基于改进YOLOv5的铝表面实时缺陷检测方法及系统技术方案

本发明专利技术公开了一种基于改进YOLOv5的铝表面实时缺陷检测方法及系统，包括：获取各种铝材表面缺陷图片，进行数据增强的图片预处理，建立数据集；将预处理后的数据集输入引入ghost网络、联合注意力机制和深度可分离卷积的改进的YOLOv5网络结构中，进行强化迁移训练，得到优化模型；将所述优化模型部署到硬件设备上进行铝材表面缺陷的实时检测。本发明专利技术解决了铝材表面缺陷检测的实时性低、检测精度有待提高、训练效率低的问题。待提高、训练效率低的问题。待提高、训练效率低的问题。

【技术实现步骤摘要】
基于改进YOLOv5的铝表面实时缺陷检测方法及系统


[0001]本专利技术涉及金属缺陷检测
，尤其涉及一种基于改进YOLOv5的铝表面实时缺陷检测方法及系统。

技术介绍

[0002]铝型材因其导热性好、防潮等特点，成为了建筑、车辆、船舶、房屋等领域的重要基础材料。随着相关行业的快速发展，对高品质铝型材的需求也越来越大。因此，铝型材表面缺陷检测是十分有意义的，铝型材表面缺陷直接影响到产品的质量。传统的人工视觉检测难以保证检测结果的准确性与检测过程的高效性，因为人力处理会产生效率低下、人的生理疲劳等一系列问题。为了解决这些问题，一些学者将机器学习的方法应用于工业缺陷的识别。Yu et al.使用SVM对木材表面缺陷进行分类，Hu et al.提出了一种基于椭圆拟合与距离阈值的算法来检测钢壳表面凹坑缺陷，Chen et al.利用平滑滤波来检测钢板表面缺陷，Wang et al.提出了一种基于SUSAN算子的铝箔缺陷检测算法。虽然上述工作在表面缺陷检测上取得了不错的成绩，但仍存在一些问题，如鲁棒性差、局限性大、实时性低的问题，而且针对铝材表面缺陷需要采集构建数据集，工作量大，而数据量不足导致过拟合现象，特征信息少影响训练效果，均会影响最终的检测精度。

