CN109949292A - 一种带钢表面缺陷的检测方法及装置 - Google Patents

Abstract

本发明公开了一种带钢表面缺陷的检测方法，包括：获取带钢表面的图像，并采用高斯平滑方法确定图像的背景，得到背景估计结果；将背景估计结果与图像最大灰度值的比值确定为优化权值，并利用优化权值优化图像中的每个像素点，得到优化图像；对优化图像进行多尺度灰度拉伸，得到图像的修正图像；将修正图像输入机器视觉检测模型，输出带钢表面的缺陷检测结果。该方法能够提高图像对于边缘检测的响应值，使图像中带钢的缺陷更明显的展示出来，因此将修正后的图像输入机器视觉检测模型，能够提高检测结果的准确性。相应地，本发明公开的一种带钢表面缺陷的检测装置、设备及可读存储介质，也同样具有上述技术效果。

Description

一种带钢表面缺陷的检测方法及装置

技术领域

本发明涉及图像处理技术领域，更具体地说，涉及一种带钢表面缺陷的检测方法、装置、设备及可读存储介质。

背景技术

带钢是各类轧钢企业为了适应不同工业部门工业化生产各类金属或机械产品的需要而生产的一种窄而长的钢板。带钢又称钢带，宽度在1300mm以内，长度根据每卷的大小略有不同。带钢因为不同的制造工艺分为冷轧带钢和热轧带钢。

其中，带钢表面质量的好坏是带钢的一项重要指标，为了确定带钢表面的质量是否合格，就需要对带钢表面的图像进行检测评估。一般地，可以利用机器视觉模型对带钢表面的图像进行识别，以识别出带钢表面存在的缺陷。带钢表面的缺陷种类包括：气泡、裂纹、结疤或结瘤、拉裂、折叠、分层、黑膜或黑带、乳化液斑点、倒刺或毛刺等。

在现有的检测技术中，一般利用机器视觉模型直接对拍摄到的带钢表面图像进行识别。但是，由于带钢制造工艺本身的特殊性和拍摄带钢表面图像时的不确定性，使得拍摄到的带钢表面图像的灰度往往不均匀，且带钢表面的缺陷一般都异常细小，因此将灰度不均的图像输入机器视觉模型会导致机器视觉模型提取到的缺陷特征模糊，从而会直接降低带钢表面的缺陷检测结果的准确性。

因此，如何提高带钢表面的缺陷检测结果的准确性，是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于提供一种带钢表面缺陷的检测方法、装置、设备及可读存储介质，以提高带钢表面的缺陷检测结果的准确性。

为实现上述目的，本发明实施例提供了如下技术方案：

一种带钢表面缺陷的检测方法，包括：

获取带钢表面的图像，并采用高斯平滑方法确定所述图像的背景，得到背景估计结果；

将所述背景估计结果与图像最大灰度值的比值确定为优化权值，并利用所述优化权值优化所述图像中的每个像素点，得到优化图像；

对所述优化图像进行多尺度灰度拉伸，得到所述图像的修正图像；

将所述修正图像输入机器视觉检测模型，输出所述带钢表面的缺陷检测结果。

其中，所述采用高斯平滑方法确定所述图像的背景，包括：

采用高斯平滑方法确定不同尺寸的背景估计模板；

利用所述不同尺寸的背景估计模板确定所述图像的背景。

其中，所述采用高斯平滑方法确定不同尺寸的背景估计模板，包括：

采用高斯平滑方法确定与所述图像尺寸相同的背景估计模板，与带钢尺寸相同的背景估计模板和与带钢表面缺陷尺寸相同的背景估计模板。

其中，所述对所述优化图像进行多尺度灰度拉伸，包括：

对所述优化图像进行灰度修正、灰度拉伸和多尺度拉伸。

其中，所述对所述优化图像进行灰度修正、灰度拉伸和多尺度拉伸，包括：

利用预设权值修正所述优化图像的灰度，得到第一修正结果；

按照灰度拉伸公式对所述第一修正结果进行灰度拉伸，得到第二修正结果，所述灰度拉伸公式为：

其中，L(x,y)表示所述第二修正结果，f(x,y)表示所述第一修正结果，m表示所述第一修正结果的像素点的最小灰度值，n表示所述第一修正结果的像素点的最小灰度值；

