CN116596922A - 一种太阳能热水器生产质量检测方法 - Google Patents

Abstract

本发明公开了一种太阳能热水器生产质量检测方法，属于图像处理技术领域，包括：将采集到图像进行变换获得子带；获取子带主特征向量确定纹理细节结果以及前景像素点，计算前景像素点的纹理响应度、纹理缺失度；基于纹理缺失度确定进行全局阈值分割的分割阈值，计算分割后的缺陷区域的缺陷区域面积与前景图像面积的比值，将比值大于标准值的集热板确定为不合格。如此，基于获得太阳能集热板图像的子带，基于子带的主特征确定纹理细节处理结果以获得前景像素点，获取前景像素点的纹理响应度、纹理缺失度，基于纹理缺失度从前景图像分割出缺陷部分，最后基于缺陷部分的面积占比来确定生产质量检测结果，大大提高了太阳能热水器质量检测的准确性。

Description

一种太阳能热水器生产质量检测方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种太阳能热水器生产质量检测方法。

背景技术

由于太阳能集热板由多个金属片制成，且在进行焊接前需要进行划片处理，再加上金属板自身表面纹路的影响，使得一般的缺陷检测方法不容易检测到存在于纹路颜色过深处的板材缺陷。因此太阳能热水器生产质量的检测往往存在准确性低的问题。

发明内容

本发明提供一种太阳能热水器生产质量检测方法，旨在提高太阳能热水器生产质量检测的准确性。

为实现上述目的，本发明提供一种太阳能热水器生产质量检测方法，所述方法包括：

将采集到的太阳能集热板图像进行灰度转换和小波变换获得四个子带，所述子带包括一个低频子带和三个高频子带；

获取所述子带的主特征向量，并基于所述主特征向量确定各个像素点的纹理细节结果；

基于各个像素点的纹理细节处理结果确定前景像素点，并计算各个前景像素点的纹理响应度；

基于前景像素点与边缘像素点的最小距离值和所述纹理响应度确定所述前景像素点的纹理缺失度；

基于各个前景像素点的纹理缺失度确定分割阈值，基于所述分割阈值对前景像素点对应的前景图像进行全局阈值分割，获得缺陷区域；

计算缺陷区域的缺陷区域面积与前景图像面积的比值，将比值大于标准值的前景图像对应的集热板确定为不合格太阳能集热板。

可选地，所述获取所述子带的主特征向量，并基于所述主特征向量确定各个像素点的纹理细节结果包括：

获得所述子带的矢量矩阵，基于所述矢量矩阵获得第一协方差矩阵，并基于所述第一协方差矩阵的特征值矩阵和特征向量矩阵确定各个子带的主特征向量；

获得坐标系中指定位置的像素点的主特征向量，基于所述主特征向量获得对应像素点的纹理细节结果。

可选地，所述获得所述子带的矢量矩阵，基于所述矢量矩阵获得第一协方差矩阵，并基于所述第一协方差矩阵的特征值矩阵和特征向量矩阵确定各个子带的主特征向量包括：

将所述子带中各个像素点的像素值标准化，获得标准化像素值；

基于所述标准化像素值构建子带的矢量矩阵；

将所述矢量矩阵中在同一方向的向量确定为子带的特征向量，其中所述特征向量按列排列成特征向量矩阵；

基于主成分分析将所述子带的特征向量压缩成一个，构建所述特征向量矩阵的第一协方差矩阵；

对所述第一协方差矩阵进行特征值分解，获得第一特征值和第一特征向量；

将所述第一特征向量中最大值对应的第一特征向量确定为主特征向量。

可选地，所述获得坐标系中指定位置的像素点的主特征向量，基于所述主特征向量获得对应像素点的纹理细节结果包括：

以子带的左上角为原点，水平方向为x轴，垂直方向为y轴构建坐标系，获得所述坐标系中指定位置的像素点的主特征向量；

将所述像素点的主特征向量乘以主成分向量的转置，获得所述像素点逆变后的高维向量；

将所述高维向量归一化处理后获得所述像素点基于所述主特征向量的纹理细节结果。

可选地，所述基于各个像素点的纹理细节处理结果确定前景像素点，并计算各个前景像素点的纹理响应度包括：

计算像素点的三个高频特征向量的纹理细节结果最大值，将低频特征向量的纹理细节结果与所述纹理细节结果最大值进行对比，若低频特征向量的纹理细节结果大于所述纹理细节结果最大值，则将对应的像素点确定为背景像素点；

