基于深度学习的带钢表面热轧滑移缺陷检测方法技术

本发明专利技术涉及人工智能技术领域，具体涉及一种基于深度学习的带钢表面热轧滑移缺陷检测方法。该方法通过池化模板获取带钢表面的RGB图像中每个像素点的感受野以得到对应的特征图，由不同尺寸感受野对应的特征图堆叠成特征图层结构，获取特征图层结构中每张特征图中像素点的分类结果，由分类结果获取RGB图像中每个像素点的概率波动曲线以确认缺陷像素点得到最终缺陷区域。根据特征图中每个像素点的分割结果变化和对应不同尺寸感受野的局部特征检测缺陷像素点，以得到准确的缺陷检测结果，避免了漏检和误检，降低了热轧滑移缺陷检测的误差，提高了带钢的表面质量。提高了带钢的表面质量。提高了带钢的表面质量。

【技术实现步骤摘要】
基于深度学习的带钢表面热轧滑移缺陷检测方法


[0001]本专利技术涉及人工智能
，具体涉及一种基于深度学习的带钢表面热轧滑移缺陷检测方法。

技术介绍

[0002]在带钢、不锈钢生产的过程中，每一道工序的操作不当都会在带钢表面产生缺陷。在带钢、不锈钢生产加工过程中，卷扬机卷取的带钢和卷筒强烈接触并在开始卷取时卷紧，会使得带钢表面产生热轧滑移的表面缺陷，该缺陷为短线状的特征不明显的伤痕，为了保障带钢表面质量，需要一种热轧滑移表面缺陷的检测方法。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的在于提供一种基于深度学习的带钢表面热轧滑移缺陷检测方法，所采用的技术方案具体如下：本专利技术实施例提供了一种基于深度学习的带钢表面热轧滑移缺陷检测方法，该方法包括以下具体步骤：对带钢表面的RGB图像进行语义分割得到语义分割图像，获取所述语义分割图像中每个缺陷区域的外接矩形，由所述外接矩形得到最大宽度和最大高度；由设定尺寸的两个池化模板以设定步长分别获取所述RGB图像中每个像素点在横轴方向和纵轴方向的感受野，以得到所述感受野对应的特征图，所述特征图包括横轴特征图和纵轴特征图；由不同尺寸感受野所对应的所述特征图堆叠成特征图层结构，所述特征图层结构的高度由所述最大宽度和所述最大高度得到；将所述特征图层结构中的每张所述特征图进行语义分割得到每个像素点的分类结果，所述分类结果为缺陷像素点的概率值；基于每张所述特征图中像素点的所述分类结果得到所述RGB图像中每个像素点的概率波动曲线，由所述概率波动曲线确认所述RGB图像中的所述缺陷像素点以获取最终缺陷区域。
[0004]优选的，所述特征图层结构的高度是所述最大宽度和所述最大高度中的最大值。
[0005]优选的，所述特征图层结构包括两个分支，一个分支是由所述横轴特征图堆叠而成的，另一分支是由所述纵轴特征图堆叠而成的。
[0006]优选的，所述基于每张所述特征图中像素点的所述分类结果得到所述RGB图像中每个像素点的概率波动曲线的方法，包括：基于所述RGB图像中像素点的感受野尺寸获取对应所述特征图层结构的第一高度；以所述RGB图像中的像素点为原点建立二维平面坐标系，所述二维平面坐标系的横坐标表示不同的所述感受野尺寸、纵坐标表示所述第一高度下对应所述特征图中像素点的所述分类结果；基于所述二维平面坐标系，由所述不同尺寸感受野下对应所述横轴特征图和所述纵轴特征图中像素点的所述分类结果分别对应得到所述RGB图像中每个像素点的
所述概率波动曲线。
[0007]优选的，所述由所述概率波动曲线确认所述RGB图像中的所述缺陷像素点以获取最终缺陷区域的方法，包括：根据所述概率波动曲线上每个点的所述分类结果计算每个点的概率波动指标；由所述概率波动指标获取所述RGB图像中的每个像素点位置的标记值；基于所述标记值确认所述RGB图像中的所述缺陷像素点，由确认的所述缺陷像素点得到所述最终缺陷区域。
[0008]优选的，所述概率波动性指标是由所述概率波动曲线上相邻点之间的所述分类结果的差异得到的。
[0009]优选的，所述由所述概率波动指标获取所述RGB图像中的每个像素点位置的标记值的方法，包括：当所述概率波动指标大于零时，获取该点在所述RGB图像中的像素点位置，且将该位置的所述标记值加一。
[0010]优选的，所述基于所述标记值确认所述RGB图像中的所述缺陷像素点的方法，包括：设定标记值阈值，当像素点位置的所述标记值大于所述标记值阈值时，确认该像素点为所述缺陷像素点。
[0011]优选的，所述RGB图像中每个像素点位置的所述标记值的初始值为零。
