本技術涉及質量檢測，特別涉及一種鋼卷端面缺陷檢測方法、鋼卷端面缺陷檢測模型的訓練方法、鋼卷端面缺陷檢測系統、以及電子設備。
背景技術：
1、在鋼鐵工業中，鋼卷在生產、運輸及吊運過程中，其端面極易產生裂紋、劃傷、凹陷、壓痕、邊損、毛刺等多種缺陷。這些缺陷不僅影響產品外觀，更會直接干擾后續的加工工序（如開卷、剪切、沖壓），甚至可能導致設備損壞或產品質量降級，造成嚴重的經濟損失。因此，對鋼卷端面進行缺陷檢測是保障生產安全和產品質量的關鍵環節。
2、傳統的鋼卷端面缺陷檢測主要依賴人工目視檢查或基于固定式攝像機的二維圖像分析。人工檢查存在效率低下、勞動強度大、易受主觀因素和疲勞影響，且難以對微小或三維缺陷進行量化評估等問題。基于傳統機器視覺的二維圖像分析方法，雖然在一定程度上實現了自動化，但其魯棒性嚴重依賴于光照條件和成像質量，對鋼卷表面反光、氧化皮、油污等干擾的抵抗能力差，且無法獲取缺陷的深度、凹陷量等三維幾何信息，導致對“凹陷”、“凸起”、“厚度不均”等典型三維缺陷的漏檢率極高。
3、隨著技術的發展，業界開始嘗試引入深度學習和三維傳感技術。例如，公開號cn109829900a的中國專利提出了一種基于深度學習的鋼卷端面缺陷檢測方法，其通過合成帶缺陷的灰度圖像訓練語義分割網絡，實現像素級缺陷標記。然而，該方案僅依賴二維紋理信息，未充分考慮鋼卷端面存在的三維幾何形變。對于凹陷、凸起等非平面缺陷，其在圖像中常表現為模糊亮斑或陰影，極易被誤判為反光噪點或氧化皮，導致漏檢率高。更重要的是，該方法使用人工合成數據訓練，難以泛化至真實工業場景中的復雜光照與表面狀態，缺乏工程實用性。另外，公開號為cn115294039a的中國專利提出了一種融合灰度圖與深度圖進行缺陷檢測的方法，通過通道拼接方式融合二維數據和三維數據后輸入卷積神經網絡（cspnet）進行處理。該方案雖然引入了三維信息，但其融合方式停留在簡單的數據級/通道級拼接，本質上仍是使用為圖像設計的單一網絡處理混合數據，未能針對二維圖像（紋理、顏色）和三維點云（幾何、空間結構）這兩種異構數據的特性設計專用的特征提取與融合機制。因此，對于需要綜合利用紋理外觀和立體形態信息才能精準識別的復雜缺陷（如細微裂紋與劃痕的區分、淺凹陷與反光斑點的判別），其檢測精度和魯棒性仍有較大提升空間。
技術實現思路
1、有鑒于現有技術的上述缺陷或不足，本技術公開一種鋼卷端面缺陷檢測方法、鋼卷端面缺陷檢測系統、以及電子設備，用于解決現有鋼卷端面缺陷檢測存在檢測精度低、魯棒性弱、自動化集成度低等問題。
2、本技術在第一方面公開一種鋼卷端面缺陷檢測方法，包括如下步驟：
3、控制運動執行機構帶動二維圖像采集設備和三維點云采集設備沿預設軌跡對待測的鋼卷端面進行動態掃描，同步獲取二維圖像數據和三維點云數據；
4、對所述二維圖像數據和所述三維點云數據進行預處理及時空配準，生成配對的rgb-d多模態數據，其中，所述二維圖像中的像素與三維點云中的點具有空間對應關系；
5、將所述rgb-d多模態數據輸入至已訓練好的鋼卷端面缺陷檢測模型中，執行如下操作：從所述rgb-d多模態數據中提取表面紋理特征和幾何結構特征；通過通道拼接和跨模態注意力機制對所述表面紋理特征和所述幾何結構特征進行動態加權融合；基于加權融合后的特征，輸出所述鋼卷端面的疑似缺陷結果，所述疑似缺陷結果表征至少一個疑似缺陷，并包括每一個疑似缺陷的缺陷類別、缺陷位置、與缺陷對應的三維深度信息、以及缺陷置信度；以及
6、基于所述疑似缺陷結果，結合所述三維點云數據，對所述疑似缺陷進行幾何特征一致性驗證，確定與所述鋼卷端面對應的缺陷檢測結果。
7、在第一方面的某些實現方式中，所述控制運動執行機構帶動二維圖像采集設備和三維點云采集設備沿預設軌跡對待測的鋼卷端面進行動態掃描，同步獲取二維圖像數據和三維點云數據，包括：將待測的鋼卷輸送至檢測區域，由位置檢測部件觸發檢測流程；控制運動執行機構帶動配置的二維圖像采集設備和三維點云采集設備沿預設軌跡對鋼卷端面進行掃描，其中，所述二維圖像采集設備的光軸和所述三維點云采集設備的光軸與所述鋼卷端面的法線之間的夾角小于等于30°；通過硬件同步信號，使所述二維圖像采集設備和所述三維點云采集設備在掃描過程中同步采集二維圖像數據和三維點云數據，同步精度小于等于1微秒。
8、在第一方面的某些實現方式中，在控制運動執行機構帶動二維圖像采集設備和三維點云采集設備沿預設軌跡對待測的鋼卷端面進行動態掃描的操作中：所述預設軌跡為螺旋路徑或網格路徑，掃描速度為0.5米/秒至2米/秒；所述二維圖像數據的分辨率大于等于4096×4096像素；所述三維點云數據的點密度大于等于100點/平方厘米；其中，當鋼卷直徑大于等于預設直徑閾值且端面平整度滿足預設條件時，規劃所述預設軌跡采用螺旋掃描路徑；當鋼卷直徑小于預設直徑閾值且端面平整度不滿足預設條件時，規劃所述預設軌跡采用網格掃描路徑。
9、在第一方面的某些實現方式中，在控制運動執行機構帶動二維圖像采集設備和三維點云采集設備沿預設軌跡對待測的鋼卷端面進行動態掃描的過程中，還包括自適應位姿補償步驟：實時獲取測距信息并計算二維圖像采集設備和三維點云采集設備中的任一者的光軸與鋼卷端面局部區域法線之間的夾角；基于所述夾角動態修正所述運動執行機構的末端姿態，使所述二維圖像采集設備和所述三維點云采集設備的光軸均動態對準鋼卷端面的局部區域法線方向。
10、在第一方面的某些實現方式中，對所述二維圖像數據進行預處理包括：對所述二維圖像數據進行自適應對比度增強處理，采用濾波算法去除噪聲，通過邊緣檢測提取鋼卷端面輪廓以裁剪無效區域；對所述三維點云數據進行預處理包括：通過統計濾波去除離群點，并采用下采樣降低點云密度，再對下采樣后的點云進行平滑處理；對所述二維圖像數據和所述三維點云數據進行時空配準包括：利用標定參數將所述三維點云數據投影至二維圖像坐標系，生成帶深度信息的rgb-d多模態數據。
11、在第一方面的某些實現方式中，所述通過通道拼接和跨模態注意力機制對所述表面紋理特征和所述幾何結構特征進行動態加權融合，包括：將所述表面紋理特征與所述幾何結構特征在通道維度進行拼接；利用從所述表面紋理特征的空間顯著性權重，指導從所述幾何結構特征的聚合權重分配，以增強低對比度區域下的幾何畸變特征；利用所述幾何結構特征的深度變化權重，增強所述表面紋理特征中疑似區域的紋理響應，以過濾復雜紋理背景下的非物理深度干擾。
12、在第一方面的某些實現方式中，所述鋼卷端面缺陷檢測模型是基于多模態融合神經網絡訓練形成的，所述多模態融合神經網絡包括：二維特征提取分支，采用嵌入空間注意力機制的深度卷積神經網絡，用于從所述二維圖像數據中提取表面紋理特征；三維特征提取分支，采用分層特征聚合的點云處理網絡，用于從所述三維點云數據中提取幾何結構特征；融合決策層，用于將所述表面紋理特征與所述幾何結構特征在通道維度進行拼接，并基于拼接后的特征通過跨模態注意力機制進行動態加權融合，進而基于加權融合后的特征同步執行缺陷類別分類、缺陷位置回歸、三維深度信息計算及缺陷置信度評估，生成與所述鋼卷端面對應的疑似缺陷結果。
13、在第一方面的某些實現方式中，所述對所述疑似缺陷進行幾何特征一致性驗證，包括：根據所述疑似缺陷的缺陷位置，從所述三維點云數據中提取對應的局部點云子集；利用隨機采樣一致性算法對所述局部點云子集中的背景點進行平面擬合，構建反映當前鋼卷端面局部位姿狀態的局部基準面；計算所述局部點云子集中各點相對于所述局部基準面的法向距離，并提取最大深度值和平均深度差；若所述最大深度值或平均深度差大于預設的物理缺陷閾值，則判定該疑似缺陷為真實缺陷。
14、在第一方面的某些實現方式中，在確定與所述鋼卷端面對應的缺陷檢測結果之后，還包括：將所述缺陷檢測結果發送至生產線控制系統，由所述生產線控制系統根據所述缺陷檢測結果生成工藝控制指令，以執行自動標記、分揀、產線報警中的任一種或多種操作。
15、本技術在第二方面公開一種鋼卷端面缺陷檢測模型的訓練方法，包括如下步驟：
16、獲取多個鋼卷端面樣本，每一個鋼卷端面樣本包含同步采集的二維圖像數據和三維點云數據，并對每一個鋼卷端面樣本標注缺陷真值信息，所述缺陷真值信息包括缺陷類別、二維圖像中對應的缺陷區域，以及三維點云中對應的幾何形變區域；
17、對每一個鋼卷端面樣本中的所述二維圖像數據和所述三維點云數據進行預處理及時空配準，形成配對的rgb-d樣本；通過對多個鋼卷端面樣本執行上述處理，生成訓練樣本集；
18、將所述訓練樣本集輸入至多模態融合神經網絡進行前向傳播，輸出對應的缺陷預測結果；所述多模態融合神經網絡被配置為從所述二維圖像數據中提取表面紋理特征、從所述三維點云數據中提取幾何結構特征，并通過通道拼接和跨模態注意力機制對所述表面紋理特征與所述幾何結構特征進行動態加權融合；
19、計算所述缺陷預測結果與所述缺陷真值信息之間的損失；所述損失包括缺陷分類損失、缺陷定位回歸損失以及幾何一致性損失，其中，所述幾何一致性損失用于約束模型預測的二維缺陷區域與三維深度異常區域在空間投影上的重合度；以及
20、基于所述損失，采用反向傳播算法更新多模態融合神經網絡的網絡參數，迭代優化直至模型收斂，得到已訓練好的鋼卷端面缺陷檢測模型。
21、在第二方面的某些實現方式中，所述鋼卷端面缺陷檢測模型的訓練方法還包括：構建多模態融合神經網絡，所述多模態融合神經網絡包括二維特征提取分支、三維特征提取分支、以及融合決策層；其中，所述二維特征提取分支采用嵌入空間注意力機制的深度卷積神經網絡，用于從所述二維圖像數據中提取表面紋理特征；所述三維特征提取分支采用分層特征聚合的點云處理網絡，用于從所述三維點云數據中提取幾何結構特征；所述融合決策層用于將所述表面紋理特征與所述幾何結構特征在通道維度進行拼接，并基于拼接后的特征通過跨模態注意力機制進行動態加權融合。
22、本技術在第三方面公開一種鋼卷端面缺陷檢測系統，包括：
23、數據采集模組，包括運動執行機構和設于所述運動執行機構上的二維圖像采集設備和三維點云采集設備，利用所述運動執行機構帶動所述二維圖像采集設備和所述三維點云采集設備沿預設軌跡對待測的鋼卷端面進行動態掃描，同步獲取二維圖像數據和三維點云數據；
