CN114445397A - 一种基于浅层神经网络的带钢缺陷检测方法 - Google Patents

一种基于浅层神经网络的带钢缺陷检测方法 Download PDF

Info

Publication number
CN114445397A
CN114445397A CN202210140802.7A CN202210140802A CN114445397A CN 114445397 A CN114445397 A CN 114445397A CN 202210140802 A CN202210140802 A CN 202210140802A CN 114445397 A CN114445397 A CN 114445397A
Authority
CN
China
Prior art keywords
layer
strip steel
neural network
data
defect detection
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.)
Withdrawn
Application number
CN202210140802.7A
Other languages
English (en)
Inventor
王萌
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.)
TANGSHAN INDUSTRIAL VOCATIONAL TECHNICAL COLLEGE
Original Assignee
TANGSHAN INDUSTRIAL VOCATIONAL TECHNICAL COLLEGE
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 TANGSHAN INDUSTRIAL VOCATIONAL TECHNICAL COLLEGE filed Critical TANGSHAN INDUSTRIAL VOCATIONAL TECHNICAL COLLEGE
Priority to CN202210140802.7A priority Critical patent/CN114445397A/zh
Publication of CN114445397A publication Critical patent/CN114445397A/zh
Withdrawn legal-status Critical Current

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/60—Rotation of a whole image or part thereof
    • 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
    • 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
    • G06T2207/30168—Image quality inspection

Abstract

本发明公开了一种基于浅层神经网络的带钢缺陷检测方法，包括步骤Step1.采集带钢表面缺陷图像，得到样本数据；Step2.将带钢表面缺陷的样本数据分为训练集数据和测试集数据；Step3.对训练集数据进行预处理；Step4.将预处理得到的图像进入卷积层内进行卷积迭代，建立基于浅层神经网络的带钢缺陷检测模型；Step5.在得到基于浅层神经网络的带钢缺陷检测模型后，将测试集数据代入基于浅层神经网络的带钢缺陷检测模型中进行诊断，得到诊断结果；本方法基于浅层卷积神经网络的带钢缺陷检测模型进行，能够逐层提取带钢图片缺陷的特征，利用全连接层完成最终的带钢缺陷分类任务，具有运算速度快，训练时间短，精度高的特点。

