[发明专利]一种基于深度学习的金属板缺陷检测和度量方法

说明书

本发明涉及一种基于深度学习的金属板缺陷检测和度量方法，该方法包括以下步骤：1)建立并训练基于深度学习目标检测的多级联缺陷检测器；2)利用所述多级联缺陷检测器进行金属板缺陷检测；3)在检测到缺陷时，利用棋盘格标定法度量缺陷的物理大小。与现有技术相比，本发明具有提高缺陷检测的正确率和精确度、节省了大量的人力资源等优点。

技术领域

本发明涉及一种缺陷检测方法，尤其是涉及一种基于深度学习的金属板缺陷检测和度量方法。

背景技术

金属板带是汽车、机械制造、化工、航空航天和造船等行业不可缺少的原材料。且随着我国工业化水平的不断发展，对金属板带表面质量的要求也越来越高，但是由于工艺或其它各种原因致使金属板表面产生各种缺陷。而这些的存在会很大程度影响机器、仪器的使用性能和寿命，因此及时检测金属板带表面缺陷，对缺陷进行严重程度评价具有很大的实际价值。

传统的金属板缺陷检测方法，主要是通过人眼观察或者借助于一些辅助机器观察，但是产品的优良还是主要依赖于行业专家的经验判断，缺乏统一的标准，需要大量的相关专业的人力，且效率比较低。

随着计算机技术、尤其是图像处理技术的发展，越来越多的领域中开始使用图像处理技术来帮助工作。目前，将深度学习目标检测技术应用于金属板缺陷检测，还处于初步计算，大多数应用也只是简单的将标准，单一的深度学习目标检测算法，如一种基于FasterR_CNN网络的金属板带表面缺陷检测方法及装置和一种基于YOLO9000网络的金属板带表面缺陷检测方法及装置。这些方法存在一个公共的问题是，单一检测算法很难在所有的缺陷检测上面都表现的很好。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的金属板缺陷检测和度量方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的金属板缺陷检测和度量方法，该方法包括以下步骤：

1)建立并训练基于深度学习目标检测的多级联缺陷检测器；

2)利用所述多级联缺陷检测器进行金属板缺陷检测；

3)在检测到缺陷时，利用棋盘格标定法度量缺陷的物理大小。

进一步地，所述多级联缺陷检测器由多个目标检测模型串联或并联而成。

进一步地，所述目标检测模型包括faster RCNN模型、yolov3模型和/或SSD模型。

进一步地，所述多级联缺陷检测器的训练过程包括：

步骤S101，采集带有缺陷的金属板图像，对所述金属板图像进行分类和标注；

步骤S102，以所述金属板图像和对应的标注文件作为训练样本集；

步骤S103，以所述训练样本集作为所述多级联缺陷检测器中各目标检测模型的输入，分别训练各目标检测模型；

步骤S104，在满足训练结束条件后保存各目标检测模型的参数。

进一步地，所述步骤2)中，多个目标检测模型串联时，仅在多个目标检测模型同时在同一个位置上检测到缺陷时，判定该位置存在缺陷；

多个目标检测模型并联时，只要其中一个目标检测模型发现缺陷即判定存在缺陷。

进一步地，所述步骤2)中，多个目标检测模型串联时，对多个目标检测模型的结果进行融合后，判定缺陷的种类和位置。

进一步地，所述融合包括缺陷概率融合和缺陷位置融合。