对所述第二修正结果进行不同尺寸的拉伸，并将不同尺寸的拉伸结果进行融合，得到所述修正图像。

其中，所述将所述修正图像输入机器视觉检测模型，输出所述带钢表面的缺陷检测结果，包括：

利用所述机器视觉检测模型对所述修正图像中的缺陷进行定位并提取缺陷特征，对提取到的缺陷特征进行分类决策，得到所述带钢表面的缺陷检测结果。

其中，所述利用所述机器视觉检测模型对所述修正图像中的缺陷进行定位并提取缺陷特征，对提取到的缺陷特征进行分类决策，得到所述带钢表面的缺陷检测结果之后，还包括：

将所述带钢表面的缺陷检测结果进行可视化展示。

一种带钢表面缺陷的检测装置，包括：

获取模块，用于获取带钢表面的图像，并采用高斯平滑方法确定所述图像的背景，得到背景估计结果；

优化模块，用于将所述背景估计结果与图像最大灰度值的比值确定为优化权值，并利用所述优化权值优化所述图像中的每个像素点，得到优化图像；

修正模块，用于对所述优化图像进行多尺度灰度拉伸，得到所述图像的修正图像；

检测模块，用于将所述修正图像输入机器视觉检测模型，输出所述带钢表面的缺陷检测结果。

一种带钢表面缺陷的检测设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述任意一项所述的带钢表面缺陷的检测方法的步骤。

一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的带钢表面缺陷的检测方法的步骤。

通过以上方案可知，本发明实施例提供的一种带钢表面缺陷的检测方法，包括：获取带钢表面的图像，并采用高斯平滑方法确定所述图像的背景，得到背景估计结果；将所述背景估计结果与图像最大灰度值的比值确定为优化权值，并利用所述优化权值优化所述图像中的每个像素点，得到优化图像；对所述优化图像进行多尺度灰度拉伸，得到所述图像的修正图像；将所述修正图像输入机器视觉检测模型，输出所述带钢表面的缺陷检测结果。

可见，所述方法在利用机器视觉检测模型检测带钢表面的缺陷之前，对获取到的带钢表面的图像进行了修正。具体的，首先采用高斯平滑方法确定图像的真实背景，以滤除图像中的背景对图像中的带钢的影响；进而优化图像中的各个像素点，并对优化后的图像进行多尺度灰度拉伸，以拉大图像中不同像素点的灰度值梯度。具有较大灰度值梯度的图像对边缘检测的响应值更高，能够使图像中带钢的缺陷更明显的展示出来，因此修正后的图像更便于机器视觉检测模型对图像中带钢的缺陷进行检测识别，能够提高检测结果的准确性。

相应地，本发明实施例提供的一种带钢表面缺陷的检测装置、设备及可读存储介质，也同样具有上述技术效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种带钢表面缺陷的检测方法流程图；

图2为本发明实施例公开的另一种带钢表面缺陷的检测方法流程图；

图3为本发明实施例公开的一种带钢表面缺陷的检测装置示意图；

图4为本发明实施例公开的一种带钢表面缺陷的检测设备示意图；

图5为本发明实施例公开的一种原始带钢表面图像的灰度均匀性示意图；

图6为对图5所示的原始带钢表面图像进行修正后得到的修正图像的灰度均匀性示意图；

图7为对图6进行边缘检测得到的效果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例公开了一种带钢表面缺陷的检测方法、装置、设备及可读存储介质，以提高带钢表面的缺陷检测结果的准确性。

参见图1，本发明实施例提供的一种带钢表面缺陷的检测方法，包括：

S101、获取带钢表面的图像，并采用高斯平滑方法确定图像的背景，得到背景估计结果；

具体的，获取带钢表面的图像的工具一般为CCD工业相机，该相机拍摄速度快，能够较好地抓取带钢表面的细节。高斯平滑即“低通滤波”，对一个图像针对色差进行研究，色差比较大的地方，便是高频信号较强的地方，色差越大，高频信号越强。因此基于高斯平滑方法可以分辨出图像中的背景和带钢，以确定图像背景，消除图像背景对图像中目标(即带钢)的干扰。

