摘要
带钢表面质量问题会严重影响汽车、家电和精密电子等带钢下游产品的质量，造成极大的经济损失。因此，发展在线带钢表面检测系统，快速、准确地检测出表面缺陷及缺陷类型，促进工艺提升，进而提高带钢产品质量已成为钢铁企业提高核心竞争力的迫切需求。人工智能在视觉领域的出色表现推动了基于深度学习的带钢表面缺陷在线检测技术快速发展，但在带钢轧制工艺不断提升的情况下，这些方法仍存在着数据冗余、缺陷分类及识别算法准确率低、鲁棒性弱、网络模型复杂等问题。本文针对上述问题，以带钢表面缺陷图像为研究对象，开展基于特征提取与聚类联合优化、深度特征融合、模型轻量化的带钢表面缺陷检测方法研究。同时，搭建带钢表面缺陷检测实验平台来进一步对本文所提方法进行实验验证。 本文的主要工作包括以下四个部分: 1)特征提取与聚类联合优化的带钢表面有无缺陷分类方法 针对无监督学习面对海量的带钢表面图像进行有无缺陷分类时存在特征学习能力弱、分类准确度差等问题，提出了一种基于特征提取与聚类任务联合优化的带钢表面有无缺陷分类方法。构建了基于分裂注意力网络的图像特征提取方法，结合Mini-BatchK-Means聚类方法得到当前表面图像的伪标签信息，联合分类伪标签的优化反馈和Softmax分类模型损失的反向传播来优化特征提取网络性能，提高有缺陷表面图像和无缺陷表面图像的特征矢量的类别区分度，实现对有缺陷图像和无缺陷图像的快速分类。实验结果表明，本文提出的方法对带钢表面有无缺陷分类的漏检率仅为5％左右，极大地减少了检测系统后续数据处理量，提高了检测效率和精度。 2)基于深度特征融合的带钢表面缺陷识别方法 针对带钢表面缺陷尺度跨度大、特征不明显以及形态多样导致缺陷识别准确率低的问题，提出了一种基于深度特征融合的方法对带钢表面缺陷进行识别。构建了一种基于改进分裂注意力和特征金字塔的编-解码器网络结构，设计了一种基于组归一化的深度特征融合模块，进一步对带钢表面缺陷的深度隐含特征进行提取与融合，实现缺陷的准确分割与识别。实验结果表明，本文提出方法的Dice能够达到94.24％，为优化工艺调控进而提高带钢产品表面质量提供了有力保障。 3)带钢表面缺陷检测模型的轻量化方法 针对深度学习网络模型存在计算耗时、精度和速度难以平衡的问题，提出一种融合ADMM和SA的自适应剪枝方法，对带钢表面缺陷分类和识别模型进行自适应剪枝压缩，在保证检测精度的前提下，极大地减少了模型的参数量和计算量，提高了模型的精简度和可部署性，实现检测模型的轻量化。实验结果表明，在使用本文方法剪枝后，缺陷分类和识别模型的参数量分别下降了45.22％、47.23％，计算量分别下降了41.68％、43.96％，平均测试时间分别下降了31.02％、25.93％，为带钢表面缺陷的快速检测提供了有力保障。 4)带钢表面缺陷检测系统的设计 结合生产现场的实际状况，为进一步验证本文所提方法的有效性，搭建了带钢表面缺陷在线检测实验平台。实验结果进一步表明，本文提出的带钢表面缺陷检测方法可以有效检测出带钢表面缺陷图像，准确率高、漏检率和误检率低，同时对带钢表面缺陷图像的复杂性、随机性等问题具有良好的鲁棒性。
NETL