工件边缘区域的检测方法、设备及存储介质

技术领域

本申请涉及图像识别技术领域，尤其涉及一种工件边缘区域的检测方法、设备及存储介质。

背景技术

在工业的生产制造中，由于生产设备的精度或人为操作的原因，导致生产出来的工件边缘上存在着凹陷或毛刺是无法避免的。而工件边缘是工件生产的一个重要特征，直接影响到工件的质量，为了保证工件的生产质量，往往需要对工件进行边缘检测，以确保工件的品质。相关技术中，通过卷积神经网络类的边缘检测算法检测待测工件的图像中的边缘，虽然通过该算法能够检测出边缘，但是，工件边缘的检测结果不准确性，这些边缘中夹杂着一些不需要的边缘，会导致缺陷的误判，使得工件的品质无法得到保证。

发明内容

本申请实施例通过提供一种工件边缘区域的检测方法、设备及存储介质，旨在提高工件边缘检测结果的准确性，进而提高工件缺陷的检测精度。

本申请实施例提供了一种工件边缘区域的检测方法，所述工件边缘区域的检测方法，包括：

获取待测工件对应的待检测图像，并使用边缘检测模型识别所述待检测图像中的第一边缘区域；

提取所述第一边缘区域中置信度大于预设置信度的像素点，并根据所述置信度大于预设置信度的像素点生成第二边缘区域；

对所述第二边缘区域进行形态学处理，得到第三边缘区域；

提取所述第三边缘区域对应的骨架线条，得到所述待测工件对应的目标边缘区域。

可选地，所述提取所述第三边缘区域对应的骨架线条，得到所述待测工件对应的目标边缘区域的步骤包括：

遍历所述第三边缘区域中的每个像素点，并获取每个像素点对应的邻域像素点；

基于每个像素点对应的邻域像素点，确定所述第三边缘区域中标记为需要删除的像素点；

将所述第三边缘区域中所有标记为需要删除的像素点更新为背景像素点以提取所述第三边缘区域对应的骨架线条，得到所述目标边缘区域。

可选地，所述基于每个像素点对应的邻域像素点，确定所述第三边缘区域中标记为需要删除的像素点包括：

针对每一像素点，确定该像素点对应的所有邻域像素点中，属于前景像素点的数量；

基于该像素点沿顺时针方向的所有邻域像素点，确定像素值由第一像素值变化为第二像素值的变化次数；

确定该像素点对应的第一指定邻域像素点集合，并确定所述第一指定邻域像素点集合中各个像素点的像素值的第一乘积；

确定该像素点对应的第二指定邻域像素点集合，并确定所述第二指定邻域像素点集合中各个像素点的像素值的第二乘积；

当所述前景像素点的数量位于预设区间，所述变化次数等于第一预设值，且所述第一乘积和所述第二乘积均等于第二预设值时，将该像素点标记为需要删除的像素点。

可选地，所述使用边缘检测模型识别所述待检测图像中的第一边缘区域的步骤包括：

采用所述边缘检测模型的编码器提取所述待检测图像对应的不同尺寸的第一图像特征；

将各个所述不同尺寸的第一图像特征经过所述边缘检测模型的解码器进行反卷积操作，以将各个不同尺寸的第一图像特征分别转换为与所述待检测图像具有相同尺寸的第二图像特征；

根据所述第二图像特征得到所述第一边缘区域。

可选地，所述获取待测工件对应的待检测图像，并使用边缘检测模型识别所述待检测图像中的第一边缘区域的步骤之前，还包括：

获取检测图像样本集；

对所述检测图像样本集中每一检测图像进行边缘区域的标注处理，得到每一检测图像标注后的边缘区域；

对每一检测图像标注后的边缘区域分别进行膨胀处理，得到每一检测图像膨胀处理后的边缘区域；

组合每一检测图像膨胀处理后的边缘区域，得到目标检测图像样本集；

采用所述目标检测图像样本集对初始边缘检测模型的损失函数进行训练，得到所述边缘检测模型。

可选地，所述对每一检测图像标注后的边缘区域分别进行膨胀处理，得到每一检测图像对应的膨胀处理后的边缘区域的步骤包括：

确定每一检测图像标注后的边缘区域对应的特征；

根据所述特征确定每一检测图像对应的结构元素的形状和尺寸；