S102、将背景估计结果与图像最大灰度值的比值确定为优化权值，并利用优化权值优化图像中的每个像素点，得到优化图像；

一般地，图像灰度值的区间为0-255，此处图像最大灰度值取值255。背景估计结果即为对带钢表面的图像进行背景估计后，滤除图像背景的图像，将滤除图像背景的图像中的每个像素点的灰度值与图像最大灰度值255的比值确定为每个像素的优化权值，并利用优化权值优化滤除图像背景的图像中的每个像素点。

例如：若滤除图像背景的图像包括三个像素点A、B，C，其灰度值分别为50，60，70，修正目标值T为128，那么A对应的优化权值为128/50，B对应的优化权值为128/60，C对应的优化权值为128/70；利用优化权值优化滤除图像背景的图像中的每个像素点，优化后的A的灰度值即为：50×128/50，优化后的B的灰度值即为：60×128/60，优化后的C的灰度值即为：70*128/70。

理想状态下，优化图像的灰度值为图像最大灰度值255的一半。

S103、对优化图像进行多尺度灰度拉伸，得到图像的修正图像；

S104、将修正图像输入机器视觉检测模型，输出带钢表面的缺陷检测结果。

具体的，机器视觉检测模型的主要作用为：提取图像中带钢表面缺陷的特征，并将这些特征进行分类，从而输出带钢表面的缺陷检测结果。具体的，缺陷检测结果具体包括：带钢表面存在的缺陷的种类、位置等。

可见，本实施例提供了一种带钢表面缺陷的检测方法，所述方法在利用机器视觉检测模型检测带钢表面的缺陷之前，对获取到的带钢表面的图像进行了修正。具体的，首先采用高斯平滑方法确定图像的真实背景，以滤除图像中的背景对图像中的带钢的影响；进而优化图像中的各个像素点，并对优化后的图像进行多尺度灰度拉伸，以拉大图像中不同像素点的灰度值梯度。具有较大灰度值梯度的图像对边缘检测的响应值更高，能够使图像中带钢的缺陷更明显的展示出来，因此修正后的图像更便于机器视觉检测模型对图像中带钢的缺陷进行检测识别，能够提高检测结果的准确性。

本发明实施例公开了另一种带钢表面缺陷的检测方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。

参见图2，本发明实施例提供的另一种带钢表面缺陷的检测方法，包括：

S201、获取带钢表面的图像；

S202、采用高斯平滑方法确定不同尺寸的背景估计模板；

S203、利用不同尺寸的背景估计模板确定图像的背景，得到背景估计结果；

其中，采用高斯平滑方法确定不同尺寸的背景估计模板，包括：采用高斯平滑方法确定与图像尺寸相同的背景估计模板，与带钢尺寸相同的背景估计模板和与带钢表面缺陷尺寸相同的背景估计模板。

具体的，若用三种背景估计模板G1(m，n)，G2(m，n)，G3(m，n)来估计图像背景，其中，G1(m，n)为与原图像尺寸相同的背景估计模板，G2(m，n)为与带钢尺寸相同的背景估计模板，G3(m，n)为与带钢表面缺陷尺寸相同的背景估计模板，用g(x，y)表示原图，用F(x，y)背景估计结果，那么：

F(x,y)＝K1×g(x,y)**G1(x,y)+K2×g(x,y)**G2(x,y)+K3×g(x,y)**G3(x,y)

其中，K1、K2和K3均为滤波参数，K1+K2+K3＝1，“**”表示矩阵卷积。

需要说明的是，背景估计模板的尺寸还可以根据实际应用进行灵活调整。

S204、将背景估计结果与图像最大灰度值的比值确定为优化权值，并利用优化权值优化图像中的每个像素点，得到优化图像；

S205、对优化图像进行多尺度灰度拉伸，得到图像的修正图像；

S206、将修正图像输入机器视觉检测模型，输出带钢表面的缺陷检测结果。

可见，本实施例提供了一种带钢表面缺陷的检测方法，所述方法在利用机器视觉检测模型检测带钢表面的缺陷之前，对获取到的带钢表面的图像进行了修正。具体的，首先采用高斯平滑方法确定图像的真实背景，以滤除图像中的背景对图像中的带钢的影响；进而优化图像中的各个像素点，并对优化后的图像进行多尺度灰度拉伸，以拉大图像中不同像素点的灰度值梯度。具有较大灰度值梯度的图像对边缘检测的响应值更高，能够使图像中带钢的缺陷更明显的展示出来，因此修正后的图像更便于机器视觉检测模型对图像中带钢的缺陷进行检测识别，能够提高检测结果的准确性。

