一种板带钢表面质量缺陷的识别方法技术

本发明专利技术提供一种板带钢表面质量缺陷的识别方法，构建基于EfficientDet

【技术实现步骤摘要】
一种板带钢表面质量缺陷的识别方法


[0001]本专利技术属于轧钢自动控制
，具体涉及一种板带钢表面质量缺陷的识别方法。

技术介绍

[0002]冷轧带钢表面质量的好坏作为衡量冷轧产品的一项重要指标。近年来已备受钢铁企业关注。表面缺陷对产品的美观度、舒适度和使用性能等带来不良影响，企业对产品的表面缺陷进行检测以便及时发现并加以控制。冷轧带钢生产工艺复杂,影响冷轧带钢表面量的因素众多，如带钢原料问题、设备问题和加工工艺等，最终会在带钢表面出现辊印、划痕、擦伤等不同类型的缺陷。传统人工检测方法存在准确性低、实时性差、效率低等问题。基于机器视觉的检测方法可以很大程度上克服以上问题，在现代工业中得到越来越广泛的研究和应用。
[0003]对带钢表面进行图像识别对识别的速度以及精度要求极高，目前有多种检测方法应用于带钢缺陷检测方面。如中国专利“CN113628189A一种基于图像识别的快速带钢划痕缺陷检测方法”，通过检测获取图像，对图像进行一系列平滑、增强缺陷细节、提高对比度等处理；对图像进行分块处理，并将子块图像按照顺序进行序号标记，再按照序号依次利用子块图像的灰度直方图统计子块的灰度级总数、灰度均值、偏态系数SK以及灰度级距离D；利用偏态系数SK和灰度级距离D判断每个子块是否含有划痕缺陷，并对含有缺陷的子块图像进行统计。中国专利“CN107784323A，一种基于局部不相关约束的带钢表面缺陷图像识别分类方法”，用图像预处理后的向量数据点构成矩阵数据X，建立异类局部近邻特征线L(X)，然后计算局部同类散度矩阵S和局部异类散度矩阵S，构建局部边距S，建立与局部同类散度矩阵S不相关约束，寻找正交和局部不相关的特征子空间，实现局部边距S的最大化。中国专利“CN103745234A，一种带钢表面缺陷的特征提取与分类方法”，获得基准采样图像，构造灰度大小
‑
方向共生矩阵；用K
‑
最近邻和R
‑
最近邻相结合的方法，修剪训练样本集获得多类别分类器模型，借此完成缺陷的自动识别。
[0004]上述检测方法大多以传统的算法为主，通过相对复杂的图像处理手段人工调校，针对不同问题要对处理手段做出相应的调整，如专利“CN113628189A一种基于图像识别的快速带钢划痕缺陷检测方法”，所述方案只针对划痕，对于灰度和环境差异跨度大的缺陷可能效果较差，且对于边缘较复杂的大块缺陷方案调整会更复杂；专利“CN107784323A，一种带钢表面缺陷的特征提取与分类方法”、“CN103745234A，一种带钢表面缺陷的特征提取与分类方法”，则有着对噪声敏感及计算量偏大的问题。

