【技术实现步骤摘要】
基于引入频率域深度学习网络的钢材缺陷图像分割方法
[0001]本专利技术属于计算机视觉图像分割
，具体涉及一种基于引入频率域深度学习网络的钢材缺陷图像分割方法。
技术介绍
[0002]在钢铁的生产中，随着工业生产水平的提高，大部分流程已实现自动化的流水线生产，然而对于生产钢材进行表观质量检测仍然未寻得有效的方法。现有技术中，钢材生产属于超高温加工生产，钢材成型加工过程中由于温度较高，不适合人为近距离观察，则一般是钢材已经成型且降温一段时间后，送至安全区域后，工人肉眼进行观察。但是由于钢材较重，不易搬动，工人在进行检查时易发生遗漏、忽略等问题。基于上述技术问题，技术人员也设计了采用摄像机拍摄图像后进行图像识别，经实际使用发现仍存在以下问题：
[0003]第一：由于加工环境原因，拍摄图像现实线条不明显，钢材缺陷位置和无缺陷位置色差小，导致无法获取到缺陷，在查找表面缺陷时，容易被忽略。
[0004]第二：在进行缺陷目标查找时，没有对比数据库，则在进行查找时，易将缺陷标记直接忽略；
[0005]第三：在...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于引入频率域深度学习网络的钢材缺陷图像分割方法，其特征在于：按照以下步骤进行：步骤1，使用工业相机对待检测钢材进行图像采样，建立钢材缺陷图像数据库；步骤2，对获取到的钢材图像进行预处理；步骤3，通过数据增强技术对数据集中的有缺陷钢材图像进行增强处理；步骤4，将预处理后的钢材数据集划分为训练集、验证集和测试集；步骤5，建立引入频率域改进的分割网络模型Fre
‑
Net；步骤6，将训练集和验证集图像输入分割网络模型Fre
‑
Net中进行特征学习，获取到最终的钢材缺陷图像分割模型；步骤7，将测试集中的图像输入训练后的钢材缺陷图像分割模型中获得分割结果。2.根据权利要求1所述的基于引入频率域深度学习网络的钢材缺陷图像分割方法，其特征在于：所述步骤1中，钢材缺陷图像数据库中的钢材缺陷种类至少包括凹坑缺陷、划痕刮伤缺陷、边缘裂纹缺陷和氧化铁皮缺陷；所述钢材缺陷图像数据库中包含有缺陷图像、无缺陷图像和标注数据，其中标注数据标注出缺陷的位置。3.根据权利要求1所述的基于引入频率域深度学习网络的钢材缺陷图像分割方法，其特征在于：所述步骤2中，对获取到的钢材图像进行预处理包括以下操作：步骤2.1，将钢材缺陷图像数据库中的所有图像调整为相同大小和尺寸；步骤2.2，将有缺陷图像和无缺陷图像转变为灰度图，并进行亮度和对比度上的对齐；步骤2.3，对灰度图进行特征提取，使用SURF特征提取算子，进行特征点的匹配，获取透视矩阵L，将图像投影到一个新的视平面；步骤2.4，将对齐后的无缺陷图像与有缺陷图像的灰度图进行差分处理，获得差分后的图像像素矩阵。4.根据权利要求3所述的基于引入频率域深度学习网络的钢材缺陷图像分割方法，其特征在于：所述步骤3中增强处理包括：使用随机旋转、随机平移、随机翻转、随机剪裁对缺陷图像进行随机的角度旋转，垂直、水平方向翻转，随机方向平移，另外还对缺陷图像进行随机剪裁部分区域，从而增强图像表征能力；所述增强处理还包括：使用色彩变换和直方图均衡化方式，针对每种形状缺陷依赖几何图形的缺陷图案进行增强，针对白色点缺陷、浅色块缺陷、深色块缺陷、光圈缺陷等目标使用了亮度、对比度、色相增强。5.根据权利要求4所述的基于引入频率域深度学习网络的钢材缺陷图像分割方法，其特征在于：所述步骤5中步骤有：步骤5.1，使用预处理后的训练集和验证集作为网络的输入；步骤5.2，通过二维离散傅里叶变换获得空间域图像在频率域的图像表示：其中x∈R
H
×
W
技术研发人员：田袁，付文龙，吴克鹏，钱鑫，敖振宇，崔若楠，韩琦，蒙仑，徐宏翔，邱自成，吴锐，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。