基于所述结构元素的形状和尺寸对每一检测图像标注后的边缘区域分别进行膨胀处理，得到每一检测图像对应的膨胀处理后的边缘区域。

可选地，所述对所述第二边缘区域进行形态学处理，得到第三边缘区域的步骤包括：

对所述第二边缘区域进行膨胀处理，得到膨胀处理后的第二边缘区域；

对所述膨胀处理后的第二边缘区域进行腐蚀处理，得到所述第三边缘区域。

可选地，所述提取所述第三边缘区域对应的骨架线条，得到所述待测工件对应的目标边缘区域的步骤之后，还包括：

基于所述目标边缘区域，确定所述待测工件对应的缺陷；

确定所述缺陷对应的严重程度；

根据所述缺陷对应的严重程度确定所述缺陷对应的解决策略，其中，不同严重程度对应的解决策略不同。

此外，为实现上述目的，本申请还提供了一种工件边缘区域的检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的工件边缘区域的检测程序，所述工件边缘区域的检测程序被所述处理器执行时实现上述的工件边缘区域的检测方法的步骤。

此外，为实现上述目的，本申请还提供了一种计算机可读存储介质，其上存储有工件边缘区域的检测程序，所述工件边缘区域的检测程序被处理器执行时实现上述的工件边缘区域的检测方法的步骤。

本申请实施例中提供的一种工件边缘区域的检测方法、设备及存储介质的技术方案，本申请在通过边缘检测模型识别得到待检测图像中的第一边缘区域之后，将第一边缘区域中置信度低于预设置信度的像素点过滤掉，只保留置信度大于预设置信度的像素点，得到第二边缘区域，这样可以排除一些不确定的或置信度低的像素点。接着对第二边缘区域进行形态学处理，得到第三边缘区域，去除第二边缘区域中不必要的噪声，填充一些不连续的边缘间隙，最后提取第三边缘区域对应的骨架线条，得到待测工件对应的目标边缘区域，使得所提取的目标边缘区域更加准确和稳定，提高后续工件缺陷的检测精度。

附图说明

图1为本申请工件边缘区域的检测方法第一实施例的流程示意图；

图2为本申请工件边缘区域的检测方法步骤S140的细化流程示意图；

图3为本申请工件边缘区域的检测方法步骤S110的细化流程示意图；

图4为本申请工件边缘区域的检测方法步骤S110之前的流程示意图；

图5为本申请工件边缘区域的检测方法步骤S130的细化流程示意图；

图6为本申请工件边缘区域的检测方法步骤S140之后的流程示意图；

图7为本申请工件边缘区域的检测设备的结构示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明，上述附图只是一个实施例图，而不是发明的全部。

具体实施方式

为了更好地理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整地传达给本领域的技术人员。

针对上述问题，本申请提出了一种工件边缘区域的检测方法，主要技术方案包括：获取待测工件对应的待检测图像，并使用边缘检测模型识别所述待检测图像中的第一边缘区域；提取所述第一边缘区域中置信度大于预设置信度的像素点，并根据所述置信度大于预设置信度的像素点生成第二边缘区域；对所述第二边缘区域进行形态学处理，得到第三边缘区域；提取所述第三边缘区域对应的骨架线条，得到所述待测工件对应的目标边缘区域。本申请在通过边缘检测模型识别得到待检测图像中的第一边缘区域之后，将第一边缘区域中置信度低于预设置信度的像素点过滤掉，只保留置信度大于预设置信度的像素点，得到第二边缘区域，这样可以排除一些不确定的或置信度低的像素点。接着对第二边缘区域进行形态学处理，得到第三边缘区域，去除第二边缘区域中不必要的噪声，填充一些不连续的边缘间隙，最后提取第三边缘区域对应的骨架线条，得到待测工件对应的目标边缘区域，使得所提取的目标边缘区域更加准确和稳定。

