CN115151942A - 基于卷积神经网络模型训练的带钢表面缺陷检测方法 - Google Patents
基于卷积神经网络模型训练的带钢表面缺陷检测方法 Download PDFInfo
- Publication number
- CN115151942A CN115151942A CN202180016570.8A CN202180016570A CN115151942A CN 115151942 A CN115151942 A CN 115151942A CN 202180016570 A CN202180016570 A CN 202180016570A CN 115151942 A CN115151942 A CN 115151942A
- Authority
- CN
- China
- Prior art keywords
- control system
- central control
- preset
- resolution
- strip steel
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 281
- 230000007547 defect Effects 0.000 title claims abstract description 202
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 193
- 239000010959 steel Substances 0.000 title claims abstract description 193
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 107
- 238000012549 training Methods 0.000 title claims abstract description 50
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 189
- 239000000463 material Substances 0.000 claims description 82
- 238000012937 correction Methods 0.000 claims description 51
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000035945 sensitivity Effects 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 239000000047 product Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种基于卷积神经网络模型训练的带钢表面缺陷检测方法，包括：初步确定和修正采集分辨率和检测分辨率；使用预设图像对卷积神经网络进行训练；卷积神经网络建立缺陷图像重建模型；图像采集设备连续采集带钢表面图像；中控***使用卷积神经网络对图像进行重建；中控***对各图像进行检测并依次判定带钢表面缺陷的位置和种类。本发明所述中控***会根据带钢生产车间内的实际环境参数确定采集分辨率、根据待检测带钢的尺寸确定检测分辨率并根据检测分辨率与采集分辨率之间的比例A与A0的大小关系对采集分辨率逐步进行针对性的修正以使修正后的比例A’在A0的一定范围内，提高了所述方法的检测精度。
Description
PCT国内申请，说明书已公开。
Claims (9)
- PCT国内申请，权利要求书已公开。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2021/074102 WO2022160167A1 (zh) | 2021-01-28 | 2021-01-28 | 基于卷积神经网络模型训练的带钢表面缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115151942A true CN115151942A (zh) | 2022-10-04 |
| CN115151942B CN115151942B (zh) | 2024-02-13 |
Family
ID=82654068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180016570.8A Active CN115151942B (zh) | 2021-01-28 | 2021-01-28 | 基于卷积神经网络模型训练的带钢表面缺陷检测方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115151942B (zh) |
| WO (1) | WO2022160167A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115496752B (zh) * | 2022-11-16 | 2023-04-18 | 齐鲁工业大学 | 一种基于一阶段目标检测算法的钢材表面缺陷检测方法 |
| CN115953398B (zh) * | 2023-03-13 | 2023-05-26 | 无锡斯达新能源科技股份有限公司 | 一种用于带钢表面的缺陷识别方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
| CN110349126A (zh) * | 2019-06-20 | 2019-10-18 | 武汉科技大学 | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 |
| CN110656236A (zh) * | 2018-06-28 | 2020-01-07 | 宝山钢铁股份有限公司 | 一种高磁感取向硅钢表面激光刻痕的缺陷控制方法 |
| CN111047556A (zh) * | 2019-11-13 | 2020-04-21 | 广智微芯(扬州)有限公司 | 一种带钢表面缺陷检测方法及装置 |
| US20200175352A1 (en) * | 2017-03-14 | 2020-06-04 | University Of Manitoba | Structure defect detection using machine learning algorithms |
| CN111275684A (zh) * | 2020-01-20 | 2020-06-12 | 东华大学 | 一种基于多尺度特征提取的带钢表面缺陷检测方法 |
