CN115151942B - 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
- CN115151942B CN115151942B CN202180016570.8A CN202180016570A CN115151942B CN 115151942 B CN115151942 B CN 115151942B CN 202180016570 A CN202180016570 A CN 202180016570A CN 115151942 B CN115151942 B CN 115151942B
- Authority
- CN
- China
- Prior art keywords
- control system
- central control
- preset
- resolution
- matrix
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 286
- 230000007547 defect Effects 0.000 title claims abstract description 201
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 196
- 239000010959 steel Substances 0.000 title claims abstract description 196
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 106
- 238000012549 training Methods 0.000 title claims abstract description 49
- 238000004519 manufacturing process Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 190
- 239000000463 material Substances 0.000 claims description 93
- 238000012937 correction Methods 0.000 claims description 65
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000035945 sensitivity Effects 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 16
- 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
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 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
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010027146 Melanoderma Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 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
- 230000000694 effects Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
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
技术领域
本发明涉及检测技术领域,尤其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。
背景技术
带钢质量为钢铁行业乃至所涉及的中高端机械产业提高产品质量的重要一环。带钢制造企业实现带钢表面缺陷的自动化检测,不仅可以提高生产效率和产品质量,并且对国家的工业水平也有着积极的影响。
随着科技的发展,带钢作为钢铁制造企业的主要产品之一,在汽车、航空航天、机械制造、建筑、日用五金等领域具有重要用途。带钢材料的优劣对最终产品的性能与质量起到重大影响,然而,在生产带钢时由于设备落后,工艺和缺陷、检测水平不高等问题,可能会造成产出的带钢表面出现划伤、擦伤、裂纹、油污、黑点等缺陷。这些带钢表面缺陷既影响外观,又影响带钢的抗腐蚀性和疲劳强度等重要性能。因此,带钢质量为钢铁行业乃至所涉及的中高端机械产业提高产品质量的重要一环。带钢制造企业实现带钢表面缺陷的自动化检测,不仅可以提高生产效率和产品质量,并且对国家的工业水平也有着积极的影响。
现有技术中的带铜检测均采用相同的检测标准,无法根据带钢生产车间的实际环境灵活选取对应的设备并以指定的检测分辨率对带钢的表面进行图像采集,同时,对于不同尺寸的带钢以及带钢的应用领域不同,所需的检测精度也各不相同,因此,针对不同检测精度的需求,应选用对应分辨率的采集图像以对带钢表面进行检测,然而现有技术中的图像检测设备无法根据实际的检测需求将采集到的图像重建至所需的分辨率,导致对带钢的检测精度低。
发明内容
为此,本发明提供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,用以克服现有技术中无法根据实际需求将采集的图像重建至所需的分辨率导致的检测精度低的问题。
为实现上述目的,本发明提供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:
步骤1:根据带钢生产车间所处的实际环境初步确定图像采集设备预设的采集分辨率、根据带钢的尺寸初步确定用以检测带钢表面缺陷的图像的检测分辨率并根据初步确定的检测分辨率与采集分辨率之间的比值分别对采集分辨率和检测分辨率进行修正以分别完成对检测分辨率和采集分辨率的确定;
步骤2:使用预设图像对中控***内的卷积神经网络进行训练,向中控***中输入预设分辨率的降噪增强后的RGB格式的单帧带钢表面缺陷图像,中控***将RGB格式的缺陷图像转换成YCbCr格式并从转换完成的YCbCr通道中提取Y通道以获得对应分辨率的缺陷图像;
步骤3:所述中控***对采集到的缺陷图像进行上采样以得到分辨率低于缺陷图像的采样后图像,中控***将缺陷图像和采样后图像成对输送至中控***内的卷积神经网络以进行训练,卷积神经网络训练完成后建立缺陷图像超分辨率重建模型并记录带钢中的缺陷特征;
步骤4:当所述带钢生产车间进行带钢的生产时,所述图像采集设备根据带钢的输送速度选用指定的采集周期连续地采集生产线上的带钢表面的图像、对采集到的图像进行降噪并在降噪后将降噪完成的图像输送至所述中控***,中控***按照接收到的顺序对降噪完成的图像进行编号;
步骤5:所述中控***使用卷积神经网络按照编号顺序依次对各降噪完成的图像进行重建,在针对单张降噪完成的图像进行重建时,中控***对该图像进行格式转换,将RGB格式的图像转换成YCbCr格式,从转换完成的YCbCr通道中提取Y通道以将图像输送至所述卷积神经网络进行重建,从转换完成的YCbCr通道中提取CbCr通道以对图像进行差值放大,完成重建和放大后,卷积神经网络将两通道融合并将融合后的YCbCr通道转换为RGB通道完成对所述单张降噪完成的图像的重建以将该图像的分辨率提高至指定值;
步骤6:重建完成后,中控***依次对各图像进行检测并提取出带有缺陷的重建完成的图像,提取完成后,中控***依次将各带有缺陷的重建完成的图像与所述记录完成的带钢中的缺陷特征进行比对以依次判定各所述带有缺陷的重建完成的图像对应的带钢的指定位置处的缺陷种类;