此外，相关技术中只能基于灰度图进行边缘检测，无法有效利用颜色信息，可能在某些特定场景下，基于灰度图的梯度无法准确检测边缘，针对该问题，本申请采用全卷积神经网络进行图像分割。这类模型通常采用类似于编码器-解码器的结构，编码器用于提取图像特征，捕捉不同尺度的图像特征信息；解码器通过反卷积或者上采样将特征恢复为原图尺寸，得到精确的边缘分割结果。

如图1所示，在本申请的第一实施例中，本申请的工件边缘区域的检测方法应用于工件边缘区域的检测设备，所述工件边缘区域的检测设备可以是智能电脑或其他具有工件边缘区域的检测功能的设备。具体地，本申请的工件边缘区域的检测方法包括以下步骤：

步骤S110，获取待测工件对应的待检测图像，并使用边缘检测模型识别所述待检测图像中的第一边缘区域。

在本实施例中，待测工件对应的待检测图像可通过摄像装置采集得到。

可选地，可通过摄像装置采集待测工件不同角度的图像，通过图像拼接算法将不同角度拍摄的图像进行拼接，从而得到待测工件对应的待检测图像，提高待检测图像的检测精度。

可选地，还可根据不同待测工件的类型调整摄像装置的参数，以适应不同类型的待测工件的待检测图像的采集，例如不同类型的待测工件，对应的摄像装置的分辨率、焦距、曝光时间、感光度等不同。

在本实施例中，边缘检测模型可通过标注有边缘区域的检测图像样本集训练得到，具体的训练过程参照第四实施例，在此不进行赘述。

可选地，可先对待检测的图像进行预处理，一般包括以下操作：将彩色的待检测的图像转化为灰度图像，以便于后续处理；对图像进行去噪处理，以减少噪声对边缘检测的影响；对图像进行尺寸调整和裁剪，以适应不同的边缘检测算法。接着，将预处理后的待检测图像输入边缘检测模型，使用选择的边缘检测模型对预处理后的待检测图像进行边缘检测操作。这个过程会将预处理后的待检测图像中的边缘区域标记出来，得到一张二值图像（即只有黑白两种颜色）。接着，对检测到的边缘区域进行优化处理，以获得更加准确的边缘线。例如，可以使用霍夫变换、非极大值抑制等技术来辅助去除噪点和冗余信息。接着，对检测到的所有边缘进行轮廓提取或连通区域分析，以找到需要的边缘区域，将提取出的边缘区域在待检测图像上标记出来，即得到第一边缘区域。

可选地，上述的边缘检测模型可以是Canny算法、Sobel算子算法等。可以根据实际需求来选择。

可选地，上述的边缘检测模型还可以是基于全卷积神经网络的用于图像分割任务的模型。这类模型通常采用类似于编码器-解码器的结构，编码器用于提取待检测图像的图像特征，捕捉不同尺度的图像特征；解码器通过反卷积或者上采样将图像特征恢复为待检测图像的尺寸，得到精确的边缘分割结果。该基于全卷积神经网络的用于图像分割任务的模型利用了图像的多通道信息，在复杂背景或低对比度情况下能进行更好的边缘检测，通过综合多通道的信息，并捕捉带有语义信息的边缘，提高边缘检测的准确度和完整性。

在本实施例中，将所有需要检测的待检测图像，通过边缘检测模型进行推理，得到第一边缘区域，该第一边缘区域实际上为边缘的预测概率图，该预测概率图表示待检测图像中像素点属于边缘的概率，提供了边缘相关的置信度信息，即提供了属于第一边缘区域的像素点的置信度。其中，置信度可以用于表示边缘检测模型对于待检测图像中每个像素所属类别的确定性程度。边缘检测模型可以为每个像素输出一个类别标签和一个置信度分数，用于表示该像素所属类别的确定性程度，进而基于每一像素的置信度确定第一边缘区域。

