[发明专利]一种基于跨阶段局部网络的带钢表面缺陷检测方法

说明书

本发明公开了一种基于跨阶段局部网络的带钢表面缺陷检测方法，属于带钢表面缺陷检测技术领域。本发明方法包括：构建带钢表面缺陷检测的数据集，数据集中包含12种带钢表面缺陷；基于深度神经网络模型YOLOv4改进构建CSP‑YOLO网络模型，用于检测带钢表面缺陷；对CSP‑YOLO模型进行训练和测试，输出最优模型对采集的带钢图片进行缺陷位置和种类检测。本发明方法解决了现有检测技术或多或少具有的检测速度慢、可检测缺陷种类少、检出率和分类正确率低、对小目标检测不友好的问题，不仅能够识别12种带钢表面缺陷，提高了带钢表面缺陷的检测准确性，还提高了缺陷检测速度，非常适用于实际生产使用。

技术领域

本发明涉及计算机图像处理、图像信息识别以及带钢表面缺陷检测的技术领域，特别涉及一种基于跨阶段局部网络的带钢表面缺陷检测方法。

背景技术

钢铁是众多工业应用的重要基础材料之一。在评价钢铁的质量环节中，表面质量是相当重要的参数之一，对于带钢产品尤是如此。在实际生产过程中，由于轧制技术和生产参数的多方面原因，会使得带钢表面出现裂痕、擦伤、氧化、翘皮等众种类型的表面缺陷，这些缺陷有的会降低产品的强度、抗疲劳程度和抗拉伸强度，有的会影响产品的表面的美观性。进而影响企业的经济效益和生产效率。

带钢表面缺陷检测在技术历程上主要分为四个阶段：

第一阶段，采用人工检测的方法。该阶段采用人工检测的方式，由于人工检测效率低、检测人员难以持续集中注意力和检测结果可信度低等缺点，实际有效检测表面积只能占到总表面积的0.05。人工检测不足以保证产出带钢表面无缺陷。

第二节阶段，自动化检测的尝试。上世纪70年代初，由于CCD相机的问世、采用CCD(Charge-coupled Device)相机作为成像元件的、基于机器视觉的热轧带钢表面缺陷检测系统开始在得到研究和发展，并逐渐在生产企业在得到应用。但是局限于计算机处理能力和处理算法的不足，还处于探索性实验的阶段。

第三阶段，技术成熟的大规模应用。随着基于机器视觉的热轧带钢缺陷检测系统的长足研究，系统基本架构得到确定，结合图像处理技术的发展。该类型检测系统成为了学术研究和企业应用的主流方向。结合不同的图像处理技术，比如基于统计方法的边缘检测、霍夫变换；基于频谱方法的傅里叶变换、Gabor滤波器，开发出了针对各种缺陷的检测系统，并在各大钢铁企业中得到了广泛的应用。但是上述方法也存在着各式各样的问题：如，边缘检测方法基于人工设计特征构建的边缘检测算子仅能识别边缘明显和输入类别较少的目标，对于缺陷形状复杂和缺陷类别较多的输入识别效果较差。霍夫变换在提取线条形状的缺陷具有很强的抗干扰能力，但是带钢的表面缺陷往往不止一种。傅里叶变换通过将空间域的图像转为频域的信号进行缺陷检测，但是其缺乏描述空间上局部信息的能力，大部分局部特征无法被捕捉到，使得输入中的小目标往往被漏检。Gabor滤波器弥补了傅里叶变换的小目标检测的问题，但是其由于其只能提取到较为单一的特征，缺陷分类效果难以达到要求；计算较为复杂，难以满足实时性的要求。

第四阶段，普适的检测系统的新探索。传统的基于机器视觉的带钢缺陷检测方法--基于人工设计缺陷特征的图像处理技术，具有可检测缺陷种类少、缺陷识别准确度较低、小目标缺陷检测困难和检测速度慢一系列缺陷。自2012年以来，借助于深度学习技术发展，出现了许多基于深度学习的带钢表面缺陷检测方法，比如Faster-RCNN系列算法和YOLO系列算法,显著提高了缺陷检出率和分类正确率。但是对于小目标的检测和检测速度难以满足要求。

Faster-RCNN缺陷检测方法(参考文献1：基于深度学习的表面缺陷检测方法综述[J].陶显侯伟徐德.自动化学报.2020)虽然显著提升了缺陷的检出率和分类准确度，但是由于其两阶段检测算法的复杂性，检测速度较慢，难以满足实时性的要求。

YOLO缺陷检测方法(参考文献2：基于改进YOLOv3算法的带钢表面缺陷检测[J].李维刚叶欣赵云涛王文波.电子学报.2020,48(07))为典型的一阶段检测算法，在检测速度上能够满足实时性的要求，但是牺牲了一定的检测准确度，对于小目标缺陷的检出率较低。