基于上述任意实施例，需要说明的是，对优化图像进行多尺度灰度拉伸，得到图像的修正图像，包括：对优化图像进行灰度修正、灰度拉伸和多尺度拉伸。

其中，对优化图像进行灰度修正、灰度拉伸和多尺度拉伸，包括：

利用预设权值修正优化图像的灰度，得到第一修正结果；

按照灰度拉伸公式对第一修正结果进行灰度拉伸，得到第二修正结果，灰度拉伸公式为：

其中，L(x,y)表示第二修正结果，f(x,y)表示第一修正结果，m表示第一修正结果的像素点的最小灰度值，n表示第一修正结果的像素点的最小灰度值；(x，y)表示某个像素点；

对第二修正结果进行不同尺寸的拉伸，并将不同尺寸的拉伸结果进行融合，得到修正图像。

其中，预设权值为优化图像与背景估计结果的比值。具体的，利用预设权值修正优化图像的灰度，即为：使优化图像中的每个像素点乘以预设权值，而后得到的结果即为第一修正结果，用公式表示为：

Ad1(x,y)＝D(x,y)×F(x,y)

其中，Ad1(x,y)表示第一修正结果中的某个像素点，D(x,y)表示预设权值，F(x,y)表示优化图像中的某个像素点。

对第二修正结果进行不同尺寸的拉伸，并将不同尺寸的拉伸结果进行融合，得到修正图像，包括：

若对第二修正结果进行三种尺度的拉伸，这三种尺度的拉伸结果分别用L1(x，y)，L2(x，y)，L3(x，y)表示，修正图像用P(x，y)表示，那么：

P(x,y)＝t1×L1(x,y)+t2×L2(x,y)+t3×L3(x,y)

其中，t1，t2，t3均为拉伸系数，t1+t2+t3＝1。

对优化图像进行多尺度灰度拉伸，能够拉大图像中不同像素点的灰度值梯度，因此多尺度灰度拉伸后的修正图像具有较大灰度值梯度，其对边缘检测的响应值更高，能够使图像中带钢的缺陷更明显的展示出来。

基于上述任意实施例，需要说明的是，所述将所述修正图像输入机器视觉检测模型，输出所述带钢表面的缺陷检测结果，包括：

利用所述机器视觉检测模型对所述修正图像中的缺陷进行定位并提取缺陷特征，对提取到的缺陷特征进行分类决策，得到所述带钢表面的缺陷检测结果。

其中，所述利用所述机器视觉检测模型对所述修正图像中的缺陷进行定位并提取缺陷特征，对提取到的缺陷特征进行分类决策，得到所述带钢表面的缺陷检测结果之后，还包括：

将所述带钢表面的缺陷检测结果进行可视化展示。

基于上述任意实施例，需要说明的是，本发明对于带钢表面的图像进行修正的步骤包括：背景估计、像素优化和多尺度灰度拉伸。在实际检测过程中，可以将本发明对于带钢表面的图像进行修正的步骤置于机器视觉检测模型的输入模块中，以设计形成新的机器视觉检测模型。

具体的，机器视觉检测模型一般包括：输入模块，特征提取模块、特征分类模块，输出模块。其中：

输入模块，用于获取带钢表面的图像；

特征提取模块，用于提取图像中的带钢的缺陷特征；

特征分类模块，用于对提取到的缺陷特征进行分类识别；

输出模块，用于输出缺陷特征的分类识别结果。

其中，若将本发明对于带钢表面的图像进行修正的步骤置于机器视觉检测模型的输入模块中，则输入模块包括：获取单元和优化单元，获取单元用于获取带钢表面的图像；优化单元用于对带钢表面的图像进行背景估计、像素优化和多尺度灰度拉伸，以得到修正图像。而后将修正图像输入特征提取模块，进行缺陷特征的提取。