24、數據處理模塊，用于對所述二維圖像數據和所述三維點云數據進行預處理及時空配準，生成配對的rgb-d多模態數據，其中，所述二維圖像中的像素與三維點云中的點具有空間對應關系；
25、數據分析模塊，配置有鋼卷端面缺陷檢測模型，利用所述鋼卷端面缺陷檢測模型接收所述rgb-d多模態數據并從所述rgb-d多模態數據中提取表面紋理特征和幾何結構特征；通過通道拼接和跨模態注意力機制對所述表面紋理特征和所述幾何結構特征進行動態加權融合；基于加權融合后的特征，輸出所述鋼卷端面的疑似缺陷結果，所述疑似缺陷結果表征至少一個疑似缺陷，并包括每一個疑似缺陷的缺陷類別、缺陷位置、與缺陷對應的三維深度信息、以及缺陷置信度；以及
26、驗證模塊，用于基于所述疑似缺陷結果，結合所述三維點云數據，對所述疑似缺陷進行幾何特征一致性驗證，確定與所述鋼卷端面對應的缺陷檢測結果。
27、本技術在第四方面公開一種電子設備，包括處理器和存儲器，所述存儲器上存儲有計算機程序，所述計算機程序被所述處理器執行時，實現如前所述的鋼卷端面缺陷檢測方法。
28、本技術在第五方面公開一種計算機可讀存儲介質，存儲有計算機程序，所述計算機程序被處理器執行時實現如前所述的鋼卷端面缺陷檢測方法。
29、與現有技術相比，本技術公開的鋼卷端面缺陷檢測方法、鋼卷端面缺陷檢測系統、電子設備、以及計算機可讀存儲介質，至少具有如下有益效果：
30、本技術通過對二維圖像數據與三維點云數據進行時空配準，構建具有像素級對應關系的rgb-d多模態數據，并在鋼卷端面缺陷檢測模型中對表面紋理特征與幾何結構特征進行聯合建模與融合分析，使鋼卷端面缺陷檢測模型能夠同時利用表面紋理變化與空間幾何起伏信息進行缺陷識別。相較于僅基于二維圖像的檢測方式，該多模態信息深度融合方式能夠更全面地表征鋼卷端面缺陷特征，提高對低對比度缺陷及復雜形態缺陷的識別能力。
31、本技術創新性地設計了鋼卷端面缺陷檢測模型，該鋼卷端面缺陷檢測模型能從rgb-d多模態數據中提取表面紋理特征和幾何結構特征，再利用通道拼接和跨模態注意力機制對所述表面紋理特征和所述幾何結構特征進行動態加權融合，實現了兩類異構信息在特征層面的深度互補與協同，提高了鋼卷端面缺陷檢測的速度，更重要的是，顯著提升了對復雜、細微缺陷（如微小裂紋、反光干擾下的凹陷）的識別準確率與魯棒性。
32、本技術在鋼卷端面缺陷檢測模型疑似缺陷結果之后，引入基于三維點云數據的幾何特征一致性驗證機制，通過對疑似缺陷區域的幾何特征進行分析，判斷其是否滿足真實物理缺陷的判定條件，從而對鋼卷端面缺陷檢測模型的輸出結果進行再驗證，能夠有效過濾由表面紋理變化、光照干擾等因素引起的偽缺陷，降低誤檢率，提高檢測結果的可靠性。
33、本技術通過動態掃描方式采集鋼卷端面數據，并結合自適應姿態補償與高精度時空配準處理，能夠有效適應鋼卷尺寸變化、端面不平整以及設備位姿偏差等復雜工業現場條件，提升在實際生產環境中數據采集的穩定性與魯棒性。
34、本技術輸出的缺陷檢測結果具有明確的缺陷類別、位置及物理特征信息，可直接與生產線控制系統進行交互，實現對缺陷鋼卷的自動標記、分揀、以及報警等各類產線操作，形成檢測與生產控制相結合的閉環流程，從而提升鋼卷端面質量檢測的自動化水平和工業應用價值。