[發明專利]一種軋鋼板表面缺陷檢測方法

在審

• 申請號: 202110564536.6
• 申請日: 2021-05-24
• 公開（公告）號: CN113393426A
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 李桂東
• 申請（專利權）人: 南京耘瞳科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06T7/10;G06N3/04
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 戴朝榮

1.一種軋鋼板表面缺陷檢測方法，其特征在于，具體包括如下步驟：

(1)通過高精度線陣掃描相機采集軋鋼板表面的二維圖像，并通過高精度線激光掃描設備對軋鋼板表面進行掃描，獲取輪廓點云數據；

(2)將步驟(1)采集的二維圖像進行圖像去噪及直方圖均衡化處理，得到預處理數據；

(3)構建Mask R-CNN的卷積神經網絡檢測模型，并對Mask R-CNN的卷積神經網絡檢測模型進行訓練，將步驟(2)得到的預處理數據輸入訓練好的Mask R-CNN的卷積神經網絡檢測模型中，識別二維圖像上的缺陷類別和缺陷區域；

(4)將步驟(1)獲取的輪廓點云數據通過主成分分析法和RANSAC平面擬合算法識別缺陷點，并將缺陷點進行歐式聚類，獲得軋鋼板表面的缺陷定位；

(5)將步驟(3)識別出的二維圖像的缺陷區域和步驟(4)獲得的缺陷定位的交集作為最終的缺陷位置。

2.根據權利要求1所述軋鋼板表面缺陷檢測方法，其特征在于，所述Mask R-CNN的卷積神經網絡檢測模型包括依次連接的ResNet-FPN主干網絡、區域建議網絡和預測模塊；所述ResNet-FPN主干網絡用于提取預處理數據中的多尺度特征圖像；所述區域建議網絡用于提取多尺度特征圖像中的感興趣區域，并通過RoIAlign層對感興趣區域進行池化操作，將感興趣區域轉換成固定大小的輸出向量；所述預測模塊利用全連接層和全卷積層對輸出向量進行目標分類、邊界框預測和掩碼分割。

3.根據權利要求2所述軋鋼板表面缺陷檢測方法，其特征在于，所述Mask R-CNN的卷積神經網絡檢測模型的訓練過程具體為：

(a)收集軋鋼板表面的圖像，對圖像進行圖像去噪及直方圖均衡化處理后，進行缺陷區域的人工標注，將人工標注的圖像構成圖像數據集；

(b)將圖像數據集輸入Mask R-CNN的卷積神經網絡檢測模型中進行訓練，當損失函數L收斂時，完成對Mask R-CNN的卷積神經網絡檢測模型的訓練。

4.根據權利要求3所述軋鋼板表面缺陷檢測方法，其特征在于，所述人工標注的內容包括缺陷類別標注和缺陷區域標注。

5.根據權利要求3所述軋鋼板表面缺陷檢測方法，其特征在于，所述損失函數L具體為：

L＝L_class+L_box+L_mask

其中，L_class表示目標分類損失函數，L_box表示邊界定位損失函數，L_mask表示掩碼分割損失函數。

6.根據權利要求1所述軋鋼板表面缺陷檢測方法，其特征在于，步驟(4)具體包括如下子步驟：

(4.1)采用高精度線激光掃描儀對軋鋼板表面進行掃描，獲取輪廓點云數據；

(4.2)通過主成分分析法計算每一個輪廓點的法線特征n_p，與基準法線Z＝(0，0，1)進行誤差比較，將誤差E超過閾值的輪廓點記為疑似缺陷點；

(4.3)利用RANSAC平面擬合算法對輪廓點云數據進行平面擬合，去除擬合出的平面模型內的點云，保留剩余點云；

(4.4)將疑似缺陷點和與剩余點云的交集作為缺陷點集合，對缺陷點集合進行歐氏聚類，獲得軋鋼板表面的缺陷定位。

7.根據權利要求6所述軋鋼板表面缺陷檢測方法，其特征在于，步驟(4.2)中進行誤差比較的過程為：

E＝arccos(n_p·Z)

8.根據權利要求6所述軋鋼板表面缺陷檢測方法，其特征在于，步驟(4.3)的過程具體為：

(A)隨機選擇輪廓點云數據中的三個點，擬合成一個平面模型；

(B)計算所有輪廓點云數據到擬合的平面模型的距離，并將距離小于閾值的輪廓點云數進行統計；

(C)重復步驟(A)-(B)直至所有的點云輪廓數據均擬合過平面模型，將距離小于閾值的輪廓點云數最多的平面模型作為最終的平面模型，去除擬合出的平面模型內的點云，保留剩余點云。