CN116596878A - 一种带钢表面缺陷检测方法、系统、电子设备及介质 - Google Patents
一种带钢表面缺陷检测方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN116596878A CN116596878A CN202310556162.2A CN202310556162A CN116596878A CN 116596878 A CN116596878 A CN 116596878A CN 202310556162 A CN202310556162 A CN 202310556162A CN 116596878 A CN116596878 A CN 116596878A
- Authority
- CN
- China
- Prior art keywords
- strip steel
- steel surface
- surface defect
- sample set
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 380
- 239000010959 steel Substances 0.000 title claims abstract description 380
- 230000007547 defect Effects 0.000 title claims abstract description 327
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000009826 distribution Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 11
- 238000005096 rolling process Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- WBNQDOYYEUMPFS-UHFFFAOYSA-N N-nitrosodiethylamine Chemical compound CCN(CC)N=O WBNQDOYYEUMPFS-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开一种带钢表面缺陷检测方法、系统、电子设备及介质,涉及工业缺陷检测技术领域。方法包括:利用带钢表面缺陷检测模型对待检测带钢表面图像进行检测,确定带钢表面缺陷,其中,带钢表面缺陷检测模型是利用带钢表面缺陷样本集对YOLOv5s‑GC网络进行训练得到的。本发明中,利用带钢表面缺陷检测模型对带钢表面缺陷进行检测,提高了检测效率以及检测准确性。
Description
技术领域
本发明涉及工业缺陷检测领域,特别是涉及一种带钢表面缺陷检测方法、系统、电子设备及介质。
背景技术
带钢一直是工业制造中的重要加工原材料,其质量将很大程度上影响制造产品的品质。带钢在生产和转运过程中表面容易产生轧制氧化皮(Rolled-in_scale)、斑块(Patches)、裂纹(Crazing)、点蚀(Pitted_surface)、夹杂(Inclusion)和划痕(Scratches)等多种缺陷。传统带钢表面缺陷检测方法大多依靠人工完成,其检测效率低、漏检率高、作业劳动强度大、过程重复枯燥。因此,研究一种快速、准确、稳定的带钢表面缺陷检测方法对于提高带钢表面缺陷检测效率和提高工人工作舒适度具有重要意义。
随着机器视觉技术、计算机技术、图像处理技术以及图形处理器(GraphicProcessing Unit,GPU)算力的发展,基于深度学习的视觉检测技术日趋成熟,已成为现代制造业原材料/产品质量检测手段不可或缺的一部分。李维刚等(李维刚,叶欣,赵云涛,王文波.基于改进YOLOv3算法的带钢表面缺陷检测[J].电子学报,2020)基于YOLOv3加入了融合浅层特征与深层特征的表征模块,在东北大学的NEU-DET数据集上达到80%的平均精度,但该方法仅基于实验室理想环境,应用于实际生产中仍有困难。带钢表面缺陷具有背景与前景耦合程度高,类间差距小的缺点,导致深度学习模型不能有效地提取缺陷特征,且这一表现在样本尺寸大而带钢表面缺陷小时更为明显,从而带钢表面缺陷不能够得到准确的检测。
发明内容
本发明的目的是提供一种带钢表面缺陷检测方法、系统、电子设备及介质,以提高带钢表面缺陷检测的准确性。
为实现上述目的,本发明提供了如下方案:
一种带钢表面缺陷检测方法,包括:
获取待检测带钢表面图像;
利用带钢表面缺陷检测模型对所述待检测带钢表面图像进行检测,确定带钢表面缺陷;所述带钢表面缺陷为轧制氧化皮、斑块、裂纹、点蚀、夹杂或划痕;
其中,所述带钢表面缺陷检测模型是利用带钢表面缺陷样本集对YOLOv5s-GC网络进行训练得到的;所述带钢表面缺陷样本集为第一带钢表面缺陷样本集、第二带钢表面缺陷样本集、第三带钢表面缺陷样本集或者第四带钢表面缺陷样本集;所述第一带钢表面缺陷样本集包括多张标注带钢表面缺陷的带钢表面缺陷图像;所述第二带钢表面缺陷样本集为基于Grad-CAM算法、最大类间方差法和正态分布增强算法对所述第一带钢表面缺陷样本集进行预处理得到的样本集;所述第三带钢表面缺陷样本集为对所述第一带钢表面缺陷样本集进行尺寸增强得到的样本集;所述第四带钢表面缺陷样本集为对所述第二带钢表面缺陷样本集进行尺寸增强得到的样本集;所述YOLOv5s-GC网络是将YOLOv5s网络的主干网络中的第一个C3模块、第二个C3模块、第四个C3模块、第六个C3模块和第八个C3模块均替换为GhostBottleneck模块,以及在Neck层的C3模块和Conv模块之间添加CBAM模块。
可选地,利用带钢表面缺陷样本集对所述YOLOv5s-GC网络进行训练,具体包括:
构建所述YOLOv5s-GC网络和所述带钢表面缺陷样本集;
利用所述带钢表面缺陷样本集,对所述YOLOv5s-GC网络进行训练,得到所述带钢表面缺陷检测模型。
可选地,所述带钢表面缺陷样本集的构建过程,具体包括:
获取多张带钢表面缺陷原始图像;
利用预分类模型对所述带钢表面缺陷原始图像进行预分类,确定所述带钢表面缺陷原始图像的带钢表面缺陷;其中,所述预分类模型是利用带钢表面缺陷原始图像对ResNet-Mini网络进行训练得到的;
根据所述带钢表面缺陷对所述带钢表面缺陷原始图像进行标注,得到标注带钢表面缺陷的带钢表面缺陷图像;
根据多张标注带钢表面缺陷的带钢表面缺陷图像,构建所述带钢表面缺陷样本集。
可选地,利用带钢表面缺陷检测模型对所述待检测带钢表面图像进行检测,确定带钢表面缺陷,具体包括:
基于Grad-CAM算法、最大类间方差法和正态分布增强算法,对所述待检测带钢表面图像进行预处理,得到预处理后的带钢表面图像;
利用所述带钢表面缺陷检测模型对所述预处理后的带钢表面图像进行检测,确定所述带钢表面缺陷;其中,所述带钢表面缺陷检测模型是利用所述第二带钢表面缺陷样本集对所述YOLOv5s-GC网络进行训练得到的。
可选地,利用带钢表面缺陷检测模型对所述待检测带钢表面图像进行检测,确定带钢表面缺陷,具体包括:
对所述待检测带钢表面图像进行尺寸增强,得到带钢表面增强图像;
利用所述带钢表面缺陷检测模型对所述带钢表面增强图像进行检测,确定所述带钢表面缺陷;其中,所述带钢表面缺陷检测模型是利用所述第三带钢表面缺陷样本集对所述YOLOv5s-GC网络进行训练得到的。
可选地,利用带钢表面缺陷检测模型对所述待检测带钢表面图像进行检测,确定带钢表面缺陷,具体包括:
基于Grad-CAM算法、最大类间方差法和正态分布增强算法,对所述待检测带钢表面图像进行预处理,得到预处理后的带钢表面图像;
对所述预处理后的带钢表面图像进行尺寸增强,得到预处理后的带钢表面增强图像;
利用所述带钢表面缺陷检测模型对所述预处理后的带钢表面增强图像进行检测,确定所述带钢表面缺陷;其中,所述带钢表面缺陷检测模型是利用所述第四带钢表面缺陷样本集对所述YOLOv5s-GC网络进行训练得到的。
可选地,基于Grad-CAM算法、最大类间方差法和正态分布增强算法,对所述待检测带钢表面图像进行预处理,得到预处理后的带钢表面图像,具体包括:
利用所述Grad-CAM算法,对所述待检测带钢表面图像进行处理,得到带钢表面缺陷类激活映射图像;
对所述带钢表面缺陷类激活映射图像进行二值化处理,得到二值化带钢表面图像;
确定所述二值化带钢表面图像中缺陷特征构成的连通域,并计算连通域外接矩形;
根据所述外接矩形对所述待检测带钢表面图像进行裁切,得到裁切图像;
利用所述最大类间方差法,对所述裁切图像进行处理,得到混合图像;
利用所述正态分布增强算法,对所述待检测带钢表面图像进行增强处理,得到灰度增强图像;
将所述待检测带钢表面图像、所述混合图像和所述灰度增强图像进行堆叠,得到预处理后的带钢表面图像。
一种带钢表面缺陷检测系统,包括:
数据获取模块,用于获取待检测带钢表面图像;
检测模块,用于利用带钢表面缺陷检测模型对所述待检测带钢表面图像进行检测,确定带钢表面缺陷;所述带钢表面缺陷为轧制氧化皮、斑块、裂纹、点蚀、夹杂或划痕;
其中,所述带钢表面缺陷检测模型是利用带钢表面缺陷样本集对YOLOv5s-GC网络进行训练得到的;所述带钢表面缺陷样本集为第一带钢表面缺陷样本集、第二带钢表面缺陷样本集、第三带钢表面缺陷样本集或者第四带钢表面缺陷样本集;所述第一带钢表面缺陷样本集包括多张标注带钢表面缺陷的带钢表面缺陷图像;所述第二带钢表面缺陷样本集为基于Grad-CAM算法、OTSU算法和正态分布增强算法对所述第一带钢表面缺陷样本集进行预处理得到的样本集;所述第三带钢表面缺陷样本集为对所述第一带钢表面缺陷样本集进行尺寸增强得到的样本集;所述第四带钢表面缺陷样本集为对所述第二带钢表面缺陷样本集进行尺寸增强得到的样本集;所述YOLOv5s-GC网络是将YOLOv5s网络的主干网络中的第一个C3模块、第二个C3模块、第四个C3模块、第六个C3模块和第八个C3模块均替换为GhostBottleneck模块,以及在Neck层的C3模块和Conv模块之间添加CBAM模块。
一种电子设备,包括:存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的带钢表面缺陷检测方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的带钢表面缺陷检测方法。
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:
本发明的带钢表面缺陷检测方法,利用带钢表面缺陷检测模型对待检测带钢表面图像进行检测,确定带钢表面缺陷,其中,带钢表面缺陷检测模型是利用带钢表面缺陷样本集对YOLOv5s-GC网络进行训练得到的。本发明中,利用带钢表面缺陷检测模型对带钢表面缺陷进行检测,提高了检测效率以及检测准确性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的带钢表面缺陷检测方法流程图;
图2为本发明实施例一的YOLOv5s-GC网络结构示意图;
图3为本发明实施例一的ResNet-Mini网络的结构示意图;
图4为本发明实施例一的对SSDS数据集预处理流程示意图;
图5为本发明实施例一的对SSDS数据集尺寸增强流程示意图。
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带钢表面缺陷检测方法、系统、电子设备及介质,以提高带钢表面缺陷检测的准确性。
本发明提供的基于YOLOv5s-GC网络的带钢表面缺陷检测方法(即带钢表面缺陷检测方法),能对轧制氧化皮、斑块、裂纹、点蚀、夹杂和划痕共计六种带钢表面缺陷进行实时检测。该方法对上述六种缺陷均具有较高的检测精度和速度,且在大尺寸样本上依然保持优秀性能。
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。
实施例一
如图1所示,本发明一种带钢表面缺陷检测方法,包括:
步骤101:获取待检测带钢表面图像。
步骤102:利用带钢表面缺陷检测模型对所述待检测带钢表面图像进行检测,确定带钢表面缺陷;所述带钢表面缺陷为轧制氧化皮、斑块、裂纹、点蚀、夹杂或划痕。
其中,所述带钢表面缺陷检测模型是利用带钢表面缺陷样本集对YOLOv5s-GC网络进行训练得到的;所述带钢表面缺陷样本集为第一带钢表面缺陷样本集、第二带钢表面缺陷样本集、第三带钢表面缺陷样本集或者第四带钢表面缺陷样本集;所述第一带钢表面缺陷样本集包括多张标注带钢表面缺陷的带钢表面缺陷图像;所述第二带钢表面缺陷样本集为基于Grad-CAM算法、最大类间方差法和正态分布增强算法对所述第一带钢表面缺陷样本集进行预处理得到的样本集;所述第三带钢表面缺陷样本集为对所述第一带钢表面缺陷样本集进行尺寸增强得到的样本集;所述第四带钢表面缺陷样本集为对所述第二带钢表面缺陷样本集进行尺寸增强得到的样本集;所述YOLOv5s-GC网络是将YOLOv5s网络的主干网络中的第一个C3模块、第二个C3模块、第四个C3模块、第六个C3模块和第八个C3模块均替换为GhostBottleneck模块,以及在Neck层的C3模块和Conv模块之间添加CBAM模块。
作为一种可选的实施方式,步骤102,具体包括:
利用所述带钢表面缺陷检测模型对所述待检测带钢表面图像进行检测,确定所述带钢表面缺陷;其中,所述带钢表面缺陷检测模型是利用所述第一带钢表面缺陷样本集对所述YOLOv5s-GC网络进行训练得到的。
作为一种可选的实施方式,步骤102,具体包括:
基于Grad-CAM算法、最大类间方差法和正态分布增强算法,对所述待检测带钢表面图像进行预处理,得到预处理后的带钢表面图像。
利用所述带钢表面缺陷检测模型对所述预处理后的带钢表面图像进行检测,确定所述带钢表面缺陷;其中,所述带钢表面缺陷检测模型是利用所述第二带钢表面缺陷样本集对所述YOLOv5s-GC网络进行训练得到的。
作为一种可选的实施方式,步骤102,具体包括:
对所述待检测带钢表面图像进行尺寸增强,得到带钢表面增强图像。
利用所述带钢表面缺陷检测模型对所述带钢表面增强图像进行检测,确定所述带钢表面缺陷;其中,所述带钢表面缺陷检测模型是利用所述第三带钢表面缺陷样本集对所述YOLOv5s-GC网络进行训练得到的。
作为一种可选的实施方式,步骤102,具体包括:
基于Grad-CAM算法、最大类间方差法和正态分布增强算法,对所述待检测带钢表面图像进行预处理,得到预处理后的带钢表面图像。
对所述预处理后的带钢表面图像进行尺寸增强,得到预处理后的带钢表面增强图像。
利用所述带钢表面缺陷检测模型对所述预处理后的带钢表面增强图像进行检测,确定所述带钢表面缺陷;其中,所述带钢表面缺陷检测模型是利用所述第四带钢表面缺陷样本集对所述YOLOv5s-GC网络进行训练得到的。
作为一种可选的实施方式,基于Grad-CAM算法、最大类间方差法和正态分布增强算法,对所述待检测带钢表面图像进行预处理,得到预处理后的带钢表面图像,具体包括:
利用所述Grad-CAM算法,对所述待检测带钢表面图像进行处理,得到带钢表面缺陷类激活映射图像。
对所述带钢表面缺陷类激活映射图像进行二值化处理,得到二值化带钢表面图像。
确定所述二值化带钢表面图像中缺陷特征构成的连通域,并计算连通域外接矩形。
根据所述外接矩形对所述待检测带钢表面图像进行裁切,得到裁切图像。
利用所述最大类间方差法,对所述裁切图像进行处理,得到混合图像。
利用所述正态分布增强算法,对所述待检测带钢表面图像进行增强处理,得到灰度增强图像。
将所述待检测带钢表面图像、所述混合图像和所述灰度增强图像进行堆叠,得到预处理后的带钢表面图像。
本发明提供的带钢表面缺陷检测方法,首先,使用ResNet-Mini网络对带钢表面缺陷样本进行预分类;然后,利用ResNet-Mini网络的权重结合Grad-CAM算法裁剪带钢表面缺陷位置并使用OTSU算法和正态分布增强算法对SSDS进行预处理;之后,使用SSDS制作无缺陷的带钢表面图像并对SSDS进行尺寸增强。最后,使用YOLOv5s-GC网络检测多组数据集所含缺陷。本发明提出的检测方法完全由数据驱动,利用训练后的YOLOv5s-GC网络检测带钢缺陷,不依赖人工提取缺陷特征,可以检测包含轧制氧化皮、斑块、裂纹、点蚀、夹杂和划痕在内的六种带钢表面缺陷,不仅在原数据集上表现出检测精度高,检测速度快的优点,在尺寸增强的数据集上也保持优异性能。
在实际应用中,利用带钢表面缺陷样本集对所述YOLOv5s-GC网络进行训练,具体包括:
构建所述YOLOv5s-GC网络和所述带钢表面缺陷样本集。
在实际应用中,构建的YOLOv5s-GC网络结构如图2所示,Conv是卷积层;残差链接结构通过借鉴CSPNet而来;SPPF是空间金字塔池化,这一结构可以有效地提取各尺度的特征;Concat用以拼接两个通道。
YOLOv5s-GC网络由YOLOv5s网络改进得到。将主干网络Backnone中的部分C3模块(即第一个C3模块、第二个C3模块、第四个C3模块、第六个C3模块和第八个C3模块)替换为Ghost Bottleneck模块,此处的Ghost Bottleneck模块使用深度卷积构建Ghost特征。
在实际应用中,所述带钢表面缺陷样本集的构建过程,具体包括:
获取多张带钢表面缺陷原始图像。在实际应用中,带钢表面缺陷检测方法的训练数据(带钢表面缺陷原始图像)来自东北大学提供的NEU-DET数据集,这一数据集包含轧制氧化皮、斑块、裂纹、点蚀、夹杂和划痕共六种缺陷。
利用预分类模型对所述带钢表面缺陷原始图像进行预分类,确定所述带钢表面缺陷原始图像的带钢表面缺陷;其中,所述预分类模型是利用带钢表面缺陷原始图像对ResNet-Mini网络进行训练得到的。在实际应用中,基于ResNet网络改进得到ResNet-Mini网络,ResNet-Mini网络结构如图3所示。该网络引用ResNet网络设计的两种不同的残差块:Block1、Block2,并以远少于ResNet网络的模块数量拼接残差块,在网络的最后使用全连接网络对残差块提取的特征进行分类的到最后的分类结果。
初始化网络权重值、偏置值,设置网络初始学习率为0.001,batch_size为30。持续训练直到loss无显著变化,ResNet-Mini网络训练完成,得到预分类模型。
将NEU-DET数据集输入预分类模型,可将NEU-DET数据集分为六类,分别对应六种带钢表面缺陷,得到第一带钢表面缺陷样本集(即带钢表面缺陷样本,strip surfacedefect sample,SSDS)。
根据所述带钢表面缺陷对所述带钢表面缺陷原始图像进行标注,得到标注带钢表面缺陷的带钢表面缺陷图像。
根据多张标注带钢表面缺陷的带钢表面缺陷图像,构建所述带钢表面缺陷样本集。
利用所述带钢表面缺陷样本集,对所述YOLOv5s-GC网络进行训练,得到所述带钢表面缺陷检测模型。具体的:
利用训练后的ResNet-Mini网络(即预分类网络)的权重结合Grad-CAM算法裁剪带钢表面缺陷位置,并使用OTSU算法和正态分布增强算法对SSDS样本集进行预处理,得到第二带钢表面缺陷样本集(即预处理的带钢表面缺陷样本,pre-processed strip surfacedefect sample,P-SSDS),预处理流程如图4所示。
通过将训练后的ResNet-Mini网络的权重为Grad-CAM算法的输入得到带钢表面缺陷类激活映射图像。
设置阈值θ1∈[0:255,0:255,0:255],将带钢表面缺陷类激活映射图像中每个像素值与阈值对比,若低于该阈值则置为1,高于该阈值则置为0,二值化公式如下:
式中,A表示单个SSDS图像。Ai,j表示图像A像素索引为[i,j]的像素值,Mi,j为二值化所得图像上像素索引为[i,j]的像素值。
使用OpenCV的Findcontours()在二值化图像M上找到连通域,并依以下公式计算连通域外接矩形:
式中,xmin,xmax,ymax,ymin分别表示各连通域在x方向和y方向的最大值和最小值,x1,x2,y1,y2表示最大连通域外接矩形经过尺寸填充后在x方向与y方向上的最大值与最小值;S表示填充尺寸。
选取最大的连通域外接矩形作为裁剪范围,所取裁切图像C由以下公式表示:
C=A[x1:x2,y1:y2] (3)。
使用OTSU算法(最大类间方差法)在裁切图像C上得到二值化阈值tbest,应用二值化阈值tbest对SSDS进行二值化处理,所得图像记为At,将At与A以7:3的比例得到混合图像AC2:
AC2=0.7At+0.3A (4)。
构建NDEA算法(正态分布增强算法),具体流程为:设R=[tbest-r,tbest+r]为特征灰度范围,其中,r表示特征灰度宽度。设Ri,j表示对图像A索引为[i,j]的像素灰度增强值,其由以下公式给出:
其中D为灰度增强系数,N表示正态分布,依以下公式得到灰度增强图像AC3:
AC3=Ai,j+Ri,j (6)。
将A、AC2、AC3在通道尺度上堆叠得到P-SSDS:
P-SSDS=[A,AC2,AC3] (7)。
分别对SSDS与P-SSDS进行尺寸增强,尺寸增强流程如图5所示。
首先,制作无缺陷的带钢表面图像,其包含如下步骤:
1、数据集中标签文件描述的是目标缺陷所在位置,具体表示为[y2,y1,x2,y2]构成的矩形框,该框下文称为缺陷框。创建一个与缺陷框尺寸完全相同的目标框,使目标框内容可以完全覆盖缺陷,目标框的起始位置与对应缺陷框位置完全一致。
2、横向向右移动该目标框,移动距离为x2-x1,其中x1为缺陷框左上点横坐标、x2为右上点横坐标。
3、判断此时目标框是否超出图像边缘,若超出则位置初始化到图像左侧并转到步骤2,若未超出则进行步骤4。
4、判断此时目标框移动次数是否已达到最大移动次数,若达到则在可选框库中选择IOU最小的作为目标框位置并将目标框内容复制替换缺陷框内容,若未达到则进行步骤5。本发明将目标框横向向右移动,故最大可移动次数被定义为W/(x2-x1),其中W为图片宽度。
5、计算目标框与所有缺陷框的IOU,并判断该值是否低于预设阈值,若低于预设阈值则将目标框内容复制替换缺陷框内容,若高于预设阈值则记录此时的位置到可选框库。
6、判断是否完全遍历所有缺陷,若未完成则回到步骤1,若已完成则流程结束。
然后,SSDS样本集经过制作无缺陷的带钢表面图像的流程,可得无缺陷带钢表面缺陷样本。每一张SSDS图像分别与随机三张无缺陷带钢表面缺陷样本进行拼接,生成四张拼接大图样本。每一张SSDS图像分别位于四张拼接大图样本的左上、左下、右上、右下四个位置,所得拼接大图称为带钢表面缺陷大尺寸样本(Large size ofstrip surfacedefectssample,L-SSDS),即带钢表面增强样本,构成第三带钢表面缺陷样本集。
最后,P-SSDS样本集经过制作无缺陷的带钢表面图像的流程可得预处理的无缺陷带钢表面缺陷样本。每一张P-SSDS图像分别与随机三张预处理的无缺陷带钢表面缺陷样本进行拼接,生成四张拼接大图样本。每一张P-SSDS分别位于四张拼接大图样本的左上、左下、右上、右下四个位置,所得拼接大图称为预处理的带钢表面缺陷大尺寸样本(Largesize of pre-processed strip surface defects sample,LP-SSDS),即预处理后的带钢表面增强样本,构成第四带钢表面缺陷样本集。
利用构建的带钢表面缺陷样本集训练YOLOv5s-GC网络:
训练数据(SSDS、P-SSDS、L-SSDS、LP-SSDS)采用Mosaic进行数据增强。
初始化YOLOv5s-GC网络所有权重值、偏执值,设置网络学习率为0.001,batch_size为30,非极大抑制阈值为0.5。锚框使用K-means聚类方法得到,loss函数采用交叉熵损失函数。
将SSDS的六个不同分类分别作为数据集输入YOLOv5s-GC网络并验证YOLOv5s-GC网络的基线性能。
将P-SSDS的六个不同分类分别作为数据集输入YOLOv5s-GC网络并验证YOLOv5s-GC网络在预处理数据集上的性能。
将L-SSDS的六个不同分类分别作为数据集输入YOLOv5s-GC网络并验证YOLOv5s-GC网络在大范围检测时的性能。
将LP-SSDS的六个不同分类分别作为数据集输入YOLOv5s-GC网络并验证YOLOv5s-GC网络在经过预处理后大范围检测时的性能。
各性能如表1所示:
表1各数据集中网络性能统计表
应用训练好的模型对样本表面缺陷进行识别。
在使用时,应当根据现有工程需求选择最合适的网络。
使用基于SSDS样本集训练的YOLOv5s-GC网络进行缺陷检测,可免去数据预处理部分以取得更快的推理速度但会损失检测精度。
使用基于P-SSDS样本集训练的YOLOv5s-GC网络进行缺陷检测,可在200×200像素图像上取得最佳检测精度。
使用基于L-SSDS样本集训练的YOLOv5s-GC网络进行缺陷检测,可在更大尺寸图像上取得更快的推理速度但会损失检测精度。
使用基于LP-SSDS样本集训练的YOLOv5s-GC网络进行缺陷检测,可在更大尺寸图像上取得最佳检测精度。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种带钢表面缺陷检测系统,包括:
数据获取模块,用于获取待检测带钢表面图像。
检测模块,用于利用带钢表面缺陷检测模型对所述待检测带钢表面图像进行检测,确定带钢表面缺陷;所述带钢表面缺陷为轧制氧化皮、斑块、裂纹、点蚀、夹杂或划痕。
其中,所述带钢表面缺陷检测模型是利用带钢表面缺陷样本集对YOLOv5s-GC网络进行训练得到的;所述带钢表面缺陷样本集为第一带钢表面缺陷样本集、第二带钢表面缺陷样本集、第三带钢表面缺陷样本集或者第四带钢表面缺陷样本集;所述第一带钢表面缺陷样本集包括多张标注带钢表面缺陷的带钢表面缺陷图像;所述第二带钢表面缺陷样本集为基于Grad-CAM算法、OTSU算法和正态分布增强算法对所述第一带钢表面缺陷样本集进行预处理得到的样本集;所述第三带钢表面缺陷样本集为对所述第一带钢表面缺陷样本集进行尺寸增强得到的样本集;所述第四带钢表面缺陷样本集为对所述第二带钢表面缺陷样本集进行尺寸增强得到的样本集;所述YOLOv5s-GC网络是将YOLOv5s网络的主干网络中的第一个C3模块、第二个C3模块、第四个C3模块、第六个C3模块和第八个C3模块均替换为GhostBottleneck模块,以及在Neck层的C3模块和Conv模块之间添加CBAM模块。
实施例三
本发明提供了一种电子设备,包括:存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行实施例一的带钢表面缺陷检测方法。
实施例四
本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现实施例一的带钢表面缺陷检测方法。
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)
1.一种带钢表面缺陷检测方法,其特征在于,包括:
获取待检测带钢表面图像;
利用带钢表面缺陷检测模型对所述待检测带钢表面图像进行检测,确定带钢表面缺陷;所述带钢表面缺陷为轧制氧化皮、斑块、裂纹、点蚀、夹杂或划痕;
其中,所述带钢表面缺陷检测模型是利用带钢表面缺陷样本集对YOLOv5s-GC网络进行训练得到的;所述带钢表面缺陷样本集为第一带钢表面缺陷样本集、第二带钢表面缺陷样本集、第三带钢表面缺陷样本集或者第四带钢表面缺陷样本集;所述第一带钢表面缺陷样本集包括多张标注带钢表面缺陷的带钢表面缺陷图像;所述第二带钢表面缺陷样本集为基于Grad-CAM算法、最大类间方差法和正态分布增强算法对所述第一带钢表面缺陷样本集进行预处理得到的样本集;所述第三带钢表面缺陷样本集为对所述第一带钢表面缺陷样本集进行尺寸增强得到的样本集;所述第四带钢表面缺陷样本集为对所述第二带钢表面缺陷样本集进行尺寸增强得到的样本集;所述YOLOv5s-GC网络是将YOLOv5s网络的主干网络中的第一个C3模块、第二个C3模块、第四个C3模块、第六个C3模块和第八个C3模块均替换为GhostBottleneck模块,以及在Neck层的C3模块和Conv模块之间添加CBAM模块。
