【技术实现步骤摘要】
本专利技术涉及深度学习的目标检测，具体提供一种布电线表面缺陷检测方法及装置。
技术介绍
1、布电线是一种用于电力传输的电线，通常由多股铜线或铝线组成，外面包覆着一层绝缘材料。它作为电流传输的载体，在电路中起着重要的作用，并且广泛应用于家庭、办公室、工厂等各种场所的电力供应和设备连接，合格的布电线能够确保安全性和可靠性，满足人们的日常生活需求。
2、在布电线缆生产过程中因为各个生产环节的工艺不同可能会对线缆表面造成一定的缺陷，其中主要缺陷种类有划痕、脱料、鼓包、裂口、白点和墨斑等，这些缺陷会导致线缆易受损或电气性能下降等问题。目前工厂中使用的方法多是人工检测，但人工检测存在耗时、耗力，同时由于疲劳等原因会出现检测错误、遗漏等问题。特别是对一些微小缺陷，由于生产线速度较快，这些缺陷可能在肉眼下更不容易察觉，从而容易被忽略或漏检。这些漏检缺陷影响了线缆品质，浪费了时间和人力资源，增加了生产成本。因此，生产线引入自动化、智能化的检测技术来提高缺陷检测准确性、效率是非常紧迫的。
技术实现思路
1、本专利技术是针对上述现有技术的不足，提供一种实用性强的布电线表面缺陷检测方法。
2、本专利技术进一步的技术任务是提供一种设计合理，安全适用的布电线表面缺陷检测装置。
3、本专利技术解决其技术问题所采用的技术方案是：
4、一种布电线表面缺陷检测方法，基于yolo v5算法，从生产线上采集相应的线缆缺陷数据进行预处理；建立yolo v5网络结构，对颈部网络
5、在原yolo v5中融合nwd_loss，提升小目标检测能力；添加cbam注意力机制，优化特征表示，提高任务的准确性和鲁棒性；
6、增加一个用于小目标检测的预测头，与原有的三个预测头相结合，强化模型对于小目标的检测能力；最后将线缆表面缺陷数据送入改进后的yolo v5网络模型中进行训练得到目标检测最优模型和训练数结果据，根据最后的准确率、召回率、以及最后得出的map值评估模型检测效果。
7、进一步的，所述缺陷数据包含鼓包、划痕、粗糙、脱料、墨斑、裂口和白点共7种缺陷类型，对缺陷数据集进行筛检处理，将数据集中的图片用lambimg工具进行标注，生成yolo的txt格式的标签，并将数据集按照比例随机划分为训练集、验证集和测试集。
8、进一步的，所述bifpn网络为改进的特征金字塔网络结构，在fpn的基础上引入双向连接和权重学习机制，在同一特征尺度上,把每一个双向路径看作一个特征网络层,并多次反复利用同一层,实现更高层次的特征融合。
9、进一步的，nwd在yolov5中的融合过程包括：
10、(1)标签分配和样本选择，重新设计样本选择策略，在训练yolov5时利用nwd度量方式对正负样本进行分配；
11、(2)损失函数改进在yolov5的损失函数中，将nwd作为新的度量方式；
12、(3)nms替代为nwd，在后处理阶段保持对小目标的更准确的筛选和融合。
13、进一步的，在yolov5主干网络添加cbam注意力模块进一步优化特征表示，提升模型对图像特征的表达能力,cbam由两个关键组件组成：通道注意力和空间注意力。
14、进一步的，所述通道注意力用于对输入的通道特征图进行加权,通过使用全局平均池化来获取全局的通道特征表示，然后经过一层全连接网络，生成通道注意力权重,所述通道注意力权重用于调整每个通道的重要性，使得模型能够自动学习到不同通道之间的相关性和重要性。
15、进一步的，空间注意力用于对输入的空间特征图进行加权，通过使用逐通道的最大池化和平均池化来提取不同尺度的空间信息，然后经过一层全连接网络，生成空间注意力权重，空间注意力权重用于调整每个空间位置的重要性。
16、进一步的，结合通道注意力和空间注意力，cbam注意力机制能够自适应地调整不同通道和空间位置的重要性，在给定特征映射的情况下,cbam会依次沿着通道和空间两个独立维度推导注意映射,然后将注意映射与输入特征映射相乘,进行自适应特征细化；
17、增加小目标检测头，原始yolov5模型主干网络一共进行5次下采样,得到5层特征表达(p1、p2、p3、p4和p5),检测头部分在通过p3、p4和p5这3级特征图引出的检测头上进行目标的检测,特征图尺度分别为80×80、40×40、20×20；
18、在yolov5模型上通过p2层特征引出了新的检测头，p2层检测头分辨率为160×160像素；
19、颈部网络中自上而下和自下而上得到的两个p2层特征与主干网络中的同尺度特征通过concat形式进行特征融合,输出的特征为3个输入特征的融合结果。
20、进一步的，最后，将标注好的训练集缺陷数据输入到改进后的yolov5算法中训练，获得训练后的权重模型，再将测试集缺陷数据作为输入，使用训练后的权重模型进行目标检测，输出目标检测结果；
21、对改进的yolo v5模型的性能进行客观评价，采用常用的精确率precision、召回率recall、平均精度ap和平均精度均值map作为评价指标。
22、一种布电线表面缺陷检测装置，包括：至少一个存储器和至少一个处理器；
23、所述至少一个存储器，用于存储机器可读程序；
24、所述至少一个处理器，用于调用所述机器可读程序，执行一种布电线表面缺陷检测方法。
25、本专利技术的一种布电线表面缺陷检测方法及装置和现有技术相比，具有以下突出的有益效果：
26、本专利技术采用机器视觉算法替代传统人工肉眼方式在布电线产线检测线缆缺陷，有效降低工作人员的劳动强度，提高了巡检监测的效率同时也降低了巡检监测的成本。
本文档来自技高网...【技术保护点】
1.一种布电线表面缺陷检测方法，其特征在于，基于YOLO V5算法，从生产线上采集相应的线缆缺陷数据进行预处理；建立YOLO v5网络结构，对颈部网络进行改进，将原始PANet网络换成BiFPN网络，提高检测精度；
2.根据权利要求1所述的一种布电线表面缺陷检测方法，其特征在于，所述缺陷数据包含鼓包、划痕、粗糙、脱料、墨斑、裂口和白点共7种缺陷类型，对缺陷数据集进行筛检处理，将数据集中的图片用Lambimg工具进行标注，生成YOLO的txt格式的标签，并将数据集按照比例随机划分为训练集、验证集和测试集。
3.根据权利要求2所述的一种布电线表面缺陷检测方法，其特征在于，所述BiFPN网络为改进的特征金字塔网络结构，在FPN的基础上引入双向连接和权重学习机制，在同一特征尺度上,把每一个双向路径看作一个特征网络层,并多次反复利用同一层,实现更高层次的特征融合。
4.根据权利要求3所述的一种布电线表面缺陷检测方法，其特征在于，NWD在YOLOv5中的融合过程包括：
5.根据权利要求4所述的一种布电线表面缺陷检测方法，其特征在于，在YOLOv
6.根据权利要求5所述的一种布电线表面缺陷检测方法，其特征在于，所述通道注意力用于对输入的通道特征图进行加权,通过使用全局平均池化来获取全局的通道特征表示，然后经过一层全连接网络，生成通道注意力权重,所述通道注意力权重用于调整每个通道的重要性，使得模型能够自动学习到不同通道之间的相关性和重要性。
7.根据权利要求6所述的一种布电线表面缺陷检测方法，其特征在于，空间注意力用于对输入的空间特征图进行加权，通过使用逐通道的最大池化和平均池化来提取不同尺度的空间信息，然后经过一层全连接网络，生成空间注意力权重，空间注意力权重用于调整每个空间位置的重要性。
8.根据权利要求7所述的一种布电线表面缺陷检测方法，其特征在于，结合通道注意力和空间注意力，CBAM注意力机制能够自适应地调整不同通道和空间位置的重要性，在给定特征映射的情况下,CBAM会依次沿着通道和空间两个独立维度推导注意映射,然后将注意映射与输入特征映射相乘,进行自适应特征细化；
9.根据权利要求7所述的一种布电线表面缺陷检测方法，其特征在于，最后，将标注好的训练集缺陷数据输入到改进后的YOLOv5算法中训练，获得训练后的权重模型，再将测试集缺陷数据作为输入，使用训练后的权重模型进行目标检测，输出目标检测结果；
10.一种布电线表面缺陷检测装置，其特征在于，包括：至少一个存储器和至少一个处理器；
...【技术特征摘要】
1.一种布电线表面缺陷检测方法，其特征在于，基于yolo v5算法，从生产线上采集相应的线缆缺陷数据进行预处理；建立yolo v5网络结构，对颈部网络进行改进，将原始panet网络换成bifpn网络，提高检测精度；
2.根据权利要求1所述的一种布电线表面缺陷检测方法，其特征在于，所述缺陷数据包含鼓包、划痕、粗糙、脱料、墨斑、裂口和白点共7种缺陷类型，对缺陷数据集进行筛检处理，将数据集中的图片用lambimg工具进行标注，生成yolo的txt格式的标签，并将数据集按照比例随机划分为训练集、验证集和测试集。
3.根据权利要求2所述的一种布电线表面缺陷检测方法，其特征在于，所述bifpn网络为改进的特征金字塔网络结构，在fpn的基础上引入双向连接和权重学习机制，在同一特征尺度上,把每一个双向路径看作一个特征网络层,并多次反复利用同一层,实现更高层次的特征融合。
4.根据权利要求3所述的一种布电线表面缺陷检测方法，其特征在于，nwd在yolov5中的融合过程包括：
5.根据权利要求4所述的一种布电线表面缺陷检测方法，其特征在于，在yolov5主干网络添加cbam注意力模块进一步优化特征表示，提升模型对图像特征的表达能力,cbam由两个关键组件组成：通道注意力和空间注意力。
6.根据权利要求5所述的一种布电线...
【专利技术属性】
技术研发人员：吕秀鲁，梁振棋，
申请(专利权)人：浪潮软件集团有限公司，
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。