一种表面缺陷检测方法、设备及存储介质与流程

1.本技术涉及数据处理技术领域，尤其涉及一种表面缺陷检测方法、设备及存储介质。


背景技术：

2.目前，通常可采用表面检测仪，对钢卷、铝卷、布匹等物体进行表面缺陷的检测，以检测出表面缺陷的类型、位置等。
3.在进行表面质量评估时，通常单个大缺陷造成的质量影响比多个小缺陷带来的质量影响更严重。但是，由于表面检测仪的局限性，经常出现把连续的一处缺陷识别成独立的多个小缺陷的情况，造成表面质量统计的结果不准确。


技术实现要素：

4.本技术的多个方面提供一种表面缺陷的检测方法、设备及存储介质，用以提高表面缺陷检测的准确性。
5.本技术实施例提供一种表面缺陷检测方法，包括：
6.响应于缺陷检测指令，对待检测表面包含的第一级缺陷区域进行聚类，以产生至少一个缺陷组；
7.分别排除所述至少一个缺陷组中符合预设条件的第一级缺陷区域；
8.基于所述至少一个缺陷组中剩余的第一级缺陷区域，分别确定所述至少一个缺陷组各自对应的第二级缺陷区域；
9.根据所述第二级缺陷区域，确定所述待检测表面对应的检测结果。
10.本技术实施例还提供一种计算设备，包括存储器和处理器；
11.所述存储器用于存储一条或多条计算机指令；
12.所述处理器与所述存储器耦合，用于执行所述一条或多条计算机指令，以用于：
13.响应于缺陷检测指令，对待检测表面包含的第一级缺陷区域进行聚类，以产生至少一个缺陷组；
14.分别排除所述至少一个缺陷组中符合预设条件的第一级缺陷区域；
15.基于所述至少一个缺陷组中剩余的第一级缺陷区域，分别确定所述至少一个缺陷组各自对应的第二级缺陷区域；
16.根据所述第二级缺陷区域，确定所述待检测表面对应的检测结果。
17.本技术实施例还提供一种存储计算机指令的计算机可读存储介质，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行前述的表面缺陷检测方法。
18.在本技术实施例中，可对待检测表面包含的第一级缺陷区域进行聚类，以产生至少一个缺陷组；分别排除至少一个缺陷组中符合预设条件的第一级缺陷区域；基于至少一个缺陷组中剩余的第一级缺陷区域，分别确定至少一个缺陷组各自对应的第二级缺陷区
域；并可根据第二级缺陷区域，确定待检测表面对应的检测结果。据此，本技术实施例中，可首先进行模糊聚类，将存在关联的第一级缺陷区域组成缺陷组；之后，可在缺陷组内进行组内筛选，将错误聚类的第一级缺陷区域排除；在此基础上，可执行缺陷区域聚合，这可有效提高缺陷区域聚合的准确性，从而提高表面缺陷检测的准确性，进而为表面质量评估提供更加准确的依据。
附图说明
19.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
20.图1为本技术一示例性实施例提供的一种表面缺陷检测方法的流程示意图；
21.图2为本技术一示例性实施例提供的一种表面缺陷检测方法的逻辑示意图；
22.图3为本技术一示例性实施例提供的另一种表面缺陷检测方法的流程示意图；
23.图4为本技术一示例性实施例提供的一种确定直线贴合度的逻辑示意图；
24.图5为本技术一示例性实施例提供的一种目标缺陷组包含的第一级缺陷区域的分布示意图；
25.图6为本技术另一示例性实施例提供的一种计算设备的结构示意图。
具体实施方式
26.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
27.目前，由于表面检测仪的局限性，经常出现把连续的一处缺陷识别成独立的多个小缺陷的情况，造成表面质量统计的结果不准确的技术问题。为改善这些技术问题，本技术实施例的一些实施例中：可首先进行模糊聚类，将存在关联的第一级缺陷区域组成缺陷组；之后，可在缺陷组内进行组内筛选，将错误聚类的第一级缺陷区域排除；在此基础上，可执行缺陷区域聚合，这可有效提高缺陷区域聚合的准确性，从而提高表面缺陷检测的准确性，进而为表面质量评估提供更加准确的依据。
28.以下结合附图，详细说明本技术各实施例提供的技术方案。
29.图1为本技术一示例性实施例提供的一种表面缺陷检测方法的流程示意图。图2为本技术一示例性实施例提供的一种表面缺陷检测方法的逻辑示意图。本实施例提供的轨迹生成方法可以由一轨迹生成装置来执行，该轨迹生成装置可以实现为软件或实现为软件和硬件的组合，该轨迹生成装置可集成设置在计算设备中。如图1所示，该方法包括：
30.步骤100、响应于缺陷检测指令，对待检测表面包含的第一级缺陷区域进行聚类，以产生至少一个缺陷组；
31.步骤101、分别排除至少一个缺陷组中符合预设条件的第一级缺陷区域；
