[发明专利]一种基于神经网络的辊面检测、识别和分析方法

说明书

本发明公开一种基于神经网络的辊面检测方法，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。采用上述技术方案，能够更为快速、准确、全面的检测出辊面缺陷，并进行分类和对辊面质量进行分级评判。本发明还公开了一种基于神经网络的辊面识别方法、基于神经网络的分析方法。

技术领域

本发明涉及质量检测技术，更具体地，涉及一种基于神经网络的辊面检测、识别和分析方法。

背景技术

随着我国钢铁事业的兴盛，对产品质量要求不断提高，同时对产品的检测要求进一步提高。钢材在轧制时，会与轧辊表面产生摩擦、滚动接触、弹塑形变。日积月累，便会使轧辊表面产生缺陷，其表现形式为辊面磨损、压溃、塑性变形、纵横裂、磕伤等现象，严重影响钢材表面质量。因此为了提高钢材产品表面质量，对辊面缺陷的检测及修磨就显得极为重要。

传统的辊面缺陷检测方法是采用人工检查的方式，但这种方式存在着效率低、耗时耗力，通常主观且不产生可审计视觉记录等诸多问题，目前针对轧辊表面缺陷检测的方法有很多，如三维检测、数字图像处理等方法，这些方法虽然能够达到检测的目的，但是由于容易受到各种外部干扰，其信号难以处理并且可能导致检测盲点，此外，这些方法在实时性方面并没有达到理想的效果。而今工业领域对产品质量和一致性的要求越来越高，这就需要设计一种更为高效的方法对轧辊辊面质量检测实现缺陷识别。

发明内容

本发明的目的在于提供一种基于神经网络的辊面检测、识别和分析方法，能够解决现有技术中缺陷检测方法存在着效率低、耗时耗力，主观且不产生可审计视觉记录等技术问题，能够对轧辊辊面质量进行高效地进行缺陷识别。

为了实现上述目的，本发明采用以下技术方案：

本发明提供了一种基于神经网络的辊面检测方法，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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：