论文部分内容阅读
热轧板卷的质量问题长期以来都是冶金行业中质量控制的难点和重点,其中热轧板卷表面缺陷识别一直是一项具有挑战性的任务。近几年来以深度学习为核心的人工智能技术在计算机视觉领域表现出了突出的性能,但它应用在热轧板卷表面缺陷识别时受数据、算法、计算力等因素的制约。本文针对轧钢过程中热轧板卷表面缺陷图像少、缺陷图像识别准确率不高以及相关人工智能模型训练困难等问题,在分析热轧场景和工况的基础上提出一种热轧板卷表面缺陷无监督图像数据生成的方法并采用迁移学习对热轧板卷表面缺陷进行识别,以加快AI模型建模和训练速度,节省计算力以及提高热轧板卷表面缺陷识别质量。使用数据增强技术扩增缺陷图像以提高模型的泛化能力和鲁棒性,从而提高模型识别预测准确率,减少热轧板卷钢材质量评级错误判定的情况,提高企业经济效益。本文通过在Pytorch、TensorFlow深度学习框架下构建新型生成对抗网络对热轧板卷表面缺陷图像进行无监督数据生成以及进行模型构建迁移、训练和测试。使用python语言编程,最后模型稳定后对34类缺陷识别的平均准确率为96.52%。研究过程如下:(1)数据清洗和增强。首先对缺陷图像进行预处理一般有均值减法,归一化,白化,统一图片的大小格式,去除错误图片等操作。由于板卷缺陷训练样本较少,使用数据增强技术,来提高缺陷图片的丰富多样性,以提高训练模型的泛化能力;(2)建立迁移学习环境开发平台。采用Anaconda3、Tensorflow、Pytorch等框架作为模型开发工具,建立相应的开发软件平台,研究CNN、GAN、RESNET、Inception、Attention等网络的训练、优化和测试;(3)使用迁移学习进行缺陷识别。将清洗的数据进行均衡化处理后,迁移不同的模型(inception-v3、resnet、self-attention)进行实验。把训练数据加载到修改后的模型中,进行反复训练、优化、调整参数、测试。最后选出其中最好的AI模型迁移方案进行识别预测,统计相关指标。