[发明专利]一种基于深度学习的带钢缺陷检测方法

权利要求书

1.一种基于深度学习的带钢缺陷检测方法，其特征在于，包括如下步骤：

步骤1、收集带钢的图像数据集，并对图像数据集中带钢图像的数据进行清洗；

步骤2、将数据集中的带钢图像随机划分为训练集和测试集，并使用ImageNet数据集的方差与均值进行正则化；

步骤3、仿照U-Net的架构构建模型；编码器使用在ImageNet数据集上预训练好的ResNet50网络，并在每次下采样之前插入高斯低通滤波器；解码器为5个解码器模块堆叠而成；

步骤4、对步骤3构建的模型进行训练；训练时输入的带钢图像数据会进行随机数据增强；训练结束后，在测试集上进行测试，检测模型的训练结果是否满足要求。

2.根据权利要求1所述的一种基于深度学习的带钢缺陷检测方法，其特征在于，步骤2采取以下步骤：

步骤2.1、随机地震图像将数据集划分为训练集和测试集；

步骤2.2、将训练接的每张分辨率为256×1600的带钢图像，切分为四张256×400的小图像。

3.根据权利要求1所述的一种基于深度学习的带钢缺陷检测方法，其特征在于，步骤3具体包括以下步骤：

步骤3.1、构建编码器部分；使用在ImageNet数据集上训练好的ResNet50作为模型解码器；在ResNet50的每次下采样操作前插入高斯低通滤波器模块；在该模块中，首先使用高斯低通滤波器降低特征图的频率，使下采样后的特征图更为清晰；之后让高斯低通滤波器处理前的特征图与处理后的特征图做差，计算出损失的高频信息，为解码器部分的输入做准备；

步骤3.2、构建解码器部分；该解码器以U-Net的解码器结构作为主体结构，由五个解码器模块组成；这五个解码器模块会将编码器输出的特征图进行连续的上采样，直到特征图恢复至原图大小，最终输出的结果即为缺陷的识别结果；前四个解码器模块的输入会与编码器的输出特征图进行拼接，综合利用高层级与低层级的语义信息，以获得更好的分割结果；在原U-Net解码器的基础上，前四个解码器模块的输入还会加上编码器中对应高斯低通滤波器去除的高频信息，以避免细节信息的损失；最后一个解码器不接受编码器的输入。

4.根据权利要求1所述的一种基于深度学习的带钢缺陷检测方法，其特征在于，步骤4具体包括以下步骤：

步骤4.1、对构建好的模型进行训练，使用标准的Adam优化算法对模型进行训练；模型总共训练100个epoch，batch size为10；训练的初始学习率为0.01，随着训练的epoch线性衰减；训练使用的损失函数为FocalLoss损失函数，缓解数据集类别不均衡的问题；

步骤4.2、训练时对输入的数据进行数据增强，以增加数据多样性；数据增强会随机使用以下一种策略进行：不做增强、随机进行竖直方向或水平方向的翻转，顺时针或逆时针在5°范围内的随机旋转，随机的高斯噪声，直方图均衡、图像锐化；之后使用数据集的均值与标准差，对图像进行标准化处理；

步骤4.3、在训练到80个epoch后，每个epoch训练完毕后，会使用五折交叉验证的方法测试模型精度；选择其中精度最高的模型作为结果；

步骤4.4、训练结束后，在测试集上验证模型是否有效。