Description

一种基于浅层神经网络的带钢缺陷检测方法
技术领域
本发明涉及带钢检测技术领域，具体涉及一种基于浅层神经网络的带钢缺陷检测方法。
背景技术
热轧带钢，英文名Hot-rolled strip，又称热轧钢带，俗称热板，指宽度小于或等于600mm，厚度为0.35-200mm的钢板和厚度为1.2-25mm的钢带；热轧带钢在生产过程中会产生多种不同形态的缺陷；带钢的性能很大程度上取决于钢材表面的缺陷状况；
目前在企业实践，如果是不重要场合的带钢缺陷检测，主要靠工程技术人员的经验通过人工视觉判断带钢表面是否出现缺陷，这种方法不仅容易让员工产生视觉疲劳，效率低，准确率低，不能做到及时有效的判断带钢表面缺陷状态；因此其仅适用于低速热轧板带钢生产线，而且在热轧带钢的实际生产中，由于生产环境高温、嘈杂、振动，较多采用开卷抽检；使用人工开卷抽样对缺陷进行检测具有片面性，根据人工开卷抽样缺陷情况来对机器故障调节具有滞后性由于人工目测会产生大量的检测错误从而造成重大损失；
所以急需开发一种自动化、高识别率的带钢缺陷检测方法，来对带钢进行检测，以克服上述现有技术存在的问题。
发明内容
针对上述存在的问题，本发明旨在提供一种基于浅层神经网络的带钢缺陷检测方法，本方法基于三层卷积神经网络逐次拼接而成的浅层卷积神经网络的带钢缺陷检测模型进行，在带钢检测过程中，能够逐层提取带钢图片缺陷的特征，利用模型尾部的全连接层完成最终的带钢缺陷分类任务，具有运算速度快，训练时间短，精度高的特点。
为了实现上述目的，本发明所采用的技术方案如下：
一种基于浅层神经网络的带钢缺陷检测方法，包括步骤
Step1.使用摄像头采集带钢表面缺陷图像，得到带钢表面缺陷图像样本数据；
Step2.将采集到的带钢表面缺陷的样本数据集进行分组，取80%数据为训练集数据，其余20%数据为测试集数据；
Step3.对步骤Step2分类得到的训练集数据进行预处理，得到归一化的训练集数据；
Step4.将步骤Step3预处理得到的图像进入卷积层内进行卷积迭代，建立基于浅层神经网络的带钢缺陷检测模型；
其中：所述基于浅层神经网络的带钢缺陷检测模型包括3层卷积神经网络层、2层全连接层和丢弃层；
Step5.在得到基于浅层神经网络的带钢缺陷检测模型后，将测试集数据代入基于浅层神经网络的带钢缺陷检测模型中进行诊断，得到诊断结果，完成带钢的缺陷检测。
优选的，步骤Step1所述的带钢表面缺陷图像样本数据包括裂纹、夹杂、斑块、麻点、压入氧化铁皮、划伤六种缺陷类型图像。
优选的，步骤Step3所述的对步骤Step2分类得到的训练集数据进行预处理的过程包括
Step301.将所有的训练数据集中的图像大小统一修改为224像素*224像素；
Step302.将步骤Step301得到的训练数据集中的图像随机选择50%进行水平翻转；
Step303.将步骤Step302得到的图像随机选择50%再进行30度角旋转；
Step304.将步骤Step303得到的图像转换为张量形式；
Step305.将步骤Step304得到的图像进行归一化处理，得到归一化的训练集数据。
优选的，步骤Step4所述的基于浅层神经网络的带钢缺陷检测模型的建立过程包括
Step401.将经步骤Step305归一化处理后得到的训练集数据进入卷积层1内进行卷积处理；
Step402.将经步骤Step401得到的卷积处理后的数据进入ReLU激活层1内进行处理；
Step403.将步骤Step402得到的数据进入最大池化层1内进行处理；
Step404.将步骤Step403得到的数据进入卷积层2内进行卷积处理；
Step405.将步骤Step404得到的数据进入ReLU激活层2内进行处理；
Step406.将步骤Step405得到的数据进入最大池化层2内进行处处理；
Step407.将步骤Step406得到的数据进入卷积层3内进行卷积处理；
Step408.将步骤Step407得到的数据进入ReLU激活层3内进行处理；
Step409.将步骤Step408得到的数据进入最大池化层3内进行处理；
Step410.将步骤Step409得到的数据进入展平层进行处理；
Step411.将步骤Step410得到的数据进入全连接层1；
Step412.将步骤Step411得到的数据进入丢弃层内，设置丢弃层的丢弃概率为0.2；
Step413.将步骤Step412得到的数据进入全连接层2，利用全连接层2自适应选择最优特征并进行故障诊断模型的训练；