32.步骤102、基于至少一个缺陷组中剩余的第一级缺陷区域，分别确定至少一个缺陷组各自对应的第二级缺陷区域；
33.步骤103、根据第二级缺陷区域，确定待检测表面对应的检测结果。
34.本技术实施例提供的表面缺陷检测方法，可应用于各种表面质量检测场景中，例如，钢卷、铝卷、布匹、零件等表面质量检测场景。本实施例对应用场景不做限定。
35.本实施例中，可对待检测表面进行缺陷识别，以确定待检测表面包含的至少一个第一级缺陷区域。实际应用中，可对待检测表面进行图像特征提取，并利用分类模型，对待检测表面中包含的缺陷区域进行识别和分类，以获得待检测表面包含的至少一个第一级缺陷区域的描述信息。当然，也可直接利用表面检测仪对待检测表面进行缺陷识别，并接收表面检测仪提供的待检测表面包含的至少一个第一级缺陷区域的描述信息。这里的描述信息包括但不限于第一级缺陷区域被预测为各缺陷类型的概率、预测出的缺陷类型、位置属性信息等。
36.对于缺陷类型，本实施例中，缺陷类型包括但不限于划伤、夹杂、辊印、夹杂、擦伤、氧化铁皮、油泥印等。例如，对于待检测表面中的第i个第一级缺陷区域di，其被预测为各缺陷类型的概率可表示为ci＝[c
i,0
,c
i,1
,c
i,2
,
…ci,n
]，其中，n为缺陷类型的数量。
[0037]
对于位置属性信息，本实施例中，位置属性信息可包括区域坐标、代表点坐标等。例如，对于待检测表面中的第i个第一级缺陷区域di，其区域坐标可表示为pi＝[y
i,t
,y
i,b
,x
i,l
,x
i,r
]，其中，y
i,t
,y
i,b
,x
i,l
,x
i,r
分别对应该缺陷区域di的最顶，最底，最左，最右等四个位置的坐标。代表点可选用中心点，中心点的坐标可表示为qi＝[yi,xi]。
[0038]
基于上述的缺陷识别过程，确定出的第一级缺陷区域可以为最小规格级别的缺陷区域，当然，本实施例中，第一级缺陷区域的规格并不限于此。
[0039]
参考图1，步骤100中，可响应于缺陷检测指令，对待检测表面包含的第一级缺陷区域进行聚类，以产生至少一个缺陷组。该聚类过程是一种模糊聚类，可将存在关联的第一级缺陷区域聚类至同一缺陷组中。值得说明的是，在该聚类过程中，同一第一级缺陷区域有可能被聚类到不同的缺陷组中，这并不影响本实施例中的检测结果。
[0040]
可选地，本实施例中，可按照缺陷类型和距离，对待检测表面包含的第一级缺陷区域进行聚类：
[0041]
从缺陷类型维度，可针对每一种缺陷类型执行一次聚类操作。例如，针对目标缺陷类型，可确定目标缺陷类型对应的相似缺陷类型；以目标缺陷类型作为聚类类型，将目标缺陷类型及其相似缺陷类型下的第一级缺陷区域聚类为一缺陷集合，作为目标缺陷类型对应的缺陷集合，目标缺陷类型可以是各种缺陷类型中的任意一种。据此，可获得各种缺陷类型对应的缺陷集合。
[0042]
其中，目标缺陷类型的相似缺陷类型，可以包括目标缺陷类型容易被错误识别成的缺陷类型。例如，目标缺陷类型为“划伤”时，其相似缺陷类型可包括：夹杂、擦伤、氧化铁皮或油泥印等。这样，以不同缺陷类型作为目标缺陷类型时，确定出的相似缺陷类型可能是不完全相同的。
[0043]
在此基础上，可继续按照距离，对目标缺陷类型对应的缺陷集合中包含的第一级缺陷区域进行聚类，以获得目标缺陷类型下的至少一个缺陷组。
[0044]
考虑到不同的聚类方式的聚类特定不同，本实施例中，可为不同的聚类方式配置不完全相同的距离规则。在此基础上，可确定目标缺陷类型对应的聚类方式；基于聚类方式与距离规则之间的对应关系，确定目标缺陷类型对应的目标距离规则；获取目标距离规则下的预置参数阈值；按照目标距离规则以及预置参数阈值，对目标缺陷类型对应的缺陷集
合中包含的第一级缺陷区域进行聚类。
[0045]
其中，聚类方式可以是带状分布的聚类方式，该聚类方式可将带状分布的缺陷类型聚类在一起。对于该聚类方式，距离规则可配置为：缺陷区域之间的头尾距离和左右距离不超过相应的横向最大可聚合距离x
th
和纵向最大可聚合距离y
th
时，可进行聚类。其中，横向最大可聚合距离和纵向最大可聚合距离即为该聚类方式对应的预置参数阈值。
[0046]
例如，以缺陷类型a为例，对于缺陷类型a对应的缺陷集合中的各第一级缺陷区域，可将区域坐标转换为位置向量并可计算该缺陷集合中的任意两个第一级缺陷区域之间的头尾距离，得到矩阵其中，矩阵y中的元素y
i,j
代表该缺陷集合中第i个缺陷区域顶部到第j个缺陷区域底部的差值绝对值。还可计算该缺陷集合中的任意两个第一级缺陷区域之间的左右距离，得到矩阵其中，矩阵x中的元素x
i,j
代表该缺陷集合中第i个缺陷区域的左边到第j个缺陷区域的右边的差值绝对值。获取所有的满足距离规则y
