《基于深度学习技术的带钢穿带异常监测方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于深度学习技术的带钢穿带异常监测方法及系统.pdf（7页珍藏版）》请在专利查询网上搜索。
1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202310571540.4(22)申请日 2023.05.21(71)申请人 上海研视信息科技有限公司地址 200000 上海市宝山区水产路1269号216幢207室(72)发明人 邢云生梅文豪肖鑫豪(74)专利代理机构 上海老虎专利代理事务所(普通合伙)31434专利代理师 马文峰(51)Int.Cl.G06T 7/00(2017.01)G06V 10/764(2022.01)G06V 10/774(2022.01)G06N 3/0464(2023.01)G06N 3/08(2023.01)(。
2、54)发明名称一种基于深度学习技术的带钢穿带异常监测方法及系统(57)摘要本发明公开了一种基于深度学习技术的带钢穿带异常监测方法，包括：利用成像设备实时获取待检测带钢表面的图像，根据ResNet模型对图片的大小要求，将图片按比例缩小到指定大小；对带钢表面异常图像添加标签；用加速推理框将ResNet模型部署到服务器；通过缺陷检测模型对成像设备实时获取的带钢表面图像，确定带钢表面图像中的异常。本发明的有益效果：1、本发明通过深度学习与硬件的结合，通过深度学习技术智能判断穿带是否有异常情况发生，实现了智能化的管理；2、本发明通过实时监测，能预防安全隐患的发生，从而进一步保障了工作人员的人生安全；3、。
3、提高了工业生产的效果，解放了人工监管，降低了企业人工成本。权利要求书1页 说明书4页 附图1页CN 116612085 A2023.08.18CN 116612085 A1.一种基于深度学习技术的带钢穿带异常监测方法，其特征在于：所述检测方法包括：利用成像设备实时获取待检测带钢表面的图像，得到待检测带钢表面图像集，将图像集内的图片进行分类，根据深度学习神经网络目标侦测模型对图片的大小要求，将图片按比例缩小到指定大小；对带钢表面异常图像添加标签，先对原始输入做一次卷积操作，然后加一个最大池化；中间是7个连续的模块，每个模块包含两个深度学习PT模型，再加一个最大池化，然后将输入进行平铺操作，最后接。
4、一个softmax函数，得到待检测带钢表面分类的ResNet模型，并保存对应的训练权重、根据训练精度和损失函数图判断模型是否已经训练好；用加速推理框将PT模型部署到服务器；通过缺陷检测模型对成像设备实时获取的带钢表面图像，确定带钢表面图像中的异常。2.根据权利要求1所述的一种基于深度学习技术的带钢穿带异常监测方法，其特征在于：在使用ResNet对异常图像进行训练过程中获取残差结构，并对残差结构进行拟合，残差结构拟合公式为：F(x)H(x)x，其中，其中H(x)为输入，F(x)为输出。3.根据权利要求1所述的一种基于深度学习技术的带钢穿带异常监测方法，其特征在于：在拟合残差结构的拟合的过程中将两。
5、个3*3卷积层替换成1*1+3*3+1*1。4.根据权利要求1所述的一种基于深度学习技术的带钢穿带异常监测方法，其特征在于：用加速推理框将缺陷检测模型部署到服务器的过程指的是对缺陷检测模型推理文件进行反序列化解析，加速缺陷检测模型的推理过程，使fps达到40到50，实现算法实时推理，从而完成模型推理文件部署到服务器上。5.根据权利要求1所述的一种基于深度学习技术的带钢穿带异常监测方法，其特征在于：所述确定带钢表面图像中的异常的过程是通过成像设备获取的图片进行调整，与PT模型进行验证，得到异常图片。6.根据权利要求5所述的一种基于深度学习技术的带钢穿带异常监测方法，其特征在于：所述对图片进行调整。
6、包括将图片缩放至128*85像素，并依次采用翻转变换、旋转变换、噪声扰动和对比变换的数据增强方式扩大上述预处理后的图片数据的泛化性。7.一种基于深度学习技术的带钢穿带异常监测系统，其特征在于，包括：图像采集模块，配置用于进行实时采集带钢表面图像；模型改进模块，配置用于在深度学习神经网络目标侦测模型检测端加入卷积注意力模块，且将所述卷积注意力模块的空间注意力模块的，并将模型内的IOU损失函数改进为CIOU损失函数；表面异常检测模块，配置用于通过PT模型并利用数据集来检测带钢表面异常及类型；报警模块，配置用于将所述表面异常监测模块的结果进行显示。权利要求书1/1 页2CN 116612085 A2。
