铝箔表面缺陷识别方法

权利要求

1.铝箔表面缺陷识别方法，其特征在于，包括以下步骤： 获取待检测铝箔的表面可见光图像和样本铝箔的样本表面可见光图像，对所述表面可见光图像和所述样本表面可见光图像进行预处理，得到目标铝箔图像和样本铝箔图像，其中，所述预处理包括：灰度化； 对所述目标铝箔图像和所述样本铝箔图像进行特征对比分析，得到灰度差异度和表面外观差异度； 根据所述灰度差异度和所述表面外观差异度，确定所述待检测铝箔对应的目标缺陷概率； 根据所述目标缺陷概率和预先设置的缺陷概率阈值，生成所述待检测铝箔对应的目标缺陷信息； 所述对所述目标铝箔图像和所述样本铝箔图像进行特征对比分析，得到灰度差异度和表面外观差异度，包括： 将目标均值与样本均值的差值的绝对值，确定为差异系数，其中，所述目标均值是所述目标铝箔图像中的像素点对应的灰度值的均值，样本均值是所述样本铝箔图像中的像素点对应的灰度值的均值； 将所述目标铝箔图像和所述样本铝箔图像中的各个像素点对应的灰度值，分别组合为目标灰度值序列和样本灰度值序列； 分别对所述目标灰度值序列和所述样本灰度值序列进行标准化处理，得到目标标准值序列和样本标准值序列； 确定所述目标标准值序列中的任意一个目标标准值和所述样本标准值序列中的任意一个样本标准值之间的目标距离差异，生成目标距离差异矩阵； 对所述目标距离差异矩阵进行调整遍历搜索分析，得到目标路径信息； 根据所述目标路径信息和所述差异系数，确定所述灰度差异度； 对所述目标铝箔图像和所述样本铝箔图像进行表面外观分析，得到所述表面外观差异度。2.根据权利要求1所述的铝箔表面缺陷识别方法，其特征在于，所述对所述目标距离差异矩阵进行调整遍历搜索分析，得到目标路径信息，包括： 对所述目标距离差异矩阵中的元素进行调整，得到差异调整矩阵； 将所述差异调整矩阵中的左下角元素，确定为搜索初始点； 根据所述搜索初始点和预先设置的多个目标方向，对所述差异调整矩阵进行遍历搜索，得到路径信息集合，其中，所述路径信息集合中的路径信息包括：多个差异调整值和差异调整数量，差异调整值是所述差异调整矩阵中通过遍历搜索所形成的路径上的元素，差异调整数量是路径信息包括的差异调整值的数量； 对于所述路径信息集合中的每个路径信息，将所述路径信息包括的多个差异调整值的和，确定为所述路径信息对应的目标路径距离； 对于所述路径信息集合中的每个路径信息，对所述路径信息对应的目标路径距离进行开根号，将得到的根号值，确定为所述路径信息对应的目标根号值； 对于所述路径信息集合中的每个路径信息，将所述路径信息对应的目标根号值与所述路径信息包括的差异调整数量的比值，确定为所述路径信息对应的目标比值； 从所述路径信息集合中筛选出最小的目标比值对应的路径信息，作为目标路径信息。 3.根据权利要求2所述的铝箔表面缺陷识别方法，其特征在于，所述根据所述目标路径信息和所述差异系数，确定所述灰度差异度，包括： 将所述目标路径信息对应的目标比值与所述差异系数的乘积，确定为所述灰度差异度。 4.根据权利要求1所述的铝箔表面缺陷识别方法，其特征在于，所述对所述目标铝箔图像和所述样本铝箔图像进行表面外观分析，得到所述表面外观差异度，包括： 对于所述目标铝箔图像中的每个目标铝箔像素点，将所述目标铝箔像素点对应的预先设置的预设邻域中的像素点对应的灰度值的和，确定为所述目标铝箔像素点对应的目标邻域灰度值； 根据所述目标铝箔图像中的每个目标铝箔像素点对应的目标邻域灰度值、灰度值和横坐标值、所述目标铝箔像素点对应的预设邻域中的各个像素点对应的灰度值和横坐标值，确定所述目标铝箔像素点对应的水平灰度均值，得到水平灰度均值序列； 根据所述目标铝箔图像中的每个目标铝箔像素点对应的目标邻域灰度值、灰度值和纵坐标值、所述目标铝箔像素点对应的预设邻域中的各个像素点对应的灰度值和纵坐标值，确定所述目标铝箔像素点对应的垂直灰度均值，得到垂直灰度均值序列； 根据所述水平灰度均值序列和所述垂直灰度均值序列，确定所述目标铝箔图像对应的目标协方差矩阵； 确定所述样本铝箔图像对应的样本协方差矩阵； 分别对所述目标协方差矩阵和所述样本协方差矩阵进行特征分解，得到两个目标特征值和两个样本特征值； 根据所述两个目标特征值和所述两个样本特征值，确定所述表面外观差异度。 5.根据权利要求4所述的铝箔表面缺陷识别方法，其特征在于，所述将所述目标铝箔像素点对应的预先设置的预设邻域中的像素点对应的灰度值的和，确定为所述目标铝箔像素点对应的目标邻域灰度值，包括： 确定所述目标铝箔图像对应的积分图像； 根据所述目标铝箔图像对应的积分图像，确定所述目标铝箔像素点对应的预设邻域中的四个角点对应的积分值； 根据所述目标铝箔像素点对应的预设邻域中的四个角点对应的积分值，确定所述目标铝箔像素点对应的目标邻域灰度值。 6.根据权利要求4所述的铝箔表面缺陷识别方法，其特征在于，所述根据所述两个目标特征值和所述两个样本特征值，确定所述表面外观差异度，包括： 将所述两个目标特征值中的第一个目标特征值，确定为第一坐标的横坐标； 将所述两个目标特征值中的第二个目标特征值，确定为第一坐标的纵坐标； 将所述两个样本特征值中的第一个样本特征值，确定为第二坐标的横坐标； 将所述两个样本特征值中的第二个样本特征值，确定为第二坐标的纵坐标； 将第一坐标与第二坐标之间的欧式距离的二分之一，确定为所述表面外观差异度。 7.根据权利要求1所述的铝箔表面缺陷识别方法，其特征在于，所述根据所述灰度差异度和所述表面外观差异度，确定所述待检测铝箔对应的目标缺陷概率，包括： 将所述灰度差异度与所述表面外观差异度的和，确定为所述待检测铝箔对应的整体差异度； 将所述整体差异度与1的和，确定为参考差异度； 将所述整体差异度与所述参考差异度的比值，确定为所述目标缺陷概率。 8.根据权利要求1所述的铝箔表面缺陷识别方法，其特征在于，所述根据所述目标缺陷概率和预先设置的缺陷概率阈值，生成所述待检测铝箔对应的目标缺陷信息，包括： 当所述目标缺陷概率大于所述缺陷概率阈值时，生成表征所述待检测铝箔存在缺陷的目标缺陷信息； 当所述目标缺陷概率小于或等于所述缺陷概率阈值时，生成表征所述待检测铝箔正常的目标缺陷信息。

