CN115222709A - 一种基于人工智能的拉链布带缺陷检测方法 - Google Patents

Abstract

本发明涉及人工智能领域，具体涉及一种基于人工智能的拉链布带缺陷检测方法，该方法用于缺陷检测，利用电子设备识别拉链布带缺陷，提高了缺陷检测的准确度，包括：获取拉链布带图；将标准图和拉链布带图对应梯度进行作差，得到梯度差异图；计算梯度差异图各像素点属于缺陷的概率，获取异常像素点，进而得到疑似缺陷区域；对拉链布带图进行边缘检测，得到不平直边缘点；遍历各疑似缺陷区域包围框中的像素点，筛选出包含不平直边缘点的疑似缺陷区域；获取包含不平直边缘点的疑似缺陷区域及其在标准图中对应区域的频谱图；根据两种频谱图对应像素点的亮度得到包含不平直边缘点的疑似缺陷区域为非缺陷区域的概率，进而得到拉链布带的缺陷区域。

Description

一种基于人工智能的拉链布带缺陷检测方法

技术领域

本发明涉及人工智能领域，具体涉及一种基于人工智能的拉链布带缺陷检测方法。

背景技术

拉链布带广泛应用于日常生活中。拉链布带在生产过程中受到机器的油污、进给机构不合适的张力等影响，会在拉链布带上造成脱线，破洞，脏污等缺陷，严重影响拉链产品的外观质量。因此，对生产后的拉链布带进行缺陷检测是很必要的一步。

目前用于拉链布带缺陷检测的方式主要有边缘检测和阈值分割，通过对拉链布带表面进行分析来提取拉链布带中的缺陷区域。

然而，由于拉链布带的款式多样化，拉链布带表面存在一些简单纹理，比如织线纹理，或图案纹理，这些纹理的干扰使得传统的边缘检测或者阈值分割技术均得不到良好的检测结果。因此本发明提供了一种基于人工智能的拉链布带缺陷检测方法，该方法利用电子设备识别拉链布带缺陷，可提高缺陷检测的准确度。

发明内容

本发明提供一种基于人工智能的拉链布带缺陷检测方法，该方法用于缺陷检测，利用电子设备识别拉链布带缺陷，提高了缺陷检测的准确度，包括：获取拉链布带图；将标准图和拉链布带图对应梯度进行作差，得到梯度差异图；计算梯度差异图各像素点属于缺陷的概率，获取异常像素点，进而得到疑似缺陷区域；对拉链布带图进行边缘检测，得到不平直边缘点；遍历各疑似缺陷区域包围框中的像素点，筛选出包含不平直边缘点的疑似缺陷区域；获取包含不平直边缘点的疑似缺陷区域及其在标准图中对应区域的频谱图；根据两种频谱图对应像素点的亮度得到包含不平直边缘点的疑似缺陷区域为非缺陷区域的概率，进而得到拉链布带的缺陷区域，相比于现有技术，本发明结合计算机视觉，利用电子设备采集图像，通过对拉链布带图像内各个像素点的梯度信息进行分析，得到其与标准图像的梯度差异，进一步对梯度差异进行分析处理，得到缺陷区域，从而实现利用电子设备识别检测拉链布带的缺陷，提高了缺陷检测的准确度；同时本发明可以检测拉链布带的多种缺陷类型，适用性较广。

