基于深度学习的连铸坯表面缺陷检测

doi:10.12066/j.issn.1007-2861.2018

上海大学学报(自然科学版) ›› 2019, Vol. 25 ›› Issue (4): 445-452.doi: 10.12066/j.issn.1007-2861.2018

基于深度学习的连铸坯表面缺陷检测

胡嘉成¹, 王向阳¹(), 刘晗²

1. 上海大学通信与信息工程学院, 上海 200444
2. 上海金艺检测技术有限公司, 上海 201900

收稿日期:2017-12-18 出版日期:2019-08-30 发布日期:2019-09-04
通讯作者: 王向阳 E-mail:wangxiangyang@shu.edu.cn

Defect detection of continuous casting slabs based on deep learning

Jiacheng HU¹, Xiangyang WANG¹(), Han LIU²

1. School of Communication and Information Engineering, Shanghai University, Shanghai 200444, China
2. Shanghai Jinyi Inspection Technology Co., Ltd., Shanghai 201900, China

Received:2017-12-18 Online:2019-08-30 Published:2019-09-04
Contact: Xiangyang WANG E-mail:wangxiangyang@shu.edu.cn

摘要/Abstract

摘要：

采用提取图像的纹理、几何特征并利用支持向量机(support vector machine, SVM)进行检测和识别的方法, 对宝山钢铁现有的连铸坯表面裂纹、凹陷、夹杂物、气孔、划痕等缺陷进行分析, 缺陷检测准确率为 83${\%}$. 提出一种基于卷积神经网络(convolutional neural network, CNN)的方法进行缺陷检测. 该方法对裂纹缺陷的检测准确率为 93${\%}$, 对其他缺陷(由于凹陷、夹杂物、气孔、划痕等缺陷数据较少, 这些缺陷归为一类)的检测准确率为 88${\%}$. 实验结果表明, 采用深度学习的方法能够有效检测、识别出具有缺陷的连铸坯, 检测准确率较高.

关键词: 缺陷检测, 支持向量机, 深度学习

Abstract:

For analyzing surface defect such as surface cracks, depressions, inclusions, blow hole and scratches of continuous casting slabs, the support vector machine (SVM) can be used, and this is realized through identifying with the image texture and geometric features. The accuracy with such method is about 83${\%}$. Convolutional neural network (CNN) is used to propose a method of defect detection. The crack defect detection accuracy is 93${\%}$, and the detection accuracy for other defects (like depression, inclusions, blow hole and scratches when they are grouped together) is 88${\%}$. Experimental results show that deep learning is an effective method for detecting and identifying the defective continuous casting slabs, and the accuracy is high.

Key words: defect detection, support vector machine (SVM), deep learning

中图分类号:

TP391.4

胡嘉成, 王向阳, 刘晗. 基于深度学习的连铸坯表面缺陷检测[J]. 上海大学学报(自然科学版), 2019, 25(4): 445-452.

Jiacheng HU, Xiangyang WANG, Han LIU. Defect detection of continuous casting slabs based on deep learning[J]. Journal of Shanghai University（Natural Science Edition）, 2019, 25(4): 445-452.

图/表 13

图1

图2

图3

图4

图5

表1

表2

表3

表4

表5

图6

表6

表7

参考文献 15

[1]	夏纪真 . 无损检测导论 [M]. 广州: 中山大学出版社, 2010.
[2]	张力行 . 国外热坯表面缺陷在线检测技术的开发[J]. 轧钢, 1986(5):47-51.
[3]	陈积懋 . 无损检测新技术20年回顾[J]. 无损检测, 1998(7):181-185.
[4]	何嘉武, 张超省, 冯辅周 . 红外热波无损检测技术的研究现状及应用[J]. 振动与冲击, 2010,29(S1):293-296.
[5]	吴家伟, 严京旗, 方志宏 . 基于 Adaboost 改进算法的铸坯表面缺陷检测方法[J]. 钢铁研究学报, 2012,24(9):59.
[6]	LeCun Y, Bottou L, Bengio Y , et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998,86:2278-2324.
[7]	LeCun Y, Bengio Y, Hinton G . Deep learning[J]. Nature, 2015,521(7553):436-444.
[8]	Deng J, Dong W, Socher R, et al. ImageNet: a large-scale hierarchical image database [C]// IEEE Conference on Computer Vision and Pattern Recognition. 2009: 248-255.
[9]	Girshick R, Donahue J, Darrell T , et al. Region-based convolutional networks for accurate object detection and segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2016,38(1):142-158.
[10]	Shelhamer E, Long J, Darrell T . Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017,39(4):640.
[11]	Xie S, Tu Z . Holistically-nested edge detection [C]// IEEE International Conference on Computer Vision. 2016: 1395-1403.
[12]	Krizhevsky A, Sutskever I, Hinton G E . ImageNet classification with deep convolutional neural networks [C]// International Conference on Neural Information Processing Systems. 2012: 1097-1105.
[13]	Simonyan K, Zisserman A, . Very deep convolutional networks for large-scale imagerecognition[J/OL]. [ 2017- 12- 16]. .
[14]	Lin M, Chen Q, Yan S . Network in network[J/OL]. [2017- 12- 16].
[15]	He K, Zhang X, Ren S , et al. Deep residual learning for image recognition[J/OL]. [2017- 12- 16].

基于深度学习的连铸坯表面缺陷检测

Defect detection of continuous casting slabs based on deep learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 15

相关文章 13

编辑推荐

Metrics

本文评价

[1]	楼志挺, 李春祥. 基于空间多点输入的 LSSVM 非高斯风压预测[J]. 上海大学学报(自然科学版), 2019, 25(6): 1013-1022.
[2]	董惠忠, 毕艳玖, 赵晓华, 葛炯, 沙云菲. 基于致香成分的上部烟叶和中部烟叶分类判别[J]. 上海大学学报(自然科学版), 2019, 25(2): 309-316.
[3]	涂伟平, 李春祥. 基于混合智能算法优化LSSVM的短期风压预测[J]. 上海大学学报(自然科学版), 2019, 25(2): 347-356.
[4]	谢志峰, 叶冠桦, 闫淑萁, 何绍荣, 丁友东. 基于生成对抗网络的HDR图像风格迁移技术[J]. 上海大学学报(自然科学版), 2018, 24(4): 524-534.
[5]	徐言沁, 李春祥. 基于优化组合核最小二乘支持向量机的脉动风速预测[J]. 上海大学学报(自然科学版), 2018, 24(4): 627-633.
[6]	钟旺, 李春祥. 基于极限学习机的非平稳下击暴流风速预测[J]. 上海大学学报(自然科学版), 2018, 24(3): 446-455.
[7]	董勇, 孙广玲, 刘志. SVM+模型中可用信息用作特权信息[J]. 上海大学学报(自然科学版), 2017, 23(4): 524-534.
[8]	郎玥1, 周霁婷1, 梁小龙2, 张文俊1. 基于人脸识别的影视剧镜头自动标注及重剪系统[J]. 上海大学学报(自然科学版), 2017, 23(3): 353-363.
[9]	沈文枫, 张建蕾, 周丁倩, 陈圣波, 邱峰. 大数据时代的车牌汉字识别[J]. 上海大学学报(自然科学版), 2016, 22(1): 88-96.
[10]	钱权,陈孟,桂林开. 特征约简在入侵检测上的应用[J]. 上海大学学报(自然科学版), 2010, 16(1): 86-90.
[11]	高峻峻1，谭崇利1，刘悦2，尹亚锋2. 一类产品需求预测的支持向量机方法[J]. 上海大学学报(自然科学版), 2009, 15(1): 71-76.
[12]	雷咏梅;王雄;郭恒明;金亨科. 一种基于支持向量机的并行训练策略[J]. 上海大学学报(自然科学版), 2007, 13(5): 545-549 .
[13]	李国平;路长厚;李健美. 基于最小二乘支持向量机的压印字符识别方法[J]. 上海大学学报(自然科学版), 2007, 13(2): 125-129 .