2.根据权利要求1所述的带钢表面缺陷检测方法,其特征在于,利用带钢表面缺陷样本集对所述YOLOv5s-GC网络进行训练,具体包括:
构建所述YOLOv5s-GC网络和所述带钢表面缺陷样本集;
利用所述带钢表面缺陷样本集,对所述YOLOv5s-GC网络进行训练,得到所述带钢表面缺陷检测模型。
3.根据权利要求2所述的带钢表面缺陷检测方法,其特征在于,所述带钢表面缺陷样本集的构建过程,具体包括:
获取多张带钢表面缺陷原始图像;
利用预分类模型对所述带钢表面缺陷原始图像进行预分类,确定所述带钢表面缺陷原始图像的带钢表面缺陷;其中,所述预分类模型是利用带钢表面缺陷原始图像对ResNet-Mini网络进行训练得到的;
根据所述带钢表面缺陷对所述带钢表面缺陷原始图像进行标注,得到标注带钢表面缺陷的带钢表面缺陷图像;
根据多张标注带钢表面缺陷的带钢表面缺陷图像,构建所述带钢表面缺陷样本集。
4.根据权利要求1所述的带钢表面缺陷检测方法,其特征在于,利用带钢表面缺陷检测模型对所述待检测带钢表面图像进行检测,确定带钢表面缺陷,具体包括:
基于Grad-CAM算法、最大类间方差法和正态分布增强算法,对所述待检测带钢表面图像进行预处理,得到预处理后的带钢表面图像;
利用所述带钢表面缺陷检测模型对所述预处理后的带钢表面图像进行检测,确定所述带钢表面缺陷;其中,所述带钢表面缺陷检测模型是利用所述第二带钢表面缺陷样本集对所述YOLOv5s-GC网络进行训练得到的。
5.根据权利要求1所述的带钢表面缺陷检测方法,其特征在于,利用带钢表面缺陷检测模型对所述待检测带钢表面图像进行检测,确定带钢表面缺陷,具体包括:
对所述待检测带钢表面图像进行尺寸增强,得到带钢表面增强图像;
利用所述带钢表面缺陷检测模型对所述带钢表面增强图像进行检测,确定所述带钢表面缺陷;其中,所述带钢表面缺陷检测模型是利用所述第三带钢表面缺陷样本集对所述YOLOv5s-GC网络进行训练得到的。
6.根据权利要求1所述的带钢表面缺陷检测方法,其特征在于,利用带钢表面缺陷检测模型对所述待检测带钢表面图像进行检测,确定带钢表面缺陷,具体包括:
基于Grad-CAM算法、最大类间方差法和正态分布增强算法,对所述待检测带钢表面图像进行预处理,得到预处理后的带钢表面图像;
对所述预处理后的带钢表面图像进行尺寸增强,得到预处理后的带钢表面增强图像;
利用所述带钢表面缺陷检测模型对所述预处理后的带钢表面增强图像进行检测,确定所述带钢表面缺陷;其中,所述带钢表面缺陷检测模型是利用所述第四带钢表面缺陷样本集对所述YOLOv5s-GC网络进行训练得到的。
7.根据权利要求4或者6所述的带钢表面缺陷检测方法,其特征在于,基于Grad-CAM算法、最大类间方差法和正态分布增强算法,对所述待检测带钢表面图像进行预处理,得到预处理后的带钢表面图像,具体包括:
利用所述Grad-CAM算法,对所述待检测带钢表面图像进行处理,得到带钢表面缺陷类激活映射图像;
对所述带钢表面缺陷类激活映射图像进行二值化处理,得到二值化带钢表面图像;
确定所述二值化带钢表面图像中缺陷特征构成的连通域,并计算连通域外接矩形;
根据所述外接矩形对所述待检测带钢表面图像进行裁切,得到裁切图像;
利用所述最大类间方差法,对所述裁切图像进行处理,得到混合图像;
利用所述正态分布增强算法,对所述待检测带钢表面图像进行增强处理,得到灰度增强图像;
将所述待检测带钢表面图像、所述混合图像和所述灰度增强图像进行堆叠,得到预处理后的带钢表面图像。
8.一种带钢表面缺陷检测系统,其特征在于,包括:
数据获取模块,用于获取待检测带钢表面图像;
检测模块,用于利用带钢表面缺陷检测模型对所述待检测带钢表面图像进行检测,确定带钢表面缺陷;所述带钢表面缺陷为轧制氧化皮、斑块、裂纹、点蚀、夹杂或划痕;
其中,所述带钢表面缺陷检测模型是利用带钢表面缺陷样本集对YOLOv5s-GC网络进行训练得到的;所述带钢表面缺陷样本集为第一带钢表面缺陷样本集、第二带钢表面缺陷样本集、第三带钢表面缺陷样本集或者第四带钢表面缺陷样本集;所述第一带钢表面缺陷样本集包括多张标注带钢表面缺陷的带钢表面缺陷图像;所述第二带钢表面缺陷样本集为基于Grad-CAM算法、OTSU算法和正态分布增强算法对所述第一带钢表面缺陷样本集进行预处理得到的样本集;所述第三带钢表面缺陷样本集为对所述第一带钢表面缺陷样本集进行尺寸增强得到的样本集;所述第四带钢表面缺陷样本集为对所述第二带钢表面缺陷样本集进行尺寸增强得到的样本集;所述YOLOv5s-GC网络是将YOLOv5s网络的主干网络中的第一个C3模块、第二个C3模块、第四个C3模块、第六个C3模块和第八个C3模块均替换为GhostBottleneck模块,以及在Neck层的C3模块和Conv模块之间添加CBAM模块。
9.一种电子设备,其特征在于,包括:存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-7任一项所述的带钢表面缺陷检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的带钢表面缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310556162.2A CN116596878B (zh) | 2023-05-15 | 2023-05-15 | 一种带钢表面缺陷检测方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310556162.2A CN116596878B (zh) | 2023-05-15 | 2023-05-15 | 一种带钢表面缺陷检测方法、系统、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116596878A true CN116596878A (zh) | 2023-08-15 |
