CN115100188A - 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 - Google Patents
一种层次化缺陷分析的钢板表面质量自动分级与判定方法 Download PDFInfo
- Publication number
- CN115100188A CN115100188A CN202210894368.1A CN202210894368A CN115100188A CN 115100188 A CN115100188 A CN 115100188A CN 202210894368 A CN202210894368 A CN 202210894368A CN 115100188 A CN115100188 A CN 115100188A
- Authority
- CN
- China
- Prior art keywords
- defect
- steel plate
- quality
- grading
- standard
- 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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种层次化缺陷分析的钢板表面质量自动分级与判定方法,包括:制定表面缺陷分类标准、缺陷严重程度划分标准和钢板成品质量分级标准;构建样本数据集;构建表面缺陷检测算法模型,并利用样本数据集进行训练;利用训练好的表面缺陷检测算法模型对待检测的钢板图像进行检测,得到检测结果;基于缺陷严重程度划分标准,根据表面缺陷的特征数据,判定所检测到的表面缺陷的严重程度;基于钢板成品质量分级标准,根据所检测到的当前钢板成品中的各表面缺陷的类别、特征数据以及严重程度,实现钢板成品质量的自动分级与判定。本发明可有效解决人工质检分析难、效率低等问题;为后续钢板生产线进行钢板表面质量分级与判定提供理论和实践指导。
Description
技术领域
本发明涉及深度学习、目标检测及金属表面缺陷检测技术领域,特别涉及一种层次化缺陷分析的钢板表面质量自动分级与判定方法。
背景技术
钢板作为最为重要的一种机械制造工业原材料,广泛应用于建筑、汽车、航天等领域,钢板表面质量不仅直接影响外观质量、严重情况下还影响工业成品结构性质量。随着钢铁制造业不断向自动化、信息化、数据化的智能生产转型,如何在快速生产节奏中,确保生产质量是提高企业竞争力的重要环节。因此,掌握高效、稳定的钢板表面质量自动分级与判定方法是钢铁生产企业抢占新一代工业革命制高点的关键一步。
在钢铁制造业中,通常通过添加不同的合金元素来改变钢的组织性能,为了在后续产线实现冶金学原理中的工艺条件,采取的不同的工艺设计,譬如加热温度、冷却模式、轧机出口速度等,导致了某些钢种有很强的织构方向性,在光学探测设备下,表面纹理存在一定的差异性;同时各类工艺流程会导致各类表面缺陷的产生。如何在快速生产节奏中确保生产质量,是当前钢铁生产最为关注的问题。当前,表面缺陷的质检主要依赖于人工目视检测方法,其时效性差、检测效率低,难以适应当前钢铁生产线的快速生产节奏。
因此,需要设计一种更高效的钢板表面质量自动分级与判定方法。
发明内容
本发明提供了一种层次化缺陷分析的钢板表面质量自动分级与判定方法,以解决通过人工目视来确定钢板存在某类或某几类缺陷而确定等级的方式存在的时效性差、检测效率低,难以适应当前钢铁生产线快速生产节奏的技术问题。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供了一种层次化缺陷分析的钢板表面质量自动分级与判定方法,所述层次化缺陷分析的钢板表面质量自动分级与判定方法包括:
制定表面缺陷分类标准、缺陷严重程度划分标准和钢板成品质量分级标准;
收集包含表面缺陷的图像样本,并根据所述表面缺陷分类标准,对收集到的图像样本进行缺陷类别标注,以构建出样本数据集;
利用深度学习技术,构建分类优先网络与目标检测网络结合的表面缺陷检测算法模型,并利用所述样本数据集对所述表面缺陷检测算法模型进行训练;
利用训练好的表面缺陷检测算法模型对待检测的钢板图像进行检测,实现对当前待检测的钢板图像中所包含的表面缺陷的分类与定位,得到检测结果;
