一种基于改进YOLOv5的带钢表面缺陷检测方法及系统技术方案

本发明专利技术提供一种基于改进YOLOv5的带钢表面缺陷检测方法及系统，其中方法包括：搭建改进的anchor

【技术实现步骤摘要】
一种基于改进YOLOv5的带钢表面缺陷检测方法及系统


[0001]本专利技术涉及计算机数据处理
，特别涉及一种基于改进YOLOv5的带钢表面缺陷检测方法及系统。

技术介绍

[0002]目前，带钢是现代钢铁产业的重要产品，带钢生产量大、传送速度快，对带刚表面缺陷检测的准确性和快速性提出了更高的要求，生产现场的复杂环境和各种干扰因素也要求检测方法具有较好的鲁棒性和泛化性。传统的涡流检测、漏磁检测、红外线检测等方法难以满足快速、准确的检测要求。近年来快速发展的深度学习成为带钢表面缺陷图像检测的研究热点。基于深度学习的目标检测算法取代了传统的目标检测算法成为目标检测算法的主流。现有的深度学习目标检测算法主要分为两类，一类是以Faster R
‑
CNN、Mask R
‑
CNN为代表的two
‑
stage检测算法；另一类是以YOLO、SSD为代表的one
‑
stage检测算法。YOLO系列模型在检测精度与检测速度之间较为平衡，且不断推出新的基准模型，目前经历几代的发展，吸取了大量其它模型的先进经验，检测精度不断提升且保持了不错的检测速度。目前YOLOv5算法在检测速度和检测精度上相较之前的版本都有较大提升，是目前最优秀的检测算法之一。但是，包括YOLOv5的一系列目标检测算法中都使用的是anchor
‑
based方法，此方法针对不同的数据集，都会有初始设定的anchor box，并且在网络训练过程中，网络在初始anchor box的基础上输出预测框，进而和真实框(grounding truth)进行对比，再反向更新，迭代网络参数。但是这种方法存在弊端。anchor的设置需要手动设计(长宽比，尺寸大小以及anchor的数量)，对不同的数据集也需要不同的设计相当麻烦；anchor的匹配机制使得极端尺度被匹配到的频率和相对于大小适中的object被匹配到的频率更低。训练网络在学习的时候不太容易学习到这些极端样本。anchor数量较多，需要每一个都进行IOU计算，降低了效率。anchor
‑
based算法引入了非极大抑制(NMS)，NMS虽然提高了检测精度，但计算量与复杂度严重阻碍了检测速度的提升。
[0003]近年来，虽然目标检测基本检测框架已经确定，但anchor
‑
free、Transformer等新思路依然不断涌现，而对检测框架的优化依然在不断进行中。以CornerNet、FCOS为代表的anchor
‑
free方法尝试去除先验框，降低了超参数的数量，目前已经达到了接近anchor
‑
based方法的检测精度。这一思路虽然目前仍然存在问题，但给目标检测技术提供了新的思考方向。所以提出用于检测带刚表面缺陷的anchor
‑
free YOLOv5网络。选择的是YOLOv5中的YOLOv5s网络，网络结构有三处修改。

