基于卷积神经网络与轮廓提取的连铸坯表面缺陷检测方法.docx

基于卷积神经网络与轮廓提取的连铸坯表面缺陷检测方法
摘要
随着工业技术的发展，连铸坯成为钢铁工业中不可或缺的一环。然而连铸坯表面缺陷的存在会影响钢铁产品的质量和市场竞争力。因此，本文提出了一种基于卷积神经网络与轮廓提取的连铸坯表面缺陷检测方法。首先，使用Yolo算法检测出铸坯的轮廓，并将其提取出来。然后，使用卷积神经网络，对铸坯的缺陷进行分类。实验结果表明，该方法可以有效地检测出不同类型的铸坯表面缺陷，具有较高的准确率和鲁棒性。
关键词：卷积神经网络；Yolo算法；轮廓提取；连铸坯表面缺陷检测
Abstract
Withthedevelopmentofindustrytechnology,continuouscastingbillethasbecomeanindispensablepartofthesteelindustry.However,theexistenceofsurfacedefectsofcontinuouscastingbilletswillaffectthequalityofsteelproductsandmarketcompetitiveness.Therefore,thispaperproposesamethodfordetectingsurfacedefectsofcontinuouscastingbilletsbasedonconvolutionalneuralnetworkandcontourextraction.Firstly,theYoloalgorithmisusedtodetectthecontouroftheingotandextractit.Then,aconvolutionalneuralnetworkisusedtoclassifythedefectsoftheingot.Theexperimentalresultsshowthattheproposedmethodcaneffectivelydetectdifferenttypesofsurfacedefectsonthecontinuouscastingbilletwithhighaccuracyandrobustness.
Keywords:Convolutionalneuralnetwork,Yoloalgorithm,contourextraction,surfacedefectdetectionofcontinuouscastingbillet
一、引言
连铸技术是近几十年来发展最迅速的钢铁生产技术之一，它极大地促进了钢铁工业的发展。连铸坯作为钢铁产品的重要中间品，其表面质量对钢铁产品的性能和品质有着至关重要的影响。因此，连铸坯表面缺陷检测一直是钢铁生产中一个十分重要的问题。随着计算机技术的进步，现代检测技术已经可以有效地检测出连铸坯的表面缺陷，其中基于机器视觉技术的检测方法被越来越广泛地应用于工业实践中。
近年来，卷积神经网络（ConvolutionalNeuralNetwork，简称CNN）因其在图像识别、语音识别等领域的卓越表现，得到了广泛的关注和应用。CNN可以自动地提取图像中的特征，并进行分类，因此被广泛地应用于图像目标检测、识别和分类等领域。针对连铸坯表面缺陷的检测问题，CNN可以通过学习大量样本来建立模型，并实现对连铸坯表面缺陷的高效识别和分类。
本文提出了一种基于卷积神经网络与轮廓提取的连铸坯表面缺陷检测方法。首先，使用Yolo算法检测出铸坯的轮廓，并将其提取出来。然后，使用卷积神经网络，对铸坯的缺陷进行分类。实验结果表明，该方法可以有效地检测出不同类型的铸坯表面缺陷，具有较高的准确率和鲁棒性。
本文的组织结构如下。第二部分介绍相关工作；第三部分介绍方法的详细实现；第四部分展示了实验结果和分析；最后，第五部分提出了结论和展望。
二、相关工作
针对连铸坯表面缺陷检测问题，已经有许多学者提出了不同的方法。在传统的图像处理中，一些算法（如基于阈值的方法、边缘检测方法等）已经被广泛地研究和应用。这些方法在特定情况下可以得到较好的效果，但是在复杂情况下表现会很困难。而使用机器学习或深度学习的方法，可以让计算机在大量数据中学习到端到端的特征表达，并优化模型以达到高精度的检测效果。
针对铸坯表面缺陷检测问题，已经有不少学者采用机器学习方法。T.Chen等人使用了支持向量机（SupportVectorMachine，简称SVM）、人工神经网络（ArtificialNeuralNetwork，简称ANN）和决策树（DecisionTree，简称DT）等机器学习方法，在铸坯表面缺陷检测中取得了不错的效果。D.Tsekeridou等人使用了全局和局部的特征提取算法，并采用了基于条件随机场（ConditionalRandomFiel