[发明专利]一种热轧钢板表面缺陷检测方法

说明书

本申请涉及热轧钢板表面缺陷检测技术领域，提供一种热轧钢板表面缺陷检测方法，该方法包括采集热轧钢板的缺陷图片，对缺陷图片中缺陷坐标和缺陷类别进行标注，再进行数据扩增和数据增强，然后对预先建立的YOLOSteel模型进行训练，得到训练后的YOLOSteel模型，根据训练后的YOLOSteel模型对存在缺陷的热轧钢板进行缺陷定位和缺陷分类。YOLOSteel模型为基于YOLOv4网络模型的改进模型，采用YOLOSteel模型进行热轧钢板表面缺陷检测，一方面降低了模型的参数量和运算量，提高了检测速度，满足工业生产中热轧钢板缺陷检测的实时性，另一方面提高了对热轧钢板的特征提取能力。

技术领域

本申请涉及热轧钢板表面缺陷检测技术领域，具体涉及一种热轧钢板表面缺陷检测方法。

背景技术

热轧钢板是钢铁工业的重要产品之一，主要用于航空航天、桥梁建造、汽车制造以及国防装备等领域。热轧是相对于冷轧而言的，冷轧是指金属在再结晶温度以下进行的轧制，而热轧是指金属在再结晶温度以上进行轧制，简单来说，一块钢坯在加热后经过几道轧制，再切边，矫正后成为钢板，钢铁工业上称这种钢板为热轧钢板。

在生产过程中，由于生产工艺的限制，热轧钢板的表面不可避免地会存在不同形式和不同种类的缺陷，例如夹杂物、重皮和纵向裂纹等，这些表面缺陷对热轧钢板产品的抗腐蚀性和疲劳程度等性能影响较大。也正是由于表面缺陷的多样性和复杂性，各国钢铁生产企业对表面质量的检测都十分重视，不惜花费巨资改进检测技术，提高检测水平。

在现有技术中，热轧钢板表面缺陷检测主要有三种方法，第一种方法为人工裸眼检测，这种方法存在劳动强度大、工作效率低和产品成本高等问题，且容易受到检测经验、眼部疲劳和员工素质等因素影响；第二种方法为传统机器视觉检测，该方法采集钢板图片后，需要人工提取特征再对缺陷进行分类，这一方法在检测精度、实时性和稳定性等方面难以满足实际生产需求；第三种方法为基于深度学习的检测，随着深度学习的发展，深度神经网络已逐渐成为钢板表面缺陷检测任务的主要方法，这类方法普遍使用卷积神经网络提取特征，再对缺陷进行定位和分类，相比于人工裸眼检测和传统机器视觉检测，基于深度学习的缺陷检测在保证识别率和准确度的情况下，节省了人力，然而，现有的基于深度学习的缺陷检测方法进行特征提取时网络参数量大，导致运算量大，检测速度较慢，不能满足热轧钢板检测实时性的要求。

发明内容

本申请提供一种热轧钢板表面缺陷检测方法，以解决现有的方法，特征提取网络参数量大，导致计算量大的不足和检测速度较慢的问题。

本申请提供了一种热轧钢板表面缺陷检测方法，包括：

采集热轧钢板的缺陷图片，对所述缺陷图片中缺陷坐标和缺陷类别进行标注，获得标注信息，根据缺陷图片和对应的标注信息，生成第一缺陷集；

对第一缺陷集进行数据扩增，生成新的缺陷图片，以及，获取新的缺陷图片的缺陷坐标和缺陷类别，生成第二缺陷集；

对第一缺陷集和第二缺陷集中的缺陷图片进行数据增强，根据数据增强后的缺陷图片和对应的标注信息，对预先建立的YOLOSteel模型进行训练，得到训练后的YOLOSteel模型；

实时采集生产过程中的热轧钢板图片和热轧钢板图片对应的流水号，根据训练后的YOLOSteel模型实时检测钢板表面是否存在缺陷，以及，对存在缺陷的热轧钢板进行缺陷定位和缺陷分类，同时触发预警系统，输出热轧钢板的流水号和对应的钢板图像；

所述YOLOSteel模型为基于现有YOLOv4网络模型的改进模型，通过以下方法得到：

将现有YOLOv4网络模型的主干网络CSPDarkNet53更换为SteelNet网络，所述SteelNet网络是在现有轻量级网络GhostNet基础上改进得到的，具体为将现有轻量级网络GhostNet中的SENet模块更换为PSA模块；