CN109215009B - 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 - Google Patents
基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 Download PDFInfo
- Publication number
- CN109215009B CN109215009B CN201710513760.6A CN201710513760A CN109215009B CN 109215009 B CN109215009 B CN 109215009B CN 201710513760 A CN201710513760 A CN 201710513760A CN 109215009 B CN109215009 B CN 109215009B
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- continuous casting
- image block
- adopting
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30116—Casting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的连铸坯表面图像缺陷检测方法,本方法首先对已知连铸坯图像进行图像块预处理,得到缺陷样本集和正常样本集,将图像块随机取四分之三作为训练集,其余为验证集和测试集;采用深度卷积神经网络对缺陷区域进行分类,并在设定参数下采用训练集和验证集训练网络,对测试集进行图像块分类模型测试,得到准确率高的图像块分类模型;对待检图像进行测试,规定图像中含有缺陷图像块为缺陷图像,采用图像块分类模型对该缺陷图像进行分类预测;对预测结果采用一定的算法判断其真伪,得到真缺陷图像。本方法有效提高了检测效率,减少人工工作量,方便缺陷数据的存储及追溯,确保了连铸坯的生产质量。
Description
技术领域
本发明涉及一种基于深度卷积神经网络的连铸坯表面图像缺陷检测方法。
背景技术
在连铸坯生产中,因生产工艺影响,难免会产生裂纹、异物或凹陷等各类缺陷,严重的缺陷会对下一道轧制工艺产生不良的影响,因此连铸坯表面图像应用于缺陷检测非常重要。传统的连铸坯表面图像的缺陷检测由人工读片完成,虽然有一定的准确度,但是成本较高,且人工工作量大,效率低,不利于缺陷数据的存储及追溯,因此连铸坯表面图像实现自动化缺陷检测并标注,对连铸坯的生产具有重要的意义。
发明内容
本发明所要解决的技术问题是提供一种基于深度卷积神经网络的连铸坯表面图像缺陷检测方法,本方法克服传统人工读片进行连铸坯图像检测的缺陷,有效提高了检测效率,减少人工工作量,方便缺陷数据的存储及追溯,确保了连铸坯的生产质量。
为解决上述技术问题,本发明基于深度卷积神经网络的连铸坯表面图像缺陷检测方法包括如下步骤:
步骤一、对已知连铸坯图像进行预处理,从图像原点开始,从上到下每隔128像素、从左到右每隔7像素依次裁剪256×256像素大小的图像区域作为图像块数据集,将包含完整缺陷的图像块作为缺陷样本集,正常无缺陷的图像块作为正常样本集,将裁剪后的图像块随机取四分之三作为训练集,四分之一作为验证集和测试集,并转换为LMDB格式数据集;
步骤二、采用四层卷积层+三层全连接层+Softmax分类层构成的深度卷积神经网络作为提取特征并分类的网络,在基础学习率0.001、验证间隔550次、验证迭代次数250次以及最大迭代次数15000次参数下用训练集和验证集数据对网络进行训练,然后用训练后的网络对测试集进行图像块分类模型测试,得到准确率高的图像块分类模型;
步骤三、对待检测连铸坯图像进行测试,规定每幅图像中含有一个缺陷图像块,则该整幅图像为缺陷图像,采用图像块分类模型对该缺陷图像进行分类预测;
步骤四、当该缺陷图像被预测为纵裂缺陷时:采用canny算法进行边缘检测;采用轮廓提取方法计算纵裂缺陷轮廓长度;当纵裂缺陷轮廓长度大于常规纵裂缺陷长度阈值时,判定为真纵裂缺陷;当该缺陷图像被预测为其他缺陷时:采用canny算法进行边缘检测;采用轮廓提取方法计算其他缺陷轮廓所围面积;当其他缺陷轮廓所围面积大于常规其他缺陷面积最小值时,判定为真其他缺陷。
进一步,所述待检测连铸坯图像的像素为1320×1080,其中含有缺陷图像块的像素为256×256。
由于本发明基于深度卷积神经网络的连铸坯表面图像缺陷检测方法采用了上述技术方案,即本方法首先对已知连铸坯图像进行图像块预处理,得到缺陷样本集和正常样本集,将图像块随机取四分之三作为训练集,其余为验证集和测试集;采用深度卷积神经网络对缺陷区域进行分类,并在设定参数下采用训练集和验证集训练网络,对测试集进行图像块分类模型测试,得到准确率高的图像块分类模型;对待检图像进行测试,规定图像中含有缺陷图像块为缺陷图像,采用图像块分类模型对该缺陷图像进行分类预测;对预测结果采用一定的算法判断其真伪,得到真缺陷图像。本方法克服传统人工读片进行连铸坯图像检测的缺陷,有效提高了检测效率,减少人工工作量,方便缺陷数据的存储及追溯,确保了连铸坯的生产质量。
附图说明
下面结合附图和实施方式对本发明作进一步的详细说明:
图1为本发明基于深度卷积神经网络的连铸坯表面图像缺陷检测方法原理框图。
具体实施方式
实施例如图1所示,本发明基于深度卷积神经网络的连铸坯表面图像缺陷检测方法包括如下步骤:
步骤一、对已知连铸坯图像进行预处理,从图像原点开始,从上到下每隔128像素、从左到右每隔7像素依次裁剪256×256像素大小的图像区域作为图像块数据集,将包含完整缺陷的图像块作为缺陷样本集,正常无缺陷的图像块作为正常样本集,将裁剪后的图像块随机取四分之三作为训练集,四分之一作为验证集和测试集,并转换为LMDB格式数据集;
步骤二、采用四层卷积层+三层全连接层+Softmax分类层构成的深度卷积神经网络作为提取特征并分类的网络,在基础学习率0.001、验证间隔550次、验证迭代次数250次以及最大迭代次数15000次参数下用训练集和验证集数据对网络进行训练,然后用训练后的网络对测试集进行图像块分类模型测试,得到准确率高的图像块分类模型;
步骤三、对待检测连铸坯图像进行测试,规定每幅图像中含有一个缺陷图像块,则该整幅图像为缺陷图像,采用图像块分类模型对该缺陷图像进行分类预测;