基于表面缺陷的检测结果,对当前所检测到的表面缺陷进行多层次特征提取,得到当前所检测到的表面缺陷所对应的特征数据,并基于所述缺陷严重程度划分标准,根据表面缺陷的特征数据,判定所检测到的表面缺陷的严重程度;
基于所述钢板成品质量分级标准,根据所检测到的当前钢板成品中的各表面缺陷的类别、特征数据以及严重程度,实现钢板成品质量的自动分级与判定。
进一步地,所述制定表面缺陷分类标准、缺陷严重程度划分标准和钢板成品质量分级标准,包括:
根据实际生产线需求和生产工艺,制定表面缺陷分类标准,将钢板的表面缺陷划分为多个不同的类别;其中,表面缺陷的类别包括:结疤、夹杂、脱皮、划伤、氧化铁皮、氧化铁皮压入、凹坑、辊印、戳伤、脏污以及孔洞;
基于表面缺陷分类标准,制定缺陷严重程度划分标准,根据表面缺陷的特征数据,将各类缺陷的严重程度分别划分为多个不同的级别;
根据实际生产线需求,基于各类缺陷及其严重程度在钢板上的分布情况,制定钢板成品质量分级标准,将钢板成品的质量划分为多个不同的等级。
进一步地,所述收集包含表面缺陷的图像样本,包括:
基于所述表面缺陷分类标准,收集各类缺陷单张图像样本;
根据钢板成品分级判定结果,收集对应钢板的整张图像样本。
进一步地,所述表面缺陷检测算法模型包括缺陷检测网络模型和缺陷分类网络模型;其中,所述缺陷检测网络模型用于实现缺陷的定位,所述缺陷分类网络模型用于对所述缺陷检测网络模型检出的缺陷进行分类,得到缺陷类别;
所述缺陷检测网络模型和所述缺陷分类网络模型进行并联设计,两个网络模型在特征提取时独立工作,最终将两个网络模型的特征提取与分类结果融合。
可选地,所述缺陷检测网络模型为YOLOv5模型。
可选地,所述缺陷分类网络模型为EfficientNet模型。
进一步地,所述基于表面缺陷的检测结果,对当前所检测到的表面缺陷进行多层次特征提取,得到当前所检测到的表面缺陷所对应的特征数据,并基于所述缺陷严重程度划分标准,根据表面缺陷的特征数据,判定所检测到的表面缺陷的严重程度,包括:
基于表面缺陷的检测结果,对当前所检测到的表面缺陷进行多层次特征提取,得到当前所检测到的表面缺陷所对应的特征数据;其中,所述特征数据包括:缺陷距离钢板头部的距离信息、缺陷距离钢板尾部的距离信息、缺陷的长宽尺寸信息、缺陷的面积信息、缺陷的置信度以及缺陷的灰度值;
对提取到的缺陷的特征数据进行筛选和分析,并结合所述缺陷严重程度划分标准,判定所检测到的表面缺陷的严重程度。
进一步地,所述基于所述钢板成品质量分级标准,根据所检测到的当前钢板成品中的各表面缺陷的类别、特征数据以及严重程度,实现钢板成品质量的自动分级与判定,包括:
对每块钢板成品所包含的缺陷数据进行统计;其中,所述缺陷数据包括:缺陷的类别和数量,以及各缺陷的特征数据;
对统计的缺陷数据进行综合分析,获得缺陷在钢板上的分布规律;
基于所述钢板成品质量分级标准,根据所获得的缺陷在钢板上的分布规律,实现钢板成品质量的自动分级与判定,确定当前钢板成品的质量等级。
再一方面,本发明还提供了一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
又一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括:
1、在实际生产过程中,本发明针对钢种、实际生产线工艺特点,制定了缺陷分类标准、缺陷严重程度标准以及质量自动分级标准,可以为其它钢铁生产线进行后续的质量分级提供依据和标准;
2、本发明构建的基于深度学习技术的分类优先缺陷检测算法模型,相比于传统的缺陷分析算法,具有检测速度快、精度高、泛化性强的优点;
3、本发明所提供的钢板表面质量自动分级与判定方法,基于表面缺陷检测技术,从缺陷面积、缺陷置信度、缺陷分布数量等方面入手,实现层次化分级的表面质量自动分级与判定,有效解决人工质检分析难、效率低等问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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是本发明实施例提供的层次化缺陷分析的钢板表面质量自动分级与判定方法的整体实施流程示意图;
图2是本发明实施例提供的几类影响钢板表面质量的缺陷示意图;其中,(a)为夹杂,(b)为结疤缺陷示意图,(c)为划伤缺陷示意图,(d)为辊印缺陷示意图,(e)为氧化物缺陷示意图;(f)为异物压入缺陷示意图;
图3是本发明实施例提供的基于深度学习的分类优先钢板表面缺陷检测模型的模型结构示意图;