所述中控***中设有预设环境参数矩阵C0和预设采集分辨率矩阵Pa0;对于所述预设环境参数矩阵C0,C0(C1,C2,C3,C4),其中,C1为第一预设环境参数,C2为第二预设环境参数,C3为第三预设环境参数,C4为第四预设环境参数,各预设环境参数按照顺序逐渐增加;对于所述预设采集分辨率矩阵Pa0,Pa0(Pa1,Pa2,Pa3,Pa4),其中,Pa1为第一预设采集分辨率,Pa2为第二预设采集分辨率,Pa3为第三预设采集分辨率,Pa4为第四预设采集分辨率,各预设采集分辨率按照顺序逐渐增加;
在对带钢生产车间的环境进行检测时,分别检测车间在生产带钢时室内的温度T和湿度S,并计算车间的环境参数C,计算完成后,将C与所述C0矩阵中的各项参数进行比对:
当C≤C1时,中控***将图像采集设备的采集分辨率设置为Pa1;
当C1<C≤C2时,中控***将图像采集设备的采集分辨率设置为Pa2;
当C2<C≤C3时,中控***将图像采集设备的采集分辨率设置为Pa3;
当C3<C≤C4时,中控***将图像采集设备的采集分辨率设置为Pa4;
所述中控***中还设有预设尺寸比例矩阵D0和预设检测分辨率矩阵Pb0;对于所述预设尺寸比例矩阵D0,D0(D1,D2,D3,D4),其中,D1为第一预设尺寸比例,D2为第二预设尺寸比例,D3为第三预设尺寸比例,D4为第四预设尺寸比例,各预设尺寸比例按照顺序逐渐增加;对于所述预设检测分辨率矩阵Pb0,Pb0(Pb1,Pb2,Pb3,Pb4),其中,Pb1为第一预设检测分辨率,Pb2为第二预设检测分辨率,Pb3为第三预设检测分辨率,Pb4为第四预设检测分辨率,各预设检测分辨率按照顺序逐渐增加;
当所述中控***对用以检测带钢缺陷的图像的检测分辨率进行确定时,中控***会检测待测带钢的宽度l和厚度d并计算该带钢的尺寸比例D,计算完成后,中控***将D与D0矩阵中的各项参数进行比对以完成对检测分辨率的初步确定:
当D≤D1时,中控***将检测分辨率初步确定为Pb1;
当D1<D≤D2时,中控***将检测分辨率初步确定为Pb2;
当D2<D≤D3时,中控***将检测分辨率初步确定为Pb3;
当D3<D≤D4时,中控***将检测分辨率初步确定为Pb4;
所述中控***中还设有预设分辨率比例A、预设比例差值矩阵S0和分辨率预设修正系数矩阵a0;对于所述预设比例差值矩阵S0,S0(S1,S2,S3,S4),其中,S1为第一预设比例差值,S2为第二预设比例差值,S3为第三预设比例差值,S4为第四预设比例差值,各预设比例差值按照顺序逐渐增加;对于所述分辨率预设修正系数矩阵a0,a0(a1,a2,a3,a4),其中,a1为第一分辨率预设修正系数,a2为第二分辨率预设修正系数,a3为第三分辨率预设修正系数,a4为第四分辨率预设修正系数,1<a1<a2<a3<a4<2;
当所述中控***将所述采集分辨率设置为Pai并将检测分辨率设置为Pbj时,i=1,2,3,4,j=1,2,3,4,中控***计算检测分辨率与采集分辨率之间的比例A,计算完成后,中控***判定A与A0之间的大小关系,当A≤A0时,中控***判定Pai与Pbj之间的转化在所述卷积神经网络的重建能力范围内,中控***将本次检测的采集分辨率确定为Pai,将本次检测的检测分辨率确定为Pbj;
当A>A0时,中控***判定Pai与Pbj之间的转化在所述卷积神经网络的重建能力范围外,中控***计算A与A0之间的差值S,S=A-A0,计算完成后,中控***将S与S0矩阵中的参数进行比对并根据比对结果对采集分辨率Pai进行修正:
当S≤S1时,中控***选用a1对Pai进行修正,修正后的Pai’=Pai*a1;
当S1<S≤S2时,中控***选用a2对Pai进行修正,修正后的Pai’=Pai*a2;
当S2<S≤S3时,中控***选用a3对Pai进行修正,修正后的Pai’=Pai*a3;
当S3<S≤S4时,中控***选用a4对Pai进行修正,修正后的Pai’=Pai*a4;
修正完成后,中控***计算Pbj与Pai’之间的比值A’并在计算完成后判定A’与A0之间的大小关系,当A’≤A0时,中控***判定修正完成并将本次检测的采集分辨率确定为Pai’,将本次检测的检测分辨率确定为Pbj;
当A’>A0时,中控***重复上述步骤以对Pai’进行修正直至Pbj与修正后的采集分辨率Pai”的比值A”≤A0。
进一步地,所述中控***中还设有最大采集分辨率pa和最小检测分辨率pb,当修正后的所述采集分辨率Pai’≥pai且所述比值A’>A0时,中控***对所述检测分辨率Pbj进行调节;中控***计算A’与A0之间的差值S’,S’=A’-A0,计算完成后,中控***将S’与S0矩阵中的参数进行比对:
当S’≤S1时,中控***选用a1对Pbj进行修正,修正后的Pbj’=Pbj*(2-a1);
当S1<S’≤S2时,中控***选用a2对Pbj进行修正,修正后的Pbj’=Pbj*(2-a2);
当S2<S’≤S3时,中控***选用a3对Pbj进行修正,修正后的Pbj’=Pbj*(2-a3);
当S3<S’≤S4时,中控***选用a4对Pbj进行修正,修正后的Pbj’=Pbj*(2-a4);
修正完成后,中控***计算Pbj’与Pai’之间的比值a’并在计算完成后判定a’与A0之间的大小关系,当a’≤A0时,中控***判定修正完成并将本次检测的采集分辨率确定为Pai’,将本次检测的检测分辨率确定为Pbj’;
当A’>A0时,中控***重复上述步骤以对Pbj’进行修正直至修正后的检测分辨率Pbj”与Pai’的比值a”≤A0;
当修正后的检测分辨率Pbj”≤pb且a”>A0时,中控***判定该次检测数值异常并分别对采集分辨率和检测分辨率进行重新确定。
进一步地,所述中控***中还设有预设用途矩阵U0和检测分辨率预设调节系数矩阵b0;对于所述预设用途矩阵U0,U0(U1,U2,U3,U4),其中,U1为第一预设用途,U2为第二预设用途,U3为第三预设用途,U4为第四预设用途;对于所述检测分辨率预设调节系数矩阵b0,b0(b1,b2,b3,b4),其中,b1为检测分辨率第一预设调节系数,b2为检测分辨率第二预设调节系数,b3为检测分辨率第三预设调节系数,b4为检测分辨率第四预设调节系数,各检测分辨率预设调节系数按照顺序逐渐增加;
当所述中控***完成对所述检测分辨率Pbj的确定时,中控***会根据所述待检测带钢的实际用途以对检测分辨率Pbj进行调节:
当所述带钢的实际用途为U1时,中控***将所述检测分辨率调节为Pbj*b1;
当所述带钢的实际用途为U2时,中控***将所述检测分辨率调节为Pbj*b2;
当所述带钢的实际用途为U3时,中控***将所述检测分辨率调节为Pbj*b3;
当所述带钢的实际用途为U4时,中控***将所述检测分辨率调节为Pbj*b4;
当中控***完成对检测分辨率的调节时,中控***计算调节后的检测分辨率与所述采集分辨率的比值并根据该比值与所述A0之间的大小关系对采集分辨率或检测分辨率进行修正。
进一步地,所述中控***中还设有预设调节修正系数矩阵c0(c1,c2,c3,c4),其中,c1为第一预设调节修正系数,c2为第二预设调节修正系数,c3为第三预设调节修正系数,c4为第四预设调节修正系数,c4<c3<c2<c1<1;
当中控***判定该次检测数值异常并分别对采集分辨率和检测分辨率进行重新确定时,中控***计算a”与A0之间的差值s”,s”=a”-A0,计算完成后,中控***将s”与S0矩阵中的各项参数进行比对:
当s”≤S1时,中控***在重新确定检测分辨率后选用c1对所述b0矩阵中的各项参数进行修正;
当S1<s”≤S2时,中控***在重新确定检测分辨率后选用c2对所述b0矩阵中的各项参数进行修正;
当S2<s”≤S3时,中控***在重新确定检测分辨率后选用c3对所述b0矩阵中的各项参数进行修正;
当S3<s”≤S4时,中控***在重新确定检测分辨率后选用c4对所述b0矩阵中的各项参数进行修正;
