一种基于改进YOLOv5s的热轧带钢表面缺陷检测方法技术

本发明专利技术公开了一种基于改进YOLOv5s的热轧带钢表面缺陷检测方法。属于图像处理检测技术领域，具体操作步骤：获取热轧带钢表面缺陷数据集；对数据进行处理和增强操作；将处理好的数据集进行随机划分处理；构建改进的YOLOv5s热轧带钢表面缺陷检测模型；使用改进后的网络对数据集训练验证。本发明专利技术提供的热轧带钢表面缺陷检测方法中引入SE注意力机制可以使网络能够更有效地学习和利用特征通道之间的关系；采用轻量级上采样CARAFE再带来很小的额外参数和计算量的同时在特征重组时有更大的感受野，再加入Dynamic head解耦头使得模型的map值有不错的提升。值有不错的提升。值有不错的提升。

【技术实现步骤摘要】
一种基于改进YOLOv5s的热轧带钢表面缺陷检测方法


[0001]本专利技术涉及图像处理检测
，具体涉及了一种基于改进YOLOv5s的热轧带钢表面缺陷检测方法。

技术介绍

[0002]目前随着科技的不断发展，市场对工业产品的外观及质量也提出了更高的要求，这要求传统的生产模式要向智能化生产模式进行转变；从宏观角度来看，制造业的智能化、自动化、无人化将是必然的趋势；中国钢铁行业也正在经历规模迅速扩张、产量飞速提升的一段时期，该时期着力于解决国民经济发展和用钢问题；但在钢材的生产和加工过程中，容易受到环境中不良因素的影响，从而使表面产生多种类型的缺陷；划痕、开裂、斑块等典型的钢材表面缺陷会导致钢材的性能和使用年限降低，甚至直接造成安全事故的发生；因此，表面缺陷检测在钢材生产过程中是一个十分重要的环节，各大企业也将其视为提高产品质量的关键技术，相关学者也在进行钢材表面缺陷检测方法的研究。
[0003]最初钢材表面缺陷检测主要靠人工目检，这种方法不仅成本高、检测效率低，更重要的是会出现大量误检和漏检，在实际的工业环境中并不适用；之后出现了一些特定产品缺陷的检测方法来替代人工检测，例如涡流无损检测、微波检测、线结构光扫描检测等，但这些检测方法仍然存在材料限制、无法进行缺陷分类等问题，不能很好的满足精确高效的检测要求。随着计算机视觉的不断发展进步，越来越多的视觉检测方法被应用到工业检测领域当中；具体的步骤为运用成像设备对检测目标进行拍摄，然后将拍摄好的图片或视频传入训练好的网络模型当中，网络模型自动推理缺陷区域并进行定位；相比于传统方法，与深度学习相关的方法不再局限于某种固定程序，而是根据卷积神经网络(Convolutional Neural Network，CNN)对缺陷样本进行自主学习，从而克服了一个传统算法只能检测一种缺陷的问题；还可以通过改进网络结构，参数调整等方式优化网络模型，使之可以检测出面积微小、特征模糊的缺陷；因此基于深度学习的钢材表面缺陷检测方法已成为目前工业生产和学术研究的热点。
[0004]基于深度学习的算法主要包含两类：一类是以R
‑
CNN、Fast R
‑
CNN、Faster R
‑
CNN为主的二阶段算法；另一类是以YOLO、SSD为主的一阶段算法，该算法基于回归思想，使定位和分类可以同时进行；相较于二阶段算法，一阶段检测算法YOLO网络，凭借其较好的检测速度与准确率，更多的被应用于缺陷表面检测，这也就涌现出大量的学者用YOLO系列来对表面钢材缺陷进行检测；尤其YOLOv5网络相对比较成熟稳定，但也还存在一定的缺陷，因此改进的空间还很大。

