本發(fā)明涉及連鑄坯缺陷檢測，更具體地說，它涉及一種基于unet的連鑄方坯缺陷檢測方法、系統(tǒng)、設備及存儲介質。

背景技術：

1、連鑄坯的生產是整個鋼鐵生產線的關鍵環(huán)節(jié)，由于凝固前沿高濃度溶質的鋼液發(fā)生相對流動形成，宏觀偏析在后續(xù)的軋制和均勻化熱處理過程中不能完全消除，對鋼產品的性能和穩(wěn)定性產生重要影響。因此，對連鑄坯內部缺陷進行快速準確地檢測以及質量評級對連鑄鋼板坯的生產過程至關重要，而且連鑄坯內部缺陷在很大程度上影響著連鑄壞質量，對于內部缺陷的檢測是衡量鑄壞質量好環(huán)的一個重要標準。目前主要還是通過人工評級內部缺陷，人工評級方法有著主觀性大，效率低等問題。

技術實現(xiàn)思路

1、本發(fā)明要解決的技術問題是針對現(xiàn)有技術的上述不足，本發(fā)明的目的一是提供一種智能、快速、準確的基于unet的連鑄方坯缺陷檢測方法。

2、本發(fā)明的目的二是提供一種基于unet的連鑄方坯缺陷檢測系統(tǒng)。

3、本發(fā)明的目的三是提供一種計算機設備。

4、本發(fā)明的目的四是提供一種計算機存儲介質。

5、為了實現(xiàn)上述目的一，本發(fā)明提供一種基于unet的連鑄方坯缺陷檢測方法，包括以下步驟：

6、步驟一.獲取按照標準進行侵蝕和清洗后的方坯樣品的方坯圖像；

7、步驟二.對所述方坯圖像進行圖像增強處理得到增強圖像，對所述方坯圖像、增強圖像中的缺陷進行標注，并制作成連鑄方坯表面缺陷數(shù)據集，對所述連鑄方坯表面缺陷數(shù)據集劃分為訓練集、驗證集與測試集；

8、步驟三.對unet網絡進行改進，使用leaky?relu函數(shù)作為conv結構中的激活函數(shù)，將編碼結構中經過卷積模塊后的特征圖送入bam注意力模塊中，并將bam注意力模塊輸出的特征圖與經過反卷積操作后得到維度相同的特征圖拼接；

9、步驟四.使用所述訓練集對改進的unet網絡模型進行訓練，訓練時將epoch設定在200-300范圍內，之后對unet網絡模型進行參數(shù)微調，完成基于改進unet的連鑄方坯缺陷分割模型；

10、使用所述驗證集對所述連鑄方坯缺陷分割模型進行驗證，并進行參數(shù)優(yōu)化；

11、使用所述測試集對優(yōu)化后的連鑄方坯缺陷分割模型進行測試，對連鑄方坯缺陷分割模型的準確率、召回率、精度及miou分割指標進行計算，驗證檢測連鑄方坯缺陷分割模型的性能，并確定最優(yōu)的參數(shù)，得到缺陷檢測模型；

12、步驟五.使用所述缺陷檢測模型檢測待檢測方坯的圖像，得到根據檢測區(qū)域生成的缺陷掩膜區(qū)域，對所述缺陷掩膜區(qū)域進行統(tǒng)計得到缺陷區(qū)與鑄坯面積的統(tǒng)計占比，根據所述統(tǒng)計占比對所述待檢測方坯的缺陷等級進行評價。

13、作為進一步地改進，從工業(yè)產線收集所述方坯樣品；按照標準《yb/t4002-2013連鑄鋼方坯低倍組織缺陷評級圖》中的處理要求對所述方坯樣品進行侵蝕和清洗。

14、進一步地，所述方坯圖像要求將鑄坯拍攝完全，且鑄坯表面清潔，鑄坯表面不能存在光照差異過大的區(qū)域。

15、進一步地，所述圖像增強處理包括：

16、加入圖像噪聲，選取高斯噪聲、椒鹽噪聲、泊松噪聲中的至少一種，來改變不同的信噪比生成數(shù)據，

17、s1(o)＝s(i)+n(θ)

18、其中s1(o)為增強后圖像，s(i)為原始圖像，n(θ)為噪聲，θ為噪聲參數(shù)；

19、圖像模糊化，選取均值濾波、高斯濾波、運動模糊、對比度增強濾波中的至少一種，設定不同參數(shù)得到經過濾波器后的圖像，

20、s2(o)＝f(s(i)|φ)

21、其中s2(o)為增強后圖像，f(·)為濾波器，φ為濾波器參數(shù)；

22、改變圖像明暗度，選取不同的亮度比例：20％、50％、80％，將原圖像進行亮度值變換，

23、s3(o)＝f(s(i))

24、其中s3(o)為增強后圖像，f(·)為亮度變化函數(shù)；

25、圖像質量調整，將jpeg圖像按照jpeg編碼規(guī)范降低質量，獲取75％、90％兩種不同質量下的圖像，

26、s4(o)＝m(s(i))

27、其中s4(o)為增強后圖像，m(·)為jpeg編碼質量調整函數(shù)。

28、進一步地，使用圖形圖像注釋工具labelme對每一幅圖像中的缺陷進行標注。

29、進一步地，訓練集、驗證集與測試集中圖片數(shù)量比為8:1:1。

30、進一步地，按照標準《yb/t?4002-2013連鑄鋼方坯低倍組織缺陷評級圖》給出的案例圖進行標注與劃分，并利用插值法增設閾值比例，等級劃分方式如下：

31、檢測缺陷面積與鑄坯面積比值為0.01％-1.95％的，含有1.95％，對應偏析等級為0.5級；

32、檢測缺陷面積與鑄坯面積比值為1.96％-3.01％的，含有3.01％，對應偏析等級為1級；

33、檢測缺陷面積與鑄坯面積比值為3.02％-5.62％的，含有5.62％，對應偏析等級為1.5級；

34、檢測缺陷面積與鑄坯面積比值為5.63％-7.96％的，含有7.96％，對應偏析等級為2級；

35、檢測缺陷面積與鑄坯面積比值為7.97％-11.58％的，含有11.58％，對應偏析等級為2.5級；

36、檢測缺陷面積與鑄坯面積比值為11.59％-14.15％的，含有14.15％，對應偏析等級為3級；

37、檢測缺陷面積與鑄坯面積比值為14.16％-19.59％的，含有19.59％，對應偏析等級為3.5級；

38、檢測缺陷面積與鑄坯面積比值高于19.60％的，對應偏析等級為4級。

39、為了實現(xiàn)上述目的二，本發(fā)明提供一種基于unet的連鑄方坯缺陷檢測系統(tǒng)，包括：

40、獲取模塊，用于獲取按照標準進行侵蝕和清洗后的方坯樣品的方坯圖像；

41、增強模塊，用于對所述方坯圖像進行圖像增強處理得到增強圖像，對所述方坯圖像、增強圖像中的缺陷進行標注，并制作成連鑄方坯表面缺陷數(shù)據集，對所述連鑄方坯表面缺陷數(shù)據集劃分為訓練集、驗證集與測試集；

42、unet改進模塊，用于對unet網絡進行改進，使用leaky?relu函數(shù)作為conv結構中的激活函數(shù)，將編碼結構中經過卷積模塊后的特征圖送入bam注意力模塊中，并將bam注意力模塊輸出的特征圖與經過反卷積操作后得到維度相同的特征圖拼接；

43、訓練模塊，用于使用所述訓練集對改進的unet網絡模型進行訓練，訓練時將epoch設定在200-300范圍內，之后對unet網絡模型進行參數(shù)微調，完成基于改進unet的連鑄方坯缺陷分割模型；使用所述驗證集對所述連鑄方坯缺陷分割模型進行驗證，并進行參數(shù)優(yōu)化；使用所述測試集對優(yōu)化后的連鑄方坯缺陷分割模型進行測試，對連鑄方坯缺陷分割模型的準確率、召回率、精度及miou分割指標進行計算，驗證檢測連鑄方坯缺陷分割模型的性能，并確定最優(yōu)的參數(shù)，得到缺陷檢測模型；

44、檢測模塊，用于使用所述缺陷檢測模型檢測待檢測方坯的圖像，得到根據檢測區(qū)域生成的缺陷掩膜區(qū)域，對所述缺陷掩膜區(qū)域進行統(tǒng)計得到缺陷區(qū)與鑄坯面積的統(tǒng)計占比，根據所述統(tǒng)計占比對所述待檢測方坯的缺陷等級進行評價。

45、為了實現(xiàn)上述目的三，本發(fā)明提供一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述的一種基于unet的連鑄方坯缺陷檢測方法。

46、為了實現(xiàn)上述目的四，本發(fā)明提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述的一種基于unet的連鑄方坯缺陷檢測方法。

47、有益效果

48、本發(fā)明與現(xiàn)有技術相比，具有的優(yōu)點為：

49、本發(fā)明通過將方坯圖像進行圖像增強處理，極大擴充了訓練樣本；對unet網絡進行改進時將bam注意力模塊輸出的特征圖與經過反卷積操作后得到維度相同的特征圖拼接，提高了網絡的抗干擾性及準確性，以此訓練unet網絡模型來對連鑄坯缺陷檢測，可以用于不同背景、侵蝕程度與尺寸的連鑄方坯，且可以保證較高的檢測準確性、快速性和智能性。