铝材表面缺陷检测方法、设备和存储介质技术

本发明专利技术公开了一种铝材表面缺陷检测方法、设备和存储介质，涉及图像识别技术领域，本发明专利技术的方法，包括：获取铝材表面的铝材缺陷数据集；将铝材缺陷数据集输入到K

【技术实现步骤摘要】
铝材表面缺陷检测方法、设备和存储介质


[0001]本专利技术涉及图像识别
，尤其涉及一种铝材表面缺陷检测方法、设备和存储介质。

技术介绍

[0002]无论是在工业领域的机械设备，还是日常生活中的工艺产品，铝材是常用的材料之一。但在生产加工过程中，由于受设备及工艺的影响，铝材表面往往会出现不同种类的缺陷，比如脏点、擦花等常见缺陷。这极大程度的影响铝材的外观和使用性能，所以在铝材生产过程中，对其表面有效地进行缺陷检测是至关重要的。
[0003]目前，通常采用YOLOv3作为基础网络对铝材表面缺陷进行检测，但由于铝材表面个别类别缺陷尺寸较小，故在使用YOLOv3算法检测时，存在漏检率高，检测精度低的问题。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种铝材表面缺陷检测方法、设备和存储介质，提升了对铝材表面小目标缺陷的检测能力。
[0005]根据本专利技术第一方面实施例的铝材表面缺陷检测方法，包括：
[0006]获取铝材表面的铝材缺陷数据集；
[0007]将所述铝材缺陷数据集输入到K
‑
means聚类算法中，得到铝材缺陷目标数据集，其中，所述铝材缺陷目标数据集为设有先验框的所述铝材缺陷数据集；
[0008]将所述铝材缺陷目标数据集输入到YOLOv4模型中进行分类识别，得到铝材表面缺陷分类结果；
[0009]其中，所述YOLOv4模型包括主干网络结构和PANet模块，在所述PANet模块中将第一特征图集与第二特征图集进行特征拼接，以使所述第一特征图集与所述第二特征图集位于同一特征层；所述第一特征图集为所述主干网络结构输出的特征图集，所述第二特征图集为在所述PANet模块中对所述第一特征图集进行融合处理得到的特征图集。
[0010]根据本专利技术实施例中提供的一个或多个技术方案，至少具有如下有益效果：本专利技术根据YOLOv4模型，得到铝材表面缺陷分类结果，在YOLOv4模型的PANet模块中将第一特征图集与第二特征图集进行特征拼接，以使第一特征图集与第二特征图集位于同一特征层。本专利技术的技术方案对PANet模块的这种改进，通过特征拼接得到更多的输入特征信息，提升了对铝材表面小目标缺陷的检测能力。
[0011]根据本专利技术的一些实施例，所述获取铝材表面的铝材缺陷数据集，包括：
[0012]获取铝材表面的待处理缺陷图像；
[0013]对所述待处理缺陷图像进行图像预处理，得到铝材缺陷数据集，其中，所述图像预处理包括水平翻转操作和/或垂直翻转操作。
[0014]根据本专利技术的一些实施例，所述待处理缺陷图像的缺陷包括擦花、角位漏底、桔皮、漏底、喷流、漆泡、起坑、不导电、杂色和脏点中的至少两种。
[0015]根据本专利技术的一些实施例，所述先验框包括小尺寸目标检测先验框、中等尺寸目标检测先验框和大尺寸目标检测先验框，所述小尺寸目标检测先验框的尺寸包括4
×
4、10
×
9和52
×
23，所述中等尺寸目标检测先验框的尺寸包括256
×
8、256
×
16和256
×
26，所述大尺寸目标检测先验框的尺寸包括256
×
48、256
×
76和256
×
123。
[0016]根据本专利技术的一些实施例，所述YOLOv4模型还包括SPP模块和YOLO Head层，所述第一特征图集包括第一特征图、第二特征图、第三特征图和池化特征图，所述第二特征图集包括第四特征图、第五特征图和第六特征图，所述将所述铝材缺陷目标数据集输入到YOLOv4模型中进行分类识别，得到铝材表面缺陷分类结果，包括：
[0017]将所述铝材缺陷目标数据集输入到所述主干网络结构中，得到第一特征图、第二特征图和第三特征图；
[0018]将所述第三特征图输入到所述SPP模块中，得到池化特征图；
[0019]将所述第一特征图、所述第二特征图、所述第三特征图和所述池化特征图输入到所述PANet模块中进行融合处理，得到所述第四特征图、所述第五特征图和所述第六特征图；
[0020]通过所述PANet模块对所述第一特征图和所述第四特征图、所述第二特征图和所述第五特征图、所述第三特征图和所述第六特征图分别进行特征拼接，得到位于同一特征层的第三特征图集，其中所述第三特征图集包括与所述第一特征图和所述第四特征图对应的第一拼接图、与所述第二特征图和所述第五特征图对应的第二拼接图、与所述第三特征图和所述第六特征图对应的第三拼接图；
[0021]将所述第三特征图集输入到所述YOLO Head层中，得到铝材表面缺陷分类结果。
[0022]根据本专利技术的一些实施例，所述主干网络结构包括第一卷积层和多个残差单元，所述将所述铝材缺陷目标数据集输入到所述主干网络结构中，得到第一特征图、第二特征图和第三特征图，包括：
[0023]将所述铝材缺陷目标数据集输入到所述第一卷积层中，得到第一铝材缺陷目标数据集；
[0024]将所述第一铝材缺陷目标数据集依次输入到多个所述残差单元中，得到第一特征图、第二特征图和第三特征图，其中，每一所述残差单元均包括循环残差结构，所述循环残差结构包括SE模块，所述SE模块使用Hard Sigmoid函数。
[0025]根据本专利技术的一些实施例，所述融合处理包括拼接处理和卷积运算处理，所述将所述第一特征图、所述第二特征图、所述第三特征图和所述池化特征图输入到所述PANet模块中进行融合处理，得到所述第四特征图、所述第五特征图和所述第六特征图，包括：
[0026]通过所述PANet模块对所述第一特征图、所述第二特征图、所述第三特征图和所述池化特征图依次进行拼接处理和卷积运算处理，得到所述第四特征图、所述第五特征图和所述第六特征图。
[0027]根据本专利技术的一些实施例，所述将所述第三特征图输入到所述SPP模块中，得到池化特征图，包括：
[0028]将所述第三特征图输入到所述SPP模块的若干池化层中进行池化处理，得到若干第一局部特征图，其中，所述池化层与所述第一局部特征图一一对应；
[0029]将所述第一局部特征图与所述SPP模块中未进行池化处理的第二局部特征图进行
拼接处理，得到池化特征图。
[0030]根据本专利技术第二方面实施例的铝材表面缺陷检测设备，其包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的铝材表面缺陷检测方法。
[0031]根据本专利技术第三方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述第一方面所述的铝材表面缺陷检测方法。
[0032]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种铝材表面缺陷检测方法，其特征在于，包括：获取铝材表面的铝材缺陷数据集；将所述铝材缺陷数据集输入到K
‑
means聚类算法中，得到铝材缺陷目标数据集，其中，所述铝材缺陷目标数据集为设有先验框的所述铝材缺陷数据集；将所述铝材缺陷目标数据集输入到YOLOv4模型中进行分类识别，得到铝材表面缺陷分类结果；其中，所述YOLOv4模型包括主干网络结构和PANet模块，在所述PANet模块中将第一特征图集与第二特征图集进行特征拼接，以使所述第一特征图集与所述第二特征图集位于同一特征层；所述第一特征图集为所述主干网络结构输出的特征图集，所述第二特征图集为在所述PANet模块中对所述第一特征图集进行融合处理得到的特征图集。2.根据权利要求1所述的铝材表面缺陷检测方法，其特征在于，所述获取铝材表面的铝材缺陷数据集，包括：获取铝材表面的待处理缺陷图像；对所述待处理缺陷图像进行图像预处理，得到铝材缺陷数据集，其中，所述图像预处理包括水平翻转操作和/或垂直翻转操作。3.根据权利要求2所述的铝材表面缺陷检测方法，其特征在于，所述待处理缺陷图像的缺陷包括擦花、角位漏底、桔皮、漏底、喷流、漆泡、起坑、不导电、杂色和脏点中的至少两种。4.根据权利要求1所述的铝材表面缺陷检测方法，其特征在于，所述先验框包括小尺寸目标检测先验框、中等尺寸目标检测先验框和大尺寸目标检测先验框，所述小尺寸目标检测先验框的尺寸包括4
×
4、10
×
9和52
×
23，所述中等尺寸目标检测先验框的尺寸包括256
×
8、256
×
16和256
×
26，所述大尺寸目标检测先验框的尺寸包括256
×
48、256
×
76和256
×
123。5.根据权利要求1所述的铝材表面缺陷检测方法，其特征在于，所述YOLOv4模型还包括SPP模块和YOLO Head层，所述第一特征图集包括第一特征图、第二特征图、第三特征图和池化特征图，所述第二特征图集包括第四特征图、第五特征图和第六特征图，所述将所述铝材缺陷目标数据集输入到YOLOv4模型中进行分类识别，得到铝材表面缺陷分类结果，包括：将所述铝材缺陷目标数据集输入到所述主干网络结构中，得到第一特征图、第二特征图和第三特征图；将所述第三特征图输入到所述SPP模块中，得到池化特征图；将所述第一特征图、所述第二特征图、所述第三特征图和所述池化特征图输入到所述P...

【专利技术属性】
技术研发人员：李澄非，蔡嘉伦，梁辉杰，邱世汉，徐傲，
申请(专利权)人：五邑大学，
类型：发明
国别省市：