【技术实现步骤摘要】
本申请涉及图像处理领域，尤其涉及一种钢板表面缺陷检测方法。
技术介绍
1、钢铁是制造各种机械设备最基本的材料，是发展国民经济与国防建设的物质基础，已经渗透至各行各业。随着全球工业生产水平的不断提高，各大企业对板材的产品质量要求也越来越高。
2、在板材的加工和生产过程中，由于受到原材料的多样性、生产过程中操作不当、外界环境的变化、工艺的不稳定性等诸多因素的影响，板材表面会产生各种类型的缺陷，比如夹杂、裂纹、麻坑、结疤、划伤等缺陷。这些缺陷严重影响了产品的质量，因此，对板材表面缺陷进行检测至关重要。但是钢板表面缺陷检测识别精度不高，存在误检情况。
技术实现思路
1、本申请提供了一种钢板表面缺陷检测方法，以达到提升钢板表面缺陷的检出率，降低误检率的目的。
2、本申请提供的一种钢板表面缺陷检测方法，包括：获取钢板表面原始图像数据；
3、根据所述的原始图像数据，建立钢板表面缺陷标注数据集；所述标注数据集包括训练集和测试集；
4、根据所述训练集训练目标检测模型，以得到训练模型；
5、将测试集导入所述训练模型，得到目标检测推理结果；
6、根据误检的缺陷类型从所述目标检测推理结果中确定误检背景图像；
7、生成二分类数据集，所述二分类数据集包括所述标注数据集中的缺陷图像以及误检背景图像；
8、使用二分类数据集训练多个分类模型，以得到第一候选模型；
9、组合所述第一候选模型以得到最优组合模型，并
10、在一种可能的实施方式中，根据误检的缺陷类型从所述目标检测推理结果中确定误检背景图像包括：
11、根据标注框坐标与缺陷类别标签，从所述钢板表面缺陷标注数据集中获取缺陷区域并保存为缺陷图像；
12、根据误检的缺陷类型，从所述目标检测推理结果中获取缺陷误检的背景区域并保存为误检背景图像；
13、将所述缺陷图像与误检背景图像组合，建立缺陷与误检背景的二分类数据集。
14、在一种可能的实施方式中，使用二分类数据集对多个分类模型进行训练，以得到第一候选模型包括：
15、按照模型的复杂度构建从轻量级到重量级的多个分类模型；
16、结合k折交叉验证分别对所构建的多个分类模型进行k折交叉训练，得到训练好的分类模型；其中，每个分类模型包括k个模型训练权重参数。
17、在一种可能的实施方式中，所述结合k折交叉验证分别对所构建的多个分类模型进行k折交叉训练，得到训练好的分类模型后还包括：
18、使用测试集对分类模型的k个模型训练权重参数进行测试，得到k个测试精度；其中，将k个测试精度的平均值或最大值作为评估每个分类模型性能指标的精度值；
19、根据每个分类模型性能指标的精度值，从多个分类模型中选择精度值大于精度阈值的分类模型，作为初步候选模型；
20、计算所述初步候选模型中每两个模型的差异值；
21、根据差异值从所述的初步候选模型中选择初步候选模型作为第一候选模型。
22、在一种可能的实施方式中，计算所述初步候选模型中每两个模型的差异值包括：
23、将所述初步候选模型两两组合，并根据测试集生成测试结果；所述测试结果用于评估两个初步候选模型推理结果不一致性数据的占比；
24、遍历每一个所述的初步候选模型与其他模型所有的组合方式，计算模型差值；
25、计算所有的组合方式的模型差值的平均值，得到模型的差异值；
26、根据所述模型的差异值，从所述初步候选模型中选择出第一候选模型。
27、在一种可能的实施方式中，组合所述第一候选模型以得到最优组合模型，并将所述目标检测推理结果代入所述最优组合模型以对目标检测推理结果进行优化包括：
28、将所述第一候选模型融合集成学习、随机模型组合、投票、逻辑运算组合的方法，得到多个最优组合；
29、将所述目标检测推理结果按照检测出的缺陷类别，选择对应缺陷的最优组合进行缺陷的二次辅助分类。
30、在一种可能的实施方式中，根据融合集成学习、随机模型组合、投票、逻辑运算组合算法中的一种或多种将所述第一候选模型组合，得到多个最优组合包括：
31、对所述第一候选模型，采用多模型集成与随机组合方法，结合投票一致策略，设置多个置信度阈值选择列表；
32、测试不同组合方式在不同置信度下投票一致的数据占比以及对应的准确率；
33、根据不同的置信度阈值，选择分类准确率高于第一阈值，且，投票一致数据占比高于第二阈值的组合方式作为最优组合。
