸的竹塊圖像處理成灰度模式下的竹塊圖像，再判斷竹塊圖像的灰度值是否屬于預設(shè)圖像灰度值范圍，如果屬于，則紋理正常，否則得到竹塊不合格的結(jié)果。

進一步，所述預設(shè)圖像灰度值范圍為60至220；如果灰度竹塊圖像的灰度值小于等于60或大于等于220，則屬于不合格竹塊。

采用上述進一步方案的有益效果是：對竹塊圖像的紋理進行粗略的紋理檢測，來檢測出竹塊表面差異較大的亮斑與黑點。

進一步，具體實現(xiàn)所述步驟S4的方法為：利用竹塊偽對稱性計算竹塊圖像最大內(nèi)接矩形區(qū)域；再分別計算竹塊圖像的上輪廓到所述最大內(nèi)接矩形區(qū)域的上邊緣的平均距離L1以及竹塊圖像的下輪廓到所述最大內(nèi)接矩形區(qū)域的下邊緣的平均距離L2，并計算距離L1與距離L2的差值S，再將所述差值S與預設(shè)距離閾值進行比對，從而篩選出存在輪廓缺陷的竹塊圖像。

采用上述進一步方案的有益效果是：通過最大內(nèi)接矩形區(qū)域?qū)χ駢K輪廓進行計算，得出竹塊的邊緣距離是否符合預設(shè)距離閾值，能夠判斷出竹塊是否存在缺陷。

進一步，具體實現(xiàn)所述步驟S5的方法為：將竹塊圖像轉(zhuǎn)換為HSV顏色模型下的竹塊圖像，再求出所述HSV顏色模型中色調(diào)H空間下竹塊圖像色調(diào)的最大值和最小值以及飽和度S空間下竹塊圖像飽和度的最大值和最小值，再將所述竹塊圖像色調(diào)的最大值和最小值以及竹塊圖像飽和度的最大值和最小值分別與預設(shè)范圍值進行比對，從而檢測出竹塊圖像的正面和反面。

采用上述進一步方案的有益效果是：利用HSV顏色模型對竹塊圖像的色調(diào)及飽和度進行檢測，從而檢測出竹塊圖像的正面和反面。

進一步，將所述竹塊圖像色調(diào)的最大值和最小值以及竹塊圖像飽和度的最大值和最小值分別與預設(shè)范圍值進行比對的具體方法為：所述竹塊圖像色調(diào)的最大值和最小值屬于預設(shè)色調(diào)H空間范圍值內(nèi)，且所述竹塊圖像飽和度的最大值和最小值屬于預設(shè)飽和度S空間范圍值內(nèi)，則檢測出竹塊圖像為正面，否則為反面。

進一步，具體實現(xiàn)所述步驟S6的方法為：

步驟S601：求取HSV顏色模型中飽和度S空間下的竹塊圖像的水平投影值，并求出水平投影值的平均值，其中，水平投影值為一數(shù)組；

步驟S602：遍歷水平投影值，找出水平投影值連續(xù)低于平均值為預設(shè)值a以下的數(shù)值個數(shù)，標記為第一類特征向量；

步驟S603：遍歷水平投影值，找出水平投影值大于水平投影值兩端數(shù)值為預設(shè)值a以上的數(shù)值個數(shù)，標記為第二類特征向量；

步驟S604：分別求出HSV顏色模型中色調(diào)H空間、飽和度S空間和透明度V空間下的竹塊圖像的三個直方圖；

步驟S605：根據(jù)三個直方圖求出色調(diào)H空間、飽和度S空間和透明度V空間下竹塊圖像的灰度均值、方差、偏態(tài)系數(shù)、能量、熵、粗糙度、對比度和方向度的第三類特征向量；

步驟S606：將第一類特征向量、第二類特征向量和第三類特征向量放入支持向量機分類器中訓練，得到訓練后的支持向量機分類器；

步驟S607：通過經(jīng)訓練后的將支持向量機分類器對正面的竹塊圖像進行深度紋理識別，從而得到竹塊合格或不合格的結(jié)果。

采用上述進一步方案的有益效果是：通過提取多類特征向量對支持向量機分類器進行訓練，并利用訓練后的支持向量機分類器對竹塊圖像的深度紋理進行識別，從而能夠快速、準確的得到竹塊合格或不合格的結(jié)果。

