CN117152094A - 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 - Google Patents

基于计算机视觉的钢板表面缺陷分析方法、装置及系统 Download PDF

Info

Publication number
CN117152094A
CN117152094A CN202311132844.7A CN202311132844A CN117152094A CN 117152094 A CN117152094 A CN 117152094A CN 202311132844 A CN202311132844 A CN 202311132844A CN 117152094 A CN117152094 A CN 117152094A
Authority
CN
China
Prior art keywords
steel plate
defect
picture
surface defect
computer vision
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
Application number
CN202311132844.7A
Other languages
English (en)
Inventor
王宣
盛明哲
齐飞
李希金
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202311132844.7A priority Critical patent/CN117152094A/zh
Publication of CN117152094A publication Critical patent/CN117152094A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06T2207/20084—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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于计算机视觉的钢板表面缺陷分析方法、装置及系统，该方法应用于钢板表面缺陷分析系统，包括步骤：从光源和相机耦合的钢板照片组中获取钢板图片；将钢板图片输入预训练的卷积网络，提取图片特征；根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷：如果不存在钢板表面缺陷，则得到合格的钢板表面评估结果；如果存在钢板表面缺陷，则进行钢板表面缺陷等级确认。该方法能够自动对钢板表面缺陷进行鉴别与界定，从而实现一站式的钢板表面缺陷识别、定位、分类、及分析。

