CN108021938A - 一种冷轧带钢表面缺陷在线检测方法以及检测系统 - Google Patents

一种冷轧带钢表面缺陷在线检测方法以及检测系统 Download PDF

Info

Publication number
CN108021938A
CN108021938A CN201711224806.9A CN201711224806A CN108021938A CN 108021938 A CN108021938 A CN 108021938A CN 201711224806 A CN201711224806 A CN 201711224806A CN 108021938 A CN108021938 A CN 108021938A
Authority
CN
China
Prior art keywords
cold
defect
strip steel
steel surface
defects
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711224806.9A
Other languages
English (en)
Inventor
夏志
何涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wisdri Engineering and Research Incorporation Ltd
Original Assignee
Wisdri Engineering and Research Incorporation Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wisdri Engineering and Research Incorporation Ltd filed Critical Wisdri Engineering and Research Incorporation Ltd
Priority to CN201711224806.9A priority Critical patent/CN108021938A/zh
Publication of CN108021938A publication Critical patent/CN108021938A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及冷轧带钢表面缺陷检测技术领域，提供了一种冷轧带钢表面缺陷在线检测方法，其特征在于，包括以下步骤：步骤S1、利用光线照射冷轧带钢，接收冷轧带钢所反射的图像；步骤S2、对所述图像进行预处理；步骤S3、构建冷轧带钢表面缺陷检测深度学习网络，利用所述冷轧带钢缺陷检测深度学习网络提取所述缺陷图像的缺陷特征，并识别所述缺陷特征的缺陷种类；步骤S4、根据所述缺陷种类、严重程度、所述缺陷特征的数量以及分布情况判定冷轧带钢的质量等级。本发明提供的冷轧带钢表面缺陷在线检测方法可以快速识别冷轧带钢表面缺陷的本质的缺陷种类，适应性好。

