【技术实现步骤摘要】
本专利技术涉及缺陷检测，特别涉及一种基于多尺度特征交互表面缺陷小目标检测方法。
技术介绍
1、传统的钢材缺陷检测方法主要包括人工目视检查和接触式检测技术。但是，这些传统方法存在诸多局限性。人工检测不仅效率低下，还受人为因素影响，容易出现误判和漏检。而接触式检测虽能发现部分隐蔽缺陷，但操作复杂、检测周期长，且往往需要对钢材表面进行预处理，反而可能导致钢材损伤。此外，这些传统方法受劳动力限制，无法满足长时间、高强度的工作，在大规模生产——即流水线过程中无法满足高精度和高效率需求。
2、与传统方法相比，机器学习方法在钢材缺陷检测中具备更高的效率和稳定性，能够自动分析大规模数据并减少人为误差。然而，该方法仍存在一些局限性。首先，传统的机器学习方法通常依赖手工设计特征，但在面对形态不规则、边界模糊的缺陷时，难以有效提取关键特征，导致漏检或误检。其次，机器学习方法通常环境适应性较差，难以适应钢材制造工厂的环境。再者，部分机器学习模型的计算资源消耗大，实时性受限，难以满足实际应用的需求。
3、而近年来，深度学习，特别是卷积神经...
【技术保护点】
1.一种基于多尺度特征交互表面缺陷小目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤1中，检测模型是通过以下步骤进行训练获得：
3.根据权利要求2所述的方法，其特征在于，所述步骤101中，所述数据增强是对图像进行包括翻转、旋转、裁剪和亮度调整在内的处理，从而在原图像的基础上生成经处理后的新图像，以扩充数据集。
4.根据权利要求2所述的方法，其特征在于，所述步骤102中，迭代训练过程中，是通过骨干网络提取多尺度特征，然后由颈部网络实现跨层特征交互融合，最后由检测头输出分类类别、边界框坐标和目...
【技术特征摘要】
1.一种基于多尺度特征交互表面缺陷小目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤1中，检测模型是通过以下步骤进行训练获得：
3.根据权利要求2所述的方法，其特征在于，所述步骤101中，所述数据增强是对图像进行包括翻转、旋转、裁剪和亮度调整在内的处理，从而在原图像的基础上生成经处理后的新图像，以扩充数据集。
4.根据权利要求2所述的方法，其特征在于，所述步骤102中，迭代训练过程中，是通过骨干网络提取多尺度特征，然后由颈部网络实现跨层特征交互融合，最后由检测头输出分类类别、边界框坐标和目标存在置信度作为结果；再将结果与标签值比对，进行反向传播对检测模型的参数进行更新；同时定期向检测模型中输入验证集进行验证，以根据验证结果来进一步调整检测模型的参数；最终在通过测试集验证训练效果并评估检测模型的性能后，保存训练得到的检测模型参数。
5.根据权利要求2所述的方法，其特征在于，所述步骤102中，所述检测头在训练过程中采用由focaler-iou损失函数和piouv2损失函数结合生成的focaler-piouv2作为边界框损失函数；
6.根据权利要求1所述的方法，其特征在于，所述检测模型的骨干网络，包括依次串联的十二层模块结构，其中第一层为第一conv模块，第二层为第二conv模块，第三层为第一c3k2模块，第四层为第三conv模块...
【专利技术属性】
技术研发人员：赵珏，彭裕发，张胜，刘思懿，段佳卓，黄旭，殷之恒，
申请(专利权)人：湖南工商大学，
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。