图4是本发明实施例提供的多层次特征提取的缺陷层级划分方法示意图;
图5是本发明实施例提供的基于多层次分析的钢板自动判级方法示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
为便于相关人员理解本实施例的技术方案,首先介绍钢板表面质量分级技术的背景。钢板表面质量主要受到表面的缺陷影响。一般来说钢板品级分为多个等级:一级品、二级品、三级品、废品等,而对判级的标准影响最大的是某几类缺陷(夹杂、空洞、裂纹、结疤、辊印、氧化物压入凹坑等)。随着钢铁生产的轧制节奏提升和智能化升级,人工质检分析难、效率低已经成为制约钢铁生产效率的重要因素。随着深度学习技术被广泛应用于各领域的产品质量检测。如何利用这些人工智能方法进行缺陷检测、并进一步分析钢板表面缺陷是研究热点。钢板生产线部署的表面检测系统主要实现以下两种功能:表面缺陷检出(定位)、缺陷分类。表面检测系统检出的轻微缺陷数量众多,这些轻微缺陷往往不会对带钢表面质量的判定造成决定性影响,而人工质检员在进行判定时却要耗费大量精力过滤轻微缺陷,由此造成的标准不统一、效率低下、错漏判等问题共同导致了表检环节准确率偏低的问题。因此,有必要在实现缺陷自动检测的基础上进行质量自动分级与判定技术的研究。以自动准确地检出影响钢板表面的缺陷类别、判定及其缺陷严重程度,进而分析整块钢板缺陷分布规律。
基于上述,针对实际钢板生产线表面质量分析的现状与需求,也即当前人工质检方法存在标准不统一、缺陷分析判定难、质量分级效率低等问题。本实施例提供了一种层次化缺陷分析的钢板表面质量自动分级与判定方法,该方法可以由电子设备实现,如图1所示,该方法的主要思路是围绕精准检测缺陷、合理划分缺陷层级、明确地定位钢种产品三方面展开,进行多层次全面分析钢板表面质量缺陷、实现钢板质量自动评级。
本实施例方案的实施主要由以下三个阶段组成:第一阶段,确定钢板表面缺陷的分类标准、基于分类标准确定各类缺陷严重程度标准、基于各类缺陷及其严重程度在钢板的分布确定钢板成品分级标准;第二阶段,以构建的表面缺陷检测模型为基础,对钢板进行缺陷检测、缺陷分类;第三阶段,进一步判定缺陷严重程度,并根据钢种不同产品分级标准,全面分析缺陷在整块钢板上的分布规律、实现自动钢板质量判级。
具体地,本实施例的钢板表面质量自动分级与判定方法包括以下执行步骤:
S1,根据实际生产线需求和生产工艺,制定表面缺陷分类标准、缺陷严重程度划分标准和钢板成品质量分级标准,为后续缺陷分析和质量分级提供依据。
具体地,在本实施例中,上述S1的实现过程如下:
S11,根据实际生产线需求和生产工艺,制定表面缺陷分类标准,将表面缺陷划分为多个不同的类别;具体地,本实施例根据各产线钢种、实际缺陷类别、重点关注影响表面质量的缺陷类别等因素将缺陷类别主要分为:结疤、夹杂、脱皮、划伤、氧化铁皮、氧化铁皮压入、凹坑、辊印、戳伤、脏污、孔洞等;
S12,基于表面缺陷分类标准,制定缺陷严重程度划分标准,根据表面缺陷的特征数据(缺陷距离钢板头部的距离信息、距离钢板尾部的距离信息、长宽尺寸信息、面积信息、置信度、灰度值等),将各类缺陷的严重程度分别划分为多个不同的级别;主要包括以下三个级别:L(轻度缺陷特征提取与判定标准)、M(中度缺陷特征提取与判定标准)、S(严重缺陷特征提取与判定标准);
S13,根据实际生产线需求,基于各类缺陷及其严重程度在钢板上的分布情况,制定钢板成品质量分级标准,将钢板成品的质量划分为多个不同的等级,主要分为一等品(L1)、二等品(L2)、三等品(L3)…废品等分级等级。
S2,收集包含表面缺陷的图像样本,并根据S1所制定的表面缺陷分类标准,利用LabelImg对收集到的图像样本进行缺陷类别标注,以构建出样本数据集;
其中,需要说明的是,对于上述数据集的建立,一方面,如图2所示,表面缺陷检测系统主要基于单张图像进行缺陷检出和定位,收集的缺陷样本往往是以缺陷类别集中收集,因此需要基于S1制定的缺陷分类标准收集各类缺陷单张图像样本,用于表面缺陷检测;另一方面,由于钢板质量分级是针对整块钢板进行全面的缺陷分析,因此需要根据钢板成品分级判定结果,收集该钢板整张图像样本数据,该部分数据的收集途径主要通过质检室技术人员的相关质检数据(质检数据可以作为人工标注样本、也是判级的标准,这类数据的收集和统计是用于后续钢板质量评级的重要数据)进行收集,一般质检记录包含以下几种信息:钢种、卷号、板号、规格、缺陷类别、判定等级。