当中控***选用ci对所述b0矩阵中的各项参数进行修正时,i=1,2,3,4,修正后的检测分辨率预设调节系数矩阵为b0’(b1’,b2’,b3’,b4’);对于检测分辨率第j预设调节系数dj’,dj’=dj*ci;修正完成后,中控***会根据所述待检测带钢的实际用途使用b0’矩阵中的参数对检测分辨率进行调节。
进一步地,所述中控***中还设有预设材质矩阵R0和预设缺陷矩阵组Q0;对于所述预设材质矩阵R0,R0(R1,R2,R3,R4),其中,R1为第一预设材质,R2为第二预设材质,R3为第三预设材质,R4为第四预设材质;对于所述预设缺陷矩阵组Q0,Q0(Q1,Q2,Q3,Q4),其中,Q1为第一预设缺陷矩阵,Q2为第二预设缺陷矩阵,Q3为第三预设缺陷矩阵,Q4为第四预设缺陷矩阵;对于第i预设缺陷矩阵Qi,Qi(Qi1,Qi2,Qi3,...Qin),其中,Qi1为第i矩阵第一预设缺陷,Qi2为第i矩阵第二预设缺陷,Qi3为第i矩阵第三预设缺陷,Qin为第i矩阵第n预设缺陷;
当所述中控***对所述卷积神经网络进行训练时,中控***会根据待检测带钢的材质确定在检测过程中出现的缺陷:
当待检测带钢的材质为R1时,中控***选用带有Q1矩阵中的缺陷对卷积神经网络进行训练以提高中控***对该品质带钢表面缺陷的检测灵敏度;
当待检测带钢的材质为R2时,中控***选用带有Q2矩阵中的缺陷对卷积神经网络进行训练以提高中控***对该品质带钢表面缺陷的检测灵敏度;
当待检测带钢的材质为R3时,中控***选用带有Q3矩阵中的缺陷对卷积神经网络进行训练以提高中控***对该品质带钢表面缺陷的检测灵敏度;
当待检测带钢的材质为R4时,中控***选用带有Q4矩阵中的缺陷对卷积神经网络进行训练以提高中控***对该品质带钢表面缺陷的检测灵敏度。
进一步地,所述中控***中还设有预设训练次数矩阵N0(N1,N2,N3,N4),其中,N1为第一预设训练次数,N2为第二预设训练次数,N3为第三预设训练次数,N4为第四预设训练次数;当中控***对所述卷积神经网络进行训练时,中控***会根据待检测带铜的材质选取对应的训练次数:
当待检测带钢的材质为R1时,中控***将对所述卷积神经网络的测试次数设置为N1;
当待检测带钢的材质为R2时,中控***将对所述卷积神经网络的测试次数设置为N2;
当待检测带钢的材质为R3时,中控***将对所述卷积神经网络的测试次数设置为N3;
当待检测带钢的材质为R4时,中控***将对所述卷积神经网络的测试次数设置为N4。
进一步地,所述中控***中还设有预设频率矩阵组G0(G1,G2,G3,G4),其中,G1为第一预设频率矩阵,G2为第二预设频率矩阵,G3为第三预设频率矩阵,G4为第四预设频率矩阵;对于第i预设频率矩阵Gi,i=1,2,3,4,Gi(Gi1,Gi2,Gi3,...Gin),其中,Gi1为第i材质第一预设缺陷频率,Gi2为第i材质第二预设缺陷频率,Gi3为第i材质第三预设缺陷频率,Gin为第i材质第n预设缺陷频率;
当所述中控***对所述卷积神经网络进行针对第i材质的带钢的检测灵敏度的训练时,中控***会根据各缺陷的频率设置带有对应缺陷的图片的数量:
对于第i材质带钢中的第一预设缺陷Qi1,中控***将该缺陷出现的图片的数量设置为Ni*Gi1;
对于第i材质带钢中的第二预设缺陷Qi2,中控***将该缺陷出现的图片的数量设置为Ni*Gi2;
对于第i材质带钢中的第三预设缺陷Qi3,中控***将该缺陷出现的图片的数量设置为Ni*Gi1;
对于第i材质带钢中的第n预设缺陷Qin,中控***将该缺陷出现的图片的数量设置为Ni*Gin;
当计算完成的单个缺陷出现的图片的数量不是整数时,向上取整;当中控***完成对各缺陷出现的图片数量的计算时,中控***收集对应数量的图片并按照顺序输送至所述卷积神经网络以对卷积神经网络进行计算。
进一步地,当所述中控***对第i材质的带钢进行检测时,中控***会实时记录各缺陷出现的频率并在检测完成后对所述Gi矩阵进行更新,当中控***针对第i材质的带钢对所述卷积神经网络进行训练时,中控***选用更新后的Gi矩阵以计算各图片的数量。
进一步地,当所述中控***对第i材质的带钢进行检测时出现的缺陷不属于所述Qi矩阵中的参数,中控***会在检测完成时对Qi矩阵进行更新并在更新完成后根据各缺陷出现的概率对所述Gi矩阵进行更新。
与现有技术相比,本发明的有益效果在于,本发明所述方法通过预先对卷积神经网络进行训练,在训练完成后,卷积神经网络能够将实际采集到的低分辨率的图片重建形成指定分辨率的图片,通过使用重建后的图片进行检测,能够达到针对待检测带钢所需的检测标准,从而有效提高针对指定环境下指定尺寸和用途的带钢的检测精度。同时,本发明所述中控***中设有预设环境参数矩阵C0、预设采集分辨率矩阵Pa0、预设尺寸比例矩阵D0和预设检测分辨率矩阵Pb0,中控***会根据带钢生产车间内的实际环境参数C确定采集分辨率Pai并根据待检测带钢的尺寸确定检测分辨率Pbj,在确定完成后,中控***会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Pai逐步进行针对性的修正以使检测分辨率Pbj与修正后的采集分辨率Pai’的比例A’在A0范围内,在保证卷积神经网络能够对图像进行稳定重建的同时,进一步提高了所述方法的检测精度。
进一步地,所述中控***中还设有最大采集分辨率pa和最小检测分辨率pb,当修正后的所述采集分辨率Pai’≥pai且所述比值A’>A0时,中控***会根据A’与A0之间的差值S’与S0矩阵中参数的比对结果对所述检测分辨率Pbj逐次进行针对性的调节,当A’>A0时,中控***重复上述步骤以对Pbj’进行修正直至修正后的检测分辨率Pbj”与Pai’的比值a”≤A0;当修正后的检测分辨率Pbj”≤pb且a”>A0时,中控***判定该次检测数值异常并分别对采集分辨率和检测分辨率进行重新确定。通过对最大采集分辨率和最小检测分辨率进行限制,能够保证修正后的检测分辨率仍能够保证对带钢表面的检测精度,从而进一步提高了所述方法的检测精度。
进一步地,所述中控***中还设有预设用途矩阵U0和检测分辨率预设调节系数矩阵b0;当所述中控***完成对所述检测分辨率Pbj的确定时,中控***会根据所述待检测带钢的实际用途以对检测分辨率Pbj进行调节、在完成对检测分辨率的调节时计算调节后的检测分辨率与所述采集分辨率的比值并根据该比值与所述A0之间的大小关系对采集分辨率或检测分辨率进行修正;通过根据带钢的实际用途对检测分辨率进行针对性的调节以使中控***能够针对不通用途的带钢对检测精度进行针对性的微调,从而进一步提高了所述方法的检测精度。
进一步地,所述中控***中还设有预设调节修正系数矩阵c0;当中控***判定该次检测数值异常并分别对采集分辨率和检测分辨率进行重新确定时,中控***计算a”与A0之间的差值s”,s”=a”-A0,计算完成后,中控***将s”与S0矩阵中的各项参数进行比对并根据比对结果选取对应的预设调节修正系数对所述b0矩阵中的各项参数进行修正,修正完成后,中控***会根据所述待检测带钢的实际用途使用b0’矩阵中的参数对检测分辨率进行调节;通过逐步修正检测分辨率,能够在保证检测精度的同时,使检测分辨率与采集分辨率的比值在指定范围内,从而使所述卷积神经网络能够稳定重建图像,并进一步提高了所述方法的检测精度。
进一步地,所述中控***中还设有预设材质矩阵R0和预设缺陷矩阵组Q0,当所述中控***对所述卷积神经网络进行训练时,中控***会根据待检测带钢的材质确定在检测过程中出现的缺陷,通过不同的带钢材质选取针对性的缺陷对卷积神经网络进行训练,能够使训练完成的卷积神经网络针对该种类材质的带钢进行检测时具有极高的检测灵敏度,从而能够更加精准的发现带钢表面存在的缺陷,并进一步提高了所述方法的检测精度。
进一步地,所述中控***中还设有预设训练次数矩阵N0,当中控***对所述卷积神经网络进行训练时,中控***会根据待检测带钢的材质选取对应的训练次数,通过针对不同材质的带钢选用对应的检测图像次数,能够有效节约卷积神经网络的训练时长,从而使卷积神经网络高效完成训练,从而进一步提高了所述方法的检测效率和精度。
