基于小波变换与形态学的工业表面微小缺陷自动检测系统

资 源 简 介

本项目旨在构建一个高精度、自动化的工业视觉检测平台，专门用于识别金属、织物或电子元件表面的微小划痕、裂纹、凹坑及油污等缺陷。系统功能涵盖图像预处理、特征增强、目标分割与智能分类四个完整阶段。首先，在预处理阶段，系统利用同态滤波技术消除由工业照明不均引起的光照梯度，并采用自适应中值滤波去除图像采集过程中的椒盐噪声。其次，利用离散小波变换（DWT）的多分辨率特性，将图像分解为不同频带，通过抑制低频背景纹理并增强高频细节，突显微弱的缺陷边缘。在特征提取与分割环节，结合数学形态学算子（腐蚀、膨胀及顶帽变换）进一步过滤背景干扰，利用最大类间方差法（Otsu）实现缺陷区域的自动二值化分割，并计算缺陷区域的几何特征（面积、周长、偏心率）与纹理特征（灰度共生矩阵）。最后，通过训练好的支持向量机（SVM）或由于样本数据不足时采用的KNN分类器，对提取的特征向量进行模式识别，自动输出缺陷类别。系统包含一个基于MATLAB App Designer开发的交互式用户界面，支持批量导入图片、调整算法参数、实时显示检测标记结果（Bound Box），并能自动生成包含合格率及缺陷统计数据的Excel质检报告，可直接应用于工业生产线的质量控制环节。

详 情 说 明

基于多尺度小波变换与形态学的工业表面微小缺陷自动检测系统

项目简介

本项目是一个基于MATLAB开发的高精度工业视觉检测系统原型。旨在解决工业生产中金属、织物或电子元件表面微小缺陷（如划痕、油污、裂纹等）的自动化识别问题。

针对工业场景中常见的光照不均、噪声干扰及背景纹理复杂等挑战，本项目采用了一套完整的图像处理算法流程。通过同态滤波校正光照，利用离散小波变换（DWT）的多分辨率特性抑制背景并增强缺陷细节，结合数学形态学与Otsu阈值法实现精准分割，最后通过几何与纹理特征分析实现对缺陷类型的自动分类。

特别说明：为了便于演示与运行，本项目内置了合成图像生成模块，可在无需加载外部图片文件的情况下，自动生成包含光照梯度、噪声、划痕及斑点缺陷的模拟工业表面图像进行全流程演示。

功能特性

• 自动化图像生成：内置合成算法，动态生成带有复杂背景纹理、非均匀光照及随机缺陷的测试图像。
• 抗干扰预处理：集成同态滤波（频域处理）与自适应中值滤波，有效消除光照梯度影响并滤除椒盐噪声。
• 小波特征增强：利用多尺度小波变换（db4基函数，3层分解），通过抑制低频近似分量，显著增强微弱缺陷的高频边缘信息。
• 高精度分割：结合顶帽变换（Top-hat）、Otsu自适应阈值分割及形态学开闭运算，精确提取缺陷区域并去除伪影。
• 多维特征提取：自动计算缺陷区域的几何特征（面积、周长、偏心率、包围盒）及纹理特征（GLCM能量）。
• 智能分类模拟：基于偏心率等特征的逻辑判断，模拟SVM/KNN分类器行为，能够区分线性缺陷（划痕）与斑点缺陷（油污）。
• 可视化与报告：提供包含原始图、预处理图、增强图、分割掩膜及最终标记结果的多视图可视化界面，并在控制台自动生成模拟的Excel质检报告。

系统要求

• MATLAB R2018b 或更高版本
• Image Processing Toolbox（图像处理工具箱）
• Wavelet Toolbox（小波工具箱）

* *注：若未安装小波工具箱，代码内置了回退机制，将使用拉普拉斯高通滤波作为替代方案。*

使用方法

1. 启动 MATLAB。
2. 将当前工作目录切换到包含脚本的文件夹。
3. 在命令行窗口输入 main 并回车。
4. 系统将自动执行以下流程：

* 生成模拟图像。 * 依次进行预处理、增强、分割与识别。 * 弹出可视化窗口显示各阶段主要结果。 * 在命令行窗口输出包含缺陷详情的模拟报表。

详细实现逻辑与算法原理解析

本项目的主程序严格按照工业视觉处理流水线设计，以下是对 main.m 中实际代码实现的详细剖析：

1. 系统初始化与图像获取

系统首先配置全局参数，包括小波基函数（db4）、分解层数（3层）、同态滤波截止频率及最小面积阈值。随后调用内部函数 create_synthetic_image 生成模拟数据。