说明书

铝箔表面缺陷识别方法

技术领域

本发明涉及材料测试和分析技术领域，具体涉及一种铝箔表面缺陷识别方法。

背景技术

由于铝箔具有阻氧、避光、防潮、耐热、耐腐蚀和无毒无味的特点，所以铝箔往往被广泛应用于日常食药品包装、电子元器件散热器、建筑复合材料和航空航天材料等。然而在铝箔制作过程中，由于轧机、清洗机等电气控制设备参数调节不合适或润滑油选择不当，往往导致铝箔表面存在缺陷，因此，对铝箔表面进行缺陷识别至关重要。目前，对物品表面进行缺陷识别时，通常采用的方式为：采用图像匹配算法，对物品表面进行缺陷识别。

然而，当采用上述方式时，经常会存在如下技术问题：

由于没有缺陷的铝箔表面的颜色往往是银白色，如果铝箔表面存在刮痕缺陷，使用图像匹配算法，对铝箔表面进行缺陷识别时，可能导致对刮痕缺陷识别不准确，并且图像匹配往往对噪声点往往反应灵敏，因此，往往导致对铝箔表面进行缺陷识别的准确度低下。

发明内容

本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

为了解决对铝箔表面进行缺陷识别的准确度低下的技术问题，本发明提出了一种铝箔表面缺陷识别方法。

本发明提供了一种铝箔表面缺陷识别方法，该方法包括：

获取待检测铝箔的表面可见光图像和样本铝箔的样本表面可见光图像，对所述表面可见光图像和所述样本表面可见光图像进行预处理，得到目标铝箔图像和样本铝箔图像；

对所述目标铝箔图像和所述样本铝箔图像进行特征对比分析，得到灰度差异度和表面外观差异度；

根据所述灰度差异度和所述表面外观差异度，确定所述待检测铝箔对应的目标缺陷概率；

根据所述目标缺陷概率和预先设置的缺陷概率阈值，生成所述待检测铝箔对应的目标缺陷信息。

进一步的，所述预处理包括：灰度化；

所述对所述目标铝箔图像和所述样本铝箔图像进行特征对比分析，得到灰度差异度和表面外观差异度，包括：

将目标均值与样本均值的差值的绝对值，确定为差异系数，其中，所述目标均值是所述目标铝箔图像中的像素点对应的灰度值的均值，样本均值是所述样本铝箔图像中的像素点对应的灰度值的均值；

将所述目标铝箔图像和所述样本铝箔图像中的各个像素点对应的灰度值，分别组合为目标灰度值序列和样本灰度值序列；

分别对所述目标灰度值序列和所述样本灰度值序列进行标准化处理，得到目标标准值序列和样本标准值序列；

确定所述目标标准值序列中的任意一个目标标准值和所述样本标准值序列中的任意一个样本标准值之间的目标距离差异，生成目标距离差异矩阵；

对所述目标距离差异矩阵进行调整遍历搜索分析，得到目标路径信息；

根据所述目标路径信息和所述差异系数，确定所述灰度差异度；

对所述目标铝箔图像和所述样本铝箔图像进行表面外观分析，得到所述表面外观差异度。

进一步的，所述对所述目标距离差异矩阵进行调整遍历搜索分析，得到目标路径信息，包括：

对所述目标距离差异矩阵中的元素进行调整，得到差异调整矩阵；

将所述差异调整矩阵中的左下角元素，确定为搜索初始点；

根据所述搜索初始点和预先设置的多个目标方向，对所述差异调整矩阵进行遍历搜索，得到路径信息集合，其中，所述路径信息集合中的路径信息包括：多个差异调整值和差异调整数量，差异调整值是所述差异调整矩阵中通过遍历搜索所形成的路径上的元素，差异调整数量是路径信息包括的差异调整值的数量；

