CN107941812A

CN107941812A - 信息处理方法及电子设备

Info

Publication number: CN107941812A
Application number: CN201711386405.3A
Authority: CN
Inventors: 王文韬
Original assignee: Lenovo Beijing Ltd
Current assignee: Lenovo Beijing Ltd
Priority date: 2017-12-20
Filing date: 2017-12-20
Publication date: 2018-04-20
Anticipated expiration: 2037-12-20
Also published as: CN107941812B

Abstract

本发明实施例公开了一种信息处理方法及电子设备。所述信息处理方法包括：获取钢材的缺陷信息，其中，所述缺陷信息包括：缺陷的位置信息及尺寸信息；根据所述尺寸信息，判定所述缺陷是否为缺陷的类型；当所述缺陷为第一类型缺陷时，根据所述缺陷的位置信息进行所述第一类型缺陷的聚类；根据聚类的结果，确定多个所述第一类缺陷是否聚集形成第二类型缺陷。

Description

信息处理方法及电子设备

技术领域

本发明涉及信息技术领域，尤其涉及一种信息处理方法及电子设备。

背景技术

钢材在出厂销售前需要进行质量表检，其中非常重要的一部分工作就是对钢材片伤进行检测，从而提高出厂钢材的良品率，降低劣质钢材的召回成本。

在现有技术中对片伤的检测方法为：有检测人员通过人眼判定是否是片伤，这种判断方法人为误差大，且人为判读消耗的人力成本大，且效率低。

发明内容

有鉴于此，本发明实施例期望提供一种信息处理方法及电子设备，至少部分解决上述问题。

为达到上述目的，本发明的技术方案是这样实现的：

第一方面，本发明实施例提供一种信息处理方法，包括：

获取钢材的缺陷信息，其中，所述缺陷信息包括：缺陷的位置信息及尺寸信息；

根据所述尺寸信息，判定所述缺陷是否为缺陷的类型；

当所述缺陷为第一类型缺陷时，根据所述缺陷的位置信息进行所述第一类型缺陷的聚类；

根据聚类的结果，确定多个所述第一类缺陷是否聚集形成第二类型缺陷。

可选地，所述根据所述尺寸信息，判定所述缺陷是否为缺陷的类型，包括以下至少之一：

当所述尺寸信息表征所述缺陷的尺寸大于第一尺寸阈值时，确定所述缺陷为所述第二类型缺陷；

当所述尺寸信息表明所述缺陷的尺寸小于第二尺寸阈值时，确定所述缺陷为所述第一类型缺陷；

其中，所述第一尺寸阈值大于所述第二尺寸阈值。

可选地，所述当所述缺陷为第一类型缺陷时，根据所述缺陷的位置信息进行所述第一类型缺陷的聚类，包括：

根据所述第一类型缺陷的位置信息，计算两个所述第一类型缺陷之间的第一距离；

根据所述第一距离及第一距离阈值进行第一类型缺陷聚类，得到第一聚类簇；

所述根据聚类的结果，确定多个所述第一类缺陷是否聚集形成第二类型缺陷，包括：

根据第一聚类簇的属性信息，确定多个所述第一类缺陷是否聚集形成所述第二类缺陷。

可选地，所述根据第一聚类簇的属性信息，确定多个所述第一类缺陷是否聚集形成所述第二类缺陷，包括：

根据所述第一聚类簇的分布状况信息，确定所述第一类缺陷是否聚集形成所述第二类缺陷。

可选地，所述根据所述第一聚类簇的分布状况信息，确定所述第一类缺陷是否聚集形成所述第二类缺陷，包括：

确定所述第一聚类簇的核心点缺陷；

根据所述核心点缺陷的位置信息，计算两个所述第一聚类簇的核心点缺陷之间的第二距离；

根据所述第二距离及第二距离阈值进行聚类，确定是否形成第二聚类簇；

当形成所述第二聚类簇时，确定所述第一类缺陷形成所述第二类缺陷。

可选地，所述方法还包括：

选择出所述第一聚类簇包括的第一类缺陷的个数大于个数阈值的第一类聚类簇；

