[发明专利]一种基于深度学习的钢板表面缺陷检测方法

权利要求书

1.一种基于深度学习的钢板表面缺陷检测方法，其特征在于：所述方法包括以下步骤：

步骤一：收集钢板表面缺陷样本并进行预处理；

步骤二：将预处理后的缺陷图像输入预先训练好的缺陷检测模型进行钢板表面缺陷的智能识别；

步骤三：利用经步骤二处理后的样本训练深度学习神经网络模型，得到训练好的深度学习神经网络模型，用于识别钢板表面缺陷；

步骤四：利用训练好的深度学习神经网络模型进行钢板表面缺陷检测。

2.根据权利要求1所述的一种基于深度学习的钢板表面缺陷检测方法，其特征在于：步骤一中，所述收集钢板表面缺陷样本为同一拍摄视角拍摄，且样本中缺陷区域为正样本，非缺陷区域为负样本。

3.根据权利要求1所述的一种基于深度学习的钢板表面缺陷检测方法，其特征在于：步骤一中，所述预处理具体为：

(1)对采集到的图像进行畸变校正；

(2)采用梯度图像自适应阈值分割法、边缘检测法、二值化处理、断点连接算法对图像进行处理。

4.根据权利要求1所述的一种基于深度学习的钢板表面缺陷检测方法，其特征在于：所述缺陷检测模型需要提前训练，其训练过程包括以下步骤：

(1)构造多层卷积神经网络1和多层卷积神经网络2，所述多层卷积神经网络1用于对麻点缺陷进行检测，所述多层卷积神经网络2用于对划痕缺陷进行检测；

(2)采集大量的缺陷图像并进行人工标记，标识出缺陷所在区域、缺陷种类和缺陷大小，在缺陷种类方面，主要针对麻点缺陷和划痕缺陷进行区分，从而得到用于训练缺陷检测模型的训练样本；

(3)将麻点缺陷样本导入多层卷积神经网络1，结合人工标记信息利用优化算法对多层卷积神经网络进行优化训练，从而得到基于深度学习的麻点缺陷检测模型；

(4)将划痕缺陷样本导入多层卷积神经网络2，结合人工标记信息利用优化算法对多层卷积神经网络进行优化训练，从而得到基于深度学习的划痕缺陷检测模型；

(5)将所述基于深度学习的麻点缺陷检测模型和所述基于深度学习的划痕缺陷检测模型进行联合，从而得到钢板表面缺陷检测模型。

5.根据权利要求1所述的一种基于深度学习的钢板表面缺陷检测方法，其特征在于：步骤二中，将预处理后的缺陷图像输入预先训练好的缺陷检测模型进行钢板表面缺陷的智能识别，具体包括如下步骤：

(1)采用多目标检测方法将预处理后的缺陷图像分割成多张分辨率为m×m的缺陷图像，并输入所述基于深度学习的麻点缺陷检测模型，从而判断输入的每一张图像中是否存在麻点缺陷，若存在麻点缺陷，则给出麻点所在位置及麻点尺寸；

(2)对麻点及划痕缺陷的数据信息进行汇总，输出钢板表面的缺陷检测结果。

6.根据权利要求1所述的基于深度学习的钢板表面缺陷检测方法，其特征在于：步骤三中，所述深度学习神经网络模型为基于EfficientNet的UNet模型，以医学图像分割模型UNet为基础框架，使用EfficientNet取代UNet原有的卷积层。