一种基于MSTA-YOLOv5的轻量化齿轮表面缺陷检测方法技术

本发明专利技术涉及产品缺陷检测技术领域，公开了一种基于MSTA

【技术实现步骤摘要】
一种基于MSTA
‑
YOLOv5的轻量化齿轮表面缺陷检测方法


[0001]本专利技术涉及产品缺陷检测
，具体涉及一种基于MSTA
‑
YOLOv5的轻量化齿轮表面缺陷检测方法。

技术介绍

[0002]随着科学技术的发展与社会需求变化，大型多面复杂结构工件在工业生产中更加普及，齿轮是机械工业中应用广泛的传动部件，其质量在生产中尤为重要。但在实际生产过程中，由于工艺流程、生产设备和现场环境等因素的影响，造成齿轮表面出现各种缺陷，如果不及时处理，将会影响齿轮表观质量、性能和使用寿命，导致企业生产效益下降。因此，需要对齿轮表面进行检测，而传统的人工检测工作量大，易造成检测人员视觉疲劳，出现漏检、错检。
[0003]近年来，随着机器视觉技术快速发展，基于机器视觉的检测技术被应用在产品表面质量检测中。而现在的齿轮缺陷检测技术大部分采用数字化图像处理技术，但这种技术的处理方式、算法单一，面对表面复杂性较高的齿轮来说，很难有效的提取缺陷目标，导致检测效果不理想。
[0004]如公开号为CN115187820A的专利文件公开了轻量化的目标检测方法、装置、设备、存储介质，在YOLOv4网络结构中采用了ShuffleNetv作为特征提取模块，但是参数量和计算量非常大，且特征提取模块中用到了SE注意力机制，具有精度不足的缺点；
[0005]如公开号为CN112990325A的专利文件公开了一种面向嵌入式实时视觉目标检测的轻型网络构建方法，用到了CBAM注意力机制，具有轻量化的优点，但是随着轻量化提高其精度损失较大，且该技术方案中采用了Focus切片操作，增加了参数量，减弱了轻量化的优势；
[0006]如公开号为CN114898171A的专利文件公开了一种适用于嵌入式平台的实时目标检测方法，虽然达到了轻量化的效果，但是精度还是造成了比较大的损失。
[0007]随着人工智能技术的发展，深度学习方法因其在处理背景复杂、缺陷微弱的工业图像时展现出卓越的性能优势，被广泛应用于图像处理和工件质量检测领域。采用深度学习方法，能够准确地对齿轮表面缺陷进行语义识别和分割，降低了背景及其他因素的干扰，从而有效提升了检测准确性。虽然有大量研究对不同的目标检测网络进行改进并对工业产品进行缺陷检测，达到了可观的效果，但没有针对企业内需要体积小、计算参数更少的模型进行研究，这样的模型在成本预算低、算力相对不足的设备中也能达到不错的检测速度和准确率。

