[发明专利]基于生成式对抗网络的热轧带钢表面缺陷检测方法有效

专利信息
申请号: 201910338448.7 申请日: 2019-04-25
公开(公告)号: CN110097543B 公开(公告)日: 2023-01-13
发明(设计)人: 徐林;田歌 申请(专利权)人: 东北大学
主分类号: G06T7/00 分类号: G06T7/00;G06N3/04;G06N3/00
代理公司: 沈阳优普达知识产权代理事务所(特殊普通合伙) 21234 代理人: 张志伟
地址: 110169 辽*** 国省代码: 辽宁;21
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 生成 对抗 网络 热轧 带钢 表面 缺陷 检测 方法
【说明书】:

发明是一种基于生成式对抗网络的热轧带钢表面缺陷检测方法,具体步骤为:(1)提取工业现场热轧带钢表面缺陷图像,并进行图像预处理;(2)构建生成式对抗网络GAN的生成器模型和判别器模型。具体做法是,在生成器的输入中加入条件标签向量c,用于输出分类图像;在生成器训练中引入像素损失Lp,提高生成图像的质量;在判别器中设置判别支路和多分类支路,实现多分类功能并提高分类精度;(3)用粒子群算法PSO对构造的生成式对抗网络参数进行优化;(4)将生成图像和真实图像合并为热轧带钢表面缺陷样本集。本发明提出方法能够解决样本数据不足的问题,提高缺陷图像特征提取的速度和准确度,为热轧带钢表面缺陷检测提供新的有效方法。

技术领域

本发明属于计算机视觉检测技术领域,具体涉及一种基于生成式对抗网络的热轧带钢表面缺陷检测方法。

技术背景

带钢表面缺陷严重影响钢产品的外观、抗疲劳强度、抗腐蚀性和耐磨性等性能,影响钢产品的后续使用,造成不可估量的工业损失。因此带钢产品的缺陷检测是工业生产中非常重要的步骤。带钢表面缺陷检测方法从人工发展为机器检测,提高了速度和识别精度。目前最常见的带钢缺陷检测方法是使用不同手段提取和处理缺陷特征,然后使用分类器对缺陷进行分类。2002年T Ojala等人介绍了一种基于均匀局部二值模式(ULBP)的分类方法,该方法在空间分辨率、灰度变化、旋转等几个方面获得了较好的性能。2013年SantanuGhorai等人提出一种具有离散小波变换(DWT)特征和支持向量机(SVM)的自动视觉检测系统。2013年东北大学宋克臣等介绍了一种基于局部二值模式(LBP)的能够有效抗噪声的带钢缺陷识别方法,平均精度为98%,并且能有效地应用于实际生产。2016年王磊等人采Tetrole变换分解热轧钢板表面图像获得高维的特征向量,降维后送入SVM完成对热轧带钢表面缺陷的分类识别,该方法分类包括横向裂纹等8种缺陷,缺陷分类准确率为97.38%。

生成式对抗网络(Generative Adversarial Network,GAN)是一种生成式模型,其最基本的应用就是建模真实数据的分布和生成样本数据,例如生成图像和视频等。GAN内部使用对抗训练机制,具有出色的学习能力,能够有效处理传统机器学习中所遇到的样本不足的问题,提高特征提取的速度和准确度,为热轧带钢表面缺陷识别提供新的思路。

发明内容

本发明的目的是提出一种基于生成式对抗网络的热轧带钢表面缺陷检测方法,将GAN应用于热轧带钢表面缺陷检测能够解决数据样本少、拟合度低等问题,提高识别精度。

本发明采用的技术方案是:

一种基于生成式对抗网络的热轧带钢表面缺陷检测方法,包括如下步骤:

步骤一:结合工业生产现场的情况,在某钢厂提取工业现场热轧带钢表面缺陷图像,并进行预处理。

步骤二:构建生成式对抗网络GAN的生成模型和判别模型。

对生成式对抗网络中的生成器模型作以下改进。第一,在生成器输入中加入条件标签向量c,即生成器的输入由随机噪声z和条件标签c组成。第二,在生成器训练时引入像素损失Lp,提高生成图像的质量。改进生成器的网络模型结构为:输入为由随机向量和标签向量连接构成的向量,依次经过卷积层Conv、激活层Relu、残差结构Residual Block和反卷积层Deconv。

生成式对抗网络中的判别器模型由判别支路和多分类支路组成。在原始GAN的判别器中引入一个条件标签c作为判别支路,增加一个多分类支路共同构成GAN的判别器。其中判别支路用来判断输入图像是真实图像还是由生成器生成的图像,多分类支路的作用有两个,一是判断输入图像的分类,二是生成分类损失Lcls。判别支路和多分类支路的网络模型类似,由卷积层Conv、激活层LeakyRelu和反卷积层Deconv构成。

步骤三:用粒子群算法PSO对构造的生成式对抗网络参数进行优化。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于东北大学,未经东北大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910338448.7/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top