th
,x
th
的{i,j}，对任意i,j满足:x
i,j
≤x
th
且y
i,j
≤y
th
。之后，可计算满足距离规则的{i,j}之间的连通图，并将属于同一连通图的{i,j}对应的第一级缺陷区域划分至同一缺陷组中，从而可获得缺陷类型a对应的至少一个缺陷组。
[0047]
其中，聚类方式还可以是密集分布的聚类方式，该聚类方式可将密集分布的缺陷类型聚类在一起。对于该聚类方式，距离规则可配置为缺陷区域di与其最近的β
th
个缺陷区域的距离小于等于δ
th
时，可进行聚类。其中，缺陷区域之间的最大距离δ
th
和距离δ
th
内所包含的缺陷区域个数β
th
即为该聚类方式对应的预置参数阈值。
[0048]
例如，还是以缺陷类型a为例，对于缺陷类型a对应的缺陷集合中的各第一级缺陷区域，可计算该缺陷集合中的任意两个第一级缺陷区域之间的中心点距离，并可该缺陷集合中的第i个缺陷区域与其最近的β
th
个缺陷区域的距离是否小于等于δ
th
，若是，则可将第i个缺陷区域与其最近的β
th
个缺陷区域的编号记为{i,j,k
…
}。之后，可计算满足距离规则的{i,j,k
…
}之间的连通图，并将属于同一连通图的编号对应的第一级缺陷区域划分至同一缺陷组中，从而可获得缺陷类型a对应的至少一个缺陷组。
[0049]
当然，以上两种聚类方式仅是示例性的，本实施例中，还可采用其它聚类方式，并配置相应地距离规则，以确定出各缺陷类型对应的缺陷组。
[0050]
另外，本实施例中，还可采用其它聚类方案对待检测表面包含的第一级缺陷区域进行聚类，本实施例并不限于此。
[0051]
参考图2，至此，可产生至少一个缺陷组。如图2所示，可获得缺陷组1、2、3，每个缺陷组内可包含第一级缺陷区域。
[0052]
步骤101中，可分别排除至少一个缺陷组中符合预设条件的第一级缺陷区域。该过程是对步骤100中模糊聚类结果的修正过程。
[0053]
步骤101中，可将错误聚类到缺陷组中的第一级缺陷区域排除，使得缺陷组中剩余的第一级缺陷区域的关联性更高。例如，图2中，缺陷组1进行排除处理后，将其中的第一级缺陷区域b排除。
[0054]
这样，步骤102中可基于至少一个缺陷组中剩余的第一级缺陷区域，分别确定至少一个缺陷组各自对应的第二级缺陷区域。其中，单个缺陷组中的剩余第一级缺陷区域可聚合为一第二级缺陷区域。例如，图2中的缺陷组1中包含3个第一级缺陷区域a、b和c，则可将3
个第一级缺陷区域a、b和c聚合为1个第二级缺陷区域j。值得说明的是，这里的聚合是指将缺陷组中的剩余第一级缺陷区域识别为一个整体，也即，将多个小规格的缺陷区域识别为一个连续的大规格的缺陷区域。
[0055]
本实施例中，在步骤102中，可根据缺陷组中剩余的第一级缺陷区域，重新确定缺陷组对应的聚合区域的位置属性信息，并作为缺陷组对应的第二级缺陷区域的位置属性信息，以备作为检测结果输出。
[0056]
参考图1和图2，在步骤102中，可根据步骤101中产生的第二级缺陷区域，确定待检测表面对应的检测结果。
[0057]
在步骤102中，可将第二级缺陷区域以及第二级缺陷区域之外的第一级缺陷区域，作为待检测表面对应的检测结果。当然，实际应用中，还可对第二级缺陷区域之外的第一级缺陷区域再次执行上述的步骤100-101的操作，以从第二级缺陷区域之外的第一级缺陷区域中聚合出更多的第二级缺陷区域。当然，本实施例对此不做限定。
[0058]
综上，本实施例中，可首先进行模糊聚类，将存在关联的第一级缺陷区域组成缺陷组；之后，可在缺陷组内进行组内筛选，将错误聚类的第一级缺陷区域排除；在此基础上，可执行缺陷区域聚合，这可有效提高缺陷区域聚合的准确性，从而提高表面缺陷检测的准确性，进而为表面质量评估提供更加准确的依据。
[0059]
图3为本技术一示例性实施例提供的另一种表面缺陷检测方法的流程示意图，参考图3，该方法包括：
[0060]
步骤300、响应于缺陷检测指令，对待检测表面包含的第一级缺陷区域进行聚类，以产生至少一个缺陷组；
[0061]
步骤301、提取目标缺陷组包含的第一级缺陷区域各自对应的缺陷特征，目标缺陷组为至少一个缺陷组中的任意一个；
[0062]
步骤302、若目标缺陷组中存在无效缺陷区域，则从目标缺陷组中排除无效缺陷区域，其中，无效缺陷区域对应的缺陷特征符合预设条件；
[0063]
步骤303、基于至少一个缺陷组中剩余的第一级缺陷区域，分别确定至少一个缺陷组各自对应的第二级缺陷区域；
[0064]
步骤304、根据第二级缺陷区域，确定待检测表面对应的检测结果；
[0065]
其中，步骤300和步骤303-304可参考前述实施例中的描述，在此不再重复赘述。
