CN113592024A - 冷轧铜带表面缺陷识别模型训练方法及识别方法、系统 - Google Patents

冷轧铜带表面缺陷识别模型训练方法及识别方法、系统 Download PDF

Info

Publication number
CN113592024A
CN113592024A CN202110922763.1A CN202110922763A CN113592024A CN 113592024 A CN113592024 A CN 113592024A CN 202110922763 A CN202110922763 A CN 202110922763A CN 113592024 A CN113592024 A CN 113592024A
Authority
CN
China
Prior art keywords
training
surface defect
image
model
cold
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.)
Granted
Application number
CN202110922763.1A
Other languages
English (en)
Other versions
CN113592024B (zh
Inventor
王东城
徐扬欢
刘计尊
段伯伟
杨实禹
于华鑫
刘宏民
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN202110922763.1A priority Critical patent/CN113592024B/zh
Publication of CN113592024A publication Critical patent/CN113592024A/zh
Application granted granted Critical
Publication of CN113592024B publication Critical patent/CN113592024B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • 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
    • 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
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • 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
    • 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
    • G06T2207/30136—Metal

Landscapes

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

Abstract

本发明涉及一种冷轧铜带表面缺陷识别模型训练方法，该训练方法包括：建立冷轧铜带的表面缺陷数据集，该表面缺陷数据集包括多种表面缺陷类别各自对应的多张训练用图像。然后构建初始识别模型，该初始识别模型为深度卷积神经网络模型。最后利用表面缺陷数据集对初始识别模型进行训练，得到识别模型，进而所建立的识别模型能够对多种缺陷类别进行识别，实际应用效果好。本发明还用于提供一种冷轧铜带表面缺陷识别方法及系统，利用上述训练方法训练得到的识别模型对待识别图像进行识别，得到待识别图像对应的表面缺陷类别，识别精度高且识别速度快，可以实时在线检测表面缺陷类别。