为达到上述目的，本发明采用以下技术方案，一种基于人工智能的拉链布带缺陷检测方法，包括：

获取与标准表面图像特征匹配的待检测的拉链布带表面图像。

分别获取标准表面图像和拉链布带表面图像中每个像素点的梯度幅值，将所述两张图像中各对应位置像素点的梯度幅值进行作差，得到梯度差异图像。

根据梯度差异图像中各像素点的梯度幅值和梯度方向计算各像素点属于缺陷的概率。

根据各像素点属于缺陷的概率获取拉链布带表面图像中的异常像素点。

对异常像素点进行聚类，得到拉链布带表面图像中的疑似缺陷区域。

对拉链布带表面图像进行边缘检测，得到拉链布带外边缘的不平直边缘点。

获取各疑似缺陷区域的最小包围框，遍历各个最小包围框中的所有像素点，筛选出包含不平直边缘点的疑似缺陷区域。

将包含不平直边缘点的疑似缺陷区域及其在标准表面图像中的对应区域转换到频域中，获取所述两种区域对应的频谱图像。

根据两种区域对应的频谱图像中对应像素点的亮度差异得到包含不平直边缘点的疑似缺陷区域为不平整导致的非缺陷区域的概率。

利用包含不平直边缘点的疑似缺陷区域为不平整导致的非缺陷区域的概率对疑似缺陷区域中的非缺陷区域进行剔除，得到待检测拉链布带的缺陷区域。

进一步的，所述一种基于人工智能的拉链布带缺陷检测方法，所述梯度差异图像是按照如下方式得到：

分别对待检测的拉链布带表面图像和标准表面图像进行语义分割，得到所述两个图像的拉链布带区域图像。

分别对两个拉链布带区域图像进行灰度化处理，得到两个拉链布带区域灰度图。

分别计算两个拉链布带区域灰度图中各个像素点的梯度幅值和梯度方向，得到两个梯度图像。

将两个梯度图像中各个对应位置的像素点的梯度幅值进行作差，得到梯度差异图像。

进一步的，所述一种基于人工智能的拉链布带缺陷检测方法，所述拉链布带表面图像中的异常像素点是按照如下方式获取：

统计梯度差异图像中所有像素点的梯度幅值和梯度方向。

统计每个像素点的梯度幅值和梯度方向在所有像素点的梯度幅值和梯度方向中所占的比例。

计算所有像素点的梯度幅值和梯度方向的平均值。

利用梯度差异图像中各像素点的梯度幅值和梯度方向、各像素点的梯度幅值和梯度方向在所有像素点的梯度幅值和梯度方向中所占的比例、所有像素点的梯度幅值和梯度方向的平均值计算各像素点属于缺陷的概率。

设置阈值，对各像素点属于缺陷的概率进行判断：当概率大于阈值时，将该像素点作为异常像素点，获取拉链布带表面图像中的异常像素点。

进一步的，所述一种基于人工智能的拉链布带缺陷检测方法，所述拉链布带表面图像中的疑似缺陷区域是按照如下方式得到：

对异常像素点进行聚类处理，得到所有聚类结果。

计算每个聚类结果中各个像素点坐标之间的类内方差，将方差最大的聚类结果进行剔除，剩余的聚类结果对应的区域即为拉链布带表面图像中的疑似缺陷区域。

进一步的，所述一种基于人工智能的拉链布带缺陷检测方法，所述包含不平直边缘点的疑似缺陷区域是按照如下方式筛选：

对拉链布带表面图像进行边缘检测，将纵坐标最大与最小的边缘点作为拉链布带的两组外边缘点。

分别统计两组外边缘点中边缘点的纵坐标，将边缘点纵坐标的众数作为平直边缘点的纵坐标，其余为不平直边缘点的纵坐标，获取两组外边缘点中的不平直边缘点。

获取各个疑似缺陷区域的最小包围框。

遍历各个最小包围框中的每个像素点，筛选出包含不平直边缘点的疑似缺陷区域。

进一步的，所述一种基于人工智能的拉链布带缺陷检测方法，所述待检测拉链布带的缺陷区域是按照如下方式得到：

设置阈值，对包含不平直边缘点的疑似缺陷区域为不平整导致的非缺陷区域的概率进行判断：当概率大于阈值时，将该疑似缺陷区域进行剔除。

按照上述方式将疑似缺陷区域中的非缺陷区域进行剔除，得到待检测拉链布带的缺陷区域。

进一步的，所述一种基于人工智能的拉链布带缺陷检测方法，所述与标准表面图像特征匹配的待检测的拉链布带表面图像是按照如下方式获取：

获取待检测的拉链布带表面图像及标准表面图像。

将待检测的拉链布带表面图像与标准表面图像进行特征匹配，获取与标准表面图像特征匹配的待检测的拉链布带表面图像。

本发明的有益效果在于：

本发明结合计算机视觉，利用电子设备采集图像，通过对拉链布带图像内各个像素点的梯度信息进行分析，得到其与标准图像的梯度差异，进一步对梯度差异进行分析处理，得到缺陷区域，从而实现利用电子设备识别检测拉链布带的缺陷，提高了缺陷检测的准确度；同时本发明可以检测拉链布带的多种缺陷类型，适用性较广。

