CN109242825A - 一种基于深度学习技术的钢铁表面缺陷识别方法和装置 - Google Patents

Abstract

本申请公开了一种基于深度学习技术的钢铁表面缺陷识别方法和装置，所述方法包括：根据钢铁生产线的类型，收集相应的钢铁表面缺陷图片；根据标注平台的标注流程对缺陷进行标注，生成训练样本集和校验样本集；根据钢铁表面缺陷的种类和特征，设计神经网络模型；根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型；根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型；根据设备性能和所述神经网络模型大小，分布式地进行所述神经网络模型的部署和应用。利用深度学习技术，优化神经网络模型，达到了降低设备成本，实时、高准确度地识别钢铁表面缺陷的技术效果。

Description

一种基于深度学习技术的钢铁表面缺陷识别方法和装置

技术领域

本申请涉及钢铁缺陷检测技术领域，尤其涉及一种基于深度学习技术的钢铁表面缺陷识别方法和装置。

背景技术

对钢铁表面缺陷的识别需要识别出缺陷的类型、缺陷的大小以及缺陷的相对位置。近年来，随着深度学习技术的进步，尤其是计算机视觉领域的技术进步，使得钢铁缺陷的实时精确识别成为可能。

但本申请实用新型人在实现本申请实施例中技术方案的过程中，发现上述现有技术至少存在如下技术问题：

现有技术中由于钢铁表面缺陷识别需要使用专业的高速摄像机和相配套的硬软件设施，从而导致成本费用高昂，识别缺陷的准确度不高的技术问题。

申请内容

本申请实施例通过提供一种基于深度学习技术的钢铁表面缺陷识别方法和装置，用以解决现有技术中由于钢铁表面缺陷识别需要使用专业的高速摄像机和相配套的硬软件设施，从而导致成本费用高昂，识别缺陷的准确度不高的技术问题，利用深度学习技术，优化神经网络模型，达到了降低设备成本，实时、高准确度地识别钢铁表面缺陷的技术效果。

第一方面，为了解决上述问题，本申请实施例提供了一种基于深度学习技术的钢铁表面缺陷识别方法，所述方法包括：根据待识别钢铁表面缺陷的钢铁生产线的类型，收集相应的钢铁表面缺陷图片；根据标注平台的标注流程在所述钢铁表面缺陷图片上对缺陷进行标注，生成训练样本集和校验样本集；根据钢铁表面缺陷的种类和特征，设计神经网络模型；根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型；根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型；根据设备性能和所述神经网络模型大小，分布式地进行所述神经网络模型的部署和应用。

优选的，所述根据待识别钢铁表面缺陷的钢铁生产线的类型，收集相应的钢铁表面缺陷图片，包括：每张所述钢铁表面缺陷图片包含一种缺陷，所述缺陷的全部表现形式全都要包含在收集的图片集里。

优选的，所述根据标注平台的标注流程在所述钢铁表面缺陷图片上对缺陷进行标注，生成训练样本集和校验样本集，包括：根据标注平台的标注流程，在所述钢铁表面缺陷图片上画框对缺陷在图像中的位置进行标注，并记录缺陷坐标、缺陷类型和图片路径，将其作为每张所述钢铁表面缺陷图片的标注信息，再将一定比例的所述钢铁表面缺陷图片与相应的所述标注信息作为训练样本集，其余部分作为校验样本集。

优选的，所述根据钢铁表面缺陷的种类和特征，设计神经网络模型，包括：所述神经网络模型包括起始卷积层、骨干网络及全连接输出层；其中，所述起始卷积层采用3x3的卷积核，步进1x1，核数64；所述骨干网络共设计16组，顺序相连，且每组结构相似。

优选的，所述根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型，具体包括：步骤a:根据先验知识设置所述神经网络模型的超参数；步骤b:输入min-batch的训练样本，并计算结果；步骤c:计算损失函数loss；步骤d:求导；步骤e:调节所述神经网络模型的参数；步骤f:重复步骤b～步骤e，直至所述神经网络模型收敛。

优选的，所述根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型，包括：根据所述神经网络模型的评估方法，将所述校验样本集作为输入，判断识别结果的查全率、查准率、准确度、F1得分，其中，所述F1得分具有一预定阈值。

优选的，所述根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型，还包括：若所述F1得分高于所述预定阈值，则训练完的所述神经网络模型可以使用。

