[發明專利]引入注意力機制和ConvNext網絡的YOLO v5鋼鐵表面損傷的檢測方法

在審

• 申請號: 202211440569.0
• 申請日: 2022-11-17
• 公開（公告）號: CN115731177A
• 公開（公告）日: 2023-03-03
• 發明（設計）人: 李強強;皋軍;邵星;王翠香
• 申請（專利權）人: 鹽城工學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06T5/00;G06V10/762;G06V10/774;G06V10/82;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 孟麗娜

本發明公開了一種引入注意力機制和ConvNext網絡的YOLO v5鋼鐵表面損傷的檢測方法，包括以下步驟：S1：通過圖像數據的采集，對裂紋、斑塊、夾雜、劃傷、麻點、壓入氧化鐵皮6種缺陷圖像進行數據增強，從而獲得待檢測圖像8100張，建立測試數據集；S2：建立和改進YOLO v5的神經網絡模型包括引入注意力機制和ConvNext網絡模型；S3：將訓練數據集中的鋼鐵的圖像，輸入到YOLO v5的網絡模型中，對YOLO v5的網絡模型進行訓練，深化YOLO的網絡模型；S4：將訓練好的權重文件保存到YOLO的網絡模型，使用這個權重文件對鋼鐵表面進行檢測，檢測鋼鐵表面是否有損傷；本發明結合深度學習網絡與圖像處理，實現了對鋼鐵表面的損傷的快速、準確的檢測效果。

技術領域

本發明屬于機械表面故障診斷和圖像智能識別領域，更具體地，設計一種引入注意力機制和ConvNext網絡的YOLO v5鋼鐵表面損傷的檢測方法。

背景技術

在機械制造業中，鋼材是極其重要的材料。鋼鐵有著良好的表面質量和機械性能，在車輛生產、航空、船舶等行業擁有廣泛應用。我國現階段我國正處于工業化發展中后期階段，鋼鐵需求巨大，鋼鐵行業面臨較大的市場空間。鋼鐵需求量變大的同時，對鋼材的質量的要求也會越來越高。然而，在鋼材的生產的過程中，由于各種原因，總是會有產生許多表面缺陷，如裂紋、夾雜、斑塊、麻點、壓入氧化鐵皮、劃傷等。表面損傷對鋼材的質量是有很大的影響，不但會使得鋼材外觀變差，還會使得鋼材的機械性能和抗腐蝕的能力變差。因此，如何快速并且高效的檢測出鋼板表面的損傷，是當前的研究重點。

原始的鋼鐵表面損傷檢測方法主要有人工檢測和傳統光電檢測。人工檢測又稱人工目視法，主要靠工人的眼睛判斷，沒有固定的標準，檢測效率很低，不適合快速和準確的檢測要求，慢慢的就被棄用了。傳統的光電檢測主要有渦流檢測、漏磁檢測等。這些光電技術的檢測系統，相比于人工檢測方法，檢測速度、準確率、效率有了一定的提高。但是他們都有一定程度上的局限性。例如，渦流檢測具有靈敏性高、響應迅速、操作方便等優點。但同時浪費資源大、難以檢測小損傷目標等缺點，不太適合鋼鐵表面的損傷檢測。

YOLO v5作為目前綜合性能最好的目標檢測算法之一，對目標可以做到實時檢測，同時還能達到較好的檢測效果，已被學術界廣泛應用。但YOLO v5存在以下缺陷：1）檢測小目標時不夠準確；2）邊界框位置不夠精確；3）訓練大量的數據集的時候，所消耗的內存較大。

發明內容

本發明的目的在于提供一種引入注意力機制和ConvNext網絡的YOLO v5鋼鐵表面損傷的檢測方法，能夠在復雜的背景條件下對損傷特征進行高效準確的檢測和提取，并且模型具有良好的遷移性和泛化性。讓模型訓練和檢測時對硬件的要求更低，可以被廣泛應用于工業檢測。

本發明通過下述技術方案實現：

一種引入注意力機制和ConvNext網絡的YOLO v5鋼鐵表面損傷的檢測方法，包括以下步驟：

S1：建立測試數據集：

采集圖像數據，之后對夾雜、裂紋、麻點、斑塊、劃傷、壓入氧化鐵皮6種缺陷圖像通過物理變換對圖像進行數據增強，從而獲得由待檢測圖像8100張構成的測試數據集；

S2：建立和改進YOLO v5的神經網絡模型：

建立YOLO v5的神經網絡模型：調整和配置相應的參數；

改進YOLO v5的神經網絡模型：用ConvNext替代了原本的CSPdarknet；在特征提取的加強網絡層上加入注意力機制；

S3：訓練以優化YOLO v5的網絡模型：

將裂紋、夾雜、斑塊、麻點、壓入氧化鐵皮、劃傷 6 種經過數據增廣的鋼鐵損傷圖像，輸入到YOLO v5的網絡模型中，對YOLO v5的網絡模型進行訓練，以優化YOLO v5的網絡模型；YOLO v5的網絡模型進行訓練每訓練一次，對應生成一權重文件；

S4:將訓練好的權重文件保存到YOLO的網絡模型，之后基于所述權重文件對鋼鐵進行預測，以檢測鋼鐵表面是否有損傷。