CN116596878B CN116596878B (zh) | 2024-04-16 |
Family
ID=87611031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310556162.2A Active CN116596878B (zh) | 2023-05-15 | 2023-05-15 | 一种带钢表面缺陷检测方法、系统、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596878B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030012453A1 (en) * | 2001-07-06 | 2003-01-16 | Jasc Software, Inc. | Method for removing defects from images |
JP2010133744A (ja) * | 2008-12-02 | 2010-06-17 | Omron Corp | 欠陥検出方法およびその方法を用いた視覚検査装置 |
CN107563303A (zh) * | 2017-08-09 | 2018-01-09 | 中国科学院大学 | 一种基于深度学习的鲁棒性舰船目标检测方法 |
CN111680705A (zh) * | 2020-08-13 | 2020-09-18 | 南京信息工程大学 | 适于目标检测的mb-ssd方法和mb-ssd特征提取网络 |
CN113506239A (zh) * | 2021-05-21 | 2021-10-15 | 冶金自动化研究设计院 | 一种基于跨阶段局部网络的带钢表面缺陷检测方法 |
CN114417965A (zh) * | 2021-12-06 | 2022-04-29 | 浙江大华技术股份有限公司 | 图像处理模型的训练方法、目标检测方法及相关装置 |
CN114663670A (zh) * | 2022-03-25 | 2022-06-24 | 腾讯科技(上海)有限公司 | 一种图像检测方法、装置、电子设备及存储介质 |
KR102450965B1 (ko) * | 2022-06-30 | 2022-10-06 | 주식회사 아이브 | 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법 |
CN115205636A (zh) * | 2022-09-15 | 2022-10-18 | 苏州浪潮智能科技有限公司 | 一种图像的目标检测方法、系统、设备及存储介质 |
CN115345841A (zh) * | 2022-08-05 | 2022-11-15 | 上海致景信息科技有限公司 | 一种图像缺陷样本生成方法、系统、计算机设备、及介质 |
CN115661126A (zh) * | 2022-11-16 | 2023-01-31 | 广州航海学院 | 一种基于改进YOLOv5算法的带钢表面缺陷检测方法 |
CN115829991A (zh) * | 2022-12-15 | 2023-03-21 | 淮阴工学院 | 一种基于改进YOLOv5s的钢材表面缺陷检测方法 |
CN115861665A (zh) * | 2022-12-20 | 2023-03-28 | 深圳须弥云图空间科技有限公司 | 目标检测网络训练中候选框匹配方法、装置、设备及介质 |
CN116030500A (zh) * | 2023-02-16 | 2023-04-28 | 深圳华付技术股份有限公司 | 一种人员着装规范识别方法及系统 |
-
2023
- 2023-05-15 CN CN202310556162.2A patent/CN116596878B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030012453A1 (en) * | 2001-07-06 | 2003-01-16 | Jasc Software, Inc. | Method for removing defects from images |
JP2010133744A (ja) * | 2008-12-02 | 2010-06-17 | Omron Corp | 欠陥検出方法およびその方法を用いた視覚検査装置 |
CN107563303A (zh) * | 2017-08-09 | 2018-01-09 | 中国科学院大学 | 一种基于深度学习的鲁棒性舰船目标检测方法 |
CN111680705A (zh) * | 2020-08-13 | 2020-09-18 | 南京信息工程大学 | 适于目标检测的mb-ssd方法和mb-ssd特征提取网络 |
CN113506239A (zh) * | 2021-05-21 | 2021-10-15 | 冶金自动化研究设计院 | 一种基于跨阶段局部网络的带钢表面缺陷检测方法 |
CN114417965A (zh) * | 2021-12-06 | 2022-04-29 | 浙江大华技术股份有限公司 | 图像处理模型的训练方法、目标检测方法及相关装置 |
CN114663670A (zh) * | 2022-03-25 | 2022-06-24 | 腾讯科技(上海)有限公司 | 一种图像检测方法、装置、电子设备及存储介质 |
