[发明专利]一种板带钢表面质量缺陷的识别方法

说明书

本发明提供一种板带钢表面质量缺陷的识别方法，构建基于EfficientDet‑D4检测框架的神经网络模型作为缺陷识别的检测模型，通过神经网络模型输出预检测带钢图像缺陷的位置及种类；本发明基于EfficientDet‑D4网络，利用mosaic及一些列数据增强方法丰富带钢缺陷数据，提高模型鲁棒性，并调整mosaic适配带钢图像，相比原始mosaic，单批次训练送入更多数据同时防止过度缩放降低小目标检测精度；修改网络损失函数，采用CIoU Loss并对正样本的选取机制做出适当调整，通过使用差分进化算法，学习率逐步变化的策略进行网络超参数调优，进一步提高了目标识别的精度。

技术领域

本发明属于轧钢自动控制技术领域，具体涉及一种板带钢表面质量缺陷的识别方法。

背景技术

冷轧带钢表面质量的好坏作为衡量冷轧产品的一项重要指标。近年来已备受钢铁企业关注。表面缺陷对产品的美观度、舒适度和使用性能等带来不良影响，企业对产品的表面缺陷进行检测以便及时发现并加以控制。冷轧带钢生产工艺复杂,影响冷轧带钢表面量的因素众多，如带钢原料问题、设备问题和加工工艺等，最终会在带钢表面出现辊印、划痕、擦伤等不同类型的缺陷。传统人工检测方法存在准确性低、实时性差、效率低等问题。基于机器视觉的检测方法可以很大程度上克服以上问题，在现代工业中得到越来越广泛的研究和应用。

对带钢表面进行图像识别对识别的速度以及精度要求极高，目前有多种检测方法应用于带钢缺陷检测方面。如中国专利“CN113628189A一种基于图像识别的快速带钢划痕缺陷检测方法”，通过检测获取图像，对图像进行一系列平滑、增强缺陷细节、提高对比度等处理；对图像进行分块处理，并将子块图像按照顺序进行序号标记，再按照序号依次利用子块图像的灰度直方图统计子块的灰度级总数、灰度均值、偏态系数SK以及灰度级距离D；利用偏态系数SK和灰度级距离D判断每个子块是否含有划痕缺陷，并对含有缺陷的子块图像进行统计。中国专利“CN107784323A，一种基于局部不相关约束的带钢表面缺陷图像识别分类方法”，用图像预处理后的向量数据点构成矩阵数据X，建立异类局部近邻特征线L(X)，然后计算局部同类散度矩阵S和局部异类散度矩阵S，构建局部边距S，建立与局部同类散度矩阵S不相关约束，寻找正交和局部不相关的特征子空间，实现局部边距S的最大化。中国专利“CN103745234A，一种带钢表面缺陷的特征提取与分类方法”，获得基准采样图像，构造灰度大小-方向共生矩阵；用K-最近邻和R-最近邻相结合的方法，修剪训练样本集获得多类别分类器模型，借此完成缺陷的自动识别。

上述检测方法大多以传统的算法为主，通过相对复杂的图像处理手段人工调校，针对不同问题要对处理手段做出相应的调整，如专利“CN113628189A一种基于图像识别的快速带钢划痕缺陷检测方法”，所述方案只针对划痕，对于灰度和环境差异跨度大的缺陷可能效果较差，且对于边缘较复杂的大块缺陷方案调整会更复杂；专利“CN107784323A，一种带钢表面缺陷的特征提取与分类方法”、“CN103745234A，一种带钢表面缺陷的特征提取与分类方法”，则有着对噪声敏感及计算量偏大的问题。

发明内容

基于上述问题，本发明提供一种板带钢表面质量缺陷的识别方法，使用以EfficientNet作为特征提取网络的EfficientDet-D4框架，将损失函数更换为CIoU Loss，同时采取数据增强等手段扩充数据，用差分进化算法等方法进行先验框，学习率等参数的调优，来提高模型训练速度，提高对带钢表面缺陷图像识别的准确性与效率

本发明提供的一种板带钢表面质量缺陷的识别方法，包括：

步骤1：采集带有表面缺陷的板带钢图像，制作样本数据集；

步骤2：构建基于EfficientDet-D4检测框架的神经网络模型并进行训练；

步骤3：将预检测的带钢图像作为训练后的神经网络模型的输入，通过神经网络模型输出缺陷的位置及种类。

所述步骤1包括：