本發(fā)明涉及金屬表面缺陷檢測，具體為一種金屬板材表面缺陷精密檢測方法及系統(tǒng)。

背景技術：

1、金屬板材因其優(yōu)良的強度、耐久性和可加工性，能夠滿足多樣化的結構和性能要求。其中，鐵磁性金屬板材由于具備機械強度高、導磁性好和抗腐蝕性能優(yōu)異等特性，被廣泛應用于建筑、汽車、機械制造、造船、電力設備等領域。鐵磁性金屬板材的種類主要包括碳鋼、低合金鋼和硅鋼等。鐵磁性金屬板材在生產過程中，由于制造工藝中的不均勻性、原材料缺陷、熱處理過程中的應力集中等原因，可能會在出廠前產生裂紋、氣孔、表面劃痕或其他加工缺陷。這些缺陷如果未經檢測并修復，可能會在后續(xù)的使用中對產品的強度和耐用性產生影響，進而導致設備或結構的失效。因此，在鐵磁性金屬板材出廠前，進行表面和近表面缺陷的精密檢測是確保產品質量的關鍵步驟。

2、現(xiàn)有的鐵磁性金屬板材表面檢測方法主要包括磁粉檢測、渦流檢測和基于計算機視覺的表面缺陷檢測等。磁粉檢測是常用的表面缺陷檢測手段。板材通常具有光滑的平面形狀，這使得在其表面均勻涂覆磁粉變得相對簡單。在磁粉檢測過程中，需要將磁粉均勻撒布在待檢測的表面，以便通過磁粉的聚集情況顯示缺陷。對于平整的板材，磁粉能夠更均勻地覆蓋其表面，而不會像在復雜形狀或不規(guī)則表面上那樣難以涂覆或導致磁粉堆積不均勻，從而影響檢測效果。但磁粉檢測的操作較為繁瑣復雜，尤其在大面積板材檢測時，耗時長、成本高。此外，磁粉檢測的精度受限，對于微小的表面裂紋和氣孔等缺陷，容易出現(xiàn)漏檢問題。

3、現(xiàn)有的基于計算機視覺的表面缺陷檢測技術通常依賴于工業(yè)相機或傳感器來采集金屬板材的表面圖像，并使用圖像處理算法或深度學習模型對表面缺陷進行識別和分類，能夠快速檢測大面積的板材表面，尤其擅長識別較大的劃痕、腐蝕、變色等明顯的表面瑕疵。然而，現(xiàn)有的基于計算機視覺的表面缺陷檢測技術存在一定的局限性，主要體現(xiàn)在對微小缺陷(如裂紋和氣孔)的識別精度不足。此外，視覺檢測方法主要依賴表面圖像，難以進行更深入的多層次分析，從而限制了其在微小和精密缺陷檢測中的精度和全面性。

4、為此，提出一種金屬板材表面缺陷精密檢測方法及系統(tǒng)。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種金屬板材表面缺陷精密檢測方法及系統(tǒng)，主要從以下幾點出發(fā)，首先，從同一批次的鐵磁性金屬板材中抽取一批樣品，通過傳輸裝置依次將其移動至指定檢測位置，利用第一工業(yè)相機采集表面圖像，并對圖像進行預處理后輸入訓練好的板材表面缺陷精密檢測模型，生成包含缺陷位置、類別和嚴重程度的第一缺陷檢測結果。根據(jù)第一缺陷檢測結果，計算待灑磁粉量，并對缺陷區(qū)域進行熒光磁粉噴灑和同步磁場施加。隨后使用第二工業(yè)相機在紫外光照條件下對缺陷位置進行拍攝，得到磁粉覆蓋圖像，將其輸入訓練好的磁粉缺陷檢測識別模型，生成第二缺陷檢測結果。最終，根據(jù)第二缺陷檢測結果對第一檢測結果進行修正，生成綜合結果。本發(fā)明提出了一種板材表面缺陷精密檢測模型，通過多尺度特征提取和多任務學習，結合多通道輸入圖像數(shù)據(jù)，實現(xiàn)了對金屬板材表面缺陷的全面檢測，提升了對不同尺寸缺陷的識別精度。通過自動化磁粉噴灑裝置，能夠根據(jù)缺陷區(qū)域的坐標精準控制熒光磁粉的噴灑量和角度，同時施加磁場，確保缺陷位置的有效檢測，減少了外部干預，提高了檢測效率。最后，提出了一種磁粉缺陷檢測識別模型，通過結合圖像和電磁場數(shù)據(jù)的多模態(tài)輸入，并利用加權特征融合層和注意力機制進行特征融合，有效提升了對缺陷位置、類別和嚴重程度的準確分類和置信度評分，增強了檢測的全面性和可靠性。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、一種金屬板材表面缺陷精密檢測方法，包括：

