CN108830837A - 一种用于检测钢包溶蚀缺陷的方法和装置 - Google Patents

Abstract

本申请实施例公开了一种用于检测钢包溶蚀缺陷的方法和装置。方法的一个具体实施方式包括：采用深度图像采集装置，从待检测钢包内部采集各个角度的RGBD图像；将采集的RGBD图像输入缺陷检测***，得到已标注预测缺陷的RGBD图像，预测缺陷包括钢包溶蚀缺陷的位置和类别，其中，缺陷检测***包括基于输入的图像预测该图像中所包括的钢包溶蚀缺陷的位置和类别的深度学习目标检测模型。该方法检测钢包状态的安全性高、准确率高、实时性高。

Description

一种用于检测钢包溶蚀缺陷的方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及计算机网络技术领域，尤其涉及一种用于检测钢包溶蚀缺陷的方法和装置。

背景技术

在钢铁制造业中，钢包是炼钢的重要设备，其状态不仅关系到钢铁生产的质量，而且关系到生产环境的安全。因此对于钢包状态的质检是钢铁生产流程中的关键环节。传统钢铁企业生产环境中，对钢包状态进行监控的一种重要手段是对钢包内壁表面的状态进行检测，以判断钢包是否缺陷，并根据检测结果对钢包做相应的处理。

在传统钢铁企业中，这种基于钢包内壁表面状态的质检多为人工巡检或半自动化光学仪器辅助质检。现有的质检***在缺陷分类应用中主要有两种方式。第一为纯人工质检方式，即依赖于行业专家肉眼观察生产环境中的图像给出判断；第二为机器辅助的人工质检方式，主要由具有一定判断能力的质检***过滤掉没有缺陷的图像，由行业专家对疑似存在缺陷的图像进行检测判断。其中，第二种方式多为专家***和特征工程***发展而来，专家将经验固化在质检***中，具有一定的自动化能力。

发明内容

本申请实施例提出一种用于检测钢包溶蚀缺陷的方法和装置。

第一方面，本申请实施例提供了一种用于检测钢包溶蚀缺陷的方法，包括：采用深度图像采集装置，从待检测钢包内部采集各个角度的RGBD图像；将采集的RGBD图像输入缺陷检测***，得到已标注预测缺陷的RGBD图像，预测缺陷包括钢包溶蚀缺陷的位置和类别，其中，缺陷检测***包括基于输入的图像预测该图像中所包括的钢包溶蚀缺陷的位置和类别的深度学习目标检测模型。

在一些实施例中，缺陷检测***包括：预测引擎和一个以上采用深度学习目标检测模型的缺陷分类模型；以及将采集的RGBD图像输入缺陷检测***，得到已标注预测缺陷的RGBD图像包括：采用预测引擎将采集的RGBD图像转化为检测请求，基于一个以上缺陷分类模型的部署情况进行负载均衡和调度，确定用于处理检测请求的缺陷分类模型，将检测请求输入所确定的缺陷分类模型中；采用所确定的缺陷分类模型对检测请求中的图像进行检测，得到已标注预测缺陷的RGBD图像。

在一些实施例中，缺陷分类模型包括：特征提取网络和缺陷定位分类网络；以及将检测请求输入所确定的缺陷分类模型中，得到已标注预测缺陷的RGBD图像包括：将检测请求中的采集的RGBD图像输入特征提取网络，得到图像特征；将图像特征输入缺陷定位分类网络，得到已标注预测缺陷的RGBD图像。

在一些实施例中，缺陷分类模型基于以下步骤确定：获取已标注缺陷的位置和类别的钢包内部RGBD图像；采用已标注缺陷的位置和类别的钢包内部RGBD图像训练预先架构的初始模型，得到缺陷分类模型。

在一些实施例中，方法还包括：将采集的RGBD图像以及缺陷检测***输出的已标注预测缺陷的RGBD图像，更新至生产数据库；基于更新后的生产数据库，确定更新后的训练数据库；基于更新后的训练数据库优化深度学习目标检测模型。

在一些实施例中，方法还包括：采用点云融合技术，基于采集的RGBD图像构建钢包的3D模型；将已标注预测缺陷的RGBD图像中所标注的缺陷的位置映射至构建的3D模型中，得到3D溶蚀信息；基于3D溶蚀信息与钢包的标准3D模型，确定钢包内部的溶蚀缺陷的位置、类别和深度。