下面对本发明实施例提供的一种带钢表面缺陷的检测装置进行介绍，下文描述的一种带钢表面缺陷的检测装置与上文描述的一种带钢表面缺陷的检测方法可以相互参照。

参见图3，本发明实施例提供的一种带钢表面缺陷的检测装置，包括：

获取模块301，用于获取带钢表面的图像，并采用高斯平滑方法确定所述图像的背景，得到背景估计结果；

优化模块302，用于将所述背景估计结果与图像最大灰度值的比值确定为优化权值，并利用所述优化权值优化所述图像中的每个像素点，得到优化图像；

修正模块303，用于对所述优化图像进行多尺度灰度拉伸，得到所述图像的修正图像；

检测模块304，用于将所述修正图像输入机器视觉检测模型，输出所述带钢表面的缺陷检测结果。

其中，所述获取模块包括：

确定单元，用于采用高斯平滑方法确定不同尺寸的背景估计模板；

估计单元，用于利用所述不同尺寸的背景估计模板确定所述图像的背景。

其中，所述确定单元具体用于：

采用高斯平滑方法确定与所述图像尺寸相同的背景估计模板，与带钢尺寸相同的背景估计模板和与带钢表面缺陷尺寸相同的背景估计模板。

其中，所述修正模块具体用于：

对所述优化图像进行灰度修正、灰度拉伸和多尺度拉伸。

其中，所述修正模块包括：

第一修正单元，用于利用预设权值修正所述优化图像的灰度，得到第一修正结果；

第二修正单元，用于按照灰度拉伸公式对所述第一修正结果进行灰度拉伸，得到第二修正结果，所述灰度拉伸公式为：

其中，L(x,y)表示所述第二修正结果，f(x,y)表示所述第一修正结果，m表示所述第一修正结果的像素点的最小灰度值，n表示所述第一修正结果的像素点的最小灰度值；

第三修正单元，用于对所述第二修正结果进行不同尺寸的拉伸，并将不同尺寸的拉伸结果进行融合，得到所述修正图像。

其中，所述检测模块具体用于：

利用所述机器视觉检测模型对所述修正图像中的缺陷进行定位并提取缺陷特征，对提取到的缺陷特征进行分类决策，得到所述带钢表面的缺陷检测结果。

其中，还包括：

展示模块，用于将所述带钢表面的缺陷检测结果进行可视化展示。

可见，本实施例提供了一种带钢表面缺陷的检测装置，包括：获取模块、优化模块、修正模块以及检测模块。首先由获取模块获取带钢表面的图像，并采用高斯平滑方法确定所述图像的背景，得到背景估计结果；然后优化模块将所述背景估计结果与图像最大灰度值的比值确定为优化权值，并利用所述优化权值优化所述图像中的每个像素点，得到优化图像；进而修正模块对所述优化图像进行多尺度灰度拉伸，得到所述图像的修正图像；最后检测模块将所述修正图像输入机器视觉检测模型，输出所述带钢表面的缺陷检测结果。如此各个模块之间分工合作，各司其职，从而提高了带钢表面的缺陷检测结果的准确性。

下面对本发明实施例提供的一种带钢表面缺陷的检测设备进行介绍，下文描述的一种带钢表面缺陷的检测设备与上文描述的一种带钢表面缺陷的检测方法及装置可以相互参照。

参见图4，本发明实施例提供的一种带钢表面缺陷的检测设备，包括：

存储器401，用于存储计算机程序；

处理器402，用于执行所述计算机程序时实现上述任意实施例所述的带钢表面缺陷的检测方法的步骤。

下面对本发明实施例提供的一种可读存储介质进行介绍，下文描述的一种可读存储介质与上文描述的一种带钢表面缺陷的检测方法、装置及设备可以相互参照。

一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意实施例所述的带钢表面缺陷的检测方法的步骤。

图5为本发明公开的一种原始带钢表面图像的灰度均匀性示意图，图6为对图5所示的原始带钢表面图像进行修正后得到的修正图像的灰度均匀性示意图。对比图5和图6可以看出，在利用机器视觉检测模型检测带钢表面的缺陷之前，对获取到的带钢表面的图像进行修正，得到的修正图像能够更清晰地展示图像中的缺陷特征，为带钢表面缺陷的检测提供了便利。

