一种基于多尺度特征图的带钢缺陷检测方法技术

本发明专利技术公开了一种基于多尺度特征图的带钢缺陷检测方法，包括步骤Step1.采集带钢表面缺陷图像，得到样本数据；Step2.将带钢表面缺陷的样本数据分为训练集数据和测试集数据；Step3.对训练集数据进行图像预处理；Step4.将预处理得到的图像进入残差神经网络进行迭代运算，获得多尺度缺陷特征，建立基于多尺度特征图的带钢缺陷检测模型；Step5.在得到基于多尺度特征图的带钢缺陷检测模型后，将测试集数据代入基于多尺度特征图的带钢缺陷检测模型中进行诊断，得到诊断结果；本方法基于多尺度特征图的带钢缺陷检测模型进行，能够提取带钢图片缺陷的多尺度特征并进行融合，利用融合的多尺度特征完成最终的带钢缺陷分类任务，具有提取特征速度快，训练时间短，精度高的特点。精度高的特点。精度高的特点。

【技术实现步骤摘要】
一种基于多尺度特征图的带钢缺陷检测方法


[0001]本专利技术涉及带钢检测
，具体涉及一种基于多尺度特征图的带钢缺陷检测方法。

技术介绍

[0002]带钢表面缺陷对产品的质量有较高的影响所以被高度重视，热轧带钢在生产过程中会产生多种不同形态的缺陷，带钢的性能很大程度上取决于钢材表面的缺陷状况；目前在企业实践，由于带钢生产过程中存在多种缺陷如结疤，凹痕、刮伤、污垢、孔洞、损坏和边缘裂纹等，带钢表面缺陷分类属于典型的多类问题；并且在实际的生产现场，出现的样本数量是不均衡的，也就是说，常见的缺陷类型数量会远低于正常产品数量；由不同生产线引起的表面缺陷往往会产生不同特征，这更给检测任务带来很高的难度；传统的目视检测方法由于运行速度慢，检测精度差不能满足现代化带钢生产的要求，这种目视检测方法不仅容易让员工产生视觉疲劳，效率低，准确率低，不能做到及时有效的判断带钢表面缺陷状态，传统的人工目测已经很难适应现代钢铁企业的检测要求；所以行业需要一种智能化、快速准确识别带钢缺陷的视觉检测方法，来对带钢进行检测，以克服上述现有技术存在的问题。

