一种高灵敏度的热轧钢卷端面缺陷识别系统及方法技术方案

本发明专利技术公开了一种基于深度学习的高灵敏度热轧钢卷端面缺陷识别系统及方法，包括：数据集处理模块，该模块体现热轧钢卷端面缺陷识别的数据集处理过程，采集图片制作数据集，通过高识别率的模型训练数据集；模型灵敏度指标判断模块，该模块将训练结果生成混淆矩阵，根据得到的模型灵敏度值，判断其是否符合预期的高灵敏度需求；复检模块，该模块对数据集进行重新标记并重新训练，直至得到满足需求的高灵敏度缺陷识别系统。本发明专利技术能在保证高识别率的前提下，同时使模型具有很高的灵敏度，大幅减少漏检率，提高钢卷成材率。提高钢卷成材率。提高钢卷成材率。

【技术实现步骤摘要】
一种高灵敏度的热轧钢卷端面缺陷识别系统及方法


[0001]本专利技术采用深度学习来进行热轧钢卷端面图片识别，具体涉及一种高灵敏度的热轧钢卷端面缺陷识别系统及方法。

技术介绍

[0002]热轧钢卷在生产过程中由于受原材料，轧制工艺及系统控制等因素的影响，钢卷端面存在花纹边，边损，边裂，折叠，毛刺五种常见缺陷。这些端面缺陷不仅影响钢卷美观性，而且会导致钢卷打磨或重新开卷处理，产品会降级、改判，正品变为次品。现带钢卷取过程中，缺陷检测还是依靠经验丰富的专业人员进行人工检测。由于生产线处于高温辐射环境下，检测人员无法近距离观察，可能会出现误判或漏判。而且长时间的观察容易产生视觉疲劳，检出率会大大降低，很难满足实际生产的检测需要。因此，急需一种能够快速准确的、高灵敏度的钢卷端面检测方法，钢卷端面缺陷检测对于提高钢带生产质量至关重要。

技术实现思路

[0003]本专利技术要解决的技术问题是：克服现有技术的不足，提供一种高灵敏度神经网络的热轧钢卷端面缺陷识别系统及方法，能准确识别热轧钢卷端面缺陷，同时又能体现高识别率和高灵敏度的特点，能在保证本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高灵敏度的热轧钢卷端面缺陷识别系统，其特征在于，包括：数据集处理模块、模型灵敏度指标判断模块和复检模块；数据集处理模块，采集热轧钢卷端面图像，制作热轧钢卷端面缺陷数据集，对能够体现热轧钢卷端面缺陷识别的数据集处理，通过端面图像识别模型训练数据集，得到训练结果；模型灵敏度指标判断模块，根据数据集处理模块得到的训练结果生成混淆矩阵的形式，根据得到端面缺陷识别模型的灵敏度值，判断其是否符合预期的缺陷识别模型灵敏度值大于0.8的高灵敏度需求；若缺陷识别模型灵敏度值没有达到需求，则该模块为前期的工作不合格，需要对数据集或识别模型进行改进，若灵敏度值达到需求，则判断缺陷识别模型的F1值是否符合预期大于0.85的要求，若F1值没有达到0.85，则对缺陷识别模型进行复检；若F1值大于0.85，则可认为该缺陷识别模型符合产品需求；复检模块，缺陷识别模型的综合指标F1值未达标或者某个缺陷类别的F1值和识别灵敏度未达标，则认为是数据集出现问题，将对数据集进行重新标记并重新训练，直至得到满足需求的高灵敏度缺陷识别系统。2.根据权利要求1所述的高灵敏度的热轧钢卷端面缺陷识别系统，其特征在于：所述数据集处理模块具体实现以下：步骤(1)热轧钢卷端面图像的采集以及制作数据集，通过工业相机现场采集热轧钢卷端面图像，将采集的图像分为正常、花纹边、边损、边裂、折叠和毛刺共6种类别，对采集的图像进行特征标定，将图像划分到6种类别中各自的类别中；步骤(2)构建端面图像识别模型Faster R CNN，对该识别模型进行改进，将准备的数据集导入该缺陷识别模型进行训练，当该缺陷识别模型的准确率稳定时停止训练，训练完成后对一组端面图像进行识别测试，得出该缺陷识别模型的训练结果。3.根据权利要求2所述的高灵敏度的热轧钢卷端面缺陷识别系统，其特征在于：所述改进的高识别率神经网络模型的包括：设置好Faster R CNN网络模型的卷积和采样使用的次数，卷积核的尺寸设置为3*3，卷积步长为2，将卷积操作设置为普通卷积操作和深度可分离卷积操作的组合，深度卷积实现通道与通道一对一的特征提取，普通卷积将通道卷积得到的特征信息进行融合，深度可分离卷积能保证识别模型精确度，同时能减小模型参数量；改进后的Faster R CNN由输入层、改进的卷积层、池化层、全连接层组合而成；输入层作为神经网络的入口接收用于训练的钢卷端面数据集；卷积层的叠加能提取更高级的钢卷端面缺陷特征信息；池化层降低缺陷识别模型的复杂度；全连接层将提取的缺陷特征结合并且进行分类；所述改进的卷积层为：在主干网络中的卷积部分加入特征融合模块和改进的RFB模块，具体内容是将缺陷识别模型的第一个特征提取层换成38*38大小来检测小目标缺陷，为了提高感受野，将38*38的特征层与19*19的特征层进行融合，建立两个特征层之间的联系，同时用DIOU loss替换Smooth L1 loss作为位置回归损失函数，提高算法的收敛速度和精度。4.根据权利要求1所述的高灵敏度的热轧钢卷端面缺陷识别系统，其特征在于：所述模型灵敏度指标判断模块具体实现如下：(1)将训练结果生成混淆矩阵的形式：
①
混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目；
每一列中的数值表示真实数据被预测为该类的数目；矩阵中的四个数据是矩阵的基础指标：TP、FN、FP、TN，其中，TP表示钢卷端面图像样本的真实类别是正类，并且缺陷识别模型识别的结果也是正类；FN表示钢卷端面图像样本的真实类别是正类，但缺陷识别模型将其识别为负类；FP表示钢卷端面图像样本的真实类别是负类，但缺陷识别模型将其识别为正类；TN表示钢卷端面图像样本的真实类别是负类，并且缺陷识别模型将其识别为负类；
②
将6类热轧钢端面图像的四个指标一起呈现在表格中，这个呈现综合数据的表格就是多分类混淆矩阵(Confusion Matrix)的形式，而在分析整个模型对缺陷图像的分类效果时，需将整个六分类问题看成一个二分类问题，正常图像为一类，缺陷图像为一类；
③
在上述的4个基础指标上延伸4个二级指标：准确率、精确率、灵敏度和特异度，所述二级指标通过一级指标加减乘除得到的；通过所述4个二级指标，将混淆矩阵中基础指标的数据转化为0
‑
1之间的比率，便于进行标准化的衡量；4个二级指标只是计算某一分类的特性，而F1
‑
Score是判断缺陷识别模型总体分类能力的标准，F1值认为灵敏度和准确率同等重要；4个二级指标以及F1
‑
Score的含义为：准确率(Accuracy):所有分类正确的结果占总观测值的比重，准确率是模型对整个数据集的识别效果，计算公...

【专利技术属性】
技术研发人员：向峰，周思聪，陶飞，左颖，李红军，张弛，蒋国璋，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：