S3,利用深度学习技术,构建分类优先网络与目标检测网络结合的表面缺陷检测算法模型,并利用所述样本数据集对所述表面缺陷检测算法模型进行训练;以实现钢板多类表面缺陷的检出与分类,为后续质量分析提供数据支撑。
其中,需要说明的是,钢板表面缺陷类别较多、分布较为随机、且两类缺陷样本存在特征相似等情况,如裂纹和划伤两类缺陷都沿着轧制方向呈现线条状分布、起皮和凹坑两类缺陷存在相似特征。针对上述情况,若利用单一性网络模型提取特征容易产生因特征提取不足造成缺陷分类不准确的情况;针对因分类不准确造成漏检、误报的问题,如何充分提取缺陷特征是关键问题。
为提升网络模型的特征提取能力,一般有两种方法:设计更深的网络,提升非线性表达能力、学习更复杂的变换、拟合复杂特征,可以更深层次学习复杂特征;提升网络的宽度,足够的宽度可以保证每一层都学到丰富的特征。但是,网络层次加深会带来梯度不稳定、网络退化的问题,过深的网络会使浅层学习能力下降;增加网络宽度会提升网络的计算量,太宽的网络会提取过多重复特征,加大模型计算负担。因此,为提升网络模型的特征提取能力。如图3所示,本实施例利用深度学习技术,构建了分类优先网络与目标检测网络结合的表面缺陷检测算法模型,利用深度学习算法进行缺陷的分类与定位。其包括缺陷检测网络模型和缺陷分类网络模型;其中,所述缺陷检测网络模型用于实现缺陷的定位,所述缺陷分类网络模型用于对所述缺陷检测网络模型检出的缺陷进行分类,得到缺陷类别。缺陷检测网络模型和缺陷分类网络模型进行并联设计,两个网络模型在特征提取时独立工作,最终将两个网络模型的特征提取与分类结果融合,以实现更高精度的缺陷分类与检出效果。其中,缺陷检测网络模型可以为YOLOv5模型。缺陷分类网络模型可以为EfficientNet模型。
S4,利用训练好的表面缺陷检测算法模型对待检测的钢板图像进行检测,实现对当前待检测钢板图像中所包含的表面缺陷的分类与定位,得到检测结果。
S5,基于检测结果,对当前所检测到的缺陷进行多层次特征提取,得到当前所检测到的缺陷所对应的特征数据,并基于S1所制定的缺陷严重程度划分标准,根据缺陷的特征数据,判定所检测到的缺陷的严重程度;进一步为后续钢板质量分级的自动判定提供缺陷类别、缺陷尺寸、缺陷严重程度等信息。
具体地,在本实施例中,上述S5的实现过程如下:
如图4所示,在S3利用目标检测算法实现缺陷定位与分类的基础上,在缺陷定位到的2D矩形缺陷区域中进行综合缺陷分析,利用显著性检测、像素分割、灰度特征提取等方法对缺陷区域进行多层次特征提取并进行缺陷层级划分。该部分为后续钢板质量自动分级与判定提供类别、缺陷尺寸、缺陷严重程度等信息。由于存在检出的轻微缺陷数量较多的情况,这些轻微缺陷往往不会对带钢表面质量的判定造成决定性影响,容易造成错漏判、判级的准确率偏低等问题。
因此,在第一阶段缺陷检出与分类的基础上,利用目标检测算法的缺陷定位检测与分类的结果,在2D矩形缺陷区域进行缺陷像素区域的提取(显著性检测、像素分割、灰度特征提取等方法),多层次进行缺陷特征提取结果包括:缺陷像素区域的提取(转换为缺陷面积)、缺陷钢板头尾距离计算(从局部缺陷定位到钢板全局缺陷定位)、灰度值计算(作为严重程度判定的重要因素之一,具体为:采用阈值分割算法进行灰度值分析)、置信度(评估属于某类缺陷的概率)等。最终通过多层次对缺陷特征提取分析,对表检仪检出缺陷信息进行进一步筛选和确认,结合严重程度判定标准,实现缺陷严重程度判定,减少表面质量分析人员工作量,提高工作效率。
通过基于深度学习方法进行缺陷检出和分类并进一步结合多层次缺陷分析算法实现对热轧表面缺陷严重程度的分级,可为后续实现自动分级提供数据支撑,在提升判定的效率和准确率的同时可以大幅减少表面质量分析人员的参与。
S6,基于S1所制定的钢板成品质量分级标准,根据所检测到的当前钢板成品中的各表面缺陷的类别、特征数据(缺陷距离钢板头部、尾部的距离信息、长宽尺寸信息、面积信息、置信度、灰度值)、缺陷出现频率及严重程度,层次化、全面分析缺陷在整块钢板上的分布规律,实现钢板质量的自动分级与判定。
具体地,在本实施例中,如图5所示,上述S6的实现过程如下:
首先,在多层次特征提取的缺陷严重层级划分的基础上,进行每块钢板表面缺陷种类和数量的统计,并将缺陷各类信息进行统计;
其次,在统计完整块钢板缺陷数据后,将获得的缺陷距离钢板头部、距离钢板尾部的距离信息、长宽尺寸信息、面积信息、置信度、灰度值信息等进行综合分析,获得缺陷在钢板的分布规律;
