基于改进YOLOv5算法的钢材表面缺陷检测方法与流程

本发明属于人工智能，尤其是涉及基于改进yolov5算法的钢材表面缺陷检测方法。

背景技术：

1、在钢材生产制造的过程中，受到生产设备、不良环境等各种因素的影响，使得钢材表面会产生裂纹、划痕等缺陷，导致钢材的抗腐蚀性能下降，影响钢材的质量。因此，近年来工业生产中通过运用深度学习目标检测方法，根据卷积神经网络对缺陷样本进行自主学习，从而克服了一个传统算法只能检测一种缺陷的问题。卷积神经网络包含了一个由卷积层和池化层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在cnn的一个卷积层中，通常包含若干个特征图，每个特征图由一些矩形排列的的神经元组成，同一特征图的神经元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。卷积和池化大大简化了模型复杂度，减少了模型的参数。

2、虽然网络模型不断优化以及硬件的不断发展，检测的准确率在不断提高，但是在钢材表面缺陷检测中，还存在不足之处。一是缺陷特征提取问题：由于工业相机、环境光源以及其他不可控因素会对钢材表面缺陷图像的采集造成影响，会导致采集到的图像随机性较强，图像中的特征信息也不够丰富。一些基础网络结构容易受到其影响而无法充分地学习到缺陷的特征，致使现有检测方法存在检测精度低、漏检率和误检率高的问题。二是检测实时性问题：在实际的工业检测线上，由于计算资源有限，设备对于图像的响应和处理速度往往无法达到大规模量产的需要。生产者为了控制成本，计算设备的性能会有瓶颈，算法中一些冗杂的部分计算会影响整体的检测效率。

技术实现思路

1、有鉴于此，本发明旨在克服现有技术中上述问题的不足之处，提出基于改进yolov5算法的钢材表面缺陷检测方法。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、本发明第一方面提出了基于改进yolov5算法的钢材表面缺陷检测方法，包括：

4、步骤1：获取钢材表面缺陷图像，根据获取的图像制作数据集；

5、步骤2：构建检测模型，并利用步骤1得到的数据集对检测模型进行训练及优化，得到训练好的模型；所述检测模型的网络结构包括输入端、backbone和neck网络以及输出端prediction，所述输入端表示输入图片经过图像预处理操作将图片缩放到网络输入大小，并进行归一化操作；所述backbone用于提取输入图片的特征，所述neck网络用于对backbone提取到的特征进一步融合，所述输出端prediction针对输入图片输出3类不同大小的特征图；

6、步骤3：利用训练好的模型对钢材表面的图像进行检测，确定缺陷种类。

7、进一步的，所述backbone包括focus,conv，c3和spp模块。

8、进一步的，所述neck网络包括conv，upsample，concat，c3和detect模块。

9、进一步的，还包括向检测模型中添加senet注意力机制，用于优化骨干网络，提升网络对特征信息提取和整合的能力。

10、进一步的，还包括向检测模型中添加ca注意力机制，所述ca注意力机制包括coordinate信息嵌入和coordinate attention信息生成。

11、本发明第二方面提出了基于改进yolov5算法的钢材表面缺陷检测装置，包括：

12、图像采集单元，用于获取钢材表面缺陷图像，根据获取的图像制作数据集；

13、模型训练单元，用于构建检测模型，并利用图像采集单元得到的数据集对检测模型进行训练及优化，得到训练好的模型；所述检测模型的网络结构包括输入端、backbone和neck网络以及输出端prediction，所述输入端表示输入图片经过图像预处理操作将图片缩放到网络输入大小，并进行归一化操作；所述backbone用于提取输入图片的特征，所述neck网络用于对backbone提取到的特征进一步融合，所述输出端prediction针对输入图片输出3类不同大小的特征图；

14、分析测试单元，利用训练好的模型对钢材表面的图像进行检测，确定缺陷种类。

15、本发明第三方面提出了一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，所述处理器用于执行上述的基于改进yolov5算法的钢材表面缺陷检测方法。

16、本发明第四方面提出了计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器执行上述基于改进yolov5算法的钢材表面缺陷检测方法。

17、相对于现有技术，本发明所述的基于改进yolov5算法的钢材表面缺陷检测方法具有以下优势：

18、本发明针对钢材的表面缺陷检测进行研究，以东北大学共享的钢材表面缺陷检测数据集neu-det为基础，为了抑制背景信息的干扰，使得模型具有更加强大的提取特征能力，更加关注感兴趣区域，增加模型对缺陷目标的关注度，将两种不同的注意力模型ca、senet加入到模型中,实验证明，融合senet和ca注意力机制的yolov5模型相较于原版的yolov5模型，对钢材缺陷检测精度提升的同时,模型参数量、计算复杂度、权重体积都有明显优化,对于轻量化工业检测领域有较高应用价值。

技术特征：

1.基于改进yolov5算法的钢材表面缺陷检测方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的基于改进yolov5算法的钢材表面缺陷检测方法，其特征在于：所述backbone包括focus,conv，c3和spp模块。

3.根据权利要求1所述的基于改进yolov5算法的钢材表面缺陷检测方法，其特征在于：所述neck网络包括conv，upsample，concat，c3和detect模块。

4.根据权利要求1所述的基于改进yolov5算法的钢材表面缺陷检测方法，其特征在于：还包括向检测模型中添加senet注意力机制，用于优化骨干网络，提升网络对特征信息提取和整合的能力。

5.根据权利要求1所述的基于改进yolov5算法的钢材表面缺陷检测方法，其特征在于：还包括向检测模型中添加ca注意力机制，所述ca注意力机制包括coordinate信息嵌入和coordinate attention信息生成。

6.基于改进yolov5算法的钢材表面缺陷检测装置，其特征在于：包括：

7.一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于：所述处理器用于执行上述权利要求1-5任一所述的基于改进yolov5算法的钢材表面缺陷检测方法。

8.计算机可读取存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-5任一项所述的基于改进yolov5算法的钢材表面缺陷检测方法。

技术总结本发明提出了一种基于改进YOLOv5算法的钢材表面缺陷检测方法，包括获取钢材表面缺陷图像，根据获取的图像制作数据集；构建检测模型，并利用得到的数据集对检测模型进行训练及优化，得到训练好的模型；利用训练好的模型对钢材表面的图像进行检测，确定缺陷种类。本发明在YOLOv5的钢材表面缺陷检测任务中引入SENet和CA两种注意力机制，其能够提升对图片中特定类型的缺陷信息的特征提取能力，进而使检测网络的表达能力更充分，一定程度上可以提升钢材表面缺陷的检测精度。技术研发人员：陈旭雯,王珊,张翔,祖洪飞,范雪珂,邱宇航受保护的技术使用者：浙江谱麦科技有限公司技术研发日：技术公布日：2024/7/29