一种基于YOLOv5的汽车轮毂表面缺陷检测方法技术

本发明专利技术公开了一种基于YOLOv5的汽车轮毂表面缺陷检测方法，包括如下步骤：步骤S1、建立初始数据集：初始数据集中包含四种汽车轮毂表面缺陷的初始图片，四种汽车轮毂表面缺陷分别为线性缺陷、点状缺陷、油泥缺陷和针孔缺陷；步骤S2、运用图像处理领域的方法，将初始数据集进行扩充与增强；步骤S3、使用YOLOv5目标检测算法，选择YOLOv5s模型对四种轮毂表面缺陷进行训练与检测，通过对每次训练的结果进行分析，对YOLOv5s模型的参数进行调优，最终得到最优的网络参数与模型权重。本发明专利技术检测效果良好，检测准确率高，并基本满足了实时检测的要求，降低劳动强度和工作量，具有较好的应用价值。值。值。

【技术实现步骤摘要】
一种基于YOLOv5的汽车轮毂表面缺陷检测方法


[0001]本专利技术涉及表面缺陷检测方法，尤其是一种基于YOLOv5的汽车轮毂表面缺陷检测方法。

技术介绍

[0002]表面缺陷检测在汽车轮毂生产中至关重要。然而传统的汽车轮毂表面缺陷检测主要依赖于人工检测，面临着检测效率低、检测准确率低的问题，同时还可能对工人的身体造成危害。利用YOLOv5算法可以实现轮毂表面缺陷的自动化检测。