Step414.设置交叉熵为损失函数，利用反向传播算法将步骤401至步骤Step413的各个神经网路参数中，不断进行优化，得到最终诊断模型，即得到基于浅层神经网络的带钢缺陷检测模型。
优选的，所述的
卷积层1的卷积核的输入通道为3个，输出通道为32个，卷积核大小为3*3，填充层大小为1，步长为（1,1）；
卷积层2的卷积核的输入通道由为32个，输出通道有64个，卷积核大小为3*3，填充层大小为1，步长为（1,1）；
卷积层3的卷积核的输入通道为64个，输出通道为64个，卷积核大小为3*3，填充层大小为1，步长为（1,1）。
优选的，所述的最大池化层1、最大池化层2和最大池化层3的核函数大小为2*2，填充层大小为0，步长为2。
优选的，所述的
全连接层1有50176个输入通道，256个输出通道；
全连接层2有256个输入通道，6个输出通道。
本发明的有益效果是：本发明公开了一种基于浅层神经网络的带钢缺陷检测方法，与现有技术相比，本发明的改进之处在于：
本发明设计了一种基于浅层神经网络的带钢缺陷检测方法，本方法基于三层卷积神经网络逐次拼接而成的浅层卷积神经网络的带钢缺陷检测模型进行，在带钢检测过程中，对带钢图像信号利用预处理扩充图像库，利用神经网络逐层提取带钢图片缺陷的特征，同时利用全连接层完成最终的带钢缺陷分类任务；将检测本方法的检测准确率在90-95%之间，并且由于网络结构比较简单，模型具有运算速度快，训练时间短，精度高的优点。
附图说明
图1为本发明基于浅层神经网络的带钢缺陷检测方法的算法流程图。
图2为本发明基于浅层神经网络的带钢缺陷检测模型的网络结构图。
图3为本发明实施例2带钢缺陷检测数据集图。
图4为本发明实施例2模型训练准确率变化曲线图。
图5为本发明实施例2模型训练损失值变化曲线图。
图6为本发明实施例2混淆矩阵图。
图7为本发明实施例2验证集测试结果图。
其中：在图3中，图（a）为带钢裂纹缺陷检测数据集图，图（b）为带钢夹杂缺陷检测数据集图，图（c）为带钢斑块缺陷检测数据集图，图（d）为带钢麻点缺陷检测数据集图，图（e）为带钢压入氧化铁皮缺陷检测数据集图，图（f）为带钢划伤缺陷检测数据集图；
在图7中，每个图片上方为预测缺陷类型，括号内为实际缺陷类型，图片为利用本发明所述方法预测得到的带钢表面缺陷图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
实施例1：参照附图1-7所示的一种基于浅层神经网络的带钢缺陷检测方法，本方法基于浅层神经网络的带钢缺陷检测模型进行，通过3层卷积神经网络逐次拼接而成的浅层卷积神经网络逐层提取带钢图片缺陷的特征，同时利用全连接层完成带钢缺陷分类，对带钢进行缺陷检测。
上述基于浅层神经网络的带钢缺陷检测方法的具体过程包括：
Step1.在热压带钢的生产过程中，使用摄像头采集带钢表面缺陷图像，得到带钢表面缺陷图像样本数据；
其中，所述带钢表面缺陷图像样本数据包括裂纹、夹杂、斑块、麻点、压入氧化铁皮、划伤等六种常见缺陷类型图像；
Step2.将采集到的带钢表面缺陷的样本数据集进行分组，取80%数据为训练集数据，其余20%数据为测试集数据；
Step3.对步骤Step2分类得到的训练集数据进行预处理，得到归一化的训练集数据；
通过上述预处理过程处理过程可以得到统一尺寸、数量级和数据格式的数据集，同时经本步骤预处理过程得到的数据集与原有数据集有一定差异，以此来增加数据集的多样性，从而提高检测模型的鲁棒性；
Step4.将步骤Step3预处理得到的图像进入卷积层内进行卷积迭代处理，建立基于浅层神经网络的带钢缺陷检测模型；
其中：所述基于浅层神经网络的带钢缺陷检测模型包括3层卷积神经网络层、2层全连接层和丢弃层；
Step5.在得到基于浅层神经网络的带钢缺陷检测模型后，将测试集数据代入基于浅层神经网络的带钢缺陷检测模型中进行诊断，得到诊断结果，完成对带钢的缺陷检测。
优选的，步骤Step1所述的带钢表面缺陷图像样本数据采集过程中，使用的摄像头为CCD摄像头，其摄像速度为20帧每秒。
优选的，步骤Step2所述的训练集数据中包含80%裂纹图像样本数据、80%夹杂图像样本数据、80%斑块图像样本数据、80%麻点图像样本数据、80%压入氧化铁皮图像样本数据和80%划伤图像样本数据等6种数据类型；所述测试集数据中包含20%裂纹图像样本数据、20%夹杂图像样本数据、20%斑块图像样本数据、20%麻点图像样本数据、20%压入氧化铁皮图像样本数据和20%划伤图像样本数据。
