【摘要】： 表面缺陷是影响板带钢质量的重要因素,据统计,国内板带钢产品用户质量异议事件60%以上都是由表面缺陷造成的。表面缺陷自动检测系统可对表面缺陷进行在线检测和及时反馈,对于提高板带钢的表面质量具有重要意义。随着生产线速度的提高以及用户对产品质量要求的日益严格,迫切需要提升缺陷检测与识别算法的效率,从而提高表面检测系统的检测速度和检测精度。针对不同生产线的运行速度与产品表面状况开发缺陷检测与识别的快速算法,以满足实时检测要求是表面检测领域的重要研究方向。本文对图像分割、目标检测、缺陷分类等算法进行了深入研究,开发了快速图像分割、改进极限学习机、端到端的目标检测等算法,分别应用于酸洗带钢、中厚板、热轧带钢等三种典型的板带钢产品表面缺陷在线检测系统。同时针对新生产线缺陷样本收集困难以及未知缺陷无法识别问题,研究了缺陷样本在不同生产线的迁移以及未知缺陷的自动识别方法。主要研究内容与成果如下:(1)针对中厚板表面背景复杂、缺陷形貌多变等特点,提出了一种极限学习机(ELM)和遗传算法(GA)相结合的缺陷快速分类算法。通过基因锁定、动态变异率两大进化策略,使遗传算法在ELM参数优化中加快收敛,最终分类结果更加稳定。实验表明采用本算法对9类中厚板常见表面缺陷的识别率达到94.30%,比仅采用原始ELM算法提高了5%,同时本算法在速度上也可以满足生产线速度较低的中厚板表面缺陷在线检测要求。(2)针对热轧带钢运行速度快、表面缺陷形貌多变、存在水和氧化铁皮干扰等问题,引入了端到端的深度学习目标检测方法。同时在模型的训练过程中引入了迁移学习方法,利用在大规模数据集下训练过的特征提取网络来大幅提高训练效率。算法将传统的先提取预选框再进行分类的检测流程转换为同时对缺陷的位置和类别进行预测的回归问题,实现了端到端的目标检测。由于网络对图像仅进行一次计算,故运算速度快。对7类常见的热轧带钢表面缺陷进行实验,mAP达到92.54%,检测速度达到14 FPS,满足热轧带钢在线检测的要求。(3)针对酸洗带钢表面背景和缺陷形态简单、运行速度快等特点,提出了一种利用底层信息进行图像分割的快速表面缺陷检测算法。算法通过引入积分图加快运算效率,同时将霍夫变换方法应用于边部缺陷检测。将算法应用于酸洗带钢表面缺陷检测,带钢中部和边部缺陷的检测准确率分别达到了97.9%和95.2%,检测速度达到50FPS,满足酸洗带钢在线检测的要求。(4)由于不同生产线上产品表面图像的背景及纹理等信息存在很大差异,在其它生产线上获取的缺陷样本不能直接应用于新的生产线上进行学习,导致新安装的表面检测系统往往缺少足够量的缺陷样本,需要有长时间的样本收集过程,影响系统使用效果。本文通过对抗生成网络,将其它生产线上获取的缺陷样本与新生产线的图像背景相结合,以生成可在新生产线系统学习的缺陷样本,达到快速收集缺陷样本的目的。为了定量的评价缺陷样本迁移效果,本文设计了一个分类用残差网络来评判缺陷样本生成的真实度,并分别对原始数据集及生成数据集进行评估。模型在原始数据集和新生成数据集上分别达到了96.0%和95.87%的缺陷识别准确率,表明新生成的缺陷样本达到了良好的学习效果。(5)现有表面缺陷识别算法一般无法识别未知缺陷,或者容易将未知缺陷识别成其它相似缺陷。本文提出了一种两级的缺陷分类结构,将缺陷按照形态分为五个大类,再将每个大类分为具体的缺陷类别。对于已知缺陷,一级为缺陷形态类别,二级为具体缺陷类别;对于未知缺陷,仅给出一级的缺陷形态类别,二级缺陷类别留空。实验对7种已知类别的热轧带钢数据集和1种用来模拟未知缺陷的划伤类型样本进行了测试。实验结果表明新识别算法对于未知缺陷的误识率由61.3%降低到8.03%,极大提高了未知缺陷的识别精度。