[發明專利]一種速度與精度平衡的鋼鐵產品表面缺陷檢測方法

在審

• 申請號: 202110872859.1
• 申請日: 2021-07-30
• 公開（公告）號: CN113628178A
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 王兵;汪文艷;盧琨;米春風;王子;楊海娟;周陽;李敏杰
• 申請（專利權）人: 安徽工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 合肥昊晟德專利代理事務所(普通合伙) 34153
• 代理人: 何梓秋

1.一種速度與精度平衡的鋼鐵產品表面缺陷檢測方法，其特征在于，包括以下步驟：

S1：從數據庫中獲取熱軋帶鋼表面缺陷典型圖像樣本，并對樣本進行預處理；

S2：基于CenterNet目標檢測模型，設計包含跳層連接和金字塔特征融合模塊的熱軋帶鋼表面缺陷目標檢測模型，并選擇骨干網絡作為目標檢測模型的特征提取器；

S3：對目標檢測模型中骨干網絡結構部分的參數采用在ImageNet數據集上訓練好的參數進行初始化，并用訓練樣本訓練目標檢測模型；

S4：用訓練后的目標檢測模型對測試樣本進行測試，并輸出檢測結果。

2.根據權利要求1所述的一種速度與精度平衡的鋼鐵產品表面缺陷檢測方法，其特征在于：在所述步驟S1中，所述數據庫為NEU表面缺陷數據庫，在該數據庫中得到熱軋帶鋼表面六種典型表面缺陷的圖像及每副圖像中缺陷所在的位置坐標信息，六種典型表面缺陷分別為裂紋、壓入氧化皮、麻面、斑塊、夾雜、劃痕。

3.根據權利要求1所述的一種速度與精度平衡的鋼鐵產品表面缺陷檢測方法，其特征在于：所述步驟S1包括以下步驟：

S11：將獲取的樣本以設定比例分為訓練集和測試集，所述訓練集和測試集均包含6種典型表面缺陷類別，并將訓練集中的樣本擴大為384*384的圖片；

S12：對訓練樣本進行數據增強處理，數據增強處理方式包括翻轉、平移、增加亮度、裁減、放大。

4.根據權利要求1所述的一種速度與精度平衡的鋼鐵產品表面缺陷檢測方法，其特征在于：所述步驟S2包括以下步驟：

S21：基于CenterNet目標檢測模型，選擇骨干網絡ResNet18-dcn作為特征提取器；

S22：設計包含跳層連接模塊的熱軋帶鋼表面缺陷目標檢測模型；

S23：在加入跳層連接模塊的目標檢測模型中添加金字塔特征融合模塊，得到最終的目標檢測模型。

5.根據權利要求4所述的一種速度與精度平衡的鋼鐵產品表面缺陷檢測方法，其特征在于：在所述步驟S23中，最終的目標檢測模型包括編碼網絡、解碼網絡、跳層連接模塊、金字塔特征融合模塊、輸出模塊；所述編碼網絡包括依次連接的第一卷積模塊、第二卷積模塊、第三卷積模塊、第四卷積模塊、第五卷積模塊，所述第一卷積模塊包括依次連接的一個卷積層與一個池化層，所述第二卷積模塊、第三卷積模塊、第四卷積模塊、第五卷積模塊結構相同，均包括兩個依次連接且有兩個卷積層的殘差結構，所述解碼網絡包括依次連接的第一上采樣模塊、第二上采樣模塊、第三上采樣模塊，所述第一上采樣模塊、第二上采樣模塊、第三上采樣模塊結構相同，均包括依次連接的一個形變卷積層與一個上采樣層；所述跳層連接模塊用于實現所述編碼網絡與解碼網絡中輸出特征圖尺寸大小相同的特征圖之間的連接，連接結合方式是特征圖之間像素值的相加，相加后的融合特征圖輸出尺寸不變；所述金字塔特征融合模塊用于將不同尺寸的特征圖通過上采樣層調整為統一大小，然后將它們通過相加的方式合并，融合為一個具有較大尺寸的特征圖。

6.根據權利要求5所述的一種速度與精度平衡的鋼鐵產品表面缺陷檢測方法，其特征在于：在所述編碼網絡中，所述第一卷積模塊輸出特征圖的尺寸是原始圖像大小的1/4，所述第二卷積模塊中卷積層的步長均為1，第三卷積模塊、第四卷積模塊、第五卷積模塊中第一個卷積殘差結構中的第一個卷積層的步長為2，其余的卷積層步長均為1，除所述第一卷積模塊外，每個卷積模塊輸出特征圖尺寸大小依次為1/4、1/8、1/16、1/32。

7.根據權利要求5所述的一種速度與精度平衡的鋼鐵產品表面缺陷檢測方法，其特征在于：在所述解碼網絡中，所述形變卷積層采用卷積核大小為3×3，步長為1，所述上采樣層采用卷積核大小為4×4，步長為2，上采樣后的每個特征圖的通道為256、128、64。