[发明专利]一种基于改进深度学习的板形识别方法

说明书

本发明公开了一种基于改进深度学习的板形识别方法，涉及冷轧板带技术领域，该方法包括：获取板带钢表面图像，并对板带钢表面图像进行去噪处理；建立基于混合非线性卷积神经网络的板形识别模型；混合非线性卷积神经网络由标准卷积、高斯卷积和其他非线性卷积组成；利用优化算法对板形识别模型的模型参数进行优化；将优化后的模型参数导入板形识别模型，将去噪处理后的板带钢表面图像输入板形识别模型，优化后的板形识别模型进行特征提取并输出板形基本缺陷的隶属度。本发明实现了快速、精确的板形识别，为板形识别方法开辟出一条新的途径，为板形识别与控制技术向着智能化、高精化方向发展提供新的方法。

技术领域

本发明涉及冷轧板带技术领域，尤其涉及一种基于改进深度学习的板形识别方法。

背景技术

板形作为带钢产品的重要性能指标，对板带工业产品的成材率和质量有着非常重要影响。因此，板形识别是冷轧板带生产过程中的重要组成部分，也是板形控制的关键。

目前国内外广泛采用板形仪对钢带进行板形缺陷的识别，已经投入使用的板形仪按其与钢带的接触关系可划分为接触式和非接触式两大类。接触式板形仪采用的检测方法主要有辊式测张法，通过检测辊测得板带钢每个部位的应力值，然后建立数学模型求得板形缺陷的隶属度，该方法已取得了较高的识别精度，但其造价昂贵，维护费用高，并且易划伤板面。非接触式板形仪采用的检测方法主要有电磁法、光学法、测振法、测扰度法及弹性辊变位测距法等，将图像处理方法应用于板形模式识别是一种非接触式板形识别技术，其具有非接触性检测、直观、智能性等优点，但是目前基于图像检测的方法都还存在缺陷的检出率不高、检测速度慢、只能识别单一缺陷等不足。高精度、实时的缺陷分类仍是板形识别中有待解决的关键问题。

发明内容

基于图像的板形识别方法是利用缺陷表面光学特性与正常表面光学特性之间的差异以及缺陷的特征来进行判断和识别，为了改善现有方法在缺陷特征提取方面的不足，本发明提出了一种基于改进深度学习的板形识别方法。

本发明提供的技术方案为：

一种基于改进深度学习的板形识别方法，该方法包括以下步骤：

步骤1、获取板带钢表面图像，并对所述板带钢表面图像进行去噪处理；

步骤2、建立基于混合非线性卷积神经网络的板形识别模型；所述混合非线性卷积神经网络由多种不同的卷积组成，至少包括标准卷积和高斯卷积；

步骤3、利用优化算法对所述板形识别模型的模型参数进行优化；

步骤4、将优化后的模型参数导入所述板形识别模型，将所述去噪处理后的板带钢表面图像输入所述板形识别模型，所述优化后的板形识别模型进行特征提取并输出板形基本缺陷的隶属度。

进一步地，对所述板带钢表面图像进行去噪处理，包括：利用非局部均值去噪算法对所述板带钢表面图像进行去噪处理。

进一步地，所述HN卷积神经网络的输出为左边浪、右边浪、中间浪、双边浪、右三分浪、左三分浪、四分浪和边中浪。

进一步地，利用优化算法对所述板形识别模型的模型参数进行优化，包括：

确定所述板形识别模型的训练样本；

使用轮盘赌算法确定所述混合非线性卷积神经网络中每个通道的卷积类型；

初始化所述板形识别模型的模型参数；

使用自适应矩估计算法优化所述模型参数，得到优化后的模型参数。

进一步地，初始化所述板形识别模型的模型参数，包括：

a)给定标准卷积概率α₁、高斯卷积概率α₂，且α₁+α₂＝1；卷积层的通道数量k；