技术实现思路

[0004]本专利技术实施例提供的一种基于改进YOLOv5的带钢表面缺陷检测方法，包括：
[0005]搭建改进的anchor
‑
freeYOLOv5网络；
[0006]获取带钢表面图像；
[0007]将所述带钢表面图像输入至所述anchor
‑
freeYOLOv5网络，获得带钢表面缺陷检
测结果；
[0008]输出所述带钢表面缺陷检测结果。
[0009]优选的，所述anchor
‑
freeYOLOv5网络包括：依次连接的特征图模块、特征融合模块、卷积模块和探测器模块。
[0010]优选的，所述anchor
‑
freeYOLOv5网络的工作机制包括：依次连接的input网络模块、Backbone网络模块、Neck网络模块和Prediction网络模块。
[0011]优选的，所述input网络模块对输入的所述带钢表面图像进行Mosaic数据增强。
[0012]优选的，所述Backbone网络模块中有用于对Mosaic数据增强后的所述带钢表面图像进行特征图提取的Focus结构、CSPDarknet结构；
[0013]所述CSPDarknet结构包含5个CSP模块。
[0014]优选的，所述Neck网络模块采用BiFPN模块+PAN模块结构；
[0015]所述Backbone网络模块的输出作为BiFPN模块的输入，进行特征融合，获得特征金字塔；
[0016]PAN模块先复制特征金字塔中最底下的一层，变成新特征金字塔的最底层；
[0017]将新特征金字塔的最底层进行下采样操作；
[0018]将特征金字塔的倒数第二层进行一个3x3的卷积，步幅为2，与下采样后的最底层进行一个横向连接两者相加；相加方式采用concat操作；
[0019]最后再来一个3x3卷积来融合相加结果的特征。
[0020]优选的，所述Prediction网络模块输出时使用EIoUloss。
[0021]优选的，所述anchor
‑
freeYOLOv5网络在训练时采用EIoU作为边界框回归损失。
[0022]优选的，所述Neck网络模块特征融合后，基于Anchor
‑
free边界框回归使用两个卷积层来预测编码边界框的三维张量、对象性和类预测。
[0023]本专利技术实施例提供的一种基于改进YOLOv5的带钢表面缺陷检测方法，包括：
[0024]搭建模块，用于搭建改进的anchor
‑
freeYOLOv5网络；
[0025]获取模块，用于获取带钢表面图像；
[0026]检测模块，用于将所述带钢表面图像输入至所述anchor
‑
freeYOLOv5网络，获得带钢表面缺陷检测结果；
[0027]输出模块，用于输出所述带钢表面缺陷检测结果。
[0028]本专利技术取得了以下有益效果：
[0029](1)为了缓解上述anchor
‑
based方法中的问题，提出一种新型anchor
‑
free检测方案，降低超参数的数量提高检测速度。
[0030](2)针对数据不平衡、训练速度慢的问题对损失函数进行改进，采用EIoU loss作为回归损失函数，其尺度不变，可以直接优化边框回归的评价指标加快模型拟合速度。
[0031](3)为防止大量负样本造成网络的退化，采用焦距损失(Focal loss，FL)作为客观性损失。Focal Loss通过增加损失权重，改善了难分类样本的检测精度。
[0032]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0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YOLOv5的带钢表面缺陷检测方法，其特征在于，包括：搭建改进的anchor
‑
freeYOLOv5网络；获取带钢表面图像；将所述带钢表面图像输入至所述anchor
‑
freeYOLOv5网络，获得带钢表面缺陷检测结果；输出所述带钢表面缺陷检测结果。2.如权利要求1所述的一种基于改进YOLOv5的带钢表面缺陷检测方法，其特征在于，所述anchor
‑
freeYOLOv5网络包括：依次连接的特征图模块、特征融合模块、卷积模块和探测器模块。3.如权利要求1所述的一种基于改进YOLOv5的带钢表面缺陷检测方法，其特征在于，所述anchor
‑
freeYOLOv5网络的工作机制包括：依次连接的input网络模块、Backbone网络模块、Neck网络模块和Prediction网络模块。4.如权利要求3所述的一种基于改进YOLOv5的带钢表面缺陷检测方法，其特征在于，所述input网络模块对输入的所述带钢表面图像进行Mosaic数据增强。5.如权利要求4所述的一种基于改进YOLOv5的带钢表面缺陷检测方法，其特征在于，所述Backbone网络模块中有用于对Mosaic数据增强后的所述带钢表面图像进行特征图提取的Focus结构、CSPDarknet结构；所述CSPDarknet结构包含5个CSP模块。6.如权利要求5所述的一种基于改进YOLOv5的带钢表面缺陷检测方法，其特征在于，所述Neck网络模块采用BiFPN模块+PAN...

【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：