本发明公开了一种基于图像处理的冲压工件缺陷检测方法，具体步骤为：获取冲压工件图像，利用自适应投票快速中值滤波的方法进行图像去噪处理；随后，采用Contourlet变换和小生境粒子群优化算法进行图像增强，并对图像进行边缘检测处理；最后进行冲压工件缺陷检测。本发明利用Contourlet变换和小生境粒子群优化方法对图像进行了增强处理，不仅使得图像整体对比度有所提升，而且还对工件图像的边缘细节起到了增强效果，增大了工件检测的重复精度；针对于冲压工件图像中缺陷部分边缘较为明显的特点，本发明提出了基于神经网络和快速模糊算法相融合的边缘检测方法，降低检测成本的同时，也极大的提高了检测效率。
1.一种基于图像处理的冲压工件缺陷检测方法，其特征在于，具体步骤为：步骤1，获取冲压工件图像，利用自适应投票快速中值滤波的方法对图像进行去噪处理；
步骤1.1：将获取的工件图像划分为N×N个滤波滑动窗口，其中，N≥3，且N为奇数；
步骤1.2：对步骤1.1所得滤波滑动窗口中的像素点进行逐一扫描，将中心点的像素值xij与其邻域像素点的像素值θab进行比较，当xij＝θab时，对该邻域像素点进行灰度值投票；
并判断xij是否为极值，若xij为极值，则进行步骤1.3；
步骤1.3：按照灰度值出现的次数统计投票箱数组的值，并将第一个满足式(1)或(2)的像素点的灰度值替换中心点像素值，实现中值滤波：Mmin+M≥0.5×(N×N+1)， (1)或Mmax+M≥0.5×(N×N+1)， (2)其中，M为灰度值等于中心点像素值的像素个数，Mmin为灰度值比中心点像素值小的像素个数，Mmax为灰度值比中心点像素值大的像素个数；
步骤2，采用Contourlet变换和复合小生境粒子群优化算法进行图像增强；
步骤2.1：对步骤1所得图像进行Contourlet变换，获得工件图像的低通和带通方向子带；
步骤2.2：利用非线性增益函数对带通方向子带进行自适应调整，即：其中， 为第s个尺度上第k个子带调整之后的系数， (x∈R)，为第s个尺度上第k个子带图像增强强度，
为本子带上面系数的最大值，b为图像增强范围，其取值为[0,1]，c为图像增强强度，其取值为[1,10]；
步骤2.3：采用复合小生境粒子群优化算法计算带通子带待定系数的最优解；对粒子群进行初始化：设算法种群由Z个子种群组成，每个子种群中最优个体为Pzbest；
步骤2.4：判断两个子种群中最优个体之间的距离dij是否小于小生境的半径Rniche，若小于，比较两个小生境最优个体的适应度，高者保持不变，低者置零；
步骤2.5：对步骤2.4中置零的最优个体重新初始化，并在其所在的小生境内重新选择最优个体，直到每个小生境都具有最优个体，随后粒子按照公式(3)和(4)更新速度公式来更新位置和速度：Vi(t+1)＝wV(t)+c1r1[pbesti(t)-Xi(t)]+c2r2[pbesti(t)-Xi(t)]， (3)Xi(t+1)＝Xi(t)+Vi(t+1)， (4)其中，Vi(t+1)为粒子i在t+1时刻的速度；pbesti(t)代表当前粒子个体的局部最优解；
Xi(t+1)为粒子i在t+1时刻的位置；V(t)表示粒子i在t时刻的速度；c1，c2为学习因子，通常c1＝c2＝2；r1，r2是满足在(0，1)上的随机数；w为非负惯性因子；
步骤2.6：循环迭代自增，当迭代次数达到最大时，寻优结束，此时得到带通方向子带系数的最优值；否则转至步骤2.3；
步骤2.7：利用步骤2.6所得带通方向子带系数的最优值做Contourlet反变换，即可得到冲压工件图像增强处理效果图；
步骤3.1：对步骤2所得图像进行小波分解，得到图像的高频分量和低频分量；
步骤3.2：采用LVQ1神经网络从高频分量图像依次提取中值特征量Mi，j、方向性信息特征量Qi，j、Kirsch算子特征量Ki，j，由此3个原型向量组成特征向量Pi，j＝[Mi，j，Qi，j，Ki，j]T；