Description

一种冷轧带钢表面缺陷在线检测方法以及检测系统
技术领域
本发明涉及冷轧带钢表面缺陷检测技术领域，尤其涉及一种冷轧带钢表面缺陷在线检测方法以及检测系统。
背景技术
冷轧带钢表面质量的判定主要依据冷轧带钢表面缺陷的种类、严重程度、缺陷的数量和分布情况来确定，极需提高现有冷轧带钢表面缺陷在线检测系统的识别效果。
目前，冷轧带钢表面缺陷在线检测系统大都通过计算机视觉技术实现，包括目标分割、人工缺陷特征提取、人工特征描述计算、统计方法或浅层网络识别几个步骤。由于冷轧带钢表面缺陷图像类型多样且对比度低，图像缺陷的准确分割、人工特征的有效描述以及人工特征的准确选取往往很困难，需要启发式方法和非常专业的知识，对象针对性强，适应性较差，缺乏较好的通用性。
另外，现有冷轧带钢表面缺陷在线检测系统一般利用多台计算机搭建基于多CPU的计算平台，由于CPU自身串行计算的特点，对于图像处理和神经网络训练需要很强的并行处理能力，而且计算效果不理想。
因此有必要设计一种冷轧带钢表面缺陷在线检测方法，以克服上述问题。
发明内容
本发明的目的在于克服现有技术之缺陷，提供了一种冷轧带钢表面缺陷在线检测方法，利用深度学习网络，通过模拟视觉感知系统的层次结构，建立含有丰富隐层结构的机器学习模型，通过大量的样本数据训练，可以获得有用的本质特征，提高缺陷分类识别以及检测的准确性。。
本发明是这样实现的：
本发明提供一种冷轧带钢表面缺陷在线检测方法，包括以下步骤：
步骤S1、利用光线照射冷轧带钢，接收冷轧带钢所反射的缺陷图像；
步骤S2、对所述缺陷图像进行预处理；
步骤S3、构建冷轧带钢表面缺陷检测深度学习网络，利用所述冷轧带钢缺陷检测深度学习网络提取所述缺陷图像的缺陷特征，并识别所述缺陷特征的缺陷种类；
步骤S4、根据所述缺陷种类、严重程度、所述缺陷特征的数量以及分布情况判定冷轧带钢的质量等级。
进一步地，所述步骤S2进一步包括以下子步骤：
步骤S21、对所述缺陷图像进行灰度化处理；
步骤S22、从所述缺陷图像中分割出缺陷区域。
进一步地，所述冷轧带钢表面缺陷检测深度学习网络包括输入层、卷积层、全连接层以及输出层，所述输入层接收所述缺陷图像，所述卷积层有多层，每一层所述卷积层均包括多个特征图，每一所述特征图均通过一种卷积滤波器提取所述图像的一种所述缺陷特征，所述全连接层有多层，每一层所述全连接层均包括多个神经元，所述输出层包括多个径向基函数单元，所述输出层输出所述缺陷图像的缺陷种类。
进一步地，所述构建冷轧带钢表面缺陷检测深度学习网络具体包括以下子步骤：
步骤S31、收集冷轧带钢表面缺陷图像的样本数据，对所述样本数据进行缺陷分类，每一类所述样本数据对应一个缺陷代码，利用所述缺陷代码对所述样本数据进行标记，所述样本数据分为训练样本数据和验证样本数据；
步骤S32、利用所述训练样本数据对所述冷轧带钢表面缺陷检测深度学习网络进行缺陷识别训练，利用所述验证样本数据对所述冷轧带钢表面缺陷检测深度学习网络进行缺陷识别验证；
步骤S33、当所述冷轧带钢表面缺陷检测深度学习网络的缺陷识别准确率高于预设准确率时，存储所述冷轧带钢表面缺陷检测深度学习网络，否则调整所述冷轧带钢表面缺陷检测深度学习网络的学习参数并转步骤S32。
进一步地，所述缺陷识别训练具体分为两个阶段：
第一阶段、前向传播阶段，所述样本数据输入所述冷轧带钢表面缺陷检测深度学习网络，输出缺陷种类；
第二阶段、后传播阶段，对比输出的缺陷种类与所述样本数据上所标记的缺陷代码，根据对比结果调整所述学习参数。
进一步地，所述学习参数包括特征图的数量、核大小、步长、神经元的数量、学习率以及训练代数。
进一步地，所述冷轧带钢表面缺陷检测深度学习网络基于TensorFlow或Caffe在CUDA混合计算平台构建。
本发明还提供一种冷轧带钢表面缺陷在线检测系统，括LED光源、相机以及缺陷在线检测服务器；
LED光源，用于产生光线照射冷轧带钢；
相机，位于所述光线的反射光路上，用于接收冷轧带钢所反射的缺陷图像；
缺陷在线检测服务器，与所述相机电连接，用于对所述缺陷图像进行预处理；
