[發明專利]一種基于卷積神經網絡的中厚板壓痕智能識別方法

在審

• 申請號: 201910184734.2
• 申請日: 2019-03-12
• 公開（公告）號: CN110033437A
• 公開（公告）日: 2019-07-19
• 發明（設計）人: 陳玉葉;詹光曹;鄭芳垣;陳旸
• 申請（專利權）人: 福建三鋼閩光股份有限公司;福建省三鋼（集團）有限責任公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06T7/155
• 代理公司: 泉州市博一專利事務所 35213
• 代理人: 方傳榜

本發明公開的是一種基于卷積神經網絡的中厚板壓痕智能識別方法，包括以下具體步驟：中厚板表面的圖像數據獲取，中厚板表面壓痕缺陷識別以及對所識別到的壓痕缺陷圖像進行智能分類與識別。本發明基于圖像濾波、sobel邊緣檢測、梯度增強以及閥值自動調節處理的缺陷識別方法，然后再結合卷積神經訓練模型對壓痕缺陷圖像進行智能分類識別，在實際的中厚板生產線中壓痕缺陷檢出率達到了96.83%，與傳統識別方法的檢出率27.55%優勢明顯。

技術領域

本發明涉及的是中厚板壓痕智能檢驗識別生產領域，更具體地說是一種基于卷積神經網絡的中厚板壓痕智能識別方法。

背景技術

在中厚板生產中，經常會出現由于壓痕造成的鋼板改判或判廢的情況。由于壓痕缺陷形態小，傳統檢測方法的識別效果差，難以準確檢測，且壓痕基本都呈現批量性的特征，不僅影響產品的指標和經濟效益，而且嚴重損害產品的形象。

傳統壓痕識別方法僅采用圖像濾波、邊緣檢測對缺陷進行識別。通過研究表明，壓痕缺陷的特點為有邊界、內部紋理不均勻、凹凸不平，依據壓痕缺陷的邊界性，采用傳統的壓痕識別技術，很難真正準確地對其進行檢測識別，識別率比較低。

本發明設計出了一種基于圖像濾波、sobel邊緣檢測、梯度增強以及閥值自動調節處理的缺陷識別方法，然后再結合卷積神經訓練模型對壓痕缺陷進行智能分類識別。此方法在實際的中厚板生產線中壓痕缺陷檢出率達到了96.83%，與傳統識別方法的檢出率27.55%優勢明顯。

發明內容

本發明公開的是一種基于卷積神經網絡的中厚板壓痕智能識別方法，其主要目的在于克服現有技術存在的上述不足和缺點。

本發明采用的技術方案如下：

一種基于卷積神經網絡的中厚板壓痕智能識別方法，所述識別方法包括以下具體步驟：

步驟一：中厚板表面的圖像數據獲取：采用圖像采集設備采集生產線通過的中厚板表面的圖像數據；

步驟二：中厚板表面壓痕缺陷識別：該工序包括以下具體步驟：

a)采用圖像濾波對步驟一采集到的圖像數據進行預處理；

b)采用sobel算子進行邊緣計算檢測，通過橫向、縱向算子，計算出各像素點的梯度值，得到其梯度圖；

c)采用X、Y方向梯度分別進行權重疊處理，得到增強梯度的梯度圖像；

d)對梯度增加后的梯度圖像進行閾值自動調節，并進行形態學腐蝕膨脹算法運算，識別到圖像的壓痕缺陷圖像；

e)選擇并保存識別到的該壓痕缺陷圖像；

步驟三：對所識別到的壓痕缺陷圖像進行智能分類與識別：采用訓練網絡模型，建立并構筑智能識別的卷積神經網絡，對步驟二保存的已識別到的壓痕缺陷圖像進行智能分類與識別，自動完成并實現圖像的智能識別和分類處理。

更進一步，所述步驟一中的圖像采集設備為高精度攝影機。

更進一步，所述步驟二中的a)工序的圖像濾波方式采用中值濾波圖像處理方式。

更進一步，所述步驟二中的c)工序中采用x、y方向梯度圖像分別進行權重疊加，以此來增強梯度的方法采用如下公開進行權重疊加計算，公式如下：G(x)=aF(x)+(1-a)F(x)；G(y)=aF(y)+(1-a)F(y)；

其中，G(x)、G(y)分別為x方向、y方向梯度增強后的圖像，F(x)、F(y)分別為x方向、y方向梯度增強前的輸入圖像， 0<a<1。

更進一步，所述步驟二中的d)工序中采用的閾值自動分割調節的計算公式如下：