步骤3.3：输入层的每一个神经元都指定给一个输出神经元，得权值矩阵W2，即步骤3.4：每次迭代过程，一个输入向量Pij被提供给网络，并且计算每个原型向量与Pij的距离；输入层的神经元进行竞争，若第i个神经元i*获胜，则第一层神经元的输出向量a1的第i元素被设置为1，其余元素均为0；接着a1与第二层神经元的权值矩阵W2相乘从而得到最终输出向量a2，a2也是只有一个非零元素k*，a2的第k行元素，表明Pij是指定给第k类的；
a、如果Pij的分类是正确的，则第一层的获胜神经元i的权值iW(q)向Pij移动：i*W1(q)＝i*W1(q-1)+α(Pij(q)-i*W1(q-1))，其中：q表示迭代的次数；α为学习率，W1为一随机矩阵；
b、如果Pij的分类是错误的，移动权值i*W2(q)远离Pij：* 2 * 2 * 2
iW(q)＝iW(q-1)-α(Pij(q)-iW(q-1))，依次对灰度图像的每一个输入向量Pij进行学习，得判别函数参数W1；
步骤3.5：将步骤3.4所得判别函数参数W1作为输入参数输入到边缘检测器中，由边缘检测器生成高频分量边缘图像；
步骤3.6：将图像灰度的中值Xmax/2赋给初始阈值X0，然后依据公式(5)进行迭代，直到Xi+1＝Xi时结束迭代，取此时的Xi作为阈值，并记为XT：其中，nk为灰度值等于k的像素个数，Xmax为图像灰度的最大值；
步骤3.8：利用公式(6)对隶属函数μmn在图像模糊特征平面上进行非线性变换得到模糊隶属度矩阵：μ′mn＝Tr(μmn)＝T1(Tr-1(μmn)) r＝1,2,......， (6)其中，μ'mn为模糊隶属度矩阵，Tr(μmn)为非线性变换函数，r为迭代次数；
步骤3.9：根据公式(7)对模糊隶属度矩阵进行逆变换，图像由模糊空间变换到数据空间：步骤3.10：利用"Max"和"Min"算子提取低频部分图像边缘；
步骤3.11：将步骤3.5所得高频分量边缘图像和步骤3.10所得低频分量图像边缘进行图像代数运算合成；
步骤3.12：获取低频边缘图像的首地址以及图像的高和宽，开辟一块内存缓冲区，并初始化为255；
步骤3.13：选取进行加运算的高频边缘图像的首地址以及图像的高和宽，对两幅图像对应的像素点进行加运算，结果若大于255，则置该点为255，否则将结果保存下来，然后将内存中的结果复制回低频边缘图像的数据区；
2.根据权利要求1所述的一种基于图像处理的冲压工件缺陷检测方法，其特征在于，步骤4中，冲压工件缺陷检测方法为：步骤4.1：采用基于边界不变矩的粗、精两级模板对步骤3所得冲压工件边缘图像与模板图像进行匹配；
步骤4.2：匹配结束后，由公式(8)和(9)得到双向差影图像：sneg(x,y)＝-[f(x,y)-g(x,y)] f(x,y)＜g(x,y)， (8)spos(x,y)＝f(x,y)-g(x,y) f(x,y)≥g(x,y)， (9)其中，g(x，y)为待检测图像，f(x，y)为目标图像，sneg(x,y)为负差影图像，spos(x，y)为正差影图像；
步骤4.3：对差影后的图像进行二值化，并将二值图像记为T(x,y)，由公式(10)和(11)对T(x,y)进行数学形态学运算：当结构元素S的原点移动到点(x,y)位置，如果S完全包含在X中，则腐蚀后图像上该点为1，否则为0；Θ表示腐蚀运算；Sxy表示与点(x,y)对应的结构元素S的值；
当结构元素S的原点移动到点(x,y)位置，如果S中包含至少一个像素值为1的点，则在膨胀后图像上该点为1，否则为0； 表示膨胀运算；X表示被处理的对象；
步骤4.4：计算二值图像T(x,y)上异点0的连通区域面积AS，将AS与给定的检测精度h进行比较，如果AS的值大于h，则代表待检测图像上有一定的缺陷，然后计算缺陷图像的特征参数并进行缺陷分类；否则，代表待检测图像上没有缺陷。
一种基于图像处理的冲压工件缺陷检测方法
技术领域
[0001] 本发明属于工业生产检测检测技术领域，具体涉及一种基于图像处理的冲压工件缺陷检测方法。
背景技术