优选的，所述根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型，还包括：若所述F1得分低于所述预定阈值，则检查所述训练样本集，查看是否有噪音，调整学习率、衰减率等超参数，重新训练所述神经网络模型，重复此评估过程直至所述神经网络模型可用。

第二方面，本申请还提供了一种基于深度学习技术的钢铁表面缺陷识别装置，所述装置包括：

收集单元，所述收集单元用于根据待识别钢铁表面缺陷的钢铁生产线的类型，收集相应的钢铁表面缺陷图片；

标注生成单元，所述标注生成单元用于根据标注平台的标注流程在所述钢铁表面缺陷图片上对缺陷进行标注，生成训练样本集和校验样本集；

设计单元，所述设计单元用于根据钢铁表面缺陷的种类和特征，设计神经网络模型；

训练单元，所述训练单元用于根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型；

评估优化单元，所述评估优化单元用于根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型；

部署应用单元，所述部署应用单元用于根据设备性能和所述神经网络模型大小，分布式地进行所述神经网络模型的部署和应用。

第三方面，本申请还提供了一种基于深度学习技术的钢铁表面缺陷识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

根据待识别钢铁表面缺陷的钢铁生产线的类型，收集相应的钢铁表面缺陷图片；

根据标注平台的标注流程在所述钢铁表面缺陷图片上对缺陷进行标注，生成训练样本集和校验样本集；

根据钢铁表面缺陷的种类和特征，设计神经网络模型；

根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型；

根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型；

根据设备性能和所述神经网络模型大小，分布式地进行所述神经网络模型的部署和应用。

本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

本申请实施例通过提供一种基于深度学习技术的钢铁表面缺陷识别方法，所述方法包括：根据待识别钢铁表面缺陷的钢铁生产线的类型，收集相应的钢铁表面缺陷图片；根据标注平台的标注流程在所述钢铁表面缺陷图片上对缺陷进行标注，生成训练样本集和校验样本集；根据钢铁表面缺陷的种类和特征，设计神经网络模型；根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型；根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型；根据设备性能和所述神经网络模型大小，分布式地进行所述神经网络模型的部署和应用。解决了现有技术中由于钢铁表面缺陷识别需要使用专业的高速摄像机和相配套的硬软件设施，从而导致成本费用高昂，识别缺陷的准确度不高的技术问题，利用深度学习技术，优化神经网络模型，达到了降低设备成本，实时、高准确度地识别钢铁表面缺陷的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例中一种基于深度学习技术的钢铁表面缺陷识别方法的流程示意图；

图2为本申请实施例中一种基于深度学习技术的钢铁表面缺陷识别装置的结构示意图；

图3为本申请实施例中另一种基于深度学习技术的钢铁表面缺陷识别装置的结构示意图。

附图标记说明：收集单元11，标注生成单元12，设计单元13，训练单元14，评估优化单元15，部署应用单元16，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。

具体实施方式

本申请实施例提供了一种基于深度学习技术的钢铁表面缺陷识别方法和装置，用以解决现有技术中由于钢铁表面缺陷识别需要使用专业的高速摄像机和相配套的硬软件设施，从而导致成本费用高昂，识别缺陷的准确度不高的技术问题，利用深度学习技术，优化神经网络模型，达到了降低设备成本，实时、高准确度地识别钢铁表面缺陷的技术效果。

为了解决上述技术问题，本申请提供的技术方案总体思路如下：根据待识别钢铁表面缺陷的钢铁生产线的类型，收集相应的钢铁表面缺陷图片；根据标注平台的标注流程在所述钢铁表面缺陷图片上对缺陷进行标注，生成训练样本集和校验样本集；根据钢铁表面缺陷的种类和特征，设计神经网络模型；根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型；根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型；根据设备性能和所述神经网络模型大小，分布式地进行所述神经网络模型的部署和应用。解决了现有技术中由于钢铁表面缺陷识别需要使用专业的高速摄像机和相配套的硬软件设施，从而导致成本费用高昂，识别缺陷的准确度不高的技术问题，利用深度学习技术，优化神经网络模型，达到了降低设备成本，实时、高准确度地识别钢铁表面缺陷的技术效果。

