[发明专利]一种基于深度学习的金属板材表面缺陷检测方法

权利要求书

1.一种基于深度学习的金属板材表面缺陷检测方法，其特征在于，所述方法包括：

在多个金属板材经过第一或第二处理工序后的预定时间时，获取每个所述金属板材的照片，并进行板材目标检测，输出去除背景后的原始尺寸的板材区域图合集；其中，第一处理工序依次包括碱洗和水洗工序，第二处理工序依次包括酸洗和水洗工序；

对所述原始尺寸的板材区域图合集进行表面颜色识别，若颜色合格，则对所述原始尺寸的板材区域图合集进行板材水膜检测；否则重新执行所述第一或第二处理工序；

若检测出板材表面附着的水膜破裂，则说明板材表面的洁净度和平整度不合格，重新执行所述第一或第二处理工序。

2.根据权利要求1所述的基于深度学习的金属板材表面缺陷检测方法，其特征在于，所述对所述原始尺寸的板材区域图合集进行板材水膜检测，包括，对于所述原始尺寸的板材区域图合集中的每个原始图像：

使用第二卷积核对所述原始图像进行边界平滑处理；

将平滑后的图像转化为灰度图，并使用第三卷积核进行高斯滤波，其中所述第三卷积核定义为：

提取滤波后的图像的边缘信息并进行处理，输出板材边缘轮廓线；

利用所述板材边缘轮廓线在所述原始图像中对背景区域进行反向清除，输出清除背景及边缘的板材内部区域图；

对所述板材内部区域图进行缩放切片处理，输出板材切片图集；

将所述板材切片图集中的每个切片送入板材水膜破裂检测卷积神经网络中，输出板材水膜破裂切片标记合集；

将所述板材水膜破裂切片标记合集进行合并复原，输出板材检测结果全图。

3.根据权利要求1所述的基于深度学习的金属板材表面缺陷检测方法，其特征在于，所述对所述原始尺寸的板材区域图合集进行表面颜色识别，包括，对于所述原始尺寸的板材区域图合集中的每个原始图像：

将所述原始图像从RGB颜色空间转换为HSV颜色空间，并进行三色通道分离；

对V通道图像中低于亮度阈值的图像进行亮度增强处理，并将处理后的三色通道重新合并；

使用第一卷积核对合并后的图像做卷积，实现图像的钝化处理，所述第一卷积核定义为：

利用色域字典对钝化后的图像进行色域分区，提取对应色域所占范围，生成色域对应的RGB颜色掩膜集合；其中，所述色域字典包括每个色域对应的HSV上限值和HSV下限值；

对所述RGB颜色掩膜集合进行合并，压缩为每个所述原始图像对应的板材颜色地图。

4.根据权利要求2所述的基于深度学习的金属板材表面缺陷检测方法，其特征在于，所述使用第二卷积核对所述原始图像进行边界平滑处理，包括：

第二卷积核定义为：

使用所述第二卷积核对所述原始图像做卷积，并求取所述第二卷积核中“1”覆盖区域的最大值，表达式为：

其中，(x,y)为第二卷积核锚点位置的像素坐标，(x’,y’)为第二卷积核中锚点周围像素相对于锚点的坐标偏移量，BoardRoi(·)为原始图像，BoardRoiPro4_(x,y)为第一次边界平滑后的处理结果图；

使用所述第二卷积核对所述第一次边界平滑后的处理结果图做卷积，并求取所述第二卷积核中“1”覆盖区域的最小值，表达式为：

其中，BoardRoiPro5_(x,y)为第二次边界平滑后的处理结果图。

5.根据权利要求2所述的基于深度学习的金属板材表面缺陷检测方法，其特征在于，所述提取滤波后的图像的边缘信息并进行处理，输出板材边缘轮廓线，包括：

使用Canny边缘检测算法对滤波后的图像进行边缘提取操作，输出板材边缘信息图；

利用霍夫变换检测法对所述板材边缘信息图进行线段拟合操作，输出板材线段拟合信息表；

对所述板材线段拟合信息表中的相交线段进行短边修剪操作，输出修剪后的线段拟合信息表；

根据所述修剪后的线段拟合信息表中的线段计算并输出板材边缘轮廓线。