1.基于机器视觉的陶瓷瓦表面鼓包检测方法，其特征在于包括以下步骤：步骤1：提取陶瓷瓦的红色通道图像，以去除光照不均的干扰；

步骤2：对陶瓷瓦红色通道图像进行高斯滤波，以抑制噪声；

步骤3：采用自适应小波变换、线性中值滤波的方法，增强鼓包与背景区域对比度；

步骤4：利用二值化和形态学的方法，得到鼓包区域的信息。

2.根据权利要求1所述基于机器视觉的陶瓷瓦表面鼓包检测方法，其特征在于：所述步骤2中，高斯滤波具体如下：通过一个模板对图像的每一个像素进行加权平均，减小相邻像素间的灰度差，高斯滤波窗口大小为3×3；利用预处理后图像的行均值N(i)和列均值M(j)与总均值K相比较，得到待检测陶瓷瓦区域W1，计算公式如下：其中：W0(i,j)为W0的红色通道的像素值；m、n分别表示的像素矩阵的行数、列数；i、j分别表示像素的索引，设待检测区域灰度矩阵为W1，大小为m1×n1，m1、n1分别表示灰度矩阵的行数和列数。

3.根据权利要求1所述基于机器视觉的陶瓷瓦表面鼓包检测方法，其特征在于：所述步骤3中包括如下步骤：S3.1：使用自适应小波变换的方法分解W1，能够得到W1不同尺度的信息，选取包含鼓包信息的尺度并进行小波重构得到重构图像W2；

设原始信号为P0(x),低通滤波器为V(l)，信号P0(x)经过一次滤波能够得到一个低频分量和一个高频分量，其中，高频分量表示图像的细节信息，又被称为小波面、小波系数，低频分量表示图像的近似信息，还能继续进行滤波分解；

令n次滤波后的低频分量为Pn(x)，第n次分解得到的高频分量为Gn(x)，有如下数学描述：Gn(x)＝Pn‑1(x)‑Pn(x)n＝1,2,…,N；

其中，n为分解次数，又被称为尺度；

àtrous小波变换将信号分解为多个小波面和一个近似信号，多个小波面表示不同的细节信息，近似信号表示背景信息；若要将其重构，将所有小波面和近似信号进行叠加，如下述公式：将àtrous小波变换拓展二维图像P(x,y)中，分解后的图像与原始图像尺寸一致，可以提取不同尺度下的高频分量Gn(x,y)，实现对具有不同特征的图像进行特征分离；重构图像P'(x,y)可由分解后的小波系数与背景信息叠加得到：S3.2：重构图像W2中鼓包信息表现为异常点区域，通过水平中值滤波将鼓包信息抹去；

对重构图像W2作一维水平中值滤波处理，得到滤波后图像W3；

S3.3：将图像W2与图像W3差分得到图像W4，即将重构图像W2与去除鼓包信息后的背景图像W3相减；图像差分的目是提高鼓包与背景区域的对比度。

4.根据权利要求1所述基于机器视觉的陶瓷瓦表面鼓包检测方法，其特征在于：所述步骤4中包括如下步骤：S4.1：利用灰度阈值T1对图像W4进行二值化，得到二值化图像W5，实现鼓包的分割，计算公式如下：W4(i,j)表示W4的像素值；abs(W4(i,j))表示W4像素值的绝对值；

W5(i,j)表示W5的像素值；

S4.2：再对二值化图像W5使用连通域提取、形态学滤波得到图像W6；最后，根据图像W6统计鼓包个数并计算其面积。