最后,基于S1制定的钢板成品质量分级标准,实现自动将一块钢板表面所有可识别、可分类的缺陷进行全面分析、分级;以实现钢板表面质量自动分分级与判定,并且自动分级结果可以进一步人工核实。
其中,钢板分级标准按照质检需求、结合现场实际情况及相应分级标准和分级规则,分为一等品、二等品、三等品、四等品…废品等。
综上,本实施例提供了一种层次化缺陷分析的钢板质量自动分级与判定方法。该方法的主要思路是围绕精准检测缺陷、合理划分缺陷层级、定位钢种产品三方面展开多层次钢板表面质量分析、实现钢板质量自动评级。首先,制定钢板表面缺陷的分类标准,基于分类标准制定各类缺陷严重程度标准,基于各类缺陷及其严重程度在钢板的分布制定钢板成品分级标准;然后,设计基于深度学习的分类优先钢板表面缺陷检测算法,实现更具有泛化性、高精度的表面缺陷分类与检出;最后,进一步判定缺陷严重程度,并根据钢种不同产品分级标准,全面分析缺陷在整块钢板上的分布规律、实现钢板质量自动分级与判定。从而从分级标准制定、缺陷检测算法设计、缺陷综合分析入手,实现了层次化分级的钢板表面质量自动分级与判定,可有效解决人工质检分析难、效率低等问题。可为后续钢板生产线进行钢板表面质量分级与判定提供理论和实践指导。
第二实施例
本实施例提供一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行,以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)和一个或一个以上的存储器,其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行上述方法。
第三实施例
本实施例提供一种计算机可读存储介质,该存储介质中存储有至少一条指令,所述指令由处理器加载并执行,以实现上述第一实施例的方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外,需要说明的是,本发明可提供为方法、装置或计算机程序产品。因此,本发明实施例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,本发明实施例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上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(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、嵌入式处理机或其他可编程数据处理终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (8)
1.一种层次化缺陷分析的钢板表面质量自动分级与判定方法,其特征在于,所述层次化缺陷分析的钢板表面质量自动分级与判定方法包括:
制定表面缺陷分类标准、缺陷严重程度划分标准和钢板成品质量分级标准;
收集包含表面缺陷的图像样本,并根据所述表面缺陷分类标准,对收集到的图像样本进行缺陷类别标注,以构建出样本数据集;
利用深度学习技术,构建分类优先网络与目标检测网络结合的表面缺陷检测算法模型,并利用所述样本数据集对所述表面缺陷检测算法模型进行训练;
利用训练好的表面缺陷检测算法模型对待检测的钢板图像进行检测,实现对当前待检测的钢板图像中所包含的表面缺陷的分类与定位,得到检测结果;
基于表面缺陷的检测结果,对当前所检测到的表面缺陷进行多层次特征提取,得到当前所检测到的表面缺陷所对应的特征数据,并基于所述缺陷严重程度划分标准,根据表面缺陷的特征数据,判定所检测到的表面缺陷的严重程度;
基于所述钢板成品质量分级标准,根据所检测到的当前钢板成品中的各表面缺陷的类别、特征数据以及严重程度,实现钢板成品质量的自动分级与判定。
2.如权利要求1所述的层次化缺陷分析的钢板表面质量自动分级与判定方法,其特征在于,所述制定表面缺陷分类标准、缺陷严重程度划分标准和钢板成品质量分级标准,包括:
根据实际生产线需求和生产工艺,制定表面缺陷分类标准,将钢板的表面缺陷划分为多个不同的类别;其中,表面缺陷的类别包括:结疤、夹杂、脱皮、划伤、氧化铁皮、氧化铁皮压入、凹坑、辊印、戳伤、脏污以及孔洞;
