(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210947091.4 (22)申请日 2022.08.09 (71)申请人 海门市华呈精密标准件 有限公司 地址 226100 江苏省南 通市海门市天补镇 光荣村5组 (72)发明人 田娟娟　 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/13(2017.01) G06T 7/136(2017.01) G06T 7/62(2017.01) G06T 3/60(2006.01) G06T 5/00(2006.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 金属板材表面 缺陷自动识别与分类方法 (57)摘要 本发明涉及金属板材表面缺陷自动识别与 分类方法， 属于数据处理与识别技术领域。 方法 包括以下步骤： 获取金属板材表面可见光图像， 将金属板材表面可见光图像转换为金属板材表 面灰度图像； 利用大津阈值法得到金属板材表面 灰度图像对应的分割阈值， 利用所述分割阈值将 金属板材表面灰度图像转换为金属板材表面二 值图像； 利用最小外接矩形法定位提取金属板材 二值图中的缺陷， 得到各缺陷对应的缺陷特征 图； 利用训练好的深度卷积神经网络对各缺陷特 征图对应的缺陷进行分类， 得到各缺陷特征图对 应的缺陷类型。 本发明解决了 现有方法不能自动 判断金属板材表面 缺陷类型的问题。 权利要求书2页 说明书8页 附图1页 CN 115018847 A 2022.09.06 CN 115018847 A 1.一种金属板材表面 缺陷自动识别与分类方法， 其特 征在于， 包括以下步骤： 获取金属板材表面可见光图像， 将金属板材表面可见光图像转换为金属板材表面灰度 图像； 利用大津 阈值法得到金属板材表面灰度图像对应的分割阈值， 利用所述分割阈值将金 属板材表面灰度图像转换为金属板材表面 二值图像； 利用最小外接矩形法定位提取金属板材二值图中的缺陷， 得到各缺陷对应的缺陷特征 图； 利用训练好的深度卷积神经网络对各缺陷特征图对应的缺陷进行分类， 得到各缺陷特 征图对应的缺陷类型。 2.根据权利要求1所述的金属板材表面缺陷自动识别与分类方法， 其特征在于， 所述利 用最小外接矩形法定位提取金属板材二值图中的缺陷， 得到各缺陷对应的缺陷特征图， 包 括： 使用边缘检测算法求得各缺陷边缘像素， 根据各缺陷对应的边缘像素集合得到各缺陷 对应的初始外 接矩形； 根据各缺陷对应的初始外接矩形宽和高， 将缺陷分为条形缺陷和点形缺陷； 对于任一 缺陷： 按照预设方向进行旋转， 若旋转后外接矩形的面积减小， 则继续旋转， 若旋转后外接 矩形的面积增大， 则按照与预设方向相反的方向进 行旋转， 直至外接矩形的面积不再减小； 其中， 条形缺陷的初始旋转角度小于点形缺陷的初始旋转角度； 将各缺陷对应的面积最小的外接矩形内的区域图像提取出来记为对应缺陷对应的缺 陷特征图。 3.根据权利要求2所述的金属板材表面缺陷自动识别与分类方法， 其特征在于， 所述条 形缺陷的初始旋转角度的计算公式为： 其中， N为金属板材表面二值图像中条形缺陷的个数， 为金属板材表面二值图像中第 i个条形缺陷初始 外接矩形的宽度， 为金属板材表面二值图像中第i个条形缺陷初始 外接 矩形的高度， 为初始最小旋转角度， 和 为设定系数， 0 < <1， 0< <0.2； 所述点形缺陷的初始旋转角度的计算公式为： 式中， M为金属板材表面二值图像中点形缺陷的个数， 为金属板材表面二值图像中第 j个点形缺陷初始 外接矩形的宽度， 为金属板材表面二值图像中第j个点形缺陷初始 外接 矩形的高度， 为设定系数， 0 < <1。权　利　要　求　书 1/2 页 2 CN 115018847 A 24.根据权利要求2所述的金属板材表面缺陷自动识别与分类方法， 其特征在于， 利用如 下公式计算每次旋转的角度： 其中， 为第t次旋转角度， t≥1， 为缺陷对应的初始旋转角度； 为第t‑1 次旋转角度， α 为设定系数， 0<α <1， 为第t次旋转的旋转调节量， 为第t‑1次旋转的旋 转调节量， 为设定旋转调节 量， < ， 为第t‑1次旋转后外接矩形的面积减少量， 为设定像素个数， 为设定旋转角度。 5.根据权利要求1所述的金属板材表面缺陷自动识别与分类方法， 其特征在于， 所述利 用训练好的深度卷积神经网络对各缺陷特征图对应的缺陷进 行分类， 得到各缺陷特征图对 应的缺陷类型， 包括： 利用仿射变换对各缺陷特 征图进行矫 正， 得到各缺陷对应的仿射 缺陷特征图； 利用各缺陷对应的最小面积外接矩形的宽 高数据对缺陷进行聚类， 得到条形缺陷和点 形缺陷； 对于条形缺陷， 构建像素值全为0且与对应缺陷特征图等大的辅助判别图； 对于点形缺 陷， 构建像素值全为255且与对应缺陷特征图等大的辅助判别图； 通过concat操作将各缺陷 对应的仿射缺陷特征图与对应的辅助判别图绑定在一起， 构造各缺陷对应的通道数为2的 增强仿射 缺陷特征图； 将各缺陷对应的增强仿射 缺陷特征图统一 为最小增强仿射 缺陷特征图的大小； 将各缺陷对应的统一大小后的增强缺陷特征图送入训练好的CNN进行分类操作， 得到 各缺陷对应的缺陷类型。 6.根据权利要求1所述的金属板材表面缺陷自动识别与分类方法， 其特征在于， 所述利 用大津阈值法得到金属板材表面灰度图像对应的分割阈值， 利用所述分割阈值将金属板材 表面灰度图像转换为金属板材表面 二值图像， 包括： 将金属板材表面灰度图像对应的分割阈值相应的前景像素的平均灰度和背景像素的 平均灰度作差， 若差值的绝对值小于等于 设定差值阈值， 则判定金属板材表面没有缺陷； 若 差值的绝对值大于设定差值阈值， 则判定金属板材表面有缺陷， 并将金属板材表面灰度图 像中灰度值大于等于全局阈值的像素点的灰度值设置为255， 将金属板材表面灰度图像中 灰度值小于全局阈值的像素点的灰度值设置为0； 设定一NxN像素大小滑窗对图像进 行滑动 检测， 若有黑色区域整体被包含于滑窗内， 则判定该黑色区域为噪声点， 将噪声点置为背 景 白色， 得到去除噪声点后的金属板材表面 二值图像。 7.根据权利要求1所述的金属板材表面缺陷自动识别与分类方法， 其特征在于， 所述缺 陷类型为沟槽损伤、 划痕、 窝陷或斑点。 8.根据权利要求1所述的金属板材表面缺陷自动识别与分类方法， 其特征在于， 所述训 练好的深度卷积神经网络为CN N。权　利　要　求　书 2/2 页 3 CN 115018847 A 3