一种高速线材图像横向抖动矫正方法及装置制造方法及图纸

本发明专利技术涉及智能制造技术领域，特别是指一种高速线材图像横向抖动矫正方法及装置，方法包括：获取高速线材训练样本，高速线材训练样本包括高速线材样本图像以及对应的真值边界点位置；根据高速线材样本图像以及对应的真值边界点位置，对待训练的边界识别模型进行训练，得到训练完毕的边界识别模型；获取高速线材原始图像，将高速线材原始图像输入到训练完毕的边界识别模型，得到高速线材原始图像左右两侧的边界线位置信息；根据高速线材原始图像左右两侧的边界线位置信息，对高速线材原始图像进行抖动矫正

【技术实现步骤摘要】
一种高速线材图像横向抖动矫正方法及装置


[0001]本专利技术涉及智能制造
，特别是指一种高速线材图像横向抖动矫正方法及装置
。

技术介绍

[0002]在钢材生产领域中，线材是热轧型钢中断面尺寸最小的一种产品
。
根据轧机的不同，线材可分为高速线材
(
高线
)
和普通线材
(
普线
)
两种类型
。
高速线材具有生产速度快
、
出炉温度高的特点，然而传统的人工质量监督方法往往难以精确地检测出其中的缺陷
。
近年来，深度学习技术凭借其强大的特征提取能力，在计算机视觉领域成为主流方法
。
利用深度学习方法进行钢材缺陷在线检测具有监测实施
、
稳定性好
、
速度快
、
高精确度等优点
。
然而，基于深度学习的缺陷检测方法的准确度和数据的可靠性密切相关，因此清晰可靠的数据能够极大地提高检测的准确率
。
[0003]高速线材的生产车间通常具有高温和强烈振动的环境，这导致使用高速相机拍摄的图像存在图像信息冗余和噪声干扰，其中图像中的横向抖动造成缺陷扭曲尤为严重，严重影响了缺陷检测准确率和成像效果
。

