引入注意力机制的yolov3带钢表面缺陷检测与分类方法技术

本发明专利技术公开了一种引入注意力机制的yolov3带钢表面缺陷检测与分类方法，其包括：制作带钢图像缺陷数据集，将数据分为深化痕、浅划痕、孔洞三类；然后构建引入注意力模块的yolov3网络模型，其中注意力模块包含通道注意力与空间注意力两部分；进而利用制作好的带钢缺陷数据集进行训练，然后将网络模型以及训练好的权重文件保存；最后使用保存的模型即权重进行带钢缺陷检测。该算法识别准确率高，能够达到86％以上的正确率，与原版yolov3网络相比准确率提高5％；检测帧率大，可以实现45fps的检测速度，并且外界光照影响小，能够满足工业检测需求。

【技术实现步骤摘要】
引入注意力机制的yolov3带钢表面缺陷检测与分类方法
本专利技术属于计算机
中的目标检测技术，具体涉及一种引入注意力机制的yolov3带钢表面缺陷检测与分类方法。
技术介绍
带钢作为在钢铁工业上的一种重要产品，现如今已被广泛应用在电子电气、机械制造、航空航天工业等领域，所以带钢表面质量的好坏是决定其产品品质的一个必要指标。但由于在带钢生产过程中，会受到生产线上的机械设备、每项加工手法、还有不同生产空间环境等多方面影响，所以带钢表面质量就会出现边浪、夹杂、孔洞、划伤、污渍等各种各样的缺陷，而这些缺陷会严重影响带钢产品的质量。因此，如何高效、准确的检测出钢板带表面出现的缺陷，成为提高钢板带产品质量所需解决的问题，并具有重要的理论研究价值。传统带钢缺陷检测一般分为两种方法，一种是依靠人工肉眼检测，这种方法过于依赖检验员的主观意识，从而降低可信度。另一种方法是依靠机器视觉系统以及传统图像处理方法，这种方法对环境要求极高，过于依赖稳定可靠的光线环境，而且传统图像处理算法高度定制化，即使设备出现微小偏移也会大大影响检测结果。随着计算本文档来自技高网...

【技术保护点】
1.一种引入注意力机制的yolov3带钢表面缺陷检测与分类方法，其特征在于，其包括如下步骤：/nS1、首先制作带钢图像缺陷数据集，本数据集将缺陷分为深化痕、浅划痕和孔洞三类，每类3000张，得到标注的xml文件；/nS2、构建包括卷积网络、特征提取网络和边界预测网络在内的yolov3模型，所述卷积网络包括53个1×1和3×3的卷积层，各卷积层后设有归一化层，对上层结果进行归一化，如式(1)：/n

【技术特征摘要】
1.一种引入注意力机制的yolov3带钢表面缺陷检测与分类方法，其特征在于，其包括如下步骤：
S1、首先制作带钢图像缺陷数据集，本数据集将缺陷分为深化痕、浅划痕和孔洞三类，每类3000张，得到标注的xml文件；
S2、构建包括卷积网络、特征提取网络和边界预测网络在内的yolov3模型，所述卷积网络包括53个1×1和3×3的卷积层，各卷积层后设有归一化层，对上层结果进行归一化，如式(1)：



其中，x(k)指第k层输出、E(x(k))指输出的期望、Var(x(k))指输出的方差、指归一化结果；
各卷积层后还设有激活层，激活函数为LeakyReLU：



其中，LeakyReLU(x′(k))指第k层权重经过函数计算的结果，x′(k)指第k层权重，a为(1，+∞)的固定值，该函数能防止在输入为负值的情况下神经元不更新参数；
所述特征提取网络使用ResNet18作为主干网络，使用卷积网络中大小分别是52、26和13三个特征层进行边框的预测；
在所述特征提取网络下方引入一种注意力模块，该模块包括通道注意力和空间注意力，通道注意力的过程为式(6)：
Mc(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))(6)
其中，MC(F)表示特征经过并联池化并输入多层感知机后得到的通道注意力特征、σ表示标准差、MLP表示多层感知机、AvgPool表示平均池化操作、MaxPool表示最大池化操作、F表示输入特征；
空间注意力过程为式(7)：
Ms(F)＝σ(f7×7(AvgPool(F)；MaxPool(F)])(7)
其中，Ms(F)表示通道注意力特征经过串联池化并输入卷积后得到的空间注意力特征；
S3、使用构建好的带钢缺陷数据集进行迭代训练，生成并保存权重文件。


2.根据权利要求1所述的引入注意力机制的yolov3带钢表面缺陷检测与分类方法，其特征在于，构建yolov3模型后，设置yolov3网络的...

【专利技术属性】
技术研发人员：金梅，张子豪，张少阔，孙胜春，张勇，郎梦园，刘博，李清天，张淑清，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13