若低频特征向量的纹理细节结果小于或等于所述纹理细节结果最大值，则将对应的像素点确定为前景像素点；

计算所述前景像素点的基于纹理细节结果的纹理响应度；

根据纹理细节结果的纹理响应度确定所述前景像素点的纹理响应度。

可选地，所述基于前景像素点与边缘像素点的最小距离值和所述纹理响应度确定所述前景像素点的纹理缺失度之前，还包括：

通过canny算子对灰度图像进行边缘检测，获得边缘图像；

在所述灰度图像上分别以各个像素点为中心建立预设大小的搜索窗口，逐渐增大搜索窗口的大小，直到所述搜索窗口中出现边缘像素点；

计算所述各个像素点与对应边缘像素点的最小距离值。

可选地，所述基于前景像素点与边缘像素点的最小距离值和所述纹理响应度确定所述前景像素点的纹理缺失度包括：

计算各个前景像素点的平均纹理响应度和纹理响应度标准差；

基于所述平均纹理响应度、纹理响应度标准差以及前景像素点的纹理缺失度确定各个前景像素点的权重；

将前景像素点的纹理缺失度、最小距离值和权重的乘积确定为对应前景像素点的纹理缺失度。

可选地，所述基于各个前景像素点的纹理缺失度确定分割阈值，基于所述分割阈值对前景像素点对应的前景图像进行全局阈值分割，获得缺陷区域包括：

计算所有边缘像素点的边缘纹理缺失度均值；

将前景像素点纹理缺失度与边缘纹理缺失度的欧式距离作为分割阈值，基于所述分割阈值对所述前景图像进行分割；

将欧式距离大于经验值的前景像素点确定为缺陷像素点，将缺陷像素点对应的区域确定为缺陷区域。

相比现有技术，本发明提出的一种太阳能热水器生产质量检测方法，将采集到的太阳能集热板图像进行灰度转换和小波变换获得四个子带，所述子带包括一个低频子带和三个高频子带；获取所述子带的主特征向量，并基于所述主特征向量确定各个像素点的纹理细节结果；基于各个像素点的纹理细节处理结果确定前景像素点，并计算各个前景像素点的纹理响应度；基于前景像素点与边缘像素点的最小距离值和所述纹理响应度确定所述前景像素点的纹理缺失度；基于各个前景像素点的纹理缺失度确定分割阈值，基于所述分割阈值对前景像素点对应的前景图像进行全局阈值分割，获得缺陷区域；计算缺陷区域的缺陷区域面积与前景图像面积的比值，将比值大于标准值的前景图像对应的集热板确定为不合格太阳能集热板。如此，基于太阳能集热板图像进行变换，获得低频子带和高频子带，再基于子带的主特征确定纹理细节处理结果以获得前景像素点，进一步获取前景像素点的纹理响应度、纹理缺失度，基于纹理缺失度从前景图像分割出缺陷部分，最后基于缺陷部分的面积占比来确定太阳能热水器的集热板的生产质量结果，大大提高了太阳能热水器质量检测的准确性。

附图说明

图1是本发明太阳能热水器生产质量检测方法一实施例的流程示意图；

图2是本发明太阳能热水器生产质量检测方法一实施例的细化流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参照图1，图1是本发明太阳能热水器生产质量检测方法第一实施例的流程示意图。

如图1所示，本发明第一实施例提出一种太阳能热水器生产质量检测方法，所述方法包括：

步骤S101，将采集到的太阳能集热板图像进行灰度转换和小波变换获得四个子带，所述子带包括一个低频子带和三个高频子带；

本实施例主要目的是检测太阳能热水器集热板上的细微缺陷。先通过互补金属氧化物半导体（Complementary Metal Oxide Semiconductor，CMOS）摄像头对焊接后的太阳能集热板进行图像采集，得到太阳能集热板的RGB图像，将太阳能集热板的RGB图像进行灰度变换，获得灰度图像。然后选择Haar小波基对灰度图像进行小波变换，得到一个低频子带和三个高频子带，本实施例将低频子带表示为LL，将高频子带分别表示为诶LH、HL、HH。其中低频子带代表了图像的基本信息，高频子带包含了图像中的边缘和纹理信息，对高频子带进行阈值处理，去除噪声，然后与低频子带组合，得到去噪后的图像，对去噪后的图像进行直方图均衡化实现图像增强。上述所有步骤均为公知技术，实施者可根据功能实现进行算法更替。

步骤S102，获取所述子带的主特征向量，并基于所述主特征向量确定各个像素点的纹理细节结果；

参考图2，图2是本发明太阳能热水器生产质量检测方法一实施例的细化流程示意图，如图2所示，步骤S102包括：

步骤S1021，获得所述子带的矢量矩阵，基于所述矢量矩阵获得第一协方差矩阵，并基于所述第一协方差矩阵的特征值矩阵和特征向量矩阵确定各个子带的主特征向量；

具体地，将所述子带中各个像素点的像素值标准化，获得标准化像素值；

太阳能集热板图像对应的灰度图像在进行图像去噪时经过小波变换后得到了低频特征和高频特征/>、/>和/>四个子带，使用主成分分析(PCA)进行子带矢量化，设/>子带的大小为/>，记为/>，其余子带的大小也为/>。以子带左上角为原点，水平方向为x轴，垂直方向为y轴构建坐标系，像素/>为子带中第i行第j列像素的值，以子带中所有像素的像素值构建矩阵，对/>进行标准化，将标准化像素值表示为/>，则：

；

其中，为标准化之前的像素值，/>和/>分别为所有像素点的像素值的均值和标准差。标准化后的/>可以消除矩阵中元素值的量纲影响，使得不同像素之间可以进行比较，提高了数据得可靠性和可解释性。

基于所述标准化像素值构建子带的矢量矩阵：对原矩阵中的所有像素进行标准化，将其列为新的大小为的矩阵/>。

将所述矢量矩阵中在同一方向的向量确定为子带的特征向量，其中所述特征向量按列排列成特征向量矩阵；经过标准化后仍然在同一方向上的向量为子带的特征向量，特征向量按列排序，设特征向量有个，且/>。

基于主成分分析将所述子带的特征向量压缩成一个，构建所述特征向量矩阵的第一协方差矩阵；将个特征向量按列组成一个/>的特征向量矩阵/>，使用主成分分析（PCA）将子带的特征向量压缩至一个：构建特征向量矩阵/>的第一协方差矩阵/>，第一协方差矩阵/>的大小为/>。

对所述第一协方差矩阵进行特征值分解，获得第一特征值和第一特征向量；将所述第一特征向量中最大值对应的第一特征向量确定为主特征向量。对第一协方差矩阵进行特征值分解，得到第一特征值/>和第一特征向量/>，取第一特征值最大的那个特征向量，作为压缩后的低频特征向量。同理，用此方法计算出其他三个高频特征子带的高频特征向量/>，/>，/>。本实施例将所述低频特征向量和所述高频特征向量统称为主特征向量。

步骤S1022，获得坐标系中指定位置的像素点的主特征向量，基于所述主特征向量获得对应像素点的纹理细节结果。

以子带的左上角为原点，水平方向为x轴，垂直方向为y轴构建坐标系，获得所述坐标系中指定位置的像素点的主特征向量；

在进行PCA压缩后，得到了四个子带的主特征向量：低频子带的低频特征向量和高频子带的高频特征向量。以主特征向量中的高频特征向量为例找到坐标位置为/>的像素点在/>中的位置，得到对应的高频特征向量。对于一个大小为/>的子带，它的高频特征向量可以表示为一个长度为/>的向量。因此，要得到子带/>中/>位置对应的高频特征向量，可以计算出/>在向量中的位置，并取出对应的元素。计算方法为：

其中，是子带图像的宽度，/>和/>是像素在子带坐标轴的坐标。通过计算出的/>，可以在子带/>的高频特征向量中取出对应的元素，得到/>位置对应的高频特征向量。

将所述像素点的主特征向量乘以主成分向量的转置，获得所述像素点逆变后的高维向量；

将所述高维向量归一化处理后获得所述像素点基于所述主特征向量的纹理细节结果。

对将乘以PCA主成分向量的转置，得到逆变换后的高维向量/>, 对进行归一化处理，得到一个纹理细节结果/>，/>是一个数值，可以看作是像素在/>高频特征空间的投影表示,它测量了/>在高频特征方向上的变化分量和幅度。

重复上述计算获得图像中每个像素基于各个主特征向量，/>，/>的纹理细节结果/>，/>，/>。

每个像素的高频特征向量的纹理细节结果，/>，/>代表了每个像素对对应的高频特征的响应程度，其值越高，响应越激烈，同理每个像素的低频特征向量的纹理细节结果/>代表了每个像素对低频特征的响应程度，其值越高响应越激烈。

原始的阈值分割都是以图像每个像素的灰度值为输入进行分割，可以根据图像灰度值的分布情况将图像分为两部分，基于此思想，本实施例将全局阈值法中的灰度值输入改进成每个像素的纹理缺失度输入，进而根据纹理缺失度反映出的图像像素的纹理特征将图像的缺陷分割出来，实现基于纹理缺失度对图像进行分割，具有很大的优势。基于已经获得的每个像素的主特征向量的纹理细节结果，利用此结果对全局阈值法进行改进。

步骤S103，基于各个像素点的纹理细节处理结果确定前景像素点，并计算各个前景像素点的纹理响应度；

首先，计算像素点的三个高频特征向量的纹理细节结果最大值，将低频特征向量的纹理细节结果/>与所述纹理细节结果最大值/>进行对比，若低频特征向量的纹理细节结果大于所述纹理细节结果最大值，则将对应的像素点确定为背景像素点；也即/>，则代表此像素点低频响应较大，此像素大概率为背景像素点。

若低频特征向量的纹理细节结果小于或等于所述纹理细节结果最大值，则将对应的像素点确定为前景像素点；，表示此像素点低频响应较小。

再计算所述前景像素点基于纹理细节结果的纹理响应度；

将基于纹理细节结果的纹理响应度表示为/>，则：

代表了像素对于两个主特征向量的共振程度，/>引入了/>的相位值，/>代表了两个主特征向量的振幅之和，利用主特征向量纹理细节的振幅、相位以及共振程度可以很好的表示出来前景像素点的纹理响应度。之后使用相同方法计算基于纹理细节结果/>和/>的纹理响应度，分别表示为/>和/>。

最后根据纹理细节结果的纹理响应度确定所述前景像素点的纹理响应度；

其中，n取1，2，3。

当时，则代表此前景像素点的细节信息比较大，/>的大小表示了此前景像素点对于图像细节的敏感度的大小，纹理响应度对于小尺度范围下的缺陷像素响应比较明显。

步骤S104，基于前景像素点与边缘像素点的最小距离值和所述纹理响应度确定所述前景像素点的纹理缺失度；

本实施例在计算纹理缺失度之前还需要确定像素点与边缘像素点的最小距离值，具体地：

通过canny算子对灰度图像进行边缘检测，获得边缘图像；本实施例采样canny算子的公知技术进行边缘检测。获得边缘图像后标识出对应的边缘像素点。

在所述灰度图像上分别以各个像素点为中心建立预设大小的搜索窗口，逐渐增大搜索窗口的大小，直到所述搜索窗口中出现边缘像素点；将搜索窗口大小表示为。对于像素点/>，创建一个以像素点/>为中心的大小为/>的搜索窗口，/>从3开始逐渐增大，直到搜索窗口内有边缘图像的边缘像素点。

计算所述各个像素点与对应边缘像素点的最小距离值。本实施例采用欧式距离，计算出像素点与对应边缘像素点的欧式距离，将最小欧式距离确定为最小距离值，将最小距离值表示为D。

确定最小距离值和纹理响应度后，进一步计算纹理缺失度：

计算各个前景像素点的平均纹理响应度和纹理响应度标准差/>；

基于所述平均纹理响应度、纹理响应度标准差/>以及前景像素点的纹理缺失度确定各个前景像素点的权重；

将前景像素点的纹理缺失度、最小距离值和权重的乘积确定为对应前景像素点的纹理缺失度；

将纹理缺失度表示为，则：

前景像素点的纹理缺失度表示集热板的像素异常程度,其值越大代表该像素点的异常性越强，/>为像素的纹理响应度，/>为每个像素点与对应边缘像素点的最小距离值，当纹理响应度W、最小距离值D变大时，则代表纹理响应度变强或此像素点距离边缘较远，反映了此像素点极有可能是缺陷像素点，对应的纹理缺失度/>也随之变大，反之则纹理缺失度/>随之减小。/>和/>分别是所有像素点的纹理响应度/>的平均值和标准差，/>中根据纹理响应度/>与平均值/>的差异,赋予不同的权重，其值随着/>的增大而逐渐增大，纹理响应度/>与/>的差异越大，表示该像素点的纹理响应度与整个图像的平均纹理响应度差异越大。反映了该像素点的纹理响应度与邻域内的平均纹理特征有很大的差异，可能意味着该像素点存在着某种特殊的纹理结构或者异常情况。对接近于平均值的纹理响应度/>会赋予更小的权重,主要对纹理缺失度起到平滑的效果，对于最终数值影响不大。

