一种带钢表面缺陷分类方法技术

本申请提供一种带钢表面缺陷分类方法，包括：基于第一图像数据集，获取第一缺陷图样；基于Wasserstein距离和第一缺陷图样，构建生成式对抗网络的生成器和判别器，获取第二图像数据集；基于第二图像数据集，构建嵌入注意力模块的Optimal

【技术实现步骤摘要】
一种带钢表面缺陷分类方法


[0001]本申请属于深度学习及带钢缺陷检测
，具体涉及一种带钢表面缺陷分类方法。

技术介绍

[0002]热轧带钢是钢铁产业的主要产品之一，广泛应用于汽车制造、航空航天和轻工业等领域，表面质量是带钢市场竞争的关键指标之一。在生产过程中，由于受到原材料、轧制工艺和外界环境等因素的影响，带钢表面会不可避免地出现氧化皮、夹杂、划痕等缺陷，这些缺陷不仅严重影响带钢的外观，而且降低了耐磨和抗疲劳特性，同时这些缺陷无法通过改进工艺完全克服。因此，对带钢表面的缺陷进行分类，能够为生产过程或生产工艺提供重要的参考，从而进行调优、改进，达到进一步提高良品率和降低生产成本的目的。
[0003]传统的带钢表面缺陷分类与检测主要依靠人工目检，并且主要以频闪法为手段。虽然人工目检的方法实施起来较为简单方便，但随着生产线的生产速度不断地加快，肉眼难以察觉带钢表面的微小缺陷，并且长时间的人工作业会导致视觉疲劳，因此存在着检测准确率不高、实时性差、劳动强度大等弊端。
[0004]近年来，机器视觉技术取得了快速发展，伴随着多种图像分类算法的应用，如BP神经网络、ELM网络等有监督的方法，以及K
‑
Means等非监督学习方法，基于机器视觉的带钢表面检测技术日趋成熟。申请号为201810585825.2的专利公开了一种带钢表面缺陷分类方法，该专利技术对建立的样本库中的所有图片进行归一化处理，基于Gabor滤波器对输入的图像进行多尺度方向滤波，对得到的滤波结果图利用KPCA进行降维，使用训练集建立SVM分类预测模型并使用粒子群优化算法进行参数寻优。该专利技术获得了较高的分类准确率和执行效率。但由于不同的目标识别任务差别较大，新的检测任务需要重新设计新的算法，难以实现算法的迁移，增加了研发时间成本，因此，对于复杂的图像场景，人工设计特征的提取方法效果并不理想。
[0005]计算机计算能力的提升以及大规模数据集的建立，为基于深度学习的分类算法提供了发展契机。深度学习方法通过构建特征提取网络，能够自适应地学习图像的特征，简化了识别算法的设计难度，但目前的方法仍存在不足。一方面，深度学习模型的性能主要取决于训练样本的大小和质量，然而在复杂的工业场景下难以获取足够数量的缺陷样本，因此扩充缺陷数据集已成为亟待解决的问题，现有的技术多采用旋转、缩放、平移等手段，仅通过线性变换来增加图像数量，忽略了缺陷特征本身的多样性；另一方面，注意力机制能够使模型关注图像中更有价值的信息，有利于提高识别精度，而目前的方法鲜有将注意力机制引入到带钢表面缺陷分类算法之中，因而分类准确率低的问题仍然存在。

技术实现思路

[0006]本申请提供扫一种带钢表面缺陷分类方法，以解决带钢表面缺陷分类算法之中分类准确率低的技术问题。
[0007]为解决上述技术问题，本申请采用的一个技术方案是：一种带钢表面缺陷分类方法，包括：
[0008]基于第一图像数据集，获取第一缺陷图样；
[0009]基于Wasserstein距离和第一缺陷图样，构建生成式对抗网络的生成器和判别器，获取第二图像数据集；
[0010]基于第二图像数据集，构建嵌入注意力模块的Optimal
‑
ResNet34模型并对Optimal
‑
ResNet34模型进行训练，获取最优权重；
[0011]基于最优权重，对第二图像数据集中的第二缺陷图样进行分类以及验证。
[0012]进一步，基于Wasserstein距离和第一缺陷图样，获取生成式对抗网络的生成器和判别器的方法，包括：
[0013]输入多维服从标准正态分布的随机噪声向量；
[0014]构建生成器，并基于随机噪声向量生成模拟图像；
[0015]构建判别器，并基于Wasserstein距离和第一缺陷图样，对模拟图像进行判别训练，获取模拟图像的反馈数据；
[0016]基于反馈数据，对生成器和判别器的参数进行更新并重复上述步骤，获取第二图像数据集；其中，第二图像数据集包含第一图像数据集。
[0017]进一步，输入多维服从标准正态分布的随机噪声向量之前，包括：
[0018]根据公式(1)，获取N维服从标准正态分布的随机噪声向量；公式(1)为：
[0019][0020]其中，N为大于等于2的整数。
[0021]进一步，基于Wasserstein距离和第一缺陷图样，对模拟图像进行判别训练，获取模拟图像的反馈数据的方法，包括：
[0022]基于第一缺陷图样和模拟图像，获取第一缺陷图样的第一图像特征和模拟图像的第二图像特征；
[0023]响应于第一图像特征和第二图像特征的距离差值小于阈值，则判定模拟图像为合格图像；
[0024]将合格图像对应的图像数据写入反馈数据中，并将合格图像保存至第二图像数据集中。
[0025]进一步，响应于第一图像特征和第二图像特征的距离差值小于阈值的方法，包括：
[0026]根据公式(2)确定距离差值；公式(2)为：
[0027][0028]其中，Pr、Pg分别表示真实图像特征和模拟图像特征的数据分布，Π(P
r
,P
g
)表示以Pr和Pg为边缘分布的联合概率分布的集合，W(P
r
,P
g
)表示将Pg拟合到Pr所需要的将x移动到y的距离。
[0029]进一步，基于第二图像数据集，构建嵌入注意力模块的Optimal
‑
ResNet34模型并对Optimal
‑
ResNet34模型进行训练，获取最优权重的方法，包括：
[0030]基于第二图像数据集，构建注意力模块；
[0031]将注意力模块嵌入ResNet34网络中，建立Optimal
‑
ResNet34模型；
[0032]基于第二图像数据集中的第二图样，对Optimal
‑
ResNet34模型进行图像识别训练，获取最优权重。
[0033]进一步，Optimal
‑
ResNet34模型包括依次连接的第一卷积层、第一池化层、多个依次连接的第二卷积层、第二池化层、全连接层；其中，注意力模块有多组并分别嵌入第二卷积层中、第一卷积层与第一池化层之间以及第二池化层与第二卷积层之间。
[0034]进一步，第二缺陷图样的缺陷类型包括精轧辊印、铁皮灰、板道系氧化铁皮、温度系氧化铁皮、红铁皮、夹渣和表面划伤。
[0035]进一步，评估参数包括整体准确率、宏观精确率、宏观召回率以及宏观F1值。
[0036]本申请的有益效果是：本申请首先通过Wasserstein距离构建生成式对抗网络的生成器和判别器，利用第一图像数据集能够有效生成包含第二图像数据集，增加缺陷图像的数量，丰富缺陷特征多样性，解决工业环境下热轧带钢表面缺陷图像匮乏而导致的过拟合问题；其次，将注意力模块引入Optimal
...

【技术保护点】

【技术特征摘要】
1.一种带钢表面缺陷分类方法，其特征在于，包括：基于第一图像数据集，获取第一缺陷图样；基于Wasserstein距离和所述第一缺陷图样，构建生成式对抗网络的生成器和判别器，获取第二图像数据集；基于所述第二图像数据集，构建嵌入注意力模块的Optimal
‑
ResNet34模型并对所述Optimal
‑
ResNet34模型进行训练，获取最优权重；基于所述最优权重，对所述第二图像数据集中的第二缺陷图样进行分类以及验证。2.根据权利要求1所述的分类方法，其特征在于，所述基于Wasserstein距离和所述第一缺陷图样，获取生成式对抗网络的生成器和判别器的方法，包括：输入多维服从标准正态分布的随机噪声向量；构建所述生成器，并基于所述随机噪声向量生成模拟图像；构建所述判别器，并基于Wasserstein距离和所述第一缺陷图样，对所述模拟图像进行判别训练，获取所述模拟图像的反馈数据；基于所述反馈数据，对所述生成器和所述判别器的参数进行更新并重复上述步骤，获取所述第二图像数据集；其中，所述第二图像数据集包含所述第一图像数据集。3.根据权利要求2所述的分类方法，其特征在于，所述输入多维服从标准正态分布的随机噪声向量之前，包括：根据公式(1)，获取N维服从标准正态分布的随机噪声向量，即获取N个所述随机噪声向量；所述公式(1)为：其中，N为大于等于2的整数。4.根据权利要求2所述的分类方法，其特征在于，所述基于Wasserstein距离和所述第一缺陷图样，对所述模拟图像进行判别训练，获取所述模拟图像的反馈数据的方法，包括：基于所述第一缺陷图样和所述模拟图像，获取所述第一缺陷图样的第一图像特征和所述模拟图像的第二图像特征；响应于所述第一图像特征和所述第二图像特征的距离差值小于阈值，则判定所述模拟图像为合格图像；将所述合格图像对应的图像数据写入所述反馈数据中，并将所述合格图像保存至所述第二图像数据集中。5.根据权利要求4所述的分类方法，其特征在于，所述响应于所述第一图像特征和所述第二图像特征的距离差值小于阈值的方法，包括：根据公式(2)确定所述距离差值；所述公式(2)为：其中，Pr、Pg分别表示所述真实图像特征...

【专利技术属性】
技术研发人员：倪红军，郝壮壮，李志扬，吕帅帅，朱昱，汪兴兴，李斌，
申请(专利权)人：南通大学，
类型：发明
国别省市：