Resumen

En la actualidad, la tecnología de detección de defectos superficiales en chapas de acero basada en visión artificial y redes neuronales convolucionales (CNN) ha logrado buenos resultados. Sin embargo, estos modelos son en su mayoría métodos de dos etapas, extrayendo primero las características y clasificándolas después, lo que resulta lento e impreciso. Por lo tanto, este artículo propone un método de detección de defectos superficiales de chapa de acero de una sola etapa basado en yolov3, que puede clasificar los defectos, determinar su ubicación y mejorar en gran medida la velocidad de detección. Es de gran importancia para realizar la automatización de la línea de producción de laminación en frío. El experimento muestra que la velocidad de detección de este modelo alcanza los 62 fps y la precisión llega al 73 %, lo que tiene buenas perspectivas en la industria.

INTRODUCCIÓN

La calidad superficial de la chapa de acero es uno de los factores de calidad más importantes de la chapa de acero. Cuando hay defectos en la superficie de la chapa de acero, se reducirá el rendimiento del producto y causará enormes pérdidas económicas. Por lo tanto, es de gran importancia práctica encontrar los defectos de forma rápida y precisa, aclarar la categoría y la ubicación de los defectos, y mejorar el procesamiento de laminación en frío de la chapa de acero de acuerdo con las causas de los defectos a tiempo.

Los métodos anteriores de detección de defectos en la superficie de la chapa de acero, como el método manual de muestreo visual, la tecnología de detección de corrientes parásitas, la tecnología de detección por infrarrojos, la tecnología de detección de fugas de flujo magnético y la tecnología de visión artificial, se ven fácilmente afectados por factores subjetivos, lo que requiere establecer artificialmente el algoritmo para extraer características. La escasa velocidad y eficacia de detección no son adecuadas para los requisitos de la producción industrial.

Con la aparición de AlexNet [1], la tecnología de aprendizaje profundo (deep learning, DL) representada por la red neuronal convolucional se utiliza ampliamente en la detección de defectos en la superficie de la chapa de acero debido a su capacidad de autoaprendizaje, que puede completar automáticamente la extracción de características simplemente introduciendo las imágenes de defectos recopiladas en el modelo de red. En [2] se utiliza una red neuronal convolucional de cinco capas para clasificar los defectos superficiales de las chapas de acero laminadas en caliente. En [3] se propone un algoritmo RCNN de máscara mejorado para mejorar la precisión, pero la velocidad de detección sólo alcanza los 5,9 fps. En [4] se propone una red neuronal convolucional de fusión de características multinivel basada en ResNet, y la precisión de detección alcanza el 82,3 % y la velocidad llega a 20 fps.

En [5] se propone un método de detección de defectos superficiales de chapa de acero basado en Faster-RCNN, con una velocidad de 21,42 fps y una precisión de clasificación del 87,14 %. Sin embargo, una serie de redes como Faster R-CNN son redes de detección en dos etapas, que se dividen en dos pasos: extracción de regiones candidatas y clasificación. 

• Materias:Laminado Detección de defectos Chapa de acero Aprendizaje automático
• Subjects:Laminating Defect detection Steel sheet Machine learning
• Palabras claves:Placa de acero; Laminación en frío; Detección de defectos en la superficie; YOLOv3 (You Only Look Once versión 3); Aprendizaje profundo
• Keywords:Steel plate; Cold rolling; Surface defect detection; YOLOv3 (You Only Look Once version 3); Deep learning