[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

本發明提供了一種基于深度學習的冷軋帶鋼磨后輥印缺陷檢測方法及系統，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；本發明投入之后，可有效減少輥印缺陷圈的產生，提高成材率。同時實現輥印識別工位的自動化，減少現有工作人員的勞動強度。

技術領域

本發明涉及基于深度學習的冷軋帶鋼磨后輥印缺陷檢測技術領域，具體地，涉及一種基于深度學習的冷軋帶鋼磨后輥印缺陷檢測方法及系統。更為具體地，涉及一種可以代替人工檢測的在線檢測方法，可以配套帶鋼自動打磨系統使用，能夠廣泛應用于鋼鐵廠冷軋機組出口處的帶鋼磨后輥印缺陷檢測系統中。

背景技術

冷軋機組在生產過程中，與帶鋼相接觸的軋輥由于磨損產生點狀突起或粘連細小雜質，進而導致帶鋼表面上呈現出周期性分布的凸起或凹下印痕。一旦發生，往往造成批量的軋硬卷因表面質量不合格而降級，造成較大的經濟損失。此類缺陷占所有磨后缺陷的9成以上，而且缺陷通常機器微小，最小的如針尖狀大小。直接利用光線照射冷軋帶鋼，一般無法識別出該缺陷，需要利用質檢油石打磨后才能使其顯現出來。

雖然經過打磨后，在合適的光線角度下相機可以捕捉到輥印缺陷。但由于打磨過程給帶鋼表面造成了破壞(如附圖1)，輥印缺陷隱在背景復雜的磨痕中，增加了計算機視覺識別的難度，一些較背景磨痕對比度低的輥印缺陷采用傳統的機器視覺算法往往無法識別。加之有些輥印本身非常細小，只占了幾個像素點，更增加了其識別難度。

輥印缺陷在冷軋機組的生產過程中屬于低頻事件，因此能夠收集的輥印缺陷圖像數量非常有限。一些需要通過大量樣本數據訓練來獲得有用本質特征的深度學習網絡無法使用。

因此，有必要設計一種基于深度學習的冷軋帶鋼磨后輥印缺陷在線檢測方法，以克服上述問題。

專利文獻CN108021938A(申請號：201711224806.9)公開了一種冷軋帶鋼表面缺陷在線檢測方法，其特征在于，包括以下步驟：步驟S1、利用光線照射冷軋帶鋼，接收冷軋帶鋼所反射的圖像；步驟S2、對所述圖像進行預處理；步驟S3、構建冷軋帶鋼表面缺陷檢測深度學習網絡，利用所述冷軋帶鋼缺陷檢測深度學習網絡提取所述缺陷圖像的缺陷特征，并識別所述缺陷特征的缺陷種類；步驟S4、根據所述缺陷種類、嚴重程度、所述缺陷特征的數量以及分布情況判定冷軋帶鋼的質量等級。

專利文獻CN108021938A(申請號：201711224806.9)公開的一種冷軋帶鋼表面缺陷在線檢測方法，有如下三點不能滿足輥印缺陷的檢測需求：

1、不包括針對打磨工藝完成后的檢測方法。其設計的檢測方法中，圖像的獲取是利用光線照射冷軋帶鋼，接收冷軋帶鋼所反射的缺陷圖像。因此其深度學習網絡模型沒有考慮磨后復雜的帶鋼表面背景。

2、其在建立機器學習模型的過程中，需要通過大量的樣本數據訓練，才可以獲得有用的本質特征，提高缺陷分類識別以及檢測的準確性。而輥印缺陷無法提供大量的樣本數據。

3、其無法解決輥印和背景的類別不均衡問題。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種基于深度學習的冷軋帶鋼磨后輥印缺陷檢測方法及系統。

根據本發明提供的一種基于深度學習的冷軋帶鋼磨后輥印缺陷檢測方法，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；