在一些实施例中，方法还包括：响应于已标注预测缺陷的RGBD图像中所标注的缺陷的位置和类别符合预先设置的报警条件，触发报警装置报警。

在一些实施例中，方法还包括：将用户对报警的响应操作存储为线上生产日志；将线上生产日志存储至生产数据库中。

第二方面，本申请实施例提供了一种用于检测钢包溶蚀缺陷的装置，包括：图像采集单元，被配置成采用深度图像采集装置，从待检测钢包内部采集各个角度的RGBD图像；图像检测单元，被配置成将采集的RGBD图像输入缺陷检测***，得到已标注预测缺陷的RGBD图像，预测缺陷包括钢包溶蚀缺陷的位置和类别，其中，缺陷检测***包括基于输入的图像预测该图像中所包括的钢包溶蚀缺陷的位置和类别的深度学习目标检测模型。

在一些实施例中，图像检测单元中的缺陷检测***包括：预测引擎和一个以上采用深度学习目标检测模型的缺陷分类模型；以及图像检测单元包括：转化输入单元，被配置成采用预测引擎将采集的RGBD图像转化为检测请求，基于一个以上缺陷分类模型的部署情况进行负载均衡和调度，确定用于处理检测请求的缺陷分类模型，将检测请求输入所确定的缺陷分类模型中；分类计算单元，被配置成采用所确定的缺陷分类模型对检测请求中的图像进行检测，得到已标注预测缺陷的RGBD图像。

在一些实施例中，图像检测单元中的缺陷分类模型包括：特征提取网络和缺陷定位分类网络；以及分类计算单元包括：请求输入子单元，被配置成将检测请求中的采集的RGBD图像输入特征提取网络，得到图像特征；定位分类子单元，被配置成将图像特征输入缺陷定位分类网络，得到已标注预测缺陷的RGBD图像。

在一些实施例中，图像检测单元中的缺陷分类模型基于以下步骤确定：获取已标注缺陷的位置和类别的钢包内部RGBD图像；采用已标注缺陷的位置和类别的钢包内部RGBD图像训练预先架构的初始模型，得到缺陷分类模型。

在一些实施例中，装置还包括：数据更新单元，被配置成将采集的RGBD图像以及缺陷检测***输出的已标注预测缺陷的RGBD图像，更新至生产数据库；数据确定单元，被配置成基于更新后的生产数据库，确定更新后的训练数据库；模型优化单元，被配置成基于更新后的训练数据库优化深度学习目标检测模型。

在一些实施例中，装置还包括：3D模型构建单元，被配置成采用点云融合技术，基于采集的RGBD图像构建钢包的3D模型；缺陷位置映射单元，被配置成将已标注预测缺陷的RGBD图像中所标注的缺陷的位置映射至构建的3D模型中，得到3D溶蚀信息；缺陷位置确定单元，被配置成基于3D溶蚀信息与钢包的标准3D模型，确定钢包内部的溶蚀缺陷的位置、类别和深度。

在一些实施例中，装置还包括：报警触发单元，被配置成响应于已标注预测缺陷的RGBD图像中所标注的缺陷的位置和类别符合预先设置的报警条件，触发报警装置报警。

在一些实施例中，装置还包括：日志存储单元，被配置成将用户对报警的响应操作存储为线上生产日志；数据存储单元，被配置成将线上生产日志存储至生产数据库中。

第三方面，本申请实施例提供了一种设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上任一所述的一种用于检测钢包溶蚀缺陷的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一所述的一种用于检测钢包溶蚀缺陷的方法。

本申请实施例提供的一种用于检测钢包溶蚀缺陷的方法和装置，首先采用深度图像采集装置，从待检测钢包内部采集各个角度的RGBD图像；之后将采集的RGBD图像输入缺陷检测***，得到已标注预测缺陷的RGBD图像，所述预测缺陷包括钢包溶蚀缺陷的位置和类别，其中，缺陷检测***包括基于输入的图像预测该图像中所包括的钢包溶蚀缺陷的位置和类别的深度学习目标检测模型。在这一过程中，由于缺陷检测***包括深度学习目标检测模型，可以基于输入的RGBD图像预测该图像中所包括的钢包溶蚀缺陷，因此，该用于检测钢包溶蚀缺陷的方法检测钢包状态的安全性高、准确率高、实时性高。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了本申请实施例可以应用于其中的示例性***架构；

