一种基于改进YOLOv5的钢材表面缺陷检测方法技术

本发明专利技术公开了一种基于改进YOLOv5的钢材表面缺陷检测方法，包括收集钢材表面缺陷数据集，并对数据集进行预处理；其次，改进原YOLOv5模型，包括在原YOLOv5网络的骨干网络和颈部网络中引入ECA注意力机制；将原YOLOv5模型中所有的C3模块中的特征融合层替换为C2F模块中的SPP层和跨阶段残差连接层，同时将原输出通道数设为C2F模块的输出通道数，以提高模型的小目标检测精度；调整优化空间金字塔池化结构；接着，设置训练参数，对改进的YOLOv5模型进行训练；最后，将待检测的钢材表面缺陷数据输入到训练好的模型中，输出待检测钢材表面缺陷的位置和类别信息；本发明专利技术增强了对钢材表面缺陷的特征提取能力，减小复杂环境背景的干扰，降低漏检率，提升检测效率。

【技术实现步骤摘要】

本专利技术涉及机器视觉、深度学习、缺陷检测，具体为一种基于改进yolov5的钢材表面缺陷检测方法。

技术介绍

1、目前，缺陷检测技术在工业制造、产品质量检测等领域广泛应用。传统的缺陷检测方法往往需要依靠人工进行目测或专业检测仪器进行检测，它们存在以下的不足：1)受技术人员的经验、认知、思维等主观因素以及光照、环境等客观因素的影响，容易导致检测结果主观化、非标准化；2)经过长时间重复工作的情况下技术人员难免精神疲惫、视觉疲劳，容易导致检测结果存在漏检与误检现象；3)针对微小缺陷以及颜色、纹理不清楚的缺陷工件表面检测较为困难；4)当基于接触式工件表面缺陷人工检测，可能会对待检测工件造成二次损伤；5)由于人本身精力有限，传统的人工检测工作方式效率低。随着深度学习技术的发展，针对工件表面缺陷的检测也取得了许多研究成果，如图像识别、图像分割、超分辨率等。然而，工件表面缺陷种类繁多，表现方式各异且背景复杂，传统方法很难获取全部有效特征。而深度学习中的深度网络具有自主获取和学习图像特征的强大功能，可以提高检测精度，避免对工件的二次损伤，并保持稳定性。此外，深度学习方法还本文档来自技高网...

【技术保护点】

1.一种基于改进YOLOv5的钢材表面缺陷检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于改进YOLOv5的钢材表面缺陷检测方法，其特征在于：所述S1中的数据集包括钢材的六种典型表面缺陷，即内含物、斑块、开裂、点蚀表面、划痕和轧制氧化皮，且其中每一类的缺陷图像按照7：2：1的比例划分成训练集、验证集和测试集。

3.根据权利要求1所述的一种基于改进YOLOv5的钢材表面缺陷检测方法，其特征在于：所述ECA注意力机制具体通过在不降维的全局平均池化层聚合特征[C，1，1]后，通过自适应确定卷积核的大小k，然后进行一维卷积操作，最后由Sigmoid函...

【技术特征摘要】

1.一种基于改进yolov5的钢材表面缺陷检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于改进yolov5的钢材表面缺陷检测方法，其特征在于：所述s1中的数据集包括钢材的六种典型表面缺陷，即内含物、斑块、开裂、点蚀表面、划痕和轧制氧化皮，且其中每一类的缺陷图像按照7：2：1的比例划分成训练集、验证集和测试集。

3.根据权利要求1所述的一种基于改进yolov5的钢材表面缺陷检测方法，其特征在于：所述eca注意力机制具体通过在不降维的全局平均池化层聚合特征[c，1，1]后，通过自适应确定卷积核的大小k，然后进行一维卷积操作，最后由sigmoid函数生成每个通道对应的权重，并将得到的权重值与输入的特征图所对应的每个通道进行乘积运算操作，以完成对通道特征的重...

【专利技术属性】
技术研发人员：巩永旺，贾铭政，冒浩杰，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：