基于表面缺陷分类标准,制定缺陷严重程度划分标准,根据表面缺陷的特征数据,将各类缺陷的严重程度分别划分为多个不同的级别;
根据实际生产线需求,基于各类缺陷及其严重程度在钢板上的分布情况,制定钢板成品质量分级标准,将钢板成品的质量划分为多个不同的等级。
3.如权利要求1所述的层次化缺陷分析的钢板表面质量自动分级与判定方法,其特征在于,所述收集包含表面缺陷的图像样本,包括:
基于所述表面缺陷分类标准,收集各类缺陷单张图像样本;
根据钢板成品分级判定结果,收集对应钢板的整张图像样本。
4.如权利要求1所述的层次化缺陷分析的钢板表面质量自动分级与判定方法,其特征在于,所述表面缺陷检测算法模型包括缺陷检测网络模型和缺陷分类网络模型;其中,所述缺陷检测网络模型用于实现缺陷的定位,所述缺陷分类网络模型用于对所述缺陷检测网络模型检出的缺陷进行分类,得到缺陷类别;
所述缺陷检测网络模型和所述缺陷分类网络模型进行并联设计,两个网络模型在特征提取时独立工作,最终将两个网络模型的特征提取与分类结果融合。
5.如权利要求4所述的层次化缺陷分析的钢板表面质量自动分级与判定方法,其特征在于,所述缺陷检测网络模型为YOLOv5模型。
6.如权利要求4所述的层次化缺陷分析的钢板表面质量自动分级与判定方法,其特征在于,所述缺陷分类网络模型为EfficientNet模型。
7.如权利要求1所述的层次化缺陷分析的钢板表面质量自动分级与判定方法,其特征在于,所述基于表面缺陷的检测结果,对当前所检测到的表面缺陷进行多层次特征提取,得到当前所检测到的表面缺陷所对应的特征数据,并基于所述缺陷严重程度划分标准,根据表面缺陷的特征数据,判定所检测到的表面缺陷的严重程度,包括:
基于表面缺陷的检测结果,对当前所检测到的表面缺陷进行多层次特征提取,得到当前所检测到的表面缺陷所对应的特征数据;其中,所述特征数据包括:缺陷距离钢板头部的距离信息、缺陷距离钢板尾部的距离信息、缺陷的长宽尺寸信息、缺陷的面积信息、缺陷的置信度以及缺陷的灰度值;
对提取到的缺陷的特征数据进行筛选和分析,并结合所述缺陷严重程度划分标准,判定所检测到的表面缺陷的严重程度。
8.如权利要求7所述的层次化缺陷分析的钢板表面质量自动分级与判定方法,其特征在于,所述基于所述钢板成品质量分级标准,根据所检测到的当前钢板成品中的各表面缺陷的类别、特征数据以及严重程度,实现钢板成品质量的自动分级与判定,包括:
对每块钢板成品所包含的缺陷数据进行统计;其中,所述缺陷数据包括:缺陷的类别和数量,以及各缺陷的特征数据;
对统计的缺陷数据进行综合分析,获得缺陷在钢板上的分布规律;
基于所述钢板成品质量分级标准,根据所获得的缺陷在钢板上的分布规律,实现钢板成品质量的自动分级与判定,确定当前钢板成品的质量等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210894368.1A CN115100188A (zh) | 2022-07-28 | 2022-07-28 | 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210894368.1A CN115100188A (zh) | 2022-07-28 | 2022-07-28 | 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100188A true CN115100188A (zh) | 2022-09-23 |
Family
ID=83300808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210894368.1A Pending CN115100188A (zh) | 2022-07-28 | 2022-07-28 | 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100188A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117831659A (zh) * | 2024-03-04 | 2024-04-05 | 山东钢铁股份有限公司 | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 |
