[发明专利]一种基于神经网络的辊面检测、识别和分析方法在审

专利信息
申请号: 202110549011.5 申请日: 2021-05-20
公开(公告)号: CN115375605A 公开(公告)日: 2022-11-22
发明(设计)人: 瞿海霞;徐普跃;张群亮;谢麒麟;侯晓光;郑建聪;王振 申请(专利权)人: 宝山钢铁股份有限公司;沈阳埃克斯邦科技有限公司
主分类号: G06T7/00 分类号: G06T7/00;G06T7/13;G06V10/764;G06V10/82;G06N3/04;G06N3/08
代理公司: 上海集信知识产权代理有限公司 31254 代理人: 周成
地址: 201900 *** 国省代码: 上海;31
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 神经网络 检测 识别 分析 方法
【权利要求书】:

1.一种基于神经网络的辊面检测方法,其特征在于,包括以下步骤:

对采集的钢材辊面原始图片进行分割;

对分割的钢材辊面图片进行图像增强处理;

将增强处理后的钢材辊面图片输入已经训练好的卷积神经网络模型,得出最终的检测结果。

2.如权利要求1所述的一种基于神经网络的辊面检测方法,其特征在于,所述对采集的钢材辊面原始图片进行分割的方法包括以下步骤:

对钢材辊面原始图像进行预处理,突出特征检测区域且过滤掉干扰区域,将预处理后的图像进行尺度归一化,统一深度网络的输入图像;

对上述的图像进行高斯滤波器滤波处理,同时对所述的图像中的阴影部分的干扰项进行淡化,采用Canny边缘检测算法提取图像的边缘;

对所述图像进行形态学的操作,获得多个密封的连通区域,对所述连通区域标记和分类,求算所述连通区域的平均像素值,判断特征检测区域;

将所述特征检测区域从原始图像中分割出来,其他的连通区域直接填充黑色代替。

3.如权利要求1所述的一种基于神经网络的辊面检测方法,其特征在于,所述对分割的钢材辊面图片进行图像增强处理的方法包括以下步骤:

对图像进行水平翻转和上下翻转;

对图像进行光照调节;

对图像进行高斯噪声添加;

对图像进行平移、旋转和尺度仿射变换。

4.如权利要求1所述的一种基于神经网络的辊面检测方法,其特征在于,所述卷积神经网络模型为LeNet-5结构,所述LeNet-5结构包含输入层、卷积层C1、下采样层S2、卷积层C3、下采样层S4、卷积层C5、输入层F6和输出层。

5.如权利要求4所述的一种基于神经网络的辊面检测方法,其特征在于,所述卷积层C1包括6组特征图,每幅特征图有26个训练参数,卷积层中得到的特征图通过激活函数所得,所述激活函数如下式:

所述下采样层S2包括6个特征图,每个所述特征图中的每个神经元以所述卷积层C1中对应特征图的2*2的局部邻域作为输入,所以下采样层S2中特征图的大小为所述卷积层C1中特征图大小的1/4;

所述卷积层C3共包括16个特征图,所述卷积层C3得到的特征图对应输入为所述下采样层S2中特征图的不同组合,其中前6个特征图的输入为S2中三个相邻特征图的组合,接下来的6个特征图的输入为所述下采样层S2中四个相邻特征图的组合,最后4个特征图的输入为所述下采样层S2中不相邻特征图的组合,所述卷积层C3卷积的公式表示如下:

其中:down()表示下采样函数,一般为对输入图像中的n*n邻域的像素求平均值或者最大值,每个特征图包含参数β和b;

所述下采样层S4包含16个特征图,每个所述特征图中的每个神经元对应所述卷积层C3中对应特征图中2*2大小的局部邻域,所述下采样层S4层特征图的大小为5*5,所以下采样层S4需要训练的参数为32;

所述卷积层C5包括120个特征图,所述卷积层C5的特征图与所述下采样层S4中5*5特征图的邻域相连;

所述输入层F6包含84个神经元,所述输入层F6与所述卷积层C5的特征图为全连接。

6.如权利要求1所述的一种基于神经网络的辊面检测方法,其特征在于,所述将增强处理后的钢材辊面图片输入已经训练好的卷积神经网络模型包括以下步骤:

前向传播阶段,将训练数据中的一个样本输入CNN,通过网络的学习计算得到输出层的实际输出;

反向传播阶段,根据计算出的实际输出与对应的目标之间的误差大小,按照极小化的规则反向传播并微调网络中对应的参数。

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宝山钢铁股份有限公司;沈阳埃克斯邦科技有限公司,未经宝山钢铁股份有限公司;沈阳埃克斯邦科技有限公司许可,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/202110549011.5/1.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