本發(fā)明涉及表面缺陷檢測(cè)，特別涉及一種基于深度學(xué)習(xí)的鋼坯表面小缺陷檢測(cè)方法。

背景技術(shù)：

1、在鋼鐵生產(chǎn)過(guò)程中，鋼坯是基礎(chǔ)的半成品，其表面質(zhì)量直接影響后續(xù)加工和成品的性能，由于設(shè)備和工藝條件局限等問(wèn)題的存在，鋼坯表面不可避免地會(huì)存在不同形式、不同類別的表面缺陷，且尺寸大小、缺陷數(shù)量及其分布的差異很大，給表面缺陷的檢測(cè)帶來(lái)不便。傳統(tǒng)表面檢測(cè)方法是由操作人員使用輔助設(shè)備在指定區(qū)域進(jìn)行人工視覺(jué)檢測(cè)，但是人工檢測(cè)較慢，長(zhǎng)時(shí)間工作易疲勞誤檢，對(duì)于小缺陷或?qū)Ρ榷鹊偷娜毕荩踩菀壮霈F(xiàn)漏檢或誤檢。

2、現(xiàn)有技術(shù)中，多采用基于深度學(xué)習(xí)的缺陷檢測(cè)方法進(jìn)行表面缺陷檢測(cè)工作，但是在鋼坯表面缺陷檢測(cè)中，不同類型的缺陷出現(xiàn)頻率差異較大，導(dǎo)致樣本數(shù)據(jù)存在嚴(yán)重的不平衡問(wèn)題。常見缺陷如氧化皮的樣本相對(duì)較多，而諸如縱裂、微小裂紋等缺陷的樣本較為稀缺，這導(dǎo)致現(xiàn)有的深度學(xué)習(xí)算法在訓(xùn)練過(guò)程中更容易偏向于頻率較高的缺陷類型，而忽略頻率較低的缺陷類型。而且鋼坯表面常常存在微小的缺陷，如細(xì)小裂紋或微小凹坑，這類缺陷的面積小、對(duì)比度低，且在復(fù)雜背景下容易被忽略，導(dǎo)致小缺陷的檢出率偏低。

3、在鋼坯表面缺陷檢測(cè)中，誤檢率是影響檢測(cè)系統(tǒng)性能的重要因素，尤其在氧化皮和縱裂等缺陷之間，由于它們?cè)趫D像中的局部紋理和形態(tài)相似，現(xiàn)有檢測(cè)算法常常出現(xiàn)誤判。氧化皮是常見的表面附著物，而縱裂則是更為嚴(yán)重的結(jié)構(gòu)性缺陷，如果無(wú)法有效區(qū)分這兩類缺陷，可能會(huì)導(dǎo)致大量誤判，進(jìn)而影響生產(chǎn)線的效率和決策。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明是鑒于上述問(wèn)題而進(jìn)行的，其目的在于，提供一種基于深度學(xué)習(xí)的鋼坯表面小缺陷檢測(cè)方法，解決了現(xiàn)有技術(shù)中誤檢率高、漏檢率高和小缺陷檢測(cè)困難的問(wèn)題，通過(guò)yolo?網(wǎng)絡(luò)結(jié)合cbam注意力機(jī)制和空洞卷積，引入bifpn結(jié)構(gòu)構(gòu)建表面缺陷檢測(cè)模型，在處理復(fù)雜背景下的缺陷檢測(cè)中表現(xiàn)出更強(qiáng)的魯棒性，還具備良好的適應(yīng)性與擴(kuò)展性，對(duì)縱裂的小缺陷檢出效果更好，降低了計(jì)算復(fù)雜度，提升了檢測(cè)效率，能夠廣泛應(yīng)用于鋼廠生產(chǎn)線中，實(shí)現(xiàn)工業(yè)質(zhì)量控制的智能化與高效化。

2、具體如下，本發(fā)明的第一方面提供了一種基于深度學(xué)習(xí)的鋼坯表面小缺陷檢測(cè)方法，包括以下步驟：

3、步驟一：采集鋼坯表面的圖像數(shù)據(jù)并進(jìn)行預(yù)處理；

4、步驟二：對(duì)圖像數(shù)據(jù)的缺陷類型進(jìn)行標(biāo)簽標(biāo)注，并將數(shù)據(jù)集劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集；

5、步驟三：進(jìn)行樣本平衡處理，對(duì)缺陷類型進(jìn)行權(quán)重分配，并計(jì)算圖像樣本的權(quán)重；

6、在鋼坯表面缺陷檢測(cè)中，由于不同缺陷類型的樣本出現(xiàn)頻率存在顯著差異，導(dǎo)致樣本不平衡問(wèn)題，故借鑒了yolo算法中的樣本平衡處理技術(shù)，對(duì)樣本進(jìn)行平衡處理，以提升模型對(duì)稀有缺陷類型的檢測(cè)能力。

7、步驟四：以yolo為主干網(wǎng)絡(luò)進(jìn)行特征提取，引入bifpn特征融合結(jié)構(gòu)，再結(jié)合cbam注意力機(jī)制以及空洞卷積，構(gòu)建鋼坯表面缺陷檢測(cè)模型；

8、步驟五：使用所述數(shù)據(jù)集對(duì)鋼坯表面缺陷檢測(cè)模型進(jìn)行訓(xùn)練，測(cè)試并驗(yàn)證模型的缺陷檢測(cè)結(jié)果直至符合預(yù)期。

9、進(jìn)一步地，所述圖像數(shù)據(jù)的采集，具體為根據(jù)鋼坯檢測(cè)區(qū)域的范圍在區(qū)域上方設(shè)置n臺(tái)工業(yè)相機(jī)，在區(qū)域下方設(shè)置m臺(tái)工業(yè)相機(jī)，并在傳送線的兩側(cè)分別設(shè)置一臺(tái)工業(yè)相機(jī)。

10、區(qū)域上方的工業(yè)相機(jī)負(fù)責(zé)捕捉鋼坯的上表面缺陷，區(qū)域下方的工業(yè)相機(jī)負(fù)責(zé)捕捉鋼坯的下表面缺陷，傳送線的兩側(cè)的工業(yè)相機(jī)負(fù)責(zé)捕捉鋼坯兩側(cè)的表面缺陷，通過(guò)多角度的相機(jī)布置，確保對(duì)鋼坯表面的全方位覆蓋，保證檢測(cè)的完整性和準(zhǔn)確性。

11、進(jìn)一步地，所述圖像數(shù)據(jù)采集后，優(yōu)選的，針對(duì)缺陷部分的圖像過(guò)小的情況，從左到右、從上到下按滑動(dòng)窗口將圖像劃分為的小塊，并確保相鄰的兩張圖像重疊15%~25%。

12、進(jìn)一步地，所述預(yù)處理，具體包括圖像的亮度調(diào)整和去噪。

13、進(jìn)一步地，所述缺陷類型，具體包括毛刺、邊裂和縱裂。

14、毛刺是指在鋼坯切割或剪切過(guò)程中，由于設(shè)備故障或操作不當(dāng)，在鋼坯表面形成的不規(guī)則凸起物，通常只會(huì)出現(xiàn)在板坯的上下表面；

15、邊裂是指在鋼坯的邊部出現(xiàn)縱向或曲線形的裂紋，通常表現(xiàn)為沿鋼坯長(zhǎng)度方向的縱向裂紋或山形分布的裂紋，一般發(fā)生在板坯的邊緣區(qū)域；

16、縱裂是指沿鋼坯長(zhǎng)度方向出現(xiàn)的裂紋，通常深度較小，但可能貫穿整個(gè)鋼坯厚度，在板坯中部出現(xiàn)的概率較大，而在邊緣區(qū)域的發(fā)生幾率較低；