Description

冷轧铜带表面缺陷识别模型训练方法及识别方法、系统
技术领域
本发明涉及带材表面质量检测技术领域，特别是涉及一种冷轧铜带表面缺陷识别模型训练方法及识别方法、系统。
背景技术
冷轧铜带是有色金属领域的典型高端产品，广泛应用于新能源汽车、航空航天以及精密电子设备等领域。表面质量是冷轧铜带的重要质量指标之一，表面缺陷不仅严重影响产品外观与成材率，还可能对下游工序生产造成不良影响。因此，实现铜带表面缺陷精确快速的分类识别，对于提高产品质量具有重要意义。
目前，工业生产中仍大量采用人工目测的方法进行铜带表面缺陷检测，这种方法识别精度低、稳定性差、劳动强度高。为此，国内、外部分学者采用传统机器视觉方法进行了相关研究。例如：现有机器视觉方法利用Gaussian金字塔分解和Gabor滤波器提取铜带缺陷特征，建立了马尔科夫缺陷分类模型，以实现缺陷识别。截至目前，关于铜带表面缺陷检测的研究还主要采用传统机器视觉方法，此种方法极易受光线、雾气和振动等现场环境因素干扰，且能够识别的缺陷类别较少，实际应用效果不佳。
为此，研究一种适用于多类别的新型冷轧铜带表面缺陷智能识别方法具有较强的实际意义，对改善带材表面质量，提升装备的国产化与智能化水平具有重要意义。
发明内容
本发明的目的是提供一种冷轧铜带表面缺陷识别模型训练方法及识别方法、系统，利用深度学习方法建立识别模型，以对冷轧铜带表面缺陷进行识别，所能识别的缺陷类别多，实际应用效果好。
为实现上述目的，本发明提供了如下方案：
一种冷轧铜带表面缺陷识别模型训练方法，所述训练方法包括：
建立冷轧铜带的表面缺陷数据集；所述表面缺陷数据集包括多种表面缺陷类别各自对应的多张训练用图像；
构建初始识别模型；所述初始识别模型为深度卷积神经网络模型；
利用所述表面缺陷数据集对所述初始识别模型进行训练，得到识别模型。
一种冷轧铜带表面缺陷识别方法，所述识别方法包括：
获取冷轧铜带对应的待识别图像；
以所述待识别图像作为输入，利用上述训练方法训练得到的识别模型对所述待识别图像进行实时识别，得到所述待识别图像对应的表面缺陷类别。
一种冷轧铜带表面缺陷识别系统，所述识别系统包括：
获取模块，用于获取冷轧铜带对应的待识别图像；
识别模块，用于以所述待识别图像作为输入，利用上述训练方法训练得到的识别模型对所述待识别图像进行实时识别，得到所述待识别图像对应的表面缺陷类别。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明用于提供一种冷轧铜带表面缺陷识别模型训练方法，该训练方法包括：建立冷轧铜带的表面缺陷数据集，该表面缺陷数据集包括多种表面缺陷类别各自对应的多张训练用图像。然后构建初始识别模型，该初始识别模型为深度卷积神经网络模型。最后利用表面缺陷数据集对初始识别模型进行训练，得到识别模型，进而所建立的识别模型能够对多种缺陷类别进行识别，实际应用效果好。本发明还用于提供一种冷轧铜带表面缺陷识别方法及系统，利用上述训练方法训练得到的识别模型对待识别图像进行识别，得到待识别图像对应的表面缺陷类别，识别精度高且识别速度快，可以实时在线检测表面缺陷类别。
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他的附图。
图1为本发明实施例1所提供的训练方法的方法流程图；
图2为本发明实施例1所提供的8类缺陷初始图像的示意图；
图3为本发明实施例1所提供的建立表面缺陷数据集所用方法的方法流程图；
图4为本发明实施例1所提供的5种扩充图像的示意图；
图5为本发明实施例1所提供的初始识别模型的结构示意图；
图6为本发明实施例1所提供的训练过程的详细流程图；
图7为本发明实施例1所提供的训练示意图；
图8为本发明实施例1所提供的损失误差和正确率的示意图；
图9为本发明实施例2所提供的识别方法的方法流程图；
图10为本发明实施例2所提供的识别结果的示意图；
图11为本发明实施例3所提供的识别系统的系统框图。
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他实施例，都属于本发明保护的范围。
本发明的目的是提供一种冷轧铜带表面缺陷识别模型训练方法及识别方法、系统，利用深度学习方法建立识别模型，以对铜带表面缺陷进行识别，所能识别的缺陷类别多，实际应用效果好。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
与传统机器视觉方法相比，深度学习方法具有较好的非线性学习感知能力和泛化抗干扰能力，能够很好的克服传统方法的不足。故本实施例采用深度学习方法来建立识别模型，如图1所示，本实施例用于提供一种冷轧铜带表面缺陷识别模型训练方法，所述训练方法包括：
S1：建立冷轧铜带的表面缺陷数据集；所述表面缺陷数据集包括多种表面缺陷类别各自对应的多张训练用图像；
在S1之前，本实施例的训练方法还包括：根据实际需要，选取线条、黑点、凹凸包、边裂、孔洞、虫斑、起皮和脏污作为表面缺陷数据集所包括的表面缺陷类别。具体的，冷轧铜带表面缺陷类别繁多，其中一部分属于偶然发生的缺陷，数量少，不影响产品质量及下游客户的使用要求，因此不需要进行识别检测。另一部分属于易发缺陷，需要现场统计并及时调整工艺加以消除或控制，因此需要重点进行识别检测。经长期现场跟踪、取样分析和技术交流，最终判定需识别的表面缺陷共分为8类，如图2所示，分别为：图2(a)所示的线条(LM)、图2(b)所示的黑点(BS)、图2(c)所示的凹凸包(CP)、图2(d)所示的边裂(EC)、图2(e)所示的孔洞(Ho)、图2(f)所示的虫斑(IS)、图2(g)所示的起皮(Pe)、图2(h)所示的脏污(Sm)，进而确定需要识别检测的冷轧铜带表面缺陷类别。
如图3所示，S1可以包括：
S11：对于每一所述表面缺陷类别，对冷轧铜带表面进行连续拍摄，得到多张初始图像；
