[发明专利]一种基于深度学习的热轧带钢表面缺陷检测方法及装置

权利要求书

1.一种基于深度学习的热轧带钢表面缺陷检测方法，其特征在于，所述检测方法包括：

实时获取的待检测带钢表面图像；

利用预先训练好的Cascade-RCNN缺陷检测模型对实时获取的带钢表面图像进行缺陷实时检测，确定带钢表面图像中的缺陷。

2.根据权利要求1所述的基于深度学习的热轧带钢表面缺陷检测方法，其特征在于，在训练所述Cascade-RCNN检测模型过程中，

将不同层卷积神经网络的特征图进行融合；

采用改进的Anchor进行区域提取；

将ROIPooling替换为ROIAlign。

3.根据权利要求2所述的基于深度学习的热轧带钢表面缺陷检测方法，其特征在于，训练所述Cascade-RCNN检测模型包括：

获取热轧带钢表面缺陷图像；

对每幅带钢表面缺陷图像的缺陷进行标注，标注信息包括：缺陷类型、缺陷位置；

将人工精确标注后的带钢表面缺陷图像划分为训练数据集和测试数据集；

利用所述训练数据集对缺陷检测网络进行训练，得到用于缺陷检测的检测网络参数。

4.根据权利要求3所述的基于深度学习的热轧带钢表面缺陷检测方法，其特征在于，训练所述Cascade-RCNN检测模型还包括：

对所述训练数据集进行数据增强处理；所述增强处理包括以下至少之一：水平翻转、垂直翻转、旋转、对比度增强、亮度增强。

5.根据权利要求2所述的基于深度学习的热轧带钢表面缺陷检测方法，其特征在于，所述将不同层卷积神经网络的特征图进行融合，包括：

将Cascade-RCNN检测模型中原有的提取特征图网络VGG替换成ResNet-101进行特征图提取；

将第i个阶段的最后一个残差结构输出的特征图定义为Ci,i＝2,3,4,5；

将特征图Ci进行变换得到特征图Pi,将特征图Pi进行上采样，将上采样的结果与特征图Ci-1进行叠加，得到特征图Pi-1；

对特征图P5进行降采样，得到特征图P6。

6.根据权利要求5所述的基于深度学习的热轧带钢表面缺陷检测方法，其特征在于，每层特征图上使用3个Anchors，共15个Anchors，Anchor的窗口面积尺寸分别为16²、32²、64²、128²、256²，三种不同的长宽比例分别为1:1、1:2、2:1。

7.根据权利要求2所述的带钢表面缺陷检测方法，其特征在于，ROI Align的反向传播公式为：

其中，d(.)表示两点之间的距离，Δh和Δw表示点x_i与点x_i*(r,j)横纵坐标的差值，x_i代表池化前特征图上的像素点，y_rj代表池化后的第r个候选区域的第j个点；i*(r,j)代表点y_rj像素值的来源。