[0066]
本实施例中，可基于缺陷特征，分别排除至少一个缺陷组中符合预设条件的第一级缺陷区域。缺陷特征包括但不限于类型识别指数、直线贴合度、相对位置指数、聚合程度指数等。
[0067]
以下以几种示例性的缺陷特征为例，对步骤301进行说明。
[0068]
类型识别指数
[0069]
在步骤301中，可获取目标缺陷组对应的聚类类型；确定目标缺陷组中目标缺陷区域的缺陷类型实际为聚类类型的概率，作为目标缺陷区域对应的类型识别指数；其中，目标缺陷区域为目标缺陷组包含的第一级缺陷区域中的任意一个。
[0070]
正如前文中提及的，步骤300中，可针对每一种缺陷类型执行一次聚类操作，每一次聚类操作所针对的缺陷类型即为聚类类型，这样，每一缺陷组都对应一聚类类型。当然，基于从距离维度进行的聚类操作，本实施例中，可以出现不同缺陷组对应的聚类类型相同
的情况。
[0071]
例如，目标缺陷组对应的聚类类型为缺陷类型a时，若通过步骤300的聚类操作后，目标缺陷组中包含3个第一级缺陷区域1、2和3，其中，第一级缺陷区域1在步骤300中被预测为缺陷类型a，第一级缺陷区域2被预测为缺陷类型b(为a的相似缺陷类型)，第一级缺陷区域3被预测为缺陷类型c(为a的相似缺陷类型)，则可分别计算第一级缺陷区域1、2和3实际为缺陷类型a的概率。
[0072]
若将目标缺陷组对应的聚类类型表示为a
实际
，目标缺陷组中各第一级缺陷区域被预测为的缺陷类型表示为x
预测
，则目标缺陷区域的缺陷类型实际为聚类类型的概率可表示为：
[0073]
p’(a
实际
|x
预测
)＝p’(a
实际
,x
预测
)/p’(x
预测
)≈p(x
预测
,a
实际
)/p’(x
预测
)
[0074]
其中，p’(x
预测
)表示目标缺陷区域被预测为的缺陷类型对应的预测概率，p(x
预测
,a
实际
)表示目标缺陷区域被预测为的缺陷概率与目标缺陷组对应的聚类概率一致的概率。
[0075]
可选地，p’(x
预测
)可从分类模型的输出结果中获得。如前文提及的，分类模型可预测目标缺陷区域的缺陷类型，并可提供预测概率。对于p(x
预测
,a
实际
)，则可计算用于训练分类模型的测试集中目标样本缺陷区域的占比，目标样本缺陷区域为经分类模型预测出的缺陷类型为目标缺陷组对应的聚类类型且标注的缺陷类型为目标缺陷组对应的聚类类型的样本缺陷区域；将该占比，作为p(x
预测
,a
实际
)。例如，若目标缺陷组对应的聚类类型为缺陷类型a，测试集中包含100个样本缺陷区域，其中标注为缺陷类型a的样本缺陷区域有20个，而标注为缺陷类型a的20个样本缺陷区域中，有10个被分类模型预测为缺陷类型a，则p(x
预测
,a
实际
)为0.1。在此基础上，可p(x
预测
,a
实际
)和p’(x
预测
)的比值，作为目标缺陷区域的缺陷类型实际为聚类类型的概率。
[0076]
本实施例中，类型识别指标，可用于反映目标缺陷区域的类型识别准确度，类型识别指标越高，则目标缺陷区域应该聚类到目标缺陷组中的可能性越大。因此，基于类型识别指标，可从类型识别准确度的维度，排除缺陷组中缺陷类型识别错误的第一级缺陷区域。
[0077]
直线贴合度
[0078]
在步骤301中，可对目标缺陷组包含的第一级缺陷区域的代表点坐标进行线性回归拟合，以获得目标缺陷组对应的拟合线；计算目标缺陷组包含的第一级缺陷区域与拟合线之间的贴合度，作为目标缺陷组包含的第一级缺陷区域各自对应的直线贴合度。
[0079]
可选地，代表点坐标可采用中心点坐标。
[0080]
图4为本技术一示例性实施例提供的一种确定直线贴合度的逻辑示意图。参考图4，经过线性回归拟合，可生成对应的拟合线y＝amx+bm。图4中还示出了目标缺陷组包含的第一级缺陷区域的代表点坐标(图4中的多个黑点)。
[0081]
为了计算标缺陷组包含的第一级缺陷区域与拟合线之间的贴合度，本实施例中，以目标缺陷组包含的第一级缺陷区域中的任意一个目标缺陷区域为例，可计算目标缺陷区域的代表点与拟合线之间的目标距离；根据目标距离确定目标缺陷区域与拟合线之间的贴合度。
[0082]
实际应用中，可基于聚合方向与基准距离参数之间的对应关系，确定目标缺陷区域的聚合方向对应的目标基准距离参数；根据目标距离及目标基准距离参数，确定目标缺陷区域与拟合线之间的贴合度。其中，聚合方向可根据拟合线的方向确定，例如，若拟合线
与目标缺陷区域的宽度方向更接近，则聚合方向为宽度方向，而若拟合线与目标缺陷区域的长度方向更接近，则聚合方向为长度方向。
[0083]