优选的，步骤Step3所述的对训练集数据进行预处理的过程包括：
Step301.将所有的训练数据集中原本不同大小的训练集的图像尺寸统修改为适合首层网络输入的尺寸，得到修改后大小为224像素*224像素的训练集图像数据；
Step302.由于修改尺寸后得到的训练集图像数据中的缺陷图像数据集不容易采集，各种缺陷在实际生产过程中会存在很明显的不平衡性，因此将步骤Step301得到的训练数据集中的图像随机选择50%进行水平翻转，进一步增强图像的多样性；
Step303.为进一步增加训练样本，提高样本的多样性，将步骤Step302得到的图像随机选择50%再进行30度角旋转，来提高训练模型的泛化性能，增强模型的鲁棒性；
Step304.将步骤Step303得到的图像转换为张量形式，统一规范数据格式，并将所有图像转换为三维张量；
所述三维张量的维度包括图像宽度，图像高度，颜色通道；
Step305.由于图像数据的不同维度指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要将步骤Step304得到的图像进行归一化处理，以解决数据指标之间的可比性；
原始数据经过数据归一化处理后，各指标处于同一数量级，适合进行综合对比评价使得所有训练数据处于统一的数据范围内。
优选的，步骤Step4所述的基于浅层神经网络的带钢缺陷检测模型的网络结构如图2所示，其具体建立过程包括：
Step401.将经步骤Step305归一化处理后得到的训练集数据进入卷积层1内进行卷积处理，提取图像数据的浅层特征；
带钢不同类别的缺陷具备不同层次的特征，其中麻点等小尺寸特征属于浅层特征，在这个数据处理阶段容易被识别出来；
其中，所述卷积层1的卷积核内有3个输入通道，32个输出通道，卷积核大小为3*3，填充层大小为1，步长为（1,1），本步骤的目的是改变数据的通道数，本实施例将数据通道数由3个改为32个，目的在于增加数据的可表达性；
Step402.将经步骤Step401得到的卷积处理后的数据进入ReLU激活层1内进行处理，以克服容易出现的梯度消失问题，加快模型的训练速度；
Step403.将步骤Step402得到的数据进入最大池化层1内进行处理，压缩数据的维度，减少后续网络的训练参数个数，减少模型训练时间；
其中，最大池化层1的核函数大小为2*2，填充层大小为0，步长为2；
Step404.将步骤Step403预处理得到的图像进入卷积层2内进行卷积处理，提取图像数据的中层特征；
带钢不同类别的缺陷具备不同层次的特征，其中斑块等中等尺寸特征属于中层特征，在这个数据处理阶段容易被识别出来；
其中，卷积层2的卷积核输入通道由为32个，输出通道为64个，卷积核大小为3*3，填充层大小为1，步长为（1,1），本步骤的目的是进一步增加数据的通道数，本实施例将数据通道数由32个改为64个，增加了数据的可表达性，为后续挖掘更深层次的特征做准备；
Step405.将步骤Step404得到的数据进入ReLU激活层2内进行处理，以克服容易出现的梯度消失问题，加快模型的训练速度；
Step406.将步骤Step405得到的数据进入最大池化层2内进行处理，压缩数据的维度，减少后续网络的训练参数个数，减少模型训练时间；
其中，所述最大池化层2的核函数大小为2*2，填充层大小为0，步长为2；
Step407.将步骤Step406预处理得到的图像进入卷积层3内进行卷积处理；
其中，所述卷积层3的卷积核输入通道为64个，输出通道为64个，卷积核大小为3*3，填充层大小为1，步长为（1,1），提取图像数据的高层特征；
带钢不同类别的缺陷具备不同层次的特征，其中划痕等大尺寸特征属于高层特征，在这个数据处理阶段容易被识别出来；
Step408.将步骤Step407得到的数据进入ReLU激活层3内，以克服容易出现的梯度消失问题，加快模型的训练速度；
Step409.将步骤Step408得到的数据进入最大池化层3内进行处理，压缩数据的维度，减少后续网络的训练参数个数，减少模型训练时间；
其中，所述最大池化层3的核函数大小为2*2，填充层大小为0，步长为2；
Step410. 步骤Step409得到的数据进入展平层进行处理，将得到的数据进行展平，为后续与全连接层数据进行数据连接做准备；