4、從生產完成的鐵磁性金屬板材中抽取一批金屬板材，得到n個待檢金屬板材；所述待檢金屬板材為同一批次生產的所述鐵磁性金屬板材；

5、將n個所述待檢金屬板材通過傳輸裝置依次移動至指定檢測位置；通過第一工業(yè)相機對處于所述指定檢測位置的所述待檢金屬板材表面進行圖像采集，得到m組初始圖像；對m組所述初始圖像進行預處理，得到m組預處理圖像；將m組所述預處理圖像輸入訓練好的板材表面缺陷精密檢測模型，得到第一缺陷檢測結果；所述第一缺陷檢測結果包括第一缺陷位置、第一缺陷類別和第一缺陷嚴重程度；

6、根據(jù)所述第一缺陷檢測結果計算每個缺陷區(qū)域的待灑磁粉量，根據(jù)所述缺陷區(qū)域對應的所述第一缺陷位置和對應的所述待灑磁粉量對所述缺陷區(qū)域均勻噴灑熒光磁粉，并同步對所述缺陷區(qū)域施加磁場；

7、使用第二工業(yè)相機在紫外線照射條件下對所述缺陷區(qū)域進行拍攝，得到磁粉覆蓋圖像；將預處理后的所述磁粉覆蓋圖像輸入訓練好的磁粉缺陷檢測識別模型，得到第二缺陷檢測結果；所述第二缺陷檢測結果包括第二缺陷位置、第二缺陷類別和第二缺陷嚴重類別；根據(jù)所述第二缺陷檢測結果對所述第一缺陷檢測結果進行修正，生成綜合結果。

8、進一步地，將n個所述待檢金屬板材通過所述傳輸裝置依次移動至所述指定檢測位置包括：通過自動上料與定位裝置將所述待檢金屬板材從上料區(qū)域輸送到所述傳輸裝置的傳送帶上，使每個所述待檢金屬板材在所述傳送帶停止時移動到所述指定檢測位置；所述自動上料與定位裝置包括自動上料裝置和定位裝置，所述自動上料裝置用于將所述待檢金屬板材連續(xù)輸送至所述傳送帶；所述定位裝置包括激光投射裝置、工業(yè)相機、分析系統(tǒng)和反饋系統(tǒng)，所述指定檢測位置位于所述傳送帶上的指定位置，所述激光投射裝置安裝于所述指定檢測位置的正上方；通過所述激光投射裝置將與所述待檢金屬板材尺寸相同的虛擬固定框投射到所述傳送帶表面；所述第一工業(yè)相機用于拍攝所述傳送帶停止傳送時所述指定檢測位置處的圖像，得到待檢圖像；所述分析系統(tǒng)用于根據(jù)所述待檢圖像檢測所述待檢金屬板材的邊緣是否與所述虛擬固定框重合，得到偏移結果；當所述偏移結果為是時，計算調整參數(shù)；所述反饋系統(tǒng)用于當所述偏移結果為是時根據(jù)所述調整參數(shù)自動調整所述傳送帶，使所述待檢金屬板材與所述虛擬固定框的邊緣重合。

9、進一步地，通過所述第一工業(yè)相機對所述待檢金屬板材表面進行圖像采集，得到m組所述初始圖像具體為：在不同采集角度和光照條件下，通過所述第一工業(yè)相機獲取m組所述初始圖像，每組所述初始圖像對應不同的角度參數(shù)與光照參數(shù)組合。

