[发明专利]一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置

说明书

本发明提供一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置，能够提高金属板带表面缺陷检测的准确率。方法包括：采集用于训练Faster R‑CNN网络的金属板带表面的图像；对采集到的金属板带表面的图像进行数据增强；将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取矩形框的坐标与矩形框所包含缺陷的种类；根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R‑CNN网络进行训练；实时采集待检测的金属板带表面图像，根据训练好的Faster R‑CNN网络，实时检测金属板带表面是否有缺陷，并对检测到的缺陷进行分类和定位。本发明适用于机器视觉技术领域。

技术领域

本发明涉及机器视觉技术领域，特别是指一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置。

背景技术

金属板带是汽车、机械制造、化工、航空航天和造船等行业不可缺少的原材料。金属板带表面缺陷是指金属板带在生产加工的过程中，由于工艺或其它各种原因致使金属板带表面局部区域物理或化学性质不均匀。常见的金属板带表面缺陷有辊印、污渍、划痕、孔洞、漏涂、凹陷、气泡、异物、剥落等。表面缺陷是原子活性较高的部位，常常成为金属腐蚀的始发处，表面缺陷的存在会大大降低零件的抗疲劳强度，有损零件表面的质量，影响机器、仪器的使用性能和寿命，影响其最终产品的性能和质量。因此及时检测金属板带表面缺陷，对缺陷进行严重程度评价，对于提高表面质量和产品经济效益有着重要意义。

随着我国工业化水平的不断发展，对金属板带表面质量的要求也越来越高，如何快速准确地检测出表面缺陷成为金属板带轧制过程中非常关键的一个环节。目前主流的表面缺陷检测技术均为以图像处理为基础的机器视觉技术，基本分为两步：

(1)先对通过工业相机获得的图像进行处理，然后提取特征，这一步的方法主要有统计法、结构法、频谱法、模型法等四类，其中使用较为广泛的是统计法与频谱法[2]；

(2)通过训练好的分类器，对(1)提取的特征进行分类，目前使用较多的分类器有BP神经网络，SVM等。

但这些方法均存在着缺陷和非缺陷区域之间的低对比度，噪音和细微缺陷的相似性，检测速度慢和识别精度低等难题，无法满足工业生产的准确性和性要求。

发明内容

本发明要解决的技术问题是提供一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置，以解决现有技术所存在的无法满足工业生产的准确性和实时性要求的问题。

为解决上述技术问题，本发明实施例提供一种基于Faster R-CNN网络的金属板带表面缺陷检测方法，包括：

采集用于训练Faster R-CNN网络的金属板带表面的图像；

对采集到的所述金属板带表面的图像进行数据增强；

将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类；

根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R-CNN网络进行训练；

实时采集待检测的金属板带表面图像，根据训练好的Faster R-CNN网络和实时采集到的待检测的金属板带表面图像，实时检测金属板带表面是否有缺陷，并对检测到的缺陷进行分类和定位。

进一步地，所述对采集到的所述金属板带表面的图像进行数据增强包括：

通过翻转、平移策略对采集到的所述金属板带表面的图像进行数据增强。