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性的前提下，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1提供的一种拉链布带缺陷检测方法流程示意图；

图2为本发明实施例2提供的一种拉链布带缺陷检测方法流程示意图。

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。

实施例1

本发明实施例提供一种基于人工智能的拉链布带缺陷检测方法，该方法利用电子设备识别拉链布带缺陷，提高了缺陷检测的准确度，如图1所示，包括：

S101、获取与标准表面图像特征匹配的待检测的拉链布带表面图像。

其中，使用SIFT算子将待测图像与标准图像进行图像特征匹配，使二者的大小以及方向一致。

S102、分别获取标准表面图像和拉链布带表面图像中每个像素点的梯度幅值，将所述两张图像中各对应位置像素点的梯度幅值进行作差，得到梯度差异图像。

其中，把两张图中的各个对应位置的像素点的梯度进行作差，得到每个位置的梯度差异值。

S103、根据梯度差异图像中各像素点的梯度幅值和梯度方向计算各像素点属于缺陷的概率。

其中，梯度差异图像中占比越小，与光照梯度差异越大的梯度值属于缺陷产生的梯度可能性越大。

S104、根据各像素点属于缺陷的概率获取拉链布带表面图像中的异常像素点。

其中，设置阈值，将缺陷概率大于阈值的像素点作为异常像素点。

S105、对异常像素点进行聚类，得到拉链布带表面图像中的疑似缺陷区域。

其中，将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。

S106、对拉链布带表面图像进行边缘检测，得到拉链布带外边缘的不平直边缘点。

其中，边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。

S107、获取各疑似缺陷区域的最小包围框，遍历各个最小包围框中的所有像素点，筛选出包含不平直边缘点的疑似缺陷区域。

其中，包含不平直边缘点的疑似缺陷区域很可能是不平整导致的非缺陷区域。

S108、将包含不平直边缘点的疑似缺陷区域及其在标准表面图像中的对应区域转换到频域中，获取所述两种区域对应的频谱图像。

其中，利用傅里叶变换将图像转换到频域中。

S109、根据两种区域对应的频谱图像中对应像素点的亮度差异得到包含不平直边缘点的疑似缺陷区域为不平整导致的非缺陷区域的概率。

其中，包含不平直边缘点的疑似缺陷区域为不平整导致的非缺陷区域的概率用于得到精确的缺陷区域。

S110、利用包含不平直边缘点的疑似缺陷区域为不平整导致的非缺陷区域的概率对疑似缺陷区域中的非缺陷区域进行剔除，得到待检测拉链布带的缺陷区域。

设置阈值，将概率大于阈值的包含不平直边缘点的疑似缺陷区域进行剔除，得到待检测拉链布带的缺陷区域。

本实施例的有益效果在于：

本实施例结合计算机视觉，利用电子设备采集图像，通过对拉链布带图像内各个像素点的梯度信息进行分析，得到其与标准图像的梯度差异，进一步对梯度差异进行分析处理，得到缺陷区域，从而实现利用电子设备识别检测拉链布带的缺陷，提高了缺陷检测的准确度；同时本实施例可以检测拉链布带的多种缺陷类型，适用性较广。

实施例2

本实施例的主要目的是:利用计算机视觉，通过采集拉链图像，得到拉链布带区域的梯度信息，根据其与标准图像的梯度差异，从而实现利用电子设备识别拉链布带的缺陷。

在拉链切断后的导出过程中，将相机固定在导轨制动停止位置的正上方，当拉链跟随传送带制动停止时，采集图像，对于图像进行处理，根据拉链布带区域图像的梯度特征实现拉链布带的缺陷检测。

本实施例在传送带上设置电子设备，包括：机架；检测装置：设于传送带上方，包括用于对传送带检测区域内的拉链图像进行成像和成像数据输出的成像设备；感应装置：设于传送带和机架上，用于感应被测拉链图像并将感应信号输出；中央处理器：与成像设备和感应装置电信号连接，用于接受感应信号并实现相应数据处理和控制输出。

本发明实施例提供一种基于人工智能的拉链布带缺陷检测方法，该方法利用电子设备识别拉链布带缺陷，提高了缺陷检测的准确度，如图2所示，包括：

S201、采集拉链图像。

将相机固定在传送带的正上方；根据当前生产的拉链规格(长度)，调节相机焦距，使相机的视野长度为当前所生产的拉链长度。并根据传送带制动停止的时间周期确定相机的采样频率。