本發(fā)明解決上述技術(shù)問題的另一技術(shù)方案如下：一種竹塊缺陷檢測裝置，包括：

圖像獲取模塊，用于利用攝像設(shè)備獲取竹塊圖像；

裁剪模塊，用于判斷竹塊圖像的區(qū)域范圍是否屬于預設(shè)感興趣區(qū)域ROI的范圍內(nèi)，如果屬于，則根據(jù)預設(shè)圖像區(qū)域標準值將竹塊圖像裁剪為標準化尺寸，否則得到竹塊不合格的結(jié)果；

初步紋理檢測模塊，用于根據(jù)預設(shè)灰度值對標準化尺寸的竹塊圖像進行初步紋理檢測，如果紋理正常將初步紋理檢測正常的竹塊圖像發(fā)送輪廓檢測模塊，否則屬于不合格竹塊；

輪廓檢測模塊，用于利用竹塊偽對稱性對初步紋理檢測正常的竹塊圖像進行輪廓缺陷檢測，如果輪廓正常則將輪廓正常的竹塊圖像發(fā)送正反面檢測模塊，否則屬于不合格竹塊；

正反面檢測模塊，用于利用顏色模型HSV對輪廓正常的竹塊圖像進行正面和反面檢測，如果檢測出是反面則將竹塊翻面，并調(diào)用優(yōu)化模塊重新檢測竹塊圖像，否則將正面的竹塊圖像發(fā)送深度紋理檢測模塊；

深度紋理檢測模塊，用于訓練支持向量機分類器，并根據(jù)訓練后的支持向量機分類器對正面的竹塊圖像進行深度紋理識別，從而得到竹塊合格或不合格的結(jié)果。

在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進。

進一步，本裝置還包括優(yōu)化模塊，所述優(yōu)化模塊與所述圖像獲取模塊連接，所述優(yōu)化模塊用于對竹塊圖像的畫質(zhì)進行優(yōu)化處理。

進一步，本裝置還包括旋轉(zhuǎn)模塊，所述旋轉(zhuǎn)模塊與所述優(yōu)化模塊連接，旋轉(zhuǎn)模塊用于將竹塊圖像旋轉(zhuǎn)到水平位置：求取竹塊圖像的最小外接矩形，并利用重心原理計算出所述最小外接矩形的角度，并根據(jù)該角度且以竹塊圖像的重心為旋轉(zhuǎn)中心進行旋轉(zhuǎn)，從而將竹塊圖像旋轉(zhuǎn)到水平位置。

附圖說明

圖1為本發(fā)明檢測方法實施例的方法流程圖；

圖2為本發(fā)明檢測方法實施例中實現(xiàn)步驟S7的方法流程圖；

圖3為本發(fā)明檢測系統(tǒng)實施例的模塊框圖；

圖4為本發(fā)明采用檢測方法采集的竹塊圖像示意圖；

圖5為本發(fā)明采用檢測方法采集的合格竹塊正面示意圖；

圖6為本發(fā)明采用檢測方法采集的合格竹塊反面示意圖；

圖7為本發(fā)明采用檢測方法采集的具有輪廓缺陷的竹塊的示意圖；

圖8為本發(fā)明采用檢測方法采集的具有第一種紋理缺陷的竹塊的示意圖；

圖9為本發(fā)明采用檢測方法采集的具有第二種紋理缺陷的竹塊的示意圖。

具體實施方式

以下結(jié)合附圖對本發(fā)明的原理和特征進行描述，所舉實例只用于解釋本發(fā)明，并非用于限定本發(fā)明的范圍。

如圖1以及圖4-9所示，一種竹塊缺陷檢測方法，包括如下步驟：

步驟1：利用攝像設(shè)備獲取竹塊圖像；

步驟2：對竹塊圖像的畫質(zhì)進行優(yōu)化處理；

步驟3：利用重心原理將竹塊圖像旋轉(zhuǎn)到水平位置；

步驟4：判斷經(jīng)旋轉(zhuǎn)后的竹塊圖像的范圍是否屬于預設(shè)感興趣區(qū)域ROI的范圍內(nèi)，如果屬于，則根據(jù)預設(shè)圖像區(qū)域標準值將竹塊圖像裁剪為標準化尺寸，否則得到竹塊不合格的結(jié)果；

步驟5：根據(jù)預設(shè)灰度值對標準化尺寸的竹塊圖像進行初步紋理檢測，如果紋理正常則執(zhí)行步驟6，否則得到竹塊不合格的結(jié)果；

步驟6：利用竹塊偽對稱性對初步紋理檢測正常的竹塊圖像進行輪廓缺陷檢測，如果輪廓正常則執(zhí)行步驟7，否則得到竹塊不合格的結(jié)果；

步驟7：利用顏色模型HSV對輪廓正常的竹塊圖像進行正面和反面檢測，如果檢測出是反面則將竹塊翻面，并重復執(zhí)行步驟1；否則，執(zhí)行步驟8；

步驟8：訓練支持向量機分類器，并根據(jù)訓練后的支持向量機分類器對正面的竹塊圖像進行深度紋理識別，從而得到竹塊合格或不合格的結(jié)果。

具體的，所述步驟2中對竹塊圖像進行優(yōu)化處理包括對竹塊圖像進行白平衡處理、中值濾波處理和高斯濾波的優(yōu)化處理。本步驟是對竹塊圖像進行預處理，便于下面的步驟對竹塊圖像進缺陷檢測。

