CN111524114A - 一种基于深度学习的钢板表面缺陷检测方法 - Google Patents
一种基于深度学习的钢板表面缺陷检测方法 Download PDFInfo
- Publication number
- CN111524114A CN111524114A CN202010306870.7A CN202010306870A CN111524114A CN 111524114 A CN111524114 A CN 111524114A CN 202010306870 A CN202010306870 A CN 202010306870A CN 111524114 A CN111524114 A CN 111524114A
- Authority
- CN
- China
- Prior art keywords
- steel plate
- image
- deep learning
- steps
- super
- 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
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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Abstract
一种基于深度学习的钢板表面缺陷检测方法,属于钢板检测技术领域。获取钢板样本的原始图像,确定原始图像的关键区域,通过基于深度学习的图像识别模块对S2的图像进行识别处理,根据计数模块对S3的输出结果进行统计处理,若S4结果为良品,则所述钢板样品则为良品,反之,则重复S1至S4对疑似缺陷品复查。本发明基于深度学习对钢板表面缺陷进行自动检测,大幅度提升了钢板表面多类型缺陷检测的准确性及精度。
Description
技术领域
本发明涉及一种基于深度学习的钢板表面缺陷检测方法,属于钢板检测技术领域。
背景技术
物体表面的缺陷对于物体质量存在直接的影响,同时也影响到用户使用体验,尤其对于一些精度要求较高、使用场景特殊的物体,表面有无缺陷直接决定了物体能否进入市场。
钢铁产业在我国经济发展中起着不可替代的作用,投入了大量的人力、物力资源。在国际上与其他钢铁企业竞争的过程中,钢板表面缺陷检测技术性仍然是一大瓶颈,传统厂家缺陷检测仅依靠人眼识别,局限性较大,随着缺陷检测技术的发展,催生了一系列的钢板表面缺陷检测方法。例如,AK Soni等提出基于锁相放大器的涡流检测仪检测钢板表面缺陷,能够快速有效检测多类型缺陷,但比如色差、轻微刮痕却不易检查。JingzhongHou等提出基于低秩多核支持向量机的带钢表面缺陷检测,此类方法检测准确率不高。KaixiangPeng等提出基于改进BP算法的钢带自动表面缺陷检测分类技术,涉及在标准BP算法的缓慢收敛中起重要作用的饱和区域,但BP神经网络收敛速度慢,不适用于小样本快速的检测。PSO算法优化BP网络的钢板表面检测技术,不容易陷入局部最优,更具有适用性,但准确率依然不高。
近年来,随着GPU等高性能计算设备的快速发展,深度学习技术取得突破性进展,目前,深度学习在很多领域都取得了显著的研究与应用成果,但在钢板检测方面,虽然有一些尝试,但在一些评价指标上表现较差,速度较慢,对Windows平台支持较差,难以满足生产需求。
发明内容
为解决背景技术中存在的问题,本发明提供一种基于深度学习的钢板表面缺陷检测方法。
实现上述目的,本发明采取下述技术方案:一种基于深度学习的钢板表面缺陷检测方法,所述方法包括如下步骤:
S1:获取钢板样本的原始图像;
S2:确定原始图像的关键区域;
S3:通过基于深度学习的图像识别模块对S2的图像进行识别处理;
S4:根据计数模块对S3的输出结果进行统计处理;
S5:若S4结果为良品,则所述钢板样品则为良品,反之,则重复S1至S4对疑似缺陷品复查。
与现有技术相比,本发明的有益效果是:
本发明基于深度学习对钢板表面缺陷进行自动检测,大幅度提升了钢板表面多类型缺陷检测的准确性及精度。
附图说明
图1是本发明的流程图;
图2是确定原始图像关键区域的流程图。
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,所描述的实施例仅是发明的一部分实施例,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他实施例,都属于本发明保护的范围。
具体实施方式一:如图1~图2所示,本发明公开了一种基于深度学习的钢板表面缺陷检测方法,所述方法包括如下步骤:
S1:获取钢板样本的原始图像;
S2:确定原始图像的关键区域;
S3:通过基于深度学习的图像识别模块对S2的图像进行识别处理;
S4:根据计数模块对S3的输出结果进行统计处理;
S5:若S4结果为良品,则所述钢板样品则为良品,反之,则重复S1至S4对疑似缺陷品复查。
具体实施方式二:本实施方式是对具体实施方式一作出的进一步说明,S1中所述钢板样本的原始图像通过工业相机进行拍摄。
