基于深度学习的钢材检测方法及系统技术方案

本发明专利技术属于金属制造工艺质量检测技术领域，特别涉及一种基于深度学习的钢材检测方法及系统，通过采集流水线作业中钢材表面清理工序后的图像数据，并对图像数据进行预处理，分离出图像数据中钢材区域图像；将钢材区域图像输入至已训练的缺陷检测模型，检测并定位出钢材缺陷区域图像；利用已训练的缺陷分类模型对钢材缺陷区域图像进行分类，确定钢材缺陷或伪缺陷类别，针对缺陷类别下的图像数据进行第二次分类并输出缺陷所属类别，记录图像中钢材缺陷类别及对应缺陷区域位置。本发明专利技术利用传统算法和深度学习算法相结合使钢材缺陷检测方案具有检出率高、误检率低、适应性强的优点，提高整个钢材表面缺陷检测系统的鲁棒性，具有较好的应用前景。的应用前景。的应用前景。

【技术实现步骤摘要】
基于深度学习的钢材检测方法及系统


[0001]本专利技术属于金属制造工艺质量检测
，特别涉及一种基于深度学习的钢材检测方法及系统。

技术介绍

[0002]钢材在现代工业制造领域占据着不可或缺的地位，被广泛应用于机械、化工、航空航天、汽车、船舶、建筑等行业。但在生产过程中由于设备、生产工艺和冶炼方法等因素的影响，钢材表面极易出现各种复杂的缺陷。这些缺陷不仅会对产品的耐腐蚀、抗磨损，抗形变等能力产生严重影响，还可能会对企业与社会造成不可预估的经济损失。因此，如何快速准确检出钢材表面的各种缺陷，提高钢材的表面质量，成为了目前亟待解决的问题。
[0003]钢材表面缺陷检测以往通常采用人工目视与其他技术(如荧光磁粉探伤技术)相结合方式检测，但它存在一些弊端：如，工作效率不高、劳动强度大、缺陷信息无法保存等缺点；操作检测人员长期在高温、噪声、粉尘、辐射和震动的环境下工作，对身体及心理健康会产生不良影响。近年来，大量学者开始对钢材检测算法开展研究，大多采用如下技术路线：首先使用边缘检测或直方图或阈值等技术对前景与背景进行语义分割与连通域标记，而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的钢材检测方法，其特征在于，包含如下内容：采集流水线作业中钢材表面清理工序后的图像数据，并对图像数据进行预处理，分离出图像数据中钢材区域图像；将钢材区域图像输入至已训练的缺陷检测模型，检测并定位出钢材缺陷区域图像；利用已训练的缺陷分类模型对钢材缺陷区域图像进行分类，确定钢材缺陷或伪缺陷类别，针对缺陷类别下的图像数据进行第二次分类并输出缺陷所属类别，记录图像中钢材缺陷类别及对应缺陷区域位置。2.根据权利要求1所述的基于深度学习的钢材检测方法，其特征在于，采集流水线作业中钢材表面清理工序后的图像数据中，在表面清理工序和缺陷标记工序之间的钢材输送流水线上设置视觉拍照系统，利用该视觉拍照系统来收集钢材不同方向角度的表面纹理图像数据。3.根据权利要求2所述的基于深度学习的钢材检测方法，其特征在于，所述视觉拍照系统利用4个同一竖直垂面上的工业相机从四个方向来分别收集钢材四个不同方向角度的表面纹理图像数据。4.根据权利要求1所述的基于深度学习的钢材检测方法，其特征在于，对图像数据进行预处理，分离出图像数据中钢材区域图像，包含如下内容：首先，对图像数据进行灰度化处理并选取钢材所在区域为感兴趣区域，对感兴趣区域图像进行平滑处理，获取竖直投影图像数据组；然后，对竖直投影图像数据组进行归一化处理，通过合并查找来分离出钢材区域图像。5.根据权利要求4所述的基于深度学习的钢材检测方法，其特征在于，获取竖直投影图像数据组中，依据感兴趣区域左上角位置和感兴趣宽高来标记感兴趣区域，并对平滑处理的感兴趣区域图像进行竖直方向投影，逐列统计灰度信息之和，将统计之后的灰度信息作为竖直方向投影数组，并依据感兴趣区域最低灰度值和感兴趣区域高度来滤除采集到钢材两端位置图像。6.根据权利要求4或5所述的基于深度学习的钢材检测方法，其特征在于，对竖直投影图像数据组进行归一化处理，通过合并查找来分离出钢材区域图像，包含：首先，将竖直方向投影数组线性归一化到[0,1]区间，并对归一化后的数据进行一维高斯平滑处理；接着，从左到右遍历高斯平滑处理后的数据，依据图像像素起止位置将起止位置大于投...

【专利技术属性】
技术研发人员：高哲，李丙涛，栗芳，
申请(专利权)人：郑州金惠计算机系统工程有限公司，
类型：发明
国别省市：