下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

实施例一

图1为本发明实施例中一种基于深度学习技术的钢铁表面缺陷识别方法的流程示意图。如图1所示，所述方法包括：

步骤110：根据待识别钢铁表面缺陷的钢铁生产线的类型，收集相应的钢铁表面缺陷图片；

步骤120：根据标注平台的标注流程在所述钢铁表面缺陷图片上对缺陷进行标注，生成训练样本集和校验样本集；

步骤130：根据钢铁表面缺陷的种类和特征，设计神经网络模型；

步骤140：根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型；

步骤150：根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型；

步骤160：根据设备性能和所述神经网络模型大小，分布式地进行所述神经网络模型的部署和应用。

具体而言，首先根据需要识别的钢铁表面缺陷的钢铁生产线类型，相应地将同种钢铁表面缺陷图片收集起来；再按照标注平台上的标注流程在收集起来的所述钢铁表面缺陷图片上对钢铁缺陷进行标注，从而生成训练样本集和校验样本集；根据钢铁表面缺陷的种类和特征，设计相应的神经网络模型；根据所述训练样本集和神经网络的训练流程，对所述神经网络模型进行训练，直至所述神经网络模型收敛；根据所述神经网络模型的评估方法，将所述校验样本集作为输入，评估所述神经网络模型的各项指标，并优化所述神经网络模型；根据设备性能和所述神经网络模型大小，分布式地进行所述神经网络模型的部署和应用，使用市面上常规的高清摄像头和普通计算机即可满足硬件条件，降低了设备成本，从而实现了低成本、实时、高准确度地识别出钢铁表面缺陷的种类、大小和相对位置。

下面将对根据本发明实施例的一种基于深度学习技术的钢铁表面缺陷识别方法进行详细描述。

在步骤110中，将影响钢材表面完整性和光洁程度等表面质量的缺陷，统称表面缺陷。钢铁的表面缺陷，不仅影响外观，而且容易引起应力集中，降低强度(特别是疲劳强度和冲击性能)。钢铁表面缺陷处还易于生锈。常见的钢铁表面缺陷有裂纹、划痕、折叠、耳子、结疤、焊疤、凸泡和气泡以及端部毛刺等。首先根据需要识别钢铁表面缺陷的钢铁生产线的类型，将相应的钢铁表面缺陷图片收集起来。

在本发明实施例中，可选的，每张所述钢铁表面缺陷图片都包含一种钢铁表面缺陷，每种缺陷收集的图片至少包含该种缺陷的图片2000张以上，且同一种缺陷类型的图片放到同一个文件夹里面，且所述缺陷的全部表现形式全都要包含在收集的所述钢铁表面缺陷图片集里，为生成所述训练样本集和所述校验样本集提供充足全面的源素材。

在本发明实施例中，可选的，对所述钢铁表面缺陷进行拍摄的摄像头要和最终使用的摄像头保持一致，所述摄像头的高度、拍摄角度和在钢铁生产线上所处的相对位置也都要保持一致。

在步骤120中，本发明实施例中，可选的，根据标注平台的标注流程，在所述钢铁表面缺陷图片上画框对缺陷在图像中的位置进行标注，并记录缺陷坐标、缺陷类型和图片路径，并将其作为每张所述钢铁表面缺陷图片的标注信息，再将一定比例的所述钢铁表面缺陷图片与相应的所述标注信息作为所述训练样本集，其余部分作为所述校验样本集，具体地，可将90％～95％的所述钢铁表面缺陷图片与相应的所述标注信息作为所述训练样本集，剩余的5％～10％作为所述校验样本集。

在步骤130中，所述根据钢铁表面缺陷的种类和特征，设计神经网络模型，具体包括：所述神经网络模型包括起始卷积层、骨干网络及全连接输出层；其中，由于钢铁表面缺陷面积相对较小，因此所述起始卷积层采用3x3的卷积核，步进1x1，核数64；所述骨干网络共设计16组，顺序相连，且每组结构相似。在本发明实施例中，以一组网络为例，根据数据从进到出，其结构依次如下：初始输入；BatchNorm层；卷积层，卷积核大小3x3,步进1x1；BatchNorm层；激活层，激活函数是PReLu；卷积层，卷积核大小3x3,步进1x1；BatchNorm层；BatchNorm层的输出；总输出，其中，所述总输出等于所述初始输入加上所述BatchNorm层的输出，所述全连接输出层为普通的全连接层，其中，损失函数调用additive angularmargin loss函数。

在步骤140中，对所述根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型，进行详细描述。其具体包括：

步骤a:根据先验知识与深度学习相结合的方法，设置所述神经网络模型的超参数；

步骤b:输入min-batch的所述训练样本集，并计算其结果；

步骤c:计算调用的损失函数loss；

步骤d:求导；

步骤e:调节所述神经网络模型的参数，若训练后的所述神经网络模型收敛，则训练结束；

步骤f:若训练后的所述神经网络模型不收敛，则重复步骤b～步骤e，直至所述神经网络模型收敛为止。

在步骤150中，所述根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型，具体包括：根据所述神经网络模型的评估方法，将所述校验样本集作为输入，然后判断识别结果的查全率、查准率、准确度、F1得分，其中，所述F1得分具有一预定阈值；若所述F1得分高于所述预定阈值，则训练完的所述神经网络模型即可使用；若所述F1得分低于所述预定阈值，则检查所述训练样本集，查看是否有噪音，调整所述神经网络模型的学习率、衰减率等相关超参数，重新训练所述神经网络模型，重复评估所述神经网络模型的各项指标，直至所述F1得分高于所述预定阈值，即就是训练完的所述神经网络模型可用。

在步骤160中，根据设备性能和所述神经网络模型的大小，对所述神经网络模型进行分布式地部署和应用，具体地，本发明实施例提供的一种基于深度学习技术的钢铁表面识别方法所需要的硬件设备为一台摄像机，一台主计算机和多台配置相同的从计算机。通过计算获得在单机上使用所述神经网络模型处理单张所述钢铁表面缺陷图片的所用时间t，获取所述摄像头传输视频流的每秒帧数m，通过关系式m x t＝n，获得所需处理所述钢铁表面缺陷图片的从计算机台数为n。其中，具体的运行流程为：所述摄像头将视频流发送给所述主计算机，所述主计算机再将所述视频流拆分成图片并加上编号，分发给所述n台从计算机，所述n台从计算机利用所述神经网络模型处理所述钢铁表面缺陷图片并将处理结果和图片编号发送给所述主计算机，所述主计算机在接收到所述n台从计算机的处理结果后，将所述处理结果标注在所述钢铁表面缺陷图片上，然后所述主计算机将标注后的所述钢铁表面缺陷图片合并成视频流。

实施例二

本申请实施例还提供了一种基于深度学习技术的钢铁表面缺陷识别装置，所述装置包括：

收集单元11，所述收集单元11用于根据待识别钢铁表面缺陷的钢铁生产线的类型，收集相应的钢铁表面缺陷图片；

标注生成单元12，所述标注生成单元12用于根据标注平台的标注流程在所述钢铁表面缺陷图片上对缺陷进行标注，生成训练样本集和校验样本集；

设计单元13，所述设计单元13用于根据钢铁表面缺陷的种类和特征，设计神经网络模型；

训练单元14，所述训练单元14用于根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型；

评估优化单元15，所述评估优化单元15用于根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型；

部署应用单元16，所述部署应用单元16用于根据设备性能和所述神经网络模型大小，分布式地进行所述神经网络模型的部署和应用。

前述图1实施例一中的一种通用型NBIoT网络信息处理方法的各种变化方式和具体实例同样适用于本实施例的一种通用型NBIoT网络信息处理装置，通过前述对一种通用型NBIoT网络信息处理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种通用型NBIoT网络信息处理装置的实施方法，所以为了说明书的简洁，在此不再详述。

实施例三

基于与前述实施例中一种基于深度学习技术的钢铁表面缺陷识别方法同样的发明构思，本发明还提供一种基于深度学习技术的钢铁表面缺陷识别装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种网络权限的认证方法的任一方法的步骤。

其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。

处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。

本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

本申请实施例通过提供一种基于深度学习技术的钢铁表面缺陷识别方法，所述方法包括：根据待识别钢铁表面缺陷的钢铁生产线的类型，收集相应的钢铁表面缺陷图片；根据标注平台的标注流程在所述钢铁表面缺陷图片上对缺陷进行标注，生成训练样本集和校验样本集；根据钢铁表面缺陷的种类和特征，设计神经网络模型；根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型；根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型；根据设备性能和所述神经网络模型大小，分布式地进行所述神经网络模型的部署和应用。解决了现有技术中由于钢铁表面缺陷识别需要使用专业的高速摄像机和相配套的硬软件设施，从而导致成本费用高昂，识别缺陷的准确度不高的技术问题，利用深度学习技术，优化神经网络模型，达到了降低设备成本，实时、高准确度地识别钢铁表面缺陷的技术效果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于深度学习技术的钢铁表面缺陷识别方法，其特征在于，所述方法包括：