所述根据所述第一聚类簇的分布状况信息，确定所述第一类缺陷是否聚集形成所述第二类缺陷，包括：

根据选择出所述第一聚类簇的分布状况信息，确定所述第一类缺陷是否聚集形成所述第二类缺陷。

可选地，所述根据第一聚类簇的属性信息，确定多个所述第一类缺陷是否聚集形成所述第二类缺陷，包括以下之一：

根据所述第一聚类簇包括的所述第一类缺陷的个数，确定所述第一类聚类簇内的所述第一类缺陷是否聚集形成所述第二类缺陷；

根据所述第一类聚类簇包括的所述第一类缺陷的分布密度，确定所述第一类聚类簇内的所述第一类缺陷是否聚集形成所述第二类缺陷。

可选地，所述获取钢材的缺陷信息，包括：

图像扫描所述钢材，以形成图像信息；

解析所述图像信息，获得所述缺陷信息。

第二方面，本发明实施例提供一种电子设备，包括：

获取单元，用于获取钢材的缺陷信息，其中，所述缺陷信息包括：缺陷的位置信息及尺寸信息；

判定单元，用于根据所述尺寸信息，判定所述缺陷是否为缺陷的类型；

聚类单元，用于当所述缺陷为第一类型缺陷时，根据所述缺陷的位置信息进行所述第一类型缺陷的聚类；

确定单元，用于根据聚类的结果，确定多个所述第一类缺陷是否聚集形成第二类型缺陷。

第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在存储器上并由处理器执行的计算机程序；

所述处理器与所述存储器连接，用于通过执行所述计算机程序执行前述一个或多个技术方案提供的信息处理方法。

本发明实施例提供的信息处理方法及电子设备，首先会获取钢材上的缺陷信息，根据缺陷信息的尺寸信息进行缺陷的类型判定，当缺陷为第一类缺陷时，会进一步通过聚类来确定是否多个第一类缺陷聚集形成了第二类缺陷。例如，所述第一类缺陷可为尺寸较小的点伤，所述第二类缺陷可为尺寸较大的片伤。电子设备基于缺陷的位置信息的聚类可以判断出是否多个点伤聚集在视觉上和/或钢材的性能上是否产生的类似于片伤的作用，故可以由设备完成片伤的判定，即第二类缺陷的判定。相对于由工作人员的肉眼判定，一方面显然效果更高、另一方面不会引入主观成分大及误差大的人为误差，提高了判定结果的精确度。

附图说明

图1为本发明实施例提供的第一种信息处理方法的流程示意图；

图2为本发明实施例提供的一种钢材的缺陷示意图；

图3为本发明实施例提供的另一种钢材的缺陷示意图；

图4为本发明实施例提供的第二种信息处理方法的流程示意图；

图5为本发明实施例提供的一种电子设备的结构示意图；

图6为本发明实施例提供的另一种电子设备的结构示意图；

图7为本发明实施例提供的第三种信息处理方法的流程示意图。

具体实施方式

以下结合说明书附图及具体实施例对本发明的技术方案做进一步的详细阐述。

如图1所示，本实施例提供一种信息处理方法，包括：

步骤S110：获取钢材的缺陷信息，其中，所述缺陷信息包括：缺陷的位置信息及尺寸信息；

步骤S120：根据所述尺寸信息，判定所述缺陷是否为缺陷的类型；

步骤S130：当所述缺陷为第一类型缺陷时，根据所述缺陷的位置信息进行所述第一类型缺陷的聚类；

步骤S140：根据聚类的结果，确定多个所述第一类缺陷是否聚集形成第二类型缺陷。

本实施例提供的信息处理方法，可为应用于各种电子设备中，例如，缺陷鉴定的固定终端、移动终端或者位于网络侧的服务器等。

所述缺陷信息为钢材上缺陷的相关信息，例如，钢材上不希望出现的赃物、杂质、划伤以及凹凸等各种不良的位置信息、尺寸信息及严重程度等级信息等。图2所示的为一个钢板的缺陷示意图，包括：脏污、轻微划伤、严重划伤及凸起等。图3所示的为钢板的缺陷示意图，在图2中各种缺陷较为分散，但是在图3所示的钢板上，缺陷虽然较为轻微但是聚集较近，这种聚集可能会导致钢材从外观或性能上发生负面效应的聚集，故多个轻微的第一类缺陷会聚集形成较为严重的第二类缺陷。

