[發明專利]一種基于深度學習的熱軋帶鋼表面缺陷檢測方法及裝置

在審

• 申請號: 202010002806.X
• 申請日: 2020-01-02
• 公開（公告）號: CN111161260A
• 公開（公告）日: 2020-05-15
• 發明（設計）人: 謝小東;賈鴻盛;毛尚偉
• 申請（專利權）人: 中冶賽迪重慶信息技術有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 尹麗云

本發明公開了一種基于深度學習的熱軋帶鋼表面缺陷檢測方法，所述檢測方法包括：實時獲取的待檢測帶鋼表面圖像；利用預先訓練好的Cascade?RCNN缺陷檢測模型對實時獲取的帶鋼表面圖像進行缺陷實時檢測，確定帶鋼表面圖像中的缺陷。本發明中，在實現高精度檢測缺陷的基礎上具有很高的實時性，能夠滿足實際生產中缺陷檢測生產線對時間和效率的要求，有利于后期整個檢測系統的搭建。

技術領域

本發明涉及機器視覺檢測方法，更具體地說，涉及一種基于深度學習的熱軋帶鋼表面缺陷檢測方法及裝置。

背景技術

目前，熱軋帶鋼在生產過程中由于受到原材料、軋制工藝和系統控制等諸多技術因素的影響，其表面出現擦傷、邊部裂紋系翹皮、表面劃傷、精軋輥印、軋破、折疊、除鱗系鐵皮等缺陷的情況時有發生。這些缺陷不僅會影響鋼板表面的外觀完整性，還會對帶鋼的耐磨性、抗腐蝕性、抗疲勞性和電磁特性等主要特性有不同程度的影響，同時還反應出產線機組的生產狀態。因此及時檢測鋼板表面缺陷，對于提高帶鋼表面質量和產品經濟效益、確定是否進行產線設備維護和避免事故擴大化具有重要意義。

鋼廠內現有的熱軋帶鋼表面缺陷檢測技術，一般采用傳統的模式識別方法，在工業相機獲取鋼板表面圖片后，使用不同手段提取和處理缺陷特征，然后使用分類器對缺陷進行分類。缺陷類別判定準確度較低，缺陷詳細位置定位準確度較低。

發明內容

鑒于以上所述現有技術的缺點，本發明的目的在于提供一種基于深度學習的熱軋帶鋼表面缺陷檢測方法及裝置，用于解決現有技術的缺陷。

為實現上述目的及其他相關目的，本發明提供一種基于深度學習的熱軋帶鋼表面缺陷檢測方法，所述檢測方法包括：

實時獲取的待檢測帶鋼表面圖像；

利用預先訓練好的Cascade-RCNN缺陷檢測模型對實時獲取的帶鋼表面圖像進行缺陷實時檢測，確定帶鋼表面圖像中的缺陷。

可選地，在訓練所述Cascade-RCNN檢測模型過程中，

將不同層卷積神經網絡的特征圖進行融合；

采用改進的Anchor進行區域提取；

將ROI Pooling替換為ROI Align。

可選地，訓練所述Cascade-RCNN檢測模型包括：

獲取熱軋帶鋼表面缺陷圖像；

對每幅帶鋼表面缺陷圖像的缺陷進行標注，標注信息包括：缺陷類型、缺陷位置；

將人工精確標注后的帶鋼表面缺陷圖像劃分為訓練數據集和測試數據集；

利用所述訓練數據集對缺陷檢測網絡進行訓練，得到用于缺陷檢測的檢測網絡參數。

可選地，訓練所述Cascade-RCNN檢測模型還包括：

對所述訓練數據集進行數據增強處理；所述增強處理包括以下至少之一：水平翻轉、垂直翻轉、旋轉、對比度增強、亮度增強。

可選地，所述將不同層卷積神經網絡的特征圖進行融合，包括：

將Cascade-RCNN檢測模型中原有的提取特征圖網絡VGG替換成ResNet-101進行特征圖提取；

將第i個階段的最后一個殘差結構輸出的特征圖定義為Ci,i＝2,3,4,5；

將特征圖Ci進行變換得到特征圖Pi,將特征圖Pi進行上采樣，將上采樣的結果與特征圖 Ci-1進行疊加，得到特征圖Pi-1

對特征圖P5進行降采樣，得到特征圖P6。