10、進一步地，所述板材表面缺陷精密檢測模型的訓練過程包括以下步驟：

11、數(shù)據(jù)準備步驟：采集來自不同角度和光照條件下的金屬板材表面圖像，構成m組輸入圖像；每組所述輸入圖像經過標注，得到標注輸入圖像，所述標注輸入圖像包含缺陷位置、缺陷類別、缺陷嚴重程度的標簽信息；

12、數(shù)據(jù)預處理步驟：對m組所述標注輸入圖像進行數(shù)據(jù)預處理，包括歸一化和數(shù)據(jù)增強，得到預處理標注圖像；

13、數(shù)據(jù)劃分步驟：將所述預處理標注圖像劃分為第一訓練集和第一驗證集；

14、訓練步驟：將所述第一訓練集輸入所述板材表面缺陷精密檢測模型，利用所述標簽信息中的所述缺陷位置、所述缺陷類別和所述缺陷嚴重程度進行監(jiān)督學習；在訓練過程中，根據(jù)所述標簽信息中的所述缺陷位置、所述缺陷類別和所述缺陷嚴重程度計算位置誤差、分類誤差和嚴重程度誤差；基于所述位置誤差、所述分類誤差和所述嚴重程度誤差計算損失函數(shù)，通過反向傳播算法更新模型權重參數(shù)，得到第一板材表面缺陷精密檢測模型；

15、驗證步驟：通過所述第一驗證集對所述第一板材表面缺陷精密檢測模型的性能進行評估，計算所述第一驗證集的損失函數(shù)，若所述損失函數(shù)值未達到預設收斂條件，則調整所述第一板材表面缺陷精密檢測模型的超參數(shù)；

16、重復所述訓練步驟和所述驗證步驟，直到所述第一驗證集的所述損失函數(shù)達到所述預設收斂條件，得到所述板材表面缺陷精密檢測模型。

17、進一步地，所述板材表面缺陷精密檢測模型包括：多通道輸入層、特征提取層、多尺度特征提取層、全局特征提取層、多任務學習層和置信度輸出層；

18、所述多通道輸入層用于接收來自不同角度和光照條件下的m組輸入圖像；

19、所述特征提取層包括多個卷積層和多個批歸一化層，用于生成特征圖；所述卷積層用于提取圖像特征，所述批歸一化層用于歸一化每個所述卷積層的輸出；

20、所述多尺度特征提取層采用不同大小的卷積核對所述特征圖進行多尺度處理，以提取不同尺度下的缺陷特征，生成多尺度特征圖；

21、所述全局特征提取層包括全局平均池化層和第一全連接層；通過所述全局平均池化層對所述多尺度特征圖進行全局信息的匯總處理，得到全局特征；并通過所述第一全連接層將所述全局特征轉換為全局高維特征；

22、所述多任務學習層包括缺陷位置分支、缺陷類別分支和缺陷嚴重程度分支，所述缺陷位置分支用于根據(jù)所述全局高維特征生成缺陷位置；所述缺陷類別分支用于根據(jù)所述全局高維特征生成缺陷類別；所述缺陷嚴重程度分支用于根據(jù)所述全局高維特征生成缺陷嚴重程度；

23、所述置信度輸出層包括全連接層，用于對所述缺陷位置、所述缺陷類別和所述缺陷嚴重程度信息進行綜合處理，生成綜合檢測結果，輸出每個所述綜合檢測結果的置信度評分。

24、下面給出一種本實施例中具體的模型結構，該模型為金屬板材表面缺陷精密檢測模型的實現(xiàn)方案之一，本實施例中的金屬板材表面缺陷精密檢測模型具有如下結構：首先，通過多通道輸入層，輸入維度為m×h×w×c，其中m為15，表示多角度圖像組數(shù)，h為圖像高度，w為圖像寬度，c為3，表示rgb通道。模型支持15組圖像同時輸入。特征提取層由三層卷積組成，第一卷積層使用64個3x3卷積核，第二卷積層使用128個3x3卷積核，第三卷積層使用256個3x3卷積核，三層卷積均采用步長為1、填充為1的方式，并在每個卷積層后應用批歸一化(batch?normalization)和最大池化(2x2池化窗口)。多尺度特征提取層使用不同大小的卷積核，分別為3x3、5x5和7x7的128個卷積核，以便提取不同尺度下的特征。接著，模型通過全局特征提取層進行全局平均池化，降低參數(shù)量的同時保留全局信息，并通過一個512神經元的全連接層進行全局特征處理。

