楊延西，趙 夢(mèng)

(西安理工大學(xué) 自動(dòng)化與信息工程學(xué)院，陜西 西安 710048)

0 前言

鋼鐵行業(yè)作為制造業(yè)的支柱性產(chǎn)業(yè)，近些年來(lái)得到了快速發(fā)展，帶鋼作為鋼鐵行業(yè)的重要產(chǎn)品之一，已經(jīng)涉及生產(chǎn)制造、航空航天、國(guó)防科技等諸多領(lǐng)域[1]。帶鋼表面質(zhì)量嚴(yán)重決定了最終的產(chǎn)品性能，現(xiàn)已成為國(guó)內(nèi)外競(jìng)爭(zhēng)的關(guān)鍵性指標(biāo)，所以檢測(cè)帶鋼表面缺陷、提高帶鋼表面質(zhì)量具有重要的現(xiàn)實(shí)意義。

文獻(xiàn)[2]提出一種基于視覺(jué)注意機(jī)制的鋼板表面缺陷檢測(cè)方法，利用高斯濾波器，Gabor濾波器和交叉尺度縮小、交叉尺度加法和歸一化等計(jì)算建立了鋼板表面缺陷檢測(cè)模型。但是該方法不具魯棒性，且速度較慢。劉坤等人[3]設(shè)計(jì)一套基于機(jī)器視覺(jué)技術(shù)的帶鋼表面缺陷檢測(cè)系統(tǒng)，主要包括視覺(jué)傳感系統(tǒng)、計(jì)算機(jī)系統(tǒng)、電氣系統(tǒng)、軟件系統(tǒng)及機(jī)械輔助設(shè)備五部分，可以對(duì)帶鋼加工質(zhì)量和過(guò)程信息進(jìn)行自動(dòng)獲取、表達(dá)、傳遞、分析。文獻(xiàn)[4]提出一種基于AdaBoost分類器的帶鋼表面缺陷研究，通過(guò)自適應(yīng)中值濾波方法，有效保存圖像細(xì)節(jié)；采用Canny算子強(qiáng)化缺陷圖像邊緣特征；再進(jìn)行紋理特征提取，利用PCA-ReliefF算法進(jìn)行特征選擇，最終通過(guò)AdaBoost分類器進(jìn)行缺陷識(shí)別。

傳統(tǒng)的帶鋼檢測(cè)主要靠人工肉眼檢查，過(guò)于依賴質(zhì)檢人員的主觀意愿，從而降低檢測(cè)的可信度[5]?，F(xiàn)如今，互聯(lián)網(wǎng)、大數(shù)據(jù)、科學(xué)技術(shù)等的飛速發(fā)展，為智能制造提供了動(dòng)力引擎，智能制造是一種由智能機(jī)器和人類專家共同組成的人機(jī)一體化智能系統(tǒng)，在制造過(guò)程中能夠進(jìn)行智能活動(dòng)。智能制造日益成為未來(lái)制造業(yè)發(fā)展的核心內(nèi)容，呈現(xiàn)出智能化、模塊化、高度集成化的發(fā)展趨勢(shì)。智能制造作為工業(yè)4.0的核心，也就是實(shí)現(xiàn)動(dòng)態(tài)配置的生產(chǎn)方式。工業(yè)4.0戰(zhàn)略率先由德國(guó)提出，其根本目標(biāo)就是通過(guò)構(gòu)建智能化網(wǎng)絡(luò)，推動(dòng)工業(yè)生產(chǎn)制造進(jìn)一步由自動(dòng)化向智能化升級(jí)，他們認(rèn)為制造業(yè)的未來(lái)只能通過(guò)智能化的生產(chǎn)來(lái)創(chuàng)造價(jià)值。毫無(wú)疑問(wèn)，作為制造業(yè)的支柱性產(chǎn)業(yè)，鋼鐵行業(yè)將逐步走向數(shù)字化，最終實(shí)現(xiàn)智能化[6-8]。

隨著計(jì)算機(jī)的普及，硬件設(shè)備性能的提高，深度學(xué)習(xí)又一次在業(yè)界被廣泛提及，因其能在傳統(tǒng)的識(shí)別任務(wù)上顯著提高準(zhǔn)確率，彰顯出高超的處理復(fù)雜任務(wù)的能力[9]。許多領(lǐng)域的學(xué)者嘗試?yán)蒙疃葘W(xué)習(xí)來(lái)解決實(shí)際問(wèn)題，其中卷積神經(jīng)網(wǎng)絡(luò)(CNN)被廣泛應(yīng)用于故障診斷、缺陷檢測(cè)、圖像識(shí)別這一領(lǐng)域中[10-11]。本文提出一種基于CNN的帶鋼表面缺陷檢測(cè)系統(tǒng)，通過(guò)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)框架，逐層提取帶鋼表面特征，依賴于計(jì)算機(jī)，提高缺陷檢測(cè)的準(zhǔn)確性，逐步實(shí)現(xiàn)智能化檢測(cè)。

1 表面缺陷檢測(cè)方法

深度學(xué)習(xí)模型主要包括循環(huán)神經(jīng)網(wǎng)絡(luò)模型(Recurrent Neural Network，RNN)，長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)，生成式對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks，GAN)，卷積神經(jīng)網(wǎng)絡(luò)模型(Convolutional Neural Network, CNN)等。其中，RNN是一類用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，主要應(yīng)用于語(yǔ)音識(shí)別領(lǐng)域；LSTM是一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)，適合于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲相對(duì)較長(zhǎng)的重要事件，主要應(yīng)用于機(jī)器翻譯領(lǐng)域；GAN是近年來(lái)無(wú)監(jiān)督學(xué)習(xí)最具前景的方法之一，模型通過(guò)至少含有生成模型(Generative Model)和判別模型(Discriminative Model)兩個(gè)模塊的互相博弈學(xué)習(xí)產(chǎn)生好的輸出，主要應(yīng)用于圖像生成，如超分辨率任務(wù)，語(yǔ)義分割等[12]；CNN是一種前饋神經(jīng)網(wǎng)絡(luò)，基本結(jié)構(gòu)主要包括兩層，分別為特征提取層和特征映射層。由于權(quán)值共享的特殊結(jié)構(gòu)，CNN在圖像處理方面有著獨(dú)特的優(yōu)越性，其布局更接近于實(shí)際的生物神經(jīng)網(wǎng)絡(luò),典型CNN網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示。

圖1 CNN網(wǎng)絡(luò)結(jié)構(gòu)圖

本文通過(guò)圖像處理，對(duì)帶鋼表面進(jìn)行缺陷檢測(cè)，采用CNN模型，主要包括輸入層(input)、卷積層(convolution)、激活函數(shù)層(Relu)、池化層(Pooling)、局部響應(yīng)歸一化層(lrn),全連接層(fc)，drought層，輸出層(output)?；贑NN的帶鋼表面缺陷檢測(cè)網(wǎng)絡(luò)層級(jí)結(jié)構(gòu)示意圖如圖2所示。

圖2 網(wǎng)絡(luò)層級(jí)結(jié)構(gòu)示意圖

圖2所示為一個(gè)六層神經(jīng)網(wǎng)絡(luò)，其中，input：輸入層，輸入數(shù)據(jù)為128×128×3的原始數(shù)據(jù)；Conv1+Relu：第一卷積層：卷積核為3×3×64，步長(zhǎng)為1，padding=‘SAME’，激活函數(shù)為Relu，通過(guò)這一層得到的輸出為：128×128×64的圖像數(shù)據(jù)；卷積過(guò)程如式(1)所示。

(1)

n×n為卷積核大小，w為權(quán)值，b為偏置，x為對(duì)應(yīng)位置上的像素值，y為輸出值，再將該輸出值y輸入激活函數(shù)Relu中，如式(2)所示。

(2)

式中，f(x)為特征圖像對(duì)應(yīng)的像素點(diǎn)的值。

Pooling1+lrn為第一池化層：卷積核為2×2，步長(zhǎng)為2，通過(guò)這一層得到的輸出為:64×64×64的圖像數(shù)據(jù)；池化之后，執(zhí)行l(wèi)rn()操作，局部響應(yīng)歸一化，有利于提高訓(xùn)練過(guò)程中的準(zhǔn)確度。

Conv2+Relu為第二卷積層：卷積核為3×3×16，步長(zhǎng)為1，padding=‘SAME’，激活函數(shù)為Relu，通過(guò)這一層得到的輸出為：64×64×16的圖像數(shù)據(jù)。

Pooling2+lrn為第二池化層：卷積核為2×2，步長(zhǎng)為2，通過(guò)這一層得到的輸出為:32×32×16的圖像數(shù)據(jù)；池化之后，執(zhí)行l(wèi)rn()操作，局部響應(yīng)歸一化，有利于提高訓(xùn)練過(guò)程中的準(zhǔn)確度。fc1+Relu為第一全連接層，128個(gè)神經(jīng)元，將上一層中的輸出reshape為一行，激活函數(shù)為Relu。完成之后，執(zhí)行drought操作，即在深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，對(duì)于神經(jīng)網(wǎng)絡(luò)單元，按照一定的概率將其暫時(shí)從網(wǎng)絡(luò)中丟棄，是防止過(guò)擬合，提高效果的一種手段。

Fc2+softmax為第二全連接層，將上一層得到的1×1×128的列向量轉(zhuǎn)換成2個(gè)類別打分。此處使用TensorFlow提供的tf.softmax_cross_entropy_with_logits函數(shù)，可以直接對(duì)Logit定義交叉熵?fù)p失。交叉熵刻畫(huà)的是實(shí)際輸出(概率)與期望輸出(概率)的距離，即交叉熵的值越小，兩個(gè)概率分布越接近，如公式(3)所示。

H(p，q)=-∑xp(x)logq(x)

(3)

其中，p為期望的輸出，q為實(shí)際的輸出，H(p，q)為交叉熵。

反向傳播階段使用自適應(yīng)矩估計(jì)(Adaptive Moment Estimation，Adam)[13]進(jìn)行優(yōu)化，Adam是一種自適應(yīng)學(xué)習(xí)率算法，對(duì)每一個(gè)參數(shù)都計(jì)算自適應(yīng)的學(xué)習(xí)率。Adam相比較于其它自適應(yīng)算法，在實(shí)際中的表現(xiàn)更具優(yōu)勢(shì)。

2 實(shí)驗(yàn)過(guò)程及結(jié)果分析

典型帶鋼表面圖像如圖3所示。

圖3 帶鋼表面圖像

所以本文利用MATLAB對(duì)原始圖像進(jìn)行鏡像和旋轉(zhuǎn)變換，以達(dá)到擴(kuò)充樣本的目的，變換后的帶鋼表面圖像效果如圖4所示。

圖4 圖像變換

本次實(shí)驗(yàn)總共包含1776張帶鋼表面圖像，其中缺陷圖像為1392張，無(wú)缺陷圖像為384張。將這1776張圖像作為原始數(shù)據(jù)，制作Tfrecords，讀取Tfrecords數(shù)據(jù)，獲得image和label，并保存相應(yīng)的數(shù)據(jù)，作為后續(xù)訓(xùn)練的inputdata。

對(duì)inputdata進(jìn)行image和label的分類制作，同時(shí)對(duì)輸入數(shù)據(jù)進(jìn)行batch處理，以獲得image_batch和label_batch。

建立CNN神經(jīng)網(wǎng)絡(luò)模型，主要包括4部分：定義模型(def inference())、定義好壞標(biāo)準(zhǔn)(def loss())、定義算法，挑出好的標(biāo)準(zhǔn)(def train())、定義輸入數(shù)據(jù)(def input())，模型建立完成之后，進(jìn)行訓(xùn)練與測(cè)試。

本次訓(xùn)練在Intel Core i5-7300HQ，內(nèi)存為8GB的CPU平臺(tái)上進(jìn)行，采用TensorFlow框架，利用python語(yǔ)言完成。訓(xùn)練過(guò)程中，選取1420張圖像作為訓(xùn)練樣本，(包括缺陷圖像1114張，無(wú)缺陷圖像306張)，余下的356張圖像作為測(cè)試樣本，(包括缺陷圖像278張，無(wú)缺陷圖像78張)。

實(shí)驗(yàn)過(guò)程中，設(shè)置總迭代輪數(shù)為1000，調(diào)整batch_size以及學(xué)習(xí)率(learning_rate)，進(jìn)行測(cè)試，本文中batch_size分別取10、20，學(xué)習(xí)率分別取0.001和0.0001，得到的結(jié)果如表1所示。由表1可知，batch_size為10，學(xué)習(xí)率取0.0001時(shí)，模型的效果最好，準(zhǔn)確率最高。在該模型下，對(duì)356張樣本圖像進(jìn)行測(cè)試，每一張測(cè)試圖像輸出的最大概率均與其標(biāo)簽一致，部分測(cè)試結(jié)果如表2所示，可以看出，該模型準(zhǔn)確率為100%，未發(fā)現(xiàn)誤差，相較于文獻(xiàn)[5]所涉及的方法，有了較大的提升。

表1 各參數(shù)對(duì)模型準(zhǔn)確率的影響

表2 測(cè)試結(jié)果

3 結(jié)束語(yǔ)

本文提出一種基于CNN的帶鋼表面缺陷檢測(cè)算法，引入深度學(xué)習(xí)知識(shí)，通過(guò)建立CNN模型，制作數(shù)據(jù)集，實(shí)現(xiàn)了對(duì)帶鋼表面缺陷的自動(dòng)提取與檢測(cè)。實(shí)驗(yàn)表明，本文所提出的方法具有較高的準(zhǔn)確率，能夠滿足工業(yè)生產(chǎn)方面的要求。另外，該方法對(duì)于其它實(shí)物也可以進(jìn)行類似檢測(cè)，具有一定的通用性。為緊跟工業(yè)4.0：智能制造的腳步，下一階段的主要任務(wù)是實(shí)現(xiàn)對(duì)檢測(cè)出的有缺陷帶鋼表面圖像進(jìn)行自主的缺陷識(shí)別與分類，以達(dá)到更加高效、智能的目的。