对于所述路径信息集合中的每个路径信息，将所述路径信息包括的多个差异调整值的和，确定为所述路径信息对应的目标路径距离；

对于所述路径信息集合中的每个路径信息，对所述路径信息对应的目标路径距离进行开根号，将得到的根号值，确定为所述路径信息对应的目标根号值；

对于所述路径信息集合中的每个路径信息，将所述路径信息对应的目标根号值与所述路径信息包括的差异调整数量的比值，确定为所述路径信息对应的目标比值；

从所述路径信息集合中筛选出最小的目标比值对应的路径信息，作为目标路径信息。

进一步的，所述根据所述目标路径信息和所述差异系数，确定所述灰度差异度，包括：

将所述目标路径信息对应的目标比值与所述差异系数的乘积，确定为所述灰度差异度。

进一步的，所述对所述目标铝箔图像和所述样本铝箔图像进行表面外观分析，得到所述表面外观差异度，包括：

对于所述目标铝箔图像中的每个目标铝箔像素点，将所述目标铝箔像素点对应的预先设置的预设邻域中的像素点对应的灰度值的和，确定为所述目标铝箔像素点对应的目标邻域灰度值；

根据所述目标铝箔图像中的每个目标铝箔像素点对应的目标邻域灰度值、灰度值和横坐标值、所述目标铝箔像素点对应的预设邻域中的各个像素点对应的灰度值和横坐标值，确定所述目标铝箔像素点对应的水平灰度均值，得到水平灰度均值序列；

根据所述目标铝箔图像中的每个目标铝箔像素点对应的目标邻域灰度值、灰度值和纵坐标值、所述目标铝箔像素点对应的预设邻域中的各个像素点对应的灰度值和纵坐标值，确定所述目标铝箔像素点对应的垂直灰度均值，得到垂直灰度均值序列；

根据所述水平灰度均值序列和所述垂直灰度均值序列，确定所述目标铝箔图像对应的目标协方差矩阵；

确定所述样本铝箔图像对应的样本协方差矩阵；

分别对所述目标协方差矩阵和所述样本协方差矩阵进行特征分解，得到两个目标特征值和两个样本特征值；

根据所述两个目标特征值和所述两个样本特征值，确定所述表面外观差异度。

进一步的，所述将所述目标铝箔像素点对应的预先设置的预设邻域中的像素点对应的灰度值的和，确定为所述目标铝箔像素点对应的目标邻域灰度值，包括：

确定所述目标铝箔图像对应的积分图像；

根据所述目标铝箔图像对应的积分图像，确定所述目标铝箔像素点对应的预设邻域中的四个角点对应的积分值；

根据所述目标铝箔像素点对应的预设邻域中的四个角点对应的积分值，确定所述目标铝箔像素点对应的目标邻域灰度值。

进一步的，所述根据所述两个目标特征值和所述两个样本特征值，确定所述表面外观差异度，包括：

将所述两个目标特征值中的第一个目标特征值，确定为第一坐标的横坐标；

将所述两个目标特征值中的第二个目标特征值，确定为第一坐标的纵坐标；

将所述两个样本特征值中的第一个样本特征值，确定为第二坐标的横坐标；

将所述两个样本特征值中的第二个样本特征值，确定为第二坐标的纵坐标；

将第一坐标与第二坐标之间的欧式距离的二分之一，确定为所述表面外观差异度。

进一步的，所述根据所述灰度差异度和所述表面外观差异度，确定所述待检测铝箔对应的目标缺陷概率，包括：

将所述灰度差异度与所述表面外观差异度的和，确定为所述待检测铝箔对应的整体差异度；

将所述整体差异度与1的和，确定为参考差异度；

将所述整体差异度与所述参考差异度的比值，确定为所述目标缺陷概率。

进一步的，所述根据所述目标缺陷概率和预先设置的缺陷概率阈值，生成所述待检测铝箔对应的目标缺陷信息，包括：

当所述目标缺陷概率大于所述缺陷概率阈值时，生成表征所述待检测铝箔存在缺陷的目标缺陷信息；

当所述目标缺陷概率小于或等于所述缺陷概率阈值时，生成表征所述待检测铝箔正常的目标缺陷信息。

本发明具有如下有益效果：

本发明的一种铝箔表面缺陷识别方法，利用可见光手段进行材料分析和测试，解决了对铝箔表面进行缺陷识别的准确度低下的技术问题，提高了对铝箔表面进行缺陷识别的准确度。首先，获取待检测铝箔的表面可见光图像和样本铝箔的样本表面可见光图像，对上述表面可见光图像和上述样本表面可见光图像进行预处理，得到目标铝箔图像和样本铝箔图像。实际情况中，存在采用人工的方式对铝箔表面进行缺陷识别。当采用人工的方式，对铝箔表面进行缺陷识别时，往往是凭借检测者的主观感受进行检测识别，作出的识别判断往往不准确，所以，当采用人工的方式对铝箔表面进行缺陷识别时，往往会导致对铝箔表面进行缺陷识别的准确度低下。因此，通过获取包含有待检测铝箔表面情况的表面可见光图像和包含有样本铝箔表面情况的样本表面可见光图像，可以便于后续比较待检测铝箔表面与样本铝箔表面之间的差异，便于确定待检测铝箔表面的缺陷情况，可以提高对铝箔表面进行缺陷识别的准确度。其次，对表面可见光图像和样本表面可见光图像进行预处理，可以消除表面可见光图像和样本表面可见光图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，可以便于后续通过分析目标铝箔图像和样本铝箔图像之间的差异，对铝箔表面进行缺陷识别。接着，对上述目标铝箔图像和上述样本铝箔图像进行特征对比分析，得到灰度差异度和表面外观差异度。从灰度和表面外观两方面，对目标铝箔图像和样本铝箔图像进行特征对比分析，可以提高目标铝箔图像和样本铝箔图像之间的灰度差异度和表面外观差异度确定的准确度。然后，根据上述灰度差异度和上述表面外观差异度，确定上述待检测铝箔对应的目标缺陷概率。综合考虑了目标铝箔图像和样本铝箔图像之间的灰度差异度和表面外观差异度，可以提高确定的目标缺陷概率的准确度。最后，根据上述目标缺陷概率和预先设置的缺陷概率阈值，生成上述待检测铝箔对应的目标缺陷信息。因此，本发明利用可见光手段进行材料分析和测试，解决了对铝箔表面进行缺陷识别的准确度低下的技术问题，提高了对铝箔表面进行缺陷识别的准确度。

