【技术实现步骤摘要】
本专利技术涉及一种表面缺陷视觉检测领域，更具体地说，它涉及一种基于深度学习的带钢缺陷检测方法。
技术介绍
1、钢铁是工业生产中的重要原材料，广泛应用于航天航空、公路桥梁、国防军工、家用电器等领域，钢铁的生产质量是保证产品是否安全可靠的重要因素。然而，在实际的生产过程中会出现各种表面缺陷，它们不仅直接影响产品外观，而且会对钢材的耐腐蚀性、耐磨性造成负面影响，进而导致产品性能的下降。因此能几及时、准确地检测出钢铁表面缺陷具有十分重要的意义，而带钢表面缺陷类型多样、缺陷大小变化范围大且缺陷图像背景信息复杂，因此，想要实现高速高精度的钢铁表面缺陷自动化检测存在一定的困难和挑战。
2、人工检测是最原始的检测方法，但由于其检测效率低且检测结果容易受主观因素干扰，这种检测方法已经难以满足工业需求并被逐步淘汰。基于传统机器视觉的检测方法过于依赖人工设计的算法，导致缺陷检测的鲁棒性和泛化能力较差，因此也难以满足钢铁行业的实际生产需求。随着卷积神经网络的出现，基于深度学习的缺陷检测方法解决了人工特征提取存在局限性的问题，具有更好的泛化能力和全局...
【技术保护点】
1.一种基于深度学习的带钢缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的带钢缺陷检测方法，其特征在于，所述步骤S2中使用的三种尺度特征融合公式表示如下：
3.根据权利要求1所述的一种基于深度学习的带钢缺陷检测方法，其特征在于，步骤S2中所述使用的全局平均池化公式表示如下：
4.根据权利要求1所述的一种基于深度学习的带钢缺陷检测方法，其特征在于，步骤S2的所述中间特征向量z可表示为：
5.根据权利要求1所述的一种基于深度学习的带钢缺陷检测方法，其特征在于，步骤S2的中的所述三个尺度的特...
【技术特征摘要】
1.一种基于深度学习的带钢缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的带钢缺陷检测方法，其特征在于，所述步骤s2中使用的三种尺度特征融合公式表示如下：
3.根据权利要求1所述的一种基于深度学习的带钢缺陷检测方法，其特征在于，步骤s2中所述使用的全局平均池化公式表示如下：
4.根据权利要求1所述的一种基于深度学习的带钢缺陷检测方法，其特征在于，步骤s2的所述中间特征向量z可表示为：
5.根据权利要求1所述的一种基于深度学习的带钢缺陷检测方法，其特征在于，步骤s2的中的所述三个尺度的特征向量a、b、c可表示为：
6.根据权利要求1所述的一种基于深度学习的带钢缺...
【专利技术属性】
技术研发人员：史卓豪，王晗，詹道桦，易焜然，杨修定，黄仁彬，刘茂林，林怡欣，林健，温俊鹏，曾浩斌，
申请(专利权)人：广东工业大学，
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。