技术实现思路

[0003](一)要解决的技术问题
[0004]基于上述问题，本专利技术提供一种基于改进YOLOv5的铝表面实时缺陷检测方法及系统，解决铝材表面缺陷检测的实时性低、检测精度有待提高、训练效率低的问题。
[0005](二)技术方案
[0006]基于上述的技术问题，本专利技术提供一种基于改进YOLOv5的铝表面实时缺陷检测方法，包括以下步骤：
[0007]S1、获取各种铝材表面缺陷图片，进行数据增强的图片预处理，建立数据集；
[0008]S2、将预处理后的数据集输入引入ghost网络、联合注意力机制和深度可分离卷积的改进的YOLOv5网络结构中，进行强化迁移训练，得到优化模型；所述引入ghost网络、联合注意力机制和深度可分离卷积的改进的YOLOv5网络结构包括：
[0009]将输入图片经CBL、第一Ghost模块、第一C3Ghost模块、第二Ghost模块、第二C3Ghost模块、第三Ghost模块、第三C3Ghost模块、第四Ghost模块、第四C3Ghost模块，且四个C3Ghost模块中均嵌入注意力模块；所述第二C3Ghost模块的输出与从第一Dw卷积模块上采样的输出Concat后经第五C3Ghost模块输出第一尺度特征图；所述第三C3Ghost模块的输出与从第三Dw卷积模块上采样的输出Concat后，经第六C3Ghost模块、第一Dw卷积模块后的输出，与所述第五C3Ghost模块经第二Dw卷积模块的输出Concat后，经第七C3Ghost模块输出第二尺度特征图；所述第四C3Ghost模块的输出经SPPF、第三Dw卷积模块的输出，与所述第七C3Ghost模块经第四Dw卷积模块后的输出Concat后，经第八C3Ghost模块输出第三个尺
度特征图；所述C3Ghost模块是加了Ghost的C3模块，所述Dw卷积模块为深度可分离卷积模块；
[0010]S3、将所述优化模型部署到硬件设备上进行铝材表面缺陷的实时检测。
[0011]进一步的，所述步骤S2包括：
[0012]S21、将预处理后或进一步加强的数据集输入引入ghost网络、联合注意力机制和深度可分离卷积的改进的YOLOv5网络结构中，利用迁移学习得到预训练模型；
[0013]S22、判断各种缺陷的准确率是否均达到设定阈值，若否，则进入步骤S23，若是，则进入步骤S24；
[0014]S23、将准确率未达到设定阈值的缺陷对应的数据集进一步强化，返回步骤S21继续训练；
[0015]S24、训练得到优化模型。
[0016]进一步的，所述步骤S23中，还包括参数微调。
[0017]进一步的，所述步骤S22中，所述设定阈值为95％。
[0018]进一步的，所述各种缺陷包括针孔、脏物和划痕。
[0019]进一步的，所述注意力模块采用包括并行连接的通道注意力模块CAM和空间注意力模块SAM，输入特征图F的高，宽和通道数分别为H，W，C，在所述CAM中首先通过Max Pool和Avg Pool对F的全局空间信息进行压缩，生成两个尺寸为1
×1×
C的特征图S1和S2，所述特征图S1和S2通过MLP得到两个一维的特征图，对所述两个一维特征图进行归一化得到权重特征图MC；同时，在所述SAM中首先通过1
×1×
1的卷积模块，将结果输入Sigmoid函数中进行激活得到权重特征图MS；最后将所述权重特征图MC和MS采用逐元素相加方式并行连接，进行Sigmoid激活函数后得到输出特征图F^。
[0020]进一步的，步骤S1中所述图片预处理包括：
[0021]将不同规模的不同缺陷对象的所述铝材表面缺陷图片粘贴到新的背景图片；
[0022]将所述铝材表面缺陷图片进行高斯模糊调整；
[0023]还包括以下至少一种处理方法：
[0024]将所述铝材表面缺陷图片随机选取四张通过mosaic数据增强拼接得到新的图片；
[0025]将所述铝材表面缺陷图片进行亮度调整；
[0026]将所述铝材表面缺陷图片进行旋转角度调整；
[0027]将所述铝材表面缺陷图片进行裁剪调整；
[0028]将所述铝材表面缺陷图片进行平移调整；
[0029]将所述铝材表面缺陷图片进行镜像调整。
[0030]进一步的，所述输入图片已统一调整高*宽*通道数为640*640*3。
[0031]进一步的，所述第一尺度特征图的高*宽*通道数为255*80*80，所述第二尺度特征图的高*宽*通道数为255*40*40，所述第三尺度特征图的高*宽*通道数为255*20*20。
[0032]本专利技术也公开了一种基于改进YOLOv5的铝表面实时缺陷检测系统，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行所述的基于改进YOLOv5的铝表面实时缺陷检测方法。
[0033](三)有益效果
[0034]本专利技术的上述技术方案具有如下优点：
[0035](1)本专利技术通过改进的YOLOv5网络结构，在YOLOv5网络中引入ghost网络减少模型参数化，引入联合注意力机制的注意力模块减小模型的总参数量以简化模型，引入深度可分离卷积，进一步减少模型参数量，从而使得模型轻量化，减少计算量，加快模型训练速度，提高检测实时性，并在模型训练时通过强化迁移学习进一步强化数据集，使得各缺陷的训练结果均满意，进一步提高检测准确度，提高训练效率，提高检测实时性；
[0036](2)本专利技术通过粘贴和高斯模糊过采样处理，加强数据集中的特征信息，特别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5的铝表面实时缺陷检测方法，其特征在于，包括以下步骤：S1、获取各种铝材表面缺陷图片，进行数据增强的图片预处理，建立数据集；S2、将预处理后的数据集输入引入ghost网络、联合注意力机制和深度可分离卷积的改进的YOLOv5网络结构中，进行强化迁移训练，得到优化模型；所述引入ghost网络、联合注意力机制和深度可分离卷积的改进的YOLOv5网络结构包括：将输入图片经CBL、第一Ghost模块、第一C3Ghost模块、第二Ghost模块、第二C3Ghost模块、第三Ghost模块、第三C3Ghost模块、第四Ghost模块、第四C3Ghost模块，且四个C3Ghost模块中均嵌入注意力模块；所述第二C3Ghost模块的输出与从第一Dw卷积模块上采样的输出Concat后经第五C3Ghost模块输出第一尺度特征图；所述第三C3Ghost模块的输出与从第三Dw卷积模块上采样的输出Concat后，经第六C3Ghost模块、第一Dw卷积模块后的输出，与所述第五C3Ghost模块经第二Dw卷积模块的输出Concat后，经第七C3Ghost模块输出第二尺度特征图；所述第四C3Ghost模块的输出经SPPF、第三Dw卷积模块的输出，与所述第七C3Ghost模块经第四Dw卷积模块后的输出Concat后，经第八C3Ghost模块输出第三个尺度特征图；所述C3Ghost模块是加了Ghost的C3模块，所述Dw卷积模块为深度可分离卷积模块；S3、将所述优化模型部署到硬件设备上进行铝材表面缺陷的实时检测。2.根据权利要求1所述的基于改进YOLOv5的铝表面实时缺陷检测方法，其特征在于，所述步骤S2包括：S21、将预处理后或进一步加强的数据集输入引入ghost网络、联合注意力机制和深度可分离卷积的改进的YOLOv5网络结构中，利用迁移学习得到预训练模型；S22、判断各种缺陷的准确率是否均达到设定阈值，若否，则进入步骤S23，若是，则进入步骤S24；S23、将准确率未达到设定阈值的缺陷对应的数据集进一步强化，返回步骤S21继续训练；S24、训练得到优化模型。3.根据权利要求2所述的基于改进YOLOv5的铝表面实时缺陷检测方法，其特征在于，所述步骤S23中，还包括参数微调。4.根据权利要求2所述的基于改进YOLOv5的铝表面实时缺陷检测方法，其特征在于，所述步骤S22中，所述设定阈值为95％。5.根据...

【专利技术属性】
技术研发人员：唐立军，刘深波，赵东雪，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：