【技术实现步骤摘要】
本专利技术属于图像处理技术、图像识别，具体涉及一种基于yolov5算法的改进船体锈蚀线检测模型的构建方法及其检测识别方法。
技术介绍
1、我国大多船舶都采用金属外壳，船舶在海洋环境中，受到海水温度、含盐度、大气温度、大气湿度的影响，使得船体受腐蚀程度非常严重，促使船舶的刚结构发生了变化，缩短了其使用寿命，更重要的是，腐蚀是大多数船舶发生事故的主要原因之一，根据船舶分析结构统计表明，近90％的船舶失效事故都是由腐蚀损伤所引起的。严重的腐蚀，可能引起夹板的裂纹蔓延至整条船，对整个船舶造成不可逆转的损害，造成可怕的损失。
2、目前针对于船体除锈我国已研制出舶除锈机器人，除锈机器人将超高压水除漆、真空吸附、爬壁机器人作业三者协调于一体。通过除锈用超高压清洗机获得水射流除锈能量，以爬壁机器人为载体，搭载除漆除锈清洗器，将除漆过程中产生的漆渣和锈渣废水回收排放，达到减少排放、回收环保的目的，符合当前的绿色造船，环保造船的理念，但在锈迹识别领域上，由于船舶外板受海水腐蚀影响程度大小不同,导致外板面上存在颜色差异、锈蚀分布不均,因此目前通过传统单一闽值分割船舶外板图像来定位受腐蚀区域的操作得到识别的效果不佳，且结果无法准确判断出受锈蚀影响区域和未被锈蚀区域,无法达到除锈效果的最佳目的。在除锈效果上船厂尚未达到自主识别锈迹并进行除锈，且传统的检测算法需要训练大量的权重，导致训练时间很长。
3、现有的专利提及的关于宽度学习的应用与钢板锈蚀检测方法均未设计至船舶大型钢制表面的锈蚀检测，如cn109522838a提供了一种基于宽
4、1.“一种基于宽度学习的安全帽图像识别算法”，专利号cn109522838a。该专利技术公开了一种基于宽度学习的安全帽图像识别算法，其特征在于进行了宽度学习系统的数据准备，建立了基于宽度学习训练安全帽图像识别模型；同时，基于宽度学习系统的安全帽图像检测机制：(1)读取步骤s1得到的图像测试集和步骤s2得到的所述安全帽图像识别模型；(2)将图像测试集中的图像输入到所述安全帽图像识别模型，获得输出值；(3)将有人但无安全帽的图片进行标记，并发出警告，从而提取出更加丰富的图像缺陷特征，但该专利技术主要使用宽度学习模型进行安全帽图像识别，未涉及船舶表面锈蚀检测。
5、2.“一种基于宽度学习的qr码图像检测方法”，专利号cn109886059a。该专利技术公开了一种基于宽度学习的qr码图像检测方法，通过输入含有qr码和不含qr码的原始图片，并分别对其做不同的标记，再对原始图片进行灰度化和二值化，利用qr码寻像图形的图形轮廓特征筛选出含有类似qr码寻像图形的轮廓特征的图片后，作为宽度学习模型的输入，通过对宽度学习模型进行训练建立qr码检测模型，最终将待检测的图片输入到已经训练好的qr码检测模型中，即可判断待检测的图片中是否含有qr码，但未对船舶外板钢制表面锈蚀线进行区分。
6、3.“锈蚀检测模型构建方法及锈蚀检测方法”，专利号cn115994889a。该专利技术公开了提供了一种锈蚀检测模型构建方法及锈蚀检测方法。其中，锈蚀检测模型构建方法，包括：获取模型训练数据，模型训练数据中包括多个金属设备图像，各金属设备图像中标注有锈蚀区；基于模型训练数据，对u2net网络模型进行模型训练，得到锈蚀检测模型，u2net网络模型的顶层由编码器和解码器构成u型网络结构，编码器和解码器分别由多层swintransformer单元构成u型网络结构。主要针对海上金属钢架结构，未涉及钢制大表面锈蚀检测，使用场合受限，并且未使用宽度学习模型进行训练。
7、在目标检测领域，yolo作为单阶段检测发展较快，应用范围较广，自yolov1起其算法已经历了多次升级，yolov1将识别和定位进行融合，yolov2利用anchor机制局部预测，针对定位和召回率来改善算法；yolov3利用残骸模型与fpn实现检测；yolov4不仅提升了gpu性能还优化了神经网络；yolov5作为一种轻量化模型的目标检测算法，其大小仅为27mb，相对于yolov4，yolov5不仅大小有优势，在检测速度上是yolov4的两倍，yolov5算法还可以提取同一腐蚀目标的丰富特征，且能较快地完成船体腐蚀的检测，因此采用yolov5算法作为船体腐蚀线的目标检测算法。本专利技术采用一款基于yolov5算法对图像进行锈迹检测，对图像标注采用单次卷积实现，使得此算法的检测效率高且运行速度快。在预测时使用了自适应图片大小的缩放模式，通过减少黑边，提高了预测速度。
技术实现思路
1、专利技术目的：为了解决现有技术的不足，本专利技术的目的在于提供一种基于yolov5算法的改进船体锈蚀线检测模型的构建方法及其检测识别方法，此算法相较传统人工肉眼识别锈迹检测效率高且运行速度快。
2、技术方案：本专利技术采用的技术手段如下：
3、第一方面，本专利技术提出了一种基于yolov5算法的改进船体锈蚀线检测模型的构建方法，包括如下步骤：
4、步骤一、对船舶舷顶列板、舷侧外板锈蚀图像进行数据采集,包括不同种类的船体锈蚀图像含有船体锈蚀线的图像和不含有船体锈蚀线的图像；
5、步骤二、对采集的图像进行标记，采用la-belling对所采集的船体锈蚀图像进行画框标注；
6、步骤三、将输入的船舶舷顶列板、舷侧外板锈蚀图像进行yolov5网络的构建，输入一个船体锈蚀图像，将输入的船体锈蚀图像分化成多个网格单元，利用特征提取网络csp提取其特征，使用当前目标中心坐标所属的网络单元即特征上的锚框来预测当前目标，通过yolov5网络的构建输出预测特征图；
7、步骤四、构建并训练锈蚀线检测模型，并对检测训练模型并进行评估；
8、步骤五、将锈蚀图像输入到已训练检测的模型，得出图像锈蚀结果。
9、进一步，使用当前目标中心坐标所属的网络单元即特征上的锚框的预测部分包括：
10、yolov5中采用giou-loss做bounding box的损失函数，giou是在iou的基础上引入了预测框和真实框的最小外接矩形；
11、首先算出框内的闭包区域面积l，再根据公式得出giou，再计算闭包区域lb中不属于两个框的区域占闭包区域的比重，最后用giou减去这个比重得到giou，得到以下两个公式：
12、iou＝|l∩m|；
13、
14、得到损失函数如下式所示：
15、lossgiou＝1-giou；
16、在目标检测的后处理过程中，针对很多目标框的筛选，通常需要非极大抑制操作；yol本文档来自技高网...
【技术保护点】
1.一种基于YOLOv5算法的改进船体锈蚀线检测模型的构建方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于YOLOv5算法的改进船体锈蚀线检测模型的构建方法，其特征在于：使用当前目标中心坐标所属的网络单元即特征上的锚框的预测部分包括：
3.根据权利要求2所述的基于YOLOv5算法的改进船体锈蚀线检测模型的构建方法，其特征在于：YOLOv5中得到的GIOU损失函数采用CIOU损失函数替换原有函数，得到CIOU损失函数由下式所示：
4.一种基于YOLOv5算法的改进船体锈蚀线检测识别方法，其特征在于：其步骤如下：
5.根据权利要求4所述的基于YOLOv5算法的改进船体锈蚀线检测识别方法，其特征在于：将锈迹检测的训练模型进行检测，包括：锈迹识别准确率、召回率、检平均精度mAP与速度，由下式所示：
6.一种船体表面锈蚀检测识别机器人，其特征在于：包括：
【技术特征摘要】
1.一种基于yolov5算法的改进船体锈蚀线检测模型的构建方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于yolov5算法的改进船体锈蚀线检测模型的构建方法，其特征在于：使用当前目标中心坐标所属的网络单元即特征上的锚框的预测部分包括：
3.根据权利要求2所述的基于yolov5算法的改进船体锈蚀线检测模型的构建方法，其特征在于：yolov5中得到的giou损失函数采用ciou...
【专利技术属性】
技术研发人员：姚必明，梁金丹，关杰，陈真，张峰，黄军，胡进，衣正尧，
申请(专利权)人：南通中远克莱芬船舶工程有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。