基于改进YOLOv5网络的齿轮缺陷视觉检测方法及系统技术方案

本发明专利技术公开了一种基于改进YOLOv5网络的齿轮缺陷视觉检测方法及系统，系统包括内置改进YOLOv5网络模型的控制器、由第一传送带和第二传送带组成输送系统、搭建于输送系统上的图像采集模块和剔除机构；改进方式为通过样本数据集训练未改进的YOLOv5网络获取权重参数，在YOLOv5网络模型加入卷积注意力机制模块和重复加权双向特征金字塔网络，权重参数迁移到改进YOLOv5网络模型；通过本数据集训练改进YOLOv5网络模型，完成齿轮缺陷检测模型构建，通过图像采集模块采集图像输入齿轮缺陷检测模型进行识别，根据识别结果剔除相应的缺陷齿轮，本发明专利技术实现了针对齿轮特征缺陷的准确识别以及齿轮多面缺陷的自动化检测及分拣，提高了检测效率。检测效率。检测效率。

【技术实现步骤摘要】
基于改进YOLOv5网络的齿轮缺陷视觉检测方法及系统


[0001]本专利技术属于产品缺陷检测领域，涉及一种产品缺陷视觉检测技术，具体涉及一种基于改进YOLOv5网络的齿轮缺陷视觉检测方法及系统。

技术介绍

[0002]齿轮广泛应用于各种机械产品，然而齿轮在使用的过程中易产生磨损、崩角、开裂等缺陷，会影响运动部件机构的使用寿命、运动精度等，因此需要对齿轮缺陷进行检测。由于齿轮本身的几何形状特点，同时崩角等缺陷主要分布在齿面，开裂等缺陷主要分布在端面，因此需要对齿轮多面进行检测。而传统的人工检测工作量大，易造成检测人员视觉疲劳，出现漏检、错检。
[0003]近年来机器视觉技术发展迅速，基于机器视觉的检测技术被越来越广泛的应用与生产生活中。其中，齿轮的检测包括如何准确快速地识别出齿轮轮廓图像和识别齿轮上的微小裂缝及其他油污等。而现有的齿轮缺陷检测技术大部分是采用数字化图像处理技术，但传统数字图像处理技术的处理方式、算法单一，其本质是对输入的图像进行加工处理来达到检测的目的。这种方法主要是通过图像的低级特征进行处理的阶段，经过处理之后图像无法对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5网络的齿轮缺陷视觉检测方法，其特征在于，包括以下步骤：S1、采集图像数据：采集缺陷齿轮表面图像，并对图像进行预处理，得到缺陷齿轮图像；S2、构建样本数据集：对缺陷齿轮图像中的缺陷类型进行标注并作为标签，以缺陷齿轮图像以及对应的标签构建缺陷齿轮的样本数据集；S3、获取预训练模型：利用步骤S2中获得的样本数据集训练YOLOv5网络模型，获取YOLOv5网络模型的权重参数；S4、检测模型改进：对YOLOv5网络模型改进，加入卷积注意力机制模块和重复加权双向特征金字塔网络，得到改进YOLOv5网络模型；S5、模型构建，将步骤S3获得的权重参数迁移到改进YOLOv5网络模型中，之后利用步骤S2中获得的样本数据集对改进YOLOv5网络模型进行训练，获得适用于齿轮缺陷检测的权重参数，完成齿轮缺陷检测模型构建；S6、缺陷检测，采集待检测的齿轮图像，并按照步骤S1的预处理方式进行预处理，得到待检测齿轮图像，将待检测齿轮图像输入到齿轮缺陷检测模型中进行缺陷检测识别。2.根据权利要求1所述基于改进YOLOv5网络的齿轮缺陷视觉检测方法，其特征在于：步骤S2中，样本数据集构建方法如下：S2.1、步骤S1中得到的所有缺陷齿轮图像构成数据集，对数据集中所有图像进行随机操作获得新图像，扩大数据集；随机操作类型包括翻转、旋转、平移、添加噪声及缩放中的任意一种或者多种组合；S2.2、对扩大后数据集中图像的缺陷类型进行标注，形成标签，构建样本数据集；S2.3、将样本数据集分为训练集和测试集。3.根据权利要求2所述基于改进YOLOv5网络的齿轮缺陷视觉检测方法，其特征在于：步骤S2.3中，使用LabelImg工具对齿轮缺陷图像进行标记，获得与图像样本一一对应的xml文件，作为样本。4.根据权利要求1所述基于改进YOLOv5网络的齿轮缺陷视觉检测方法，其特征在于：步骤S2中，所述齿轮的缺陷类别包括崩角、碰伤和划伤。5.根据权利要求1所述基于改进YOLOv5网络的齿轮缺陷视觉检测方法，其特征在于：步骤S4中，对YOLOv5网络模型改进的具体方式如下：（1）将YOLOv5网络模型的C3模块中的最后一个标准卷积模块Conv换成CBAM模块形成CBAMC3模块；（2）将重复BiFPN结构添加到YOLOv5网络模型中，...

【专利技术属性】
技术研发人员：朱大虎，贺敏琦，张曙文，华林，梁耀，赵凯，
申请(专利权)人：湖北众智未来智能装备制造有限公司，
类型：发明
国别省市：