一种基于改进制造技术

本发明专利技术提供一种基于改进

【技术实现步骤摘要】
一种基于改进YOLOv5的刨花板表面缺陷检测方法和装置


[0001]本专利技术涉及机器视觉和目标检测
，尤其涉及一种基于改进
YOLOv5
的刨花板表面缺陷检测方法和装置
。

技术介绍

[0002]随着工业互联网
、
大数据
、
人工智能等技术的发展，智能化生产已成为行业发展趋势，高准确率
、
高实时性的基于机器视觉的刨花板表面缺陷检测系统逐渐投入生产线应用
。
传统的机器视觉检测算法，一般利用人工设计的特征提取环节，需要手工选取某些关键参数
。
但刨花板表面缺陷种类繁多，形式多样，仅靠单一特征参数，无法很好地满足多种类型缺陷的检测，泛化性较差
。
而随着深度学习的发展，机器学习和目标检测技术的检测精度和速度不断被提升
。
[0003]现有技术采用
U
型跨层连接的分割网络与
Transformer
融合的方法去解决刨花板表面缺陷尺度跨度较大的问题，可有效降低漏检率与误检率，但是该网络每层都引入
Transformer
模块，容易增大模型的计算复杂度，减慢模型的推理速度
。
同时该方法虽然关注了刨花板表面缺陷尺度跨度较大的问题，但缺陷尺度的复杂性问题是主要导致刨花等小尺寸目标的漏检和误检问题的因素，因此对于刨花板表面缺陷在尺度变化较大下，研究提升小尺寸缺陷的检测精度是很有必要的
。