所述钢材为钢制作而成的各种器件，例如，钢板、钢柱、钢块、钢珠等各种已成型器件或待加工成其他钢制品的原材。

所述步骤S110中获取缺陷信息，可包括：从采集终端接收所述缺陷信息。所述采集终端可以通过图像采集的方式，获得钢材的图像信息。若钢材表面出现划伤、脏污或者杂物、或者，因为敲击碰撞等出现凹凸，以及制作过程中出现的毛刺等缺陷时，都会可以通过图像采集的方式获得。

在一些实施例中，所述步骤S110还包括：

图像扫描所述钢材，以形成图像信息；

解析所述图像信息，确定所述缺陷信息。

摄像头在扫描所述钢材时，会采用特定的采集参数，例如，焦距及采集角度等，从而可以结合采集参数和图像中呈现的信息，在一些实施例中还可以根据摄像头自身的属性，解析出所述缺陷信息，例如，计算出尺寸信息等。

在一些实施中，可以利用深度摄像头采集所述图像信息，从而可以方便精确定位缺陷的位置参数。

所述解析所述图像信息可包括以下至少之一：

通过颜色比对，将颜色与基准颜色不一致的区域标识为选缺陷，并形成所述缺陷信息；

通过文理比对，将文理与基准文理不一致的区域标识为缺陷，并形成所述缺陷信息；

通过形状比对，将形状与基准形状不一致的区域标识为缺陷，并形成所述缺陷信息。

在一些实施例中，所述解析图像信息可包括：

通过图像解析，确定出备选缺陷；

通过容错判断，将满足容错判断条件的所述备选缺陷正式标识为缺陷，并生成对应的缺陷信息。

例如，通过颜色比对，将颜色与基准颜色不一致的区域标识为备选缺陷；通过文理比对，将文理与基准文理不一致的区域标识为备选缺陷；通过形状比对，将形状与基准形状不一致的区域标识为备选缺陷。

例如，将所述备选缺陷的缺陷信息输入到学习模型中，通过学习模型的概率判断，进一步判断出该缺陷确实缺陷。

所述学习模型可为向量机学习模型，也可以为神经网络学习模型。利用学习样本训练获得给学习模型。所述学习样本可为人工标注的样本，包括：缺陷信息及是否为缺陷的至少信息。

在一些实施例中，所述容错判断还可以包括：

采用容错模型进行计算，判断所述备选缺陷确实为缺陷。例如，在本实施例中，会根据备选缺陷的颜色与基准颜色之间的色差、文理差和/或形状差的至少之一，计算是函数值，基于该函数值判断该备选缺陷确实存在缺陷。例如，将色差、文理差及形状差各自进行归一化处理，在计算一个或多个归一化值与对应的权值的乘积，基于乘积和得到所述函数值。在计算归一化值时，可以将获得色差、文理差或形状差，与预设的分母进行分数值计算，得到一个不大于1且大于0的归一化值。

总之，通过容错判断，可以提升所述缺陷信息的确定的精确性。

在一些实施例中，为了减少容错判断的计算量，可以根据色差、文理差和/或形状差与差值阈值的比较，先筛选出一个或多个色差、文理差或形状差较大的备选缺陷标识为正式的缺陷。在对剩余无法直接仅基于差值阈值的比较确定出的缺陷，基于学习模型或容错模型的计算，来确定是否正式的缺陷。