[0002] 图像检测技术在国内外产品检测中被大量使用，它是以光学为基础，融合图像处理技术，光电子技术，计算机技术等当代先进科学技术为一体，组成的一个综合检测系统。该技术主要是利用光学技术把被检测的物质成像，将图像作为传递信息的载体或检测的手段，然后通过一定的加工处理，实现对材料外部特征的检测。
[0003] 目前，大部分工件缺陷检测的方法需要对获取的工件图像进行二值化处理，该方法对光源的要求较为严格，而光源昂贵的价格无疑会大大增加检测的成本；同时，图像获取装置的电气性干扰会使灰度图像产生多种噪声，从而使得到的图像容易出现多歧义性，严重影响工件检测的重复精度；此外，其视觉系统的图像采集速度也使得图像处理部分用时较长，制约了检测效率的提高。因此，如何解决检测精度与检测算法的复杂性关系仍是工件检测技术所面临的巨大挑战。
发明内容
[0004] 本发明的目的是提供一种基于图像处理的冲压工件缺陷检测方法，解决了现有工件检测方法成本高昂、重复精度差以及检测效率低的问题。
[0005] 本发明所采用的技术方案是，一种基于图像处理的冲压工件缺陷检测方法，具体步骤为：
[0006] 步骤1，获取冲压工件图像，利用自适应投票快速中值滤波的方法进行图像去噪处理；
[0007] 步骤2，采用Contourlet变换和小生境粒子群优化算法进行图像增强；
[0008] 步骤3，对图像进行边缘检测处理；
[0009] 步骤4，冲压工件缺陷检测。
[0010] 本发明的特征还在于，
[0011] 步骤1中，图像去噪的过程为：
[0012] 步骤1.1：将获取的工件图像划分为个N×N个滤波滑动窗口，其中，N≥3，且N为奇数；
[0013] 步骤1.2：对步骤1.1所得滤波滑动窗口中的像素点进行逐一扫描，将中心点的像素值xij与其邻域像素点的像素值θab进行比较，当xij＝θab时，对该像素点进行灰度值投票；并判断xij是否为极值，若xij为极值，则进行步骤1.3；
[0014] 步骤1.3：按照灰度值出现的次数统计投票箱数组的值，并将第一个满足式(1)或(2)的像素点的灰度值替换中心点像素值，实现中值滤波：
[0015] Mmin+M≥0.5×(N×N+1) (1)
[0016] 或Mmax+M≥0.5×(N×N+1) (2)
[0017] 其中，M为灰度值等于中心点像素值的像素个数，Mmin为灰度值比中心点像素值小的像素个数，Mmax为灰度值比中心点像素值大的像素个数。
[0018] 步骤2中，图像增强过程为：
[0019] 步骤2.1：对步骤1所得图像进行Contourlet变换，获得工件图像的低通和带通方向子带；
[0020] 步骤2.2：利用非线性增益函数对带通方向子带进行自适应调整，即：
[0021]
[0022] 其中， 为第s个尺度上第k个子带调整之后的系数，为本子带上面系数的最大值，b为图像增强范围，其
取值为[0,1]，c为图像增强强度，其取值为[1,10]；
[0023] 步骤2.3：采用小生境粒子群优化算法计算带通子带待定系数的最优解；对粒子群进行初始化：设算法种群由Z个子种群组成，每个子种群中最优个体为Pzbest；
[0024] 步骤2.4：判断两个子种群中最优个体之间的距离dij是否小于小生境的半径Rniche，若小于，比较两个小生境最优个体的适应度，高者保持不变，低者置零；
[0025] 步骤2.5：对步骤2.4中置零的最优个体重新初始化，并在其所在的小生境内重新选择最优个体，直到每个小生境都具有最优个体，随后粒子按照公式(3)和(4)更新速度公式来更新位置和速度：
[0026] Vi(t+1)＝wV(t)+c1r1[pbesti(t)-Xi(t)]+c2r2[pbesti(t)-Xi(t)] (3)[0027] Xi(t+1)＝Xi(t)+Vi(t+1) (4)
[0028] 其中，Vi(t+1)为粒子i在t+1时刻的速度；pbesti(t)代表当前粒子个体的局部最优解；Xi(t+1)为粒子i在t+1时刻的位置；V(t)表示粒子i在t时刻的速度；c1，c2为学习因子，通常c1＝c2＝2；r1，r2是满足在(0，1)上的随机数；w为非负惯性因子；
