【技术实现步骤摘要】
本专利技术属于图像工业质检领域，具体涉及一种钢材缺陷周期性判定方法、装置、电子设备及存储介质。
技术介绍
1、钢材表面缺陷来源较广，与原料、设备、工艺参数等均有直接或间接的关系，排查过程中涉及方面较广，因此需要从全流程进行分析，而流程影响参数较多，故需要进行大数据统计分析并获得最终的处理方案。周期性缺陷是工业质检中常见的缺陷，即经过一段生产流程，间隔而规律产生的钢材表面缺陷，该缺陷通常由于设备老化和破损等原因引发，若判定出现周期性缺陷，需要进行生产设备的整体检修，因此周期性缺陷准确检测非常重要。
2、当前，基于视觉检测的人工智能技术已在工业现场广泛应用，视觉检测结果为周期性缺陷检测提供了数据和技术支撑。聚类是一种将具有相似特征或属性的数据点分组的统计分析方法，基于聚类的周期性缺陷检测方法，有望从视觉检测结果中有效区分周期性缺陷，但目前的钢材表面缺陷周期性判定方法主要采用单一性特征的周期性计算，例如通过横向位置或像素聚类方式判断是否出现周期，若缺陷a每隔10cm出现一次，缺陷b每隔5cm出现一次，两者横向像素位置相同，但纵向位置不同，则可能将上述缺陷a与缺陷b统一认为一种缺陷，导致周期性缺陷判定误差，无法为故障检测提供精准参考。
技术实现思路
1、本专利技术旨在至少在一定程度上解决上述技术问题之一，本专利技术提供一种钢材缺陷周期性判定方法、装置、电子设备及存储介质，能够有效发现钢材表面的周期性缺陷，提高识别精度，为故障检测提供参考。
2、本专利技术解决其技术问
3、一种钢材缺陷周期性判定方法，其方法包括：
4、检测出钢材图像中的所有待分析缺陷；
5、提取每个所述待分析缺陷的多个特征形成特征向量；
6、根据周期性判定需求设定距离计算函数和聚类停止条件；
7、根据所述特征向量，利用聚类方法和所述距离计算函数计算距离，由聚类停止条件据此判断是否聚类形成簇，将每个簇设定为一个周期性缺陷。
8、进一步的，利用缺陷检测方法在钢材图像中检测出所有待分析缺陷，所述缺陷检测方法包括模板匹配、深度学习方法中的一种或多种。
9、进一步的，所述缺陷检测方法包括yolov算法。
10、进一步的，提取所述待分析缺陷的特征形成特征向量的方法包括：
11、根据所述待分析缺陷的形状提取包括缺陷长度、宽度的特征；
12、根据所述待分析缺陷的位置提取包括该缺陷与其他所有缺陷中最近邻缺陷距离、每个缺陷到左侧距离的特征；
13、将所述待分析缺陷输入特征提取网络获得固定长度的深度特征；
14、在维度上拼接所有特征获得所述待分析缺陷的特征向量。
15、进一步的，所述特征提取网络包括vgg、resnet的一种或多种。
16、进一步的，设定距离计算函数的方法包括：
17、根据周期性判定需求设定所述特征向量中各特征的权值；
18、根据欧式距离、曼哈顿距离或余弦距离的一种或多种设定带权值的距离计算函数。
19、进一步的，设定聚类停止条件的方法包括：根据实测周期性缺陷的最长周期或最短周期设定停止准测，若两个待分析缺陷的距离符合停止准测则进行聚类，反之则不进行聚类。
20、进一步的，所述聚类方法包括层次聚类方法、密度聚类方法的一种或多种。
21、进一步的，利用所述聚类方法判定周期性缺陷的方法包括：
22、根据所述特征向量，利用所述距离计算函数对所有所述待分析缺陷进行两两配对计算距离，并形成子簇；
23、利用所述距离计算函数对所有所述子簇两两配对计算距离，由聚类停止条件据此判断是否聚类形成簇，直到所有子簇无法聚类截止，得到包括所有簇的聚类结果；
24、设定周期性缺陷中所述待分析缺陷的最小数目；
25、当且仅当簇中所述待分析缺陷的数目大于所述最小数目，则判定所述簇为一个周期性缺陷。
26、一种钢材缺陷周期性判定装置，包括：
27、缺陷提取单元，用于检测出钢材图像中的所有待分析缺陷；
28、特征计算单元，用于提取所述缺陷提取单元中每个待分析缺陷的特征形成特征向量；
