本发明涉及图像处理领域，具体涉及一种基于机器视觉的汽车铸件表面缺陷检测方法，包括：采集图像并灰度化，获取边缘检测图像；根据边缘检测图像中每个边缘中目标区域的曲线方向；根据目标区域的交点得到相互延伸可能性，根据相互延伸的可能性得到任意边缘的延伸趋势；根据每个像素点的灰度变化方向得到边缘像素点的灰度值变化程度；根据边缘像素点的灰度值变化程度和边缘像素点与相邻像素点的之间的距离得到边缘周围灰度值变化程度；根据边缘的延伸趋势和边缘周围灰度值变化程度得到任意边缘为裂缝的可能性；根据边缘为裂缝的可能性检测图像中的裂缝区域。本发明用图像处理方式，得到边缘像素点的方向，提高了裂缝的检测。
1.一种基于机器视觉的汽车铸件表面缺陷检测方法，其特征在于，该方法包括以下步骤：采集汽车铸件表面图像并进行灰度化预处理，获取灰度图中的所有边缘；
对边缘进行截取获取边缘的目标区域，获取边缘的目标区域中像素点的切线方向；获取边缘的目标区域中所有像素点的切线方向的均值，作为目标区域的曲线方向；
获取每个边缘上目标区域的曲线方向与其他所有边缘上目标区域的曲线方向的交点，获得每个边缘在每个交点处相互延伸的可能性，根据每个边缘在所有交点处相互延伸的可能性的均值得到每个边缘的延伸趋势；
根据每个像素点邻域内的灰度差异得到每个像素点的灰度变化方向，根据每个像素点的灰度变化方向得到每个边缘像素点的灰度值变化程度；
根据每个边缘像素点的灰度值变化程度和边缘像素点与相邻边缘像素点的之间的距离得到边缘周围灰度值变化程度；
根据任意一个边缘的延伸趋势和边缘周围灰度值变化程度得到边缘为裂缝的可能性；
根据边缘为裂缝的可能性和预设阈值得到边缘检测图像中的裂缝区域；
所述获取每个边缘上目标区域的曲线方向与其他所有边缘上目标区域的曲线方向的交点，获得每个边缘在每个交点处相互延伸的可能性，包括的具体步骤如下：第a个边缘在第b个交点处相互延伸的可能性的计算方法为：
首先假设第a个边缘上目标区域的曲线方向与边缘B上目标区域的曲线方向相较于第b个交点；
然后获取第a个边缘与边缘B之间距离最短的两个边缘像素点，分别记为第一像素点和第二像素点，再根据第一像素点、第二像素点和第b个交点得到一个圆弧长度，记为 ;可得到第a个边缘在第b个交点处相互延伸可能性 :
表示第a个边缘中目标区域曲线方向与边缘B中目标区域曲线方向之间的夹角，即第b个交点对应的夹角， 表示第a个边缘在第b个交点处相互延伸可能性；
表示为第a个边缘的延伸趋势， 表示为第c个边缘的延伸趋势， 表示为第a个边缘周围灰度值变化程度， 表示为第c个边缘周围灰度值变化程度， 表示除过第a个边缘之外的所有边缘个数， 表示为第a个区域为裂缝的可能性， 表示归一化函数，分母加1的目的是防止分母为0。
2.根据权利要求1所述一种基于机器视觉的汽车铸件表面缺陷检测方法，其特征在于，所述对边缘进行截取获取边缘的目标区域，获取边缘的目标区域中像素点的切线方向，包括的具体步骤如下：选取边缘检测图像的任意一个边缘，记为处理边缘，在处理边缘一端截取靠近端点的三个像素点，这三个像素点记为目标区域；同时在处理边缘记另一端截取靠近端点的三个像素点，这三个像素点记为目标区域，所述处理边缘对应两个目标区域；根据目标区域中形态学腐蚀得到目标区域的曲线，获取在该曲线上每个像素点的切线。
3.根据权利要求1所述一种基于机器视觉的汽车铸件表面缺陷检测方法，其特征在于，所述每个边缘的延伸趋势具体获取的步骤如下：每个边缘的延伸趋势的公式为：
表示第a个边缘在第b个交点处相互延伸可能性， 表示边缘a的目标区域和其他边缘的目标区域的交点个数， 表示第a个边缘的延伸趋势， 表示双曲线正切函数。
4.根据权利要求1所述一种基于机器视觉的汽车铸件表面缺陷检测方法，其特征在于，所述根据每个像素点邻域内的灰度差异得到每个像素点的灰度变化方向，根据每个像素点的灰度变化方向得到每个边缘像素点的灰度值变化程度，包括的具体步骤如下：对灰度图中的每一个边缘像素点为中心建立8邻域，分别用中心边缘像素点灰度值减去邻域内其他像素点灰度值，若差值为负，令变化方向由中心边缘像素点到邻域内像素点，差值为正，令变化方向由邻域内像素点向中心边缘像素点；定义矢量方向始终为变化方向；
同时，中心边缘像素点与邻域内像素点灰度值差值的绝对值表示矢量模长；根据矢量的运算方法，累加邻域内所有矢量，可得到中心边缘像素点的灰度变化方向；
根据每个边缘像素点的灰度变化方向，对每一个边缘像素点，以该边缘像素点为中心，在其灰度变化方向的垂直方向上，取 个像素点，两侧各 个像素点，得到一组像素点集，将像素点集中第一个点为记为参考边缘像素点，对这个点集中的任意两个像素点进行作差，然后求平均，得到每个边缘像素点的灰度值变化程度， 为预设数值。
5.根据权利要求1所述一种基于机器视觉的汽车铸件表面缺陷检测方法，其特征在于，所述边缘周围灰度值变化程度具体获取步骤如下：边缘周围灰度值变化程度的公式为：
表示第d个边缘上第t个边缘像素点的灰度值变化程度， 表示第d个边缘上第t个边缘像素点延灰度变化方向上到下一个边缘像素点之间的距离， 表示第d个边缘上第t个边缘像素点延灰度变化方向的反方向到下一个边缘像素点之间的距离，N表示第d个边缘上的边缘像素点个数， 表示以自然数为底的指数函数， 表示第d个边缘周围灰度值变化程度。
一种基于机器视觉的汽车铸件表面缺陷检测方法
技术领域
[0001] 本发明涉及图像数据处理技术领域，具体涉及一种基于机器视觉的汽车铸件表面缺陷检测方法。
背景技术
[0002] 随着汽车工业的不断发展，汽车铸件的质量要求也越来越高。然而，由于汽车铸件制造过程中存在多种因素的影响，如原材料、工艺、设备等，因此铸件中难免会出现裂纹，不仅会影响铸件的力学性能和使用寿命，还会对汽车的安全性和环保性产生负面影响。
[0003] 为了提高汽车铸件的质量和安全性，需要对铸件进行缺陷识别和检测。传统的缺陷检测方法主要采用基于图像处理的阈值分割或边缘检测对缺陷进行识别，但在检测过程中，由于铸件表面对粗糙程度要求不同，会产生属于正常范围内凹凸不平的区域，在这种情况下通过边缘检测识别裂缝时，对裂缝识别产生干扰，容易出现漏检或误检的情况，影响了裂缝检测的准确性。
发明内容
[0004] 本发明提供一种基于机器视觉的汽车铸件表面缺陷检测方法，以解决现有的问题。
[0005] 本发明的一种基于机器视觉的汽车铸件表面缺陷检测方法采用如下技术方案：
[0006] 本发明一个实施例提供了一种基于机器视觉的汽车铸件表面缺陷检测方法，该方法包括以下步骤：
[0007] 采集汽车铸件表面图像并进行灰度化预处理，获取灰度图中的所有边缘；
[0008] 对边缘进行截取获取边缘的目标区域，获取边缘的目标区域中像素点的切线方向；获取边缘的目标区域中所有像素点的切线方向的均值，作为目标区域的曲线方向；
[0009] 获取每个边缘上目标区域的曲线方向与其他所有边缘上目标区域的曲线方向的交点，获得每个边缘在每个交点处相互延伸的可能性，根据每个边缘在所有交点处相互延伸的可能性的均值得到每个边缘的延伸趋势；
[0010] 根据每个像素点邻域内的灰度差异得到每个像素点的灰度变化方向，根据每个像素点的灰度变化方向得到每个边缘像素点的灰度值变化程度；
[0011] 根据每个边缘像素点的灰度值变化程度和边缘像素点与相邻边缘像素点的之间的距离得到边缘周围灰度值变化程度；
[0012] 根据任意一个边缘的延伸趋势和边缘周围灰度值变化程度得到边缘为裂缝的可能性；
[0013] 根据边缘为裂缝的可能性和预设阈值得到边缘检测图像中的裂缝区域。
[0014] 进一步地，所述对边缘进行截取获取边缘的目标区域，获取边缘的目标区域中像素点的切线方向，包括的具体步骤如下：
[0015] 选取边缘检测图像的任意一个边缘，记为处理边缘，在处理边缘一端截取靠近端点的三个像素点，这三个像素点记为目标区域；同时在处理边缘记另一端截取靠近端点的三个像素点，这三个像素点记为目标区域，所述处理边缘对应两个目标区域；根据目标区域中形态学腐蚀得到目标区域的曲线，获取在该曲线上每个像素点的切线。
[0016] 进一步地，所述获取每个边缘上目标区域的曲线方向与其他所有边缘上目标区域的曲线方向的交点，获得每个边缘在每个交点处相互延伸的可能性，包括的具体步骤如下：
[0017] 第a个边缘在第b个交点处相互延伸的可能性的计算方法为：
[0018] 首先假设第a个边缘上目标区域的曲线方向与边缘B上目标区域的曲线方向相较于第b个交点；
[0019] 然后获取第a个边缘与边缘B之间距离最短的两个边缘像素点，分别记为第一像素点和第二像素点，再根据第一像素点、第二像素点和第b个交点得到一个圆弧长度，记为；
[0020] 可得到第a个边缘在第b个交点处相互延伸可能性 ：
[0021] 式中， 表示第a个边缘中目标区域曲线方向与边缘B中目标区域曲线方向之间的夹角，即第b个交点对应的夹角， 表示第a个边缘在第b个交点处相互延伸可能性。
[0022] 进一步地，所述每个边缘的延伸趋势具体获取的步骤如下：
[0023] 每个边缘的延伸趋势的公式为：
[0024] 式中， 表示第a个边缘在第b个交点处相互延伸可能性，na表示边缘a的目标区域和其他边缘的目标区域的交点个数，Pa表示第a个边缘的延伸趋势，th表示双曲线正切函数。
[0025] 进一步地，所述根据每个像素点邻域内的灰度差异得到每个像素点的灰度变化方向，根据每个像素点的灰度变化方向得到每个边缘像素点的灰度值变化程度，包括的具体步骤如下：
[0026] 对灰度图中的每一个边缘像素点为中心建立8邻域，分别用中心边缘像素点灰度值减去邻域内其他像素点灰度值，若差值为负，令变化方向由中心边缘像素点到邻域内像素点，差值为正，令变化方向由邻域内像素点向中心边缘像素点；定义矢量方向始终为变化方向；同时，中心边缘像素点与邻域内像素点灰度值差值的绝对值表示矢量模长；根据矢量的运算方法，累加邻域内所有矢量，可得到中心边缘像素点的灰度变化方向；
[0027] 根据每个边缘像素点的灰度变化方向，对每一个边缘像素点，以该边缘像素点为中心，在其灰度变化方向的垂直方向上，取th1个像素点，两侧各 个像素点，得到一组像素点集，将像素点集中第一个点为记为参考边缘像素点，对这个点集中的任意两个像素点进行作差，然后求平均，得到每个边缘像素点的灰度值变化程度，th1为预设数值。
[0028] 进一步地，所述边缘周围灰度值变化程度具体获取步骤如下：
[0029] 边缘周围灰度值变化程度的公式为：
[0030] 式中， 表示第d个边缘上第t个边缘像素点的灰度值变化程度， 表示第d个边缘上第t个边缘像素点延灰度变化方向上到下一个边缘像素点之间的距离， 表示第d个边缘上第t个边缘像素点延灰度变化方向的反方向到下一个边缘像素点之间的距离，N表示第d个边缘上的边缘像素点个数，exp表示以自然数为底的指数函数， 表示第d个边缘周围灰度值变化程度。
[0031] 进一步地，所述边缘为裂缝的可能性具体获取步骤如下：
[0032] 边缘为裂缝的可能性的公式为：
[0033] 式中，Pa表示为第a个边缘的延伸趋势，Pc表示为第c个边缘的延伸趋势， 表示为第a个边缘周围灰度值变化程度，表示为第c个边缘周围灰度值变化程度，fa表示除过第a个边缘之外的所有边缘个数，表示为第a个区域为裂缝的可能性， 表示归一化函数，分母加1的目的是防止分母为0。
