一种带钢表面缺陷检测方法及系统技术方案

本发明专利技术公开了一种带钢表面缺陷检测方法及系统，该方法包括：获取带钢表面图像；通过预先训练的深度学习模型，对所述带钢表面图像进行检测，得出所述带钢表面图像对应的各缺陷类型的概率；将得到的各缺陷类型的概率与预先设定的阈值进行对比，并在对比结果为概率的数值大于阈值的情况下，将概率数值最大的缺陷类型作为带钢表面的缺陷类型。本发明专利技术采用深度学习理论建立深度卷积神经网络对带钢表面的缺陷类型进行概率检测，再通过概率值的判断确定带钢表面的缺陷，从而实现了高精确度的在线带钢缺陷检测，在保证实时性的同时显著提升了带钢缺陷检测的正确率。缺陷检测的正确率。缺陷检测的正确率。

【技术实现步骤摘要】
一种带钢表面缺陷检测方法及系统


[0001]本专利技术涉及带钢表面缺陷检测
，具体来说，涉及一种带钢表面缺陷检测方法及系统。

技术介绍

[0002]国际上，自动钢板表面缺陷检测技术（所述表面缺陷包括单一缺陷孔洞、边裂、划伤、翘皮、污垢、锌渣、漏镀，区域缺陷斑迹、氧化色、褶皱、擦伤、氧化铁皮、过酸洗等。）始于20世纪70年代。到目前为止，已经经历了传统技术、激光扫描、机器视觉三个主要发展阶段。到20世纪末，德国、美国、日本等发达国家己在该领域的研究取得了长足进步，使机器视觉表面检测系统进入了实用阶段。而我国许多冶金企业仍然采用人工目测、开卷抽检的方式进行钢板的表面检测，效率低下、检测效果差，不过更多的企业也逐渐开始使用表面缺陷自动检测设备。
[0003]钢板表面缺陷检测系统主要应用于表面质量较好的冷乳带钢、镀锌板生产线，在中厚板、热轧带钢等表面相对复杂的生产线应用较少，主要原因是现有缺陷检测系统对生产线的图像采集能力有限，易受带钢表面状态、周围环境光的影响，同时检测算法对于单一光源复杂缺陷图像的识别能力有限，识别结果易受图像背景影响本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带钢表面缺陷检测方法，其特征在于，包括：获取带钢表面图像；通过预先训练的深度学习模型，对所述带钢表面图像进行检测，得出所述带钢表面图像对应的各缺陷类型的概率；将得到的各缺陷类型的概率与预先设定的阈值进行对比，并在对比结果为概率的数值大于阈值的情况下，将概率数值最大的缺陷类型作为带钢表面的缺陷类型。2.根据权利要求1所述的带钢表面缺陷检测方法，其特征在于，获取带钢表面图像包括：利用预先配置的多光谱LED光源对带钢表面进行照明，并利用预先配置的工业相机采集带钢表面图像。3.根据权利要求2所述的带钢表面缺陷检测方法，其特征在于，利用预先配置的工业相机采集带钢表面图像包括：利用预先配置的工业相机采集与带钢传送方向平行和垂直的两个摄像方面的带钢表面图像。4.根据权利要求1所述的带钢表面缺陷检测方法，其特征在于，还包括：预先训练深度学习模型，且预先训练深度学习模型包括：将N个光源/角度下拍摄的多张带钢表面图像作为一个N通道特征图，并对N通道特征图进行缺陷标签标注，形成缺陷训练样本；将N通道特征图输入至卷积层、池化层进行特征提取；并将提取到的特征值输入到全连接层；通过全连接计算和Softmax层将所述特征值转化为各缺陷类型的概率，根据概率的数值大小识别带钢表面缺陷的类型；利用所述缺陷训练样本中的多个样本，通过前向计算和反向传播迭代新联卷积神经网络，得到深度学习模型。5.根据权利要求1所述的带钢表面缺陷检测方法，其特征在于，还包括：预先训练深度学习模型，且预先训练深度学习模型包括：将每一种光源/角度拍摄的带钢表面图像均作为独立的通道特征图，并将对每个通道特征图进行缺陷标签标注，形成缺陷训练样本；将每个通道特征图分别输入至卷积层、池化层进行特征提取，并将提取到的特征值输入到全连接层；通过全连接计算和Softmax层将所述特征值转化为各缺陷类型的概率，根据概率的数值大小识别带钢表面缺陷的类型；利用所述缺陷训练样本中的多个样本，通过前向计算和反向传播迭代新联卷积神经网络，得到每个光源/角度所对应的深度学习模型。6.一种带钢表面缺陷检测系统，其特征在于，包括：图像获取模块，用于获取带钢表面图像；...

【专利技术属性】
技术研发人员：许茜，安琪，
申请(专利权)人：新极技术北京有限公司，
类型：发明
国别省市：