图2是根据本申请实施例的一种用于检测钢包溶蚀缺陷的方法的一个实施例的示意性流程图；

图3是根据本申请实施例的一种缺陷分类模型的一个示例性架构；

图4是根据本申请实施例的一种用于检测钢包溶蚀缺陷的方法的实施例的示例性应用场景；

图5是根据本申请实施例的一种用于检测钢包溶蚀缺陷的方法的又一个实施例的示意性流程图

图6是根据本申请实施例的一种用于检测钢包溶蚀缺陷的装置的一个实施例的示例性结构图；

图7是适于用来实现本申请实施例的终端设备或服务器的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

请参考图1，图1示出了可以应用本申请的一种用于检测钢包溶蚀缺陷的方法或一种用于检测钢包溶蚀缺陷的装置的实施例的示例性***架构100。

如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105、106。网络104用以在终端设备101、102、103和服务器105、106之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户110可以使用终端设备101、102、103通过网络104与服务器105、106交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如拍摄类应用、搜索引擎类应用、购物类应用、即时通信工具、邮箱客户端、社交平台软件、视频播放类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以为专用的深度图像采集装置或是其它与服务器进行交互的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts GroupAudio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture ExpertsGroup Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105、106可以是提供各种服务的服务器。例如服务器105、106可以是对终端设备101、102、103提供支持的后台服务器。后台服务器可以对终端提交的数据进行分析、存储或计算等处理，并将获得的数据处理结果推送给终端设备。

通常情况下，本申请实施例所提供的一种用于检测钢包溶蚀缺陷的方法一般由服务器105、106执行，相应地，一种用于检测钢包溶蚀缺陷的装置一般设置于服务器105、106中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

进一步参考图2，图2示出了根据本申请实施例的一种用于检测钢包溶蚀缺陷的方法的一个实施例的示意性流程图。

如图2所示，一种用于检测钢包溶蚀缺陷的方法200包括：

在步骤210中，采用深度图像采集装置，从待检测钢包内部采集各个角度的RGBD图像。

在本实施例中，一种用于检测钢包溶蚀缺陷的方法的执行主体(例如图1所示的服务器105、106)可以采集从深度图像采集装置提交的原始图像，例如不同位置、各个角度的RGBD图像等。这些各个角度的图像，可以无死角覆盖钢包内壁的所有区域。这里的RGBD图像为颜色深度图像，同时包含颜色信息和距离信息。

这里的深度图像采集装置，为用于采集颜色深度图像的图像采集装置，可以采集各个角度的图像，可以包括生产环境数据、历史累计数据、专用摄像头采集数据、人工拍照样本、第三方数据以及其它数据等。

这里的深度图像采集装置，可以包括专业高温镜头以及镜头防护罩等。在采用深度图像采集装置进行图像采集时，可以采用一组镜头拍摄，也可以采用两组或多组镜头同时拍摄，以缩短拍摄时间。这里的深度图像采集装置，还可以为录像机，通过网络或4G进行单张或多张图像的采集。

在一个具体的示例中，可以在钢包上设置两组镜头，每组镜头分别可以进行侧面拍摄和底面拍摄，以便采集钢包内部各个角度的图像。

在步骤220中，将采集的RGBD图像输入缺陷检测***，得到已标注预测缺陷的RGBD图像。

在本实施例中，预测缺陷包括钢包溶蚀缺陷的位置和类别。缺陷检测***包括深度学习目标检测模型，该深度学习目标检测模型可以基于输入的RGBD图像检测该图像中所包括的钢包溶蚀缺陷的位置和类别(例如红色铁皮、褶皱、孔洞等)。该深度学习目标检测模型的结构，至少包括特征提取网络和目标定位网络。

本领域技术人员应当理解，上述深度学习目标检测模型，可以为现有技术或未来发展的技术中可以基于输入的图像预测标签的模型，本申请对此并不限定。例如，上述深度学习目标检测模型，可以为Faster R-CNN模型、R-FCN模型和SSD模型等。

在一个具体地示例中，上述的缺陷检测***可以包括：预测引擎和一个以上采用深度学习目标检测模型的缺陷分类模型；以及将采集的RGBD图像输入缺陷检测***，得到已标注预测缺陷的RGBD图像包括：采用预测引擎将采集的RGBD图像转化为检测请求，基于一个以上缺陷分类模型的部署情况进行负载均衡和调度，确定用于处理检测请求的缺陷分类模型，将检测请求输入所确定的缺陷分类模型中；采用所确定的缺陷分类模型对检测请求中的图像进行检测，得到已标注预测缺陷的RGBD图像。