技术实现思路

[0008]深度学习方法在图像分类领域已经极大地提高了准确度，但目前基于深度学习的目标检测算法计算资源需求太大、内存消耗严重使得成本较高。本专利技术针对上述问题以及企业需要低延迟模型并且移动设备终端需要既快又准确的小模型问题，提供了一种基于
MSTA
‑
YOLOv5的轻量化齿轮表面缺陷检测方法，实现齿轮表面缺陷的检测与自动分拣，能够实现齿轮表面缺陷检测的检测效率提高。
[0009]本专利技术解决技术问题的技术方案为：
[0010]一种基于MSTA
‑
YOLOv5的轻量化齿轮表面缺陷检测方法，包括以下步骤：首先获取齿轮表面缺陷图像，并对所述的图像进行标注和划分，构建齿轮表面缺陷数据集；然后构建MSTA
‑
YOLOv5检测模型，基于齿轮表面缺陷数据集对MSTA
‑
YOLOv5检测模型进行训练；最后将待检测的齿轮缺陷图像送入训练好的MSTA
‑
YOLOv5检测模型，获取检测齿轮的缺陷类型。
[0011]所述的MSTA
‑
YOLOv5检测模型的包括：
[0012]输入部分：将齿轮表面缺陷图像输入MSTA
‑
YOLOv5网络，进行自适应锚框计算和Mosaic9数据增强；
[0013]骨干部分：特征提取主干网络采用ShuffleNetv2架构，包括依次连接的CBRM操作、第一下采样层、第二卷积归一化层、第二下采样层、第三卷积归一化层、第三下采样层、第四卷积归一化层；经过下采样层处理后的齿轮表面缺陷图像利用1*1卷积进行特征提取之后得到的3个齿轮表面缺陷特征图分别记为S2,S3,S4；
[0014]颈部部分：颈部Neck结构采用FPN+PAN，FPN层自顶向下传递强语义信息，S4经过3*3卷积，得到特征图记为Q4，Q4经过转置卷积上采样后与S3相连接，再经过3*3卷积，得到特征图记为Q3；Q3经过转置卷积上采样后与S2相连接，再经过3*3的卷积，得到的特征图记为Q2；
[0015]PAN自底向上传递强定位信息，特征图Q2作为底层特征R2，R2经过下采样后，与Q3相连接，得到特征图记为R3；R3经过下采样后与Q4相连接，得到的特征图记为R4；R2、R3、R4分别经过3*3的卷积，得到特征图T2、T3、T4；
[0016]在颈部Neck结构的后3个C3模块之后分别集成一个AMECA注意力模块，分别将特征图T2、T3、T4作为原始输入特征图，分别经过全局平均池化模块与全局最大池化模块，并将得到的两个特征图进行相加，压缩空间信息，随后使用1*1卷积学习通道注意力信息，得到的通道注意力信息与原始输入特征图结合，最终得到具体的通道注意力特征图D1、D2、D3；
[0017]输出部分：将特征图D1、D2、D3分别输入YOLOv5
‑
MSTA检测头网络，最终得到检测结果。
[0018]进一步地，所述的Mosaic9数据增强包括：首先从总数据集中取出一个批量的数据，每次从中随机取出9张图片，进行随机位置的裁剪、缩放，合成新图片；上述过程重复batch
‑
size次，最后得到包括batch
‑
size个经过了Mosaic9数据增强后图片的一个批量的新数据，再传递给神经网络进行训练。
[0019]进一步地，所述的CBRM操作包括Conv、BN、ReLU和MaxPool。
[0020]进一步地，所述的第一下采样层、第二下采样层、第三下采样层中均包括Shuffle_Block(d)模块，所述的Shuffle_Block(d)将输入特征分为两个分支，左侧分支有2个卷积层，分别为步长为2的3
×
3深度卷积和1
×
1的普通卷积；右侧分支上有三个卷积层，分别为1
×
1的普通卷积、步长为2的3
×
3深度卷积和1
×
1的普通卷积；左右两侧分支通过Concat进行拼接来使左右两侧的特征进行融合，最后通过通道混洗操作来启用两个分支之间的信息通信。
[0021]进一步地，所述的第二卷积归一化层、第三卷积归一化层、第四卷积归一化层中均
包括Shuffle_Block(c)模块，所述的Shuffle_Block(c)模块对每个通道进行分流，划分为两个分支，根据要减少模型的碎片化程度准则，在左边的分支上没有进行任何操作，在右边的分支上有3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MSTA
‑
YOLOv5的轻量化齿轮表面缺陷检测方法，其特征在于，包括以下步骤：首先获取齿轮表面缺陷图像，并对所述的图像进行标注和划分，构建齿轮表面缺陷数据集；然后构建MSTA
‑
YOLOv5检测模型，基于齿轮表面缺陷数据集对MSTA
‑
YOLOv5检测模型进行训练；最后将待检测的齿轮缺陷图像送入训练好的MSTA
‑
YOLOv5检测模型，获取检测齿轮的缺陷类型；所述的MSTA
‑
YOLOv5检测模型的包括：输入部分：将齿轮表面缺陷图像输入MSTA
‑
YOLOv5网络，进行自适应锚框计算和Mosaic9数据增强；骨干部分：特征提取主干网络采用ShuffleNetv2架构，包括依次连接的CBRM操作、第一下采样层、第二卷积归一化层、第二下采样层、第三卷积归一化层、第三下采样层、第四卷积归一化层；经过下采样层处理后的齿轮表面缺陷图像利用1*1卷积进行特征提取之后得到的3个齿轮表面缺陷特征图分别记为S2,S3,S4；颈部部分：颈部Neck结构采用FPN+PAN，FPN层自顶向下传递强语义信息，S4经过3*3卷积，得到特征图记为Q4，Q4经过转置卷积上采样后与S3相连接，再经过3*3卷积，得到特征图记为Q3；Q3经过转置卷积上采样后与S2相连接，再经过3*3的卷积，得到的特征图记为Q2；PAN自底向上传递强定位信息，特征图Q2作为底层特征R2，R2经过下采样后，与Q3相连接，得到特征图记为R3；R3经过下采样后与Q4相连接，得到的特征图记为R4；R2、R3、R4分别经过3*3的卷积，得到特征图T2、T3、T4；在颈部Neck结构的后3个C3模块之后分别集成一个AMECA注意力模块，分别将特征图T2、T3、T4作为原始输入特征图，分别经过全局平均池化模块与全局最大池化模块，并将得到的两个特征图进行相加，压缩空间信息，随后使用1*1卷积学习通道注意力信息，得到的通道注意力信息与原始输入特征图结合，最终得到具体的通道注意力特征图D1、D2、D3；输出部分：将特征图D1、D2、D3分别输入YOLOv5
‑
MSTA检测头网络，最终得到检测结果。2.如权利要求1所述的一种基于MSTA
‑
YOLOv5的轻量化齿轮表面缺陷检测方法，其特征在于，所述的Mosaic9数据增强包括：首先从总数据集中取出一个批量的数据，每次从中随机取出9张图片，进行随机位置的裁剪、缩放，合成新图片；上述过程重复batch
‑
size次，最后得到包括batch
‑
size个经过了Mosaic9数据增强后图片的一个批量的新数据，再传递给神经网络进行训练。3.如权利要求1所述的一种基于MSTA
‑
YOLOv5的轻量化齿轮表面缺陷检测方法，其特征在于，所述的CBRM操作包括Conv、BN、ReLU和MaxPool。4.如权利要求1所述的一种基于MSTA
‑
YOLOv5的轻量化齿轮表面缺陷检测方法，其特征在于，所述的第一下采样层、第二下采样层、第三下采样层中均包括Shuffl...

【专利技术属性】
技术研发人员：闫蕊，张让勇，刘琦，顾笑言，郭文杰，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：