基于深度卷积神经网络的钢板表面缺陷分类方法及装置制造方法及图纸

本发明专利技术提出一种基于深度卷积神经网络的钢板表面缺陷分类方法及装置，该分类方法包括：构建钢铁表面缺陷数据集，所述缺陷包括龟裂、折叠、覆盖杂质、斑点、点蚀面、表面氧化、划痕；对所述钢铁表面缺陷数据集进行预处理；对预处理后的数据集中的图像进行数据扩充；将数据扩充处理后的数据集作为训练集；利用所述训练集训练深度卷积神经网络；利用所训练的深度卷积神经网络对钢板表面缺陷进行分类。本发明专利技术对于图像分类来说，具有较高的精准度。

Classification method and device of steel plate surface defects based on deep convolution neural network

The invention provides a steel plate surface defect classification method and device based on the deep convolution neural network, the classification method includes: building a steel surface defect data set, the defects include crazing, folding, covering impurities, spots, pitting surfaces, surface oxidation, scratches; preprocessing the steel surface defect data set; image processing of the data set after preprocessing Row data expansion; taking the data set after data expansion processing as the training set; using the training set to train the deep convolution neural network; using the trained deep convolution neural network to classify the steel plate surface defects. The invention has high accuracy for image classification.

【技术实现步骤摘要】
基于深度卷积神经网络的钢板表面缺陷分类方法及装置
本专利技术涉及机器学习、深度学习、机器视觉以及图像分类等
，具体是一种基于深度卷积神经网络的钢板表面缺陷分类方法及装置。
技术介绍
随着工业4.0、智能制造、计算机视觉和机器学习的发展，基于机器视觉的钢材表面缺陷检测分类系统在钢铁行业中越来越普遍。当前，越来越多对的生产企业在追求经济效益的同时，也越来越注重生产质量和生产效率，对钢材表面缺陷进行精准分类不仅可以提高生产质量，也在一定程度上提高了生产效率。分类精准度是检测分类系统的主要考虑因素，而表面缺陷的判别特征是检测系统的基础。因此，如何提取一组更好的特征表示，设计合适的表面缺陷分类器，成为设计分类检测系统的关键。传统的图像的特征提取和分类技术，通常使用人工设置的特征，如几何形状，灰度图，纹理结构，局部二进制模式，小波变换或它们的组合形式，然后是可训练的分类器，如人工神经网络，支持向量机等。传统的方法主要包括三个阶段：1)表面缺陷检测；2)计算表面缺陷的特征表示；3)通过优化的特征向量训练分类器，再通过训练后的分类器预测新的模式。传统方法的特征依赖于强大的专业知识和复杂的设计方法，不能快速高效的提取提取一组更好的特征表示；特征的提取与分类器的设计是分开进行的，导致提取到的特征可能并不适合已经设计好的分类器。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于深度卷积神经网络的钢板表面缺陷分类方法及装置，以解决目前基于单标签分类的传统图像分类方法中样本数量少和图像分类精度不够等问题。为实现上述目的及其他相关目的，本专利技术提供一种基于深度卷积神经网络的钢板表面缺陷分类方法，该分类方法包括：构建钢铁表面缺陷数据集，所述缺陷包括龟裂、折叠、覆盖杂质、斑点、点蚀面、表面氧化、划痕；对所述钢铁表面缺陷数据集进行预处理；对预处理后的数据集中的图像进行数据扩充；将数据扩充处理后的数据集作为训练集；利用所述训练集训练深度卷积神经网络；利用所训练的深度卷积神经网络对钢板表面缺陷进行分类。可选地，所述预处理具体包括：对图像进行缩放处理。可选地，所述对预处理后的数据集中的图像进行数据扩充，具体包括：从预处理后的数据集中随机选择两个大小相等且不同类别的样本；对随机选取的两个样本进行数据增强；对数据增强后的两个不同类别的样本进行混合处理。可选地，混合处理后的的图像为两个图像像素的平均像素。可选地，所述数据增强，具体包括；对随机选取的两个样本进行分割处理；对分割处理后的图像成水平随机翻转操作。可选地，所述深度卷积神经网络包括依次叠层设置的输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层和分类层。可选地，N个训练样本的总体损失函数为：其中，G表示标签矩阵，f(·)表示Hadamard矩阵的生成运算，||·||F表示Frobenius范数，λ是权重衰减，Θ表示模型参数。为实现上述目的及其他相关目的，本专利技术还提供一种基于深度卷积神经网络的钢板表面缺陷分类装置，该分类装置包括：数据集构建模块，用于构建钢铁表面缺陷数据集，所述缺陷包括龟裂、折叠、覆盖杂质、斑点、点蚀面、表面氧化、划痕；预处理模块，用于对所述钢铁表面缺陷数据集进行预处理；数据扩充模块，用于对预处理后的数据集中的图像进行数据扩充，并将数据扩充处理后的数据集作为训练集；训练模块，用于利用所述训练集训练深度卷积神经网络；分类模块，用于利用所训练的深度卷积神经网络对钢板表面缺陷进行分类。为实现上述目的及其他相关目的，本专利技术还提供一种电子终端，包括：存储器，用于存储计算机程序；处理器，用于执行所述存储器存储的计算机程序，以使所述设备执行所述的方法。为实现上述目的及其他相关目的，本专利技术还提供一种计算机可读存储介质，存储计算机程序，所述计算机程序被处理器运行时执行所述的方法。如上所述，本专利技术的一种基于深度卷积神经网络的钢板表面缺陷分类方法及装置，具有以下有益效果：1、本专利技术采用数据增强技术是一种简单的数据集处理方法，容易理解且容易实现，该技术将数据集进行了扩充，并将传统的神经网络模型进行了重建，构造了深度卷积神经网络模型。数据增强技术的使用不仅扩充数据集中样本的数量，还显著提扩展了目标标签的空间；在扩充数据集的条件下，深度卷积神经网络模型使得分类精度大大提高。2、本专利技术使用多标签分类的自适应深卷积神经网络，以及训练改进的深卷积模型所必需的数据增强技术，从训练数据集中学习一个模型，使得对于给定的测试图像，可以使用已经学习到的模型来预测相应的标签向量。该方法不仅显著扩展了目标标签的空间，提高了分类精度；还加大了神经网络的深度，可以很好的解决神经网络在训练过程中出现的退化问题。3、本专利技术利用深度卷积神经网络来实现多标签图像分类的模型f(x；Θ)，该模型将特征提取和分类集成在一个框架中，实现了端到端的学习；并采用softmax为损失函数，避免了模型的过度拟合，平衡了误差项和正则化项在优化过程中的相对重要性。附图说明为了进一步阐述本专利技术所描述的内容，下面结合附图对本专利技术的具体实施方式作进一步详细的说明。应当理解，这些附图仅作为典型示例，而不应看作是对本专利技术的范围的限定。图1为本专利技术一实施例中一种基于深度卷积神经网络的钢板表面缺陷分类方法的流程图；图2为本专利技术一实施例中一种基于深度卷积神经网络的钢板表面缺陷分类装置的原理图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。如图1所示，本实施例提供一种基于深度卷积神经网络的钢板表面缺陷分类方法，该分类方法包括：步骤S1.构建钢铁表面缺陷数据集，所述缺陷包括龟裂、折叠、覆盖杂质、斑点、点蚀面、表面氧化、划痕；步骤S2.对所述钢铁表面缺陷数据集进行预处理；步骤S3.对预处理后的数据集中的图像进行数据扩充；步骤S4.将数据扩充处理后的数据集作为训练集；步骤S5.利用所述训练集训练深度卷积神经网络；步骤S6.利用所训练的深度卷积神经网络对钢板表面缺陷进行分类。在步骤S1中，构建钢铁表面缺陷本文档来自技高网...

【技术保护点】
1.基于深度卷积神经网络的钢板表面缺陷分类方法，其特征在于，该分类方法包括：/n构建钢铁表面缺陷数据集，所述缺陷包括龟裂、折叠、覆盖杂质、斑点、点蚀面、表面氧化、划痕；/n对所述钢铁表面缺陷数据集进行预处理；/n对预处理后的数据集中的图像进行数据扩充；/n将数据扩充处理后的数据集作为训练集；/n利用所述训练集训练深度卷积神经网络；/n利用所训练的深度卷积神经网络对钢板表面缺陷进行分类。/n

【技术特征摘要】
1.基于深度卷积神经网络的钢板表面缺陷分类方法，其特征在于，该分类方法包括：
构建钢铁表面缺陷数据集，所述缺陷包括龟裂、折叠、覆盖杂质、斑点、点蚀面、表面氧化、划痕；
对所述钢铁表面缺陷数据集进行预处理；
对预处理后的数据集中的图像进行数据扩充；
将数据扩充处理后的数据集作为训练集；
利用所述训练集训练深度卷积神经网络；
利用所训练的深度卷积神经网络对钢板表面缺陷进行分类。


2.根据权利要求1所述的基于深度卷积神经网络的钢板表面缺陷分类方法，其特征在于，所述预处理具体包括：对图像进行缩放处理。


3.根据权利要求1所述的基于深度卷积神经网络的钢板表面缺陷分类方法，其特征在于，所述对预处理后的数据集中的图像进行数据扩充，具体包括：
从预处理后的数据集中随机选择两个大小相等且不同类别的样本；
对随机选取的两个样本进行数据增强；
对数据增强后的两个不同类别的样本进行混合处理。


4.根据权利要求3所述的基于深度卷积神经网络的钢板表面缺陷分类方法，其特征在于，混合处理后的的图像为两个图像像素的平均像素。


5.根据权利要求3所述的基于深度卷积神经网络的钢板表面缺陷分类方法，其特征在于，所述数据增强，具体包括；
对随机选取的两个样本进行分割处理；
对分割处理后的图像成水平随机翻转操作。


6.根据权利要求1所述的基于深度卷积神经网络的钢板表...

【专利技术属性】
技术研发人员：古天龙，朱恩新，宾辰忠，常亮，孙镇海，李康林，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45