CN112597865A - 热轧带钢边部缺陷智能识别方法 - Google Patents
热轧带钢边部缺陷智能识别方法 Download PDFInfo
- Publication number
- CN112597865A CN112597865A CN202011489459.4A CN202011489459A CN112597865A CN 112597865 A CN112597865 A CN 112597865A CN 202011489459 A CN202011489459 A CN 202011489459A CN 112597865 A CN112597865 A CN 112597865A
- Authority
- CN
- China
- Prior art keywords
- layer
- image data
- size
- data
- hot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 138
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 66
- 239000010959 steel Substances 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 34
- 230000004913 activation Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 239000002893 slag Substances 0.000 claims description 5
- 235000002566 Capsicum Nutrition 0.000 claims description 4
- 239000006002 Pepper Substances 0.000 claims description 4
- 235000016761 Piper aduncum Nutrition 0.000 claims description 4
- 235000017804 Piper guineense Nutrition 0.000 claims description 4
- 235000008184 Piper nigrum Nutrition 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 150000003839 salts Chemical class 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 6
- 241000722363 Piper Species 0.000 description 3
- 238000005098 hot rolling Methods 0.000 description 3
- 229910000976 Electrical steel Inorganic materials 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种热轧带钢边部缺陷智能识别方法,旨在提高热轧带钢边部缺陷检测能力。本发明首先对常见的边部缺陷进行科学分类,在此基础上建立边部缺陷图像数据集,其次以卷积神经网络为核心,设计了一种全新的网络结构,并以此建立了热轧带钢边部缺陷智能识别模型,最终将该模型嵌入表检***参与指导生产。步骤包括:1、边部缺陷图像数据的采集与预处理;2、热轧带钢边部缺陷智能识别模型的建立;3、识别模型的训练、验证、调优和预测;4、最优识别模型与表检***的协同融合。本发明方法具有模型结构简单、响应速度快、识别精度高等特点,对提高热轧带钢表面质量具有重要意义。
Description
技术领域
本发明属于冶金轧制技术中热轧带钢表面质量检测领域,特别涉及一种热轧带钢边部缺陷智能识别方法。
背景技术
随着我国工业和经济的高速发展,高质量热轧带钢的使用需求越来越大,表面质量作为热轧带钢产品质量最重要的指标之一,不仅严重影响产品外观与成材率,还对下游工序生产造成影响,为此,研究热轧带钢表面质量缺陷在线识别检测具有重要意义。边部缺陷作为表面缺陷的一种,由于缺陷之间具有较强的相似性,使得现有的检测模型和设备,很难对其达到较好的检测效果。为此,本发明提出一种针对热轧带钢边部缺陷的智能识别方法,对提高带钢表面质量具有重要的意义。
目前热轧带钢表面缺陷检测领域已经发表了相关研究,例如:采用了8台1024像素的线阵CCD摄像机作为图像采集装置,根据热轧带钢表面特点提出缺陷检测与识别算法流程,并应用于1700mm热轧生产线上;基于Tetrolet变换与核保局投影降维的热轧钢板表面缺陷识别方法,对缺陷样本库取得了97.3846%的识别率。利用了决策树和专家经验分类的方法对硅钢表面缺陷进行识别,该方法应用到了武钢冷轧硅钢生产线上,严重缺陷的在线整体识别率达到了76%。建立了热轧带钢表面缺陷数据集(NEU),其中包括了六种常见表面缺陷:裂纹、夹渣、斑块、麻点、氧化铁皮和划痕,提出的抗噪声缺陷识别算法的识别精度达到97.89%。
综上所述,现有的表面缺陷检测装备、理论和技术对特征明确的典型缺陷已基本取得令人满意的检测效果,如裂纹、夹渣、斑块、麻点、氧化铁皮和划痕缺陷。然而,对于宏观形貌特征较为相似的热轧带钢边部缺陷,至今没有有效的检测方法,生产过程中需通过人工检测的方式进行缺陷细分,严重降低了生产效率,增加了劳动强度。
本发明首先根据缺陷产生机理和相应的控制措施,将常见的边部缺陷划分为5类,其次构建了全新的卷积神经网络结构,在此基础上进一步建立热轧带钢边部缺陷智能识别模型。该模型具有识别速度快,检测精度高,泛化能力较好的特点,对提高热轧带钢表面质量具有重要意义。
发明内容
本发明目的在于提供一种热轧带钢边部缺陷智能识别方法。边部是热轧带钢表面缺陷多发区域,由于边部缺陷形貌具有一定的相似性,容易出现错检现象。为提高边部缺陷检测精度,本发明首先对常见的边部缺陷进行科学合理的分类,在此基础上建立缺陷图像数据集,其次以卷积神经网络为核心,设计了一种新的网络结构,并最终以此建立了热轧带钢边部缺陷智能识别模型。该模型识别边部缺陷图像速度快、精度高,对生产现场改善热轧带钢边部质量具有重要意义。
为达到上述目的,本发明提出的一种热轧带钢边部缺陷智能识别方法,其包括以下步骤:
a、热轧带钢边部缺陷图像数据集的收集以及预处理,具体步骤为:
a1、根据边部缺陷的形貌、产生机理及发生部位,将热轧带钢边部缺陷分为黑线Bl、气孔Bb、裂纹Ck、夹渣Ic和翘皮Wp共5类;
a2、采集热轧带钢边部缺陷图像:在热轧带钢生产现场通过表检仪采集边部缺陷图像数据,并将边部缺陷图像根据分类标准进行类别划分;
a3、将分类好的边部缺陷图像数据保存到不同文件下,然后对图像数据添加标签;
a4、对添加标签后的缺陷图像数据集进行划分,按照4:1划分为数据集dataset1和数据集dataset2,其中dataset2作为测试集来检测模型的识别效果;
a5、对数据集dataset1进行图像增强处理,以扩充缺陷图像数据集的容量,便于从缺陷图像数据中提取更多的特征信息,提升模型的泛化能力和抗干扰能力;
a6、将图像增强处理后的数据集dataset1按3:1划分成训练集trainset和验证集validset;
a7、对训练集trainset、验证集validset和测试集dataset2进行数据预处理;
b、建立热轧带钢边部缺陷智能识别模型:
b1、构建识别模型中特征提取器Features的结构;
b2、建立识别模型分类器Classifier的结构;
c、对热轧带钢边部缺陷智能识别模型进行训练和预测,具体步骤为:
c1、设置识别模型的训练参数:设置分批次训练大小batch-size,学习率learning-rate和训练的迭代次数epoch,选择优化器optimizer和Loss函数;
c2、将经过步骤a7预处理过后的训练集trainset和验证集validset输入步骤b建立好的识别模型中进行训练,当训练迭代次数达到epoch设置的次数时结束训练;
c3、输出识别模型的训练集和验证集的loss和acc,判断模型是否满足条件loss<0.5,acc>90%,若不满足条件,转入步骤c4,若满足条件转入步骤c5;
c4、根据训练结果适当对识别模型的训练参数进行调优,然后转入步骤c2继续训练;
c5、将训练后的识别模型参数保存,获得热轧带钢边部缺陷智能识别模型R;
c6、利用保存好的识别模型R对边部缺陷图像进行预测。
优选地,对a5步骤中数据集进行图像增强处理,具体步骤包括:
a51、对原始边部缺陷图像数据进行对称翻转,并存入原始数据集;
a52、对原始边部缺陷图像数据进行旋转,从范围0°<α<90°中随机选取一个角度,并存入原始数据集;
a53、对原始边部缺陷图像数据进行添加高斯噪声,并存入原始数据集;
a54、对原始边部缺陷图像数据进行平面像素平移,并存入原始数据集;
a55、对原始边部缺陷图像数据进行添加椒盐噪声,并存入原始数据集;
a56、对原始边部缺陷图像数据进行亮度调高,并存入原始数据集;
a57、对原始边部缺陷图像数据进行亮度调低,并存入原始数据集。
优选地,对a7步骤输入模型前的图像预处理的具体步骤包括:
a71、对图像数据进行中心裁剪CenterCrop处理,设置裁剪后的尺寸为B×B;
a72、为消除不同图像数据之间单位与尺度的差异所带来的影响,提高数据的可比性,以便提高模型训练时的收敛速度,对图像数据进行Z-score标准化处理,x为图像的像素点矩阵,根据x计算出图像数据的均值xmin和标准差xstd,利用转换公式x=(x-xmin)/xstd使得每个图像数据都转变成均值为0,标准差为1呈现正态分布的数据。
优选地,构建识别模型中特征提取器Features结构的过程为:
b11、确定特征提取器Features的层数F=5;
