【技术实现步骤摘要】
本申请涉及金属工件表面缺陷检测，特别是涉及一种基于深度学习的金属打磨面缺陷检测方法、装置、设备及存储介质。
技术介绍
1、工件打磨的主要目的之一是改善其表面质量。通过打磨，可以去除工件表面毛刺、氧化层等不良特征，降低工件表面的粗糙度，使工件表面变得平滑、光洁，提高工件的外观质量。优质的表面质量不仅对产品的美观度和手感有重要影响，还能提高产品的耐久性和使用寿命。
2、但在工件打磨后，表面缺陷的存在可能会降低产品的质量，如划痕、凹陷、气泡等表面缺陷不仅影响产品的外观质量，还可能导致功能性能下降、使用寿命缩短甚至安全隐患。因此，应重视工件打磨后表面缺陷检测的重要性，采用适当的检测方法和技术，可以及时检测出这些问题，并采取相应措施，确保产品的质量达到预期标准。
3、传统的表面缺陷检测方法往往依赖于人工目视或简单的仪器检测，这种方式存在着效率低下、主观性强和易出错等问题。相较于人工检测，早期的识别技术如边缘检测、图像滤波、二值化、形态学处理在表面缺陷检测中取得了一定的进展。
4、然而，这些技术对环境条件较为敏感...
【技术保护点】
1.一种基于深度学习的金属打磨面缺陷检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的金属打磨面缺陷检测方法，其特征在于，步骤S2中，所述基于轻量化模型改进策略和自适应激活机制对预设YOLOv5s模型的网络结构进行改进，构建得到轻量型自适应激活YOLOv5s模型包括：
3.根据权利要求2所述的基于深度学习的金属打磨面缺陷检测方法，其特征在于，步骤S25中，所述基于卷积批量化归一模块CBNM、集中综合卷积模块SP-C3和空间坐标注意力模块SCAM对所述预设YOLOv5s模型的骨干网络Backbone和颈部网络Neck的网...
【技术特征摘要】
1.一种基于深度学习的金属打磨面缺陷检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的金属打磨面缺陷检测方法，其特征在于，步骤s2中，所述基于轻量化模型改进策略和自适应激活机制对预设yolov5s模型的网络结构进行改进，构建得到轻量型自适应激活yolov5s模型包括：
3.根据权利要求2所述的基于深度学习的金属打磨面缺陷检测方法，其特征在于，步骤s25中，所述基于卷积批量化归一模块cbnm、集中综合卷积模块sp-c3和空间坐标注意力模块scam对所述预设yolov5s模型的骨干网络backbone和颈部网络neck的网络结构进行轻量化和自适应激活改进包括：
4.根据权利要求1所述的基于深度学习的金属打磨面缺陷检测方法，其特征在于，步骤s1中，所述构建金属工件打磨面缺陷图像样本数据集包括：
5.根据权利要求4所述的基于深度学习的金属打磨面缺陷检测方法，其特征在于，步骤s3中，所述利用所述金属工件打磨面缺陷图像样本数据集对所述轻量型自适应激活yolov5s模型进行训练包括...
【专利技术属性】
技术研发人员：吕中亮，卢震宇，夏可文，张列，左海伦，陈橙，徐友苇，丁北辰，
申请(专利权)人：重庆科技大学，
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。