【技术实现步骤摘要】
本专利技术涉及计算机视觉和目标检测，特别是涉及基于计算机视觉的钢材表面缺陷检测方法及系统。
技术介绍
1、本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
2、钢材广泛应用于土木工程、汽车制造等诸多领域，但是在钢材生产过程中，由于温度、压力等不一致，往往会导致钢材表面产生缺陷，因此在工程应用前必须对钢材缺陷检测。
3、传统钢材表面缺陷检测方法主要是人工巡检和物理接触检测，前者检测方式依赖于检测人员的工作经验；后面则需要训练检测人员的操作技能，否则有可能对钢材表面造成损伤。
4、随着信息技术快速发展，计算机视觉在钢材缺陷检测中开始成为研究的热点。目前，针对钢材表面缺陷的检测算法大部分直接采用卷积神经网络。卷积神经网络经典算法虽然在局部特征提取方面具有优势，但在全局特征提取方面存在局限性，因此无法应用在钢材缺陷尺度变化较大且钢材表面不同类型缺陷相互混淆的钢材生产厂。
技术实现思路
1、为了解决现有技术的不足，本专利技术提供了基于计算机视觉的钢材表面缺陷检测方法及系统；
2、一方面，提供了基于计算机视觉的钢材表面缺陷检测方法；
3、基于计算机视觉的钢材表面缺陷检测方法，包括：
4、获取钢材表面图像；
5、将钢材表面图像，输入到训练后的钢材表面缺陷检测模型中，输出钢材表面缺陷检测结果；其中，训练后的钢材表面缺陷检测模型，用于对钢材表面图像进行预处理，对预处理后的图像进行特征提取，对
6、另一方面，提供了基于计算机视觉的钢材表面缺陷检测系统；
7、基于计算机视觉的钢材表面缺陷检测系统，包括：
8、获取模块，其被配置为：获取钢材表面图像；
9、检测模块，其被配置为：将钢材表面图像，输入到训练后的钢材表面缺陷检测模型中，输出钢材表面缺陷检测结果；其中，训练后的钢材表面缺陷检测模型，用于对钢材表面图像进行预处理，对预处理后的图像进行特征提取，对提取的特征获取不同尺度的感受野，得到不同尺度的特征图，对不同尺度的特征图进行分类，得到钢材表面缺陷的分类结果。
10、再一方面，还提供了一种电子设备，包括：
11、存储器，用于非暂时性存储计算机可读指令；以及
12、处理器，用于运行所述计算机可读指令，
13、其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
14、再一方面，还提供了一种存储介质，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
15、再一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
16、上述技术方案具有如下优点或有益效果：
17、本专利技术提出了一种面向钢材表面缺陷实时检测方法及系统，该检测方法或者系统有效提升了钢材表面缺陷检测的准确性，降低了钢材误检和漏检概率，较好地满足了钢材厂对钢材表面缺陷高精度、高效率的检测要求。
18、本专利技术提出的基于cnns和transformer结合的检测算法模型，弥补了传统钢材表面缺陷检测算法在全局特征提取方面的不足，又使模型满足实时性的缺陷检测要求。
19、本专利技术提出的自引导双层路由transformer注意机制(sgdr-former)结合yolov7传统算法，通过将钢材表面缺陷检测全局、局部信息融合，较好地解决了当前钢材表面缺陷检测中多尺度缺陷误检、漏检和易混淆等问题，提升了算法模型对钢材复杂表面缺陷的感知能力，使算法模型既能够敏感捕捉多尺度缺陷信息，又能高精度地定位钢材表面缺陷。
20、本专利技术采用轻量级gsconv替换yolov7中传统的卷积操作，通过改进特征图空间压缩方式，减少了通道扩展带来的语义信息丢失，既有效保留了钢材表面缺陷上下文信息，又更好地提高了算法运行实时性，并节约了系统的处理器资源。
21、本专利技术在算法模型中引入mpdiou模块(函数)，通过充实模型训练过程中的监督信号，有效提高了钢材缺陷表面边界框回归的准确率和模型执行效率，进一步提升了模型精确地定位缺陷的能力和模型的整体性能；较好地解决了传统模型中由于transformer计算复杂，对处理器计算资源的需求大导致钢材表面缺陷检测实时性差的问题。
22、总之，本专利技术的面向钢材表面缺陷实时检测方法和系统，能够对钢材生产厂中大批量、多尺度、易混淆的钢材表面缺陷进行实时、精确检测，较好地完成传统钢材表面缺陷检测手段的替换。
本文档来自技高网...【技术保护点】
1.基于计算机视觉的钢材表面缺陷检测方法，其特征是，包括：
2.如权利要求1所述的基于计算机视觉的钢材表面缺陷检测方法，其特征是，所述训练后的钢材表面缺陷检测模型，训练过程包括：
3.如权利要求1所述的基于计算机视觉的钢材表面缺陷检测方法，其特征是，所述训练后的钢材表面缺陷检测模型，采用改进的yolov7来实现，改进的yolov7是将原始yolov7的Neck模块的SPPCSPC单元，添加SGDR-former注意力机制模块，实现全局和局部信息融合；将ELAN-H单元的一个卷积模块，替换成轻量级的GSConv模块；
4.如权利要求3所述的基于计算机视觉的钢材表面缺陷检测方法，其特征是，所述骨干模块Backbone，包括：依次连接的第一CBS单元、第二CBS单元、第三CBS单元、第四CBS单元、第一EALN单元、第一MP单元、第二EALN单元、第二MP单元、第三EALN单元、第三MP单元和第四EALN单元；
5.如权利要求4所述的基于计算机视觉的钢材表面缺陷检测方法，其特征是，所述SPPCSPC单元，包括：
6.如权利要求
7.如权利要求5所述的基于计算机视觉的钢材表面缺陷检测方法，其特征是，所述SGDR-former单元，具体工作过程包括：
8.基于计算机视觉的钢材表面缺陷检测系统，其特征是，包括：
9.一种电子设备，其特征是，包括：
10.一种存储介质，其特征是，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。
...【技术特征摘要】
1.基于计算机视觉的钢材表面缺陷检测方法，其特征是，包括：
2.如权利要求1所述的基于计算机视觉的钢材表面缺陷检测方法，其特征是，所述训练后的钢材表面缺陷检测模型，训练过程包括：
3.如权利要求1所述的基于计算机视觉的钢材表面缺陷检测方法，其特征是，所述训练后的钢材表面缺陷检测模型，采用改进的yolov7来实现，改进的yolov7是将原始yolov7的neck模块的sppcspc单元，添加sgdr-former注意力机制模块，实现全局和局部信息融合；将elan-h单元的一个卷积模块，替换成轻量级的gsconv模块；
4.如权利要求3所述的基于计算机视觉的钢材表面缺陷检测方法，其特征是，所述骨干模块backbone，包括：依次连接的第一cbs单元、第二cbs单元、第三cbs单元、第四cbs单元、第一ealn单元、第一mp单元、第二ealn单元、第二mp单元、...
【专利技术属性】
技术研发人员：吴晓明，刘珊珊，侯冬冬，刘祥志，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
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。