【技术实现步骤摘要】
用于钢板表面缺陷检测的CNN模型训练方法和装置
本专利技术涉及钢板表面缺陷检测
，具体涉及一种用于钢板表面缺陷检测的CNN模型训练方法和装置。
技术介绍
钢板在进行加工时，会由于一些原因在表面留下缺陷，常见的钢板表面缺陷有翘皮、辊印、压痕、划伤、夹杂、麻坑、氧化铁皮、裂纹和异物压入等，这些缺陷会影响钢板的性能，甚至出现安全隐患。随着深度学习技术的成熟，深度学习已被应用于钢板表面缺陷检测中。深度学习可以将简单特征组合为更加复杂的特征，并使用这些特征去进行图片识别，从而提高图像识别的准确率。但是，现有的用于钢板表面缺陷检测的神经网络模型在进行迭代训练时，迭代次数过多，识别精度不高。
技术实现思路
本专利技术的目的是提供一种用于钢板表面缺陷检测的CNN模型训练方法和装置，以提高用于钢板表面缺陷检测的CNN模型训练时的迭代效率和识别精度。本专利技术实施例提供了以下方案：第一方面，本专利技术实施例提供一种用于钢板表面缺陷检测的CNN模型训练方法，所述方法包括：步骤101...
【技术保护点】
1.一种用于钢板表面缺陷检测的CNN模型训练方法，其特征在于，所述方法包括：/n步骤101，构建初始卷积神经网络模型；/n步骤102，利用经人工标注的表面缺陷图片，构建第一训练集；其中，所述经人工标注的表面缺陷图片包括若干张表面缺陷图片和所述若干张表面缺陷图片的缺陷类别；/n步骤103，利用第一训练集训练所述初始卷积神经网络模型，获取目标卷积神经网络模型；/n步骤104，利用未经人工标注的表面缺陷图片，构建第一检测集；/n步骤105，将所述第一检测集输入所述目标卷积神经网络模型，获取所述第一检测集的缺陷类别检测结果；/n步骤106，将所述第一检测集的缺陷类别检测结果加入所述...
【技术特征摘要】
1.一种用于钢板表面缺陷检测的CNN模型训练方法，其特征在于，所述方法包括：
步骤101，构建初始卷积神经网络模型；
步骤102，利用经人工标注的表面缺陷图片，构建第一训练集；其中，所述经人工标注的表面缺陷图片包括若干张表面缺陷图片和所述若干张表面缺陷图片的缺陷类别；
步骤103，利用第一训练集训练所述初始卷积神经网络模型，获取目标卷积神经网络模型；
步骤104，利用未经人工标注的表面缺陷图片，构建第一检测集；
步骤105，将所述第一检测集输入所述目标卷积神经网络模型，获取所述第一检测集的缺陷类别检测结果；
步骤106，将所述第一检测集的缺陷类别检测结果加入所述第一训练集，构建第二训练集；
步骤107，利用第二训练集训练所述初始卷积神经网络模型，获取辅助卷积神经网络模型；
步骤108，利用新的未经人工标注的表面缺陷图片，构建第二检测集；
步骤109，将所述第二检测集输入所述目标卷积神经网络模型，获取所述第二检测集的第一缺陷类别检测结果；
步骤110，将所述第二检测集输入所述辅助卷积神经网络模型，获取所述第二检测集的第二缺陷类别检测结果；
步骤111，获取所述第一缺陷类别检测结果和所述第二缺陷类别检测结果中缺陷类别检测结果相同的表面缺陷图片；
步骤112，将所述缺陷类别检测结果相同的表面缺陷图片加入所述第一训练集中，更新所述第一训练集，并利用更新后的所述第一训练集重新训练所述目标卷积神经网络模型，并返回步骤108。
2.根据权利要求1所述的CNN模型训练方法，其特征在于，所述步骤112之前，所述方法还包括：
将所述第一缺陷类别检测结果对应的表面缺陷图片加入所述第二训练集中，更新所述第二训练集，并利用更新后的所述第二训练集重新训练所述辅助卷积神经网络模型。
3.根据权利要求1所述的CNN模型训练方法，其特征在于，所述步骤112之前，所述方法还包括：
对所述缺陷类别检测结果相同的表面缺陷图片进行增广处理，获取增广集；
将所述增广集加入所述训练集中，更新所述第一训练集。
4.根据权利要求2所述的CNN模型训练方法，其特征在于，所述对所述缺陷类别检测结果相同的表面缺陷图片进行增广处理，获取增广集，包括：
选择左右翻转、上下翻转、旋转、剪裁和改变亮度中的一种或多种方式处理所述缺陷类别检测结果相同的表面缺陷图片，获取处理后的图片集；
将所述缺陷类别检测结果相同的表面缺陷图片和所述处理后的图片集合并为增广集。
5.根据权利要求1所述的CNN模型训练方法，其特征在于，所述步骤108之前，所述方法还包括：
判断所述第一训练集中的表面缺陷图片总数是否大于设定最大数值；
若是，则将所述目标卷积神经网...
【专利技术属性】
技术研发人员：顾佳晨，高雷，刘路璐，任立辉，蔡红蕾，向江波，樊登旺，
申请(专利权)人：北京首钢自动化信息技术有限公司，
类型：发明
国别省市：北京;11
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。