本发明涉及一种带钢表面缺陷检测方法及系统,包括以下步骤:获取带钢表面缺陷样本;构建基于残差优化的改进ACGAN模型;训练改进ACGAN模型的判别器网络和生成器网络,获得判别器和生成器的判别损失和分类损失;在判别器中引入梯度惩罚机制,优化判别器网络模型参数,获得优化后的判别器网络模型;将生成器判别损失和分类损失相结合,更新生成器网络模型参数,获得优化后的生成器网络模型;迭代以使得生成器和判别器达到纳什平衡,改进ACGAN模型收敛到最佳;将测试集数据输入至优化后的改进ACGAN模型,实现带钢表面缺陷检测。

构建生成器网络，所述生成器网络包括依次设置的1个第一全连接层、5个上采样残差块和1个第一卷积层；构建判别器网络，所述判别器网络包括6个下采样残差块、2个第二全连接层和2个输出层，其中，2个全连接层与基础ACGAN网络一致，分别对应于判别层和分类层，2个输出层对应于判别打分输出和预测类别概率输出。分别初始化生成器和判别器的网络参数θG和θD。作为优选的，所述上采样残差块包括res1子模块、res2子模块和short-cut子模块；所述res1子模块包括依次设置的批归一化、激活函数ReLU、上采样层和3×3卷积层；所述res2子模块包括依次设置的批归一化、激活函数ReLU和3×3卷积层；所述short-cut子模块包括上采样层和1×1卷积层。

钢材是工业上必不可少的重要原材料之一，被广泛应用于汽车制造、航天航空和电力能源等领域。但是，由于制造工艺和生产环境等复杂因素影响，其表面易出现各种缺陷。这些缺陷不仅影响产品外观，还会对其性能和安全产生不利影响。因此,对钢表面缺陷进行检测以控制其质量尤为重要。

基于机器视觉的自动检测方法具有实时、高效、经济且非接触等优势，然而传统的机器视觉检测技术需要先利用图像处理和识别算法提取图像特征，再通过机器学习算法将这些特征分类，其检测精度在一定程度上依赖于人类专家设计的特征,且对应用环境的变化非常敏感。

深度学习无需设计人工特征，可以通过训练数据自动学习特征，并将特征提取和分类融合，实现了更加可靠通用的缺陷检测。但深度学习的应用依赖大数据驱动，基于传统深度学习所训练的分类器多数建立在训练样本充足的情况下，而实际工业生产中表面缺陷数据难以获得，采集大量带标签的样本是费时且昂贵的，导致现有方法在小样本的环境下缺陷识别准确率较低，甚至存在误识别等问题。

本发明在带钢表面缺陷检测技术领域有着广泛的应用前景。

发明人：宿磊 祁阳 李可 顾杰斐

江南大学是教育部直属、国家“211工程”重点建设高校和“双一流”建设高校。学校具有悠久的办学历史、厚重的文化积淀，源起1902年创建的三江师范学堂，历经国立中央大学、南京大学等发展时期；1958年南京工学院食品工业系整建制东迁无锡独立建校，成立无锡轻工业学院；1962年无锡纺织工学院并入无锡轻工业学院；1995年更名为无锡轻工大学；2001年无锡轻工大学、江南学院、无锡教育学院合并组建江南大学；2003年东华大学无锡校区并入江南大学。

1、本发明针对小样本环境下钢表面缺陷检测问题进行研究，公开了一种改进ACGAN的带钢表面缺陷检测方法，该方法选择辅助分类对抗网络ACGAN为基础网络模型，通过残差优化网络来提升模型的深层特征提取能力，并改进判别器的损失函数来提高生成样本的质量和模型训练的稳定性，最后通过合成高质量的新样本来实现样本扩充。

2、本发明能够提高ACGAN模型的训练稳定性，极大程度的提高小样本环境下带钢表面缺陷检测的准确性。

科技成果只有通过实施开发应用，使其转化为生产力，才能取得经济效益和社会效益。成果方目标是将科技成果转化为现实生产力，期待有意愿的企业或合作单位进行合作推广或者进行产品生产。考虑合作转化、许可+合作等转化方式与企业、科学技术研究开发机构和其他组织建立合作关系。