17、基于上述缺陷的發(fā)生情況，能夠?qū)Σ煌毕菰O(shè)置個(gè)性化的過(guò)濾條件，如過(guò)濾板坯中間部分的毛刺檢測(cè)，避免誤判；過(guò)濾中部區(qū)域的邊裂，專注于邊緣部分的檢測(cè)；降低中部的縱裂檢出門檻，同時(shí)加強(qiáng)邊緣區(qū)域的縱裂檢出條件，以提高檢測(cè)的靈敏度和準(zhǔn)確性。

18、進(jìn)一步地，所述訓(xùn)練集、測(cè)試集、驗(yàn)證集的劃分比例為8：1：1。

19、進(jìn)一步地，所述步驟三，具體包括：

20、步驟3.1：為每個(gè)缺陷類別分配一個(gè)頻率權(quán)重，并歸一化權(quán)重，公式如下：

21、；

22、；

23、其中：為第i種缺陷類別的頻率權(quán)重；

24、為第i種缺陷類別的數(shù)量；

25、為歸一化后的頻率權(quán)重；

26、為缺陷類別總數(shù)；

27、為第j種缺陷類別的頻率權(quán)重；

28、步驟3.2：通過(guò)上一輪訓(xùn)練模型對(duì)每個(gè)缺陷檢出的平均檢測(cè)精度與頻率權(quán)重計(jì)算出類別權(quán)重，公式如下：

29、；

30、其中：為第i種缺陷類別的類別權(quán)重；

31、為歸一化后的頻率權(quán)重；

32、為第i種缺陷類別的頻率權(quán)重；

33、為模型在第i種缺陷類別上的平均檢測(cè)精度，綜合了精度和召回率；

34、為缺陷類別總數(shù)；

35、步驟3.3：通過(guò)對(duì)每張圖像中各個(gè)缺陷類別的標(biāo)簽進(jìn)行加權(quán)計(jì)算，得出圖像權(quán)重，公式如下：

36、；

37、其中：為第j張圖像的圖像權(quán)重；

38、為第j張圖像中是否存在第i種缺陷類別的標(biāo)簽，存在則為1，不存在則為0；

39、為缺陷類別總數(shù)；

40、為第i種缺陷類別的類別權(quán)重。

41、進(jìn)一步地，所述圖像權(quán)重，需要進(jìn)行裁剪，防止權(quán)重過(guò)于極端，公式如下：

42、；

43、其中：為第j張圖像的圖像權(quán)重。

44、當(dāng)?shù)趈張圖像的圖像權(quán)重在0.2~0.8之間，包括兩端點(diǎn)時(shí)，無(wú)需對(duì)圖像權(quán)重進(jìn)行裁剪，小于0.2則裁剪為0.2，大于0.8則裁剪為0.8。

45、進(jìn)一步地，所述鋼坯表面缺陷檢測(cè)模型，其檢測(cè)過(guò)程具體包括：圖片數(shù)據(jù)輸入后，通過(guò)特征提取網(wǎng)絡(luò)yolo進(jìn)行缺陷區(qū)域特征提取，在yolo的c3模塊中引入cbam注意力機(jī)制使模型更加關(guān)注關(guān)鍵特征區(qū)域，引入空洞卷積以捕捉更多上下文信息，在圖片中按照缺陷所占像素將缺陷按照大小進(jìn)行劃分，最后通過(guò)bifpn特征融合結(jié)構(gòu)達(dá)到對(duì)不同尺度缺陷的檢測(cè)能力，最終進(jìn)行缺陷類型和缺陷大小的結(jié)果輸出，我們可以通過(guò)缺陷大小進(jìn)行面積測(cè)量，已經(jīng)位置定位等功能等特征值的計(jì)算，用于后續(xù)誤檢缺陷的過(guò)濾。

46、進(jìn)一步地，所述缺陷檢測(cè)效果直至符合預(yù)期，具體為：各缺陷類型的綜合檢出正確率達(dá)到95%以上。