[0034] 本发明的技术方案的有益效果是：本申请相对于现有技术的好处在于：利用裂缝边缘灰度变化聚集性，通过不同边缘之间的分析，避免了铸件表面表现粗糙所形成的为边缘对裂缝识别的干扰，增强了对每个边缘真实的可靠性，提高了裂缝识别准确性。通过边缘的延伸关系对图像中多各边缘进行进行整体分析，避免了将分段裂缝边缘误判为粗糙点所形成的为边缘，提高了裂缝边缘判断的准确性，以此来准确的检测图像中裂缝，对检测结果准确性有一个很大的提升。
附图说明
[0035] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036] 图1为本发明一种基于机器视觉的汽车铸件表面缺陷检测方法的步骤流程图。
具体实施方式
[0037] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于机器视觉的汽车铸件表面缺陷检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0038] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0039] 下面结合附图具体的说明本发明所提供的一种基于机器视觉的汽车铸件表面缺陷检测方法的具体方案。
[0040] 请参阅图1，其示出了本发明一个实施例提供的一种基于机器视觉的汽车铸件表面缺陷检测方法的步骤流程图，该方法包括以下步骤：
[0041] 步骤S001：采集汽车铸件图像并预处理。
[0042] 使用相机采集汽车铸件得到铸件表面图像数据，并对采集到的图像进行灰度化预处理，得到灰度化图像，然后对其进行canny边缘检测得到边缘检测图像；
[0043] 步骤S002：根据边缘末端的像素点得到边缘的延伸可能性和延伸趋势。
[0044] 需要说明的是，由于梯度无法表示灰度值的变化方向，首先定义新的矢量用来表示灰度值变化方向；由于裂缝之间具有一定相互延伸趋势，于是根据该方向的切线方向，判断每个边缘延伸趋势；同时再根据该方向，计算出边缘检测图像中所有边缘每个像素点灰度变化方向上灰度值差异程度，得到整个边缘周边灰度值变化程度；结合多种判断条件建立边缘检测图像中裂缝区域判断公式。
[0045] （1）根据边缘检测图像得到出任意两个边缘的延伸可能性。
[0046] 需要说明的是，由于在汽车铸件过程中，大部分裂缝在由于冷凝速率过快，在生成并逐渐蔓延的过程中距离较近的两条有趋于同一条裂缝的趋势，即二者之间具有相互延伸趋势，对于任意一个边缘，根据其两个延伸方向上判断与其他边缘延伸的可能性，计算出当前边缘延伸趋势。
[0047] 具体地，通过上述的边缘检测图像，对于边缘检测图像的第a个边缘，在第a个边缘一端截取靠近端点的三个像素点，这三个像素点记为目标区域；同时在第a个边缘记另一端截取靠近端点的三个像素点，这三个像素点记为目标区域，因此第a个边缘对应两个目标区域。根据目标区域中形态学腐蚀得到目标区域的曲线，获取在该曲线上每个像素点的切线，根据切线与水平方向的夹角，得到每个像素点的夹角；由于每个目标区域有三个像素点，所以对每个目标区域的三个像素点的夹角进行求均值，代表这个目标区域的曲线方向。至此，得到所有边缘上目标区域的曲线方向。
[0048] 第a个边缘上两个目标区域的曲线方向与其他所有边缘上目标区域的曲线方向存在若干交点（同一个边缘上的两个目标区域的曲线方向的相交情况不考虑），交点个数记为na。
[0049] 以其中第b个交点为例进行如下分析：
[0050] 第b个交点对应的边缘记为边缘B，即第a个边缘上目标区域的曲线方向与边缘B上目标区域的曲线方向相较于该交点。
[0051] 获取边缘a中目标区域像素点与边缘B中目标区域像素点之间距离最短的两个像素点，获取距离最短两个点和第b个交点的圆弧长度，记为 。
