[发明专利]一种轧钢板表面缺陷检测方法

权利要求书

1.一种轧钢板表面缺陷检测方法，其特征在于，具体包括如下步骤：

(1)通过高精度线阵扫描相机采集轧钢板表面的二维图像，并通过高精度线激光扫描设备对轧钢板表面进行扫描，获取轮廓点云数据；

(2)将步骤(1)采集的二维图像进行图像去噪及直方图均衡化处理，得到预处理数据；

(3)构建Mask R-CNN的卷积神经网络检测模型，并对Mask R-CNN的卷积神经网络检测模型进行训练，将步骤(2)得到的预处理数据输入训练好的Mask R-CNN的卷积神经网络检测模型中，识别二维图像上的缺陷类别和缺陷区域；

(4)将步骤(1)获取的轮廓点云数据通过主成分分析法和RANSAC平面拟合算法识别缺陷点，并将缺陷点进行欧式聚类，获得轧钢板表面的缺陷定位；

(5)将步骤(3)识别出的二维图像的缺陷区域和步骤(4)获得的缺陷定位的交集作为最终的缺陷位置。

2.根据权利要求1所述轧钢板表面缺陷检测方法，其特征在于，所述Mask R-CNN的卷积神经网络检测模型包括依次连接的ResNet-FPN主干网络、区域建议网络和预测模块；所述ResNet-FPN主干网络用于提取预处理数据中的多尺度特征图像；所述区域建议网络用于提取多尺度特征图像中的感兴趣区域，并通过RoIAlign层对感兴趣区域进行池化操作，将感兴趣区域转换成固定大小的输出向量；所述预测模块利用全连接层和全卷积层对输出向量进行目标分类、边界框预测和掩码分割。

3.根据权利要求2所述轧钢板表面缺陷检测方法，其特征在于，所述Mask R-CNN的卷积神经网络检测模型的训练过程具体为：

(a)收集轧钢板表面的图像，对图像进行图像去噪及直方图均衡化处理后，进行缺陷区域的人工标注，将人工标注的图像构成图像数据集；

(b)将图像数据集输入Mask R-CNN的卷积神经网络检测模型中进行训练，当损失函数L收敛时，完成对Mask R-CNN的卷积神经网络检测模型的训练。

4.根据权利要求3所述轧钢板表面缺陷检测方法，其特征在于，所述人工标注的内容包括缺陷类别标注和缺陷区域标注。

5.根据权利要求3所述轧钢板表面缺陷检测方法，其特征在于，所述损失函数L具体为：

L＝L_class+L_box+L_mask

其中，L_class表示目标分类损失函数，L_box表示边界定位损失函数，L_mask表示掩码分割损失函数。

6.根据权利要求1所述轧钢板表面缺陷检测方法，其特征在于，步骤(4)具体包括如下子步骤：

(4.1)采用高精度线激光扫描仪对轧钢板表面进行扫描，获取轮廓点云数据；

(4.2)通过主成分分析法计算每一个轮廓点的法线特征n_p，与基准法线Z＝(0，0，1)进行误差比较，将误差E超过阈值的轮廓点记为疑似缺陷点；

(4.3)利用RANSAC平面拟合算法对轮廓点云数据进行平面拟合，去除拟合出的平面模型内的点云，保留剩余点云；

(4.4)将疑似缺陷点和与剩余点云的交集作为缺陷点集合，对缺陷点集合进行欧氏聚类，获得轧钢板表面的缺陷定位。

7.根据权利要求6所述轧钢板表面缺陷检测方法，其特征在于，步骤(4.2)中进行误差比较的过程为：

E＝arccos(n_p·Z)

8.根据权利要求6所述轧钢板表面缺陷检测方法，其特征在于，步骤(4.3)的过程具体为：

(A)随机选择轮廓点云数据中的三个点，拟合成一个平面模型；

(B)计算所有轮廓点云数据到拟合的平面模型的距离，并将距离小于阈值的轮廓点云数进行统计；

(C)重复步骤(A)-(B)直至所有的点云轮廓数据均拟合过平面模型，将距离小于阈值的轮廓点云数最多的平面模型作为最终的平面模型，去除拟合出的平面模型内的点云，保留剩余点云。