具体实施方式三:本实施方式是对具体实施方式一作出的进一步说明,S2所述确定原始图像的关键区域包括如下步骤:
S301:对所述原始图像进行切割操作,获得多个切片;
S302:分别将每个切片输入到基于深度学习的图像识别模块中,进行前向传播,获得每个切片属于关键区域的概率;
S303:将概率最高的切片确定为所述原始图像的关键区域。
为便于描述,将上述三个步骤结合起来进行说明。
确定目标图片(原始图像)后,对目标图片进行切割操作,获得目标图片对应的多个切片。
具体的,可以通过预设的滑动窗口对目标图片进行切割操作,获得多个切片。滑动窗口的大小可以根据实际情况进行设定和调整。在本发明中,滑动窗口的宽度可以与目标图片的宽度相同。如目标图片大小为104×18,将滑动窗口的大小设置为18×18,使滑动窗口的宽度与目标图片的宽度相同。同时,可以将滑动步幅设置为5像素。使用这样的滑动窗口对目标图片进行切割操作,可以得到目标图片对应的91(104-18+5=91)个切片。由于目标图片的宽度与滑动窗口的宽度大小相等,因此只需要在竖直方向上进行滑窗操作,而不需要在水平方向上进行滑动,可以减少计算所需时间,提高检测效率。
另外,将滑动步幅设置为5个像素,进行了精密的检测,保证了检测精度。
将概率最高的切片确定为目标图片的关键区域。
具体实施方式四:本实施方式是对具体实施方式三作出的进一步说明,所述S301通过预设的滑动窗口对所述原始图像进行切割操作,获得多个切片。
具体实施方式五:本实施方式是对具体实施方式四作出的进一步说明,所述滑动窗口的宽度与所述原始图像的宽度相同。
具体实施方式六:如图2所示,本实施方式是对具体实施方式一作出的进一步说明,S3中所述基于深度学习的图像识别模块的识别过程,包括如下步骤:
S601:对输入图像进行正变换,得到表征图像信息的特征系数矩阵;
S602:将所述特征系数矩阵输入超先验分析模块,输出得到表征特征系数概率的超先验特征值矩阵;
S603:对所述S602中的所述超先验特征值矩阵进行量化,对量化后的超先验特征值矩阵进行熵编码,得到超先验特征值码流;
S604:根据所述S603中的量化后的超先验特征值矩阵训练得到特征系数基于拉普拉斯分布超先验的条件概率模型;
S605:将所述S601中的特征系数矩阵进行量化,并使用所述S604中的条件概率模型对量化后的特征系数矩阵进行熵编码,得到特征系数码流;
S606:对图像元信息进行旁路熵编码,得到图像元信息码流,其中,所述图像元信息包括:图像的长和宽、图像所采用的模型序号;
S607:打包输出图像的编码码流,包括:所述S603中的超先验特征值码流以及所述S605中的特征系数码流。
具体实施方式七:本实施方式是对具体实施方式六作出的进一步说明,所述S607中输出图像的编码码流还包括:所述S601中的图像元信息码流。
具体实施方式八:本实施方式是对具体实施方式一作出的进一步说明,S4中所述的计数模块对基于深度学习的图像识别的识别结果进行统计。
深度学习是机器学习研究中的热门领域,通过组合底层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示,旨在寻找出数据的潜在规律。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同条件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种基于深度学习的钢板表面缺陷检测方法,其特征在于:所述方法包括如下步骤:
S1:获取钢板样本的原始图像;
S2:确定原始图像的关键区域;
S3:通过基于深度学习的图像识别模块对S2的图像进行识别处理;
S4:根据计数模块对S3的输出结果进行统计处理;
S5:若S4结果为良品,则所述钢板样品则为良品,反之,则重复S1至S4对疑似缺陷品复查。
2.根据权利要求1所述的一种基于深度学习的钢板表面缺陷检测方法,其特征在于:S1中所述钢板样本的原始图像通过工业相机进行拍摄。
3.根据权利要求1所述的一种基于深度学习的钢板表面缺陷检测方法,其特征在于:S2所述确定原始图像的关键区域包括如下步骤:
S301:对所述原始图像进行切割操作,获得多个切片;
S302:分别将每个切片输入到基于深度学习的图像识别模块中,进行前向传播,获得每个切片属于关键区域的概率;
S303:将概率最高的切片确定为所述原始图像的关键区域。
4.根据权利要求3所述的一种基于深度学习的钢板表面缺陷检测方法,其特征在于:所述S301通过预设的滑动窗口对所述原始图像进行切割操作,获得多个切片。
5.根据权利要求4所述的一种基于深度学习的钢板表面缺陷检测方法,其特征在于:所述滑动窗口的宽度与所述原始图像的宽度相同。
6.根据权利要求1所述的一种基于深度学习的钢板表面缺陷检测方法,其特征在于:S3中所述基于深度学习的图像识别模块的识别过程,包括如下步骤:
S601:对输入图像进行正变换,得到表征图像信息的特征系数矩阵;
