[发明专利]一种基于迁移学习的钢板表面缺陷的分类方法

说明书

本发明涉及一种基于迁移学习的钢板表面缺陷的分类方法，首先从NEU数据库中获取钢板表面缺陷典型图像样本，并对样本进行数据增强预处理；然后使用在ImageNet数据集（1400万张图像）上预先训练的神经网络Mobilenet模型在NEU钢板表面缺陷样本搭建分类网络实现迁移学习，最后对分类模型所得的结果进行评价。本发明的方法识别钢板表面缺陷的准确率高，分类速度快，解决了传统分类泛化性能差，过程耗时，和模型数据样本不足的问题。能够有效地应用于分类检测钢板的表面缺陷。

技术领域

本发明涉及计算机深度学习领域，特别是一种基于迁移学习的钢板表面缺陷的分类方法。

背景技术

表面缺陷检测是机器视觉领域中非常重要的一项研究内容，近些年来,随着以卷积神经网络(CNN)为代表的深度学习模型的兴起，不少基于深度学习的缺陷检测方法被广泛应用在各种工业场景中。缺陷检测按需求不同可以划分为三个不同的层次:“缺陷分类”、“缺陷定位”和“缺陷分割”。“缺陷分类”需要给出图像的类别信息.“缺陷定位”需要给出缺陷的具体位置，“缺陷分割”需要分割出缺陷并给出缺陷的长度、面积、位置等等一系列信息。

基于深度学习的表面缺陷检测方法，依据数据标签的不同,将其整体分为全监督学习模型、无监督学习模型和其他方法(半监督学习模型和弱监督学习模型)。在全监督模型中,依据输入图像方式和损失函数的差异,分为基于表征学习和度量学习的方法。在表征学习中,根据网络结构的不同可以进一步细分为分类网络、检测网络和分割网络。

在分类网络类别里，由于CNN强大的特征提取能力,采用基于CNN的分类网络目前已成为表面缺陷分类中最常用的模式。通常CNN分类网络的特征提取部分由级联的卷机层+pooling层组成,后面连接全连接层(或averagepooling层)+softmax结构用于分类.一般来说,现有表面缺陷分类的网络常常采用AlexNet,VGG,GoogLeNet,ResNet,DenseNet,SENet,shufftlenet,Mobilenet等网络结构。

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，导致钢板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，辐射光强，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。

发明内容

有鉴于此，本发明的目的是提供一种基于迁移学习的钢板表面缺陷的分类方法，以解决传统分类泛化性能差，过程耗时和模型数据样本不足的问题。

本发明采用以下方案实现：一种基于迁移学习的钢板表面缺陷的分类方法，包括以下步骤：

步骤S1：从NEU surface defect database数据集中获取钢板表面缺陷典型图像样本，并对样本进行预处理；

步骤S2：使用在ImageNet数据集上预先训练的神经网络Mobilenet模型在NEU钢板表面缺陷样本搭建分类网络，用以实现迁移学习；

步骤S3：对步骤S2中搭建的分类模型性能进行评估，计算AP值，绘制召回曲线、AUC曲线和混淆矩阵，用以实现模型评价的可视化；将缺陷图片送入步骤S2迁移学习得到的神经网络模型中得到分类结果。

进一步地，步骤S1中所述对样本进行预处理的具体包括以下步骤：