【技术实现步骤摘要】
本专利技术涉及轴承表面缺陷检测，具体涉及一种基于改进yolov8的轴承表面缺陷检测方法。
技术介绍
1、随着电子制造业的快速发展，作为现代信息产业的基本组成部分，轴承被广泛用于多个制造领域，如计算机、通信、电子设备和航空航天系统。在轴承的制造过程中，由于原材料、生产环境和设备运行的不确定性因素，不可避免地会产生各种表面缺陷。轴承最常见的表面缺陷包括挫伤(bruise)、划痕(scratch)、坑洼(pothole)、裂缝(crack)、凹槽(groove)。轴承制造过程中出现的缺陷会严重影响最终产品的可靠性或阻碍业务发展。因此，专注于检测轴承表面缺陷的研究具有重要价值。
2、轴承表面特征复杂，缺陷类型丰富，背景与缺陷分离不明显，且多为小目标缺陷。传统的轴承表面缺陷检测方法涉及操作人员使用检测设备，并依靠目视检查和经验来识别缺陷。这种方法受制于人的主观性，可能导致准确性低和劳动力成本高。随后，开发了一种利用敏感电子元件特性检测轴承表面缺陷的电气测试方法。与手动检查相比，这种方法降低了成本。然而，作为一种接触检测方法，这种电气测试方法可能会损坏轴承的表面。
3、近年来，深度学习和卷积神经网络已被广泛应用于表面缺陷检测。根据区域建议的存在，缺陷检测算法可以分为一阶段检测算法和两阶段检测算法。两阶段检测算法首先使用区域建议网络从输入图像中生成对象建议，然后对每个建议区域进行分类和位置回归。代表性算法包括r-cnn系列网络(如fast r-cnn、faster r-cnn和mask r-cnn)，它们可以实现高检测
4、yolov8在5fps到160fps的范围内，在速度和精度上都超过了所有已知的物体检测器，在gpu v100上以30fps或更高的速度在所有已知的实时物体检测器中具有的精度56.8％ ap。源代码发布在https://github.com/ultralytics/ultralytics.git。
技术实现思路
1、为了解决上述问题，本专利技术提出一种基于改进yolov8算法的轴承表面缺陷检测方法，用于平衡轴承表面缺陷检测的效率和精度。
2、为达到上述目的，本专利技术提供了一种基于改进yolov8算法的轴承表面缺陷检测方法，该方法包括以下步骤：
3、步骤1：获取包含表面缺陷的轴承图像数据集，并进行数据集扩增得到轴承表面缺陷样本数据集；
4、步骤2：对已增强后的数据集样本划分为训练集、测试集和验证集；
5、步骤3：构建改进型yolov8网络架构，并得到改进的yolov8算法模型；
6、步骤4：根据改进的yolov8算法模型，利用轴承表面缺陷样本数据集对进行训练，得到训练好的改进的yolov8算法模型，即轴承表面缺陷检测模型；
7、步骤5：将待检测的轴承图像经图像预处理后输入轴承表面缺陷检测模型，输出该轴承图像中的缺陷位置及其对应的缺陷类别。
8、所述步骤1中对获取到的原始数据集进行数据预处理，将原始轴承数据集进行随机数据增强进行扩充。并形成尺寸为640×640的轴承表面缺陷样本数据集。其中所述原始的轴承图像样本共有五种缺陷类型，分别为挫伤(bruise)、划痕(scratch)、坑洼(pothole)、裂缝(crack)、凹槽(groove)，每个图像包含3到5个缺陷。原始图像数据样本共1500张，经扩充后变为4056张图像。
9、所述步骤2中，对已增强后的数据集样本进行按照8：1：1的比例随机划分为训练集、测试集和验证集；
10、步骤3构建改进型yolov8网络架构，并得到改进的yolov8算法模型。具体包括：
11、所述步骤3中的改进的yolov8算法模型具体本网络设计了三个新颖的组件。(1)dynamic_c2f模块；(2)自适应分层空间金字塔模块(ah-sppf)；(2)大核特征金字塔网络(lsf-fpn)。以及使用了inner-mpdiou损失函数取代ciou损失函数；
12、步骤3-1：所述dynamic_c2f模块是通过改变原c2f模块结构中的bootneck模块，构建了一个更有效的焦点特征，从而在不增加网络计算的情况下提高对不同大小目标的识别；
13、步骤3-2：所述ah-sppf模块是增加额外的特征通道，所述ah-sppf模块是在原sppf模块的基础上，增加一条特征通道，用于对图像的特征信息进行逐步充分融合，以减少池化操作导致信息的丢失。其次还改进了最大池化层之间的连接方式，将原本的串行连接方式改进为并行连接。在保持感受野不变的情况下，获得了速度的提升。最后，将大型可分离核注意力(lska)机制引入到模块的输出位置。通过上述在原sppf模块中实现的改进，获得了一个自适应分层空间的特征金字塔池化模块(ah-sppf)。该模块有助于提升微小缺陷的准确率的情况下并减少误检情况，同时也增强了对后续特征融合结构中不同尺度有效信息的关注。
14、步骤3-3：所述的lsf-fpn模块极大地缓解了基于fpn的网络中特征错位的问题，并实现了缺陷边界的准确表示。增强网络的多尺度信息提取能力。
15、步骤3-4：所述的inner-mpdiou损失函数取代了yolov8算法模型中ciou损失函数。通过辅助框的尺度调整提高了目标检测任务的精确度和效率，实现对于不同检测任务和检测目标的动态调整，使得模型具有更好的泛化能力。
16、所述步骤4中，根据改进的yolov8算法模型，利用轴承表面缺陷样本数据集进行训练的过程，包括：
17、步骤4-1：初始化改进的yolov8算法模型的网络权重、学习率、批处理大小、迭代次数；
18、步骤4-2：将训练集中样本输入改进的yolov8算法模型中进行预训练；
19、步骤4-3：采用inner-mpdiou损失函数损失函数，计算训练集中样本的预测框与目标gt框之间的损失值，并将损失值反向传播优化更新改进的yolov8算法的网络权重；
20、步骤4-4：重复步骤4-2和步骤4-3，直至训练集中的样本用尽，得到预训练完成的改进的yolov8算法模型；
21、步骤4-5：将验证集中样本输入预训练完成的改进的yolov8算法模型中进行验证；
22、步骤4-6：计算验证集中样本的表面缺陷类别的精确度值ap，并计算所有精确度值ap的平均精确度值map；
23、步骤4-7：重复步本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv8算法的轴承表面缺陷检测方法，其特征在于，包含以下步骤：
2.根据权利要求1所述的基于改进YOLOv8算法的轴承表面缺陷检测方法，其特征在于，
3.根据权利要求1所述的基于改进YOLOv8算法的轴承表面缺陷检测方法，其特征在于，
4.根据权利要求1所述的基于改进YOLOv8算法的轴承表面缺陷检测方法，其特征在于，
5.根据权利要求1所述的基于改进YOLOv8算法的轴承表面缺陷检测方法，其特征在于，
【技术特征摘要】
1.一种基于改进yolov8算法的轴承表面缺陷检测方法，其特征在于，包含以下步骤：
2.根据权利要求1所述的基于改进yolov8算法的轴承表面缺陷检测方法，其特征在于，
3.根据权利要求1所述的基于改进yolov8...
【专利技术属性】
技术研发人员：孔维宾，张志飞，王磊，张婷琳，周锋，周默，车鹏顺，单琳媛，
申请(专利权)人：盐城工学院，
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。