[0052] 则由此可以得到第a个边缘在第b个交点处相互延伸可能性 ：
[0053] 式中， 表示第a个边缘中目标区域曲线方向与边缘B中目标区域曲线方向之间的夹角，即第b个交点对应的夹角， 表示第a个边缘中目标区域与边缘B中目标区域之间的圆弧长度， 表示第a个边缘在第b个交点处相互延伸可能性。
[0054] 其中，当夹角 越趋近于π， 越趋近于1，同时三点形成的最小弧长 越小，越大，则 越大，即f越大，表明对于第a个边缘和第B个边缘之间延伸的可能性越大，即越可能是同一个边缘。
[0055] （2）根据任意两个边缘之间的延伸可能性得到每个边缘的延伸趋势。
[0056] 需要说明的是，由于每个边缘的目标区域曲线方向都是不确定的，所以一个边缘的两个目标区域都有可能与多个边缘的目标区域相交，将一个边缘的两个目标区域与其他边缘的目标区域相交的交点个数记为na。则可以计算出边缘a的延伸趋势Pa。
[0057] 则边缘a的延伸趋势Pa的公式可表示为：
[0058] 式中， 表示第a个边缘在第b个交点处相互延伸可能性，na表示第a个边缘的两个目标区域和其他边缘的目标区域的交点个数，Pa表示第a个边缘的延伸趋势，th表示双曲线正切函数。
[0059] 其中，当相互延伸的可能性 越大，且对于当前边缘其两个目标区域方向上存在的交点个数n越少，则Pa越趋近于1，表明边缘a的延伸趋势越高。
[0060] 依次类推，得到所有边缘的延伸趋势。
[0061] 至此，得到所有边缘的延伸趋势；
[0062] 步骤S003：结合边缘周边像素点分布关系，以及不同边缘之间的相互关系，建立识别裂缝判断公式。
[0063] 需要说明的是，由于其他粗糙区域在不同方向具较大的灰度差异，而裂缝区域的灰度变化较为集中，并且主要表现为裂缝边缘的较大灰度差，故同为一条裂缝多个边缘周围像素点灰度值变化差异较小，通过计算并每个区域周边像素点灰度值变化程度，结合区域延伸趋势，判断并识别图像中所有裂缝区域。
[0064] （1）重新定义边缘检测图像中的每个像素点的灰度变化方向。
[0065] 进一步需要说明的是，由于梯度只能求得图像当中灰度值变化速率快的方向，却不能表现像素点灰度值是由小变大还是由大变小。故对边缘检测结果中所有边缘点重新定义一种灰度值变化矢量，并计算出边缘像素点灰度值变化方向。
[0066] 具体地，对灰度图中的每一个边缘的像素点为中心建立8邻域，分别计算中心像素点与邻域内其他所有像素点灰度值差异，即用中心像素点灰度值减去邻域内其他像素点灰度值，差值为负说明两个点灰度值由小变大，我们令变化方向由中心边缘像素点到邻域内像素点，差值为正则说明灰度值由大变小，其方向由邻域内像素点向中心边缘像素点，即定义矢量方向始终是由小变大的方向。同时，中心边缘像素点与邻域内像素点灰度值差值的绝对值表示矢量模长，变化方向为矢量方向。根据矢量的运算方法，累加邻域内所有矢量，可得到中心边缘像素点的灰度变化方向。
[0067] 至此，得到灰度图像中每个像素点的灰度变化方向。
[0068] 将边缘中的像素点记为边缘像素点。
[0069] 具体地，根据每一个边缘像素点灰度变化方向，计算出延该方向上边缘像素点到下一个边缘像素点之间的距离D，该值越大说明该点位于裂缝边缘的可能性越大，反之则相反。同时计算出灰度变化方向的反方向边缘像素点到下一个边缘像素点的距离D'，该值越小说明该点位于裂缝边缘的可能性越小，反之则相反。
[0070] 对每一个边缘像素点，以该像素点为起始点，在其灰度变化趋势方向的垂直方向上，取th1个像素点，即在灰度变化趋势方向的垂直方向上两侧各取th1/2个像素点，得到一组像素点集。预设一个数量阈值th1，其中本实施例以th1=10为例进行叙述，本实施例不进行具体限定，其中th1可根据具体实施情况而定。计算像素点集中每个像素点之间灰度值差异，求得该边缘像素点变化方向上边缘像素点的灰度值变化程度 ：
