基于Yolov5的缺陷检测方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种基于Yolov5的缺陷检测方法、装置、设备及存储介质，所述方法包括：获取至少一张缺陷图片；将所述缺陷图片输入基于Yolov5的目标缺陷检测网络，输出所述缺陷图片中的缺陷对应的目标框，和/或输出所述缺陷图片中的缺陷对应的目标缺陷类别；其中，所述目标框用于表示所述缺陷图片中的缺陷在所述缺陷图片中的位置，所述目标缺陷类别为预设的若干缺陷类别中的一个，所述目标缺陷检测网络是通过对Yolov5进行通道剪枝确定的。利用本申请公开的方法，可以实现缺陷检测所需要的计算资源有效减少。源有效减少。源有效减少。

【技术实现步骤摘要】
基于Yolov5的缺陷检测方法、装置、设备及存储介质


[0001]本申请涉及缺陷检测
，具体涉及一种基于Yolov5的缺陷检测方法、装置、设备及存储介质。

技术介绍

[0002]对于制造业来说，质检作为生产制造中保障产品质量的重要一环，关乎产品的精密度、美观度、质量把控等多个方面。如何提高产品质检的效率和精确率，已经成为制造业转型升级过程中关注的重点。
[0003]目前大部分制造企业主要还是依靠传统人工目检进行外观质检。而传统的人工检查方法在缺陷判别上存在个体与个体间的差异，缺陷检查结果容易受检查员个人状态的影响，这导致很多产品的微小瑕疵并不能被高效识别。此外人工质检成本高、误操作多、检测效率低、速度慢，严重制约了产量。
[0004]为了在不断变化和竞争愈发激烈的市场中占据优势，企业既要不断提高产品质量标准以满足客户需求，又要不断提升生产线效率以适应市场的快节奏，而基于人工智能(AI，Artificial Intelligence)的自动化缺陷检测方法是兼顾质量与效率的重要手段，因此从当前的发展趋势来看基于AI的自动化缺陷检测方法将逐渐取代人工检测。
[0005]现有技术中基于深度卷积神经网络的缺陷检测算法计算资源需求太大且内存消耗严重。而在实际的工业场景中设备的硬件资源有限，无法负担相关技术中基于深度卷积神经网络的光学缺陷检测算法对于计算资源的需求。

