本发明涉及图像处理，尤其涉及一种钢板缺陷检测方法、装置、设备及存储介质。
背景技术：
1、钢板表面缺陷检测方法包含人工检测、涡流检测与基于深度学习的检测等主要检测方法。人工检测时，检测人员通过目视对比来检查钢板表面是否存在缺陷。在这个过程中缺陷的筛选受限于检测人员的主观判断，实际缺陷复杂情况，往往会漏掉部分缺陷。涡流检测通过在钢板表面产生高频交变磁场来实施。当涡流在钢板表面流动时，缺陷区域会对涡流产生阻碍作用，从而导致涡流的减小和热效应的降低。因此，钢板表面的缺陷区域与非缺陷区域之间存在温度差异。涡流产生需要较大的电流，因此消耗能源巨大，此外微小缺陷检测不敏感。
2、随着深度学习和计算机性能的不断发展，深度学习算法在目标检测方面展现出卓越的性能，逐渐成为钢板表面缺陷检测的主要方法。相较于传统的人工检测方法，基于深度学习缺陷检测方法的效率更高，对缺陷的判定更加客观。然而，由于钢板表面缺陷特征不明显，缺陷形态丰富，目前基于深度学习表面缺陷检测方法的精度需要进一步提高。
技术实现思路
1、本发明的主要目的在于提供一种钢板缺陷检测方法、装置、设备及存储介质，旨在解决现有技术钢板缺陷检测精度和检测效率低下的技术问题。
2、为实现上述目的，本发明提供了一种钢板缺陷检测方法，所述方法包括以下步骤：
3、获取待检测钢板图像和样本缺陷集；
4、基于所述样本缺陷集对缺陷检测网络进行训练，得到目标检测模型和各缺陷类型的置信度阈值，所述缺陷检测网络由resnet50网络、garpn网络以及fpn网络构成，所述fpn网络连接所述resnet50网络和所述garpn网络，所述resnet50网络和所述garpn网络包含dcnv2；
5、根据所述目标检测模型和各缺陷类型的置信度阈值对所述待检测钢板图像进行缺陷检测，得到所述待检测钢板图像的缺陷检测结果。
6、可选地，所述基于所述样本缺陷集对缺陷检测网络进行训练，得到目标检测模型和各缺陷类型的置信度阈值，包括：
7、对所述样本缺陷集中的各样本缺陷图像进行缺陷标注，确定各样本缺陷图像中存在的缺陷区域和各缺陷区域的缺陷类型；
8、根据各样本缺陷图像中存在的缺陷区域和各缺陷区域的缺陷类型生成各样本缺陷图像对应的缺陷标注文件；
9、对各样本缺陷图像进行图像处理，得到多个处理缺陷图像；
10、根据各样本缺陷图像对应的缺陷标注文件和各处理缺陷图像对缺陷检测网络进行训练，得到目标检测模型和各缺陷类型的置信度阈值。
11、可选地，所述根据各样本缺陷图像对应的缺陷标注文件和各处理缺陷图像对缺陷检测网络进行训练，得到目标检测模型和各缺陷类型的置信度阈值，包括：
12、获取多个样本无缺陷图像；
13、根据各样本缺陷图像对应的缺陷标注文件和各样本无缺陷图像进行缺陷融合，得到多个样本融合图像；
14、根据各样本融合图像和各处理缺陷图像构建模型训练集；
15、根据所述模型训练集对缺陷检测网络进行训练，得到目标检测模型和各缺陷类型的置信度阈值。
16、可选地，所述根据各样本缺陷图像对应的缺陷标注文件和各样本无缺陷图像进行缺陷融合，得到多个样本融合图像，包括：
17、分别在各样本无缺陷图像上进行位置的随机选取，确定各样本无缺陷图像的缺陷选取位置；
18、检测各样本无缺陷图像上的缺陷选取位置与各样本无缺陷图像的缺陷记录位置是否重合；
19、在各样本无缺陷图像上的缺陷选取位置与各样本无缺陷图像的缺陷记录位置不重合时，根据各样本缺陷图像对应的缺陷标注文件和各样本无缺陷图像上的缺陷选取位置进行缺陷融合，得到多个样本融合图像。
20、可选地，所述根据所述模型训练集对缺陷检测网络进行训练，得到目标检测模型和各缺陷类型的置信度阈值，包括：
21、根据所述模型训练集对缺陷检测网络进行训练，得到目标检测模型和所述目标检测模型在不同置信度下的错检率；
22、根据所述目标检测模型在不同置信度下的错检率生成置信度曲线；
23、根据所述置信度曲线确定各缺陷类型的错检率极值；
24、根据各缺陷类型的错检率极值确定各缺陷类型的置信度阈值。
25、可选地，所述对各样本缺陷图像进行图像处理，得到多个处理缺陷图像，包括：
26、获取所述样本缺陷集中的各初始缺陷图像；
27、对各初始缺陷图像进行亮度调整，得到多个调整缺陷图像；
28、对各调整缺陷图像进行仿射变换，得到多个处理缺陷图像。
29、可选的，所述根据所述目标检测模型和各缺陷类型的置信度阈值对所述待检测钢板图像进行缺陷检测，得到所述待检测钢板图像的缺陷检测结果之后，还包括：
30、根据所述待检测钢板图像的缺陷检测结果确定所述待检测钢板图像的缺陷类型和缺陷数量；
31、根据缺陷约束条件、所述缺陷类型和所述缺陷数量生成缺陷警示信息；
32、发送缺陷警示信息至用户，以使所述用户根据所述缺陷警示信息进行缺陷复核。
33、此外，为实现上述目的，本发明还提出一种钢板缺陷检测装置，所述钢板缺陷检测装置包括：
34、获取模块，用于获取待检测钢板图像和样本缺陷集；
35、训练模块，用于基于所述样本缺陷集对缺陷检测网络进行训练，得到目标检测模型和各缺陷类型的置信度阈值，所述缺陷检测网络由resnet50网络、garpn网络以及fpn网络构成，所述fpn网络连接所述resnet50网络和所述garpn网络，所述resnet50网络和所述garpn网络包含dcnv2；
36、检测模块，用于根据所述目标检测模型和各缺陷类型的置信度阈值对所述待检测钢板图像进行缺陷检测，得到所述待检测钢板图像的缺陷检测结果。
37、此外，为实现上述目的，本发明还提出一种钢板缺陷检测设备，所述钢板缺陷检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的钢板缺陷检测程序，所述钢板缺陷检测程序配置为实现如上文所述的钢板缺陷检测方法的步骤。
38、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有钢板缺陷检测程序，所述钢板缺陷检测程序被处理器执行时实现如上文所述的钢板缺陷检测方法的步骤。
39、本发明通过获取待检测钢板图像和样本缺陷集；基于所述样本缺陷集对缺陷检测网络进行训练，得到目标检测模型和各缺陷类型的置信度阈值，所述缺陷检测网络由resnet50网络、garpn网络以及fpn网络构成，所述fpn网络连接所述resnet50网络和所述garpn网络，所述resnet50网络和所述garpn网络包含dcnv2；根据所述目标检测模型和各缺陷类型的置信度阈值对所述待检测钢板图像进行缺陷检测，得到所述待检测钢板图像的缺陷检测结果。通过上述方式，基于样本缺陷集对缺陷检测网络进行训练，得到目标检测模型和各缺陷类型的置信度阈值，并基于目标检测模型和各缺陷类型的置信度阈值对待检测钢板图像进行缺陷检测，得到对应的缺陷检测结果，实现了对钢板表面缺陷的自动检测，并提高了检测精度和检测效率。
1.一种钢板缺陷检测方法，其特征在于，所述钢板缺陷检测方法包括：
2.如权利要求1所述的钢板缺陷检测方法，其特征在于，所述基于所述样本缺陷集对缺陷检测网络进行训练，得到目标检测模型和各缺陷类型的置信度阈值，包括：
3.如权利要求2所述的钢板缺陷检测方法，其特征在于，所述根据各样本缺陷图像对应的缺陷标注文件和各处理缺陷图像对缺陷检测网络进行训练，得到目标检测模型和各缺陷类型的置信度阈值，包括：
4.如权利要求3所述的钢板缺陷检测方法，其特征在于，所述根据各样本缺陷图像对应的缺陷标注文件和各样本无缺陷图像进行缺陷融合，得到多个样本融合图像，包括：
5.如权利要求3所述的钢板缺陷检测方法，其特征在于，所述根据所述模型训练集对缺陷检测网络进行训练，得到目标检测模型和各缺陷类型的置信度阈值，包括：
6.如权利要求2所述的钢板缺陷检测方法，其特征在于，所述对各样本缺陷图像进行图像处理，得到多个处理缺陷图像，包括：
7.如权利要求1至6中任一项所述的钢板缺陷检测方法，其特征在于，所述根据所述目标检测模型和各缺陷类型的置信度阈值对所述待检测钢板图像进行缺陷检测，得到所述待检测钢板图像的缺陷检测结果之后，还包括：
8.一种钢板缺陷检测装置，其特征在于，所述钢板缺陷检测装置包括：
9.一种钢板缺陷检测设备，其特征在于，所述钢板缺陷检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的钢板缺陷检测程序，所述钢板缺陷检测程序配置有实现如权利要求1至7中任一项所述的钢板缺陷检测方法。
10.一种存储介质，其特征在于，所述存储介质上存储有钢板缺陷检测程序，所述钢板缺陷检测程序被处理器执行时实现如权利要求1至7中任一项所述的钢板缺陷检测方法。
