本发明涉及智能制造和图像分析，特别是指一种面向钢材表面缺陷修磨的缺陷检测方法及装置。
背景技术：
1、钢坯表面缺陷是影响钢坯强度和韧性的重要因素之一，而对钢坯表面进行有效修磨是消除质量问题的关键步骤。传统修磨机采用整料修磨方法，该方法因存在压力不稳定而出现修磨不充分、不精细等问题，需要人工辅助定点打磨缺陷。因此，往往需要引入智能缺陷检测与定点修磨技术，最终提高钢坯工业表面修磨效率，保证产品质量。
2、为进行缺陷检测，传统方法利用脉冲涡流、红外热成像等技术检测金属表面缺陷，这些传统缺陷检测方法存在对材料有限制、步骤繁琐、识别效果不佳等问题而无法广泛应用。随着人工智能理论和计算机视觉技术在图像处理领域取得的突破性进展，深度学习逐渐成为钢坯缺陷检测的主流方法。大多数目标检测模型都能够满足缺陷检测准确度需求，但在面向钢材表面缺陷修磨的实际应用中仍然存在如下瓶颈难题尚未解决：
3、(1)钢坯表面缺陷与修磨产生的叠印类型在形状、纹理和颜色上相近，而实际应用中叠印类型往往误检为缺陷，造成冗余修磨；
4、(2)当检测框出现聚集型缺陷时，若将这些位置反馈给修磨机，则会造成修磨机多次移动，严重降低修磨机处理的效率；
5、(3)在确定钢坯在图像中的边界位置时，背景区域存在噪声，易识别成钢材边界而出现修磨错误的情况。
6、(4)由于现场操作空间不足，钢坯运动至工业线阵相机位置时处于加速状态，继而保持匀速状态，由此不同的运动速度下的钢坯图像的像素转换率不同，为坐标转换带来误差。
7、因此，在智能制造领域，迫切需要一种能够准确引导修磨机定点修磨缺陷的方法及装置，在解决上述瓶颈问题的同时提高修磨的自动化和智能化水平。
技术实现思路
1、本发明提供了一种面向钢材表面缺陷修磨的缺陷检测方法及装置，以解决现有技术检测误差大，会造成冗余修磨，以及修磨机处理效率低的技术问题。
2、为解决上述技术问题，本发明提供了如下技术方案：
3、一方面，本发明提供了一种面向钢材表面缺陷修磨的缺陷检测方法，包括：
4、基于待进行缺陷修磨的钢材的图像，对待进行缺陷修磨的钢材的表面缺陷进行检测，利用检测出的缺陷数据构建第一钢材缺陷集；
5、对所述第一钢材缺陷集中的缺陷数据按照形状和位置关系进行聚类，将可聚类的缺陷数据视为叠印缺陷，从所述第一钢材缺陷集中剔除叠印缺陷，利用剔除叠印缺陷后的缺陷数据构建第二钢材缺陷集；
6、采用基于面积比的目标框聚合算法，实现所述第二钢材缺陷集中邻近缺陷数据的聚合，利用聚合后的缺陷数据构建第三钢材缺陷集；
7、将所述第三钢材缺陷集中的缺陷数据的像素坐标转换为真实坐标，并将转换出的真实坐标发送给修磨机，以对钢材表面缺陷进行修磨。
8、进一步地，所述基于待进行缺陷修磨的钢材的图像，对待进行缺陷修磨的钢材的表面缺陷进行检测，利用检测出的缺陷数据构建第一钢材缺陷集，包括：
9、采用预设的图像语义分割算法，对待进行缺陷修磨的钢材的图像中的钢材轮廓进行检测，提取出待进行缺陷修磨的钢材轮廓；
10、采用预设的目标检测算法，对待进行缺陷修磨的钢材的图像中的钢材表面缺陷进行检测，提取出待进行缺陷修磨的钢材的所有表面缺陷数据，并从中滤除位于钢材轮廓外的缺陷数据，然后利用剩下的缺陷数据构建第一钢材缺陷集。
11、进一步地，对所述第一钢材缺陷集中的缺陷数据按照形状和位置关系进行聚类，将可聚类的缺陷数据视为叠印缺陷，从所述第一钢材缺陷集中剔除叠印缺陷，利用剔除叠印缺陷后的缺陷数据构建第二钢材缺陷集，包括：
12、针对所述第一钢材缺陷集中的缺陷数据，分别提取出每一缺陷数据的多种特征数据，然后针对每一缺陷数据，对其所对应的各特征数据分别按照预设的最优权重进行加权，利用加权后的各特征数据组成此缺陷数据的特征向量；