在该示例中，预测引擎将生产线上实时产生的RGBD图像转化为检测请求(query)，并根据在线的缺陷分类模型的部署情况，实时进行负载均衡和调度，将检测请求发送至最佳的(例如负载最小)搭载着缺陷分类模型的服务器上。该服务器上运行着实时缺陷分类模型，该模型已经由训练引擎训练完成。模型对于到来的检测请求中的RGBD图像数据进行预设的预处理后，进行分类计算，并给出代表缺陷类别的预测结果。

这里的缺陷分类模型，可以基于以下步骤确定：获取已标注缺陷的位置和类别的钢包内部RGBD图像；采用已标注缺陷的位置和类别的钢包内部RGBD图像训练预先架构的初始模型(Faster Rcnn模型、R-FCN模型或SSD模型等)，得到缺陷分类模型。也即，缺陷分类模型是根据历史标注数据(已标注缺陷的位置和类别的钢包内部RGBD图像)训练得到的。

在该示例中，缺陷检测***通过设置预测引擎来实现负载均衡服务，可以隔离提供缺陷分类模型的内网与提交请求的外网，并且对于提交的请求进行健康检查，从而可以提高缺陷检测***的安全性和可用性。

可选地，在步骤230至步骤250中，可以在上述深度学习目标检测模型的使用过程中，根据新生成的数据来持续优化深度学习目标检测模型。

在步骤230中，将采集的RGBD图像以及缺陷检测***输出的已标注预测缺陷的RGBD图像，更新至生产数据库。

在步骤240中，基于更新后的生产数据库，确定更新后的训练数据库。

在步骤250中，基于更新后的训练数据库优化缺陷检测***中的深度学习目标检测模型。

通过基于使用过程中更新的生产数据更新训练数据，并基于更新后的训练数据优化深度学习目标检测模型，可以进一步提高深度学习目标检测模型检测缺陷的准确度。

在深度学习目标检测模型得到已标注预测缺陷的RGBD图像之后，还可以针对这些标签进行进一步的数据处理和分析。例如，上述的检测钢包溶蚀缺陷的方法还可以包括可选步骤260：

在可选步骤260中，响应于已标注预测缺陷的RGBD图像中所标注的缺陷的位置和类别符合预先设置的报警条件，触发报警装置报警。

又例如，上述的检测钢包溶蚀缺陷的方法还可以包括可选步骤270和可选步骤280：

在可选步骤270中，可以将用户对报警的响应操作存储为线上生产日志。

在可选步骤280中，可以将线上生产日志存储至生产数据库中，以备后续基于生产数据库中的数据进一步优化缺陷分类模型。

本申请上述实施例提供的一种用于检测钢包溶蚀缺陷的方法，可以采用深度图像采集装置从待检测钢包内部采集各个角度的图像，之后将所采集的图像输入缺陷检测***，得到代表缺陷类别的标签。由于该缺陷检测***包括基于输入的图像预测该图像中所包括的钢包溶蚀缺陷的类别的深度学习目标检测模型，因此，该方法可以提高检测钢包状态的安全性、准确率和实时性；又由于该方法中输入的RGBD图像相比普通图像多了深度信息，因此缺陷检测的准确率更高。

进一步地，请参考图3，图3示出了根据本申请实施例的一种缺陷分类模型的一个示例性架构。

如图3所示，缺陷分类模型可以包括：特征提取网络301和缺陷定位分类网络302。

采用该缺陷分类模型，可以通过以下步骤将检测请求输入所确定的缺陷分类模型中进行分类计算，得到已标注预测缺陷的RGBD图像：

首先，将检测请求中的采集的RGBD图像输入特征提取网络301，得到图像特征。

之后，将图像特征输入缺陷定位分类网络302，得到已标注预测缺陷的RGBD图像。

在本实施例中，输入特征提取网络所采用的图像是带有深度信息的RGBD图像，网络的输入与普通图像模型相比，多一个深度信息通道。生产线上的原始RGBD图像作为模型的输入，特征提取网络301提取原始图像中的特征，并将特征输入到缺陷定位分类网络302中。缺陷定位分类网络302采用Faster RCNN、R-FCN或SSD等，判断图像中的某一部位是否存在缺陷，如果存在缺陷，则判断缺陷所属的类别。模型的最终输出为图片中存在的缺陷的类别及其在图片中的相对位置坐标。如果图片中存在多个缺陷，模型会给出每一个缺陷的类别及其相对坐标。

