本发明涉及图像处理，具体涉及基于机器视觉的零部件喷涂质量检测方法。
背景技术：
1、零部件喷涂质量检测是制造业中的一个重要环节，尤其是在汽车、航空航天、电子和消费品等行业。喷涂不仅用于美观，还能提供防护层，防止腐蚀和磨损，确保喷涂质量对于产品的最终性能和寿命至关重要。由于在零部件喷涂的过程中可能出现流痕，流痕会影响产品的美观和质量，因此零部件喷涂过程中出现流痕的缺陷检测就显得格外的重要。
2、在对零部件喷涂过程中出现的质量缺陷问题，可以根据神经网络通过输入零部件图像进行零部件喷涂的质量检测，由于在根据神经网络检测的过程中由于有噪声的干扰，需要对采集的零部件图像进行增强，但是在对零部件图像增强的过程中是通过直方图均衡化对图像增强的，但是增强后的图像虽然增强了图像中的一些细节，但是对于正常区域和缺陷区域之间的细节并未能体现出来，这样导致降低了零部件喷涂质量检测的准确性。
技术实现思路
1、本发明提供基于机器视觉的零部件喷涂质量检测方法，以解决现有的问题。
2、本发明的基于机器视觉的零部件喷涂质量检测方法采用如下技术方案：
3、本发明一个实施例提供了基于机器视觉的零部件喷涂质量检测方法，该方法包括以下步骤：
4、采集零部件图像；
5、将零部件图像的灰度直方图中存在像素点个数的灰度级记为参考灰度级，对所有参考灰度级进行排序，得到参考灰度级序列，根据参考灰度级序列中每个参考灰度级与相邻参考灰度级的像素点数量的变化率的差异、每个参考灰度级对应的灰度值和像素点数量最多的参考灰度级对应的灰度值之间的差异，得到每个参考灰度级的缺陷对比程度；
6、根据每个像素点的梯度方向获得每个像素点邻域范围中的标记像素点，根据每个参考灰度级对应的所有像素点的标记像素点的参考灰度级的缺陷对比程度、每个参考灰度级对应的所有像素点的梯度幅值和每个参考灰度级的缺陷对比程度，得到每个参考灰度级对应的像素点的缺陷概率，根据参考灰度级的像素点个数与所有参考灰度级的所有像素点总个数的比值、每个参考灰度级对应的像素点的缺陷概率，得到每个参考灰度级均衡化后对应的灰度级，并得到增强后的零部件图像；
7、对增强后的零部件图像进行喷涂质量检测。
8、进一步地，所述对所有参考灰度级进行排序，得到参考灰度级序列，包括的具体步骤如下：
9、根据灰度级大小从小到大对所有的参考灰度级排序，得到一组序列，将排序后的序列记为参考灰度级序列。
10、进一步地，所述根据参考灰度级序列中每个参考灰度级与相邻参考灰度级的像素点数量的变化率的差异、每个参考灰度级对应的灰度值和像素点数量最多的参考灰度级对应的灰度值之间的差异，得到每个参考灰度级的缺陷对比程度，包括的具体步骤如下：
11、根据参考灰度级序列中每个参考灰度级与相邻参考灰度级的像素点数量的变化率的差异，得到每个参考灰度级的像素点数量差异特征，根据每个参考灰度级的像素点数量差异特征、每个参考灰度级对应的灰度值和像素点数量最多的参考灰度级对应的灰度值之间的差异，得到每个参考灰度级的缺陷对比程度。
12、进一步地，所述根据参考灰度级序列中每个参考灰度级与相邻参考灰度级的像素点数量的变化率的差异，得到每个参考灰度级的像素点数量差异特征，包括的具体步骤如下：
13、将参考灰度级序列中每个参考灰度级左相邻的参考灰度级记为第一参考灰度级，将第一参考灰度级左相邻的参考灰度级记为第二参考灰度级；将参考灰度级序列中每个参考灰度级右相邻的参考灰度级记为第三参考灰度级，将第三参考灰度级右相邻的参考灰度级记为第四参考灰度级，将每个参考灰度级与第一参考灰度级的像素点的数量之间差值的绝对值记为第一差值绝对值，将第一参考灰度级与第二参考灰度级的像素点的数量之间的差值的绝对值记为第二差值绝对值，将每个参考灰度级与第三参考灰度级的像素点的数量之间差值的绝对值记为第三差值绝对值，将第三参考灰度级与第四参考灰度级的像素点的数量之间的差值的绝对值记为第四差值绝对值，将第一差值绝对值与每个参考灰度级的像素点数量的比值，记为第一比值，将第二差值绝对值与第一参考灰度级的像素点数量的比值，记为第二比值，将第三差值绝对值与每个参考灰度级的像素点数量的比值，记为第三比值，将第四差值绝对值与第三参考灰度级的像素点数量的比值，记为第四比值；
14、将第一比值和第二比值之间差值的绝对值记为第一差值，将第三比值和第四比值之间差值的绝对值记为第二差值，将第一差值和第二差值的均值记为每个参考灰度级的第一数值，对所有的参考灰度级的第一数值进行线性归一化，得到归一化后的每个参考灰度级的第一数值，将归一化后的每个参考灰度级的第一数值作为每个参考灰度级的像素点数量差异特征。
15、进一步地，所述根据每个参考灰度级的像素点数量差异特征、每个参考灰度级对应的灰度值和像素点数量最多的参考灰度级对应的灰度值之间的差异，得到每个参考灰度级的缺陷对比程度，包括的具体步骤如下：
16、将每个参考灰度级对应的灰度值与像素点数量最多的参考灰度级对应的灰度值之间差值的绝对值，记为每个参考灰度级的第二数值，将记为每个参考灰度级的第三数值，将每个参考灰度级的第三数值和每个参考灰度级的像素点数量差异特征的乘积结果，作为每个参考灰度级的缺陷对比程度；
17、其中，表示以自然常数为底的指数函数。
18、进一步地，所述根据每个像素点的梯度方向获得每个像素点邻域范围中的标记像素点，包括的具体步骤如下：
19、将每个像素点的梯度方向指向的八邻域中的像素点记为每个像素点的标记像素点。
20、进一步地，所述根据每个参考灰度级对应的所有像素点的标记像素点的参考灰度级的缺陷对比程度、每个参考灰度级对应的所有像素点的梯度幅值和每个参考灰度级的缺陷对比程度，得到每个参考灰度级对应的像素点的缺陷概率，包括的具体步骤如下：
21、根据每个参考灰度级对应的所有像素点的标记像素点的参考灰度级的缺陷对比程度、每个参考灰度级对应的所有像素点的梯度幅值和每个参考灰度级的缺陷对比程度，得到每个参考灰度级的梯度缺陷对比程度；
22、将每个参考灰度级的缺陷对比程度和每个参考灰度级的梯度缺陷对比程度的均值，作为每个参考灰度级对应的像素点的缺陷概率。
23、进一步地，所述根据每个参考灰度级对应的所有像素点的标记像素点的参考灰度级的缺陷对比程度、每个参考灰度级对应的所有像素点的梯度幅值和每个参考灰度级的缺陷对比程度，得到每个参考灰度级的梯度缺陷对比程度，包括的具体步骤如下：
24、将每个参考灰度级对应的每个像素点的标记像素点的参考灰度级的缺陷对比程度、和每个参考灰度级对应的每个像素点的标记像素点的梯度幅值之间的乘积结果，记为每个参考灰度级对应的每个像素点的标记像素点的第一乘积值，将每个参考灰度级对应的所有像素点的标记像素点的第一乘积值的均值，记为每个参考灰度级的第二乘积值，将记为每个参考灰度级的第三乘积值，将每个参考灰度级的第三乘积值与每个参考灰度级的缺陷对比程度的乘积结果作为每个参考灰度级的梯度缺陷对比程度；
25、其中，表示以自然常数为底的指数函数。
26、进一步地，所述根据参考灰度级的像素点个数与所有参考灰度级的所有像素点总个数的比值、每个参考灰度级对应的像素点的缺陷概率，得到每个参考灰度级均衡化后对应的灰度级，并得到增强后的零部件图像，包括的具体步骤如下：
27、将每个参考灰度级的像素点个数与所有参考灰度级的所有像素点总个数的比值，记为每个参考灰度级的第一特征，将每个参考灰度级对应的像素点的缺陷概率与所有参考灰度级对应的像素点的缺陷概率的累加和之间的比值，记为每个参考灰度级的第二特征，将所有参考灰度级个数减1的结果，记为第三特征，将每个参考灰度级的第一特征、每个参考灰度级的第二特征和第三特征的乘积结果记为每个参考灰度级的第四特征，对每个参考灰度级的第四特征进行四舍五入取整，得到每个参考灰度级均衡化后对应的灰度级；
28、通过每个参考灰度级均衡化后对应的灰度级，得到增强后的零部件图像。
29、进一步地，所述对增强后的零部件图像进行喷涂质量检测，包括的具体步骤如下：
