一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于YOLOv5改进轻量型的焊缝缺陷识别算法


[0001]本专利技术涉及工业缺陷检测应用领域，具体为一种基于
YOLOv5
改进轻量型的焊缝缺陷识别算法
。

技术介绍

[0002]因材料缺陷而导致的安全问题一直是备受人们关注的热点问题，如何实现对材料缺陷的快速准确识别与定位是当今材料缺陷检测问题研究的重点
。
近年来，焊接构件广泛应用于工业生产和制造中
。
由于生产工艺和焊接环境等因素影响，焊接构件在制造和使用过程中容易产生各类内部缺陷，对其安全使用带了风险，因此对焊缝内部缺陷的质量评估至关重要
。
无损检测技术因具有非破坏性
、
直观
、
快速等优点，在焊缝缺陷检测中发挥着巨大的作用
。
[0003]目前，常用的无损检测方法有射线检测
(RT)、
超声检测
(UT)、
人工检测等
。
其中
X
射线检测是工业无损检测
(NDT)
的主要方法之一，其检测结果可以作为焊缝缺陷分析和质量评定的重要依据
。
传统的人工缺陷识别方式依靠专业的技术人员进行，检测结果更容易受到主观因素的影响
。
同时，需要做大量的标注工作，容易受到检测环境等因素的影响，容易导致误检
、
漏检，检测结果一致性不足，无法满足日渐增长的检测需求
。
随着近些年目标检测领域的不断改进，尤其是在工业领域的成功应用，可以将深度学习领域的目标检测应用于钢材焊缝的缺陷检测与识别，可以有效提高检测效率，促进工业自动化的发展
。
目前主流深度学习检测算法虽然能够一定程度上满足工业基本检测要求，但存在模型参数量大
、
计算速度慢等问题；轻量化模型的引入虽然可以有效减少网络参数量，但同时导致精度降低
。

技术实现思路

[0004]为解决目前存在的难题，本专利技术的目的在于提供一种基于
YOLOv5
改进轻量型的焊缝缺陷识别算法，在
YOLOv5
‑
s
网络的基础上设计
SPPSE
结构和轻量化结构
C3_Faster
，并使用
EIoU
边界框回归损失函数作为评价指标，提高缺陷的识别精度
。
本专利技术具有较高的识别精度，同时资源占用少，网络推理速度高，为目前工业缺陷检测的发展提供了强有力的支撑
。
[0005]为达到上述目的，本专利技术采用的技术方案为：
[0006]一种基于
YOLOv5
改进轻量型的焊缝缺陷识别算法，包括如下步骤：
[0007]步骤1：获取
X
射线焊缝缺陷底片图像，裁剪出相同的宽度和高度并导出为
JPG
图片，建立包含6种焊缝缺陷的
X
射线缺陷数据集，所述6种焊缝缺陷为裂纹
、
气孔
、
夹渣
、
焊瘤
、
未焊透
、
未熔合；
[0008]步骤2：预处理
X
射线缺陷数据集，通过多种数据增强的方式扩充
X
射线缺陷数据集，并将图像与其对应的标注文件按照
8:1:1
的比例随机划分为训练集
、
验证集和测试集
。
[0009]步骤3：将准备好的数据集输入到基于
YOLOv5
改进轻量型的焊缝缺陷网络进行训练；
[0010]步骤4：采用验证集对每轮训练得到的权重文件进行验证，获取在验证集上表现最优的权重文件，得到缺陷检测模型；
[0011]步骤5：将步骤2中经过预处理后获得的测试集输入缺陷检测模型，定位待测
X
射线焊缝缺陷图像中的焊缝区域；
[0012]步骤6：输出待测
X
射线焊缝缺陷图像的最终检测结果
。
[0013]有益效果：
[0014]本专利技术提出的特征提取模块在特征融合阶段所需进行拼接的特征通道数减少，降低了计算量和内存占用，提高了网络推理速度
。
本专利技术采用轻量化结构
C3_Faster
网络替代原
YOLOv5
部分主干网络，减少基本卷积模块的使用，进一步降低计算量和网络参数量，达到速度与精度的平衡
。
其次，本专利技术采用
EIoU
损失函数代替
CIoU
损失函数作为边界框损失函数，解决了在预测框回归过程中，预测框和真实框的宽高纵横比呈现线性比例时，
CIoU
中添加的相对比例的惩罚项无效的问题
。
最后，本专利技术算法在公开数据据集进行实验，仍有良好的表现，证明其有一定的泛用性
。
基于此，本专利技术是一种有潜力的焊缝缺陷检测算法，推动了焊缝缺陷识别在工业上的部署
。
附图说明
[0015]图1为本专利技术的轻量型的焊缝缺陷识别网络结构图；
[0016]图2为本专利技术的特征提取模块
SPPSE
示意图；
[0017]图3为本专利技术的轻量卷积结构
Faster Block
和
C3_Faster
示意图；其中，图
(a)
为
Faster Block
示意图，图
(b)
为
C3_Faster
示意图；
[0018]图4为检测结果图，其中图
(a)
为原始
yolov5
检测结果，图
(b)
为优化后模型检测结果
。
具体实施方式
[0019]为了使本专利技术的目的
、
技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明
。
应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术
。
此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合
。
[0020]本专利技术的一种基于
YOLOv5
改进轻量型的焊缝缺陷检测方法首先将包含六种焊缝缺陷的焊缝射线检测数字图像及其对应的标注文件划分为训练集
、
验证集和测试集；将其输入到基于
YOLOv5
改进轻量型的焊缝缺陷网络进行训练，采取验证集获取最优权重文件后对测试集进行测试，以此评估所述焊缝缺陷检测模型的性能
。
所述六种焊缝缺陷为裂纹
、
气孔
、
夹渣
、
焊瘤
、
未焊透
、
未熔合
。
[0021本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
YOLOv5
改进轻量型的焊缝缺陷识别算法，其特征在于，包括如下步骤：步骤1：获取
X
射线焊缝缺陷底片图像，裁剪出相同的宽度和高度并导出为
JPG
图片，建立包含6种焊缝缺陷的
X
射线缺陷数据集，所述6种焊缝缺陷为裂纹
、
气孔
、
夹渣
、
焊瘤
、
未焊透
、
未熔合；步骤2：预处理
X
射线缺陷数据集，通过多种数据增强的方式扩充
X
射线缺陷数据集，并将图像与其对应的标注文件按照
8:1:1
的比例随机划分为训练集
、
验证集和测试集
。
步骤3：将准备好的数据集输入到基于
YOLOv5
改进轻量型的焊缝缺陷网络进行训练；步骤4：采用验证集对每轮训练得到的权重文件进行验证，获取在验证集上表现最优的权重文件，得到缺陷检测模型；步骤5：将步骤2中经过预处理后获得的测试集输入缺陷检测模型，定位待测
X
射线焊缝缺陷图像中的焊缝区域；步骤6：输出待测
X
射线焊缝缺陷图像的最终检测结果
。2.
根据权利要求1所述的一种基于
YOLOv5
改进轻量型的焊缝缺陷识别算法，其特征在于，所述步骤3中，所述
YOLOv5
改进轻量型的焊缝缺陷网络包括轻量型的
C3_Faster
网络和特征提取模块
SPPSE
，所述轻量型的
C3_Faster
网络替代部分原
YOLOv5

【专利技术属性】
技术研发人员：秦经刚，杨景淇，刘小川，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：