【技术实现步骤摘要】
本专利技术涉及计算机视觉领域，具体涉及一种基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法。
技术介绍
1、永磁材料是永磁直流电机的核心组成部分，主要作用是为电动机提供持续的磁势源。在直流电机中，所使用的永磁材料通常由各种瓦形永磁体（即磁瓦）通过充磁制作而成。磁瓦表面颜色通常偏灰暗，缺少丰富的彩色信息，整体结构呈现弧形，缺陷区域与非缺陷区域的对比度较低。在生产过程中，由于材料本身的密度分布不均、加工机械的运行状况以及现场环境等多种因素的影响，磁瓦表面可能会出现气孔（blowhole）、磨损（crack）、裂纹（break）、断裂（fray）、凹凸不平（uneven）多种缺陷，影响电机的正常使用。
2、学者们提出了许多传统方法来检测磁瓦的表面缺陷，在各种光照条件下，采用稳态小波变换（swt）方法检测磁瓦图像中低对比度缺陷，其可靠性和精确度超越了传统方法。利用快速离散曲线变换（fdct）和纹理分析来检测深色低对比度磁瓦裂纹缺陷，通过消除纹理轮廓提高准确性。基于非子采样剪切带变换（nsst）和包络灰度梯度（eglg）方法检测低对比度裂纹，其精度和鲁棒性优于传统方法。
3、然而，深度神经网络的迅速发展为表面缺陷检测带来了新的可能，采用钢缺陷分类的最大池化卷积神经网络方法，比支持向量机（svm）分类器的网络性能要好两倍。通过在金属表面缺陷的数据库上训练了卷积神经网络（cnn），实验表明cnn在图像分类任务中具有优秀的识别率。为了克服光照和阴影变化等情况给缺陷检测带来的挑战，使用cnn的深度架构来检测混凝土裂缝，表
技术实现思路
1、本专利技术的目的在于解决检测精度低和检测时间长的技术问题。本专利技术提供了一种基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法，可有效解决缺陷检测技术存在的不足。
2、为实现上述目的，本专利技术提供了如下技术方案：
3、一种基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法，其包括以下步骤：
4、步骤1）获取磁瓦表面缺陷图像，并对获取的磁瓦表面缺陷图像进行预处理，建立数据集；
5、步骤2）构建基于单阶段目标检测yolov5的优化网络结构，其包括网络输入、特征提取主干、特征融合网络和预测模块；然后在特征融合网络中引入用于捕获具有精准位置信息的远程空间交互的通道与位置协同性增强模块；在特征提取主干中插入用于聚合多尺度空间结构信息并实现快速响应的高效多尺度增强模块，得到改进后的网络结构；
6、步骤3）将步骤1）中建立的数据集代入改进后的网络结构并对其进行训练，得到训练后的网络结构；
7、步骤4）将检测到的磁瓦表面缺陷图像输入训练后的网络结构，并输出缺陷检测结果。
8、步骤2）中，
9、对尺寸为输入特征图input分别按照方向和方向进行池化，分别生成尺寸为和的特征图，
10、将生成的的特征图进行变换，然后按维度进行拼接操作，
11、其中为非线性激活函数，是编码水平方向和垂直方向空间信息的中间特征图，是se block中控制块大小的缩减比，为共享的1×1卷积变换函数，分别为高度为 h和 w的输出，
12、将和按维度进行拼接操作后，利用卷积核进行降维和激活操作，生成特征图，
13、沿着空间维度，再将进行split操作，分成和，然后分别利用1×1卷积进行升维度操作，再结合sigmoid激活函数得到最后的注意力向量和，
14、最后，通道与位置协同性增强模块的输出为：，其中是宽度为和高度为的第通道的输出，是宽度为和高度为的第通道的输入，和分别将和变换为与输入具有相同通道数的张量。
15、步骤2）中，
16、特征提取主干中建立并行配置的3x3分支及1x1分支，高效多尺度增强模块利用三条平行路径来提取分组特征图的权重描述符，两条并行路径位于1x1分支，第三条路径位于3x3分支，
17、在1x1分支中采用了两个1d全局平均池化操作，分别沿着两个空间方向对通道进行编码，将两个编码特征沿着图像高度方向进行拼接，将1x1卷积的输出分解为两个向量后，利用两个sigmoid函数拟合线性卷积上的2d二进制分布，然后将每组的两个通道增强图像进行聚合。
18、步骤1）中采用的数据集选用中国科学院自动所在2022年创建的磁瓦表面缺陷的图像，共有784张，收集了五种常见磁瓦缺陷图像，分别是气孔、磨损、裂纹、断裂和凹凸不平。
19、使用mosaic数据增强算法、自适应锚框计算和自适应图像缩放三种方法对原始数据进行随机旋转、翻转、缩放和拼接操作进行数据扩充，筛选后得到3920张图片作为原始数据集，并按照设定比例8：1：1随机划分为训练集、测试集和验证集。
20、步骤3）中模型的训练参数具体为：使用sgd优化器，初始学习率设置为0.01，并使用one-cycle策略改变学习率，训练迭代次数设置为200次，批次大小为16张，输入图片大小为640×640像素，选取训练过程中在验证集上表现最好的模型权重作为最终的权重，对磁瓦表面缺陷图像进行检测。
21、一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述的基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法。
22、一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法。
23、本专利技术的有益效果：基于yolov5模型，通过采用通道与位置协同性增强模块，沿一个空间方向能捕捉长程依赖，而沿另一空间方向保留精确的位置信息，得到的特征图被分别编码成一对方向感知和位置敏感的增强图，从而增强了缺陷目标特征的显著度，从而弥补了由于磁瓦表面缺陷特征的非显著性低造成现有方法检测精度低的不足。
24、通过引入一种高效多尺度增强模块，利用卷积核并行化使网络避免过多的顺序处理和过深的层次结构，解决了磁瓦表面缺陷区域与非缺陷区域的对比度较低导致检测时间长的问题。
25、实验结果表明，本专利技术提出的基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法，检测精度和推理时间分别为99.16%和2.20ms，较原始yolov5网络precision（精度）提升了0.6%，recall（召回率）提高了0.82%，map@0.5（阈值为0.5时的平均检测精度）提高了0.39%和map@0.5:0.95（阈值从0.5-0.95，步长0.05的平均检测精度）提高了0.20%。该方法既有效又明确地从低对比度图像中检测出多种磁瓦表面缺陷，显著降低了机器的时间成本，并提高了基于图像的缺陷检测的准确性。
本文档来自技高网...【技术保护点】
1.一种基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法，其特征在于：其包括以下步骤：
2.根据权利要求1所述的基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法，其特征在于：步骤2）中，
3.根据权利要求1或2所述的基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法，其特征在于：步骤2）中，
4.根据权利要求1所述的基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法，其特征在于：步骤1）中采用的数据集选用中国科学院自动所在2022年创建的磁瓦表面缺陷的图像，共有784张，收集了五种常见磁瓦缺陷图像，分别是气孔、磨损、裂纹、断裂和凹凸不平。
5.根据权利要求4所述的基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法，其特征在于：使用Mosaic数据增强算法、自适应锚框计算和自适应图像缩放三种方法对原始数据进行随机旋转、翻转、缩放和拼接操作进行数据扩充，筛选后得到3920张图片作为原始数据集，并按照设定比例8：1：1随机划分为训练集、测试集和验证集。
6.根据权利要求1所述的基于全局特征增强和多尺度融合的磁瓦表面缺陷检测
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述程序时实现如上述权利要求1至6中的任意一项所述的基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法。
8.一种存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如上述权利要求1至6中的任意一项所述的基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法。
...【技术特征摘要】
1.一种基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法，其特征在于：其包括以下步骤：
2.根据权利要求1所述的基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法，其特征在于：步骤2）中，
3.根据权利要求1或2所述的基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法，其特征在于：步骤2）中，
4.根据权利要求1所述的基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法，其特征在于：步骤1）中采用的数据集选用中国科学院自动所在2022年创建的磁瓦表面缺陷的图像，共有784张，收集了五种常见磁瓦缺陷图像，分别是气孔、磨损、裂纹、断裂和凹凸不平。
5.根据权利要求4所述的基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法，其特征在于：使用mosaic数据增强算法、自适应锚框计算和自适应图像缩放三种方法对原始数据进行随机旋转、翻转、缩放和拼接操作进行数据扩充，筛选后得到3920张图片作为原始数据集，并按照设...
【专利技术属性】
技术研发人员：李冬雪，阮秀凯，张瑶，詹志翔，曹雅玲，雷宇翔，
申请(专利权)人：温州大学智能锁具研究院，
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。