具體的，所述步驟3中，求取竹塊圖像的最小外接矩形，并利用重心原理計算出所述最小外接矩形的角度，并根據(jù)該角度且以竹塊圖像的重心為旋轉(zhuǎn)中心進行旋轉(zhuǎn)，從而將竹塊圖像旋轉(zhuǎn)到水平位置。本步驟將竹塊圖像旋轉(zhuǎn)到水平位置有利于對特征的提取。

具體的，所述步驟4中，攝像設(shè)備拍攝到的竹塊圖像的大小為768*1024像素，定位竹塊，感興趣區(qū)域ROI的大小范圍為350-450*350-350像素，不在這個范圍內(nèi)的竹塊判斷為缺陷竹塊，將竹塊圖像統(tǒng)一裁剪為400*300像素的標準化尺寸。

具體實現(xiàn)所述步驟5的方法為：將標準化尺寸的竹塊圖像處理成灰度模式下的竹塊圖像，再判斷竹塊圖像的灰度值是否屬于預設(shè)圖像灰度值范圍，如果屬于，則紋理正常，否則得到竹塊不合格的結(jié)果。

具體的，所述預設(shè)圖像灰度值范圍為60至220；所述灰度竹塊圖像的灰度值小于等于60或大于等于220，則屬于不合格竹塊。本步驟可快速的對竹塊圖像的紋理進行粗略的紋理檢測，來檢測出竹塊表面差異較大的亮斑與黑點。

具體實現(xiàn)所述步驟6的方法為：利用竹塊偽對稱性計算竹塊圖像最大內(nèi)接矩形區(qū)域；再分別計算竹塊圖像的上輪廓到所述最大內(nèi)接矩形區(qū)域的上邊緣的平均距離L1以及竹塊圖像的下輪廓到所述最大內(nèi)接矩形區(qū)域的下邊緣的平均距離L2，并計算距離L1與距離L2的差值S，再將所述差值S與預設(shè)距離閾值進行比對，從而篩選出存在輪廓缺陷的竹塊圖像。本步驟通過最大內(nèi)接矩形區(qū)域?qū)χ駢K輪廓進行計算，得出竹塊的邊緣距離是否符合預設(shè)距離閾值，能夠判斷出竹塊是否存在缺陷。

具體實現(xiàn)所述步驟7的方法為：將竹塊圖像轉(zhuǎn)換為HSV顏色模型下的竹塊圖像，再求出所述HSV顏色模型中色調(diào)H空間下竹塊圖像色調(diào)的最大值和最小值以及飽和度S空間下竹塊圖像飽和度的最大值和最小值，再將所述竹塊圖像色調(diào)的最大值和最小值以及竹塊圖像飽和度的最大值和最小值分別與預設(shè)范圍值進行比對，從而檢測出竹塊圖像的正面和反面。

例如，求出所述HSV顏色模型中色調(diào)H空間下竹塊圖像色調(diào)的最大1％值和最小1％值以及飽和度S空間下竹塊圖像飽和度的最大1％值和最小1％值，所述最小1％值為：按從小到大的順序排列，最小1％值就是從色調(diào)或飽和度最小值的開始算比列，一直到預設(shè)點，小于或等于預設(shè)點的數(shù)目占總數(shù)目的1％；所述最大1％值：按從大到小的順序排列，最大1％值就是從色調(diào)或飽和度最大值的開始算比列，一直到預設(shè)點，大于或等于預設(shè)點的數(shù)目占總數(shù)目的1％，再通過預設(shè)范圍值就可以區(qū)分竹塊圖像的正面和反面了。

本步驟利用HSV顏色模型對竹塊圖像的色調(diào)及飽和度進行檢測，從而檢測出竹塊圖像的正面和反面。

優(yōu)選的，將所述竹塊圖像色調(diào)的最大值和最小值以及竹塊圖像飽和度的最大值和最小值分別與預設(shè)范圍值進行比對的具體方法為：所述竹塊圖像色調(diào)的最大值和最小值屬于預設(shè)色調(diào)H空間范圍值內(nèi)，且所述竹塊圖像飽和度的最大值和最小值屬于預設(shè)飽和度S空間范圍值內(nèi)，則檢測出竹塊圖像為正面，否則為反面。