[0071] 式中， 表示第d个边缘上的第t个边缘像素点对应的th1个像素点集中第i个像素点的灰度值， 表示第d个边缘上的第t个边缘像素点对应的th1个像素点集中第j个像素点的灰度值， 表示第d个边缘上的边缘上第t个边缘像素点的灰度值变化程度。
[0072] 其中，式中， 表示像素点之间灰度值差异，整个式子表示这th1个像素点依次比较出的灰度值差异均值。当计算出的 越大，说明该边缘点延其灰度变化趋势方向上，多个像素点灰度值差异大，像素点灰度值变化程度较大。
[0073] 对同一个边缘上每一个边缘像素点计算其 ，得出该边缘周围灰度值变化程度：
[0074] 式中， 表示第d个边缘上第t个边缘像素点的灰度值变化程度， 表示第d个边缘上第t个边缘像素点延灰度变化方向上到下一个边缘像素点之间的距离， 表示第d个边缘上第t个边缘像素点延灰度变化方向的反方向到下一个边缘像素点之间的距离，N表示第d个边缘上的边缘像素点个数，exp表示以自然数为底的指数函数， 表示第d个边缘周围灰度值变化程度。
[0075] 其中， 表示第d个边缘上第t个边缘像素点灰度变化方向反方向上到下一个边缘像素点的距离与变化方向上到下一个边缘像素点的距离，当二者比值越小，则说明该像素点位于裂缝边缘的可能性越大，累加边缘上所有像素点的比值，当累加结果越小，说明该边缘为裂缝的可能性越大；同时当该点在灰度变化方向上像素点灰度值变化程度 越小，则 越小，则整体累加结果 越小，表明整个区域边缘为裂缝的可能性越大。由于整个式子呈反比关系，于是利用指数exp函数将数据规划至[0,1]。当越小， 越大且越接近于1，表明边缘周围像素点灰度值变化程度越小。
[0076] 需要说明的是，理论上对于同一条裂缝分段得到的两个裂缝区域，其周边的像素点分布情况是相似的，说明对于任意一个边缘，其周边与其具有相互延伸趋势的区域，对识别当前区域是否为裂缝是具有一定影响的。
[0077] 具体地，对于所有边缘，通过上述步骤计算方法得到每一个边缘的延伸趋势；由此，对于任意一个边缘a，其两个目标区域的曲线方向上存在na个交点，即存在na个可能重合的边缘，判断第a个边缘为裂缝的可能性Final(a)。
[0078] 则第a个区域为裂缝的可能性Final(a)的公式可表示为：
[0079] 式中，Pa表示为第a个边缘的延伸趋势，Pc表示为第c个边缘的延伸趋势， 表示为第a个边缘周围灰度值变化程度， 表示为第c个边缘周围灰度值变化程度，fa表示除过第a个边缘之外的所有边缘个数， 表示为第a个区域为裂缝的可能性， 表示归一化函数， 式子中分母加1的目的是防止分母为0。
[0080] 其中，当 越小，说明二者之间差异越小，说明其周边像素点灰度值变化程度相似， 越大，累加所有可能重合的区域，即 。此时，当其他边缘的周边与第a个边缘周边变化程度差异越小，同时每个区域包括第a个边缘自身延伸趋势越大，说明第a个边缘为裂缝的概率越大， 越大。利用norm函数将最终结果归一化于[0,1]。
[0081] 预设一个阈值F，其中本实施例以F=0.8为例进行叙述，本实施例不进行具体限定，其中F可根据具体实施情况而定。当 时，我们认为当前边缘a为裂缝区域；
[0082] 步骤S004：识别出图像中裂缝区域。
[0083] 根据边缘检测图像和边缘为裂缝的可能性得到图像中所有的裂缝区域，至此，完成了图像中的所有裂缝检测。
[0084] 至此，本实施例完成。
[0085] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
