【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 ...
【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:
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。