一种热轧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热轧带钢表面缺陷检测方法及系统，通过卷积神经网络CNN提取特征图，将特征图加入位置编码后，结合Transformer进行编码解码，并构建最优模型，使得深度学习下的特征图得到准确分析，且损失率达到最小，并通过精度、召回率、F1_score、准确率四个层次进行评价，快速判断缺陷种类及位置，提高了深度学习下热轧带钢表面缺陷检测的精确度。学习下热轧带钢表面缺陷检测的精确度。学习下热轧带钢表面缺陷检测的精确度。

【技术实现步骤摘要】
一种热轧带钢表面缺陷检测方法及系统


[0001]本专利技术涉及深度学习和热轧带钢表面缺陷检测领域，尤其是一种热轧带钢表面缺陷检测方法及系统。

技术介绍

[0002]热轧带钢一般是指厚度为1
‑
20mm的成卷带钢，宽度一般为600
‑
2000mm。热轧带钢可以作为热轧钢板直接使用，也可以作为冷轧带钢的原材料。热轧带钢成型速度快，产量高，可以做成多种多样的截面形式去适应环境的需要，由于其表面积大、包覆能力强、可任意弯曲、裁剪冲压，所以热轧带钢在汽车、电机、化工、容器、航空、造船等行业占有及其重要的地位。但是在热轧带钢的生产过程中，由于材料、工艺、环境等不可抗拒因素，带钢的表面会产生不同类型的缺陷，如夹杂、划痕、压入氧化皮、裂纹、麻点和斑块等，这些缺陷不仅会对钢板的内在性能产生较大影响，如降低带钢的疲劳强度、耐磨耐腐蚀性；还有可能因为表面缺陷使得带钢出现断裂、堆积等严重问题。所以，热轧带钢的表面缺陷检测是加工过程中十分重要的环节，是提高热轧带钢高质量生产的关键。
[0003]目前，热轧带钢表面缺陷检测技术主要包括人工检测和传统的图像识别检测。人工检测受限于空间、环境等因素影响，会产生较大的误判以及检测盲区；传统的图像识别缺陷检测对相似的缺陷类别并不能很好的识别，对缺陷数据库还需大量的人为调节，不能满足检测速度和精度，因此热轧带钢的表面缺陷检测具有巨大的提升空间。近年来，具有强大的识别能力的深度学习技术在热轧带钢缺陷检测领域效果显著。如现有的中国专利“CN113506295A/>‑
基于深度学习的带钢表面热轧滑移缺陷检测方法”仅通过像素点的分割检测缺陷像素点，扔存在可能漏检测的情况，故基于深度学习的缺陷检测对具有细粒度的表面缺陷，如麻点、夹杂等达不到预期的检测效果，如何提高缺陷的检测精度是一个亟待解决的问题。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种热轧带钢表面缺陷检测方法及系统，使得深度学习下的热轧带刚表面缺陷检测精度得到提高。
[0005]技术方案：本专利技术提供一种热轧带钢表面缺陷检测方法，包含以下步骤：
[0006]1)建立热轧带钢表面缺陷数据集，该数据集包含夹杂、划痕、压入氧化皮、裂纹、麻点、斑块，对数据集进行数据增强；
[0007]2)搭建基于CNN的特征提取骨干网络，将数据增强后的数据集放入特征提取骨干网络，获得特征图；
[0008]3)将特征图加入位置编码，送入Transformer进行编码及解码，得到预测特征图，计算预测的损失值，得到最优模型；
[0009]4)将待检测热轧带刚图片传入最优模型中进行计算，获得该待检测热轧带钢表面的缺陷种类以及对应的位置。
[0010]进一步的，步骤1)中，对数据集进行标签标注，并进行马赛克数据增强，首先随机读取四张图片，分别对四张图片进行数据增广，包括翻转、缩放和色域变换操作；其次利用矩阵的方式将四张图片固定的区域截取下来，拼接成一组新的图片，标签信息也相应保存。
[0011]进一步的，步骤2)中，对马赛克数据增强后的数据集进行调整，调整大小为224
×
224
×
3，其中3为RGB图像的通道数，224
×
224为图像的长与宽，搭建基于CNN的神经网络特征提取器，经过5次卷积、非线性函数relu激活、最大池化操作后，得到特征图。
[0012]进一步的，步骤3)中，将特征图加入含有位置关系的位置编码，该编码方式如下：
[0013][0014][0015]其中pos表示位置索引，i表示维度索引，d
model
表示通道数。
[0016]进一步的，步骤3)中，送入Transformer进行编码及解码，其中，搭建Transformer编码器包含以下步骤：
[0017]3.1)搭建多头自注意力机制，对输入X做线性映射得到查询矩阵Q、键矩阵K、值矩阵V，通过QK
T
求出注意力矩阵，根据注意力矩阵将V进行加权处理，形成多头自注意力机制；
[0018]3.2)搭建残差连接和层归一化，将输入向量和输入X经过多头自注意力机制的结果相加，对相加的结果使用层归一化，将网络中隐藏层归一化为标准正态分布，加速收敛，得到初步归一化结果；
[0019]3.3)搭建前馈网络和残差连接、层归一化，前馈网络进行线性映射，经激活函数后，得到映射结果，将初步归一化结果与映射结果相加，对相加的结果使用层归一化，加速收敛，得到编码结果。