7、一种基于深度学习技术的带钢穿带异常监测方法及系统技术领域0001本发明涉及带钢检测技术领域，具体为一种基于深度学习技术的带钢穿带异常监测方法及系统。背景技术0002在钢铁行业中，热轧带钢是一种金属材料，它由钢材经过熔炼、冷轧、热轧、弹性形变和精轧等多道工序制成，是一个非常繁琐而复杂的过程，需要多方协调，准确控制每步空间定位、温度控制、加工深度、表面平整度等各项参数，确保热轧带钢的质量和指标符合要求。带钢生产完成之后，需要由生产线进行传输运送到卷取机上进行卷钢。0003带钢头部经过精轧连轧机架轧制后，即完成了在精轧区域的“穿带”(按照设定工艺参数顺利从精轧连轧机架穿过)，带钢头部随即进入层流冷却。
8、区域，一边被层流冷却上下冷却集管喷出的水快速冷却，一边向几十米甚至一百多米外的卷取机高速运动。从这一时刻开始，直至带钢头部在卷取机上成功卷取，是带钢在层流冷却区域的“穿带”过程。穿带异常包括带钢表面异常和穿带过程中带钢带头的跟踪检测两部分在该过程中，由于带钢头部无牵引物，同时需要从层流冷却上下冷却集管喷出来的水形成的“水墙”中穿过，带钢头部会遇到较大的阻力。对于比较薄、比较软的带钢，其头部有时候难以顺利完成这一“穿带”动作，出现头部飘起、折叠、插入辊道等等异常情况，严重时会因为带钢头部无法进入卷取机而造成废钢停机事故。0004在传统的穿带异常检测过程中，需要由人工进行实时监督，当出现穿带异常导。
9、致堵塞使生产线不能正常工作的情况下，工作人员就会进行人工干预，使其恢复正常。不过在这种传统的人工监测的方式中存在以下几种问题：00051、智能化不足，传统的人工监测主要是由人工进行检查，效率比较低，智能化不足，不能满足于工业4.0智能化的要求。00062、存在安全隐患，在传统的人工检测的方式中，人容易出现疲劳，在疲劳、困顿的情况下，工作人员可能存在失察的情况，导致如果发生了穿带异常情况不能及时干预，导致生产停滞，同时工作人员的安全也存在隐患。00073、不能实时监测及反馈，人工检测过程中，人工是不能做到无时无刻的检查和工作，因此存在漏检及反馈不及时，当出现穿带异常的情况下，这样就会在一段时间内。
10、穿带异常情况得不到解决从而导致生产停滞。00084、人工成本高，不同工位需要安排一个工作人员进行检测，这样会造成人工成本高，造成大量的成本消耗。发明内容0009本发明的目的在于提供一种基于深度学习技术的带钢穿带异常监测方法及系统，以解决上述背景技术中提出的问题。0010为实现上述目的，本发明提供如下技术方案：一种基于深度学习技术的带钢穿带说明书1/4 页3CN 116612085 A3异常监测方法，所述检测方法包括：0011利用成像设备实时获取待检测带钢表面的图像，得到待检测带钢表面图像集，将图像集内的图片进行分类，根据深度学习神经网络目标侦测模型对图片的大小要求，将图片按比例缩小到指定大小；。
11、0012对带钢表面异常图像添加标签，先对原始输入做一次卷积操作，然后加一个最大池化；中间是7个连续的模块，每个模块包含两个深度学习PT模型，再加一个最大池化，然后将输入进行平铺操作，最后接一个softmax函数，得到待检测带钢表面分类的ResNet模型，并保存对应的训练权重、根据训练精度和损失函数图判断模型是否已经训练好；0013用加速推理框将PT模型部署到服务器；0014通过缺陷检测模型对成像设备实时获取的带钢表面图像，确定带钢表面图像中的异常。0015进一步的，在使用深度学习神经网络目标侦测模型对异常图像进行训练过程中获取残差结构，并对残差结构进行拟合，残差结构拟合公式为：F(x)H(x)。
12、x，其中，其中H(x)为输入，F(x)为输出。0016进一步的，在拟合残差结构的拟合的过程中将两个3*3卷积层替换成1*1+3*3+1*1。0017进一步的，用加速推理框将缺陷检测模型部署到服务器的过程指的是对缺陷检测模型推理文件进行反序列化解析，加速缺陷检测模型的推理过程，使fps达到40到50，实现算法实时推理，从而完成模型推理文件部署到服务器上。0018进一步的，所述确定带钢表面图像中的异常的过程是通过成像设备获取的图片进行调整，与PT模型进行验证，得到异常图片。0019进一步的，所述对图片进行调整包括将图片缩放至128*85像素，并依次采用翻转变换、旋转变换、噪声扰动和对比变换的数据增。
13、强方式扩大上述预处理后的图片数据的泛化性。0020一种基于深度学习技术的带钢穿带异常监测系统，包括：0021图像采集模块，配置用于进行实时采集带钢表面图像；0022模型改进模块，配置用于在深度学习神经网络目标侦测模型检测端加入卷积注意力模块，且将所述卷积注意力模块的空间注意力模块的，并将模型内的IOU损失函数改进为CIOU损失函数；0023表面异常检测模块，配置用于通过PT模型并利用数据集来检测带钢表面异常及类型；0024报警模块，配置用于将所述表面异常监测模块的结果进行显示。0025与现有技术相比，本发明的有益效果是：00261、本发明通过深度学习与硬件的结合，通过深度学习技术智能判断穿带是。
