基于梯度重参数化目标检测的金属表面缺陷检测实现方法技术

本发明专利技术涉及一种基于梯度重参数化目标检测的金属表面缺陷检测实现方法，包括以下步骤：S1、采集金属表面图像数据，并对图像数据进行缺陷标注；S2、构建用于缺陷检测的目标检测模型，并结合梯度重参数化对目标检测模型进行量化感知训练，并对得到的目标检测模型进行评估，得到最佳模型；S3、对训练好的模型进行子图优化；S4、将优化后的模型部署至嵌入式设备中，用于金属表面缺陷检测。该方法有利于降低计算复杂度，并提高金属表面缺陷检测精度。

【技术实现步骤摘要】

本专利技术涉及工业视觉检测，具体涉及一种基于梯度重参数化目标检测的金属表面缺陷检测实现方法。

技术介绍

1、传统的缺陷检测方法通常依赖于人工目测，成本高且效率低下。随着深度学习的不断发展，机器视觉逐渐取代人工目测用以各种产品制造过程中的缺陷检测。其中众多金属在生产过程中会出现针孔、褶皱、擦伤、脏污、斑块、开裂以及内含物等缺陷，会对后续生产产品的质量、安全性、修复成本、生成效率甚至环境保护产生很大的影响。为了保证产品的质量，降低修复成本，需对金属表面进行缺陷检测。工业缺陷检测算法落地面临的挑战主要有以下几点：1、模型参数量庞大、计算复杂度高；此类模型难以部署在专用的嵌入式设备中，如需部署此类的神经网络模型，需要用到昂贵的服务器设备进行推理，且功耗大，会造成较大的成本支出。2、重参数化模型架构的缺陷；采用重参数化模型架构进行优化模型是现在的主流方法之一，该架构模型虽然可以在推理时不影响推理速度的情况下提高准确率，但是在其训练过程中，训练模型存在多分支的结构，会导致训练时间大大提升；而且，通常对于嵌入式设备来说，往往需要对模型进行量化后部署，该架构模型由于权重分本文档来自技高网...

【技术保护点】

1.一种基于梯度重参数化目标检测的金属表面缺陷检测实现方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于梯度重参数化目标检测的金属表面缺陷检测实现方法，其特征在于，步骤S1中，通过工业相机采集生产流程中的缺陷图像和良品图像，使用标注软件LabelImage对采集到的缺陷图像进行标注，获得相对应的xml格式的标签信息。

3.根据权利要求1所述的基于梯度重参数化目标检测的金属表面缺陷检测实现方法，其特征在于，步骤S2中，构建的用于缺陷检测的目标检测模型为改进后的PP-Picodet模型，其包括主干网络LCNET、特征融合层和Pico检测头；

4...

【技术特征摘要】

1.一种基于梯度重参数化目标检测的金属表面缺陷检测实现方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于梯度重参数化目标检测的金属表面缺陷检测实现方法，其特征在于，步骤s1中，通过工业相机采集生产流程中的缺陷图像和良品图像，使用标注软件labelimage对采集到的缺陷图像进行标注，获得相对应的xml格式的标签信息。

3.根据权利要求1所述的基于梯度重参数化目标检测的金属表面缺陷检测实现方法，其特征在于，步骤s2中，构建的用于缺陷检测的目标检测模型为改进后的pp-picodet模型，其包括主干网络lcnet、特征融合层和pico检测头；

4.根据权利要求...

【专利技术属性】
技术研发人员：林志贤，林立恒，林珊玲，林坚普，吕珊红，郭太良，卢蓓婕，廖礼钊，谢宏兴，
申请(专利权)人：福州大学，
类型：发明
国别省市：