冷轧铜带表面缺陷可能发生在冷轧、退火和清洗等各个工艺阶段，卷取是冷轧铜带生产的最后工序，卷取后的铜卷将作为成品销售于下游用户，因此，将清洗机组的末端，卷取机前，即清洗机组和卷取机之间的位置作为冷轧铜带表面缺陷识别的最佳位置。本实施例在此最佳位置处采用多组高速相机对冷轧铜带表面进行连续拍摄，采集带有上述8类缺陷的初始图像数据，并按类别加以存储记录，每类缺陷的初始图像张数分别记为A0、A1、A2、A3、A4、A5、A6、A7。
S12：利用图像增广方法对所述初始图像进行扩充，得到每一所述初始图像对应的多张扩充图像；
具体的，采用多种变换方式分别对初始图像进行变换，得到每一初始图像对应的多张扩充图像，对于每一变换方式，在变换方式所对应变换参数的设定范围内随机产生一变换参数，利用变换参数对初始图像进行变换，进而每一变换方式对应一扩充图像。变换方式包括添加高斯噪声、添加椒盐噪声、旋转、亮度减弱和亮度增强。扩充过程中采用随机变换和随机参数值模式进行，由此能够保证每张扩充图像均不一样。
为了保证各类缺陷图像数据分布均匀，提高抗干扰能力，根据图像增广理论，结合现场可能出现的环境工况，采用五种变换方式分别为：添加高斯噪声、添加椒盐噪声、旋转、亮度减弱和亮度增强对上述8类缺陷图像进行扩充，每类缺陷图像均扩充至A张。如图4所示，图4(a)示意性的给出了利用添加椒盐噪声这一变换方式对初始图像进行变换后所得到的补充图像，图4(b)示意性的给出了利用添加高斯噪声这一变换方式对初始图像进行变换后所得到的补充图像，图4(c)示意性的给出了利用亮度减弱这一变换方式对初始图像进行变换后所得到的补充图像，图4(d)示意性的给出了利用亮度增强这一变换方式对初始图像进行变换后所得到的补充图像，图4(e)示意性的给出了利用旋转这一变换方式对初始图像进行变换后所得到的补充图像。为了使变换后的图像尽可能的反应真实现场环境，对每一变换方式所对应变换参数的设定范围进行预先设置。具体的，添加高斯噪声和添加椒盐噪声所对应的噪声系数范围设置为(0～0.5)，亮度减弱和亮度增强所对应的亮度调节系数设置为(0～2)，旋转对应的旋转角度设置为(0～360°)。扩充过程是将8类缺陷图像中的每张初始图像进行上述5种变换，且每次变换的参数均在此次变换方式所对应变换参数设定的范围内随机产生，得到每一初始图像对应的5张扩充图像。
S13：在所有所述扩充图像中，随机选取若干张所述扩充图像作为选取图像；
对于每一类缺陷，随机选取若干张扩充图像作为选取图像。
S14：以所有所述初始图像和所有所述选取图像作为所述表面缺陷类别对应的多张训练用图像；所有所述表面缺陷类别对应的多张训练用图像组合得到表面缺陷数据集；所有所述表面缺陷类别对应的训练用图像的数量相同。
对各类缺陷随机选取一定数量的扩充图像补充至初始图像，使每类缺陷的训练用图像的数量共为A张，此过程能够更好的保证图像样本的多样性。
在制作冷轧铜带的表面缺陷数据集(YSU_CSC)时，表面缺陷数据集(YSU_CSC)中各类缺陷的训练用图像数据均为A张，各类缺陷训练用图像由初始图像数据和变换扩充再随机选取后得到的选取图像数据组成。其中线条(LM)中包含初始图像张数为A0，选取图像张数为A-A0；黑点(BS)中包含初始图像张数为A1，选取图像张数为A-A1；凹凸包(CP)中包含初始图像张数为A2，选取图像张数为A-A2；边裂(EC)中包含初始图像张数为A3，选取图像张数为A-A3；孔洞(Ho)中包含初始图像张数为A4，选取图像张数为A-A4；虫斑(IS)中包含初始图像张数为A5，选取图像张数为A-A5；起皮(Pe)中包含初始图像张数为A6，选取图像张数为A-A6；脏污(Sm)中包含初始图像张数为A7，选取图像张数为A-A7。表面缺陷数据集中的每类缺陷大小固定为B×B。
S2：构建初始识别模型；
本实施例所用的初始识别模型为深度卷积神经网络智能识别模型，该初始识别模型包括依次连接的输入层、第一卷积层、若干个移动逆瓶颈卷积模块层、第二卷积层、池化层、多个全连接隐含层和输出层。如图5所示，初始识别模型包括1个表面缺陷图像数据输入层、2个卷积层Conv、16个移动逆瓶颈卷积模块层MBConv、1个池化层、2个全连接隐含层和1个输出层组成。具体的，第1层为图像数据输入层，大小为224×224；第2层是采用32个3×3的Conv卷积核，在滑动步长为2×2时，对输入层进行卷积运算得到的，表示为112×112×32；第3层是采用16个3×3的移动逆瓶颈卷积模块MBConv1，在滑动步长为1×1时，对第2层进行运算得到的，表示为112×112×16；第4层是采用24个3×3的移动逆瓶颈卷积模块MBConv6，在滑动步长为2×2时，对第3层进行运算得到的，表示为56×56×24；第5层是采用24个3×3的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第4层进行运算得到的，表示为56×56×24；第6层是采用40个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为2×2时，对第5层进行运算得到的，表示为28×28×40；第7层是采用40个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第6层进行运算得到的，表示为28×28×40；第8层是采用80个3×3的移动逆瓶颈卷积模块MBConv6，在滑动步长为2×2时，对第7层进行运算得到的，表示为14×14×80；第9层是采用80个3×3的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第8层进行运算得到的，表示为14×14×80；第10层是采用80个3×3的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第9层进行运算得到的，表示为14×14×80；第11层是采用112个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第10层进行运算得到的，表示为14×14×112；第12层是采用112个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第11层进行运算得到的，表示为14×14×112；第13层是采用112个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第12层进行运算得到的，表示为14×14×112；第14层是采用192个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为2×2时，对第13层进行运算得到的，表示为7×7×192；第15层是采用192个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第14层进行运算得到的，表示为7×7×192；第16层是采用192个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第15层进行运算得到的，表示为7×7×192；第17层是采用192个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第16层进行运算得到的，表示为7×7×192；第18层是采用320个3×3的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第17层进行运算得到的，表示为7×7×320；第19层是采用1280个1×1的Conv卷积核，在滑动步长为1×1时，对第18层进行卷积运算得到的，表示为7×7×1280；第20层是全局平均池化层(也可称为全连接层)，通过对第19层采用全局平均池化处理，节点数为1280，表示为1280×1；第21层是全连接隐含层，节点数为512，表示为512×1；第22层是全连接隐含层，节点数为218，表示为218×1；第23层是输出层(也可称为全连接层)，由于缺陷类别数为8，所以此时的节点数为8，表示为8×1，8个节点的输出数值通过采用非线性激活函数softmax映射输出具体类别数值，从而实现缺陷图像的识别分类。
S3：利用所述表面缺陷数据集对所述初始识别模型进行训练，得到识别模型。
如图6所示，S3可以包括：
S31：将所述表面缺陷数据集划分为训练集、验证集和测试集，并设定模型参数；
将表面缺陷数据集(YSU_CSC)的70％作为训练集样本，剩余的30％中的一半作为验证集样本，另一半作为测试集样本，训练集和验证集用于训练模型，测试集用于检验模型的泛化能力，不参与模型训练。
设定模型参数主要包括：各全连接层的激活函数、设置学习率lr、确定训练样本批量batch_size与训练步数Epoch；
S32：利用通用数据集对所述初始识别模型中除输入层外的前N层进行预训练，得到预训练识别模型；
S33：利用所述训练集和所述验证集对所述预训练识别模型中除输出层外的倒数若干层进行再训练，得到训练后模型；所述前N层和所述倒数若干层包括所述预训练识别模型中除所述输入层和所述输出层之外的其余所有层；
如图7所示，本实施例所用的初始识别模型的训练策略为：首先采用通用数据集ImageNet对初始识别模型中除输入层外的前N层(可以为图7所示的第2层至第15层)进行预训练，使其达到一定精度后，输出预训练识别模型。再采用训练集和验证集对预训练识别模型中的倒数若干层进行再训练，具体可选取除输入层、前N层和输出层外的其余层作为再训练的倒数若干层(即图7所示的第16层至第22层)进行再训练，此时模型对铜带表面缺陷能够取得较好识别效果。同时需要保证预训练的前N层和再训练的倒数若干层能够涵盖网络模型除输入层和输出层外的其他层。本实施例通过实验最终确定了再训练时对除输出层之外的最后7层进行再训练的训练策略，少于7层时，模型的精度达不到要求，多于7层时，对模型的精度的提高效果不明显，且每多增加一层，会使模型的训练参数极大增多，同时也会减低模型的预测运算速度。
当模型达到设定的训练步数Epoch时，停止训练，保存模型的权值和阈值参数，得到训练后模型。
S34：以所述训练集和所述验证集作为输入，根据所述训练后模型计算平均损失误差和平均精度，并判断所述平均损失误差是否小于预设损失误差且所述平均精度是否大于预设精度，得到第一判断结果；
以训练集和验证集作为输入，利用训练后模型做出训练集与验证集的损失误差图和精度图(即正确率图)，得到平均损失误差和平均精度。如图8所示，图8(a)为损失误差图，图8(b)为正确率图，即精度图。判断训练后模型的平均损失误差和平均精度是否满足要求，具体要求为：训练集和验证集的平均损失误差应小于0.5，即预设损失误差为0.5，平均精度应大于90％，即预设精度为90％。
S35：以所述测试集作为输入，根据所述训练后模型计算正确率，并判断所述正确率是否大于预设正确率，得到第二判断结果；
利用训练后模型对测试集上的表面缺陷图像进行预测识别，统计正确率，并判断正确率是否大于90％，即预设正确率为90％。
S36：当所述第一判断结果为是且所述第二判断结果为是时，以所述训练后模型作为识别模型；
即若同时满足平均损失误差小于0.5，平均精度大于90％及正确率大于90％的要求，保存识别后模型作为最终的冷轧铜带表面缺陷识别模型(DRM)。
S37：否则，则对所述训练后模型进行优化调整，返回“利用所述训练集和所述验证集对所述预训练识别模型中除输出层外的倒数若干层进行再训练，得到训练后模型”的步骤，继续训练。
即若不满足平均损失误差小于0.5，平均精度大于90％的要求或者不满足正确率大于90％的要求，或者两个要求均不满足时，对训练后模型进行优化调整，优化调整的方式包括：调整模型参数、调整训练策略、对表面缺陷数据集的表面缺陷类别进行进一步划分和更改初始模型的网络结构。
具体的，先调整模型参数，具体先调整学习率lr，再返回S33训练模型，仍然不满足第一判断结果为是且第二判断结果为是时，继续调整学习率lr，若始终无法满足，选择相对较优的学习率lr。然后以同样步骤依次调整训练样本批量batch_size、训练步数Epoch和激活函数类型，若始终无法满足第一判断结果为是且第二判断结果为是，确定一组最优参数组合后，再调整训练策略。在调整训练策略时，从后向前依次放开模型的再训练层数，并重新进行模型训练，若始终无法满足要求时，确定一个最优策略，再对表面缺陷数据集的表面缺陷类别进行进一步划分。检测模型在测试集上的缺陷图像识别结果，判断是否由于图像特征相识导致的模型识别错误，若成立，则需要对原始图像数据集中的缺陷图像进行更为细致的类别划分，在原始缺陷图像数据集的划分工作中，由于部分缺陷之间存在比较强的相似特征，这可能会使数据集的划分存在少量错误，或者也可能当前的8类还不够更好的完全表达所有缺陷类别，故需要进行进一步划分。若不成立，则更改模型网络结构，可以通过从增加或减少卷积层和池化层的数量、改变卷积核的大小和引入注意力机制几个方面进行结构调整。
本实施例与现有技术相比具有如下优点：本实施例采用深度卷积神经网络方法建立冷轧铜带表面缺陷识别模型，具有较好的非线性学习能力和泛化抗干扰能力，不易受光线、雾气和振动等现场环境因素干扰，且能够识别的缺陷类别多，识别精度高，单张缺陷识别速度快，能够直接嵌入生产系统，用于实时在线检测，对改善带材表面质量，提升装备的国产化与智能化水平具有重要意义。
本实施例的目的在于提供一种建立冷轧铜带表面缺陷数据集及建立识别模型的方法，经长期现场跟踪、取样分析和技术交流，首先确定需识别检测的常见冷轧铜带表面缺陷类别，其次综合考虑现场环境干扰因素，在多种现场环境条件下，采集了大量铜带表面缺陷图像，并根据图像增广理论，建立了冷轧铜带表面缺陷数据集。最后以卷积神经网络为核心，基于迁移学习策略，建立了冷轧铜带表面缺陷智能识别模型。该方法对缺陷识别精度较高，响应速度快，能够满足铜带生产过程中实时在线检测表面缺陷类别。
在此，举一实例对上述训练方法进行进一步的说明：
a、确定需要识别的冷轧铜带常见表面缺陷类别。冷轧铜带表面缺陷类别繁多，其中一部分属于偶然发生的缺陷，数量少，不影响产品质量及下游客户的使用要求，因此不需要进行识别检测，另一部分属于易发缺陷，需要现场统计并及时调整工艺加以消除或控制，因此需要重点进行识别检测，经长期现场跟踪、取样分析和技术交流，最终判定需识别的表面缺陷共分为8类，分别为：线条(LM)、黑点(BS)、凹凸包(CP)、边裂(EC)、孔洞(Ho)、虫斑(IS)、起皮(Pe)、脏污(Sm)。
b、冷轧铜带表面缺陷可能发生在冷轧、退火和清洗等各个工艺阶段，卷取是冷轧铜带生产的最后工序，卷取后的铜卷将作为成品销售于下游用户，因此，在清洗机组的末端，卷取机前，作为冷轧铜带表面缺陷识别的最佳位置。在此处采用多组高速相机对铜带表面进行连续拍摄，采集带有上述8类缺陷的图像数据，并按类别加以存储记录，每类缺陷的张数分别记为A0＝157、A1＝320、A2＝204、A3＝231、A4＝357、A5＝331、A6＝408、A7＝324。
c、为了保证各类缺陷图像数据分布均匀，提高抗干扰能力，根据图像增广理论，结合现场可能出现的环境工况，采用五种变换方式分别为：添加高斯噪声和椒盐噪声、旋转、亮度减弱和增强对上述8类缺陷图像进行扩充，每类缺陷图像均扩充至A张。为了使变换后的图像要尽可能的反应真实现场环境，添加高斯噪声和椒盐噪声，两者的噪声系数范围设置为(0～0.5)，亮度调节系数设置为(0～2)，旋转角度设置为(0～360°)，扩充过程是将8类缺陷图像中的每张图像进行上述5种变换(每次变换的参数在设定的范围内随机产生)，最终对各类缺陷随机选取一定数量的扩充图像补充至原始图像，使每类缺陷图像数量共为A张，此过程能够更好的保证图像样本的多样性。
d、制作冷轧铜带表面缺陷数据集(YSU_CSC)。数据集(YSU_CSC)中各类缺陷图像数据共A＝500张，由b中的原始图像数据和c中的变换扩充的图像数据组成。其中线条(LM)中包含原始缺陷图像张数为A0＝157，变换扩充图像张数为A-A0＝500-157＝343；黑点(BS)中包含原始缺陷图像张数为A1＝320，变换扩充图像张数为A-A1＝500-320＝180；凹凸包(CP)中包含原始缺陷图像张数为A2＝204，变换扩充图像张数为A-A2＝500-204＝296；边裂(EC)中包含原始缺陷图像张数为A3＝231，变换扩充图像张数为A-A3＝500-231＝269；孔洞(Ho)中包含原始缺陷图像张数为A4＝357，变换扩充图像张数为A-A4＝500-357＝143；虫斑(IS)中包含原始缺陷图像张数为A5＝331，变换扩充图像张数为A-A5＝500-331＝169；起皮(Pe)中包含原始缺陷图像张数为A6＝408，变换扩充图像张数为A-A6＝500-408＝92；脏污(Sm)中包含原始缺陷图像张数为A7＝324，变换扩充图像张数为A-A7＝500-324＝176。数据集中的每类缺陷大小固定为B×B＝200×200。
e、建立冷轧铜带表面缺陷深度卷积神经网络智能识别模型，具体步骤包括：
e1、缺陷智能识别模型的深度卷积神经网络结构，具体包括：1个表面缺陷图像数据输入层、2个卷积层Conv、16个移动逆瓶颈卷积模块层MBConv、1个池化层、2个全连接隐含层和1个输出层组成。第1层为图像数据输入层，大小为224×224；由于数据集中的图像大小为200×200，因此在图像输入模型之前，要统一先作尺寸变换，将所有图像变换为224×224；第2层是采用32个3×3的Conv卷积核，在滑动步长为2×2时，对输入层进行卷积运算得到的，表示为112×112×32；第3层是采用16个3×3的移动逆瓶颈卷积模块MBConv1，在滑动步长为1×1时，对第2层进行运算得到的，表示为112×112×16；第4层是采用24个3×3的移动逆瓶颈卷积模块MBConv6，在滑动步长为2×2时，对第3层进行运算得到的，表示为56×56×24；第5层是采用24个3×3的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第4层进行运算得到的，表示为56×56×24；第6层是采用40个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为2×2时，对第5层进行运算得到的，表示为28×28×40；第7层是采用40个5×5的MBConv6移动逆瓶颈卷积模块，在滑动步长为1×1时，对第6层进行运算得到的，表示为28×28×40；第8层是采用80个3×3的移动逆瓶颈卷积模块MBConv6，在滑动步长为2×2时，对第7层进行运算得到的，表示为14×14×80；第9层是采用80个3×3的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第8层进行运算得到的，表示为14×14×80；第10层是采用80个3×3的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第9层进行运算得到的，表示为14×14×80；第11层是采用112个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第10层进行运算得到的，表示为14×14×112；第12层是采用112个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第11层进行运算得到的，表示为14×14×112；第13层是采用112个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第12层进行运算得到的，表示为14×14×112；第14层是采用192个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为2×2时，对第13层进行运算得到的，表示为7×7×192；第15层是采用192个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第14层进行运算得到的，表示为7×7×192；第16层是采用192个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第15层进行运算得到的，表示为7×7×192；第17层是采用192个5×5的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第16层进行运算得到的，表示为7×7×192；第18层是采用320个3×3的移动逆瓶颈卷积模块MBConv6，在滑动步长为1×1时，对第17层进行运算得到的，表示为7×7×320；第19层是采用1280个1×1的Conv卷积核，在滑动步长为1×1时，对第18层进行卷积运算得到的，表示为7×7×1280；第20层是池化层，通过对第19层采用全局平均池化处理，节点数为1280，表示为1280×1；第21层是全连接隐含层，节点数为512，表示为512×1；第22层是全连接隐含层，节点数为218，表示为218×1；第23层是输出层，由于缺陷类别数为8，所以此时的节点数为8，表示为8×1，8个节点的输出数值通过采用非线性激活函数softmax映射输出具体类别数值，从而实现缺陷图像的识别分类。
e2、数据集的划分。将d中的冷轧铜带表面缺陷数据集(YSU_CSC)的4000×70％＝2800作为训练集样本，剩余的4000×30％＝1200中的一半(600张)作为验证集样本，另一半(600张)作为测试集样本，训练集和验证集用于训练模型；测试集用于检验模型的泛化能力，不参与模型训练；
e3、设定模型参数。主要包括：各全连接层的激活函数、设置学习率lr＝0.001、确定训练样本批量batch_size＝128与训练步数Epoch＝2000；
e4、模型的训练策略。首先采用通用数据集对模型除输入层外的前N层进行预训练，使其达到一定精度后，再采用e2中的训练集和验证集对网络模型的最后7层(3个全连接层和4个卷积层)进行再训练，此时模型对铜带表面缺陷能够取得较好识别效果。
e5、模型训练。当模型达到设定的训练步数2000时，停止训练。保存模型的权值和阈值参数；
e6、利用训练好的模型做出训练集与验证集误差损失图和精度图，模型在训练集和验证集上的损失误差分别达到了0.21和0.30左右均小于0.5，整体训练过程表现比较平稳，表明模型具有较好的学习能力；训练集和验证集的精度分别达到了93.93％和96.26％均大于90％，表明模型具有一定的泛化能力，损失误差和精度均满足要求；
e7、利用训练好的模型对测试集上的表面缺陷图像进行预测识别，统计正确率，结果为93.35％大于90％；
e8、同时满足e6、e7两者的要求，转至步骤e9；
e9、保存模型作为最终的冷轧铜带表面缺陷识别模型(DRM)。
本实施例首先科学合理的划分了冷轧铜带常见表面缺陷类别；其次综合考虑了现场环境干扰因素，在多种现场环境条件下，采集了大量铜带表面缺陷图像，并根据图像增广理论，建立了冷轧铜带表面缺陷数据集(YSU_CSC)；最后以卷积神经网络为核心，基于迁移学习策略，建立了冷轧铜带表面缺陷智能识别模型。利用该识别模型对表面缺陷图像进行识别，该方法对缺陷识别精度较高，响应速度快，可以满足生产过程中实时在线检测表面缺陷类别，对改善带材表面质量，提升装备的国产化与智能化水平具有重要意义。
实施例2：
本实施例用于提供一种冷轧铜带表面缺陷识别方法，如图9所示，所述识别方法包括：
T1：获取冷轧铜带对应的待识别图像；
具体的，获取过程为在冷轧铜带清洗线的末端，卷取机组之前，采用多组高速相机对铜带表面进行连续拍摄，获取待识别图像。
T2：以所述待识别图像作为输入，利用实施例1训练得到的识别模型对所述待识别图像进行实时识别，得到所述待识别图像对应的表面缺陷类别。
同时将拍摄的原始图像信息、识别结果信息、带材属性信息实时的显示和存储于计算机。
将冷轧铜带表面缺陷识别模型(DRM)嵌入生产系统，高速相机组实时拍摄铜带表面图像，得到待识别图像。利用识别模型对待识别图像实时进行识别，并按类型将有缺陷的图像、与之对应的当前铜带卷号和生产日期等信息存档记录，便于缺陷的回溯追踪。如图10所示，其给出了缺陷识别结果示意图。
利用该识别模型对表面缺陷图像进行识别，该方法对缺陷识别精度较高，响应速度快，可以满足生产过程中实时在线检测表面缺陷类别，对改善带材表面质量，提升装备的国产化与智能化水平具有重要意义。
实施例3：
本实施例用于提供一种冷轧铜带表面缺陷识别系统，如图11所示，所述识别系统包括：
获取模块M1，用于获取冷轧铜带对应的待识别图像；
获取过程为在冷轧铜带清洗线的末端，卷取机组之前，采用多组高速相机对铜带表面进行连续拍摄。
识别模块M2，用于以所述待识别图像作为输入，利用实施例1训练得到的识别模型对所述待识别图像进行实时识别，得到所述待识别图像对应的表面缺陷类别。
同时将拍摄的原始图像信息、识别结果信息、带材属性信息实时的显示和存储于计算机。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种冷轧铜带表面缺陷识别模型训练方法，其特征在于，所述训练方法包括：
建立冷轧铜带的表面缺陷数据集；所述表面缺陷数据集包括多种表面缺陷类别各自对应的多张训练用图像；
构建初始识别模型；所述初始识别模型为深度卷积神经网络模型；
利用所述表面缺陷数据集对所述初始识别模型进行训练，得到识别模型。
2.根据权利要求1所述的训练方法，其特征在于，在建立冷轧铜带的表面缺陷数据集之前，所述训练方法包括：
根据实际需要，选取线条、黑点、凹凸包、边裂、孔洞、虫斑、起皮和脏污作为表面缺陷数据集所包括的表面缺陷类别。
3.根据权利要求1所述的训练方法，其特征在于，所述建立冷轧铜带的表面缺陷数据集具体包括：
对于每一所述表面缺陷类别，对冷轧铜带表面进行连续拍摄，得到多张初始图像；
利用图像增广方法对所述初始图像进行扩充，得到每一所述初始图像对应的多张扩充图像；
在所有所述扩充图像中，随机选取若干张所述扩充图像作为选取图像；
以所有所述初始图像和所有所述选取图像作为所述表面缺陷类别对应的多张训练用图像；所有所述表面缺陷类别对应的多张训练用图像组合得到表面缺陷数据集；所有所述表面缺陷类别对应的训练用图像的数量相同。
4.根据权利要求3所述的训练方法，其特征在于，所述利用图像增广方法对所述初始图像进行扩充，得到每一所述初始图像对应的多张扩充图像具体包括：
采用多种变换方式分别对所述初始图像进行变换，得到每一所述初始图像对应的多张扩充图像；每一所述变换方式对应一所述扩充图像；所述变换方式包括添加高斯噪声、添加椒盐噪声、旋转、亮度减弱和亮度增强。
5.根据权利要求4所述的训练方法，其特征在于，所述采用多种变换方式分别对所述初始图像进行变换具体包括：
对于每一所述变换方式，在所述变换方式所对应变换参数的设定范围内随机产生一变换参数，利用所述变换参数对所述初始图像进行变换。
6.根据权利要求1所述的训练方法，其特征在于，所述初始识别模型包括依次连接的输入层、第一卷积层、若干个移动逆瓶颈卷积模块层、第二卷积层、池化层、多个全连接隐含层和输出层。
7.根据权利要求1所述的训练方法，其特征在于，所述利用所述表面缺陷数据集对所述初始识别模型进行训练，得到识别模型具体包括：
将所述表面缺陷数据集划分为训练集、验证集和测试集，并设定模型参数；
利用通用数据集对所述初始识别模型中除输入层外的前N层进行预训练，得到预训练识别模型；
利用所述训练集和所述验证集对所述预训练识别模型中除输出层外的倒数若干层进行再训练，得到训练后模型；所述前N层和所述倒数若干层包括所述预训练识别模型中除所述输入层和所述输出层之外的其余所有层；
以所述训练集和所述验证集作为输入，根据所述训练后模型计算平均损失误差和平均精度，并判断所述平均损失误差是否小于预设损失误差且所述平均精度是否大于预设精度，得到第一判断结果；
以所述测试集作为输入，根据所述训练后模型计算正确率，并判断所述正确率是否大于预设正确率，得到第二判断结果；
当所述第一判断结果为是且所述第二判断结果为是时，以所述训练后模型作为识别模型；
否则，则对所述训练后模型进行优化调整，返回“利用所述训练集和所述验证集对所述预训练识别模型中除输出层外的倒数若干层进行再训练”的步骤，继续训练。
8.根据权利要求7所述的训练方法，其特征在于，所述对所述训练后模型进行优化调整具体包括：调整所述模型参数、调整所述训练策略、对所述表面缺陷数据集的表面缺陷类别进行进一步划分和更改所述初始模型的网络结构。
9.一种冷轧铜带表面缺陷识别方法，其特征在于，所述识别方法包括：
获取冷轧铜带对应的待识别图像；
以所述待识别图像作为输入，利用权利要求1训练得到的识别模型对所述待识别图像进行实时识别，得到所述待识别图像对应的表面缺陷类别。
10.一种冷轧铜带表面缺陷识别系统，其特征在于，所述识别系统包括：
获取模块，用于获取冷轧铜带对应的待识别图像；
识别模块，用于以所述待识别图像作为输入，利用权利要求1训练得到的识别模型对所述待识别图像进行实时识别，得到所述待识别图像对应的表面缺陷类别。
CN202110922763.1A 2021-08-12 2021-08-12 冷轧铜带表面缺陷识别模型训练方法及识别方法、系统 Active CN113592024B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110922763.1A CN113592024B (zh) 2021-08-12 2021-08-12 冷轧铜带表面缺陷识别模型训练方法及识别方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110922763.1A CN113592024B (zh) 2021-08-12 2021-08-12 冷轧铜带表面缺陷识别模型训练方法及识别方法、系统