技术实现思路

[0005]针对上述问题，本专利技术提供了一种基于改进YOLOv5s的热轧带钢表面缺陷检测方法，可以有利于网络更加完善地提取和利用特征，同时还可以增强网络检测的整体性能，减少误检和漏检的情况。
[0006]本专利技术的技术方案是：本专利技术所述的一种基于改进YOLOv5s的热轧带钢表面缺陷检测方法，其具体操作步骤：
[0007]步骤(1)、获取热轧带钢表面缺陷数据集；
[0008]步骤(2)、对步骤(1)中的热轧带钢表面缺陷数据集进行预处理，并将数据集以8：1：1的比例进行随机划分为训练集、验证集、测试集；
[0009]步骤(3)、将划分好的数据集用下载好的YOLOv5s模型进行训练并记录实验结果；
[0010]步骤(4)、对YOLOv5s网络模型进行改进，在backbone网络模型里面加入两层SE注意力机制，来提高模型性能，再在YOLOv5的neck模块中将原来的两层nearest上采样替换成轻量级上采样CARAFE，最后在YOLOv5网络的头部加入Dynamic head解耦头；
[0011]步骤(5)、将划分好的数据集用改进后的模型进行训练验证并记录实验结果对测试的结果进行评价。
[0012]进一步地，在步骤(2)中，所述数据预处理采用了马赛克图像预处理技术，在训练过程中一次性传入九张图像进行学习，增加单次训练样本数量及目标多样性，提升网络训练收敛速度以及检测精确度，并且把大样本随机缩减成了小样本，增加了小尺度目标的数量。
[0013]进一步地，在步骤(3)中，所述将划分好的数据集用YOLOv5s模型训练的具体操作步骤：
[0014]将划分好的数据集载入YOLOv5s模型中；
[0015]配置YOLOv5s模型的超参数权重；
[0016]配置环境变量、Epoch、batch
‑
size等相关数据；
[0017]使用YOLOv5s模型进行训练；
[0018]用测试集对训练后的YOLOv5s模型进行测试验证。
[0019]进一步地，在步骤(4)中，所述在backbone网络模型里面加入两层SE注意力机制的具体位置为原来YOLOv5s模型的第七层后第九层后面，其原理如下：
[0020]通过引入一个Squeeze操作和一个Excitation操作来建模通道之间的关系；在Squeeze阶段，它通过全局平均池化操作将卷积层的输出特征图压缩成一个特征向量；然后，在Excitation阶段，通过使用全连接层和非线性激活函数，学习生成一个通道的权重向量；这个权重向量被应用于原始特征图上的每个通道，以对不同通道的特征进行加权。
[0021]进一步地，在步骤(4)中，所述在YOLOv5的neck模块中将原来的两层nearest上采样替换成轻量级上采样CARAFE；
[0022]首先对于形状H
×
W
×
C的输入特征图，使用一个1
×
1的卷积来将它的通道数压缩为c
m
来减少后续步骤的计算量，之后设上采样核尺寸为k
up
×
k
up
，输出特征图每个位置使用不同的上采样核时，预测上采样形状为σH
×
σw
×
k
up
×
k
up
，对于前面压缩后的输入特征图，使用一个k
encoder
×
k
encoder
的卷积层来预测上采样核，输入通道为c
m
输出通道为然后将通道维在空间维展开，得到形状为的上采样核，然后将得到的上采样核利用soft max进行归一化使得卷积核权重为1。
[0023]进一步地，在步骤(4)中，所述在YOLOv5s网络的头部加入Dynamic head解耦头的位置为原YOLOv5模型的23层后面；
[0024]该解耦头在没有任何计算开销的前提下，通过在尺度感知的特征层、空间感知的空间位置以及任务感知的输出通道内连贯地结合多头self
‑
attention注意机制，来提高目标检测头的表示能力。
[0025]进一步地，在步骤(5)中，所述训练和验证采用的评价指标包括：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5s的热轧带钢表面缺陷检测方法，其特征在于，其具体操作步骤如下：步骤(1)、获取热轧带钢表面缺陷数据集；步骤(2)、对获取的热轧带钢表面缺陷数据集进行预处理，并将数据集按比例进行随机划分为训练集、验证集、测试集；步骤(3)、将划分好的数据集用下载好的YOLOv5s模型进行训练并记录实验结果；步骤(4)、对YOLOv5s网络模型进行改进；步骤(5)、将划分好的数据集用改进后的模型进行训练验证并记录实验结果，最后对测试的结果进行评价。2.根据权利要求1所述的一种基于改进YOLOv5s的热轧带钢表面缺陷检测方法，其特征在于，在步骤(2)中，所述预处理的具体操作方法：采用马赛克图像预处理技术，在训练过程中一次性传入九张图像进行学习，增加单次训练样本数量及目标多样性，提升网络训练收敛速度以及检测精确度，并且把大样本随机缩减成小样本，增加小尺度目标的数量。3.根据权利要求1所述的一种基于改进YOLOv5s的热轧带钢表面缺陷检测方法，其特征在于，在步骤(2)中，所述训练集、验证集、测试集的比例是：8：1：1。4.根据权利要求1所述的一种基于改进YOLOv5s的热轧带钢表面缺陷检测方法，其特征在于，在步骤(3)中，所述将划分好的数据集用下载好的YOLOv5s模型进行训练的具体步骤如下：(3.1)、将划分好的数据集载入YOLOv5s模型中；(3.2)、配置YOLOv5s模型的超参数权重；(3.3)、配置环境变量、Epoch及batch
‑
size有关数据；(3.4)、使用YOLOv5s模型进行训练；(3.5)、用测试集对训练后的YOLOv5s模型进行测试验证。5.根据权利要求1所述的一种基于改进YOLOv5s的热轧带钢表面缺陷检测方法，其特征在于，在步骤(4)中，所述对YOLOv5s网络模型进行改进具体包括：在backbone网络模型里面加入两层SE注意力机制来提高模型性能，再在YOLOv5的neck模块中将原来的两层nearest上采样替换成轻量级上采样CARAFE，最后在YOLOv5网络的头部加入Dynamic head解耦头。6.根据权利要求5所述的一种基于改进YOLOv5s的热轧带钢表面缺陷检测方法，其特征在于，所述在backbone网络模型里面加入两层SE注意力机制的具体位置为原来YOLOv5s模型的第七层后第九层后面，其具体是指：通过引入一个Squeeze操作和一个Excitation操作来建模通道之间的关系；在Squeeze阶段，其通过全局平均池化操作卷积层的输出特征...

【专利技术属性】
技术研发人员：张新荣，王艳龙，方怀松，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：