本发明属于工业检测，具体涉及一种金属表面缺陷检测与分类方法、系统、设备和介质。
背景技术：
1、金属板在工业生产与日常生活中应用广泛，但其制造过程复杂，涉及多种设备与工艺，易导致表面出现形态多样的缺陷。这些缺陷不仅削弱了金属板的耐磨性、抗腐蚀性，还影响了其电磁特性及外观美观度，进而对电磁性能和涂镀效果产生不利影响。因此，对于金属板生产企业而言，表面缺陷检测是至关重要的一环。它不仅能迅速识别并剔除缺陷产品，确保产品质量，维护企业声誉，还能通过分析检测结果，及时发现并纠正生产过程中的问题，促进生产流程的优化与改进。
2、在金属制品产业中，产品质量检测与控制占据着核心地位。其中，金属表面缺陷检测作为确保产品质量、增强产品竞争力的关键环节，已成为金属工业技术创新的重要焦点。这一检测技术不仅对金属产业至关重要，还广泛惠及其他产业领域，因此备受国家重视，被列为重点技术攻关项目，获得广泛支持与关注。自上世纪七十年代起，机器视觉检测技术便开启了全面探索与研发之路，并于八十年代成功应用于生产实践。进入九十年代，基于图像处理技术的缺陷检测迎来了飞速发展期，创新成果层出不穷，理论研究与生产实践齐头并进，使得生产领域的产品质量检测步入了相对成熟的应用阶段。当前，国内众多科研机构均将金属表面缺陷检测技术的研发视为关键科技任务，已取得显著技术突破，有效满足了国内金属行业对高质量检测技术的需求，显著提升了我国金属产品的整体品质。
3、cn202011496247.9的专利申请文件公开了一种金属表面缺陷检测方法、系统、装置和存储介质，通过对抗生成网络生成无缺陷图像，再采用深度学习中无监督学习的方法,大大减少对数据的依赖,提高检测的准确率,且无需提前识别缺陷的类型。但由于对抗生成网络训练不稳定且难以收敛，并且无监督学习对数据质量极其敏感，从而产生的模型效果不佳和过拟合的问题。
4、cn202110614111.1的专利申请文件公开了一种基于机器视觉的金属表面缺陷检测系统，通过改进光学检测手段、优化图像处理算法,使得检测精度高,检测速度快,检测稳定性高,重复性好,输出的检测结果稳定；但三大系统的所需要的硬件设施比较昂贵，图像分辨率得不到保证以及算法较复杂，从而产生模型计算繁杂且成本高的问题。
技术实现思路
1、为了解决上述现有技术存在的缺陷，本发明的目的在于提供一种金属表面缺陷检测与分类方法、系统、设备和介质，通过采用灰度归一化、自适应直方图均衡化、gabor滤波器、最大熵算法、形态学处理以及改良的局部二值模式对不同缺陷类型的图像进行处理，将处理好的图像进行缺陷位置与大小的计算，并进行gui测量页面设计；本发明图像处理效果显著，提升了图像对比度，强化了缺陷边界的识别，实现了图像的精确分割与结构的细致优化，还精准地提取了图像特征，并支持高效的分类训练；具有提高图像质量、增强缺陷检测精度、优化特征提取与分析的优点。
2、为了实现上述目的，本发明采用的技术方案是：
3、一种金属表面缺陷检测与分类方法，包括以下步骤：
4、步骤1：采集带有不同缺陷类型的金属表面图像，将不同缺陷类型的金属表面图像整理为图像样本数据集；
5、步骤2：采用灰度归一化和自适应直方图均衡化对步骤1整理的图像样本数据集进行对比度增强处理，得到对比度增强和降低噪声的图像集；
6、步骤3：使用gabor滤波器对步骤2中经过对比度增强和降低噪声的图像集进行滤波算法处理，得到减少噪声和增强缺陷边界的图像集；
7、步骤4：使用最大熵算法对步骤3中经过减少噪声和增强缺陷边界的图像集进行阈值分割，得到最佳阈值的图像集。
8、步骤5：使用matlab自带的形态学处理函数(bwmorph函数)，参数选择为“thin”，对步骤4得到的最佳阈值的图像集进行多次重复操作，得到细化处理后的图像集；
9、步骤6：采用改良的局部二值模式对步骤5中细化处理后的图像集进行特征提取，将提取的特征转换为特征向量，并整理为矩阵；
10、步骤7：建立支持向量机模型，并对步骤6转换的特征向量进行分类监督训练，得到训练好的图像集；
