一种面向工业应用的钢材缺陷检测模型及检测方法技术

本发明专利技术公开了一种面向工业应用的钢材缺陷检测模型及检测方法，钢材缺陷检测模型的结构包括：Backbone模块，用于对目标图像进行特征提取；Neck模块，用于融合特征并构建多尺度的特征图；Head模块，用于对特征图进行检测分类，输出检测结果。钢材缺陷检检测方法：首先，引入上下文引导模块(CG block)设计C2f_CG模块增强对周围特征的捕捉能力，增强信息关联性；其次，加入星型网络模块(Star Block)设计出C2f_Star模块，将输入数据映射到高维的非线性特征空间，生成丰富的特征表示，使得模型在处理细微缺陷时更加有效。最后，设计了集成GSConv和EMA注意力机制的轻量化检测头GSE_Detect，保持了原检测头的高效的同时降低复杂度。本发明专利技术解决了钢材缺陷检测中因缺陷类型繁多、尺寸差异显著造成检测精度低、现有模型复杂度高，且由于嵌入式平台的计算和存储资源的限制导致很难部署在嵌入式设备上的问题。

【技术实现步骤摘要】

本专利技术属于目标检测，特别是涉及一种面向工业应用的钢材缺陷检测模型及检测方法。

技术介绍

1、深度学习的快速发展使得计算机视觉的各个方面都取得了重大突破，尤其是在目标检测方面。目标检测是计算机视觉的一个重要研究课题，是计算机视觉系统中必不可少的组成部分，其目的是识别物体类别并定位物体位置，在自动驾驶、工业检测、机器人、医学图像处理、目标跟踪等领域都有广泛的应用。

2、传统的目标检测方法主要依赖于人工目视检查和简单的物理测试手段。这些方法存在效率低下、主观性强、检测精度不高等问题。随着计算机视觉和人工智能技术的快速发展，基于深度学习的自动化检测技术逐渐成为目标检测的主流趋势。这些方法能够通过图像处理和特征提取，实现对缺陷的高效自动化检测，具有更高的准确性。基于深度学习的目标检测算法可分为两类：

3、(1)以r-cnn系列(包括rcnn、fast r-cnn和faster r-cnn)为代表的基于滑窗或候选区域生成的两阶段方法，此类方法先产生可能包含目标物体的候选区域，再进行精细分类与边界框回归。此类方法算法较为复杂，检测速度较慢，不本文档来自技高网...

【技术保护点】

1.一种面向工业应用的钢材缺陷检测模型，其特征在于，包括：

2.根据权利要求1所述的一种面向工业应用的钢材缺陷检测模型，其特征在于，所述C2f_CG模块是将要求1所述C2f模块中的Bottleneck模块替换成CG Block模块并且将第二CBS的BN块和SiLU模块去除构成；所述CG Block模块由1x1Conv模块、3x3DConv和3x3Conv并联模块、Concat模块、BN+PReLU模块、GAP模块、第一FC模块、第二FC模块依次串联构成，且BN+PReLU模块的输出和第二FC模块的输出相乘最后输出。

3.根据权利要求1所述的一种面向工业应用的钢材缺...

【技术特征摘要】

1.一种面向工业应用的钢材缺陷检测模型，其特征在于，包括：

2.根据权利要求1所述的一种面向工业应用的钢材缺陷检测模型，其特征在于，所述c2f_cg模块是将要求1所述c2f模块中的bottleneck模块替换成cg block模块并且将第二cbs的bn块和silu模块去除构成；所述cg block模块由1x1conv模块、3x3dconv和3x3conv并联模块、concat模块、bn+prelu模块、gap模块、第一fc模块、第二fc模块依次串联构成，且bn+prelu模块的输出和第二fc模块的输出相乘最后输出。

3.根据权利要求1所述的一种面向工业应用的钢材缺陷检测模型，其特征在于，所述c2f_star模块是将要求1所述c2f模块中的bottleneck模块...

【专利技术属性】
技术研发人员：赵佰亭，张敏，贾晓芬，梁镇洹，胡锐，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：