[发明专利]一种基于计算机视觉的钢板表面裂纹检测算法及处理设备

说明书

本发明提供了一种基于计算机视觉的钢板表面裂纹检测算法及处理设备，包括处理设备和视觉算法，视觉算法为基于深度信念网络的缺陷和迁移学习，通过钢板的源缺陷域DBN的构建与训练和最后在处理设备上的对比分析完成检测，本发明基于深度信念网络的缺陷检测方法在得到无缺陷模板后，通过待检测图像与重构图像的差影运算进行缺陷判别，检测速度快，能够实现在线检测，设计的与视觉算法相适应的装置能很好的配合算法完成从模板训练到后期检测的所有工作。

技术领域

本发明涉及缺陷检测领域，尤其是一种基于视觉的钢板缺陷检测算法领域。

背景技术

随着智能时代的来临，许多机械航行业走向智能化比如：人工智能、云计算、物联网等，智能化制造借助计算机模拟人类进行分析、判断和学习，钢板表面的缺陷检测也是越来越重要的工作，传统的钢板表面缺陷依靠人工，通过双眼进行判断与检测，随着智能化发展人工检测已经不符合时代要求，申请号：2019110759389公开了基于视觉识别技术的磁瓦表面缺陷检测系统及检测方法，该发明利用卷积神经网络对磁瓦图像进行提取，融合和判断但其适用范围比较广，对钢板检测并不是最佳的检测方案。

发明内容

针对上述技术问题本发明提供了一种基于计算机视觉的钢板表面裂纹检测算法，所述视觉算法为基于深度信念网络的缺陷和迁移学习，步骤如下：

步骤一：采集钢板的源缺陷和目标缺陷域的样本图像。

步骤二：对缺陷图像进行预处理。

步骤三：钢板的源缺陷域DBN的构建与训练，利用源缺陷的预处理后的样本，利用无监督训练的源缺陷域深度信念网络预训练优化源缺陷域DBN，得到源缺陷域DBN的权值和偏移值。

步骤四：缺陷迁移学习，将钢板源缺陷域的DBN网络结构及参数迁移到目标缺陷域DBN，利用目标缺陷域训练样本对目标缺陷域DBN网络进行微调优化，得到目标缺陷域样本与无缺陷模板图像间的映射。

步骤五：将目标域测试样本与得到的重构图像进行差分运算，并通过阈值法得到差分图像的二值图像，对正常样本和缺陷样本进行判别。

进一步的，所述源缺陷域DBN的构建为采用具有4个隐藏层的DBN网络，第一个隐层是3000维，第二隐层1500维，第三个隐层750维，第四个隐层90维，底层的RBM接收原始的特征向量，底层RBM的输出作为上一层RBM的输入。

进一步的，源缺陷域DBN网络训练的具体流程为：

步骤一：对DBN的第一个RBM进行训练，通过训练将得到一个4096×3000的权重矩阵和偏移量。

步骤二：固定第一个RBM的权重和偏移量，然后将其隐藏神经元的状态输入到第二个RBM，通过训练优化得到一个1500×750的权重矩阵和偏移量；用同样的方法来训练和优化第3和第4个RBM。

步骤三：将上面4个RBM展开连接成新的网络，用步骤1和步骤2得到的权值和偏移量给这个DBN赋初值。

步骤四：利用BP算法对整个网络进行微调，得到最优化的网络参数。

进一步的，所述预处理，是对缺陷图像灰度化和归一化处理，然后对图像进行灰度变换增强缺陷图像的对比度。

本发明还包括一种基于计算机视觉的钢板表面裂纹检测算法的处理设备，使用处理设备完成算法过程，所述的处理设备包括无缺陷钢板运输台、送检台、缺陷钢板运输台、升降装置、翻转装置、扫描装置，其中翻转装置固定安装在升降装置上，扫描装置固定安装在升降装置上，所述翻转装置包括固定连接杆，固定连接杆安装在升降装置上，固定连接杆上转动安装有中心连杆，中心连杆的一端铰接有短翻转杆的一端，短翻转杆的另一端铰接有反面放置台的一端，中心连杆的另一端铰接有长翻转杆的一端，长翻转杆的另一端铰接有正面放置台，正面放置台与固定连接杆铰接，反面放置台与固定连接杆铰接，反面放置台上装有钢板固定组件。