(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201710513760.6
(22)申请日 2017.06.29
地址 201900 上海市宝山区牡丹江路1508
号航运大厦五楼2201室
申请人 上海大学
(72)发明人 刘晗 刘志 庄新卿 王向阳
胡嘉成 薛松 袁楚雄 张公俊
(74)专利代理机构 上海天协和诚知识产权代理
事务所 31216
代理人 沈国良
(51)Int.Cl.
G06T 7/00(2017.01)
G06T 7/13(2017.01)
G06T 7/60(2017.01)
G06T 7/62(2017.01)G06K 9/62(2006.01)
(54)发明名称基于深度卷积神经网络的连铸坯表面图像缺陷检测方法(57)摘要本发明公开了一种基于深度卷积神经网络的连铸坯表面图像缺陷检测方法，本方法首先对已知连铸坯图像进行图像块预处理，得到缺陷样本集和正常样本集，将图像块随机取四分之三作为训练集，其余为验证集和测试集；采用深度卷积神经网络对缺陷区域进行分类，并在设定参数下采用训练集和验证集训练网络，对测试集进行图像块分类模型测试，得到准确率高的图像块分类模型；对待检图像进行测试，规定图像中含有缺陷图像块为缺陷图像，采用图像块分类模型对该缺陷图像进行分类预测；对预测结果采用一定的算法判断其真伪，得到真缺陷图像。本方法有效提高了检测效率，减少人工工作量，方便缺陷数据的存储及追溯， 确保了连铸坯的生产质量。权利要求书1页 说明书2页 附图1页CN 109215009 A 2019.01.15
C N 109215009
A
1.一种基于深度卷积神经网络的连铸坯表面图像缺陷检测方法，其特征在于本方法包括如下步骤：
步骤一、对已知连铸坯图像进行预处理，从图像原点开始，从上到下每隔128像素、从左到右每隔7像素依次裁剪256×256像素大小的图像区域作为图像块数据集，将包含完整缺陷的图像块作为缺陷样本集，正常无缺陷的图像块作为正常样本集，将裁剪后的图像块随机取四分之三作为训练集，四分之一作为验证集和测试集，并转换为LMDB格式数据集；
步骤二、采用四层卷积层+三层全连接层+Softmax分类层构成的深度卷积神经网络作为提取特征并分类的网络，在基础学习率0.001、验证间隔550次、验证迭代次数250次以及最大迭代次数15000次参数下用训练集和验证集数据对网络进行训练，然后用训练后的网络对测试集进行图像块分类模型测试，得到准确率高的图像块分类模型；
步骤三、对待检测连铸坯图像进行测试，规定每幅图像中含有一个缺陷图像块，则该整幅图像为缺陷图像，采用图像块分类模型对该缺陷图像进行分类预测；
步骤四、当该缺陷图像被预测为纵裂缺陷时：采用canny算法进行边缘检测；采用轮廓提取方法计算纵裂缺陷轮廓长度；当纵裂缺陷轮廓长度大于常规纵裂缺陷长度阈值时，判定为真纵裂缺陷；当该缺陷图像被预测为其他缺陷时：采用canny算法进行边缘检测；采用轮廓提取方法计算其他缺陷轮廓所围面积；当其他缺陷轮廓所围面积大于常规其他缺陷面积最小值时，判定为真其他缺陷。
2.根据权利要求1所述的基于深度卷积神经网络的连铸坯表面图像缺陷检测方法，其特征在于：所述待检测连铸坯图像的像素为1320×1080，其中含有缺陷图像块的像素为256×256。
权 利 要 求 书1/1页CN 109215009 A
基于深度卷积神经网络的连铸坯表面图像缺陷检测方法
技术领域
[0001]本发明涉及一种基于深度卷积神经网络的连铸坯表面图像缺陷检测方法。
背景技术
[0002]在连铸坯生产中，因生产工艺影响，难免会产生裂纹、异物或凹陷等各类缺陷，严重的缺陷会对下一道轧制工艺产生不良的影响，因此连铸坯表面图像应用于缺陷检测非常重要。传统的连铸坯表面图像的缺陷检测由人工读片完成，虽然有一定的准确度，但是成本较高，且人工工作量大，效率低，不利于缺陷数据的存储及追溯，因此连铸坯表面图像实现自动化缺陷检测并标注，对连铸坯的生产具有重要的意义。
发明内容
[0003]本发明所要解决的技术问题是提供一种基于深度卷积神经网络的连铸坯表面图像缺陷检测方法，本方法克服传统人工读片进行连铸坯图像检测的缺陷，有效提高了检测效率，减少人工工作量，方便缺陷数据的存储及追溯，确保了连铸坯的生产质量。
[0004]为解决上述技术问题，本发明基于深度卷积神经网络的连铸坯表面图像缺陷检测方法包括如下步骤：
步骤一、对已知连铸坯图像进行预处理，从图像原点开始，从上到下每隔128像素、从左到右每隔7像素依次裁剪256×256像素大小的图像区域作为图像块数据集，将包含完整缺陷的图像块作为缺陷样本集，正常无缺陷的图像块作为正常样本集，将裁剪后的图像块随机取四分之三作为训练集，四分之一作为验证集和测试集，并转换为LMDB格式数据集；