Description

基于计算机视觉的钢板表面缺陷分析方法、装置及系统
技术领域
本发明涉及人工智能，尤其涉及一种基于计算机视觉的钢板表面缺陷分析方法、装置及系统。
背景技术
计算机视觉检测对工业自动化的重要性与日俱增，计算机视觉专注创建可以像人类一样处理、分析和理解视觉数据(图像或视频)的数字系统，完整的计算机视觉系统包括光源、图像采集装置、图像分析处理系统、展示与控制系统。
钢板表面的质量是决定钢板的优劣的决定性因素之一，这将直接影响到最终产品的性能与质量。在加工过程中，原材料、轧制设备以及工艺等原因，会导致钢板表面出现结疤、裂纹、辊印、磷皮、刮伤、孔洞、麻点等不同的缺陷，这些缺陷将会使钢的性能变差。在生产过程中在线的检测钢板的表面缺陷，可以达到控制和提高钢板产品的表面质量的目。因此，钢板的表面缺陷检测是钢板出厂前十分重要的检测工序。
但现有技术中，钢板表面缺陷检测与分析技术是依赖人工目视检测完成的，或者依赖部分先进检测设备，但检测设备的检测功能单一，无法自动确定对表面缺陷进行界定，主要还是依靠人的主观判断。
发明内容
本发明所要解决的技术问题是针对现有技术的上述不足，提出一种基于计算机视觉的钢板表面缺陷分析方法、装置及系统，该方法能够自动对钢板表面缺陷进行鉴别与界定，从而自动实现钢板表面的缺陷分析。
第一方面，本发明提供一种基于计算机视觉的钢板表面缺陷分析方法，该方法应用于钢板表面缺陷分析系统，该方法包括步骤：
步骤S1：从光源和相机耦合的钢板照片组中获取钢板图片；
步骤S2：将钢板图片输入预训练的卷积网络，提取图片特征；
步骤S3：根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷：
如果不存在钢板表面缺陷，则得到合格的钢板表面评估结果；如果存在钢板表面缺陷，则进行钢板表面缺陷等级确认。
进一步地，所述步骤S3中，根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷，其包括如下步骤：
步骤S31：将图片特征输入到YOLO模型中，检测出缺陷区域；
步骤S32：将缺陷区域提取的特征传递给SVM模型进行分类判定，从而判断出是否存在钢板表面缺陷。
进一步地，所述步骤S3中，进行钢板表面缺陷等级确认，包括具体步骤：
步骤B1：对钢板表面缺陷出现的位置进行框体的形式标注，得到框体标注区域；
步骤B2：遍历框体标注区域，根据预设的Faster R-CNN分类检测模型、且根据预设置信度阈值对钢板表面缺陷进行分类；
步骤B3：基于容忍区间和缺陷标准，对分类后的钢板表面缺陷进行钢板表面缺陷等级确认，所述缺陷标准是根据国家标准或用户需求定义的。
进一步地，所述步骤B1之前，还包括步骤B0，
步骤B0：使用已标注的钢板表面缺陷图像数据集对Faster R-CNN模型进行训练，得到预设的Faster R-CNN分类检测模型。
第二方面，本发明提供一种基于计算机视觉的钢板表面缺陷分析装置，该装置应用于计算机视觉检测平台，该装置包括：
获取单元，用于从光源和相机耦合的钢板照片组中获取钢板图片；
提取单元，与所述获取单元连接，用于将钢板图片输入预训练的卷积网络，提取图片特征；
算法单元，用于提供人工智能算法；
判断单元，分别与所述提取单元和所述算法单元连接，用于根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷；
分析单元，与所述判断单元连接，用于根据判断单元的判断结果为存在钢板表面缺陷，对钢板表面缺陷进行等级确认。
进一步地，所述判断单元包括：
检测模块，用于将图片特征输入到YOLO模型中，检测出缺陷区域；
判断模块，与所述检测模块连接，用于将缺陷区域提取的特征传递给SVM模型进行分类判定，从而判断出是否存在钢板表面缺陷。
进一步地，所述分析单元包括：
标注模块，用于对钢板表面缺陷出现的位置进行框体的形式标注，得到框体标注区域；
分类模块，与所述标注模块连接，用于遍历框体标注区域，根据预设的Faster R-CNN分类检测模型、且根据预设置信度阈值对钢板表面缺陷进行分类；
等级确认模块，与所述分类模块连接，用于基于容忍区间和缺陷标准，对分类后的钢板表面缺陷进行钢板表面缺陷等级确认，所述缺陷标准是根据国家标准或用户需求定义的。
进一步地，所述分析单元还包括训练模块，所述训练模块与所述标注模块连接，用于使用已标注的钢板表面缺陷图像数据集对Faster R-CNN模型进行训练，得到预设的Faster R-CNN分类检测模型。
第三方面，本发明提供一种基于计算机视觉的钢板表面缺陷检测系统，
该系统包括拼接单元和保存单元，还包括第二方面所述的基于计算机视觉的钢板表面缺陷分析装置，
所述拼接单元与所述钢板表面缺陷分析装置的分析单元连接，用于将钢板图片及对应的钢板表面评估结果按照设定的顺序进行拼接，得到钢板图片组；
所述保存单元与所述拼接单元连接，用于对钢板图片组进行管理保存。
第四方面，本发明提供一种基于计算机视觉的钢板表面缺陷分析系统，该系统包括：
设备层，用于提供光源和图像采集设备，以得到钢板照片组，并从钢板照片组中获取钢板图片；
计算机视觉检测平台，与所述设备层连接，用于将钢板图片输入预训练的卷积网络，提取图片特征；
所述计算机视觉检测平台还用于根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷；
应用层，与所述计算机视觉检测平台连接，用于在计算机视觉检测平台的判断结果为存在钢板表面缺陷时，对钢板表面缺陷进行等级确认。