• 模拟逻辑：构建正弦背景纹理，叠加线性光照梯度，并随机生成“线段型”（模拟划痕）和“高斯斑点型”（模拟油污）暗斑，最后添加高斯噪声。

2. 图像预处理（阶段 I）

旨在提升图像质量，为后续处理做准备。

• 同态滤波：将图像转换至对数域，通过FFT进入频率域。利用构造的高通滤波器（增强高频反射分量，抑制低频光照分量）校正光照不均，最后通过指数变换还原。
• 中值滤波：使用 medfilt2 对同态滤波后的图像进行平滑处理，有效去除由成像传感器引起的椒盐噪声，同时保留边缘信息。

3. 多尺度小波特征增强（阶段 II）

这是本项目的核心算法环节，用于突出背景中的微小缺陷。

• 小波分解：使用 wavedec2 对去噪后的图像进行3级小波分解。
• 频带抑制：代码通过将小波分解结构中的第一层近似系数（Approximation Coefficients，代表低频背景信息）强制置零，实现背景纹理的抑制。
• 图像重构：利用修改后的系数表进行重构（waverec2），输出的图像保留了高频细节（缺陷边缘），大幅提高了信噪比。

4. 形态学与分割（阶段 III）

将增强后的图像转化为二值掩膜。

• 顶帽变换：先对增强图像求反（因为缺陷通常较暗），然后利用 imtophat 进一步校正局部背景，提取出比周围背景更亮的区域（即缺陷）。
• Otsu阈值分割：使用 graythresh 计算全局最佳阈值，对顶帽变换结果进行二值化。
• 形态学后处理：

* 闭运算（Closing）：连接断裂的缺陷边缘。 * 开运算（Opening）：去除细小的噪点。 * 面积过滤（Area Opening）：使用 bwareaopen 剔除小于设定阈值（50像素）的微小伪影，得到最终的二值掩膜 bw_final。

5. 特征提取与模式识别（阶段 IV）

对分割出的连通域进行量化分析与分类。

• 几何特征：利用 regionprops 提取每个连通域的面积、周长、偏心率（Eccentricity）及外接矩形（BoundingBox）。
• 纹理特征：截取原图中对应Bounding Box区域的ROI，计算灰度共生矩阵（GLCM），并提取“能量（Energy）”作为纹理特征指标。
• 分类逻辑：代码实现了一个基于规则的分类器来模拟SVM/KNN的效果。

* 判定规则：依据偏心率特征。若偏心率 > 0.85，判定为细长的“划痕（Scratch）”，标记为红色；否则判定为“油污/斑点（Spot）”，标记为黄色。 * 置信度模拟：基于缺陷面积计算一个简单的置信度分数。

6. 结果可视化与报告

• 多视图展示：自定义绘图函数将原始图、预处理图、小波增强图、分割掩膜及最终检测图（带有分类标签和置信度的包围框）绘制在同一画布上，便于算法效果评估。
• 数据报表：格式化输出模拟的Excel表格文本，包含每个检测到的缺陷ID、类型、面积像素值、偏心率数值及置信度，直观展示检测统计数据。

关键函数说明

• create_synthetic_image: 模拟生成器。不依赖外部文件，通过数学公式构建含缺陷的灰度图。
• homomorphic_filter: 实现了完整的频率域同态滤波算法，包含对数变换、FFT、高通滤波函数构造、IFFT及指数变换。
• wavelet_enhancement: 封装了小波变换逻辑。包含异常处理机制，若检测到缺失小波工具箱，会自动降级使用拉普拉斯算子进行边缘增强。
• visualize_results: 负责所有图像结果的排版与绘制，包括在原图上叠加矩形框与文本标签。
• generate_excel_report_simulation: 模拟报表生成器，在命令行打印结构化的检测结果数据。