进一步地,所述中控***中还设有预设频率矩阵组G0,当所述中控***对所述卷积神经网络进行针对第i材质的带钢的检测灵敏度的训练时,中控***会根据各缺陷的频率设置带有对应缺陷的图片的数量,通过针对不同缺陷在特定尺寸和材质的带钢上出现的概率设置对应比例的缺陷图像数量,能够使卷积神经网络针对不同出现概率的缺陷分别进行不同程度的训练强度,从而进一步提高了所述方法的检测效率和精度。
进一步地,当所述中控***对第i材质的带钢进行检测时,中控***会实时记录各缺陷出现的频率并在检测完成后对所述Gi矩阵进行更新,当中控***针对第i材质的带钢对所述卷积神经网络进行训练时,中控***选用更新后的Gi矩阵以计算各图片的数量,通过实时更新Gi矩阵,能够使卷积神经网络在后续的检测过程中提高对新出现的缺陷的形态的检测灵敏度,从而进一步提高了所述方法的检测精度。
进一步地,当所述中控***对第i材质的带钢进行检测时出现的缺陷不属于所述Qi矩阵中的参数,中控***会在检测完成时对Qi矩阵进行更新并在更新完成后根据各缺陷出现的概率对所述Gi矩阵进行更新;通过对Qi矩阵进行更新,能够进一步提高卷积神经网络在后续的检测过程中对新出现的缺陷的形态的检测灵敏度,从而进一步提高了所述方法的检测精度。
附图说明
图1为本发明所述基于卷积神经网络模型训练的带钢表面缺陷检测方法的流程图;
图2为本发明所述卷积神经网络在训练阶段和重建阶段的流程图;
图3为本发明所述卷积神经网络的网络框架图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1和图2所示,其为本发明所述基于卷积神经网络模型训练的带钢表面缺陷检测方法的流程图以及本发明所述卷积神经网络在训练阶段和重建阶段的流程图。
本发明所述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:
步骤1:根据带钢生产车间所处的实际环境初步确定图像采集设备预设的采集分辨率、根据带钢的尺寸初步确定用以检测带钢表面缺陷的图像的检测分辨率并根据初步确定的检测分辨率与采集分辨率之间的比值分别对采集分辨率和检测分辨率进行修正以分别完成对检测分辨率和采集分辨率的确定;
步骤2:使用预设图像对中控***内的卷积神经网络进行训练,向中控***中输入预设分辨率的降噪增强后的RGB格式的单帧带钢表面缺陷图像,中控***将RGB格式的缺陷图像转换成YCbCr格式并从转换完成的YCbCr通道中提取Y通道以获得对应分辨率的缺陷图像;
步骤3:所述中控***对采集到的缺陷图像进行上采样以得到分辨率低于缺陷图像的采样后图像,中控***将缺陷图像和采样后图像成对输送至中控***内的卷积神经网络以进行训练,卷积神经网络训练完成后建立缺陷图像超分辨率重建模型并记录带钢中的缺陷特征;
步骤4:当所述带钢生产车间进行带钢的生产时,所述图像采集设备根据带钢的输送速度选用指定的采集周期连续地采集生产线上的带钢表面的图像、对采集到的图像进行降噪并在降噪后将降噪完成的图像输送至所述中控***,中控***按照接收到的顺序对降噪完成的图像进行编号;
步骤5:所述中控***使用卷积神经网络按照编号顺序依次对各降噪完成的图像进行重建,在针对单张降噪完成的图像进行重建时,中控***对该图像进行格式转换,将RGB格式的图像转换成YCbCr格式,从转换完成的YCbCr通道中提取Y通道以将图像输送至所述卷积神经网络进行重建,从转换完成的YCbCr通道中提取CbCr通道以对图像进行差值放大,完成重建和放大后,卷积神经网络将两通道融合并将融合后的YCbCr通道转换为RGB通道完成对所述单张降噪完成的图像的重建以将该图像的分辨率提高至指定值;
步骤6:重建完成后,中控***依次对各图像进行检测并提取出带有缺陷的重建完成的图像,提取完成后,中控***依次将各带有缺陷的重建完成的图像与所述记录完成的带钢中的缺陷特征进行比对以依次判定各所述带有缺陷的重建完成的图像对应的带钢的指定位置处的缺陷种类;
具体而言,所述中控***中设有预设环境参数矩阵C0和预设采集分辨率矩阵Pa0;对于所述预设环境参数矩阵C0,C0(C1,C2,C3,C4),其中,C1为第一预设环境参数,C2为第二预设环境参数,C3为第三预设环境参数,C4为第四预设环境参数,各预设环境参数按照顺序逐渐增加;对于所述预设采集分辨率矩阵Pa0,Pa0(Pa1,Pa2,Pa3,Pa4),其中,Pa1为第一预设采集分辨率,Pa2为第二预设采集分辨率,Pa3为第三预设采集分辨率,Pa4为第四预设采集分辨率,各预设采集分辨率按照顺序逐渐增加;
在对带钢生产车间的环境进行检测时,分别检测车间在生产带钢时室内的温度T和湿度S,并计算车间的环境参数C,计算完成后,将C与所述C0矩阵中的各项参数进行比对:
当C≤C1时,中控***将图像采集设备的采集分辨率设置为Pa1;
当C1<C≤C2时,中控***将图像采集设备的采集分辨率设置为Pa2;
当C2<C≤C3时,中控***将图像采集设备的采集分辨率设置为Pa3;
当C3<C≤C4时,中控***将图像采集设备的采集分辨率设置为Pa4;
所述中控***中还设有预设尺寸比例矩阵D0和预设检测分辨率矩阵Pb0;对于所述预设尺寸比例矩阵D0,D0(D1,D2,D3,D4),其中,D1为第一预设尺寸比例,D2为第二预设尺寸比例,D3为第三预设尺寸比例,D4为第四预设尺寸比例,各预设尺寸比例按照顺序逐渐增加;对于所述预设检测分辨率矩阵Pb0,Pb0(Pb1,Pb2,Pb3,Pb4),其中,Pb1为第一预设检测分辨率,Pb2为第二预设检测分辨率,Pb3为第三预设检测分辨率,Pb4为第四预设检测分辨率,各预设检测分辨率按照顺序逐渐增加;
当所述中控***对用以检测带钢缺陷的图像的检测分辨率进行确定时,中控***会检测待测带钢的宽度l和厚度d并计算该带钢的尺寸比例D,计算完成后,中控***将D与D0矩阵中的各项参数进行比对以完成对检测分辨率的初步确定:
当D≤D1时,中控***将检测分辨率初步确定为Pb1;
当D1<D≤D2时,中控***将检测分辨率初步确定为Pb2;
当D2<D≤D3时,中控***将检测分辨率初步确定为Pb3;
当D3<D≤D4时,中控***将检测分辨率初步确定为Pb4;
所述中控***中还设有预设分辨率比例A、预设比例差值矩阵S0和分辨率预设修正系数矩阵a0;对于所述预设比例差值矩阵S0,S0(S1,S2,S3,S4),其中,S1为第一预设比例差值,S2为第二预设比例差值,S3为第三预设比例差值,S4为第四预设比例差值,各预设比例差值按照顺序逐渐增加;对于所述分辨率预设修正系数矩阵a0,a0(a1,a2,a3,a4),其中,a1为第一分辨率预设修正系数,a2为第二分辨率预设修正系数,a3为第三分辨率预设修正系数,a4为第四分辨率预设修正系数,1<a1<a2<a3<a4<2;
当所述中控***将所述采集分辨率设置为Pai并将检测分辨率设置为Pbj时,i=1,2,3,4,j=1,2,3,4,中控***计算检测分辨率与采集分辨率之间的比例A,计算完成后,中控***判定A与A0之间的大小关系,当A≤A0时,中控***判定Pai与Pbj之间的转化在所述卷积神经网络的重建能力范围内,中控***将本次检测的采集分辨率确定为Pai,将本次检测的检测分辨率确定为Pbj;
当A>A0时,中控***判定Pai与Pbj之间的转化在所述卷积神经网络的重建能力范围外,中控***计算A与A0之间的差值S,S=A-A0,计算完成后,中控***将S与S0矩阵中的参数进行比对并根据比对结果对采集分辨率Pai进行修正:
当S≤S1时,中控***选用a1对Pai进行修正,修正后的Pai’=Pai*a1;
当S1<S≤S2时,中控***选用a2对Pai进行修正,修正后的Pai’=Pai*a2;