本发明的有益效果：
1.本发明能够自动对钢板表面缺陷进行鉴别与界定，从而实现一站式的钢板表面缺陷识别、定位、分类、及分析。
2.本发明通过光源和相机的耦合适配，可直接从图片中获得深度信息，且拍摄精度高，提高缺陷检测精确度。
3.本发明自动完成，能够实现不间断工作，相对于人工方式，效率更高，成本更低。
附图说明
图1为本发明实施例中的钢板表面缺陷分析流程图；
图2为本发明实施例中的钢板表面缺陷整体实现示意图；
图3为本发明实施例中的钢板表面缺陷分析系统图；
图4为本发明实施例中的钢板表面缺陷分析方法图；
图5为本发明实施例中的钢板表面缺陷分析装置图。
其中，附图标记：10、获取单元，20、提取单元，30、判断单元，40、算法单元，50、分析单元。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面将结合附图对本发明实施方式作进一步地详细描述。
可以理解的是，此处描述的具体实施例和附图仅仅用于解释本发明，而非对本发明的限定。
可以理解的是，在不冲突的情况下，本发明中的各实施例及实施例中的各特征可相互组合。
可以理解的是，为便于描述，本发明的附图中仅示出了与本发明相关的部分，而与本发明无关的部分未在附图中示出。
可以理解的是，本发明的实施例中所涉及的每个单元、模块可仅对应一个实体结构，也可由多个实体结构组成，或者，多个单元、模块也可集成为一个实体结构。
可以理解的是，在不冲突的情况下，本发明的流程图和框图中所标注的功能、步骤可按照不同于附图中所标注的顺序发生。
可以理解的是，本发明的流程图和框图中，示出了按照本发明各实施例的系统、装置、设备、方法的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可代表一个单元、模块、程序段、代码，其包含用于实现规定的功能的可执行指令。而且，框图和流程图中的每个方框或方框的组合，可用实现规定的功能的基于硬件的系统实现，也可用硬件与计算机指令的组合来实现。
可以理解的是，本发明实施例中所涉及的单元、模块可通过软件的方式实现，也可通过硬件的方式来实现，例如单元、模块可位于处理器中。
实施例1：
如图1、图2及图4所示，本实施例提供一种基于计算机视觉的钢板表面缺陷分析方法，该方法应用于计算机视觉检测平台，该方法包括步骤：
步骤S1：从光源和相机耦合的钢板照片组中获取钢板图片；
步骤S2：将钢板图片输入预训练的卷积网络，提取图片特征；
具体地，将图片输入预训练的卷积神经网络(Convolutional Neural Network，CNN)以提取图片特征是一种常见的方法，本实施例采用以下步骤：
(1)选择预训练的CNN模型。
(2)加载预训练模型：使用深度学习库加载预训练模型，并加载预训练的权重。
(3)图像预处理：对输入的图片进行预处理，包括图像尺寸的调整、归一化或去均值处理。
(4)特征提取：将预处理后的图片输入预训练模型中，通过前向传播计算得到图像在模型中的特征表示，这些特征表示在CNN模型的全连接层之前的卷积层中生成。
(5)特征向量：将提取得到的特征映射转换为特征向量。
(6)特征表示：图像的特征向量即为对该图片的特征表示，从而得到图片特征。
步骤S3：根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷：
如果不存在钢板表面缺陷，则得到合格的钢板表面评估结果；如果存在钢板表面缺陷，则进行钢板表面缺陷等级确认。
具体地，步骤S3中，根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷，其包括如下步骤：
步骤S31：将图片特征输入到YOLO模型中，检测出缺陷区域；
YOLO(You Only Look Once)模型是一种实时目标检测算法，通过将整个图像作为输入，直接在单个前向传递中预测出图像中所有目标的边界框和类别概率。
YOLO模型的主要思想是将图像分割为网格，每个网格负责预测一组边界框。对于每个边界框，YOLO模型会预测其边界框的位置坐标(边界框的中心坐标、宽度和高度)以及目标的类别概率。模型通过卷积神经网络提取图像特征，并将这些特征应用于预测边界框和类别。
相对于传统的目标检测方法，YOLO模型具有以下优点：
实时性：由于YOLO模型只需要执行一次前向传递，因此可以实时地进行目标检测，适用于实时视频分析和较高帧率的应用场景。
全局感知：YOLO模型在整个图像上进行推理，具有全局感知能力，可以检测到小目标和目标的上下文信息。
简单和高效：YOLO模型在目标检测任务上具有较简单的网络结构，减少了复杂的多阶段流程，使得训练和推理更加高效。
步骤S32：将缺陷区域提取的特征传递给SVM模型进行分类判定，从而判断出是否存在钢板表面缺陷。
SVM(支持向量机)模型是一种用于分类和回归的有监督机器学习算法。它基于统计学习理论和结构风险最小化原则，并在数据集中找到一个最优的超平面来分隔不同类别的样本。
作为一种具体的实施方式，步骤S3中，进行钢板表面缺陷等级确认，包括具体步骤：
步骤B1：对钢板表面缺陷出现的位置进行框体的形式标注，得到框体标注区域；
步骤B2：遍历框体标注区域，根据预设的Faster R-CNN分类检测模型、且根据预设置信度阈值对钢板表面缺陷进行分类；
Faster R-CNN是一种用于目标检测的深度学习模型，它是R-CNN(Regions withCNN features)系列模型的一种改进版本，Faster R-CNN相对于传统的R-CNN模型提高了目标检测效率和准确性。
步骤B3：基于容忍区间和缺陷标准，对分类后的钢板表面缺陷进行钢板表面缺陷等级确认，缺陷标准是根据国家标准或用户需求定义的。
作为一种具体的实施方式，步骤B1之前，还包括步骤B0，
步骤B0：使用已标注的钢板表面缺陷图像数据集对Faster R-CNN模型进行训练，得到预设的Faster R-CNN分类检测模型。
本方法主要针对某一种特定产品场景的测量应用，在系统开始正式工作前，需要对神经网络进行预训练，人为设定部件合格的阈值。
本方法在正式工作之前，需要确定相机到钢板的距离，以确定照片中像素所代表具体长度单元。
本方法在正式工作之前，需要考虑不同时段自然光(或人造光)对结果的影响，根据不同时间段产生的结果进行修整。
具体流程如下：
1.在系统正式开始工作之前，将摄像平台与光源组置于钢板上方。相机照射部分为钢板右下角。
2.在系统正式开始工作之前，计算机视觉检测开启管理模块，对本次检测进行用户确认，对本次检测结果预留存储空间，开始之前进行最后安全检测，确定是否有安全隐患。
3.启动光源组开始图像采集，图像采集结束后关闭光源组，并将该照片标记。
4.从下向上、从右向左平移相机与光源组，距离为相机一个画幅所代表的钢板面积，相机移动到位后继续流程2。
5.重复3过程直至遍历钢板。
6.将照片组输入计算机视觉检测平台。
7.计算机视觉检测平台对输入图片组进行算法分配，确认调度算法库中的一种或多种算法模块。
8.计算机视觉检测平台优先激活识别算法模块，确定照片中是否存在缺陷部位
9.计算机视觉检测平台其次激活定位算法模块，对过程8照片中存在缺陷的部位标框处理
10.计算机视觉检测平台其次激活分类算法模块，对过程9的标框的缺陷进行深度分析，判断是哪种缺陷分型，并给出置信数值。
11.计算机视觉检测平台其次激活分析算法模块，收集过程8、过程9、过程10中的信息。分析缺陷严重程度。
12.将计算机视觉检测平台输出的照片组的每一张照片及其结果进行拼接，输出完整的照片，由管理模块进行保存。
实施例2：
如图1和图5所示，本实施例提供一种基于计算机视觉的钢板表面缺陷分析装置，该装置应用于计算机视觉检测平台，该装置包括：
获取单元10，用于从光源和相机耦合的钢板照片组中获取钢板图片；
提取单元20，与获取单元10连接，用于将钢板图片输入预训练的卷积网络，提取图片特征；
算法单元40，用于提供人工智能算法；
判断单元30，分别与提取单元20和算法单元40连接，用于根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷；
分析单元50，与判断单元30连接，用于根据判断单元的判断结果为存在钢板表面缺陷，对钢板表面缺陷进行等级确认。
作为一种具体的实施方式，判断单元30包括：
检测模块，用于将图片特征输入到YOLO模型中，检测出缺陷区域；
判断模块，与检测模块连接，用于将缺陷区域提取的特征传递给SVM模型进行分类判定，从而判断出是否存在钢板表面缺陷。
作为一种具体的实施方式，分析单元50包括：
标注模块，用于对钢板表面缺陷出现的位置进行框体的形式标注，得到框体标注区域；
分类模块，与标注模块连接，用于遍历框体标注区域，根据预设的Faster R-CNN分类检测模型、且根据预设置信度阈值对钢板表面缺陷进行分类；
等级确认模块，与分类模块连接，用于基于容忍区间和缺陷标准，对分类后的钢板表面缺陷进行钢板表面缺陷等级确认，缺陷标准是根据国家标准或用户需求定义的。
作为一种具体的实施方式，分析单元50还包括训练模块，训练模块与标注模块连接，用于使用已标注的钢板表面缺陷图像数据集对Faster R-CNN模型进行训练，得到预设的Faster R-CNN分类检测模型。
实施例3：
本实施例提供一种基于计算机视觉的钢板表面缺陷检测系统，该系统包括拼接单元和保存单元，还包括实施例2所述的基于计算机视觉的钢板表面缺陷分析装置，
拼接单元与钢板表面缺陷分析装置的分析单元连接，用于将钢板图片及对应的钢板表面评估结果按照设定的顺序进行拼接，得到钢板图片组；
保存单元与拼接单元连接，用于对钢板图片组进行管理保存。
实施例4：
如图2和图3所示，本实施例提供一种基于计算机视觉的钢板表面缺陷分析系统，该系统包括：
设备层，用于提供光源和图像采集设备，以得到钢板照片组，并从钢板照片组中获取钢板图片；
计算机视觉检测平台，与钢板设备层连接，用于将钢板图片输入预训练的卷积网络，提取图片特征；
钢板计算机视觉检测平台还用于根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷；
应用层，与钢板计算机视觉检测平台连接，用于在计算机视觉检测平台的判断结果为存在钢板表面缺陷时，对钢板表面缺陷进行等级确认。
作为一种具体的实施方式，设备层包括计算设备、图像采集设备、光源组设备、钢板控制系统。计算机视觉检测平台包括算法库和管理模块。算法库包括定位算法、检测算法、分类算法、识别算法。管理模块包括算法管理、数据管理、用户管理、安全管理。应用层包括钢板表面检测、钢板质量检测、平面物体检测。
本系统主要针对某一种特定产品场景的测量应用，在系统开始正式工作前，需要对神经网络进行预训练，人为设定部件合格的阈值。
本系统在正式工作之前，需要确定相机到钢板的距离，以确定照片中像素所代表具体长度单元。
