[發明專利]一種基于改進YOLOv3網絡模型識別鑄件DR圖像疏松缺陷的方法

在審

• 申請號: 202010158887.2
• 申請日: 2020-03-09
• 公開（公告）號: CN111476756A
• 公開（公告）日: 2020-07-31
• 發明（設計）人: 段黎明;阮浪;楊珂;朱世濤
• 申請（專利權）人: 重慶大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/62
• 代理公司: 重慶縉云專利代理事務所(特殊普通合伙) 50237
• 代理人: 王翔

本發明公開了一種基于改進YOLOv3網絡模型識別鑄件DR圖像疏松缺陷的方法，步驟為：1)利用圖像標注工具的矩形框對疏松缺陷數據集進行缺陷標注。2)建立改進YOLOv3網絡模型。3)利用疏松缺陷數據訓練集對改進YOLOv3網絡模型進行訓練。4)利用疏松缺陷數據測試集對訓練后的改進YOLOv3網絡模型進行測試。5)對改進YOLOv3網絡模型進行改進。6)獲取待檢測鑄件的DR圖像，并輸入到改進YOLOv3網絡模型中，判斷鑄件的缺陷等級和位置坐標。本發明提高了目標檢測網絡對小目標物體的檢測效果。

技術領域

本發明涉及工件鑄造領域，具體是一種基于改進YOLOv3網絡模型識別鑄件DR圖像疏松缺陷的方法。

背景技術

鑄件DR圖像缺陷識別的目的是從鑄件射線圖像中找出缺陷的位置，然后提取缺陷的各種信息，最終完成缺陷的識別。目前，針對鑄件缺陷識別的技術方法主要有三種途徑：1)基于圖像處理的直接檢測；2)基于缺陷定位和跟蹤的傳統機器學習模型檢測；3)基于Faster Rcnn等基于深度學習框架的鑄件DR圖像缺陷的檢測。

以上方法存在的問題：方法1)中基本是對圖像進行全局處理，影響了缺陷局部區域的效果，并且不容易區分待檢測物體的類型，由于圖像中的特征數量較大，缺陷識別也容易受到噪音的干擾。方法2)中目前采用的是傳統的機器學習網絡模型(貝葉斯分類器、支持向量機)或淺層神經網絡模型來實現基于DR圖像缺陷檢測，針對具有復雜特征的鑄件DR圖像缺陷檢測的識別準確率相較于深度學習框架而言不高。方法3)的網絡模型在保證識別準確率的同時實現不了實時性檢測，這對于實際生產需要至關重要。

發明內容

本發明的目的是提供一種基于改進YOLOv3網絡模型識別鑄件DR圖像疏松缺陷的方法，主要包括以下步驟：

1)獲取若干鑄件的DR疏松缺陷圖像。

所述鑄件為鐵路列車轉向架的鑄鋼搖枕或側架。

2)對所述DR疏松缺陷圖像進行預處理，并構建疏松缺陷數據集。

對DR原始缺陷圖像進行預處理的主要步驟如下：

2.1)將DR原始缺陷圖像統一劃分為N×N尺寸的缺陷圖像。

2.2)對缺陷圖像進行數據增強。所述數據增強方法包括圖像翻轉、圖像旋轉和鏡像。

3)對所述疏松缺陷數據集進行預處理，增強疏松缺陷數據集的灰度值。

對疏松缺陷數據集進行預處理的方法為：導向濾波器增強算法。

4)利用圖像標注工具的矩形框對疏松缺陷數據集進行標注，獲取每個矩形框所對應缺陷等級、矩形框中心點坐標(X，Y)、矩形框寬度W和矩形框高度H。將標注后的疏松缺陷數據集隨機劃分為疏松缺陷數據訓練集和疏松缺陷數據測試集。

所述缺陷等級數為5。

5)建立改進YOLOv3網絡模型，獲取YOLOv3網絡模型的原始權重文件，并設置濾波器filter數量、COCO數據集與VOC數據集檢測等級標簽、迭代次數、學習率和是否采用多尺度訓練策略。

6)利用疏松缺陷數據訓練集對改進YOLOv3網絡模型進行訓練。

訓練改進YOLOv3網絡模型的主要步驟如下：

6.1)將疏松缺陷數據訓練集的每幅圖像分割為s×s個單元格。

6.2)利用改進YOLOv3網絡模型對每個單元格進行特征提取，并生產3種不同尺度的特征圖像。

6.3)利用回歸器預測出若干候選目標邊界框，主要步驟如下：