本发明专利技术公开了一种基于深度学习的钢材表面缺陷检测系统，涉及钢材表面缺陷技术领域；它的检测方法如下：步骤一：钢材表面缺陷图像预处理：灰度矫正；图像滤波；边缘检测分割；步骤二：基于深度学习的钢材表面缺陷检测技术；步骤三：钢材表面缺陷检测系统设计：(3.1)、钢材表面缺陷系统硬件设计；(3.2)、钢材表面缺陷系统软件设计：该系统包括图像采集与获取、图像处理、钢材表面缺陷检测、检测结果可视化功能；本发明专利技术通过对钢材表面缺陷分析得知钢材表面存在例如裂纹、划痕、斑块、内含物、麻点、扎入氧化皮等各种缺陷，同时准确度高；有效的解决了光照问题，且通过硬件与软件的结合来实现快速检测。速检测。速检测。
【技术实现步骤摘要】
一种基于深度学习的钢材表面缺陷检测系统
[0001]本专利技术属于钢材表面缺陷
，具体涉及一种基于深度学习的钢材表面缺陷检测系统。
技术介绍
[0002]钢铁产品是基础建设的重要原材料，被广泛应用在社会发展的各个层面。钢材的质量与国家建设的安全性息息相关，钢材表面缺陷又直接决定钢材质量，所以，能够正确并快速的检测钢材的表面缺陷，是目前钢铁企业的首要任务。传统的钢材表面缺陷检测使用的是人工检测方法，这样的检测方法往往耗费大量的人力资源。连续高强度的检测工作与检测经验的差异性往往使检测人员出现效率低，检测错误，同一处缺陷检测结论不同的情况。随着科学的发展以及工业生产的需要，很多无损探伤检测的方法被应用在钢材表面缺陷上。
[0003]现有的基于图像处理的缺陷检测过程如图1所示。深度学习是一种端到端的特征自提取算法，其中的深度学习模型更像是一个黑盒子，其过程如图2所示。其过程为输入缺陷图片，进入深度学习模型黑盒子，输出缺陷图片的类别和缺陷位置。相比较传统的人工特征提取，基于深度学习的特征自提取更能全面准确理解样本缺陷和及其对样本特征的提取，进而达到准确识别和预测。但是现有的检测方式在使用会出现精度低的现象，有部分损伤无法检测，其降低效率。
技术实现思路
[0004]为解决
技术介绍
中的问题；本专利技术的目的在于提供一种基于深度学习的钢材表面缺陷检测系统。
[0005]本专利技术的一种基于深度学习的钢材表面缺陷检测系统，它的检测方法如下：
[0006]步骤一：钢材表面缺陷图像预处理：
[0007](1.1)、灰度矫正：
[0008]使用直方图均衡化对图像进行灰度矫正，严格地说，图像的灰度直方图是一个一维的离散函数，可写成：
[0009]h(k)＝n
k k＝0,1,
…
,L
‑
1#(1)
[0010]式中，n
k
是图像f(x,y)中灰度级为k的像素的个数。直方图的每一列的高度对应n
k
。直方图提供了原图中各种灰度值分布的情况，也可以说直方图给出了一幅图像所有灰度值的整体描述。直方图的均值和方差也是图像灰度的均值和方差，图像的视觉效果与其直方图有对应关系；
[0011]在直方图的基础上，进一步定义归一化的直方图为灰度级出现的相对频率P
r
(k)；即：
[0012]P
r
(k)＝n
k
/N k＝0,1
…
,L
‑
1#(2)
[0013]式(2)中，N表示图像f(x,y)的像素的总数，n
k
是图像f(x,y)中灰度级为k的像素的
个数；
[0014]进一步计算图像的灰度累积分布频率s
k
；即
[0015][0016]将归一化的s
k
乘以L
‑
1再四舍五入，以使得均衡化后图像的灰度级与归一化前的原始图像一致；根据以上的映射关系，参照原始图像中的像素，可以写出直方图均衡化之后的图像；
[0017](1.2)、图像滤波：
[0018]均值滤波方法：
[0019]均值滤波的基本原理是将当前处理的像素点(x,y)的灰度值与周围像素点的灰度值均值产生联系。若在滤波过程中，像素点(x,y) 为噪声，则用邻域像素点的物理特性取代像素点(x,y)的物理特性，以消除噪声；
[0020](1.3)、边缘检测分割：
[0021]边缘检测首先确认边缘的像素点，再将确认的像素点连接构成所需的区域边界；Sobel算子是一种结合了高斯平滑与微分求导的离散微分算子，用以计算灰度函数的近似梯度。对图像中任意一个像素点 (x,y)使用Sobel算子，Sobel算子会对该像素点在行方向与列方向求导，求得像素点(x,y)的梯度矢量或者法矢量；
[0022]步骤二：基于深度学习的钢材表面缺陷检测技术：
[0023]卷积神经网络是一种层次结构，由输入层，多个隐藏层如卷积层、池化层、激励层、全连接层及输出层构成；输入图像经过多次卷积、池化等操作将原始特征从图像中学习出来，最后通过全连接层和输出层将分类等任务转化为目标函数；利用反向传播算法，将网络预测值和训练集真实值之间的损失值从最后一层向前反馈以更新权重，经过多次前向反馈和反向传播以至模型收敛，得到训练好的模型；
[0024]步骤三：钢材表面缺陷检测系统设计：
[0025](3.1)、钢材表面缺陷系统硬件设计：
[0026]钢材表面缺陷系统的硬件包括相机和镜头、光源；相机和镜头负责采集钢材表面图像，光源及控制器负责对钢材进行照明；
[0027]a.照明设备：选用LED环形光，并且直接安装在工业镜头同轴上；
[0028]b.相机与镜头：使用CMOS相机；