如圖2所示，具體實現(xiàn)所述步驟8的方法為：

步驟801：求取HSV顏色模型中飽和度S空間下的竹塊圖像的水平投影值，并求出水平投影值的平均值；其中，水平投影值為一數(shù)組；

步驟802：遍歷水平投影值，找出水平投影值連續(xù)低于平均值為預設(shè)值10以下的數(shù)值個數(shù)，標記為第一類特征向量；

步驟803：遍歷水平投影值，找出水平投影值大于水平投影值兩端數(shù)值為預設(shè)值10以上的數(shù)值個數(shù)，標記為第二類特征向量；例如，預設(shè)值為10；

步驟804：分別求出HSV顏色模型中色調(diào)H空間、飽和度S空間和透明度V空間下的竹塊圖像的三個直方圖；

步驟805：根據(jù)三個直方圖求出色調(diào)H空間、飽和度S空間和透明度V空間下竹塊圖像的灰度均值、方差、偏態(tài)系數(shù)、能量、熵、粗糙度、對比度和方向度的第三類特征向量；

步驟806：將第一類特征向量、第二類特征向量和第三類特征向量放入支持向量機分類器中訓練，得到訓練后的支持向量機分類器；

步驟807：通過經(jīng)訓練后的將支持向量機分類器對正面的竹塊圖像進行深度紋理識別，從而得到竹塊合格或不合格的結(jié)果。

通過提取多類特征向量對支持向量機分類器進行訓練，并利用訓練后的支持向量機分類器對竹塊圖像的深度紋理進行識別，從而能夠快速、準確的得到竹塊合格或不合格的結(jié)果。

如圖3所示，一種竹塊缺陷檢測裝置，包括：

圖像獲取模塊，用于利用攝像設(shè)備獲取竹塊圖像；

裁剪模塊，用于判斷竹塊圖像的區(qū)域范圍是否屬于預設(shè)感興趣區(qū)域ROI的范圍內(nèi)，如果屬于，則根據(jù)預設(shè)圖像區(qū)域標準值將竹塊圖像裁剪為標準化尺寸，否則得到竹塊不合格的結(jié)果；

初步紋理檢測模塊，用于根據(jù)預設(shè)灰度值對標準化尺寸的竹塊圖像進行初步紋理檢測，如果紋理正常將初步紋理檢測正常的竹塊圖像發(fā)送輪廓檢測模塊，否則屬于不合格竹塊；

輪廓檢測模塊，用于利用竹塊偽對稱性對初步紋理檢測正常的竹塊圖像進行輪廓缺陷檢測，如果輪廓正常則將輪廓正常的竹塊圖像發(fā)送正反面檢測模塊，否則屬于不合格竹塊；

正反面檢測模塊，用于利用顏色模型HSV對輪廓正常的竹塊圖像進行正面和反面檢測，如果檢測出是反面則將竹塊翻面，并調(diào)用優(yōu)化模塊重新檢測竹塊圖像，否則將正面的竹塊圖像發(fā)送深度紋理檢測模塊；

深度紋理檢測模塊，用于訓練支持向量機分類器，并根據(jù)訓練后的支持向量機分類器對正面的竹塊圖像進行深度紋理識別，從而得到竹塊合格或不合格的結(jié)果。

優(yōu)選的，本裝置還包括優(yōu)化模塊，所述優(yōu)化模塊與所述圖像獲取模塊連接，所述優(yōu)化模塊用于對竹塊圖像的畫質(zhì)進行優(yōu)化處理。

優(yōu)選的，本裝置還包括旋轉(zhuǎn)模塊，所述旋轉(zhuǎn)模塊與所述優(yōu)化模塊連接，旋轉(zhuǎn)模塊用于將竹塊圖像旋轉(zhuǎn)到水平位置：求取竹塊圖像的最小外接矩形，并利用重心原理計算出所述最小外接矩形的角度，并根據(jù)該角度且以竹塊圖像的重心為旋轉(zhuǎn)中心進行旋轉(zhuǎn)，從而將竹塊圖像旋轉(zhuǎn)到水平位置。

本發(fā)明通過對竹塊圖像進行區(qū)域大小檢測、初步紋理檢測、輪廓缺陷檢測、正反面檢測和深度紋理檢測，從而判斷出竹塊是否存在缺陷，判斷出的結(jié)果較精確，有助于提高麻將涼席的生產(chǎn)效率，增加企業(yè)收益。

以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。