在本实施例的一些可选实现方式中，缺陷分类模型可以基于以下步骤确定：获取已标注缺陷的位置和类别的钢包内部RGBD图像；采用已标注缺陷的位置和类别的钢包内部RGBD图像训练预先架构的初始模型(Faster Rcnn模型、R-FCN模型或SSD模型等)，得到缺陷分类模型。

应当理解，上述图3中所示出的一种缺陷分类模型，仅为缺陷分类模型的示例，并不代表对缺陷分类模型的限定。通过采用本实施例中的缺陷分类模型，可以提高该缺陷分类模型的准确度和对输入图像的检测效率，进而提高检测钢包状态的准确率和实时性。

进一步地，请参考图4，图4示出了根据本申请实施例的一种用于检测钢包溶蚀缺陷的方法的一个示例性应用场景。

如图4所示，一种用于检测钢包溶蚀缺陷的方法基于缺陷检测***实现，该缺陷检测***包括预测引擎401、缺陷分类模型402、控制模块403和训练引擎404。

在该用于检测钢包溶蚀缺陷的方法中，包括以下步骤：

首先，深度图像采集装置410从待检测钢包内部采集各个角度的RGBD图像，存储至待检测数据421；

之后，将待检测数据421输入预测引擎401，由预测引擎将所采集的图像转化为检测请求，并确定用于处理检测请求的缺陷分类模型，将检测请求输入所确定的缺陷分类模型402中；

之后，由所确定的缺陷分类模型402进行分类计算，得到已标注预测缺陷的RGBD图像，并将已标注预测缺陷的RGBD图像发送至控制模块403；

之后，控制模块403响应于已标注预测缺陷的RGBD图像中所标注的缺陷的位置和类别符合预先设置的报警条件，触发警报装置420报警，并将用户对所述报警的响应操作存储为线上生产日志，将所述线上生产日志存储至生产数据库430中。同时，控制模块还可以基于预设的触发更新规则(例如间隔预定时间或响应于检测结果达到预定数量等预设设定的用于触发更新模型的规则)，触发训练引擎404基于更新后的训练数据库431更新缺陷分类模型402。

其中，训练数据库中的训练数据来自于生产数据库430，生产数据库430中的生产数据包括原始待检测数据以及对应待检测数据的生产数据，对应待检测数据的生产数据可以包括：控制模块存储至生产数据库中的检测结果，还可以包括与检测结果对应的报警信息、用户操作等。

应当理解，上述图4中所示出的一种用于检测钢包溶蚀缺陷的方法，仅为一种用于检测钢包溶蚀缺陷的方法的示例性实施例，并不代表对本申请的限定，例如，本方法中的深度图像采集装置和报警装置，可以为用户生产现场的设备，这两个设备可以用用户方的客户端进行通信连接，再通过客户端经由公网连接云端服务器提供的缺陷检测***。又例如，本方法中还可以包括缺陷分类模型的训练方法。该方法可以用于进行钢包溶蚀缺陷检测的场景，并且提高了检测结果的准确率和效率。

进一步地，请参考图5，图5示出了根据本申请实施例的一种用于检测钢包溶蚀缺陷的方法的又一个实施例的示意性流程图。

如图5所示，一种用于检测钢包溶蚀缺陷的方法500包括：

在步骤510中，采用深度图像采集装置，从待检测钢包内部采集各个角度的RGBD图像。

在步骤520中，将采集的RGBD图像输入缺陷检测***，得到已标注预测缺陷的RGBD图像。

在本实施例中，步骤510和步骤520分别与图2中的步骤210和步骤220相对应，由此，上文针对步骤210和步骤220所述的操作和特征同样适用于步骤510和步骤520，在此不再赘述。

在步骤530中，采用点云融合技术，基于采集的RGBD图像构建钢包的3D模型。

在本实施例中，可以利用采集的RGBD图像中的特征点，估计深度图像采集装置的运动，得到图像间的旋转向量与平移向量。之后，可以基于图像间的旋转向量与平移向量，构建变换矩阵，将RGBD图像中的点云给拼接起来，形成更大的点云，从而完成点云融合，构建钢包的3D模型。