附图说明

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和优点，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的介绍，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它附图。

图1为根据本发明的一种铝箔表面缺陷识别方法的流程图；

图2为根据本发明的通过遍历搜索所形成的路径示意图。

具体实施方式

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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外，一个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。

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。

本发明提供了一种铝箔表面缺陷识别方法，该方法包括以下步骤：

获取待检测铝箔的表面可见光图像和样本铝箔的样本表面可见光图像，对表面可见光图像和样本表面可见光图像进行预处理，得到目标铝箔图像和样本铝箔图像；

对目标铝箔图像和样本铝箔图像进行特征对比分析，得到灰度差异度和表面外观差异度；

根据灰度差异度和表面外观差异度，确定待检测铝箔对应的目标缺陷概率；

根据目标缺陷概率和预先设置的缺陷概率阈值，生成待检测铝箔对应的目标缺陷信息。

下面对上述各个步骤进行详细展开：

参考图1，示出了根据本发明的一种铝箔表面缺陷识别方法的一些实施例的流程。该铝箔表面缺陷识别方法，包括以下步骤：

步骤S1，获取待检测铝箔的表面可见光图像和样本铝箔的样本表面可见光图像，对表面可见光图像和样本表面可见光图像进行预处理，得到目标铝箔图像和样本铝箔图像。

在一些实施例中，可以获取待检测铝箔的表面可见光图像和样本铝箔的样本表面可见光图像，对上述表面可见光图像和上述样本表面可见光图像进行预处理，得到目标铝箔图像和样本铝箔图像。

其中，待检测铝箔可以是待检测缺陷情况的铝箔。表面可见光图像可以是待检测铝箔表面的图像。样本铝箔可以是未发生缺陷的、规格型号与待检测铝箔的规格型号相同的铝箔。缺陷可以包括但不限于：刮痕、腐蚀和斑点。样本表面可见光图像可以是样本铝箔表面的图像。预处理可以包括但不限于：图像增强、去噪处理和灰度化。目标铝箔图像可以是进行预处理后的表面可见光图像。样本铝箔图像可以是进行预处理后的样本表面可见光图像。

作为示例，本步骤可以包括以下步骤：

第一步，获取待检测铝箔的表面可见光图像和样本铝箔的样本表面可见光图像。

例如，可以通过CMOS（Complementary Metal Oxide Semiconductor，互补金属氧化物半导体）相机，获取待检测铝箔的表面可见光图像和样本铝箔的样本表面可见光图像。其中，获取表面可见光图像和样本表面可见光图像时，可以调节CMOS相机的拍摄角度、待检测铝箔和样本铝箔的摆放方向、光源强度等相同。获取表面可见光图像和样本表面可见光图像时，可以采用LED圆顶光源。

实际情况中，由于铝箔往往为金属薄片，对光线具有良好的反射性且不具有透射性，光源发出的光线在照射到铝箔表面时往往会以镜面发射的方式被反射远离铝箔。为了获取更加清晰地反应铝箔材料表面的缺陷特征，往往需要对光源和进行采集的相机进行设定。考虑到铝箔对光照的反射性质，可以采用LED（Light Emitting Diode，发光二极管）圆顶光源降低光照强反射对采集得到图像质量的影响。由于CMOS相机与CCD（Charge CoupledDevice，电荷耦合器件）相机相比具有能耗低、成本低、成像速度快的特点，同时随着电子元器件的迅速发展，CMOS相机采集到的图像与CCD相机已经比较接近。因此采用CMOS相机在LED圆顶光源下对待检测铝箔和样本铝箔进行拍摄，可以在保证拍摄精度的情况下，减少能耗和成本，并且提高了获取表面可见光图像和样本表面可见光图像的效率。

第二步，对上述表面可见光图像和上述样本表面可见光图像进行预处理，得到目标铝箔图像和样本铝箔图像。

例如，可以对表面可见光图像和样本表面可见光图像进行灰度化和去噪处理，得到目标铝箔图像和样本铝箔图像。其中，去噪处理可以是中值滤波。

实际情况中，在采集表面可见光图像和样本表面可见光图像的过程中，由于采集环境和相机元器件质量的影响，往往会产生噪声污染。为了减少计算成本，并且提高对待检测铝箔表面缺陷的识别精度，可以对采集得到的表面可见光图像和样本表面可见光图像进行去噪处理。为了在去噪过程中尽可能的保留铝箔缺陷的特征信息，可以选择中值滤波算法对采集得到的表面可见光图像和样本表面可见光图像进行滤波去噪处理，并对去噪处理后得到的两张图像进行灰度化，得到目标铝箔图像和样本铝箔图像。

步骤S2，对目标铝箔图像和样本铝箔图像进行特征对比分析，得到灰度差异度和表面外观差异度。

在一些实施例中，可以对上述目标铝箔图像和上述样本铝箔图像进行特征对比分析，得到灰度差异度和表面外观差异度。

其中，上述预处理可以包括：灰度化。灰度差异度可以表征目标铝箔图像和样本铝箔图像之间的灰度差异程度。表面外观差异度可以表征目标铝箔图像和样本铝箔图像之间的外观特征差异程度。