当S2<S≤S3时,中控***选用a3对Pai进行修正,修正后的Pai’=Pai*a3;
当S3<S≤S4时,中控***选用a4对Pai进行修正,修正后的Pai’=Pai*a4;
修正完成后,中控***计算Pbj与Pai’之间的比值A’并在计算完成后判定A’与A0之间的大小关系,当A’≤A0时,中控***判定修正完成并将本次检测的采集分辨率确定为Pai’,将本次检测的检测分辨率确定为Pbj;
当A’>A0时,中控***重复上述步骤以对Pai’进行修正直至Pbj与修正后的采集分辨率Pai”的比值A”≤A0。
具体而言,所述中控***中还设有最大采集分辨率pa和最小检测分辨率pb,当修正后的所述采集分辨率Pai’≥pai且所述比值A’>A0时,中控***对所述检测分辨率Pbj进行调节;中控***计算A’与A0之间的差值S’,S’=A’-A0,计算完成后,中控***将S’与S0矩阵中的参数进行比对:
当S’≤S1时,中控***选用a1对Pbj进行修正,修正后的Pbj’=Pbj*(2-a1);
当S1<S’≤S2时,中控***选用a2对Pbj进行修正,修正后的Pbj’=Pbj*(2-a2);
当S2<S’≤S3时,中控***选用a3对Pbj进行修正,修正后的Pbj’=Pbj*(2-a3);
当S3<S’≤S4时,中控***选用a4对Pbj进行修正,修正后的Pbj’=Pbj*(2-a4);
修正完成后,中控***计算Pbj’与Pai’之间的比值a’并在计算完成后判定a’与A0之间的大小关系,当a’≤A0时,中控***判定修正完成并将本次检测的采集分辨率确定为Pai’,将本次检测的检测分辨率确定为Pbj’;
当A’>A0时,中控***重复上述步骤以对Pbj’进行修正直至修正后的检测分辨率Pbj”与Pai’的比值a”≤A0;
当修正后的检测分辨率Pbj”≤pb且a”>A0时,中控***判定该次检测数值异常并分别对采集分辨率和检测分辨率进行重新确定。
具体而言,所述中控***中还设有预设用途矩阵U0和检测分辨率预设调节系数矩阵b0;对于所述预设用途矩阵U0,U0(U1,U2,U3,U4),其中,U1为第一预设用途,U2为第二预设用途,U3为第三预设用途,U4为第四预设用途;对于所述检测分辨率预设调节系数矩阵b0,b0(b1,b2,b3,b4),其中,b1为检测分辨率第一预设调节系数,b2为检测分辨率第二预设调节系数,b3为检测分辨率第三预设调节系数,b4为检测分辨率第四预设调节系数,各检测分辨率预设调节系数按照顺序逐渐增加;
当所述中控***完成对所述检测分辨率Pbj的确定时,中控***会根据所述待检测带钢的实际用途以对检测分辨率Pbj进行调节:
当所述带钢的实际用途为U1时,中控***将所述检测分辨率调节为Pbj*b1;
当所述带钢的实际用途为U2时,中控***将所述检测分辨率调节为Pbj*b2;
当所述带钢的实际用途为U3时,中控***将所述检测分辨率调节为Pbj*b3;
当所述带钢的实际用途为U4时,中控***将所述检测分辨率调节为Pbj*b4;
当中控***完成对检测分辨率的调节时,中控***计算调节后的检测分辨率与所述采集分辨率的比值并根据该比值与所述A0之间的大小关系对采集分辨率或检测分辨率进行修正。
具体而言,所述中控***中还设有预设调节修正系数矩阵c0(c1,c2,c3,c4),其中,c1为第一预设调节修正系数,c2为第二预设调节修正系数,c3为第三预设调节修正系数,c4为第四预设调节修正系数,c4<c3<c2<c1<1;
当中控***判定该次检测数值异常并分别对采集分辨率和检测分辨率进行重新确定时,中控***计算a”与A0之间的差值s”,s”=a”-A0,计算完成后,中控***将s”与S0矩阵中的各项参数进行比对:
当s”≤S1时,中控***在重新确定检测分辨率后选用c1对所述b0矩阵中的各项参数进行修正;
当S1<s”≤S2时,中控***在重新确定检测分辨率后选用c2对所述b0矩阵中的各项参数进行修正;
当S2<s”≤S3时,中控***在重新确定检测分辨率后选用c3对所述b0矩阵中的各项参数进行修正;
当S3<s”≤S4时,中控***在重新确定检测分辨率后选用c4对所述b0矩阵中的各项参数进行修正;
当中控***选用ci对所述b0矩阵中的各项参数进行修正时,i=1,2,3,4,修正后的检测分辨率预设调节系数矩阵为b0’(b1’,b2’,b3’,b4’);对于检测分辨率第j预设调节系数dj’,dj’=dj*ci;修正完成后,中控***会根据所述待检测带钢的实际用途使用b0’矩阵中的参数对检测分辨率进行调节。
具体而言,所述中控***中还设有预设材质矩阵R0和预设缺陷矩阵组Q0;对于所述预设材质矩阵R0,R0(R1,R2,R3,R4),其中,R1为第一预设材质,R2为第二预设材质,R3为第三预设材质,R4为第四预设材质;对于所述预设缺陷矩阵组Q0,Q0(Q1,Q2,Q3,Q4),其中,Q1为第一预设缺陷矩阵,Q2为第二预设缺陷矩阵,Q3为第三预设缺陷矩阵,Q4为第四预设缺陷矩阵;对于第i预设缺陷矩阵Qi,Qi(Qi1,Qi2,Qi3,...Qin),其中,Qi1为第i矩阵第一预设缺陷,Qi2为第i矩阵第二预设缺陷,Qi3为第i矩阵第三预设缺陷,Qin为第i矩阵第n预设缺陷;
当所述中控***对所述卷积神经网络进行训练时,中控***会根据待检测带钢的材质确定在检测过程中出现的缺陷:
当待检测带钢的材质为R1时,中控***选用带有Q1矩阵中的缺陷对卷积神经网络进行训练以提高中控***对该品质带钢表面缺陷的检测灵敏度;
当待检测带钢的材质为R2时,中控***选用带有Q2矩阵中的缺陷对卷积神经网络进行训练以提高中控***对该品质带钢表面缺陷的检测灵敏度;
当待检测带钢的材质为R3时,中控***选用带有Q3矩阵中的缺陷对卷积神经网络进行训练以提高中控***对该品质带钢表面缺陷的检测灵敏度;
当待检测带钢的材质为R4时,中控***选用带有Q4矩阵中的缺陷对卷积神经网络进行训练以提高中控***对该品质带钢表面缺陷的检测灵敏度。
具体而言,所述中控***中还设有预设训练次数矩阵N0(N1,N2,N3,N4),其中,N1为第一预设训练次数,N2为第二预设训练次数,N3为第三预设训练次数,N4为第四预设训练次数;当中控***对所述卷积神经网络进行训练时,中控***会根据待检测带钢的材质选取对应的训练次数:
当待检测带钢的材质为R1时,中控***将对所述卷积神经网络的测试次数设置为N1;
当待检测带钢的材质为R2时,中控***将对所述卷积神经网络的测试次数设置为N2;
当待检测带钢的材质为R3时,中控***将对所述卷积神经网络的测试次数设置为N3;
当待检测带钢的材质为R4时,中控***将对所述卷积神经网络的测试次数设置为N4。
具体而言,所述中控***中还设有预设频率矩阵组G0(G1,G2,G3,G4),其中,G1为第一预设频率矩阵,G2为第二预设频率矩阵,G3为第三预设频率矩阵,G4为第四预设频率矩阵;对于第i预设频率矩阵Gi,i=1,2,3,4,Gi(Gi1,Gi2,Gi3,...Gin),其中,Gi1为第i材质第一预设缺陷频率,Gi2为第i材质第二预设缺陷频率,Gi3为第i材质第三预设缺陷频率,Gin为第i材质第n预设缺陷频率;
当所述中控***对所述卷积神经网络进行针对第i材质的带钢的检测灵敏度的训练时,中控***会根据各缺陷的频率设置带有对应缺陷的图片的数量:
对于第i材质带钢中的第一预设缺陷Qi1,中控***将该缺陷出现的图片的数量设置为Ni*Gi1;
对于第i材质带钢中的第二预设缺陷Qi2,中控***将该缺陷出现的图片的数量设置为Ni*Gi2;
对于第i材质带铜中的第三预设缺陷Qi3,中控***将该缺陷出现的图片的数量设置为Ni*Gi1;
对于第i材质带钢中的第n预设缺陷Qin,中控***将该缺陷出现的图片的数量设置为Ni*Gin;
当计算完成的单个缺陷出现的图片的数量不是整数时,向上取整;当中控***完成对各缺陷出现的图片数量的计算时,中控***收集对应数量的图片并按照顺序输送至所述卷积神经网络以对卷积神经网络进行计算。
