基于注意力机制和深度学习的钢板表面缺陷图像分类

江培营 陶青川 艾梦琴

(四川大学电子信息学院 四川 成都 610065)

0 引 言

钢板生产是国家重工业的基础，近些年钢板生产的质量要求越来越高，除了要求满足使用性能外，还要有良好的外观，即良好的表面质量。在钢板生产制造过程中由于工艺技术的不成熟，往往会伴随着钢板表面缺陷的出现，而钢板不同表面缺陷的呈现，意味着生产环节中相应工艺存在问题，所以钢板表面缺陷识别极为重要，识别出钢板缺陷类别有助于分析生产工艺中存在的某些问题，以提升钢板生产质量和效率[1]。我国钢板制造业虽然发展迅猛，但是钢板表面质量检测技术却发展缓慢。由于钢板生产工艺技术的不成熟和受环境的影响，生产出的钢板的缺陷各有差异，采集的缺陷图像存在着噪声大、受光照不均匀、图像对比度低、缺陷目标难以分割等缺点，都极大地增加了钢板表面缺陷图像分类识别算法的难度[2]。

目前借助于计算机技术进行钢板表面缺陷分类检测方法主要有两种。一种是基于传统机器视觉算法，传统机器视觉算法基于提取变化的特征，使用支持向量机SVM[3]、随机森林[4]等分类器进行分类，由于缺陷在钢板图像上的分布也无明显规律，特征难以提取，导致该方法识别算法难度大，且识别准确率较低。二是基于卷积神经网络CNN的钢板表面缺陷图像分类算法[5]。目前卷积神经网络在语音和图像识别等领域都得到飞速发展，可以直接将图像作为网络的输入，自动提取特征，对光照与旋转有一定的抗性，并且对图片的变形，如平移、比例缩放、倾斜等，具有高度不变性[6]，算法适应性强。……