作为示例，本步骤可以包括以下步骤：

第一步，将目标均值与样本均值的差值的绝对值，确定为差异系数。

其中，上述目标均值可以是上述目标铝箔图像中的像素点对应的灰度值的均值。样本均值可以是上述样本铝箔图像中的像素点对应的灰度值的均值。

实际情况中，由于没有缺陷的铝箔表面颜色往往为银白色，所以当待检测铝箔表面完整无磨损时，目标铝箔图像中的像素点对应的灰度值的分布往往具有一致性，目标均值往往与样本均值近似相等。当待检测铝箔表面存在缺陷时，目标铝箔图像中的像素点对应的灰度值的分布中，往往存在部分像素点对应的灰度值偏低或偏高，目标均值往往与样本均值之间存在差异。因此，差异系数越大，待检测铝箔表面往往越可能存在缺陷。

第二步，将上述目标铝箔图像和上述样本铝箔图像中的各个像素点对应的灰度值，分别组合为目标灰度值序列和样本灰度值序列。

例如，本步骤可以包括以下子步骤：

第一子步骤，将目标铝箔图像中的各个像素点对应的灰度值，组合为目标灰度值序列。

比如，首先，可以将目标铝箔图像中左上角处的像素点，确定为目标铝箔图像的第一行和第一列包括的第一个像素点。接着，可以将目标铝箔图像的第一行包括的第一个像素点对应的灰度值，确定为目标灰度值序列中的第一个目标灰度值。可以将目标铝箔图像的第一行包括的第二个像素点对应的灰度值，确定为目标灰度值序列中的第二个目标灰度值，以此类推，直至将目标铝箔图像的第一行包括的各个像素点对应的灰度值，放入目标灰度值序列。然后，按照顺序，可以将目标铝箔图像的第二行包括的第一个像素点对应的灰度值，放在目标铝箔图像的第一行包括的最后一个像素点对应的灰度值的后面，并且参考目标铝箔图像的第一行包括的各个像素点对应的灰度值放入目标灰度值序列的顺序，将目标铝箔图像的第二行包括的各个像素点对应的灰度值放入目标灰度值序列。最后，参考目标铝箔图像的第二行包括的各个像素点对应的灰度值放入目标灰度值序列的顺序，将目标铝箔图像中除了第一行和第二行之外的行包括的各个像素点对应的灰度值放入目标灰度值序列。

第二子步骤，将样本铝箔图像中的各个像素点对应的灰度值，组合为样本灰度值序列。

本子步骤的具体实现方式可以参考步骤S2包括的第二步包括的第一子步骤，可以将样本铝箔图像，作为目标铝箔图像，执行步骤S2包括的第二步包括的第一子步骤，得到的目标灰度值序列即为样本灰度值序列。

根据目标铝箔图像和上述样本铝箔图像中的各个像素点对应的灰度值，分别组合为目标灰度值序列和样本灰度值序列，可以便于后续通过比较目标灰度值序列和样本灰度值序列之间的差异度，初步判断待检测铝箔表面的缺陷情况。在有效提高识别精度的同时，规避了相关技术人员需要针对不同的缺陷设置不同缺陷特征识别方法的繁琐过程。

第三步，分别对上述目标灰度值序列和上述样本灰度值序列进行标准化处理，得到目标标准值序列和样本标准值序列。

其中，目标标准值序列可以是进行标准化处理后的目标灰度值序列。样本标准值序列可以是进行标准化处理后的样本灰度值序列。

例如，可以分别对上述目标灰度值序列和上述样本灰度值序列进行Z-Normalization标准化处理，得到目标标准值序列和样本标准值序列。

对目标灰度值序列和样本灰度值序列进行Z-Normalization标准化处理，可以使得到的目标标准值序列和样本标准值序列更稳定，并且减少了噪声的干扰。因此，提高了后续通过对目标标准值序列和样本标准值序列进行分析，确定的目标距离差异矩阵的准确性。

第四步，确定上述目标标准值序列中的任意一个目标标准值和上述样本标准值序列中的任意一个样本标准值之间的目标距离差异，生成目标距离差异矩阵。

例如，本步骤可以包括以下子步骤：

第一子步骤，确定上述目标标准值序列中的任意一个目标标准值和上述样本标准值序列中的任意一个样本标准值之间的目标距离差异对应的公式可以为：

其中， 是目标标准值序列中的第 i个目标标准值和样本标准值序列中的第 j个样本标准值之间的目标距离差异。 i是目标标准值序列中的目标标准值的序号。 j是样本标准值序列中的样本标准值的序号。 是目标标准值序列中的第 i个目标标准值。 是样本标准值序列中的第 j个样本标准值。

实际情况中， 可以表征第 i个目标标准值和第 j个样本标准值之间的相对偏差。 可以表征第 i个目标标准值和第 j个样本标准值在各自序列中的位置之间的差距。 可以表征第 i个目标标准值和第 j个样本标准值之间差异。当 越大、 越大或 越大时，第 i个目标标准值和第 j个样本标准值之间的目标距离差异 往往越大，即第 i个目标标准值和第 j个样本标准值之间差异程度往往越大。

第二子步骤，根据上述目标标准值序列中的目标标准值和上述样本标准值序列中的样本标准值之间的目标距离差异，生成目标距离差异矩阵。

比如，可以目标标准值序列中的第 i个目标标准值和样本标准值序列中的第 j个样本标准值之间的目标距离差异，确定为目标距离差异矩阵中第 i行、第 j列的元素。其中， i还可以是目标距离差异矩阵的行号。 j还可以是目标距离差异矩阵的列号。

