CN106097360A - 一种带钢表面缺陷识别方法及装置 - Google Patents

Abstract

本发明提供了一种带钢表面缺陷识别方法及装置，其中，该方法包括：建立缺陷识别模型；获取带钢表面图片；对带钢表面图片进行预处理；提取预处理后的带钢表面图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；通过缺陷识别模型对提取的HOG特征及GLCM特征进行识别，确定出带钢表面的缺陷信息。实现通过建立的缺陷识别模型对提取的多种特征进行识别后，可以快速、准确地识别出图像的缺陷信息，大大提高了缺陷的识别率，识别出的缺陷的准确性很高，且能够有效克服几何、光学不变性以及旋转性对图像特征描述所带来的问题，对于面积型缺陷的识别率很高。

Description

一种带钢表面缺陷识别方法及装置

技术领域

本发明涉及图像检测技术领域，尤其涉及一种带钢表面缺陷识别方法及装置。

背景技术

目前，影响带钢强度和质量最主要的因素之一是带钢表面的缺陷。因此，对带钢表面的缺陷进行检测已成为钢铁生产过程中一个非常重要的环节。

当前，在对带钢表面的缺陷进行检测时，首先提取带钢表面的图像，然后通过对提取的图像进行处理确定出缺陷信息，其中，在处理提取的图像过程中，先通过邻域平均值滤波对提取的图像进行滤波；再然后通过灰度共生矩阵GLCM提取图像特征；最后使用基于1-分类支持向量机SVM和径向基函数RBF对缺陷进行识别，通过二重网络搜索的方法确定RBF的参数，最终定位缺陷的位置。

上述检测带钢表面的缺陷的方法，对于单一的特征提取不能够克服光照不变性、旋转性等问题对面积型缺陷识别率很低，由于带钢的缺陷种类多达39种，面积型缺陷达到15种左右，如此，对带钢表面缺陷识别率很低，很难满足企业对检测的需求。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种带钢表面缺陷识别方法及装置。

依据本发明的一个方面，提供了一种带钢表面缺陷识别方法，所述方法包括：

建立缺陷识别模型；

获取带钢表面图片；

对带钢表面图片进行预处理；

提取预处理后的带钢表面图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；

通过所述缺陷识别模型对提取的所述HOG特征及所述GLCM特征进行识别，确定出带钢表面的缺陷信息。

可选地，所述对带钢表面图片进行预处理，包括：

对所述带钢表面图片的图像去噪滤波；

采用分段线性变换，对去噪滤波后的带钢表面图片的图像进行灰度增强；

运用双线性插值算法对灰度增强后的带钢表面图片的图像进行缩放和归一化。

可选地，所述建立缺陷识别模型，包括：

获取带钢样本图片；

提取带钢样本图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；

运用步进统计的方法对所述图像的HOG特征以及图像的GLCM特征进行融合，得到多组权重因子以及每组权重因子对应的识别准确率；

对所述多组权重因子及所述识别准确率进行高斯拟合，得到特征拟合函数；

通过遗传算法对所述特征拟合函数求解，得到融合因子；

根据所述融合因子对随机森林算法进行改进，得到基于随机森林的特征融合分类算法；

通过所述基于随机森林的特征融合分类算法对提取的图像的所述HOG图像特征及GLCM特征进行训练，确定出所述带钢样本的缺陷信息；

根据所述带钢样本的缺陷信息建立缺陷识别模型。

可选地，所述根据所述融合因子对随机森林算法进行改进，得到基于随机森林的特征融合分类算法包括：

根据所述融合因子重构随机森林算法中对应的决策树，得到重构决策树，所述重构决策树包括HOG决策树和GLCM决策树；

根据所述重构决策树对所述HOG特征以及所述GLCM特征进行选取，得到HOG特征决策树组以及GLCM特征决策数组；

根据所述HOG决策数组对所述带钢样本图片的图像的HOG特征进行识别，得到HOG特征识别数据，以及根据所述GLCM决策数组对所述带钢样本图片的图像的GLCM特征进行识别，得到GLCM特征识别数据；