总之，采用本实施例提供的方法，鉴定对应的缺陷类型等，相对于人工判断，减少人为错误的引入，采用设备进行处理，显然可以大大的提升判断效率。

在本发明实施例中，所述缺陷可以按照其尺寸分为第一类缺陷或第二类缺陷，在本实施例中，所述第二类缺陷为缺陷严重程度大于所述第一类缺陷的严重程度。例如，所述第一类缺陷可包括：比较轻微或尺寸较小的点状的点伤。所述第二类缺陷可包括：相对于严重或尺寸较大的片状的片伤。

在一些情况下，可能会有多种第一类缺陷密集的聚集，导致整个钢材的缺陷严重程度的加重，从而产生了多个第一类缺陷的聚集效应导致的第二类缺陷。

当一个被检测的检测对象(例如，钢材)有第一类缺陷和第二类缺陷时，该检测对象的品质等级不同，可能需要进一步确定出是否需要返厂维修，或者，禁止出货，根据检测对象上包括的缺陷类型，可能会形成的信息标签，方便后续根据该信息标签进行对应的处理。

所述尺寸信息包括：一维尺寸信息、二维尺寸信息及三维尺寸信息等尺寸信息中的一个或多个。

例如，针对钢材上的划伤，可以根据划伤的长度来区分其是点伤，还是片伤。该长度就可以作为判断缺陷类型的一维尺寸信息。

又例如，针对钢材上的脏污或者制作过程中掺杂的杂质，可以根据脏污的面积来区分是点伤还是片伤。这里的面积，即可为前述二维尺寸参数的一种。在一些实施例中，所述二维尺寸参数不限于面积，而是分为第一维度和第二维度的长度，第一维度和第二维度可以是相互垂直；当一个缺陷在第一维度和第二维度的尺寸都达到对应维度的极限值时，就可以认为该缺陷为片伤，而非点伤。

在一些实施例中，例如，钢材因为在运输过程中出现了碰撞等现象，导致了凹陷或凸起，这样的话，该缺陷是较为轻微的点伤还是较为严重的片伤，可以用三维尺寸信息来描述，例如，在该缺陷在xy平面内的面积和在垂直于xy平面的z轴上的深度来共同确定该缺陷是否为第二类型缺。

故在一些实施例中，所述缺陷信息包括的位置信息，可为该缺陷位于钢材上的坐标信息。该坐标信息可为二维坐标和三维坐标的信息，当所述坐标信息为二维信息时，可以描述该缺陷位于钢材表面的位置，当所述坐标信息为三维信息时，可以描述该缺陷位于钢材表面的位置，同时描述该缺陷嵌入到钢材内部的深度。

在一些实施例中，所述缺陷信息还可包括：种类信息。所述种类信息可以用于描述导致该缺陷的原因，例如，该缺陷是划伤、杂质、脏污、成型不良或者凹凸等问题。

故所述步骤S120可包括以下至少之一：

当所述尺寸信息表明所述缺陷的尺寸小于第二尺寸阈值时，确定所述缺陷为所述第一类型缺陷。

如此，在步骤S120可以直接根据所述缺陷信息的尺寸信息就可以初步判断出该缺陷是第一类缺陷还是第二类缺陷。例如，当一个缺陷的面积大于面积阈值时，就可以直接鉴定该缺陷为所述第二类缺陷，当所述第一缺陷在一个维度对的宽度大于宽度阈值时就可直接鉴定该缺陷为所述第二类缺陷。

此处，所述第一尺寸阈值和第二尺寸阈值为同一种类的缺陷的尺寸阈值时，所述第一尺寸阈值大于所述第二尺寸阈值。

所述缺陷信息还包括：种类信息，不同种类的缺陷，被确定为第一类缺陷或第二类缺陷的尺寸阈值是不一样的，故在一些实施例中，在判断单个缺陷是第一类缺陷或是第二类缺陷，先根据所述种类信息查询对应的尺寸阈值，再根据单个缺陷的尺寸信息与尺寸阈值的比较，确定该种类对应的单个缺陷是第一类缺陷还是第二类缺陷。

