一种基于红外热像仪的钢材表面缺陷检测方法

：本发明涉及钢材表面缺陷检测，具体涉及一种基于红外热像仪的钢材表面缺陷检测方法。

背景技术

0、
背景技术：

1、钢铁被用于各种各样的项目，包括房屋、电器、道路和铁路等其它基础设施的建设。在当今的制造业环境中，尤其是在即将到来的工业革命4.0的背景下，钢铁生产至关重要。钢材缺陷可能会降低产品的耐腐蚀性、耐磨性和承载能力，从而导致巨大的财务损失。由于生产过程中的不当操作，会导致表面缺陷，如晶粒粗大和其它一些现象。当钢长时间放置在环境中时，它会在表面形成氧化层并生锈。当钢被轧制时，它会在高温下与空气接触，形成轧制鳞。由于钢的氧化层或其它异物与高温轧制件接触并划伤，钢表面可能会出现各种缺陷。常见的几种表面缺陷有裂纹、夹杂物、斑块、麻点、轧鳞和划痕。在实际生产过程中，经常会出现不同种类的钢表面缺陷。而缺陷类型多样，规模、形状各异，仅用相同的方法检测所有类型的缺陷是一项具有挑战性的任务。

2、从历史上看，专家评估人员进行手工钢材表面检查，这种做法既耗时又费力。研究人员提出了各种自动检测方法以协助或取代人工检查。随着科技的发展，工业生产中的生产效率不断提高，在人工检测不能满足类似于钢板这种金属工业产品的生产检测需求的同时，开始出现许多自动化、非接触无损探伤检测技术。因此，许多企业开始采用一些具有一定技术性的检测方法，比如采用机电技术的领域有涡流和漏磁检测等；也有一些基于光学技术的检测方法，比如红外线和激光等。但这些方法存在较多的检测限制条件，如可检测的缺陷种类和大小有限、缺陷分辨能力不足、检测速度比较慢以及可维护性和可升级性较差等问题，难以保证高质量要求。图像处理、机器学习、深度学习领域的蓬勃发展，给钢材缺陷检测带来了新的检测方法，这类检测方法凭借非接触检测、检测效率高、检测效果稳定的优势，在钢材缺陷检测任务中有着广阔的应用前景。

技术实现思路

0、
技术实现要素：

1、本发明所要解决的技术问题在于提供一种基于红外热像仪的钢材表面缺陷检测方法，不仅可以提高检测准确度，降低检测成本和误判率，并且能够提升检测稳定性和效率，从而提高钢材缺陷检测的精度。

2、本发明所要解决的技术问题采用以下的技术方案来实现：

3、一种基于红外热像仪的钢材表面缺陷检测方法，包括以下步骤：

4、(1)获取钢材表面的红外图像数据，对其进行标注和线性变换增强处理，获得表面缺陷图像数据集，并将数据集图像按比例划分为训练集和测试集。

5、(2)利用添加注意力机制、改进激活函数和添加小目标检测层构建改进的yolov5网络模型，并利用步骤(1)处理后的训练集图像对该网络模型进行训练，得到训练好的改进yolov5网络模型。

6、(3)搭建图像采集检测系统，将被测钢材放置在位移工作台上，在垂直于工作台平面的位置设置红外热像仪，红外热像仪连接工控机，工控机预先加载步骤(2)训练好的改进yolov5网络模型，并在一侧放置红外光源，以斜向照射钢材表面，照射到缺陷处则会发生漫反射被热像仪采集，红外热像仪和红外光源固定不动，通过位移工作台改变样品位置，使红外热像仪采集对应方位的图像，并上传至工控机进行检测。

7、(4)根据红外热像仪固定的高度，计算出局部采集的范围，根据范围尺寸将钢材及其周边分成n×m个待检测部分，通过红外热像仪对钢材表面的每个部分进行局部图像数据采集，获取钢材局部红外图像并发送至工控机，工控机利用步骤(2)训练好的改进的yolov5网络模型进行缺陷检测。

8、(5)控制位移工作台对钢材进行移动，将钢材的下一待检测部分移动到红外热像仪采集范围，重复步骤(4)，直至所有待检测部分图像采集完毕，将最终检测结果拼接后输出。

9、在具体的技术方案中，步骤(1)是将从工业生产中采集的钢材表面红外图像资料，使用labelimg对图像中的缺陷进行标注，并对图像进行旋转、正切、随机裁剪、色彩空间变换处理以实现数据增强，得到钢材表面红外缺陷图像数据库。

10、在具体的技术方案中，步骤(2)包括以下步骤：

11、(2.1)选用yolov5卷积神经网络作为基本框架，搭建用于缺陷检测的网络模型，模型分为四个部分，分别是input、backbone、neck和head。

12、(2.2)对原卷积模块进行改进，将激活函数由leakyrelu改为silu，由此将原卷积模块改进为cbs模块。silu激活函数是一种近似于leakyrelu的激活函数，silu的优势在于以下几点：首先，silu激活函数在整个输入范围内都是平滑的，没有leakyrelu的不连续性，这使得silu函数在计算梯度时更加稳定，有助于提高模型的收敛速度；其次，silu函数具有更强的非线性特性，可以更好地拟合复杂的数据分布；再者，silu函数的导数形式简单，可以更好地传播梯度。

13、(2.3)在原网络结构上添加新的检测层和检测头，该检测头将网络中的160×160的检测特征图导入，用于检测4×4及以上的目标，用于增强小尺寸目标检测的效果。

14、(2.4)在backbone部分添加se注意力机制，先对输入特征图进行全局平均池化，将特征图从[w,h,c]压缩为[1,1,c]，接着用两个全连接层进行激励操作，构建通道间的相关性，给每个特征通道生成一个权重值，最后将该权重值与原始特征图相乘以加权到每个通道的特征上。

15、(2.5)在采用改进的yolov5网络模型对训练集图像进行训练之前，还通过使用k-means++聚类算法对表面缺陷图像数据集进行聚类，用以获取适用于钢材缺陷检测的先验框。

16、(2.6)进行训练时需要设置网络训练初始参数，包括图片输入尺寸、动量参数、权重衰减正则项参数、图片角度变化参数、饱和度与曝光变化参数、色调变化参数、初始学习率和训练迭代次数，调整动量参数、权重衰减正则项参数、初始学习率以及训练迭代次数，经过训练后，使用map对网络性能进行评价，得到训练好的改进yolov5网络模型。

17、所述激活函数silu的表达式为：

18、fleakyrelu(x)＝max(ax,x)                                       (1)

19、

20、其中，a是一个小于1的常数。

21、相对于激活函数leakyrelu，silu函数拥有更好的平滑性和非线性数据捕捉能力，在整个输入范围都有非零梯度，从而更好地更新权重。激活函数的改进能够减轻梯度消失和梯度爆炸问题，提高模型的效率、训练稳定性和收敛性。

22、所述se注意力机制执行以下运算：

23、

24、s＝σ(w2(max(0,w1(z))))                                         (4)

25、f1＝s×f                                                    (5)

26、其中，z(c)表示压缩后的特征图中第c个通道的标量值；w表示特征图的宽；h表示特征图的高；c表示通道数；f(j,i,c)表示特征图f中第c个通道第i行第j列的像素值；w1和w2分别表示两个全连接层的权重矩阵；σ表示归一化函数sigmoid，s的尺寸为[1,1,c]；f1为加权后的特征图，尺寸与原始特征图f相同。

27、所述钢材表面缺陷类型包括裂纹、夹杂物、斑块、麻点、轧鳞和划痕。

28、本发明的有益效果是：与现有技术相比，本发明通过改进yolov5网络模型算法，提高检测模型的性能；基于红外图像与基于常规图像相比，红外图像能够更好地突出表面缺陷特征，提高缺陷对比度；且本发明通过单次采集局部图像，移动工作台进行分次采集的方法，将被测钢材划分为多幅图像进行采集，保证红外图像采集的分辨率。因此，本发明提供的钢材表面缺陷检测方法能够在保证自动化高速采集的前提下，有效提高采集到的红外图像的分辨率，并通过改进检测模型的性能，提高缺陷检测精度，能够处理大尺寸的钢材，从而适应于各种规格的钢材生产。