技术实现思路

[0006]本申请提供一种基于Yolov5的缺陷检测方法、装置、设备及存储介质，用以解决现有技术中的缺陷检测需要的计算资源过大的问题。
[0007]为了解决上述技术问题，第一方面，本申请提供一种基于Yolov5的缺陷检测方法，应用于终端结构件，该方法包括：获取至少一张缺陷图片；将所述缺陷图片输入基于Yolov5的目标缺陷检测网络，输出所述缺陷图片中的缺陷对应的目标框，和/或输出所述缺陷图片中的缺陷对应的目标缺陷类别；其中，所述目标框用于表示所述缺陷图片中的缺陷在所述缺陷图片中的位置，所述目标缺陷类别为预设的若干缺陷类别中的一个，所述目标缺陷检测网络是通过对Yolov5进行通道剪枝确定的。
[0008]可选地，在所述将所述缺陷图片输入基于Yolov5的目标缺陷检测网络之前，还包括：
[0009]基于预设剪枝率，对Yolov5中COV层的通道进行通道剪枝，得到基于Yolov5的缺陷检测网络；
[0010]将样本缺陷图片集按照预设比例分为训练集、测试集及验证集，将所述训练集、所述测试集及所述验证集输入所述缺陷检测网络中进行训练，其中，所述样本缺陷图片集中的图片标注有缺陷位置和缺陷类别；
[0011]在所述缺陷检测网络的推理时间小于第一预设阈值的情况下，和/或在所述缺陷检测网络的平均精度大于第二预设阈值的情况下，将所述缺陷检测网络确定为目标缺陷检测网络。
[0012]可选地，所述基于预设剪枝率，对Yolov5中COV层的通道进行通道剪枝，包括：基于预设剪枝率，对Yolov5中Neck层和/或Head层中COV层的通道进行通道剪枝。
[0013]可选地，所述基于预设剪枝率，对Yolov5中COV层的通道进行通道剪枝，包括：基于预设剪枝率，对Yolov5中不含有shortcut的COV层中的通道进行通道剪枝。
[0014]可选地，所述基于预设剪枝率，对Yolov5中COV层的通道进行通道剪枝，包括：对Yolov5中的COV层进行稀疏训练，确定稀疏训练后COV层中的BN层各通道对应的BN层系数，其中，通道对应的所述BN层系数用于表征通道的重要程度；对各通道对应的BN层系数按照从大到小进行排序，将排序位置位于后N位的BN层系数对应的通道进行通道剪枝，其中，N为预设剪枝率与COV层的通道总数的乘积。
[0015]可选地，在所述将所述训练集、所述测试集及所述验证集输入所述缺陷检测网络中进行训练之后，还包括：在所述缺陷检测网络的总损失低于第三预设阈值的情况下，将所述缺陷检测网络确定为目标缺陷检测网络。
[0016]可选地，在所述将所述训练集、所述测试集及所述验证集输入所述缺陷检测网络中进行训练之后，还包括：在所述缺陷检测网络的置信度损失低于第四预设阈值的情况下，将所述缺陷检测网络确定为目标缺陷检测网络。
[0017]第二方面，本申请提供一种基于Yolov5的缺陷检测装置，应用于终端结构件，包括：获取模块，用于获取至少一张缺陷图片；输出模块，用于将所述缺陷图片输入基于Yolov5的目标缺陷检测网络，输出所述缺陷图片中的缺陷对应的目标框，和/或输出所述缺陷图片中的缺陷对应的目标缺陷类别；其中，所述目标框用于表示所述缺陷图片中的缺陷在所述缺陷图片中的位置，所述目标缺陷类别为预设的若干缺陷类别中的一个，所述目标缺陷检测网络是通过对Yolov5进行通道剪枝确定的。
[0018]第三方面，本申请提供一种基于Yolov5的缺陷检测设备，包括存储器和处理器，其中：
[0019]所述存储器用于存储计算机程序；
[0020]所述处理器用于读取所述存储器中的程序并执行如上述第一方面提供的基于Yolov5的缺陷检测方法的步骤。
[0021]第四方面，本申请提供一种计算机可读存储介质，其上存储有可读的计算机程序，该程序被处理器执行时实现如上述第一方面提供的基于Yolov5的缺陷检测方法的步骤。
[0022]与现有技术相比，本申请提供的一种基于Yolov5的缺陷检测方法、装置、设备及存储介质，具有以下有益效果：
[0023]通过对Yolov5进行通道剪枝，使得剪枝后的Yolov5模型相较于剪枝前的Yolov5模型体积减小，进而基于剪枝后的Yolov5模型所得到的目标缺陷检测网络相较于剪枝前的Yolov5模型而言，由于模型体积的减小会有效节省缺陷检测网络所需要的计算资源。这样，通过缺陷检测网络所进行的缺陷检测所需要的计算资源会有效减少。
附图说明
[0024]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一部分实施例，而不是全部的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，根据这些附图获得的其他的附图，都属于本申请保护的范围。
[0025]图1是本申请实施例提供的一种基于Yolov5的缺陷检测方法的流程图；
[0026]图2是本申请实施例提供的另一种基于Yolov5的缺陷检测方法的流程图；
[0027]图3是本申请实施例提供的一种基于Yolov5的缺陷检测装置的结构示意图；
[0028]图4是本申请实施例提供的一种基于Yolov5的缺陷检测设备的结构示意图；
[0029]图5是本申请实施例提供的一种计算机可读存储介质的结构示意图。
具体实施方式
[0030]为了使本申请的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本申请作进一步详细说明。应当理解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Yolov5的缺陷检测方法，应用于终端结构件，其特征在于，包括：获取至少一张缺陷图片；将所述缺陷图片输入基于Yolov5的目标缺陷检测网络，输出所述缺陷图片中的缺陷对应的目标框，和/或输出所述缺陷图片中的缺陷对应的目标缺陷类别；其中，所述目标框用于表示所述缺陷图片中的缺陷在所述缺陷图片中的位置，所述目标缺陷类别为预设的若干缺陷类别中的一个，所述目标缺陷检测网络是通过对Yolov5进行通道剪枝确定的。2.根据权利要求1所述的基于Yolov5的缺陷检测方法，其特征在于，在所述将所述缺陷图片输入基于Yolov5的目标缺陷检测网络之前，还包括：基于预设剪枝率，对Yolov5中COV层的通道进行通道剪枝，得到基于Yolov5的缺陷检测网络；将样本缺陷图片集按照预设比例分为训练集、测试集及验证集，将所述训练集、所述测试集及所述验证集输入所述缺陷检测网络中进行训练，其中，所述样本缺陷图片集中的图片标注有缺陷位置和缺陷类别；在所述缺陷检测网络的推理时间小于第一预设阈值的情况下，和/或在所述缺陷检测网络的平均精度大于第二预设阈值的情况下，将所述缺陷检测网络确定为目标缺陷检测网络。3.根据权利要求2所述的基于Yolov5的缺陷检测方法，其特征在于，所述基于预设剪枝率，对Yolov5中COV层的通道进行通道剪枝，包括：基于预设剪枝率，对Yolov5中Neck层和/或Head层中COV层的通道进行通道剪枝。4.根据权利要求2所述的基于Yolov5的缺陷检测方法，其特征在于，所述基于预设剪枝率，对Yolov5中COV层的通道进行通道剪枝，包括：基于预设剪枝率，对Yolov5中不含有shortcut的COV层中的通道进行通道剪枝。5.根据权利要求2所述的基于Yolov5的缺陷检测方法，其特征在于，所述基于预设剪枝率，对Yolov5中COV层的通道进行通道剪枝，包括：对Yolov5中的COV层进行稀疏训练，确定稀疏训练后COV层中...

【专利技术属性】
技术研发人员：蔡传宝，唐凤英，陈高，
申请(专利权)人：深圳市长盈精密技术股份有限公司，
类型：发明
国别省市：