[发明专利]一种基于双流神经网络模型的钢板表面缺陷分类方法

说明书

本发明提供了一种基于双流神经网络模型的钢板表面缺陷分类方法，包括如下步骤：S10建立钢板表面缺陷标准图库；S20待检测图片缺陷分类，将待检测图片导入双流神经网络获得全局优先值以及局部特征值，综合所述全局优先值以及所述局部特征值确定每张所述待检测图片的缺陷类别；以及S30待检测图片缺陷位置判定，使用YOLO网络确定所述分类结果中的缺陷类别所在位置，其中所述YOLO网络中的两个残差网络模块替换为两个特征复用网络模块。本发明的一种双流神经网络模型的钢板表面缺陷分类方法，采用双流神经网络模型首先判断缺陷的类别，后将待检测图片导入YOLO网络预测缺陷位置；双流神经网络和YOLO网络配合提高了缺陷定位精度，提高了检测的效率。

技术领域

本发明涉及钢板缺陷检测技术领域，具体涉及一种基于双流神经网络模型的钢板表面缺陷分类方法。

背景技术

金属板材是机械工业中必不可少的原材料，金属板材的产品质量是决定其价格的关键性指标。由于设备和工艺条件局限等问题的存在，金属板材的表面不可避免地会存在不同形式、不同类别的缺陷，且尺寸大小、缺陷数量及其分布的差异很大。也正是由于表面缺陷的多样性和复杂性，各国钢铁生产企业对表面质量的检测都十分重视，不惜花费巨资改进检测技术、提高检测水平。

根据缺陷的形状，钢板表面常见缺陷可以分为两大类，一是面状缺陷，二是线状缺陷。常见的深度学习模型如retnet模型、空间金字塔模型等均为直接读取图像，通过卷积操作提取图像特征，然后预测缺陷类型。这种算法在进行卷积的过程中只考虑了缺陷的局部特征。

YOLO网络模型最早在2016年被提出，其后面的版本YOLOv3不仅检测速度更快，也更适合小目标的检测。YOLO网络包含24个卷基层，4个最大池化层和两个全连接层。卷基层用来获取图像特征，最大池化层用来缩减图像像素，全连接层用来预测图像类别与位置。YOLO使用全图的特征来对边界框进行预测以及对框内目标分类，这意味着YOLO网络可以使用全图信息，实现同一张图像中的目标分类和目标位置的检测。

YOLO在进行图像检测的过程中，通过多层卷积，可以实现目标的分类与检测。例如，当一张图片中同时存在狗和猫时，YOLO网络既可以对二者进行分类，区分出哪一个是狗，哪一个是猫，其次还可对位置进行定位，使用方形框标注出目标位置。目标检测结果使用置信度值来进行评价，计算公式如下所示。可以看出置信度值为分类概率Pr和IOU值的乘积，二者均属于[0,1]。IOU值为预测框与真实框面积的交并比值。

公告号CN110490842A的发明专利一种基于深度学习的带钢表面缺陷检测方法公开了该方法通过缺陷判断与缺陷归类双流网络模型提取带钢表面的局部信息，并结合尺度金字塔进行综合分析，得到类热图，最终同时得到缺陷的种类与位置，所述缺陷判断与缺陷归类双流网络模型包括缺陷判断分支和缺陷归类分支。

虽然该方法能够进行缺陷的检测，但是此方法仅能检测一种缺陷，对于同时存在两种以上的缺陷的钢板表面仅能反馈一种缺陷类型，提供的数据不足于指导生产。在实际生产中很容易因为判断不准确而不能解决实际生产中的问题，造成缺陷久久存在，必须通过人工检测进行反馈。造成了人力、物力的浪费。

发明内容

为了解决上述问题，本发明提供了一种基于双流神经网络模型的钢板表面缺陷分类方法，采用双流神经网络模型首先判断缺陷的类别，后将待检测图片导入YOLO网络预测缺陷位置；双流神经网络和YOLO网络配合提高了缺陷定位精度，提高了检测的效率。

为了实现以上目的，本发明采取的一种技术方案是：

一种基于双流神经网络模型的钢板表面缺陷分类方法，包括如下步骤：S10建立钢板表面缺陷标准图库；S20待检测图片缺陷分类，将待检测图片导入双流神经网络获得全局优先值以及局部特征值，综合所述全局优先值以及所述局部特征值确定每张所述待检测图片的缺陷类别；以及S30待检测图片缺陷位置判定，使用YOLO网络确定所述分类结果中的缺陷类别所在位置，其中所述YOLO网络中的两个残差网络模块替换为两个特征复用网络模块。