【技术实现步骤摘要】
本专利技术涉及带钢表面缺陷检测，具体为一种基于深度学习的带钢表面缺陷检测方法。
技术介绍
1、钢铁是我们日常生活中最常见的金属材料之一，其用途非常广泛，在许多领域都是完美的材料，钢材广泛应用于土木工程基础设施、航空航天、造船、汽车、机械制造以及各种家用工具的制造，然而，带钢的生产过程涉及原材料、生产工艺、设备状况、环境条件等多个方面因素，会导致带钢表面出现例如划伤、起皮、凹坑和缺口等表面缺陷，这些缺陷直接影响工业产品质量和基础设施建设，因此控制所生产钢材的质量就显得尤为重要，这是产品合格的第一保证。
2、早期的带钢表面缺陷检测主要利用人工视觉检测，人工视觉检测依赖经验丰富的工人通过目视观察带钢表面来识别缺陷，通常在良好的光照条件下进行，有时需要清洁表面以提高可见度，工人会参考标准样本或缺陷对照图来判断和分类缺陷，其优点在于灵活性高、即时反馈和低成本，适用于各种类型和形状的带钢，尤其在小批量生产和质量控制中有效。
3、除了人工视觉检测，传统的表面检测技术还包括磁粉检测、液体渗透检测和涡流检测，磁粉检测利用电磁感应原理，将铁磁性材料磁化后，在其表面撒上细小的磁粉，这些磁粉在磁场中会聚集在材料表面的裂纹或其他缺陷处，因为缺陷部位的磁场会发生畸变，形成磁力线漏出的现象，使得磁粉在缺陷处聚集形成可见的迹象，检测过程包括磁化、撒粉、观察和退磁四个步骤，液体渗透检测是通过毛细作用将渗透液(通常是有色或荧光的液体)渗入材料表面的缺陷中，然后擦去表面多余的渗透液，施加显像剂，使渗透液从缺陷中渗出并显现缺陷的位置和形态，检测
4、随着计算机技术的发展，计算机视觉开始应用于带钢表面的缺陷检测，主要分为传统机器学习方法和深度学习方法，传统机器学习方法在带钢表面缺陷检测中，通过特征工程和分类算法来识别缺陷，首先，从带钢表面的图像中提取特征，这些特征可以包括颜色、纹理、形状、边缘等信息，常用的特征提取方法有灰度共生矩阵、局部二值模式和边缘检测等，然后，利用这些特征构建特征向量，输入到分类器中进行训练和预测，常用的分类算法包括支持向量机(svm)、决策树、随机森林和k近邻(knn)等，通过训练分类器，系统可以学习不同类型缺陷的特征模式，进而在新图像中自动识别和分类缺陷，这种方法依赖于特征工程的质量和分类器的性能，适用于相对简单和稳定的检测任务。
5、人工视觉检测存在效率低、精度和一致性差、劳动强度大、主观性强、培训成本高、难以检测细微缺陷和环境依赖性强等缺点，这些限制使其在高速、大批量生产和需要高标准化的检测任务中难以胜任，逐渐被自动化和智能化检测技术取代。
6、传统技术的带钢表面缺陷检测磁粉检测、液体渗透检测和涡流检测等方法，磁粉检测：只能用于铁磁性材料，对非铁磁性材料无效；对深层缺陷检测不敏感；需要退磁处理，影响检测效率；受环境条件影响较大，如湿度和粉尘，液体渗透检测：仅能检测表面开口缺陷，对内部缺陷无效；检测过程较繁琐，需进行多步处理，耗时长；渗透液和显像剂可能对环境和操作人员有害；对粗糙或多孔表面效果较差，涡流检测：仅适用于导电材料，对非导电材料无效；对复杂形状和厚度变化大的工件检测难度大，结果解释复杂；需要高精度设备和专业操作人员，初期成本较高；对材料电磁特性有要求，检测深度有限。
7、传统机器学习依赖手工设计和提取特征，这需要专业知识和大量的实验来确定最佳特征集，导致特征选择过程复杂且时间耗费长，此外，传统方法在处理大规模和高维度数据时表现欠佳，无法自动从数据中学习到复杂的特征关系，其检测精度和鲁棒性相对较低。
8、现有深度学习技术的训练和推理需要高性能计算资源，如gpu和tpu，这在某些工业环境中可能难以配置和维护，模型的泛化能力也是一个问题，模型在处理与训练数据分布不同的新数据时，性能可能会显著下降。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于深度学习的带钢表面缺陷检测方法，解决了上述
技术介绍
中所提出的问题。
3、(二)技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于深度学习的带钢表面缺陷检测方法，其检测方法具体包括以下步骤；
5、s1、数据采集和预处理；通过数据采集装置设计和数据标注来进行收集缺陷图像和对缺陷图像进行标注；
6、s2、深度学习模型；使用深度神经网络训练数据、输出缺陷检测结果；
7、s3、损失函数；定位损失、分类损失和置信度损失，
8、s4、后处理操作；深度模型在推理过程中会生成大量的预测框，每个预测框包含了类别概率、置信度以及边界框坐标。为了提取出有意义的检测结果，需要进行一系列的后处理步骤，包括阈值过滤、非极大值抑制、边界框调整和多分类处理。
9、优选的，所述s1中通过dalsa线阵扫描相机以高速和高分辨率连续捕捉带钢表面图像，当带钢经过相机和光源的检测区域时，线阵相机会以高帧率连续捕捉图像，图像数据通过高速接口gige传输到计算机进行存储和处理。
10、优选的，所述s1中将数据采集装置收集到的数据按照缺陷类别进行分类存储，使用标注工具对采集到的图像进行人工标注，标注过程中需要标识出每个缺陷的位置和类型，并生成深度学习模型训练时相应的标注文件.
11、优选的，所述s2中的深度模型的总体结构是基于yolov8改进的网络结构，其包括以下步骤；
12、a1、特征提取网络；
13、a2、多尺度融合网络；
14、a3、模型检测头；
15、其a1中深度学习模型的特征提取网络采用cspdarknet53模式架构，该特征提取网络共10层；
16、其a2中特征提取网络由其第二层c2f层、第三层c2f层和paspp层输出三个不同尺度特征，将对应的三个尺度特征定义为大尺度特征fl、中尺度特征fm和小尺度特征fs；
17、其a3中模型检测头为tdadh检测头，使用tood中的任务对齐思想，在解耦的过程中，让不同的任务分支更好地学习各自任务的具体特征，提高模型检测精度。
18、优选的，所述s3中定位损失用于度量预测框与真实框之间的差异，使用iou与其改进版本的ciou进行衡量，分类损失用于度量每个预测框所包含目标的类别与真实类别之间的差异，一般使用交叉熵损失或二元交叉熵损失来计算类别预测的准确性，置信度损失用于度量预测框中是否包含物体的置信度与实际情况的差异，通常也是使用交叉熵损失或二元交叉熵损失来计算。
19、优选的，所述损失函数基准函数公式为：
20、loss＝λcoord·localization_lo本文档来自技高网...
【技术保护点】
1.一种基于深度学习的带钢表面缺陷检测方法，其特征在于，其检测方法具体包括以下步骤；
2.根据权利要求1所述的一种基于深度学习的带钢表面缺陷检测方法，其特征在于：所述S1中通过DALSA线阵扫描相机以高速和高分辨率连续捕捉带钢表面图像，当带钢经过相机和光源的检测区域时，线阵相机会以高帧率连续捕捉图像，图像数据通过高速接口GigE传输到计算机进行存储和处理。
3.根据权利要求1所述的一种基于深度学习的带钢表面缺陷检测方法，其特征在于：所述S1中将数据采集装置收集到的数据按照缺陷类别进行分类存储，使用标注工具对采集到的图像进行人工标注，标注过程中需要标识出每个缺陷的位置和类型，并生成深度学习模型训练时相应的标注文件。
4.根据权利要求1所述的一种基于深度学习的带钢表面缺陷检测方法，其特征在于：所述S2中的深度模型的总体结构是基于YOLOv8改进的网络结构，其包括以下步骤；
5.根据权利要求1所述的一种基于深度学习的带钢表面缺陷检测方法，其特征在于：所述S3中定位损失用于度量预测框与真实框之间的差异，使用IoU与其改进版本的CIOU进行衡
6.根据权利要求5所述的一种基于深度学习的带钢表面缺陷检测方法，其特征在于：所述损失函数基准函数公式为：
7.根据权利要求1所述的一种基于深度学习的带钢表面缺陷检测方法，其特征在于：所述S4中处理方式包括下列步骤；
8.根据权利要求7所述的一种基于深度学习的带钢表面缺陷检测方法，其特征在于：所述阈值过滤对模型输出的预测框进行初步过滤，每个预测框包含一个置信度分数，表示该框包含目标的可能性，通过设定一个置信度阈值，只保留置信度高于该阈值的预测框，去除低置信度的无效框；
9.根据权利要求7所述的一种基于深度学习的带钢表面缺陷检测方法，其特征在于：所述边界框调整经过非极大值抑制处理后，保留的预测框需要进一步调整以提高定位精度，深度学习方法输出的预测框通常以相对坐标的形式表示，需要转换为图像中的绝对坐标；
...【技术特征摘要】
1.一种基于深度学习的带钢表面缺陷检测方法，其特征在于，其检测方法具体包括以下步骤；
2.根据权利要求1所述的一种基于深度学习的带钢表面缺陷检测方法，其特征在于：所述s1中通过dalsa线阵扫描相机以高速和高分辨率连续捕捉带钢表面图像，当带钢经过相机和光源的检测区域时，线阵相机会以高帧率连续捕捉图像，图像数据通过高速接口gige传输到计算机进行存储和处理。
3.根据权利要求1所述的一种基于深度学习的带钢表面缺陷检测方法，其特征在于：所述s1中将数据采集装置收集到的数据按照缺陷类别进行分类存储，使用标注工具对采集到的图像进行人工标注，标注过程中需要标识出每个缺陷的位置和类型，并生成深度学习模型训练时相应的标注文件。
4.根据权利要求1所述的一种基于深度学习的带钢表面缺陷检测方法，其特征在于：所述s2中的深度模型的总体结构是基于yolov8改进的网络结构，其包括以下步骤；
5.根据权利要求1所述的一种基于深度学习的带钢表面缺陷检测方法，其特征在于：所述s3中定位损失用于度量预测框与真实框之间的差异，使用iou与其改进版本的ciou进行衡...
【专利技术属性】
技术研发人员：夏亚金，吴汉民，张嵩涛，何雨欣，吴卫东，王维，朱安辉，王蒙颜，杨威，杨俊，
申请(专利权)人：海盐中达金属电子材料有限公司，
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。