在步骤540中，将已标注预测缺陷的RGBD图像中所标注的缺陷的位置映射至构建的3D模型中，得到3D溶蚀信息。

在本实施例中，由于已标注预测缺陷的RGBD图像，缺陷检测***给出了每一个缺陷的类别及缺陷在图片中的相对坐标，因此，可以根据该相对坐标将缺陷的位置映射至构建的3D模型中，得到3D模型中的钢包溶蚀信息。

在步骤550中，基于3D溶蚀信息与钢包的标准3D模型，确定钢包内部的溶蚀缺陷的位置、类别和深度。

在本实施例中，可以对比上述3D溶蚀信息和钢包的标准3D模型，从而确定钢包内部的溶蚀缺陷的位置、类别和深度。

本申请上述实施例提供的一种用于检测钢包溶蚀缺陷的方法，可以在采用深度图像采集装置从待检测钢包内部采集各个角度的图像，之后将所采集的图像输入缺陷检测***，得到代表缺陷类别的标签的基础上，进一步采用点云融合技术，基于采集的RGBD图像构建钢包的3D模型，之后将已标注预测缺陷的RGBD图像中所标注的缺陷的位置映射至3D模型中，得到3D溶蚀信息，最后基于3D溶蚀信息与钢包的标准3D模型，确定钢包内部的溶蚀缺陷的位置、类别和深度，提高了确定钢包内部的溶蚀缺陷的准确度和精准度，并且提高了确定效率。

进一步参考图6，作为对上述方法的实现，本申请实施例提供了一种用于检测钢包溶蚀缺陷的装置的一个实施例，该一种用于检测钢包溶蚀缺陷的装置的实施例与图1至图5所示的一种用于检测钢包溶蚀缺陷的方法的实施例相对应，由此，上文针对图1至图5中一种用于检测钢包溶蚀缺陷的方法描述的操作和特征同样适用于一种用于检测钢包溶蚀缺陷的装置600及其中包含的单元，在此不再赘述。

如图6所示，该一种用于检测钢包溶蚀缺陷的装置600可以包括：图像采集单元610，被配置成采用深度图像采集装置，从待检测钢包内部采集各个角度的RGBD图像；图像检测单元620，被配置成将采集的RGBD图像输入缺陷检测***，得到已标注预测缺陷的RGBD图像，预测缺陷包括钢包溶蚀缺陷的位置和类别，其中，缺陷检测***包括基于输入的图像预测该图像中所包括的钢包溶蚀缺陷的位置和类别的深度学习目标检测模型。

在本实施例的一些可选实现方式中，图像检测单元620中的缺陷检测***包括：预测引擎和一个以上采用深度学习目标检测模型的缺陷分类模型；以及图像检测单元包括：转化输入单元621，被配置成采用预测引擎将采集的RGBD图像转化为检测请求，基于一个以上缺陷分类模型的部署情况进行负载均衡和调度，确定用于处理检测请求的缺陷分类模型，将检测请求输入所确定的缺陷分类模型中；分类计算单元622，被配置成采用所确定的缺陷分类模型对检测请求中的图像进行检测，得到已标注预测缺陷的RGBD图像。

在本实施例的一些可选实现方式中，图像检测单元中的缺陷分类模型包括：特征提取网络和缺陷定位分类网络；以及分类计算单元622包括：请求输入子单元623，被配置成将检测请求中的采集的RGBD图像输入特征提取网络，得到图像特征；定位分类子单元624，被配置成将图像特征输入缺陷定位分类网络，得到已标注预测缺陷的RGBD图像。

在本实施例的一些可选实现方式中，图像检测单元620中的缺陷分类模型基于以下步骤确定：获取已标注缺陷的位置和类别的钢包内部RGBD图像；采用已标注缺陷的位置和类别的钢包内部RGBD图像训练预先架构的初始模型，得到缺陷分类模型。

在本实施例的一些可选实现方式中，装置还包括：数据更新单元630，被配置成将采集的RGBD图像以及缺陷检测***输出的已标注预测缺陷的RGBD图像，更新至生产数据库；数据确定单元640，被配置成基于更新后的生产数据库，确定更新后的训练数据库；模型优化单元650，被配置成基于更新后的训练数据库优化深度学习目标检测模型。

