【技术实现步骤摘要】
一种基于改进YOLOX的高反光金属表面缺陷检测方法
[0001]本专利技术属于图像处理检测
,具体涉及一种基于改进YOLOX的高反光金属表面缺陷检测方法。
技术介绍
[0002]铝材再生利用率高、实用性强,在化工、建筑及汽车行业的应用几乎不会被其他材料取代,但在需求增加的同时,铝型材的表面质量也愈显重要。挤压性铝型材也经常应用于汽车零件、火车车架、建筑门窗、摩天大楼的支撑结构中等等。在生产过程中,由于器具磨损和工艺条件的变化,经常会出现表面缺陷、划痕、起泡等缺陷。在生产过程中产生的表面缺陷必须正确识别,以防止把有缺陷的材料交付给客户。根据每个缺陷的严重程度和位置,可以适当地对相应地概要文件进行排序,从而对缺陷进行定级。
[0003]目前,检测铝型材表面质量的主要方式,依旧是人工抽样检验并目测判断,但由于人工检测不仅效率较低而且检测精度依赖工人经验,因此其远远达不到我国大力推进铝型材产能优化及扩充的需求。我国现有检测铝型材表面瑕疵的技术较为落后,与国际先进技术水平相去甚远,迫切需要一种更加适合现代企业的检测方法。当下,铝型材设备的表面故障的检测主要依靠人眼来实现,相反在软木和纺织品等高纹理材料的工业生产现场,已经广泛采用机器视觉系统进行质量检测。例如,Gonzalez Adrados和Pereira,应用图像分析技术和判别分析技术对软木中的某些缺陷进行分类,准确度在90%以上。Lopes和Pereira通过自动视觉检测技术确定软木板材的质量。此外,Jordanov采用自动视觉检测系统来分类四种不同类型的软 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进YOLOX的高反光金属表面缺陷检测方法,其特征在于,包括以下步骤:S1:构建金属表面缺陷的图像数据集,将数据集输入图像特征增强模块进行预处理,并针对每一类缺陷制作相应的标签;S2:构建由主干特征提取网络CSPDarknet
‑
53、BT
‑
FPN双向特征融合网络以及分类预测网络YOLO Head三部分组成的改进YOLOX的高反光金属表面缺陷检测模型,减少特征信息的丢失,增强特征融合性能;S3:使用迁移学习获取预训练模型,并结合Mosaic和Mixup数据增强方法训练金属缺陷数据集得到权重w;S4:将权重w输入到改进YOLOX的高反光金属表面缺陷检测模型中进行分类预测。2.根据权利要求1所述的基于改进YOLOX的高反光金属表面缺陷检测方法,其特征在于,所述步骤S1实现过程如下:S1.1:从公开的GC10
‑
DET数据集中获得高反光金属表面缺陷检测所需的缺陷数据样本,包括折痕、油点、压痕、焊缝四类缺陷数据;S1.2:对数据样本进行预处理,将数据样本进行格式转换,转换为标准的VOC数据格式,再通过Labelme标注工具对图像数据中的金属缺陷进行标注,金属缺陷类型的标签包括折痕、油点、压痕、焊缝;S1.3:对已经缺陷标注过的图像数据集依次进行高斯滤波和伽马校正图像增强处理,将图像数据集进行高斯滤波去噪,对每张金属缺陷图像进行加权平均处理,每一个像素点的值,都由其本身和邻域内的其他像素点经过加权平均后得到,每个像素点的高斯权值计算公式如下:其中x,y是每个像素点的坐标,σ是x的方差;将高斯滤波处理后的图像数据集进行伽马校正处理,对图像的灰度值进行修正,增强对比度,将图像上的每个像素点做一次γ乘积运算,伽马校正公式如下:s=cr
γ
其中,s为输出的像素点的灰度值,r为输入像素点的灰度值,c、γ为常数,通过设置c、γ的值来调整图像的灰度值以到达最优;S1.4:将经过特征增强处理后的金属缺陷数据集按照8:1:1分为训练集、验证集和测试集。3.根据权利要求1所述的基于改进YOLOX的高反光金属表面缺陷检测方法,其特征在于,所述步骤S2的实现过程如下:S2.1:利用Focus、CBS、Resblockbody以及SPP模块构建主干特征提取网络CSPDarknet
‑
53,并在主干特征提取网络CSPDarknet
‑
53与BT
‑
FPN双向特征融合网络之间建立连接;S2.2:利用普通卷积Conv、标准化BN以及SiLU激活函数构建CBS模块,将残差块拆分为主干部分和大残差边shortconv两部分构建CSP结构,采用CBS与CSP结构构建Resblockbody结构,SPP模块由CBS与4个大小为1
【专利技术属性】
技术研发人员:邱军林,周健,邵鹤帅,高丽,蒋晓玲,陈礼青,李敏,叶德阳,马志鹏,于金玉,
申请(专利权)人:淮阴工学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。