基于计算机视觉的钢板表面缺陷分析方法技术

本发明专利技术公开了一种基于计算机视觉的钢板表面缺陷分析方法

【技术实现步骤摘要】
基于计算机视觉的钢板表面缺陷分析方法、装置及系统


[0001]本专利技术涉及人工智能，尤其涉及一种基于计算机视觉的钢板表面缺陷分析方法
、
装置及系统
。

技术介绍

[0002]计算机视觉检测对工业自动化的重要性与日俱增，计算机视觉专注创建可以像人类一样处理
、
分析和理解视觉数据
(
图像或视频
)
的数字系统，完整的计算机视觉系统包括光源
、
图像采集装置
、
图像分析处理系统
、
展示与控制系统
。
[0003]钢板表面的质量是决定钢板的优劣的决定性因素之一，这将直接影响到最终产品的性能与质量
。
在加工过程中，原材料
、
轧制设备以及工艺等原因，会导致钢板表面出现结疤
、
裂纹
、
辊印
、
磷皮
、
刮伤
、
孔洞
、
麻点等不同的缺陷，这些缺陷将会使钢的性能变差
。
在生产过程中在线的检测钢板的表面缺陷，可以达到控制和提高钢板产品的表面质量的目
。
因此，钢板的表面缺陷检测是钢板出厂前十分重要的检测工序
。
[0004]但现有技术中，钢板表面缺陷检测与分析技术是依赖人工目视检测完成的，或者依赖部分先进检测设备，但检测设备的检测功能单一，无法自动确定对表面缺陷进行界定，主要还是依靠人的主观判断
>。

技术实现思路

[0005]本专利技术所要解决的技术问题是针对现有技术的上述不足，提出一种基于计算机视觉的钢板表面缺陷分析方法
、
装置及系统，该方法能够自动对钢板表面缺陷进行鉴别与界定，从而自动实现钢板表面的缺陷分析
。
[0006]第一方面，本专利技术提供一种基于计算机视觉的钢板表面缺陷分析方法，该方法应用于钢板表面缺陷分析系统，该方法包括步骤：
[0007]步骤
S1
：从光源和相机耦合的钢板照片组中获取钢板图片；
[0008]步骤
S2
：将钢板图片输入预训练的卷积网络，提取图片特征；
[0009]步骤
S3
：根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷：
[0010]如果不存在钢板表面缺陷，则得到合格的钢板表面评估结果；如果存在钢板表面缺陷，则进行钢板表面缺陷等级确认
。
[0011]进一步地，所述步骤
S3
中，根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷，其包括如下步骤：
[0012]步骤
S31
：将图片特征输入到
YOLO
模型中，检测出缺陷区域；
[0013]步骤
S32
：将缺陷区域提取的特征传递给
SVM
模型进行分类判定，从而判断出是否存在钢板表面缺陷
。
[0014]进一步地，所述步骤
S3
中，进行钢板表面缺陷等级确认，包括具体步骤：
[0015]步骤
B1
：对钢板表面缺陷出现的位置进行框体的形式标注，得到框体标注区域；
[0016]步骤
B2
：遍历框体标注区域，根据预设的
Faster R
‑
CNN
分类检测模型
、
且根据预设
置信度阈值对钢板表面缺陷进行分类；
[0017]步骤
B3
：基于容忍区间和缺陷标准，对分类后的钢板表面缺陷进行钢板表面缺陷等级确认，所述缺陷标准是根据国家标准或用户需求定义的
。
[0018]进一步地，所述步骤
B1
之前，还包括步骤
B0
，
[0019]步骤
B0
：使用已标注的钢板表面缺陷图像数据集对
Faster R
‑
CNN
模型进行训练，得到预设的
Faster R
‑
CNN
分类检测模型
。
[0020]第二方面，本专利技术提供一种基于计算机视觉的钢板表面缺陷分析装置，该装置应用于计算机视觉检测平台，该装置包括：
[0021]获取单元，用于从光源和相机耦合的钢板照片组中获取钢板图片；
[0022]提取单元，与所述获取单元连接，用于将钢板图片输入预训练的卷积网络，提取图片特征；
[0023]算法单元，用于提供人工智能算法；
[0024]判断单元，分别与所述提取单元和所述算法单元连接，用于根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷；
[0025]分析单元，与所述判断单元连接，用于根据判断单元的判断结果为存在钢板表面缺陷，对钢板表面缺陷进行等级确认
。
[0026]进一步地，所述判断单元包括：
[0027]检测模块，用于将图片特征输入到
YOLO
模型中，检测出缺陷区域；
[0028]判断模块，与所述检测模块连接，用于将缺陷区域提取的特征传递给
SVM
模型进行分类判定，从而判断出是否存在钢板表面缺陷
。
[0029]进一步地，所述分析单元包括：
[0030]标注模块，用于对钢板表面缺陷出现的位置进行框体的形式标注，得到框体标注区域；
[0031]分类模块，与所述标注模块连接，用于遍历框体标注区域，根据预设的
Faster R
‑
CNN
分类检测模型
、
且根据预设置信度阈值对钢板表面缺陷进行分类；
[0032]等级确认模块，与所述分类模块连接，用于基于容忍区间和缺陷标准，对分类后的钢板表面缺陷进行钢板表面缺陷等级确认，所述缺陷标准是根据国家标准或用户需求定义的
。
[0033]进一步地，所述分析单元还包括训练模块，所述训练模块与所述标注模块连接，用于使用已标注的钢板表面缺陷图像数据集对
Faster R
‑
CNN
模型进行训练，得到预设的
Faster R
‑
CNN
分类检测模型
。
[0034]第三方面，本专利技术提供一种基于计算机视觉的钢板表面缺陷检测系统，
[0035]该系统包括拼接单元和保存单元，还包括第二方面所述的基于计算机视觉的钢板表面缺陷分析装置，
[0036]所述拼接单元与所述钢板表面缺陷分析装置的分析单元连接，用于将钢板图片及对应的钢板表面评估结果按照设定的顺序进行拼接，得到钢板图片组；
[0037]所述保存单元与所述拼接单元连接，用于对钢板图片组进行管理保存
。
[0038]第四方面，本专利技术提供一种基于计算机视觉的钢板表面缺陷分析系统，该系统包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于计算机视觉的钢板表面缺陷分析方法，应用于钢板表面缺陷分析系统，其特征在于，该方法包括步骤：步骤
S1
：从光源和相机耦合的钢板照片组中获取钢板图片；步骤
S2
：将钢板图片输入预训练的卷积网络，提取图片特征；步骤
S3
：根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷：如果不存在钢板表面缺陷，则得到合格的钢板表面评估结果；如果存在钢板表面缺陷，则进行钢板表面缺陷等级确认
。2.
根据权利要求1所述的基于计算机视觉的钢板表面缺陷分析方法，其特征在于，所述步骤
S3
中，根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷，其包括如下步骤：步骤
S31
：将图片特征输入到
YOLO
模型中，检测出缺陷区域；步骤
S32
：将缺陷区域提取的特征传递给
SVM
模型进行分类判定，从而判断出是否存在钢板表面缺陷
。3.
根据权利要求1或2所述的基于计算机视觉的钢板表面缺陷分析方法，其特征在于，所述步骤
S3
中，进行钢板表面缺陷等级确认，包括具体步骤：步骤
B1
：对钢板表面缺陷出现的位置进行框体的形式标注，得到框体标注区域；步骤
B2
：遍历框体标注区域，根据预设的
Faster R
‑
CNN
分类检测模型
、
且根据预设置信度阈值对钢板表面缺陷进行分类；步骤
B3
：基于容忍区间和缺陷标准，对分类后的钢板表面缺陷进行钢板表面缺陷等级确认，所述缺陷标准是根据国家标准或用户需求定义的
。4.
根据权利要求3所述的基于计算机视觉的钢板表面缺陷分析方法，其特征在于，所述步骤
B1
之前，还包括步骤
B0
，步骤
B0
：使用已标注的钢板表面缺陷图像数据集对
Faster R
‑
CNN
模型进行训练，得到预设的
Faster R
‑
CNN
分类检测模型
。5.
一种基于计算机视觉的钢板表面缺陷分析装置，应用于计算机视觉检测平台，其特征在于，包括：获取单元，用于从光源和相机耦合的钢板照片组中获取钢板图片；提取单元，与所述获取单元连接，用于将钢板图片输入预训练的卷积网络，提取图片特征；算法单元，用于提供人工智能算法；判断单元，分别与所述...

【专利技术属性】
技术研发人员：王宣，盛明哲，齐飞，李希金，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：