[0020]进一步的，步骤3)中，搭建Transformer解码器包含以下步骤：
[0021]3.4)搭建掩码多头注意力机制，同时输入带有位置编码的输出向量；
[0022]3.5)将位置编码添加到掩码多头注意力机制的每个注意层的输入中；将输出向量和经过掩码多头自注意力机制处理的输出向量相加，对相加的结果使用层归一化，加速收敛，得到掩码初步结果；
[0023]3.6)将掩码初步结果与编码结果相加并使用层归一化，加速收敛，得到二次编码结果，将二次编码结果经前馈网络映射，得到特征预测图，将特征预测图与二次编码结果相加并使用层归一化，输出最终特征预测图；
[0024]3.7)将最终特征预测图传入检测头进行检测处理，得到类别信息及位置信息并进行交叉熵损失函数计算，得到损失值，该损失值稳定时为最优模型，公式如下：
[0025][0026]其中，N表示批处理的样本数量，y
n
表示标签，x
n
表示模型预测的分类结果。
[0027]进一步的，步骤4)中，包含以下步骤：
[0028]4.1)设定评价指标，包括精度、召回率、F1_score、准确率；
[0029]4.2)将待检测热轧带刚图片传入最优模型中根据设定评价指标判断出缺陷的种类以及在图上的位置。
[0030]本专利技术对应提供一种热轧带钢表面缺陷检测系统，包含数据集构建及增强模块、特征图获取模块、编码解码模块、应用计算模块；
[0031]数据集构建及增强模块用以建立热轧带钢表面缺陷数据集，该数据集包含夹杂、划痕、压入氧化皮、裂纹、麻点、斑块，对数据集进行数据增强；
[0032]特征图获取模块用以搭建基于CNN的特征提取骨干网络，将数据增强后的数据集放入特征提取骨干网络，获得特征图；
[0033]编码解码模块用以将特征图加入位置编码，送入Transformer进行编码及解码，得到预测特征图，计算预测的损失值，得到最优模型；
[0034]应用计算模块用以将待检测热轧带刚图片传入最优模型中进行计算，获得该待检测热轧带钢表面的缺陷种类以及对应的位置。
[0035]有益效果：本专利技术与现有技术相比，其显著优点是，通过卷积神经网络CNN提取特征图，将特征图加入位置编码后，结合Transformer进行编码解码，并构建最优模型，使得深度学习下的特征图得到准确分析，且损失率达到最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种热轧带钢表面缺陷检测方法，其特征在于，包含以下步骤：1)建立热轧带钢表面缺陷数据集，该数据集包含夹杂、划痕、压入氧化皮、裂纹、麻点、斑块，对数据集进行数据增强；2)搭建基于CNN的特征提取骨干网络，将数据增强后的数据集放入特征提取骨干网络，获得特征图；3)将特征图加入位置编码，送入Transformer进行编码及解码，得到预测特征图，计算预测的损失值，得到最优模型；4)将待检测热轧带刚图片传入最优模型中进行计算，获得该待检测热轧带钢表面的缺陷种类以及对应的位置。2.根据权利要求1所述的热轧带钢表面缺陷检测方法，其特征在于，步骤1)中，对数据集进行标签标注，并进行马赛克数据增强，首先随机读取四张图片，分别对四张图片进行数据增广，包括翻转、缩放和色域变换操作；其次利用矩阵的方式将四张图片固定的区域截取下来，拼接成一组新的图片，标签信息也相应保存。3.根据权利要求2所述的热轧带钢表面缺陷检测方法，其特征在于，步骤2)中，对马赛克数据增强后的数据集进行调整，调整大小为224
×
224
×
3，其中3为RGB图像的通道数，224
×
224为图像的长与宽，搭建基于CNN的神经网络特征提取器，经过5次卷积、非线性函数relu激活、最大池化操作后，得到特征图。4.根据权利要求3所述的热轧带钢表面缺陷检测方法，其特征在于，步骤3)中，将特征图加入含有位置关系的位置编码，该编码方式如下：图加入含有位置关系的位置编码，该编码方式如下：其中pos表示位置索引，i表示维度索引，d
model
表示通道数。5.根据权利要求4所述的热轧带钢表面缺陷检测方法，其特征在于，步骤3)中，送入Transformer进行编码及解码，其中，搭建Transformer编码器包含以下步骤：3.1)搭建多头自注意力机制，对输入X做线性映射得到查询矩阵Q、键矩阵K、值矩阵V，通过QK
T
求出注意力矩阵，根据注意力矩阵将V进行加权处理，形成多头自注意力机制；3.2)搭建残差连接和层归一化，将输入向量和输入X经过多头自注意力机制的结果相加，对相加的结果使用层归一化，将网络中隐藏层归一化为标准正态分布，加速收敛，得到初步归一化结果；3.3)搭建前馈网络和残差连接、层归一化，前馈网络进行线性映射，经激活函数后，得到映射结果，将初步归一化结果与...

【专利技术属性】
技术研发人员：张辉，朱威，朱晓阳，官震，朱成顺，朱鹏程，刘赞，赵孟军，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：