一种基于卷积神经网络的钢带缺陷分类方法技术

本发明专利技术公开了一种基于卷积神经网络的钢带缺陷分类方法，属于图像识别领域，所述的缺陷分类方法包括训练数据集选择，卷积神经网络训练模型改进，对改进后的模型训练结果进行评价。本发明专利技术提出方法具有较强的鲁棒性以及泛化性。相较于传统的识别模型，本方法有明显优势。在传统识别模型较难的训练集上也有最高的识别率。别率。别率。

【技术实现步骤摘要】
一种基于卷积神经网络的钢带缺陷分类方法


[0001]本专利技术属于图像识别领域，更具体的说涉及一种基于卷积神经网络的钢带缺陷分类方法。

技术介绍

[0002]带钢被广泛用于航天工业、汽车工业等一系列的高精尖技术制造业中，这对钢带的生产效率以及产品
[0003]基于深度学习的缺陷分类方法主要通过卷积神经网络进行缺陷图片信息提取并进行训练，再使用训练好的模型进行类似的缺陷识别。该方法与传统的分类方法相比具有识别快、精度高的优势，并且能够适用于多类别缺陷任务。2017年Khumaidi采用原始焊接图像，焊接的图像将直接从网络摄像头捕捉，提取到的特征使用卷积计算和梯度下降法的神经网络进行图像分类。高斯核函数用于图像的模糊处理，滤波器可以最大限度地减少干扰和噪声。该方法进行分类的准确率为95.83％，但对于低分辨率下的复杂且弱小的缺陷进行滤波会造成特征消失问题。训练完成后保留CAE作为特征抽取器输入到softmax层形成一个新的分类器SGAN用于半监督学习，进一步提升泛化能力。但生成式对抗网络训练耗时，且在实际场景中很难达到数据量的要求。