Step411.将步骤Step410得到的数据进入全连接层1，该部分数据进入全连接层的目的是与展平层的数据特征进行加权求和，计算不同的特征在后续的分类工作中需要的权重。
其中，所述全连接层1有50176个输入通道，256个输出通道；
Step412.将步骤Step411得到的数据进入丢弃层内，设置丢弃层的丢弃概率为0.2，按照20%的概率将网络单元中的权重参数暂时从网络中丢弃，提高网络的拟合能力，避免网络出现过拟合现象，即只能在训练集出现高准确率，不能在测试集出现高准确率；
Step413.将步骤Step412得到的数据进入全连接层2；
其中，所述全连接层2有256个输入通道，6个输出通道，利用全连接层2自适应选择最优特征并进行故障诊断模型的训练，这里设置6个输出通道，与带钢表面的裂纹、夹杂、斑块、麻点、压入氧化铁皮、划伤等6类缺陷相匹配，利用六个输出通道判断是否出现这六种带钢缺陷；
Step414.设置交叉熵为损失函数，利用反向传播算法将步骤Step401至步骤Step413的各个神经网路参数不断优化，得到最终诊断模型，即得到基于浅层神经网络的带钢缺陷检测模型。
实施例2：为对上述实施例1所述的基于浅层神经网络的带钢缺陷检测方法的可信性和有效性进行验证，设计如本实施例所述的实验过程进行验证：
1. 实验数据描述
在本案例研究中，利用东北大学开源的带钢缺陷检测NEU-DET数据集；该数据集目前被国内大部分从事钢铁缺陷检测研究工作的学者所采用；该数据集包含了目前工业上带钢缺陷的常见类型，总共分为六个缺陷类别：裂纹（Crazing）、夹杂（Inclusion）、斑块（Patches）、麻点（Pitted Surface）、压入氧化皮（Rolled-in Scale）和划痕（Scratches）；每个类别有300张图片，每张图片的分辨率为200*200；随机选择一部分图像展示如图3所示；
2.实验参数设置
本实施例利用编程语言Python3.8，利用深度学习框架Pytorch1.9组建了浅层卷积神经网络；采用浅层深度学习网络的原因是为了减少学习训练时间，尽早完成模型的形成；设定该数据集其中80%为训练数据集，10%为测试数据集，另外10%为验证数据集；模型训练过程采用交叉熵损失函数；模型按照以下方法设置超参数：训练批次epoch等于80，每批次数据batch size等于64，初始学习率learning rate等于0.001；
该故障诊断模型的准确率变化如图4所示，损失函数值变化如图5所示，混淆矩阵如图6所示；通过上述图4—图6可以看出，当模型在前10个训练批次内，准确率提高速度很快，模型的损失值迅速下降；这时准确率已经超过90%（因为有训练波动，处于90-95%之间），模型损失值低于0.2；在后续的训练批次中，模型训练进入了瓶颈期，准确率提升较少，损失函数值下降速度变慢；
由本实施例模型训练的结果可知：只要不断加大训练的批次，就可以不断提高模型的准确率；本文设计以测试集的验证精度为准不断保存最优训练模型；只要在本训练批次得到的模型准确率超过了以往保存的最优模型，就将本次训练得到的模型替换为最优模型，并用于后续验证集的测试；
在最终的验证集上随机选择一部分图像，验证训练结果如图7所示，每个图片上方为预测缺陷类型，括号内为实际缺陷类型，图片为利用本发明所述方法预测得到的带钢表面缺陷图，通过图7可以看出，本发明所述基于浅层神经网络的带钢缺陷检测方法可以准确的完成带钢表面缺陷的检测。
通过上述实施例的验证可以看出，本发明所提出的浅层神经网络带钢缺陷检测模型，可以在提取带钢缺陷特征后配合全连接层分类器准确判断其类型；并且由于网络结构比较简单，模型具有运算速度快，训练时间短，精度高的优点。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于浅层神经网络的带钢缺陷检测方法，其特征在于：包括步骤，
Step1.使用摄像头采集带钢表面缺陷图像，得到带钢表面缺陷图像样本数据；
Step2.将采集到的带钢表面缺陷的样本数据集进行分组，取80%数据为训练集数据，其余20%数据为测试集数据；
Step3.对步骤Step2分类得到的训练集数据进行预处理，得到归一化的训练集数据；
Step4.将步骤Step3预处理得到的图像进入卷积层内进行卷积迭代，建立基于浅层神经网络的带钢缺陷检测模型；
其中：所述基于浅层神经网络的带钢缺陷检测模型包括3层卷积神经网络层、2层全连接层和丢弃层；