S602:将所述特征系数矩阵输入超先验分析模块,输出得到表征特征系数概率的超先验特征值矩阵;
S603:对所述S602中的所述超先验特征值矩阵进行量化,对量化后的超先验特征值矩阵进行熵编码,得到超先验特征值码流;
S604:根据所述S603中的量化后的超先验特征值矩阵训练得到特征系数基于拉普拉斯分布超先验的条件概率模型;
S605:将所述S601中的特征系数矩阵进行量化,并使用所述S604中的条件概率模型对量化后的特征系数矩阵进行熵编码,得到特征系数码流;
S606:对图像元信息进行旁路熵编码,得到图像元信息码流,其中,所述图像元信息包括:图像的长和宽、图像所采用的模型序号;
S607:打包输出图像的编码码流,包括:所述S603中的超先验特征值码流以及所述S605中的特征系数码流。
7.根据权利要求6所述的一种基于深度学习的钢板表面缺陷检测方法,其特征在于:所述S607中输出图像的编码码流还包括:所述S601中的图像元信息码流。
8.根据权利要求1所述的一种基于深度学习的钢板表面缺陷检测方法,其特征在于:S4中所述的计数模块对基于深度学习的图像识别的识别结果进行统计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306870.7A CN111524114A (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度学习的钢板表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306870.7A CN111524114A (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度学习的钢板表面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111524114A true CN111524114A (zh) | 2020-08-11 |
Family
ID=71903274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010306870.7A Pending CN111524114A (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度学习的钢板表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111524114A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095273A (zh) * | 2021-04-25 | 2021-07-09 | 哈尔滨理工大学 | 一种基于深度学习的人群计数方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373123A (zh) * | 2016-09-21 | 2017-02-01 | 哈尔滨工业大学 | 基于k_tSL中心聚类算法的工业元件表面缺陷检测方法 |
CN107123117A (zh) * | 2017-04-26 | 2017-09-01 | 广东工业大学 | 一种基于深度学习的ic引脚焊点质量检测方法及装置 |
US20180268257A1 (en) * | 2017-03-20 | 2018-09-20 | Rolls-Royce Plc | Surface defect detection |
CN110142230A (zh) * | 2019-05-23 | 2019-08-20 | 北京阿丘机器人科技有限公司 | 一种检测外观缺陷的方法及装置 |
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 |
CN110490842A (zh) * | 2019-07-22 | 2019-11-22 | 同济大学 | 一种基于深度学习的带钢表面缺陷检测方法 |
CN110602494A (zh) * | 2019-08-01 | 2019-12-20 | 杭州皮克皮克科技有限公司 | 基于深度学习的图像编码、解码系统及编码、解码方法 |
-
2020
- 2020-04-17 CN CN202010306870.7A patent/CN111524114A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373123A (zh) * | 2016-09-21 | 2017-02-01 | 哈尔滨工业大学 | 基于k_tSL中心聚类算法的工业元件表面缺陷检测方法 |
US20180268257A1 (en) * | 2017-03-20 | 2018-09-20 | Rolls-Royce Plc | Surface defect detection |
