[發明專利]一種用于缺陷檢測的yolov5優化方法及優化系統

在審

• 申請號: 202310267078.9
• 申請日: 2023-03-20
• 公開（公告）號: CN115984275A
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 朱光旭;方超群;陳秀睿;邱柏葳;李蘇暢;田博軒;田楷;陳立名;胡江洪;曹彬
• 申請（專利權）人: 菲特（天津）檢測技術有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/045;G06N3/0464;G06N3/08
• 代理公司: 天津知川知識產權代理事務所(特殊普通合伙) 12249
• 代理人: 胡翠

本發明公開了一種用于缺陷檢測的yolov5優化方法及優化系統，屬于缺陷檢測技術領域，包括：S1、數據預處理：首先獲取圖片集，然后對圖片集中的圖像進行標注，最后將圖片集劃分出訓練集和測試集；S2、yolov5優化：具體為：S201、利用yolov5對訓練集和測試集進行訓練得到IOU值；S202、優化yolov5，得到Abs?Loss?yolov5；S203、分別使用yolov5和Abs?Loss?yolov5對訓練集進行訓練，并使用測試集驗證效果；S3、通過提高置信度閾值的手段過濾過殺。本發明通過對于傳統yolov5損失函數進行優化，使yolov5對于有把握的檢出框能夠正確地得到高置信度檢出。

技術領域

本發明屬于缺陷檢測技術領域，具體涉及一種用于缺陷檢測的yolov5優化方法及優化系統。

背景技術

深度學習領域發展至今，針對計算機視覺領域缺陷檢測賽道最為廣泛使用的模型包括yolov5和Faster-RCNN，其中，yolov5單階段網絡模型具有速度快，易部署等優勢，綜合檢出能力稍遜于Faster-RCNN，而雙階段模型Faster-RCNN雖然有較好的檢出精度，但模型更為復雜，運算速度上遠不如yolov5，有時不能滿足工業節拍需要。因此兩者各有利弊，實際使用中需根據具體場景選擇使用。

目前，使用yolov5作為缺陷檢測模型時卻會遇到一個嚴重的問題，那就是此模型對于每個檢出的置信度都不高，有時甚至是非常低，且有越小的目標越容易出現低得分的缺點。在使用COCO或VOC等國際通用的數據集進行目標檢測時，由于目標都是人、狗、車等明確目標，一般不容易將背景誤認為目標，即發生誤檢，所有檢出無論置信度高低都可以認為是正確檢出。但是在缺陷檢測中，人們的任務不是簡單地將缺陷識別出來，而是要根據缺陷的程度、深淺、強弱對缺陷進行區分，僅檢出較為嚴重的缺陷，不嚴重的缺陷（是否嚴重的標準由具體生產廠商自行定義）由于不影響工件的正常使用，通常會被要求不檢出，如果檢出，亦視為過殺（誤檢）；在這種情況下，低置信度的yolov5模型在使用中會面臨以下三個致命難題：

1，部分正確檢出，尤其小缺陷的得分非常低，只要稍微提高閾值，就會造成大量漏檢。

2，部分檢出得分很低，以至于它們落入過殺的集中得分區域，對于這些特征相似、得分相同的檢出，即使后處理手段也很難再區分。

3，在實際工業生產中，企業更加重視召回，通常要求召回率在99%以上，甚至100%，也就是幾乎不允許出現漏檢。因此在部分檢出得分很低的情況下，無法通過提高閾值的手段來過濾掉那些同樣低置信度的過殺；這就導致，雖然廠商對過殺有一定的容忍度，但yolov5模型帶來的過殺率往往大幅超過廠商的底線。

例如，圖1中的右側圖是在高標注質量的數據集上進行訓練得到的檢出結果，這類黑皮缺陷中的大部分具有特征明確、訓練數據充足的特點，若使用Faster-RCNN模型進行訓練，檢出率雖相差無幾，但圖中大部分檢出框都可達到0.9以上的置信度，大大降低閾值過濾的難度。而在yolov5中，這些明顯得分過低的正確檢出嚴重制約著后續對于過殺的剔除。

因此，傳統yolov5在缺陷檢測領域中的實用性有待提高。

發明內容

本發明為解決公知技術中存在的技術問題，提供一種用于缺陷檢測的yolov5優化方法及優化系統，通過對于傳統yolov5損失函數進行優化，使yolov5對于有把握的檢出框能夠正確地得到高置信度檢出。

本發明的第一目的是提供一種用于缺陷檢測的yolov5優化方法，包括：

S1、數據預處理：

首先獲取圖片集，然后對圖片集中的圖像進行標注，最后將圖片集劃分出訓練集和測試集；

S2、yolov5優化：具體為：

S201、利用yolov5對訓練集和測試集進行訓練得到IOU值，所述IOU值在0-1之間；

S202、優化yolov5，得到Abs-Loss-yolov5；具體為：