一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法技术

本发明专利技术提供一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法，实现热轧端面缺陷的在线自动检测，建立可供推广的热轧钢卷端面缺陷检测系统框架，解决热轧钢卷温度过高导致使用人工目测方法进行钢卷端面缺陷检测时效率较低的问题。包括：(1)获取钢卷端面图像；(2)分类阶段训练得到分类器，将钢卷端面图像的标签分为有缺陷和无缺陷两类，快速筛选缺陷区域；(3)检测阶段训练得到检测器，进行精准识别缺陷；对包含缺陷区域的图像子集细化缺陷类别，重新进行数据标注，并导入检测过程，进行精细缺陷检测，通过训练得到收敛的检测器，识别得到缺陷类别和缺陷位置；(4)将现场钢卷端面图像先后导入分类器和检测器，确定最终结果。确定最终结果。确定最终结果。

【技术实现步骤摘要】
一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法


[0001]本专利技术涉及热轧钢卷端面缺陷检测
，特别涉及一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法。

技术介绍

[0002]热轧钢卷在卷取过程中，存在边裂、边损、毛刺等端面缺陷，严重影响钢卷质量评级。目前对于端面缺陷的检测普遍采用人工目测识别，但是由于现场温度较高，无法近距离观察，使得检测效率较低。
[0003]近年来，随着机器视觉技术的迅猛发展，基于机器视觉的带钢表面缺陷检测系统已经在各大钢厂广泛使用。虽然国内外主流钢厂对带钢表面缺陷检测的研究较为成熟，基本摆脱了人工目测的依赖，但是由于钢卷端面存在螺纹状纹理背景，与带钢表面的图像特征差异较大，且现有的钢卷端面缺陷数据集较少，因此，本专利技术提出一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法。

