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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。