一种融合分类与检测的钢材表面缺陷检测轻量化算法制造技术

本发明专利技术为一种融合分类与检测的钢材表面缺陷检测轻量化算法，涉及缺陷检测、计算机视觉算法和边缘智能的结合应用。缺陷检测指利用不同检测手段将工业产线上存在缺陷的产品识别出来。计算机视觉算法指利用深度学习算法对图像中的目标物体进行识别与定位。边缘智能指利用模型轻量化方法降低深度学习算法的参数量和计算资源需求，使其能够部署在资源受限的边缘设备上。本发明专利技术中针对钢材表面图像分布不均衡和检测终端算力受限的特点，提出一种融合分类与检测的表面缺陷检测轻量化算法，首先利用部署于检测终端上的轻量化分类网络对钢材表面图像分类为有缺陷与无缺陷类别，然后将有缺陷类别的图像发往后端云数据中心进行进一步缺陷位置定位与分类，该方法能够提升钢材表面检测的计算效率。

【技术实现步骤摘要】

本专利技术属于表面缺陷检测，涉及计算机视觉算法和边缘智能，通过改造原有的efficientnet和yolov5s网络框架，使其更适应表面缺陷场景下的检测，提高检测精度，随后利用边缘智能的模型轻量化方法对预分类网络和检测网络进行轻量化，使其能够部署在算力受限的边缘检测设备上，加快检测速度。

技术介绍

1、在工业互联网场景下，生产线上的检测终端通过工业网络互联或接入互联网，使得产线上终端获取的数据能够借助后端云数据中心进行处理，从而自动化缺陷检测流程，降低人力使用成本。工业云中心驱动的智能化表面缺陷检测系统在当下工业生产中得到了广泛应用，使得智能化、自动化成为表面缺陷检测的主流。工业云中心驱动的智能化表面缺陷检测系统其中一个重要组成部分是检测算法，随着人工智能尤其是深度学习的发展，表面缺陷检测算法在检测精度方面也取得了巨大的发展。基于深度学习的表面缺陷检测算法往往取得的检测精度高，同时对不同种类缺陷的适应性强，然而深度学习算法所需要的训练数据量大，同时计算资源消耗高，在缺陷检测数据分布不均衡场景下会导致大量计算资源的无效浪费，即大量计算资源被用于检测无缺陷产品本文档来自技高网...

【技术保护点】

1.一种融合分类与检测的钢材表面缺陷检测轻量化算法，包括预分类网络EfficientNet、缺陷检测网络YOLOv5s，其特征在于：

【技术特征摘要】

1.一种融合分类与检测的钢材表面缺陷检测轻量化算法，包括预分类网络...

【专利技术属性】
技术研发人员：崔禾磊，邢涛，刘鹏宇，陈亚兴，郭斌，於志文，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：