一种边浪缺陷检测方法、装置、电子设备及存储介质制造方法及图纸

本申请涉及图像检测技术领域，具体提供一种边浪缺陷检测方法、装置、电子设备及存储介质，先通过边浪缺陷检测模型对待检测钢板的边浪图像进行检测，得到待检测钢板的边浪缺陷图像，即将边浪图像中的边浪缺陷区域通过边框标注出来；再通过边浪缺陷分类模型对待检测钢板的边浪缺陷图像进行识别，得到边浪缺陷的类别以及边浪关键点坐标，使得员工能够及时发现待检测钢板所存在的边浪缺陷的类别，并按照相应的边浪关键点坐标进行裁剪，可见本申请基于深度学习对待检测钢板进行边浪缺陷检测的方式，相比现有技术中根据人工经验进行边浪缺陷检测的方式，能够更客观精准的实现对钢材质量的管控。管控。管控。

【技术实现步骤摘要】
一种边浪缺陷检测方法、装置、电子设备及存储介质


[0001]本申请涉及图像检测
，具体而言，涉及一种边浪缺陷检测方法、装置、电子设备及存储介质。

技术介绍

[0002]在钢材产品生产过程中，板形质量一直是现场重点关注的问题。尤其是经常出现的边浪缺陷缺陷，所述边浪缺陷是指钢的一侧或两侧高低不平，且高低不平的情况从侧边的起始位置附近延伸到侧边的中间位置。而目前，钢板生产企业以人工质检为主，主要依靠的是人工经验。
[0003]如果发现边浪缺陷，就需要工人通过肉眼进行剪裁，而剪裁位置的选取是通过人工来确定的，工人裁剪的位置一定是包括且超过边浪缺陷的位置，超过边浪缺陷的位置将会给钢厂造成一定的经济损失。可见，现有通过人工来识别边浪缺陷和对识别出的边浪缺陷进行裁剪的方式，准确度较低，并不利于对钢材的质量管控。

