[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

说明书

本发明公开了一种基于深度学习的热轧带钢表面缺陷检测方法，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。本发明中，在实现高精度检测缺陷的基础上具有很高的实时性，能够满足实际生产中缺陷检测生产线对时间和效率的要求，有利于后期整个检测系统的搭建。

技术领域

本发明涉及机器视觉检测方法，更具体地说，涉及一种基于深度学习的热轧带钢表面缺陷检测方法及装置。

背景技术

目前，热轧带钢在生产过程中由于受到原材料、轧制工艺和系统控制等诸多技术因素的影响，其表面出现擦伤、边部裂纹系翘皮、表面划伤、精轧辊印、轧破、折叠、除鳞系铁皮等缺陷的情况时有发生。这些缺陷不仅会影响钢板表面的外观完整性，还会对带钢的耐磨性、抗腐蚀性、抗疲劳性和电磁特性等主要特性有不同程度的影响，同时还反应出产线机组的生产状态。因此及时检测钢板表面缺陷，对于提高带钢表面质量和产品经济效益、确定是否进行产线设备维护和避免事故扩大化具有重要意义。

钢厂内现有的热轧带钢表面缺陷检测技术，一般采用传统的模式识别方法，在工业相机获取钢板表面图片后，使用不同手段提取和处理缺陷特征，然后使用分类器对缺陷进行分类。缺陷类别判定准确度较低，缺陷详细位置定位准确度较低。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于深度学习的热轧带钢表面缺陷检测方法及装置，用于解决现有技术的缺陷。

为实现上述目的及其他相关目的，本发明提供一种基于深度学习的热轧带钢表面缺陷检测方法，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。

可选地，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ROI Pooling替换为ROI Align。

可选地，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。

可选地，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。

可选地，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。