13、采用预设的聚类算法对各缺陷数据的特征向量进行聚类，根据聚类结果将可聚类的特征向量所对应的缺陷数据视为叠印缺陷，从所述第一钢材缺陷集中剔除叠印缺陷，利用剔除叠印缺陷后的缺陷数据构建第二钢材缺陷集。
14、进一步地，所述特征数据包括缺陷距离钢材左边界像素距离、缺陷像素面积、缺陷长宽比、缺陷纵方向上相邻框的最近像素距离、预设网络提取的缺陷目标框特征以及置信度。
15、进一步地，所述最优权重的确定过程包括：
16、步骤1，获取多个钢材表面缺陷样本数据，组成原始测试集；
17、步骤2，计算原始测试集中缺陷类型的ap50指标值；
18、步骤3，针对原始测试集中的样本数据，分别提取出每一样本数据的多种特征数据，然后针对每一样本数据，对其所对应的各特征数据分别按照预设的权重值进行加权，利用加权后的各特征数据组成此样本数据的特征向量；
19、步骤4，采用预设的聚类算法对各样本数据的特征向量进行聚类，根据聚类结果将可聚类的特征向量所对应的样本数据视为叠印缺陷，从所述原始测试集中剔除叠印缺陷，利用剔除叠印缺陷后的样本数据构建聚类后的测试集；
20、步骤5，计算聚类后的测试集中缺陷类型的ap50指标值；
21、步骤6，确定聚类后的测试集相比于原始测试集，ap50指标值是否有提升；
22、步骤7，设定多组不同的权重值，并在设定好权重值后重复步骤3至步骤6，记录相比于原始测试集，ap50指标值有提升的聚类后的测试集；将相比于原始测试集，ap50指标值提升最大的聚类后的测试集所采用的权重值作为最优权重。
23、进一步地，所述采用基于面积比的目标框聚合算法，实现所述第二钢材缺陷集中邻近缺陷数据的聚合，包括：
24、针对所述第二钢材缺陷集中的缺陷数据，依据聚合前实际面积和聚合后总体面积的比例进行邻近缺陷数据的聚合，公式如下：
25、
26、其中，hi和wi分别表示第i个缺陷的长度和宽度；hf和wf分别表示聚合后的缺陷的长度和宽度；δ为预设的阈值；当k个缺陷框进行合并时，若聚合前实际面积和聚合后总体面积的比例超过δ，则将当前缺陷框加入至合并框中。
27、进一步地，将所述第三钢材缺陷集中的缺陷数据的像素坐标转换为真实坐标，公式为：
28、
29、
30、其中，表示第j个缺陷的真实纵方向坐标；表示第j个缺陷的真实横方向坐标；表示第j个缺陷的纵方向像素坐标；表示第j个缺陷的横方向像素坐标；ys表示钢材轮廓的头部像素纵方向坐标中最高点与最低点的平均像素位置；xs表示钢材轮廓的左边界像素横方向坐标中最左侧与最右侧的平均像素位置；表示相机标定后纵方向的像素坐标到真实坐标的转换率；表示相机标定后横方向的像素坐标到真实坐标的转换率。
31、进一步地，的取值为平均纵方向像素转换率；平均纵方向像素转换率的计算公式为：
32、
33、其中，dr表示整个钢材真实长度；dp表示整个钢材的像素长度；
34、的取值为平均横方向像素转换率；平均横方向像素转换率的计算公式为：
35、
36、其中，wr表示整个钢材真实宽度；wp表示整个钢材的像素宽度。
37、进一步地，对钢材按周期长度d画刻度，并进行纵向分组；取值为缺陷像素坐标所在分组的平均纵向像素转换率；缺陷像素坐标所在分组的平均纵向像素转换率计算公式为：
38、
39、其中，表示第i个纵向分组的平均纵向像素转换率；dp_i表示第i个纵向分组所经过的像素长度；
40、对钢材按周期宽度w画刻度并进行横向分组；取值为缺陷像素坐标所在分组的平均横向像素转换率；缺陷像素坐标所在分组的平均横向像素转换率计算公式为：
41、
42、其中，表示第i个横向分组的平均横向像素转换率；wp_i表示第i个横向分组所经过的像素宽度。