技术实现思路

[0003]本专利技术需要解决的技术问题是提供一种基于YOLOv5的汽车轮毂表面缺陷检测方法，利用YOLOv5目标检测算法可以实现轮毂表面缺陷的自动化检测，检测效果良好，检测准确率高，并基本满足了实时检测的要求，降低劳动强度和工作量，具有较好的应用价值。
[0004]为解决上述技术问题，本专利技术所采用的技术方案是：一种基于YOLOv5的汽车轮毂表面缺陷检测方法，包括如下步骤：
[0005]步骤S1、建立初始数据集：初始数据集中包含四种汽车轮毂表面缺陷的初始图片，四种汽车轮毂表面缺陷分别为线性缺陷、点状缺陷、油泥缺陷和针孔缺陷；
[0006]步骤S2、运用图像处理领域的方法，将初始数据集进行扩充与增强；
[0007]步骤S3、使用YOLOv5目标检测算法，选择YOLOv5s模型对四种轮毂表面缺陷进行训练与检测，通过对每次训练的结果进行分析，对YOLOv5s模型的参数进行调优，最终得到最优的网络参数与模型权重。
[0008]本专利技术技术方案的进一步改进在于：所述步骤S1中初始数据集中四种汽车轮毂表面缺陷的初始图片各100张。
[0009]本专利技术技术方案的进一步改进在于：所述步骤S2中将初始数据集进行旋转90、180、270度、水平翻转、垂直翻转、添加高斯噪声和高斯滤波，将初始数据集扩充为3200张，作为最终的轮毂表面缺陷数据集。
[0010]本专利技术技术方案的进一步改进在于：所述步骤S3中的详细步骤为：首先使用人工标记的方法在含有缺陷的图片上标注缺陷的位置与种类，得到数据集标签文件；使用YOLOv5s模型对数据集进行训练与标记，通过对每次训练的结果进行分析，不断调试网络的参数，最终得到68.4％的平均检测准确率和12.5ms的每张图片标记时间。
[0011]本专利技术技术方案的进一步改进在于：所述步骤S3中YOLOv5s模型的输入端采用Mosaic数据增强，并使用自适应锚框以自动计算最佳的锚框值，更新网络参数；主干网络使用CSPDarknet53特征提取网络与SPPF快速特征金字塔池化模块；特征融合网络使用FPN+PAN结构；YOLOv5s模型的输出端使用CIoU_Loss损失函数。
[0012]本专利技术技术方案的进一步改进在于：所述步骤S3中的Mosaic数据增强方法具体如下：每次对四张图片进行翻转、缩放、色域变化等，按照左上、右上、左下、右下这四个方向位
置摆好，然后进行图片的组合和框的组合，丰富了检测物体的背景。
[0013]本专利技术技术方案的进一步改进在于：所述步骤S3中将CSP结构加入主干网络中，将特征映射分为两部分，再通过跨阶段层次进行合并，减少计算量同时保证准确率；使用SPPF代替原始的SPP，减少参数融合量并提升检测准确率。
[0014]本专利技术技术方案的进一步改进在于：所述步骤S3中特征融合部分使用FPN+PAN结构，FPN自顶向下，传递语义特征，并通过上采样的方式进行传递融合；PAN自底向上，传递定位特征，FPN与PAN相结合实现了不同检测层的特征聚合。
[0015]本专利技术技术方案的进一步改进在于：YOLOv5s模型的输出端使用CIoU_Loss计算边界框回归，CIoU_Loss考虑了三个几何因素：重叠面积、中心点距离、长宽比，CIoU_Loss的计算公式如下：
[0016][0017][0018][0019]其中A和B代表两个框，Distance_22是预测框和真实框的两个中心点的欧几里得距离，Distance_C2是预测框和真实框的最小外接矩形的对角线距离，w
gt
和h
gt
是真实框的宽和高，w
p
和h
p
是预测框的宽和高。
[0020]由于采用了上述技术方案，本专利技术取得的技术进步是：
[0021]1、本专利技术利用YOLOv5目标检测算法可以实现轮毂表面缺陷的自动化检测，检测效果良好，检测准确率高，并基本满足了实时检测的要求，降低劳动强度和工作量，具有较好的应用价值；
[0022]2、本专利技术根据YOLOv5s模型对四种轮毂表面缺陷训练和检测，通过构建带有缺陷标签的数据集，作为YOLOv5s模型的输入进行训练并得到最优的模型权重，可以降低劳动强度并提高检测效率；
[0023]3、本专利技术中的YOLOv5s模型主干网络借鉴CSPNet的思路，将CSP结构加入主干网络中，将特征映射分为两部分，再通过跨阶段层次进行合并，减少计算量同时保证准确率；使用SPPF代替原始的SPP，减少参数融合量并提升检测准确率。
附图说明
[0024]图1是本专利技术中FPN+PAN结构图；
[0025]图2是本专利技术中改进的SPPF结构图；
[0026]图3是本专利技术中YOLOv5s模型部分检测结果。
具体实施方式
[0027]下面结合实施例对本专利技术做进一步详细说明：
[0028]一种基于YOLOv5的汽车轮毂表面缺陷检测方法，包括以下步骤：
[0029]步骤S1，选择汽车轮毂表面的线性缺陷、点状缺陷、油泥缺陷和针孔缺陷作为初始的数据集：
[0030]线性缺陷呈条状且大多单独出现；点状缺陷面积较小；油泥缺陷由油漆造成，面积较大；针孔缺陷成群出现，四种缺陷各有特点。因此使用这四种缺陷搭建数据集。扩充前的初始数据集共包含400张缺陷图片，每种缺陷各100张。
[0031]步骤S2，运用图像处理领域的方法，将初始数据集进行扩充与增强：
[0032]为了防止网络过早陷入过拟合，提升网络的训练效果，需要对数据集进行扩充。将初始图片旋转90、180、270度、水平翻转、垂直翻转、添加高斯噪声和高斯滤波七种方法，将数据集扩充为3200张，作为最终的轮毂表面缺陷数据集。将扩充后的数据集按照7:2:1的比例手动划分为训练集、验证集与测试集。
[0033]步骤S3，使用YOLOv5目标检测算法，选择YOLOv5s模型对四种轮毂表面缺陷进行训练与检测。通过对每次训练的结果进行分析，对模型的参数进行调优，最终得到最优的网络参数与模型权重。
[0034]首先使用人工标记的方法在含有缺陷的图片上标注缺陷的位置与种类，得到数据集标签文件；使用YOLOv5s模型对训练集和验证集进行训练，对测试集进行标记。每次训练100轮，最终网络逐渐收敛。通过对每次训练的结果进行分析，不断调试网络的参数，最终得到68.4％的平均检测准确率和12.5ms的每张图片标记时间。利用训练得到的权重文件对测试集进行标记，得到具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5的汽车轮毂表面缺陷检测方法，其特征在于：包括如下步骤：步骤S1、建立初始数据集：初始数据集中包含四种汽车轮毂表面缺陷的初始图片，四种汽车轮毂表面缺陷分别为线性缺陷、点状缺陷、油泥缺陷和针孔缺陷；步骤S2、运用图像处理领域的方法，将初始数据集进行扩充与增强；步骤S3、使用YOLOv5目标检测算法，选择YOLOv5s模型对四种轮毂表面缺陷进行训练与检测，通过对每次训练的结果进行分析，对YOLOv5s模型的参数进行调优，最终得到最优的网络参数与模型权重。2.根据权利要求1所述的一种基于YOLOv5的汽车轮毂表面缺陷检测方法，其特征在于：所述步骤S1中初始数据集中四种汽车轮毂表面缺陷的初始图片各100张。3.根据权利要求1所述的一种基于YOLOv5的汽车轮毂表面缺陷检测方法，其特征在于：所述步骤S2中将初始数据集进行旋转90、180、270度、水平翻转、垂直翻转、添加高斯噪声和高斯滤波，将初始数据集扩充为3200张，作为最终的轮毂表面缺陷数据集。4.根据权利要求1所述的一种基于YOLOv5的汽车轮毂表面缺陷检测方法，其特征在于：所述步骤S3中的详细步骤为：首先使用人工标记的方法在含有缺陷的图片上标注缺陷的位置与种类，得到数据集标签文件；使用YOLOv5s模型对数据集进行训练与标记，通过对每次训练的结果进行分析，不断调试网络的参数，最终得到68.4％的平均检测准确率和12.5ms的每张图片标记时间。5.根据权利要求4所述的一种基于YOLOv5的汽车轮毂表面缺陷检测方法，其特征在于：所述步骤S3中YOLOv5s模型的输入端采用Mosaic数据增强，并使用自适应锚框以自动计算最佳的锚框值，更新网络参数；主干网络使用CSPDarknet53特征提取网络与SPPF快速特征金字塔池化...

【专利技术属性】
技术研发人员：刘福才，夏秀晔，郑宏伟，
申请(专利权)人：燕山大学，
类型：发明
国别省市：