检测带钢表面缺陷的有监督Dropout方法及设备技术

本发明专利技术提供了一种检测带钢表面缺陷的有监督Dropout方法及设备。所述方法包括：步骤1至步骤10。本发明专利技术有效的解决了深度学习网络应用于带钢表面质量缺陷检测时，由于不均衡小样本训练数据集导致的过拟合问题，降低了人工智能应用该领域的成本和门槛，完全依据网络预测分类的结果，指导深度神经网络的训练，使得网络模型对于训练的带钢缺陷数据有更好的利用率，且能够在相同预测时间下显著提高测试正确率。率。率。

【技术实现步骤摘要】
检测带钢表面缺陷的有监督Dropout方法及设备


[0001]本专利技术实施例涉及图像分类技术
，尤其涉及一种检测带钢表面缺陷的有监督Dropout方法及设备。

技术介绍

[0002]在带钢的生产过程中，受轧制设备，生产工艺等因素的影响，不可避免的出现表面缺陷，如白点、孔洞、辊印、划痕、腐蚀、拼接、黑点和边裂等缺陷。带钢表面缺陷不仅会影响到带钢产品的外观，削弱产品的铁损特性、抗疲劳性和抗腐蚀性等性能，而且还会造成带钢断裂、堆焊和生产线停工等严重的生产事故，对生产企业产生不可估量的经济和社会影响。因此，及时发现轧制过程中的这些缺陷是非常有必要的，同时还可以通过检测到的带钢缺陷数据，对整个带钢的生产工艺进行针对性的改进，对提高带钢质量具有十分重要的意义。相关的带钢缺陷检测方法面对复杂多变的实际工业生产情况难以取得较好的检测效果。例如标准的Dropout存在两个主要的缺陷，其一是神经元的失活是随机选择的，缺乏针对性；其二是神经网络的性能是不断增强的，而丢弃率却固定不变。因此，开发一种检测带钢表面缺陷的有监督Dropout方法及设备，可以有效克服本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种检测带钢表面缺陷的有监督Dropout方法，其特征在于，包括：步骤1：收集带钢表面缺陷图像集；步骤2：根据收集到的带钢表面缺陷图像集的数据分布，对带钢缺陷数据集进行梯度数据增强；步骤3：采用随机下采样的方式对梯度数据增强后的带钢表面缺陷图像集进行均衡化；步骤4：按照预设比例将均衡化后的带钢表面缺陷图像集划分为训练集和测试集；步骤5：将带钢表面缺陷图像的训练集送入网络模型；步骤6：使用网络模型的特征提取层提取带钢表面缺陷图像的深度特征；步骤7：将提取的带钢表面缺陷的深度特征送入到有监督Dropout中，得到一个期望的神经元掩码矩阵；步骤8：将期望的神经元掩码矩阵输入分类网络层，完成一次网络的前向传播和反向传播以更新网络模型的参数，依次循环完成模型的训练；步骤9：将带钢表面缺陷的测试集图像输入训练完成的网络模型中，经过特征提取层提取带钢表面缺陷的深度特征；步骤10：将提取的带钢表面缺陷的深度特征送入分类层，输出对应测试图像的缺陷类别。2.根据权利要求1所述的检测带钢表面缺陷的有监督Dropout方法，其特征在于，所述对带钢缺陷数据集进行梯度数据增强，包括：采用水平翻转、垂直翻转、水平垂直翻转、亮度变化、高斯噪声、移位和随机裁剪，对带钢缺陷数据集进行梯度数据增强。3.根据权利要求2所述的检测带钢表面缺陷的有监督Dropout方法，其特征在于，所述预设比例包括：4:1、3:1、5:1、3.5:1或4.5:1。4.根据权利要求3所述的检测带钢表面缺陷的有监督Dropout方法，其特征在于，所述网络模型，包括：AlexNet、VGG、ResNet或EfficientNet网络模型。5.根据权利要求4所述的检测带钢表面缺陷的有监督Dropout方法，其特征在于，所述步骤7的具体步骤包括：步骤701：根据给定的丢弃率随机生成n个神经元掩码矩阵作为遗传算法寻优时的初始种群，并将上一个期望掩码矩阵替换初始种群的第一个个体；步骤702：将每一个神经元掩码矩阵与提取的深度特征一起送入分类层得到对应分类结果；步骤703：计算每个分类结果对应的交叉熵损失函数值，并将其作为遗传算法寻优的自适应值；步骤704：将历史最优个体对应的适应度与种群的每个个体的适应度值进行对比，如果种群个体的最大适应度值小于等于历史最优个体的适应度值，则历史最优个体保持不变；步骤705：根据自适应值计算种群中每个个体的选择概率；步骤706：根据选择概率以轮盘赌的方式选择遗传到下一代的个体；步骤707：在被选中遗传到下一代的个体中以第一预设概率发生交叉操作，...

【专利技术属性】
技术研发人员：曾亮，张豪，李燕燕，王珊珊，常雨芳，全睿，黄文聪，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：