步骤二、采用四层卷积层+三层全连接层+Softmax分类层构成的深度卷积神经网络作为提取特征并分类的网络，在基础学习率0.001、验证间隔550次、验证迭代次数250次以及最大迭代次数15000次参数下用训练集和验证集数据对网络进行训练，然后用训练后的网络对测试集进行图像块分类模型测试，得到准确率高的图像块分类模型；
步骤三、对待检测连铸坯图像进行测试，规定每幅图像中含有一个缺陷图像块，则该整幅图像为缺陷图像，采用图像块分类模型对该缺陷图像进行分类预测；
步骤四、当该缺陷图像被预测为纵裂缺陷时：采用canny算法进行边缘检测；采用轮廓提取方法计算纵裂缺陷轮廓长度；当纵裂缺陷轮廓长度大于常规纵裂缺陷长度阈值时，判定为真纵裂缺陷；当该缺陷图像被预测为其他缺陷时：采用canny算法进行边缘检测；采用轮廓提取方法计算其他缺陷轮廓所围面积；当其他缺陷轮廓所围面积大于常规其他缺陷面积最小值时，判定为真其他缺陷。
[0005]进一步，所述待检测连铸坯图像的像素为1320×1080，其中含有缺陷图像块的像素为256×256。
由于本发明基于深度卷积神经网络的连铸坯表面图像缺陷检测方法采用了上述技术方案，即本方法首先对已知连铸坯图像进行图像块预处理，得到缺陷样本集和正常样本集，将图像块随机取四分之三作为训练集，其余为验证集和测试集；采用深度卷积神经网络对
缺陷区域进行分类，并在设定参数下采用训练集和验证集训练网络，对测试集进行图像块分类模型测试，得到准确率高的图像块分类模型；对待检图像进行测试，规定图像中含有缺陷图像块为缺陷图像，采用图像块分类模型对该缺陷图像进行分类预测；对预测结果采用一定的算法判断其真伪，得到真缺陷图像。本方法克服传统人工读片进行连铸坯图像检测的缺陷，有效提高了检测效率，减少人工工作量，方便缺陷数据的存储及追溯，确保了连铸坯的生产质量。
附图说明
[0006]下面结合附图和实施方式对本发明作进一步的详细说明：
图1为本发明基于深度卷积神经网络的连铸坯表面图像缺陷检测方法原理框图。
具体实施方式
[0007]实施例如图1所示，本发明基于深度卷积神经网络的连铸坯表面图像缺陷检测方法包括如下步骤：
步骤一、对已知连铸坯图像进行预处理，从图像原点开始，从上到下每隔128像素、从左到右每隔7像素依次裁剪256×256像素大小的图像区域作为图像块数据集，将包含完整缺陷的图像块作为缺陷样本集，正常无缺陷的图像块作为正常样本集，将裁剪后的图像块随机取四分之三作为训练集，四分之一作为验证集和测试集，并转换为LMDB格式数据集；
步骤二、采用四层卷积层+三层全连接层+Softmax分类层构成的深度卷积神经网络作为提取特征并分类的网络，在基础学习率0.001、验证间隔550次、验证迭代次数250次以及最大迭代次数15000次参数下用训练集和验证集数据对网络进行训练，然后用训练后的网络对测试集进行图像块分类模型测试，得到准确率高的图像块分类模型；
步骤三、对待检测连铸坯图像进行测试，规定每幅图像中含有一个缺陷图像块，则该整幅图像为缺陷图像，采用图像块分类模型对该缺陷图像进行分类预测；
步骤四、当该缺陷图像被预测为纵裂缺陷时：采用canny算法进行边缘检测；采用轮廓提取方法计算纵裂缺陷轮廓长度；当纵裂缺陷轮廓长度大于常规纵裂缺陷长度阈值时，判定为真纵裂缺陷；当该缺陷图像被预测为其他缺陷时：采用canny算法进行边缘检测；采用轮廓提取方法计算其他缺陷轮廓所围面积；当其他缺陷轮廓所围面积大于常规其他缺陷面积最小值时，判定为真其他缺陷。
[0008]优选的，所述待检测连铸坯图像的像素为1320×1080，其中含有缺陷图像块的像素为256×256。
[0009]本方法扩充并建立连铸坯表面图像块数据集，方便之后用深度卷积神经网络对图像块进行分类，克服了实际图像亮度分布不均、缺陷位置不断变化对图像检测的影响；且连铸坯表面图像中可能有多种缺陷，且部分缺陷图像与正常图像较为类似，本方法通过图像块分类模型对缺陷图像与正常图像作出精准区分，提高了缺陷图像的检出率。
[0010]本方法创新地将深度卷积神经网络应用到钢铁连铸坯的缺陷检测当中，在图像块数据集上获得较高准确率的同时结合轮廓提取方法对连铸坯整幅图像进行自动分类，具有相当好的鲁棒性，性能可靠，漏检率低，实现连铸坯图像的自动分类，提高现场工艺人员的工作效率。
图1
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议