[发明专利]一种冷轧钢卷端面的状态检测方法及装置

说明书

本发明提供了一种冷轧钢卷端面状态的检测方法及装置，应用于钢卷端面检测领域，在获取待检测的冷轧钢卷端面的图像之后，将冷轧钢卷端面的图像输入训练好的卷积神经网络(ConvolutionalNeuralNetworks,CNN)冷轧钢卷端面检测模型，CNN冷轧钢卷端面检测模型对冷轧钢卷端面的图像进行特征提取，得到冷轧钢卷端面的图像特征，并基于冷轧钢卷端面的图像特征输出冷轧钢卷端面的状态检测结果，其中，冷轧钢卷端面的状态检测结果用于指示所述冷轧钢卷端面是松卷状态或紧实状态，通过CNN冷轧钢卷端面检测模型实现了对冷轧钢卷端面的状态全检测，提高了对冷轧钢卷端面的状态检测效率和准确率。

技术领域

本发明属于钢卷端面检测领域，尤其涉及一种冷轧钢卷端面的状态检测方法及装置。

背景技术

冷轧钢卷是钢铁生产的一种重要产品。对于端面状态异常的冷轧钢卷，即松卷钢卷，空气中水汽很容易接触钢材，造成钢铁产品锈蚀和质量降低，并且不稳定的状态也会增大转运及后续加工使用的难度，甚至导致运输途中及生产加工中的安全事故，所以对冷轧钢卷端面的状态检测十分重要。

现有技术中，通过人工对冷轧钢卷端面的状态进行检测，但是冷轧钢卷产量极大，人工检测存在检测效率低、检测错误等问题。

因此，为了应对检测效率低、检测错误等问题，提高对冷轧钢卷端面的状态检测效率和准确率成为本领域科研人员亟待解决的技术问题。

发明内容

鉴于上述问题，本申请提出了一种冷轧钢卷端面的状态检测方法及装置，为了提高对冷轧钢卷端面的状态检测效率和准确率，具体方案如下：

一种冷轧钢卷端面的状态检测方法，包括：

获取待检测的冷轧钢卷端面的图像；

将所述冷轧钢卷端面的图像输入训练好的卷积神经网络CNN冷轧钢卷端面检测模型，所述CNN冷轧钢卷端面检测模型对所述冷轧钢卷端面的图像进行特征提取，得到所述冷轧钢卷端面的图像特征，并基于所述冷轧钢卷端面的图像特征输出所述冷轧钢卷端面的状态检测结果，所述冷轧钢卷端面的状态检测结果用于指示所述冷轧钢卷端面是松卷状态或紧实状态。

可选的，所述CNN冷轧钢卷端面检测模型的结构，包括：

卷积层模块、池化层模块和全连接层模块，所述卷积层模块包括第一卷积层和第二卷积层；所述池化层包括第一池化层和第二池化层；所述全连接层包括第一全连接层、第二全连接层和第三全连接层。

可选的，所述CNN冷轧钢卷端面检测模型对所述冷轧钢卷端面的图像进行特征提取，得到所述冷轧钢卷端面的图像特征，并基于所述冷轧钢卷端面的图像特征输出所述冷轧钢卷端面的状态检测结果，包括：

在所述卷积层对所述冷轧钢卷端面的图像进行特征提取和边缘填充，得到所述冷轧钢卷端面的第一特征图；

在所述池化层对所述冷轧钢卷端面的第一特征图进行数据降维，得到所述冷轧钢卷端面的第二特征图，所述冷轧钢卷端面的第二特征图包括所述冷轧钢卷端面的图像特征；

在所述全连接层建立所述冷轧钢卷端面的图像特征与预设的分类标签之间的映射关系，计算所述冷轧钢卷端面的状态分类概率，并将所述冷轧钢卷端面的状态分类概率转化输出所述冷轧钢卷端面的状态检测结果。

可选的，所述CNN冷轧钢卷端面检测模型的训练方式，包括：

获取训练用冷轧钢卷端面的图像，所述训练用冷轧钢卷端面的图像已标注所述训练用冷轧钢卷端面的状态，所述训练用冷轧钢卷端面的状态包括松卷状态和紧实状态；

将所述训练用冷轧钢卷端面的图像以4：1的比例和交叉验证的方法划分为第一训练用冷轧钢卷端面的图像和第二训练用冷轧钢卷端面的图像；