申请/专利权人：北京科技大学

申请日：2017-02-28

公开（公告）日：2021-05-07

公开（公告）号：CN106952250B

主分类号：G06T7/00(20170101)

分类号：G06T7/00(20170101);G01N21/88(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.05.07#授权;2017.08.08#实质审查的生效;2017.07.14#公开

摘要：本发明提供一种基于FasterR‑CNN网络的金属板带表面缺陷检测方法及装置，能够提高金属板带表面缺陷检测的准确率。方法包括：采集用于训练FasterR‑CNN网络的金属板带表面的图像；对采集到的金属板带表面的图像进行数据增强；将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取矩形框的坐标与矩形框所包含缺陷的种类；根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR‑CNN网络进行训练；实时采集待检测的金属板带表面图像，根据训练好的FasterR‑CNN网络，实时检测金属板带表面是否有缺陷，并对检测到的缺陷进行分类和定位。本发明适用于机器视觉技术领域。

主权项：1.一种基于FasterR-CNN网络的金属板带表面缺陷检测方法，其特征在于，包括：采集用于训练FasterR-CNN网络的金属板带表面的图像；对采集到的所述金属板带表面的图像进行数据增强；通过翻转、平移策略对采集到的所述金属板带表面的图像进行数据增强；将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类；根据要检测的缺陷类别，修改FasterR-CNN网络所能检测的总的缺陷类别，并为每一个要检测的缺陷类别分配固定的编号；其中所述缺陷类别包括：辊印、污渍、划痕、孔洞、漏涂、凹陷、气泡、异物、剥落；根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类生成数据集，并根据所述数据集对FasterR-CNN网络进行训练；实时采集待检测的金属板带表面图像，根据训练好的FasterR-CNN网络和实时采集到的待检测的金属板带表面图像，实时检测金属板带表面是否有缺陷，并对检测到的缺陷进行分类和定位。

