[發明專利]鋼板缺陷檢測分類方法、裝置、設備及計算機可讀介質

在審

• 申請號: 201810019417.0
• 申請日: 2018-01-09
• 公開（公告）號: CN108230317A
• 公開（公告）日: 2018-06-29
• 發明（設計）人: 冷家冰;劉明浩;梁陽;文亞偉;張發恩;郭江亮;唐進;尹世明
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06F9/50
• 代理公司: 北京市鑄成律師事務所 11313
• 代理人: 張臻賢;王珺

1.一種鋼板缺陷檢測分類方法，其特征在于，包括以下步驟：

接收待檢測的鋼板圖片數據，并生成鋼板缺陷的檢測請求；

根據負載均衡和調度策略，將所述鋼板圖片數據和檢測請求發送至搭載檢測模型的最佳服務器上；

接收由檢測模型對鋼板圖片數據進行預測計算后輸出的預測結果，所述預測結果包括鋼板缺陷的類別；

根據檢測模型的預測結果，執行相應的響應動作。

2.根據權利要求1所述鋼板缺陷檢測分類方法，其特征在于，所述根據檢測模型輸出的預測結果，執行相應的響應動作的步驟之后，還包括：發送更新指令至最佳服務器，由最佳服務器根據接收的鋼板圖片數據和預測結果對所述檢測模型進行訓練更新。

3.一種鋼板缺陷檢測分類方法，其特征在于，包括以下步驟：

接收鋼板圖片數據及鋼板缺陷的檢測請求；

通過檢測模型對鋼板的圖片數據進行鋼板缺陷的預測計算并輸出預測結果，所述預測結果包括鋼板缺陷的類別。

4.根據權利要求3所述鋼板缺陷檢測分類方法，其特征在于，所述檢測模型包括：深度卷積神經網絡和缺陷定位分類網絡；

所述深度卷積神經網絡用于提取鋼板圖片的特征，并將所述特征輸入至所述缺陷定位分類網絡中；

所述缺陷定位分類網絡用于判斷深度卷積神經網絡所提取的特征是否存在缺陷，并獲得該缺陷的類別。

5.根據權利要求4所述鋼板缺陷檢測分類方法，其特征在于，所述深度卷積神經網絡包括：

卷積層，用于利用權值不同的卷積核對鋼板圖像進行掃描卷積，從中提取各種意義的特征，并輸出至特征圖中；

池化層，用于對特征圖進行降維操作；

全連接層，用于將提取的特征映射到缺陷定位分類網絡。

6.根據權利要求3所述鋼板缺陷檢測分類方法，其特征在于，還包括步驟：根據接收的鋼板圖片數據和預測結果對所述檢測模型進行訓練更新。

7.根據權利要求6所述鋼板缺陷檢測分類方法，其特征在于，所述根據接收的鋼板圖片數據和預測結果對所述檢測模型進行訓練更新的步驟包括：

存儲鋼板圖片數據和預測結果，并對檢測模型的訓練數據進行更新；

根據更新后的訓練數據對檢測模型進行訓練，更新檢測模型。

8.一種鋼板缺陷檢測分類裝置，其特征在于，包括：

接收模塊，用于接收待檢測的鋼板圖片數據，并生成鋼板缺陷的檢測請求；

調度模塊，用于根據負載均衡和調度策略，將所述鋼板圖片數據和檢測請求發送至搭載檢測模型的最佳服務器上；

計算結果接收模塊，用于接收由檢測模型對鋼板圖片數據進行預測計算后輸出的預測結果，所述預測結果包括鋼板缺陷的類別；

響應模塊，用于根據檢測模型輸出的預測結果，執行相應的響應動作。

9.根據權利要求8所述的鋼板缺陷檢測分類裝置，其特征在于，還包括更新指令發送模塊，用于發送更新指令至最佳服務器，由最佳服務器根據接收的鋼板圖片數據和預測結果對所述檢測模型進行訓練更新。

10.一種鋼板缺陷檢測分類裝置，其特征在于，包括：

檢測請求接收模塊，用于接收鋼板圖片數據及鋼板缺陷的檢測請求；

計算模塊，用于通過檢測模型對鋼板的圖片數據進行鋼板缺陷的預測計算并輸出預測結果，所述預測結果包括鋼板缺陷的類別。

11.根據權利要求10所述鋼板缺陷檢測分類裝置，其特征在于，所述檢測模型包括：深度卷積神經網絡和缺陷定位分類網絡；

所述深度卷積神經網絡用于提取鋼板圖片的特征，并將所述特征輸入至所述缺陷定位分類網絡中；

所述缺陷定位分類網絡用于判斷深度卷積神經網絡所提取的特征是否存在缺陷，并獲得該缺陷的類別。