所述缺陷在线检测服务器还用于构建冷轧带钢表面缺陷检测深度学习网络，利用所述冷轧带钢缺陷检测深度学习网络提取所述缺陷图像的缺陷特征，识别所述缺陷特征的缺陷种类，并根据所述缺陷种类、严重程度、所述缺陷特征的数量以及分布判定冷轧带钢的质量等级。
进一步地，所述相机为CMOS相机。
进一步地，冷轧带钢表面缺陷在线检测系统还包括显示器，所述显示器与所述缺陷在线检测服务器电连接，并用于显示检测结果。
本发明具有以下有益效果：
1、冷轧带钢表面缺陷检测深度学习网络通过大量的数据训练，可以获取冷轧带钢表面缺陷图像的本质特征，提高缺陷识别的准确性；
2、通过冷轧带钢表面缺陷检测深度学习网络提取缺陷特征，省去了人工抽取缺陷特征的过程，适应性好且花费的时间较短；
3、冷轧带钢表面缺陷检测深度学习网络基于开源工具TensorFlow或Caffe在CUDA混合计算平台构建，通过CUDA混合计算平台，显著缩短训练和在线检测时间；
4、检测系统基于CMOS相机实现成像，CMOS相机在可见光领域性能优异且成本较低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种冷轧带钢表面缺陷在线检测方法的流程图；
图2为本发明实施例提供的一种冷轧带钢表面缺陷在线检测方法的冷轧带钢表面缺陷检测深度学习网络的结构示意图；
图3为本发明实施例提供的一种冷轧带钢表面缺陷在线检测系统的结构示意图。
图中：1、LED光源，2、相机，3、缺陷在线检测服务器，4、冷轧带钢，5、显示器。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1，本发明实施例提供一种冷轧带钢表面缺陷在线检测方法，包括以下步骤：
步骤S1、利用光线照射冷轧带钢，接收冷轧带钢所反射的缺陷图像；
步骤S2、对所述缺陷图像进行预处理；
步骤S3、构建冷轧带钢表面缺陷检测深度学习网络，利用所述冷轧带钢缺陷检测深度学习网络提取所述缺陷图像的缺陷特征，并识别所述缺陷特征的缺陷种类；
步骤S4、根据所述缺陷种类、严重程度、所述缺陷特征的数量以及分布情况判定冷轧带钢的质量等级。
本发明实施例提供的检测方法应用深度学习网络，通过模拟视觉感知系统的层次结构建立含有丰富隐层结构的冷轧带钢表面缺陷检测深度学习网络，通过大量的数据训练，并逐层学习获得冷轧带钢表面缺陷图像的本质的缺陷特征，提高缺陷识别的准确性，省去人工抽取冷轧带钢表面缺陷图像特征的过程，提高分类识别以及检测的准确性，适应性好。
优选的，所述步骤S2进一步包括以下子步骤：
步骤S21、对所述缺陷图像进行灰度化处理；
步骤S22、从所述缺陷图像中分割出缺陷区域。
图像的预处理便于后续的缺陷种类的识别。
优选的，如图2，冷轧带钢表面缺陷检测深度学习网络在卷积神经网络和径向基神经网络的基础上构建，所述冷轧带钢表面缺陷检测深度学习网络包括输入层、卷积层、全连接层以及输出层。所述输入层接收所述缺陷图像，本实施例输入图像的像素为227*227。所述卷积层有多层，本实施例中卷积层为5层，每一层所述卷积层均包括多个特征图，每一所述特征图均通过一种卷积滤波器(图中未示出)提取所述图像的一种所述缺陷特征。所述全连接层有多层，本实施例中全连接层为3层，每一层所述全连接层均包括多个神经元。特征图的数量和神经元的数量都可以依据需求和规则进行调整。本实施例中5层卷积层所包含的特征如图数量分别为：96、256、384、384、256，5层卷积层的核大小分别为：11、5、3、3、3，5层卷积层的步长分别为：4、1、1、1、1。3层全连接层所包含的神经元数量分别为：4096、4096、99。所述输出层包括多个径向基函数单元，每个所述缺陷种类对应一个径向基函数单元。所述输出层输出所述缺陷图像的缺陷种类。
冷轧带钢表面缺陷检测深度学习网络的输入为冷轧带钢表面缺陷的缺陷图像的像素，省去了人工特征抽取的过程，适应性好且耗时较短。
优选的，所述构建冷轧带钢表面缺陷检测深度学习网络具体包括以下子步骤：
步骤S31、收集冷轧带钢表面缺陷图像的样本数据，参考《宝钢冷轧产品表面质量评定手册》对所述样本数据进行缺陷分类，一种分为99类，每类手机1000张样本数据，本实施例以99类缺陷、每类缺陷1000张样本数据为例说明，很显然缺陷种类以及样本数据还可为其他数量。每一类所述样本数据对应一个缺陷代码，利用所述缺陷代码对所述样本数据进行标记。所述样本数据分为训练样本数据和验证样本数据。本实施例一共收集99x1000＝99000个样本数据，其中80％样本数据用于训练作为训练样本数据，20％样本数据用于验证验证作为验证样本数据，很显然，训练样本数据和验证样本数据的比例还可以为其他比例。
