一种基于改进YOLOX的高反光金属表面缺陷检测方法技术

本发明专利技术公开一种基于改进YOLOX的高反光金属表面缺陷检测方法，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；构建由主干特征提取网络CSPDarknet

【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木瓷砖，首先他们提取特征，然后应用前馈神经网络进行分类，分类的准确度高达95％。因此在铝型材相关领域使用机器视觉来进行缺陷检测是非常必要的。基于机器视觉的铝型材表面瑕疵检测是一种非接触式的检测方式，利用非接触式的检测方式能够快速、有效地提取铝型材表面的信息，实现铝型材表面瑕疵的检测。
[0004]图像分析技术在金属加工行业并不普遍的原因是，挤压铝具有高反射性，这将导致图像的光照成像问题，因此更难执行分类任务。但是，通过人眼进行质量控制的高成本和时间密集型等问题，迫使金属加工行业向自动化缺陷检测方向发展，同时为铝型材自动化缺陷检测的发展提供了强大的动力。

技术实现思路

[0005]专利技术目的：针对
技术介绍
中指出的问题，本专利技术提供一种基于改进YOLOX的高反光金属表面缺陷检测方法，用于解决在对高反光金属各类缺陷检测时准确率低，检测速度慢的技术问题。
[0006]技术方案：本专利技术公开一种基于改进YOLOX的高反光金属表面缺陷检测方法，包括以下步骤：
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]进一步地，所述步骤S1实现过程如下：
[0012]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；
[0013]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；
[0014]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：
[0015][0016]其中x,y是每个像素点的坐标，σ是x的方差；
[0017]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：
[0018]s＝cr
γ
[0019]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；
[0020]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。
[0021]进一步地，所述步骤S2的实现过程如下：
[0022]S2.1：利用Focus、CBS、Resblock body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；
[0023]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Resblock body结构，SPP模块由CBS与4个大小为1
×
1、5
×
5、9
×
9以及13
×
13的池化核所构成；
[0024]S2.3：使用一种偏重于纹理信息的BT
‑
FPN双向特征融合网络，此网络中增加了自下而上的信息流，并在P4层和P5层增加了快捷连接；
[0025]S2.4：在BT
‑
FPN的网络结构中，三个输入层P3，P4，P5对应三个Dark模块的Dark3，Dark4，Dark5主干网的输出，其中包括CSP2_X层，CBS块，up
‑
sampling，连接函数；CSP2_X层用CBS模块堆叠代替剩余的小部分堆叠，三个相关的输出公式如下：
[0026][0027][0028][0029]其中，Pk
out
表示第k图像的输出，Conv表示卷积操作，w
kj
表示第k层第j个节点权重，表示图像第k层第n个节点的输入，特征提取网络总共有三个不同尺度的输出，分别为小目标、中等目标和大目标，因为自底向上的信息流得到增强，进而P4，P5的纹理信息获取能力得到加强；
[0030]S2.5：从主干特征提取网络CSPDarknet
‑
53的Resblock body结构中分别引出3个不同尺寸的初步特征层，输入到双向特征融合网络BT
‑
FPN进行特征融合，将特征融合后的3个增本文档来自技高网...

【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：