基于YOLOv5模型的产品质量在线检测方法技术

本申请涉及一种基于YOLO v5模型的产品质量在线检测方法，通过基于YOLO v5模型设计一种在线检测装置，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。本申请的模型可以用于该类产品的在线实时的质量检测，节省了生产成本，提高了生产质量和效率。该模型检测方法具有更好的灵活性和稳定性，其灵活性在于对于不同的工件其判别准则未必一致，可以根据工件的特性来修改判断器；其稳定性在于深度学习目标检测算法只检测目标位置的准确性大概率会比既检测目标位置又检测工件是否合格的准确性高。标位置又检测工件是否合格的准确性高。标位置又检测工件是否合格的准确性高。

【技术实现步骤摘要】
基于YOLO v5模型的产品质量在线检测方法


[0001]本公开涉及产品质量检测
，尤其涉及一种基于YOLO v5模型的产品质量在线检测方法、装置和电子设备。

技术介绍

[0002]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。企业对产品的检测具有迫切的技术需求，因为人工成本逐年增加，人工检测难度加大，产品数据增加，故急切需求产品检测技术及衍生品。
[0003]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像。
[0004]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模型横空出世后，目前在检测技术上已经达到了颠峰。
[0005]因此，可以结合该技术，提出一种新的品质量在线检测方法，以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