CN117890304A (zh) * | 2024-03-15 | 2024-04-16 | 内蒙古丰洲材料有限公司 | 钢板表面缺陷检测系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61245045A (ja) * | 1985-04-23 | 1986-10-31 | Nisshin Steel Co Ltd | 金属帯の表面欠陥自動検査方法 |
CN111402236A (zh) * | 2020-03-17 | 2020-07-10 | 北京科技大学 | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 |
CN111612784A (zh) * | 2020-06-01 | 2020-09-01 | 南通大学 | 一种基于分类优先yolo网络的钢板表面缺陷检测方法 |
CN112330591A (zh) * | 2020-09-30 | 2021-02-05 | 中国铁道科学研究院集团有限公司 | 少样本学习的钢轨表面缺陷检测方法及装置 |
CN113034442A (zh) * | 2021-03-04 | 2021-06-25 | 北京科技大学设计研究院有限公司 | 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 |
CN113781456A (zh) * | 2021-09-16 | 2021-12-10 | 欧冶云商股份有限公司 | 基于人工智能图像识别的钢材表面缺陷检测方法及设备 |
CN113822889A (zh) * | 2021-11-24 | 2021-12-21 | 江苏金恒信息科技股份有限公司 | 一种热轧钢板表面缺陷检测方法 |
CN114463285A (zh) * | 2022-01-14 | 2022-05-10 | 北京科技大学设计研究院有限公司 | 一种多级网络融合圆钢表面缺陷检测方法及图像采集装置 |
CN114596296A (zh) * | 2022-03-16 | 2022-06-07 | 武汉科技大学 | 一种高灵敏度的热轧钢卷端面缺陷识别系统及方法 |
-
2022
- 2022-07-28 CN CN202210894368.1A patent/CN115100188A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61245045A (ja) * | 1985-04-23 | 1986-10-31 | Nisshin Steel Co Ltd | 金属帯の表面欠陥自動検査方法 |
CN111402236A (zh) * | 2020-03-17 | 2020-07-10 | 北京科技大学 | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 |
CN111612784A (zh) * | 2020-06-01 | 2020-09-01 | 南通大学 | 一种基于分类优先yolo网络的钢板表面缺陷检测方法 |
CN112330591A (zh) * | 2020-09-30 | 2021-02-05 | 中国铁道科学研究院集团有限公司 | 少样本学习的钢轨表面缺陷检测方法及装置 |
CN113034442A (zh) * | 2021-03-04 | 2021-06-25 | 北京科技大学设计研究院有限公司 | 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 |
CN113781456A (zh) * | 2021-09-16 | 2021-12-10 | 欧冶云商股份有限公司 | 基于人工智能图像识别的钢材表面缺陷检测方法及设备 |
CN113822889A (zh) * | 2021-11-24 | 2021-12-21 | 江苏金恒信息科技股份有限公司 | 一种热轧钢板表面缺陷检测方法 |
CN114463285A (zh) * | 2022-01-14 | 2022-05-10 | 北京科技大学设计研究院有限公司 | 一种多级网络融合圆钢表面缺陷检测方法及图像采集装置 |