技术实现思路
r/>[0004]有鉴于此，本专利技术提供了基于改进
YOLOv5
的刨花板表面缺陷检测方法和装置，用于解决现有技术针对刨花板表面小尺寸缺陷检测存在的问题
。
[0005]为了实现上述目的，现提出的方案如下：
[0006]一种基于改进
YOLOv5
的刨花板表面缺陷检测方法，包括：
[0007]获取包含预定比例小尺寸缺陷的刨花板表面缺陷图，构建刨花板表面小尺寸缺陷数据集，所述小尺寸缺陷的缺陷面积小于预定阈值；
[0008]基于所述刨花板表面小尺寸缺陷数据集，对改进
YOLOv5
刨花板缺陷检测模型进行训练，所述改进
YOLOv5
刨花板缺陷检测模型包括输入模块
、
第二主干网络
、
第二特征融合网络和第二检测模块，
YOLOv5
网络包括所述输入模块
、
第一主干网络
、
第一特征融合网络和第一检测模块，其中所述第二主干网络在所述第一主干网络基础上采用
MobileViT
模块替代最末端的
C3
模块，所述第二特征融合网络在所述第一特征融合网络基础上融合由所述第一主干网络
P2
层输出的特征信息，所述第二检测模块在第一检测模块基础上增加小尺寸检测头，在所有检测头前增加
CA(Coordinate Attention)
注意力机制，并引入
Focal Loss
损失函数替代所述第一检测模块中的二元交叉熵函数；
[0009]利用训练后的改进
YOLOv5
刨花板缺陷检测模型对刨花板表面缺陷进行检测
。
[0010]根据本专利技术提供的基于改进
YOLOv5
的刨花板表面缺陷检测，所述构建刨花板表面小尺寸缺陷数据集，包括：
[0011]利用工业相机，实时收集含有不同种类缺陷的刨花板缺陷彩图；
[0012]对收集到的刨花板缺陷彩图进行灰度化处理，并按照预先设定的训练集尺寸进行裁剪，得到裁剪后的刨花板缺陷灰度图；
[0013]对裁剪后的刨花板缺陷灰度图进行缺陷类别和位置标注；
[0014]按照小尺寸缺陷图的比重，选取预定数量的标注后的刨花板缺陷灰度图，构建刨花板表面小尺寸缺陷数据集
。
[0015]根据本专利技术提供的基于改进
YOLOv5
的刨花板表面缺陷检测方法，构建刨花板表面小尺寸缺陷数据集之后，还包括：
[0016]对所述数据集按预定比例划分为训练集和验证集；
[0017]对划分后的数据集，进行扩充，得到扩充后的数据集，并将标签进行对应的变换，所述扩充包括翻转
、
增加高斯噪声
、
调整亮度
。
[0018]根据本专利技术提供的基于改进
YOLOv5
的刨花板表面缺陷检测方法，所述
MobileViT
模块设置
MobileNet V2
和
MobileViT Block
两个结构，所述
MobileNet V2
结构由卷积核大小1×1卷积和卷积核大小3×3的深度卷积组成，用于减少算法的计算量；所述
MobileViT Block
结构用于特征融合输出
。
[0019]根据本专利技术提供的基于改进
YOLOv5
的刨花板表面缺陷检测方法，所述第二特征融合网络在所述第一特征融合网络基础上融合由所述第一主干网络
P2
层输出的特征信息，具体包括：
[0020]将所述第一主干网络中未进行融合的
160
×
160
的特征图所在的
P2
层加入第二特征融合网络中将
YOLOv5s
第一主干网络中
P2
层，作为小尺寸检测头，用于检测刨花板小尺寸缺陷
。
[0021]根据本专利技术提供的基于改进
YOLOv5
的刨花板表面缺陷检测方法，所述在所有检测头前增加
CA
注意力机制，包括：
[0022]在不改变输入输出的尺度和通道数的情况下，在所述第一检测模块检测头和增加的小尺寸检测头前均采用
CA
注意力机制，增强网络的特征表达能力
。
[0023]根据本专利技术提供的基于改进
YOLOv5
的刨花板表面缺陷检测方法，所述引入
Focal Loss
损失函数替代所述第一检测模块中的二元交叉熵函数，具体包括：
[0024]采用
Focal Loss
函数来替代原
YOLOv5
中的二元交叉熵函数，所述
Focal Loss
函数定义为：
[0025]L
Focal
＝
‑
y*
α
(1
‑
p)
γ
log(p)
‑
(1
‑
y)*(1
‑
α
)p
γ
log(1
‑
p)
[0026]其中，
y
表示真实目标的置信度，
p
表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于改进
YOLOv5
的刨花板表面缺陷检测方法，其特征在于，包括：获取包含预定比例小尺寸缺陷的刨花板表面缺陷图，构建刨花板表面小尺寸缺陷数据集，所述小尺寸缺陷的缺陷面积小于预定阈值；基于所述刨花板表面小尺寸缺陷数据集，对改进
YOLOv5
刨花板缺陷检测模型进行训练，所述改进
YOLOv5
刨花板缺陷检测模型包括输入模块
、
第二主干网络
、
第二特征融合网络和第二检测模块，
YOLOv5
网络包括所述输入模块
、
第一主干网络
、
第一特征融合网络和第一检测模块，其中所述第二主干网络在所述第一主干网络基础上采用
MobileViT
模块替代最末端的
C3
模块，所述第二特征融合网络在所述第一特征融合网络基础上融合由所述第一主干网络
P2
层输出的特征信息，所述第二检测模块在第一检测模块基础上增加小尺寸检测头，在所有检测头前增加
CA
注意力机制，并引入
FocalLoss
损失函数替代所述第一检测模块中的二元交叉熵函数；利用训练后的改进
YOLOv5
刨花板缺陷检测模型对刨花板表面缺陷进行检测
。2.
根据权利要求1所述的基于改进
YOLOv5
的刨花板表面缺陷检测，其特征在于，所述构建刨花板表面小尺寸缺陷数据集，包括：利用工业相机，实时收集含有不同种类缺陷的刨花板缺陷彩图；对收集到的刨花板缺陷彩图进行灰度化处理，并按照预先设定的训练集尺寸进行裁剪，得到裁剪后的刨花板缺陷灰度图；对裁剪后的刨花板缺陷灰度图进行缺陷类别和位置标注；按照小尺寸缺陷图的比重，选取预定数量的标注后的刨花板缺陷灰度图，构建刨花板表面小尺寸缺陷数据集
。3.
根据权利要求2所述的基于改进
YOLOv5
的刨花板表面缺陷检测方法，其特征在于，构建刨花板表面小尺寸缺陷数据集之后，还包括：对所述数据集按预定比例划分为训练集和验证集；对划分后的数据集，进行扩充，得到扩充后的数据集，并将标签进行对应的变换，所述扩充包括翻转
、
增加高斯噪声
、
调整亮度
。4.
根据权利要求1所述的基于改进
YOLOv5
的刨花板表面缺陷检测方法，其特征在于，所述
MobileViT
模块设置
MobileNet V2
和
MobileViT Block
两个结构，所述
MobileNet V2
结构由卷积核大小1×1卷积和卷积核大小3×3的深度卷积组成，用于减少算法的计算量；所述
MobileViT Block
结构用于特征融合输出
。5.
根据权利要求1所述的基于改进
YOLOv5
的刨花板表面缺陷检测方法，其特征在于，所述第二特征融合网络在所述第一特征融合网络基础上融合由所述第一主干网络
P2
层输出的特征信息，具体包括：将所述第一主干网络中未进行融合的
160
×
160
的特征图所在的
P2
层加入第二特征融合网络中，作为小尺寸检测头，用于检测刨花板小尺寸缺陷
。6.
根据权利要求1所述的基于改进
YOLOv5
的刨花板表面缺陷检测方法，其特征在于，所述在所有检测头前增加
CA
注意力机制，包括：在不改变输入输出的尺度和通道数...

【专利技术属性】
技术研发人员：关淯尹，王文财，苍志智，查健，沈彤，李嘉禄，党亚光，朱翔，
申请(专利权)人：北京金隅集团股份有限公司，
类型：发明
国别省市：