[發明專利]基于改進YOLOv5的鋁表面實時缺陷檢測方法及系統

在審

• 申請號: 202310174707.3
• 申請日: 2023-02-28
• 公開（公告）號: CN116012372A
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 唐立軍;劉深波;趙東雪
• 申請（專利權）人: 長沙理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08;G06N3/048;G06N3/0464
• 代理公司: 長沙智路知識產權代理事務所(普通合伙) 43244
• 代理人: 張毅

1.一種基于改進YOLOv5的鋁表面實時缺陷檢測方法，其特征在于，包括以下步驟：

S1、獲取各種鋁材表面缺陷圖片，進行數據增強的圖片預處理，建立數據集；

S2、將預處理后的數據集輸入引入ghost網絡、聯合注意力機制和深度可分離卷積的改進的YOLOv5網絡結構中，進行強化遷移訓練，得到優化模型；所述引入ghost網絡、聯合注意力機制和深度可分離卷積的改進的YOLOv5網絡結構包括：

將輸入圖片經CBL、第一Ghost模塊、第一C3Ghost模塊、第二Ghost模塊、第二C3Ghost模塊、第三Ghost模塊、第三C3Ghost模塊、第四Ghost模塊、第四C3Ghost模塊，且四個C3Ghost模塊中均嵌入注意力模塊；所述第二C3Ghost模塊的輸出與從第一Dw卷積模塊上采樣的輸出Concat后經第五C3Ghost模塊輸出第一尺度特征圖；所述第三C3Ghost模塊的輸出與從第三Dw卷積模塊上采樣的輸出Concat后，經第六C3Ghost模塊、第一Dw卷積模塊后的輸出，與所述第五C3Ghost模塊經第二Dw卷積模塊的輸出Concat后，經第七C3Ghost模塊輸出第二尺度特征圖；所述第四C3Ghost模塊的輸出經SPPF、第三Dw卷積模塊的輸出，與所述第七C3Ghost模塊經第四Dw卷積模塊后的輸出Concat后，經第八C3Ghost模塊輸出第三個尺度特征圖；所述C3Ghost模塊是加了Ghost的C3模塊，所述Dw卷積模塊為深度可分離卷積模塊；

S3、將所述優化模型部署到硬件設備上進行鋁材表面缺陷的實時檢測。

2.根據權利要求1所述的基于改進YOLOv5的鋁表面實時缺陷檢測方法，其特征在于，所述步驟S2包括：

S21、將預處理后或進一步加強的數據集輸入引入ghost網絡、聯合注意力機制和深度可分離卷積的改進的YOLOv5網絡結構中，利用遷移學習得到預訓練模型；

S22、判斷各種缺陷的準確率是否均達到設定閾值，若否，則進入步驟S23，若是，則進入步驟S24；

S23、將準確率未達到設定閾值的缺陷對應的數據集進一步強化，返回步驟S21繼續訓練；

S24、訓練得到優化模型。

3.根據權利要求2所述的基于改進YOLOv5的鋁表面實時缺陷檢測方法，其特征在于，所述步驟S23中，還包括參數微調。

4.根據權利要求2所述的基于改進YOLOv5的鋁表面實時缺陷檢測方法，其特征在于，所述步驟S22中，所述設定閾值為95％。

5.根據權利要求2所述的基于改進YOLOv5的鋁表面實時缺陷檢測方法，其特征在于，所述各種缺陷包括針孔、臟物和劃痕。

6.根據權利要求1所述的基于改進YOLOv5的鋁表面實時缺陷檢測方法，其特征在于，所述注意力模塊采用包括并行連接的通道注意力模塊CAM和空間注意力模塊SAM，輸入特征圖F的高，寬和通道數分別為H，W，C，在所述CAM中首先通過Max?Pool和Avg?Pool對F的全局空間信息進行壓縮，生成兩個尺寸為1×1×C的特征圖S1和S2，所述特征圖S1和S2通過MLP得到兩個一維的特征圖，對所述兩個一維特征圖進行歸一化得到權重特征圖MC；同時，在所述SAM中首先通過1×1×1的卷積模塊，將結果輸入Sigmoid函數中進行激活得到權重特征圖MS；最后將所述權重特征圖MC和MS采用逐元素相加方式并行連接，進行Sigmoid激活函數后得到輸出特征圖F^。