[0029] 步骤2.6：循环迭代自增，当迭代次数达到最大时，寻优结束，此时得到带通方向子带系数的最优值；否则转至步骤2.3；
[0030] 步骤2.7：利用步骤2.6所得带通方向子带系数的最优值做Contourlet反变换，即得冲压工件图像增强处理效果图。
[0031] 步骤3中，图像进行边缘检测处理过程为：
[0032] 步骤3.1：对步骤2所得图像进行小波分解，得到图像的高频分量和低频分量；
[0033] 步骤3.2：采用LVQ1神经网络从高频分量图像依次提取中值特征量(Mi,j)、方向性信息特征量(Qi,j)、Kirsch算子特征量(Ki,j)，由此3个原型向量组成特征向量Pi,j＝[Mi,j,Qi,j,Ki,j]T；
[0034] 步骤3.3：输入层的每一个神经元都指定给一个输出神经元，得权值矩阵W2，即[0035]
[0036] 步骤3.4：每次迭代过程，一个输入向量Pij被提供给网络，并且计算每个原型向量与Pij的距离；输入层的神经元进行竞争，若第i个神经元i*获胜，则第一层神经元的输出向量a1的第i元素被设置为1，其余元素均为0；接着a1与第二层神经元的权值矩阵W2相乘从而得到最终输出向量a2，a2也是只有一个非零元素k*，k*的第k行元素，表明Pij是指定给第k类的；
[0037] a、如果Pij的分类是正确的，则第一层的获胜神经元i*的权值i*W1(q)向Pij移动：
[0038] i*W1(q)＝i*W1(q-1)+α(Pij(q)-i*W1(q-1))
[0039] 其中：q表示迭代的次数；α为学习率，W1为一随机矩阵；
[0040] b、如果Pij的分类是错误的，移动权值i*W2(q)远离Pij：
[0041] i*W2(q)＝i*W2(q-1)-α(Pij(q)-i*W2(q-1))；
[0042] 依次对灰度图像的每一个输入向量Pij进行学习，得判别函数参数W1；
[0043] 步骤3.5：将步骤3.4所得判别函数参数W1作为输入参数输入到边缘检测器中，由边缘检测器生成高频分量边缘图像；
[0044] 步骤3.6：将图像灰度的中值Xmax/2赋给初始阈值X0，然后依据公式(5)进行迭代，直到Xi+1＝Xi时结束迭代，取此时的Xi作为阈值，并记为XT：
[0045]
[0046] 其中，Xmax为图像像素的最大灰度级；nk为灰度值等于k的像素个数；
[0047] 步骤3.7：定义新的隶属函数为：
[0048]
[0049] 其中，xmn为原始数据矩阵，XT为阈值；
[0050] 步骤3.8：利用公式(6)对隶属函数μmn在图像模糊特征平面上进行非线性变换得到模糊隶属度矩阵：
[0051] μ′mn＝Tr(μmn)＝T1(Tr-1(μmn))r＝1,2,......(6)
[0052] 其中，μ'mn为模糊隶属度矩阵，Tr(μmn)为非线性变换函数，r为迭代次数；
[0053] 步骤3.9：根据公式(7)对模糊隶属度矩阵进行逆变换，图像由模糊空间变换到数据空间：
[0054]
[0055] 步骤3.10：利用″Max″和″Min″算子提取低频分量图像边缘；
[0056] 步骤3.11：将步骤3.5所得高频分量边缘图像和3.10所得低频分量图像边缘进行图像代数运算合成；
[0057] 步骤3.12：获取低频边缘图像的首地址以及图像的高和宽，开辟一块内存缓冲区，并初始化为255；
[0058] 步骤3.13：选取进行加运算的高频边缘图像的首地址以及图像的高和宽，对两幅图像对应的像素点进行加运算，结果若大于255，则置该点为255，否则将结果保存下来，然后将内存中的结果复制回低频边缘图像的数据区。
[0059] 步骤4中，冲压工件缺陷检测方法为：
[0060] 步骤4.1：采用基于边界不变矩的粗、精两级模板对步骤3所得冲压工件边缘图像与模板图像进行匹配；
[0061] 步骤4.2：匹配结束后，由公式(8)和(9)得到双向差影图像：
[0062] sneg(x,y)＝-[f(x,y)-g(x,y)]f(x,y)＜g(x,y) (8)
[0063] spos(x,y)＝f(x,y)-g(x,y)f(x,y)≥g(x,y) (9)
[0064] 其中，g(x，y)为待检测图像，f(x，y)为目标图像，sneg(x,y)为负差影图像，spos(x，y)为正差影图像；
[0065] 步骤4.3：对差影后的图像进行二值化，并将二值图像记为T(x,y)，由公式(10)和(11)对T(x,y)进行数学形态学运算：
[0066]
[0067] 上式的含义为，当结构元素S的原点移动到点(x,y)位置，如果S完全包含在X中，则腐蚀后图像上该点为1，否则为0；Θ表示腐蚀运算；
[0068]
[0069] 当结构元素S的原点移动到点(x,y)位置，如果S中包含至少一个像素值为1的点，则在膨胀后图像上该点为1，否则为0； 表示膨胀运算；
[0070] 步骤4.4：计算二值图像T(x,y)上异点0的连通区域面积AS，然后将AS与给定的检测精度h进行比较，如果AS的值大于h，则代表待检测图像上有一定的缺陷，然后计算缺陷图像的特征参数并进行缺陷分类；否则，代表待检测图像上没有缺陷。
[0071] 本发明的有益效果是，
[0072] 1.本发明利用Contourlet变换和小生境粒子群优化方法对图像进行了增强处理，不仅使得图像整体对比度有所提升，而且还对工件图像的边缘细节起到了增强效果，增大了工件检测的重复精度。
[0073] 2.针对于冲压工件图像中缺陷部分边缘较为明显的特点，本发明提出了基于神经网络和快速模糊算法相融合的边缘检测方法，降低检测成本的同时，也极大的提高了检测效率。
附图说明
[0074] 图1为本发明基于图像处理的冲压工件缺陷检测方法流程图；
[0075] 图2为利用本发明自适应快速投票中值滤波和现有去噪方法处理后的冲压工件图像；
[0076] 图3为利用本发明方法与现有方法进行图像增强后的冲压工件图像；
[0077] 图4为本发明基于图像处理的冲压工件缺陷检测方法的图像边缘检测流程图；
[0078] 图5为利用本发明与现有方法图像边缘检测结果比较图；
[0079] 图6为本发明基于图像处理的冲压工件缺陷检测方法的工件缺陷检测流程图；
[0080] 图7为利用本发明方法进行图像缺陷检测的结果图。
具体实施方式
[0081] 下面结合附图和具体实施方式对本发明进行详细说明。
[0082] 本发明一种基于图像处理的冲压工件缺陷检测方法流程如图1所示，具体检测步骤为：
[0083] 步骤1，使用光源、高清晰的CCD摄像头、图像采集卡获取冲压工件图像，利用自适应投票快速中值滤波的方法进行图像去噪处理：
[0084] 步骤1.1：将获取的工件图像划分为个N×N个滤波滑动窗口，其中，N≥3，且N为奇数；
[0085] 步骤1.2：对步骤1.1所得滤波滑动窗口中的像素点进行逐一扫描，将中心点的像素值xij与其邻域像素点的像素值θab进行比较，当xij＝θab时，对该像素点进行灰度值投票；并判断xij是否为极值，若xij为极值，则进行步骤1.3；
[0086] 步骤1.3：按照灰度值出现的次数以从低到高(或从高到低)的顺序统计投票箱数组的值，并将第一个满足式(1)或(2)的像素点的灰度值替换中心点像素值，实现中值滤波：
[0087] Mmin+M≥0.5×(N×N+1) (1)
[0088] 或Mmax+M≥0.5×(N×N+1) (2)
[0089] 其中，M为灰度值等于中心点像素值的像素个数，Mmin为灰度值比中心点像素值小的像素个数，Mmax为灰度值比中心点像素值大的像素个数。