在本实施例的一些可选实现方式中，装置还包括：3D模型构建单元660，被配置成采用点云融合技术，基于采集的RGBD图像构建钢包的3D模型；缺陷位置映射单元670，被配置成将已标注预测缺陷的RGBD图像中所标注的缺陷的位置映射至构建的3D模型中，得到3D溶蚀信息；缺陷位置确定单元680，被配置成基于3D溶蚀信息与钢包的标准3D模型，确定钢包内部的溶蚀缺陷的位置、类别和深度。

在本实施例的一些可选实现方式中，装置还包括：报警触发单元690，被配置成响应于已标注预测缺陷的RGBD图像中所标注的缺陷的位置和类别符合预先设置的报警条件，触发报警装置报警。

在本实施例的一些可选实现方式中，装置还包括：日志存储单元6100，被配置成将用户对报警的响应操作存储为线上生产日志；数据存储单元6110，被配置成将线上生产日志存储至生产数据库中。

本申请还提供了一种设备的实施例，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上任意一项所述的一种用于检测钢包溶蚀缺陷的方法。

本申请还提供了一种计算机可读介质的实施例，其上存储有计算机程序，该程序被处理器执行时实现如上任意一项所述的一种用于检测钢包溶蚀缺陷的方法。

下面参考图7，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机***700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机***700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分706加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分707；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读信号介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个单元、程序段、或代码的一部分，所述单元、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括图像采集单元和图像检测单元。这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，图像采集单元还可以被描述为“采用深度图像采集装置，从待检测钢包内部采集各个角度的RGBD图像的单元”。

作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：采用深度图像采集装置，从待检测钢包内部采集各个角度的RGBD图像；将采集的RGBD图像输入缺陷检测***，得到已标注预测缺陷的RGBD图像，预测缺陷包括钢包溶蚀缺陷的位置和类别，其中，缺陷检测***包括基于输入的图像预测该图像中所包括的钢包溶蚀缺陷的位置和类别的深度学习目标检测模型。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (18)

1.一种用于检测钢包溶蚀缺陷的方法，包括：

采用深度图像采集装置，从待检测钢包内部采集各个角度的RGBD图像；

将采集的RGBD图像输入缺陷检测***，得到已标注预测缺陷的RGBD图像，所述预测缺陷包括钢包溶蚀缺陷的位置和类别，其中，所述缺陷检测***包括基于输入的图像预测该图像中所包括的钢包溶蚀缺陷的位置和类别的深度学习目标检测模型。

2.根据权利要求1所述的方法，其中，所述缺陷检测***包括：预测引擎和一个以上采用所述深度学习目标检测模型的缺陷分类模型；以及

所述将采集的RGBD图像输入缺陷检测***，得到已标注预测缺陷的RGBD图像包括：

采用所述预测引擎将采集的RGBD图像转化为检测请求，基于一个以上缺陷分类模型的部署情况进行负载均衡和调度，确定用于处理所述检测请求的缺陷分类模型，将所述检测请求输入所确定的缺陷分类模型中；