具体而言,当所述中控***对第i材质的带钢进行检测时,中控***会实时记录各缺陷出现的频率并在检测完成后对所述Gi矩阵进行更新,当中控***针对第i材质的带钢对所述卷积神经网络进行训练时,中控***选用更新后的Gi矩阵以计算各图片的数量。
具体而言,当所述中控***对第i材质的带钢进行检测时出现的缺陷不属于所述Qi矩阵中的参数,中控***会在检测完成时对Qi矩阵进行更新并在更新完成后根据各缺陷出现的概率对所述Gi矩阵进行更新。
请参阅图3所示,其为本发明所述卷积神经网络的网络框架图,本发明所述卷积神经网络框架包括骨干网络与预测网络两部分,骨干网络对输入图像两次卷积获得高维特征,然后使用5组(14个)轻量级网络单元LightNet v1构建深层特征网络。此种结构拥有极强的特征提取能力与极低的计算量。预测网络由浅至深三种不同层次的特征并行输入到MSCA模块。MSCA模块可以实现浅层到深层特征复用和融合,可以实现细小目标检测。
具体而言,对于所述骨干中的轻量网络单元LightNetv1,相对于现有技术中的轻量网络单元具备如下改进:
第一,将所有的Batch Normalization(BN)层替换为Group Normalization(GN)层。GN是针对BN在batch size较小时错误率较高而提出的改进算法,由于BN层的计算结果依赖当前batch的数据,当batch size较小时,该batch数据的均值和方差的代表性较差,因此对最后的结果影响也较大,而GN基本上不受batch size的影响。
第二,将原本第三层的RuLU激活函数替换为Linear线性激活函数。由于DWConv层输出维度较低(对于低维空间而言,进行线性映射会保存特征,而非线性映射会破坏特征),继续应用ReLU会带来信息丢失的问题。所以第三层使用Linear代替ReLU以保证较完整的输出信息,通过上述操作后,特征图空间大小减半,通道数量翻倍。
具体而言,本发明使用MSCA模块(multi-scale context aggregation)作为预测网络的主要组成部分。骨干网络输入到预测网络的特征图组合为FH,包含三种尺度特征图(13×13,26×26,52×52)。CH为特征图(26×26)的通道数,首先将/>通过一个通道缩减操作(Bottleneck),得到CL通道数的/>一般的,/>其次,将通道缩减后的/>下采样后的/>和上采样后的/>进行Concat操作。最后将Concat后的特征图进行一系列的卷积操作,最终得到预测结果P1,P0、P2同理。我们通过K-means聚类计算出当前数据集的anchors:(50×66)、(74×99)、(91×125)、(113×154)、(140×190)、(220×284),其中K-means使用欧式距离算法。P0(13×13)、P1(26×26)、P2(52×52)预测特征图依次使用3个anchors,每个栅格预测3个框(boxes)。对于P0、P1、P2,每个box的参数包括x、y、w、h、带钢表面缺陷的类别概率Pi以及置信度Pc。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于卷积神经网络模型训练的带钢表面缺陷检测方法,其特征在于,包括:
步骤1:根据带钢生产车间所处的实际环境初步确定图像采集设备预设的采集分辨率、根据带钢的尺寸初步确定用以检测带钢表面缺陷的图像的检测分辨率并根据初步确定的检测分辨率与采集分辨率之间的比值分别对采集分辨率和检测分辨率进行修正以分别完成对检测分辨率和采集分辨率的确定;
步骤2:使用预设图像对中控***内的卷积神经网络进行训练,向中控***中输入预设分辨率的降噪增强后的RGB格式的单帧带钢表面缺陷图像,中控***将RGB格式的缺陷图像转换成YCbCr格式并从转换完成的YCbCr通道中提取Y通道以获得对应分辨率的缺陷图像;
步骤3:所述中控***对采集到的缺陷图像进行上采样以得到分辨率低于缺陷图像的采样后图像,中控***将缺陷图像和采样后图像成对输送至中控***内的卷积神经网络以进行训练,卷积神经网络训练完成后建立缺陷图像超分辨率重建模型并记录带钢中的缺陷特征;
步骤4:当所述带钢生产车间进行带钢的生产时,所述图像采集设备根据带钢的输送速度选用指定的采集周期连续地采集生产线上的带钢表面的图像、对采集到的图像进行降噪并在降噪后将降噪完成的图像输送至所述中控***,中控***按照接收到的顺序对降噪完成的图像进行编号;
步骤5:所述中控***使用卷积神经网络按照编号顺序依次对各降噪完成的图像进行重建,在针对单张降噪完成的图像进行重建时,中控***对该图像进行格式转换,将RGB格式的图像转换成YCbCr格式,从转换完成的YCbCr通道中提取Y通道以将图像输送至所述卷积神经网络进行重建,从转换完成的YCbCr通道中提取CbCr通道以对图像进行差值放大,完成重建和放大后,卷积神经网络将两通道融合并将融合后的YCbCr通道转换为RGB通道完成对所述单张降噪完成的图像的重建以将该图像的分辨率提高至指定值;
步骤6:重建完成后,中控***依次对各图像进行检测并提取出带有缺陷的重建完成的图像,提取完成后,中控***依次将各带有缺陷的重建完成的图像与所述记录完成的带钢中的缺陷特征进行比对以依次判定各所述带有缺陷的重建完成的图像对应的带钢的指定位置处的缺陷种类;
所述中控***中设有预设环境参数矩阵C0、预设采集分辨率矩阵Pa0、预设尺寸比例矩阵D0和预设检测分辨率矩阵Pb0,中控***会根据带钢生产车间内的实际环境参数C确定采集分辨率Pai并根据待检测带钢的尺寸确定检测分辨率Pbj,i,j为自然数;在确定完成后,中控***会根据检测分辨率与采集分辨率之间的比例A与预设分辨率比例A0的大小关系对采集分辨率Pai逐步进行针对性的修正以使检测分辨率Pbj与修正后的采集分辨率Pai’的比例A’在A0范围内;
所述中控***中设有预设环境参数矩阵C0和预设采集分辨率矩阵Pa0;对于所述预设环境参数矩阵C0,C0(C1,C2,C3,C4),其中,C1为第一预设环境参数,C2为第二预设环境参数,C3为第三预设环境参数,C4为第四预设环境参数,各预设环境参数按照顺序逐渐增加;对于所述预设采集分辨率矩阵Pa0,Pa0(Pa1,Pa2,Pa3,Pa4),其中,Pa1为第一预设采集分辨率,Pa2为第二预设采集分辨率,Pa3为第三预设采集分辨率,Pa4为第四预设采集分辨率,各预设采集分辨率按照顺序逐渐增加;
在对带钢生产车间的环境进行检测时,分别检测车间在生产带钢时室内的温度T和湿度S,并计算车间的环境参数C,计算完成后,将C与所述C0矩阵中的各项参数进行比对:
当C≤C1时,中控***将图像采集设备的采集分辨率设置为Pa1;
当C1<C≤C2时,中控***将图像采集设备的采集分辨率设置为Pa2;
当C2<C≤C3时,中控***将图像采集设备的采集分辨率设置为Pa3;
当C3<C≤C4时,中控***将图像采集设备的采集分辨率设置为Pa4;
所述中控***中还设有预设尺寸比例矩阵D0和预设检测分辨率矩阵Pb0;对于所述预设尺寸比例矩阵D0,D0(D1,D2,D3,D4),其中,D1为第一预设尺寸比例,D2为第二预设尺寸比例,D3为第三预设尺寸比例,D4为第四预设尺寸比例,各预设尺寸比例按照顺序逐渐增加;对于所述预设检测分辨率矩阵Pb0,Pb0(Pb1,Pb2,Pb3,Pb4),其中,Pb1为第一预设检测分辨率,Pb2为第二预设检测分辨率,Pb3为第三预设检测分辨率,Pb4为第四预设检测分辨率,各预设检测分辨率按照顺序逐渐增加;
当所述中控***对用以检测带钢缺陷的图像的检测分辨率进行确定时,中控***会检测待测带钢的宽度l和厚度d并计算该带钢的尺寸比例D,计算完成后,中控***将D与D0矩阵中的各项参数进行比对以完成对检测分辨率的初步确定:
当D≤D1时,中控***将检测分辨率初步确定为Pb1;