Step5.在得到基于浅层神经网络的带钢缺陷检测模型后，将测试集数据代入基于浅层神经网络的带钢缺陷检测模型中进行诊断，得到诊断结果，完成带钢的缺陷检测。
2.根据权利要求1所述的一种基于浅层神经网络的带钢缺陷检测方法，其特征在于：步骤Step1所述的带钢表面缺陷图像样本数据包括裂纹、夹杂、斑块、麻点、压入氧化铁皮、划伤六种缺陷类型图像。
3.根据权利要求1所述的一种基于浅层神经网络的带钢缺陷检测方法，其特征在于：步骤Step3所述的对步骤Step2分类得到的训练集数据进行预处理的过程包括，
Step301.将所有的训练数据集中的图像大小统一修改为224像素*224像素；
Step302.将步骤Step301得到的训练数据集中的图像随机选择50%进行水平翻转；
Step303.将步骤Step302得到的图像随机选择50%再进行30度角旋转；
Step304.将步骤Step303得到的图像转换为张量形式；
Step305.将步骤Step304得到的图像进行归一化处理，得到归一化的训练集数据。
4.根据权利要求1所述的一种基于浅层神经网络的带钢缺陷检测方法，其特征在于：步骤Step4所述的基于浅层神经网络的带钢缺陷检测模型的建立过程包括，
Step401.将经步骤Step305归一化处理后得到的训练集数据进入卷积层1内进行卷积处理；
Step402.将经步骤Step401得到的卷积处理后的数据进入ReLU激活层1内进行处理；
Step403.将步骤Step402得到的数据进入最大池化层1内进行处理；
Step404.将步骤Step403预处理得到的图像进入卷积层2内进行卷积处理；
Step405.将步骤Step404得到的数据进入ReLU激活层2内进行处理；
Step406.将步骤Step405得到的数据进入最大池化层2内进行处理；
Step407.将步骤Step406预处理得到的图像进入卷积层3内进行卷积处理；
Step408.将步骤Step407得到的数据进入ReLU激活层3内；
Step409.将步骤Step408得到的数据进入最大池化层3内进行处理；
Step410.将步骤Step409得到的数据进入展平层进行处理；
Step411.将步骤Step410得到的数据进入全连接层1；
Step412.将步骤Step411得到的数据进入丢弃层内，设置丢弃层的丢弃概率为0.2；
Step413.将步骤Step412得到的数据进入全连接层2，利用全连接层2自适应选择最优特征并进行故障诊断模型的训练；
Step414.设置交叉熵为损失函数，利用反向传播算法将步骤Step401至步骤Step413的各个神经网路参数中，不断进行优化，得到最终诊断模型，即得到基于浅层神经网络的带钢缺陷检测模型。
5.根据权利要求4所述的一种基于浅层神经网络的带钢缺陷检测方法，其特征在于：所述的，
卷积层1的卷积核的输入通道为3个，输出通道为32个，卷积核大小为3*3，填充层大小为1，步长为（1,1）；
卷积层2的卷积核的输入通道由为32个，输出通道有64个，卷积核大小为3*3，填充层大小为1，步长为（1,1）；
卷积层3的卷积核的输入通道为64个，输出通道为64个，卷积核大小为3*3，填充层大小为1，步长为（1,1）。
6.根据权利要求4所述的一种基于浅层神经网络的带钢缺陷检测方法，其特征在于：所述的最大池化层1、最大池化层2和最大池化层3的核函数大小为2*2，填充层大小为0，步长为2。
7.根据权利要求4所述的一种基于浅层神经网络的带钢缺陷检测方法，其特征在于：所述的，
全连接层1有50176个输入通道，256个输出通道；
全连接层2有256个输入通道，6个输出通道。
CN202210140802.7A 2022-02-16 2022-02-16 一种基于浅层神经网络的带钢缺陷检测方法 Withdrawn CN114445397A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210140802.7A CN114445397A (zh) 2022-02-16 2022-02-16 一种基于浅层神经网络的带钢缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210140802.7A CN114445397A (zh) 2022-02-16 2022-02-16 一种基于浅层神经网络的带钢缺陷检测方法