技术实现思路

[0004]本专利技术通过改进卷积神经网络训练模型本专利技术提出方法具有较强的鲁棒性以及泛化性。相较于传统的识别模型，本方法有明显优势。在传统识别模型较难的训练集上也有最高的识别率。
[0005]为了实现上述目的，本专利技术是采用以下技术方案实现的：所述的缺陷分类方法包括
[0006]训练数据集选择，采用NEU
‑
CLS数据集，该数据集括1800幅灰度图像和6种典型表面缺陷样本，每个图像的原始分辨率为200x200像素；
[0007]卷积神经网络训练模型改进，第一部分采用Xception、DenseNet以及权重分配网络进行搭建的主干网络部分；第二部分为池化层和全连接层组成的分类器；
[0008]对改进后的模型训练结果进行评价，建立评价指标，对模型正确率、准确率、召回率与现有模型对比，以及对训练的迭代次数效果对比。
[0009]进一步地，所述的卷积神经网络训练模型改进包括以下步骤：
[0010]S1、模型设计；
[0011]S2、特征提取网络改进；
[0012]S3、权重再分配网络改进；
[0013]S4、损失函数选择。
[0014]进一步地，所述的S1模型设计，模型在特征提取部分使用两个不同的分支网络，通过不同的感受野得到两组特征信息，为了增强模型的表征能力，分别在两个分支网络后增
加了权重再分配网络。
[0015]进一步地，所述的S2、特征提取网络改进；使用的结构对输入数据的每一个通道独立进行空间逐层卷积，再对其结果进行逐点卷积。其结构介于普通卷积与深度可分离卷积之间，第一步通过1
×
1卷积进行通道分离，第二步独立绘制每个输出通道的空间相关性，用3
×
3单独处理，最后进行通道信息融合。
[0016]进一步地，所述的S3、权重再分配网络改进；模型的权重再分配网络分为3个部分：
[0017](1)在得到多个特征图后采用全局平均池化操作对其每个特征图进行压缩，使其个特征图最后变成的实数数列，采用全局平均池化操作,使每个通道都包含全局信息且建立通道间相关关系；
[0018](2)使用一个全连接神经网络，对第一步的结果做一个非线性变换；通过参数来为每个特征通道生成权重，其中参数被用来建立特征通道间的相关性；
[0019](3)使用第(2)步得到的结果作为权重,再将权重乘到输入特征上；将第(2)步输出的权重作为特征选择后的每个特征通道的重要性参数，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定。
[0020]进一步地，所述的步骤4、S4、损失函数选择，模型采用Softmax函数转换分类器输出标准概率分布的预测值；它将多个神经元的输出映射到区间内来进行多分类任务；其中S
i
代表一个数组，V
i
表示S
i
中的第i个元素，V
j
表示S
i
数组中的j个元素；模型使用多分类Cross
‑
Entropy交叉熵函数来度量与正确类别标签之间的损失；Softmax函数如下：
[0021][0022]Loss损失函数如下：
[0023][0024]其中:x为模型预测的分类概率，x向量的第j维，即x
j
是输入图像预测为类j的概率，k为输入图像的真实类别索引。
[0025]本专利技术有益效果：
[0026]本专利技术通过改进卷积神经网络训练模型本专利技术提出方法具有较强的鲁棒性以及泛化性。相较于传统的识别模型，本方法有明显优势。在传统识别模型较难的训练集上也有最高的识别率。
附图说明
[0027]图1为本专利技术方法流程图；
[0028]图2为本专利技术模型总体结构图；
[0029]图3为Xception主要结构图；
[0030]图4为Dense结构图；
[0031]图5为权重分配网络；
[0032]图6为NEU
‑
CLS数据集效果曲线对比；
[0033]图7为BS4
‑
CLS数据集效果曲线对比。
具体实施方式
[0034]为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更全面的描述。附图中给出了本专利技术的典型实施例。但是，本专利技术可以以许多不同的形式来实现，并不限于本专利技术所描述的实施例。相反地，提供这些实施例的目的是使对本专利技术的公开内容更加透彻全面。
[0035]除非另有定义，本专利技术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。本专利技术中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。
[0036]如图1所示，所述的缺陷分类方法包括
[0037]训练数据集选择采用NEU
‑
CLS数据集，该数据集括1800幅灰度图像和6种典型表面缺陷样本，每个图像的原始分辨率为200x200像素。
[0038]NEU
‑
CLS是东北大学表面缺陷数据集，包含6种典型的热轧带钢表面缺陷：Rolled
‑
in Scale、Patches、Crazing、Pitted Surface、Inclusion and Scratches，该数据集包括1800幅灰度图像和6种典型表面缺陷样本。表1为NEU
‑
CLS中6种典型表面缺陷的样本训练数据集、测试数据集的数量。每个图像的原始分辨率为200x200像素，类内缺陷在外观上存在较大差异。此外由于光照和材料变化的影响，类内缺陷图像的灰度值会发生变化。
[0039]表1NEU
‑
CLS数据集
[0040]Table 1 NEU
‑
CLS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的钢带缺陷分类方法，其特征在于：所述的缺陷分类方法包括训练数据集选择，采用NEU
‑
CLS数据集，该数据集括1800幅灰度图像和6种典型表面缺陷样本，每个图像的原始分辨率为200x200像素；卷积神经网络训练模型改进，第一部分采用Xception、DenseNet以及权重分配网络进行搭建的主干网络部分；第二部分为池化层和全连接层组成的分类器；对改进后的模型训练结果进行评价，建立评价指标，对模型正确率、准确率、召回率与现有模型对比，以及对训练的迭代次数效果对比。2.根据权利要求1所述的一种基于卷积神经网络的钢带缺陷分类方法，其特征在于：所述的卷积神经网络训练模型改进包括以下步骤：S1、模型设计；S2、特征提取网络改进；S3、权重再分配网络改进；S4、损失函数选择。3.根据权利要求2所述的一种基于卷积神经网络的钢带缺陷分类方法，其特征在于：所述的S1模型设计，模型在特征提取部分使用两个不同的分支网络，通过不同的感受野得到两组特征信息，为了增强模型的表征能力，分别在两个分支网络后增加了权重再分配网络。4.根据权利要求2所述的一种基于卷积神经网络的钢带缺陷分类方法，其特征在于：所述的S2、特征提取网络改进；使用的结构对输入数据的每一个通道独立进行空间逐层卷积，再对其结果进行逐点卷积。其结构介于普通卷积与深度可分离卷积之间，第一步通过1
×
1卷积进行通道分离，第二步独立绘制每个输出通道的空间相关性，用3
×
3单独处理，最后进行通道信息融合。5.根据权利要求2所述的一...

【专利技术属性】
技术研发人员：边琳，叶飞，
申请(专利权)人：云南大学滇池学院，
类型：发明
国别省市：