其中，承接前文提及的不同聚类方式，在不同聚类方式下，可根据距离规则中的预置参数阈值，确定聚合方向对应的基准距离参数，例如，带状分布的聚类方式下，可将横向最大可聚合距离x
th
作为聚合方向为宽度方向时的基准距离参数，将纵向最大可聚合距离y
th
作为聚合方向为长度方向时的基准距离参数。则目标缺陷区域与拟合线之间的贴合度可表示为
[0084][0085]
其中，τ
i,m
表示目标缺陷区域的代表点与拟合线之间的目标距离，τ表示目标基准距离参数，聚合方向为长度方向时，τ＝y
th
，聚合方向为长度方向时，τ＝x
th
。
[0086]
又例如，密集分布的聚类方式下，可将缺陷区域之间的最大距离作为所有聚合方向的基准距离参数。当然，还可根据实际需要，采用其它数值作为聚合方向对应的基准距离参数。
[0087]
本实施例中，当目标缺陷区域与拟合线的距离越近，则直接贴合度越高，目标缺陷区域应该聚类到目标缺陷组中的可能性越大。因此，基于直线贴合度，可排除缺陷组中距离拟合线距离过远的第一级缺陷区域。
[0088]
相对位置指数
[0089]
在步骤301中，可确定目标缺陷组包含的第一级缺陷区域所覆盖的聚合区域的位置属性信息；根据位置属性信息和目标缺陷组包含的第一级缺陷区域的代表点坐标，计算目标缺陷组包含的第一级缺陷区域与聚合区域之间的相对位置指数。
[0090]
实际应用中，可根据目标缺陷组对应的聚合区域的位置属性信息，确定聚合区域的中心点坐标和长度；计算目标缺陷区域的中心点坐标与聚合区域的中心点坐标之间的目标距离；将目标距离与聚合区域的长度之间的比值，作为目标缺陷区域与聚合区域之间的相对位置指数。
[0091]
例如，对于目标缺陷组fm，聚合区域的位置属性信息可包含区域坐标pm＝[y
m,t
,y
m,b
,x
m,l
,x
m,r
]，区域中心点坐标qi＝[ym,xm]，第一幅宽lm＝y
m,b-y
m,t
，第二幅宽wm＝x
m,r-x
m,l
。其中，第一幅宽和第二幅宽中的最大者max[lm,wm]，可作为聚合区域的长度。则目标缺陷区域与聚合区域之间的相对位置指数可表示为：
[0092]vi,m
＝t
i,m
/max[lm,wm]
[0093]
其中，t
i,m
表示目标缺陷区域的中心点坐标与聚合区域的中心点坐标之间的目标距离。
[0094]
图5为本技术一示例性实施例提供的一种目标缺陷组包含的第一级缺陷区域的分布示意图。参考图5，目标缺陷组中包含3个第一级缺陷区域，分别标示为缺陷1、缺陷2和缺陷3。其中，缺陷2与聚合区域的中心点距离最近，则缺陷2对应的相对位置指数最低。
[0095]
本实施例中，相对位置指数，可用于反映目标缺陷区域与其所在目标缺陷组所覆盖的聚合区域之间的相对位置。相对位置指数越高，则目标缺陷区域应该聚类到目标缺陷组中的可能性越低。因此，基于相对位置指数，可排除缺陷组中与对应的聚合区域的中心点较远的第一级缺陷区域。
[0096]
聚合程度指数
[0097]
在步骤301中，可计算目标缺陷区域与其在目标缺陷组中距离最近的n个第一级缺陷区域之间的距离；根据距离，确定目标缺陷区域对应的聚合程度指数；其中，n为正整数。
[0098]
本实施例中，n可根据实际需要灵活设定，例如，n可采用目标缺陷组包含的第一级缺陷区域的总数量的30％。
[0099]
实际应用中，可根据距离，计算目标缺陷区域与其在目标缺陷组中距离最近的n个第一级缺陷区域之间的平均距离；确定目标缺陷组包含的第一级缺陷区域所覆盖的聚合区域的长度；将平均距离与聚合区域的长度的比值，作为目标缺陷区域对应的聚合程度指数。则，目标缺陷区域对应的聚合程度指数可表示为：
[0100][0101]
其中，δ
i,j
为目标缺陷区域i到其在目标缺陷组中距离最近的n个第一级缺陷区域j的距离。
[0102]
本实施例中，聚合程度指数，可用于反映目标缺陷区域与其所在目标缺陷组其它第一级缺陷区域之间的聚合程度。聚合程度指数越高，则目标缺陷区域与其所在目标缺陷组其它第一级缺陷区域之间的聚合程度越低，目标缺陷区域应该聚类到目标缺陷组中的可能性越低。因此，基于聚合程度指数，可排除缺陷组中与其它第一级缺陷区域聚合程度较低的第一级缺陷区域。
[0103]
以上，以几种示例性的缺陷特征为例，说明了提取目标缺陷区域对应的缺陷特征的过程。但本实施例中，缺陷特征并不限于此，另外，提取上述几种示例性缺陷特征的方式也并不限于此。
[0104]
在此基础上，步骤302中可确定目标缺陷组中存在的无效缺陷区域。
[0105]
本实施例中，至少可采用以下两种实现方式，确定目标缺陷组中存在的无效缺陷区域。
[0106]
在一种实现方式中，可根据目标缺陷区域对应的缺陷特征，计算目标缺陷区域的聚合得分；若聚合得分低于预设阈值，则确定目标缺陷区域为无效缺陷区域。
