论文部分内容阅读
带钢产品表面缺陷的精确检测对提高钢铁企业综合竞争力具有重要意义，已成为众多钢铁企业的关注热点问题。本文以某钢铁企业的带钢产品表面缺陷作为研究对象，研究了基于深度学习的目标检测方法，取得了较好的检测效果，对钢铁企业的带钢表面缺陷检测有一定的指导作用。主要研究工作如下:
(1)综述了带钢产品表面缺陷检测的研究现状，分析了当前检测方法的不足，总结了带钢产品表面典型缺陷的特点及成因，对比了深度学习卷积神经网络与传统神经网络的异同，介绍了卷积神经网络的工作原理以及几种经典深度学习网络。
(2)实现了基于Faster R-CNN的带钢产品表面缺陷检测方法。针对表检仪缺陷识别率低的不足，制作了带钢产品表面缺陷样本数据集，在Caffe深度学习环境下搭建了Faster R-CNN目标检测网络，结合ZF、VGG-16两种特征提取网络，分别对八类常见的带钢产品表面缺陷进行单类缺陷检测。针对单类缺陷检测效率较低及误检等问题，调整检测网络结构，进而实现了多类缺陷检测。大量实验表明网络对缺陷的检测效果与特征提取网络的深度有一定的关联。
(3)提出了基于深度残差网络的带钢产品表面缺陷检测方法。针对缺陷漏检的问题，以ResNet-50作为Faster R-CNN的特征提取网络，并对训练样本进行水平翻转扩充样本数量，有效地提高了缺陷检出率。针对深层次特征提取网络由于卷积、池化造成目标位置信息损失严重的问题，采用融合了位置信息的R-FCN检测网络，结合ResNet-50、ResNet-101两种特征提取网络进行缺陷检测。实验结果表明融合了位置信息的检测网络有助于提高缺陷检测的精度。
(4)以本文所介绍的深度学习目标检测方法为核心，结合用户的具体需求，采用Visual Studio2013、OpenCV3.0和Qt5.7进行开发，设计并实现了基于深度学习的带钢产品表面缺陷检测系统，实现了缺陷分级、缺陷检测等功能。
(1)综述了带钢产品表面缺陷检测的研究现状，分析了当前检测方法的不足，总结了带钢产品表面典型缺陷的特点及成因，对比了深度学习卷积神经网络与传统神经网络的异同，介绍了卷积神经网络的工作原理以及几种经典深度学习网络。
(2)实现了基于Faster R-CNN的带钢产品表面缺陷检测方法。针对表检仪缺陷识别率低的不足，制作了带钢产品表面缺陷样本数据集，在Caffe深度学习环境下搭建了Faster R-CNN目标检测网络，结合ZF、VGG-16两种特征提取网络，分别对八类常见的带钢产品表面缺陷进行单类缺陷检测。针对单类缺陷检测效率较低及误检等问题，调整检测网络结构，进而实现了多类缺陷检测。大量实验表明网络对缺陷的检测效果与特征提取网络的深度有一定的关联。
(3)提出了基于深度残差网络的带钢产品表面缺陷检测方法。针对缺陷漏检的问题，以ResNet-50作为Faster R-CNN的特征提取网络，并对训练样本进行水平翻转扩充样本数量，有效地提高了缺陷检出率。针对深层次特征提取网络由于卷积、池化造成目标位置信息损失严重的问题，采用融合了位置信息的R-FCN检测网络，结合ResNet-50、ResNet-101两种特征提取网络进行缺陷检测。实验结果表明融合了位置信息的检测网络有助于提高缺陷检测的精度。
(4)以本文所介绍的深度学习目标检测方法为核心，结合用户的具体需求，采用Visual Studio2013、OpenCV3.0和Qt5.7进行开发，设计并实现了基于深度学习的带钢产品表面缺陷检测系统，实现了缺陷分级、缺陷检测等功能。