b12、建立特征提取器的第一层Features_layer1:卷积层选择Conv2d,卷积核个数out_channel1 1设置为32,卷积核大小kernel_size1 1设置为3×3,步长stride1 1设置为2,填充padding1 1设置为1;卷积后的数据经过ReLU激活函数计算;然后进行池化操作,池化层选择MaxPool2d层,池化核大小kernel_size2 1设置为2×2,步长stride2 1设置为2;
b13、建立特征提取器的第二层Features_layer2:卷积层选择Conv2d,卷积核个数out_channel1 2设置为96,卷积核大小kernel_size1 2设置为5×5,步长stride1 2设置为1,填充padding1 2设置为2;卷积后的数据经过ReLU激活函数计算;然后进行池化操作,池化层选择MaxPool2d层,池化核大小kernel_size2 2设置为2×2,步长stride2 2设置为2;
b14、建立特征提取器的第三层Features_layer3:卷积层选择Conv2d,卷积核个数out_channel1 3设置为192,卷积核大小kernel_size1 3设置为3×3,步长stride1 3设置为1,填充padding1 3设置为1;卷积后的数据经过ReLU激活函数计算,此层特征提取器不添加池化层;
b15、建立特征提取器第四层Features_layer4:卷积层选择Conv2d,卷积核个数out_channel1 4设置为128,卷积核大小kernel_size1 4设置为3×3,步长stride1 4设置为1,填充padding1 4设置为1;卷积后的数据经过ReLU激活函数计算,此层特征提取器不添加池化层;
b16、搭建特征提取器第五层Features_layer5:卷积层选择Conv2d,卷积核个数out_channel1 5设置为128,卷积核大小kernel_size1 5设置为3×3,步长stride1 5设置为1,填充padding1 5设置为1;卷积后的数据经过ReLU激活函数计算;然后进行池化操作,池化层选择MaxPool2d层,池化核大小kernel_size2 5设置为2×2,步长stride2 5设置为2;池化后再添加一层自适应平均池化层AdaptiveAvgPool2d,自适应平均池化层的output_size设置为6×6,将数据尺寸池化为6×6×128的三维数据。
优选地,建立识别模型分类器Classifier结构的过程为:
b21、确定分类器Classifier的层数C=3;
b22、经过步骤b16处理后的数据尺寸为6×6×128的三维数据,在输入分类器之前首先要经过Flatten函数进行展平处理,展平成一维数据,数据长度为6×6×128,然后经过一层dropout层,舍弃概率设置为P1=0.5;
b23、建立分类器第一层Classifier_layer1,添加一层Linear层,输入为6×6×128的一维数据,输出神经元个数设置为2304,再经过ReLU激活函数计算,然后再经过一层dropout层,舍弃概率设置为P2=0.5;
b24、建立分类器第二层Classifier_layer2:添加一层Linear层,输入为2304,输出神经元个数设置为2304,再经过ReLU激活函数计算,此分类器层无dropout层;
b25、建立分类器第三层Classifier_layer3:添加一层Linear层,输入为2304,输出层设置的神经元数量与识别模型的分类任务类别数量相同。
优选地,步骤c4的调优步骤为:
c41、根据训练的实际效果调整识别模型R的参数学习率learning-rate,分批次训练大小batch-size以及训练迭代次数epoch;
c42、调整步骤a5的中心裁剪的尺寸B×B;
c43、调整特征提取器Features的层结构以及各层的网络参数;
c44、调整分类器Classifier的层结构以及各层的网络参数。
优选地,所述步骤c6的预测步骤为:
c61、加载步骤c5保存好的识别模型R,将步骤a7预处理好的测试集dataset2输入到识别模型R中进行预测;
c62、输出识别模型R对测试集dataset2的预测结果,以及各个图像数据的类别概率;
c63、将识别模型R内嵌于热轧带钢表面检测***,根据相机拍摄的带钢边部缺陷图像,实时在线进行缺陷检测,并将检测结果存于数据库保存记录。
与现有技术相比,本发明具有以下有益效果:
1)本发明根据现场缺陷的形貌、机理发生部位等综合影响为热轧带钢边部缺陷制定了科学合理的分类标准,对边部缺陷进行了进一步的类别划分;
2)本发明提出了一种全新的卷积神经网络结构,并以此为核心建立了热轧带钢边部缺陷智能识别模型,该模型响应速度快,识别精度高,单张缺陷图像的检测速度满足生产要求,对提高热轧带钢表面质量具有重要意义。
附图说明
图1为热轧带钢边部缺陷智能识别模型的整体流程图;
图2为5类热轧带钢边部缺陷图像;
图3为黑线类边部缺陷图像经过图像增强后的图像数据;
图4为热轧带钢边部缺陷智能识别模型网络结构图;
图5为识别模型R的训练误差损失loss图;
图6为识别模型R的训练精度acc图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的为,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1-图6所示,一种热轧带钢边部缺陷智能识别方法,其主要包括