[0107]
其中，一种示例性的聚合得分可表示为：
[0108]
δ
i,m
＝p
i,
′m(a
实际
|x
识别
)φ
i,m
/v
i,mui,m
[0109]
其中，公式中的各参数含义可参考前文中的描述，在此不再重复赘述。
[0110]
值得说明的是，上述公式中参与聚合得分计算的缺陷特征的数量和类型均为示例性的，本实施例并不限于此。
[0111]
在该实现方式中，可设定聚合得分阈值，若目标缺陷区域对应的聚合得分低于聚合得分阈值，则将目标缺陷区域确定为无效缺陷区域，并从目标缺陷组中排除。也即是，前述用于确定无效缺陷区域的预设条件为对应的聚合得分低于聚合得分阈值。
[0112]
在另一种实现方式中，可将目标缺陷区域对应的缺陷特征输入聚合模型；在聚合模型中，若基于缺陷特征与聚合类型之间的对应关系，预测目标缺陷区域的缺陷特征对应的聚合类型为无效类，则确定目标缺陷区域为无效缺陷区域。
[0113]
其中，聚合模型的训练过程可以是：
[0114]
获取训练集，训练集中包含若干样本缺陷区域对应的缺陷特征及标注信息，标注
信息中包含样本缺陷区域对应的聚合类型，聚合类型包括有效类和无效类；
[0115]
将训练集输入聚合模型，以供聚合模型学习缺陷特征与聚合类型之间的对应关系。
[0116]
实际应用中，可在标注过程中，将样本缺陷区域对应的缺陷特征转换为特征向量，例如其中，该特征向量中的各参数含义不再重复赘述。通过人工审核等方式，对该样本缺陷区域进行标注，例如，有效类标注为1，无效类标注为0。之后，将特征向量和标注信息输入聚合模型，当然，还可将缺陷组相关的信息等也输入聚合模型，以供聚合模型学习到缺陷特征与聚合类型之间的对应关系。
[0117]
这样，基于训练后的聚合模型，步骤302中，可直接将提取到的目标缺陷区域对应的缺陷特征输入聚合模型，即可由聚合模型输出目标缺陷区域是否为无效缺陷区域。
[0118]
其中，聚合模型可采用机器学习模型，例如向量机、线性回归或随机森林等类型的机器学习模型，本实施例对此不做限定。
[0119]
综上，本实施例中，可提取缺陷组包含的第一级缺陷区域对应的缺陷特征，基于缺陷特征，可从多个维度判断第一级缺陷区域是否应该聚类到缺陷组中，从而可将缺陷组中，由于缺陷类型不准确，或者，聚类过程中使用的距离规则可过严或过宽而导致的错误聚类到缺陷组中的第一级缺陷区域，进行排除，进而可有效提高缺陷组中剩余第一级缺陷区域的聚类准确度，进而提高表面缺陷检测的准确度。
[0120]
需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤301至步骤303的执行主体可以为设备a；又比如，步骤301和302的执行主体可以为设备a，步骤303的执行主体可以为设备b；等等。
[0121]
另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如301、302等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
[0122]
图6为本技术另一示例性实施例提供的一种计算设备的结构示意图。如图6所示，该计算设备包括：存储器60和处理器61。
[0123]
存储器60，用于存储计算机程序，并可被配置为存储其它各种数据以支持在计算平台上的操作。这些数据的示例包括用于在计算平台上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。
[0124]
存储器60可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0125]
处理器61，与存储器60耦合，用于执行存储器60中的计算机程序，以用于：
[0126]
响应于缺陷检测指令，对待检测表面包含的第一级缺陷区域进行聚类，以产生至
少一个缺陷组；
[0127]
分别排除至少一个缺陷组中符合预设条件的第一级缺陷区域；
[0128]
基于至少一个缺陷组中剩余的第一级缺陷区域，分别确定至少一个缺陷组各自对应的第二级缺陷区域；
[0129]
根据第二级缺陷区域，确定待检测表面对应的检测结果。
[0130]
在一可选实施例中，处理器61在分别排除至少一个缺陷组中符合预设条件的第一级缺陷区域时，用于：
[0131]
提取目标缺陷组包含的第一级缺陷区域各自对应的缺陷特征；
[0132]
若目标缺陷组中存在无效缺陷区域，则从目标缺陷组中排除无效缺陷区域，无效缺陷区域对应的缺陷特征符合预设条件；
[0133]
其中，目标缺陷组为至少一个缺陷组中的任意一个。
[0134]
