一种基于YOLOv8模型的不锈钢箔侧翻检测方法技术

本发明专利技术涉及不锈钢带材轧制领域。一种基于YOLOv8模型的不锈钢箔侧翻检测方法，建立YOLOv8模型，使用工业相机拍摄不锈钢箔，获取不锈钢箔的图像；获取并处理不锈钢箔生产过程中产生的侧翻图像，对所述不锈钢箔图像和所述侧翻图像进行数据处理后形成不锈钢箔侧翻训练数据集；对所述不锈钢箔侧影训练数据集进行K

【技术实现步骤摘要】
一种基于YOLOv8模型的不锈钢箔侧翻检测方法


[0001]本专利技术涉及不锈钢带材轧制领域。

技术介绍

[0002]不锈钢带材是一种具有良好的耐蚀性、耐热性、低温强度和机械特性的金属材料，常用于餐具、橱柜、锅炉、汽车配件、医疗器具、建材、食品工业等领域。不锈钢的轧制变形抗力比较大，且其加工硬化程度也很高，高于普通碳素钢的两倍以上。为了对这种材料进行加工轧制，还要有率、高精度，就一定要用刚性大的轧机。然而，由于对不锈钢带的表面质量要求十分严格，而不锈钢带的表面又很容易产生各种缺陷，因此减少不锈钢带材侧翻缺陷是一个重要的问题。YOLOv8是一种单阶段目标检测算法，在原有YOLOv8算法的基础上，对特征提取层和检测层进行改进的方法有很多。在YOLOv8算法中，通常使用的是Darknet53作为特征提取层，它是一个由卷积层和残差块构成的深层网络结构。为了改进特征提取层，引入更深或更宽的网络结构，使用ResNet、EfficientNet等预训练的深层网络结构来代替Darknet53，以获得更好的特征表示能力。在网络末端实施特征金字塔池化操作，通过多尺度的池化操作来提取不同大小物体的特征。这样可以更好地捕捉带钢箔材中的细微差异和几何形状。引入注意力机制来增强特征的关注度，例如SENet（Squeeze
‑
and
‑
Excitation）模块，通过学习通道权重来调整特征的重要性，提高关键信息的表达能力。YOLOv8算法中的检测层是由多个卷积层和全连接层组成的网络结构，其目标是根据特征图生成边界框和对应类别的预测。在不同层级的特征图中进行预测，以获得多个尺度的目标检测结果。这可以提高对不同大小目标的检测能力。通过增加特征图的分辨率来捕捉更细致的目标信息，提高检测的准确度。这可以通过使用更小的卷积核或引入上采样技术实现。根据带钢箔材的特点，调整原有YOLOv8算法中的先验框设置，使其更适合带钢箔材侧翻缺陷的检测。这一步需要结合对应的数据集和实际应用场景进行调优。YOLOv8算法在输入端采用Mosaic数据增强、cmBN、SAT自对抗训练操作等改进，可以提高算法的检测精度和速度。YOLOv8算法在特征利用部分采用多尺度特征提取，一共提取三个特征层，分别位于中间层、中下层和底层，三个特征层的shape分别为（19,19,255)、(38,38,255)和(76,76,255)，可以有效地提高算法的检测精度。YOLOv8算法采用Weighted
‑
Residual
‑
Connections(WRC）、Crossmini
‑
BatchNormalization(CmBN)、Self
‑
adversarial
‑
training(SAT)等技术，可以提高卷积神经网络(CNN)的准确性，实现了速度和精度的完美平衡。YOLOv8算法在精密带钢生产中可以用于检测精密带钢上的各种缺陷，通过对精密带钢进行目标检测，可以及时发现缺陷，提高生产效率和质量。总之，YOLOv8算法在精密带钢生产中具有广泛的应用前景，可以帮助生产企业提高生产效率和产品质量。在原有YOLOv8算法的基础上，对特征提取层和检测层进行改进，以提高带钢箔材侧翻缺陷的检测准确度和速度。
[0003]综上所述，对于改进YOLOv8算法来提高带钢箔材侧翻缺陷的检测准确度和速度，可以通过改进特征提取层和检测层来增强模型的表达能力和对细节的捕捉能力。这些改进方法可以根据实际需求和数据集的特点进行选择和调整，以获得最佳的检测效果。

