1.一种基于丰富度的钢板缺陷分类方法，其特征在于，该方法包括以下步骤：

获取钢板表面的灰度图像，将所述灰度图像分割为多个图像块；获取每个所述图像块中的边缘像素点，基于所述边缘像素点的数量以及每个所述边缘像素点对应的梯度幅值得到所述图像块的边缘丰富度；

获取每个所述图像块的灰度共生矩阵，基于所述灰度共生矩阵得到所述图像块的能量，所述能量的倒数为所述图像块的纹理丰富度；获取所述图像块的颜色丰富度，所述颜色丰富度由所述图像块的灰度级数量、灰度均值以及所述灰度图像的灰度中值得到；

基于所述边缘丰富度、所述纹理丰富度以及所述颜色丰富度的加权求和得到每个所述图像块的区域丰富度，所述区域丰富度大于预设阈值的图像块为缺陷图像块；获取每个所述缺陷图像块的偏置因子，基于所述偏置因子将所有所述缺陷图像块分为第一缺陷和夹渣缺陷；所述第一缺陷中包括多种缺陷；

获取第一缺陷中的每个缺陷图像块对应的周围弱势区域；获取每个所述周围弱势区域的纹理特征向量，将所述纹理特征向量输入训练完成的分类神经网络得到第一缺陷中每个缺陷图像块的缺陷类别；

其中，所述基于所述边缘像素点的数量以及每个所述边缘像素点对应的梯度幅值得到所述图像块的边缘丰富度的步骤，包括：将所述图像块中非边缘像素点的像素值置为0，统计所述图像块中非零像素点的数量，所述边缘丰富度的计算方法为：其中，表示图像块的边缘丰富度； 表示图像块中所有非零像素点的数量； 表示图像块中第 个非零像素点的梯度幅值；表示图像块中所有像素点的数量； 表示调节参数；

所述获取每个所述缺陷图像块的偏置因子的步骤，包括：

获取所述缺陷图像块对应的颜色丰富度与边缘丰富度的比值，基于所述比值获取所述偏置因子。

2.根据权利要求1所述的一种基于丰富度的钢板缺陷分类方法，其特征在于，所述获取所述图像块的颜色丰富度，所述颜色丰富度由所述图像块的灰度级数量、灰度均值以及所述灰度图像的灰度中值得到的步骤，包括：所述颜色丰富度的计算方法为：

其中，表示图像块的颜色丰富度；表示图像块中包含的灰度级数量；表示灰度图像中包含的灰度级的总数量； 表示图像块中第 个灰度级对应的像素点数量；表示图像块中像素点的总数量； 表示该图像块中第 个灰度级的灰度值； 表示该图像块的灰度均值； 表示灰度图像的灰度中值；表示调节参数。

3.根据权利要求1所述的一种基于丰富度的钢板缺陷分类方法，其特征在于，所述获取第一缺陷中的每个缺陷图像块对应的周围弱势区域的步骤，包括：获取第一缺陷中每个缺陷图像块对应的中心强势区域，所述中心强势区域的外边缘为正边缘；基于所述中心强势区域获取每个缺陷图像块对应的保护区域；

在所述缺陷图像块中选取初始生长点，所述初始生长点在所述保护区域之外且与保护区域之间的距离最远；以所述初始生长点进行区域生长得到区域的外边缘为负边缘；所述正边缘与所述外边缘之间的区域为周围弱势区域。

4.根据权利要求3所述的一种基于丰富度的钢板缺陷分类方法，其特征在于，所述获取第一缺陷中每个缺陷图像块对应的中心强势区域的步骤，包括：基于第一缺陷中所有缺陷图像块的像素点的灰度值获取最优灰度阈值，对每个所述缺陷图像块中像素点灰度值小于所述最优灰度阈值的点进行标记，所有标记的点构成的区域为对应缺陷图像块的中心强势区域。

5.根据权利要求3所述的一种基于丰富度的钢板缺陷分类方法，其特征在于，所述基于所述偏置因子将所有所述缺陷图像块分为第一缺陷和夹渣缺陷的步骤，还包括：获取所述夹渣缺陷中每个缺陷图像块的中心强势区域与所述周围弱势区域，所述中心强势区域与所述周围弱势区域构成的区域为对应所述缺陷图像块的缺陷区域；

所述夹渣缺陷中每个缺陷图像块的中心强势区域的获取方法为：利用显著性算法 获取每个缺陷图像块的显著图，将所述显著图中显著值大于预设显著值的像素点进行标注，所有标注的像素点构成的区域为所述中心强势区域。