CN114596296A (zh) * | 2022-03-16 | 2022-06-07 | 武汉科技大学 | 一种高灵敏度的热轧钢卷端面缺陷识别系统及方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117831659A (zh) * | 2024-03-04 | 2024-04-05 | 山东钢铁股份有限公司 | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 |
CN117831659B (zh) * | 2024-03-04 | 2024-05-03 | 山东钢铁股份有限公司 | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 |
CN117890304A (zh) * | 2024-03-15 | 2024-04-16 | 内蒙古丰洲材料有限公司 | 钢板表面缺陷检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN115100188A (zh) | 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 | |
CN111612784B (zh) | 一种基于分类优先yolo网络的钢板表面缺陷检测方法 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN114972203A (zh) | 基于分水岭分割的机械零件轧制异常检测方法 | |
CN110490842A (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN111402236B (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN115719332A (zh) | 一种焊接质量检测方法 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN112329664A (zh) | 一种原核期胚胎原核数量的评估方法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
Chen et al. | The machined surface defect detection of improved superpixel segmentation and two-level region aggregation based on machine vision | |
CN109584208B (zh) | 一种针对工业结构缺陷智能识别模型的检验方法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
CN109376619B (zh) | 一种细胞检测方法 | |
CN115082444B (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 | |
Bush et al. | Deep Neural Networks for visual bridge inspections and defect visualisation in Civil Engineering | |
CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN115345846A (zh) | 一种中低碳钢晶粒度智能评级方法及系统 | |
CN111627018B (zh) | 一种基于双流神经网络模型的钢板表面缺陷分类方法 | |
Xin et al. | Detection of apple surface defect based on YOLOv3 | |
Liu et al. | Semantic image retrieval and clustering for supporting domain-specific bridge component and defect classification | |
CN114065847A (zh) | 一种基于改进RefineDet的织物疵点检测方法 | |
CN113191398A (zh) | 一种基于改进Faster R-CNN的路面破损识别方法 |
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 |