步骤S105，基于各个前景像素点的纹理缺失度确定分割阈值，基于所述分割阈值对前景像素点对应的前景图像进行全局阈值分割，获得缺陷区域；

计算所有边缘像素点的边缘纹理缺失度均值，将边缘纹理缺失度均值表示为；

将前景像素点纹理缺失度与边缘纹理缺失度的欧式距离作为分割阈值，基于所述分割阈值对所述前景图像进行分割；将欧式距离表示为。

将欧式距离大于经验值的前景像素点确定为缺陷像素点，将缺陷像素点对应的区域确定为缺陷区域。经验值根据实际需要设置，本实施例将经验值确定为20，的像素点为缺陷像素点。

步骤S106，计算缺陷区域的缺陷区域面积与前景图像面积的比值，将比值大于标准值的前景图像对应的集热板确定为不合格太阳能集热板。

由于缺陷部分的像素点都处于最细节的纹理信息中，这些像素点的集热板纹理缺失度应该属于最大的一部分，缺陷像素点的纹理缺失度和边缘像素点的纹理缺失度差值较大，所以改进后的全局阈值法会将整幅图像分为缺陷部分和背景部分，计算缺陷部分的面积以及前景图像的面积/>之比S/M，根据生产质量准则设定一个标准值/>，当S/M大于此标准值/>时，则对应的太阳能集热板为不合格，反之代表质量合格。标准值/>可以由使用者通过实际情况进行设定，并不唯一。此方法不仅可以准确检测到太阳能集热板上由于工艺问题出现的非常细小裂缝和气泡，而且可以检测到大尺度的污渍以及缺陷，从而极大保证了产品质量。

本实施例通过上述方案，将采集到的太阳能集热板图像进行灰度转换和小波变换获得四个子带，所述子带包括一个低频子带和三个高频子带；获取所述子带的主特征向量，并基于所述主特征向量确定各个像素点的纹理细节结果；基于各个像素点的纹理细节处理结果确定前景像素点，并计算各个前景像素点的纹理响应度；基于前景像素点与边缘像素点的最小距离值和所述纹理响应度确定所述前景像素点的纹理缺失度；基于各个前景像素点的纹理缺失度确定分割阈值，基于所述分割阈值对前景像素点对应的前景图像进行全局阈值分割，获得缺陷区域；计算缺陷区域的缺陷区域面积与前景图像面积的比值，将比值大于标准值的前景图像对应的集热板确定为不合格太阳能集热板。如此，基于太阳能集热板图像进行变换，获得低频子带和高频子带，再基于子带的主特征确定纹理细节处理结果以获得前景像素点，进一步获取前景像素点的纹理响应度、纹理缺失度，基于纹理缺失度从前景图像分割出缺陷部分，最后基于缺陷部分的面积占比来确定太阳能热水器的集热板的生产质量结果，大大提高了太阳能热水器质量检测的准确性。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种太阳能热水器生产质量检测方法，其特征在于，所述方法包括：

