基于yolov3-spp网络模型的钢板表面缺陷检测方法技术

本发明专利技术公开了一种基于yolov3‑spp网络模型的钢板表面缺陷检测方法，包括步骤：1)获取钢板表面缺陷图片，划分为训练集和测试集；2)把训练集的图片输入yolov3‑spp网络模型，进行迭代训练，调整网络模型的权重参数，达到设定的迭代次数后，得到网络模型的权重文件；3)把权重文件加载到yolov3‑spp网络模型，对测试集的图片进行预测，得到检测结果。本发明专利技术将yolov3‑spp网络模型中的spp模块作为实现局部特征和全局特征融合的一种有效手段，能够充分提取缺陷在图片中的结构信息，经过训练集的学习，可以在测试集上有效地提高钢板表面缺陷检测的精确率。

【技术实现步骤摘要】
基于yolov3-spp网络模型的钢板表面缺陷检测方法
本专利技术涉及钢板缺陷检测的
，尤其是指一种基于yolov3-spp网络模型的钢板表面缺陷检测方法。
技术介绍
钢板是机械工业中必不可少的基础材料，广泛应用于汽车、家电、电力等行业。受到设备和生产工艺局限等因素的影响，钢板的表面不可避免地会产生各种缺陷，如开裂、内含物、斑块、点蚀表面、轧制氧化皮、划痕等，为了提高钢板生产的质量，必须关注钢板的表面缺陷检测问题。传统的钢板表面检测技术主要有人工检测方法、基于电磁波或超声的检测方法、模式识别或机器学习的方法，适应性和精确率较低。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于yolov3-spp网络模型的钢板表面缺陷检测方法，该方法先获取钢板表面缺陷图片，取其训练集输入yolov3-spp网络模型进行训练迭代，得到权重文件后把测试集输入yolov3-spp网络模型，得到测试集的缺陷位置和类别，该方法可以有效地提高钢板表面缺陷的检测精度。为实现上述目的，本专利技术所提供的技术方本文档来自技高网...

【技术保护点】
1.基于yolov3-spp网络模型的钢板表面缺陷检测方法，其特征在于，包括以下步骤：/n1)获取钢板表面缺陷图片，划分为训练集和测试集；/n2)把训练集的图片输入yolov3-spp网络模型，进行迭代训练，调整网络模型的权重参数，达到设定的迭代次数后，得到网络模型的权重文件；其中，所述yolov3-spp网络模型由backbone、spp模块、neck和检测头组成；/n3)把权重文件加载到yolov3-spp网络模型，对测试集的图片进行预测，得到检测结果。/n

【技术特征摘要】
1.基于yolov3-spp网络模型的钢板表面缺陷检测方法，其特征在于，包括以下步骤：
1)获取钢板表面缺陷图片，划分为训练集和测试集；
2)把训练集的图片输入yolov3-spp网络模型，进行迭代训练，调整网络模型的权重参数，达到设定的迭代次数后，得到网络模型的权重文件；其中，所述yolov3-spp网络模型由backbone、spp模块、neck和检测头组成；
3)把权重文件加载到yolov3-spp网络模型，对测试集的图片进行预测，得到检测结果。


2.根据权利要求1所述的基于yolov3-spp网络模型的钢板表面缺陷检测方法，其特征在于：在步骤1)中，所述钢板表面缺陷图片需要不少于1500张，并且按70％-80％的比例提取训练集，余下的作为测试集，其中训练集要做裁剪的数据增强操作。


3.根据权利要求1所述的基于yolov3-spp网络模型的钢板表面缺陷检测方法，其特征在于：在步骤2)中，把训练集的图片输入yolov3-spp网络模型，进行迭代训练，调整网络模型的权重参数，达到设定的迭代次数后，得到网络模型的权重文件，具体情况如下：
定义yolov3-spp网络模型的基本组件简称为CBL，该CBL由一个卷积层、一个BN层和一个Leakyrelu激活函数组成；
定义一个残差单元ResUnit为一条支路经过两个CBL，另一条支路为原输入，相加得到输出，定义残差组件ResX为一个CBL和X个残差单元组成；
训练集的图片输入backbone，依次经过1个CBL、Res1、Res2、Res8、Res8、Res4，在第一个Res8的输出、第二个Res8的输出和Res4的...

【专利技术属性】
技术研发人员：许玉格，杨舒乔，吴宗泽，邓木清，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44