第五步，对上述目标距离差异矩阵进行调整遍历搜索分析，得到目标路径信息。

例如，本步骤可以包括以下子步骤：

第一子步骤，对上述目标距离差异矩阵中的元素进行调整，得到差异调整矩阵。

其中，差异调整矩阵中左下角处的元素可以是目标距离差异矩阵中左上角处的元素。

比如，可以将目标距离差异矩阵的最后一行，确定为差异调整矩阵的第一行。可以将目标距离差异矩阵的倒数第二行，确定为差异调整矩阵的第二行。以此类推，直至将目标距离差异矩阵中的元素调整完毕，得到差异调整矩阵。

第二子步骤，将上述差异调整矩阵中的左下角元素，确定为搜索初始点。

第三子步骤，根据上述搜索初始点和预先设置的多个目标方向，对上述差异调整矩阵进行遍历搜索，得到路径信息集合。

其中，上述路径信息集合中的路径信息可以包括：多个差异调整值和差异调整数量。差异调整值可以是上述差异调整矩阵中通过遍历搜索所形成的路径上的元素。差异调整数量可以是路径信息包括的差异调整值的数量。多个目标方向可以包括：水平方向、垂直方向和45°方向。

比如，如图2所示，方格可以表征差异调整矩阵中的元素。带有实心圆点的方格可以表征通过遍历搜索所形成的路径上的元素。3个箭头所指的方向可以是进行遍历搜索的3个目标方向。图2中的各个带有实心圆点的方格所组成的路径可以是路径信息集合中的一个路径信息对应的路径。即对差异调整矩阵进行遍历搜索时，首先，可以将搜索初始点，作为第一个差异调整值，从搜索初始点的3个目标方向处的邻近元素中随机选取一个目标方向处的邻近元素，作为第二个差异调整值。邻近元素可以是相邻的元素。接着，从第二个差异调整值的3个目标方向处的邻近元素中随机选取一个目标方向处的邻近元素，作为第三个差异调整值。以此类推，直至3个目标方向处不存在邻近元素时，将遍历得到的多个差异调整值和差异调整值的数量，确定为路径信息集合中的一个路径信息。

第四子步骤，对于上述路径信息集合中的每个路径信息，将上述路径信息包括的多个差异调整值的和，确定为上述路径信息对应的目标路径距离。

第五子步骤，对于上述路径信息集合中的每个路径信息，对上述路径信息对应的目标路径距离进行开根号，将得到的根号值，确定为上述路径信息对应的目标根号值。

第六子步骤，对于上述路径信息集合中的每个路径信息，将上述路径信息对应的目标根号值与上述路径信息包括的差异调整数量的比值，确定为上述路径信息对应的目标比值。

第七子步骤，从上述路径信息集合中筛选出最小的目标比值对应的路径信息，作为目标路径信息。

第六步，根据上述目标路径信息和上述差异系数，确定上述灰度差异度。

例如，可以将上述目标路径信息对应的目标比值与上述差异系数的乘积，确定为上述灰度差异度。

实际情况中，当灰度差异度越大时，往往认为目标标准值序列和样本标准值序列之间的差异程度越大，待检测铝箔的表面往往越可能存在缺陷。当灰度差异度越小时，往往认为目标标准值序列和样本标准值序列之间的差异程度越小，待检测铝箔的表面往往越可能是正常的铝箔表面。

第七步，对上述目标铝箔图像和上述样本铝箔图像进行表面外观分析，得到上述表面外观差异度。

例如，本步骤可以包括以下子步骤：

第一子步骤，对于上述目标铝箔图像中的每个目标铝箔像素点，将上述目标铝箔像素点对应的预先设置的预设邻域中的像素点对应的灰度值的和，确定为上述目标铝箔像素点对应的目标邻域灰度值。

其中，目标铝箔像素点可以是目标铝箔图像中的像素点。预设邻域可以是预先设置的邻域。如，预设邻域可以是3×3邻域。

比如，本子步骤可以包括以下步骤：

首先，确定上述目标铝箔图像对应的积分图像。

其中，积分图像中的任意一点的值可以是从目标铝箔图像的左上角到这个点所构成的矩形区域内所有的像素点对应的灰度值的和。

接着，根据上述目标铝箔图像对应的积分图像，确定上述目标铝箔像素点对应的预设邻域中的四个角点对应的积分值。

其中，角点对应的积分值可以是该角点在积分图像上的值。

最后，根据上述目标铝箔像素点对应的预设邻域中的四个角点对应的积分值，确定上述目标铝箔像素点对应的目标邻域灰度值。

如，根据上述目标铝箔像素点对应的预设邻域中的四个角点对应的积分值，确定上述目标铝箔像素点对应的目标邻域灰度值对应的公式可以为：

其中， F是目标铝箔像素点对应的目标邻域灰度值。 是目标铝箔像素点对应的预设邻域的左上角点对应的积分值。 是目标铝箔像素点对应的预设邻域的右上角点对应的积分值。 是目标铝箔像素点对应的预设邻域的右下角点对应的积分值。 是目标铝箔像素点对应的预设邻域的左下角点对应的积分值。

实际情况中，确定目标铝箔像素点对应的目标邻域灰度值时，用到了该目标铝箔像素点对应的预设邻域中的像素点对应的灰度值的和。确定目标铝箔图像对应的积分图像，相当于建立了目标铝箔图像中的像素点对应的灰度值的和的表。由于积分图像存储了目标铝箔图像中的像素点对应的灰度值的和，所以可以通过目标铝箔像素点对应的预设邻域中的四个角点对应的积分值，确定目标铝箔像素点对应的目标邻域灰度值 F，即 可以表征目标铝箔像素点对应的预设邻域中的像素点对应的灰度值的和（目标邻域灰度值），从而提高了目标邻域灰度值确定的准确度和效率。由于待检测铝箔表面的某些缺陷外观表征特性可能不明显，所以可以选择目标铝箔像素点对应的预设邻域对目标铝箔像素点进行分析。