对所述HOG特征识别数据及所述GLCM特征识别数据进行统计，得到统计分类结果；

根据随机森林算法投票的原则，将所述统计分类结果中得票数最高的特征，确定为所述带钢样本的缺陷识别结果；

将执行以上过程的算法确定为基于随机森林的特征融合分类算法。

可选地，所述运用步进统计的方法对所述图像的HOG特征以及图像的GLCM特征进行融合，包括：

设置HOG特征的权重、GLCM特征的权重以及权重约束条件；

根据所述权重约束条件统计步长；

根据统计的所述步长确定HOG特征的权重值取值范围，以及确定GLCM特征的权重值取值范围；

根据所述HOG特征的权重值取值范围以及GLCM特征的权重值取值范围，计算得到多组权重因子以及每组权重因子对应的识别准确率。

依据本发明的另一个方面，提供了一种带钢表面缺陷识别装置，所述装置包括：

建立模块，用于建立缺陷识别模型；

获取模块，用于获取带钢表面图片；

预处理模块，用于对带钢表面图片进行预处理；

提取模块，用于提取预处理后的带钢表面图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；

识别模块，用于通过所述缺陷识别模型对提取的所述HOG特征及所述GLCM特征进行识别，确定出带钢表面的缺陷信息。

可选地，所述预处理模块包括：

滤波单元，用于对所述带钢表面图片的图像去噪滤波；

变换单元，用于采用分段线性变换，对去噪滤波后的带钢表面图片的图像进行灰度增强；

归一化单元，用于运用双线性插值算法对灰度增强后的带钢表面图片的图像进行缩放和归一化。

可选地，所述建立模块包括：

获取单元，用于获取带钢样本图片；

提取单元，用于提取带钢样本图片的图像的HOG特征以及GLCM特征；

融合单元，用于运用步进统计的方法对所述图像的HOG特征以及图像的GLCM特征进行融合，得到多组权重因子以及每组权重因子对应的识别准确率；

拟合单元，用于对所述多组权重因子及所述识别准确率进行高斯拟合，得到特征拟合函数；

计算单元，用于通过遗传算法对所述特征拟合函数求解，得到融合因子；

改进单元，用于根据所述融合因子对随机森林算法进行改进，得到基于随机森林的特征融合分类算法；

训练单元，用于通过所述基于随机森林的特征融合分类算法对提取的图像的所述HOG图像特征及GLCM特征进行训练，确定出所述带钢样本的缺陷信息；

建立单元，用于根据所述带钢样本的缺陷信息建立缺陷识别模型。

可选地，所述改进单元包括：

重构子单元，用于根据所述融合因子重构随机森林算法中对应的决策树，得到重构决策树，所述重构决策树包括HOG决策树和GLCM决策树；

选取子单元，用于根据所述重构决策树对所述HOG特征以及所述GLCM特征进行选取，得到HOG特征决策树组以及GLCM特征决策数组；

识别子单元，用于根据所述HOG决策数组对所述带钢样本图片的图像的HOG特征进行识别，得到HOG特征识别数据，以及根据所述GLCM决策数组对所述带钢样本图片的图像的GLCM特征进行识别，得到GLCM特征识别数据；

第一统计子单元，用于对所述HOG特征识别数据及所述GLCM特征识别数据进行统计，得到统计分类结果；

第一确定子单元，用于根据随机森林算法投票的原则，将所述统计分类结果中得票数最高的特征，确定为所述带钢样本的缺陷识别结果；将执行以上过程的算法确定为基于随机森林的特征融合分类算法。

可选地，所述融合单元包括：

设置子单元，用于设置HOG特征的权重、GLCM特征的权重以及权重约束条件；

第二统计子单元，用于根据所述权重约束条件统计步长；

第二确定子单元，用于根据统计的所述步长确定HOG特征的权重值取值范围，以及确定GLCM特征的权重值取值范围；

计算子单元，用于根据所述HOG特征的权重值取值范围以及GLCM特征的权重值取值范围，计算得到多组权重因子以及每组权重因子对应的识别准确率。

本发明提供的一种带钢表面缺陷识别方法及装置，实现通过建立的缺陷识别模型对提取的多种特征进行识别后，可以快速、准确地识别出图像的缺陷信息，大大提高了缺陷的识别率，识别出的缺陷的准确性很高，且能够有效克服几何、光学不变性以及旋转性对图像特征描述所带来的问题，对于面积型缺陷的识别率很高。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是本发明一种实施方式的一种带钢表面缺陷识别方法的流程图；

图2是本发明一种实施方式的建立缺陷识别模型的流程图；

图3是本发明一种实施方式的对特征进行融合的流程图；

图4是本发明一种实施方式的获取基于随机森林的特征融合分类算法的流程图；

图5是本发明一种实施方式的对带钢表面缺陷进行预处理的流程图；

图6是本发明一种实施方式的一种带钢表面缺陷识别装置的示意图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。

图1是本发明一种实施方式的一种带钢表面缺陷识别方法的流程图。参见图1，该方法包括以下S101-S105步骤。

在本发明实施例中，在对带钢表面的缺陷进行识别之前，需要建立缺陷识别模型，通过该缺陷识别模型对提取的带钢表面的图像特征进行识别，从而确定出带钢表面的缺陷信息。

步骤S101：建立缺陷识别模型。

上述建立缺陷识别模型具体可通过以下S1011-S1018步骤来建立，如图2所示。

步骤S1011：获取带钢样本图片。

上述带钢样本图片为存在缺陷的带钢表面图片，其中，根据缺陷类型的不同，可以获取每种缺陷类型对应的带钢表面图片，将获取的多种缺陷类型对应的带钢表面图片作为带钢样本图片。

步骤S1012：提取带钢样本图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征。

在本发明实施例中，在提取带钢样板图片的图像特征时，需要提取带钢样本图片的HOG(Histogram of Oriented Gradient，方向梯度直方图)特征以及GLCM(Gray-LevelCo-occurrence Matrix，灰度共生矩阵)特征。

上述HOG特征以及GLCM特征可以详细、全面地描述带钢表面的图像的特征，通过提取带钢表面的HOG特征以及GLCM特征，可以有效地克服带钢表面的图像的光照不变性及旋转性的问题。

步骤S1013：运用步进统计的方法对图像的HOG特征以及GLCM特征进行融合，得到多组权重因子以及每组权重因子对应的识别准确率。

在本发明实施例中，优选地，运用步进统计的方法对HOG特征以及GLCM特征进行融合，具体的可通过以下S10131-S10134步骤进行融合，如图3所示。

步骤S10131：设置HOG特征的权重、GLCM特征的权重以及权重约束条件；

步骤S10132：根据所述权重约束条件统计步长；

步骤S10133：根据统计的所述步长确定HOG特征的权重值取值范围，以及确定GLCM特征的权重值取值范围；

步骤S10134：根据所述HOG特征的权重值取值范围以及GLCM特征的权重值取值范围，计算得到多组权重因子以及每组权重因子对应的识别准确率。

在本发明实施例中，可以将HOG特征的权重值设为w₁，将GLCM特征的权重值设为w₂，将总权重值的范围[0,10]分成N个等分，且w₁,w₂∈[0,10]，并保证w₁+w₂＝10。则统计的步长即为(10-0)/N，若N＝10，则步长为1，即可对应的得到11组权重值，其中HOG特征对应的权重值w₁的取值分别为(0,1,2…,10)，而GLCM特征的权重值w₂相对应于w₁的取值分别为(10,9,8…,0)，并定义权重因子为θ＝w₁/(w₂+w₁)·100％，从而得到多组权重因子。

在本发明实施例中，当对两种特征进行融合后，得到多组θ，即多组权重因子，根据步进统计的不同融合比例得到每组权重因子对应的识别准确率。

在本发明实施例中，通过HOG以及GLCM这两种纹理特征描述算子融合的方法，有效地克服了单一特征描述算子的缺陷，使得融合后的特征既具备细节描述的能力，又具备整体描述的能力。将HOG特征和GLCM特征进行融合，可以非常好地克服几何、光学不变性以及旋转性对图像特征描述所带来的问题，从而可以详尽地描述各种复杂缺陷之间的区别，以达到识别分类的目的，缺陷识别率很高，且识别出的缺陷的准确性很高。

步骤S1014：对多组权重因子及识别准确率进行高斯拟合，得到特征拟合函数。

在本发明实施例中，上述得到的特征拟合函数为识别准确率f(θ)关于权重因子θ的函数。其中，该特征拟合函数f(θ)如下式(24)所示。

$\begin{array}{c}f\left(\mathrm{\θ}\right)=a1*\exp \left(-\left(\left(\mathrm{\θ}-b1\right)/c1\right)^2\right)+a2*\exp \left(-\left(\left(\mathrm{\θ}-b2\right)/c2\right)^2\right)+\\ a3*\exp \left(-\left(\left(\mathrm{\θ}-b3\right)/c3\right)^2\right)+a4*\exp \left(-\left(\left(\mathrm{\θ}-b4\right)/c4\right)^2\right)+\\ a5*\exp \left(-\left(\left(\mathrm{\θ}-b5\right)/c5\right)^2\right)+a6*\exp \left(-\left(\left(\mathrm{\θ}-b6\right)/c6\right)^2\right)+\\ a7*\exp \left(-\left(\left(\mathrm{\θ}-b7\right)/c7\right)^2\right)\end{array}---\left(24\right)$

式(24)中，f(θ)为识别准确率，θ为权重因子，a1＝0.672，b1＝0.7831，c1＝0.1293，a2＝0.04927，b2＝0.4083，c2＝0.05036，a3＝0.5622，b3＝0.5956，c3＝0.15，a4＝0.3254，b4＝0.3844，c4＝0.1819，a5＝0.8072，b5＝0.04857，c5＝0.4316，a6＝0.7621，b6＝0.9892，c6＝0.09563，a7＝0.2256，b7＝0.8753，c7＝0.05123。

步骤S1015：通过遗传算法对特征拟合函数求解，得到融合因子。

上述通过遗传算法对特征拟合函数求解，具体的求解过程如下：

首先，对上述特征拟合函数中每个个体以二进制编码，并运用均匀分布法定义初始种群，设置初始的权重因子θ。

然后，以特征拟合函数f(θ)作为适应度函数，计算适应度，并以f(θ)为优化目标，复制优秀的个体，淘汰劣势个体，并留存最优个体，从而根据计算的适应度对上述初始的权重因子θ进行筛选，确定出适应度最强的个体的特征对应的权重因子，将该适应度最强的个体的特征对应的权重因子作为融合因子。在本发明实施例中，适应度可以用计算出的识别准确率来表示，识别准确率最高时对应的权重因子，即为适应度最强时对应的权重因子。

对以上过程进行预设次数的迭代，迭代过程中，若迭代次数达到预设次数时，则输出上述融合因子，若迭代次数未达到预设次数时，则继续迭代。

在本发明实施例中，上述预设迭代次数为100次，通过100次迭代即可得到融合因子。

步骤S1016：根据融合因子对随机森林算法进行改进，得到改进的基于随机森林的特征融合分类算法。

上述根据融合因子对随机森林算法进行改进，得到基于随机森林的特征融合分类算法，具体可通过以下S10161-S10166步骤得到，如图4所示。

步骤S10161：根据融合因子重构随机森林算法中对应的决策树，得到重构决策树，重构决策树包括HOG决策树和GLCM决策树；

在本发明实施例中，上述重构决策树包括两部分，一部分为HOG决策树，另一部分为GLCM决策树，其中，为HOG特征分配的决策树的数量为100×θ，为GLCM特征分配的决策树的数量为100×(1-θ)。

步骤S10162：根据重构决策树对HOG特征以及GLCM特征进行选取，得到HOG特征决策树组以及GLCM特征决策数组；

步骤S10163：根据HOG决策数组对带钢样本图片的图像的HOG特征进行识别，得到HOG特征识别数据，以及根据GLCM决策数组对带钢样本图片的图像的GLCM特征进行识别，得到GLCM特征识别数据；

步骤S10164：对HOG特征识别数据及GLCM特征识别数据进行统计，得到统计分类结果；

步骤S10165：根据随机森林算法投票的原则，将统计分类结果中得票数最高的特征，确定为带钢样本的缺陷识别结果；

步骤S10166：将执行以上过程的算法确定为基于随机森林的特征融合分类算法。

上述基于随机森林的特征融合分类算法可以均衡的融合HOG特征和GLCM特征，而且对两种特征的融合比例可以根据识别的结果进行优化，以达到很好的特征融合，充分发挥HOG特征对缺陷边缘描述细致等优势，也同时发挥了GLCM特征对缺陷的整体性把握，统计整幅图像的缺陷纹理变化等优势。基于随机森林的特征融合分类算法可以非常好的融合两种特征优势，达到很好的识别分类效果，提高识别的准确率。

步骤S1017：通过基于随机森林的特征融合分类算法对提取的图像特征进行训练，确定出带钢样本图片的缺陷信息。

步骤S1018：根据带钢样本图片的缺陷信息建立缺陷识别模型。

建立缺陷识别模型后，当需要对待测带钢表面的缺陷进行检测时，需要先通过以下S102步骤获取带钢表面图片。

步骤S102：获取带钢表面图片。

获取带钢表面图片后，由于拍摄图片时存在环境干扰，在提取带钢表面图片的图像特征之前，需要通过以下S103步骤对带钢表面图片进行预处理。

步骤S103：对带钢表面图片进行预处理。

上述对带钢表面图片进行预处理具体可通过以下S1031-S1033步骤进行处理，如图5所示。

步骤S1031：对带钢表面图片的图像去噪滤波。

在本发明实施例中，主要通过基于灰度直方图中值滤波对带钢表面图像去噪滤波，具体的去噪滤波过程如下:

首先设有一个一维序列S₁,S₂,S₃,S₄,…,S_n，并取带钢表面图片的图像的方形邻域的长度为m＝2k+1；

然后，用中值滤波此上述一维序列，即通过滑动方形邻域，从此一维序列相继抽出连续的m个数，则得到滑动的邻域为S_i-k,S_i-k+1,S_i-k+2,…,S_i+k，将上述得到的m个数排列大小后，取大小为中间的值为滤波后的输出数据。该滤波后的输出数据的数学表达式如下式(1)所示：

y_i＝Med(S_i-k,S_i-k+1,S_i-k+2,…,S_i+k)i∈N (1)

式(1)中，y_i为滤波后的输出数据，S_i-k为图像的一维序列，N为邻域窗口。

当需要对二维序列{X_ij}进行中值滤波时，滤波的邻域也是二维，但该二维的邻域可以是各种不同的形状，比如方形、菱形、十字形、圆环形、米字形等。二维图像的中值滤波后的输出数据的数学表达式如下式(2)所示：

式(2)中，Y_ij为滤波后的输出数据，X_ij为图像的二维序列，N为邻域窗口。

最后，统计图像的灰度直方图，根据直方图确定图像灰度值集中区域，即为图像背景灰度值的范围。其中，图像背景灰度值的范围具体可通过以下过程统计并确定：

首先，统计图像各个灰度值对应出现频率，求解出最大频率值f_max。然后，以f_max/2为阈值，若图像灰度值对应的出现频率则图像此灰度值不会被中值滤波求得的替换值去掉，而是保持不变；若图像灰度值对应的出现频率则此图像此灰度值会被替换。其中，图像灰度值可通过以下式(3)计算。

式(3)中，Y_ij为图像灰度值，X_ij为图像序列，N为邻域窗口，为图像各个灰度值对应出现频率，f_max为最大频率值。

上述基于灰度直方图中值滤波滤波去噪效果很好，同时也最大程度保留了带钢表面原缺陷图像的信息。

步骤S1032：采用分段线性变换，对去噪滤波后的带钢表面图片的图像进行灰度增强。

上述采用分段线性变换，对去噪滤波后的带钢表面图片的图像进行灰度增强时，具体可通过以下式(4)进行图像灰度值的增强。

$g(x,y)=\left\{\begin{array}{cc}{y}_1/x_1*f\left(x,y\right)& f\left(x,y\right)<x_1\\ \left(y_2-y_1\right)/\left(x_2-x_1\right)*\left(f\left(x,y\right)-x_1\right)+y_1& x_1<f\left(x,y\right)<x_2\\ \left(255-y_2\right)/\left(255-x_2\right)*\left(f\left(x,y\right)-x_2\right)+y_2& f\left(x,y\right)>x_2\end{array}\right.---\left(4\right)$

式(4)中，f(x,y)为输入图像，g(x,y)分段线性变换的输出，x₁，x₂分别为图像灰度的拉伸区间的端点，对图像灰度在[x₁,x₂]区间进行扩展，而在区间[0,x₁]和区间[x₂,255]灰度进行收缩。其中x1为15至30，x2为35至45，y1＝为190至210,y2为210至230。

步骤S1033：运用双线性插值算法对灰度增强后的带钢表面图片的图像进行缩放和归一化。

在本发明实施例中，可以将上述图像灰度值增强后的图片进行双线性差值算法缩放至尺寸为：宽高为64个像素乘64个像素。然后对缩放后的图像灰度值进行归一化。

当通过以上S103步骤对带钢表面图片进行预处理后，可通过以下S104步骤提取预处理后的带钢表面图片的图像特征。

步骤S104：提取预处理后的带钢表面图片的图像的HOG特征以及GLCM特征。

上述HOG特征以及GLCM特征可以详细、全面地描述带钢表面的图像的特征，通过提取带钢表面的HOG特征以及GLCM特征，可以有效地克服带钢表面的图像的光照不变性及旋转性的问题。

上述提取带钢表面图片的图像的HOG特征时，具体可通过以下过程提取：

首先，计算图像水平方向和垂直方向的梯度，根据图像水平方向和垂直方向的梯度，计算图像中像素点(x,y)的梯度G(x，y)以及每个像素位置的梯度方向值α(x,y)，其中，可通过以下式(5)计算水平方向的梯度G_x(x，y)，可通过以下式(6)计算垂直方向的梯度G_y(x，y)，可通过以下式(7)计算(x，y)的梯度G(x，y)，可通过以下式(8)计算梯度方向值α(x,y)；

G_x(x，y)＝H(x+1，y)-H(x-1，y) (5)

式(5)中，G_x(x，y)，表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度，H(x+1，y)和H(x-1，y)表示输入图像中像素点(x,y)处的像素值；

G_y(x，y)＝H(x，y+1)-H(x，y-1) (6)

式(6)中，G_y(x，y)表示输入图像中像素点(x,y)处的垂直方向梯度，H(x，y+1)和H(x，y-1)表示输入图像中像素点(x,y)处的像素值；

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}---\left(7\right)$

$\mathrm{\&alpha;}(x,y)={\tan }^{-1}\left(\frac{G_y(x,y)}{G_x(x,y)}\right)---\left(8\right)$

然后，将图像分成64个“细胞单元”，每个细胞单元的大小为8×8个像素，在一个细胞单元内统计9个方向的梯度直方图，也就是将细胞单元的梯度方向360度分成9个方向块。

最后，把细胞单元组合成大的块，块内归一化梯度直方图，块的大小为2×2个细胞单元，选取归一化因子L2-norm,||v||₂表示v的2阶范数，用ε表示一个很小的常数，每个细胞单元有9个特征，每一块有4个细胞单元，步长为8个像素，所以每行每列都有7个块，一共有1764个HOG特征。

上述提取带钢表面图片的图像的GLCM特征时，具体可通过以下过程提取：

为了更清楚地理解本发明实施例提供的提取带钢表面图片的图像的GLCM特征的过程，首先对图像的灰度共生矩阵进行简单介绍。其中，图像的灰度共生矩阵可通过以下过程生成：

设图像中任意一点坐标为(x,y)以及偏离(x,y)一定距离的另外一点像素点坐标为(x+a,y+b)，其中，(x,y)点对应的灰度值为i，(x+a,y+b)点对应的灰度值为j，即(x,y)对应的像素值g_i∈G，(x+a,y+b)点对应的像素值g_j∈G，其中，G为灰度量化层集。令a和b的值固定不变，而点(x,y)遍历整个图像，即可得到对应的(i,j)值。由于灰度量化层集G含有H个灰度级，所以i与j的组合形式就有H²种；统计整个图像中的所有(g_i,g_j)对应的出现频次，并用矩阵的形式表示，最后用(i,j)总的出现频次归一化得到每一种(i,j)出现的概率P(i,j,d,θ)，则得到图像的灰度共生矩阵P(i,j,d,θ)_H×H。

灰度共生矩阵的本质就是一个像素对的联合直方图，根据不同的偏差值a和b，即可得到对应的方向角为θ，距离为的灰度共生矩阵。

如果从数学的角度来理解灰度共生矩阵，灰度共生矩阵是指以图像中灰度值为i的像素点(x,y)为起点，统计与该点距离为灰度值为j的像素点(x+a,y+b)，所有同时出现的概率密度P(i,j,d,θ)，其中，用数学函数表示的灰度共生矩阵P(i,j,d,θ)如下式(9)所示，：

P(i,j,d,θ)＝{[(x,y),(x+a,y+b)|f(x,y)＝i；f(x+a,y+b)＝j]} (9)

式(9)中，θ为灰度共生矩阵的方向，即两个像素点连线的方向与横轴的夹角，通常取(0°,35°,90°,135°)四个方向，不同的偏差值a和b可得到不一样的灰度共生矩阵；(a,b)的取值一般根据图像的纹理以及灰度变化特征来进行取值，若图像的纹理变化相对缓慢，其灰度共生矩阵对角线上的值相对较大，宜采用对角线分布，即a和b的取值较小；若图像的纹理变化很快，其对角线两侧的矩阵值增大，宜采用均匀分布，即a和b的值较大。

在本发明实施例中，可通过以上方法生成带钢表面图片的图像的灰度共生矩阵，当生成图像的灰度共生矩阵后，通过生成的图像的灰度共生矩阵提取图像的纹理特征，其中，提取的图像的纹理特征包括纹理对比度、最大概率、纹理相关性、熵、均值和、方差、方差和、逆差矩、差的方差、和熵、差熵、聚类阴影、显著聚类、角二阶矩。为了克服缺陷样本的旋转性，分别提取以上每个纹理特征的4个方向(0°，45°，90°135°)组成训练数据库的纹理特征，从而得到56个向量特征，其中，提取过程中具体可通过以下式(10)-式(23)计算对应的纹理特征。其中，可通过以下式(10)计算角二阶矩阵，可通过以下式(11)计算纹理对比度，可通过以下式(12)计算纹理相关性，可通过以下式(13)计算熵，可通过以下式(14)计算方差，可通过以下式(15)计算均值和，可通过以下式(16)计算方差和，可通过以下式(17)逆差矩计算，可通过以下式(18)计算差的方差，可通过以下式(19)计算和熵，可通过以下式(20)计算差熵，可通过以下式(21)计算显著聚类，可通过以下式(22)计算聚类阴影，可通过以下式(23)计算最大概率。

$ASM=\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}P{(i,j,d,\mathrm{\&theta;})}^2---\left(10\right)$

$CON=\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}{(i-j)}^{2}P(i,j,d,\mathrm{\&theta;})---\left(11\right)$

$COR=\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}\frac{\left(ij\right)P(i,j,d,\mathrm{\&theta;})-u_i{u}_j}{s_i{s}_j}---\left(12\right)$

$\begin{array}{cc}{u}_i=\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}i\&CenterDot;P(i,j,d,\mathrm{\&theta;})& u_j=\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}j\&CenterDot;P(i,j,d,\mathrm{\&theta;})\end{array}---\left(12\right)$

$\begin{array}{cc}{s_i}^2=\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}P(i,j,d,\mathrm{\&theta;}){(i-u_i)}^2& {s_j}^2=\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}P(i,j,d,\mathrm{\&theta;}){(j-u_j)}^2\end{array}---\left(12\right)$

$ENT=-\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}P(i,j,d,\mathrm{\&theta;})\log P(i,j,d,\mathrm{\&theta;})---\left(13\right)$

$VAR=\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}{(i-\mathrm{\&mu;})}^{2}P(i,j,d,\mathrm{\&theta;})---\left(14\right)$

式(14)中，μ是P(i,j,d,θ)均值。

$SOA=\underset{k=2}{\overset{2H}{\mathrm{\&Sigma;}}}{\mathrm{kP}}_{x+y}(k,d,\mathrm{\&theta;})---\left(15\right)$

$P_{x+y}(k,d,\mathrm{\&theta;})=\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}P(i,j,d,\mathrm{\&theta;}),k=i+j---\left(15\right)$

$SOV=\underset{k=2}{\overset{2H}{\&Sigma;}}{(k-SOA)}^2{P}_{x+y}(k,d,\mathrm{\&theta;})---\left(16\right)$

$IDM=\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}\frac{P(i,j,d,\mathrm{\&theta;})}{\&lsqb;1+{(i-j)}^2\&rsqb;}---\left(17\right)$

$VOF=\underset{k=0}{\overset{H-1}{\&Sigma;}}{(k-\mathrm{\&omega;})}^2{P}_{x-y}(k,d,\mathrm{\&theta;})---\left(18\right)$

$P_{x-y}(k,d,\mathrm{\&theta;})=\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}P(i,j,d,\mathrm{\&theta;}),k=|i-j|---\left(18\right)$

$\mathrm{\&omega;}=\underset{k=1}{\overset{2H}{\&Sigma;}}{\mathrm{iP}}_{x-y}(k,d,\mathrm{\&theta;})---\left(18\right)$

$SOE=-\underset{k=2}{\overset{2H}{\mathrm{\&Sigma;}}}{P}_{x+y}(k,d,\mathrm{\&theta;})\&times;log\&lsqb;P_{x+y}(k,d,\mathrm{\&theta;})\&rsqb;---\left(19\right)$