步骤四、当该缺陷图像被预测为纵裂缺陷时:采用canny算法进行边缘检测;采用轮廓提取方法计算纵裂缺陷轮廓长度;当纵裂缺陷轮廓长度大于常规纵裂缺陷长度阈值时,判定为真纵裂缺陷;当该缺陷图像被预测为其他缺陷时:采用canny算法进行边缘检测;采用轮廓提取方法计算其他缺陷轮廓所围面积;当其他缺陷轮廓所围面积大于常规其他缺陷面积最小值时,判定为真其他缺陷。
优选的,所述待检测连铸坯图像的像素为1320×1080,其中含有缺陷图像块的像素为256×256。
本方法扩充并建立连铸坯表面图像块数据集,方便之后用深度卷积神经网络对图像块进行分类,克服了实际图像亮度分布不均、缺陷位置不断变化对图像检测的影响;且连铸坯表面图像中可能有多种缺陷,且部分缺陷图像与正常图像较为类似,本方法通过图像块分类模型对缺陷图像与正常图像作出精准区分,提高了缺陷图像的检出率。
本方法创新地将深度卷积神经网络应用到钢铁连铸坯的缺陷检测当中,在图像块数据集上获得较高准确率的同时结合轮廓提取方法对连铸坯整幅图像进行自动分类,具有相当好的鲁棒性,性能可靠,漏检率低,实现连铸坯图像的自动分类,提高现场工艺人员的工作效率。
Claims (2)
1.一种基于深度卷积神经网络的连铸坯表面图像缺陷检测方法,其特征在于本方法包括如下步骤:
步骤一、对已知连铸坯图像进行预处理,从图像原点开始,从上到下每隔128像素、从左到右每隔7像素依次裁剪256×256像素大小的图像区域作为图像块数据集,将包含完整缺陷的图像块作为缺陷样本集,正常无缺陷的图像块作为正常样本集,将裁剪后的图像块随机取四分之三作为训练集,四分之一作为验证集和测试集,并转换为LMDB格式数据集;
步骤二、采用四层卷积层+三层全连接层+Softmax分类层构成的深度卷积神经网络作为提取特征并分类的网络,在基础学习率0.001、验证间隔550次、验证迭代次数250次以及最大迭代次数15000次参数下用训练集和验证集数据对网络进行训练,然后用训练后的网络对测试集进行图像块分类模型测试,得到准确率高的图像块分类模型;
步骤三、对待检测连铸坯图像进行测试,规定每幅图像中含有一个缺陷图像块,则该整幅图像为缺陷图像,采用图像块分类模型对该缺陷图像进行分类预测;
步骤四、当该缺陷图像被预测为纵裂缺陷时:采用canny算法进行边缘检测;采用轮廓提取方法计算纵裂缺陷轮廓长度;当纵裂缺陷轮廓长度大于常规纵裂缺陷长度阈值时,判定为真纵裂缺陷;当该缺陷图像被预测为其他缺陷时:采用canny算法进行边缘检测;采用轮廓提取方法计算其他缺陷轮廓所围面积;当其他缺陷轮廓所围面积大于常规其他缺陷面积最小值时,判定为真其他缺陷。
2.根据权利要求1所述的基于深度卷积神经网络的连铸坯表面图像缺陷检测方法,其特征在于:所述待检测连铸坯图像的像素为1320×1080,其中含有缺陷图像块的像素为256×256。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710513760.6A CN109215009B (zh) | 2017-06-29 | 2017-06-29 | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710513760.6A CN109215009B (zh) | 2017-06-29 | 2017-06-29 | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109215009A CN109215009A (zh) | 2019-01-15 |
CN109215009B true CN109215009B (zh) | 2023-05-12 |
Family
ID=64960825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710513760.6A Active CN109215009B (zh) | 2017-06-29 | 2017-06-29 | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109215009B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977905B (zh) * | 2019-04-04 | 2021-08-06 | 北京百度网讯科技有限公司 | 用于处理眼底图像的方法和装置 |
CN110223269A (zh) * | 2019-04-24 | 2019-09-10 | 深圳市派科斯科技有限公司 | 一种fpc缺陷检测方法和装置 |
CN110349144A (zh) * | 2019-07-08 | 2019-10-18 | 创新奇智(广州)科技有限公司 | 一种钢卷端面的缺陷判别方法、系统及电子设备 |
CN110928186B (zh) * | 2019-11-26 | 2022-10-14 | 中冶南方(武汉)自动化有限公司 | 一种基于机器视觉的中间包自动加覆盖剂控制方法 |
CN111614969A (zh) * | 2020-05-14 | 2020-09-01 | 深圳供电局有限公司 | 无人机巡视视频直播方法及系统 |
CN111652869B (zh) * | 2020-06-02 | 2023-04-07 | 中冶赛迪信息技术(重庆)有限公司 | 基于深度学习的板坯空洞识别方法、系统、介质及终端 |
CN113487570B (zh) * | 2021-07-06 | 2024-01-30 | 东北大学 | 基于改进的yolov5x网络模型的高温连铸坯表面缺陷检测方法 |
CN113670931A (zh) * | 2021-08-09 | 2021-11-19 | 中冶南方工程技术有限公司 | 一种基于神经网络的钢板表面缺陷检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201329A (zh) * | 2007-10-16 | 2008-06-18 | 西安交通大学 | 基于射线衰减能量场的无损检测缺陷提取、识别方法 |
WO2008075905A1 (en) * | 2006-12-20 | 2008-06-26 | Posco | Apparatus for detecting surface defect on slab |
CN101996405A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
CN104036495A (zh) * | 2014-05-22 | 2014-09-10 | 南京航空航天大学 | 一种焊接缺陷提取方法及焊接缺陷检测方法 |