步骤S32、利用所述训练样本数据对所述冷轧带钢表面缺陷检测深度学习网络进行缺陷识别训练，利用所述验证样本数据对所述冷轧带钢表面缺陷检测深度学习网络进行缺陷识别验证；
步骤S33、当所述冷轧带钢表面缺陷检测深度学习网络的缺陷识别准确率高于预设准确率时，存储所述冷轧带钢表面缺陷检测深度学习网络，否则调整所述冷轧带钢表面缺陷检测深度学习网络的学习参数并转步骤S32。本实施例预设准确率为95％，很显然，预设准确率还可设定为其他百分比。
通过训练可以获得冷轧带钢表面缺陷图像的本质的缺陷特征，
优选的，所述缺陷识别训练具体分为两个阶段：
第一阶段、前向传播阶段，所述样本数据输入所述冷轧带钢表面缺陷检测深度学习网络，输出缺陷种类；
第二阶段、向后传播阶段，对比输出的缺陷种类与所述样本数据上所标记的缺陷代码，根据对比结果调整所述学习参数。
采用有监督训练的反向传播算法进行缺陷识别训练，第一阶段是前向传播，样本直接输入学习网络的输入层，经过卷积层、全连接层，逐层变换，逐层映射，直到输出层，输出层输出缺陷种类；第二阶段是向后传播阶段，用输出层输出的缺陷种类与标记好的样本数据进行对比，并对整个学习网络的学习参数进行有监督的调优。
优选的，所述学习参数包括特征图的数量、核大小、步长、神经元的数量、学习率以及训练代数。学习参数的设置与缺陷识别准确率息息相关。
优选的，所述冷轧带钢表面缺陷检测深度学习网络基于TensorFlow或Caffe在CUDA混合计算平台构建。CUDA(ComputeUnifiedDeviceArchitecture)是NVIDIA推出的运算平台，CUDA采用混合计算架构结合CPU的串行计算以及GPU的并行计算。基于开源工具TensorFlow或Caffe在CUDA计算平台构建冷轧带钢表面缺陷检测深度学习网络，采用混合计算架构，可以显著缩短训练和在线检测时间。
本发明实施例还提供一种冷轧带钢表面缺陷在线检测系统(以下简称检测系统)，包括LED光源1相机2以及缺陷在线检测服务器3；
LED光源1，用于产生光线照射冷轧带钢4；
相机2，位于所述光线的反射光路上，用于接收冷轧带钢4所反射的缺陷图像；
缺陷在线检测服务器3，与所述相机2电连接，用于对所述缺陷图像进行预处理；
所述缺陷在线检测服务器3还用于构建冷轧带钢表面缺陷检测深度学习网络，利用所述冷轧带钢缺陷检测深度学习网络提取所述缺陷图像的缺陷特征，识别所述缺陷特征的缺陷种类，并根据所述缺陷种类、严重程度、所述缺陷特征的数量以及分布判定冷轧带钢4的质量等级。
LED光源1的光线照射到冷轧带钢4上，相机2接收冷轧带钢4反射的光线形成的缺陷图像并将缺陷图像传输到缺陷在线检测服务器3，缺陷在线检测服务器3识别冷轧带钢4表面缺陷情况并判定冷轧带钢质量等级。
LED光源1优选采用红色LED光源。
冷轧带钢表面缺陷检测深度学习网络基于TensorFlow或Caffe在CUDA混合计算平台构建，因此缺陷在线检测服务器3选择支持CUDA计算平台的服务器
本发明实施例提供的检测系统，其实现原理上述检测方法相同，因此上述检测方法所具有的技术效果，检测系统同样具有，在此不再赘述。
优选的，所述相机2为CMOS相机。CMOS相机在可见光领域性能优异且成本较低。CMOS相机优选采用线阵CMOS相机。
优选的，检测系统还包括显示器5，所述显示器5与所述缺陷在线检测服务器3电连接，并用于显示检测结果。缺陷在线检测服务器3接收缺陷图像并识别冷轧带钢表面缺陷种类、判定冷轧带钢质量等级，同时将缺陷图像、缺陷种类以及判定结果输出到显示器5，使得检测结果可视化。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种冷轧带钢表面缺陷在线检测方法，其特征在于，包括以下步骤：
步骤S1、利用光线照射冷轧带钢，接收冷轧带钢所反射的缺陷图像；
步骤S2、对所述缺陷图像进行预处理；
步骤S3、构建冷轧带钢表面缺陷检测深度学习网络，利用所述冷轧带钢缺陷检测深度学习网络提取所述缺陷图像的缺陷特征，并识别所述缺陷特征的缺陷种类；
步骤S4、根据所述缺陷种类、严重程度、所述缺陷特征的数量以及分布情况判定冷轧带钢的质量等级。
2.如权利要求1所述的冷轧带钢表面缺陷在线检测方法，其特征在于：所述步骤S2进一步包括以下子步骤：
步骤S21、对所述缺陷图像进行灰度化处理；
步骤S22、从所述缺陷图像中分割出缺陷区域。
3.如权利要求1所述的冷轧带钢表面缺陷在线检测方法，其特征在于：所述冷轧带钢表面缺陷检测深度学习网络包括输入层、卷积层、全连接层以及输出层，所述输入层接收所述缺陷图像，所述卷积层有多层，每一层所述卷积层均包括多个特征图，每一所述特征图均通过一种卷积滤波器提取所述图像的一种所述缺陷特征，所述全连接层有多层，每一层所述全连接层均包括多个神经元，所述输出层包括多个径向基函数单元，所述输出层输出所述缺陷图像的缺陷种类。
4.如权利要求1所述的冷轧带钢表面缺陷在线检测方法，其特征在于：所述构建冷轧带钢表面缺陷检测深度学习网络具体包括以下子步骤：
步骤S31、收集冷轧带钢表面缺陷图像的样本数据，对所述样本数据进行缺陷分类，每一类所述样本数据对应一个缺陷代码，利用所述缺陷代码对所述样本数据进行标记，所述样本数据分为训练样本数据和验证样本数据；
步骤S32、利用所述训练样本数据对所述冷轧带钢表面缺陷检测深度学习网络进行缺陷识别训练，利用所述验证样本数据对所述冷轧带钢表面缺陷检测深度学习网络进行缺陷识别验证；
步骤S33、当所述冷轧带钢表面缺陷检测深度学习网络的缺陷识别准确率高于预设准确率时，存储所述冷轧带钢表面缺陷检测深度学习网络，否则调整所述冷轧带钢表面缺陷检测深度学习网络的学习参数并转步骤S32。
5.如权利要求4所述的冷轧带钢表面缺陷在线检测方法，其特征在于：所述缺陷识别训练具体分为两个阶段：
第一阶段、前向传播阶段，所述样本数据输入所述冷轧带钢表面缺陷检测深度学习网络，输出缺陷种类；
第二阶段、后传播阶段，对比输出的缺陷种类与所述样本数据上所标记的缺陷代码，根据对比结果调整所述学习参数。
6.如权利要求4所述的冷轧带钢表面缺陷在线检测方法，其特征在于：所述学习参数包括特征图的数量、核大小、步长、神经元的数量、学习率以及训练代数。
7.如权利要求1所述的冷轧带钢表面缺陷在线检测方法，其特征在于：所述冷轧带钢表面缺陷检测深度学习网络基于TensorFlow或Caffe在CUDA混合计算平台构建。
8.一种冷轧带钢表面缺陷在线检测系统，其特征在于，包括LED光源、相机以及缺陷在线检测服务器；
LED光源，用于产生光线照射冷轧带钢；
相机，位于所述光线的反射光路上，用于接收冷轧带钢所反射的缺陷图像；
缺陷在线检测服务器，与所述相机电连接，用于对所述缺陷图像进行预处理；
所述缺陷在线检测服务器还用于构建冷轧带钢表面缺陷检测深度学习网络，利用所述冷轧带钢缺陷检测深度学习网络提取所述缺陷图像的缺陷特征，识别所述缺陷特征的缺陷种类，并根据所述缺陷种类、严重程度、所述缺陷特征的数量以及分布判定冷轧带钢的质量等级。
9.如权利要求8所述的冷轧带钢表面缺陷在线检测系统，其特征在于：所述相机为CMOS相机。
10.如权利要求8所述的冷轧带钢表面缺陷在线检测系统，其特征在于：还包括显示器，所述显示器与所述缺陷在线检测服务器电连接，并用于显示检测结果。
CN201711224806.9A 2017-11-29 2017-11-29 一种冷轧带钢表面缺陷在线检测方法以及检测系统 Pending CN108021938A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711224806.9A CN108021938A (zh) 2017-11-29 2017-11-29 一种冷轧带钢表面缺陷在线检测方法以及检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711224806.9A CN108021938A (zh) 2017-11-29 2017-11-29 一种冷轧带钢表面缺陷在线检测方法以及检测系统

Publications (1)

Publication Number Publication Date
CN108021938A true CN108021938A (zh) 2018-05-11

Family

ID=62077556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711224806.9A Pending CN108021938A (zh) 2017-11-29 2017-11-29 一种冷轧带钢表面缺陷在线检测方法以及检测系统

Country Status (1)

Country Link
CN (1) CN108021938A (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921846A (zh) * 2018-07-17 2018-11-30 北京航空航天大学 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法
CN108931526A (zh) * 2018-05-28 2018-12-04 中冶南方工程技术有限公司 基于多任务调度机制的带钢表面缺陷检测方法
CN109472773A (zh) * 2018-09-29 2019-03-15 广东工业大学 一种针对led的缺陷检测方法
CN109580629A (zh) * 2018-08-24 2019-04-05 绍兴文理学院 曲轴止推片智能检测方法及系统
CN109692877A (zh) * 2018-12-29 2019-04-30 中冶南方工程技术有限公司 一种冷轧带钢表面质量管理系统及方法
CN109829914A (zh) * 2019-02-26 2019-05-31 视睿（杭州）信息科技有限公司 检测产品缺陷的方法和装置
CN109975308A (zh) * 2019-03-15 2019-07-05 维库（厦门）信息技术有限公司 一种基于深度学习的表面检测方法
CN110009618A (zh) * 2019-04-02 2019-07-12 浙江大学 一种轴类零件表面质量检测方法及装置
CN110174409A (zh) * 2019-06-14 2019-08-27 北京科技大学 一种基于实时检测结果的中厚板周期性缺陷控制方法
CN110320337A (zh) * 2019-06-05 2019-10-11 广州Jfe钢板有限公司 一种带钢表面质量自动判级系统和方法
CN110349126A (zh) * 2019-06-20 2019-10-18 武汉科技大学 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN110363253A (zh) * 2019-07-25 2019-10-22 安徽工业大学 一种基于卷积神经网络的热轧带钢表面缺陷分类方法
CN110428175A (zh) * 2019-08-05 2019-11-08 东北大学秦皇岛分校 一种基于深度学习的热轧带钢板凸度预报方法
CN111259908A (zh) * 2020-03-24 2020-06-09 中冶赛迪重庆信息技术有限公司 基于机器视觉的钢卷号识别方法、系统、设备及存储介质
CN112116224A (zh) * 2020-09-02 2020-12-22 江苏势起工程项目管理有限公司 一种基于全过程工程咨询的风险评估方法及装置
CN112465758A (zh) * 2020-11-19 2021-03-09 河南省科学院应用物理研究所有限公司 一种铝基覆铜板质量的诊断方法
CN112598621A (zh) * 2020-11-27 2021-04-02 攀钢集团西昌钢钒有限公司 一种冷轧带钢表面质量的智能判定方法
CN112802133A (zh) * 2021-04-13 2021-05-14 武汉精测电子集团股份有限公司 一种基于机器视觉的Mini Led显示屏单元板墨色检测分选方法
CN112881424A (zh) * 2021-01-13 2021-06-01 广东省特种设备检测研究院珠海检测院 Ai+荧光渗透小型管件表面缺陷检测及质量分级方法与系统
CN112881403A (zh) * 2021-01-08 2021-06-01 王玮佳 一种热轧带钢表面缺陷检测装置
CN113096073A (zh) * 2021-03-19 2021-07-09 浙江华睿科技有限公司 化纤丝锭表面平整度检测方法及装置
CN113111092A (zh) * 2021-03-15 2021-07-13 中冶南方工程技术有限公司 一种基于冷轧全流程数据的硅钢铁损预测方法
CN113260854A (zh) * 2018-12-25 2021-08-13 杰富意钢铁株式会社 学习完成模型的生成方法、学习完成模型、表面缺陷检测方法、钢材的制造方法、合格与否判定方法、等级判定方法、表面缺陷判定程序、合格与否判定程序、判定系统及钢材的制造设备
CN113252683A (zh) * 2021-04-19 2021-08-13 唐山学院 一种冷轧带钢表面检测系统的材料分组优化方法
CN114862777A (zh) * 2022-04-22 2022-08-05 广州超音速自动化科技股份有限公司 一种连接片焊接检测方法及其系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040206181A1 (en) * 1999-03-22 2004-10-21 Betriebsforschungsinstitut Vdeh Institut Fur Angewandte Forschung Gmbh Defect type classifying method
CN102253049A (zh) * 2011-06-30 2011-11-23 东北大学 带钢生产过程表面质量在线精准检测方法
CN104517122A (zh) * 2014-12-12 2015-04-15 浙江大学 一种基于优化卷积架构的图像目标识别方法
CN105118044A (zh) * 2015-06-16 2015-12-02 华南理工大学 一种轮形铸造产品缺陷自动检测方法
CN105678379A (zh) * 2016-01-12 2016-06-15 腾讯科技（深圳）有限公司 一种cnn的处理方法和装置
CN105891215A (zh) * 2016-03-31 2016-08-24 浙江工业大学 基于卷积神经网络的焊接视觉检测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040206181A1 (en) * 1999-03-22 2004-10-21 Betriebsforschungsinstitut Vdeh Institut Fur Angewandte Forschung Gmbh Defect type classifying method
CN102253049A (zh) * 2011-06-30 2011-11-23 东北大学 带钢生产过程表面质量在线精准检测方法
CN104517122A (zh) * 2014-12-12 2015-04-15 浙江大学 一种基于优化卷积架构的图像目标识别方法
CN105118044A (zh) * 2015-06-16 2015-12-02 华南理工大学 一种轮形铸造产品缺陷自动检测方法
CN105678379A (zh) * 2016-01-12 2016-06-15 腾讯科技（深圳）有限公司 一种cnn的处理方法和装置
CN105891215A (zh) * 2016-03-31 2016-08-24 浙江工业大学 基于卷积神经网络的焊接视觉检测方法及装置

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108931526B (zh) * 2018-05-28 2021-02-09 中冶南方工程技术有限公司 基于多任务调度机制的带钢表面缺陷检测方法
CN108931526A (zh) * 2018-05-28 2018-12-04 中冶南方工程技术有限公司 基于多任务调度机制的带钢表面缺陷检测方法
CN108921846A (zh) * 2018-07-17 2018-11-30 北京航空航天大学 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法
CN109580629A (zh) * 2018-08-24 2019-04-05 绍兴文理学院 曲轴止推片智能检测方法及系统
CN109472773A (zh) * 2018-09-29 2019-03-15 广东工业大学 一种针对led的缺陷检测方法
CN109472773B (zh) * 2018-09-29 2020-05-05 广东工业大学 一种针对led的缺陷检测方法
CN113260854A (zh) * 2018-12-25 2021-08-13 杰富意钢铁株式会社 学习完成模型的生成方法、学习完成模型、表面缺陷检测方法、钢材的制造方法、合格与否判定方法、等级判定方法、表面缺陷判定程序、合格与否判定程序、判定系统及钢材的制造设备
CN109692877A (zh) * 2018-12-29 2019-04-30 中冶南方工程技术有限公司 一种冷轧带钢表面质量管理系统及方法
WO2020134210A1 (zh) * 2018-12-29 2020-07-02 中冶南方工程技术有限公司 一种冷轧带钢表面质量管理系统及方法
CN109692877B (zh) * 2018-12-29 2020-11-10 中冶南方工程技术有限公司 一种冷轧带钢表面质量管理系统及方法
CN109829914A (zh) * 2019-02-26 2019-05-31 视睿（杭州）信息科技有限公司 检测产品缺陷的方法和装置
CN109975308A (zh) * 2019-03-15 2019-07-05 维库（厦门）信息技术有限公司 一种基于深度学习的表面检测方法
CN110009618A (zh) * 2019-04-02 2019-07-12 浙江大学 一种轴类零件表面质量检测方法及装置
CN110320337A (zh) * 2019-06-05 2019-10-11 广州Jfe钢板有限公司 一种带钢表面质量自动判级系统和方法
CN110174409A (zh) * 2019-06-14 2019-08-27 北京科技大学 一种基于实时检测结果的中厚板周期性缺陷控制方法
CN110349126A (zh) * 2019-06-20 2019-10-18 武汉科技大学 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN110363253A (zh) * 2019-07-25 2019-10-22 安徽工业大学 一种基于卷积神经网络的热轧带钢表面缺陷分类方法
CN110428175A (zh) * 2019-08-05 2019-11-08 东北大学秦皇岛分校 一种基于深度学习的热轧带钢板凸度预报方法
CN110428175B (zh) * 2019-08-05 2022-05-24 东北大学秦皇岛分校 一种基于深度学习的热轧带钢板凸度预报方法
CN111259908A (zh) * 2020-03-24 2020-06-09 中冶赛迪重庆信息技术有限公司 基于机器视觉的钢卷号识别方法、系统、设备及存储介质
CN112116224A (zh) * 2020-09-02 2020-12-22 江苏势起工程项目管理有限公司 一种基于全过程工程咨询的风险评估方法及装置
CN112465758A (zh) * 2020-11-19 2021-03-09 河南省科学院应用物理研究所有限公司 一种铝基覆铜板质量的诊断方法
CN112465758B (zh) * 2020-11-19 2023-04-25 河南省科学院应用物理研究所有限公司 一种铝基覆铜板质量的诊断方法
CN112598621A (zh) * 2020-11-27 2021-04-02 攀钢集团西昌钢钒有限公司 一种冷轧带钢表面质量的智能判定方法
CN112881403A (zh) * 2021-01-08 2021-06-01 王玮佳 一种热轧带钢表面缺陷检测装置
CN112881424A (zh) * 2021-01-13 2021-06-01 广东省特种设备检测研究院珠海检测院 Ai+荧光渗透小型管件表面缺陷检测及质量分级方法与系统
CN113111092A (zh) * 2021-03-15 2021-07-13 中冶南方工程技术有限公司 一种基于冷轧全流程数据的硅钢铁损预测方法
CN113111092B (zh) * 2021-03-15 2022-06-24 中冶南方工程技术有限公司 一种基于冷轧全流程数据的硅钢铁损预测方法
CN113096073A (zh) * 2021-03-19 2021-07-09 浙江华睿科技有限公司 化纤丝锭表面平整度检测方法及装置
CN112802133A (zh) * 2021-04-13 2021-05-14 武汉精测电子集团股份有限公司 一种基于机器视觉的Mini Led显示屏单元板墨色检测分选方法
CN113252683A (zh) * 2021-04-19 2021-08-13 唐山学院 一种冷轧带钢表面检测系统的材料分组优化方法
CN114862777A (zh) * 2022-04-22 2022-08-05 广州超音速自动化科技股份有限公司 一种连接片焊接检测方法及其系统