步骤S120，提取所述第一边缘区域中置信度大于预设置信度的像素点，并根据所述置信度大于预设置信度的像素点生成第二边缘区域。

在本实施例中，通过边缘检测模型推理得到第一边缘区域，第一边缘区域的像素宽度往往大于1个像素。需要对第一边缘区域进行骨架提取，来进一步提取连续的边缘线条并消除不必要的噪声。骨架提取是一种将边缘区域转化为其骨架线条的方法，将边缘线条变得更细，同时保留其连续性和形状特征。

在本实施例中，在进行骨架提取之前，需要对第一边缘区域进行阈值处理，将第一边缘区域中置信度低于预设置信度的像素点过滤掉，只保留置信度大于预设置信度的像素点。这样可以排除一些不确定的或低置信度的像素点，提高后续骨架提取的准确性和稳定性。

步骤S130，对所述第二边缘区域进行形态学处理，得到第三边缘区域。

在本实施例中，在进行阈值处理之后，进行形态学处理，先扩展第二边缘区域的宽度，使其更连续和饱满，然后再将第二边缘区域转换为更细的线条，通过这些操作有助于去除不必要的噪声，填充一些不连续的边缘间隙。

步骤S140，提取所述第三边缘区域对应的骨架线条，得到所述待测工件对应的目标边缘区域。

在本实施例中，在上述阈值处理和形态学操作之后，使用骨架提取算法来提取边缘的主要结构，即提取第三边缘区域对应的骨架线条，得到待测工件对应的目标边缘区域。骨架提取算法通过迭代地消除第三边缘区域的冗余像素，将第三边缘区域的线条变得更细，并保持其骨架线条。处理后可将第三边缘区域转化为其骨架线条，提取出连续且为单个像素宽的边缘线条，从而得到所述待测工件对应的目标边缘区域。经过骨架提取对第三边缘区域进行后处理，可以将若干个像素宽的第三边缘区域，细化成连续且为单个像素宽的边缘线条，该边缘线条能够真实地反映图像中的边缘，提高工件边缘区域的检测精度。

可选地，本申请所采用的骨架提取算法可以是以下任意一种：

基于几何形状的骨架提取算法：包括细化算法、距离变换算法、曲率中心线算法等。其中，细化算法是最常用的一种骨架提取算法，主要思路是在第三边缘区域上不断缩小骨架的宽度，直到最细处为止，细化算法包括Zhang-Suen算法和Guo-Hall算法。距离变换算法则是计算图像中每个像素到离它最近的边缘像素的距离，然后根据距离值生成骨架。常见的距离变换算法包括Chamfer距离变换和Euclidean距离变换。曲率中心线算法则是通过计算第三边缘区域上每个点的曲率，来提取出第三边缘区域的中心线。基于拓扑结构的骨架提取算法：包括分叉点追踪法等。可根据具体情况选择适合的算法，以达到最佳的效果。

本实施例根据上述技术方案，本申请在通过边缘检测模型识别得到待检测图像中的第一边缘区域之后，将第一边缘区域中置信度低于预设置信度的像素点过滤掉，只保留置信度大于预设置信度的像素点，得到第二边缘区域，这样可以排除一些不确定的或置信度低的像素点。接着对第二边缘区域进行形态学处理，得到第三边缘区域，去除第二边缘区域中不必要的噪声，填充一些不连续的边缘间隙，最后提取第三边缘区域对应的骨架线条，得到待测工件对应的目标边缘区域，使得所提取的目标边缘区域更加准确和稳定。

进一步地，基于第一实施例，在本申请的第二实施例中，参照图2，步骤S140包括：

步骤S141，遍历所述第三边缘区域中的每个像素点，并获取每个像素点对应的邻域像素点。

在本实施例中，采用Zhang-Suen算法进行骨架提取，得到目标边缘区域。Zhang-Suen算法是一种经典的图像细化算法，用于对二值图像进行细化处理，以减少图像中线条的像素宽度，从而得到更加精细的线条轮廓。该算法通过多次迭代来逐渐细化图像。