CN107123117A (zh) * | 2017-04-26 | 2017-09-01 | 广东工业大学 | 一种基于深度学习的ic引脚焊点质量检测方法及装置 |
CN110142230A (zh) * | 2019-05-23 | 2019-08-20 | 北京阿丘机器人科技有限公司 | 一种检测外观缺陷的方法及装置 |
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 |
CN110490842A (zh) * | 2019-07-22 | 2019-11-22 | 同济大学 | 一种基于深度学习的带钢表面缺陷检测方法 |
CN110602494A (zh) * | 2019-08-01 | 2019-12-20 | 杭州皮克皮克科技有限公司 | 基于深度学习的图像编码、解码系统及编码、解码方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095273A (zh) * | 2021-04-25 | 2021-07-09 | 哈尔滨理工大学 | 一种基于深度学习的人群计数方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108257128A (zh) | 一种基于3d卷积神经网络的肺结节检测装置的建立方法 | |
CN115601355A (zh) | 一种产品表面缺陷检测与分类方法、装置及存储介质 | |
CN111524114A (zh) | 一种基于深度学习的钢板表面缺陷检测方法 | |
CN115937626A (zh) | 基于实例分割的半虚拟数据集自动生成方法 | |
CN114663382A (zh) | 基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法 | |
CN111932639B (zh) | 一种基于卷积神经网络的不均衡缺陷样本的检测方法 | |
CN108428234B (zh) | 基于图像分割结果评价的交互式分割性能优化方法 | |
CN113888477A (zh) | 网络模型的训练方法、金属表面缺陷检测方法及电子设备 | |
CN114428110A (zh) | 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统 | |
CN112287884B (zh) | 一种考试异常行为检测方法、装置及计算机可读存储介质 | |
Liu et al. | Research on surface defect detection based on semantic segmentation | |
CN112651989A (zh) | 基于Mask RCNN实例分割的SEM图像分子筛粒径统计方法和系统 | |
CN116953006A (zh) | 一种铸造材料扫描电镜图像缺陷识别与量化方法 | |
CN116342542A (zh) | 一种基于轻量级神经网络的钢铁产品表面缺陷检测方法 | |
CN114578015B (zh) | 一种软磁铁氧体智能化质量检测方法 | |
CN115345846A (zh) | 一种中低碳钢晶粒度智能评级方法及系统 | |
Zhu et al. | A surface fatal defect detection method for magnetic tiles based on semantic segmentation and object detection: IEEE ITAIC (ISSN: 2693-2865) | |
CN110555384A (zh) | 基于图像数据的牛肉大理石纹自动分级系统及方法 | |
Jia et al. | Research on Industrial Production Defect Detection Method Based on Machine Vision Technology in Industrial Internet of Things. | |
CN115984215A (zh) | 一种基于双生网络的纤维束缺陷检测方法 | |
CN114897858A (zh) | 一种基于深度学习的快速绝缘子缺陷检测方法及其系统 | |
CN114283323A (zh) | 一种基于图像深度学习的海上目标识别系统 | |
CN114782983A (zh) | 基于改进特征金字塔和边界损失的道路场景行人检测方法 | |
CN114334696A (zh) | 质量检测方法及装置、电子设备和计算机可读存储介质 | |
CN113705531A (zh) | 一种基于显微成像的合金粉末夹杂物的识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200811 |
|
WD01 | Invention patent application deemed withdrawn after publication |