一种添加检测头辅助单元的铝材缺陷检测方法技术

一种添加检测头辅助单元的铝材缺陷检测方法，该方法包含以下步骤：从铝材瑕疵数据集中获取相关带标签的瑕疵样本；进行数据扩充和数据增强；构建改进后的YOLOV5检测网络，网络改进部分包括新增检测头辅助单元、改换解耦检测头和改进损失函数；检测头辅助单元由注意力机制ContextAggreation和重参化卷积RepConvBlock组成，所述损失函数替换为MPDIOU；使用铝材瑕疵数据集对改进后的检测网络进行训练；生成铝材瑕疵检测模型；利用该模型对生产铝材进行检测；标识出可能的瑕疵部分。本发明专利技术可用于检测铝材表面的多种瑕疵，如凹陷、不导电、擦花、桔皮、漏底、碰伤、起坑、凸粉、涂层开裂、和脏点，且对微小瑕疵和肉眼难辨识瑕疵具有较好效果。本发明专利技术提高了瑕疵检测的准确性和效率。

【技术实现步骤摘要】

本专利技术涉及图像检测与目标识别，具体涉及一种添加检测头辅助单元的铝材缺陷检测方法。

技术介绍

1、随着深度学习技术的不断发展完善，其在工业生产领域的落地显得尤为重要。铝材的优质生产则是当前工业领域研究的核心之一。因而利用深度学习技术开发的铝材表面常见缺陷检测系统具有重要意义。

2、铝材在生产过程中产生的常见瑕疵包括凹陷、不导电、擦花、桔皮、漏底、碰伤、起坑、凸粉、涂层开裂、脏点。现有的铝材瑕疵检测还是采用人工检测，即由工人采用肉眼比对的方法进行检测。然而这种人工检测方法在遇到检测难点时效果往往较差，而且检测效率低，无法实现连续检测。另外，当质检员过度劳累时，误检率会大幅上升。这些因素都制约了铝材行业的发展，使得当前铝材产品的良品率始终难以突破。

技术实现思路

1、针对上述人工检测准确率低，误检概率大的技术问题，本技术方案提供了一种添加检测头辅助单元的铝材缺陷检测方法，在原yolov5算法的基础上引入了由注意力机制contextaggregation和重参化卷积repconvblock组成的检测头本文档来自技高网...

【技术保护点】

1.一种添加检测头辅助单元的铝材缺陷检测方法，其特征在于：该方法包含以下步骤：

2.根据权利要求1所述的一种添加检测头辅助单元的铝材缺陷检测方法，其特征在于：步骤三所述的对YOLOV5检测网络进行改进，改进后的YOLOV5检测网络包括：主干网络、特征融合金字塔、检测头辅助单元、解耦检测头和改进后的损失函数。

3.根据权利要求1所述的一种添加检测头辅助单元的铝材缺陷检测方法，其特征在于：步骤三所述的重参化卷积模块RepConvBlock通过以下方法实现：RepConvBlock包含并联的三个分支：identity分支、3x3卷积分支和1x1卷积分支；在训练时，模型的...

【技术特征摘要】

1.一种添加检测头辅助单元的铝材缺陷检测方法，其特征在于：该方法包含以下步骤：

2.根据权利要求1所述的一种添加检测头辅助单元的铝材缺陷检测方法，其特征在于：步骤三所述的对yolov5检测网络进行改进，改进后的yolov5检测网络包括：主干网络、特征融合金字塔、检测头辅助单元、解耦检测头和改进后的损失函数。

3.根据权利要求1所述的一种添加检测头辅助单元的铝材缺陷检测方法，其特征在于：步骤三所述的重参化卷积模块repconvblock通过以下方法实现：repconvblock包含并联的三个分支：identity分支、3x3卷积分支和1x1卷积分支；在训练时，模型的三个分支同时使用参与模型训练；在模型推理阶段,模型通过get_equivalent_kernel_bias方法将三个分支融合为一个单路结构。

4.根据权利要求1所述的一种添加检测头辅助单元的铝材缺陷检测方法，其特征在于：步骤三所述的上下文注意力机制contextaggreation通过以下方法实现：contextaggreation分成a，k，v三部分,其中：a模块产生一个通道数为1的注意力图,通过sigmoid函数将值映射到0-1之间,以此表示每个位置的注意力权重；k模块同样生成一个通道数为1的特征图,然后reshape到[n,1,hw,1]的形状，再在第2维上做softmax,获得每个位置的权重；v模块则会将输入特征图通道数缩减到inter_channels,再reshape到[n,1,c,hw]的形状；之后利用矩阵乘法实现注意力机制,k作为权重,对v进行加权求和,得到加权特征图y；y经过1x1卷积调整通道数后,与输入特征图x做残差连接,实现全局上下文信息的融合；最后将a模块的输出与y做乘法,实现可学习的权重调控；contextaggreation...

【专利技术属性】
技术研发人员：殷哲文，周蕾，马冰娅，董妍妍，陈冠宇，钟海莲，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：