基于轻量化模型的铝带材表面缺陷检测方法、系统及设备技术方案

本发明专利技术公开一种基于轻量化模型的铝带材表面缺陷检测方法、系统及设备，涉及表面缺陷检测与机器视觉领域。本发明专利技术方法构建的表面缺陷分割模型是由主干特征提取网络、多尺度特征融合网络、深度监督网络和预测网络组成的一种轻量化模型，在保持高分割精度的同时，极大减少了模型参数量和复杂度，提高了铝带材表面缺陷检测效率、精度和可靠性，并且为铝带材表面缺陷检测算法在移动端及嵌入式设备的部署奠定理论基础，具有广泛的应用前景。具有广泛的应用前景。具有广泛的应用前景。

【技术实现步骤摘要】
基于轻量化模型的铝带材表面缺陷检测方法、系统及设备


[0001]本专利技术涉及工业场景下表面缺陷检测与机器视觉领域，特别是涉及一种基于轻量化模型的铝带材表面缺陷检测方法、系统及设备。

技术介绍

[0002]铝带材由于具有良好的机械性能和低廉的成本，被广泛应用于电子产品、包装容器、新能源汽车等领域。但是由于轧制设备的故障老化、粉尘、工艺参数不合理等因素，使得铝带材表面在生产过程中产生孔洞、黑斑、擦痕等多种缺陷类型，直接影响后续成品和半成品的美观，甚至影响产品的安全和使用性能，所以铝带材表面缺陷的检测已经成为了实际生产中不可或缺的关键一环。目前，生产线上对铝带材表面缺陷检测仍以人工肉眼观测为主，这种方法不仅效率低下，人工成本高，而且对缺陷的判定受工人的主观因素影响严重，检测的准确度也无法保证。
[0003]另外传统的基于机器学习的缺陷检测方法是通过人工设计的图像处理方式对缺陷特征进行选择与提取，这一方法很难提取复杂表面的所有特征且泛化能力很差。近年来，基于深度学习的卷积神经网络(CNN)解决了上述难题，该网络通过多个卷积层逐步从图像中提取复本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量化模型的铝带材表面缺陷检测方法，其特征在于，包括：利用工业线扫描相机实时采集铝带材表面的原始图像数据；将所述原始图像数据均匀划分为多个方形子图，并将包含缺陷的子图筛选出来；对筛选出的缺陷子图进行像素级标注，标记缺陷轮廓及类别，得到表面缺陷数据集；所述表面缺陷数据集包括训练集、验证集和测试集；对所述表面缺陷数据集进行数据增强，得到数据增强后的表面缺陷数据集；构建表面缺陷分割模型，包括主干特征提取网络、多尺度特征融合网络、深度监督网络和预测网络；利用所述数据增强后的表面缺陷数据集对所述表面缺陷分割模型进行训练、验证和测试，得到训练好的表面缺陷分割模型；采用所述训练好的表面缺陷分割模型实时检测铝带材生产过程中的表面缺陷。2.根据权利要求1所述的基于轻量化模型的铝带材表面缺陷检测方法，其特征在于，所述对筛选出的缺陷子图进行像素级标注，标记缺陷轮廓及类别，得到表面缺陷数据集，具体包括：使用LabelMe对筛选出的缺陷子图中的缺陷进行人工分类和像素级分割标注，将不同类别的缺陷用不同颜色标出，形成JSON格式的标签数据集；将JSON格式的标签数据集转化为PNG格式的标签数据集；将每一类缺陷子图及其对应PNG格式图像的20％随机划分为测试集，剩余图像的90％划分为训练集，最后的10％为验证集；将不同类别缺陷子图及其对应PNG格式图像构成的测试集、训练集和验证集分别进行整合，将整合后各数据集制作成与VOC2007数据集相同的格式，从而得到表面缺陷数据集。3.根据权利要求1所述的基于轻量化模型的铝带材表面缺陷检测方法，其特征在于，所述对表面缺陷数据集进行数据增强，得到数据增强后的表面缺陷数据集，具体包括：采用随机裁剪、随机水平翻转、随机垂直翻转、尺度抖动、颜色抖动或Mosaic中的一种或多种数据增强方式对表面缺陷数据集进行数据增强，得到数据增强后的表面缺陷数据集。4.根据权利要求1所述的基于轻量化模型的铝带材表面缺陷检测方法，其特征在于，所述构建表面缺陷分割模型，具体包括：构建表面缺陷分割模型的联合损失函数；基于MobileViTv2网络和CBAM注意力模块搭建主干特征提取网络；基于SPPF模块和HRFPN网络搭建多尺度特征融合网...

【专利技术属性】
技术研发人员：李毅波，吕泽华，黄明辉，潘晴，
申请(专利权)人：中南大学，
类型：发明
国别省市：