[發明專利]一種基于改進深度學習的板形識別方法

在審

• 申請號: 202011065718.0
• 申請日: 2020-09-30
• 公開（公告）號: CN112270649A
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 張秀玲;魏楷倫;羅兆慈
• 申請（專利權）人: 燕山大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/00;G06T7/60;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 陳麗;李洪福

本發明公開了一種基于改進深度學習的板形識別方法，涉及冷軋板帶技術領域，該方法包括：獲取板帶鋼表面圖像，并對板帶鋼表面圖像進行去噪處理；建立基于混合非線性卷積神經網絡的板形識別模型；混合非線性卷積神經網絡由標準卷積、高斯卷積和其他非線性卷積組成；利用優化算法對板形識別模型的模型參數進行優化；將優化后的模型參數導入板形識別模型，將去噪處理后的板帶鋼表面圖像輸入板形識別模型，優化后的板形識別模型進行特征提取并輸出板形基本缺陷的隸屬度。本發明實現了快速、精確的板形識別，為板形識別方法開辟出一條新的途徑，為板形識別與控制技術向著智能化、高精化方向發展提供新的方法。

技術領域

本發明涉及冷軋板帶技術領域，尤其涉及一種基于改進深度學習的板形識別方法。

背景技術

板形作為帶鋼產品的重要性能指標，對板帶工業產品的成材率和質量有著非常重要影響。因此，板形識別是冷軋板帶生產過程中的重要組成部分，也是板形控制的關鍵。

目前國內外廣泛采用板形儀對鋼帶進行板形缺陷的識別，已經投入使用的板形儀按其與鋼帶的接觸關系可劃分為接觸式和非接觸式兩大類。接觸式板形儀采用的檢測方法主要有輥式測張法，通過檢測輥測得板帶鋼每個部位的應力值，然后建立數學模型求得板形缺陷的隸屬度，該方法已取得了較高的識別精度，但其造價昂貴，維護費用高，并且易劃傷板面。非接觸式板形儀采用的檢測方法主要有電磁法、光學法、測振法、測擾度法及彈性輥變位測距法等，將圖像處理方法應用于板形模式識別是一種非接觸式板形識別技術，其具有非接觸性檢測、直觀、智能性等優點，但是目前基于圖像檢測的方法都還存在缺陷的檢出率不高、檢測速度慢、只能識別單一缺陷等不足。高精度、實時的缺陷分類仍是板形識別中有待解決的關鍵問題。

發明內容

基于圖像的板形識別方法是利用缺陷表面光學特性與正常表面光學特性之間的差異以及缺陷的特征來進行判斷和識別，為了改善現有方法在缺陷特征提取方面的不足，本發明提出了一種基于改進深度學習的板形識別方法。

本發明提供的技術方案為：

一種基于改進深度學習的板形識別方法，該方法包括以下步驟：

步驟1、獲取板帶鋼表面圖像，并對所述板帶鋼表面圖像進行去噪處理；

步驟2、建立基于混合非線性卷積神經網絡的板形識別模型；所述混合非線性卷積神經網絡由多種不同的卷積組成，至少包括標準卷積和高斯卷積；

步驟3、利用優化算法對所述板形識別模型的模型參數進行優化；

步驟4、將優化后的模型參數導入所述板形識別模型，將所述去噪處理后的板帶鋼表面圖像輸入所述板形識別模型，所述優化后的板形識別模型進行特征提取并輸出板形基本缺陷的隸屬度。

進一步地，對所述板帶鋼表面圖像進行去噪處理，包括：利用非局部均值去噪算法對所述板帶鋼表面圖像進行去噪處理。

進一步地，所述HN卷積神經網絡的輸出為左邊浪、右邊浪、中間浪、雙邊浪、右三分浪、左三分浪、四分浪和邊中浪。

進一步地，利用優化算法對所述板形識別模型的模型參數進行優化，包括：

確定所述板形識別模型的訓練樣本；

使用輪盤賭算法確定所述混合非線性卷積神經網絡中每個通道的卷積類型；

初始化所述板形識別模型的模型參數；

使用自適應矩估計算法優化所述模型參數，得到優化后的模型參數。

進一步地，初始化所述板形識別模型的模型參數，包括：

a)給定標準卷積概率α₁、高斯卷積概率α₂，且α₁+α₂＝1；卷積層的通道數量k；