25、在多任務學習層中，缺陷位置分支由三層全連接層組成，第一層有512個神經元，第二層256個神經元，第三層128個神經元，最終輸出4個坐標值，表示缺陷邊界框的位置，激活函數(shù)為線性激活。缺陷類別分支和缺陷嚴重程度分支結構類似，分別由三層全連接層組成，第一層為512個神經元，第二層256個神經元，第三層128個神經元，類別分支輸出為3個節(jié)點，表示不同缺陷類別，激活函數(shù)為softmax；嚴重程度分支同樣輸出3個節(jié)點，表示缺陷的嚴重程度(輕微、中等、嚴重)，激活函數(shù)同為softmax。最后，通過置信度輸出層，結合上述三個分支的輸出，生成每個綜合檢測結果的置信度評分。

26、進一步地，將m組所述預處理圖像輸入訓練好的所述板材表面缺陷精密檢測模型，得到所述第一缺陷檢測結果包括：

27、將m組所述預處理圖像輸入訓練好的所述板材表面缺陷精密檢測模型，分別得到m組缺陷檢測結果，每組所述缺陷檢測結果包括缺陷位置、缺陷類別、缺陷嚴重程度和檢測置信度；

28、將m組所述缺陷檢測結果通過置信度篩選、位置對齊、缺陷類別加權投票及嚴重程度加權平均處理，整合為所述第一缺陷檢測結果；所述第一缺陷檢測結果包括每個所述待檢金屬板材的最終缺陷位置、最終缺陷類別和最終缺陷嚴重程度。

29、進一步地，根據(jù)所述第一缺陷檢測結果計算每個所述缺陷區(qū)域的待灑磁粉量，根據(jù)所述缺陷區(qū)域對應的所述第一缺陷位置和對應的所述待灑磁粉量對所述缺陷區(qū)域均勻噴灑熒光磁粉，同步對所述缺陷區(qū)域施加磁場具體為：

30、通過磁粉噴灑裝置對所述缺陷區(qū)域進行熒光磁粉均勻噴灑，同步施加磁場；所述磁粉噴灑裝置包括：

31、噴灑頭，用于根據(jù)所述缺陷區(qū)域自動調節(jié)噴嘴的開合度和噴灑角度，使熒光磁粉均勻覆蓋在所述缺陷區(qū)域；

32、機械臂，用于支撐并移動所述噴灑頭，使所述噴灑頭移動到所述缺陷區(qū)域；

33、磁粉儲存與輸送系統(tǒng)，包括磁粉儲存罐和輸送管道，所述磁粉儲存罐中帶有稱重傳感器，所述稱重傳感器用于實時監(jiān)控剩余磁粉量，所述輸送管道用于將熒光磁粉從所述磁粉儲存罐送至所述噴灑頭；

34、電磁鐵模塊，用于在熒光磁粉噴灑的同時同步施加磁場；

35、所述磁粉噴灑裝置還包括：計算分析模塊，用于根據(jù)所述第一缺陷檢測結果計算每個所述缺陷區(qū)域的所述待灑磁粉量；根據(jù)所述第一缺陷檢測結果得到噴灑密度、噴灑次數(shù)和噴灑時間，并根據(jù)所述噴灑密度、所述噴灑次數(shù)、所述噴灑時間和所述待灑磁粉量控制所述噴灑頭、所述機械臂和所述電磁鐵模塊的運行參數(shù)。