当D1<D≤D2时,中控***将检测分辨率初步确定为Pb2;
当D2<D≤D3时,中控***将检测分辨率初步确定为Pb3;
当D3<D≤D4时,中控***将检测分辨率初步确定为Pb4;
所述中控***中还设有预设分辨率比例A0、预设比例差值矩阵S0和分辨率预设修正系数矩阵a0;对于所述预设比例差值矩阵S0,S0(S1,S2,S3,S4),其中,S1为第一预设比例差值,S2为第二预设比例差值,S3为第三预设比例差值,S4为第四预设比例差值,各预设比例差值按照顺序逐渐增加;对于所述分辨率预设修正系数矩阵a0,a0(a1,a2,a3,a4),其中,a1为第一分辨率预设修正系数,a2为第二分辨率预设修正系数,a3为第三分辨率预设修正系数,a4为第四分辨率预设修正系数,1<a1<a2<a3<a4<2;
当所述中控***将所述采集分辨率设置为Pai并将检测分辨率设置为Pbj时,i=1,2,3,4,j=1,2,3,4,中控***计算检测分辨率与采集分辨率之间的比例A,计算完成后,中控***判定A与A0之间的大小关系,当A≤A0时,中控***判定Pai与Pbj之间的转化在所述卷积神经网络的重建能力范围内,中控***将本次检测的采集分辨率确定为Pai,将本次检测的检测分辨率确定为Pbj;
当A>A0时,中控***判定Pai与Pbj之间的转化在所述卷积神经网络的重建能力范围外,中控***计算A与A0之间的差值S,S=A-A0,计算完成后,中控***将S与S0矩阵中的参数进行比对并根据比对结果对采集分辨率Pai进行修正:
当S≤S1时,中控***选用a1对Pai进行修正,修正后的Pai’=Pai*a1;
当S1<S≤S2时,中控***选用a2对Pai进行修正,修正后的Pai’=Pai*a2;
当S2<S≤S3时,中控***选用a3对Pai进行修正,修正后的Pai’=Pai*a3;
当S3<S≤S4时,中控***选用a4对Pai进行修正,修正后的Pai’=Pai*a4;
修正完成后,中控***计算Pbj与Pai’之间的比值A’并在计算完成后判定A’与A0之间的大小关系,当A’≤A0时,中控***判定修正完成并将本次检测的采集分辨率确定为Pai’,将本次检测的检测分辨率确定为Pbj;
当A’>A0时,中控***重复上述步骤以对Pai’进行修正直至Pbj与修正后的采集分辨率Pai”的比值A”≤A0。
2.根据权利要求1所述的基于卷积神经网络模型训练的带钢表面缺陷检测方法,其特征在于,所述中控***中还设有最大采集分辨率pa和最小检测分辨率pb,当修正后的所述采集分辨率Pai’≥pai且所述比值A’>A0时,中控***对所述检测分辨率Pbj进行调节;中控***计算A’与A0之间的差值S’,S’=A’-A0,计算完成后,中控***将S’与S0矩阵中的参数进行比对:
当S’≤S1时,中控***选用a1对Pbj进行修正,修正后的Pbj’=Pbj*(2-a1);
当S1<S’≤S2时,中控***选用a2对Pbj进行修正,修正后的Pbj’=Pbj*(2-a2);
当S2<S’≤S3时,中控***选用a3对Pbj进行修正,修正后的Pbj’=Pbj*(2-a3);
当S3<S’≤S4时,中控***选用a4对Pbj进行修正,修正后的Pbj’=Pbj*(2-a4);
修正完成后,中控***计算Pbj’与Pai’之间的比值a’并在计算完成后判定a’与A0之间的大小关系,当a’≤A0时,中控***判定修正完成并将本次检测的采集分辨率确定为Pai’,将本次检测的检测分辨率确定为Pbj’;
当A’>A0时,中控***重复上述步骤以对Pbj’进行修正直至修正后的检测分辨率Pbj”与Pai’的比值a”≤A0;
当修正后的检测分辨率Pbj”≤pb且a”>A0时,中控***判定该次检测数值异常并分别对采集分辨率和检测分辨率进行重新确定。
3.根据权利要求2所述的基于卷积神经网络模型训练的带钢表面缺陷检测方法,其特征在于,所述中控***中还设有预设用途矩阵U0和检测分辨率预设调节系数矩阵b0;对于所述预设用途矩阵U0,U0(U1,U2,U3,U4),其中,U1为第一预设用途,U2为第二预设用途,U3为第三预设用途,U4为第四预设用途;对于所述检测分辨率预设调节系数矩阵b0,b0(b1,b2,b3,b4),其中,b1为检测分辨率第一预设调节系数,b2为检测分辨率第二预设调节系数,b3为检测分辨率第三预设调节系数,b4为检测分辨率第四预设调节系数,各检测分辨率预设调节系数按照顺序逐渐增加;
当所述中控***完成对所述检测分辨率Pbj的确定时,中控***会根据所述待检测带钢的实际用途以对检测分辨率Pbj进行调节:
当所述带钢的实际用途为U1时,中控***将所述检测分辨率调节为Pbj*b1;
当所述带钢的实际用途为U2时,中控***将所述检测分辨率调节为Pbj*b2;
当所述带钢的实际用途为U3时,中控***将所述检测分辨率调节为Pbj*b3;
当所述带钢的实际用途为U4时,中控***将所述检测分辨率调节为Pbj*b4;
当中控***完成对检测分辨率的调节时,中控***计算调节后的检测分辨率与所述采集分辨率的比值并根据该比值与所述A0之间的大小关系对采集分辨率或检测分辨率进行修正。
4.根据权利要求3所述的基于卷积神经网络模型训练的带钢表面缺陷检测方法,其特征在于,所述中控***中还设有预设调节修正系数矩阵c0(c1,c2,c3,c4),其中,c1为第一预设调节修正系数,c2为第二预设调节修正系数,c3为第三预设调节修正系数,c4为第四预设调节修正系数,c4<c3<c2<c1<1;
当中控***判定该次检测数值异常并分别对采集分辨率和检测分辨率进行重新确定时,中控***计算a”与A0之间的差值s”,s”=a”-A0,计算完成后,中控***将s”与S0矩阵中的各项参数进行比对:
当s”≤S1时,中控***在重新确定检测分辨率后选用c1对所述b0矩阵中的各项参数进行修正;
当S1<s”≤S2时,中控***在重新确定检测分辨率后选用c2对所述b0矩阵中的各项参数进行修正;
当S2<s”≤S3时,中控***在重新确定检测分辨率后选用c3对所述b0矩阵中的各项参数进行修正;
当S3<s”≤S4时,中控***在重新确定检测分辨率后选用c4对所述b0矩阵中的各项参数进行修正;
当中控***选用ci对所述b0矩阵中的各项参数进行修正时,i=1,2,3,4,修正后的检测分辨率预设调节系数矩阵为b0’(b1’,b2’,b3’,b4’);对于检测分辨率第j预设调节系数dj’,dj’=dj*ci;修正完成后,中控***会根据所述待检测带钢的实际用途使用b0’矩阵中的参数对检测分辨率进行调节。
5.根据权利要求4所述的基于卷积神经网络模型训练的带钢表面缺陷检测方法,其特征在于,所述中控***中还设有预设材质矩阵R0和预设缺陷矩阵组Q0;对于所述预设材质矩阵R0,R0(R1,R2,R3,R4),其中,R1为第一预设材质,R2为第二预设材质,R3为第三预设材质,R4为第四预设材质;对于所述预设缺陷矩阵组Q0,Q0(Q1,Q2,Q3,Q4),其中,Q1为第一预设缺陷矩阵,Q2为第二预设缺陷矩阵,Q3为第三预设缺陷矩阵,Q4为第四预设缺陷矩阵;对于第i预设缺陷矩阵Qi,Qi(Qi 1,Qi2,Qi3,...Qin),其中,Qi 1为第i矩阵第一预设缺陷,Qi2为第i矩阵第二预设缺陷,Qi3为第i矩阵第三预设缺陷,Qin为第i矩阵第n预设缺陷;
当所述中控***对所述卷积神经网络进行训练时,中控***会根据待检测带钢的材质确定在检测过程中出现的缺陷:
当待检测带钢的材质为R1时,中控***选用带有Q1矩阵中的缺陷对卷积神经网络进行训练以提高中控***对带钢表面缺陷的检测灵敏度;
当待检测带钢的材质为R2时,中控***选用带有Q2矩阵中的缺陷对卷积神经网络进行训练以提高中控***对带钢表面缺陷的检测灵敏度;
当待检测带钢的材质为R3时,中控***选用带有Q3矩阵中的缺陷对卷积神经网络进行训练以提高中控***对带钢表面缺陷的检测灵敏度;