30、获取大量的零部件图像，将u%的零部件图像用于训练dnn神经网络，将1-u%的零部件图像用于验证；其中，神经网络的损失函数为交叉熵损失函数；根据增强后的零部件图像和训练好的dnn神经网络进行零部件喷涂的质量检测，当神经网络输出为0时，则判定零部件在喷涂过程中没有出现流痕缺陷，当神经网络输出为1时，则判定零部件在喷涂过程中有出现流痕缺陷；
31、其中，u为预设参数。
32、本发明的技术方案的有益效果是：本发明根据参考灰度级序列中每个参考灰度级与相邻参考灰度级的像素点数量的变化率的差异、每个参考灰度级对应的灰度值和像素点数量最多的参考灰度级对应的灰度值之间的差异，得到每个参考灰度级的缺陷对比程度，提高了对每个参考灰度级对比度的分析的准确性；根据每个参考灰度级对应的所有像素点的标记像素点的参考灰度级的缺陷对比程度、每个参考灰度级对应的所有像素点的梯度幅值和每个参考灰度级的缺陷对比程度，得到每个参考灰度级对应的像素点的缺陷概率，提高了；根据参考灰度级的像素点个数与所有参考灰度级的所有像素点总个数的比值、每个参考灰度级对应的像素点的缺陷概率，得到每个参考灰度级均衡化后对应的灰度级，并得到增强后的零部件图像，对增强后的零部件图像进行喷涂质量检测，增强了图像的对比度，提高了零部件喷涂质量检测的准确性。
1.基于机器视觉的零部件喷涂质量检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于机器视觉的零部件喷涂质量检测方法，其特征在于，所述对所有参考灰度级进行排序，得到参考灰度级序列，包括的具体步骤如下：
3.根据权利要求1所述基于机器视觉的零部件喷涂质量检测方法，其特征在于，所述根据参考灰度级序列中每个参考灰度级与相邻参考灰度级的像素点数量的变化率的差异、每个参考灰度级对应的灰度值和像素点数量最多的参考灰度级对应的灰度值之间的差异，得到每个参考灰度级的缺陷对比程度，包括的具体步骤如下：
4.根据权利要求3所述基于机器视觉的零部件喷涂质量检测方法，其特征在于，所述根据参考灰度级序列中每个参考灰度级与相邻参考灰度级的像素点数量的变化率的差异，得到每个参考灰度级的像素点数量差异特征，包括的具体步骤如下：
5.根据权利要求3所述基于机器视觉的零部件喷涂质量检测方法，其特征在于，所述根据每个参考灰度级的像素点数量差异特征、每个参考灰度级对应的灰度值和像素点数量最多的参考灰度级对应的灰度值之间的差异，得到每个参考灰度级的缺陷对比程度，包括的具体步骤如下：
6.根据权利要求1所述基于机器视觉的零部件喷涂质量检测方法，其特征在于，所述根据每个像素点的梯度方向获得每个像素点邻域范围中的标记像素点，包括的具体步骤如下：
7.根据权利要求1所述基于机器视觉的零部件喷涂质量检测方法，其特征在于，所述根据每个参考灰度级对应的所有像素点的标记像素点的参考灰度级的缺陷对比程度、每个参考灰度级对应的所有像素点的梯度幅值和每个参考灰度级的缺陷对比程度，得到每个参考灰度级对应的像素点的缺陷概率，包括的具体步骤如下：
8.根据权利要求7所述基于机器视觉的零部件喷涂质量检测方法，其特征在于，所述根据每个参考灰度级对应的所有像素点的标记像素点的参考灰度级的缺陷对比程度、每个参考灰度级对应的所有像素点的梯度幅值和每个参考灰度级的缺陷对比程度，得到每个参考灰度级的梯度缺陷对比程度，包括的具体步骤如下：
9.根据权利要求1所述基于机器视觉的零部件喷涂质量检测方法，其特征在于，所述根据参考灰度级的像素点个数与所有参考灰度级的所有像素点总个数的比值、每个参考灰度级对应的像素点的缺陷概率，得到每个参考灰度级均衡化后对应的灰度级，并得到增强后的零部件图像，包括的具体步骤如下：
10.根据权利要求1所述基于机器视觉的零部件喷涂质量检测方法，其特征在于，所述对增强后的零部件图像进行喷涂质量检测，包括的具体步骤如下：
