【技术实现步骤摘要】
一种基于改进YOLOv5算法的铝型材表面缺陷检测方法
[0001]本专利技术属于表面缺陷检测
,具体涉及一种基于改进YOLOv5算法的铝型材表面缺陷检测方法。
技术介绍
[0002]随着全球工业化进程的迅速发展,铝型材因其低密度、高可塑性和耐腐蚀等卓越性能,成为基础建设和工业领域的首选材料,需求不断增长。然而,铝型材表面缺陷问题始终是生产厂家需要解决的难题,加工工艺和生产设备等因素造成的擦花、漆泡、脏点等缺陷需要通过表面质量检测排除,确保产品质量。
[0003]当前国内外工业产品表面缺陷检测可分为人工检测、单一机理识别和机器视觉识别三大类。相比于人工检测和单一机理识别,机器视觉识别具有高效、低成本、无接触等突出优点,并已逐渐成为主流的缺陷检测方法。传统的基于机器视觉的缺陷检测方法采用多种图像处理技术和机器学习算法对缺陷图像进行特征分析和分类,但这种方法过程繁琐,而且鲁棒性差,存在一定的局限性。随着计算机算力的提升和深度学习网络的发展,表面缺陷检测正逐步向基于深度学习的方法转变,这种方法不仅具有更高的准确性和鲁棒性,而且能够更快速地处理大量的图像数据。目前主流的基于深度学习的目标检测算法可分为两类:一类是两阶段算法,如R
‑
CNN、Fast R
‑
CNN等,这类算法需要预先生成候选区域,具有较高的精度;另一类是一阶段算法,如YOLO、SSD等,这类算法直接在网络中提取特征进行检测,速度相对较快。然而,在工业中,铝型材表面缺陷种类多样,尺度差异大,现有的深度学习网络模型已 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进YOLOv5算法的铝型材表面缺陷检测方法,其特征在于:包括以下步骤:S1:获取铝型材公开数据集,采用广东工业制造大数据创新大赛——铝型材表面瑕疵识别的铝型材数据集;S2:采用水平翻转、竖直翻转和平移随机结合的方法对铝型材数据集进行数据增强,每种缺陷类型数据集增强到500张,最终总共含有3500张铝型材数据集;S3:运用Labelimg工具对数据增强后的铝型材图像进行缺陷标注,生成yolo格式的数据标签,并对得到的所有数据集按照8:2划分训练集和验证集;S4:改进YOLOv5模型,在图像输入部分采用IOU
‑
K
‑
means++算法聚类优化锚框;在Backbone部分引入全局注意力模块C3C2F,增强小目标的语义信息;在Neck部分通过轻量级上采样算子CARAFE进行特征图上采样,充分保留上采样特征图的小目标信息;S5:将S2中的训练集和验证集导入S4中改进的YOLOv5模型进行边训练边验证检测的效果,最终得到一个best.pt和last.pt权重文件;S6:最后用S5中得到的best.pt权重文件对工业中的铝型材表面缺陷进行推理检测。2.根据权利要求1所述的基于改进YOLOv5算法的铝型材表面缺陷检测方法,其特征在于:所述的步骤S1中,获取的铝型材数据集共有七种类型的缺陷:不导电、桔皮、起坑、擦花、喷流、漆泡和脏点,图片大小为2560*1920。3.根据权利要求1所述的基于改进YOLOv5算法的铝型材表面缺陷检测方法,其特征在于:所述的步骤S4中,在图像输入部分采用IOU
‑
K
‑
means++算法聚类优化锚框;原始YOLOv5采用K
‑
means算法聚类锚框,该方法依赖初始聚类中心,K
‑
means++可以解决这个问题,K
‑
means++的初始步骤中,仅随机选择一个聚类中心,随后按照距离簇中心远近的概率依序确定其余聚类中心,因其聚类中心的选取具有离散性和全局性,获得的聚类结果更加准确合理;本方法同时通过采用IOU(Intersection over Union)代替欧几里得距离估计两物体的相似度,使聚类出的锚框质量更好;具体步骤为:首先将铝型材图像自适应缩放至640*640,然后采用IOU
‑
K
‑
means++算法聚类锚框,获得最贴合铝型材表面缺陷的锚框;其中,上述IOU的距离公式可表示为:d(box,centroid)=1
‑
IOU(box,centroid)式中,IOU表示真实框和聚类中心交集与并集的比例,IOU值越高代表真实框与聚类中心越接近,即两者相关度越高;在Backbone部分引入全局注意力模块C3C2F,增强小目标的语义信息,全局注意力模块C3C2F由卷积调制模块ConvMod替换C3模块中的BottleNeck所得;在Neck部分通过轻量级上采样算子CARAFE进行特征图上采样,充分保留上采样特征图的小目标信息,分别在第11层和第15...
【专利技术属性】
技术研发人员:朱志松,邓光伟,尤红权,李颖,王天乐,
申请(专利权)人:南通大学,
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。