CN115471466A - 一种基于人工智能的钢材表面缺陷检测方法及系统 - Google Patents
一种基于人工智能的钢材表面缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN115471466A CN115471466A CN202211057704.3A CN202211057704A CN115471466A CN 115471466 A CN115471466 A CN 115471466A CN 202211057704 A CN202211057704 A CN 202211057704A CN 115471466 A CN115471466 A CN 115471466A
- Authority
- CN
- China
- Prior art keywords
- image
- steel
- training
- target detection
- surface defects
- 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
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提出了一种基于人工智能的钢材表面缺陷检测方法及系统,涉及钢材检测领域。该方法包括以下步骤:获取多张包括钢材表面缺陷的原始图像;将原始图像进行图像预处理,得到预处理图像;利用预处理图像构建训练图像数据库;基于训练图像数据库训练得到用于检测钢材表面缺陷的目标检测模型;将待检测钢材图像输入目标检测模型中进行钢材表面缺陷检测,得到钢材表面缺陷检测结果。该方法通过收集多张包括钢材表面缺陷的原始图像,并针对原始图像进行预处理,用于构建训练图像数据库用以训练目标检测模型,从而能够用于快速准确的对钢材的表面缺陷进行检测。
Description
技术领域
本发明涉及钢材检测领域,具体而言,涉及一种基于人工智能的钢材表面缺陷检测方法及系统。
背景技术
随着工业5.0时代的到来,我国各行业对钢材的需求不断增加,对钢材性能和质量提出了更高的要求。近十年来,我国粗钢和生铁产品产量均居世界第一。中国钢铁产量虽然巨大,但在低端和粗钢中占大部分,国内钢材质量无法与日本、美国等国相提并论。钢铁产品是中国基础建设的重要原材料,被广泛应用在社会发展的各个层面。钢材的质量与国家建设的安全性息息相关,钢材表面缺陷又直接决定钢材质量。所以,能够正确并快速的检测钢材的表面缺陷,是目前钢铁企业的首要任务。
以往传统的钢材表面缺陷检测使用人工检测,这种检测方式消耗大量人力资源。连续高强度检测工作与检测经验的差异,往往导致检测人员效率低、检测误差大、对同一误差的检测结论不同。因此,提出一种能够快速准确的对钢材的表面缺陷进行检测的方法已经成为急需解决的技术问题。
发明内容
本发明的目的在于提供一种基于人工智能的钢材表面缺陷检测方法及系统,通过收集多张包括钢材表面缺陷的原始图像,并针对原始图像进行预处理,用于构建训练图像数据库用以训练目标检测模型,从而能够用于快速准确的对钢材的表面缺陷进行检测。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种基于人工智能的钢材表面缺陷检测方法,包括以下步骤:
获取多张包括钢材表面缺陷的原始图像;
将原始图像进行图像预处理,得到预处理图像;
利用预处理图像构建训练图像数据库;
基于训练图像数据库训练得到用于检测钢材表面缺陷的目标检测模型;
将待检测钢材图像输入目标检测模型中进行钢材表面缺陷检测,得到钢材表面缺陷检测结果。
在本发明的一些实施例中,上述图像预处理包括颜色变换、噪音消除、锐化处理或画质调整中的一种或多种。
在本发明的一些实施例中,上述图像预处理具体包括:
在本发明的一些实施例中,上述基于训练图像数据库训练得到用于检测钢材表面缺陷的目标检测模型的步骤具体包括:
对预处理图像中的表面缺陷按照夹杂、划痕、压入氧化皮、裂纹、麻点和斑块进行分类标注处理,得到包含预处理图像中所有缺陷的类别标签和标注框对应的位置信息的标注信息;
将预处理图像及其对应的标注信息输入目标检测模型进行目标检测的训练和测试。
在本发明的一些实施例中,上述目标检测模型采用YOLOv5算法。
在本发明的一些实施例中,上述目标检测模型采用SGDM优化算法和余弦退火算法进行模型优化。
在本发明的一些实施例中,上述目标检测模型的后处理过程中选用非极大值抑制算法进行获取预测框。
第二方面,本申请实施例提供一种基于人工智能的钢材表面缺陷检测系统,其包括:
图像获取模块,用于获取多张包括钢材表面缺陷的原始图像;
预处理模块,用于将原始图像进行图像预处理,得到预处理图像;
数据库构建模块,用于利用预处理图像构建训练图像数据库;
模型训练模块,用于基于训练图像数据库训练得到用于检测钢材表面缺陷的目标检测模型;
检测输出模块,用于将待检测钢材图像输入目标检测模型中进行钢材表面缺陷检测,得到钢材表面缺陷检测结果。
第三方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当上述一个或多个程序被上述处理器执行时,实现如上述第一方面中任一项上述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项上述的方法。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
首先通过收集多张包括钢材表面缺陷的原始图像,然后将原始图像进行预处理,得到预处理图像,从而可以利用预处理图像进行构建训练图像数据库,接着将可以基于训练图像数据库进行训练得到用于检测钢材表面缺陷的目标检测模型,最后即可利用目标检测模型对待检测钢材图像进行检测钢材表面缺陷。通过上述方法能够实现对钢材的表面缺陷区域的快速定位和分类,实现表面缺陷的自动化检测。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明一种基于人工智能的钢材表面缺陷检测方法一实施例的流程图;
图2为本发明实施例中图像预处理的具体流程图;
图3为本发明实施例中基于训练图像数据库训练得到用于检测钢材表面缺陷的目标检测模型的步骤的具体流程图;
图4为本发明中裂纹分类表面缺陷的标注示例图;
图5为本发明中夹杂分类表面缺陷的标注示例图;
图6为本发明中压入氧化皮分类表面缺陷的标注示例图;
图7为本发明中麻点分类表面缺陷的标注示例图;
图8为本发明中斑纹分类表面缺陷的标注示例图;
图9为本发明中划痕分类表面缺陷的标注示例图;
图10为本发明一种基于人工智能的钢材表面缺陷检测系统一实施例的结构框图;
图11为本发明实施例提供的一种电子设备的结构框图。
图标:1、图像获取模块;2、预处理模块;3、数据库构建模块;4、模型训练模块;5、检测输出模块;6、存储器;7、处理器;8、通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备中还存在另外的相同要素。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例
请参阅图1,该一种基于人工智能的钢材表面缺陷检测方法包括以下步骤:
步骤S101:获取多张包括钢材表面缺陷的原始图像。
钢材表面缺陷检测是指检测钢材表面的划痕、开裂、异物、腐蚀、孔洞等问题。现有技术中,对钢材表面缺陷检测要么采用人工进行检测,其受人为主观因素影响较多;要么是利用磁粉探伤、渗透探伤、涡流检测、超声波检测、X射线等技术进行缺陷检测,其检测效率有限,不适于大批量的钢材表面检测。上述步骤中,通过获取多张包括钢材表面缺陷的原始图像,可以为后续训练目标检测模型提供原始数据支撑。
示例性地,其中获取的原始图像可以是具有标志性缺陷的图像,从而能够提升后续训练的速度和准确性,另外,在获取的原始图像样本较少的时候,可以对原始图像进行随机缩放、随机裁剪和随机排布等方式重新组合成新的图像,将可以较大程度的提升原始图像数据集的数量。
步骤S102:将原始图像进行图像预处理,得到预处理图像。
上述步骤中,由于相机在采集图像时,拍摄受复杂环境、光照不均匀以及设备的电子干扰等因素,会导致采集的包括钢材表面缺陷的原始图像中出现噪声,降低图像质量,从而导致后续训练目标检测模型的精度受限。其中,噪声是指采集的包括钢材表面缺陷的原始图像中除了裂缝、斑点等表面缺陷关键信息外,还存在许多杂质,这些对裂缝等信息造成干扰的杂质即为噪声。
示例性地,上述图像预处理可以包括颜色变换、噪音消除、锐化处理或画质调整中的一种或多种。通过对原始图像进行预处理,能够得到图像质量更高的预处理图像,从而后续能够对目标检测模型进行更快更好的训练,提高目标检测模型训练的效率和准确度。
具体地,请参阅图2,上述图像预处理具体包括:
上述步骤中,对原始图像进行图像预处理的基本思路是:根据当前像素邻域内的灰度值方差进行调整,当该邻域内方差较大时,进行较弱的平滑处理,尽量保留该处的信息;若邻域内方差小,则会进行较强的平滑处理。对于裂纹图像整体而言,灰度方差较大的裂缝区域,上述图像预处理能够在滤波的同时保留裂纹信息;灰度方差较小的背景区域,则会过滤掉多数噪声,去除多余的信息。也就是说,通过上述图像预处理方法可以对原始图像进行去噪处理,将其中更重要更需要关注的裂纹,斑点等信息突显出来,以达到更好的检测效果。
步骤S103:利用预处理图像构建训练图像数据库。
上述步骤中,通过利用预处理图像构建训练图像数据库,将可以方便后续利用训练图像数据库对目标检测模型进行训练和检验。
步骤S104:基于训练图像数据库训练得到用于检测钢材表面缺陷的目标检测模型。
上述步骤中,钢材表面缺陷种类繁多,且可能呈现多种缺陷同时出现的问题,因此对每种表面缺陷都需要进行识别与评估,因此可以使用目标检测算法实现对表面缺陷的判断和定位。通过应用目标检测算法,在识别图像中目标位置(表面缺陷位置)的同时,判断目标的类别,最终得到表面缺陷的位置并将其框选出来。也就是说,通过基于训练图像数据库训练得到用于检测钢材表面缺陷的目标检测模型,后续将可以利用训练好的目标检测模型对待检测钢材图像进行钢材表面缺陷检测。
具体地,请参阅图3,上述基于训练图像数据库训练得到用于检测钢材表面缺陷的目标检测模型的步骤具体包括:
步骤S301:对预处理图像中的表面缺陷按照夹杂、划痕、压入氧化皮、裂纹、麻点和斑块进行分类标注处理,得到包含预处理图像中所有缺陷的类别标签和标注框对应的位置信息的标注信息。
钢材表面缺陷种类繁多,若不对其进行分类区分,则会严重影响后续识别效率和准确度。上述步骤中,分类标注处理需要按照最小外接矩形、重点框取病害内容、单个框内的仅包含一种病害、框与框之间尽量避免重叠的原则进行分类标注处理。夹杂、划痕、压入氧化皮、裂纹、麻点和斑块的具体分类标注要求为:
如图4所示,裂纹(标签为crazing),裂纹是钢材中比较危险的缺陷,在内部可能会有结构失效,在标注时需要框选出所有人眼可见的裂纹,包括一些较为细小裂纹。较短的裂缝可以直接使用一个标签框框出,对于这些较长的裂纹,需要使用3-5个相连的标签框框出,并且这几个框之间尽量不要出现重叠或者少部分重叠。
如图5所示,夹杂(标签为inclusion),非金属夹杂物作为独立存在于钢中,破坏了钢基体的连续性,加大了钢中组织的不均匀性,严重影响了钢的各种性能。面积较大的夹杂因为其特征相似,可以直接用单个标注框框取,面积较的夹杂分别框选,尽量不包含裂纹特征,避免在模型提取特征时出现特征重叠。
如图6所示,压入氧化皮(标签为rolled-in_scale),氧化皮质脆,没有延伸性,在机械作用下和热加工作用下,很容易产生龟裂而脱离。在原的氧化皮上,总是存在着深达基体的裂纹,表面氧化皮的面积越大,钢材的腐蚀速度越快,腐蚀越严重。成片的氧化皮用分成2-3个标注框框取。
如图7所示,麻点(标签为pitted-surface),麻点是一种对金属表面质量影响较多的缺陷,表现为金属表面形成凹坑或不平的粗糙面,多连续成片,也有局部点状或呈周期性分布。麻点通常大片出现,又因其特征相似,通常使用一个标注框框取,选取比较明显的麻点作为特征。
如图8所示,斑纹(标签为patches),斑纹属于钢材缺陷中危害较轻的缺陷,标注时根据斑纹大小标注即可。
如图9所示,划痕(标注为scratches),指钢材表面在外力作用下呈直线或弧形的沟痕(可见到沟底)。为了检测划痕有助于定位图像的位置,因此划痕需要单独标注。拼接一般较长,贯穿整幅图像,对此参考裂纹标注使用3-5个连续的框标出,而较短的框直接框出,同时保证这些框覆盖了划痕处的边缘,且不包含过多的背景信息。
具体地,可以使用labelImg软件对所有预处理图像中的上述类别目标(夹杂、划痕、压入氧化皮、裂纹、麻点和斑块)进行标注,每一张预处理图像在标注后会形成对应的txt标签文件,文件中包含了该预处理图片中所有目标的类别标签和标注框对应的位置信息。后续在训练目标检测模型的过程中,将预处理图片和对应的txt标签文件输入到目标检测模型进行目标检测的训练和测试,即可得到准确有效的目标检测模型。
步骤S302:将预处理图像及其对应的标注信息输入目标检测模型进行目标检测的训练和测试。
具体地,上述目标检测模型采用YOLOv5算法。YOLOv5结构包含输入端、主干网络(Backbone)、过渡层(Neck)和输出层(Head)四部分。其中,YOLOv5的输入端使用了Mosaic数据增强算法,采用4张图片,使用这四张图片进行随机缩放、随机裁剪、随机排布的方式重新组合成新的图像。Mosaic数据增强从数据集中随机选取4张图片,按照随机缩放、随机裁剪、随机分布的方式进行组合拼接,形成新的图片,较大程度的提升了数据集数量,并让小目标均匀分布到大部分图像中,提高了网络的鲁棒性。同时数据增强几乎没有增加计算时间,对模型没有负担,保证了训练速度。换句话说,利用YOLOv5算法进行目标检测模型的设计,可以利用Mosaic数据增强算法在输入的预处理图像样本较少的情况下得到较大的训练样本的训练效果,有效的减少目标检测模型所需的训练样本,以及有效的提高目标检测模型的训练速度和准确度。并且发明人发现,目标检测模型采用YOLOv5算法,模型在钢材表面缺陷多类别目标检测上效果良好,在整个数据集上的mAP值达到0.748,检测速度能达到0.0023s/fps,检出率能达到98%,模型权重仅为21.5MB,能够较好的满足实际钢材缺陷检测需求。
其中,上述目标检测模型采用SGDM优化算法和余弦退火算法进行模型优化。通过SGDM优化算法作为目标检测模型的参数的优化算法,同时采用余弦退火算法能够有效的保证目标检测模型能够获得较好的局部最优参数,能够顺利训练出泛化性能较好,总体精度较高的目标检测模型。
另外,上述目标检测模型的后处理过程中选用非极大值抑制算法进行获取预测框。
具体地,上述目标检测模型的后处理过程中选用非极大值抑制算法进行获取预测框的具体步骤包括:对于每一类,首先把所有得分低于阈值thresh1(如thresh1=0.3)的候选框的得分置为0;按照得分排序将所有的候选框,选择所得分数最高的候选框;遍历所有其余候选框后,删除所有与当前最高得分候选框的IOU大于阈thresh2(如thresh2=0.5)的候选框;在未处理的候选框里面接着选择得分最高的框,重复上述步骤;不断重复上述的步骤,直到找到所有符合的候选框;根据所有符合的候选框的类别在输出图像中框出最终的预测结果。需要说明的是,其中IOU是交并比(Intersection-over-Union),是目标检测中使用的一个概念,是产生的候选框(candidatebound)与原标记框(groundtruthbound)的交叠率,即它们的交集与并集的比值。
步骤S105:将待检测钢材图像输入目标检测模型中进行钢材表面缺陷检测,得到钢材表面缺陷检测结果。
上述步骤中,通过将待检测钢材图像输入到已经训练好的目标检测模型中进行钢材表面缺陷检测,即可快速准确的得到相应的钢材表面缺陷检测结果。
基于同样的发明构思,请参阅图10,本发明还提出一种基于人工智能的钢材表面缺陷检测系统,包括:
图像获取模块1,用于获取多张包括钢材表面缺陷的原始图像;
预处理模块2,用于将原始图像进行图像预处理,得到预处理图像;
数据库构建模块3,用于利用预处理图像构建训练图像数据库;
模型训练模块4,用于基于训练图像数据库训练得到用于检测钢材表面缺陷的目标检测模型;
检测输出模块5,用于将待检测钢材图像输入目标检测模型中进行钢材表面缺陷检测,得到钢材表面缺陷检测结果。
上述系统具体实现过程请参照本申请实施例提供的一种基于人工智能的钢材表面缺陷检测方法,在此不再赘述。
请参阅图11,图11为本发明实施例提供的一种电子设备的结构框图。该电子设备包括存储器6、处理器7和通信接口8,该存储器6、处理器7和通信接口8相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器6可用于存储软件程序及模块,如本申请实施例所提供的一种基于人工智能的钢材表面缺陷检测系统对应的程序指令/模块,处理器7通过执行存储在存储器6内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口8可用于与其他节点设备进行信令或数据的通信。
其中,存储器6可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器7可以是一种集成电路芯片,具有信号处理能力。该处理器7可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图11所示的结构仅为示意,电子设备还可包括比图11中所示更多或者更少的组件,或者具有与图11所示不同的配置。图11中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
上述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。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,本申请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要件的含义和范围内的所有变化囊括在本申请内。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。
Claims (10)
1.一种基于人工智能的钢材表面缺陷检测方法,其特征在于,包括以下步骤:
获取多张包括钢材表面缺陷的原始图像;
将原始图像进行图像预处理,得到预处理图像;
利用预处理图像构建训练图像数据库;
基于训练图像数据库训练得到用于检测钢材表面缺陷的目标检测模型;
将待检测钢材图像输入目标检测模型中进行钢材表面缺陷检测,得到钢材表面缺陷检测结果。
2.如权利要求1所述的一种基于人工智能的钢材表面缺陷检测方法,其特征在于,所述图像预处理包括颜色变换、噪音消除、锐化处理或画质调整中的一种或多种。
4.如权利要求1所述的一种基于人工智能的钢材表面缺陷检测方法,其特征在于,所述基于训练图像数据库训练得到用于检测钢材表面缺陷的目标检测模型的步骤具体包括:
对预处理图像中的表面缺陷按照夹杂、划痕、压入氧化皮、裂纹、麻点和斑块进行分类标注处理,得到包含预处理图像中所有缺陷的类别标签和标注框对应的位置信息的标注信息;
将预处理图像及其对应的标注信息输入目标检测模型进行目标检测的训练和测试。
5.如权利要求1所述的一种基于人工智能的钢材表面缺陷检测方法,其特征在于,所述目标检测模型采用YOLOv5算法。
6.如权利要求5所述的一种基于人工智能的钢材表面缺陷检测方法,其特征在于,所述目标检测模型采用SGDM优化算法和余弦退火算法进行模型优化。
7.如权利要求5所述的一种基于人工智能的钢材表面缺陷检测方法,其特征在于,所述目标检测模型的后处理过程中选用非极大值抑制算法进行获取预测框。
8.一种基于人工智能的钢材表面缺陷检测系统,其特征在于,包括:
图像获取模块,用于获取多张包括钢材表面缺陷的原始图像;
预处理模块,用于将原始图像进行图像预处理,得到预处理图像;
数据库构建模块,用于利用预处理图像构建训练图像数据库;
模型训练模块,用于基于训练图像数据库训练得到用于检测钢材表面缺陷的目标检测模型;
检测输出模块,用于将待检测钢材图像输入目标检测模型中进行钢材表面缺陷检测,得到钢材表面缺陷检测结果。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211057704.3A CN115471466A (zh) | 2022-08-30 | 2022-08-30 | 一种基于人工智能的钢材表面缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211057704.3A CN115471466A (zh) | 2022-08-30 | 2022-08-30 | 一种基于人工智能的钢材表面缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115471466A true CN115471466A (zh) | 2022-12-13 |
Family
ID=84369495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211057704.3A Pending CN115471466A (zh) | 2022-08-30 | 2022-08-30 | 一种基于人工智能的钢材表面缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471466A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661161A (zh) * | 2022-12-29 | 2023-01-31 | 成都数联云算科技有限公司 | 零件的缺陷检测方法、装置、存储介质、设备及程序产品 |
CN116630301A (zh) * | 2023-06-20 | 2023-08-22 | 盐城工学院 | 基于超分辨率和YOLOv8的带钢表面小目标缺陷检测方法及系统 |
CN117314904A (zh) * | 2023-11-28 | 2023-12-29 | 江苏金恒信息科技股份有限公司 | 一种钢板表面缺陷检测方法 |
-
2022
- 2022-08-30 CN CN202211057704.3A patent/CN115471466A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661161A (zh) * | 2022-12-29 | 2023-01-31 | 成都数联云算科技有限公司 | 零件的缺陷检测方法、装置、存储介质、设备及程序产品 |
CN116630301A (zh) * | 2023-06-20 | 2023-08-22 | 盐城工学院 | 基于超分辨率和YOLOv8的带钢表面小目标缺陷检测方法及系统 |
CN117314904A (zh) * | 2023-11-28 | 2023-12-29 | 江苏金恒信息科技股份有限公司 | 一种钢板表面缺陷检测方法 |
CN117314904B (zh) * | 2023-11-28 | 2024-02-23 | 江苏金恒信息科技股份有限公司 | 一种钢板表面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115471466A (zh) | 一种基于人工智能的钢材表面缺陷检测方法及系统 | |
JP2024509411A (ja) | 欠陥検出方法、装置及びシステム | |
Wang et al. | Research on crack detection algorithm of the concrete bridge based on image processing | |
Rahaman et al. | Automatic defect detection and classification technique from image: a special case using ceramic tiles | |
Lokeshwor et al. | Robust method for automated segmentation of frames with/without distress from road surface video clips | |
Fujita et al. | A method based on machine learning using hand-crafted features for crack detection from asphalt pavement surface images | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN111415329A (zh) | 一种基于深度学习的工件表面缺陷检测方法 | |
CN110334760B (zh) | 一种基于resUnet的光学元器件损伤检测方法及系统 | |
CN113646801A (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
CN112700442A (zh) | 基于Faster R-CNN的模切机工件缺陷检测方法和系统 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN112330592A (zh) | 风机叶片缺陷检测方法和装置、存储介质 | |
CN113781458A (zh) | 一种基于人工智能的识别方法 | |
CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
Yu | YOLO V5s-based deep learning approach for concrete cracks detection | |
CN112686896B (zh) | 基于分割网络的频域空间结合的玻璃缺陷检测方法 | |
CN112418199B (zh) | 多模态信息提取方法、装置、电子设备及存储介质 | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
Zhou et al. | An adaptive clustering method detecting the surface defects on linear guide rails | |
CN115587989B (zh) | 一种工件ct图像缺陷检测分割方法及系统 | |
CN116523851A (zh) | 一种档案报表扫描图像清晰度识别方法、装置与系统 | |
CN116258703A (zh) | 缺陷检测方法、装置、电子设备及计算机可读存储介质 | |
CN105405137A (zh) | 基于机器视觉的轴质量检测方法 |
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 |