S202、对当前图像与标准图像进行图像匹配。

由于拉链布带的表面也存在细小的纹理，而切断后的拉链产品在导出到传送带上的运动过程中，拉链的位置状态可能会发生改变，使得后续获取当前图像与标准图像之间的梯度差异时，所得结果偏差较大，故为保证结果的准确性，需要先对当前图像与标准图像进行特征匹配，将拉链布带的纹理进行对齐。

使用SIFT算子将当前图像与标准图像进行图像特征匹配，使二者的大小以及方向一致。

拉链布带表面的梯度可以视为光线梯度，织线梯度以及图案的颜色梯度三种梯度的共同作用。其中织线梯度较为相似，但是当拉链布带存在图案时，即存在颜色梯度，无法根据梯度对缺陷进行提取。因此需要结合标准图像进行特征匹配，再获取二者的梯度差异图像，从而提取异常的像素点，考虑到标准图像容易受到光照的影响，因此上述所得到的异常像素点并不完全准确，还需要根据像素点的梯度幅值以及梯度方向进一步判断，以提高检测结果的准确性。

S203、获取梯度差异图像。

在传送带停止后，采集传送带区域图像，由于图像中存在较为复杂的加工环境，且拉链产品的颜色以及风格的多样化，再加上本实施例基于梯度进行分析的，而金属链齿存在反光现象，干扰检测结果，为了让系统能适用于各种情况，增强其泛化能力，所以本实施例采用DNN语义分割的方式来识别分割图像中的拉链布带区域。具体过程如下：

输入采集到的拉链图像，使用DNN网络对其进行语义分割；

网络结构为Encoder-Decoder结构，数据集为各种拉链图像；

标签分为两类，拉链布带和背景。该方式为像素级分类，即需要给图像中所有像素标注上对应的标签。属于拉链布带的像素，其值标注为1；属于背景的像素，其值标注为0；

网络所用的loss函数为交叉熵损失函数。

对标准图像按照上述方式进行语义分割，得到当前图像以及标准图像中的拉链布带区域图像；

对标准图像以及当前图像分别进行灰度化处理后，使用Sobel算子进行梯度检测，计算各个像素点在两个图像中的梯度幅值以及梯度方向，由此得到标准图像以及当前图像对应的梯度图像

；

获取当前图像与标准图像的拉链布带梯度差异图像

。

S204、获取疑似缺陷区域。

标准图像中的梯度组成包含光线梯度，织线梯度以及图案颜色梯度；当前图像中的梯度组成也包含光线梯度，织线梯度以及图案颜色梯度，还可能包含缺陷造成的异常梯度，其中标准图像以及当前待测图像的织线梯度与图案的颜色梯度是一致的，做差后所得的梯度差异图像可以对二者进行消除，然受到自然光照的影响，做差后由光照差异而造成的梯度无法被消除，即所得的梯度差异图像中包含的像素点仍然会存在光照造成的梯度，不同的是，缺陷区域还会存在缺陷造成的梯度。

也就是说梯度差异图像中的像素点的可能的梯度类型可分为两大类：纯光照梯度，光照和缺陷综合作用所形成的梯度。

1.统计梯度差异图像中的所有像素点梯度幅值与梯度方向以及每组(将每个像素点的梯度幅值和梯度方向形成一个组对)所组成的数据在所有数据中所占比例，其中，第

个组数据可表示为

，该点所占的比例为

，分别计算梯度幅值与梯度方向的平均值，分别记为

；

2.由于正常情况下，梯度差异图像中的梯度应该均为只受到光照影响而产生的，自然光照为太阳光自然发散形成的，其梯度幅值与梯度方向具有较高相似性。而当存在缺陷时，由于缺陷只占整个图像中的少部分像素点，且缺陷像素点与光照梯度差异较大，因此所得梯度差异图像中占比越小，与光照梯度差异越大的梯度幅值属于缺陷产生的梯度可能性越大；因此第