在一可选实施例中，缺陷特征包括类型识别指数，处理器61在提取目标缺陷组包含的第一级缺陷区域各自对应的缺陷特征时，用于：
[0135]
获取目标缺陷组对应的聚类类型；
[0136]
确定目标缺陷组中目标缺陷区域的缺陷类型实际为聚类类型的概率，作为目标缺陷区域对应的类型识别指数；
[0137]
其中，目标缺陷区域为目标缺陷组包含的第一级缺陷区域中的任意一个。
[0138]
在一可选实施例中，处理器61在确定目标缺陷组中目标缺陷区域的缺陷类型实际为聚类类型的概率时，用于：
[0139]
获取分类模型提供的目标缺陷区域的缺陷类型及预测概率；
[0140]
计算用于训练分类模型的测试集中目标样本缺陷区域的占比，目标样本缺陷区域为经分类模型预测出的缺陷类型为聚类类型且标注的缺陷类型为聚类类型的样本缺陷区域；
[0141]
将预测概率和占比的比值，作为目标缺陷区域的缺陷类型实际为聚类类型的概率。
[0142]
在一可选实施例中，缺陷特征包括直线贴合度，处理器61在提取目标缺陷组包含的第一级缺陷区域各自对应的缺陷特征时，用于：
[0143]
对目标缺陷组包含的第一级缺陷区域的代表点坐标进行线性回归拟合，以获得目标缺陷组对应的拟合线；
[0144]
计算目标缺陷组包含的第一级缺陷区域与拟合线之间的贴合度，作为目标缺陷组包含的第一级缺陷区域各自对应的直线贴合度。
[0145]
在一可选实施例中，处理器61在计算目标缺陷组包含的第一级缺陷区域与拟合线之间的贴合度时，用于：
[0146]
计算目标缺陷区域的代表点与拟合线之间的目标距离；
[0147]
基于聚合方向与基准距离参数之间的对应关系，确定目标缺陷区域的聚合方向对应的目标基准距离参数；
[0148]
根据目标距离及目标基准距离参数，确定目标缺陷区域与拟合线之间的贴合度；
[0149]
其中，目标缺陷区域为目标缺陷组包含的第一级缺陷区域中的任意一个。
[0150]
在一可选实施例中，缺陷特征包括相对位置指数，处理器61在提取目标缺陷组包
含的第一级缺陷区域各自对应的缺陷特征时，用于：
[0151]
确定目标缺陷组包含的第一级缺陷区域所覆盖的聚合区域的位置属性信息；
[0152]
根据位置属性信息和目标缺陷组包含的第一级缺陷区域的代表点坐标，计算目标缺陷组包含的第一级缺陷区域与聚合区域之间的相对位置指数。
[0153]
在一可选实施例中，处理器61在计算目标缺陷组包含的第一级缺陷区域与聚合区域之间的相对位置指数时，用于：
[0154]
根据位置属性信息，确定聚合区域的中心点坐标和长度；
[0155]
计算目标缺陷区域的中心点坐标与聚合区域的中心点坐标之间的目标距离；
[0156]
将目标距离与聚合区域的长度之间的比值，作为目标缺陷区域与聚合区域之间的相对位置指数。
[0157]
在一可选实施例中，缺陷特征包括聚合程度指数，处理器61在提取目标缺陷组包含的第一级缺陷区域各自对应的缺陷特征时，用于：
[0158]
计算目标缺陷区域与其在目标缺陷组中距离最近的n个第一级缺陷区域之间的距离；
[0159]
根据距离，确定目标缺陷区域对应的聚合程度指数；
[0160]
其中，n为正整数，目标缺陷区域为目标缺陷组包含的第一级缺陷区域中的任意一个。
[0161]
在一可选实施例中，处理器61在根据距离，确定目标缺陷区域对应的聚合程度指数时，用于：
[0162]
根据距离，计算目标缺陷区域与其在目标缺陷组中距离最近的n个第一级缺陷区域之间的平均距离；
[0163]
确定目标缺陷组包含的第一级缺陷区域所覆盖的聚合区域的长度；
[0164]
将平均距离与聚合区域的长度的比值，作为目标缺陷区域对应的聚合程度指数。
[0165]
在一可选实施例中，处理器61还用于：
[0166]
根据目标缺陷区域对应的缺陷特征，计算目标缺陷区域的聚合得分；
[0167]
若聚合得分低于预设阈值，则确定目标缺陷区域为无效缺陷区域；
[0168]
其中，目标缺陷区域为目标缺陷组包含的第一级缺陷区域中的任意一个。
[0169]
在一可选实施例中，处理器61还用于：
[0170]
将目标缺陷区域对应的缺陷特征输入聚合模型；
[0171]
在聚合模型中，若基于缺陷特征与聚合类型之间的对应关系，预测目标缺陷区域的缺陷特征对应的聚合类型为无效类，则确定目标缺陷区域为无效缺陷区域；
[0172]
其中，目标缺陷区域为目标缺陷组包含的第一级缺陷区域中的任意一个。
[0173]
在一可选实施例中，处理器61还用于：
[0174]
获取训练集，训练集中包含若干样本缺陷区域对应的缺陷特征及标注信息，标注信息中包含样本缺陷区域对应的聚合类型，聚合类型包括有效类和无效类；
[0175]