36、進一步地，所述磁粉缺陷檢測識別模型的訓練過程包括以下步驟：

37、采集來自不同角度的熒光磁粉覆蓋后的金屬板材表面圖像，構成多組磁粉輸入圖像，同時采集熒光磁粉噴灑過程中及之后的電磁場響應數(shù)據(jù)；對多組所述磁粉輸入圖像進行標注，標注內容包括缺陷位置、缺陷類別和缺陷嚴重程度，得到標注磁粉圖像，分別將所述標注磁粉圖像與對應的所述電磁場響應數(shù)據(jù)結合，得到多模態(tài)數(shù)據(jù)；對所述多模態(tài)數(shù)據(jù)進行數(shù)據(jù)預處理，得到預處理多模態(tài)數(shù)據(jù)；將所述預處理多模態(tài)數(shù)據(jù)劃分為第二訓練集和第二驗證集；根據(jù)所述第二訓練集和所述第二驗證集得到訓練好的所述磁粉缺陷檢測識別模型。

38、進一步地，所述磁粉缺陷檢測識別模型包括：

39、輸入層，用于接收多模態(tài)輸入數(shù)據(jù)；所述多模態(tài)輸入數(shù)據(jù)包括圖像輸入和電磁場數(shù)據(jù)輸入；

40、特征提取層，包括圖像特征提取層和電磁場特征提取層；所述圖像特征提取層包括多個卷積層，用于提取所述圖像輸入的特征，生成圖像特征；所述電磁場特征提取層用于提取所述電磁場數(shù)據(jù)輸入的特征，生成電磁場特征；

41、特征融合層，包括加權特征融合層和注意力機制層，用于對所述圖像特征和所述電磁場特征進行融合處理；所述加權特征融合層通過學習所述多模態(tài)輸入數(shù)據(jù)中不同模態(tài)輸入數(shù)據(jù)的權重，調整所述圖像特征和所述電磁場特征的權重比例，生成融合特征；所述注意力機制層根據(jù)特征重要性對所述融合特征的不同特征分配權重；

42、全局特征提取層，包括全局平均池化層，用于將所述圖像特征和所述電磁場特征轉化為全局特征；

43、多任務學習層，包括缺陷位置分支、缺陷類別分支和缺陷嚴重程度分支；所述缺陷位置分支用于基于所述全局特征生成缺陷位置；所述缺陷類別分支用于基于所述全局特征生成缺陷類別；所述缺陷嚴重程度分支用于基于所述全局特征生成嚴重程度；

44、置信度輸出層，接收來自所述多任務學習層的所述缺陷位置、所述缺陷類別和所述缺陷嚴重程度，生成綜合檢測結果；通過全連接層生成每個所述綜合檢測結果的置信度評分。

45、一種金屬板材表面缺陷精密檢測系統(tǒng)，包括：

46、待檢板材傳輸模塊，用于從生產完成的鐵磁性金屬板材中抽取一批金屬板材，得到n個待檢金屬板材；所述待檢金屬板材為同一批次生產的所述鐵磁性金屬板材；將n個所述待檢金屬板材通過傳輸裝置依次移動至指定檢測位置；

47、圖像采集模塊，用于通過第一工業(yè)相機對處于所述指定檢測位置的所述待檢金屬板材表面進行圖像采集，得到m組初始圖像；

48、板材表面圖像預處理模塊，用于對m組所述初始圖像進行預處理，得到m組預處理圖像；

49、表面缺陷檢測識別模塊，用于將m組所述預處理圖像輸入訓練好的板材表面缺陷精密檢測模型，得到第一缺陷檢測結果；所述第一缺陷檢測結果包括第一缺陷位置、第一缺陷類別和第一缺陷嚴重程度；

50、磁粉噴灑模塊，用于根據(jù)所述第一缺陷檢測結果計算每個缺陷區(qū)域的待灑磁粉量，根據(jù)所述缺陷區(qū)域對應的所述第一缺陷位置和對應的所述待灑磁粉量對所述缺陷區(qū)域均勻噴灑熒光磁粉，并同步對所述缺陷區(qū)域施加磁場；

