本發(fā)明涉及機(jī)器視覺與視頻圖像處理技術(shù)領(lǐng)域，更具體地說，涉及一種基于梯度方向直方圖的瓶口缺陷檢測(cè)方法。

背景技術(shù)：

傳統(tǒng)工業(yè)檢測(cè)領(lǐng)域的瓶口缺陷檢測(cè)多以人工肉眼檢測(cè)為主，然而人眼視覺易疲勞導(dǎo)致漏檢、誤檢，且人工成本較高，效率低，可靠性差，這與大規(guī)模集成工業(yè)化生產(chǎn)極不協(xié)調(diào)，利用計(jì)算機(jī)視覺和圖像處理算法自動(dòng)進(jìn)行瓶口缺陷檢測(cè)，能有效解決這一問題。

目前，基于邊緣檢測(cè)的瓶口缺陷檢測(cè)方法，如canny邊緣檢測(cè)結(jié)合閾值化，由于瓶口缺陷尺寸很小，缺陷定義不明，易將邊緣毛刺誤判為缺陷或誤將細(xì)小缺陷當(dāng)作噪點(diǎn)干擾而濾除，即使采用優(yōu)化閾值化方法也難以區(qū)分實(shí)際缺陷和圖像邊緣干擾，檢測(cè)時(shí)間也較長(zhǎng)?；谔卣魈崛〉姆椒z測(cè)瓶口缺陷，如連通域操作，環(huán)形瓶口定位等，具有較好的排除瓶口外邊緣干擾的能力，但對(duì)亮色斑點(diǎn)魯棒性較差；基于模板匹配的瓶口缺陷檢測(cè)系統(tǒng)，計(jì)算量巨大，耗時(shí)過長(zhǎng)，難以適應(yīng)工業(yè)檢測(cè)。

為實(shí)現(xiàn)自動(dòng)化瓶口缺陷檢測(cè)，需要達(dá)到較高的時(shí)效性和可靠性，集成化程度高，并便于工業(yè)管理，據(jù)統(tǒng)計(jì)，僅有少部分算法達(dá)到工業(yè)檢測(cè)要求，例如通過sobel算子計(jì)算梯度的定位瓶口圓環(huán)，多次sobel操作提取其缺陷像素點(diǎn)，進(jìn)行分類器操作確定缺陷位置。

經(jīng)檢索，關(guān)于瓶口缺陷檢測(cè)目前也有較多專利公開，如中國專利號(hào)zl201510589588.3，申請(qǐng)日為2015年9月16日，發(fā)明創(chuàng)造名稱為：一種殘差分析動(dòng)態(tài)閾值分割的瓶口缺陷檢測(cè)方法；該申請(qǐng)案首先提出隨機(jī)圓評(píng)估方法用于實(shí)現(xiàn)瓶口區(qū)域定位；隨后，對(duì)極坐標(biāo)變換展開所得的瓶口目標(biāo)圖像進(jìn)行強(qiáng)烈平滑處理，平滑前后的瓶口目標(biāo)圖像進(jìn)行差分，形成一個(gè)隨原始瓶口目標(biāo)圖像灰度值變化的閾值曲面，用該曲面對(duì)瓶口目標(biāo)圖像進(jìn)行動(dòng)態(tài)閾值分割；最后，對(duì)分割后的二值圖像進(jìn)行區(qū)域連通性檢測(cè)，根據(jù)連通區(qū)域的高、寬和面積判斷其是否為缺陷。該方法對(duì)圖像中識(shí)別目標(biāo)的灰度值變化、干擾有很好的適應(yīng)能力，且執(zhí)行速度較快。但該申請(qǐng)案算法較復(fù)雜，不便于推廣應(yīng)用。