将训练集输入聚合模型，以供聚合模型学习缺陷特征与聚合类型之间的对应关系。
[0176]
在一可选实施例中，处理器61在对待检测表面包含的第一级缺陷区域进行聚类时，用于：
[0177]
获取待检测表面包含的第一级缺陷区域的描述信息，描述信息中包含缺陷类型和位置属性信息；
[0178]
按照缺陷类型和距离，对待检测表面包含的第一级缺陷区域进行聚类。
[0179]
在一可选实施例中，处理器61在按照缺陷类型和距离，对待检测表面包含的第一级缺陷区域进行聚类时，用于：
[0180]
针对目标缺陷类型，确定目标缺陷类型对应的相似缺陷类型；
[0181]
以目标缺陷类型作为聚类类型，将目标缺陷类型及其相似缺陷类型下的第一级缺陷区域聚类为一缺陷集合，作为目标缺陷类型对应的缺陷集合；
[0182]
按照距离，对目标缺陷类型对应的缺陷集合中包含的第一级缺陷区域进行聚类，以获得目标缺陷类型下的至少一个缺陷组。
[0183]
在一可选实施例中，处理器61在按照距离，对目标缺陷类型对应的缺陷集合中包含的第一级缺陷区域进行聚类时，用于：
[0184]
确定目标缺陷类型对应的聚类方式；
[0185]
基于聚类方式与距离规则之间的对应关系，确定目标缺陷类型对应的目标距离规则；
[0186]
获取目标距离规则下的预置参数阈值；
[0187]
按照目标距离规则以及预置参数阈值，对目标缺陷类型对应的缺陷集合中包含的第一级缺陷区域进行聚类。
[0188]
在一可选实施例中，处理器61在对待检测表面包含的第一级缺陷区域进行聚类之前，还用于：
[0189]
对待处理表面进行缺陷识别，以获得待检测表面包含的第一级缺陷区域的描述信息。
[0190]
在一可选实施例中，处理器61在根据第二级缺陷区域，确定待检测表面对应的检测结果时，用于：
[0191]
将第二级缺陷区域以及第二级缺陷区域之外的第一级缺陷区域，作为待检测表面对应的检测结果。
[0192]
值得说明的是，上述关于计算设备各实施例中的技术细节，可参考前述的表面缺陷检测方法各实施例中的相关描述，为节省篇幅，在此不再赘述，但这不应造成对本技术保护范围的损失。
[0193]
进一步，如图6所示，该计算设备还包括：通信组件62、显示器63、电源组件64等其它组件。图6中仅示意性给出部分组件，并不意味着计算设备只包括图6所示组件。
[0194]
相应地，本技术实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被执行时能够实现上述方法实施例中可由计算设备执行的各步骤。
[0195]
上述图6中的通信组件，被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如wifi，2g、3g、4g/lte、5g等移动通信网络，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实
现。
[0196]
上述图6中的显示器，包括屏幕，其屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
[0197]
上述图6中的电源组件，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
[0198]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0199]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0200]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0201]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0202]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0203]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0204]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备
或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0205]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0206]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。