技术实现思路

[0004]本专利技术实施例为了解决高速线材采集图像横向抖动严重，背景噪声嘈杂，无法满足后续缺陷检出要求的问题，提供了一种高速线材图像横向抖动矫正方法及装置<br/>。
所述技术方案如下：
[0005]一方面，提供了一种高速线材图像横向抖动矫正方法，该方法由电子设备实现，该方法包括：
[0006]S1、
获取高速线材训练样本，所述高速线材训练样本包括高速线材样本图像以及对应的真值边界点位置；
[0007]S2、
根据所述高速线材样本图像以及对应的真值边界点位置，对待训练的边界识别模型进行训练，得到训练完毕的边界识别模型；
[0008]S3、
获取高速线材原始图像，将所述高速线材原始图像输入到训练完毕的边界识别模型，得到所述高速线材原始图像左右两侧的边界线位置信息；
[0009]S4、
根据所述高速线材原始图像左右两侧的边界线位置信息，对所述高速线材原始图像进行抖动矫正
。
[0010]可选地，所述边界识别模型包括特征提取模块
、
分类识别分支模块以及回归识别分支模块；
[0011]所述分类识别分支模块包括三层全连接层；
[0012]所述回归识别分支模块包括多层卷积层和池化层处理
。
[0013]可选地，所述
S2
的根据所述高速线材样本图像以及对应的真值边界点位置，对待训练的边界识别模型进行训练，得到训练完毕的边界识别模型，包括：
[0014]S21、
将所述高速线材样本图像输入到待训练的边界识别模型的特征提取模块，得到所述高速线材样本图像的特征信息；
[0015]S22、
将所述高速线材样本图像的特征信息输入到待训练的分类识别分支模块中，经过三层全连接层进行计算，最后一层全连接层输出一个判别结果，通过应用均方误差
MSE
损失函数的下式
(1)
对分类结果进行损失计算：
[0016][0017]其中，
k
表示每行的像素个数，
y
′
i
表示第
i
个像素的预测标签，
y
i
表示第
i
个像素的真实标签；
[0018]S23、
将所述高速线材样本图像的特征信息输入到待训练的回归识别分支模块中，输出所述高速线材样本图像的预测边界点位置，根据预测边界点坐标
、
所述高速线材样本图像对应的真值边界点位置
、
通过
OKS
损失函数的下述公式
(2)
对回归识别结果进行损失计算；
[0019][0020]其中，
x
left
代表预测边界点位置的左边界横坐标，
x
right
代表预测边界点位置的右边界横坐标，
x
gt_left
代表真值边界点位置的左边界横坐标，
x
gt_right
代表真值边界点位置的右边界横坐标，
L
foreground
代表高速线材前景的长度
。
[0021]可选地，所述
S3
的将所述高速线材原始图像输入到训练完毕的边界识别模型，得到所述高速线材原始图像左右两侧的边界线位置信息，包括：
[0022]S31、
设定
i
＝1，
N
为所述高速线材原始图像的像素总行数；
[0023]S32、
读取所述高速线材原始图像的第
i
行像素，获取第
i
‑1行的边界点位置结果，将所述第
i
行像素和所述第
i
‑1行的边界点位置结果进行连接，将连接结果输入到所述特征提取模块，得到第
i
行像素的特征信息；
[0024]S33、
将所述第
i
行像素的特征信息输入到所述分类识别分支模块，得到第
i
行像素是否含有钢材的判别结果；
[0025]S34、
将所述第
i
行像素的特征信息输入到所述回归识别分支模块，得到第
i
行的待确定边界点位置；
[0026]S35、
根据第
i
行像素是否含有钢材的判别结果和第
i
行的待确定边界点位置，确定第
i
行的边界点位置结果；
[0027]S36、
比较
i
与
N
，如果
i
大于或等于
N
，则转去执行
S37
，如果
i
小于
N
，则
i
＝
i+1
，转去执行
S32
；
[0028]S37、
根据每行的边界点位置信息，确定所述高速线材原始图像左右两侧的边界线位置信息
。
[0029]可选地，所述当
i
＝1时，所述第
i
‑1行的边界点位置结果设定为
0。
[0030]可选地，所述
S35
的根据第
i
行像素是否含有钢材的判别结果和第
i
行的待确定边界点位置，确定第
i
行的边界点位置结果，包括：
[0031]如果第
i
行像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种高速线材图像横向抖动矫正方法，其特征在于，所述方法包括：
S1、
获取高速线材训练样本，所述高速线材训练样本包括高速线材样本图像以及对应的真值边界点位置；
S2、
根据所述高速线材样本图像以及对应的真值边界点位置，对待训练的边界识别模型进行训练，得到训练完毕的边界识别模型；
S3、
获取高速线材原始图像，将所述高速线材原始图像输入到训练完毕的边界识别模型，得到所述高速线材原始图像左右两侧的边界线位置信息；
S4、
根据所述高速线材原始图像左右两侧的边界线位置信息，对所述高速线材原始图像进行抖动矫正
。2.
根据权利要求1所述的方法，其特征在于，所述边界识别模型包括特征提取模块
、
分类识别分支模块以及回归识别分支模块；所述分类识别分支模块包括三层全连接层；所述回归识别分支模块包括多层卷积层和池化层处理
。3.
根据权利要求2所述的方法，其特征在于，所述
S2
的根据所述高速线材样本图像以及对应的真值边界点位置，对待训练的边界识别模型进行训练，得到训练完毕的边界识别模型，包括：
S21、
将所述高速线材样本图像输入到待训练的边界识别模型的特征提取模块，得到所述高速线材样本图像的特征信息；
S22、
将所述高速线材样本图像的特征信息输入到待训练的分类识别分支模块中，经过三层全连接层进行计算，最后一层全连接层输出一个判别结果，通过应用均方误差
MSE
损失函数的下式
(1)
对分类结果进行损失计算：其中，
k
表示每行的像素个数，
y
i
′
表示第
i
个像素的预测标签，
y
i
表示第
i
个像素的真实标签；
S23、
将所述高速线材样本图像的特征信息输入到待训练的回归识别分支模块中，输出所述高速线材样本图像的预测边界点位置，根据预测边界点坐标
、
所述高速线材样本图像对应的真值边界点位置
、
通过
OKS
损失函数的下述公式
(2)
对回归识别结果进行损失计算；其中，
x
left
代表预测边界点位置的左边界横坐标，
x
right
代表预测边界点位置的右边界横坐标，
x
gt_left
代表真值边界点位置的左边界横坐标，
x
gt_right
代表真值边界点位置的右边界横坐标，
L
foreground
代表高速线材前景的长度
。4.
根据权利要求2所述的方法，其特征在于，所述
S3
的将所述高速线材原始图像输入到训练完毕的边界识别模型，得到所述高速线材原始图像左右两侧的边界线位置信息，包括：
S31、
设定
i
＝1，
N
为所述高速线材原始图像的像素总行数；
S32、
读取所述高速线材原始图像的第
i
行像素，获取第
i
‑1行的边界点位置结果，将所述第
i
行像素和所述第
i
‑1行的边界点位置结果进行连接，将连接结果输入到所述特征提取模块，得到第
i
行像素的特征信息；
S33、
将所述第
i
行像素的特征信息输入到所述分类识别分支模块，得到第
i
行像素是否含有钢材的判别结果；
S34、
将所述第
i
行像素的特征信息输入到所述回归识别分支模块，得到第
i
行的待确定边界点位置；
S35、
根据第
i
行像素是否含有钢材的判别结果和第
i
行的待确定边界点位置，确定第
i
行的边界点位置结果；
S36、
比较
i
与
N
，如果
i
大于或等...

【专利技术属性】
技术研发人员：周鹏，王海晟，马博渊，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：