技術(shù)實(shí)現(xiàn)要素：

1.發(fā)明要解決的技術(shù)問題

本發(fā)明要解決的問題是：現(xiàn)有瓶口缺陷檢測(cè)依賴人工觀察，效率低下，誤檢率高；現(xiàn)有通過各種復(fù)雜算法進(jìn)行高正確率的瓶口缺陷檢測(cè)的方法運(yùn)算量較大，不滿足工業(yè)生產(chǎn)的實(shí)時(shí)性要求；能夠快速檢測(cè)瓶口缺陷的方法僅能應(yīng)對(duì)高質(zhì)量瓶口圖像，對(duì)復(fù)雜紋理瓶口圖像效果較差?？偨Y(jié)而言，現(xiàn)有檢測(cè)方法難以做到高效率，高可靠性和高應(yīng)用價(jià)值的兼容，提出了一種基于梯度方向直方圖的瓶口缺陷檢測(cè)方法，本發(fā)明利用梯度方向直方圖對(duì)樣本瓶口圖像計(jì)算特征向量，設(shè)置支持向量機(jī)作為分類器，快速判定檢測(cè)窗口是否合格，定位并統(tǒng)計(jì)瓶口缺陷，與傳統(tǒng)檢測(cè)算法相比，減少算法運(yùn)行耗時(shí)，實(shí)現(xiàn)缺陷快速準(zhǔn)確檢測(cè)。

2.技術(shù)方案

為達(dá)到上述目的，本發(fā)明提供的技術(shù)方案為：

本發(fā)明的一種基于梯度方向直方圖的瓶口缺陷檢測(cè)方法，對(duì)樣本圖像提取固定尺寸單元格、區(qū)塊、窗口，通過計(jì)算窗口內(nèi)像素點(diǎn)的梯度方向直方圖獲取樣本圖片特征向量，輸入支持向量機(jī)進(jìn)行訓(xùn)練，提取特征用于瓶口缺陷檢測(cè)。

更具體地，本發(fā)明的一種基于梯度方向直方圖的瓶口缺陷檢測(cè)方法，首先將瓶口圓環(huán)部分拉伸成矩形，再進(jìn)行剪裁拼接以減小矩形的寬高差距，把修正后的矩形作為樣本圖片，對(duì)有缺陷和無缺陷樣本圖片分別進(jìn)行g(shù)amma校正，以規(guī)范化樣本圖像，將樣本圖片分割成多個(gè)窗口，分別統(tǒng)計(jì)窗口內(nèi)的梯度方向直方圖分布，得到特征向量，利用支持向量機(jī)形成分類器，用于后續(xù)瓶口圖片的缺陷檢測(cè)；然后，對(duì)待檢測(cè)瓶口圖像，通過梯度方向直方圖求取每個(gè)檢測(cè)窗口的特征向量，結(jié)合預(yù)先形成的分類器，判定當(dāng)前窗口是否存在缺陷，對(duì)整幅瓶口圖像統(tǒng)計(jì)缺陷個(gè)數(shù)并標(biāo)識(shí)，判定當(dāng)前瓶口是否為缺陷瓶口。

更進(jìn)一步地，所述的特征向量的獲取方法為：首先求取單元格內(nèi)像素點(diǎn)(x,y)的梯度幅值g(x,y)，梯度角度θ(x,y)，繪制梯度方向直方圖，形成特征向量，再對(duì)區(qū)塊中的所有單元格特征進(jìn)行合并，獲取區(qū)塊的特征向量，進(jìn)行歸一化，再將窗口內(nèi)所有區(qū)塊進(jìn)行合并，獲取窗口區(qū)域內(nèi)的特征向量。

更進(jìn)一步地，瓶口圓環(huán)部分拉伸成矩形的具體步驟為：

1)在圓環(huán)中，角度為θ的扇形對(duì)應(yīng)長(zhǎng)度為α的圓弧，即每弧度圓心角對(duì)應(yīng)圓弧長(zhǎng)度為轉(zhuǎn)換過程中，θ取2π，即整個(gè)圓環(huán)；

2)瓶口圓環(huán)內(nèi)外半徑差為r，拉伸后的矩形寬度為r，高度為圓環(huán)外圓周長(zhǎng)，原圓環(huán)內(nèi)圓也被拉伸為外圓周長(zhǎng)，缺失像素使用線性插值計(jì)算得出；

3)對(duì)拉伸后的矩形瓶口進(jìn)行縱向裁剪，裁剪長(zhǎng)度為矩形高度的六分之一，再進(jìn)行拼接，拼接后的矩形寬度為6r，高度為外圓周長(zhǎng)的六分之一。

更進(jìn)一步地，利用梯度方向直方圖算法求取圖像特征向量的具體步驟為：

1)求取圖像中點(diǎn)(x,y)的梯度幅值g(x,y)和方向θ(x,y)：

gx(x,y)＝i(x+1,y)+i(x-1,y)

gy(x,y)＝i(x,y+1)+i(x,y-1)

其中，i(x,y)表示圖像在某一像素點(diǎn)的灰度值，gx(x,y)表示該像素點(diǎn)水平方向梯度幅值，gy(x,y)表示該像素點(diǎn)豎直方向梯度幅值；

2)然后計(jì)算每個(gè)直方圖通道bink上的梯度分量vk(x,y)：

vk(x,y)＝∑g(x,y),θ(x,y)∈bink。

更進(jìn)一步地，進(jìn)行瓶口缺陷檢測(cè)的具體步驟如下：

1)利用瓶口模板圖像，訓(xùn)練學(xué)習(xí)用于缺陷檢測(cè)的特征向量：

以無缺陷瓶口的圖像建立訓(xùn)練集，對(duì)各幅圖像，計(jì)算單元格內(nèi)所有像素點(diǎn)(x,y)的g(x,y)，θ(x,y)，規(guī)定圖像的直方圖通道數(shù)量為n，對(duì)每一個(gè)像素點(diǎn)(x,y)在n個(gè)直方圖通道上進(jìn)行加權(quán)投票，根據(jù)g(x,y)計(jì)算加權(quán)系數(shù)，根據(jù)θ(x,y)確定投票通道，構(gòu)建單元格內(nèi)像素點(diǎn)的梯度方向直方圖，將一個(gè)區(qū)塊內(nèi)的所有單元格進(jìn)行合并，組成區(qū)塊的特征向量{f(cm,bn)|m＝0,1,2,ncells-1；n＝0,1,2,…nbins}，其中，cm表示區(qū)塊內(nèi)的第m個(gè)單元格，ncells表示一個(gè)區(qū)塊內(nèi)的單元格數(shù)量，bn表示單元格內(nèi)的第n個(gè)直方圖通道，nbins表示一個(gè)單元格內(nèi)的直方圖通道數(shù)量，將區(qū)塊的特征向量組合，形成檢測(cè)窗口的特征向量{f(cm×k,bn)|m＝0,1,2,ncells-1；k＝0,1,2…nblocks-1；n＝0,1,2,…nbins}，其中cm×k表示窗口內(nèi)的第m×k個(gè)單元格，nblocks表示一個(gè)窗口內(nèi)的區(qū)塊數(shù)量；

2)采用支持向量機(jī)svm作為分類器，獲取數(shù)量為l的訓(xùn)練集{(xiyi),i＝0,1,2…l-1}作為二類別樣本，如果根據(jù)樣本圖片的特征向量形成的描述子屬于第一類，則標(biāo)記為正(yi＝1)，表示缺陷瓶口，否則標(biāo)記為負(fù)(yi＝-1)，表示合格瓶口；

3)對(duì)圖像進(jìn)行多次金字塔降采樣，每一幅圖像獲取特征值作為svm分類器判定依據(jù)返回給上一級(jí)；

4)對(duì)每一張待檢測(cè)的瓶口圖像，進(jìn)行滑動(dòng)窗口檢測(cè)，并獲取當(dāng)前滑動(dòng)窗口的特征向量{f(cm×k,bn)|m＝0,1,2,ncells-1；k＝0,1,2…nblocks-1；n＝0,1,2,…nbins}，其中：

其中，cellsize表示單元格寬度和高度，blocksize表示區(qū)塊的寬度和高度，blockstep表示區(qū)塊在窗口內(nèi)移動(dòng)時(shí)的步長(zhǎng)，windowsize表示窗口的寬度和高度；每一窗口進(jìn)行檢測(cè)標(biāo)記，統(tǒng)計(jì)瓶口圖像缺陷個(gè)數(shù)，返回標(biāo)識(shí)符表示當(dāng)前瓶口是否合格。

更進(jìn)一步地，步驟六中采用支持向量機(jī)svm作為分類器，獲取數(shù)量為l的訓(xùn)練集，l為500；檢測(cè)窗口尺度大小設(shè)置為：

更進(jìn)一步地，構(gòu)建單元格內(nèi)像素點(diǎn)梯度方向直方圖時(shí)，對(duì)每一通道進(jìn)行加權(quán)方法為：

其中，(x,y)表示計(jì)算當(dāng)前像素點(diǎn)，θk表示直方圖第k通道，xi+1-xi表示當(dāng)前計(jì)算像素點(diǎn)(x,y)的水平相鄰單元格的橫坐標(biāo)距離，yj+1-yj表示當(dāng)前計(jì)算像素點(diǎn)(x,y)豎直相鄰單元格的縱坐標(biāo)距離。

3.有益效果

采用本發(fā)明提供的技術(shù)方案，與已有的公知技術(shù)相比，具有如下顯著效果：

本發(fā)明的一種基于梯度方向直方圖的快速瓶口缺陷檢測(cè)方法，既滿足實(shí)時(shí)性又具有較高正確率。主要?jiǎng)?chuàng)新在于：1)將瓶口圓環(huán)部分拉伸成矩形，并進(jìn)行裁剪拼接修正寬高比，便于檢測(cè)窗口滑動(dòng)獲取特征向量；2)首次提出利用梯度方向直方圖算法快速獲取瓶口圖像特征向量用于缺陷檢測(cè)，由梯度方向直方圖將任意大小瓶口圖像轉(zhuǎn)化為檢測(cè)窗口特征向量提取，減小運(yùn)行開銷；3)使用梯度方向直方圖算法時(shí)，本發(fā)明先做光線矯正，去除光照干擾，并進(jìn)行直方圖通道加權(quán)和歸一化，多次提取邊緣像素點(diǎn)信息，進(jìn)一步提高檢測(cè)精度。

附圖說明

圖1為本發(fā)明中瓶口圓環(huán)拉伸步驟原理圖；

圖2為本發(fā)明進(jìn)行瓶口缺陷檢測(cè)的流程框圖；

圖3中的(a)為瓶口圓環(huán)部分圖像，圖3中的(b)為拉伸拼接后的效果圖；

圖4中的(a)為實(shí)施例1待檢測(cè)瓶口圖像，圖4中的(b)為檢測(cè)效果圖；

圖5中的(a)～(d)為本發(fā)明方法與其它現(xiàn)有技術(shù)方法的檢測(cè)結(jié)果對(duì)比圖。

具體實(shí)施方式

為進(jìn)一步了解本發(fā)明的內(nèi)容，結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作詳細(xì)描述。

本發(fā)明的一種基于梯度方向直方圖的瓶口缺陷檢測(cè)方法，對(duì)任意大小樣本圖像提取固定尺寸單元格(例如8*8像素)，區(qū)塊(例如16*16像素)，窗口(例如32*32像素)，通過計(jì)算窗口內(nèi)像素點(diǎn)的方向梯度直方圖獲取樣本圖片特征向量，作為支持向量機(jī)特征用于瓶口缺陷檢測(cè)。具體為：首先，將瓶口圓環(huán)部分拉伸成矩形，再進(jìn)行剪裁拼接以減小矩形的寬高差距，把修正后的矩形作為樣本圖片，對(duì)有缺陷和無缺陷樣本圖片分別進(jìn)行g(shù)amma校正，以規(guī)范化樣本圖像，將樣本圖片分割成多個(gè)窗口(例如32*32像素)，分別統(tǒng)計(jì)窗口內(nèi)的梯度方向直方圖分布，得到特征向量，利用支持向量機(jī)形成分類器，用于后續(xù)瓶口圖片的缺陷檢測(cè)；然后，對(duì)待檢測(cè)瓶口圖像，通過梯度方向直方圖求取每個(gè)檢測(cè)窗口的特征向量，結(jié)合預(yù)先形成的分類器，判定當(dāng)前窗口是否存在缺陷，對(duì)整幅瓶口圖像統(tǒng)計(jì)缺陷個(gè)數(shù)并標(biāo)識(shí)，判定當(dāng)前瓶口是否為缺陷瓶口。