组数据属于缺陷的概率

可表示为：

其中n为梯度统计图中数据点的总个数；

表示梯度差异图中第i个像素点所占的比例，

表示第i个像素点的梯度幅值和梯度方向，

表示梯度差异图中所有像素点的梯度幅值和梯度方向；

3.则当

时认为该数据组中的梯度幅值与梯度方向属于缺陷的概率较大，按照对应的梯度幅值与梯度方向进行疑似缺陷像素点的提取；

4．由于整个图像中可能包含多个缺陷，故使用DBSCAN聚类算法对异常像素点的坐标进行处理，由此得到多个聚类结果，考虑到DBSCAN算法会将噪声等离散点归为一类，因此还需要根据每个聚类结果中各个像素点坐标之间的类内方差，将方差最大的一类进行剔除，则剩余的每一个聚类结果对应一个缺陷区域。

S205、对不平整导致的疑似缺陷区域进行剔除，获取最终的缺陷区域。

由于拉链切断导出到传送带上后是自然状态，即两端没有拉伸，可能存在局部不平整的现象，而不平整的区域在获取的梯度差异图像中的梯度也存在异常，即上述所得疑似缺陷区域中还包含由不平整区域形成的非缺陷区域，所以还需要对该类区域进行剔除；

由于不平整导致的非缺陷区域与缺陷区域的区别在于该区域必然存在不平直的边缘，考虑到缺陷位置随机，不排除不平整区域也存在缺陷，但是不平整导致的非缺陷区域纹理与正常区域高度相似，因此还需要结合各个缺陷区域的纹理特征来判断各个缺陷是否为不平整所导致的非缺陷区域。

1.对S202所得拉链布带的遮罩图像进行边缘检测（这些边缘点为拉链两条外边缘以及拉链布带与拉链链齿形成的两条内边缘），根据边缘点的纵坐标大小对所得边缘点进行分组，其中纵坐标的最大与最小的边缘点集合分别对应拉链的两条外边缘；

2.统计两组边缘点集合中的各点纵坐标及其对应的个数，所得统计结果中的众数即为平直边缘点的纵坐标，其余点即为发生不平直的边缘点，记两条外边缘中所包含的不平直边缘点集合分别为

；

3.对S204所得各个疑似缺陷区域作最小包围框；

4.遍历各个包围框中的各个像素点，筛选出包含集合

中边缘点的疑似缺陷区域；

5.获取标准图像中的上述疑似缺陷区域的对应区域图像；

6.使用傅里叶变换将标准图像中各个对应区域图像以及当前图像中的各个疑似缺陷区域图像转换到频域中，分别获取对应的频谱图像，其中各个疑似缺陷区域在标准图像与当前图像中所对应的两个频谱图像大小相等，因此直接根据两张频谱图像中对应像素点的亮度差异即可得到各个疑似缺陷区域为不平整导致的非缺陷区域的概率，则第

个疑似缺陷区域为不平整导致的非缺陷区域概率

可表示为：

其中

为标准图像与当前图像中的第

个缺陷区域所对应的两个频谱图像中，第

个像素点的亮度差值的绝对值；N为频谱图像中的像素点总数。

7.当

时，认为第

个疑似缺陷区域为不平整导致的非缺陷区域，对该区域进行剔除；

8.重复操作6，7，直到处理完所有包含不平直边缘点的疑似缺陷区域；此时保留的疑似缺陷区域即为最终的缺陷区域。

本实施例的有益效果在于：

本实施例结合计算机视觉，利用电子设备采集图像，通过对拉链布带图像内各个像素点的梯度信息进行分析，得到其与标准图像的梯度差异，进一步对梯度差异进行分析处理，得到缺陷区域，从而实现利用电子设备识别检测拉链布带的缺陷，提高了缺陷检测的准确度；同时本实施例可以检测拉链布带的多种缺陷类型，适用性较广。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于人工智能的拉链布带缺陷检测方法，其特征在于，包括：

