CN115719341A - 一种边浪缺陷检测方法、装置、电子设备及存储介质 - Google Patents
一种边浪缺陷检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115719341A CN115719341A CN202211462315.9A CN202211462315A CN115719341A CN 115719341 A CN115719341 A CN 115719341A CN 202211462315 A CN202211462315 A CN 202211462315A CN 115719341 A CN115719341 A CN 115719341A
- Authority
- CN
- China
- Prior art keywords
- edge wave
- wave defect
- defect
- edge
- image
- 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
Links
Images
Classifications
-
- 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
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像检测技术领域,具体提供一种边浪缺陷检测方法、装置、电子设备及存储介质,先通过边浪缺陷检测模型对待检测钢板的边浪图像进行检测,得到待检测钢板的边浪缺陷图像,即将边浪图像中的边浪缺陷区域通过边框标注出来;再通过边浪缺陷分类模型对待检测钢板的边浪缺陷图像进行识别,得到边浪缺陷的类别以及边浪关键点坐标,使得员工能够及时发现待检测钢板所存在的边浪缺陷的类别,并按照相应的边浪关键点坐标进行裁剪,可见本申请基于深度学习对待检测钢板进行边浪缺陷检测的方式,相比现有技术中根据人工经验进行边浪缺陷检测的方式,能够更客观精准的实现对钢材质量的管控。
Description
技术领域
本申请涉及图像检测技术领域,具体而言,涉及一种边浪缺陷检测方法、装置、电子设备及存储介质。
背景技术
在钢材产品生产过程中,板形质量一直是现场重点关注的问题。尤其是经常出现的边浪缺陷缺陷,所述边浪缺陷是指钢的一侧或两侧高低不平,且高低不平的情况从侧边的起始位置附近延伸到侧边的中间位置。而目前,钢板生产企业以人工质检为主,主要依靠的是人工经验。
如果发现边浪缺陷,就需要工人通过肉眼进行剪裁,而剪裁位置的选取是通过人工来确定的,工人裁剪的位置一定是包括且超过边浪缺陷的位置,超过边浪缺陷的位置将会给钢厂造成一定的经济损失。可见,现有通过人工来识别边浪缺陷和对识别出的边浪缺陷进行裁剪的方式,准确度较低,并不利于对钢材的质量管控。
发明内容
有鉴于此,本申请的目的在于提供一种边浪缺陷检测方法、装置、电子设备及存储介质,能够快速识别出钢材生产过程中边浪缺陷的类别,以及边浪缺陷的位置,利于工人精准裁剪。
第一方面,本申请提供一种边浪缺陷检测方法,所述方法包括以下步骤:
基于3D相机采集待检测钢板的边浪图像;
基于训练好的边浪缺陷检测模型对所述待检测钢板的边浪图像进行检测,得到所述待检测钢板的边浪缺陷图像;其中,所述边浪缺陷图像中标注有边浪缺陷的边框;
基于训练好的边浪缺陷分类模型对所述待检测钢板的边浪缺陷图像进行识别,得到所述边浪缺陷的类别以及边浪的位置坐标;其中,所述边浪的位置包括边浪的起点、最高点和端点。
在一些实施例中,通过如下方式得到训练好的边浪缺陷检测模型:
获取包含钢材各种类别边浪缺陷的边浪图像数据,并对所述边浪图像数据中边浪缺陷的边框进行标注,得到第一边浪缺陷标注样本;
基于数据扩增策略将所述第一边浪缺陷标注样本生成更多数量的第二边浪缺陷标注样本,并将所述第一边浪缺陷标注样本和所述第二边浪缺陷标注样本进行合并得到第一边浪缺陷标注样本训练集;
基于所述第一边浪缺陷标注样本训练集对预构建的边浪缺陷检测模型进行训练,直至输出结果的Loss值达到设定的阈值,得到训练好的边浪缺陷检测模型。
在一些实施例中,所述基于数据扩增策略将所述第一边浪缺陷标注样本生成更多数量的第二边浪缺陷标注样本,包括以下步骤:
基于公式(1)、(2)、(3)生成更多数量的第二边浪缺陷标注样本。
在一些实施例中,通过如下方式得到训练好的边浪缺陷分类模型:
基于训练好的边浪缺陷检测模型的输出,得到若干张边浪缺陷图像,并对边浪缺陷图像中的边浪缺陷的类别,以及边浪的位置坐标进行标注,得到第二边浪缺陷标注样本训练集;
基于所述第二边浪缺陷标注样本训练集对预构建的边浪缺陷分类模型进行训练,直至输出结果的Loss值达到设定的阈值,得到训练好的边浪缺陷分类模型。
在一些实施例中,所述基于所述第二边浪缺陷标注样本训练集对预构建的边浪缺陷分类模型进行训练之前,还包括以下步骤:
对所述第二边浪缺陷标注样本中的边浪缺陷图像进行预处理。
在一些实施例中,所述对所述第二边浪缺陷标注样本中的边浪缺陷图像进行预处理,包括以下步骤:
获取所述边浪缺陷图像中边浪缺陷的边框在其宽度方向的坐标最小值和坐标最大值,以及其高度方向的坐标最小值和坐标最大值;
按照预设的外扩比例对所述边浪缺陷的边框宽度方向的坐标最小值和坐标最大值,以及其高度方向的坐标最小值和坐标最大值分别增大;
按照外扩后的所述边浪缺陷的边框进行裁剪,得到预处理后的边浪缺陷图像。
在一些实施例中,所述边浪缺陷的类别包括操作侧边浪、传动侧边浪、操作侧肋浪、传动侧肋浪、双肋浪中的一种或多种。
本申请实施例提供的一种边浪缺陷检测装置,所述装置包括:
采集模块,用于基于3D相机采集待检测钢板的边浪图像;
检测模块,用于基于训练好的边浪缺陷检测模型对所述待检测钢板的边浪图像进行检测,得到所述待检测钢板的边浪缺陷图像;其中,所述边浪缺陷图像中标注有边浪缺陷的边框;
分类模块,用于基于训练好的边浪缺陷分类模型对所述待检测钢板的边浪缺陷图像进行识别,得到所述边浪缺陷的类别以及边浪的位置坐标;其中,所述边浪的位置包括边浪的起点、最高点和端点。
本申请实施例提供的一种电子设备,包括处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述任一项所述的边浪缺陷检测方法的步骤。
本申请实施例提供的一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述任一项所述的边浪缺陷检测方法的步骤。
本申请所述的一种边浪缺陷检测方法、装置、电子设备及存储介质,基于3D相机采集待检测钢板的边浪图像;基于训练好的边浪缺陷检测模型对所述待检测钢板的边浪图像进行检测,得到所述待检测钢板的边浪缺陷图像;其中,所述边浪缺陷图像中标注有边浪缺陷的边框;基于训练好的边浪缺陷分类模型对所述待检测钢板的边浪缺陷图像进行识别,得到所述边浪缺陷的类别以及边浪的位置坐标;其中,所述边浪的位置包括边浪的起点、最高点和端点。从而能够客观快速识别出钢材生产过程中边浪缺陷的类别,并标注出边浪的起点、最高点和端点,利于工人精准裁剪,以实现对钢材质量的精准管控。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的某些实施例,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示出了本申请实施例提供的所述边浪缺陷检测方法的流程图;
图2示出了本申请实施例提供的训练边浪缺陷检测模型的流程图;
图3示出了本申请实施例提供的训练边浪缺陷分类模型的流程图;
图4示出了本申请实施例提供的边浪缺陷检测装置的结构框图;
图5示出了本申请实施例提供的电子设备的结构框图。
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,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅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标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。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
参见说明书附图1,本申请实施例提供一种边浪缺陷检测方法,所述方法包括以下步骤:
S1、基于3D相机采集待检测钢板的边浪图像;
S2、基于训练好的边浪缺陷检测模型对所述待检测钢板的边浪图像进行检测,得到所述待检测钢板的边浪缺陷图像;其中,所述边浪缺陷图像中标注有边浪缺陷的边框;
S3、基于训练好的边浪缺陷分类模型对所述待检测钢板的边浪缺陷图像进行识别,得到所述边浪缺陷的类别以及边浪的位置坐标;其中,所述边浪的位置包括边浪的起点、最高点和端点。
即,在本申请中,先通过边浪缺陷检测模型对待检测钢板的边浪图像进行检测,得到待检测钢板的边浪缺陷图像,即将边浪图像中的边浪缺陷区域通过边框标注出来;再通过边浪缺陷分类模型对待检测钢板的边浪缺陷图像进行识别,得到边浪缺陷的类别以及边浪关键点坐标,使得员工能够及时发现待检测钢板所存在的边浪缺陷的类别,并按照相应的边浪关键点坐标进行裁剪,可见本申请基于深度学习对待检测钢板进行边浪缺陷检测的方式,相比现有技术中根据人工经验进行边浪缺陷检测的方式,能够更客观精准的实现对钢材质量的管控。
其中,所述边浪缺陷检测模型和边浪缺陷分类模型可以分别采用多任务检测回归网络MTCNN。在一实施例中,参见说明书附图2,在对边浪缺陷检测模型进行训练时,包括以下步骤:
S201、获取包含钢材各种类别边浪缺陷的边浪图像数据,并对所述边浪图像数据中边浪缺陷的边框进行标注,得到第一边浪缺陷标注样本;
S202、基于数据扩增策略将所述第一边浪缺陷标注样本生成更多数量的第二边浪缺陷标注样本,并将所述第一边浪缺陷标注样本和所述第二边浪缺陷标注样本进行合并得到第一边浪缺陷标注样本训练集;
S203、基于所述第一边浪缺陷标注样本训练集对预构建的边浪缺陷检测模型进行训练,直至输出结果的Loss值达到设定的阈值,得到训练好的边浪缺陷检测模型。
具体的,在步骤S201中,为了更优的训练边浪缺陷检测模型,优选采用的是通过拍照的方式实际获取应用场景中的相关图像,而非网上爬取得到的图像数据集。例如,按照步骤S1采用安装于板材产出端的D相机采集若干张包含钢材各种类别边浪缺陷的边浪图像,并将采集的边浪图像进行标注,即通过边框的方式标注出边浪图像中边浪缺陷的区域。
另外,需要说明的是,在步骤S201中,之所以采集包含钢材各种类别边浪缺陷的边浪图像,是为了满足后续对边浪缺陷分类模型的训练需求。其中,浪缺陷的类别包括操作侧边浪、传动侧边浪、操作侧肋浪、传动侧肋浪、双肋浪中的一种或多种。
在该实施例中,由于采用相机实际拍照来获取边浪图像,并且通过人工对获取的边浪图像进行标注,势必会耗费大量的时间和精力,所以可以通过这种方式获取少量的边浪缺陷标注样本,称之为第一边浪缺陷标注样本。但是基于深度学习的边浪缺陷检测模型在训练时,必须采用大量的边浪缺陷标注样本,而少量的边浪缺陷标注样本并不能很多好的训练边浪缺陷检测模型,所以在步骤202中,对第一边浪缺陷标注样本进行数据扩充,以生成更多数量的第二边浪缺陷标注样本。具体的,基于图像掩码的方式对第一边浪缺陷标注样本进行数据扩充。
其中,M为二值掩膜,用于对边浪缺陷图像和标注的掩膜区域进行置0操作,Bn是第n个边浪缺陷的标注;an服从伯努力分布,反映了第n个边浪缺陷的标注是否用于M的计算;表示取上限操作;基于公式(1)、(2)、(3)生成更多数量的第二边浪缺陷标注样本。
然后,将第一边浪缺陷标注样本和第二边浪缺陷标注样本进行合并作为第一边浪缺陷标注样本训练集,对预构建的边浪缺陷检测模型进行训练,进而得到满足需求的训练好的边浪缺陷检测模型。
在一实施例中,参见说明书附图3,在对边浪缺陷分类模型进行训练时,包括以下步骤:
S301、基于训练好的边浪缺陷检测模型的输出,得到若干张边浪缺陷图像,并对边浪缺陷图像中的边浪缺陷的类别,以及边浪的位置坐标进行标注,得到第二边浪缺陷标注样本训练集;
S302、基于所述第二边浪缺陷标注样本训练集对预构建的边浪缺陷分类模型进行训练,直至输出结果的Loss值达到设定的阈值,得到训练好的边浪缺陷分类模型。
在步骤S301中,在获取对预构建的边浪缺陷分类模型进行训练的第二边浪缺陷标注样本训练集时,是直接将训练好的边浪缺陷检测模型所输出的边浪缺陷图像作为初始图像,即已经通过边框的方式标注出了边浪图像中边浪缺陷的区域,然后再进一步标注出边浪缺陷的类别,以及边浪的关键位置坐标,从而大大提升获取第二边浪缺陷标注样本训练集的效率。
需要说明的是,在步骤S302中,为了能够更有效的对边浪缺陷分类模型进行训练,需要对输入边浪缺陷分类模型的第二边浪缺陷标注样本训练集进行预处理。即,将边浪图像中标注的边浪缺陷检区域裁剪出来之后,再输入边浪缺陷分类模型。具体的,在进行裁剪时,先获取边浪缺陷图像中边浪缺陷的边框在其宽度方向的坐标最小值和坐标最大值,以及其高度方向的坐标最小值和坐标最大值;再按照预设的外扩比例对所述边浪缺陷的边框宽度方向的坐标最小值和坐标最大值,以及其高度方向的坐标最小值和坐标最大值分别增大;最后按照外扩后的所述边浪缺陷的边框进行裁剪,得到预处理后的边浪缺陷图像。
在一实施例中,先确定边浪缺陷图像中边浪缺陷的边框坐标(Xmin,Ymin,Xmax,Ymax),其中,所述边浪缺陷的边框的宽度为w,高度为h,Xmin为边浪缺陷的边框宽度方向的坐标最小值,Xmax为边浪缺陷的边框宽度方向的坐标最大值,Ymin为边浪缺陷的边框高度方向的坐标最小值,Ymax为边浪缺陷的边框高度方向的坐标最大值,然后对Xmin和Xmax按照边浪缺陷的边框宽度w的三分之一进行外扩,对Ymin和Ymax按照边浪缺陷的边框高度h的三分之一进行外扩,得到外扩后的边浪缺陷的边框的坐标(Xmin-1/3w,Ymin-1/3h,Xmax+1/3w,Ymax+1/3h)。
在其他实施例中,还可以仅对边浪缺陷的边框的宽度w或者高度h进行单边扩增,如只将Xmin和Xmax按照边浪缺陷的边框宽度w的三分之一进行外扩,得到外扩后的边浪缺陷的边框的坐标(Xmin-1/3w,Ymin,Xmax+1/3w,Ymax);或者只将Ymin和Ymax按照边浪缺陷的边框高度h的三分之一进行外扩,得到外扩后的边浪缺陷的边框的坐标(Xmin,Ymin-1/3h,Xmax,Ymax+1/3h)。即,对边浪缺陷的边框进行外扩的方式可以实际应用进行设置,本申请并不对此进行限制和固定。
最后,在第二边浪缺陷标注样本训练集进行预处理之后,输入预构建的边浪缺陷分类模型进行训练,进而得到满足需求的训练好的边浪缺陷分类模型。
从而利用训练好的边浪缺陷检测模型,先对采集的待检测钢板的边浪图像进行检测,将边浪图像中的边浪缺陷区域通过边框标注出来;再利用训练好的边浪缺陷分类模型对待检测钢板的边浪缺陷图像进行识别,得到边浪缺陷的类别以及边浪的起点、最高点和端点,从而能够客观快速识别出钢材生产过程中边浪缺陷的类别,并标注出边浪缺陷的关键点,利于工人精准裁剪,以实现对钢材质量的精准管控。
基于同一发明构思,本申请实施例中还提供了一种边浪缺陷检测装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述一种边浪缺陷检测方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
如说明书附图4所示,本申请还提供了一种边浪缺陷检测装置,所述装置包括:
采集模块401,用于基于3D相机采集待检测钢板的边浪图像;
检测模块402,用于基于训练好的边浪缺陷检测模型对所述待检测钢板的边浪图像进行检测,得到所述待检测钢板的边浪缺陷图像;其中,所述边浪缺陷图像中标注有边浪缺陷的边框;
分类模块403,用于基于训练好的边浪缺陷分类模型对所述待检测钢板的边浪缺陷图像进行识别,得到所述边浪缺陷的类别以及边浪的位置坐标;其中,所述边浪的位置包括边浪的起点、最高点和端点。
在一些实施方式中,所述检测模块402通过如下方式得到训练好的边浪缺陷检测模型:
获取包含钢材各种类别边浪缺陷的边浪图像数据,并对所述边浪图像数据中边浪缺陷的边框进行标注,得到第一边浪缺陷标注样本;
基于数据扩增策略将所述第一边浪缺陷标注样本生成更多数量的第二边浪缺陷标注样本,并将所述第一边浪缺陷标注样本和所述第二边浪缺陷标注样本进行合并得到第一边浪缺陷标注样本训练集;
基于所述第一边浪缺陷标注样本训练集对预构建的边浪缺陷检测模型进行训练,直至输出结果的Loss值达到设定的阈值,得到训练好的边浪缺陷检测模型。
在一些实施方式中,所述检测模块402基于数据扩增策略将所述第一边浪缺陷标注样本生成更多数量的第二边浪缺陷标注样本,包括:
基于公式(1)、(2)、(3)生成更多数量的第二边浪缺陷标注样本。
在一些实施方式中,所述分类模块403通过如下方式得到训练好的边浪缺陷分类模型:
基于训练好的边浪缺陷检测模型的输出,得到若干张边浪缺陷图像,并对边浪缺陷图像中的边浪缺陷的类别,以及边浪的位置坐标进行标注,得到第二边浪缺陷标注样本训练集;
基于所述第二边浪缺陷标注样本训练集对预构建的边浪缺陷分类模型进行训练,直至输出结果的Loss值达到设定的阈值,得到训练好的边浪缺陷分类模型。
在一些实施方式中,所述分类模块403基于所述第二边浪缺陷标注样本训练集对预构建的边浪缺陷分类模型进行训练之前,还包括:
对所述第二边浪缺陷标注样本中的边浪缺陷图像进行预处理。
在一些实施方式中,所述分类模块403对所述第二边浪缺陷标注样本中的边浪缺陷图像进行预处理,包括:
获取所述边浪缺陷图像中边浪缺陷的边框在其宽度方向的坐标最小值和坐标最大值,以及其高度方向的坐标最小值和坐标最大值;
按照预设的外扩比例对所述边浪缺陷的边框宽度方向的坐标最小值和坐标最大值,以及其高度方向的坐标最小值和坐标最大值分别增大;
按照外扩后的所述边浪缺陷的边框进行裁剪,得到预处理后的边浪缺陷图像。
在一些实施方式中,所述边浪缺陷的类别包括操作侧边浪、传动侧边浪、操作侧肋浪、传动侧肋浪、双肋浪中的一种或多种。
本申请所提供的一种边浪缺陷检测装置,通过采集模块基于3D相机采集待检测钢板的边浪图像;通过检测模块基于训练好的边浪缺陷检测模型对所述待检测钢板的边浪图像进行检测,得到所述待检测钢板的边浪缺陷图像;其中,所述边浪缺陷图像中标注有边浪缺陷的边框;通过分类模块基于训练好的边浪缺陷分类模型对所述待检测钢板的边浪缺陷图像进行识别,得到所述边浪缺陷的类别以及边浪的位置坐标;其中,所述边浪的位置包括边浪的起点、最高点和端点。从而能够客观快速识别出钢材生产过程中边浪缺陷的类别,并标注出边浪的起点、最高点和端点,利于工人精准裁剪,以实现对钢材质量的精准管控。
基于本发明的同一构思,说明书附图5所示,本申请实施例提供的一种电子设备500的结构,该电子设备500包括:至少一个处理器501,至少一个网络接口504或者其他用户接口503,存储器505,至少一个通信总线502。通信总线502用于实现这些组件之间的连接通信。该电子设备500可选的包含用户接口503,包括显示器(例如,触摸屏、LCD、CRT、全息成像(Holographic)或者投影(Projector)等),键盘或者点击设备(例如,鼠标,轨迹球(trackball),触感板或者触摸屏等)。
存储器505可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器505的一部分还可以包括非易失性随机存取存储器(NVRAM)。
在一些实施方式中,存储器505存储了如下的元素,可保护模块或者数据结构,或者他们的子集,或者他们的扩展集:
操作系统5051,包含各种系统程序,用于实现各种基础业务以及处理基于硬件的任务;
应用程序模块5052,包含各种应用程序,例如桌面(launcher)、媒体播放器(MediaPlayer)、浏览器(Browser)等,用于实现各种应用业务。
在本申请实施例中,通过调用存储器505存储的程序或指令,处理器501用于执行如一种边浪缺陷检测方法中的步骤,能够快速识别出钢材生产过程中边浪缺陷的类别,以及边浪缺陷的位置,利于工人精准裁剪。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如边浪缺陷检测方法中的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述边浪缺陷检测方法。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,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,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元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。
最后应说明的是:以上实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种边浪缺陷检测方法,其特征在于,所述方法包括以下步骤:
基于3D相机采集待检测钢板的边浪图像;
基于训练好的边浪缺陷检测模型对所述待检测钢板的边浪图像进行检测,得到所述待检测钢板的边浪缺陷图像;其中,所述边浪缺陷图像中标注有边浪缺陷的边框;
基于训练好的边浪缺陷分类模型对所述待检测钢板的边浪缺陷图像进行识别,得到所述边浪缺陷的类别以及边浪的位置坐标;其中,所述边浪的位置包括边浪的起点、最高点和端点。
2.根据权利要求1所述一种边浪缺陷检测方法,其特征在于,通过如下方式得到训练好的边浪缺陷检测模型:
获取包含钢材各种类别边浪缺陷的边浪图像数据,并对所述边浪图像数据中边浪缺陷的边框进行标注,得到第一边浪缺陷标注样本;
基于数据扩增策略将所述第一边浪缺陷标注样本生成更多数量的第二边浪缺陷标注样本,并将所述第一边浪缺陷标注样本和所述第二边浪缺陷标注样本进行合并得到第一边浪缺陷标注样本训练集;
基于所述第一边浪缺陷标注样本训练集对预构建的边浪缺陷检测模型进行训练,直至输出结果的Loss值达到设定的阈值,得到训练好的边浪缺陷检测模型。
4.根据权利要求3所述一种边浪缺陷检测方法,其特征在于,通过如下方式得到训练好的边浪缺陷分类模型:
基于训练好的边浪缺陷检测模型的输出,得到若干张边浪缺陷图像,并对边浪缺陷图像中的边浪缺陷的类别,以及边浪的位置坐标进行标注,得到第二边浪缺陷标注样本训练集;
基于所述第二边浪缺陷标注样本训练集对预构建的边浪缺陷分类模型进行训练,直至输出结果的Loss值达到设定的阈值,得到训练好的边浪缺陷分类模型。
5.根据权利要求4所述一种边浪缺陷检测方法,其特征在于,所述基于所述第二边浪缺陷标注样本训练集对预构建的边浪缺陷分类模型进行训练之前,还包括以下步骤:
对所述第二边浪缺陷标注样本中的边浪缺陷图像进行预处理。
6.根据权利要求5所述一种边浪缺陷检测方法,其特征在于,所述对所述第二边浪缺陷标注样本中的边浪缺陷图像进行预处理,包括以下步骤:
获取所述边浪缺陷图像中边浪缺陷的边框在其宽度方向的坐标最小值和坐标最大值,以及其高度方向的坐标最小值和坐标最大值;
按照预设的外扩比例对所述边浪缺陷的边框宽度方向的坐标最小值和坐标最大值,以及其高度方向的坐标最小值和坐标最大值分别增大;
按照外扩后的所述边浪缺陷的边框进行裁剪,得到预处理后的边浪缺陷图像。
7.根据权利要求6所述一种边浪缺陷检测方法,其特征在于,所述边浪缺陷的类别包括操作侧边浪、传动侧边浪、操作侧肋浪、传动侧肋浪、双肋浪中的一种或多种。
8.一种边浪缺陷检测装置,其特征在于,所述装置包括:
采集模块,用于基于3D相机采集待检测钢板的边浪图像;
检测模块,用于基于训练好的边浪缺陷检测模型对所述待检测钢板的边浪图像进行检测,得到所述待检测钢板的边浪缺陷图像;其中,所述边浪缺陷图像中标注有边浪缺陷的边框;
分类模块,用于基于训练好的边浪缺陷分类模型对所述待检测钢板的边浪缺陷图像进行识别,得到所述边浪缺陷的类别以及边浪的位置坐标;其中,所述边浪的位置包括边浪的起点、最高点和端点。
9.一种电子设备,其特征在于,包括处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行权利要求1至7任一项所述的边浪缺陷检测方法的步骤。
10.一种计算机可读存储介质,其特征在于:该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行权利要求1至7任一项所述的边浪缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211462315.9A CN115719341B (zh) | 2022-11-21 | 2022-11-21 | 一种边浪缺陷检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211462315.9A CN115719341B (zh) | 2022-11-21 | 2022-11-21 | 一种边浪缺陷检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115719341A true CN115719341A (zh) | 2023-02-28 |
CN115719341B CN115719341B (zh) | 2023-07-21 |
Family
ID=85255833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211462315.9A Active CN115719341B (zh) | 2022-11-21 | 2022-11-21 | 一种边浪缺陷检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115719341B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108827969A (zh) * | 2018-03-20 | 2018-11-16 | 中国科学院自动化研究所 | 金属零件表面缺陷检测与识别方法及装置 |
CN113962917A (zh) * | 2021-10-25 | 2022-01-21 | 深圳市玻尔智造科技有限公司 | 一种基于掩膜的数据增强方法 |
CN114120066A (zh) * | 2021-12-06 | 2022-03-01 | 天津科技大学 | 一种基于轻量化网络的小样本钢材表面缺陷分类方法 |
US20220155767A1 (en) * | 2019-02-22 | 2022-05-19 | Jfe Steel Corporation | Autonomous metal-plate inspection apparatus, inspection method, and method for manufacturing metal plate |
CN115311350A (zh) * | 2022-08-08 | 2022-11-08 | 北京远舢智能科技有限公司 | 边浪缺陷的位置参数确定方法、装置、电子设备及介质 |
-
2022
- 2022-11-21 CN CN202211462315.9A patent/CN115719341B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108827969A (zh) * | 2018-03-20 | 2018-11-16 | 中国科学院自动化研究所 | 金属零件表面缺陷检测与识别方法及装置 |
US20220155767A1 (en) * | 2019-02-22 | 2022-05-19 | Jfe Steel Corporation | Autonomous metal-plate inspection apparatus, inspection method, and method for manufacturing metal plate |
CN113962917A (zh) * | 2021-10-25 | 2022-01-21 | 深圳市玻尔智造科技有限公司 | 一种基于掩膜的数据增强方法 |
CN114120066A (zh) * | 2021-12-06 | 2022-03-01 | 天津科技大学 | 一种基于轻量化网络的小样本钢材表面缺陷分类方法 |
CN115311350A (zh) * | 2022-08-08 | 2022-11-08 | 北京远舢智能科技有限公司 | 边浪缺陷的位置参数确定方法、装置、电子设备及介质 |
Non-Patent Citations (1)
Title |
---|
ZHUXI MA ET AL.: "Automated real-time detection of surface defects inmanufacturing processes of aluminum alloy strip using a lightweight network architecture", JOURNAL OF INTELLIGENT MANUFACTURING, pages 2431 - 2447 * |
Also Published As
Publication number | Publication date |
---|---|
CN115719341B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3937128A2 (en) | Image defect detection method and apparatus, electronic device, storage medium and product | |
CN110472524B (zh) | 基于深度学习的发票信息管理方法、系统和可读介质 | |
CN111091538B (zh) | 一种管道焊缝自动识别、缺陷检测方法及装置 | |
CN111539923A (zh) | 一种焊缝缺陷的数字射线检测方法、系统及服务器 | |
CN108961230B (zh) | 结构表面裂缝特征的识别与提取方法 | |
CN112883926B (zh) | 表格类医疗影像的识别方法及装置 | |
CN109670979B (zh) | 布料检测数据处理方法、装置和设备 | |
CN111457854A (zh) | 一种基于建筑物的变形监测方法及装置 | |
CN105469513A (zh) | 基于人脸检测与文字识别的自助服务一体机及其使用方法 | |
CN114494017A (zh) | 根据比例尺进行图像dpi调整的方法和装置、设备及介质 | |
CN115311676A (zh) | 审图方法、装置、计算机设备和存储介质 | |
CN115471466A (zh) | 一种基于人工智能的钢材表面缺陷检测方法及系统 | |
CN117237925B (zh) | 一种基于计算机视觉的智慧道路病害巡检方法及系统 | |
CN114494751A (zh) | 证照信息识别方法、装置、设备及介质 | |
JP2017521011A (ja) | シンボルの光学的検出方法 | |
CN115719341A (zh) | 一种边浪缺陷检测方法、装置、电子设备及存储介质 | |
CN117114412A (zh) | 一种用于危险化学品生产企业的安全预控方法及装置 | |
CN116342540A (zh) | 包装膜缺陷检测方法、装置、设备及存储介质 | |
CN112861861B (zh) | 识别数码管文本的方法、装置及电子设备 | |
CN114565749A (zh) | 一种电力建设现场签证文档关键内容识别方法及系统 | |
CN114049095A (zh) | 一种基建工程业务监测方法、装置、设备及存储介质 | |
CN114239124A (zh) | 一种建筑图纸构件识别方法、系统、存储介质及设备 | |
CN114490912A (zh) | 瓦片数据的下载方法及装置 | |
JP2006309571A (ja) | コンピュータ演算処理方法および残存リスク判定装置 | |
JP7422845B1 (ja) | 損傷図解析装置、損傷図解析方法及びプログラム |
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 |