【技术实现步骤摘要】
本专利技术属于深度学习、机器视觉和钢材生产领域，具体涉及一种基于mf18深度学习模型的钢材表面缺陷检测方法、系统及机器人。
技术介绍
1、表面缺陷检测是工业产品质量提升的重要一环，是工业生产的重要研究领域。传统的卷积神经网络模型识别准确率低、识别时间长、识别效率低，无法满足工业生产钢材表面缺陷检测要求。并且传统卷积神经网络的模型层数的增加会带来梯度爆炸的问题导致识别准确率降低。因此基于resnet残差神经网络的深度学习技术成为缺陷检测领域重要发展方向。模型层数的加深虽然在一些方面能提高大数据集的识别准确率，但是大量的研究表明，当网络的深度到达一定阶段时，模型的错误率反而开始上升。这种错误率的上升并非由于过拟合，而是由于模型深度过大导致了梯度爆炸和梯度消失的现象。这使得模型优化变得更加困难，而不是因为模型无法学习到更多的特征。
2、为了解决这一“网络退化”问题，何凯明等人首次提出了一种新的卷积神经网络模型——深度残差网络(resnet)。这种网络结构通过引入残差连接，使得信息在层与层之间的传递更加直接，解决深层网络的梯度现象。resnet深度残差网络可以在网络加深的同时解决网络退化现象，并且由于线性层的减少，即使网络加深，其计算量也比网络层数更低的模型少。注意力机制能够使得网络模型在处理钢材表面缺陷分类时，能够更好地学习和识别关键特征，进而提升分类的准确率，优化模型性能。深度可分离卷积层可以大大减少参数量，这样就可以在不降低识别准确率的同时降低识别时间提升识别效率。
3、本专利技术在此提出将基于resnet
技术实现思路
1、针对现有技术的不足，本专利技术提出了一种基于mf18深度学习模型的钢材表面缺陷检测方法、系统及机器人，通过该模型可以有效地解决传统卷积神经网络在钢材表面缺陷识别中准确率不高、识别时间长的问题。这一模型更贴合实际钢材生产的情景，能够显著提高工业生产效率。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于mf18深度学习模型的钢材表面缺陷检测方法，包括以下步骤：
4、获取钢材表面缺陷数据集；
5、构建mf18深度学习模型并初始化；
6、利用所述钢材表面缺陷数据集对初始化后的所述mf18深度学习模型进行训练；
7、将待测的钢材表面缺陷数据集输入通过训练的所述mf18深度学习模型，完成钢材表面缺陷检测。
8、优选的，所述钢材表面缺陷数据集主要包括：轧制氧化皮、斑块、开裂、点蚀表面、内含物和划痕6类钢材表面缺陷类型。
9、优选的，所述mf18深度学习模型包括：深度可分离卷积模块、注意力机制模块、训练函数、数据增强模块；
10、其中，所述深度可分离卷积模块包括：深度可分离卷积层和逐点卷积层；
11、所述深度可分离卷积层用于对输入的每个通道分别进行卷积操作；
12、所述逐点卷积层用于将深度可分离卷积层的输出映射到期望的输出通道数；
13、所述注意力机制模块包括：一个3x3的卷积层conv1、一个批归一化层bn1、一个relu激活函数、一个3x3的卷积层conv2、一个sigmoid激活函数；
14、所述3x3的卷积层conv1用于对输入钢材表面缺陷数据集进行特征提取和转换；
15、所述批归一化层bn1用于规范化所述3x3的卷积层conv1的输出，加速模型的收敛；
16、所述relu激活函数用于引入非线性特征变换，增强模型的表达能力；
17、所述3x3的卷积层conv2用于进一步提取和转换特征；
18、所述sigmoid激活函数用于将所述3x3的卷积层conv2的输出转换为0到1之间的值，表示每个位置的注意力权重；
19、所述数据增强模块用于对所述钢材表面缺陷数据集进行随机旋转45°、随机水平镜像、随机垂直镜像和随机灰度。
20、优选的，所述mf18深度学习模型还包括：通过构建深度可分离卷积和注意力机制结合模块替换resnet相关层；
21、其中，所述深度可分离卷积和注意力机制结合模块包括：两个深度可分离卷积模块、两个批归一化层、一个relu激活函数、一个注意力机制模块；
22、两个深度可分离卷积模块：包含一个大小为3x3，步长为2，填充为1的深度可分离卷积层和一个大小为1x1，步长为1的逐点卷积层；
23、两个批归一化层：用于规范化深度可分离卷积模块的输出，加速模型的收敛；
24、一个relu激活函数：用于引入非线性特征变换，增强模型的表达能力。
25、一个注意力机制模块：用于为不同的特征向量分配不同的权重。
26、优选的，利用所述钢材表面缺陷数据集对初始化后的所述mf18深度学习模型进行训练的方法包括：
27、第一轮训练使用预训练参数并冻结除最后一层全连接层以外的所有层进行训练，并把该轮训练得到最好的验证集准确率的权重图保存下来；