根据待识别钢铁表面缺陷的钢铁生产线的类型，收集相应的钢铁表面缺陷图片；

根据标注平台的标注流程在所述钢铁表面缺陷图片上对缺陷进行标注，生成训练样本集和校验样本集；

根据钢铁表面缺陷的种类和特征，设计神经网络模型；

根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型；

根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型；

根据设备性能和所述神经网络模型大小，分布式地进行所述神经网络模型的部署和应用。

2.如权利要求1所述的方法，其特征在于，所述根据待识别钢铁表面缺陷的钢铁生产线的类型，收集相应的钢铁表面缺陷图片，包括：

每张所述钢铁表面缺陷图片包含一种缺陷，所述缺陷的全部表现形式全都要包含在收集的图片集里。

3.如权利要求1所述的方法，其特征在于，所述根据标注平台的标注流程在所述钢铁表面缺陷图片上对缺陷进行标注，生成训练样本集和校验样本集，包括：

根据标注平台的标注流程，在所述钢铁表面缺陷图片上画框对缺陷在图像中的位置进行标注，并记录缺陷坐标、缺陷类型和图片路径，将其作为每张所述钢铁表面缺陷图片的标注信息，再将一定比例的所述钢铁表面缺陷图片与相应的所述标注信息作为训练样本集，其余部分作为校验样本集。

4.如权利要求1所述的方法，其特征在于，所述根据钢铁表面缺陷的种类和特征，设计神经网络模型，包括：

所述神经网络模型包括起始卷积层、骨干网络及全连接输出层；其中，所述起始卷积层采用3x3的卷积核，步进1x1，核数64；所述骨干网络共设计16组，顺序相连，且每组结构相似。

5.如权利要求1所述的方法，其特征在于，所述根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型，具体包括：

步骤a:根据先验知识设置所述神经网络模型的超参数；

步骤b:输入min-batch的训练样本，并计算结果；

步骤c:计算损失函数loss；

步骤d:求导；

步骤e:调节所述神经网络模型的参数；

步骤f:重复步骤b～步骤e，直至所述神经网络模型收敛。

6.如权利要求1所述的方法，其特征在于，所述根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型，包括：

根据所述神经网络模型的评估方法，将所述校验样本集作为输入，判断识别结果的查全率、查准率、准确度、F1得分，其中，所述F1得分具有一预定阈值。

7.如权利要求1所述的方法，其特征在于，所述根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型，还包括：

若所述F1得分高于所述预定阈值，则训练完的所述神经网络模型可以使用。

8.如权利要求1所述的方法，其特征在于，所述根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型，还包括：

若所述F1得分低于所述预定阈值，则检查所述训练样本集，查看是否有噪音，调整学习率、衰减率等超参数，重新训练所述神经网络模型，重复此评估过程直至所述神经网络模型可用。

9.一种基于深度学习技术的钢铁表面缺陷识别装置，其特征在于，所述装置包括：

收集单元，所述收集单元用于根据待识别钢铁表面缺陷的钢铁生产线的类型，收集相应的钢铁表面缺陷图片；

标注生成单元，所述标注生成单元用于根据标注平台的标注流程在所述钢铁表面缺陷图片上对缺陷进行标注，生成训练样本集和校验样本集；

设计单元，所述设计单元用于根据钢铁表面缺陷的种类和特征，设计神经网络模型；

训练单元，所述训练单元用于根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型；

评估优化单元，所述评估优化单元用于根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型；

部署应用单元，所述部署应用单元用于根据设备性能和所述神经网络模型大小，分布式地进行所述神经网络模型的部署和应用。

10.一种基于深度学习技术的钢铁表面缺陷识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：

根据待识别钢铁表面缺陷的钢铁生产线的类型，收集相应的钢铁表面缺陷图片；

根据标注平台的标注流程在所述钢铁表面缺陷图片上对缺陷进行标注，生成训练样本集和校验样本集；

根据钢铁表面缺陷的种类和特征，设计神经网络模型；

根据所述训练样本集和神经网络的训练流程，训练所述神经网络模型；

根据所述校验样本集和所述神经网络模型的评估方法，评估所述神经网络模型的各项指标，并优化所述神经网络模型；

根据设备性能和所述神经网络模型大小，分布式地进行所述神经网络模型的部署和应用。