在本实施例中，每个像素点对应的邻域像素点包括8个，以该像素点为中心，该像素点对应的邻域像素点分别包括左上，左中，左下，正上、正下、右上、右中和右下。

步骤S142，基于每个像素点对应的邻域像素点，确定所述第三边缘区域中标记为需要删除的像素点。

在本实施例中，将第三边缘区域中的所有像素点标记为待处理像素，然后遍历第三边缘区域中的每个像素。在第一次迭代中，遍历第三边缘区域中的每个像素，根据特定的条件来判断是否将该像素标记为背景像素。在第二次迭代中，同样遍历第三边缘区域中的每个像素，根据一些新的条件来判断是否将像素标记为背景像素。不断重复进行第一次迭代和第二次迭代，直到没有像素需要被修改为止。在每次迭代中，Zhang-Suen算法使用一系列条件来判断像素是否应该被标记为背景像素，这些条件通常基于像素的邻域像素点的取值情况。通过多次迭代，算法可以逐渐去除第三边缘区域中的冗余像素，从而实现第三边缘区域细化的效果。

在本实施例中，在每次迭代时，对应的条件不同，将第三边缘区域中满足对应条件的像素点标记为需要删除的像素点。

可选地，针对每一像素点，确定该像素点对应的所有邻域像素点中，属于前景像素点的数量。基于该像素点沿顺时针方向的所有邻域像素点，确定像素值由第一像素值变化为第二像素值的变化次数。确定该像素点对应的第一指定邻域像素点集合，并确定所述第一指定邻域像素点集合中各个像素点的像素值的第一乘积。确定该像素点对应的第二指定邻域像素点集合，并确定所述第二指定邻域像素点集合中各个像素点的像素值的第二乘积。当所述前景像素点的数量位于预设区间，所述变化次数等于第一预设值，且所述第一乘积和所述第二乘积均等于第二预设值时，将该像素点标记为需要删除的像素点。

示例性地，在Zhang-Suen算法的每一步迭代中，它会遍历第三边缘区域中的每一个前景像素点（通常值为1），然后根据一定的条件判断该像素点是否应该被标记为删除。具体的条件通常包括以下几点：

判断该像素点的8-近邻中前景像素点的个数N(p1)，需要在2到6之间。这是为了保证该像素点处于一个过渡区域，既不是孤立的点，也不是内部的点。

判断从该像素点的8-近邻中顺时针方向看，像素值从0到1的变化次数S(P1)是否为1。这是为了保证该像素点处于一个边缘，且边缘是连续的。

判断该像素点的8-近邻中某些特定位置（如P2、P4、P6（第一指定邻域像素点集合）和P4、P6、P8（第二指定邻域像素点集合））的像素值之积是否为0。这是为了保证该像素点处于一个拐角或者端点，因为这些位置的像素值之积为0说明至少有一个位置的像素值为0，即背景像素。

如果某个像素点满足上述所有条件，那么它就会被标记为删除。在所有的前景像素点都被遍历并标记之后，算法会执行一次删除操作，将所有被标记为删除的像素点的值改为背景像素值（通常为0）。

步骤S143，将所述第三边缘区域中所有标记为需要删除的像素点更新为背景像素点以提取所述第三边缘区域对应的骨架线条，得到所述目标边缘区域。

在本实施例中，通过上述的迭代操作确定需要删除的像素点，这些需要删除的像素点为前景像素点，通过对需要删除的像素点进行像素值更改，以将前景像素点更新为背景像素点，从而实现像素点删除的效果，使得所获取的第三边缘区域对应的骨架线条更加精确。

进一步地，基于上述各实施例，在本申请的第三实施例中，参照图3，步骤S110中：使用边缘检测模型识别所述待检测图像中的第一边缘区域包括：

步骤S111，采用所述边缘检测模型的编码器提取所述待检测图像对应的不同尺寸的第一图像特征。

在本实施例中，基于全卷积神经网络的边缘检测模型使用预训练的CNN模型（如VGG、ResNet等）来提取待检测图像的第一图像特征。这些图像特征具有较强的抽象能力，可以捕捉到待检测图像的语义信息。