本系统在正式工作之前，需要考虑不同时段自然光(或人造光)对结果的影响，根据不同时间段产生的结果进行修整。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种基于计算机视觉的钢板表面缺陷分析方法，应用于钢板表面缺陷分析系统，其特征在于，该方法包括步骤：
步骤S1：从光源和相机耦合的钢板照片组中获取钢板图片；
步骤S2：将钢板图片输入预训练的卷积网络，提取图片特征；
步骤S3：根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷：
如果不存在钢板表面缺陷，则得到合格的钢板表面评估结果；如果存在钢板表面缺陷，则进行钢板表面缺陷等级确认。
2.根据权利要求1所述的基于计算机视觉的钢板表面缺陷分析方法，其特征在于，
所述步骤S3中，根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷，其包括如下步骤：
步骤S31：将图片特征输入到YOLO模型中，检测出缺陷区域；
步骤S32：将缺陷区域提取的特征传递给SVM模型进行分类判定，从而判断出是否存在钢板表面缺陷。
3.根据权利要求1或2所述的基于计算机视觉的钢板表面缺陷分析方法，其特征在于，
所述步骤S3中，进行钢板表面缺陷等级确认，包括具体步骤：
步骤B1：对钢板表面缺陷出现的位置进行框体的形式标注，得到框体标注区域；
步骤B2：遍历框体标注区域，根据预设的Faster R-CNN分类检测模型、且根据预设置信度阈值对钢板表面缺陷进行分类；
步骤B3：基于容忍区间和缺陷标准，对分类后的钢板表面缺陷进行钢板表面缺陷等级确认，所述缺陷标准是根据国家标准或用户需求定义的。
4.根据权利要求3所述的基于计算机视觉的钢板表面缺陷分析方法，其特征在于，
所述步骤B1之前，还包括步骤B0，
步骤B0：使用已标注的钢板表面缺陷图像数据集对Faster R-CNN模型进行训练，得到预设的Faster R-CNN分类检测模型。
5.一种基于计算机视觉的钢板表面缺陷分析装置，应用于计算机视觉检测平台，其特征在于，包括：
获取单元，用于从光源和相机耦合的钢板照片组中获取钢板图片；
提取单元，与所述获取单元连接，用于将钢板图片输入预训练的卷积网络，提取图片特征；
算法单元，用于提供人工智能算法；
判断单元，分别与所述提取单元和所述算法单元连接，用于根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷；
分析单元，与所述判断单元连接，用于在判断单元的判断结果为存在钢板表面缺陷时，对钢板表面缺陷进行等级确认。
6.根据权利要求5所述的基于计算机视觉的钢板表面缺陷分析装置，其特征在于，
所述判断单元包括：
检测模块，用于将图片特征输入到YOLO模型中，检测出缺陷区域；
判断模块，与所述检测模块连接，用于将缺陷区域提取的特征传递给SVM模型进行分类判定，从而判断出是否存在钢板表面缺陷。
7.根据权利要求5所述的基于计算机视觉的钢板表面缺陷分析装置，其特征在于，
所述分析单元包括：
标注模块，用于对钢板表面缺陷出现的位置进行框体的形式标注，得到框体标注区域；
分类模块，与所述标注模块连接，用于遍历框体标注区域，根据预设的Faster R-CNN分类检测模型、且根据预设置信度阈值对钢板表面缺陷进行分类；
等级确认模块，与所述分类模块连接，用于基于容忍区间和缺陷标准，对分类后的钢板表面缺陷进行钢板表面缺陷等级确认，所述缺陷标准是根据国家标准或用户需求定义的。
8.根据权利要求7所述的基于计算机视觉的钢板表面缺陷分析装置，其特征在于，
所述分析单元还包括训练模块，所述训练模块与所述标注模块连接，用于使用已标注的钢板表面缺陷图像数据集对Faster R-CNN模型进行训练，得到预设的Faster R-CNN分类检测模型。
9.一种基于计算机视觉的钢板表面缺陷检测系统，其特征在于，
包括拼接单元和保存单元，还包括如权利要求5至8任一项所述的基于计算机视觉的钢板表面缺陷分析装置，
所述拼接单元与所述钢板表面缺陷分析装置的分析单元连接，用于将钢板图片及对应的钢板表面评估结果按照设定的顺序进行拼接，得到钢板图片组；
所述保存单元与所述拼接单元连接，用于对钢板图片组进行管理保存。
10.一种基于计算机视觉的钢板表面缺陷分析系统，其特征在于，包括：
设备层，用于提供光源和图像采集设备，以得到钢板照片组，并从钢板照片组中获取钢板图片；
计算机视觉检测平台，与所述设备层连接，用于将钢板图片输入预训练的卷积网络，提取图片特征；
所述计算机视觉检测平台还用于根据图片特征，基于人工智能算法判断出是否存在钢板表面缺陷；
应用层，与所述计算机视觉检测平台连接，用于在计算机视觉检测平台的判断结果为存在钢板表面缺陷时，对钢板表面缺陷进行等级确认。
CN202311132844.7A 2023-09-04 2023-09-04 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 Pending CN117152094A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311132844.7A CN117152094A (zh) 2023-09-04 2023-09-04 基于计算机视觉的钢板表面缺陷分析方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311132844.7A CN117152094A (zh) 2023-09-04 2023-09-04 基于计算机视觉的钢板表面缺陷分析方法、装置及系统

