[发明专利]一种基于卷积神经网络的热轧带钢表面缺陷分类方法

说明书

本发明公开了一种基于卷积神经网络的热轧带钢表面缺陷分类方法，属于计算机深度学习领域。本发明首先从NEU数据库中获取热轧带钢表面缺陷典型图像样本，并对样本进行预处理；然后搭建卷积神经网络VGG16模型，基于VGG16模型并结合SGD或Adam优化算法，搭建若干种用于热轧带钢表面缺陷的分类模型；然后基于搭建的若干种分类模型，对步获取的热轧带钢表面缺陷典型图像样本进行识别分类；然后对若干种分类模型所得的结果进行评价，得出最优的分类模型；最后基于最优分类模型，进行热轧带刚表面缺陷分类。本发明的方法识别热轧带钢表面缺陷的准确率高，分类速度快，能够有效地应用于现场实时检测热轧带钢的表面缺陷。

技术领域

本发明涉及计算机深度学习领域，具体涉及一种基于卷积神经网络的热轧带钢表面缺陷 分类方法。

背景技术

在实际热轧带钢生产过程中，因各种物理和化学因素及热轧工艺的复杂性，导致带钢表 面易出现压入氧化皮、划痕、麻面、夹杂、斑块、裂缝等各式各样的缺陷，给产品制造商带 来巨大的经济和商业声誉损失。热轧带钢表面温度高，幅射光强，并且存在水、氧化铁皮及 不均匀光照影响等问题，已经成为采用机器视觉对其进行缺陷检测的主要难点之一，同时其 缺陷形态多样、类内差异大、类间相似性高，更增加了热轧带钢表面缺陷识别算法的开发难 度。在目前热轧带钢的缺陷分类任务中，分类准确率和分类速度一直相互制约的两个指标， 在满足识别精度的同时很难达到实时性要求。因此，实时、正确的热轧带钢表面缺陷分类研 究对带钢生产和质量控制非常重要。

申请号为201410038260.8的专利公开了一种带钢表面缺陷的特征提取与分类方法。该发 明是基于发明人提取的带钢表面样本数据库的基准采样尺寸表，获得基准采样图像，通过对 基准采样图像构造梯度大小-方向共生矩阵，对基准采样图像的缺陷内区域构造灰度大小-方 向共生矩阵，生成特征向量样本的训练库，用K-最近邻和R-最近邻相结合的方法，修剪训练 样本集并提取倍数因子，并利用修剪后样本的倍数因子改进分类器，获得多类别分类器模型。 同时，根据基准采样尺寸表，将缺陷测试样本转为基准采样图像，然后提取25为的特征量， 并输入到多类别分类器模型，完成缺陷的自动识别。由于该发明能够实现尺度和旋转不变， 抑制其它不利因素的影响，因此该方法可提高识别的效率与精度。

申请号为201610439036.9的专利公开了一种带钢表面缺陷识别方法及装置。该发明提供 了一种带钢表面缺陷识别方法及装置，该方法包括：建立缺陷识别模型、获取带钢表面图片、 对带钢表面图片进行预处理、提取预处理后的带钢表面图像的方向梯度直方图HOG特征以 及灰度共生矩阵GLCM特征、通过缺陷识别模型对提取的HOG特征及GLCM特征进行识别， 确定出带钢表面的缺陷信息。该发明实现了通过建立的缺陷识别模型对提取的多种特征进行 识别后，可以快速、准确地识别出图像的缺陷信息，大大提高了缺陷的识别率，识别出的缺 陷的准确性跟高，且能够有效克服几何、光学不变性以及旋转性对图像特征描述所带来的问 题，对于面积型缺陷的识别率很高。

以上方法属于实验方法，都可以对热轧带钢缺陷种类进行预测，但是也存在着同样的缺 点，如耗时耗力，持有不同程度的“假阳性”，“假阴性”特征，使得结果分析比较困难等 等。随着深度学习技术的飞速发展，并在生产生活中深度学习的应用也逐渐普及，计算方法 在深度学习领域的应用也使得热轧带钢图像缺陷的预测取得了极大的改善。对热轧带钢表面 缺陷种类的预测，主要涉及到对缺陷图像特征提取的网络结构搭建的研究与实现，且取得了 不错的成果。近年来，基于机器视觉的热轧带钢表面缺陷检测是一种非接触式的自动检测技 术，已成为缺陷检测领域的研究热点。非接触式的检测技术通过各种特征提取方法对热轧带 钢表面缺陷图像的纹理、边缘等特征进行描绘，同时通过各式各样的分类器区分缺陷图像种 类，并获得了优异的分类性能。但是这些方法很难将图像中包含的所有特征全部提取出来并 有效利用。卷积神经网络被提出后，使热轧带钢表面缺陷的分类准确率和检测速度大幅提升， 但分类准确率低或无法满足实时性要求的问题仍然存在，同时，现有的卷积神经网络模型训 练参数多、系统消耗大、占用内存，同时深层网络会存在“梯度弥散”问题，并且需要利用大 量的样本数据进行预测，这也给热轧带钢表面缺陷分类带来了一定困难。