[发明专利]一种高灵敏度的热轧钢卷端面缺陷识别系统及方法

权利要求书

1.一种高灵敏度的热轧钢卷端面缺陷识别系统，其特征在于，包括：数据集处理模块、模型灵敏度指标判断模块和复检模块；

数据集处理模块，采集热轧钢卷端面图像，制作热轧钢卷端面缺陷数据集，对能够体现热轧钢卷端面缺陷识别的数据集处理，通过端面图像识别模型训练数据集，得到训练结果；

模型灵敏度指标判断模块，根据数据集处理模块得到的训练结果生成混淆矩阵的形式，根据得到端面缺陷识别模型的灵敏度值，判断其是否符合预期的缺陷识别模型灵敏度值大于0.8的高灵敏度需求；若缺陷识别模型灵敏度值没有达到需求，则该模块为前期的工作不合格，需要对数据集或识别模型进行改进，若灵敏度值达到需求，则判断缺陷识别模型的F1值是否符合预期大于0.85的要求，若F1值没有达到0.85，则对缺陷识别模型进行复检；若F1值大于0.85，则可认为该缺陷识别模型符合产品需求；

复检模块，缺陷识别模型的综合指标F1值未达标或者某个缺陷类别的F1值和识别灵敏度未达标，则认为是数据集出现问题，将对数据集进行重新标记并重新训练，直至得到满足需求的高灵敏度缺陷识别系统。

2.根据权利要求1所述的高灵敏度的热轧钢卷端面缺陷识别系统，其特征在于：所述数据集处理模块具体实现以下：

步骤(1)热轧钢卷端面图像的采集以及制作数据集，通过工业相机现场采集热轧钢卷端面图像，将采集的图像分为正常、花纹边、边损、边裂、折叠和毛刺共6种类别，对采集的图像进行特征标定，将图像划分到6种类别中各自的类别中；

步骤(2)构建端面图像识别模型Faster R CNN，对该识别模型进行改进，将准备的数据集导入该缺陷识别模型进行训练，当该缺陷识别模型的准确率稳定时停止训练，训练完成后对一组端面图像进行识别测试，得出该缺陷识别模型的训练结果。

3.根据权利要求2所述的高灵敏度的热轧钢卷端面缺陷识别系统，其特征在于：所述改进的高识别率神经网络模型的包括：

设置好Faster R CNN网络模型的卷积和采样使用的次数，卷积核的尺寸设置为3*3，卷积步长为2，将卷积操作设置为普通卷积操作和深度可分离卷积操作的组合，深度卷积实现通道与通道一对一的特征提取，普通卷积将通道卷积得到的特征信息进行融合，深度可分离卷积能保证识别模型精确度，同时能减小模型参数量；改进后的Faster R CNN由输入层、改进的卷积层、池化层、全连接层组合而成；输入层作为神经网络的入口接收用于训练的钢卷端面数据集；卷积层的叠加能提取更高级的钢卷端面缺陷特征信息；池化层降低缺陷识别模型的复杂度；全连接层将提取的缺陷特征结合并且进行分类；所述改进的卷积层为：在主干网络中的卷积部分加入特征融合模块和改进的RFB模块，具体内容是将缺陷识别模型的第一个特征提取层换成38*38大小来检测小目标缺陷，为了提高感受野，将38*38的特征层与19*19的特征层进行融合，建立两个特征层之间的联系，同时用DIOU loss替换SmoothL1 loss作为位置回归损失函数，提高算法的收敛速度和精度。