[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

本發明公開了一種軋鋼板表面缺陷檢測方法，涉及軋鋼板缺陷檢測技術領域。該檢測方法將高精度線陣掃描相機采集軋鋼板表面的二維圖像輸入Mask R?CNN的卷積神經網絡檢測模型中進行識別，得到圖像上的缺陷類別和缺陷區域；將軋鋼板表面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；最后將識別出的二維圖像的缺陷區域和缺陷定位的交集作為最終的缺陷位置。本發明的軋鋼板表面缺陷檢測方法降低了人工成本，并提高了缺陷檢測的精度。

技術領域

本發明涉及軋鋼板缺陷檢測技術領域，具體地涉及一種軋鋼板表面缺陷檢測方法。

背景技術

針對以往的鋼板表面質量檢查完全依賴于人工經驗進行檢測，人工勞動強度大、工作環境差、時效性和準確性差等問題，急需一種檢測手段或設備替代人工檢測，提升鋼板坯表面質量檢測的準確性與精度，大大降低人員勞動強度與成本的同時提升生產質量，推動鋼板坯生產檢測的自動化、智能化發展，促進生產質量與效率的提升。

近幾年，基于視覺的檢測技術與設備逐漸成為工業生產中缺陷檢測的有效途徑，在汽車制造、航空航天、機床加工等領域得到廣泛應用，利用視覺檢測技術替代現有的人工鋼板缺陷檢測是一種經濟可行的方法。

發明內容

針對現有技術中存在的問題，本發明提供了一種軋鋼板表面缺陷檢測方法。該方法通過對軋鋼板表面的二維圖像和輪廓點云數據進行分析，最終獲得軋鋼板表面的缺陷位置，該方法提高了軋鋼板表面缺陷的檢測效率與檢測精度。

為了實現上述目的，本發明采用如下技術方案：一種軋鋼板表面缺陷檢測方法，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。

進一步地，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。

進一步地，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。

進一步地，所述人工標注的內容包括缺陷類別標注和缺陷區域標注。

進一步地，所述損失函數L具體為：

L＝L_class+L_box+L_mask