将采集到的太阳能集热板图像进行灰度转换和小波变换获得四个子带，所述子带包括一个低频子带和三个高频子带；

获取所述子带的主特征向量，并基于所述主特征向量确定各个像素点的纹理细节结果；

基于各个像素点的纹理细节处理结果确定前景像素点，并计算各个前景像素点的纹理响应度；

基于前景像素点与边缘像素点的最小距离值和所述纹理响应度确定所述前景像素点的纹理缺失度；

基于各个前景像素点的纹理缺失度确定分割阈值，基于所述分割阈值对前景像素点对应的前景图像进行全局阈值分割，获得缺陷区域；

计算缺陷区域的缺陷区域面积与前景图像面积的比值，将比值大于标准值的前景图像对应的集热板确定为不合格太阳能集热板。

2.根据权利要求1所述的一种太阳能热水器生产质量检测方法，其特征在于，所述获取所述子带的主特征向量，并基于所述主特征向量确定各个像素点的纹理细节结果包括：

获得所述子带的矢量矩阵，基于所述矢量矩阵获得第一协方差矩阵，并基于所述第一协方差矩阵的特征值矩阵和特征向量矩阵确定各个子带的主特征向量；

获得坐标系中指定位置的像素点的主特征向量，基于所述主特征向量获得对应像素点的纹理细节结果。

3.根据权利要求2所述的一种太阳能热水器生产质量检测方法，其特征在于，所述获得所述子带的矢量矩阵，基于所述矢量矩阵获得第一协方差矩阵，并基于所述第一协方差矩阵的特征值矩阵和特征向量矩阵确定各个子带的主特征向量包括：

将所述子带中各个像素点的像素值标准化，获得标准化像素值；

基于所述标准化像素值构建子带的矢量矩阵；

将所述矢量矩阵中在同一方向的向量确定为子带的特征向量，其中所述特征向量按列排列成特征向量矩阵；

基于主成分分析将所述子带的特征向量压缩成一个，构建所述特征向量矩阵的第一协方差矩阵；

对所述第一协方差矩阵进行特征值分解，获得第一特征值和第一特征向量；

将所述第一特征向量中最大值对应的第一特征向量确定为主特征向量。

4.根据权利要求2所述的一种太阳能热水器生产质量检测方法，其特征在于，所述获得坐标系中指定位置的像素点的主特征向量，基于所述主特征向量获得对应像素点的纹理细节结果包括：

以子带的左上角为原点，水平方向为x轴，垂直方向为y轴构建坐标系，获得所述坐标系中指定位置的像素点的主特征向量；

将所述像素点的主特征向量乘以主成分向量的转置，获得所述像素点逆变后的高维向量；

将所述高维向量归一化处理后获得所述像素点基于所述主特征向量的纹理细节结果。

5.根据权利要求1所述的一种太阳能热水器生产质量检测方法，其特征在于，所述基于各个像素点的纹理细节处理结果确定前景像素点，并计算各个前景像素点的纹理响应度包括：

计算像素点的三个高频特征向量的纹理细节结果最大值，将低频特征向量的纹理细节结果与所述纹理细节结果最大值进行对比，若低频特征向量的纹理细节结果大于所述纹理细节结果最大值，则将对应的像素点确定为背景像素点；

若低频特征向量的纹理细节结果小于或等于所述纹理细节结果最大值，则将对应的像素点确定为前景像素点；

计算所述前景像素点的基于纹理细节结果的纹理响应度；

根据纹理细节结果的纹理响应度确定所述前景像素点的纹理响应度。

6.根据权利要求1所述的一种太阳能热水器生产质量检测方法，其特征在于，所述基于前景像素点与边缘像素点的最小距离值和所述纹理响应度确定所述前景像素点的纹理缺失度之前，还包括：

通过canny算子对灰度图像进行边缘检测，获得边缘图像；

在所述灰度图像上分别以各个像素点为中心建立预设大小的搜索窗口，逐渐增大搜索窗口的大小，直到所述搜索窗口中出现边缘像素点；

计算所述各个像素点与对应边缘像素点的最小距离值。

7.根据权利要求1所述的一种太阳能热水器生产质量检测方法，其特征在于，所述基于前景像素点与边缘像素点的最小距离值和所述纹理响应度确定所述前景像素点的纹理缺失度包括：

计算各个前景像素点的平均纹理响应度和纹理响应度标准差；

基于所述平均纹理响应度、纹理响应度标准差以及前景像素点的纹理缺失度确定各个前景像素点的权重；

将前景像素点的纹理缺失度、最小距离值和权重的乘积确定为对应前景像素点的纹理缺失度。

8.根据权利要求1所述的一种太阳能热水器生产质量检测方法，其特征在于，所述基于各个前景像素点的纹理缺失度确定分割阈值，基于所述分割阈值对前景像素点对应的前景图像进行全局阈值分割，获得缺陷区域包括：

计算所有边缘像素点的边缘纹理缺失度均值；

将前景像素点纹理缺失度与边缘纹理缺失度的欧式距离作为分割阈值，基于所述分割阈值对所述前景图像进行分割；

将欧式距离大于经验值的前景像素点确定为缺陷像素点，将缺陷像素点对应的区域确定为缺陷区域。