【技术实现步骤摘要】
本专利技术应用于工业图像缺陷检测领域，具体涉及钢材表面缺陷检测方法。
技术介绍
1、钢铁工业为我国国民经济的快速增长做出了巨大贡献。钢材因其尺寸精度高、便于加工等优点，成为了工业制造中不可或缺的材料，被大量应用在建筑、轻工、机械及汽车等行业中。在钢材生产过程中，受生产环境、机械缺陷、原材料质量问题等影响，钢材表面难免会形成诸如内含物、开裂、斑块、轧制氧化皮、表面有划痕等缺陷。这些缺陷不仅会影响钢材外观，还会损害钢材的疲劳强度、抗磨性、耐腐蚀性等性能。早期钢材表面检测以人工检测为主，该方法工作量大、生产周期长，且缺陷检测的准确度和精度难以把控。随着人工智能领域的发展，基于深度学习的目标检测方法在该领域得到了广泛的应用。
2、深度学习方法具有强大的特征提取能力，能使缺陷检测精度更高、识别速度更快，因此成为近些年钢材缺陷检测研究的热点。li等人提出一种带钢表面缺陷分类系统。该系统基于对称环绕显著图进行表面缺陷检测，直接以缺陷图像作为cnn的输入，对带钢的7类缺陷进行分类。江培营等人将cbam注意力机制模块整合到inception-resnetv2模型中，改进的模型收敛速度更快，对于热轧钢板表面六种缺陷的分类准确率提升了2.17％。陆雅诺等人对传统的resnet模型进行改进，使用伪彩色技术增强带钢表面缺陷图像，实验结果表明，改进的resnet模型对带钢表面缺陷的分类精度更高。吴越等人选用faster r-cnn模型对钢板表面缺陷进行检测，采用了roialign替换roipooling进行池化，显著提升了小缺陷的检测精度。李庆
3、尽管深度学习方法在钢材表面缺陷检测方面取得了显著进展，但仍然面临着一些挑战。随着神经网络深度的增加和图像分辨率的下降，网络检测的精度降低，同时计算复杂度大幅增加。传统目标检测方法使用两个平行分支头部，会导致目标分类和定位两个子任务之间出现一定程度的空间错位。本专利技术公开了一种基于深度学习的一阶段检测方法，通过融合全局上下文信息、使用滑动窗口自注意力机制、任务对齐预测头等创新策略，有效地应对了钢材表面缺陷检测中的全局信息缺失、检测精度低、计算复杂度高等问题。实验证明，本专利技术公开的方法在钢材表面缺陷检测精度上有一定提升。
技术实现思路
1、本专利技术实施例旨在解决以上问题，提供了一种基于深度学习的钢材表面缺陷检测方法。本专利技术可以充分利用局部和全局的特征信息以及分类和回归任务之间的交互信息，在检测效果上提升性能。
2、为了达到上述目的，本专利技术实施例提供了如下方案：
3、步骤一、数据预处理。将所有可用的带标签数据分成两个部分，取其中的70％图像作为训练集，30％作为测试集。将输入图像通过随机裁剪、随机翻转的方式进行数据增强，以扩充数据集。
4、步骤二、模型构建。该模型主要分为三个部分：swin transformer用作主干部分，fpn用作颈部，以及面向任务对齐学习的网络结构用作头部。其中，通过主干部分来提取局部和全局的特征信息。通过颈部进一步获得丰富的多尺度特征信息。最后通过头部计算，充分利用分类任务和回归任务之间的交互信息，以获得更为准确的预测结果。
5、步骤三、模型训练。在训练过程中，使用adamw算法来最小化损失函数，从而不断优化模型的参数，提升模型的检测性能。
6、步骤四、钢材表面图像缺陷检测。将测试集图像输入网络，进行缺陷部分的分类与定位，得到预测的标签和位置信息。将预测值与真实值进行比对，从而得到检测结果，计算出准确率。
7、步骤五、输出检测图像。钢材表面图像缺陷检测完成后，系统将输出用不同颜色和标签标注出的不同类型的缺陷图像。
8、本专利技术与现有的技术相比具有以下优点：
9、本专利技术公开了一种基于深度学习的钢材表面缺陷检测方法，实现对钢材表面缺陷的有效监测。本专利技术建立了以swin transformer为主干，以fpn为颈部，以面向任务对齐学习的网络结构为头部的网络结构，充分利用了钢材表面图像中的局部和全局特征信息，捕捉到了输入数据的局部特征和全局关联，提高了模型对输入数据的理解和建模能力。通过任务交互特征计算，充分利用了分类任务和回归任务之间的交互信息，进一步提高了预测结果的精度。实现了对钢材表面缺陷的有效、实时检测。
本文档来自技高网...【技术保护点】
1.基于深度学习的钢材表面缺陷检测方法，其特征在于，该方法包括如下步骤，
2.根据权利要求1所述的基于深度学习的钢材表面缺陷检测方法，其特征在于，步骤二中，
3.根据权利要求1所述的基于深度学习的钢材表面缺陷检测方法，其特征在于，步骤二中，模型模型分为三个部分：Swin Transformer用作主干部分，FPN用作颈部，以及面向任务对齐学习的网络结构用作头部；
4.根据权利要求3所述的基于深度学习的钢材表面缺陷检测方法，其特征在于，STB模块由层归一化模块LN、窗口多头自注意层W-MSA、移位窗口多头自注意层SW-MSA和全连接头MLP组成；W-MSA层将输入特征划分成不重合的窗口，每个窗口内的特征通过自注意力机制进行加权，使得每个窗口依据窗口内部特征之间的关系进行建模；SW-MSA层完成不同窗口之间的信息交流；在STB模块中，通过交替使用W-MSA层和SW-MSA层捕捉输入数据的局部特征和全局关联，提高模型对输入数据的理解和建模能力；自注意力的计算公式如下：
5.根据权利要求3所述的基于深度学习的钢材表面缺陷检测方法，其特征在于
6.根据权利要求3所述的基于深度学习的钢材表面缺陷检测方法，其特征在于，在头部结构中，Head部分包括多个卷积层和两个TAP模块；将FPN得到的特征通过N个连续的卷积层和激活函数来计算任务交互特征；计算方式如下：
7.根据权利要求1所述的基于深度学习的钢材表面缺陷检测方法，其特征在于，步骤3的模型训练采用AdamW优化算法。
...【技术特征摘要】
1.基于深度学习的钢材表面缺陷检测方法，其特征在于，该方法包括如下步骤，
2.根据权利要求1所述的基于深度学习的钢材表面缺陷检测方法，其特征在于，步骤二中，
3.根据权利要求1所述的基于深度学习的钢材表面缺陷检测方法，其特征在于，步骤二中，模型模型分为三个部分：swin transformer用作主干部分，fpn用作颈部，以及面向任务对齐学习的网络结构用作头部；
4.根据权利要求3所述的基于深度学习的钢材表面缺陷检测方法，其特征在于，stb模块由层归一化模块ln、窗口多头自注意层w-msa、移位窗口多头自注意层sw-msa和全连接头mlp组成；w-msa层将输入特征划分成不重合的窗口，每个窗口内的特征通过自注意力机制进行加权，使得每个窗口依据窗口内部特征之间的关系进行建模；sw-msa层完成不同窗口之间的...
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。