基于YOLOv5网络对传送带表面损伤的检测方法技术

本发明专利技术的涉及一种基于YOLOv5网络对传送带表面损伤的检测方法，其特征在于，包含数据增强方法与目标检测算法，包括下列步骤：S1、数据集建立与处理，S2、模型训练与模型测试，S3、模型部署将测试模型部署到实际检测环境，对传送带损伤进行检测并输出检测结果。本发明专利技术提出了一种新型数据增强方案，有效解决了目前深度学习模型在应用于传送带损伤检测时由于没有足够的传送带图像样本导致的无法对模型进行有效训练，从而导致的检测精度低的问题。从而导致的检测精度低的问题。从而导致的检测精度低的问题。

【技术实现步骤摘要】
基于YOLOv5网络对传送带表面损伤的检测方法


[0001]本专利技术涉及传送带损伤检测领域，具体为一种基于YOLOv5网络对传送带表面损伤的检测方法。

技术介绍

[0002]传送带损伤检测目前主要分为人工检测和自动检测两大类，传统的人工检测方法需要定期在机器空载状态下对传送带表面进行检查，这种检测方法受限于检测的时间与工人检测的准确率，难以及时、准确且稳定的检测出传送带表面的损伤。而目前的自动检测方法主要分为X射线检测法，电磁检测法、超声波检测法。X射线检测法使用X光机对传送带进行拍摄，通过得到的传送带钢芯X光图来判断皮带是否发生撕裂、绳芯抽动等异常；电磁检测法通过在传送带内部每隔一段距离安装金属传感器线圈，通过传送带两侧的信号接收器与发射器检测电磁信号，并对信号进行定量分析，实现对传送带的撕裂检测；超声波检测法需要在传送带两端安装发射探头与接收探头，通过检测接收器收到的回波信号强弱和信号持续时间的长短判断传送带是否发生了撕裂事故。
[0003]目前的自动化传送带损伤检测方法通过使用专业的设备对传送带进行检测，具有较高的准确度和实时性，但同时也存在着设备价格昂贵、部署困难、检测损伤类型单一或无法对发生的损伤进行分类的不足。
[0004]申请号为CN 202110687855.6的专利给出了一种基于机器视觉的传送带检测算法，该专利提供了一种基于传送带RGB图像的检测方法，通过将传送带与背景分离与阈值分割等操作将传送带部位提取出来，然后对于撕裂等异常图像进行区域性识别特征，对于满足设定阈值的则认定为撕裂。
[0005]申请号CN202010859991.4的专利提出了一种皮带检测系统，通过对图像采集装置采集到的皮带图像进行检测，判断皮带接头部位特征值是否大于标准值，从而实现对传送带接头部位的损伤检测。上述各方案存在如下缺点：
[0006]1.没有解决传送带损伤样本数量不足的问题，所提出算法依旧是针对数量极其有限的样本进行检测，算法泛化能力及鲁棒性较差；
[0007]2.基于阈值分割的机器视觉处理方法受图像成像质量影响较大，当工作环境光照条件改变较大或存在灰尘时，都会对检测结果产生较大影响；
[0008]3.对传送带损伤类型的检测较为单一，只能检测形状与模式相似的损伤，无法做到对不同种类及形状的损伤部位进行智能化检测。

技术实现思路

[0009]本专利技术的目的是针对以往在工业应用中基于深度学习的检测模型存在的检测精度低、速度慢的问题，提供一种基于YOLOv5网络对传送带表面损伤的检测方法。
[0010]本专利技术的目的是这样实现的。
[0011]本专利技术的一种基于YOLOv5网络对传送带表面损伤的检测方法，其特征在于，包含
数据增强方法与目标检测算法，包括下列步骤：
[0012]S1、数据集建立与处理
[0013]采集原始传送带的图像，对传送带表面划伤和边缘缺损两种损伤部位进行标注，生成原始传送带损伤图像数据，使用GAN生成新的传送带划伤样本并将其粘贴到传送带背景图像中从而生成新的传送带损伤图像数据样本,此外，还通过对原始图像进行翻转、裁切、遮挡的操作生成另一部分传送带损伤样本增强数据，将以上三部分图像数据汇总生成最终的传送带损伤数据集，将数据集按照8：2的比例划分为训练集和测试集两部分；
[0014]S2、模型训练与模型测试
[0015]S2.1模型训练
[0016]使用模型剪枝技术对YOLOv5检测模型进行模型轻量化处理得到轻量化检测模型YOLOv5
‑
Lite，然后再在模型训练的过程中引入一种基于细粒度特征模拟的知识蒸馏策略，得到训练好的YOLOv5
‑
Lite检测模型，将训练好的YOLOv5
‑
Lite检测模型保存至权重参数文件中；
[0017]S2.2模型测试
[0018]使用测试集数据对经过剪枝和蒸馏训练后的YOLOv5
‑
Lite检测模型进行测试，得到测试模型；
[0019]S3、模型部署
[0020]将测试模型部署到实际检测环境，对传送带损伤进行检测并输出检测结果。
[0021]优选地，所述的S1中的数据集建立与处理，首先通过可见光摄像头对传送带上表面进行拍摄，并将拍摄所得视频逐帧进行提取获得图像数据；然后手动对需要检测的部位进行标注，得到划伤样本数据和边缘缺损样本数据，标注完成后将划伤样本数据输入GAN网络生成新的传送带划伤样本数据，GAN包括生成器G与判别器D两部分，生成器负责生成与真实样本相似的新样本，判别器负责判断输入的样本是真实数据还是由生成器生成的虚拟数据，在博弈过程中，生成器G希望减少V的值让自己生成的分布无法识别，而判别器D希望增大V的值让自己可以高效的判别出数据的真假类别，则V(G，D)的表达式为
[0022][0023]式中E表示真实数据x和噪声数据z的数学期望。
[0024]优选地，使用在GAN的基础上将CNN(Convolutional Neural Network)与GAN相结合的DCGAN网络，DCGAN的生成器网络结构，其判别器网络结构本质上是生成器网络结构的镜像，DCGAN在GAN的基础上使用分步卷积代替池化层，并在生成器和判别器中都使用BatchNormalization来优化学习效率，在生成器中使用ReLU激活函数，在判别其中使用LeakyReLU激活函数，提高DCGAN网络的计算速度。
[0025]优选地，使用DCGAN生成新的传送带划伤样本时，首先生成一组随机噪声并将其传入生成网络，生成网络生成传送带划伤样本并与真实划伤样本一同送入判别器，判别器则对传入的数据进行识别，分辨出当前数据是来源于真实数据还是生成的数据。经过不断迭代与更新后使生成器生成的划伤图像接近于真实划伤图像。
[0026]优选地，将所述的传送带划伤样本作为前景图像，以传送带图像作为背景图像，将前景图像粘贴到背景中生成新的传送带损伤样本，然后使用泊松融合的方法使边界处的变
化减小，而这个变化最小的解就是泊松等式的解；
[0027][0028]优选地，式中f表示融合后的结果图，是其梯度，v是原图像的梯度。f
*
是目标图像，Ω是原图，是图像边界。
[0029]所述的S2.1中使用模型剪枝技术对YOLOv5检测模型进行模型轻量化处理，通过将YOLOv5网络中BN(BatchNormalization)层激活值小于阈值的通道裁剪掉以减少模型参数量，生成剪枝后的轻量级YOLOv5
‑
Lite检测模型，达到加快模型推理速度的效果。
[0030]优选地，所述的S2.1中使用模型剪枝技术对YOLOv5检测模型进行模型轻量化处理，通过将YOLOv5网络中BN(BatchNormalization)层激活值小于阈值的通道裁剪掉以减少模型参数量，生成剪枝后的轻量级YOLOv5
‑
Lite检测模型，达到加快模型推理速本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5网络对传送带表面损伤的检测方法，其特征在于，包含数据增强方法与目标检测算法，包括下列步骤：S1、数据集建立与处理采集原始传送带的图像，对传送带表面划伤和边缘缺损两种损伤部位进行标注，生成原始传送带损伤图像数据，使用GAN生成新的传送带划伤样本并将其粘贴到传送带背景图像中从而生成新的传送带损伤图像数据样本,此外，还通过对原始图像进行翻转、裁切、遮挡的操作生成另一部分传送带损伤样本增强数据，将以上三部分图像数据汇总生成最终的传送带损伤数据集，将数据集按照8：2的比例划分为训练集和测试集两部分；S2、模型训练与模型测试S2.1模型训练使用模型剪枝技术对YOLOv5检测模型进行模型轻量化处理得到轻量化检测模型YOLOv5
‑
Lite，然后再在模型训练的过程中引入一种基于细粒度特征模拟的知识蒸馏策略，得到训练好的YOLOv5
‑
Lite检测模型，将训练好的YOLOv5
‑
Lite检测模型保存至权重参数文件中；S2.2模型测试使用测试集数据对经过剪枝和蒸馏训练后的YOLOv5
‑
Lite检测模型进行测试，得到测试模型；S3、模型部署将测试模型部署到实际检测环境，对传送带损伤进行检测并输出检测结果。2.根据权利要求1所述的检测方法，其特征在于，所述的S1中的数据集建立与处理，首先通过可见光摄像头对传送带上表面进行拍摄，并将拍摄所得视频逐帧进行提取获得图像数据；然后手动对需要检测的部位进行标注，得到划伤样本数据和边缘缺损样本数据，标注完成后将划伤样本数据输入GAN网络生成新的传送带划伤样本数据，GAN包括生成器G与判别器D两部分，生成器负责生成与真实样本相似的新样本，判别器负责判断输入的样本是真实数据还是由生成器生成的虚拟数据，在博弈过程中，生成器G希望减少V的值让自己生成的分布无法识别，而判别器D希望增大V的值让自己可以高效的判别出数据的真假类别，则V(G，D)的表达式为式中E表示真实数据x和噪声数据z的数学期望。3.根据权利要求2所述的检测方法，其特征在于，使用在GAN的基础上，将CNN(Convolutional Neural Network)与GAN相结合的DCGAN网络，DCGAN的生成器网络结构，其判别器网络结构本质上是生成器网络结构的镜像，DCGAN在GAN的基础上使用分步卷积代替池化层，并在生成器和判别器中都使用BatchNormal ization来优化学习效率，在生成器中使用ReLU激活函数，在判别其中使用LeakyReLU激活函数，提高DCGAN网络计算速度。4.根据权利要求3所述的检测方法，其特征在于，使用DCGAN生成新的传送带划伤样本时，首先生成一组随机噪声并将其传入生成网络，生成网络生成传送带划伤样本并与真实划伤样本一同送入判别器，判别器则对传入的数据进行识别，分辨出当前数据是来源于真实数据还是生成的数据，经过不断迭代与更新后使生成器生成的划伤图像接近于真实划伤
图像。5.根据权利要求4所述的检测方法，其特征在于，将所述的传送带划伤样本作为前景图像，以传...

【专利技术属性】
技术研发人员：丛峰武，高太，于代林，李熙然，武允鑫，金实，杨琦，
申请(专利权)人：鞍钢集团矿业有限公司，
类型：发明
国别省市：