一种工业中钢材氧化带目标检测方法、系统及设备技术方案

本申请公开了一种工业中钢材氧化带目标检测方法、系统及设备，采集不同光照强度下不同钢材类型的氧化带样本图像，进行图像预处理以获得初始氧化带样本数据集；按预设比例划分为训练集、验证集、测试集；基于原始YOLOv4

【技术实现步骤摘要】
一种工业中钢材氧化带目标检测方法、系统及设备


[0001]本申请涉及工业智能检测
，具体涉及一种工业中钢材氧化带目标检测方法、系统及设备。

技术介绍

[0002]钢材氧化带是焊接过程中形成的钢材表面缺陷，极易造成气孔、夹渣和裂纹。为保证工件质量，需要在工业生产过程对存在钢材氧化带位置进行标注。传统技术往往采用人工标注的方式，存在诸多问题：人工标注的位置不严谨造成误检率高；钢材工件体积大，人工不易操作；工业生产场地极具危险性可能引起操作事故等等。从而，人工质检的方式大大降低工件质量和生产效率，造成生产成本的流失。
[0003]在工业智能制造的热潮中，将基于深度学习的目标检测方法与小型嵌入式设备结合，实现其在钢材生产线上的应用。目标检测方法具有较高的检测速度和精度，不仅解决人工质检带来的问题，还能适应复杂的工业场景，满足生产实时性要求。随着基于深度学习的目标检测方法不断发展，检测精度与网络结构复杂度成正比增长，运行环境对硬件性能的要求越来越高。小型嵌入式设备的算力不及大型服务器，为实现目标检测方法在小型嵌入式设备上的部署，需要选择轻量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业中钢材氧化带目标检测方法，其特征在于，所述方法包括：采集不同光照强度下不同钢材类型的氧化带样本图像，进行图像预处理以获得初始氧化带样本数据集；将所述氧化带样本数据集按预设比例划分为训练集、验证集、测试集；基于原始YOLOv4
‑
tiny算法改进其网络结构，得到钢材氧化带目标检测算法；利用训练集对优化后的YOLOv4
‑
tiny网络训练，选取mAP最优的权重文件；将训练完成的网络集成在检测系统中，检测钢材氧化带图像得到氧化带的位置信息。2.根据权利要求1所述的方法，其特征在于，采集不同光照强度下不同钢材类型的氧化带样本图像，进行图像预处理以获得初始氧化带样本数据集，包括：安置工业级高清摄像头在操作台实时拍摄不同光照下、不同类型的钢材氧化带；对采集的视频读帧生成图片，按序号对图片重命名形成图片唯一ID；使用标注软件对钢材的氧化带位置进行标注，形成对应的xml文件，形成初始氧化带样本数据集；对数据集进行数据增强处理，通过随机裁剪、随机翻转、模糊等方式对四张图片进行拼接作为训练数据。3.根据权利要求2所述的方法，其特征在于，将所述氧化带样本数据集按预设比例划分为训练集、验证集、测试集，包括：按6:2:2划分训练集、验证集、测试集，所述训练集用于模型训练，所述验证集用于评价模型，所述测试集评估模型的泛化能力；按VOC格式准备文件夹：JPEGImages存放全部氧化带样本图像；Annotations存放标注图像生成一一对应的xml文件；ImageSets下建立Mian文件夹存放train.txt，val.txt，test.txt。4.根据权利要求1所述的方法，其特征在于，所述基于原始的YOLOv4
‑
tiny算法的网络结构包括Backbone特征提取网络、Neck特征融合模块和Yolo Head预测模块，其中Backbone特征提取网络为CSPDarknet53
‑
tiny网络结构，输出两个大小为26*26、13*13的特征层；Neck特征融合模块为特征金字塔FPN对上一步输出的两个特征层进行特征融合；Yolo Head预测模块对获得的特征进行回归预测，输出两个特征层的预测结果。5.根据权利要求4所述的方法，其特征在于，基于原始YOLOv4
‑
tiny算法改进其网络结构，得到钢材氧化带目标检测算法，包括：在CSPDarknet
‑
tiny网络的最后一个特征层后中加入M
‑
SPP结构，以极小的计算量，利用两个不同尺度的最大池化进行处理；通过稀疏训练与通道剪枝多阶段迭代式训练的方式，实现模型压缩；池化后堆叠输出到FPN卷积后进行二倍上采样，与主干网络第二个Resblock_body(26,26,256)特征层进行特征融合；Yolo Head预测模块对获得的特征进行预测，所述Y...

【专利技术属性】
技术研发人员：李忠涛，姜琳琳，赵帅，赵富，袁朕鑫，肖鑫，程衍泽，张玉璘，赵秀阳，孔祥玉，郭庆北，
申请(专利权)人：济南大学，
类型：发明
国别省市：