技术实现思路

[0004]本专利技术的目的是克服现有技术存在的不足，提供一种可以减少侧翻的供了一种基于改进YOLOv8算法的精密带钢箔材侧翻缺陷检测方法。
[0005]本专利技术所采用的技术方案是：一种基于YOLOv8模型的不锈钢箔侧翻检测方法，包括如下步骤S1、建立 YOLOv8 模型，使用工业相机拍摄不锈钢箔，获取不锈钢箔的图像；S2、获取并处理不锈钢箔生产过程中产生的侧翻图像，对所述不锈钢箔图像和所述侧翻图像进行数据处理后形成不锈钢箔侧翻训练数据集；S3、对所述不锈钢箔侧影训练数据集进行K
‑
Means值聚类计算，得到新的锚箱值（anchorbox），将新的锚箱值替换为原始YOLOv8模型中的数据集参数；S4、通过所述不锈钢箔侧向训练数据集训练YOLOv8模型，并以FocalLoss损失函数替换原YOLOv8模型中的二分交叉熵损失函数，得到改进的YOLOv8模型，利用改进的YOLOv8模型对所述不锈钢箔图像进行侧向目标检测。
[0006]步骤S2中对所述不锈钢箔图像和所述侧翻图像的数据处理包括：对所述不锈钢箔图像进行图像裁剪、缩放、翻转、移位、旋转、亮度调整和拉伸；通过图像分割算法、图像增强算法或图像融合算法将所述不锈钢箔图像与侧翻图像融合，以得到不锈钢箔侧翻训练图像。
[0007]步骤S2中对所述不锈钢箔图像和所述侧翻图像的数据处理还包括：将每幅所述不锈钢箔图像切分为多幅切片图像，并使每幅切片图像以设定的分辨率显示，以提高小目标侧翻图像的检测精度；采用多线程流程对切片后的图像进行处理，使切片图像以同步方式完成数据处理。
[0008]步骤S2中对所述不锈钢箔图像和所述侧翻图像的数据处理还包括：建立翻转图像集，通过所述翻转图像集判断所述不锈钢箔图像中是否存在翻转，如果存在，则在不锈钢箔图像中标记边框并获取翻转的边框坐标。
[0009]步骤S2中对所述不锈钢箔图像和所述侧翻图像的数据处理还包括：根据所述边框坐标计算出所述边框的宽度和高度数据，其中所述边框的高度高于所述边框右下角的横坐标与所述边框左上角的横坐标之差，所述边框的宽度等于所述边框右下角的纵坐标与所述边框左上角的纵坐标之差。
[0010]步骤S3对所述不锈钢箔侧影训练数据集进行K
‑
Means值聚类计算包括，通过对训练数据集中获取的所有所述侧翻的高度值和宽度值进行初始化，随机选取多个高度值和宽度值作为锚箱的初始值；计算每个边框与每个锚框的iou值，生成多个宽度和高度组合的锚框（anchorboxes）；计算每个所述边框相对于每个锚框的误差d(n,k)，通过比较每个所述边框相对于每个锚框的误差大小，选择误差最小的进行分类。
[0011]注意事项：收集精密带钢的图像数据集，并进行标注。对新的精密带钢图像进行物体检测，识别出精密带钢中的目标物体。根据检测结果进行相应的处理和分析，以提高精密带钢的生产效率和质量。
[0012]本专利技术通过利用深度学习和机器视觉技术，实现对带钢箔片侧翻缺陷的高精度、高速度检测，提高生产效率和产品质量。同时，通过实时监控检测和自适应阈值调整，可以及时发现并处理问题，进一步提高生产效率，更好地适应不同的生产环境和状态。这不仅可
以促进制造业的现代化和智能化，也为深度学习和机器视觉在其他领域的应用开辟了新的可能性。
具体实施方式
[0013]通过算法的输入，包括整个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv8模型的不锈钢箔侧翻检测方法，其特征在于：包括如下步骤S1、建立 YOLOv8 模型，使用工业相机拍摄不锈钢箔，获取不锈钢箔的图像；S2、获取并处理不锈钢箔生产过程中产生的侧翻图像，对所述不锈钢箔图像和所述侧翻图像进行数据处理后形成不锈钢箔侧翻训练数据集；S3、对所述不锈钢箔侧影训练数据集进行K
‑
Means值聚类计算，得到新的锚箱值，将新的锚箱值替换为原始YOLOv8模型中的数据集参数；S4、通过所述不锈钢箔侧向训练数据集训练YOLOv8模型，并以FocalLoss损失函数替换原YOLOv8模型中的二分交叉熵损失函数，得到改进的YOLOv8模型，利用改进的YOLOv8模型对所述不锈钢箔图像进行侧向目标检测。2.根据权利要求1所述的一种基于YOLOv8模型的不锈钢箔侧翻检测方法，其特征在于：步骤S2中对所述不锈钢箔图像和所述侧翻图像的数据处理包括：对所述不锈钢箔图像进行图像裁剪、缩放、翻转、移位、旋转、亮度调整和拉伸；通过图像分割算法、图像增强算法或图像融合算法将所述不锈钢箔图像与侧翻图像融合，以得到不锈钢箔侧翻训练图像。3.根据权利要求2所述的一种基于YOLOv8模型的不锈钢箔侧翻检测方法，其特征在于：步骤S2中对所述不锈钢箔图像和所述侧翻图像的数据处理还包括：将每幅所述不锈钢箔图像切分为多幅切片图像，并使每幅切片图像以设定的分辨率显...

【专利技术属性】
技术研发人员：任岩，段浩杰，赵永顺，员朝波，穆钧成，
申请(专利权)人：山西太钢不锈钢精密带钢有限公司，
类型：发明
国别省市：