【技术实现步骤摘要】
本专利技术涉及缺陷检测领域，尤其涉及一种基于改进yolov5的注塑件缺陷检测方法。
技术介绍
1、随着新一代人工智能与智能制造的兴起和高速发展，注塑成型作为智能制造领域非常重要的组成部,也面临着数字化、网络化和智能化的生产需求。在物联网、工业互联网、人工智能、大数据等技术的支撑下，传统制造企业正在逐步转向高速、智能、高效率的现代化工厂，企业也迫切需要完成传统生产与管理的升级及改造，通过多信息、高技术的交叉融合和技术实现注塑成型产业升级，优化注塑生产过程，提高注塑成型产品的生产效率，减少企业生产运行成本，提高企业的综合效益。
2、在注塑件生产过程中，由于设备、材料和工艺等因素，常常会出现一些缺陷，例如填充不满、瑕疵、异物等。这些缺陷可能对产品的外观、性能和质量造成严重影响，因此准确地检测和识别这些缺陷对于提高产品质量和降低生产成本是至关重要的。缺陷可以分为小目标缺陷和常规缺陷，小目标缺陷一直都是缺陷检测中的技术难点，因为它的缺陷尺寸小，肉眼难以观察，漏检率大等问题，提高小目标缺陷检测的同时也提高常规缺陷的检测是行业内的一大难点。
3、现有技术公开了一种基于改进faster r-cnn的注塑件缺陷检测方法，该方法先构建样本数据集后分别从特征提取、特征融合、小目标检测能力三个维度改进faster r-cnn网络模型，最后采用k- measn++算法对样本数据集进行聚类从而实现对注塑件缺陷的检测。该方法的缺陷是，只针对小目标缺陷检测效果的提升而没有考虑常规目标缺陷，并且使用的是二阶段检测算法，在实时性上面没有一阶
4、为此，现有技术需要进一步改进和完善。
技术实现思路
1、本专利技术提供了一种基于改进yolov5的注塑件缺陷检测方法，能够快速、准确地检测注塑件中常规缺陷与小目标缺陷。
2、本专利技术的目的通过下述技术方案实现，包括以下步骤：
3、s1、对注塑件产品进行采集与标注且分析缺陷类型作为初始数据集。
4、s2、由于现场环境因素拍摄过程会导致注塑件质量不佳，故需进行图像处理来突出注塑件缺陷，采用的图像处理技术包括限制对比度自适应直方图均衡clahe与laplacian滤波器锐化等；将图像处理之后的数据集进行传统数据增强与深度学习数据增强，传统数据增强包括水平翻转、垂直翻转、高斯噪声等，深度学习数据增强包括生成对抗styleganv3与扩散模型diffusion model等。
5、s3、将数据增强后的注塑件数据集输入到改进的yolov5算法中进行训练，改进的yolov5算法包括优化损失函数与优化网络结构。
6、s4、将改进yolov5算法与其他yolo进行对比且与原始yolov5算法进行注塑件检测效果的对比。
7、进一步的，步骤s1中的标注使用的是labelimg标注工具进行标注，缺陷类型包含小目标缺陷与常规缺陷。
8、进一步的，步骤s2中采用的图像处理技术包括限制对比度自适应直方图均衡clahe与laplacian滤波器锐化等，其中先进行限制对比度自适应直方图均衡clahe再进行laplacian滤波器锐化，全部的注塑件数据集经过laplacian滤波器锐化进行图像处理之后再分别进行传统数据增强，生成对抗网络style ganv3与扩散模型diffusion model来扩充数据集，所述传统数据增强包括水平翻转、垂直翻转和高斯噪声，所述生成对抗网络styleganv3与扩散模型diffusion model在进行小目标缺陷的数据扩充时，需要将小目标缺陷截取后输入到生成对抗网络style ganv3与扩散模型diffusion model中训练，将训练生成后的小目标缺陷粘贴到原始注塑件形成新的注塑件图像，常规缺陷则直接输入进行训练，最终形成数据增强后的注塑件数据集。
9、其中，数据增强后的注塑件数据集组成为原始数据集、传统数据增强、生成对抗网络style ganv3 与扩散模型diffusion model扩充的数据集；数据集所占比例为，原始数据集：传统数据增强扩充的数据集：生成对抗网络style ganv3 扩充的数据集：扩散模型diffusion model扩充的数据集 = 1：1：0.5：0.5。
10、进一步的，所诉步骤s3中将数据增强后的注塑件数据集输入到改进的yolov5算法中进行训练，改进的yolov5算法包括优化损失函数与优化网络结构；所述优化损失函数具体为ciou损失函数lciou与nwd损失函数lnwd相结合成ci-nwd损失函数lci-nwd，具体为： ，其中t为nwd损失函数的所占比例，1-t为ciou损失函数的所占比例，t的大小根据实际情况实验取值，范围在（0，1）之间。 所述优化网络结构具体为使用c3-res多尺度融合模块代替原始c3模块，起到减低模型参数、增大感受野以及多尺度融合的作用，同时引入轻量化cbam注意力机制来提取有用特征信息与抑制无关特征信息。
11、其中，所诉步骤s3中将数据增强后的注塑件数据集输入到改进的yolov5算法中进行训练，其中数据增强后的数据集划分的训练集、验证集、测试集的比例为7：2：1。
12、进一步的，所述优化网络结构为使用c3-res多尺度融合模块代替原始c3模块，具体为原始c3模块中的bottle neck模块3*3卷积层替换成c3-res多尺度融合模块中的bottle2neck模块，bottle2neck模块将特征分割为四份前三份特征分别进行3*3卷积输出的同时也与给下一个特征相加后进行3*3卷积，最后一份特征直接输出，最后所有输出的特征经过1*1卷积进行特征融合后输出。
13、进一步的，所述步骤s4中将改进yolov5算法与其他yolo进行对比且将改进后的yolov5与原始yolov5算法进行注塑件检测效果的对比；其中所述其他yolo包括yolov7与yolov8，所述注塑件检测效果的对比是指注塑件小目标缺陷与注塑件常规缺陷的map值。
14、与现有技术相比，本专利技术技术方案的有益效果是：
15、（1）本专利技术提供了传统数据增强与深度学习增强（生成对抗网络style gan与扩散模型diffusion model）在注塑件应用中的数据增强方法。
16、(2)本专利技术能够准确有效的识别注塑件小目标缺陷与注塑件常规缺陷，与原始yolov5相比具有更高识别准确率。
17、（3）本专利技术能够准确识别注塑件小目标缺陷与注塑件常规缺陷。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv5的注塑件缺陷检测方法，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的注塑件缺陷检测方法，其特征在于，所诉步骤S2中采用的图像处理技术包括限制对比度自适应直方图均衡CLAHE与Laplacian滤波器锐化，其中先进行限制对比度自适应直方图均衡CLAHE（21）再进行laplacian滤波器锐化（22），全部的注塑件数据集经过laplacian滤波器锐化（22）进行图像处理之后再分别进行传统数据增强(23)，生成对抗网络Style GANv3(25)与扩散模型Diffusion Model（26）来扩充数据集，所述传统数据增强(23)包括水平翻转（231）、垂直翻转（232）和高斯噪声（233），所述生成对抗网络Style GANv3(25)与扩散模型Diffusion Model（26）在进行小目标缺陷的数据扩充时，需要将小目标缺陷截取（24）后输入到生成对抗网络Style GANv3(25)与扩散模型Diffusion Model（26）中训练，将训练生成后的小目标缺陷粘贴到原始注塑件形成新的注塑件图像，常规
3.根据权利要求1所述的一种基于改进YOLOv5的注塑件缺陷检测方法，其特征在于，所诉步骤S3中将数据增强后的注塑件数据集输入到改进的YOLOv5算法中进行训练，改进的YOLOv5算法包括优化损失函数与优化网络结构；所述优化损失函数具体为CIOU损失函数LCIOU与NWD损失函数LNWD相结合成CI-NWD损失函数LCI-NWD，具体为 ： ，其中T为NWD损失函数的比列，1-T为CIOU损失函数的比列，T的大小根据实际情况实验取值，范围在（0，1）之间；所述优化网络结构具体为使用C3-Res多尺度融合模块代替原始C3模块，起到减低模型参数、增大感受野以及多尺度融合的作用，同时引入轻量化CBAM注意力机制来提取有用特征信息与抑制无关特征信息。
4.根据权利要求3所述的一种基于改进YOLOv5的注塑件缺陷检测方法，其特征在于，优化网络结构为使用C3-Res多尺度融合模块代替原始C3模块，具体为原始C3模块中的BottleNeck模块3*3卷积层替换成C3-Res多尺度融合模块中的Bottle2Neck模块，Bottle2Neck模块将特征分割为四份前三份特征分别进行3*3卷积输出的同时也与给下一个特征相加后进行3*3卷积，最后一份特征直接输出，最后所有输出的特征经过1*1卷积进行特征融合后输出。
...【技术特征摘要】
1.一种基于改进yolov5的注塑件缺陷检测方法，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的注塑件缺陷检测方法，其特征在于，所诉步骤s2中采用的图像处理技术包括限制对比度自适应直方图均衡clahe与laplacian滤波器锐化，其中先进行限制对比度自适应直方图均衡clahe（21）再进行laplacian滤波器锐化（22），全部的注塑件数据集经过laplacian滤波器锐化（22）进行图像处理之后再分别进行传统数据增强(23)，生成对抗网络style ganv3(25)与扩散模型diffusion model（26）来扩充数据集，所述传统数据增强(23)包括水平翻转（231）、垂直翻转（232）和高斯噪声（233），所述生成对抗网络style ganv3(25)与扩散模型diffusion model（26）在进行小目标缺陷的数据扩充时，需要将小目标缺陷截取（24）后输入到生成对抗网络style ganv3(25)与扩散模型diffusion model（26）中训练，将训练生成后的小目标缺陷粘贴到原始注塑件形成新的注塑件图像，常规缺陷则直接输入进行训练，最终形成数据增强后的注塑件数据集。
3.根据权利要求1所述的一种...
【专利技术属性】
技术研发人员：蒋飞，叶文景，邝毅聪，吴兆乾，梁经伦，
申请(专利权)人：东莞理工学院，
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。