51、熒光成像模塊，用于使用第二工業(yè)相機在紫外線照射條件下對所述缺陷區(qū)域進行拍攝，得到磁粉覆蓋圖像；

52、磁粉圖像預處理模塊，用于對所述磁粉覆蓋圖像進行預處理；

53、磁粉檢測識別模塊，用于將預處理后的所述磁粉覆蓋圖像輸入訓練好的磁粉缺陷檢測識別模型，得到第二缺陷檢測結果；所述第二缺陷檢測結果包括第二缺陷位置、第二缺陷類別和第二缺陷嚴重類別；

54、結果修正模塊，用于根據(jù)所述第二缺陷檢測結果對所述第一缺陷檢測結果進行修正，生成綜合結果。

55、與現(xiàn)有技術相比，本發(fā)明的有益效果為：

56、1、本發(fā)明提出了一種基于金屬板材表面缺陷精密檢測模型的初步缺陷檢測方法，結合多尺度特征提取和多任務學習，能夠對金屬板材的表面缺陷進行更全面、精確的檢測。通過多通道輸入層采集不同角度和光照條件下的圖像，提高了模型對復雜表面環(huán)境的適應能力；特征提取層提取細節(jié)信息，確保模型能夠識別微小缺陷；多尺度特征提取層通過不同大小的卷積核，捕捉到不同尺寸和形狀的缺陷信息，尤其對細小缺陷具有較好的識別效果。全局特征提取層進一步整合全局信息，提高了模型對整體缺陷模式的理解，確保精度。多任務學習層同時預測缺陷的位置、類型和嚴重程度，使得后續(xù)針對缺陷區(qū)域的進一步磁粉檢測更加高效和有針對性。其次，置信度評分為每個檢測結果提供了可靠性指標?？傮w上，該方法有效提升了金屬板材表面缺陷檢測的準確性和全面性。

57、2、本發(fā)明通過集成計算分析模塊、噴灑頭、機械臂、磁粉儲存與輸送系統(tǒng)及電磁鐵模塊，提出了一種自動化的磁粉噴灑方法，能夠根據(jù)缺陷區(qū)域的大小和位置精準控制磁粉噴灑過程，確保磁粉在缺陷區(qū)域的均勻覆蓋，同時同步施加磁場，從而提高了檢測的精確性和一致性。通過自動調節(jié)噴灑頭的開合度和噴灑角度，避免了磁粉浪費和噴灑不均的情況，確保對每個缺陷位置的充分檢測。機械臂和計算分析模塊的結合，使得噴灑過程智能化、自動化，根據(jù)缺陷區(qū)域的具體情況靈活調整噴灑參數(shù)，減少了操作干預，提升了工作效率和檢測精度。此外，稱重傳感器實時監(jiān)控磁粉剩余量，確保系統(tǒng)在檢測過程中能夠持續(xù)穩(wěn)定運行，進一步保障了后續(xù)檢測結果的準確性。這種基于磁粉噴灑裝置的自動化磁粉噴灑方式解決了傳統(tǒng)磁粉檢測中存在的耗時長、操作繁瑣的問題。

58、3、本發(fā)明提出了一種磁粉缺陷檢測識別模型，結合圖像數(shù)據(jù)和電磁場數(shù)據(jù)的多模態(tài)輸入，模型能夠更加全面、準確地檢測金屬板材的表面缺陷。通過特征提取層分別提取圖像特征和電磁場特征，能夠捕捉到傳統(tǒng)單模態(tài)檢測方法無法獲取的深層次信息。加權特征融合層和注意力機制層進一步優(yōu)化了不同模態(tài)特征的融合，確保模型能夠根據(jù)特征的重要性動態(tài)分配權重，提升了對關鍵缺陷的檢測精度。全局特征提取層確保了特征的全面整合，使得模型在全局范圍內具備更強的檢測和識別能力。多任務學習層同時對缺陷的位置、類別和嚴重程度進行預測，極大提高了檢測的效率和精度。最后，置信度輸出層為每個檢測結果生成置信度評分，提升了檢測結果的可靠性，降低了誤報和漏報的風險。這一模型綜合了多模態(tài)數(shù)據(jù)、特征融合和多任務學習，顯著提高了金屬板材表面缺陷檢測的精度和全面性。