步骤S112，将各个所述不同尺寸的第一图像特征经过所述边缘检测模型的解码器进行反卷积操作，以将各个不同尺寸的第一图像特征分别转换为与所述待检测图像具有相同尺寸的第二图像特征。

步骤S113，根据所述第二图像特征得到所述第一边缘区域。

在本实施例中，本申请采用基于全卷积神经网络的边缘检测模型识别所述待检测图像中的第一边缘区域。该边缘检测模型能够将全连接层替换为全卷积层，从而使网络能够接受任意尺寸的待检测图像并输出相应尺寸的第二图像特征。

由于卷积操作会导致特征图的尺寸不断减小，为了将第一边缘区域恢复到待检测图像的尺寸，FCN使用上采样操作（即反卷积操作）对特征图进行放大。常用的上采样方法包括反卷积和双线性插值。为了融合不同层级的特征信息，基于全卷积神经网络的边缘检测模型引入了跳跃连接。在上采样的过程中，基于全卷积神经网络的边缘检测模型将低层级的特征图与上一层的上采样结果进行逐元素相加，以提供更丰富的上下文信息。最后，基于全卷积神经网络的边缘检测模型通过一个1x1的卷积层对上采样得到的特征图进行像素级的分类，生成与待检测图像相同尺寸的第二图像特征，从而得到第一边缘区域。

在本实施例中，通过以上步骤，基于全卷积神经网络的边缘检测模型能够将待检测图像分割成多个像素级的区域，并为每个像素分配相应的类别标签，实现了待检测图像的语义分割任务，得到第一边缘区域。基于全卷积神经网络的边缘检测模型使用全卷积的设计能够使得语义分割任务具有较强的灵活性，提高第一边缘区域的准确性。

进一步地，基于上述各实施例，在本申请的第四实施例中，参照图4，步骤S110之前，还包括：

步骤S210，获取检测图像样本集。

在本实施例中，检测图像样本集可通过摄像头采集得到。

步骤S220，对所述检测图像样本集中每一检测图像进行边缘区域的标注处理，得到每一检测图像标注后的边缘区域。

在本实施例中，从获取的检测图像样本集中，选取一部分作为训练图像数据。对训练图像数据进行标注，标注出图像中的边缘区域，边缘标注通常为单像素宽的二值图像。

步骤S230，对每一检测图像标注后的边缘区域分别进行膨胀处理，得到每一检测图像膨胀处理后的边缘区域。

在本实施例中，对每一检测图像标注后的边缘区域进行膨胀操作。膨胀操作是一种常用的形态学操作，通过膨胀操作可以增加边缘标注的宽度，使得边缘更加连续和容易被模型学习。需选择一个结构元素用于膨胀操作，结构元素的形状（如矩形、圆形等等）和尺寸对膨胀效果有一定影响。基于该结构元素对每一检测图像标注后的边缘区域进行膨胀处理，得到每一检测图像膨胀处理后的边缘区域。通过膨胀操作，可以改善边缘标注的质量，使其更连续，更好地反映真实边缘的范围。能够辅助AI边缘检测模型更平滑地训练并收敛。

步骤S240，组合每一检测图像膨胀处理后的边缘区域，得到目标检测图像样本集。

步骤S250，采用所述目标检测图像样本集对初始边缘检测模型的损失函数进行训练，得到所述边缘检测模型。

在本实施例中，在边缘检测模型训练过程中，输入的图像为目标检测图像样本集，该目标检测图像样本集包括膨胀为若干个像素宽的边缘区域标注，训练过程中采用交叉熵损失函数，训练后得到边缘检测模型。

在本实施例中，所述损失函数为交叉熵损失函数，交叉熵损失函数用于衡量两个概率分布之间的差异，通常用来衡量实际输出与期望输出之间的相似程度。通过最小化交叉熵损失函数，可以使得边缘检测模型预测得到的第一边缘区域对应的概率分布尽可能接近真实的概率分布，从而提高边缘缺陷检测模型的分类性能。因此，在训练神经网络时，通常会使用梯度下降等优化算法来最小化交叉熵损失函数，以调整模型参数使得预测结果更加准确。

可选地，步骤S230包括：

步骤S231，确定每一检测图像标注后的边缘区域对应的特征。

步骤S232，根据所述特征确定每一检测图像对应的结构元素的形状和尺寸。

步骤S233，基于所述结构元素的形状和尺寸对每一检测图像标注后的边缘区域分别进行膨胀处理，得到每一检测图像对应的膨胀处理后的边缘区域。

在本实施例中，通常会根据标注后的边缘区域对应的特征调整结构元素的参数，例如调整结构元素的形状和尺寸。每一检测图像基于对应结构元素，能够将单个像素宽的边缘标注，膨胀为若干个像素宽的边缘区域标注。从而实现对每一检测图像进行针对性的膨胀处理，提高每一检测图像的膨胀处理效果。

进一步地，基于上述各实施例，在本申请的第五实施例中，参照图5，步骤S130包括：

步骤S131，对所述第二边缘区域进行膨胀处理，得到膨胀处理后的第二边缘区域。

在本实施例中，对第二边缘区域进行膨胀处理的目的在于用于扩大第二边缘区域中的亮区域（白色区域）或者填充第二边缘区域中的黑色空洞。

可选地，先定义结构元素，接着使得定义的结构元素对第二边缘区域进行膨胀操作，最后得到膨胀处理后的第二边缘区域。

可选地，选择一个适当大小和形状的结构元素，用于确定膨胀操作中像素邻域的大小和形状。常见的结构元素有矩形、椭圆、十字形等。结构元素的选择取决于所需膨胀的效果。

可选地，所述第二边缘区域为二值图像，其中，白色表示所需膨胀的区域，黑色表示背景或不需膨胀的区域。将结构元素从第二边缘区域的每个像素位置开始滑动，如果结构元素与第二边缘区域中的白色像素完全匹配（即覆盖），则将该像素置为白色。这个过程可以理解为结构元素在第二边缘区域上膨胀并留下痕迹。根据需要，可以多次重复膨胀操作来进一步扩大亮区域，每次膨胀操作都会使亮区域扩大。最后展示处理后的第二边缘区域，其中，膨胀处理后的第二边缘区域中的亮区域相对于第二边缘区域来说被扩大了。

步骤S132，对所述膨胀处理后的第二边缘区域进行腐蚀处理，得到所述第三边缘区域。

在本实施例中，对所述膨胀处理后的第二边缘区域进行腐蚀处理的目的在于缩小膨胀处理后的第二边缘区域中的亮区域（白色区域）或者去除膨胀处理后的第二边缘区域图像中的小的白色噪点。

可选地，先定义结构元素，接着使得定义的结构元素对膨胀处理后的第二边缘区域进行腐蚀操作，最后得到腐蚀处理后的第三边缘区域。

可选地，所述膨胀处理后的第二边缘区域为二值图像，其中，白色表示所需腐蚀的区域，黑色表示背景或不需腐蚀的区域。腐蚀操作同样需要定义一个结构元素，它是一个规定形状和大小的模板。常见的结构元素包括方形、圆形或十字形。结构元素的选择取决于所需腐蚀的效果。将结构元素从膨胀处理后的第二边缘区域的每个像素位置开始滑动，如果结构元素与膨胀处理后的第二边缘区域中的白色像素完全匹配（即覆盖），则将该像素保留为白色。否则将其置为黑色。这个过程可以理解为结构元素在膨胀处理后的第二边缘区域上腐蚀并留下痕迹。根据需要，可以多次重复腐蚀操作来进一步缩小亮区域。每次腐蚀操作都会使亮区域缩小。最后，展示处理后的第三边缘区域，其中亮区域相对于第二边缘区域来说被缩小了。