全文数据：_种基于FasterR-GNN网络的金属板带表面缺陷检测方法及装置技术领域[0001]本发明涉及机器视觉技术领域，特别是指一种基于FasterR-CNN网络的金属板带表面缺陷检测方法及装置。背景技术[0002]金属板带是汽车、机械制造、化工、航空航天和造船等行业不可缺少的原材料。金属板带表面缺陷是指金属板带在生产加工的过程中，由于工艺或其它各种原因致使金属板带表面局部区域物理或化学性质不均匀。常见的金属板带表面缺陷有辊印、污渍、划痕、孔洞、漏涂、凹陷、气泡、异物、剥落等。表面缺陷是原子活性较高的部位，常常成为金属腐蚀的始发处，表面缺陷的存在会大大降低零件的抗疲劳强度，有损零件表面的质量，影响机器、仪器的使用性能和寿命，影响其最终产品的性能和质量。因此及时检测金属板带表面缺陷，对缺陷进行严重程度评价，对于提高表面质量和产品经济效益有着重要意义。[0003]随着我国工业化水平的不断发展，对金属板带表面质量的要求也越来越高，如何快速准确地检测出表面缺陷成为金属板带乳制过程中非常关键的一个环节。目前主流的表面缺陷检测技术均为以图像处理为基础的机器视觉技术，基本分为两步：[0004]1先对通过工业相机获得的图像进行处理，然后提取特征，这一步的方法主要有统计法、结构法、频谱法、模型法等四类，其中使用较为广泛的是统计法与频谱法[2];[0005]2通过训练好的分类器，对（1提取的特征进行分类，目前使用较多的分类器有BP神经网络，SVM等。[0006]但这些方法均存在着缺陷和非缺陷区域之间的低对比度，噪音和细微缺陷的相似性，检测速度慢和识别精度低等难题，无法满足工业生产的准确性和性要求。发明内容[0007]本发明要解决的技术问题是提供一种基于FasterR-CNN网络的金属板带表面缺陷检测方法及装置，以解决现有技术所存在的无法满足工业生产的准确性和实时性要求的问题。[0008]为解决上述技术问题，本发明实施例提供一种基于FasterR-CNN网络的金属板带表面缺陷检测方法，包括：[0009]采集用于训练FasterR-CNN网络的金属板带表面的图像；[0010]对采集到的所述金属板带表面的图像进行数据增强；[0011]将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类；[0012]根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练；[0013]实时米集待检测的金属板带表面图像，根据训练好的FasterR-CNN网络和实时采集到的待检测的金属板带表面图像，实时检测金属板带表面是否有缺陷，并对检测到的缺陷进行分类和定位。[0014]进一步地，所述对采集到的所述金属板带表面的图像进行数据增强包括：[0015]通过翻转、平移策略对采集到的所述金属板带表面的图像进行数据增强。[0016]进一步地，所述将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类包括：[0017]将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的中心点坐标，所述矩形框的宽度、高度，及所述矩形框所包含缺陷的种类；[0018]将采集到的所述金属板带表面的图像及数据增强后得到的图像、获取的所述矩形框的中心点坐标、所述矩形框的宽度与高度、及所述矩形框所包含缺陷的种类生成数据集。[0019]进一步地，在根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练之前，所述方法还包括：根据要检测的缺陷类别，修改FasterR-CNN网络所能检测的总的缺陷类别，并为每一个要检测的缺陷类别分配固定的编号。[0021]进一步地，所述根据实时采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练包括：[0022]根据生成的数据集对FasterR-CNN网络进行训练。[0023]本发明实施例还提供一种基于FasterR-CNN网络的金属板带表面缺陷检测装置，包括：[0024]采集模块，用于采集用于训练FasterR-CNN网络的金属板带表面的图像；[0025]增强模块，用于对采集到的所述金属板带表面的图像进行数据增强；[G026]获取模块，用于将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类；[M27]训练模块，用于根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练；[0028]检测模块，用于实时采集待检测的金属板带表面图像，根据训练好的FasterR-CNN网络和实时采集到的待检测的金属板带表面图像，实时检测金属板带表面是否有缺陷，并对检测到的缺陷进行分类和定位。[0029]进一步地，所述增强模块，用于通过翻转、平移策略对采集到的所述金属板带表面的图像进行数据增强。[0030]进一步地，所述获取模块包括：[0031]标注单元，用于将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注；[0032]获取单元，用于获取所述矩形框的中心点坐标，所述矩形框的宽度、高度，及所述矩形框所包含缺陷的种类；[0033]生成单元，用于将采集到的所述金属板带表面的图像及数据增强后得到的图像、获取的所述矩形框的中心点坐标、所述矩形框的宽度与高度、及所述矩形框所包含缺陷的种类生成数据集。[0034]进一步地，所述装置还包括：[0035]编号模块，用于根据要检测的缺陷类别，修改FasterR_C丽网络所能检测的总的缺陷类别，并为每一个要检测的缺陷类别分配固定的编号。[0036]进一步地，所述训练模块，用于根据生成的数据集对FasterR-CNN网络进行训练。[0037]本发明的上述技术方案的有益效果如下：[0038]上述方案中，采集用于训练FasterR-CNN网络的金属板带表面的图像;对采集到的所述金属板带表面的图像进行数据增强;将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类;根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练;实时采集待检测的金属板带表面图像，根据训练好的FasterR-CNN网络和实时采集到的待检测的金属板带表面图像，实时检测金属板带表面是否有缺陷，并对检测到的缺陷进行分类和定位，不仅满足了工业生产实时检测金属板带表面缺陷的需求，还能提高金属板带表面缺陷检测的准确率。