技术实现思路

[0004]为了解决
技术介绍
提出的技术问题，本专利技术提供一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法，实现热轧端面缺陷的在线自动检测，建立可供推广的热轧钢卷端面缺陷检测系统框架，解决热轧钢卷温度过高导致使用人工目测方法进行钢卷端面缺陷检测时效率较低的问题。
[0005]为了达到上述目的，本专利技术采用以下技术方案实现：
[0006]一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法，所述的检测方法采用两阶段的算法框架，能够首先快速得到初步筛选结果，包括如下步骤：
[0007](1)获取钢卷端面图像；
[0008](2)分类阶段训练得到分类器，将钢卷端面图像的标签分为有缺陷和无缺陷两类，快速筛选缺陷区域；
[0009](3)检测阶段训练得到检测器，进行精准识别缺陷；对包含缺陷区域的图像子集细化缺陷类别，重新进行数据标注，并导入检测过程，进行精细的缺陷检测，通过训练得到收敛的检测器，识别得到缺陷类别和缺陷位置；
[0010](4)将现场钢卷端面图像先后导入分类器和检测器，确定最终结果。
[0011]进一步地，所述的步骤(1)获取钢卷端面图像具体为：根据钢卷的大小及图像分辨率的需求，利用单台相机直接采集的图像；或者多台相机采集的图像经拼接后的图像，或是经过图像预处理后的图像均可；收集得到钢卷端面图像。
[0012]进一步地，所述的步骤(2)具体为：该步骤将钢卷端面图像的标签分为有缺陷和无缺陷两类，构建包含“图像
‑
标签”对的二分类数据集，并导入分类过程，通过训练得到收敛的分类器，快速筛选出包含缺陷区域的图像子集；
[0013][0014]进一步地，步骤(2)的分类过程使用的分类网络采用卷积神经网络或多层感知机。
[0015]进一步地，步骤(2)包含以下子步骤：
[0016](2
‑
1)构建二分类数据集：将步骤(1)获取的热轧钢卷端面图像进行人工标注，将其划分为包含缺陷区域和不包含缺陷区域两大类，构建“图像
‑
标签”对，批量生成二分类训练样本集Set1；
[0017](2
‑
2)定义分类神经网络：采用卷积神经网络CNN或多层感知机MLP，确定网络层数、设置损失函数、优化器；
[0018](2
‑
3)训练得到网络模型：将训练样本集合输入到二分类网络中，通过深度学习训练得到收敛的模型M1。
[0019]进一步地，所述的步骤(3)具体为：该步骤对包含缺陷区域的图像子集，细化缺陷类别，重新进行数据标注，并导入检测过程，进行精细的缺陷检测，通过训练得到收敛的检测器，识别得到缺陷类别和缺陷位置；检测过程能够将该步骤定义为目标检测任务，以缺陷包围盒的类别和坐标为基准，或视为语义分割任务，逐像素地区分类别。
[0020]进一步地，步骤(3)包含以下子步骤：
[0021](3
‑
1)构建检测数据集：将步骤(2)获取的包含缺陷区域的子图像数据集进一步标注，根据现场的缺陷类别数Nclass，构建“图像
‑
(缺陷类别+位置)”对，子图像数据集被进一步标注为含有缺陷类别和缺陷位置的训练样本数据集Set2；
[0022](3
‑
2)定义检测神经网络：该步骤定义为目标检测任务或语义分割任务，确定网络结构；
[0023](3
‑
3)将训练样本输入到检测网络中，通过深度学习训练得到收敛的模型M2。
[0024]进一步地，所述的步骤(4)具体为：将现场实时采集到的钢卷端面图像经过分类器快速筛选出缺陷区域，并利用检测器对缺陷区域进行识别，得到缺陷类别和位置信息，即为最终所需的缺陷识别结果。
[0025]本专利技术还提供一种用于实现所述的一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法的装置，包括处理器以及与其连接的存储器。
[0026]其中，所述处理器配置为执行所述的一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法；所述存储器用于存储所述处理器的可执行指令。
[0027]本专利技术还提供一种用于实现所述的一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法的计算机可存储介质，其上存储有计算机程序，所述计算机程序被处理器执行，实现所述的一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法。
[0028]与现有技术相比，本专利技术的有益效果是：
[0029]1)两阶段的算法框架能够首先快速得到初步筛选结果，简化了后续的进一步处理，因此更加高效；
[0030]2)适用于工业生产运行环境，工作可靠，算法简单，易于实现；
[0031]3)摆脱了对人工目测方法的依赖，具有较高的鲁棒性，自动化程度高。
附图说明
[0032]图1为本专利技术的实施总体流程图；
[0033]图2为本专利技术的步骤(4)具体流程图。
具体实施方式
[0034]以下结合附图对本专利技术提供的具体实施方式进行详细说明。
[0035]如图1所示，一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法，所述的检测方法采用两阶段的算法框架，能够首先快速得到初步筛选结果，包括如下步骤：
[0036](1)获取钢卷端面图像；
[0037](2)分类阶段训练得到分类器，快速筛选缺陷区域；
[0038](3)检测阶段训练得到检测器，进行精准识别缺陷；
[0039](4)将现场钢卷端面图像先后导入分类器和检测器，确定最终结果；
[0040]所述的步骤(1)获取钢卷端面图像：本专利技术实施例采用从网页上获取的钢卷端面图像以及现场实际拍摄的钢卷端面图像的集合。
[0041]所述的步骤(2)分类阶段训练得到分类器，快速筛选缺陷区域。其具体步骤如下：
[0042](2
‑
1)构建二分类数据集：对钢卷端面图像数据集进行分类阶段的人工标注，若该图像包含缺陷区域，则将其标签记为1；否则其标签为0。遍历图像均生成标签后，形成包含路径在内的每行内容为“图像名+标签”的文本文档，作为二分类训练样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法，其特征在于，所述的检测方法采用两阶段的算法框架，能够首先快速得到初步筛选结果，包括如下步骤：(1)获取钢卷端面图像；(2)分类阶段训练得到分类器，将钢卷端面图像的标签分为有缺陷和无缺陷两类，快速筛选缺陷区域；(3)检测阶段训练得到检测器，进行精准识别缺陷；对包含缺陷区域的图像子集细化缺陷类别，重新进行数据标注，并导入检测过程，进行精细的缺陷检测，通过训练得到收敛的检测器，识别得到缺陷类别和缺陷位置；(4)将现场钢卷端面图像先后导入分类器和检测器，确定最终结果。2.根据权利要求1所述的一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法，其特征在于，所述的步骤(1)获取钢卷端面图像具体为：根据钢卷的大小及图像分辨率的需求，利用单台相机直接采集的图像；或者多台相机采集的图像经拼接后的图像，或是经过图像预处理后的图像均可；收集得到钢卷端面图像。3.根据权利要求1所述的一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法，其特征在于，所述的步骤(2)具体为：该步骤将钢卷端面图像的标签分为有缺陷和无缺陷两类，构建包含“图像
‑
标签”对的二分类数据集，并导入分类过程，通过训练得到收敛的分类器，快速筛选出包含缺陷区域的图像子集；4.根据权利要求3所述的一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法，其特征在于，步骤(2)的分类过程使用的分类网络采用卷积神经网络或多层感知机。5.根据权利要求1所述的一种基于深度学习的两阶段热轧钢卷端面缺陷检测方法，其特征在于，步骤(2)包含以下子步骤：(2
‑
1)构建二分类数据集：将步骤(1)获取的热轧钢卷端面图像进行人工标注，将其划分为包含缺陷区域和不包含缺陷区域两大类，构建“图像
‑
标签”对，批量生成二分类训练样本集Set1；(2
‑
2)定义分类神经网络：采用卷积神经网络CNN或多层感知机MLP，确定网络层数、设置损失函数、优化器；(2
‑
3)训练得到网络模型：将训练样本集...

【专利技术属性】
技术研发人员：成霄翔，宋宝宇，王奎越，李芹芹，曹忠华，宋君，任姿颖，
申请(专利权)人：鞍钢集团北京研究院有限公司，
类型：发明
国别省市：