14、否有异常情况发生，实现了智能化的管理；00272、本发明通过实时监测，能预防安全隐患的发生，从而进一步保障了工作人员的人生安全；00283、提高了工业生产的效果，解放了人工监管，降低了企业人工成本。说明书2/4 页4CN 116612085 A4附图说明0029图1为深度学习神经网络目标侦测模型训练流程图。0030图2为带钢穿带监测系统整体流程图。具体实施方式0031下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实。
15、施例，都属于本发明保护的范围。0032请参阅图12，本发明提供一种技术方案：一种基于深度学习技术的带钢穿带异常监测方法，所述检测方法包括：0033利用成像设备实时获取待检测带钢表面的图像，得到待检测带钢表面图像集，将图像集内的图片进行分类，根据模型对图片的大小要求，将图片按比例缩小到指定大小，首本次采集不同场景下及不同带钢发生异常的图片，本实施例中采集8000至9544张图片，为了使训练模型得到更为精确的数据，图片数量理论上愈多愈好；0034对带钢表面异常图像添加标签，得到异常图片，先对原始输入做一次卷积操作，然后加一个最大池化；中间是7个连续的模块，每个模块包含两个ResNet模型模块，再加。
16、一个最大池化，然后将输入进行平铺操作，最后接一个softmax函数，得到待检测带钢表面分类的PT模型；0035用加速推理框将PT模型部署到服务器，具体的，是指对模型推理文件解析生成trt文件，将trt文件用c+进行部署到服务器，trt文件能加快模型文件的推理，使模型达到实时检测的效果。0036通过缺陷检测模型对成像设备实时获取的带钢表面图像，确定带钢表面图像中的异常，将trt文件部署的c+程序打包生成动态库dll文件和前端进行接口对接，通过相机采集的图片传送给动态库进行推理，将推理结果发送给前端。0037具体的，在使用深度学习神经网络目标侦测模型对异常图像进行训练过程中获取残差结构，并对残差结。
17、构进行拟合，残差结构拟合公式为：F(x)H(x)x，其中，其中H(x)为输入，F(x)为输出。0038具体的，在拟合残差结构的拟合的过程中将两个3*3卷积层替换成1*1+3*3+1*1。0039具体的，用加速推理框将缺陷检测模型部署到服务器的过程指的是对缺陷检测模型推理文件进行反序列化解析，加速缺陷检测模型的推理过程，使fps达到40到50，实现算法实时推理，从而完成模型推理文件部署到服务器上。0040具体的，所述确定带钢表面图像中的异常的过程是通过成像设备获取的图片进行调整，与PT模型进行验证，得到异常图片。0041具体的，所述对图片进行调整包括将图片缩放至128*85像素，并依次采用翻转变。
18、换、旋转变换、噪声扰动和对比变换的数据增强方式扩大上述预处理后的图片数据的泛化性。0042本发明还提供了一种基于深度学习技术的带钢穿带异常监测系统，包括：0043图像采集模块，配置用于进行实时采集带钢表面图像；说明书3/4 页5CN 116612085 A50044模型改进模块，配置用于在深度学习神经网络目标侦测模型检测端(例如ResNet网络结构)加入卷积注意力模块，且将所述卷积注意力模块的空间注意力模块的，并将模型内的IOU损失函数改进为CIOU损失函数；0045表面异常检测模块，配置用于通过PT模型并利用数据集来检测带钢表面异常及类型；0046报警模块，配置用于将所述表面异常监测模块的结。
19、果进行显示。0047本说明书中实施例中相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。0048在本发明所提供的几个实施例中，应该理解到，所揭露的系统、系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，。
20、机械或其它的形式。0049所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。0050另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。0051尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。说明书4/4 页6CN 116612085 A6图1图2说明书附图1/1 页7CN 116612085 A7。