具体实施方式

下面结合实施例对本发明作进一步的详细描述。

本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”到另一元件时，它可以直接连接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”可以包括无线连接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。术语“内”、“上”、“下”等指示的方位或状态关系为基于附图所示的方位或状态关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连接”、“设有”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，根据具体情况理解上述术语在本发明中的具体含义。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本发明所使用的装置为均现有技术，可以从市场公开采购，不同生产现场要求不同，因此对红外热成像仪的型号、具体结构及性能参数不再赘述。

本发明涉及到的图像处理、深度学习算法均为现有技术，不同算法的组合构建的模型不同，准确率也不同，因此对详细的算法公式不再赘述。

如图1所示，一种基于热图像的粗轧钢坯质量检测系统，在加热炉和粗轧机组之间设有高压水除磷装置，在粗轧机组与高压水除磷装置之间设有钢坯传送装置，在钢坯传送装置的正上方安装有红外热成像仪；钢坯出炉后，经高压水除磷装置除磷后，通过红外热成像仪采集钢坯热图像数据；

还包括：

数据采集模块，用于采集钢坯的钢种；

生产数据库存储模块，与数据采集模块、红外热成像仪相连，用于存储红外热成像仪采集到钢坯热红外图像数据(图像点位、点位温度)以及对应的钢种；

模型训练模块，与生产数据库存储模块相连，用于将历史钢坯的热红外图像数据作为输入，钢种作为输出，进行机器学习模型训练；

钢坯剔除装置，安装在钢坯传送装置上，且设于红外热成像仪之后；

钢坯剔除控制单元，与数据采集模块、红外热成像仪、模型训练模块、钢坯剔除装置相连，用于将数据采集模块实时采集钢坯的钢种、红外热成像仪实时采集到的钢坯热红外图像数据输入到模型训练模块训练得到的机器学习模型中，模型的输出为该钢种0到1之间的概率值，当概率值大于预设阈值，判断钢坯质量合格，反之，则判断钢坯质量不合格；若输出为钢坯质量合格，则钢坯剔除控制单元控制钢坯剔除装置不动作，若输出为钢坯质量不合格，则钢坯剔除控制单元控制钢坯剔除装置剔除钢坯。

优选，红外热成像仪背光安装。

优选，红外热成像为在线式红外热成像仪。

优选，红外热成像外设置有封闭风冷式防护罩。

优选，如图2所示，还包括显示单元，安装在主操作室内，分别与数据采集模块、红外热成像仪、钢坯剔除控制单元相连，用于显示采集钢坯的钢种、红外热成像仪采集到的钢坯热图像数据(图像点位、点位温度)、各钢种的得分阈值、钢坯剔除控制单元的控制结果。

优选，红外热成像仪与PLC控制系统相连，PLC控制系统检测到钢坯出炉后，一定时间发送开始测量信号至红外热成像仪，红外热成像仪开始测量。

一种基于热图像的粗轧钢坯质量检测方法，采用上述基于热图像的粗轧钢坯质量检测系统，包括如下步骤：

步骤(1)，采集钢坯的钢种及热图像数据，所述的热图像数据包括钢坯的图像点位、点位温度；

步骤(2)，将历史钢坯的热红外图像数据作为输入，钢种作为输出，进行机器学习模型训练；

步骤(3)，将实时采集钢坯的钢种、钢坯热图像数据输入到模型训练模块训练得到的机器学习模型中，模型的输出为该钢种0到1之间的概率值，当概率值大于预设阈值，判断钢坯质量合格，反之，则判断钢坯质量不合格；若输出为钢坯质量合格，则钢坯剔除控制单元控制钢坯剔除装置不动作，若输出为钢坯质量不合格，则钢坯剔除控制单元控制钢坯剔除装置剔除钢坯

为了方便参数迁移及调参，机器学习模型(即在线检测模型)网络结构修改自AlexNet网络。其中网络最后一层钢坯类别可根据实际情况设置为1、2、3....等多类，主要包括：输入层-(卷积层-池化层)*2-卷积层*3-池化层-全连接层*2-输出层。

样本数据按一定比例分为训练集和测试集(随着数据增大，训练集的比例可适当增大，优选为7：3)，每轮训练随机抽取一定数量图片，训练多轮。

(1)输入层：将热图像随机裁剪为统一大小的RGB图像，作为输入X。此实例中热图像为256*256的RGB图像，通过裁剪统一为227*227大小的RGB图像。

(2)卷积层：卷积层用来提取图像特征，第一次卷积操作后得到图像局部简单特征，第二次卷积在此基础上得到更复杂一点的特征，随着网络深度加深，简单特征逐渐组合成复杂特征。卷积核(也叫滤波器)W是一个f*f大小的特征探测器，卷积操作就是将输入数据最边上f*f大小的区域中每个元素分别与卷积核对应位置的数据相乘，然后再相加，所得到的值作为输出矩阵的第一个元素，即：

其中，x_ijz表示图像该点的像素值，w_ijz表示相应点位的训练权重。

(3)将卷积核在图像数据上滑动，对另一个区域做同样的卷积操作，将结果汇为单个输出像素值，重复这个过程直到遍历整张图像，最终得到一个特征矩阵W^TX。此实例中卷积层共五层，网络中的卷积核大小分别为11*11、5*5、3*3、3*3、3*3。

(4)给特征矩阵加上偏差，并应用非线性激活函数ReLU,最终得到卷积层的输出，也是下一层的输入：

a＝max(W^TX+b)

其中，X表示输入图像矩阵，W表示对应的权重矩阵，b表示偏置，a表示输出矩阵。

所谓激活，实际上是对卷积层的输出结果做一次非线性映射。ReLU函数公式为：y＝max(0，x)当输入x小于等于0，输出等于0，当输入x大于0，输出为y＝x。

(5)由于卷积操作后，图片都会缩小，同时角落和边缘位置的像素进行卷积运算的次数少，可能会丢失有用信息，为了解决这两个缺点，在进行卷积运算前为图片加填充，包围角落和边缘的像素，使得通过卷积运算后，图片大小不变，也不会丢失角落和边沿的信息。此实例中在第2、3、4、5卷积层前面分别加入填充，填充大小分别为2、1、1、1

(6)池化层：主要用于特征降维，通过减小矩阵的长和宽，压缩数据和参数的数量，减小过拟合，提高计算速度，提高特征鲁棒性。选取最大池化方法，即将输入矩阵的某一区域所有像素的最大值作为输出矩阵的一个元素。若输入大小为n*n,则池化后的输出大小为：

其中，n表示输入大小，p表示填充大小，s表示步长，f表示卷积核大小。

此示例中所有层的卷积步长均为1。

(7)全连接层：全连接层输入输出所有神经元都有权重连接，跟传统的神经网络神经元的连接方式是一样的，此处选用ReLU非线性激活函数，即输出为:

y_i＝max(w_ijx_ij+b)

其中，x_ij表示输入，w_ij表示第i个神经元与第j个神经元之间的连接权重。此实例中第一个全连接层包含4096个6×6×256的卷积核，第二个全连接层包4096个神经元。

(8)输出层：通过softmax函数得到输出，输出就是输入属于这个输出所对应的类的概率，公式为：

其中，i表示标签和分类，可以根据实际情况设置数值，y_i表示全连接层输出值。

此实例中的i根据实际情况可以设置为1、2、3…大小的整数。

(9)参数优化：将输出值与对应样本的标签值对比，计算误差，当误差越小，模型输出值与样本真实值越接近，m个样本的误差函数为：

其中，y⁽ⁱ⁾为模型输出值，为样本标签值，J(w，b)表示误差函数。

为求得最小误差，采用梯度下降法反向求出所有卷积层、输出层的权重和偏置等参数，然后再正向计算，直到算出最小误差，模型训练停止。

(9)由于网络神经元数目过大，学习能力强，有可能出现过拟合，因此可以加入dropout。dropout会遍历网络的每一层，并为每个神经元结点设置一个随机消除的概率，最后会删除一些节点，保留下来的神经元就组成一个节点较少、规模较小的网络进行训练，此处dropout概率设为0.5。

本发明基于TensorFlow框架进行开发。TensorFlow是一个开源的、基于Python的机器学习框架，在图形分类、音频处理、推荐系统和自然语言处理等场景下有着丰富的应用。TensorFlow也提供了C/C++、Java、Go、R等其它编程语言的接口，允许将深度神经网络的计算部署到任意数量的CPU或GPU的服务器、PC或移动设备上，且只利用一个TensorFlowAPI。允许模型部署到工业生产中，并且容易使用。本发明采用红外热成像仪，分辨率高、成像清晰。通过上述网络结构参数设置，目前已经对上万张图像进行训练及测试，方便快捷、准确率高，避免了生产损失，易于推广应用，并不断优化中。同时本发明在钢坯出炉后一段时间才给定测量信号，避免仪器持续采集无用数据，增大生产数据库存储负担。红外热成像仪图像还能查看热量强度的分布情况，比市面常用的点测温仪更加便于直观了解。以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。