[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

本發明公開了一種基于改進YOLOv5的鋁表面實時缺陷檢測方法及系統，包括：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；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；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。本發明解決了鋁材表面缺陷檢測的實時性低、檢測精度有待提高、訓練效率低的問題。

技術領域

本發明涉及金屬缺陷檢測技術領域，尤其涉及一種基于改進YOLOv5的鋁表面實時缺陷檢測方法及系統。

背景技術

鋁型材因其導熱性好、防潮等特點，成為了建筑、車輛、船舶、房屋等領域的重要基礎材料。隨著相關行業的快速發展，對高品質鋁型材的需求也越來越大。因此，鋁型材表面缺陷檢測是十分有意義的，鋁型材表面缺陷直接影響到產品的質量。傳統的人工視覺檢測難以保證檢測結果的準確性與檢測過程的高效性，因為人力處理會產生效率低下、人的生理疲勞等一系列問題。為了解決這些問題，一些學者將機器學習的方法應用于工業缺陷的識別。Yu?et?al.使用SVM對木材表面缺陷進行分類，Hu?et?al.提出了一種基于橢圓擬合與距離閾值的算法來檢測鋼殼表面凹坑缺陷，Chen?et?al.利用平滑濾波來檢測鋼板表面缺陷，Wang?et?al.提出了一種基于SUSAN算子的鋁箔缺陷檢測算法。雖然上述工作在表面缺陷檢測上取得了不錯的成績，但仍存在一些問題，如魯棒性差、局限性大、實時性低的問題，而且針對鋁材表面缺陷需要采集構建數據集，工作量大，而數據量不足導致過擬合現象，特征信息少影響訓練效果，均會影響最終的檢測精度。

發明內容

(一)要解決的技術問題

基于上述問題，本發明提供一種基于改進YOLOv5的鋁表面實時缺陷檢測方法及系統，解決鋁材表面缺陷檢測的實時性低、檢測精度有待提高、訓練效率低的問題。

(二)技術方案

基于上述的技術問題，本發明提供一種基于改進YOLOv5的鋁表面實時缺陷檢測方法，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。

進一步的，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；