采用所述所确定的缺陷分类模型对所述检测请求中的图像进行检测，得到已标注预测缺陷的RGBD图像。

3.根据权利要求2所述的方法，其中，所述缺陷分类模型包括：特征提取网络和缺陷定位分类网络；以及

所述将所述检测请求输入所确定的缺陷分类模型中，得到已标注预测缺陷的RGBD图像包括：

将所述检测请求中的所述采集的RGBD图像输入特征提取网络，得到图像特征；

将所述图像特征输入缺陷定位分类网络，得到已标注预测缺陷的RGBD图像。

4.根据权利要求2或3任意一项所述的方法，其中，所述缺陷分类模型基于以下步骤确定：

获取已标注缺陷的位置和类别的钢包内部RGBD图像；

采用已标注缺陷的位置和类别的钢包内部RGBD图像训练预先架构的初始模型，得到所述缺陷分类模型。

5.根据权利要求1所述的方法，其中，所述方法还包括：

将所述采集的RGBD图像以及所述缺陷检测***输出的已标注预测缺陷的RGBD图像，更新至生产数据库；

基于更新后的生产数据库，确定更新后的训练数据库；

基于更新后的训练数据库优化所述深度学习目标检测模型。

6.根据权利要求1所述的方法，其中，所述方法还包括：

采用点云融合技术，基于所述采集的RGBD图像构建钢包的3D模型；

将所述已标注预测缺陷的RGBD图像中所标注的缺陷的位置映射至构建的3D模型中，得到3D溶蚀信息；

基于所述3D溶蚀信息与所述钢包的标准3D模型，确定所述钢包内部的溶蚀缺陷的位置、类别和深度。

7.根据权利要求1所述的方法，其中，所述方法还包括：

响应于所述已标注预测缺陷的RGBD图像中所标注的缺陷的位置和类别符合预先设置的报警条件，触发报警装置报警。

8.根据权利要求7所述的方法，其中，所述方法还包括：

将用户对所述报警的响应操作存储为线上生产日志；

将所述线上生产日志存储至生产数据库中。

9.一种用于检测钢包溶蚀缺陷的装置，包括：

图像采集单元，被配置成采用深度图像采集装置，从待检测钢包内部采集各个角度的RGBD图像；

图像检测单元，被配置成将采集的RGBD图像输入缺陷检测***，得到已标注预测缺陷的RGBD图像，所述预测缺陷包括钢包溶蚀缺陷的位置和类别，其中，所述缺陷检测***包括基于输入的图像预测该图像中所包括的钢包溶蚀缺陷的位置和类别的深度学习目标检测模型。

10.根据权利要求9所述的装置，其中，所述图像检测单元中的所述缺陷检测***包括：预测引擎和一个以上采用所述深度学习目标检测模型的缺陷分类模型；以及

所述图像检测单元包括：

转化输入单元，被配置成采用所述预测引擎将采集的RGBD图像转化为检测请求，基于一个以上缺陷分类模型的部署情况进行负载均衡和调度，确定用于处理所述检测请求的缺陷分类模型，将所述检测请求输入所确定的缺陷分类模型中；

分类计算单元，被配置成采用所述所确定的缺陷分类模型对所述检测请求中的图像进行检测，得到已标注预测缺陷的RGBD图像。

11.根据权利要求10所述的装置，其中，所述图像检测单元中的所述缺陷分类模型包括：特征提取网络和缺陷定位分类网络；以及

所述分类计算单元包括：

请求输入子单元，被配置成将所述检测请求中的所述采集的RGBD图像输入特征提取网络，得到图像特征；

定位分类子单元，被配置成将所述图像特征输入缺陷定位分类网络，得到已标注预测缺陷的RGBD图像。

12.根据权利要求10或11任意一项所述的装置，其中，所述图像检测单元中的所述缺陷分类模型基于以下步骤确定：

获取已标注缺陷的位置和类别的钢包内部RGBD图像；

采用已标注缺陷的位置和类别的钢包内部RGBD图像训练预先架构的初始模型，得到所述缺陷分类模型。

13.根据权利要求9所述的装置，其中，所述装置还包括：

数据更新单元，被配置成将所述采集的RGBD图像以及所述缺陷检测***输出的已标注预测缺陷的RGBD图像，更新至生产数据库；

数据确定单元，被配置成基于更新后的生产数据库，确定更新后的训练数据库；

模型优化单元，被配置成基于更新后的训练数据库优化所述深度学习目标检测模型。

14.根据权利要求9所述的装置，其中，所述装置还包括：

3D模型构建单元，被配置成采用点云融合技术，基于所述采集的RGBD图像构建钢包的3D模型；

缺陷位置映射单元，被配置成将所述已标注预测缺陷的RGBD图像中所标注的缺陷的位置映射至构建的3D模型中，得到3D溶蚀信息；

缺陷位置确定单元，被配置成基于所述3D溶蚀信息与所述钢包的标准3D模型，确定所述钢包内部的溶蚀缺陷的位置、类别和深度。

15.根据权利要求9所述的装置，其中，所述装置还包括：

报警触发单元，被配置成响应于所述已标注预测缺陷的RGBD图像中所标注的缺陷的位置和类别符合预先设置的报警条件，触发报警装置报警。

16.根据权利要求15所述的装置，其中，所述装置还包括：

日志存储单元，被配置成将用户对所述报警的响应操作存储为线上生产日志；

数据存储单元，被配置成将所述线上生产日志存储至生产数据库中。

17.一种设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的一种用于检测钢包溶蚀缺陷的方法。

18.一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-8中任一所述的一种用于检测钢包溶蚀缺陷的方法。