技术实现思路

[0005]基于上述问题，本专利技术提供一种板带钢表面质量缺陷的识别方法，使用以EfficientNet作为特征提取网络的EfficientDet
‑
D4框架，将损失函数更换为CIoU Loss，同时采取数据增强等手段扩充数据，用差分进化算法等方法进行先验框，学习率等参数的
调优，来提高模型训练速度，提高对带钢表面缺陷图像识别的准确性与效率
[0006]本专利技术提供的一种板带钢表面质量缺陷的识别方法，包括：
[0007]步骤1：采集带有表面缺陷的板带钢图像，制作样本数据集；
[0008]步骤2：构建基于EfficientDet
‑
D4检测框架的神经网络模型并进行训练；
[0009]步骤3：将预检测的带钢图像作为训练后的神经网络模型的输入，通过神经网络模型输出缺陷的位置及种类。
[0010]所述步骤1包括：
[0011]步骤1.1：采集带有表面缺陷的板带钢图像，并标注缺陷类型；
[0012]步骤1.2：对图像数据进行数据增强处理，扩充样本容量。
[0013]所述数据增强处理包括平移、旋转、翻转、锐化、随机明度对比度增强、随机擦除、对比度受限的自适应直方图均衡化及马赛克增强；
[0014]所述马赛克增强，具体表述为：等比例缩放拼接图片数据，填充区域的划分根据图片数据尺寸和网络输入尺寸调整为N行*M列。
[0015]所述步骤2包括：
[0016]步骤2.1：根据缺陷标注信息，利用差分进化算法先验框参数寻优；
[0017]步骤2.2：调整EfficientDet
‑
D4网络中的损失度函数；
[0018]步骤2.3：设置学习率的初始值范围，通过计算损失值确定网络训练的初始学习率；
[0019]步骤2.4：进行网络参数训练，并计算训练过程中的精度P、召回率R、平均精度AP、平均精度均值mAP，当mAP的标准差小于设定阈值C1时，暂停训练；
[0020]P＝TP/(TP+FP)
[0021]R＝TP/(TP+FN)
[0022]式中，TP表示预测结果与标签一致的正样本，FP表示预测结果与标签不一致的正样本，FN是漏检的正样本；
[0023]步骤2.5：学习率减半，继续迭代训练，当mAP的标准差小于设定阈值C2时，模型训练结束。
[0024]所述步骤2.1包括：
[0025]步骤2.1.1：在设定的参数范围内随机生成多组解；
[0026]步骤2.1.2：根据各类缺陷标注数据数量的占比与各类缺陷间识别准确度的差别设计差分进化算法中的适应度函数，对每组解取出的若干先验框进行输出值计算，将能使适应度函数取最小的解作为该次迭代的最优解；
[0027]步骤2.1.3：设置差分进化算法中的迭代次数，通过迭代优化输出先验框参数的最优解。
[0028]所述步骤2.2具体表述为：修改EfficientDet
‑
D4网络的损失函数为CIoU Loss，并为交并比IoU＝0.5的阈值下无正样本的标注框额外选择IoU最大的先验框，以提高对小目标的识别能力。
[0029]所述步骤2.3具体表述为：在10
‑6～10
‑2范围内，取若干学习率值，对于每个学习率迭代一次网络，记录损失值；形成关于损失值与学习率值之间的曲线，选择曲线中未发生波动段最低点对应的学习率作为模型训练的初始学习率。
[0030]本专利技术的有益效果是：
[0031]本专利技术提出了一种板带钢表面质量缺陷的识别方法，基于EfficientDet
‑
D4网络，利用mosaic及一些列数据增强方法丰富带钢缺陷数据，提高模型鲁棒性，并调整mosaic适配带钢图像，相比原始mosaic，单批次训练送入更多数据同时防止过度缩放降低小目标检测精度；修改网络损失函数，采用CIoU Loss并对正样本的选取机制做出适当调整，通过使用差分进化算法，学习率逐步变化的策略进行网络超参数调优，进一步提高了目标识别的精度。本专利技术具有更好的鲁棒性，并为小目标众多、缺陷数量不平衡的样本识别问题提供了优化方案；在模型的训练方面，提供了一个高效训练的方案。
附图说明
[0032]图1为本专利技术中板带钢表面质量缺陷的识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种板带钢表面质量缺陷的识别方法，其特征在于，包括：步骤1：采集带有表面缺陷的板带钢图像，制作样本数据集；步骤2：构建基于EfficientDet
‑
D4检测框架的神经网络模型并进行训练；步骤3：将预检测的带钢图像作为训练后的神经网络模型的输入，通过神经网络模型输出缺陷的位置及种类。2.根据权利要求1所述的一种板带钢表面质量缺陷的识别方法，其特征在于，所述步骤1包括：步骤1.1：采集带有表面缺陷的板带钢图像，并标注缺陷类型；步骤1.2：对图像数据进行数据增强处理，扩充样本容量。3.根据权利要求2所述的一种板带钢表面质量缺陷的识别方法，其特征在于，所述数据增强处理包括平移、旋转、翻转、锐化、随机明度对比度增强、随机擦除、对比度受限的自适应直方图均衡化及马赛克增强；所述马赛克增强，具体表述为：等比例缩放拼接图片数据，填充区域的划分根据图片数据尺寸和网络输入尺寸调整为N行*M列。4.根据权利要求1所述的一种板带钢表面质量缺陷的识别方法，其特征在于，所述步骤2包括：步骤2.1：根据缺陷标注信息，利用差分进化算法先验框参数寻优；步骤2.2：调整EfficientDet
‑
D4网络中的损失度函数；步骤2.3：设置学习率的初始值范围，通过计算损失值确定网络训练的初始学习率；步骤2.4：进行网络参数训练，并计算训练过程中的精度P、召回率R、平均精度AP、平均精度均值mAP，当mAP的标准差小于设定阈值C1时，暂停训练；P＝...

【专利技术属性】
技术研发人员：杨兴宇，冯梓琨，陈上，彭文，孙杰，张殿华，
申请(专利权)人：东北大学，
类型：发明
国别省市：