[0029](3.2)、钢材表面缺陷系统软件设计：该系统包括图像采集与获取、图像处理、钢材表面缺陷检测、检测结果可视化功能。
[0030]作为优选，均值滤波方法的具体操作方法为：在像素点(x,y) 的位置选择一定范围的邻域，范围内包含m个的像素点f(x,y)，求得邻域包含的像素点f(x,y)的平均值，之后将求得的平均值，作为像素点(x,y)在进行均值滤波之后的像素值g(x,y)，计算公式如式 (4)所示；
[0031][0032]f(x,y)为处理前图像内像素的灰度值，g(x,y)为处理后的像素灰度值，m为图像中
的像素的个数。
[0033]作为优选，所述步骤二的基于深度学习的钢材表面缺陷检测技术为基于Faster R
‑
CNN的目标检测算法，具体如下：
[0034](1)、将大小为H
×
D的输入图像变换成大小为h
×
d，然后输入到卷积神经网络(CNN)中提取特征，卷积神经网络采用的是VGG16网络，该网络共设计了13个标准卷积层13个Relu激活层，4个最大池化层，标准卷积层的卷积核大小为3
×
3，填充数为1，卷积步长为 1，最大卷积层的池化核为2
×
2，池化步长为2，每经过一次池化操作得到的特征图大小为池化前的1/2，经过卷积神经网络后，输入图像大小变为(h/16)
×
(d/16)的特征图；
[0035](2)、将得到的特征图(Feature map)输入到RPN网络中，通过 RPN网络获得候选框和每个框的得分；
[0036](3)、将得到的候选框和卷积神经网络得到的特征图输入到RoI 池化层，通过RoI池化层对输入大小不一的特征图和候选区域进行归一化处理,得出大小固定的特征图；
[0037](4)、最后经过两个全连接层处理后分为两路，分别通过一个全连接层后，利用Softmax分类器得到分类结果，通过回归损失层 (bbox_pred)得到回归结果。
[0038]作为优选，所述钢材表本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的钢材表面缺陷检测系统，其特征在于：它的检测方法如下：步骤一：钢材表面缺陷图像预处理：(1.1)、灰度矫正：使用直方图均衡化对图像进行灰度矫正，严格地说，图像的灰度直方图是一个一维的离散函数，可写成：h(k)＝n
k k＝0,1,
…
,L
‑
1#(1)式中，n
k
是图像f(x,y)中灰度级为k的像素的个数；直方图的每一列的高度对应n
k
；直方图提供了原图中各种灰度值分布的情况，也可以说直方图给出了一幅图像所有灰度值的整体描述；直方图的均值和方差也是图像灰度的均值和方差，图像的视觉效果与其直方图有对应关系；在直方图的基础上，进一步定义归一化的直方图为灰度级出现的相对频率P
r
(k)；即：P
r
(k)＝n
k
/N k＝0,1
…
,L
‑
1#(2)式(2)中，N表示图像f(x,y)的像素的总数，n
k
是图像f(x,y)中灰度级为k的像素的个数；进一步计算图像的灰度累积分布频率s
k
；即将归一化的s
k
乘以L
‑
1再四舍五入，以使得均衡化后图像的灰度级与归一化前的原始图像一致；根据以上的映射关系，参照原始图像中的像素，可以写出直方图均衡化之后的图像；(1.2)、图像滤波：均值滤波方法：均值滤波的基本原理是将当前处理的像素点(x,y)的灰度值与周围像素点的灰度值均值产生联系；若在滤波过程中，像素点(x,y)为噪声，则用邻域像素点的物理特性取代像素点(x,y)的物理特性，以消除噪声；(1.3)、边缘检测分割：边缘检测首先确认边缘的像素点，再将确认的像素点连接构成所需的区域边界；Sobel算子是一种结合了高斯平滑与微分求导的离散微分算子，用以计算灰度函数的近似梯度；对图像中任意一个像素点(x,y)使用Sobel算子，Sobel算子会对该像素点在行方向与列方向求导，求得像素点(x,y)的梯度矢量或者法矢量；步骤二：基于深度学习的钢材表面缺陷检测技术：卷积神经网络是一种层次结构，由输入层，多个隐藏层如卷积层、池化层、激励层、全连接层及输出层构成；输入图像经过多次卷积、池化等操作将原始特征从图像中学习出来，最后通过全连接层和输出层将分类等任务转化为目标函数；利用反向传播算法，将网络预测值和训练集真实值之间的损失值从最后一层向前反馈以更新权重，经过多次前向反馈和反向传播以至模型收敛，得到训练好的模型；步骤三：钢材表面缺陷检测系统设计：(3.1)、钢材表面缺陷系统硬件设计：钢材表面缺陷系统的硬件包括相机和镜头、光源；相机和镜头负责采集钢材表面图像，
光源及控制器负责对钢材进行照明；a.照明设备：选用LED环形光，并且直接安装在工业镜头同轴上；b.相机与镜头：使用CMOS相机；(3.2)、钢材表面缺陷系统软件设计：该系统包括图像采集与获取、图像处理、钢材表面缺陷检测、检测...
【专利技术属性】
技术研发人员：袁丽英，姜浩天，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：
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。