[0090] 本实施例中步骤1是在Intel(R)Core(TM)2Duo CPU 2.33GHz Windows XP系统下，Matlab 2010a运行平台上，完成本发明与现有方法的仿真实验。如图2所示：其中图2(a)为未经去噪处理的原始图像，图2(b)为含高斯噪声图像，图2(c)为小波域HMT模型去噪处理后的图像，图2(d)为经Contourlet域HMT模型去噪处理后的图像，图2(e)为利用VisuShrink阈值去噪处理后的图像，图2(f)为本发明自适应快速投票中值滤波去噪处理后的图像，从图中可以看出，利用本发明去噪方法处理后的图像图像噪声进行了有效的去除，而且处理后的图像边缘清晰，即有效地对图像细节进行了保护。实验结果表明，本发明滤波速度较快，能较好的满足现场实时性的要求。
[0091] 步骤2，采用Contourlet变换和小生境粒子群优化算法进行图像增强：
[0092] 步骤2.1：对步骤1所得图像进行Contourlet变换，获得工件图像的低通和带通方向子带；
[0093] 步骤2.2：利用非线性增益函数对带通方向子带进行自适应调整，即：
[0094]
[0095] 其中， 为第s个尺度上第k个子带调整之后的系数，为本子带上面系数的最大值，b为图像增强范围，其
取值为[0,1]，c为图像增强强度，其取值为[1,10]；
[0096] 步骤2.3：采用小生境粒子群优化算法计算带通子带待定系数的最优解；对粒子群进行初始化：设算法种群由Z个子种群组成，每个子种群中最优个体为Pzbest；
[0097] 步骤2.4：判断两个子种群中最优个体之间的距离dij是否小于小生境的半径Rniche，若小于，比较两个小生境最优个体的适应度，高者保持不变，低者置零；
[0098] 步骤2.5：对步骤2.4中置零的最优个体重新初始化，并在其所在的小生境内重新选择最优个体，For i＝1to Z-1，For j＝i+1to Z，直到每个小生境都具有最优个体，随后粒子按照公式(3)和(4)更新速度公式来更新位置和速度：
[0099] Vi(t+1)＝wV(t)+c1r1[pbesti(t)-Xi(t)]+c2r2[pbesti(t)-Xi(t)] (3)[0100] Xi(t+1)＝Xi(t)+Vi(t+1) (4)
[0101] 其中，Vi(t+1)为粒子i在t+1时刻的速度；pbesti(t)代表当前粒子个体的局部最优解；Xi(t+1)为粒子i在t+1时刻的位置；V(t)表示粒子i在t时刻的速度；c1，c2为学习因子，通常c1＝c2＝2；r1，r2是满足在(0，1)上的随机数；w为非负惯性因子；
[0102] 步骤2.6：循环迭代自增，当迭代次数达到最大时，寻优结束，此时得到带通方向子带系数的最优值；否则转至步骤2.3；
[0103] 步骤2.7：利用步骤2.6所得带通方向子带系数的最优值做Contourlet反变换，即可得到冲压工件图像增强处理效果图。
[0104] 为了更为直观的展示此方法的良好效果，利用本发明方法和直方图规定化、双向直方图均衡、Curvelet算法、提升小波变换、平稳小波变换五种增强方法作用于同一幅冲压工件图像。实验中涉及到的算法主要参数如下：直方图均衡法图像增强中取8个等间隔的灰度级，然后以1/7为量化单位舍入运算进行修正；Curvelet变换图像增强算法中的阈值门限取相应子带的最大Curvelet系数的0.7；提升小波变换法的分解层数为2；平稳小波变换法的分解层数为4；本发明所改进的增强算法首先初始化小生境粒子种群，将其子种群个数设为2，设每个子种群粒子数设为5；然后进行基于Contourlet变换的3级LP分解，小生境粒子种群算法在带通方向子带进行寻优找到最佳系数。图3为不同增强方法的图像增强结果比较，其中图3(a)为直方图均衡法处理效果图，图3(b)为双向直方图均衡法处理效果图，可以看出采用这两种方法处理后的图像对比度不够明显，缺陷边缘受到了严重破坏。图3(c)为Curvelet算法处理效果图，图3(d)为提升小波变换法处理效果图，图3(e)为平稳小波变换作用效果图，采用这几种方法处理后，虽然图像对比度有了明显增强，但图像边缘仍比较模糊。图3(f)为采用本发明提出的算法处理后的效果图。经过对比可看出，采用本发明提出的增强算法处理后，图像的对比度得到了提升，且图像边缘细节得到了完整的保存，与其他算法相比处理效果得到了极大地优化。
[0105] 步骤3，对图像进行边缘检测处理：
[0106] 步骤3.1：对步骤2所得图像进行小波分解，得到图像的高频分量和低频分量；
[0107] 步骤3.2：采用LVQ1神经网络从高频分量图像依次提取中值特征量(Mi,j)、方向性信息特征量(Qi,j)、Kirsch算子特征量(Ki,j)，由此3个原型向量组成特征向量Pi,j＝[Mi,j,Qi,j,Ki,j]T；
[0108] 步骤3.3：输入层的每一个神经元都指定给一个输出神经元，得权值矩阵W2，即[0109]
[0110] 步骤3.4：每次迭代过程，一个输入向量Pij被提供给网络，并且计算每个原型向量与Pij的距离；输入层的神经元进行竞争，若第i个神经元i*获胜，则第一层神经元的输出向量a1的第i元素被设置为1，其余元素均为0；接着a1与第二层神经元的权值矩阵W2相乘从而得到最终输出向量a2，a2也是只有一个非零元素k*，k*的第k行元素，表明Pij是指定给第k类的；
[0111] a、如果Pij的分类是正确的，则第一层的获胜神经元i*的权值i*W1(q)向Pij移动：
[0112] i*W1(q)＝i*W1(q-1)+α(Pij(q)-i*W1(q-1))
[0113] 其中：q表示迭代的次数；α为学习率，W1为一随机矩阵；
[0114] b、如果Pij的分类是错误的，移动权值i*W2(q)远离Pij：
[0115] i*W2(q)＝i*W2(q-1)-α(Pij(q)-i*W2(q-1))；
[0116] 依次对灰度图像的每一个输入向量Pij进行学习，得判别函数参数W1；
[0117] 步骤3.5：将步骤3.4所得判别函数参数W1作为输入参数输入到边缘检测器中，由边缘检测器生成高频分量边缘图像；
[0118] 步骤3.6：将图像灰度的中值Xmax/2赋给初始阈值X0，然后依据公式(5)进行迭代，直到Xi+1＝Xi时结束迭代，取此时的Xi作为阈值，并记为XT：
[0119]
[0120] 其中，Xmax为图像像素的最大灰度级；nk为灰度值等于k的像素个数；
[0121] 步骤3.7：定义新的隶属函数为：
[0122]
[0123] 其中，xmn为原始数据矩阵，XT为阈值；
[0124] 步骤3.8：利用公式(6)对隶属函数μmn在图像模糊特征平面上进行非线性变换得到模糊隶属度矩阵：
[0125] μ′mn＝Tr(μmn)＝T1(Tr-1(μmn))r＝1,2,......(6)
[0126] 其中，μ'mn为模糊隶属度矩阵，Tr(μmn)为非线性变换函数，r为迭代次数；
[0127] 步骤3.9：根据公式(7)对模糊隶属度矩阵进行逆变换，图像由模糊空间变换到数据空间：
[0128]
[0129] 步骤3.10：利用″Max″和″Min″算子提取低频部分图像边缘；
[0130] 步骤3.11：将步骤3.5所得高频分量边缘图像和3.10所得低频分量图像边缘进行图像代数运算合成；
[0131] 步骤3.12：获取低频边缘图像的首地址以及图像的高和宽，开辟一块内存缓冲区，并初始化为255；
[0132] 步骤3.13：选取进行加运算的高频边缘图像的首地址以及图像的高和宽，对两幅图像对应的像素点进行加运算，结果若大于255，则置该点为255，否则将结果保存下来，然后将内存中的结果复制回低频边缘图像的数据区。
[0133] 具体检测流程图如图4所示，通过仿真实验如图5所示，实验中运用的相关参数如下：Roberts算法选用的是3×3邻域的窗口；Canny边缘检测算子的判别阈值为0.1；拉普拉斯高斯算子采用四方向的锐化模板；本步骤提出算法的小波分解层数为1。本发明提出基于小波分解的LVQ1神经网络和快速模糊算法相融合的边缘检测方法具有良好的互补性，它在能够提取主干边缘的同时，也可以提取到细小边缘的提取，使得图像的边缘有了较大的改善。其中图5(a)为Roberts算法检测得到冲压工件边缘图像，图5(b)为Canny算法边缘图像；图5(c)为拉普拉斯高斯算子检测边缘图像；图5(d)为模糊算法检测边缘图像；图5(e)用本章提出的神经网络和快速模糊算法相融合方法检测得到的冲压工件边缘图像。
