[發(fā)明專(zhuān)利]一種基于卷積神經(jīng)網(wǎng)絡(luò)帶標(biāo)記的鋼板表面缺陷檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910536618.2
• 申請(qǐng)日: 2019-06-20
• 公開(kāi)（公告）號(hào): CN110349126B
• 公開(kāi)（公告）日: 2022-11-18
• 發(fā)明（設(shè)計(jì)）人: 戴超凡;牛會(huì)通;瞿華;王正;史夢(mèng)成;馬榕澤
• 申請(qǐng)（專(zhuān)利權(quán)）人: 武漢科技大學(xué)
• 主分類(lèi)號(hào): G06T7/00
• 分類(lèi)號(hào): G06T7/00;G06T7/13;G06V10/764;G06V10/774;G01N21/88
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 魏波

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)帶標(biāo)記的鋼板表面缺陷檢測(cè)方法，其特征在于，包括以下步驟：

步驟1：采集帶有表面缺陷的鋼板圖像，構(gòu)建圖像庫(kù)；將圖像庫(kù)中的圖像分為訓(xùn)練樣本集和測(cè)試樣本集；

步驟2：鋼板圖像預(yù)處理；

步驟3：鋼板圖像邊緣檢測(cè)；

步驟4：鋼板圖像中鋼板缺陷標(biāo)記；

步驟5：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)；

步驟6：鋼板表面缺陷檢測(cè)識(shí)別及分類(lèi)。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)帶標(biāo)記的鋼板表面缺陷檢測(cè)方法，其特征在于：步驟1中，采集帶有表面缺陷的鋼板圖像，對(duì)圖像進(jìn)行關(guān)鍵信息裁剪，縮小識(shí)別范圍，構(gòu)建圖像庫(kù)；其中，所述表面缺陷包括色差、黑斑、磷化斑、翹皮、壓痕、劃痕、針眼、孔洞。

3.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)帶標(biāo)記的鋼板表面缺陷檢測(cè)方法，其特征在于：步驟2中，采用雙邊濾波對(duì)圖像進(jìn)行預(yù)處理；

雙邊濾波后圖像為：

其中，g(i,j)為雙邊濾波后圖像，f()為雙邊濾波前圖像，w(i,j,k,l)為圖像f(i,j)與f(k,l)之間權(quán)重，(i,j)，(k,l)分別指兩個(gè)像素點(diǎn)的坐標(biāo)；σ_d為高斯函數(shù)的方差。

4.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)帶標(biāo)記的鋼板表面缺陷檢測(cè)方法，其特征在于：步驟3中，采用canny改進(jìn)算子進(jìn)行圖像邊緣檢測(cè)；

利用最大類(lèi)間方差法Otsu，自適應(yīng)確定高閾值、低閾值以及平滑濾波方差；其中，最大類(lèi)間方差法Otsu是將圖像像素分為背景和目標(biāo)兩類(lèi)，通過(guò)搜索背景的最大值，得到最優(yōu)閾值。

5.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)帶標(biāo)記的鋼板表面缺陷檢測(cè)方法，其特征在于：步驟4中，所述鋼板缺陷標(biāo)記是在邊緣檢測(cè)的基礎(chǔ)上，對(duì)一些優(yōu)秀特征進(jìn)行提取，在鋼板圖像邊緣處補(bǔ)若干列優(yōu)秀特征數(shù)據(jù)；

所述優(yōu)秀特征，包括缺陷圖像的灰度值一階概率分布P(i)、x方向投影特征P(x)；

P(i)＝k/n；

其中，i表示鋼板表面缺陷圖像灰度等級(jí)；k表示灰度等級(jí)i時(shí)，鋼板表面缺陷圖像灰度和；n表示鋼板表面缺陷圖像灰度總和；f(x，y)表示為鋼板表面缺陷圖像的在x，y處的像素值。

6.根據(jù)權(quán)利要求5所述的基于卷積神經(jīng)網(wǎng)絡(luò)帶標(biāo)記的鋼板表面缺陷檢測(cè)方法，其特征在于，缺陷圖像的灰度值一階概率分布P(i)的標(biāo)記具體過(guò)程如下：

1)在圖像樣本進(jìn)行雙邊濾波后，將其轉(zhuǎn)化為灰度圖像；

2)針對(duì)灰度圖像，計(jì)算灰度值一階概率分布P(i)；

3)其濾波后圖像樣本灰度值區(qū)間為0-255，則可算的缺陷區(qū)域熵的特征向量為256×1，將其數(shù)據(jù)均衡到0-255；

4)將所得灰度值一階概率分布特征向量補(bǔ)在邊緣提取后缺陷圖像的寬度的上，第一列為240個(gè)特征向量，第二列為16個(gè)特征向量，第二列其余位置補(bǔ)零；

5)補(bǔ)零；補(bǔ)零列數(shù)為步長(zhǎng)減一。

7.根據(jù)權(quán)利要求5所述的基于卷積神經(jīng)網(wǎng)絡(luò)帶標(biāo)記的鋼板表面缺陷檢測(cè)方法，其特征在于，對(duì)于x方向投影分布P(i)的標(biāo)記具體過(guò)程如下：

1)在圖像樣本進(jìn)行雙邊濾波后，將其轉(zhuǎn)化為灰度圖像；

2)針對(duì)灰度圖像，計(jì)算x方向投影分布P(x)；

3)樣本圖片x軸為768個(gè)像素點(diǎn)，可算的x方向投影的特征向量為256×1，將其數(shù)據(jù)均衡到0-255；

4)補(bǔ)零；補(bǔ)零列數(shù)為步長(zhǎng)減一。

8.根據(jù)權(quán)利要求1-7任意一項(xiàng)所述的基于卷積神經(jīng)網(wǎng)絡(luò)帶標(biāo)記的鋼板表面缺陷檢測(cè)方法，其特征在于：步驟5中，所述卷積神經(jīng)網(wǎng)絡(luò)由3個(gè)卷積層和1個(gè)softmax輸出層組成；網(wǎng)絡(luò)結(jié)構(gòu)中的第1個(gè)卷積層由卷積操作、激活函數(shù)映射、最大值池化操作組成；第2個(gè)卷積層與第1個(gè)卷積層的結(jié)構(gòu)相同；第3個(gè)卷積層由卷積操作、激活函數(shù)映射組成；網(wǎng)絡(luò)結(jié)構(gòu)的輸出層是1個(gè)6類(lèi)別的softmax輸出分類(lèi)器；

卷積神經(jīng)網(wǎng)絡(luò)及參數(shù)信息見(jiàn)表1；

表1卷積神經(jīng)網(wǎng)絡(luò)及參數(shù)信息

其中，f表示卷積核或是池化核的大小，s為步長(zhǎng)，d為卷積核的深度。