当然，在一些实施例中，某一个缺陷的尺寸信息不满足成为任意一种第二类缺陷的条件，则鉴定单个该缺陷为所述第一类缺陷。但是为了进一步判断该钢材的品质等信息，会进一步判断是否出现多个第一类缺陷聚集导致钢材存在第二类缺陷或者多个第二类缺陷的问题。

此处，所述根据缺陷的类型的确定结果，综合分析是否出现第一类缺陷聚集现象导致的第二类缺陷。例如，根据第一类缺陷的个数、分布密度、多个第一类缺陷之间的距离等参数中的一个或多个，确定这些多个第一类缺陷是否聚集形成第二类缺陷。

例如，一个表面积较大的钢材上分布有N个第一类缺陷，但是根据各个第一类缺陷的位置信息，确定出着多个第一类缺陷之间的距离非常远，不管是从外观上的给客户的负面印象，还是多个第一类缺陷之间相互影响导致钢材的性能方面的负面影响都没有重叠效应，此时，可以确定该第一类缺陷没有聚集形成所述第二类缺陷。此时，可以根据第一类缺陷之间的距离和/或分布密度，判断是否聚集形成所述第二类缺陷。在计算分布密度时，可以根据所述多个第一类缺陷所在位置连接围城的面积为计算面积，然后根据第一类缺陷的个数，确定出所述分布密度。例如，钢材总表面为A，S个第一类缺陷的最外围的多个缺陷连线而成的面积为B，则分布密度为S/A。

在本实施例中为了精确确定多个第一类缺陷是否聚集形成第二类缺陷，在本实施例中会根据第一类缺陷的位置信息及距离阈值等参数进行聚类，聚类时可以采集各种聚类算法，得到第一类聚类簇。若一个聚类簇一旦形成将包括多个第一类缺陷。故如图4所示，所述步骤S130可包括：

步骤S131：根据所述第一类型缺陷的位置信息，计算两个所述第一类型缺陷之间的第一距离；

步骤S132：根据所述第一距离及第一距离阈值进行第一类型缺陷聚类，得到第一聚类簇；

所述步骤S140可包括步骤S141；所述步骤S141可包括：根据第一聚类簇的属性信息，确定多个所述第一类缺陷是否聚集形成所述第二类缺陷。

例如，将根据第一类聚类簇的聚类结果(聚类结果可为属性信息的一种)，确定该第一类聚类簇是否形成所述第二类缺陷。例如，若一个第一类聚类簇自身包括的第一类缺陷的个数已经大于对应的个数阈值，就可以确定该第一类聚类簇包括的多个第一类缺陷聚集形成一个所述第二类缺陷。

聚类的方式有多种，例如，以某一个第一类缺陷的缺陷A为聚类的起始进行缺陷聚类，将与缺陷A距离在特定距离之内的第一类缺陷的缺陷B添加到同一个第一聚类簇内，若找到对应的缺陷B，则与缺陷B距离在所述特定距离之内的第一类缺陷的缺陷C添加该第一类聚类簇内；直至到位于同一个第一类聚类簇内的第一类缺陷没有其他第一类缺陷与其距离在所述特定距离之内，则停止聚类，该第一类聚类簇完成。统计该第一聚类簇包括的第一类缺陷的个数，若该个数足够多，由于是基于第一类缺陷之间的距离进行的聚类，则不管是在外观上还是在性能上，表明这些缺陷有重叠或聚集效应，说明该第一类缺陷形成了第二类缺陷。

在一些实施例中，所述根据第一聚类簇的属性信息，确定多个所述第一类缺陷是否聚集形成所述第二类缺陷，包括：根据所述第一聚类簇的分布状况信息，确定所述第一类缺陷是否聚集形成所述第二类缺陷。