又如，可以对目标铝箔像素点对应的预设邻域中的各个像素点对应的灰度值进行累加，将得到的和，确定为上述目标铝箔像素点对应的目标邻域灰度值。

第二子步骤，根据上述目标铝箔图像中的每个目标铝箔像素点对应的目标邻域灰度值、灰度值和横坐标值、上述目标铝箔像素点对应的预设邻域中的各个像素点对应的灰度值和横坐标值，确定上述目标铝箔像素点对应的水平灰度均值，得到水平灰度均值序列。

比如，确定目标铝箔像素点对应的水平灰度均值对应的公式可以为：

其中， 是目标铝箔像素点对应的水平灰度均值。 x是目标铝箔像素点的横坐标。 y是目标铝箔像素点的纵坐标。 是横坐标为 ，纵坐标为 的像素点对应的灰度值， 是该像素点的横坐标， 是该像素点的纵坐标。如，当 Q=-1并且 q=-1时，横坐标为 ，纵坐标为 的像素点可以是目标铝箔像素点对应的预设邻域中左上角的像素点。 F是目标铝箔像素点对应的目标邻域灰度值。

由于 Q的取值范围为{-1，0，1}， q的取值范围为{-1，0，1}，所以 和 可以涵盖目标铝箔像素点与该目标铝箔像素点对应的预设邻域中的各个像素点的横坐标和纵坐标。因此，考虑了目标铝箔像素点与邻域像素点在水平方向的横坐标 、目标铝箔像素点与邻域像素点对应的灰度值 、目标铝箔像素点对应的目标邻域灰度值 F，可以提高目标铝箔像素点对应的水平灰度均值确定的准确度。其中，邻域像素点可以是目标铝箔像素点对应的预设邻域中的像素点。

第三子步骤，根据上述目标铝箔图像中的每个目标铝箔像素点对应的目标邻域灰度值、灰度值和纵坐标值、上述目标铝箔像素点对应的预设邻域中的各个像素点对应的灰度值和纵坐标值，确定上述目标铝箔像素点对应的垂直灰度均值，得到垂直灰度均值序列。

比如，确定目标铝箔像素点对应的垂直灰度均值对应的公式可以为：

其中， 是目标铝箔像素点对应的垂直灰度均值。 x是目标铝箔像素点的横坐标。 y是目标铝箔像素点的纵坐标。 是横坐标为 ，纵坐标为 的像素点对应的灰度值， 是该像素点的横坐标， 是该像素点的纵坐标。如，当 Q=1并且 q=1时，横坐标为 ，纵坐标为 的像素点可以是目标铝箔像素点对应的预设邻域中右下角的像素点。 F是目标铝箔像素点对应的目标邻域灰度值。

由于 Q的取值范围为{-1，0，1}， q的取值范围为{-1，0，1}，所以 和 可以涵盖目标铝箔像素点与该目标铝箔像素点对应的预设邻域中的各个像素点的横坐标和纵坐标。因此，考虑了目标铝箔像素点与邻域像素点在垂直方向的纵坐标 、目标铝箔像素点与邻域像素点对应的灰度值 、目标铝箔像素点对应的目标邻域灰度值 F，可以提高目标铝箔像素点对应的垂直灰度均值确定的准确度。

第四子步骤，根据上述水平灰度均值序列和上述垂直灰度均值序列，确定上述目标铝箔图像对应的目标协方差矩阵。

比如，目标铝箔图像对应的目标协方差矩阵可以为：

其中， M是目标铝箔图像对应的目标协方差矩阵。 是水平灰度均值序列与该水平灰度均值序列之间的协方差。 是水平灰度均值序列与垂直灰度均值序列之间的协方差。 是垂直灰度均值序列与水平灰度均值序列之间的协方差。 是垂直灰度均值序列与该垂直灰度均值序列之间的协方差。由于水平方向和垂直方向相互正交，所以 。

由于目标协方差矩阵包括了水平灰度均值序列与该水平灰度均值序列之间的协方差 、水平灰度均值序列与垂直灰度均值序列之间的协方差 、垂直灰度均值序列与水平灰度均值序列之间的协方差 和垂直灰度均值序列与该垂直灰度均值序列之间的协方差 。所以，目标协方差矩阵可以表征目标铝箔图像中像素点的分布特征。

第五子步骤，确定上述样本铝箔图像对应的样本协方差矩阵。

本子步骤的具体实现方式可以参考步骤S2包括的第七步包括的第一子步骤至第四子步骤，可以将样本铝箔图像，作为目标铝箔图像，执行步骤S2包括的第七步包括的第一子步骤至第四子步骤，得到的目标协方差矩阵即为样本协方差矩阵。

第六子步骤，分别对上述目标协方差矩阵和上述样本协方差矩阵进行特征分解，得到两个目标特征值和两个样本特征值。

其中，两个目标特征值可以是对目标协方差矩阵进行特征分解，得到的两个特征值。两个样本特征值可以是对样本协方差矩阵进行特征分解，得到的两个特征值。

比如，可以通过SVD（Singular Value Decomposition，奇异值分解），分别对上述目标协方差矩阵和上述样本协方差矩阵进行特征分解，得到两个目标特征值和两个样本特征值。

