技术摘要：
本发明提供了一种基于分类优先YOLO网络的钢板表面缺陷检测方法，包括如下步骤：S10建立钢板表面缺陷标准图库；S20待检测图片缺陷分类，使用迁移学习模型对所述缺陷标准图库的进行训练分类，获得训练模型，使用所述训练模型对对所述待检测图片进行训练分类，保留分类结 全部
背景技术：
金属板材是机械工业中必不可少的原材料，金属板材的产品质量是决定其价格的 关键性指标。由于设备和工艺条件局限等问题的存在，金属板材的表面不可避免地会存在 不同形式、不同类别的缺陷，且尺寸大小、缺陷数量及其分布的差异很大。也正是由于表面 缺陷的多样性和复杂性，各国钢铁生产企业对表面质量的检测都十分重视，不惜花费巨资 改进检测技术、提高检测水平。 YOLO(You Only Look Once)网络模型最早在2016年被提出，其后面的版本YOLOv3 不仅检测速度更快，也更适合小目标的检测。YOLO网络包含24个卷基层，4个最大池化层和 两个全连接层。卷基层用来获取图像特征，最大池化层用来缩减图像像素，全连接层用来预 测图像类别与位置。YOLO使用全图的特征来对边界框进行预测以及对框内目标分类，这意 味着YOLO网络可以使用全图信息，实现同一张图像中的目标分类和目标位置的检测。 YOLO在进行图像检测的过程中，通过多层卷积，可以实现目标的分类与检测。例 如，当一张图片中同时存在狗和猫时，YOLO网络既可以对二者进行分类，区分出哪一个是 狗，哪一个是猫，其次还可对位置进行定位，使用矩形框标注出目标位置。目标检测结果使 用置信度值来进行评价，计算公式如下所示。可以看出置信度值为分类概率Pr和IOU值的乘 积，二者均属于[0,1]。IOU值为预测框与真实框面积的交并比值。 如果仍直接使用YOLO网络进行检测，不仅增加运算时间，而且会由于Pr值的存在 而降低检测精度。
技术实现要素：
为了解决上述问题，本发明提供了一种基于分类优先YOLO网络的钢板表面缺陷检 测方法，与传统检测算法相比，检测精度更高，速度更快，尤其对夹杂和斑块等缺陷有着较 好的检测效果。 为了实现以上目的，本发明采取的一种技术方案是： 一种基于分类优先YOLO网络的钢板表面缺陷检测方法，包括如下步骤：S10建立钢 板表面缺陷标准图库；S20待检测图片缺陷分类，使用迁移学习模型对所述缺陷标准图库的 4 CN 111612784 A 说 明 书 2/6 页 进行训练分类，获得训练模型，使用所述训练模型对对所述待检测图片进行训练分类，保留 分类结果；以及S30待检测图片缺陷位置判定，使用YOLO网络确定所述分类结果中的缺陷类 别所在位置，其中所述YOLO网络中的两个残差网络模块替换为两个特征复用网络模块。 进一步地，所述S10步骤包括：S11所述缺陷标准图库中每张图片中包含一种典型 缺陷，使用霍夫变换对所述图片进行校正、裁剪使得所述图像大小为200*200dpi；以及S12 使用labelImg软件对所述图像进行标注，使用矩形真实框标注出每张所述图像中缺陷的位 置，并记录矩形框左上角(xL,yL)和右下角(xR,yR)的坐标信息，在标注过程中采用密集标注 法，即对每个单独的缺陷进行标注。 进一步地，训练过程中最佳学习速率为Lr＝0.005。 进一步地，每个所述特征复用网络模块包含3个卷积层，每一个卷积层可以得到所 有之前的卷积层的输出作为输入，相邻的卷积层之间通过卷积层和池化层相连接。 进一步地，所述步骤S30包括如下步骤：S31将所述待检测钢板图像导入基于分类 优先的YOLO网络，采用双线性插值法将所述待检测钢板图像大小尺寸统一为448×448dpi； S32对调整大小后的所述待检测钢板图像进行归一化处理，将所述待检测钢板图像的像素 值取值范围由[0,255]，转化为[0,1]，获得所述第一缺陷分类图；以及S33将所述第一缺陷 分类图划分为S×S个网格，如果目标缺陷的中心落入网格单元，则该网格单元负责检测该 对象，获得目标缺陷的位置检测结果。 进一步地，使用k-means聚类算法对数据集内第一缺陷分类图进行聚类分析，寻找 合适尺寸的锚框(Anchor)，当聚类簇的个数K为5、6或7时，聚类产生的锚框形状更符合数据 集中缺陷的外观,其中K为整数。 进一步地，每个所述网格预测B个预测框；所述预测框包含5个数据值(x,y,w,h,置 信度)；(x,y)是所述预测框的中心相对于当前网格的偏移量，(w,h)是所述预测框的长和 宽；置信度的值反映了边界框是否包含目标概率与当前边界框与真实边界框重合的情况 所述最终检测结果符合如下公式： 其中，Pr(object)为目标物判断参数，当所述分类结果有目标缺陷时Pr(object) ＝1，当所述分类结果没有目标缺陷时Pr(object)＝0；Pr(Classi/object)为某种类别的条 件概率。 进一步地，所述钢板表面缺陷包括：网纹(Cr)、夹杂(In)、斑块(Pa)、表面麻点 (PS)、氧化铁皮压入(RS)以及划伤(Sc)中的至少一种。 本发明的上述技术方案相比现有技术具有以下优点： 本发明的一种基于分类优先YOLO网络的钢板表面缺陷检测方法，通过在ImageNet 数据集上进行分类器训练，对钢板表面缺陷图像进行有限分类，既解决了图像数据库不够 庞大的问题，又避免了在YOLO网络中进行缺陷类别Pr(Classi)的预测，提高了模型检测精 度。其次通过使用特征复用模块代替YOLO网络中的残差网络模块，使得每一个卷积层都能 够得到前面卷积层的所有特征，增加特征利用率，进一步提高模型检测精度。本发明根据数 据集特点提出了最合适的标注方法和最优的模型参数。 5 CN 111612784 A 说 明 书 3/6 页 附图说明 下面结合附图，通过对本发明的