WO2015055060A1 (zh) * | 2013-10-16 | 2015-04-23 | 湖南镭目科技有限公司 | 一种连铸坯表面质量在线检测方法 |
CN104574418A (zh) * | 2015-01-27 | 2015-04-29 | 西安工业大学 | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 |
CN104850858A (zh) * | 2015-05-15 | 2015-08-19 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
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 |
CN106295601A (zh) * | 2016-08-18 | 2017-01-04 | 合肥工业大学 | 一种改进的安全带检测方法 |
CN106529447A (zh) * | 2016-11-03 | 2017-03-22 | 河北工业大学 | 一种小样本人脸识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007020240A1 (de) * | 2007-04-24 | 2008-10-30 | Sms Demag Ag | Verfahren zur Erkennung und Klassifizierung von Oberflächenfehlern auf stranggegossenen Brammen |
GB201704373D0 (en) * | 2017-03-20 | 2017-05-03 | Rolls-Royce Ltd | Surface defect detection |
-
2017
- 2017-06-29 CN CN201710513760.6A patent/CN109215009B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008075905A1 (en) * | 2006-12-20 | 2008-06-26 | Posco | Apparatus for detecting surface defect on slab |
CN101201329A (zh) * | 2007-10-16 | 2008-06-18 | 西安交通大学 | 基于射线衰减能量场的无损检测缺陷提取、识别方法 |
CN101996405A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
WO2015055060A1 (zh) * | 2013-10-16 | 2015-04-23 | 湖南镭目科技有限公司 | 一种连铸坯表面质量在线检测方法 |
CN104036495A (zh) * | 2014-05-22 | 2014-09-10 | 南京航空航天大学 | 一种焊接缺陷提取方法及焊接缺陷检测方法 |
CN104574418A (zh) * | 2015-01-27 | 2015-04-29 | 西安工业大学 | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 |
CN104850858A (zh) * | 2015-05-15 | 2015-08-19 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
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 |
CN106295601A (zh) * | 2016-08-18 | 2017-01-04 | 合肥工业大学 | 一种改进的安全带检测方法 |
CN106529447A (zh) * | 2016-11-03 | 2017-03-22 | 河北工业大学 | 一种小样本人脸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109215009A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN113239930B (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN109444169B (zh) | 一种轴承缺陷检测方法及系统 | |
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
CN111415329A (zh) | 一种基于深度学习的工件表面缺陷检测方法 | |
CN110927171A (zh) | 一种基于机器视觉的轴承滚子倒角面缺陷检测方法 | |
CN115018827B (zh) | 一种建材焊缝质量自动检测方法 | |
CN114972203A (zh) | 基于分水岭分割的机械零件轧制异常检测方法 | |
CN113298757A (zh) | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN111179263B (zh) | 一种工业图像表面缺陷检测模型、方法、系统及装置 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
CN114897908B (zh) | 基于机器视觉的激光选区铺粉烧结面缺陷分析方法及系统 | |
CN115294089A (zh) | 一种基于改进YOLOv5的钢材表面缺陷检测方法 | |
CN109859199B (zh) | 一种sd-oct图像的淡水无核珍珠质量检测的方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
Si et al. | Deep learning-based defect detection for hot-rolled strip steel | |
CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN115456944A (zh) | 一种基于目标检测的陶瓷基板外观缺陷智能识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |