[发明专利]基于卷积神经网络多级特征的钢板表面缺陷检测方法

说明书

本发明提供一种基于卷积神经网络多级特征的钢板表面缺陷检测方法，涉及钢板缺陷检测技术领域。该方法首先选取基准网络，并对其进行预训练，同时建立用于微调训练的专用缺陷检测数据集；然后搭建整体检测网络和多级特征融合网络，并将它们合并得到缺陷检测网络；最后设置缺陷检测网络的损失函数和训练超参数，并对缺陷检测网络进行训练，使基准网络、多级特征融合网络和RPN共享卷积层和计算量，得到训练完成的缺陷检测网络模型，进而对钢板表面缺陷进行检测。本发明提供的基于卷积神经网络多级特征的钢板表面缺陷检测方法，具有强大的缺陷分类能力，且能够完整的获得缺陷的具体类别以及精确的位置信息，同时降低了检测所需硬件的配置。

技术领域

本发明涉及钢板缺陷检测技术领域，尤其涉及一种基于卷积神经网络多级特征的钢板表面缺陷检测方法。

背景技术

表面缺陷检测是工业制造的重要环节之一，一个好的检测结果可以指导后续的质量评估系统，实现对钢板质量进行准确评定。一个完整的缺陷检测系统要能获得每个缺陷的具体类别和精确位置。

表面缺陷检测方法的最终目的是获取目标缺陷的类别和位置。早期的传统方法是使用不同方法提取手工特征，例如HOG和LBP，然后利用滑窗法获取目标的大致位置，最后基于这些区域使用分类器进行分类，如SVM。此类的方法所执行的并不是完整的缺陷检测，由于它们所获得的只是缺陷的大致位置，而且方法的选择过于主观，检测结果主要取决于手工特征的选择。

目前，深度学习技术在视觉领域取得了巨大成功，而将深度学习技术用于缺陷检测是可以预见的。与传统的缺陷检测方法不同，深度学习是一种基于全局分析的方法，建立对于输入数据的整体的表示模型。卷积神经网络利用深层次来提取高抽象层次的特征，对比微妙的手工特征选择方法，卷积网络特征具有更加优越的普遍性和迁移性。而且，基于卷积神经网络的方法可以实现端对端检测，构建更加智能的检测系统。最后，基于卷积神经网络的方法能够基于大量数据进行训练并提高网络的能力。但目前针对于基于深度学习的缺陷检测方法依旧存在问题：如缺少对应数据，不能获得缺陷的精确位置以及分类能力不足等问题。

发明内容

针对现有技术的缺陷，本发明提供一种基于卷积神经网络多级特征的钢板表面缺陷检测方法，实现对钢板表面缺陷进行检测。

基于卷积神经网络多级特征的钢板表面缺陷检测方法，包括以下步骤：

步骤1、选取适当的基准网络，然后使用大型数据集ImageNet对该基准网络进行预训练；

所述基准网络选取高度模块化的残差网络ResNet34和ResNet50，两个残差网络均包括第一层卷积层conv1，四个残差模块{R2,R3,R4,R5}以及后续的全局最大池化层和分类输出层；两个残差网络不同的地方是残差模块中的卷积层数和卷积核数不同；

步骤2、建立用于微调训练的专用缺陷检测数据集；

所述步骤2建立专用的缺陷检测数据集，其中的缺陷图像具有对应的真实框标注，每个标注指定对应缺陷的类别，而且包围框指示了缺陷的位置；

步骤3、基于步骤1的基准网络，搭建整体检测网络，并设置该网络结构的超参数，包括卷积层数、卷积核数、卷积核滑动步长、池化方式和激活函数类型；

步骤4、搭建多级特征融合网络，并将其与整体检测网络合并，得到缺陷检测网络，具体方法为：

步骤4.1、所述多级特征融合网络包括四个分支，定义为{B2,B3,B4,B5}，与残差网络的四个残差模块{R2,R3,R4,R5}输出的特征图对应；每个分支连接在四个残差模块的最后一层，然后分别处理对应的特征图，将其分辨率与尺寸统一；

多级特征融合网络的每个分支的具体设置分别为：