【技术实现步骤摘要】
本专利技术涉及工业材料检测，尤其涉及一种基于改进yolov5的蜂窝状复合材料缺陷检测方法。
技术介绍
1、蜂窝夹层材料因其优异的性能而广泛应用于航空航天器的承重结构中，例如高比强度，高比刚度，低密度，良好的隔热性和隔音性。蜂窝夹层材料的制造工艺复杂，使用环境恶劣，因此容易出现脱粘等缺陷，严重影响材料的力学性能。准确可靠的材料缺陷识别可以减少安全隐患，防止事故发生。因此，研究蜂窝夹层材料缺陷的准确识别技术具有重要意义。
2、近年来，人工智能ai技术的快速发展为更准确、更高效的自动缺陷检测提供了新的思路。目前，主流的深度学习目标检测算法可分为三大类。一类是基于区域推荐的两阶段目标检测方法，如faster r-cnn，先生成候选区，再对候选区进行分类和回归，精度高，但实时性差，检测小目标效果差；第二类是基于锚框的算法，如ssd,先生成锚框，对锚框进行分类和回归,技术成熟，但算法泛化能力差，训练效果差；第三类是基于回归模型的一阶段目标检测算法，如yolo，不生成候选区直接进行分类和回归，实时性高，具有较快的识别速度，特别是在小目标检测方面，效果很好，应用广泛。单级探测器具有端到端的性能优势，但对于小目标定位和识别，其精度较低。随着计算机计算能力的不断提高，许多研究人员利用深度学习技术快速准确地判断工业产品质量和等级，提高工厂的检测效率和市场竞争力，与其他yolo版本相比，yolov5已被证明可以在目标检测任务中实现更高的检测精度和效率，显示出其出色的综合检测性能，特别是，为了满足目标检测任务的不同需求，一些研究人员还尝试在原
技术实现思路
1、鉴于上述的分析，本专利技术实施例旨在提供一种基于改进yolov5的蜂窝状复合材料缺陷检测方法，用以解决现有基于yolov5的材料缺陷检测技术在检测细节或复杂的缺陷时精度低的问题。
2、本专利技术实施例提供了一种基于改进yolov5的蜂窝状复合材料缺陷检测方法，所述方法包括如下步骤：
3、获取蜂窝状复合材料的ct结构图，对结构图处理得到二维断层图，对二维断层图进行扩充并对扩充后的二维断层图进行缺陷标注，得到训练样本集和测试样本集；
4、利用训练样本集对改进的yolov5网络模型中进行训练，得到训练后的改进yolov5模型；
5、利用所述测试样本集对训练后的改进yolov5模型进行测试，当满足精度要求时，得到训练好的改进yolov5模型；
6、获取待测蜂窝状复合材料的二维断层图，输入训练好的yolov5网络模型中，得到蜂窝状复合材料的缺陷识别结果。
7、进一步的，改进后的yolov5模型中backbone中包括依次连接的第一图像特征提取层、第二图像特征提取层、第三图像特征提取层、第四图像特征提取层，每个特征提取层均输出一个特征图，四个特征图的特征深浅不同。
8、进一步的，所述第一图像特征提取层包括依次连接的focus、cbs、fused-mbconv结构；所述第二和第三图像特征提取层均包括依次连接的cbs、mbconv结构；所述第四图像特征提取层包括依次连接的cbs、spp结构。
9、进一步的，mbconv依次由第一卷积核、深度可分离卷积核、se注意力机制模块、第二卷积核、concat模块组成。
10、进一步的，fused-mbconv依次由第三卷积核、se注意力机制模块、第四卷积核、concat模块组成。
11、进一步的，改进后的yolov5模型中neck结构包括依次连接的第一至第七特征提取融合层；第一至第七特征提取融合层之间还存在残差连接；neck结构用于将backbone中输出的四个不同深浅层次的特征图像进一步特征提取并融合后输出四路特征图至head结构。
12、进一步的，第一特征提取融合层由cbs结构和unsample模块组成；第二特征提取融合层至第三特征提取融合层均由依次连接的特征融合模块、csp结构、cbs结构和unsample模块组成；第四特征提取融合层至第六特征提取融合层均由依次连接的特征融合模块、csp结构、cbs结构组成；第七特征提取融合层由依次连接的特征融合模块、csp结构组成。
13、进一步的，第四图像特征提取层spp输出连接至第一特征提取融合层中的cbs结构；第三图像特征提取层输出连接至第二特征提取融合层特征融合模块和第六特征提取融合层特征融合模块；第二图像特征提取层输出连接至第三特征提取融合层特征融合模块和第五特征提取融合层特征融合模块；第一图像特征提取层输出连接至第四特征提取融合层特征融合模块；第一特征提取融合层的cbs输出还连接到第七特征提取融合层的特征融合模块；第二特征提取融合层的cbs输出还连接至第六特征提取融合层特征融合模块；第三特征提取融合层特征融合模块cbs输出还连接至第五特征提取融合层特征融合模块。
14、进一步的，改进后的yolov5模型中head包括第一至第四检测头，第一检测头的输入为第四特征提取融合层中csp结构的输出；第二检测头的输入为第五特征提取融合层中csp结构的输出；第三检测头的输入为第六特征提取融合层中csp结构的输出；第四检测头的输入为第七特征提取融合层中csp结构的输出。
15、进一步的，第一检测头是通过k-means聚类的方法得到的。
16、与现有技术相比，本专利技术至少可实现如下有益效果之一：
17、1、本专利技术通过改进yolov5的结构并加载训练集得到最优权重，通过测试集检验针对蜂窝状复合材料的缺陷的检测效率。本专利技术网络模型采用了逆残差模块mbconv减小了卷积层数，具有运算速度快的特点。
18、2、通过在yolov5的head增加了小目标检测层、增加se注意力机制和加权的双向特征金字塔的方法提高了检测精度。
19、3、本专利技术改进yolov5结构能提高对蜂窝状复合材料细节、复杂缺陷的检测精度和检测速度。通过该方法，可以快速准确地检测出有缺陷的蜂窝状复合材料，避免了传统人工巡检方式存在的效率低下的问题。
20、本专利技术中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv5的蜂窝状复合材料缺陷检测方法,其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的缺陷检测方法,其特征在于，改进后的YOLOv5模型中Backbone中包括依次连接的第一图像特征提取层、第二图像特征提取层、第三图像特征提取层、第四图像特征提取层，每个特征提取层均输出一个特征图，四个特征图的特征深浅不同。
3.根据权利要求2所述的缺陷检测方法,其特征在于，所述第一图像特征提取层包括依次连接的Focus、CBS、Fused-MBConv结构；所述第二和第三图像特征提取层均包括依次连接的CBS、MBConv结构；所述第四图像特征提取层包括依次连接的CBS、SPP结构。
4.根据权利要求3所述的缺陷检测方法,其特征在于，MBConv依次由第一卷积核、深度可分离卷积核、SE注意力机制模块、第二卷积核、Concat模块组成。
5.根据权利要求3所述的缺陷检测方法,其特征在于，Fused-MBConv依次由第三卷积核、SE注意力机制模块、第四卷积核、Concat模块组成。
6.根据权利要求2所述的缺
7.根据权利要求6所述的缺陷检测方法,其特征在于，第一特征提取融合层由CBS结构和Unsample模块组成；第二特征提取融合层至第三特征提取融合层均由依次连接的特征融合模块、CSP结构、CBS结构和Unsample模块组成；第四特征提取融合层至第六特征提取融合层均由依次连接的特征融合模块、CSP结构、CBS结构组成；第七特征提取融合层由依次连接的特征融合模块、CSP结构组成。
8.根据权利要求7所述的缺陷检测方法,其特征在于，第四图像特征提取层SPP输出连接至第一特征提取融合层中的CBS结构；第三图像特征提取层输出连接至第二特征提取融合层特征融合模块和第六特征提取融合层特征融合模块；第二图像特征提取层输出连接至第三特征提取融合层特征融合模块和第五特征提取融合层特征融合模块；第一图像特征提取层输出连接至第四特征提取融合层特征融合模块；第一特征提取融合层的CBS输出还连接到第七特征提取融合层的特征融合模块；第二特征提取融合层的CBS输出还连接至第六特征提取融合层特征融合模块；第三特征提取融合层特征融合模块CBS输出还连接至第五特征提取融合层特征融合模块。
9.根据权利要求8所述的缺陷检测方法,其特征在于，改进后的YOLOv5模型中Head包括第一至第四检测头，第一检测头的输入为第四特征提取融合层中CSP结构的输出；第二检测头的输入为第五特征提取融合层中CSP结构的输出；第三检测头的输入为第六特征提取融合层中CSP结构的输出；第四检测头的输入为第七特征提取融合层中CSP结构的输出。
10.根据权利要求9所述的缺陷检测方法,其特征在于，第一检测头是通过K-means聚类的方法得到的。
...【技术特征摘要】
1.一种基于改进yolov5的蜂窝状复合材料缺陷检测方法,其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的缺陷检测方法,其特征在于，改进后的yolov5模型中backbone中包括依次连接的第一图像特征提取层、第二图像特征提取层、第三图像特征提取层、第四图像特征提取层，每个特征提取层均输出一个特征图，四个特征图的特征深浅不同。
3.根据权利要求2所述的缺陷检测方法,其特征在于，所述第一图像特征提取层包括依次连接的focus、cbs、fused-mbconv结构；所述第二和第三图像特征提取层均包括依次连接的cbs、mbconv结构；所述第四图像特征提取层包括依次连接的cbs、spp结构。
4.根据权利要求3所述的缺陷检测方法,其特征在于，mbconv依次由第一卷积核、深度可分离卷积核、se注意力机制模块、第二卷积核、concat模块组成。
5.根据权利要求3所述的缺陷检测方法,其特征在于，fused-mbconv依次由第三卷积核、se注意力机制模块、第四卷积核、concat模块组成。
6.根据权利要求2所述的缺陷检测方法,其特征在于，改进后的yolov5模型中neck结构包括依次连接的第一至第七特征提取融合层；第一至第七特征提取融合层之间还存在残差连接；neck结构用于将backbone中输出的四个不同深浅层次的特征图像进一步特征提取并融合后输出四路特征图至head结构。
7.根据权利要求6所述的缺陷检测方法,其特征在于，第一特征提取融合层由cbs结构...
【专利技术属性】
技术研发人员：温银堂，刘奇，张玉燕，李闪闪，胡亮，任亚雪，
申请(专利权)人：燕山大学，
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。