[發明專利]基于深度學習的冷軋帶鋼磨后輥印缺陷檢測方法及系統

在審

• 申請號: 202010167902.X
• 申請日: 2020-03-11
• 公開（公告）號: CN113393414A
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 郭心如;黃學鋒;秦凱運;王緯秀
• 申請（專利權）人: 上海寶信軟件股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/32;G06T5/00
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

1.一種基于深度學習的冷軋帶鋼磨后輥印缺陷檢測方法，其特征在于，包括：

步驟M1：采集經自動打磨系統打磨完成后的冷軋帶鋼所反射的缺陷圖像；

步驟M2：對缺陷圖像進行預處理，并將預處理后的缺陷圖像分割為預設大小的圖片；

步驟M3：根據分割后的預設大小的圖片進行人工標注，創建數據集；

步驟M4：利用基于cityscapes數據集的Hrnet預訓練模型對數據集進行預設次數和學習率的訓練，使數據集內標注的缺陷識別率達到預設值，得到訓練完成的模型；

步驟M5：將訓練完成的模型部署在冷軋帶鋼生產線進行在線監測缺陷識別結果；

所述Hrnet預訓練模型是并聯結構，隨時保持高分辨率表征，不只靠從低分辨率表征里恢復高分辨率表征。

2.根據權利要求1所述的基于深度學習的冷軋帶鋼磨后輥印缺陷檢測方法，其特征在于，所述步驟M1包括：冷軋帶鋼經過配套帶鋼自動打磨系統打磨后，利用光源以預設角度照射冷軋帶鋼，相機以預設角度接收冷軋帶鋼所放射的缺陷圖像；

所述步驟M2包括：

步驟M2.1：切割缺陷圖像無效邊緣，獲取ROI區域；

步驟M2.2：利用均衡算法將ROI區域亮度均衡，得到亮度均衡的ROI區域；

步驟M2.3：將亮度均衡的ROI區域分割為預設大小的圖片。

3.根據權利要求1所述的基于深度學習的冷軋帶鋼磨后輥印缺陷檢測方法，其特征在于，所述步驟M3包括：

步驟M3.1：對分割后的預設大小的圖片進行人工標注，以圖例的形式生成PNG標簽，分別表示輥印和背景；

步驟M3.2：將圖片和PNG標簽按照預設比例分為訓練集、驗證集和測試集；

步驟M3.3：將圖片和PNG標簽分類后，創建數據集；

步驟M3.4：根據預設要求對數據集進行檢查，如檢查未通過，重復執行步驟M3.2至步驟M3.3，直至數據集符合預設要求。

4.根據權利要求3所述的基于深度學習的冷軋帶鋼磨后輥印缺陷檢測方法，其特征在于，所述步驟M4包括：

步驟M4.1：加載基于cityscapes數據集的Hrnet預訓練模型；

步驟M4.2：loss函數采用dice loss函數和bce loss函數使得輥印和背景的類別均衡分布，得到均衡分布的數據集；

步驟M4.3：利用基于cityscapes數據集的Hrnet預訓練模型對均勻分布的數據集進行預設次數和學習率的訓練，使測試數據集內標注的缺陷識別率達到預設值。

5.根據權利要求1所述的基于深度學習的冷軋帶鋼磨后輥印缺陷檢測方法，其特征在于，所述步驟M5包括：測試結束后，導出訓練模型，將訓練模型部署在冷軋帶鋼生產線進行在線檢測缺陷識別結果，當缺陷識別結果滿足預設值時，則輸出缺陷位置，當缺陷識別結果不滿足預設值時，重復執行步驟M1至步驟M5，直至缺陷識別結果滿足預設值。

6.一種基于深度學習的冷軋帶鋼磨后輥印缺陷檢測系統，其特征在于，包括：

模塊M1：采集經自動打磨系統打磨完成后的冷軋帶鋼所反射的缺陷圖像；

模塊M2：對缺陷圖像進行預處理，并將預處理后的缺陷圖像分割為預設大小的圖片；

模塊M3：根據分割后的預設大小的圖片進行人工標注，創建數據集；

模塊M4：利用基于cityscapes數據集的Hrnet預訓練模型對數據集進行預設次數和學習率的訓練，使數據集內標注的缺陷識別率達到預設值，得到訓練完成的模型；

模塊M5：將訓練完成的模型部署在冷軋帶鋼生產線進行在線監測缺陷識別結果；

所述Hrnet預訓練模型是并聯結構，隨時保持高分辨率表征，不只靠從低分辨率表征里恢復高分辨率表征。