若两个或两个以上的第一聚类簇之间的间距小于指定值，可认为两个第一聚类簇有聚集效应，可认为这两个第一聚类簇形成了所述第二类缺陷。

在一些实施例中，所述根据所述第一聚类簇的分布状况信息，确定所述第一类缺陷是否聚集形成所述第二类缺陷，包括：

确定所述第一聚类簇的核心点缺陷；

具体地如，在完成第一类聚类簇的确定之后，还确定出每一个所述第一类聚类簇中的核心点缺陷。所述核心点缺陷可为该第一类聚类簇中与其他第一类缺陷之间的平均距离最小的缺陷。在还有一些实施例中，所述核心点缺陷为：所述核心缺陷可为位于所述第一类聚类簇中最中间位置的第一类缺陷。

在本实施例中，会进一步以第一类缺陷中的核心缺陷，进行核心点缺陷的聚类，从而形成第二类聚类簇。

例如，两个第一类聚类簇的核心点缺陷1和核心点缺陷2，可以基于核心点缺陷1和核心点缺陷2之间的距离和第二距离阈值，判断是否形成所述第二类聚类簇。若两个第一类聚类簇的核心点缺陷之间的距离很近，显然表明这两个聚类簇的分布比较集中，这样的话，会对钢材的外观和/或性能有相互重叠效用，故形成第二聚类簇。若一但形成第二聚类簇，可认为产生了所述第二类缺陷。

又例如，在一些实施例中，在进行第二类聚类簇是否形成的判断，可以基于两个第一类聚类簇的最边缘的第一类缺陷之间的位置信息来判断。例如，判断两个第一类聚类簇中最相近的两个第一类缺陷之间的距离是否足够小，或者，判断两个第一类聚类簇中最远的两个第一类缺陷支架的距离是否足够小，并不限定于是基于核心点缺陷来判断是否满足形成第二聚类簇的条件。

总之，第一类聚类簇的属性信息，可包括：第一类聚类簇包括第一类缺陷的个数、核心点缺陷的位置、边缘点缺陷的位置、分布密度等参数中的一个或多个确定是否形成第一类聚类簇，从而实现第二类缺陷的精确判断。

在进行第一类缺陷的聚类时，形成的第一聚类簇包括的第一类缺陷的数量有多又少，包括第一类缺陷较少的第一聚类簇，说明钢材对应的区域的第一类缺陷的分布比较稀疏，第一类缺陷的聚集效果较小。利用第一类聚类簇进行第二类聚类簇的聚类时，可以先筛选出自身包括的第一类缺陷较少的第一类聚类簇，减少第二类聚类簇的计算量。故可选地，所述方法还包括：

所述根据所述第一聚类簇的分布状况信息，确定所述第一类缺陷是否聚集形成所述第二类缺陷，包括：根据选择出所述第一聚类簇的分布状况信息，确定所述第一类缺陷是否聚集形成所述第二类缺陷。

在进行第一类缺陷的聚类时，形成的第一聚类簇包括的第一类缺陷的数量有多又少，包括第一类缺陷较少的第一聚类簇，说明钢材对应的区域的第一类缺陷的分布比较稀疏，第一类缺陷的聚集效果较小。

在进行第一类聚类簇的聚类和第二类聚类簇的聚类是都使用到了距离阈值，分别是第一距离阈值和第二距离阈值，在一些实施例中，所述第一距离阈值小于所述第二距离阈值。

在一些实施例中，所述步骤S141可包括以下之一：

如图5所示，本实施例提供一种电子设备，包括：

获取单元110，用于获取钢材的缺陷信息，其中，所述缺陷信息包括：缺陷的位置信息及尺寸信息；

判定单元120，用于根据所述尺寸信息，判定所述缺陷是否为缺陷的类型；

聚类单元130，用于当所述缺陷为第一类型缺陷时，根据所述缺陷的位置信息进行所述第一类型缺陷的聚类；

确定单元140，用于根据聚类的结果，确定多个所述第一类缺陷是否聚集形成第二类型缺陷。

在一些实施例中，所述获取单元110，可对应于通信接口，可以从采集设备接收所述缺陷信息。

在另一些实施例中，所述获取单元110，还可对应于摄像头等，可以通过图像采集所述缺陷信息。

在还有一些实施例中，所述获取单元110，还可对应于处理器从本地或远程数据库中读取所述缺陷信息。

所述判定单元120、聚类单元130及确定单元140，都可以对应于处理器。所述处理器可以通过计算机程序的执行，可以实现前述各个功能单元的功能，判断出缺陷的类型的同时，确定出是否有多个第一类缺陷聚集形成了第二类缺陷。