Publications (1)

Publication Number Publication Date
CN114445397A true CN114445397A (zh) 2022-05-06

Family

ID=81372779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210140802.7A Withdrawn CN114445397A (zh) 2022-02-16 2022-02-16 一种基于浅层神经网络的带钢缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114445397A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI815492B (zh) * 2022-06-06 2023-09-11 中國鋼鐵股份有限公司 鋼帶表面缺陷辨識方法與系統
CN117732886B (zh) * 2024-02-07 2024-04-30 东北大学 一种基于级联智能诊断的热轧质量预控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI815492B (zh) * 2022-06-06 2023-09-11 中國鋼鐵股份有限公司 鋼帶表面缺陷辨識方法與系統
CN117732886B (zh) * 2024-02-07 2024-04-30 东北大学 一种基于级联智能诊断的热轧质量预控制方法

Similar Documents

Publication Publication Date Title
CN111507990B (zh) 一种基于深度学习的隧道表面缺陷分割方法
CN109376792B (zh) 基于多通道残差神经网络的光伏电池外观缺陷分类方法
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
CN115082418B (zh) 一种汽车零部件精密识别方法
CN110473173A (zh) 一种基于深度学习语义分割的缺陷检测方法
CN111797890A (zh) 一种用于检测输电线路设备缺陷的方法及系统
CN111402226A (zh) 一种基于级联卷积神经网络的表面疵点检测方法
CN110992349A (zh) 一种基于深度学习的地下管道异常自动化定位与识别方法
CN110610475A (zh) 一种深度卷积神经网络的视觉缺陷检测方法
CN114372955A (zh) 一种基于改进神经网络的铸件缺陷x射线图自动识别法
CN114120317B (zh) 基于深度学习和图像处理的光学元件表面损伤识别方法
CN111127448A (zh) 一种基于孤立森林检测空气弹簧故障的模型及方法
CN113222926B (zh) 基于深度支持向量数据描述模型的拉链异常检测方法
CN115170529A (zh) 基于注意力机制的多尺度微小瑕疵检测方法
CN111754463A (zh) 一种基于卷积神经网络的无砟轨道ca砂浆层缺陷检测方法
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
CN112907561A (zh) 一种基于深度学习的笔记本外观瑕疵检测方法
CN115205209A (zh) 一种基于弱监督学习的单色布匹瑕疵检测方法
CN114445397A (zh) 一种基于浅层神经网络的带钢缺陷检测方法
CN1106572C (zh) 铸坯断面质量的自动评价方法
CN111402236A (zh) 一种基于图像灰度值的热轧带钢表面缺陷分级方法
CN110009601A (zh) 基于hog的大型装备不规则外形表面缺陷检测方法
CN116958073A (zh) 基于注意力特征金字塔机制的小样本钢材缺陷检测方法
CN112257849A (zh) 基于深度学习的智能检测方法、系统、装置及其应用
CN116309493A (zh) 一种用于纺织产品疵点检测的方法及系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220506