技术实现思路

[0004]有鉴于此，本申请的目的在于提供一种边浪缺陷检测方法、装置、电子设备及存储介质，能够快速识别出钢材生产过程中边浪缺陷的类别，以及边浪缺陷的位置，利于工人精准裁剪。
[0005]第一方面，本申请提供一种边浪缺陷检测方法，所述方法包括以下步骤：
[0006]基于3D相机采集待检测钢板的边浪图像；
[0007]基于训练好的边浪缺陷检测模型对所述待检测钢板的边浪图像进行检测，得到所述待检测钢板的边浪缺陷图像；其中，所述边浪缺陷图像中标注有边浪缺陷的边框；
[0008]基于训练好的边浪缺陷分类模型对所述待检测钢板的边浪缺陷图像进行识别，得到所述边浪缺陷的类别以及边浪的位置坐标；其中，所述边浪的位置包括边浪的起点、最高点和端点。
[0009]在一些实施例中，通过如下方式得到训练好的边浪缺陷检测模型：
[0010]获取包含钢材各种类别边浪缺陷的边浪图像数据，并对所述边浪图像数据中边浪缺陷的边框进行标注，得到第一边浪缺陷标注样本；
[0011]基于数据扩增策略将所述第一边浪缺陷标注样本生成更多数量的第二边浪缺陷标注样本，并将所述第一边浪缺陷标注样本和所述第二边浪缺陷标注样本进行合并得到第一边浪缺陷标注样本训练集；
[0012]基于所述第一边浪缺陷标注样本训练集对预构建的边浪缺陷检测模型进行训练，直至输出结果的Loss值达到设定的阈值，得到训练好的边浪缺陷检测模型。
[0013]在一些实施例中，所述基于数据扩增策略将所述第一边浪缺陷标注样本生成更多数量的第二边浪缺陷标注样本，包括以下步骤：
[0014]将第一边浪缺陷标注样本的边浪缺陷图像和标注分别记为A和B，将生成的二边浪
缺陷标注样本的边浪缺陷图像和标注分别记为和则：
[0015][0016][0017][0018]其中，M为二值掩膜，用于对边浪缺陷图像和标注的掩膜区域进行置0操作，B
n
是第n个边浪缺陷的标注；a
n
服从伯努力分布，反映了第n个边浪缺陷的标注是否用于M的计算；表示取上限操作；
[0019]基于公式(1)、(2)、(3)生成更多数量的第二边浪缺陷标注样本。
[0020]在一些实施例中，通过如下方式得到训练好的边浪缺陷分类模型：
[0021]基于训练好的边浪缺陷检测模型的输出，得到若干张边浪缺陷图像，并对边浪缺陷图像中的边浪缺陷的类别，以及边浪的位置坐标进行标注，得到第二边浪缺陷标注样本训练集；
[0022]基于所述第二边浪缺陷标注样本训练集对预构建的边浪缺陷分类模型进行训练，直至输出结果的Loss值达到设定的阈值，得到训练好的边浪缺陷分类模型。
[0023]在一些实施例中，所述基于所述第二边浪缺陷标注样本训练集对预构建的边浪缺陷分类模型进行训练之前，还包括以下步骤：
[0024]对所述第二边浪缺陷标注样本中的边浪缺陷图像进行预处理。
[0025]在一些实施例中，所述对所述第二边浪缺陷标注样本中的边浪缺陷图像进行预处理，包括以下步骤：
[0026]获取所述边浪缺陷图像中边浪缺陷的边框在其宽度方向的坐标最小值和坐标最大值，以及其高度方向的坐标最小值和坐标最大值；
[0027]按照预设的外扩比例对所述边浪缺陷的边框宽度方向的坐标最小值和坐标最大值，以及其高度方向的坐标最小值和坐标最大值分别增大；
[0028]按照外扩后的所述边浪缺陷的边框进行裁剪，得到预处理后的边浪缺陷图像。
[0029]在一些实施例中，所述边浪缺陷的类别包括操作侧边浪、传动侧边浪、操作侧肋浪、传动侧肋浪、双肋浪中的一种或多种。
[0030]本申请实施例提供的一种边浪缺陷检测装置，所述装置包括：
[0031]采集模块，用于基于3D相机采集待检测钢板的边浪图像；
[0032]检测模块，用于基于训练好的边浪缺陷检测模型对所述待检测钢板的边浪图像进行检测，得到所述待检测钢板的边浪缺陷图像；其中，所述边浪缺陷图像中标注有边浪缺陷的边框；
[0033]分类模块，用于基于训练好的边浪缺陷分类模型对所述待检测钢板的边浪缺陷图像进行识别，得到所述边浪缺陷的类别以及边浪的位置坐标；其中，所述边浪的位置包括边浪的起点、最高点和端点。
[0034]本申请实施例提供的一种电子设备，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述任一项所述的边浪缺陷检
测方法的步骤。
[0035]本申请实施例提供的一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任一项所述的边浪缺陷检测方法的步骤。
[0036]本申请所述的一种边浪缺陷检测方法、装置、电子设备及存储介质，基于3D相机采集待检测钢板的边浪图像；基于训练好的边浪缺陷检测模型对所述待检测钢板的边浪图像进行检测，得到所述待检测钢板的边浪缺陷图像；其中，所述边浪缺陷图像中标注有边浪缺陷的边框；基于训练好的边浪缺陷分类模型对所述待检测钢板的边浪缺陷图像进行识别，得到所述边浪缺陷的类别以及边浪的位置坐标；其中，所述边浪的位置包括边浪的起点、最高点和端点。从而能够客观快速识别出钢材生产过程中边浪缺陷的类别，并标注出边浪的起点、最高点和端点，利于工人精准裁剪，以实现对钢材质量的精准管控。
附图说明
[0037]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0038]图1示出了本申请实施例提供的所述边浪缺陷检测方法的流程图；
[0039]图2示出了本申请实施例提供的训练边浪缺陷检测模型的流程图；
[0040]图3示出了本申请实施例提供的训练边浪缺陷分类模型的流程图；
[0041本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种边浪缺陷检测方法，其特征在于，所述方法包括以下步骤：基于3D相机采集待检测钢板的边浪图像；基于训练好的边浪缺陷检测模型对所述待检测钢板的边浪图像进行检测，得到所述待检测钢板的边浪缺陷图像；其中，所述边浪缺陷图像中标注有边浪缺陷的边框；基于训练好的边浪缺陷分类模型对所述待检测钢板的边浪缺陷图像进行识别，得到所述边浪缺陷的类别以及边浪的位置坐标；其中，所述边浪的位置包括边浪的起点、最高点和端点。2.根据权利要求1所述一种边浪缺陷检测方法，其特征在于，通过如下方式得到训练好的边浪缺陷检测模型：获取包含钢材各种类别边浪缺陷的边浪图像数据，并对所述边浪图像数据中边浪缺陷的边框进行标注，得到第一边浪缺陷标注样本；基于数据扩增策略将所述第一边浪缺陷标注样本生成更多数量的第二边浪缺陷标注样本，并将所述第一边浪缺陷标注样本和所述第二边浪缺陷标注样本进行合并得到第一边浪缺陷标注样本训练集；基于所述第一边浪缺陷标注样本训练集对预构建的边浪缺陷检测模型进行训练，直至输出结果的Loss值达到设定的阈值，得到训练好的边浪缺陷检测模型。3.根据权利要求2所述一种边浪缺陷检测方法，其特征在于，所述基于数据扩增策略将所述第一边浪缺陷标注样本生成更多数量的第二边浪缺陷标注样本，包括以下步骤：将第一边浪缺陷标注样本的边浪缺陷图像和标注分别记为A和B，将生成的二边浪缺陷标注样本的边浪缺陷图像和标注分别记为和则：则：则：其中，M为二值掩膜，用于对边浪缺陷图像和标注的掩膜区域进行置0操作，B
n
是第n个边浪缺陷的标注；a
n
服从伯努力分布，反映了第n个边浪缺陷的标注是否用于M的计算；表示取上限操作；基于公式(1)、(2)、(3)生成更多数量的第二边浪缺陷标注样本。4.根据权利要求3所述一种边浪缺陷检测方法，其特征在于，通过如下方式得到训练好的边浪缺陷分类模型：基于训练好的边浪缺陷检测模型的输出，得到若干张边浪缺陷图像，并对边浪缺陷图像中的边浪缺陷的类别，以及边浪的位置坐标进行标注，得到第二边浪缺陷标注样本训练集；基于所述第二边浪缺陷...

【专利技术属性】
技术研发人员：李小龙，
申请(专利权)人：北京远舢智能科技有限公司，
类型：发明
国别省市：