Similar Documents

Publication Publication Date Title
CN108021938A (zh) 一种冷轧带钢表面缺陷在线检测方法以及检测系统
CN108428227B (zh) 基于全卷积神经网络的无参考图像质量评价方法
CN105046277B (zh) 特征显著性在图像质量评价中的鲁棒机理研究方法
CN111145175B (zh) 一种基于iForest模型验证的SMT焊点缺陷检测方法
CN111985499B (zh) 一种基于计算机视觉的高精度桥梁表观病害识别方法
CN104834933B (zh) 一种图像显著性区域的检测方法和装置
CN107123111B (zh) 一种用于手机屏幕缺陷检测的深度残差网络构造方法
CN108090902A (zh) 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法
CN106156781A (zh) 排序卷积神经网络构建方法及其图像处理方法与装置
CN109584227A (zh) 一种基于深度学习目标检测算法的焊点质量检测方法及其实现系统
CN109272500B (zh) 基于自适应卷积神经网络的织物分类方法
CN108597053A (zh) 基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法
CN108615046A (zh) 一种储粮害虫检测识别方法及装置
CN107742099A (zh) 一种基于全卷积网络的人群密度估计、人数统计的方法
CN105654066A (zh) 一种车辆识别方法及装置
CN107784654A (zh) 图像分割方法、装置及全卷积网络系统
CN110378232B (zh) 改进的ssd双网络的考场考生位置快速检测方法
CN104198498B (zh) 基于自适应正交小波变换的布匹疵点检测方法及装置
CN111667455A (zh) 一种刷具多种缺陷的ai检测方法
CN110210608A (zh) 基于注意力机制和多层次特征融合的低照度图像增强方法
CN109801232A (zh) 一种基于深度学习的单幅图像去雾方法
CN104867144A (zh) 基于混合高斯模型的ic元件焊点缺陷检测方法
CN111222545B (zh) 基于线性规划增量学习的图像分类方法
CN110909657A (zh) 一种隧道表观病害图像识别的方法
CN106650823A (zh) 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180511

RJ01 Rejection of invention patent application after publication