一种基于改进制造技术

本发明专利技术涉及数字图像处理目标识别技术领域，具体说是一种基于改进

【技术实现步骤摘要】
一种基于改进YOLOv7的钢材表面缺陷检测方法


[0001]本专利技术涉及数字图像处理目标识别
，具体说是一种基于改进
YOLOv7
的钢材表面缺陷检测方法
。

技术介绍

[0002]钢材是工业原料中的常客，无论是在日常生活还是工业生产，都是不可或缺的
。
然而，在生产过程中，由于工艺缺陷或者其他各种因素的影响，表面容易出现夹杂
、
划痕
、
压入氧化皮
、
裂纹
、
麻点和斑块等问题，降低了产品的使用寿命和安全性能
。
目前，钢材表面缺陷检测方法主要有人工检测法
、
漏磁检测法
、
涡流检测法等，其中人工检测法易受主观因素的影响
。
漏磁检测法与涡流检测受环境影响较大，同时还存在着操作复杂等缺点
。
因此，有效提高钢材表面缺陷检测能力，对于完善产品质量和提高工作效率具有重要意义
。
[0003]近些年，随着深度学习领域的不断发展，将其与工业智能化检测领域相结合的应用技术变得越来越成熟，不仅大大提高了检测的精度，检测速度也随之在不断加快，同时节约了大量的人力资源，为企业的降本增效起到了显著的作用
。
[0004]YOLO
系列算法是一种典型的深度学习目标检测算法
。2015
年由
Joseph
提出的
YOLOv1
是第一个一阶段的深度学习检测算法，使目标检测保证一定精度，速度也得到提升
。
此后，
YOLO
系列算法被相继提出，同时在缺陷检测领域也取得了相应的进展
。
[0005]2022
年，美团视觉智能部研发的一款目标检测框架
YOLOv6
，引入
ReVGG
实现结构重参数化，并采用
SIoU
损失函数得到更好的检测效果；
[0006]同年，
Wang
等人提出
YOLOv7
系列算法，提出高效聚合网络
(ELAN)
和模型重参数化等算法，有效提升算法的检测效率，使其在准确率和速度上超越了以往的
YOLO
系列
。
[0007]然而，虽然
YOLOv7
检测效率高，但是钢材表面存在的缺陷是小目标，在模型特征学习的过程中容易被忽略，导致漏检现象的发生
。
[0008]综上所述，本申请提出一种基于改进
YOLOv7
的钢材表面缺陷检测方法，改善上述提到的技术问题
。

技术实现思路

[0009]为了弥补现有技术的不足，本专利技术提出了一种基于改进
YOLOv7
的钢材表面缺陷检测方法，包括以下步骤：
[0010]步骤
1、
获取钢材表面图片；
[0011]步骤
2、
通过预设的识别检测模型对所述钢材表面图片进行识别检测，得到钢材表面缺陷反馈信息，并将所述钢材表面缺陷反馈信息发送至用户终端；所述钢材表面缺陷反馈信息是基于改进
YOLOv7
网络生成的，且所述识别检测模型用于对钢材表面图像进行缺陷识别并标记定位，其所述钢材表面缺陷反馈信息包括钢材表面缺陷的类别信息和位置信息
。
[0012]作为本专利技术的一种优选方案，所述识别检测模型是基于改进
YOLOv7
网络生成的，
具体生成步骤为：
[0013]S1、
对钢材表面缺陷图片进行图片预处理，预处理后的图片划分为训练集
、
验证集和测试集；
[0014]S2、
进行所述识别检测模型的主干特征提取网络模块的搭建；
[0015]S3、
进行所述识别检测模型的特征融合网络模块的搭建；
[0016]S4、
进行所述识别检测模型的预测模块的搭建；
[0017]S5、
将所述主干特征提取网络模块
、
所述特征融合模块
、
所述预测模块进行连接组成所述识别检测模型，采用训练集训练连接后的所述识别检测模型，并采用验证集进行验证，测试集进行测试；
[0018]S6、
训练结束后，对所述识别检测模型进行封装部署，对钢材表面缺陷图片进行检测
。
[0019]作为本专利技术的一种优选方案，所述步骤
S2
中对所述主干特征提取网络模块进行搭建，所述主干特征提取网络模块主要由
CBS
卷积模块
、
高效聚合网络
ELAN
模块
、MPConv
模块和
BI
‑
SPPFCSPC
结构模块构成；其中，所述
CBS
卷积模块由一个卷积层
、
批量归一化
、
激活函数组成；所述高效聚合网络
ELAN
模块有两个分支组成，一条分支是经过一个
1*1
的卷积做通道数的变化，第二条分支是先经过一个
1*1
的卷积模块，再经过四个
3*3
的卷积模块；所述
MPConv
模块有两个分支组成，第一条分支是先经过一个最大池化，再经过一个
1*1
的卷积层，第二条分支是先经过一个
1*1
的卷积，再经过一个
3*3
卷积核
、
步长为2的卷积块；所述
BI
‑
SPPFCSPC
结构模块是在原
YOLOv7
主干特征提取模块中
SPPCSPC
模块改进得来，所述
SPPCSPC
模块由
SPP
和
CSP
模块组成，
SPP
模块由四条分支组成，每条分支的最大池化尺度分别为
5、9、13、1
，
CSP
模块首先讲特征分为两部分，其中一个部分进行常规处理，另一部分进行
SPP
结构处理，再将该两部分合并；所述
BI
‑
SPPFCSPC
结构模块具体改进方法为：
[0020]H1、
裁剪
CBS
卷积模块，裁剪掉2个位于池化层之前的
CBS
层；
[0021]H2、
使用
CoordConv
坐标卷积替换传统
1*1
卷积；
[0022]H3、
将特征分为两部分，其中的一个部分进行常规的处理，另外一个部分进行
SPPF
结构的处理，
SPPF
结构处理中，将特征图串行输入卷积核大小为5×5的最大池化层，再进行特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于改进
YOLOv7
的钢材表面缺陷检测方法，其特征在于，包括以下步骤：步骤
1、
获取钢材表面图片；步骤
2、
通过预设的识别检测模型对所述钢材表面图片进行识别检测，得到钢材表面缺陷反馈信息，并将所述钢材表面缺陷反馈信息发送至用户终端；所述钢材表面缺陷反馈信息是基于改进
YOLOv7
网络生成的，且所述识别检测模型用于对钢材表面图像进行缺陷识别并标记定位，其所述钢材表面缺陷反馈信息包括钢材表面缺陷的类别信息和位置信息
。2.
根据权利要求1所述的一种基于改进
YOLOv7
的钢材表面缺陷检测方法，其特征在于：所述识别检测模型是基于改进
YOLOv7
网络生成的，具体生成步骤为：
S1、
对钢材表面缺陷图片进行图片预处理，预处理后的图片划分为训练集
、
验证集和测试集；
S2、
进行所述识别检测模型的主干特征提取网络模块的搭建；
S3、
进行所述识别检测模型的特征融合网络模块的搭建；
S4、
进行所述识别检测模型的预测模块的搭建；
S5、
将所述主干特征提取网络模块
、
所述特征融合模块
、
所述预测模块进行连接组成所述识别检测模型，采用训练集训练连接后的所述识别检测模型，并采用验证集进行验证，测试集进行测试；
S6、
训练结束后，对所述识别检测模型进行封装部署，对钢材表面缺陷图片进行检测
。3.
根据权利要求2所述的一种基于改进
YOLOv7
的钢材表面缺陷检测方法，其特征在于：所述步骤
S2
中对所述主干特征提取网络模块进行搭建，所述主干特征提取网络模块主要由
CBS
卷积模块
、
高效聚合网络
ELAN
模块
、MPConv
模块和
BI
‑
SPPFCSPC
结构模块构成；其中，所述
CBS
卷积模块由一个卷积层
、
批量归一化
、
激活函数组成；所述高效聚合网络
ELAN
模块有两条分支组成，一条分支是经过一个
1*1
的卷积做通道数的变化，第二条分支是先经过一个
1*1
的卷积模块，再经过四个
3*3
的卷积模块；所述
MPConv
模块有两个分支组成，第一条分支是先经过一个最大池化，再经过一个
1*1
的卷积层，第二条分支是先经过一个
1*1
的卷积，再经过一个
3*3
卷积核
、
步长为2的卷积块；所述
BI
‑
SPPFCSPC
结构模块是在原
YOLOv7
主干特征提取模块中
SPPCSPC
模块改进得来，所述
SPPCSPC
模块由
SPP
和
CSP
模块组成，所述
SPP
模块由四条分支组成，每条分支的最大池化尺度分别为
5、9、13、1
，所述
CSP
模块首先将特征分为两部分，其中一...

【专利技术属性】
技术研发人员：陶冶，申立佳，崔文华，孙小晴，韩宜霖，吴蔓，汪丽雪，杨婕，于倩，
申请(专利权)人：辽宁科技大学，
类型：发明
国别省市：