[0012]本专利技术实施例至少具有如下有益效果：利用设定尺寸的池化模板获取图像中每个像素点的不同尺寸感受野以得到对应的特征图，通过对不同尺寸感受野所对应的特征图进行语义分割，根据每个像素点的分割结果变化和对应不同尺寸感受野的局部特征检测缺陷像素点，以得到准确的缺陷检测结果，避免了漏检和误检，降低了热轧滑移缺陷检测的误差，提高了带钢的表面质量。
附图说明
[0013]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0014]图1为本专利技术实施例中所提供的一种热轧滑移缺陷的示意图；图2为本专利技术实施例中所提供的一种基于深度学习的带钢表面热轧滑移缺陷检测方法的步骤流程图；图3为本专利技术实施例中所提供的关于特征图层结构中横轴特征图和纵轴特征图获取过程的示意图。
[0015]图4为本专利技术实施例中做提供的关于RGB图像中像素点所对应的不同尺寸感受野的示意图。
具体实施方式
[0016]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结
合附图及较佳实施例，对依据本专利技术提出的一种基于深度学习的带钢表面热轧滑移缺陷检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0017]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0018]下面结合附图具体的说明本专利技术所提供的一种基于深度学习的带钢表面热轧滑移缺陷检测方法的具体方案。
[0019]本专利技术实施例所针对的具体场景为：带钢生产过程的热轧工序中出现的短线状且特征不明显的伤痕，该伤痕如附图1所示。
[0020]请参阅图2，其示出了本专利技术一个实施例提供的一种基于深度学习的带钢表面热轧滑移缺陷检测方法的步骤流程图，该方法包括以下步骤：步骤S001，对带钢表面的RGB图像进行语义分割得到语义分割图像，获取语义分割图像中每个缺陷区域的外接矩形，由外接矩形得到最大宽度和最大高度。
[0021]具体的，采集热轧工序中带钢表面的RGB图像，将RGB图像送入语义分割网络中得到语义分割图像，该语义分割图像为二值图像，前景区域表示缺陷区域，其他区域为背景区域。其中，语义分割网络的训练数据为采集的RGB图像；标签数据为人为标注获得：将缺陷区域的像素点的像素值标注为1，其他区域的像素点的像素值标注为0；损失函数采用交叉熵损失函数。
[0022]优选的，本专利技术实施例采集编码器
‑
解码器结构的语义分割网络，且实施者可以采用现有的Unet、DeeplabV3等网络。
[0023]进一步地，对语义分割图像进行连通域分析，获得前景区域中每一个连通域的外接矩形，也即是缺陷区域的外接矩形，进而得到每一个外接矩形的宽高尺寸，由每一个外接矩形的宽高尺寸得到最大宽度和最大高度。
[0024]步骤S002，由设定尺寸的两个池化模板以设定步长分别获取RGB图像中每个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的带钢表面热轧滑移缺陷检测方法，其特征在于，该方法包括：对带钢表面的RGB图像进行语义分割得到语义分割图像，获取所述语义分割图像中每个缺陷区域的外接矩形，由所述外接矩形得到最大宽度和最大高度；由设定尺寸的两个池化模板以设定步长分别获取所述RGB图像中每个像素点在横轴方向和纵轴方向的感受野，以得到所述感受野对应的特征图，所述特征图包括横轴特征图和纵轴特征图；由不同尺寸感受野所对应的所述特征图堆叠成特征图层结构，所述特征图层结构的高度由所述最大宽度和所述最大高度得到；将所述特征图层结构中的每张所述特征图进行语义分割得到每个像素点的分类结果，所述分类结果为缺陷像素点的概率值；基于每张所述特征图中像素点的所述分类结果得到所述RGB图像中每个像素点的概率波动曲线，由所述概率波动曲线确认所述RGB图像中的所述缺陷像素点以获取最终缺陷区域。2.如权利要求1所述的方法，其特征在于，所述特征图层结构的高度是所述最大宽度和所述最大高度中的最大值。3.如权利要求1所述的方法，其特征在于，所述特征图层结构包括两个分支，一个分支是由所述横轴特征图堆叠而成的，另一分支是由所述纵轴特征图堆叠而成的。4.如权利要求1所述方法，其特征在于，所述基于每张所述特征图中像素点的所述分类结果得到所述RGB图像中每个像素点的概率波动曲线的方法，包括：基于所述RGB图像中像素点的感受野尺寸获取对应所述特征图层结构的第一高度；以所述RGB图像中的像素点为原点建立二维平面坐标系，所述二维平...

【专利技术属性】
技术研发人员：王柱，吴恩旗，
申请(专利权)人：启东市海信机械有限公司，
类型：发明
国别省市：