一种基于YOLOv5模型的在线检测装置制造方法及图纸

本发明专利技术涉及质量检测技术领域，具体涉及一种基于YOLO v5模型的在线检测装置，包括主干网络BackBone，使用focus结构进行切片操作，然后在channel维度进行拼接，最后进行卷积操作；特征提取及融合结构，用于不同特征尺度的融合，并将浅层特征传递给顶层；预测机构，用于为利用之前的特征作出相关预测；判断器，通过目标检测的结果中一组圆是否同心，进而判断产品是否合格。本发明专利技术通过视觉设备及时采集产品图片，通过预训练的模型和参数，实现对产品的质量检测。生产过程中，采用该设备代替人工对产品进行质量检测，以达到节省人力、物力的目的，实现企业生产过程中的全自动化，达到实时检测的目的。的目的。的目的。

An online detection device based on yolov5 model

【技术实现步骤摘要】
一种基于YOLO v5模型的在线检测装置


[0001]本专利技术涉及质量检测
，具体涉及一种基于YOLO v5模型的在线检测装置。

技术介绍

[0002]自2012年AlexNet提出后，目标检测得到了快速、有效的发展，近年来取得了巨大的成功。其中极具代表性的是目标检测神器YOLO系列，在2020年6月25日的YOLO v5横空出世后，目前在检测技术上已经达到了巅峰。
[0003]目前许多企业在产品生产过程中，对产品的检测，主要是通过人工检测的方式来进行。由于工人无法长时间、高强度的持续对产品进行质量检测，而导致整体生产效率受到了较大的影响，产品的质量主要通过质检人员的抽检来保证，无法实现一件一检，从而可能会有不合格件成为漏网之鱼，最终影响整个产品的质量或企业形象。
[0004]因此本文提供了基于YOLO v5模型设计的一种在线检测装置，该装置通过视觉设备及时采集产品图片，通过预训练的模型和参数，实现对产品的质量检测。生产过程中，采用该设备代替人工对产品进行质量检测，以达到节省人力、物力的目的，实现企业生产过程中的全自动化，达到实时检测的目的。

技术实现思路

[0005]针对现有技术的不足，本专利技术公开了一种基于YOLO v5模型的在线检测装置，采用该项目设备代替人工对产品进行质量检测，以达到节省人力、物力的目的，实现企业生产过程中的全自动化，达到实时检测的目的。
[0006]本专利技术通过以下技术方案予以实现：
[0007]本专利技术提供了一种基于YOLO v5模型的在线检测装置，包括
[0008]主干网络BackBone，使用focus结构进行切片操作，然后在 channel维度进行拼接，最后进行卷积操作；
[0009]特征提取及融合结构，用于不同特征尺度的融合，并将浅层特征传递给顶层；
[0010]预测机构，用于为利用之前的特征作出相关预测；
[0011]其中，所述主干网络BackBone、特征提取及融合结构和预测机构联合构成YOLO v5模型；
[0012]判断器，通过目标检测的结果中一组圆是否同心，进而判断产品是否合格。
[0013]更进一步的，所述YOLO v5模型选用YOLO v5s时focus结构默认 3*640*640的输入，复制四份后通过切片操作将这个四个图片切成了四个3*320*320的切片，最后使用concat从深度上连接这四个切片，输出为12*320*320。
[0014]更进一步的，所述focus结构再通过卷积核数为32的卷积层，生成32*320*320的输出，最后经过batch_borm和leaky_relu将结果输入到下一个卷积层。
[0015]更进一步的，所述YOLO v5模型选用YOLO v5m时，有48个卷积核，经过聚焦结构后输出为320
×
320
×
48的特征图。
[0016]更进一步的，所述主干网络BackBone设有CSP结构。
[0017]更进一步的，所述CSP结构包括CSP1_X结构和CSP2_X结构，其中，所述CSP1_X结构应用于Backbone主干网络，所述CSP2_X结构则应用于Neck中。
[0018]更进一步的，所述特征提取及融合结构包括SPP模块和FPN+PAN 模块。
[0019]更进一步的，所述SPP模块用于实现不同特征尺度的融合；所述 FPN+PAN模块用于将浅层特征传递给顶层。
[0020]更进一步的，所述预测机构在损失函数头部输出端，通过引入中心点距离和宽高比两个参数后，形成了完全交并比损失函数。
[0021]更进一步的，所述损失函数采用YOLO v5模型中的GIOU_Loss做 Bounding box的损失函数，具体如下：
[0022][0023]其中，B为预测框的面积，B
gt
为真实框的面积，C为同时包含了预测框和真实框的最小框面积，GIoU Loss用于IoU Loss对距离不敏感的问题。
[0024]本专利技术的有益效果为：
[0025]本专利技术通过视觉设备及时采集产品图片，通过预训练的模型和参数，实现对产品的质量检测。生产过程中，采用该设备代替人工对产品进行质量检测，以达到节省人力、物力的目的，实现企业生产过程中的全自动化，达到实时检测的目的。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0027]图1是本专利技术实施例一阶段检测方案图；
[0028]图2是本专利技术实施例两阶段检测方案图；
[0029]图3是本专利技术实施例切片操作图；
[0030]图4是本专利技术实施例CSP结构图；
[0031]图5是本专利技术实施例SPP结构图；
[0032]图6是本专利技术实施例FPN+PAN结构图；
[0033]图7是本专利技术实施例YOLOv5s整体结构图；
[0034]图8是本专利技术实施例判断器准则图；
[0035]图9是本专利技术实施例处理过程图；
[0036]图10是本专利技术实施例前处理过程图；
[0037]图11是本专利技术实施例目标检测训练过程评价指标图；
[0038]图12是本专利技术实施例目标检测效果图；
[0039]图13是本专利技术实施例操作示意图；
[0040]图14是本专利技术实施例结果范例图。
具体实施方式
[0041]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0042]实施例1
[0043]本实施例提供一种基于YOLO v5模型的在线检测装置，包括
[0044]主干网络BackBone，使用focus结构进行切片操作，然后在 channel维度进行拼接，最后进行卷积操作；
[0045]特征提取及融合结构，用于不同特征尺度的融合，并将浅层特征传递给顶层；
[0046]预测机构，用于为利用之前的特征作出相关预测；
[0047]其中，所述主干网络BackBone、特征提取及融合结构和预测机构联合构成YOLO v5模型；
[0048]判断器，通过目标检测的结果中一组圆是否同心，进而判断产品是否合格。
[0049]本实施例YOLO v5最大的特点是快并准，其非常适用于移动端，其模型小，速度快。表1为YOLO v5官方提供的性能指标：
[0050]表1 YOLO v5模型相关性能指本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLO v5模型的在线检测装置，其特征在于，包括主干网络BackBone，使用focus结构进行切片操作，然后在channel维度进行拼接，最后进行卷积操作；特征提取及融合结构，用于不同特征尺度的融合，并将浅层特征传递给顶层；预测机构，用于为利用之前的特征作出相关预测；其中，所述主干网络BackBone、特征提取及融合结构和预测机构联合构成YOLO v5模型；判断器，通过目标检测的结果中一组圆是否同心，进而判断产品是否合格。2.根据权利要求1所述的一种基于YOLO v5模型的在线检测装置，其特征在于，所述YOLO v5模型选用YOLO v5s时focus结构默认3*640*640的输入，复制四份后通过切片操作将这个四个图片切成了四个3*320*320的切片，最后使用concat从深度上连接这四个切片，输出为12*320*320。3.根据权利要求2所述的一种基于YOLO v5模型的在线检测装置，其特征在于，所述focus结构再通过卷积核数为32的卷积层，生成32*320*320的输出，最后经过batch_borm和leaky_relu将结果输入到下一个卷积层。4.根据权利要求2所述的一种基于YOLO v5模型的在线检测装置，其特征在于，所述YOLO v5模型选用YOLO v5m时，有48个卷积核，经过聚焦结构后输出为320
×
320
×
...

【专利技术属性】
技术研发人员：徐正，秦利明，谢超龙，方淳，李军，徐乾春，李晓轩，
申请(专利权)人：台州学院，
类型：发明
国别省市：