34、在一种可能的实施方式中，将所述目标检测推理结果按照检测出的缺陷类别，选择对应缺陷的最优组合进行缺陷的二次辅助分类包括：
35、对投票一致的数据采用最优组合方式进行缺陷以及背景的判断；
36、对投票不一致的数据设定投票多数占比阈值；若所述数据小于或等于占比阈值，则标记为缺陷数据；若所述数据大于占比阈值，根据投票多数的结果，进行缺陷以及背景的判断。
37、在一种可能的实施方式中，对投票不一致的数据设定投票多数占比阈值包括：
38、设置置信度阈值列表并在不同阈值下进行测试得到分类准确率；
39、如果不同阈值下分类准确率最高值与所述的最优组合的投票一致分类准确率差距大于预设差值，则对于投票不一致的数据认定为缺陷。
40、在一种可能的实施方式中，所述的最优组合选择方式包括：
41、根据不同的置信度阈值，选择分类准确率高于第一阈值，且，投票一致数据占比高于第二阈值的多个组合方式，得到多组集成学习组合；
42、结合逻辑运算与组合策略从所述多组集成学习组合中选择分类准确率高于第三阈值，且，投票一致数据占比高于第四阈值的逻辑运算组合方式作为最优组合。
43、在一种可能的实施方式中，所述的不同组合方式，具体包括：
44、假设所述的候选模型有n个，模型的随机集成组合方式共计种方式。
45、在一种可能的实施方式中，所述的根据不同的置信度阈值，选择分类准确率较高且投票一致数据占比相对较高的组合方式，作为最优的组合方式，具体包括：
46、所述的选择分类准确率较高且投票一致数据占比相对较高的组合方式，可以采用以下准则：
47、假设某组合方式下的投票一致数据占比为 r，分类准确率为 p，设定分类准确率的阈值为 t，分类准确率的权重系数为 w1，投票一致数据占比的权重系数为 w2，则该组合方式下的得分为：
48、；
49、其中，。
本文档来自技高网...【技术保护点】
1.一种钢板表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的钢板表面缺陷检测方法，其特征在于，根据误检的缺陷类型从所述目标检测推理结果中确定误检背景图像包括：
3.根据权利要求1所述的钢板表面缺陷检测方法，其特征在于，使用二分类数据集训练多个分类模型，以得到第一候选模型包括：
4.根据权利要求3所述的钢板表面缺陷检测方法，其特征在于，所述结合K折交叉验证分别对所构建的多个分类模型进行K折交叉训练，得到训练好的分类模型后还包括：
5.根据权利要求4所述的钢板表面缺陷检测方法，其特征在于，计算所述初步候选模型中每两个模型的差异值包括：
6.根据权利要求1所述的钢板表面缺陷检测方法，其特征在于，组合所述第一候选模型以得到最优组合模型，并将所述目标检测推理结果代入所述最优组合模型以对目标检测推理结果进行优化包括：
7.根据权利要求6所述的钢板表面缺陷检测方法，其特征在于，根据融合集成学习、随机模型组合、投票、逻辑运算组合算法中的一种或多种将所述第一候选模型组合，得到多个最优组合包括：
8.根
9.根据权利要8所述的钢板表面缺陷检测方法，其特征在于，对投票不一致的数据设定投票多数占比阈值包括：
10.根据权利要求1所述的钢板表面缺陷检测方法，其特征在于，所述的最优组合模型选择方式包括：
...【技术特征摘要】
1.一种钢板表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的钢板表面缺陷检测方法，其特征在于，根据误检的缺陷类型从所述目标检测推理结果中确定误检背景图像包括：
3.根据权利要求1所述的钢板表面缺陷检测方法，其特征在于，使用二分类数据集训练多个分类模型，以得到第一候选模型包括：
4.根据权利要求3所述的钢板表面缺陷检测方法，其特征在于，所述结合k折交叉验证分别对所构建的多个分类模型进行k折交叉训练，得到训练好的分类模型后还包括：
5.根据权利要求4所述的钢板表面缺陷检测方法，其特征在于，计算所述初步候选模型中每两个模型的差异值包括：
6.根据权利要求1所述的钢板表面缺陷检测方法，其特征在于，组合所述第...
【专利技术属性】
技术研发人员：李井先，岳晨，李福存，王苏杨，林文辉，杨爱玲，杨波，王雨澄，马超，
申请(专利权)人：江苏金恒信息科技股份有限公司，
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。