$P_{x+y}(k,d,\mathrm{\&theta;})=\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}P(i,j,d,\mathrm{\&theta;}),k=i+j---\left(19\right)$

$P_x(k,d,\mathrm{\&theta;})=\underset{j=2}{\overset{H}{\&Sigma;}}P(k,j,d,\mathrm{\&theta;})---\left(19\right)$

$DOE=-\underset{k=2}{\overset{2H}{\&Sigma;}}{P}_{x-y}(k,d,\mathrm{\&theta;})\&times;log\&lsqb;P_{x-y}(k,d,\mathrm{\&theta;})\&rsqb;---\left(20\right)$

$P_{x-y}(k,d,\mathrm{\&theta;})=\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}P(i,j,d,\mathrm{\&theta;}),k=|i-j|---\left(20\right)$

$POC=-\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}{\&lsqb;(i-{\mathrm{\&mu;}}_1)+(j-{\mathrm{\&mu;}}_2)\&rsqb;}^4\&times;P(i,j,d,\mathrm{\&theta;})---\left(21\right)$

$\begin{array}{cc}{u}_1=\underset{i=1}{\overset{H}{\&Sigma;}}i\underset{j=1}{\overset{H}{\&Sigma;}}P(i,j,d,\mathrm{\&theta;})& u_2=\underset{i=1}{\overset{H}{\&Sigma;}}j\underset{j=1}{\overset{H}{\&Sigma;}}P(i,j,d,\mathrm{\&theta;})\end{array}---\left(21\right)$

$SOC=-\underset{i=1}{\overset{H}{\&Sigma;}}\underset{j=1}{\overset{H}{\&Sigma;}}{\&lsqb;(i-{\mathrm{\&mu;}}_1)+(j-{\mathrm{\&mu;}}_2)\&rsqb;}^3\&times;P(i,j,d,\mathrm{\&theta;})---\left(22\right)$

$\begin{array}{cc}{u}_1=\underset{i=1}{\overset{H}{\&Sigma;}}i\underset{j=1}{\overset{H}{\&Sigma;}}P(i,j,d,\mathrm{\&theta;})& u_2=\underset{i=1}{\overset{H}{\&Sigma;}}j\underset{j=1}{\overset{H}{\&Sigma;}}P(i,j,d,\mathrm{\&theta;})\end{array}---\left(22\right)$

$MP=\frac{Max}{i,j}\&lsqb;P(i,j,d,\mathrm{\&theta;})\&rsqb;---\left(23\right)$

当提取带钢表面图片的图像的HOG特征以及GLCM特征后，可通过以下S105步骤识别出带钢表面的缺陷信息。

步骤S105：通过缺陷识别模型对提取的HOG特征及GLCM特征进行识别，确定出带钢表面的缺陷信息。

在本发明实施例中，通过HOG以及GLCM这两种纹理特征描述算子融合的方法，有效地克服了单一特征描述算子的缺陷，使得融合后的特征既具备细节描述的能力，又具备整体描述的能力。将HOG特征和GLCM特征进行融合，可以非常好地克服几何、光学不变性以及旋转性对图像特征描述所带来的问题，从而可以详尽地描述各种复杂缺陷之间的区别，以达到识别分类的目的，缺陷识别率很高，且识别出的缺陷的准确性很高。

上述缺陷信息详细地描述了带钢表面存在的缺陷，通过上述缺陷信息可以快速、准确地确定出带钢表面的各种缺陷，大大提高了缺陷的识别率和准确率，且能够有效克服几何、光学不变性以及旋转性对图像特征描述所带来的问题，对于面积型缺陷的识别能力很强。

在本发明实施例中，该带钢表面缺陷识别方法对带钢表面的面积型缺陷的识别率很高。其中，面积型缺陷为包括多种图像特征的复杂型缺陷。

本发明实施例提供的带钢表面缺陷识别方法，实现通过建立的缺陷识别模型对提取的多种特征进行识别后，可以快速、准确地识别出图像的缺陷信息，大大提高了缺陷的识别率，识别出的缺陷的准确性很高，且能够有效克服几何、光学不变性以及旋转性对图像特征描述所带来的问题，对于面积型缺陷的识别率很高。

图6是本发明一种实施方式的一种带钢表面缺陷识别装置的示意图。参见图6，该装置包括：

建立模块S1，用于建立缺陷识别模型；

获取模块S2，用于获取带钢表面图片；

预处理模块S3，用于对带钢表面图片进行预处理；

提取模块S4，用于提取预处理后的带钢表面图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；

识别模块S5，用于通过缺陷识别模型对提取的HOG特征及GLCM特征进行识别，确定出带钢表面的缺陷信息。

在本发明实施例中，在对带钢表面的缺陷进行识别之前，需要通过上述建立模块S1建立缺陷识别模型，通过该缺陷识别模型对提取的带钢表面的图像特征进行处理，从而识别出带钢表面的缺陷信息。

上述建立模块S1包括获取单元、提取单元、融合单元、拟合单元、计算单元、改进单元、训练单元和建立单元。

获取单元，用于获取带钢样本图片。

上述带钢样本图片为存在缺陷的带钢表面图片，其中，根据缺陷类型的不同，上述获取单元可以获取每种缺陷类型对应的带钢表面图片，将获取的多种缺陷类型对应的带钢表面图片作为带钢样本图片。提取单元，用于提取带钢样本图片的图像的HOG特征以及GLCM特征。

在本发明实施例中，上述提取单元在提取带钢样板图片的图像特征时，需要提取带钢样本图片的HOG特征以及GLCM特征。

上述HOG特征以及GLCM特征可以详细、全面地描述带钢表面的图像的特征，通过提取带钢表面的HOG特征以及GLCM特征，可以有效地克服带钢表面的图像的光照不变性及旋转性的问题。

融合单元，用于运用步进统计的方法对图像的HOG特征以及图像的GLCM特征进行融合，得到多组权重因子以及每组权重因子对应的识别准确率。

上述融合单元包括：

设置子单元，用于设置HOG特征的权重、GLCM特征的权重以及权重约束条件；

第二统计子单元，用于根据权重约束条件统计步长；

第二确定子单元，用于根据统计的步长确定HOG特征的权重值取值范围，以及确定GLCM特征的权重值取值范围；

计算子单元，用于根据HOG特征的权重值取值范围以及GLCM特征的权重值取值范围，计算得到多组权重因子以及每组权重因子对应的识别准确率。

在本发明实施例中，优选地，融合单元运用步进统计的方法对HOG特征以及GLCM特征进行融合，具体可通过上述实施例中提供的一种带钢表面缺陷识别方法中提供的融合方法进行融合，在此不再赘述。

在本发明实施例中，通过HOG以及GLCM这两种纹理特征描述算子融合的方法，有效地克服了单一特征描述算子的缺陷，使得融合后的特征既具备细节描述的能力，又具备整体描述的能力。将HOG特征和GLCM特征进行融合，可以非常好地克服几何、光学不变性以及旋转性对图像特征描述所带来的问题，从而可以详尽地描述各种复杂缺陷之间的区别，以达到识别分类的目的，缺陷识别率很高，且识别出的缺陷的准确性很高。

拟合单元，用于对多组权重因子及识别准确率进行高斯拟合，得到特征拟合函数。

在本发明实施例中，上述拟合单元得到的特征拟合函数为识别准确率f(θ)关于权重因子θ的函数。其中，该拟合函数如上述实施例中提供的一种带钢表面缺陷识别方法中提供的拟合函数，在此不再赘述。

计算单元，用于通过遗传算法对特征拟合函数求解，得到融合因子。

上述计算单元通过遗传算法对特征拟合函数求解，具体可通过上述实施例中提供的一种带钢表面缺陷识别方法中特征拟合函数求解的过程进行求解，在此不再赘述。

改进单元，用于根据融合因子对随机森林算法进行改进，得到基于随机森林的特征融合分类算法。

上述改进单元包括：

重构子单元，用于根据融合因子重构随机森林算法中对应的决策树，得到重构决策树，重构决策树包括HOG决策树和GLCM决策树；

选取子单元，用于根据重构决策树对HOG特征以及GLCM特征进行选取，得到HOG特征决策树组以及GLCM特征决策数组；

识别子单元，用于根据HOG决策数组对带钢样本图片的图像的HOG特征进行识别，得到HOG特征识别数据，以及根据GLCM决策数组对带钢样本图片的图像的GLCM特征进行识别，得到GLCM特征识别数据；

第一统计子单元，用于对HOG特征识别数据及GLCM特征识别数据进行统计，得到统计分类结果；

第一确定子单元，用于根据随机森林算法投票的原则，将统计分类结果中得票数最高的特征，确定为带钢样本的缺陷识别结果；将执行以上过程的算法确定为基于随机森林的特征融合分类算法。训练单元，用于通过基于随机森林的特征融合分类算法对提取的图像的所述HOG图像特征及GLCM特征进行训练，确定出所述带钢样本的缺陷信息；

建立单元，用于根据所述带钢样本的缺陷信息建立缺陷识别模型。

当上述建立模块S1建立起缺陷识别模型后，当需要对带钢表面进行检测时，上述获取模块S2获取待测带钢表面的图片。由于拍摄图片时存在环境干扰，在上述提取模块S4提取带钢表面图片的图像特征之前，需要通过上述预处理模块S3对带钢表面图片进行预处理。

上述预处理模块S3包括：

滤波单元，用于对带钢表面图片的图像去噪滤波；

变换单元，用于采用分段线性变换，对去噪滤波后的带钢表面图片的图像进行灰度增强；

归一化单元，用于运用双线性插值算法对灰度增强后的带钢表面图片的图像进行缩放和归一化。

上述滤波单元，可通过上述实施例中提供的一种带钢表面缺陷识别方法中的滤波去噪方法，对带钢表面图片的图像进行去噪滤波；上述变换单元，可通过上述实施例中提供的一种带钢表面缺陷识别方法中的变换方法，对去噪滤波后的带钢表面图片的图像进行灰度增强；上述归一化单元，可通过上述实施例中提供的一种带钢表面缺陷识别方法中的缩放及归一化方法，对灰度增强后的带钢表面图片的图像进行缩放和归一化；在此均不再赘述。

当上述预处理模块S3对带钢表面图片的图像进行处理后，通过上述识别模块S5可以识别出带钢表面的缺陷信息。通过上述缺陷信息可以快速、准确地确定出带钢表面的各种缺陷，大大提高了缺陷的识别率和准确率，且能够有效克服几何、光学不变性以及旋转性对图像特征描述所带来的问题，对于面积型缺陷的识别能力很强。

在本发明实施例中，该带钢表面缺陷识别装置对带钢表面的面积型缺陷的识别率很高。其中，面积型缺陷为包括多种图像特征的复杂型缺陷。

本发明实施例提供的带钢表面缺陷识别装置，通过建立的缺陷识别模型，对提取的多种特征进行识别，从而可以快速、准确、识别出图像的缺陷信息，该缺陷信息可以详尽地描述图像中存在的各种缺陷，大大提高了缺陷的识别率，识别出的缺陷的准确性很高，且能够有效克服几何、光学不变性以及旋转性对图像特征描述所带来的问题，对于面积型缺陷的识别能力很强。

综上所述，本发明实施例提供了一种带钢表面缺陷识别方法及装置，实现通过建立的缺陷识别模型对提取的多种特征进行识别后，可以快速、准确地识别出图像的缺陷信息，大大提高了缺陷的识别率，识别出的缺陷的准确性很高，且能够有效克服几何、光学不变性以及旋转性对图像特征描述所带来的问题，对于面积型缺陷的识别率很高。

本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (10)

1.一种带钢表面缺陷识别方法，其特征在于，所述方法包括：

建立缺陷识别模型；

获取带钢表面图片；

对带钢表面图片进行预处理；

提取预处理后的带钢表面图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；

通过所述缺陷识别模型对提取的所述HOG特征及所述GLCM特征进行识别，确定出带钢表面的缺陷信息。

2.根据权利要求1所述的方法，其特征在于，所述对带钢表面图片进行预处理，包括：

对所述带钢表面图片的图像去噪滤波；

采用分段线性变换，对去噪滤波后的带钢表面图片的图像进行灰度增强；

运用双线性插值算法对灰度增强后的带钢表面图片的图像进行缩放和归一化。

3.根据权利要求1所述的方法，其特征在于，所述建立缺陷识别模型，包括：

获取带钢样本图片；

提取带钢样本图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；

运用步进统计的方法对所述图像的HOG特征以及图像的GLCM特征进行融合，得到多组权重因子以及每组权重因子对应的识别准确率；

对所述多组权重因子及所述识别准确率进行高斯拟合，得到特征拟合函数；

通过遗传算法对所述特征拟合函数求解，得到融合因子；

根据所述融合因子对随机森林算法进行改进，得到基于随机森林的特征融合分类算法；

通过所述基于随机森林的特征融合分类算法对提取的图像的所述HOG特征及GLCM特征进行训练，确定出所述带钢样本的缺陷信息；

根据所述带钢样本的缺陷信息建立缺陷识别模型。

4.根据权利要求3所述的方法，其特征在于，所述根据所述融合因子对随机森林算法进行改进，得到基于随机森林的特征融合分类算法包括：

根据所述融合因子重构随机森林算法中对应的决策树，得到重构决策树，所述重构决策树包括HOG决策树和GLCM决策树；

根据所述重构决策树对所述HOG特征以及所述GLCM特征进行选取，得到HOG特征决策树组以及GLCM特征决策数组；

根据所述HOG决策数组对所述带钢样本图片的图像的HOG特征进行识别，得到HOG特征识别数据，以及根据所述GLCM决策数组对所述带钢样本图片的图像的GLCM特征进行识别，得到GLCM特征识别数据；

对所述HOG特征识别数据及所述GLCM特征识别数据进行统计，得到统计分类结果；

根据随机森林算法投票的原则，将所述统计分类结果中得票数最高的特征，确定为所述带钢样本的缺陷识别结果；

将执行以上过程的算法确定为基于随机森林的特征融合分类算法。

5.根据权利要求3所述的方法，其特征在于，所述运用步进统计的方法对所述图像的HOG特征以及图像的GLCM特征进行融合，包括：

设置HOG特征的权重、GLCM特征的权重以及权重约束条件；

根据所述权重约束条件统计步长；

根据统计的所述步长确定HOG特征的权重值取值范围，以及确定GLCM特征的权重值取值范围；

根据所述HOG特征的权重值取值范围以及GLCM特征的权重值取值范围，计算得到多组权重因子以及每组权重因子对应的识别准确率。

6.一种带钢表面缺陷识别装置，其特征在于，所述装置包括：

建立模块，用于建立缺陷识别模型；

获取模块，用于获取带钢表面图片；

预处理模块，用于对带钢表面图片进行预处理；

提取模块，用于提取预处理后的带钢表面图片的图像的方向梯度直方图HOG特征以及灰度共生矩阵GLCM特征；

识别模块，用于通过所述缺陷识别模型对提取的所述HOG特征及所述GLCM特征进行识别，确定出带钢表面的缺陷信息。

7.根据权利要求6所述的装置，其特征在于，所述预处理模块包括：

滤波单元，用于对所述带钢表面图片的图像去噪滤波；

变换单元，用于采用分段线性变换，对去噪滤波后的带钢表面图片的图像进行灰度增强；

归一化单元，用于运用双线性插值算法对灰度增强后的带钢表面图片的图像进行缩放和归一化。

8.根据权利要求6所述的装置，其特征在于，所述建立模块包括：

获取单元，用于获取带钢样本图片；

提取单元，用于提取带钢样本图片的图像的HOG特征以及GLCM特征；

融合单元，用于运用步进统计的方法对所述图像的HOG特征以及图像的GLCM特征进行融合，得到多组权重因子以及每组权重因子对应的识别准确率；

拟合单元，用于对所述多组权重因子及所述识别准确率进行高斯拟合，得到特征拟合函数；

计算单元，用于通过遗传算法对所述特征拟合函数求解，得到融合因子；

改进单元，用于根据所述融合因子对随机森林算法进行改进，得到基于随机森林的特征融合分类算法；

训练单元，用于通过所述基于随机森林的特征融合分类算法对提取的图像的所述HOG图像特征及GLCM特征进行训练，确定出所述带钢样本的缺陷信息；

建立单元，用于根据所述带钢样本的缺陷信息建立缺陷识别模型。

9.根据权利要求8所述的装置，其特征在于，所述改进单元包括：

重构子单元，用于根据所述融合因子重构随机森林算法中对应的决策树，得到重构决策树，所述重构决策树包括HOG决策树和GLCM决策树；

选取子单元，用于根据所述重构决策树对所述HOG特征以及所述GLCM特征进行选取，得到HOG特征决策树组以及GLCM特征决策数组；

识别子单元，用于根据所述HOG决策数组对所述带钢样本图片的图像的HOG特征进行识别，得到HOG特征识别数据，以及根据所述GLCM决策数组对所述带钢样本图片的图像的GLCM特征进行识别，得到GLCM特征识别数据；

第一统计子单元，用于对所述HOG特征识别数据及所述GLCM特征识别数据进行统计，得到统计分类结果；

第一确定子单元，用于根据随机森林算法投票的原则，将所述统计分类结果中得票数最高的特征，确定为所述带钢样本的缺陷识别结果；将执行以上过程的算法确定为基于随机森林的特征融合分类算法。

10.根据权利要求8所述的装置，其特征在于，所述融合单元包括：

设置子单元，用于设置HOG特征的权重、GLCM特征的权重以及权重约束条件；

第二统计子单元，用于根据所述权重约束条件统计步长；

第二确定子单元，用于根据统计的所述步长确定HOG特征的权重值取值范围，以及确定GLCM特征的权重值取值范围；

计算子单元，用于根据所述HOG特征的权重值取值范围以及GLCM特征的权重值取值范围，计算得到多组权重因子以及每组权重因子对应的识别准确率。