当待检测带钢的材质为R4时,中控***选用带有Q4矩阵中的缺陷对卷积神经网络进行训练以提高中控***对带钢表面缺陷的检测灵敏度。
6.根据权利要求5所述的基于卷积神经网络模型训练的带钢表面缺陷检测方法,其特征在于,所述中控***中还设有预设训练次数矩阵N0(N1,N2,N3,N4),其中,N1为第一预设训练次数,N2为第二预设训练次数,N3为第三预设训练次数,N4为第四预设训练次数;当中控***对所述卷积神经网络进行训练时,中控***会根据待检测带钢的材质选取对应的训练次数:
当待检测带钢的材质为R1时,中控***将对所述卷积神经网络的测试次数设置为N1;
当待检测带钢的材质为R2时,中控***将对所述卷积神经网络的测试次数设置为N2;
当待检测带钢的材质为R3时,中控***将对所述卷积神经网络的测试次数设置为N3;
当待检测带钢的材质为R4时,中控***将对所述卷积神经网络的测试次数设置为N4。
7.根据权利要求6所述的基于卷积神经网络模型训练的带钢表面缺陷检测方法,其特征在于,所述中控***中还设有预设频率矩阵组G0(G1,G2,G3,G4),其中,G1为第一预设频率矩阵,G2为第二预设频率矩阵,G3为第三预设频率矩阵,G4为第四预设频率矩阵;对于第i预设频率矩阵Gi,i=1,2,3,4,Gi(Gi 1,Gi2,Gi3,...Gin),其中,Gi 1为第i材质第一预设缺陷频率,Gi2为第i材质第二预设缺陷频率,Gi3为第i材质第三预设缺陷频率,Gin为第i材质第n预设缺陷频率;
当所述中控***对所述卷积神经网络进行针对第i材质的带钢的检测灵敏度的训练时,中控***会根据各缺陷的频率设置带有对应缺陷的图片的数量:
对于第i材质带钢中的第一预设缺陷Qi 1,中控***将该缺陷出现的图片的数量设置为Ni*Gi 1;
对于第i材质带钢中的第二预设缺陷Qi2,中控***将该缺陷出现的图片的数量设置为Ni*Gi2;
对于第i材质带钢中的第三预设缺陷Qi3,中控***将该缺陷出现的图片的数量设置为Ni*Gi 1;
对于第i材质带钢中的第n预设缺陷Qin,中控***将该缺陷出现的图片的数量设置为Ni*Gin;
当计算完成的单个缺陷出现的图片的数量不是整数时,向上取整;当中控***完成对各缺陷出现的图片数量的计算时,中控***收集对应数量的图片并按照顺序输送至所述卷积神经网络以对卷积神经网络进行计算。
8.根据权利要求7所述的基于卷积神经网络模型训练的带钢表面缺陷检测方法,其特征在于,当所述中控***对第i材质的带钢进行检测时,中控***会实时记录各缺陷出现的频率并在检测完成后对所述Gi矩阵进行更新,当中控***针对第i材质的带钢对所述卷积神经网络进行训练时,中控***选用更新后的Gi矩阵以计算各图片的数量。
9.根据权利要求8所述的基于卷积神经网络模型训练的带钢表面缺陷检测方法,其特征在于,当所述中控***对第i材质的带钢进行检测时出现的缺陷不属于所述Qi矩阵中的参数,中控***会在检测完成时对Qi矩阵进行更新并在更新完成后根据各缺陷出现的概率对所述Gi矩阵进行更新。
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 CN115151942A (zh) | 2022-10-04 |
CN115151942B true 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 (7)
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 |
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*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3056498A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
-
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 (7)
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 |
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 |
---|
A steel surface defect inspection approach towards smart industurial monitoring;Ruiyang Hao 等;Journal of Intelligent Manufacturing;第32卷;全文 * |
铸钢件射线检测中缺陷的数字化测量技术研究;刘军强;高建民;陈富民;;铸造技术(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115151942A (zh) | 2022-10-04 |
WO2022160167A1 (zh) | 2022-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110555841B (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
CN112017688B (zh) | 一种声学成像方法 | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
CN110276389B (zh) | 一种基于边缘修正的矿井移动巡检图像重建方法 | |
CN113469951B (zh) | 一种基于级联区域卷积神经网络的轮毂缺陷检测方法 | |
CN113628261B (zh) | 一种电力巡检场景下的红外与可见光图像配准方法 | |
CN112598575B (zh) | 一种基于特征处理的图像信息融合及超分辨率重建方法 | |
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 | |
CN112258537B (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 | |
CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN114998703B (zh) | 一种基于高分辨卷积神经网络的遥感图像变化检测方法 | |
CN115471645A (zh) | 一种基于u型学生网络的知识蒸馏异常检测方法 | |
CN115953408A (zh) | 一种基于YOLOv7的避雷器表面缺陷检测方法 | |
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*** | |
CN114219762A (zh) | 基于图像修复的缺陷检测方法 | |
CN113256563A (zh) | 基于空间注意力机制的精品罐表面缺陷检测方法和*** | |
CN116452969A (zh) | 基于对抗自编码器和注意力机制的高光谱目标检测方法 | |
CN115170490A (zh) | 表面缺陷识别***、方法及其存储介质 | |
CN111462038A (zh) | 一种基于深度学习的风机齿轮缺陷检测方法 | |
CN117934963B (zh) | 一种气体传感器漂移补偿方法 | |
CN112668754B (zh) | 一种基于多源特征信息融合的电力设备缺陷诊断方法 | |
CN112348806B (zh) | 一种无参考数字病理切片模糊度评价方法 | |
CN106651799B (zh) | 一种基于地物光谱属性的坏线修复方法 |
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 |