本实施例根据上述技术方案，先对所述第二边缘区域进行膨胀处理，得到膨胀处理后的第二边缘区域，再对所述膨胀处理后的第二边缘区域进行腐蚀处理，得到所述第三边缘区域，膨胀操作可以扩展第二边缘区域的宽度，使其更连续和饱满。腐蚀操作可以将第二边缘区域转换为更细的线条，这些操作有助于去除不必要的噪声，填充一些不连续的边缘间隙。

在其他实施例中，还可对所述第二边缘区域进行腐蚀处理，得到腐蚀处理后的第二边缘区域，再对所述腐蚀处理后的第二边缘区域进行膨胀处理，得到第三边缘区域。能够去除小的白色噪点和细小的连通区域。

进一步地，基于上述各实施例，在本申请的第六实施例中，参照图6，步骤S140之后，还包括：

步骤S310，基于所述目标边缘区域，确定所述待测工件对应的缺陷。

在本实施例中，可预先采用标注有不同类型的边缘缺陷的图像样本进行模型训练，在后续进行缺陷检测时，直接将目标边缘区域输入该缺陷检测模型，从而得到待测工件对应的缺陷。

可选地，可预先建立不同类型的边缘区域与其对应的缺陷之间的映射关系，基于该映射关系训练上述的模型，得到缺陷检测模型。在后续进行缺陷检测时，将目标边缘区域输入该缺陷检测模型，通过该缺陷检测模型匹配该目标边缘区域对应的预设缺陷，进而将该预设缺陷确定为该待测工件对应的缺陷，能够识别得到不同类型的边缘区域的缺陷。

步骤S320，确定所述缺陷对应的严重程度。

步骤S330，根据所述缺陷对应的严重程度确定所述缺陷对应的解决策略，其中，不同严重程度对应的解决策略不同。

在本实施例中，可预先设置每种缺陷对应的严重程度，针对不同严重程度进行相应的处理，从而能够对不同严重程度的缺陷进行针对性处理，提高缺陷的处理效率。

本申请实施例提供了工件边缘区域的检测方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

如图7所示，图7为本申请实施例方案涉及的工件边缘区域的检测设备的硬件运行环境的结构示意图。该工件边缘区域的检测设备可以包括：处理器1001，例如CPU，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏、输入单元比如键盘，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图7中示出的工件边缘区域的检测设备结构并不构成对工件边缘区域的检测设备限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图7所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及工件边缘区域的检测程序。其中，操作系统是管理和控制工件边缘区域的检测设备硬件和软件资源的程序，工件边缘区域的检测程序以及其他软件或程序的运行。

在图7所示的工件边缘区域的检测设备中，用户接口1003主要用于连接终端，与终端进行数据通信；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的工件边缘区域的检测程序。

在本实施例中，工件边缘区域的检测设备包括：存储器1005、处理器1001及存储在所述存储器上并可在所述处理器上运行的工件边缘区域的检测程序，其中：

处理器1001调用存储器1005中存储的工件边缘区域的检测程序时，执行以下操作：

获取待测工件对应的待检测图像，并使用边缘检测模型识别所述待检测图像中的第一边缘区域；

提取所述第一边缘区域中置信度大于预设置信度的像素点，并根据所述置信度大于预设置信度的像素点生成第二边缘区域；

对所述第二边缘区域进行形态学处理，得到第三边缘区域；

提取所述第三边缘区域对应的骨架线条，得到所述待测工件对应的目标边缘区域。

基于同一发明构思，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有工件边缘区域的检测程序，所述工件边缘区域的检测程序被处理器执行时实现如上所述的工件边缘区域的检测方法的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。

由于本申请实施例提供的存储介质，为实施本申请实施例的方法所采用的存储介质，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该存储介质的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的存储介质都属于本申请所欲保护的范围。

需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“ 包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，电视，或者网络设备等)执行本申请各个实施例所述的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。