11、步骤8：将步骤7训练好的图像集进行提取并标记为轧入氧化皮缺陷、斑点缺陷和划痕缺陷，并分别计算轧入氧化皮缺陷、斑点缺陷和划痕缺陷的位置和大小；
12、步骤9：将步骤8计算好缺陷位置与大小的图像集进行gui设计。
13、所述步骤2的具体方法为：
14、步骤2.1：采用灰度归一化公式对步骤1整理的图像样本数据集进行处理，使图像样本数据集灰度值分布在0～255之间；灰度归一化公式定义为：
15、
16、式中，iin——原始图像的灰度值；
17、imin——原始图像的最小灰度值；
18、imax——原始图像的最大灰度值；
19、iout——灰度归一化后图像的灰度值；
20、步骤2.2：对步骤2.1进行灰度归一化处理后的图像样本数据集进行自适应直方图均衡化，具体方法为：
21、步骤2.2.1：将原始的直方图分布设定一个阈值，将大于阈值以上的部分(钳位)剪切掉；
22、步骤2.2.2：将剪切掉的部分进行均衡化处理，再将均衡化处理后剪切掉的部分叠加到原始小于阈值的直方图分布上；
23、步骤2.2.3：对叠加后的直方图分布进行均衡化处理，进一步增强对比度并有效降低噪声。
24、所述步骤3的具体方法为：
25、步骤3.1：使用gabor滤波器对步骤2.2得到的对比度增强和降低噪声的图像集进行滤波算法处理；所述gabor滤波器由正弦平面波调制的高斯核函数定义：
26、
27、其中：是经过旋转的坐标，θ是gabor滤波器的方向参数，决定了gabor滤波的滤波方向选择特性；σ是高斯核函数的标准差，控制高斯函数的宽度；λ是频带宽度，影响滤波器的带宽和频率特性；γ为空间方向比例因子；
28、滤波后的图像为：
29、
30、其中，为像素坐标；g为是gabor滤波器的响应，即在每个像素位置上滤波器的输出值；i为原始图像的像素值，即需要进行滤波处理的图像数据；
31、步骤3.2：使用不同的滤波器平行线方向(θ)对轧入氧化皮缺陷、斑点缺陷进行gabor滤波；所述θ＝0°,45°,90°,135°；
32、步骤3.3：将θ＝90°,135°滤波器的相加与θ＝0°,45°滤波器的相加作差，抵消gabor滤波因方向选择性导致的纹波，同时滤除噪声并增强缺陷边界。
33、所述步骤4的具体方法为：
34、步骤4.1：将阈值t从0按每次加1的方式增大到255，按阈值t将步骤3.3处理后的图像集分为背景(0)和前景(1)；
35、步骤4.2：对每个阈值t(0≤t<255)进行计算，求取最佳阈值，具体计算方法为：
36、步骤4.2.1：计算背景(0)和前景(1)中各灰度值在背景和前景中概率分布pi；
37、步骤4.2.2：计算背景(0)和前景(1)中的
38、其中：为背景中的累计分布；
39、步骤4.2.3：计算背景(0)和前景(1)的熵：
40、
41、步骤4.2.4：计算该二值图像的类间熵：
42、h(t)＝h1(t)+h2(t) (6)
43、步骤4.2.5：选择使类间熵最大的阈值t(0≤t<255),通过不断迭代遍历t(0≤t<255)，求取最佳阈值。
44、所述步骤6的具体方法为：
45、步骤6.1：选择多个具有不同半径的圆域，每个圆域的边缘点个数不同；利用选定的圆域参数，在步骤5中经细化处理后的图像集中提取多组灰度值序列；
46、步骤6.2：对步骤6.1得到的多组不同的灰度值序列分别进行一维离散快速傅里叶变换，得到多个频谱图；
47、步骤6.3：按照圆域的半径大小顺序，将步骤6.2得到的多个频谱图对应的特征序列依次拼接在一起，形成一个完整的圆域特征向量；对每个图像的其他区域重复这一过程，直到获取整个图像的特征信息；
48、步骤6.4：利用步骤6.3得到的图像特征，以获得对缺陷区域的准确描述，并对检测到的缺陷位置求取其最大外接矩形区域；对矩形内部的灰度图像再次提取特征，并将这些特征转换为一个特征向量；
49、步骤6.5：基于步骤6.4中的每一个特征向量，将所有图像的特征向量组合在一起，形成一个特征矩阵。
50、所述步骤7的具体方法为：
51、步骤7.1：将步骤6.5形成的特征矩阵中的每一行表示为一个样本的特征向量，并将这些特征向量整理为训练样本集；训练样本集定义为：
52、d＝{(x1,y1),(x2,y2),...,(xn,yn)}d＝{(x1,y1),(x2,y2),...,(xn,yn)}，yi∈{+1,-1}， (7)
53、其中：i表示第i个样本，n表示样本容量，xi为第i张图的特征向量，yi是第i张图的标签；
54、步骤7.2：基于步骤7.1整理好的训练样本集，在特征空间中找到一个最佳的划分超平面，即求解最优的w和b，具体为：
55、步骤7.2.1：超平面由线性方程(6)定义：
56、wz+b＝0 (8)
57、步骤7.2.2：定义优化问题：
58、设定目标为:最小化
59、使得特征向量到超平面距离最大的参数w和b同时满足约束条件：
60、
61、步骤7.2.3：引入拉格朗日乘子，构造拉格朗日函数：
62、
63、步骤7.2.4：使用二次规划(qp)算法求解拉格朗日对偶问题，得到最优的拉格朗日乘子αi：
64、
65、步骤7.2.5：求解最优的w和b：
66、
67、步骤7.3：使用求解的最优参数w和b，建立一个线性可分的支持向量机模型；然后使用支持向量机模型对步骤6.5中的特征向量进行分类训练，得到训练好的图像集。
68、所述步骤8的具体方法为：
69、步骤8.1：获取缺陷分类图像：
70、将步骤7.3中已经训练好的图像集进行提取并标记为轧入氧化皮缺陷、斑点缺陷和划痕缺陷；
71、步骤8.2：轧入氧化皮缺陷的位置与大小计算：
72、步骤8.2.1：边界提取与掩模应用：对于每个检测到轧入氧化皮缺陷的图像，首先提取出缺陷的边界区域；然后，将该边界区域在原图像上进行掩模操作；
73、步骤8.2.2：计算灰度质心：使用质心计算公式：
74、
75、其中c(i,j)表示像素点(i,j)的灰度值，计算出轧入氧化皮缺陷区域的灰度质心，将其作为该缺陷的中心位置；
76、步骤8.2.2：记录缺陷位置与大小：根据质心位置和边界信息，记录轧入氧化皮缺陷的具体位置和大小；
77、步骤8.3：斑点缺陷的位置与大小计算：
78、步骤8.3.1：斑点面积计算：对于检测到斑点缺陷的图像，计算斑点区域的总像素面积aspot，以及图像的总像素面积atotal；
79、步骤8.3.2：计算斑点占比：计算斑点面积占整个金属表面面积的比值：
80、
81、该比值用于评估斑点缺陷的严重程度；
82、步骤8.3.3：记录斑点位置与大小：根据斑点区域的边界信息，记录斑点的具体位置和面积占比；
83、步骤8.4：划痕缺陷的位置与大小计算：
84、步骤8.4.1：直线检测与划分：对于检测到划痕缺陷的图像，使用霍夫变换算法进行直线检测；
85、步骤8.4.2：直线过滤与分类：计算每个检测出的直线长度，剔除那些长度小于设定阈值的直线；计算所有检测直线与y轴的夹角，依据夹角将直线分为竖线和横线；
86、步骤8.4.2：直线排序与累加：对于竖线，按中点x坐标从小到大排序；对于横线，按中点y坐标从小到大排序；通过遍历直线，对相邻两直线的坐标差进行判断，并将符合条件的直线累加为同一根划痕；
87、步骤8.4.4：计算划痕长度与记录位置：对每根划痕，计算其端点坐标的最大值与最小值，求出划痕的长度；将剩余未处理的直线按照相同的操作处理，记录划痕的具体位置和长度；
88、步骤8.5：生成计算好的图像集：
89、步骤8.5.1：合成计算结果：将步骤8.2、步骤8.3和步骤8.4中得到的轧入氧化皮缺陷、斑点缺陷和划痕缺陷的位置信息和大小信息综合到对应的图像中，生成带有缺陷位置和大小标记的图像集；
90、步骤8.5.2：保存和输出：将包含缺陷位置和大小信息的图像集保存，供进一步分析或使用。
91、一种金属表面缺陷检测与分类系统，包括：
92、图像采集模块：采集带有不同缺陷类型的金属表面图像，将不同缺陷类型的金属表面图像整理为图像样本数据集；
93、图像处理模块：通过灰度归一化、自适应直方图均衡化、gabor滤波器、最大熵算法、形态学处理和改良局部二值模式对图像样本数据集自动处理并进行相应的特征提取，构建用于后续分析的特征向量；
94、分类监督模块：建立支持向量机模型，并对特征向量进行分类监督训练；
95、缺陷计算模块：将训练好的图像集进行提取并标记为轧入氧化皮缺陷、斑点缺陷和划痕缺陷，并分别计算轧入氧化皮缺陷、斑点缺陷和划痕缺陷的位置和大小。
96、一种金属表面缺陷检测与分类设备，包括：
97、存储器：用于存储计算机程序实现如上所述的一种金属表面缺陷检测与分类方法；
98、处理器：用于执行所述计算机程序时实现如上所述的一种金属表面缺陷检测与分类方法。
99、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种金属表面缺陷检测与分类方法的步骤。
100、相对于现有技术，本发明的有益效果在于：
101、1.本发明通过在步骤2中采用灰度归一化和自适应直方图均衡化对步骤1整理的图像样本数据集进行对比度增强处理，使图像对比度和噪声抑制能力显著提升，进一步改善图像的视觉清晰度和细节表现；具有提高图像质量、增强后续处理的准确性以及优化图像特征提取效果的优点。
102、2.本发明通过在步骤3中使用gabor滤波器对步骤2中经过对比度增强和降低噪声的图像集进行滤波算法处理，产生了显著的滤波和噪声抑制效果，能够有效地增强图像中的缺陷边界和纹理特征；具有提高图像识别精度、优化缺陷检测效果以及增强纹理特征描述的优点。
103、3.本发明通过在步骤4中应用最大熵算法对图像集进行阈值分割，能够高效分离图像区域，提升图像处理精度，并优化图像分析性能；具有增强图像信息提取、提高处理速度、改善图像清晰度以及减少误分割率的优点
104、4.本发明通过在步骤5中对最佳阈值的图像集进行形态学处理，产生了显著的图像细化效果，能够有效地提取细小结构和边缘；具有提高图像细节表现、增强图像分辨率，以及优化图像质量的优点。
105、5.本发明通过在步骤6中采用改良的局部二值模式对细化处理后的图像集进行特征提取，产生了精准的特征描述和全面的图像特征信息，能够有效地识别和描述图像中的细节和缺陷；具有提高特征提取的准确性、增强对缺陷区域的识别能力，以及优化特征信息的整合与分析的优点。
106、6.本发明通过在步骤7中采用支持向量机算法对整理的矩阵进行分类监督训练，产生了精准的分类效果和优良的模型性能，能够有效地区分和识别金属缺陷图像中的不同类型和特征；该方法具有提高分类精度、增强模型的泛化能力，以及优化缺陷检测的准确性和效率的优点。
107、综上所述，本发明通过采用灰度归一化、自适应直方图均衡化、gabor滤波器、最大熵算法、形态学处理以及改良的局部二值模式对不同缺陷类型的图像进行处理，将处理好的图像进行缺陷位置与大小的计算，并进行gui测量页面设计，图像处理效果显著，提升了图像对比度，强化了缺陷边界的识别，实现了图像的精确分割与结构的细致优化，还精准地提取了图像特征，并支持高效的分类训练；本发明具有提高图像质量、增强缺陷检测精度、优化特征提取与分析的优点，可广泛应用于金属缺陷检测、工业质量控制、计算机视觉等高精度图像分析的领域。
1.一种金属表面缺陷检测与分类方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种金属表面缺陷检测与分类方法，其特征在于：所述步骤2的具体方法为：
3.根据权利要求1所述的一种金属表面缺陷检测与分类方法，其特征在于：所述步骤3的具体方法为：
4.根据权利要求1所述的一种金属表面缺陷检测与分类方法，其特征在于：所述步骤4的具体方法为：
5.根据权利要求1所述的一种金属表面缺陷检测与分类方法，其特征在于：所述步骤6的具体方法为：
6.根据权利要求1或5所述的一种金属表面缺陷检测与分类方法，其特征在于：所述步骤7的具体方法为：
7.根据权利要求1所述的一种金属表面缺陷检测与分类方法，其特征在于：所述步骤8的具体方法为：
8.一种金属表面缺陷检测与分类系统，其特征在于：包括：
9.一种金属表面缺陷检测与分类设备，其特征在于：包括：
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种金属表面缺陷检测与分类方法的步骤。