a、热轧带钢边部缺陷图像数据集的收集以及预处理,具体步骤为:
a1、根据边部缺陷的形貌、产生机理、发生部位等综合影响因素对热轧带钢边部缺陷制定了科学的分类标准,共分为5类:黑线Bl、气孔Bb、裂纹Ck、夹渣Ic和翘皮Wp;
a2、热轧带钢边部缺陷的采集:在热轧带钢生产线现场通过表检仪采集边部缺陷图像数据,并将边部缺陷图像根据分类标准及逆行类别划分,在热轧生产线现场收集到的5类边部缺陷如图2所示,图2a~图2e分别为黑线缺陷、气泡缺陷、裂纹缺陷、夹渣缺陷和翘皮缺陷。
a3、将分类好的边部缺陷图像数据保存到不同文件下,然后对图像数据添加标签;
a4、对添加标签后的缺陷图像数据集进行划分,按照4:1的比例划分为数据集dataset1和数据集dataset2,其中dataset2作为测试集来检测模型的识别效果;
a5、对数据集dataset1进行图像增强处理,具体步骤为:对原始数据分别进行对称翻转、旋转角度α=45°、添加高斯噪声、添加椒盐噪声、平面像素平移、亮度调高、亮度调低处理并保存到原始缺陷图像数据集dataset1中,以黑线为例进行图像增强后的图像数据如图3所示,图3a~图3h分别对应原始数据、对称翻转、旋转角度、添加高斯噪声、添加椒盐噪声、亮度调高、亮度调低和平面像素平移。进行图像增强后的数据集dataset1的容量是原始数据的7倍,不仅增加了训练数据的规模,还可提高模型的泛化能力;
a6、将进行图像增强处理后的数据集dataset1按3:1划分成训练集trainset和验证集validset,划分好的各个缺陷图像数据集数量如表1所示;
表1训练集、验证集和测试集的各类缺陷图像分布
a7、对训练集trainset、验证集validset和测试集dataset2进行数据预处理,具体步骤为:
a71、将数据集进行CenterCrop中心裁剪处理成尺寸为227×227大小的图片;
a72、将经过裁剪的图像数据经过Z-score标准化后将数据转变成均值为0,标准差为1呈现正态分布的数据,经过Z-score标准化的数据消除了不同图像之间单位与尺度差异所带来的影响,提高了数据的可比性和模型训练时的收敛速度;
b、建立热轧带钢边部缺陷智能识别模型,具体步骤为:
b1、构建识别模型中特征提取器Features的结构:确定特征提取器Features的层数F=5,第一特征提取层Features_layer1中卷积层Conv2d卷积核个数out_channel1 1设置为32,卷积核大小kernel_size1 1设置为3×3,步长stride1 1设置为2,填充padding1 1设置为1,卷积后的激活函数选择ReLU函数,池化方式选择MaxPool2d,池化核大小kernel_size2 1设置为2×2,步长stride2 1设置为2,数据经过Features_layer1后变成57×57×32大小的三维数据;第二特征提取层Features_layer2中卷积层Conv2d卷积核个数out_channel1 2设置为96,卷积核大小kernel_size1 2设置为5×5,步长stride1 2设置为1,填充padding1 2设置为2,卷积后的激活函数选择ReLU函数,池化方式选择MaxPool2d,池化核大小kernel_size2 2设置为2×2,步长stride2 2设置为2,数据经过Features_layer2后变成28×28×96大小的三维数据;第三特征提取层Features_layer3中卷积层Conv2d卷积核个数out_channel1 3设置为192,卷积核大小kernel_size1 3设置为3×3,步长stride1 3设置为1,填充padding1 3设置为1,卷积后的激活函数选择ReLU函数,此层不进行池化操作,数据经过Features_layer3后变成28×28×192大小的三维数据;第四特征提取Features_layer4层中卷积层Conv2d卷积核个数out_channel1 4设置为128,卷积核大小kernel_size1 4设置为3×3,步长stride1 4设置为1,填充padding1 4设置为1,卷积后的激活函数选择ReLU函数,此层不进行池化操作,数据经过Features_layer4后变成28×28×128大小的三维数据;第五特征提取Features_layer5层中卷积层conv2d卷积核个数out_channel1 5设置为128,卷积核大小kernel_size1 5设置为3×3,步长stride1 5设置为1,填充padding1 5设置为1,卷积后的激活函数选择ReLU函数,池化方式选择MaxPool2d,池化核大小kernel_size2 5设置为2×2,步长stride2 5设置为2,池化后得到的三维数据尺寸为14×14×128,池化后的数据再经过一层自适应平均池化AdaptiveAvgPool2d,自适应平均池化层的output_size设置为6×6,将输出的数据池化成尺寸为6×6×128的三维数据;