KR102450965B1 (ko) * | 2022-06-30 | 2022-10-06 | 주식회사 아이브 | 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법 |
CN115345841A (zh) * | 2022-08-05 | 2022-11-15 | 上海致景信息科技有限公司 | 一种图像缺陷样本生成方法、系统、计算机设备、及介质 |
CN115205636A (zh) * | 2022-09-15 | 2022-10-18 | 苏州浪潮智能科技有限公司 | 一种图像的目标检测方法、系统、设备及存储介质 |
CN115661126A (zh) * | 2022-11-16 | 2023-01-31 | 广州航海学院 | 一种基于改进YOLOv5算法的带钢表面缺陷检测方法 |
CN115829991A (zh) * | 2022-12-15 | 2023-03-21 | 淮阴工学院 | 一种基于改进YOLOv5s的钢材表面缺陷检测方法 |
CN115861665A (zh) * | 2022-12-20 | 2023-03-28 | 深圳须弥云图空间科技有限公司 | 目标检测网络训练中候选框匹配方法、装置、设备及介质 |
CN116030500A (zh) * | 2023-02-16 | 2023-04-28 | 深圳华付技术股份有限公司 | 一种人员着装规范识别方法及系统 |
Non-Patent Citations (4)
Title |
---|
XIAN TAO ET AL.: "Unsupervised Anomaly Detection for Surface Defects With Dual-Siamese Network", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》, vol. 18, 13 January 2022 (2022-01-13), pages 7707 - 7717, XP011920608, DOI: 10.1109/TII.2022.3142326 * |
XI-XING LI ET AL.: "A YOLOv5s-GC-based surface defect detection method of strip steel", Retrieved from the Internet <URL:https://www.researchsquare.com/article/rs-2564770/v1> * |
孙杰 等: "基于Sophon SC5+芯片构架的行人搜索算法与优化", 《计算机应用》, vol. 43, pages 744 - 751 * |
王浩然: "基于YOLOv5的钢材表面缺陷检测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN116596878B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN111582294B (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN114140679A (zh) | 一种缺陷融合方法、装置、识别系统及存储介质 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN110009618A (zh) | 一种轴类零件表面质量检测方法及装置 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN108665458A (zh) | 透明体表面缺陷提取及识别方法 | |
CN113393438B (zh) | 一种基于卷积神经网络的树脂镜片缺陷检测方法 | |
CN115601355A (zh) | 一种产品表面缺陷检测与分类方法、装置及存储介质 | |
CN111161260A (zh) | 一种基于深度学习的热轧带钢表面缺陷检测方法及装置 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN115170529A (zh) | 基于注意力机制的多尺度微小瑕疵检测方法 | |
CN111415330A (zh) | 基于深度学习的铜箔外观缺陷检测方法 | |
CN115829995A (zh) | 基于像素级的多尺度特征融合的布匹瑕疵检测方法及系统 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN112784894B (zh) | 一种岩石薄片显微图像自动标注方法 | |
Zhao et al. | Analysis of image edge checking algorithms for the estimation of pear size | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
CN111179239B (zh) | 一种利用背景特征进行重排名的轮胎x光瑕疵检测方法 | |
CN112288726A (zh) | 一种井下带式输送机带面异物检测方法 | |
CN115619799B (zh) | 一种基于迁移学习的晶粒图像分割方法及系统 |
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 |