[發(fā)明專利]基于計(jì)算機(jī)視覺(jué)的熱軋鋼板表面缺陷識(shí)別方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010620520.8
• 申請(qǐng)日: 2020-06-30
• 公開（公告）號(hào): CN111784670B
• 公開（公告）日: 2022-05-20
• 發(fā)明（設(shè)計(jì)）人: 張玉琪
• 申請(qǐng)（專利權(quán)）人: 深圳賽安特技術(shù)服務(wù)有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市精英專利事務(wù)所 44242
• 代理人: 李翔宇

1.一種基于計(jì)算機(jī)視覺(jué)的熱軋鋼板表面缺陷識(shí)別方法，其特征在于，包括：

接收?qǐng)D像采集終端所上傳熱軋鋼板表面的當(dāng)前幀圖片；

將所述當(dāng)前幀圖片根據(jù)預(yù)設(shè)的圖片裁剪像素尺寸進(jìn)行裁剪和合成批，得到對(duì)應(yīng)的合成批圖像集；

調(diào)用預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)，將所述合成批圖像集對(duì)應(yīng)的像素矩陣輸入至所述卷積神經(jīng)網(wǎng)絡(luò)，得到對(duì)應(yīng)的圖像分類結(jié)果集；其中，所述圖像分類結(jié)果集中所包括圖像分類結(jié)果的總個(gè)數(shù)與所述合成批圖像集所包括的裁剪圖片的總張數(shù)相等；

判斷所述圖像分類結(jié)果集中是否存在所述圖像分類結(jié)果為缺陷分類結(jié)果；

若所述圖像分類結(jié)果集中存在圖像分類結(jié)果為有缺陷分類結(jié)果，調(diào)用預(yù)先訓(xùn)練的多尺度目標(biāo)檢測(cè)模型，將所述合成批圖像集中各裁剪圖片對(duì)應(yīng)的像素矩陣輸入至所述多尺度目標(biāo)檢測(cè)模型，得到與合成批圖像集各裁剪圖片對(duì)應(yīng)的精篩分類結(jié)果，以組成精篩分類結(jié)果集；其中，所述精篩分類結(jié)果包括有缺陷分類結(jié)果和無(wú)缺陷分類結(jié)果；

若所述精篩分類結(jié)果中存在精篩分類結(jié)果為有缺陷分類結(jié)果，獲取精篩分類結(jié)果為有缺陷分類結(jié)果對(duì)應(yīng)的精篩目標(biāo)圖像，以組成精篩目標(biāo)圖像集；

獲取所述精篩目標(biāo)圖像集中各精篩目標(biāo)圖像中的缺陷區(qū)域尺寸，以得到各精篩目標(biāo)圖像對(duì)應(yīng)的缺陷類型；以及

將所述當(dāng)前幀圖片對(duì)應(yīng)的精篩目標(biāo)圖像集和各精篩目標(biāo)圖像對(duì)應(yīng)的缺陷類型發(fā)送至與所述圖像采集終端對(duì)應(yīng)的監(jiān)控終端。

2.根據(jù)權(quán)利要求1所述的基于計(jì)算機(jī)視覺(jué)的熱軋鋼板表面缺陷識(shí)別方法，其特征在于，所述將所述當(dāng)前幀圖片根據(jù)預(yù)設(shè)的圖片裁剪像素尺寸進(jìn)行裁剪和合成批，得到對(duì)應(yīng)的合成批圖像集，包括：

調(diào)用預(yù)設(shè)的圖片裁剪像素尺寸，根據(jù)所述圖片裁剪像素尺寸將所述當(dāng)前幀圖片裁剪為多張裁剪圖片；

將所述多張裁剪圖片分別增加時(shí)間戳，對(duì)應(yīng)得到多張加時(shí)間戳圖片；

將所述多張加時(shí)間戳圖片進(jìn)行合成批處理，得到對(duì)應(yīng)的合成批圖像集。

3.根據(jù)權(quán)利要求2所述的基于計(jì)算機(jī)視覺(jué)的熱軋鋼板表面缺陷識(shí)別方法，其特征在于，所述調(diào)用預(yù)設(shè)的圖片裁剪像素尺寸，根據(jù)所述圖片裁剪像素尺寸將所述當(dāng)前幀圖片裁剪為多張裁剪圖片，包括：

獲取所述當(dāng)前幀圖片的實(shí)際像素尺寸；

將所述實(shí)際像素尺寸除以所述圖片裁剪像素尺寸，以獲取目標(biāo)裁剪圖片張數(shù)；

根據(jù)所述目標(biāo)裁剪圖片張數(shù)及所述圖片裁剪像素尺寸，將所述當(dāng)前幀圖片裁剪為對(duì)應(yīng)張數(shù)的裁剪圖片。

4.根據(jù)權(quán)利要求2所述的基于計(jì)算機(jī)視覺(jué)的熱軋鋼板表面缺陷識(shí)別方法，其特征在于，所述將所述多張裁剪圖片分別增加時(shí)間戳，對(duì)應(yīng)得到多張加時(shí)間戳圖片，包括：

獲取所述當(dāng)前幀圖片對(duì)應(yīng)的時(shí)間戳，將所述時(shí)間戳增加至所述多張裁剪圖片，對(duì)應(yīng)得到多張加時(shí)間戳圖片。

5.根據(jù)權(quán)利要求1所述的基于計(jì)算機(jī)視覺(jué)的熱軋鋼板表面缺陷識(shí)別方法，其特征在于，還包括：

接收?qǐng)D像采集終端上傳的當(dāng)前設(shè)備唯一編碼；

調(diào)用預(yù)先存儲(chǔ)的設(shè)備白名單；

若所述設(shè)備白名單中存在當(dāng)前設(shè)備唯一編碼，與圖像采集終端建立通訊連接。

6.根據(jù)權(quán)利要求1所述的基于計(jì)算機(jī)視覺(jué)的熱軋鋼板表面缺陷識(shí)別方法，其特征在于，所述調(diào)用預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)，將所述合成批圖像集對(duì)應(yīng)的像素矩陣輸入至所述卷積神經(jīng)網(wǎng)絡(luò)，得到對(duì)應(yīng)的圖像分類結(jié)果集之前，還包括：

接收從區(qū)塊鏈網(wǎng)絡(luò)獲取的卷積神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的第一模型參數(shù)集，以在本地生成卷積神經(jīng)網(wǎng)絡(luò)；其中，所述卷積神經(jīng)網(wǎng)絡(luò)是EfficientNet-b0網(wǎng)絡(luò)；

接收從區(qū)塊鏈網(wǎng)絡(luò)獲取的多尺度目標(biāo)檢測(cè)模型對(duì)應(yīng)的第二模型參數(shù)集，以在本地生成多尺度目標(biāo)檢測(cè)模；其中，所述多尺度目標(biāo)檢測(cè)模型是SNIPER網(wǎng)絡(luò)。

7.根據(jù)權(quán)利要求1所述的基于計(jì)算機(jī)視覺(jué)的熱軋鋼板表面缺陷識(shí)別方法，其特征在于，所述判斷所述圖像分類結(jié)果集中是否存在所述圖像分類結(jié)果為缺陷分類結(jié)果之后，還包括：

若所述圖像分類結(jié)果集中不存在圖像分類結(jié)果為有缺陷分類結(jié)果，將獲取熱軋鋼板表面下一幀圖片的通知信息發(fā)送至圖像采集終端。