Publications (1)

Publication Number Publication Date
CN117152094A true CN117152094A (zh) 2023-12-01

Family

ID=88886504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311132844.7A Pending CN117152094A (zh) 2023-09-04 2023-09-04 基于计算机视觉的钢板表面缺陷分析方法、装置及系统

Country Status (1)

Country Link
CN (1) CN117152094A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US11341626B2 (en) Method and apparatus for outputting information
CN110084165B (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN107153817B (zh) 行人重识别数据标注方法和装置
KR102166458B1 (ko) 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치
CN110390308B (zh) 一种基于时空对抗生成网络的视频行为识别方法
CN112581443A (zh) 一种风力发电机叶片表面损伤轻量化识别方法
CN113284144B (zh) 一种基于无人机的隧道检测方法及装置
CN110599514B (zh) 图像分割的方法、装置、电子设备及存储介质
CN109376736A (zh) 一种基于深度卷积神经网络的视频小目标检测方法
CN117152094A (zh) 基于计算机视觉的钢板表面缺陷分析方法、装置及系统
CN110334775B (zh) 一种基于宽度学习的无人机线路故障识别方法和装置
CN115719475A (zh) 一种基于深度学习的三阶段轨旁设备故障自动检测方法
Prihatno et al. Metal defect classification using deep learning
CN111178405A (zh) 一种融合多种神经网络的相似物体识别方法
CN113139507B (zh) 一种排水管道缺陷照片自动截取方法及其系统
CN112348011B (zh) 一种车辆定损方法、装置及存储介质
CN110728316A (zh) 一种课堂行为检测方法、系统、装置和存储介质
CN115908952A (zh) 一种基于改进YOLOv5算法的高铁隧道卡具检测方法
CN117011216A (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN115631154A (zh) 一种电力设备状态监控分析方法与系统
CN114757941A (zh) 变电站设备缺陷的识别方法、装置、电子设备及存储介质
CN114782822A (zh) 电力设备的状态检测方法、装置、电子设备及存储介质
CN114627540A (zh) 一种用于会勘会检应用平台的人脸信息识别对比系统
CN114445875A (zh) 基于深度学习的身份识别与人脸比对系统及训练方法
CN114299328A (zh) 一种环境自适应感知的小样本濒危动物检测方法及系统

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