43、另一方面，本发明还提供了一种面向钢材表面缺陷修磨的缺陷检测装置，包括：
44、检测模块，用于基于待进行缺陷修磨的钢材的图像，对待进行缺陷修磨的钢材的表面缺陷进行检测，利用检测出的缺陷数据构建第一钢材缺陷集；
45、聚类模块，用于对所述第一钢材缺陷集中的缺陷数据按照形状和位置关系进行聚类，将可聚类的缺陷数据视为叠印缺陷，从所述第一钢材缺陷集中剔除叠印缺陷，利用剔除叠印缺陷后的缺陷数据构建第二钢材缺陷集；
46、聚合模块，用于采用基于面积比的目标框聚合算法，实现所述第二钢材缺陷集中邻近缺陷数据的聚合，利用聚合后的缺陷数据构建第三钢材缺陷集；
47、转换模块，用于将所述第三钢材缺陷集中的缺陷数据的像素坐标转换为真实坐标，并将转换出的真实坐标发送给修磨机，以对钢材表面缺陷进行修磨。
48、再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述方法。
49、又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述方法。
50、本发明提供的技术方案带来的有益效果至少包括：
51、本发明采用图像语义分割技术获得钢材在图像中的轮廓信息来进一步降低背景噪声对钢材检测与修磨的影响，同时使用目标检测方法获取候选钢材缺陷集，并按照形状和位置关系进行聚类，去除可聚类的所述候选钢材缺陷，避免冗余修磨。通过对候选钢材缺陷进行聚合处理并形成待修磨缺陷集，减少了修磨机的运动距离以及抬起落下的次数，大大提高了修磨机的点修磨能力。通过将待修磨缺陷集中缺陷的像素坐标转换为真实坐标，修磨机能够对不同运动状态下的图像缺陷精准修磨。上述方案能够解决钢材修磨过程中的不充分、不精细问题，提高了钢材修磨效率，在实时钢材缺陷检测与修磨场景下优势明显。
1.一种面向钢材表面缺陷修磨的缺陷检测方法，其特征在于，包括：
2.如权利要求1所述的面向钢材表面缺陷修磨的缺陷检测方法，其特征在于，所述基于待进行缺陷修磨的钢材的图像，对待进行缺陷修磨的钢材的表面缺陷进行检测，利用检测出的缺陷数据构建第一钢材缺陷集，包括：
3.如权利要求1所述的面向钢材表面缺陷修磨的缺陷检测方法，其特征在于，对所述第一钢材缺陷集中的缺陷数据按照形状和位置关系进行聚类，将可聚类的缺陷数据视为叠印缺陷，从所述第一钢材缺陷集中剔除叠印缺陷，利用剔除叠印缺陷后的缺陷数据构建第二钢材缺陷集，包括：
4.如权利要求3所述的面向钢材表面缺陷修磨的缺陷检测方法，其特征在于，所述特征数据包括缺陷距离钢材左边界像素距离、缺陷像素面积、缺陷长宽比、缺陷纵方向上相邻框的最近像素距离、预设网络提取的缺陷目标框特征以及置信度。
5.如权利要求3所述的面向钢材表面缺陷修磨的缺陷检测方法，其特征在于，所述最优权重的确定过程包括：
6.如权利要求1所述的面向钢材表面缺陷修磨的缺陷检测方法，其特征在于，所述采用基于面积比的目标框聚合算法，实现所述第二钢材缺陷集中邻近缺陷数据的聚合，包括：
7.如权利要求1所述的面向钢材表面缺陷修磨的缺陷检测方法，其特征在于，将所述第三钢材缺陷集中的缺陷数据的像素坐标转换为真实坐标，公式为：
8.如权利要求7所述的面向钢材表面缺陷修磨的缺陷检测方法，其特征在于，的取值为平均纵方向像素转换率；平均纵方向像素转换率的计算公式为：
9.如权利要求7所述的面向钢材表面缺陷修磨的缺陷检测方法，其特征在于，对钢材按周期长度d画刻度，并进行纵向分组；取值为缺陷像素坐标所在分组的平均纵向像素转换率；缺陷像素坐标所在分组的平均纵向像素转换率计算公式为：
10.一种面向钢材表面缺陷修磨的缺陷检测装置，其特征在于，包括：