图7为对图6进行边缘检测的效果示意图，从图7可以看出，对修正图像进行边缘检测的效果更清晰，图像中不同像素点之间的差异更明显。而对原始带钢表面图像进行边缘检测得到的效果图，基本看不出不同像素点之间的差异。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种带钢表面缺陷的检测方法，其特征在于，包括：

获取带钢表面的图像，并采用高斯平滑方法确定所述图像的背景，得到背景估计结果；

将所述背景估计结果与图像最大灰度值的比值确定为优化权值，并利用所述优化权值优化所述图像中的每个像素点，得到优化图像；

对所述优化图像进行多尺度灰度拉伸，得到所述图像的修正图像；

将所述修正图像输入机器视觉检测模型，输出所述带钢表面的缺陷检测结果。

2.根据权利要求1所述的带钢表面缺陷的检测方法，其特征在于，所述采用高斯平滑方法确定所述图像的背景，包括：

采用高斯平滑方法确定不同尺寸的背景估计模板；

利用所述不同尺寸的背景估计模板确定所述图像的背景。

3.根据权利要求2所述的带钢表面缺陷的检测方法，其特征在于，所述采用高斯平滑方法确定不同尺寸的背景估计模板，包括：

采用高斯平滑方法确定与所述图像尺寸相同的背景估计模板，与带钢尺寸相同的背景估计模板和与带钢表面缺陷尺寸相同的背景估计模板。

4.根据权利要求2所述的带钢表面缺陷的检测方法，其特征在于，所述对所述优化图像进行多尺度灰度拉伸，包括：

对所述优化图像进行灰度修正、灰度拉伸和多尺度拉伸。

5.根据权利要求4所述的带钢表面缺陷的检测方法，其特征在于，所述对所述优化图像进行灰度修正、灰度拉伸和多尺度拉伸，包括：

利用预设权值修正所述优化图像的灰度，得到第一修正结果；

按照灰度拉伸公式对所述第一修正结果进行灰度拉伸，得到第二修正结果，所述灰度拉伸公式为：

其中，L(x,y)表示所述第二修正结果，f(x,y)表示所述第一修正结果，m表示所述第一修正结果的像素点的最小灰度值，n表示所述第一修正结果的像素点的最小灰度值；

对所述第二修正结果进行不同尺寸的拉伸，并将不同尺寸的拉伸结果进行融合，得到所述修正图像。

6.根据权利要求1-5任意一项所述的带钢表面缺陷的检测方法，其特征在于，所述将所述修正图像输入机器视觉检测模型，输出所述带钢表面的缺陷检测结果，包括：

利用所述机器视觉检测模型对所述修正图像中的缺陷进行定位并提取缺陷特征，对提取到的缺陷特征进行分类决策，得到所述带钢表面的缺陷检测结果。

7.根据权利要求6所述的带钢表面缺陷的检测方法，其特征在于，所述利用所述机器视觉检测模型对所述修正图像中的缺陷进行定位并提取缺陷特征，对提取到的缺陷特征进行分类决策，得到所述带钢表面的缺陷检测结果之后，还包括：

将所述带钢表面的缺陷检测结果进行可视化展示。

8.一种带钢表面缺陷的检测装置，其特征在于，包括：

获取模块，用于获取带钢表面的图像，并采用高斯平滑方法确定所述图像的背景，得到背景估计结果；

优化模块，用于将所述背景估计结果与图像最大灰度值的比值确定为优化权值，并利用所述优化权值优化所述图像中的每个像素点，得到优化图像；

修正模块，用于对所述优化图像进行多尺度灰度拉伸，得到所述图像的修正图像；

检测模块，用于将所述修正图像输入机器视觉检测模型，输出所述带钢表面的缺陷检测结果。

9.一种带钢表面缺陷的检测设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1-7任意一项所述的带钢表面缺陷的检测方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任意一项所述的带钢表面缺陷的检测方法的步骤。