29、缺陷聚类单元，用于根据周期性判定需求设定距离计算函数和聚类停止条件，根据所述特征计算单元的特征向量，利用聚类方法和所述距离计算函数计算距离，由聚类停止条件据此判断是否聚类形成簇，将每个簇设定为一个周期性缺陷。
30、一种电子设备，包括至少一个处理器和存储器；
31、所述存储器中存储有至少一条指令，当至少一条指令被至少一个处理器加载并执行时，所述电子设备实现如上任意一项所述的钢材缺陷周期性判定方法。
32、一种计算机可读存储介质，所述存储介质中存储有至少一条指令，当至少一条指令被计算机的处理器加载并执行时，使计算机实现如上任意一项所述的钢材缺陷周期性判定方法。
33、与现有技术相比，本专利技术的有益效果是：
34、本专利技术的方法区别于单一性特征的周期性计算，通过提取钢材图像中每个所述待分析缺陷的多个特征形成特征向量，来增加判断周期性条件输入参量的丰度，解决单一性特征带来的识别误差问题，进而以此利用聚类方法和根据周期性判定需求设定的距离计算函数计算距离，来降低特征变化对周期性判定聚类误差影响，进一步优化输入参量的可信度，使以此能够通过聚类停止条件获得更为精准的周期性判定结果，经过实验证明，与采用单一性特征的周期性计算相比，本专利技术的识别精度提高30％，速度降低了5％，可以应用于电子设备和计算机可读存储介质，能够有效发现钢材表面的周期性缺陷，为故障检测提供可靠参考。
本文档来自技高网...【技术保护点】
1.一种钢材缺陷周期性判定方法，其特征在于，其方法包括：
2.根据权利要求1所述的钢材缺陷周期性判定方法，其特征在于，利用缺陷检测方法在钢材图像中检测出所有待分析缺陷，所述缺陷检测方法包括模板匹配、深度学习方法中的一种或多种。
3.根据权利要求1所述的钢材缺陷周期性判定方法，其特征在于，提取所述待分析缺陷的特征形成特征向量的方法包括：
4.根据权利要求3所述的钢材缺陷周期性判定方法，其特征在于，所述特征提取网络包括VGG、Resnet的一种或多种。
5.根据权利要求1所述的钢材缺陷周期性判定方法，其特征在于，设定距离计算函数的方法包括：
6.根据权利要求1所述的钢材缺陷周期性判定方法，其特征在于，设定聚类停止条件的方法包括：根据实测周期性缺陷的最长周期或最短周期设定停止准测，若两个待分析缺陷的距离符合停止准测则进行聚类，反之则不进行聚类。
7.根据权利要求1所述的钢材缺陷周期性判定方法，其特征在于，所述聚类方法包括层次聚类方法、密度聚类方法的一种或多种。
8.一种钢材缺陷周期性判定装置，其特征在于
9.一种电子设备，其特征在于，包括至少一个处理器(601)和存储器(602)；
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，当至少一条指令被计算机的处理器加载并执行时，使计算机实现如权利要求1～7任意一项所述的钢材缺陷周期性判定方法。
...【技术特征摘要】
1.一种钢材缺陷周期性判定方法，其特征在于，其方法包括：
2.根据权利要求1所述的钢材缺陷周期性判定方法，其特征在于，利用缺陷检测方法在钢材图像中检测出所有待分析缺陷，所述缺陷检测方法包括模板匹配、深度学习方法中的一种或多种。
3.根据权利要求1所述的钢材缺陷周期性判定方法，其特征在于，提取所述待分析缺陷的特征形成特征向量的方法包括：
4.根据权利要求3所述的钢材缺陷周期性判定方法，其特征在于，所述特征提取网络包括vgg、resnet的一种或多种。
5.根据权利要求1所述的钢材缺陷周期性判定方法，其特征在于，设定距离计算函数的方法包括：
6.根据权利要求1所述的钢材缺陷周期性判定方...
【专利技术属性】
技术研发人员：曹磊，纪文杰，季栋超，陈宇，柯发元，张纪平，杨帆，石晨敏，
申请(专利权)人：联峰钢铁张家港有限公司，
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。