| CN111784670A (zh) * | 2020-06-30 | 2020-10-16 | 平安国际智慧城市科技股份有限公司 | 基于计算机视觉的热轧钢板表面缺陷识别方法及装置 |
| CN111833335A (zh) * | 2020-07-17 | 2020-10-27 | 燕山大学 | 一种基于超分辨率重建的点阵结构缺陷检测方法及*** |
-
2021
- 2021-01-28 WO PCT/CN2021/074102 patent/WO2022160167A1/zh active Application Filing
- 2021-01-28 CN CN202180016570.8A patent/CN115151942B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200175352A1 (en) * | 2017-03-14 | 2020-06-04 | University Of Manitoba | Structure defect detection using machine learning algorithms |
| CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
| CN110656236A (zh) * | 2018-06-28 | 2020-01-07 | 宝山钢铁股份有限公司 | 一种高磁感取向硅钢表面激光刻痕的缺陷控制方法 |
| CN110349126A (zh) * | 2019-06-20 | 2019-10-18 | 武汉科技大学 | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 |
| CN111047556A (zh) * | 2019-11-13 | 2020-04-21 | 广智微芯(扬州)有限公司 | 一种带钢表面缺陷检测方法及装置 |
| CN111275684A (zh) * | 2020-01-20 | 2020-06-12 | 东华大学 | 一种基于多尺度特征提取的带钢表面缺陷检测方法 |
| CN111784670A (zh) * | 2020-06-30 | 2020-10-16 | 平安国际智慧城市科技股份有限公司 | 基于计算机视觉的热轧钢板表面缺陷识别方法及装置 |
| CN111833335A (zh) * | 2020-07-17 | 2020-10-27 | 燕山大学 | 一种基于超分辨率重建的点阵结构缺陷检测方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| RUIYANG HAO 等: "A steel surface defect inspection approach towards smart industurial monitoring", JOURNAL OF INTELLIGENT MANUFACTURING, vol. 32 * |
| 刘军强;高建民;陈富民;: "铸钢件射线检测中缺陷的数字化测量技术研究", 铸造技术, no. 10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115151942B (zh) | 2024-02-13 |
| WO2022160167A1 (zh) | 2022-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI782231B (zh) | 用於半導體及顯示器工序設備工具中的設備健康監測及錯誤偵測的深度自動編碼器 | |
| CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
| CN110555841B (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
| CN115151942B (zh) | 基于卷积神经网络模型训练的带钢表面缺陷检测方法 | |
| CN110276389B (zh) | 一种基于边缘修正的矿井移动巡检图像重建方法 | |
| CN112561807B (zh) | 一种基于卷积神经网络的端到端径向畸变校正方法 | |
| CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
| CN115471645A (zh) | 一种基于u型学生网络的知识蒸馏异常检测方法 | |
| CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 | |
| CN112258537A (zh) | 一种基于卷积神经网络的监督暗视觉图像边缘检测方法 | |
| CN114926682A (zh) | 一种基于局部离群因子的工业图像异常检测与定位方法及*** | |
| CN111640087A (zh) | 一种基于sar深度全卷积神经网络的影像变化检测方法 | |
| CN114219762A (zh) | 基于图像修复的缺陷检测方法 | |
| CN111079826A (zh) | 融合slam和图像处理的施工进度实时识别方法 | |
| CN109064394B (zh) | 一种基于卷积神经网络的图像超分辨率重建方法 | |
| CN103868601B (zh) | Irfpa探测器非均匀响应的双边全变分正则化校正方法 | |
| CN103020936A (zh) | 一种人脸图像超分辨率重构方法 | |
| CN117058009A (zh) | 一种基于条件扩散模型的全色锐化方法 | |
| CN108182492B (zh) | 一种资料同化方法及装置 | |
| CN116433633A (zh) | 基于知识蒸馏的光伏电池类增量缺陷检测方法 | |
| CN113592744B (zh) | 一种适用于高分辨率遥感影像的几何精校正方法 | |
| CN114565023A (zh) | 一种基于潜在特征分解的无监督异常检测方法 | |
| CN109165628B (zh) | 提高动目标检测精度的方法、装置、电子设备及存储介质 | |
| CN110910442A (zh) | 一种基于kernel-free图像复原的高速移动对象机器视觉尺寸检测方法 | |
| CN111462038A (zh) | 一种基于深度学习的风机齿轮缺陷检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |