【技术实现步骤摘要】
基于超分辨率和YOLOv8的带钢表面小目标缺陷检测方法及系统
[0001]本专利技术涉及计算机数据处理
,特别涉及一种基于超分辨率和YOLOv8的带钢表面小目标缺陷检测方法及系统。
技术介绍
[0002]带钢是一种为了满足各种金属产品生加工而生产的宽度在1.2米以下,厚度在8毫米以下的卷钢,在焊接、钢圈制作、航天器制造、弹簧片和刀片制造等上具有广泛应用。在高精度加工,尤其是航天器制造上,带钢表面小目标缺陷往往会造成严重的航天事故。因此,对带钢表面小目标缺陷检测需要更加准确。而目前大多数采用的是人工检测的方法,由于人的眼睛发现小目标缺陷有限且长时间使用容易导致眼睛疲劳,这影响了小目标缺陷检测的精确性和效率。
[0003]现有技术CN115953398B提出了一种用于带钢表面的缺陷识别方法,利用对灰度图像的灰度直方图和对应的邻域直方图内的数据点进行聚类,并构建最优灰度游程矩阵;根据所述最优灰度游程矩阵中像素点的灰度计算长游程优势和短游程优势;根据所述长游程优势和所述短游程优势判断带钢的缺陷类别。但由于现有技术CN115953398B直接利用灰度图像进行判断带钢缺陷,没有对灰度图像进行超分辨率处理,也没有进行图像增强处理以提高识别模型的精确性,因此对带钢小目标缺陷的分辨识别能力和精确性不足。因此,亟需一种具有高精确性的带钢表面的缺陷识别方法。
技术实现思路
[0004]本专利技术实施例提供的一种基于超分辨率和YOLOv8的带钢表面小目标缺陷检测方法,包括:
[0005]获取原始训练数据 ...
【技术保护点】
【技术特征摘要】
1.一种基于超分辨率和YOLOv8的带钢表面小目标缺陷检测方法,其特征在于,包括:获取原始训练数据;基于SRGAN算法对原始训练数据进行预处理,得到预处理图像数据;基于预处理图像数据构建预处理图像数据集并进行图像数据增强,得到增强训练数据集;基于YOLOv8算法构建带钢表面小目标缺陷检测模型,利用归一化Wasserstein距离对带钢表面小目标缺陷检测模型进行改进并利用增强训练数据集对改进的带钢表面小目标缺陷检测模型进行训练;获取测试数据并输入到改进后的带钢表面小目标缺陷检测模型进行缺陷检测,得到缺陷检测结果。2.如权利要求1所述的基于超分辨率和YOLOv8的带钢表面小目标缺陷检测方法,其特征在于,基于SRGAN算法对原始训练数据进行预处理,得到预处理图像数据;包括:基于SRGAN算法构建生成对抗网络模型;利用历史图像数据对生成对抗网络模型进行训练,得到训练完成的生成对抗网络模型;将原始图像数据输入到训练完成的生成对抗网络模型,得到预处理图像数据。3.如权利要求2所述的基于超分辨率和YOLOv8的带钢表面小目标缺陷检测方法,其特征在于,基于SRGAN算法构建生成对抗网络模型包括:生成子网络和鉴别子网络;生成子网络包括一个特征提取器、多个残差块和上采样层;特征提取器用于提取低分辨率图像的特征,残差块用于增强表达方式,上采样层用于将低分辨率图像转换为超分辨率图像;鉴别子网络包括一个卷积神经网络。4.如权利要求3所述的基于超分辨率和YOLOv8的带钢表面小目标缺陷检测方法,其特征在于,基于YOLOv8算法构建带钢表面小目标缺陷检测模型,利用归一化Wasserstein距离对带钢表面小目标缺陷检测模型进行改进并利用增强训练数据对改进的带钢表面小目标缺陷检测模型进行训练;包括:基于YOLOv8算法,构建带钢表面小目标缺陷检测模型;获取目标检测的边界框,边界框包括预测框和真实框;基于预测框和真实框,得到Wasserstein距离;对Wasserstein距离进行归一化处理,得到归一化Wasserstein距离;根据归一化Wasserstein距离对带钢表面小目标缺陷检测模型的损失函数进行改进。5.如权利要求4所述的基于超分辨率和YOLOv8的带钢表面小目标缺陷检测方法,其特征在于,带钢表面小目标缺陷检测模型包括:输入层、骨干特征提取子网络、颈部特征融合层和检测头;其中,骨干特征提取子网络,用于提取预处理图像数据的骨干特征,包括:基本卷积单元、残差网络单元和空间金字塔池化融合单元,其中,基本卷积单元用于完成卷积运算、批归一化以及激活运算;残差网络单元用于特征提取并使用残差连接提取的特征;空间金字塔池化融合单元用于选择合适尺寸进行输出;颈部特征融合层,用于对骨干特征进行多尺度特征融合;
检测头,用于对骨干特征进行多尺度目标检测。6.如权利要求5所述的基于超分辨率和YOLOv8的带钢表面小目标缺陷检...
【专利技术属性】
技术研发人员:张永平,沈思洁,徐森,郭乃瑄,孟海涛,陈朝峰,邵星,
申请(专利权)人:盐城工学院技术转移中心有限公司,
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。