28、第二轮训练时加载第一轮训练保存的权重，并使用预训练参数，解冻所有层参数训练所有层的参数，最后保存该轮训练得到最好的验证集准确率的权重图。
29、第三轮训练加载第二轮训练保存的权重，并解冻所有层，不用预训练参数，最后保存得到验证集准确率最高的一张权重图为最终的权重图。
30、本专利技术还提供了一种钢材表面缺陷检测系统，包括：存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时执行所述的基于mf18深度学习模型的钢材表面缺陷检测方法。
31、本专利技术还提供了一种钢材表面缺陷检测机器人，所述钢材表面缺陷检测机器人设置有检测控制器，所述钢材表面缺陷检测机器人通过所述检测控制器使用所述的基于mf18深度学习模型的钢材表面缺陷检测方法对钢材表面缺陷进行检测。
32、本专利技术还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序在运行时执行所述的基于mf18深度学习模型的钢材表面缺陷检测方法。
33、与现有技术相比，本专利技术的有益效果为：
34、本专利技术使用resnet残差神经网络，参数量少，并且在加深网络的同时不会带来梯度爆炸等网络退化现象，提高识别准确率。
35、本专利技术使用数据增强技术，模拟工业生产环境中不同角度和光线等复杂情况，更加贴合实际生产环境，具有较高的泛化性。
36、本专利技术使用深度可分离卷积模块进一步降低了计算量，减少识别的时间的同时不降低识别准确率，提高识别效率。
37、本专利技术使用注意力机制模块提高了在大面积的钢材上对缺陷的特征识别，在钢材缺陷识别上具有更高的识别准确率。
本文档来自技高网...【技术保护点】
1.一种基于MF18深度学习模型的钢材表面缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于MF18深度学习模型的钢材表面缺陷检测方法，其特征在于，所述钢材表面缺陷数据集主要包括：轧制氧化皮、斑块、开裂、点蚀表面、内含物和划痕6类钢材表面缺陷类型。
3.根据权利要求1所述的基于MF18深度学习模型的钢材表面缺陷检测方法，其特征在于，所述MF18深度学习模型包括：深度可分离卷积模块、注意力机制模块、训练函数、数据增强模块；
4.根据权利要求3所述的基于MF18深度学习模型的钢材表面缺陷检测方法，其特征在于，所述MF18深度学习模型还包括：通过构建深度可分离卷积和注意力机制结合模块替换ResNet相关层；
5.根据权利要求1所述的基于MF18深度学习模型的钢材表面缺陷检测方法，其特征在于，利用所述钢材表面缺陷数据集对初始化后的所述MF18深度学习模型进行训练的方法包括：
6.一种钢材表面缺陷检测系统，其特征在于，包括：存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处
7.一种钢材表面缺陷检测机器人，其特征在于，所述钢材表面缺陷检测机器人设置有检测控制器，所述钢材表面缺陷检测机器人通过所述检测控制器使用权利要求1-5任一项所述的基于MF18深度学习模型的钢材表面缺陷检测方法对钢材表面缺陷进行检测。
8.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序在运行时执行如权利要求1-5中的任一项所述的基于MF18深度学习模型的钢材表面缺陷检测方法。
...【技术特征摘要】
1.一种基于mf18深度学习模型的钢材表面缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于mf18深度学习模型的钢材表面缺陷检测方法，其特征在于，所述钢材表面缺陷数据集主要包括：轧制氧化皮、斑块、开裂、点蚀表面、内含物和划痕6类钢材表面缺陷类型。
3.根据权利要求1所述的基于mf18深度学习模型的钢材表面缺陷检测方法，其特征在于，所述mf18深度学习模型包括：深度可分离卷积模块、注意力机制模块、训练函数、数据增强模块；
4.根据权利要求3所述的基于mf18深度学习模型的钢材表面缺陷检测方法，其特征在于，所述mf18深度学习模型还包括：通过构建深度可分离卷积和注意力机制结合模块替换resnet相关层；
5.根据权利要求1所述的基于mf18深度学习模型的钢材表面缺陷检测方法，其特征在...
【专利技术属性】
技术研发人员：张德华，关艺城，于长成，王德臣，陈雅纯，秦春斌，
申请(专利权)人：河南大学，
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。