[发明专利]钢卷端面的缺陷样本生成方法、模型训练方法、系统及电子设备

说明书

本发明提供一种钢卷端面的缺陷样本生成方法、模型训练方法、系统及电子设备，所述钢卷端面的缺陷样本生成方法通过获取一具有缺陷的钢卷端面图像，并获得对应的具有多个频谱值的第一频谱图，建立一经过所述第一频谱图中心的直线，所述直线可基于所述中心对多个频谱值进行遍历，计算出直线经过的多个频谱值的均值最大时对应的直线方向，将每一频谱值到所述直线的距离小于预设阈值的频谱值归零，获得所需钢卷端面缺陷训练样本。使获得的钢卷端面缺陷训练样本抑制了钢卷端面特征，加强了缺陷特征的语义信息，提高了对钢卷缺陷识别神经网络的训练的效率，减少训练所需的样本数量，降低训练成本。

【技术领域】

本发明涉及神经网络钢卷端面缺陷训练样本生成领域，特别涉及一种钢卷端面的缺陷样本生成方法、模型训练方法、系统及电子设备。

【背景技术】

在机器视觉领域，目前已经有很多缺陷检测的应用，例如特征点检测方法与深度学习算法；但大多数缺陷检测的背景都较为简单，纹理较少且变化不大，背景造成的干扰相对较小；而在深度学习领域，要达到较高的识别准确率往往需要获取大量样本进行训练，小样本学习一直都是一个难点。

然而对于钢卷端面缺陷检测等工业领域的缺陷检测而言，一方面钢卷端面的纹理图案复杂，且目标缺陷可能是任意形态，导致缺陷样本的语义信息不足，造成深度神经网络收敛状况不佳从而导致分类准确率不佳。另一方面缺陷样本较少，缺陷样本难以批量获取，因此直接采用特征点匹配或者深度学习来进行缺陷检测的方法难以到达满意的准确率。

【发明内容】

为了克服目前现有钢卷端面的缺陷样本不佳的问题，本发明提供一种钢卷端面的缺陷样本生成方法、模型训练方法、系统及电子设备。

本发明为解决上述技术问题，提供一技术方案如下：一种钢卷端面的缺陷样本生成方法，包括如下步骤:步骤S1：获取一具有缺陷的钢卷端面图像；步骤S2：将所述钢卷端面图像进行预处理，获得对应的具有多个频谱值的第一频谱图；步骤S3：建立一经过所述第一频谱图中心的直线，所述直线可基于所述中心对多个频谱值进行遍历，并基于所述直线经过的多个频谱值，计算出直线经过的多个频谱值的均值最大时对应的直线方向；及步骤S4：基于所述直线方向，将每一频谱值到所述直线的距离小于预设阈值的频谱值归零，获得所需钢卷端面缺陷训练样本。

优选地，步骤S1与步骤S2之间还包括：步骤S10：将所述钢卷端面图像输入至RGB通道，获得RGB通道图像；及在步骤S4之后还包括步骤S5：步骤S5：将所述钢卷端面缺陷训练样本与所述三张RGB通道图像进行通道叠加，获得最终钢卷端面缺陷训练样本。

优选地，步骤S2具体包括如下步骤：步骤S21：将所述钢卷端面图像进行灰度化处理，获得灰度图像；步骤S22：将所述灰度图像转换为对应的具有多个频谱值的初始频谱图；步骤S23：将所述初始频谱图进行频谱中心化处理，获得中心频谱图；及步骤S24：将所述中心频谱图中的每一频谱值取绝对值，获得第一频谱图。

优选地，步骤S3具体包括如下步骤：步骤S31：建立一经过所述第一频谱图中心的直线；步骤S32：所述直线以所述中心为原点，在所述第一频谱图上进行遍历，计算出所述直线每一斜率下经过多个频谱值的均值；及步骤S33：选取所述均值最大时对应直线的斜率，该斜率对应的直线方向为钢卷端面的径向方向。

优选地，步骤S1具体包括如下步骤：步骤S11：获取一具有缺陷的钢卷端面特征及背景特征的初始图像；及步骤S12：将所述背景特征去除，获得具有缺陷的钢卷端面图像。

优选地，步骤S4具体包括如下步骤：步骤S41：基于所述直线方向，将每一频谱值到所述直线的距离小于预设阈值的频谱值归零，获得第二频谱图；及步骤S42：将所述第二频谱图转换为具有缺陷的特征图，获得钢卷端面缺陷训练样本。

本发明还提供一种模型训练方法，包括：将如上述任一项所述钢卷端面的缺陷样本生成方法获得的钢卷端面缺陷训练样本输入至一卷积神经网络中进行训练，以获得适用于钢卷端面缺陷识别的模型。