论文部分内容阅读
钢铁生产技术是衡量一个国家工业发展水平的重要标准,相关产品如薄板、带钢、棒材被广泛应用于建筑、机械、船舶、汽车、军工、家电等制造行业。随着国民经济的发展,中国钢铁企业逐渐从扩产能向着智能化、精细化、高附加值的生产模式转变。钢板表面缺陷检测与字符识别系统作为保证钢材产品质量,实现智能化生产的重要技术手段,持续受到钢铁企业的重视和研究。目前,钢板表面缺陷检测系统主要应用于表面质量较好的冷轧带钢、镀锌板生产线,在中厚板、热轧带钢等表面相对复杂的生产线应用较少,主要原因是现有缺陷检测算法对于复杂缺陷图像的识别能力有限,识别结果易受图像背景影响,稳定性不足。字符识别系统在钢铁行业应用较晚,主要原因同样是字符识别算法鲁棒性不足,对于图像背景复杂、模式多样的钢板表面字符识别精度较低,无法满足企业要求。近年来,随着计算力的提升与大规模数据集的建立,深度学习方法以其较高的识别精度、良好的泛化能力受到了广泛的关注与研究。在训练样本充足的情况下,深度学习方法识别精度与鲁棒性均远超传统算法。因此,为了提升钢板表面缺陷检测系统与字符识别系统精度,本文主要对基于深度学习的钢板表面缺陷检测分类与字符识别算法进行研究。研究成果如下:(1)针对钢板表面缺陷图像类内差异性大、形态复杂等问题,提出了基于多尺度感受野、图像重构、特征降维的缺陷分类方法。该方法通过融合具有不同尺度感受野的特征图,实现了复杂钢板表面缺陷图像的表征。引入了图像重构误差,帮助预训练模型在目标域图像与源域图像存在明显特征差异的情况下,编码输入图像特征。引入了基于自编码器的特征降维结构,降低底层特征维数,提升网络的泛化能力。实验结果表明,本文所提方法在中厚板与热轧带钢表面缺陷图像分类中分别取得了 98.5%与95.7%的分类精度,相比于直接采用预训练模型进行训练分别提升2.2%与2.0%。(2)针对深度学习目标检测算法在钢板表面缺陷检测中召回率低、缺陷定位不准确、可解释性差等问题,提出了基于分类优先网络与分组卷积分类网络的缺陷检测算法。与传统先定位后分类的缺陷检测流程不同,分类优先网络首先采用分组卷积分类网络对缺陷图像进行分类,然后根据分类结果选择相应特征图组回归缺陷边界框。分组卷积分类网络采用互相独立的卷积层单独提取图像中每一类缺陷特征信息,实现了不同类别缺陷的特征分离。实验结果表明,分类优先网络特征图响应与原始图像中物体存在明显空间对应关系,更加有利于缺陷检测与定位。在中厚板、热轧板表面缺陷检测中取得了很好的识别效果。(3)针对钢板表面缺陷图像有标签样本少、无标签样本多的特点,提出了基于卷积自编码器与半监督对抗生成网络的缺陷分类方法CAE-SGAN。该方法首先在大量无标签缺陷图像中训练卷积自编码器,实现网络的无监督特征学习。然后保留卷积自编码器中的编码器作为对抗生成网络的判别器,修改判别器输出层,使其同时预测输入样本的真、假与类别信息,实现钢板表面缺陷图像的半监督学习。实验结果表明,CAE-SGAN能够充分的利用钢板表面无标签图像进行无监督特征学习,有效提升有标签缺陷样本的分类精度。特别是在有标签训练样本数据减少的情况下,CAE-SGAN方法相比于传统卷积神经网络具有更高的分类准确率。(4)针对钢铁企业对于高精度、低成本的钢板表面字符识别系统的要求,提出了基于MobileNet-v2的轻量化钢板表面字符识别网络。该网络采用MobileNet-v2作为骨干网络,提升网络计算速度、降低算法部署成本。提出了 Threshold Focal Loss(TFLs)损失函数,有针对性地降低简单样本损失函数,提升网络的鲁棒性与收敛速度。引入了字符随机排列、图像融合等多种数据增强方法,增加样本的复杂程度,提升网络对于复杂钢板表面字符图像的识别精度。引入了对抗攻击训练,有针对性的提升字符识别网络的鲁棒性。实验结果表明,本文所提的钢板表面字符识别算法,在方坯与圆棒端面字符识别中取得了 99.96%的图像整体识别率,很好的满足了企业对于高精度字符识别算法要求。