[發明專利]基于改進的yolov5s網絡模型的圓柱滾子表面檢測方法及系統

在審

• 申請號: 202211623573.0
• 申請日: 2022-12-16
• 公開（公告）號: CN115937651A
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 袁巨龍;王安靜;王金虎;孔佳駿;毛越初;陳聰;吳金津
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/80;G06V10/74;G06V10/762;G06N3/048;G06N3/08;G06T7/00
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 冷紅梅

本申請提供一種基于改進的yolov5s網絡模型的圓柱滾子表面檢測方法及系統，包括：采集圓柱滾子表面圖像并標注作為樣本數據；構建yolov5s網絡模型，并在所述yolov5s網絡模型中嵌入目標檢測層得到改進的yolov5s網絡模型；訓練所述改進的yolov5s網絡模型；將待檢測的圓柱滾子表面圖像輸入訓練后的改進的yolov5s網絡模型，輸出圓柱滾子表面缺陷。本申請通過在yolov5s網絡模型的neck部分嵌入SwimTransformer模塊目標檢測層以及在SPPF模塊前端嵌入RepVGG模塊，以及在SPPF模塊后端嵌入CA注意力機制模塊，提高對目標特征的提取能力，精準識別小目標，提高小目標的檢測效率。

技術領域

本申請涉及計算機視覺圖像識別技術領域，尤其是涉及一種基于改進的yolov5s網絡模型的圓柱滾子表面檢測方法。

背景技術

軸承是當代機械設備中一種重要零部件。它的主要功能是支撐機械旋轉體，降低其運動過程中的摩擦系數，并保證其回轉精度。軸承滾子作為軸承的主要組件，起到支撐及旋轉的作用，它的質量直接決定軸承的質量和性能。近年來，由于機械設備對精度、質量及速度的要求越來越高，然而在軸承滾子的生產過程當中，軸承滾子的表面會出現各種瑕疵，直接影響到軸承的使用壽命和工作性能。因此，在生產制造過程中對軸承滾子的表面進行缺陷識別極其重要。

工業中，檢測軸承滾子表面缺陷的常規方法為人工檢測。人工檢測有許多不足之處，比如漏檢、誤檢、成本高等。然而，伴隨計算機視覺圖像識別技術的進步，機器學習的檢測方法逐漸被應用于產品的質量檢測環節。作為計算機視覺領域的基礎性技術，目標檢測在業界具有廣泛應用，而yolo系列因其綜合性能較好，成為廣受歡迎的首選框架。

yolov5模型是Ultralytics公司于2020年6月9日公開發布的，基于yolov3模型基礎上改進而來，有yolov5s、yolov5m、yolov5l、yolov5x四個模型。yolov5模型由輸入端、backbone部分、neck部分和detect層組成，backbone部分包括CBS模塊和SPPF模塊。現有的yolov5s模型對于軸承滾子表面的微小缺陷，存在缺檢和漏檢的情況。因此，為提高目標檢測的精度，急需一種能精確檢測小目標的圖像識別技術。

發明內容

為解決上述問題，本發明提供一種基于改進的yolov5s網絡模型的圓柱滾子表面檢測方法，采用本發明提供的圓柱滾子表面檢測檢測方法，提高對目標特征的提取能力，減少特征的丟失，促進特征融合，精準識別小目標。

本發明提供一種基于改進的yolov5s網絡模型的圓柱滾子表面檢測方法，用于檢測圓柱滾子表面缺陷，包括：

采集圓柱滾子表面圖像并標注作為樣本數據；

構建yolov5s網絡模型，并在所述yolov5s網絡模型中嵌入目標檢測層得到改進的yolov5s網絡模型；

訓練所述改進的yolov5s網絡模型；

將待檢測的圓柱滾子表面圖像輸入訓練后的改進的yolov5s網絡模型，輸出圓柱滾子表面缺陷。

進一步地，所述改進的yolov5s網絡模型包括輸入端、backbone部分、neck部分和detect層，在所述neck部分嵌入所述目標檢測層，所述目標檢測層為Swim?Transformer模塊。

進一步地，所述backbone部分包括CBS模塊和SPPF模塊，所述SPPF模塊的前端嵌入有RepVGG模塊，所述SPPF模塊的后端嵌入有CA注意力機制模塊。

進一步地，在所述yolov5s網絡模型中嵌入目標檢測層得到改進的yolov5s網絡模型的方法為：

將標注后的樣本數據進行預處理并將預處理后的數據輸入backbone部分，獲取特征圖；

將所述特征圖輸入neck部分，輸出不同特征圖尺寸的特征融合數據；