其中，特征向量的獲取方法為：首先求取單元格內(nèi)像素點(diǎn)(x,y)的梯度幅值g(x,y)，梯度角度θ(x,y)，繪制梯度方向直方圖，形成特征描述子，再將區(qū)塊內(nèi)所有單元格進(jìn)行合并，再將窗口內(nèi)所有區(qū)塊進(jìn)行合并，獲取當(dāng)前檢測(cè)窗口區(qū)域內(nèi)的特征向量。

本發(fā)明一方面基于梯度方向直方圖的原理，提取瓶口圖像中的像素點(diǎn)梯度信息，實(shí)現(xiàn)瓶口缺陷的實(shí)時(shí)檢測(cè)，另一方面通過插值和歸一化的方法，提高缺陷像素點(diǎn)的作用域，實(shí)現(xiàn)瓶口缺陷的準(zhǔn)確定位，兼顧了工業(yè)應(yīng)用的實(shí)時(shí)性和缺陷檢測(cè)的準(zhǔn)確性。主要包括基于梯度方向直方圖的特征向量提取、支持向量機(jī)分類器訓(xùn)練和基于特征向量的瓶口缺陷檢測(cè)三個(gè)部分。下面將結(jié)合實(shí)施例對(duì)本發(fā)明進(jìn)行具體介紹。

實(shí)施例1

結(jié)合圖2，本實(shí)施例首先對(duì)瓶口圓環(huán)部分拉伸成矩形，再進(jìn)行剪裁拼接以減小矩形的寬高差距，把修正后的矩形作為樣本圖片，對(duì)有缺陷和無缺陷樣本圖片分別進(jìn)行g(shù)amma校正，規(guī)范化樣本圖像，將樣本圖片分割成多個(gè)窗口(例如32*32像素)，分別統(tǒng)計(jì)其梯度方向直方圖分布，得到特征向量，利用支持向量機(jī)形成分類器，用于后續(xù)瓶口圖片的缺陷檢測(cè)。然后，對(duì)待檢測(cè)瓶口圖像，通過梯度方向直方圖求取每個(gè)檢測(cè)窗口的特征向量，結(jié)合預(yù)先形成的分類器，判定當(dāng)前窗口是否存在缺陷，對(duì)整幅瓶口圖像統(tǒng)計(jì)缺陷個(gè)數(shù)并標(biāo)識(shí)，判定當(dāng)前瓶口是否為缺陷瓶口，具體實(shí)施過程如下：

1、將瓶口圓環(huán)部分拉伸為矩形

1)在圓環(huán)中，角度為θ的扇形對(duì)應(yīng)長(zhǎng)度為α的圓弧，即每弧度圓心角對(duì)應(yīng)圓弧長(zhǎng)度為如圖1所示，轉(zhuǎn)換過程中，θ取2π，即整個(gè)圓環(huán)；

2)瓶口圓環(huán)內(nèi)外半徑差為r，拉伸后的矩形寬度為r，高度為圓環(huán)外圓周長(zhǎng)。原圓環(huán)內(nèi)圓也被拉伸為外圓周長(zhǎng)，缺失像素使用雙線性插值計(jì)算得出；

3)對(duì)拉伸后的矩形瓶口進(jìn)行縱向裁剪，裁剪長(zhǎng)度為矩形高度的六分之一，再進(jìn)行拼接，拼接后的矩形寬度為6r，高度為外圓周長(zhǎng)的六分之一。

2、基于梯度方向直方圖的特征向量提取

一般情況下，合格瓶口圖像的梯度方向直方圖分布在固定方向上，對(duì)其中任意檢測(cè)窗口，理想狀態(tài)下，獲取的特征向量都應(yīng)滿足標(biāo)志位為負(fù)(yi＝-1)，在二類別分類器中屬于無缺陷類別，而缺陷的出現(xiàn)會(huì)打破梯度方向直方圖的規(guī)律性和統(tǒng)一性，出現(xiàn)隨機(jī)方向上的數(shù)值，使得最終獲取的檢測(cè)窗口的特征向量的標(biāo)志位為正(yi＝+1)。因此本實(shí)施例采用梯度方向直方圖求取單元格內(nèi)像素點(diǎn)(x,y)的梯度幅值g(x,y)，梯度角度θ(x,y)，繪制梯度方向直方圖，形成特征向量，再將區(qū)塊內(nèi)所有單元格進(jìn)行合并，形成區(qū)塊特征向量，再將窗口內(nèi)所有區(qū)塊進(jìn)行合并，獲取窗口區(qū)域內(nèi)的特征向量，結(jié)合svm分類器作為瓶口缺陷檢測(cè)方案。

利用梯度方向直方圖算法求取圖像特征描述子的具體步驟為：

1)求取圖像中像素點(diǎn)(x,y)的梯度幅值g(x,y)和方向θ(x,y)：

gx(x,y)＝i(x+1,y)+i(x-1,y)

gy(x,y)＝i(x,y+1)+i(x,y-1)

其中，i(x,y)表示圖像在某一像素點(diǎn)的灰度值，gx(x,y)表示該像素點(diǎn)水平方向梯度幅值，gy(x,y)表示該像素點(diǎn)豎直方向梯度幅值；

2)然后計(jì)算每個(gè)直方圖通道(bink)上的梯度分量vk(x,y)：

vk(x,y)＝∑g(x,y),θ(x,y)∈bink。

構(gòu)建單元格內(nèi)像素點(diǎn)梯度方向直方圖時(shí)，對(duì)每一通道進(jìn)行加權(quán)，以擴(kuò)大缺陷像素點(diǎn)的作用域：

其中(x,y)表示計(jì)算當(dāng)前像素點(diǎn)，θk表示直方圖第k通道，xi+1-xi表示當(dāng)前計(jì)算像素點(diǎn)(x,y)的水平相鄰單元格的橫坐標(biāo)距離，yj+1-yj表示當(dāng)前計(jì)算像素點(diǎn)(x,y)豎直相鄰單元格的縱坐標(biāo)距離。

3、基于特征向量的瓶口缺陷檢測(cè)

1)利用瓶口模板圖像，訓(xùn)練學(xué)習(xí)用于缺陷檢測(cè)的特征描述子：

以無缺陷瓶口的圖像建立訓(xùn)練集，對(duì)各幅圖像，計(jì)算單元格內(nèi)所有像素點(diǎn)(x,y)的g(x,y)，θ(x,y)，規(guī)定圖像的直方圖通道數(shù)量為n，對(duì)每一個(gè)像素點(diǎn)(x,y)在n個(gè)直方圖通道上進(jìn)行加權(quán)投票，根據(jù)g(x,y)計(jì)算加權(quán)系數(shù)，根據(jù)θ(x,y)確定投票通道，構(gòu)建單元格內(nèi)像素點(diǎn)的梯度方向直方圖，將一個(gè)區(qū)塊內(nèi)的所有單元格進(jìn)行合并，組成區(qū)塊的特征向量{f(cm,bn)|m＝0,1,2,ncells-1；n＝0,1,2,…nbins}，其中，cm表示區(qū)塊內(nèi)的第m個(gè)單元格，ncells表示一個(gè)區(qū)塊內(nèi)的單元格數(shù)量，bn表示單元格內(nèi)的第n個(gè)直方圖通道，nbins表示一個(gè)單元格內(nèi)的直方圖通道數(shù)量，將區(qū)塊的特征向量組合，形成檢測(cè)窗口的特征向量{f(cm×k,bn)|m＝0,1,2,ncells-1；k＝0,1,2…nblocks-1；n＝0,1,2,…nbins}，其中cm×k表示窗口內(nèi)的第m×k個(gè)單元格，nblocks表示一個(gè)窗口內(nèi)的區(qū)塊數(shù)量。

2)采用支持向量機(jī)svm作為分類器，獲取數(shù)量為l的訓(xùn)練集{(xiyi),i＝0,1,2…l-1}作為二類別樣本，l在實(shí)驗(yàn)過程中暫定為500，如果根據(jù)樣本圖片的特征向量形成的描述子屬于第一類，則標(biāo)記為正(yi＝1)，表示缺陷瓶口，否則標(biāo)記為負(fù)(yi＝-1)，表示合格瓶口。

3)對(duì)圖像進(jìn)行多次金字塔降采樣，每一幅圖像獲取特征值作為svm分類器判定依據(jù)返回給上一級(jí)；

4)對(duì)每一張待檢測(cè)的瓶口圖像，進(jìn)行滑動(dòng)窗口檢測(cè)，并獲取當(dāng)前滑動(dòng)窗口特征向量{f(cm×k,bn)|m＝0,1,2,ncells-1；k＝0,1,2…nblocks-1；n＝0,1,2,…nbins}，其中：

每一窗口進(jìn)行檢測(cè)標(biāo)記(yi＝±1)，統(tǒng)計(jì)瓶口圖像缺陷個(gè)數(shù)，返回標(biāo)識(shí)符表示當(dāng)前瓶口是否合格。本實(shí)施例中，檢測(cè)窗口尺度大小設(shè)置為：

其中，cellsize表示單元格寬度和高度，blocksize表示區(qū)塊的寬度和高度，blockstep表示區(qū)塊在窗口內(nèi)移動(dòng)時(shí)的步長(zhǎng)，windowsize表示窗口的寬度和高度。

圖3為瓶口圓環(huán)部分圖像和拉伸拼接后的效果圖。待測(cè)瓶口圖像為環(huán)形瓶口拉伸后拼接而成，寬度為438，高度為500。圖4中的(a)、(b)兩幅圖，分別為待檢測(cè)瓶口圖像和缺陷檢測(cè)效果圖，圖4展示了本發(fā)明檢測(cè)結(jié)果，缺陷被標(biāo)記出。圖5中的(a)、(b)、(c)、(d)分別對(duì)應(yīng)為待測(cè)瓶口圖像，基于梯度方向直方圖的瓶口缺陷檢測(cè)效果圖，基于特征提取的瓶口缺陷檢測(cè)效果圖和基于邊緣檢測(cè)的瓶口缺陷效果圖。由圖5可以看出，基于特征提取的瓶口缺陷檢測(cè)算法難以區(qū)分缺陷和亮色斑點(diǎn)而造成漏檢，基于邊緣檢測(cè)的瓶口缺陷檢測(cè)方法，易將邊緣毛刺誤判為缺陷，即使采用優(yōu)化閾值化方法也難以區(qū)分實(shí)際缺陷和圖像邊緣干擾，檢測(cè)時(shí)間也較高。相較于其他方法，本實(shí)施例平均每幅圖像處理時(shí)間僅需100ms，而基于邊緣檢測(cè)和特征提取的檢測(cè)方法耗時(shí)平均為300ms，兼顧了工業(yè)應(yīng)用的實(shí)時(shí)性和缺陷檢測(cè)的準(zhǔn)確性。

以上示意性的對(duì)本發(fā)明及其實(shí)施方式進(jìn)行了描述，該描述沒有限制性，附圖中所示的也只是本發(fā)明的實(shí)施方式之一，實(shí)際并不局限于此。所以，如果本領(lǐng)域的普通技術(shù)人員受其啟示，在不脫離本發(fā)明創(chuàng)造宗旨的情況下，不經(jīng)創(chuàng)造性的設(shè)計(jì)出與該技術(shù)方案相似的方式及實(shí)施例，均應(yīng)屬于本發(fā)明的保護(hù)范圍。