[发明专利]一种用于检测钢包溶蚀缺陷的方法和装置

说明书

本申请实施例公开了一种用于检测钢包溶蚀缺陷的方法和装置。方法的一个具体实施方式包括：采用深度图像采集装置，从待检测钢包内部采集各个角度的RGBD图像；将采集的RGBD图像输入缺陷检测系统，得到已标注预测缺陷的RGBD图像，预测缺陷包括钢包溶蚀缺陷的位置和类别，其中，缺陷检测系统包括基于输入的图像预测该图像中所包括的钢包溶蚀缺陷的位置和类别的深度学习目标检测模型。该方法检测钢包状态的安全性高、准确率高、实时性高。

技术领域

本申请涉及计算机技术领域，具体涉及计算机网络技术领域，尤其涉及一种用于检测钢包溶蚀缺陷的方法和装置。

背景技术

在钢铁制造业中，钢包是炼钢的重要设备，其状态不仅关系到钢铁生产的质量，而且关系到生产环境的安全。因此对于钢包状态的质检是钢铁生产流程中的关键环节。传统钢铁企业生产环境中，对钢包状态进行监控的一种重要手段是对钢包内壁表面的状态进行检测，以判断钢包是否缺陷，并根据检测结果对钢包做相应的处理。

在传统钢铁企业中，这种基于钢包内壁表面状态的质检多为人工巡检或半自动化光学仪器辅助质检。现有的质检系统在缺陷分类应用中主要有两种方式。第一为纯人工质检方式，即依赖于行业专家肉眼观察生产环境中的图像给出判断；第二为机器辅助的人工质检方式，主要由具有一定判断能力的质检系统过滤掉没有缺陷的图像，由行业专家对疑似存在缺陷的图像进行检测判断。其中，第二种方式多为专家系统和特征工程系统发展而来，专家将经验固化在质检系统中，具有一定的自动化能力。

发明内容

本申请实施例提出一种用于检测钢包溶蚀缺陷的方法和装置。

第一方面，本申请实施例提供了一种用于检测钢包溶蚀缺陷的方法，包括：采用深度图像采集装置，从待检测钢包内部采集各个角度的RGBD图像；将采集的RGBD图像输入缺陷检测系统，得到已标注预测缺陷的RGBD图像，预测缺陷包括钢包溶蚀缺陷的位置和类别，其中，缺陷检测系统包括基于输入的图像预测该图像中所包括的钢包溶蚀缺陷的位置和类别的深度学习目标检测模型。

在一些实施例中，缺陷检测系统包括：预测引擎和一个以上采用深度学习目标检测模型的缺陷分类模型；以及将采集的RGBD图像输入缺陷检测系统，得到已标注预测缺陷的RGBD图像包括：采用预测引擎将采集的RGBD图像转化为检测请求，基于一个以上缺陷分类模型的部署情况进行负载均衡和调度，确定用于处理检测请求的缺陷分类模型，将检测请求输入所确定的缺陷分类模型中；采用所确定的缺陷分类模型对检测请求中的图像进行检测，得到已标注预测缺陷的RGBD图像。

在一些实施例中，缺陷分类模型包括：特征提取网络和缺陷定位分类网络；以及将检测请求输入所确定的缺陷分类模型中，得到已标注预测缺陷的RGBD图像包括：将检测请求中的采集的RGBD图像输入特征提取网络，得到图像特征；将图像特征输入缺陷定位分类网络，得到已标注预测缺陷的RGBD图像。

在一些实施例中，缺陷分类模型基于以下步骤确定：获取已标注缺陷的位置和类别的钢包内部RGBD图像；采用已标注缺陷的位置和类别的钢包内部RGBD图像训练预先架构的初始模型，得到缺陷分类模型。

在一些实施例中，方法还包括：将采集的RGBD图像以及缺陷检测系统输出的已标注预测缺陷的RGBD图像，更新至生产数据库；基于更新后的生产数据库，确定更新后的训练数据库；基于更新后的训练数据库优化深度学习目标检测模型。

在一些实施例中，方法还包括：采用点云融合技术，基于采集的RGBD图像构建钢包的3D模型；将已标注预测缺陷的RGBD图像中所标注的缺陷的位置映射至构建的3D模型中，得到3D溶蚀信息；基于3D溶蚀信息与钢包的标准3D模型，确定钢包内部的溶蚀缺陷的位置、类别和深度。

在一些实施例中，方法还包括：响应于已标注预测缺陷的RGBD图像中所标注的缺陷的位置和类别符合预先设置的报警条件，触发报警装置报警。