CN112614113B 一种基于深度学习的带钢缺陷检测方法 （北京工业大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN112614113B(45)授权公告日2025.01.10

(21)申请号202011569750.2

(22)申请日2020.12.26

(65)同一申请的已公布的文献号申请公布号CN112614113A

(43)申请公布日2021.04.06

(73)专利权人北京工业大学

地址100124北京市朝阳区平乐园100号

(72)发明人刘博赵业隆

(74)专利代理机构北京思海天达知识产权代理有限公司11203

专利代理师沈波

(51)Int.CI.

GO6T7/00(2017.01)

(56)对比文件

CN110705374A,2020.01.17CN111612789A,2020.09.01审查员唐进岭

权利要求书1页说明书5页附图2页

(54)发明名称

一种基于深度学习的带钢缺陷检测方法

(57)摘要

CN112614113B本发明公开了一种基于深度学习的带钢缺陷检测方法，基于U-Net的编码器，编码器通过反复的卷积操作提取图像中的特征，并进行五次下采样操作，提取不同尺度的特征。解码器部分与编码器对称，接受了编码器的输出，进行五次上采样，并且每次上采样得到的结果会与编码器同尺度的特征图进行拼接。下采样前使用高斯低通滤波器，去除其中的高频信息，防止因特征图原频率过高，出现混叠现象，导致特征图出现偏差。被去除的高频信息中蕴含了原图的细节信息，这些细节信息对带钢小型缺陷的检测至关重要，直接舍弃会影响效果。本方法将这些高频信息进一

CN112614113B

图南特图门特

图南特

图门特

图征特

输入带钢图像

带钢缺陷检测

解码器

编码器

CN112614113B权利要求书1/1页

2

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；

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。

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,batchsize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