b2、建立识别模型分类器Classifier的结构:图像数据经过特征提取层后的输出为6×6×128的三维数据,因为分类器里的层结构是Linear层,所以在特征提取层输出后要使用Flatten函数对数据进行展平操作使数据变成一维数据,数据长度为6×6×128,在进入分类层Classifier之前添加一层dropout层,设置舍弃概率P1=0.5;分类器Classifier选择三层全连接神经网络;第一分类层中Linear层神经元个数为2304个,激活函数选择ReLU函数,然后添加一层dropout层,设置舍弃概率为P2=0.5;第二分类层中Linear层神经元个数为2304个,激活函数层选择ReLU函数,不添加dropout层;第三分类层为输出Linear层,因为模型要识别5种缺陷,所以输出层神经元个数为5,建立好的热轧带钢边部缺陷识别模型结构如图3所示;
c、对热轧带钢边部缺陷智能识别模型进行训练和预测,具体步骤为:
c1、设置识别模型的训练参数,分批次训练大小batch-size设置为64,设置模型训练的迭代次数epoch为500次,优化器optimizer选择Adam,设置优化器的学习率learning-rate大小为0.0005,Loss函数选择CrossEntropyLoss;
c2、将经过步骤a7预处理过后的训练集trainset和验证集validset输入步骤b建立好的识别模型中进行训练,当训练迭代次数达到500次时结束训练;
c3、输出识别模型的训练集和验证集的loss和acc,并作出loss图和acc图像,如图4和图5所示,经过500次迭代训练后的识别模型的训练集和验证集的损失误差loss分别为0.1365和0.1981,训练集和验证集的准确率分别为98.4%和94.94%。符合条件,转入步骤c5;
c5、将训练后的识别模型参数保存得到热轧带钢边部缺陷智能识别模型R;
c6、利用保存好的识别模型R对边部缺陷图像进行预测,具体步骤为:
c61、加载步骤c5保存好的识别模型R,将步骤a7预处理好的测试集dataset2输入到识别模型R中进行预测;
c62、输出识别模型R对测试集dataset2的预测结果,以及各个图像数据的类别概率,各种类型缺陷的预测结果如表2所示
表2测试集各类缺陷的预测结果
c63、将识别模型R内嵌于热轧带钢表面检测***中,根据相机拍摄的带钢边部缺陷图像,实时在线进行缺陷检测,并将检测结果存于数据库保存记录。
以上所述各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应该理解:其依然能对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种热轧带钢边部缺陷智能识别方法,其特征在于,其包括以下步骤:
a、热轧带钢边部缺陷图像数据集的收集以及预处理,具体步骤为:
a1、根据边部缺陷的形貌、产生机理及发生部位,将热轧带钢边部缺陷分为黑线Bl、气孔Bb、裂纹Ck、夹渣Ic和翘皮Wp共5类;
a2、采集热轧带钢边部缺陷图像:在热轧带钢生产现场通过表检仪采集边部缺陷图像数据,并将边部缺陷图像根据分类标准进行类别划分;
a3、将分类好的边部缺陷图像数据保存到不同文件下,然后对图像数据添加标签;
a4、对添加标签后的缺陷图像数据集进行划分,按照4:1划分为数据集dataset1和数据集dataset2,其中dataset2作为测试集来检测模型的识别效果;
a5、对数据集dataset1进行图像增强处理,以扩充缺陷图像数据集的容量,便于从缺陷图像数据中提取更多的特征信息,提升模型的泛化能力和抗干扰能力;
a6、将图像增强处理后的数据集dataset1按3:1划分成训练集trainset和验证集validset;
a7、对训练集trainset、验证集validset和测试集dataset2进行数据预处理;
b、建立热轧带钢边部缺陷智能识别模型;
b1、构建识别模型中特征提取器Features的结构;
b2、建立识别模型分类器Classifier的结构;
c、对热轧带钢边部缺陷智能识别模型进行训练和预测,具体步骤为:
c1、设置识别模型的训练参数:设置分批次训练大小batch-size,学习率learning-rate和训练的迭代次数epoch,选择优化器optimizer和Loss函数;
c2、将经过步骤a7预处理过后的训练集trainset和验证集validset输入步骤b建立好的识别模型中进行训练,当训练迭代次数达到epoch设置的次数时结束训练;
c3、输出识别模型的训练集和验证集的loss和acc,判断模型是否满足条件loss<0.5,acc>90%,若不满足条件,转入步骤c4,若满足条件转入步骤c5;
c4、根据训练结果适当对识别模型的训练参数进行调优,然后转入步骤c2继续训练;
c5、将训练后的识别模型参数保存,获得热轧带钢边部缺陷智能识别模型R;
c6、利用保存好的识别模型R对边部缺陷图像进行预测。
2.根据权利要求1所述的热轧带钢边部缺陷智能识别方法,其特征在于,对a5步骤中数据集进行图像增强处理,具体步骤包括:
a51、对原始边部缺陷图像数据进行对称翻转,并存入原始数据集;
a52、对原始边部缺陷图像数据进行旋转,从范围0°<α<90°中随机选取一个角度,并存入原始数据集;
a53、对原始边部缺陷图像数据进行添加高斯噪声,并存入原始数据集;
a54、对原始边部缺陷图像数据进行平面像素平移,并存入原始数据集;
a55、对原始边部缺陷图像数据进行添加椒盐噪声,并存入原始数据集;
a56、对原始边部缺陷图像数据进行亮度调高,并存入原始数据集;
a57、对原始边部缺陷图像数据进行亮度调低,并存入原始数据集。
3.根据权利要求2所述的热轧带钢边部缺陷智能识别方法,其特征在于,对a7步骤输入模型前的图像预处理的具体步骤包括:
a71、对图像数据进行中心裁剪CenterCrop处理,设置裁剪后的尺寸为B×B;
a72、为消除不同图像数据之间单位与尺度的差异所带来的影响,提高数据的可比性,以便提高模型训练时的收敛速度,对图像数据进行Z-score标准化处理,x为图像的像素点矩阵,根据x计算出图像数据的均值xmin和标准差xstd,利用转换公式x=(x-xmin)/xstd使得每个图像数据都转变成均值为0,标准差为1呈现正态分布的数据。
4.根据权利要求3所述的热轧带钢边部缺陷智能识别方法,其特征在于,构建识别模型中特征提取器Features结构的过程为:
b11、确定特征提取器Features的层数F=5;
b12、建立特征提取器的第一层Features_layer1:卷积层选择Conv2d,卷积核个数out_channel1 1设置为32,卷积核大小kernel_size1 1设置为3×3,步长stride1 1设置为2,填充padding1 1设置为1;卷积后的数据经过ReLU激活函数计算;然后进行池化操作,池化层选择MaxPool2d层,池化核大小kernel_size2 1设置为2×2,步长stride2 1设置为2;
b13、建立特征提取器的第二层Features_layer2:卷积层选择Conv2d,卷积核个数out_channel1 2设置为96,卷积核大小kernel_size1 2设置为5×5,步长stride1 2设置为1,填充padding1 2设置为2;卷积后的数据经过ReLU激活函数计算;然后进行池化操作,池化层选择MaxPool2d层,池化核大小kernel_size2 2设置为2×2,步长stride2 2设置为2;
b14、建立特征提取器的第三层Features_layer3:卷积层选择Conv2d,卷积核个数out_channel1 3设置为192,卷积核大小kernel_size1 3设置为3×3,步长stride1 3设置为1,填充padding1 3设置为1;卷积后的数据经过ReLU激活函数计算,此层特征提取器不添加池化层;
b15、建立特征提取器第四层Features_layer4:卷积层选择Conv2d,卷积核个数out_channel1 4设置为128,卷积核大小kernel_size1 4设置为3×3,步长stride1 4设置为1,填充padding1 4设置为1;卷积后的数据经过ReLU激活函数计算,此层特征提取器不添加池化层;
b16、搭建特征提取器第五层Features_layer5:卷积层选择Conv2d,卷积核个数out_channel1 5设置为128,卷积核大小kernel_size1 5设置为3×3,步长stride1 5设置为1,填充padding1 5设置为1;卷积后的数据经过ReLU激活函数计算;然后进行池化操作,池化层选择MaxPool2d层,池化核大小kernel_size2 5设置为2×2,步长stride2 5设置为2;池化后再添加一层自适应平均池化层AdaptiveAvgPool2d,自适应平均池化层的output_size设置为6×6,将数据尺寸池化为6×6×128的三维数据。
5.根据权利要求4所述的热轧带钢边部缺陷智能识别方法,其特征在于,建立识别模型分类器Classifier结构的过程为:
b21、确定分类器Classifier的层数C=3;
b22、经过步骤b16处理后的数据尺寸为6×6×128的三维数据,在输入分类器之前首先要经过Flatten函数进行展平处理,展平成一维数据,数据长度为6×6×128,然后经过一层dropout层,舍弃概率设置为P1=0.5;
b23、建立分类器第一层Classifier_layer1,添加一层Linear层,输入为6×6×128的一维数据,输出神经元个数设置为2304,再经过ReLU激活函数计算,然后再经过一层dropout层,舍弃概率设置为P2=0.5;
b24、建立分类器第二层Classifier_layer2:添加一层Linear层,输入为2304,输出神经元个数设置为2304,再经过ReLU激活函数计算,此分类器层无dropout层;
b25、建立分类器第三层Classifier_layer3:添加一层Linear层,输入为2304,输出层设置的神经元数量与识别模型的分类任务类别数量相同。
6.根据权利要求4所述的热轧带钢边部缺陷智能识别方法,其特征在于,步骤c4的调优步骤为:
c41、根据训练的实际效果调整识别模型R的参数学习率learning-rate,分批次训练大小batch-size以及训练迭代次数epoch;
c42、调整步骤a5的中心裁剪的尺寸B×B;
c43、调整特征提取器Features的层结构以及各层的网络参数;
c44、调整分类器Classifier的层结构以及各层的网络参数。
7.根据权利要求1所述的热轧带钢边部缺陷智能识别方法,其特征在于,所述步骤c6的预测步骤为:
c61、加载步骤c5保存好的识别模型R,将步骤a7预处理好的测试集dataset2输入到识别模型R中进行预测;
c62、输出识别模型R对测试集dataset2的预测结果,以及各个图像数据的类别概率;
c63、将识别模型R内嵌于热轧带钢表面检测***,根据相机拍摄的带钢边部缺陷图像,实时在线进行缺陷检测,并将检测结果存于数据库保存记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011489459.4A CN112597865A (zh) | 2020-12-16 | 2020-12-16 | 热轧带钢边部缺陷智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011489459.4A CN112597865A (zh) | 2020-12-16 | 2020-12-16 | 热轧带钢边部缺陷智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112597865A true CN112597865A (zh) | 2021-04-02 |
Family
ID=75196807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011489459.4A Pending CN112597865A (zh) | 2020-12-16 | 2020-12-16 | 热轧带钢边部缺陷智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597865A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113578976A (zh) * | 2021-07-28 | 2021-11-02 | 北京首钢股份有限公司 | 一种控制边部翘皮的热轧电工钢的生产方法和生产*** |
CN113592024A (zh) * | 2021-08-12 | 2021-11-02 | 燕山大学 | 冷轧铜带表面缺陷识别模型训练方法及识别方法、*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754017A (zh) * | 2019-01-09 | 2019-05-14 | 西北工业大学 | 基于可分离的三维残差网络和迁移学习高光谱图像分类方法 |
CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
CN110826609A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 一种基于强化学习的双流特征融合图像识别方法 |
CN111709265A (zh) * | 2019-12-11 | 2020-09-25 | 深学科技(杭州)有限公司 | 基于注意力机制残差网络的摄像监控状态分类方法 |
CN111898419A (zh) * | 2020-06-17 | 2020-11-06 | 西安交通大学 | 基于级联深度卷积神经网络的分区滑坡检测***及方法 |
-
2020
- 2020-12-16 CN CN202011489459.4A patent/CN112597865A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754017A (zh) * | 2019-01-09 | 2019-05-14 | 西北工业大学 | 基于可分离的三维残差网络和迁移学习高光谱图像分类方法 |
CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
CN110826609A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 一种基于强化学习的双流特征融合图像识别方法 |
CN111709265A (zh) * | 2019-12-11 | 2020-09-25 | 深学科技(杭州)有限公司 | 基于注意力机制残差网络的摄像监控状态分类方法 |
CN111898419A (zh) * | 2020-06-17 | 2020-11-06 | 西安交通大学 | 基于级联深度卷积神经网络的分区滑坡检测***及方法 |
Non-Patent Citations (7)
Title |
---|
于显龙等: "《机械设备失效分析》", 31 October 2009, 上海科学技术出版社 * |
张亮军等: "基于Dense U-net方法的眼底彩色照片图像血管分割研究", 《生物医学工程研究》 * |
张飞: "《高性能Android开发技术》", 30 April 2019, 北京航空航天大学出版社 * |
杨卫华: "《智能眼科概论》", 31 October 2019, 湖北科学技术出版社2 * |
王东城等: ""数据驱动的热轧带钢边部线状缺陷智能预报模型"", 《钢铁》 * |
高敬鹏: "《深度学习:卷积神经网络技术与实践》", 30 June 2020, 机械工业出版社 * |
黄道鑫: "《提钒炼钢》", 31 January 2000, 冶金工业出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113578976A (zh) * | 2021-07-28 | 2021-11-02 | 北京首钢股份有限公司 | 一种控制边部翘皮的热轧电工钢的生产方法和生产*** |
CN113578976B (zh) * | 2021-07-28 | 2023-09-01 | 北京首钢股份有限公司 | 一种控制边部翘皮的热轧电工钢的生产方法和生产*** |
CN113592024A (zh) * | 2021-08-12 | 2021-11-02 | 燕山大学 | 冷轧铜带表面缺陷识别模型训练方法及识别方法、*** |
CN113592024B (zh) * | 2021-08-12 | 2024-05-28 | 燕山大学 | 冷轧铜带表面缺陷识别模型训练方法及识别方法、*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860171B (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及*** | |
CN109101976B (zh) | 一种灭弧栅片表面缺陷的检测方法 | |
CN110689524B (zh) | 一种无参考在线图像清晰度评价方法与*** | |
CN112184693A (zh) | 一种射线工业底片焊缝缺陷智能检测方法 | |
CN112597865A (zh) | 热轧带钢边部缺陷智能识别方法 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其*** | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
CN112819748A (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
CN112258470B (zh) | 基于缺陷检测的工业图像临界压缩率智能分析***及方法 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN115294089A (zh) | 一种基于改进YOLOv5的钢材表面缺陷检测方法 | |
CN115829995A (zh) | 基于像素级的多尺度特征融合的布匹瑕疵检测方法及*** | |
CN115546187A (zh) | 基于YOLO v5的农业病虫害检测方法及装置 | |
CN116468728A (zh) | 一种五金冲压件模具生产质量检测方法 | |
CN113538342B (zh) | 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法 | |
CN117315380B (zh) | 一种基于深度学习的肺炎ct图像分类方法及*** | |
CN110992301A (zh) | 一种气体轮廓识别方法 | |
CN114529730A (zh) | 一种基于lbp特征的卷积神经网络地面材质图像分类方法 | |
CN112396580A (zh) | 一种圆形零件缺陷检测方法 | |
CN117350964A (zh) | 一种基于跨模态多层次特征融合的电力设备检测方法 | |
CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
Nie et al. | Machine vision-based apple external quality grading | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
Dong | A pixel-wise framework based on convolutional neural network for surface defect detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210402 |
|
RJ01 | Rejection of invention patent application after publication |