可选地，所述判定单元120，具体用于执行以下至少之一：

其中，所述第一尺寸阈值大于所述第二尺寸阈值。

可选地，所述聚类单元130，具体用于根据所述第一类型缺陷的位置信息，计算两个所述第一类型缺陷之间的第一距离；根据所述第一距离及第一距离阈值进行第一类型缺陷聚类，得到第一聚类簇；

所述确定单元140，具体用于根据第一聚类簇的属性信息，确定多个所述第一类缺陷是否聚集形成所述第二类缺陷。

可选地，所述确定单元140，具体用于根据所述第一聚类簇的分布状况信息，确定所述第一类缺陷是否聚集形成所述第二类缺陷。

可选地，所述确定单元140，还可用于确定所述第一聚类簇的核心点缺陷；根据所述核心点缺陷的位置信息，计算两个所述第一聚类簇的核心点缺陷之间的第二距离；根据所述第二距离及第二距离阈值进行聚类，确定是否形成第二聚类簇；当形成所述第二聚类簇时，确定所述第一类缺陷形成所述第二类缺陷。

可选地，所述电子设备还包括：

选择单元，可对应于处理器，可用于选择出所述第一聚类簇包括的第一类缺陷的个数大于个数阈值的第一类聚类簇；

所述确定单元140，具体用于根据选择出所述第一聚类簇的分布状况信息，确定所述第一类缺陷是否聚集形成所述第二类缺陷。

可选地，所述获取单元110，具体用于图像扫描所述钢材，以形成图像信息；解析所述图像信息，获得所述缺陷信息。

如图6所示，本实施例提供一种电子设备，包括：存储器210、处理器220及存储在存储器210上并由处理器220执行的计算机程序；

所述处理器220与所述存储器210连接，用于通过执行所述计算机程序执行前述一个或多个技术方案提供的信息处理方法。

所述存储器210可包括存储介质，具体可为：随机存储器210、只读存储器210、闪存、机械硬盘或固态硬盘等各种存储器210。

所述处理器220可为：中央处理器、微处理器、数字信号处理器、应用处理器、可编程阵列或专用集成电路等。

所述处理器可以通过集成电路总线等与所述存储器连接，用于通过计算机程序等执行，实现前述一个或多个技术方案提供的信息处理方法。

以下结合上述任意一个实施例提供几个具体示例：

示例1：

根据整钢材中点伤的平面坐标，通过计算两点之间的空间距离，根据距离的统计分布，选择合理的距离阈值和核心点类簇，将连续的合理核心点相连成簇，然后根据类簇中点缺陷类别信息进行投票，为类簇打上缺陷标签，完成片伤聚类分析。这里的一个点代表一个缺陷。所述核心点类簇即为前述第一聚类簇。这里的缺陷标签即为指明缺陷种类的标签，例如，该缺陷标签可以用于指示该缺陷是脏污、杂质、划伤、凹凸，还是成型不良。

使用本示例的方法，可以大幅减少人工巡检的成本消耗，降低生产经营成本；其次，该方法的参数可调，可根据使用场景调整参数，提高分析结果的可靠性与适用性；相较于人工检验的主观不可控，该方法的一致性更高并会给片伤打上缺陷标签，增强了结果的可读性，同时处理时间较短，适合于实时计算，提高生产效率。这里的参数可包括：前述的尺寸阈值、距离阈值的调整，从而可以适用于有不同要求的钢材的缺陷类型的判定和品级鉴定。