[0006]为了解决上述问题，本申请提出一种基于YOLO v5模型的产品质量在线检测方法、装置和电子设备。
[0007]本申请一方面，提出一种基于YOLO v5模型的产品质量在线检测方法，包括如下步骤：
[0008]获取若干产品图片的训练集照片和验证集照片并进行先验标注处理，得到训练集和验证集；
[0009]基于YOLO v5模型，对所述训练集和所述验证集进行迭代深度学习，输出并保存满足迭代条件时的训练权重；
[0010]将产品的测试集图片输入深度学习后的模型，通过所述YOLO v5模型确认所述测试集图片的锚框位置，利用已训练权重判断所述测试集图片的锚框位置是否合格，并输出判断结果。
[0011]作为本申请的一可选实施方案，可选地，获取若干产品图片的训练集照片和验证集照片并进行先验标注处理，得到训练集和验证集，包括：
[0012]获取若干包含产品目标坐标的训练集照片和验证集照片；
[0013]使用labelImg打锚框的方式，对所述训练集照片和所述验证集照片进行标注处理，得到具有锚框标注的标签；
[0014]将所述标签转换为预设数据格式的格式标签，并将所述标签划分为训练集标签和
验证集标签。
[0015]作为本申请的一可选实施方案，可选地，基于YOLO v5模型，对所述训练集和所述验证集进行迭代深度学习，输出并保存满足迭代条件时的训练权重，包括：
[0016]设置YOLO v5预训练权重；
[0017]在YOLO v5框架的基础之上，利用所述预训练权重，进行所述YOLO v5模型的迁移学习；
[0018]将所述训练集输入至YOLO v5模型，进行迭代训练，当满足预设的迭代条件时，输出并保存本次迭代的训练权重，并利用所述训练权重更新所述YOLO v5模型，得到目标检测模块。
[0019]作为本申请的一可选实施方案，可选地，基于YOLO v5模型，对所述训练集和所述验证集进行迭代深度学习，输出并保存满足迭代条件时的训练权重，还包括：
[0020]获取本次迭代的训练权重；
[0021]利用所述训练权重反馈调节所述验证集，并输出验证效果及评价指标。
[0022]作为本申请的一可选实施方案，可选地，将产品的测试集图片输入深度学习后的模型，通过所述YOLO v5模型确认所述测试集图片的锚框位置，利用已训练权重判断所述测试集图片的锚框位置是否合格，并输出判断结果，包括：
[0023]获取产品的测试集图片；
[0024]将产品的测试集图片输入至所述目标检测模块进行目标检测，确认测试集图片锚框位置；
[0025]利用判断器，判断所述锚框位置是否符合所述YOLO v5模型中保存的已训练权重，并将判断结果可视化输出；
[0026]具体的：
[0027]测试集图片进行目标检测后，可以通过YOLO v5模型提取得到测试集图片的锚框位置，记作O1；将其与已训练权重中作为对比判断的特征图片的锚框位置(记作O0)，按照判断器的原则进行：
[0028]经过检测后，将产品的测试集图片和特征图片的锚框位置关系进行可视化处理，并则有如下关系式：
[0029]O0点的坐标位置为：
[0030]O0＝(x0，y0)＝(a0+1/2(c0‑
a0)，b0+1/2(d0‑
b0))
[0031]O1点的坐标位置为：
[0032]O1＝(x1，y1)＝(a1+1/2(c1‑
a1)，b1+1/2(d1‑
b1))
[0033]O0与O1两点之间的距离为：
[0034][0035]若
[0036][0037]即若两目标框的圆心距离小于较小框斜边长度的x倍则判判为合格产品；反之为不合格产品。
[0038]本申请另一方面，提出一种实现上述所述的基于YOLO v5模型的产品质量在线检
测方法的装置，包括：
[0039]先验标注模块，用于获取若干产品图片的训练集照片和验证集照片并进行先验标注处理，得到训练集和验证集；
[0040]深度学习模块，用于基于YOLO v5模型，对所述训练集和所述验证集进行迭代深度学习，输出并保存满足迭代条件时的训练权重；
[0041]判断器模块，用于将产品的测试集图片输入深度学习后的模型，通过所述YOLO v5模型确认所述测试集图片的锚框位置，利用已训练权重判断所述测试集图片的锚框位置是否合格，并输出判断结果。
[0042]作为本申请的一可选实施方案，可选地，所述先验标注模块，包括：
[0043]模块，用于获取若干包含产品目标坐标的训练集照片和验证集照片；
[0044]模块，用于使用labelImg打锚框的方式，对所述训练集照片和所述验证集照片进行标注处理，得到具有锚框标注的标签；
[0045]模块，用于将所述标签转换为预设数据格式的格式标签，并将所述标签划分为训练集标签和验证集标签。
[0046]作为本申请的一可选实施方案，可选地，所述深度学习模块，包括：
[0047]训练权重设置模块，用于设置YOLO v5预训练权重；
[0048]迁移学习模块，用于在YOLO v5框架的基础之上，利用所述预训练权重，进行所述YOLO v5模型的迁移学习；
[0049]迭代训练模块，用于将所述训练集输入至YOLO v5模型，进行迭代训练，当满足预设的迭代条件时，输出并保存本次迭代的训练权重，并利用所述训练权重更新所述YOLO v5模型，得到目标检测模块；
[0050]反馈调节模块，用于获取本次迭代的训练权重，利用所述训练权重反馈调节所述验证集，并输出验证效果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLO v5模型的产品质量在线检测方法，其特征在于，包括如下步骤：获取若干产品图片的训练集照片和验证集照片并进行先验标注处理，得到训练集和验证集；基于YOLO v5模型，对所述训练集和所述验证集进行迭代深度学习，输出并保存满足迭代条件时的训练权重；将产品的测试集图片输入深度学习后的模型，通过所述YOLO v5模型确认所述测试集图片的锚框位置，利用已训练权重判断所述测试集图片的锚框位置是否合格，并输出判断结果。2.根据权利要求1所述的基于YOLO v5模型的产品质量在线检测方法，其特征在于，获取若干产品图片的训练集照片和验证集照片并进行先验标注处理，得到训练集和验证集，包括：获取若干包含产品目标坐标的训练集照片和验证集照片；使用labelImg打锚框的方式，对所述训练集照片和所述验证集照片进行标注处理，得到具有锚框标注的标签；将所述标签转换为预设数据格式的格式标签，并将所述标签划分为训练集标签和验证集标签。3.根据权利要求1所述的基于YOLO v5模型的产品质量在线检测方法，其特征在于，基于YOLO v5模型，对所述训练集和所述验证集进行迭代深度学习，输出并保存满足迭代条件时的训练权重，包括：设置YOLO v5预训练权重；在YOLO v5框架的基础之上，利用所述预训练权重，进行所述YOLO v5模型的迁移学习；将所述训练集输入至YOLO v5模型，进行迭代训练，当满足预设的迭代条件时，输出并保存本次迭代的训练权重，并利用所述训练权重更新所述YOLO v5模型，得到目标检测模块。4.根据权利要求3所述的基于YOLO v5模型的产品质量在线检测方法，其特征在于，基于YOLO v5模型，对所述训练集和所述验证集进行迭代深度学习，输出并保存满足迭代条件时的训练权重，还包括：获取本次迭代的训练权重；利用所述训练权重反馈调节所述验证集，并输出验证效果及评价指标。5.根据权利要求3所述的基于YOLO v5模型的产品质量在线检测方法，其特征在于，将产品的测试集图片输入深度学习后的模型，通过所述YOLO v5模型确认所述测试集图片的锚框位置，利用已训练权重判断所述测试集图片的锚框位置是否合格，并输出判断结果，包括：获取产品的测试集图片；将产品的测试集图片输入至所述目标检测模块进行目标检测，确认测试集图片锚框位置；利用判断器，判断所述锚框位置是否符合所述YOLO v5模型中保存的已训练权重，并将判断结果可视化输出；具体的：
测试集图片进行目标检测后，可以通过YOLO v5模型提取得到测试集图片的锚框位置，记作O1；将其与已训练权重中作为对比判断的特征图片的锚框位置(记作O0)，按照判断器的原则进行:经过检测后，将产品的测试集图片和特征图片的锚框位置关系进行可视化处理，并则...

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