CN119417817A 基于机器视觉的涂料缺陷检测方法及系统 （江苏凤凰画材科技股份有限公司）

号类，实现涂料表面缺陷的自动化精准检测与分2获取包含缺陷的涂料历史图像；对所述涂料历史图像训练好的CNN模型中并基于CNN模型的输出结果任一像素点的亮度与所述光照校正因子的乘积作为所述任一像素点的修将所述邻域窗口内各像素点的修正亮度与所述邻域窗口内所有像素点修正亮度均值所述任一像素点与对应超像素区域内聚类中心的波动因子的差值和超像素分割中初;l)表示像素点i与对应超像素区域内聚类中心l的初始度量距离；exp()表示自然指数函;将所有LBP值的标准差作为邻域窗口的纹;3;;基于OpenCV中meanStdDev函数计算各超像素区域RGB空间的颜色均值以及颜色标准使用OpenCV中countNonZero方法获取各使用findContours方法以及arcLength方法获取各超像基于修正亮度计算各超像素区域内的亮度均值以及亮时图像输入训练好的CNN模型中并基于CNN模型的输出结果以判定对应涂料是否存在缺陷，将所述实时图像使用自适应度量距离的超像素分割算法进行获取所有分割后超像素区域的特征向量并输入训练好的CNN模型中得到所有分类结使用Gamma校正算法对降噪后的涂料历史图像对色彩校正后的涂料历史图像使用自适应直方图均衡化提升图像局部器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现权利要求1~945取涂料实时图像输入训练好的CNN模型中并基于CNN模型的输出结果以判定对应涂料是否与对应超像素区域内聚类中心的波动因子的差值和超像素分割中初始度量距离的乘积构6;其中Dimp(i,l)表示像素点i与对应超像素区域内聚类中心l的自适应度量距离；;;;7于OpenCV中meanStdDev函数计算各超像素区域RGB空间的颜色均值以及颜色标准差；基于countNonZero方法获取各超像素区域的面积；使用findContours方法以及arcLength方法获取各超像素区域的周长；基于修正亮度计算各超像素区域内的亮度均值以及亮度标准经网络模型进行缺陷分类，利用多维特征向量提高了检测的精度和对未知缺陷的适应能[0021]通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目8图3是示意性示出本发明中实施例的基于机器视觉的涂料缺陷检测系统结构框明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，光区域颜色明显不同，原超像素分割算法可能将其误判为缺陷或错误地分割为多个超像9;avgavg;;avgavg示光照校正调节参数；ln表示自然对数函数；Umax表示图像中局部光照均匀性因子的最大的影响；exp(_λU(i))用于根据全局光照均匀性动态调整校正强度，当全局光照均匀性为进一步增强对微小缺陷局部纹理变化的检测能力，在本实施例中对像素i的邻域窗口Ω[0039]首先使用最大值法将涂料表面图像进行灰度化，然后对于像素i的邻域窗口Ω微小缺陷。在一个实施例中，局部纹理对比度Cont(i)可以通过灰度共生矩阵的对比度获;的所有像素点的局部纹理对比度Cont(i)归一化处理；N表示邻域窗口Ω(i)内像素点的总corr该区域内存在微小缺陷的可能性越大，则波动因子W(i)越大，需要注意的是：上述也可记为修正亮度均匀度。;[0047]基于步骤S1的图像采集方法获取大量包含缺陷的涂料表度共生矩阵计算纹理特征，包括对比度f3、熵f4以及均匀性f5；进一步使用OpenCV中后基于光照校正后的亮度计算区域内的亮度均值f8以及亮度标准差f9。对于任意超像素区;;5个特征向量分别人员对涂料生产设备进行相应故障排查以提高生产质量并最小[0055]基于机器视觉的涂料缺陷检测系统还包括通信接口等本领域技术人员熟知的其任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（ResistiveRandom存取存储器SRAM（StaticRandom_AccessMemory）、增强动态随机存取存储器EDRAM用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可