实际情况中，由于目标协方差矩阵和样本协方差矩阵均为实对称矩阵，并且目标协方差矩阵和样本协方差矩阵均为2×2矩阵。所以通过SVD，对目标协方差矩阵和样本协方差矩阵进行特征分解，均可以得到两个特征值。由于目标协方差矩阵可以表征目标铝箔图像中像素点的分布特征，样本协方差矩阵可以表征样本铝箔图像中像素点的分布特征。所以通过特征分解得到的两个目标特征值和两个样本特征值在一定程度上反映了目标铝箔图像和样本铝箔图像的表面外观特征。

第七子步骤，根据上述两个目标特征值和上述两个样本特征值，确定上述表面外观差异度。

比如，本子步骤可以包括以下步骤：

首先，将上述两个目标特征值中的第一个目标特征值，确定为第一坐标的横坐标。

接着，将上述两个目标特征值中的第二个目标特征值，确定为第一坐标的纵坐标。

然后，将上述两个样本特征值中的第一个样本特征值，确定为第二坐标的横坐标。

之后，将上述两个样本特征值中的第二个样本特征值，确定为第二坐标的纵坐标。

最后，将第一坐标与第二坐标之间的欧式距离的二分之一，确定为上述表面外观差异度。

实际情况中，当表面外观差异度越大时，目标铝箔图像和样本铝箔图像之间的差异往往越大，待检测铝箔表面存在缺陷的可能性往往越大。

步骤S3，根据灰度差异度和表面外观差异度，确定待检测铝箔对应的目标缺陷概率。

在一些实施例中，可以根据上述灰度差异度和上述表面外观差异度，确定上述待检测铝箔对应的目标缺陷概率。

其中，目标缺陷概率可以是待检测铝箔表面存在缺陷的概率。

作为示例，本步骤可以包括以下步骤：

第一步，将上述灰度差异度与上述表面外观差异度的和，确定为上述待检测铝箔对应的整体差异度。

第二步，将上述整体差异度与1的和，确定为参考差异度。

第三步，将上述整体差异度与上述参考差异度的比值，确定为上述目标缺陷概率。

实际情况中，目标缺陷概率越大，即目标缺陷概率越接近1，待检测铝箔表面往往越存在缺陷。目标缺陷概率越小，即目标缺陷概率越接近0，待检测铝箔表面往往越光滑，待检测铝箔表面往往越不存在缺陷。

步骤S4，根据目标缺陷概率和预先设置的缺陷概率阈值，生成待检测铝箔对应的目标缺陷信息。

在一些实施例中，可以根据上述目标缺陷概率和预先设置的缺陷概率阈值，生成上述待检测铝箔对应的目标缺陷信息。

其中，目标缺陷信息可以表征待检测铝箔表面的缺陷情况。缺陷概率阈值可以是预先设置的待检测铝箔正常时，所允许的最大的目标缺陷概率。例如，缺陷概率阈值可以是0.6。

作为示例，本步骤可以包括以下步骤：

第一步，当上述目标缺陷概率大于上述缺陷概率阈值时，生成表征上述待检测铝箔存在缺陷的目标缺陷信息。

第二步，当上述目标缺陷概率小于或等于上述缺陷概率阈值时，生成表征上述待检测铝箔正常的目标缺陷信息。

本发明的一种铝箔表面缺陷识别方法，利用可见光手段进行材料分析和测试，解决了对铝箔表面进行缺陷识别的准确度低下的技术问题，提高了对铝箔表面进行缺陷识别的准确度。首先，获取待检测铝箔的表面可见光图像和样本铝箔的样本表面可见光图像，对上述表面可见光图像和上述样本表面可见光图像进行预处理，得到目标铝箔图像和样本铝箔图像。实际情况中，存在采用人工的方式对铝箔表面进行缺陷识别。当采用人工的方式，对铝箔表面进行缺陷识别时，往往是凭借检测者的主观感受进行检测识别，作出的识别判断往往不准确，所以，当采用人工的方式对铝箔表面进行缺陷识别时，往往会导致对铝箔表面进行缺陷识别的准确度低下。因此，通过获取包含有待检测铝箔表面情况的表面可见光图像和包含有样本铝箔表面情况的样本表面可见光图像，可以便于后续比较待检测铝箔表面与样本铝箔表面之间的差异，便于确定待检测铝箔表面的缺陷情况，可以提高对铝箔表面进行缺陷识别的准确度。其次，对表面可见光图像和样本表面可见光图像进行预处理，可以消除表面可见光图像和样本表面可见光图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，可以便于后续通过分析目标铝箔图像和样本铝箔图像之间的差异，对铝箔表面进行缺陷识别。接着，对上述目标铝箔图像和上述样本铝箔图像进行特征对比分析，得到灰度差异度和表面外观差异度。从灰度和表面外观两方面，对目标铝箔图像和样本铝箔图像进行特征对比分析，可以提高目标铝箔图像和样本铝箔图像之间的灰度差异度和表面外观差异度确定的准确度。然后，根据上述灰度差异度和上述表面外观差异度，确定上述待检测铝箔对应的目标缺陷概率。综合考虑了目标铝箔图像和样本铝箔图像之间的灰度差异度和表面外观差异度，可以提高确定的目标缺陷概率的准确度。最后，根据上述目标缺陷概率和预先设置的缺陷概率阈值，生成上述待检测铝箔对应的目标缺陷信息。因此，本发明利用可见光手段进行材料分析和测试，解决了对铝箔表面进行缺陷识别的准确度低下的技术问题，提高了对铝箔表面进行缺陷识别的准确度。

以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

铝箔表面缺陷识别方法.pdf