附图说明[0039]图1为本发明实施例提供的基于FasterR-CNN网络的金属板带表面缺陷检测方法的流程示意图；[0040]图2为本发明实施例提供的FasterR-CNN网络的工作原理示意图；[0041]图3为本发明实施例提供的实时采集到的待检测的金属板带表面图像；[0042]图4为本发明实施例提供的基于FasterR-CNN网络的金属板带表面缺陷检测方法检测后的效果图；[0043]图5为本发明实施例提供的基于FasterR-CNN网络的金属板带表面缺陷检测装置的结构示意图。具体实施方式[0044]为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。[0045]本发明针对现有的无法满足工业生产的准确性和实时性要求的问题，提供一种基于FasterR-CNN网络的金属板带表面缺陷检测方法及装置。[0046]实施例一[0047]参看图1所示，本发明实施例提供的基于FasterR-CNN网络的金属板带表面缺陷检测方法，包括：[0048]S101，采集用于训练FasterR-CNN网络的金属板带表面的图像；[0049]S102，对采集到的所述金属板带表面的图像进行数据增强；[0050]S103,将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类；[0051]S104,根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练；[0052]S105，实时采集待检测的金属板带表面图像，根据训练好的FasterR-CNN网络和实时采集到的待检测的金属板带表面图像，实时检测金属板带表面是否有缺陷，并对检测到的缺陷进行分类和定位。[0053]本发明实施例所述的基于FasterR-CNN网络的金属板带表面缺陷检测方法，采集用于训练FasterR-CNN网络的金属板带表面的图像;对采集到的所述金属板带表面的图像进行数据增强;将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类;根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练;实时采集待检测的金属板带表面图像，根据训练好的FasterR-CNN网络和实时采集到的待检测的金属板带表面图像，实时检测金属板带表面是否有缺陷，并对检测到的缺陷进行分类和定位，不仅满足了工业生产实时检测金属板带表面缺陷的需求，还能提高金属板带表面缺陷检测的准确率。[0054]本实施例中，为了更好地理解基于FasterR-CNN网络的金属板带表面缺陷检测方法，先对FasterR-CNN网络的工作原理进行说明，如图2所示，FasterR-CNN主要由两个部分组成：（1用于生成regionproposal候选区域）的候选区域网络（RegionProposalNetW〇rk，RPN，RPN是一个全卷积网络，其主要作用是对图片的卷积层特征进行计算分析，然后在不同的图像比例下，针对不同的缺陷类型生成一些矩形框矩形框的坐标通过四个数来表示，边框中心点坐标x和y，高度h，宽度w同一张图片会产生上千个矩形框，这些矩形框就是regionproposal即有可能是缺陷的区域）；⑵对regionproposal进行缺陷检测的深度卷积神经网络FastR-CNN，FastR-CNN对RPN输出得到的regionproposal进彳丁计算分析，筛去冗余或错误的regionproposal，得到最优的矩形框和类别得分，即为最后的检测结果；图2中，image表示图像；convlayers表示卷积层；featuremaps表示特征映射；proposals表示候选区域；classifier表示分类器；R〇Ipooling全称为regionofinterestpooling，中文为感兴趣区域池化层R〇I池化层。[0055]在前述基于FasterR-CNN网络的金属板带表面缺陷检测方法的具体实施方式中，进一步地，所述对采集到的所述金属板带表面的图像进行数据增强包括：[0056]通过翻转、平移策略对采集到的所述金属板带表面的图像进行数据增强。[0057]本实施例中，可以通过工业相机采集用于训练FasterR-CNN网络的金属板带表面的图像，并对采集的金属板带表面的图像通过翻转、平移等策略进行数据增强。[0058]本实施例中，数据增强是在数据集中数据过少或数据难以获得的情况下，对已有的数据集通过翻转平移等策略进行扩大，得到的数据集包括原先的数据和增强后的数据。同一物体，在不同的角度和不同的背景下观察，得到的图像可能完全不同，计算机可能无法正确识别这些图像，因此对图像进行镜像翻转和水平移动，可以使数据集中包括同一张图片在不同角度不同位置的各种数据。[0059]在前述基于FasterR-CNN网络的金属板带表面缺陷检测方法的具体实施方式中，进一步地，所述将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类包括：[0060]将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的中心点坐标，所述矩形框的宽度、高度，及所述矩形框所包含缺陷的种类；[0061]将采集到的所述金属板带表面的图像及数据增强后得到的图像、获取的所述矩形框的中心点坐标、所述矩形框的宽度与高度、及所述矩形框所包含缺陷的种类生成数据集。[0062]本实施例中，将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，取所述矩形框的坐标与所述矩形框所包含缺陷的种类具体的：获取每个矩形框的五个参数，所述矩形框的五个参数包括:矩形框的中心点坐标所述中心点坐标为二维坐标），矩形框的宽度与高度，以及矩形框所包含缺陷的种类），将采集到的所述金属板带表面的图像及数据增强后得到的图像、这五个参数生成文本文件，文本文件中包括每张图片中所有矩形框的五个参数，从而得到数据集，根据生成的数据集对FasterR-CNN网络进行训练，其中，数据集包括全部的图像与文本文件。[0063]本实施例中，所述数据集包括三部分，第一部分是训练集，用来训练FasterR-CNN网络;第二部分部分是验证集，用来调整FasterR-CNN网络超参数;第三部分是测试集，用来衡量网络性能。[OOM]本实施例中，对于每个boundingbox在计算置信度时，会算出其对于每个缺陷种类的置信度。在前述基于FasterR-CNN网络的金属板带表面缺陷检测方法的具体实施方式中，进一步地，在根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进彳丁训练之前，所述方法还包括：[0065]根据要检测的缺陷类别，修改FasterR-CNN网络所能检测的总的缺陷类别，并为每一个要检测的缺陷类别分配固定的编号。[0066]本实施例中，根据要检测的缺陷类别例如辊印、污溃、划痕、孔洞、漏涂、凹陷、气泡、异物、剥落等），修改FasterR-C丽网络所能检测的总的缺陷类别，并为每一个要检测的缺陷类别分配固定的编号。[0067]本实施例中，当应用训练好的FasterR-CNN网络检测金属板带表面缺陷时，需实时采集待检测的金属板带表面图像金属板带表面缺陷，再根据训练好的FasterR-CNN网络和实时采集到的待检测的金属板带表面图像，实时检测金属板带表面是否有缺陷，并对检测到的缺陷进行分类和定位，本实施例提供的基于FasterR-CNN网络的金属板带表面缺陷检测方法，能够快速准确的检测出金属板带表面的缺陷，对于各种类型的缺陷均有较高的准确率，检测结果均可达到百分之九十五以上的准确率，对于部分类别的缺陷甚至可以达到百分之百的准确率，图3与图4分别是实时采集的待检测的金属板带表面图像与使用本实施例提供的基于FasterR-CNN网络的金属板带表面缺陷检测方法检测后的效果图。[0068]本实施例中，可以在金属板带生产线上架设工业相机以便实时采集待检测的金属板带表面图像，将工业相机与计算机连接，每当工业相机采集到的待检测的金属板带表面图像并传输到计算机时，训练好的FasterR-CNN网络可以实现对图像的实时处理，将图像中的缺陷用矩形框标注出来并输出。[0069]实施例二[0070]本发明还提供一种基于FasterR-C丽网络的金属板带表面缺陷检测装置的具体实施方式，由于本发明提供的基于FasterR-CNN网络的金属板带表面缺陷检测装置与前述基于FasterR-CNN网络的金属板带表面缺陷检测方法的具体实施方式相对应，该基于FasterR-CNN网络的金属板带表面缺陷检测装置可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的，因此上述基于FasterR-CNN网络的金属板带表面缺陷检测方法具体实施方式中的解释说明，也适用于本发明提供的基于FasterR-CNN网络的金属板带表面缺陷检测装置的具体实施方式，在本发明以下的具体实施方式中将不再赘述。[0071]参看图5所示，本发明实施例还提供一种基于FasterR-CNN网络的金属板带表面缺陷检测装置，包括：[0072]采集模块11，用于采集用于训练FasterR-CNN网络的金属板带表面的图像；[0073]增强模块12,用于对采集到的所述金属板带表面的图像进行数据增强；[0074]获取模块13,用于将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类；[0075]训练模块14,用于根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练；[0076]检测模块15,用于实时采集待检测的金属板带表面图像，根据训练好的FasterR-CNN网络和实时采集到的待检测的金属板带表面图像，实时检测金属板带表面是否有缺陷，并对检测到的缺陷进行分类和定位。[0077]本发明实施例所述的基于FasterR-CNN网络的金属板带表面缺陷检测装置，采集用于训练FasterR-CNN网络的金属板带表面的图像;对采集到的所述金属板带表面的图像进行数据增强;将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类;根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练;实时采集待检测的金属板带表面图像，根据训练好的FasterR-CNN网络和实时采集到的待检测的金属板带表面图像，实时检测金属板带表面是否有缺陷，并对检测到的缺陷进行分类和定位，不仅满足了工业生产的性需求，还能提高表面缺陷检测的准确率。[0078]在前述基于FasterR-CNN网络的金属板带表面缺陷检测装置的具体实施方式中，进一步地，所述增强模块，用于通过翻转、平移策略对采集到的所述金属板带表面的图像进行数据增强。[0079]在前述基于FasterR-CNN网络的金属板带表面缺陷检测装置的具体实施方式中，进一步地，所述获取模块包括：[0080]标注单元，用于将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注；[0081]获取单元，用于获取所述矩形框的中心点坐标，所述矩形框的宽度、高度，及所述矩形框所包含缺陷的种类；[0082]生成单元，用于将采集到的所述金属板带表面的图像及数据增强后得到的图像、获取的所述矩形框的中心点坐标、所述矩形框的宽度与高度、及所述矩形框所包含缺陷的种类生成数据集。[0083]在前述基于FasterR-CNN网络的金属板带表面缺陷检测装置的具体实施方式中，进一步地，所述装置还包括：[0084]编号模块，用于根据要检测的缺陷类别，修改FasterR-CNN网络所能检测的总的缺陷类别，并为每一个要检测的缺陷类别分配固定的编号。[0085]在前述基于FasterR-CNN网络的金属板带表面缺陷检测装置的具体实施方式中，进一步地，所述训练模块，用于根据生成的数据集对FasterR-CNN网络进行训练。[0086]以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

权利要求：1.一种基于FasterR-CNN网络的金属板带表面缺陷检测方法，其特征在于，包括：采集用于训练FasterR-CNN网络的金属板带表面的图像；对采集到的所述金属板带表面的图像进行数据增强；将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类；根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练；实时采集待检测的金属板带表面图像，根据训练好的FasterR-CNN网络和实时采集到的待检测的金属板带表面图像，实时检测金属板带表面是否有缺陷，并对检测到的缺陷进行分类和定位。2.根据权利要求1所述的基于FasterR-CNN网络的金属板带表面缺陷检测方法，其特征在于，所述对采集到的所述金属板带表面的图像进行数据增强包括：通过翻转、平移策略对采集到的所述金属板带表面的图像进行数据增强。3.根据权利要求1所述的基于FasterR-CNN网络的金属板带表面缺陷检测方法，其特征在于，所述将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类包括：将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的中心点坐标，所述矩形框的宽度、高度，及所述矩形框所包含缺陷的种类；将采集到的所述金属板带表面的图像及数据增强后得到的图像、获取的所述矩形框的中心点坐标、所述矩形框的宽度与高度、及所述矩形框所包含缺陷的种类生成数据集。4.根据权利要求1所述的基于FasterR-CNN网络的金属板带表面缺陷检测方法，其特征在于，在根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练之前，所述方法还包括：根据要检测的缺陷类别，修改FasterR-CNN网络所能检测的总的缺陷类别，并为每一个要检测的缺陷类别分配固定的编号。5.根据权利要求3所述的基于FasterR-CNN网络的金属板材表面缺陷检测方法，其特征在于，所述根据实时采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练包括：根据生成的数据集对FasterR-CNN网络进行训练。6.—种基于FasterR-CNN网络的金属板带表面缺陷检测装置，其特征在于，包括：采集模块，用于采集用于训练FasterR-CNN网络的金属板带表面的图像；增强模块，用于对采集到的所述金属板带表面的图像进行数据增强；获取模块，用于将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类；训练模块，用于根据采集到的所述金属板带表面的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练；检测模块，用于实时采集待检测的金属板带表面图像，根据训练好的FasterR-CNN网络和实时采集到的待检测的金属板带表面图像，实时检测金属板带表面是否有缺陷，并对检测到的缺陷进行分类和定位。7.根据权利要求6所述的基于FasterR-CNN网络的金属板带表面缺陷检测装置，其特征在于，所述增强模块，用于通过翻转、平移策略对采集到的所述金属板带表面的图像进行数据增强。8.根据权利要求6所述的基于FasterR-CNN网络的金属板带表面缺陷检测装置，其特征在于，所述获取模块包括：标注单元，用于将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注；获取单元，用于获取所述矩形框的中心点坐标，所述矩形框的宽度、高度，及所述矩形框所包含缺陷的种类；生成单元，用于将采集到的所述金属板带表面的图像及数据增强后得到的图像、获取的所述矩形框的中心点坐标、所述矩形框的宽度与高度、及所述矩形框所包含缺陷的种类生成数据集。9.根据权利要求6所述的基于FasterR-CNN网络的金属板带表面缺陷检测装置，其特征在于，所述装置还包括：编号模块，用于根据要检测的缺陷类别，修改FasterR-CNN网络所能检测的总的缺陷类别，并为每一个要检测的缺陷类别分配固定的编号。10.根据权利要求8所述的基于FasterR-CNN网络的金属板材板带表面缺陷检测装置，其特征在于，所述训练模块，用于根据生成的数据集对FasterR-CNN网络进行训练。

百度查询： 北京科技大学 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD