一种改进的铝型材表面缺陷检测方法技术

本发明专利技术公开了一种改进的铝型材表面缺陷检测方法，具体按照以下步骤实施：步骤

【技术实现步骤摘要】
一种改进的铝型材表面缺陷检测方法


[0001]本专利技术涉及铝型材表面缺陷检测
，具体为一种改进的铝型材表面缺陷检测方法
。

技术介绍

[0002]铝元素含量丰富，优点众多，在新产品和新工艺的发展下，铝的用途范围将会不断扩大
。
根据铝产品的型态，可以将铝制品分成三类：第一类是加工材，如板
、
带
、
箔
、
管
、
棒型
、
锻件和粉末等；第二类是铸造铝合金或者盘条线杆电缆等；第三类是日常生活中的各类铝制品
。
目前，铝型材的生产工艺流程分为三个重要步骤：熔铸
、
挤压和氧化，其中熔铸的工艺有配料
、
熔炼和铸造；挤压的工艺有挤压
、
风冷淬火和人工时效；氧化的工艺有表面预处理
、
阳极氧化和封孔
。
[0003]铝型材行业发展迅速，产量持续扩大
。
但是在铝型材的实际生产过程中，常常会受到工厂环境
、
设备及其他条件的影响，不可避免的造成铝型材的表面有缺陷
。
铝型材表面缺陷中存在较多的小目标缺陷，如脏点
、
擦花和漆泡等
。
这些微小的缺陷使生产出来的铝型材不美观，且严重影响铝型材的产品质量和后续使用
。
因此，小目标铝型材表面缺陷检测研究对工业发展及提高产品质量具有重要意义
。
[0004]铝型材表面缺陷检测技术在计算机技术没有成熟之前，采用的是人工目测的方法，该方法耗费人力资源，准确率低，且由于人工的接触容易对金属表面造成二次伤害，进而造成更多缺陷
。
随着物理学的发展，基于物理特性的表面检测技术应运而生，主要有超声波探伤检测
、
漏磁检测和红外检测等方法，这些方法对于检测金属的表面缺陷都有着一定的限制，此外，该方法对检测人员的物理知识储备也有较高的要求，不具有泛化能力
。
随着计算机的发展，表面缺陷检测技术有了基于传统图像处理和基于机器视觉的两种方法，图像处理方法主要依赖于图像分割及变换等算法，机器视觉则依赖于机器学习和深度学习算法，是一种智能化缺陷检测方式
。
[0005]但基于传统图像处理算法的缺陷检测方法虽能适用于低算力以及缺陷样本较少的场景，但对于图像的质量要求较高，光源分布不均时会导致检测结果变差
。
由于不同的缺陷特征对于缺陷图像的表征能力不一样，当缺陷的种类增加时该方法的局限性也越来越大
。
另外，虽然机器学习算法相对于传统图像处理算法的检测效果有很大提升，但背景干扰严重时模型的检测效果明显降低
。
此外，大多数机器学习模型只能够实现缺陷分类，无法检测出缺陷的具体位置，需要根据具体的缺陷特征通过图像处理方法分割出缺陷本身
。
而工业场景中通常需要得到缺陷的位置来分析缺陷产生原因，因此使用机器学习方法检测表面缺陷存在一定的短板
。
基于深度学习的表面缺陷检测技术很好地解决了上述问题，在表面缺陷检测
，深度学习的主要网络模型有：
Faster
‑
RCNN、MobileNet
以及
Yolo
系列算法，其中
Yolo
具有显著的优越性能，克服了很多传统方法的问题，并且提升小目标缺陷的检测精度一直是
Yolo
系列算法关注的问题之一
。

技术实现思路

[0006](
一
)
解决的技术问题
[0007]本专利技术的目的是提供一种改进的铝型材表面缺陷检测方法
。
解决了铝型材表面缺陷检测
中部分小目标仍然存在检测精度较低
、
小目标特征提取能力不足的问题
。
[0008](
二
)
技术方案
[0009]为实现上述目的，本专利技术提供如下技术方案：一种改进的铝型材表面缺陷检测方法，具体按照以下步骤实施：
[0010]步骤
1、
数据预处理阶段；
[0011]所述步骤1具体按照以下步骤实施：
[0012]步骤
1.1、
选择阿里云的天池大赛数据集，该数据集里包括单瑕疵图片
、
多瑕疵图片和无瑕疵图片三种类型；铝型材表面缺陷数据集中共有
4356
张图片，包含
1210
张无瑕疵图片，
3146
张单瑕疵图片
、
多瑕疵图片，分辨率均为
2560
×
1920
；单瑕疵图片
、
多瑕疵图片中包含不导电
、
擦花
、
角位漏底
、
桔皮
、
漏底
、
喷流
、
漆泡
、
起坑
、
杂色和脏点共
10
种类型的缺陷，每张图片包含一种或多种缺陷；
[0013]步骤
1.2、
对单瑕疵图片
、
多瑕疵图片和无瑕疵图片进行翻转
、
旋转和加入高斯噪声操作；
[0014]步骤
1.3、
采用平均保持双直方图均衡化算法对数据集中对比度低的图片进行增强；
[0015]步骤
1.4、
采用过采样的方式对数据集中的脏点进行图像增强；
[0016]步骤
2、
数据集生成阶段；
[0017]步骤2具体按照以下步骤实施：
[0018]步骤
2.1、
对于擦花
、
桔皮
、
喷流和杂色四种缺陷，采用
StyleGAN
网络生成仿真图像来对这四种缺陷数据进行数据扩充；
[0019]步骤
2.2、
采用
LabelImg
开源的标框标注工具对扩充后的数据集进行标注；
[0020]步骤
2.3、
对扩充后的数据集采用留出法划分，将数据集分为：训练集
、
验证集和测试集，划分比例为：
8:1:1
，训练集的图片共计
6130
张，验证集的图片共计
766
张，测试集的图片共计
766
张；
[0021]步骤
3、Yolov5
模型改进阶段；
[0022]步骤3中，对
Yolov5
‑
s
最小网络模型的锚框机制
、
数据增强方式
、
注意力机制
、
损失函数及结构进行改进，以增强小目标的特征提取能力，提出
Yolov5<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种改进的铝型材表面缺陷检测方法，其特征在于，具体按照以下步骤实施：步骤
1、
数据预处理阶段；所述步骤1具体按照以下步骤实施：步骤
1.1、
选择阿里云的天池大赛数据集，该数据集里包括单瑕疵图片
、
多瑕疵图片和无瑕疵图片三种类型；铝型材表面缺陷数据集中共有
4356
张图片，包含
1210
张无瑕疵图片，
3146
张单瑕疵图片
、
多瑕疵图片，分辨率均为
2560
×
1920
；单瑕疵图片
、
多瑕疵图片中包含不导电
、
擦花
、
角位漏底
、
桔皮
、
漏底
、
喷流
、
漆泡
、
起坑
、
杂色和脏点共
10
种类型的缺陷，每张图片包含一种或多种缺陷；步骤
1.2、
对单瑕疵图片
、
多瑕疵图片和无瑕疵图片进行翻转
、
旋转和加入高斯噪声操作；步骤
1.3、
采用平均保持双直方图均衡化算法对数据集中对比度低的图片进行增强；步骤
1.4、
采用过采样的方式对数据集中的脏点进行图像增强；步骤
2、
数据集生成阶段；步骤2具体按照以下步骤实施：步骤
2.1、
对于擦花
、
桔皮
、
喷流和杂色四种缺陷，采用
StyleGAN
网络生成仿真图像来对这四种缺陷数据进行数据扩充；步骤
2.2、
采用
LabelImg
开源的标框标注工具对扩充后的数据集进行标注；步骤
2.3、
对扩充后的数据集采用留出法划分，将数据集分为：训练集
、
验证集和测试集，划分比例为：
8:1:1
，训练集的图片共计
6130
张，验证集的图片共计
766
张，测试集的图片共计
766
张；步骤
3、Yolov5
模型改进阶段；步骤3中，对
Yolov5
‑
s
最小网络模型的锚框机制
、
数据增强方式
、
注意力机制
、
损失函数及结构进行改进，以增强小目标的特征提取能力，提出
Yolov5
‑
CA
‑
GFPN
模型；步骤3具体按照以下步骤实施：步骤
3.1、
将
Yolov5
模型中原始
K
‑
Means
的欧氏距离替换为1‑
IoU
；步骤
3.2、
采用马赛克
(Mosaic)
‑9的方式改进
Yolov5
模型的数据增强方式；步骤
3.3、
在
Yolov5
的最小网络模型中加入
CA
注意力机制，构成
Yolov5
‑
CA
模型；步骤
3.3、
采用归一化瓦瑟斯坦距离改进
Yolov5
‑
CA
模型的损失函数；步骤
3.4、
采用广义特征金字塔网络结构改进
Yolov5
‑
CA
模型的脖颈模块；步骤
3.5、
提出
Yolov5
‑
CA
‑
GFPN
模型；步骤
4、
缺陷检测阶段；步骤4具体按照以下步骤实施：步骤
4.1、
设置
Yolov5
‑
CA
‑
GFPN
模型超参数；步骤
4.2、
使用步骤2中划分好的数据集训练
Yolov5
‑
CA
‑
GFPN
模型，并保存网络权重；步骤
4.3、
加载训练好的
Yolov5
‑
CA
‑
GFPN
模型权重，使用测试集进行预测；步骤
4.4、
得到预测结果
。2.
根据权利要求1所述的一种改进的铝型材表面缺陷检测方法，其特征在于，步骤1中平均保持双直方图均衡化算法原理如下：设输入图像为
I
，大小为
M
×
N
，灰度级范围为
[0,L
‑
1]
，其中
L
表示灰度级别的数量；
(1)
计算原始图像的直方图
H(c)
：其中，
δ
(a,b)
是
KroneckerDelta
函数，当
a
＝
b
时为1，否则为0，
i
表示图像的行索引，范围通常为
[0,M
‑
1]
，其中
M
是图像的高度，
j
表示图像的列索引，范围通常为
[0,N
‑
1]
，其中
N
是图像的宽度，
c
为表示图像中的灰度级；
(2)
将直方图分为亮区和暗区；选择阈值
T
，使得亮区包含
[0,T]
，暗区包含
[T+1,L
‑
1]
范围的灰度级；
(3)
对亮区进行直方图均衡化计算亮区的像素总数
N
bright
：计算亮区的累积分布函数
C
bright
(c)(CDF)
：其中，公式中的
H(i)
表示灰度级为
i
的像素在图像中出现的次数或频率；将亮区的
CDF
线性映射到灰度级范围
[0,L
‑
1]
：
S
bright
(c)
＝
(L
‑
1)
·
C
bright
(c),0≤c≤T(4)
其中
S
bright
(c)
表示亮度增强后的灰度级；
(4)
同理对暗区进行直方图均衡化计算暗区的像素总数
N
dark
：计算暗区的累积分布函数
C
bright
(c)(CDF)
：将亮区的
CDF
线性映射到灰度级范围
[0,L
‑
1]
：
S
dark
(c)
＝
(L
‑
1)
·
C
dark
(c),T+1≤c≤L
‑
1(7)
其中
S
dark
(c)
表示暗度增强后的灰度级；
(5)
最后线性插值合并亮区和暗区的均衡化结果：对于每个像素位置
(i,j)
，根据其灰度级
I(i,j)
判断其属于亮区还是暗区；在暗区中的像素灰度级映射为：
F

【专利技术属性】
技术研发人员：杨延西，李思雨，曹孝碧，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：