[0134] 步骤4，冲压工件缺陷检测：
[0135] 步骤4.1：采用基于边界不变矩的粗、精两级模板对步骤3所得冲压工件边缘图像与模板图像进行匹配：首先初始化扫描点，将位于图像左顶点的(x,y)作为扫描的第一个位置；扫描图像，进行粗搜索。假设待匹配图像大小是M×M，模板图像是N×N。在模板图像上取出隔行隔列点的像素值，然后在待匹配图像上采取亚采样扫描，计算两对应像素点的相关值R并排序；如果R小于已经设定的M，取所有小于该阈值的像素点及它们的邻域点作为精匹配阶段的候选像素点，并进入精匹配阶段；否则，匹配失败；
[0136] 其中，经匹配阶段为：设其中一个匹配候选点(i，j)，在其邻域内，以(i-1，j-1)，(i+1，j+1)为对角的矩形内搜索匹配，计算这个区域中每一个点的所得到的具有最小R值的点，以此类推计算所有候选点的邻域内像素点的R值，取其中最小相关值R所对应的位置为最佳相关匹配点。
[0137] 步骤4.2：匹配结束后，由公式(8)和(9)得到双向差影图像：
[0138] sneg(x,y)＝-[f(x,y)-g(x,y)]f(x,y)＜g(x,y) (8)
[0139] spos(x,y)＝f(x,y)-g(x,y)f(x,y)≥g(x,y) (9)
[0140] 其中，g(x，y)为待检测图像，f(x，y)为目标图像，snsg(x，y)为负差影图像，spos(x，y)为正差影图像；
[0141] 步骤4.3：对差影后的图像进行二值化，并将二值图像记为T(x,y)，由公式(10)和(11)对T(x,y)进行数学形态学运算：
[0142]
[0143] 当结构元素S的原点移动到点(x,y)位置，如果S完全包含在X中，则腐蚀后图像上该点为1，否则为0；Θ表示腐蚀运算；
[0144]
[0145] 当结构元素S的原点移动到点(x,y)位置，如果S中包含至少一个像素值为1的点，则在膨胀后图像上该点为1，否则为0； 表示膨胀运算；
[0146] 步骤4.4：计算二值图像T(x,y)上异点0的连通区域面积AS，然后将AS与给定的检测精度h进行比较，如果AS的值大于h，则代表待检测图像上有一定的缺陷，然后计算缺陷图像的特征参数并进行缺陷分类；否则，代表待检测图像上没有缺陷。
[0147] 利用本发明方法检测流程图如图6所示，检测结果如图7所示，其中图7(a)为待检测图像，此图中包含5个缺陷，1是线性缺陷，2是离散状缺陷，3、4、5是块状缺陷。图7(b)采用双向差影法进行差影，差影结果如图7(c)，对差影结果经二值化处理后得到的缺陷图像，如图7(d)所示；经缺陷经区域标记和连通性分析之后，提取本步骤中的的图7(d)中缺陷的特征参数并对缺陷进行分类，并显示的各个缺陷特征参数和类型；
[0148] 根据缺陷的标号，确定缺陷的个数；根据面积参数，设置冲压工件的检测精度(10个像素)，如果缺陷面积小于10个像素，在去除小缺陷点时就将其删除；根据缺陷的圆形度，可以大体判断缺陷是线或者点。圆的圆形度为0.0796，对于线状缺陷，其圆形度会低于0.0796，如缺陷1；对于点状或块状缺陷，其边缘一般比圆形复杂，因此其缺陷的圆形度大于
0.0796，如缺陷0，2，3，4，5；根据重心坐标，得到缺陷在冲压工件图像中的位置；根据占空比可以判别离散缺陷和块状缺陷，设定阈值Th_D_R＝0.95,大于阈值的缺陷为块状缺陷如缺陷0，2，3，小于该阈值的为离散状缺陷，如缺陷3。
[0149] 本发明将Contourlet变换与小生境粒子群优化算法相结合得到一种新的增强方法，将此算法对大量冲压工件图像进行增强处理。通过实验表明，此方法与传统图像增强算法相比，不但提升了图像的对比度，而且最为重要的是其能有效的增强工件缺陷处的边缘细节，很好地保存了缺陷处的图像特征。