Publications (2)

Publication Number Publication Date
CN113592024A true CN113592024A (zh) 2021-11-02
CN113592024B CN113592024B (zh) 2024-05-28

Family

ID=78257399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110922763.1A Active CN113592024B (zh) 2021-08-12 2021-08-12 冷轧铜带表面缺陷识别模型训练方法及识别方法、系统

Country Status (1)

Country Link
CN (1) CN113592024B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035118A (zh) * 2022-08-11 2022-09-09 南通华钛电子科技有限公司 一种基于识别模型的pcb生产线残缺检测方法及系统
CN116689487A (zh) * 2023-05-25 2023-09-05 重庆大学 基于深度学习的超深冲板材的智能冷轧设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490849A (zh) * 2019-08-06 2019-11-22 桂林电子科技大学 基于深度卷积神经网络的钢板表面缺陷分类方法及装置
WO2019223080A1 (zh) * 2018-05-25 2019-11-28 平安科技（深圳）有限公司 Bmi预测方法、装置、计算机设备和存储介质
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN111652171A (zh) * 2020-06-09 2020-09-11 电子科技大学 一种基于双分支网络的面部表情识别模型的构建方法
CN112381175A (zh) * 2020-12-05 2021-02-19 中国人民解放军32181部队 一种基于图像处理的电路板识别与分析方法
CN112597865A (zh) * 2020-12-16 2021-04-02 燕山大学 热轧带钢边部缺陷智能识别方法
CN112819748A (zh) * 2020-12-16 2021-05-18 机科发展科技股份有限公司 一种带钢表面缺陷识别模型的训练方法及装置
CN112884001A (zh) * 2021-01-15 2021-06-01 广东省特种设备检测研究院珠海检测院 碳钢石墨化自动评级方法和系统
CN112991267A (zh) * 2021-02-08 2021-06-18 上海工程技术大学 一种基于改进的efficientNet-RCNN的带钢表面缺陷检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019223080A1 (zh) * 2018-05-25 2019-11-28 平安科技（深圳）有限公司 Bmi预测方法、装置、计算机设备和存储介质
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN110490849A (zh) * 2019-08-06 2019-11-22 桂林电子科技大学 基于深度卷积神经网络的钢板表面缺陷分类方法及装置
CN111652171A (zh) * 2020-06-09 2020-09-11 电子科技大学 一种基于双分支网络的面部表情识别模型的构建方法
CN112381175A (zh) * 2020-12-05 2021-02-19 中国人民解放军32181部队 一种基于图像处理的电路板识别与分析方法
CN112597865A (zh) * 2020-12-16 2021-04-02 燕山大学 热轧带钢边部缺陷智能识别方法
CN112819748A (zh) * 2020-12-16 2021-05-18 机科发展科技股份有限公司 一种带钢表面缺陷识别模型的训练方法及装置
CN112884001A (zh) * 2021-01-15 2021-06-01 广东省特种设备检测研究院珠海检测院 碳钢石墨化自动评级方法和系统
CN112991267A (zh) * 2021-02-08 2021-06-18 上海工程技术大学 一种基于改进的efficientNet-RCNN的带钢表面缺陷检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035118A (zh) * 2022-08-11 2022-09-09 南通华钛电子科技有限公司 一种基于识别模型的pcb生产线残缺检测方法及系统
CN116689487A (zh) * 2023-05-25 2023-09-05 重庆大学 基于深度学习的超深冲板材的智能冷轧设备
CN116689487B (zh) * 2023-05-25 2024-05-28 重庆大学 基于深度学习的超深冲板材的智能冷轧设备

Also Published As

Publication number Publication date
CN113592024B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN108960245B (zh) 轮胎模具字符的检测与识别方法、装置、设备及存储介质
CN108256482B (zh) 一种基于卷积神经网络进行分布学习的人脸年龄估计方法
CN109035233B (zh) 视觉注意力网络系统及工件表面缺陷检测方法
CN106875373B (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN109509187B (zh) 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法
WO2016165082A1 (zh) 基于深度学习的图像隐写检测方法
CN113592024B (zh) 冷轧铜带表面缺陷识别模型训练方法及识别方法、系统
CN109977774B (zh) 一种基于自适应卷积的快速目标检测方法
CN101670533A (zh) 基于工件加工表面图像分析的刀具磨损状态评价方法
CN111400040B (zh) 基于深度学习和边缘计算的工业互联网系统及工作方法
CN116310785B (zh) 基于YOLO v4的无人机影像路面病害检测方法
CN116883393B (zh) 一种基于无锚框目标检测算法的金属表面缺陷检测方法
CN116229319A (zh) 多尺度特征融合课堂行为检测方法与系统
CN113570571A (zh) 一种工业边缘端动力电池缺陷检测方法及系统
CN116188419A (zh) 一种可部署于嵌入式设备的轻量化布匹瑕疵检测方法
CN114463843A (zh) 一种基于深度学习的多特征融合鱼类异常行为检测方法
CN107424155A (zh) 一种面向光场重聚焦图像的聚焦分割方法
CN117269168B (zh) 一种新能源汽车精密零配件表面缺陷检测装置及检测方法
CN114239810A (zh) 一种基于改进PCANet模型的铣刀磨损预测方法
CN110544267A (zh) 一种自适应选择特征的相关滤波跟踪方法
Tao et al. Electric insulator detection of UAV images based on depth learning
CN113205136A (zh) 一种用于电源适配器外观缺陷的实时高精度检测方法
CN110136098B (zh) 一种基于深度学习的线缆顺序检测方法
CN115661094A (zh) 基于改进yolox模型的工业瑕疵检测方法
CN110781755A (zh) 一种建筑钢筋智能识别计量方法及系统

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