[发明专利]一种轧钢板表面缺陷检测方法

说明书

本发明公开了一种轧钢板表面缺陷检测方法，涉及轧钢板缺陷检测技术领域。该检测方法将高精度线阵扫描相机采集轧钢板表面的二维图像输入Mask R‑CNN的卷积神经网络检测模型中进行识别，得到图像上的缺陷类别和缺陷区域；将轧钢板表面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；最后将识别出的二维图像的缺陷区域和缺陷定位的交集作为最终的缺陷位置。本发明的轧钢板表面缺陷检测方法降低了人工成本，并提高了缺陷检测的精度。

技术领域

本发明涉及轧钢板缺陷检测技术领域，具体地涉及一种轧钢板表面缺陷检测方法。

背景技术

针对以往的钢板表面质量检查完全依赖于人工经验进行检测，人工劳动强度大、工作环境差、时效性和准确性差等问题，急需一种检测手段或设备替代人工检测，提升钢板坯表面质量检测的准确性与精度，大大降低人员劳动强度与成本的同时提升生产质量，推动钢板坯生产检测的自动化、智能化发展，促进生产质量与效率的提升。

近几年，基于视觉的检测技术与设备逐渐成为工业生产中缺陷检测的有效途径，在汽车制造、航空航天、机床加工等领域得到广泛应用，利用视觉检测技术替代现有的人工钢板缺陷检测是一种经济可行的方法。

发明内容

针对现有技术中存在的问题，本发明提供了一种轧钢板表面缺陷检测方法。该方法通过对轧钢板表面的二维图像和轮廓点云数据进行分析，最终获得轧钢板表面的缺陷位置，该方法提高了轧钢板表面缺陷的检测效率与检测精度。

为了实现上述目的，本发明采用如下技术方案：一种轧钢板表面缺陷检测方法，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。

进一步地，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。

进一步地，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。

进一步地，所述人工标注的内容包括缺陷类别标注和缺陷区域标注。

进一步地，所述损失函数L具体为：

L＝L_class+L_box+L_mask