技术实现思路

[0003]针对上述存在的问题，本专利技术旨在提供一种基于多尺度特征图的带钢缺陷检测方法，本方法基于多尺度特征图的带钢缺陷检测模型进行，能够提取带钢图片缺陷的多尺度特征并进行融合，利用融合的多尺度特征完成最终的带钢缺陷分类任务，具有提取特征速度快，训练时间短，精度高的特点。
[0004]为了实现上述目的，本专利技术所采用的技术方案如下：一种基于多尺度特征图的带钢缺陷检测方法，包括步骤Step1.使用摄像头采集带钢表面缺陷图像，得到带钢表面缺陷图像样本数据；Step2.将采集到的带钢表面缺陷的样本数据集进行分组，取70%数据为训练集数据，其余30%数据为测试集数据；Step3.对步骤Step2分类得到的训练集数据进行预处理，得到标准化的训练集数据；Step4.将步骤Step3预处理得到的图像进入卷积层内进行卷积迭代处理，建立基于多尺度特征图的带钢缺陷检测模型；其中：所述基于多尺度特征图的带钢缺陷检测模型包括4层卷积神经网络层，4层归一化层，4层激活层，4层最大池化层，4层展平层，1层拼接层，1层丢弃层和2层全连接层；Step5.在得到基于多尺度特征图的带钢缺陷检测模型后，将测试集数据代入基于多尺度特征图的带钢缺陷检测模型中进行诊断，得到诊断结果，完成对带钢的缺陷检测。
[0005]优选的，步骤Step3所述的对步骤Step2划分得到的训练集数据进行预处理的过程
包括Step301.将所有的训练数据集中的图像大小统一修改为256像素*256像素；Step302.将步骤Step301得到的训练数据集中的图像随机选择50%进行垂直翻转；Step303.将步骤Step302得到的图像随机选择60%再进行45度角旋转；Step304.将步骤Step303得到的图像转换为张量形式；Step305.将步骤Step304得到的图像进行标准化处理，得到标准化的训练集数据。
[0006]优选的，步骤Step4所述的基于多尺度特征图的带钢缺陷检测模型的建立过程包括Step401.将经步骤Step305标准化处理后得到的训练集数据进入卷积层1内进行卷积处理；Step402.将经步骤Step401得到的卷积处理后的数据进入归一化层1内进行处理；Step403.将步骤Step402得到的数据进入激活层1内进行处理；Step404.将步骤Step403得到的数据进入最大池化层1内进行处理；Step405.将步骤Step404得到的数据进入展平层1内进行处理；Step406.将步骤Step401得到的数据进入卷积层2内进行卷积处理；Step407.将经步骤Step406得到的卷积处理后的数据进入归一化层2内进行处理；Step408.将步骤Step407得到的数据进入激活层2内进行处理；Step409.将步骤Step408得到的数据进入最大池化层2内进行处理；Step410.将步骤Step409得到的数据进入展平层2内进行处理；Step411.将步骤Step406得到的数据进入卷积层3内进行卷积处理；Step412.将经步骤Step411得到的卷积处理后的数据进入归一化层3内进行处理；Step413.将步骤Step412得到的数据进入激活层3内进行处理；Step414.将步骤Step413得到的数据进入最大池化层3内进行处理；Step415.将步骤Step414得到的数据进入展平层3内进行处理；Step416.将步骤Step411得到的数据进入卷积层4内进行卷积处理；Step417.将经步骤Step416得到的卷积处理后的数据进入归一化层4内进行处理；Step418.将步骤Step417得到的数据进入激活层4内进行处理；Step419.将步骤Step418得到的数据进入最大池化层4内进行处理；Step420.将步骤Step419得到的数据进入展平层4内进行处理；Step421.将步骤Step405，Step410，Step415，Step420得到的数据进入拼接层；Step422.将步骤Step421得到的数据进入丢弃层内，设置丢弃层的丢弃概率；Step423.将步骤Step422得到的数据进入全连接层1；Step424.将步骤Step423得到的数据进入全连接层2，利用全连接层2自适应选择最优特征并进行故障诊断模型的训练；Step425.设置交叉熵为损失函数，利用反向传播算法将步骤Step401至步骤Step424的各个神经网路参数不断优化，得到最终基于多尺度特征图的带钢缺陷检测模型。
[0007]优选的，所述的卷积层1的卷积核的输入通道为3个，输出通道为32个，卷积核大小为3*3，填充层大小为（1,1），步长为（1,1）；
卷积层2的卷积核的输入通道由为32个，输出通道有64个，卷积核大小为3*3，填充层大小为（1,1），步长为（1,1）；卷积层3的卷积核的输入通道为64个，输出通道为64个，卷积核大小为3*3，填充层大小为（1,1），步长为（1,1）；卷积层4的卷积核的输入通道为64个，输出通道为128个，卷积核大小为3*3，填充层大小为（1,1），步长为（1,1）。
[0008]优选的，所述的最大池化层1、最大池化层2、最大池化层3和最大池化层4的核函数大小为2*2，填充层大小为0，步长为2，膨胀核为1。
[0009]优选的，步骤Step422所述的丢弃层的丢弃概率为0.3。
[0010]优选的，所述的全连接层1有677376个输入通道，128个输出通道；全连接层2有128个输入通道，6个输出通道。
[0011]本专利技术的有益效果是：本专利技术公开了一种基于多尺度特征图的带钢缺陷检测方法，与现有技术相比，本专利技术的改进之处在于：本专利技术设计了一种基于多尺度特征图的带钢缺陷检测方法，本方法基于多尺度特征图的带钢缺陷检测模型进行，在带钢检测过程中，对带钢图像信号利用预处理扩充图像库，利用残差神经网络提取带钢图片缺陷的多尺度特征并进行融合，同时利用融合的多尺度特征完成最终本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度特征图的带钢缺陷检测方法，其特征在于：包括步骤Step1.使用摄像头采集带钢表面缺陷图像，得到带钢表面缺陷图像样本数据；Step2.将采集到的带钢表面缺陷的样本数据集进行分组，取70%数据为训练集数据，其余30%数据为测试集数据；Step3.对步骤Step2划分得到的训练集数据进行预处理，得到标准化的训练集数据；Step4.将步骤Step3预处理得到的图像进入多尺度特征图提取网络处理，建立基于多尺度特征图的带钢缺陷检测模型；其中：所述基于多尺度特征图的带钢缺陷检测模型包括4层卷积神经网络层，4层归一化层，4层激活层，4层最大池化层，4层展平层，1层拼接层，1层丢弃层和2层全连接层；Step5.在得到基于多尺度特征图的带钢缺陷检测模型后，将测试集数据代入基于多尺度特征图的带钢缺陷检测模型中进行诊断，得到诊断结果，完成对带钢的缺陷检测。2.根据权利要求1所述的一种基于多尺度特征图的带钢缺陷检测方法，其特征在于：步骤Step3所述的对步骤Step2分类得到的训练集数据进行预处理的过程包括Step301.将所有的训练数据集中的图像大小统一修改为256像素*256像素；Step302.将步骤Step301得到的训练数据集中的图像随机选择50%进行垂直翻转；Step303.将步骤Step302得到的图像随机选择60%再进行45度角旋转；Step304.将步骤Step303得到的图像转换为张量形式；Step305.将步骤Step304得到的图像进行标准化处理，得到标准化的训练集数据。3.根据权利要求1所述的一种基于多尺度特征图的带钢缺陷检测方法，其特征在于：步骤Step4所述的基于多尺度特征图的带钢缺陷检测模型的建立过程包括Step401.将经步骤Step305标准化处理后得到的训练集数据进入卷积层1内进行卷积处理；Step402.将经步骤Step401得到的卷积处理后的数据进入归一化层1内进行处理；Step403.将步骤Step402得到的数据进入激活层1内进行处理；Step404.将步骤Step403得到的数据进入最大池化层1内进行处理；Step405.将步骤Step404得到的数据进入展平层1内进行处理；Step406.将步骤Step401得到的数据进入卷积层2内进行卷积处理；Step407.将经步骤Step406得到的卷积处理后的数据进入归一化层2内进行处理；Step408.将步骤Step407得到的数据进入激活层2内进行处理；Step409.将步骤Step408得到的数据进入最大池化层2内进行处理；Step410.将步骤Step409得到的数据进入展平层2内进行处理；Step411.将步骤Step406得到的数据进入卷积层3内进行卷...

【专利技术属性】
技术研发人员：王萌，
申请(专利权)人：唐山工业职业技术学院，
类型：发明
国别省市：