示例2：

如图7所示，本示例提供一种钢板上的缺陷处理方法，包括：

步骤S1：实时获取钢板的点伤信息；

步骤S2：计算点伤两两距离信息；

步骤S3：基于统计分布得到距离阈值；这里的距离阈值可对应于前述的第一距离阈值和/或第二距离阈值；

步骤S4：根据距离阈值计算核心点类簇，该核心点类簇对应于前述的第一聚类簇；

步骤S5：计算合理的核心点并相连成簇，这里的核心点为核心点簇中的核心点缺陷，步骤S5中形成的簇对应于前述的第二聚类簇。合理的核心点是指其所在的核心点类簇包括的点伤的个数足够大。

步骤S6：去除未成簇离群点，得到最终片伤聚类结果；

步骤S7：根据类簇点缺陷种类进行投票，得到类簇缺陷标签。即在一些实施例中某一个第二类缺陷是由多个第一类缺陷聚集形成的，此时，需要确定该第二类缺陷的缺陷种类。

可选方式一，所述方法可包括：

统计形成该第二类缺陷的第一类缺陷的缺陷种类；

根据统计的结果，确定该第二类缺陷的缺陷种类。例如，选择该第二类缺陷中最多个数的第一类缺陷的缺陷种类为该第二类缺陷的缺陷种类。

可选方式二，所述方法还可包括：

统计形成该第二类缺陷的第一类缺陷的不同缺陷种类的尺寸参数；

选择尺寸参数最大的一种缺陷种类，作为该第二类缺陷的缺陷种类。

总之，在本示例中所述方法还会根据，第二类缺陷中第一类缺陷的属性信息的统计，基于统计结果判定该第二类缺陷的缺陷种类。这里的第一类缺陷的属性信息包括：该第二类缺陷包括的某一种缺陷的第一类缺陷的个数、尺寸面积、对外观和性能的影响程度等信息。

根据钢板中各点伤的原始平面坐标，计算各点伤两两之间的距离，绘制距离的统计分布，根据中位数或者平均数得到合理的距离阈值设置，然后根据该距离阈值计算各点临近点中距离低于该阈值的点伤数目，选择平均值或者中位数作为簇进行核心点类簇的聚类，进而将连续的核心点相连成簇，然后根据类簇中点缺陷类别信息进行投票，根据缺陷占比最大的类别为类簇打上缺陷标签，完成片伤的聚类识别过程。该过程可以实时计算，且参数可调。在本示例中，一个点代表一个点伤，一个核心点代表一个核心点缺陷。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种信息处理方法，其特征在于，包括：

根据所述尺寸信息，判定所述缺陷是否为缺陷的类型；

2.根据权利要求1所述的方法，其特征在于，

所述根据所述尺寸信息，判定所述缺陷是否为缺陷的类型，包括以下至少之一：

其中，所述第一尺寸阈值大于所述第二尺寸阈值。

3.根据权利要求1所述的方法，其特征在于，

所述当所述缺陷为第一类型缺陷时，根据所述缺陷的位置信息进行所述第一类型缺陷的聚类，包括：

4.根据权利要求3所述的方法，其特在于，

所述根据第一聚类簇的属性信息，确定多个所述第一类缺陷是否聚集形成所述第二类缺陷，包括：

5.根据权利要求4所述的方法，其特征在于，

确定所述第一聚类簇的核心点缺陷；

6.根据权利要求4所述的方法，其特征在于，

所述方法还包括：

7.根据权利要求3所述方法，其特征在于，

所述根据第一聚类簇的属性信息，确定多个所述第一类缺陷是否聚集形成所述第二类缺陷，包括以下之一：

8.根据权利要求1所述的方法，其特征在于，

所述获取钢材的缺陷信息，包括：

图像扫描所述钢材，以形成图像信息；

解析所述图像信息，获得所述缺陷信息。

9.一种电子设备，其特征在于，包括：

10.一种电子设备，包括：存储器、处理器及存储在存储器上并由处理器执行的计算机程序；

所述处理器与所述存储器连接，用于通过执行所述计算机程序执行权利要求1至8任意一项提供的信息处理方法。