获取与标准表面图像特征匹配的待检测的拉链布带表面图像；

分别获取标准表面图像和拉链布带表面图像中每个像素点的梯度幅值，将所述两张图像中各对应位置像素点的梯度幅值进行作差，得到梯度差异图像；

根据梯度差异图像中各像素点的梯度幅值和梯度方向计算各像素点属于缺陷的概率；

根据各像素点属于缺陷的概率获取拉链布带表面图像中的异常像素点；

对异常像素点进行聚类，得到拉链布带表面图像中的疑似缺陷区域；

对拉链布带表面图像进行边缘检测，得到拉链布带外边缘的不平直边缘点；

获取各疑似缺陷区域的最小包围框，遍历各个最小包围框中的所有像素点，筛选出包含不平直边缘点的疑似缺陷区域；

将包含不平直边缘点的疑似缺陷区域及其在标准表面图像中的对应区域转换到频域中，获取所述两种区域对应的频谱图像；

根据两种区域对应的频谱图像中对应像素点的亮度差异得到包含不平直边缘点的疑似缺陷区域为不平整导致的非缺陷区域的概率；

利用包含不平直边缘点的疑似缺陷区域为不平整导致的非缺陷区域的概率对疑似缺陷区域中的非缺陷区域进行剔除，得到待检测拉链布带的缺陷区域。

2.根据权利要求1所述的一种基于人工智能的拉链布带缺陷检测方法，其特征在于，所述梯度差异图像是按照如下方式得到：

分别对待检测的拉链布带表面图像和标准表面图像进行语义分割，得到所述两个图像的拉链布带区域图像；

分别对两个拉链布带区域图像进行灰度化处理，得到两个拉链布带区域灰度图；

分别计算两个拉链布带区域灰度图中各个像素点的梯度幅值和梯度方向，得到两个梯度图像；

将两个梯度图像中各个对应位置的像素点的梯度幅值进行作差，得到梯度差异图像。

3.根据权利要求1所述的一种基于人工智能的拉链布带缺陷检测方法，其特征在于，所述拉链布带表面图像中的异常像素点是按照如下方式获取：

统计梯度差异图像中所有像素点的梯度幅值和梯度方向；

统计每个像素点的梯度幅值和梯度方向在所有像素点的梯度幅值和梯度方向中所占的比例；

计算所有像素点的梯度幅值和梯度方向的平均值；

利用梯度差异图像中各像素点的梯度幅值和梯度方向、各像素点的梯度幅值和梯度方向在所有像素点的梯度幅值和梯度方向中所占的比例、所有像素点的梯度幅值和梯度方向的平均值计算各像素点属于缺陷的概率；

设置阈值，对各像素点属于缺陷的概率进行判断：当概率大于阈值时，将该像素点作为异常像素点，获取拉链布带表面图像中的异常像素点。

4.根据权利要求1所述的一种基于人工智能的拉链布带缺陷检测方法，其特征在于，所述拉链布带表面图像中的疑似缺陷区域是按照如下方式得到：

对异常像素点进行聚类处理，得到所有聚类结果；

计算每个聚类结果中各个像素点坐标之间的类内方差，将方差最大的聚类结果进行剔除，剩余的聚类结果对应的区域即为拉链布带表面图像中的疑似缺陷区域。

5.根据权利要求1所述的一种基于人工智能的拉链布带缺陷检测方法，其特征在于，所述包含不平直边缘点的疑似缺陷区域是按照如下方式筛选：

对拉链布带表面图像进行边缘检测，将纵坐标最大与最小的边缘点作为拉链布带的两组外边缘点；

分别统计两组外边缘点中边缘点的纵坐标，将边缘点纵坐标的众数作为平直边缘点的纵坐标，其余为不平直边缘点的纵坐标，获取两组外边缘点中的不平直边缘点；

获取各个疑似缺陷区域的最小包围框；

遍历各个最小包围框中的每个像素点，筛选出包含不平直边缘点的疑似缺陷区域。

6.根据权利要求1所述的一种基于人工智能的拉链布带缺陷检测方法，其特征在于，所述待检测拉链布带的缺陷区域是按照如下方式得到：

设置阈值，对包含不平直边缘点的疑似缺陷区域为不平整导致的非缺陷区域的概率进行判断：当概率大于阈值时，将该疑似缺陷区域进行剔除；

按照上述方式将疑似缺陷区域中的非缺陷区域进行剔除，得到待检测拉链布带的缺陷区域。

7.根据权利要求1所述的一种基于人工智能的拉链布带缺陷检测方法，其特征在于，所述与标准表面图像特征匹配的待检测的拉链布带表面图像是按照如下方式获取：

获取待检测的拉链布带表面图像及标准表面图像；

将待检测的拉链布带表面图像与标准表面图像进行特征匹配，获取与标准表面图像特征匹配的待检测的拉链布带表面图像。

Images