一种基于改进YOLOX的高反光金属表面缺陷检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115880223A(43)申请公布日2023.03.31(21)申请号202211403533.5G06T5/00(2006.01)(22)申请日2022.11.10G06V10/44(2022.01)G06V10/764(2022.01)(71)申请人淮阴工学院G06V10/77(2022.01)地址223003江苏省淮安市经济技术开发G06V10/774(2022.01)区枚乘东路1号G06V10/80(2022.01)(72)发明人邱军林周健邵鹤帅高丽G06V10/82(2022.01)蒋晓玲陈礼青李敏叶德阳马志鹏于金玉(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204专利代理师柏尚春(51)Int.Cl.G06T7/00(2017.01)G06N3/0464(2023.01)G06N3/08(2023.01)权利要求书2页说明书7页附图3页(54)发明名称一种基于改进YOLOX的高反光金属表面缺陷检测方法(57)摘要本发明公开一种基于改进YOLOX的高反光金属表面缺陷检测方法，构建金属表面缺陷的图像数据集，将数据集输入图像特征增强模块进行预处理，并针对每一类缺陷制作相应的标签；构建由主干特征提取网络CSPDarknet‑53、BT‑FPN双向特征融合网络以及分类预测网络YOLOHead三部分组成的改进YOLOX的高反光金属表面缺陷检测模型，减少特征信息的丢失，增强特征融合性能；使用迁移学习获取预训练模型，并结合Mosaic和Mixup数据增强方法训练金属缺陷数据集得到权重w；将权重w输入改进后的YOLOX网络中进行分类预测。与现有技术相比，本发明提升对高反光金属缺陷的检测效果和检测速度，具有较好的实时性。CN115880223ACN115880223A权利要求书1/2页1.一种基于改进YOLOX的高反光金属表面缺陷检测方法，其特征在于，包括以下步骤：S1：构建金属表面缺陷的图像数据集，将数据集输入图像特征增强模块进行预处理，并针对每一类缺陷制作相应的标签；S2：构建由主干特征提取网络CSPDarknet‑53、BT‑FPN双向特征融合网络以及分类预测网络YOLOHead三部分组成的改进YOLOX的高反光金属表面缺陷检测模型，减少特征信息的丢失，增强特征融合性能；S3：使用迁移学习获取预训练模型，并结合Mosaic和Mixup数据增强方法训练金属缺陷数据集得到权重w；S4：将权重w输入到改进YOLOX的高反光金属表面缺陷检测模型中进行分类预测。2.根据权利要求1所述的基于改进YOLOX的高反光金属表面缺陷检测方法，其特征在于，所述步骤S1实现过程如下：S1.1：从公开的GC10‑DET数据集中获得高反光金属表面缺陷检测所需的缺陷数据样本，包括折痕、油点、压痕、焊缝四类缺陷数据；S1.2：对数据样本进行预处理，将数据样本进行格式转换，转换为标准的VOC数据格式，再通过Labelme标注工具对图像数据中的金属缺陷进行标注，金属缺陷类型的标签包括折痕、油点、压痕、焊缝；S1.3：对已经缺陷标注过的图像数据集依次进行高斯滤波和伽马校正图像增强处理，将图像数据集进行高斯滤波去噪，对每张金属缺陷图像进行加权平均处理，每一个像素点的值，都由其本身和邻域内的其他像素点经过加权平均后得到，每个像素点的高斯权值计算公式如下：其中x,y是每个像素点的坐标，σ是x的方差；将高斯滤波处理后的图像数据集进行伽马校正处理，对图像的灰度值进行修正，增强对比度，将图像上的每个像素点做一次γ乘积运算，伽马校正公式如下：s＝crγ其中，s为输出的像素点的灰度值，r为输入像素点的灰度值，c、γ为常数，通过设置c、γ的值来调整图像的灰度值以到达最优；S1.4：将经过特征增强处理后的金属缺陷数据集按照8:1:1分为训练集、验证集和测试集。3.根据权利要求1所述的基于改进YOLOX的高反光金属表面缺陷检测方法，其特征在于，所述步骤S2的实现过程如下：S2.1：利用Focus、CBS、Resblockbody以及SPP模块构建主干特征提取网络CSPDarknet‑53，并在主干特征提取网络CSPDarknet‑53与BT‑FPN双向特征融合网络之间建立连接；S2.2：利用普通卷积Conv、标准化BN以及SiLU激活函数构建CBS模块，将残差块拆分为主干部分和大残差边shortconv两部分构建CSP结构，采用CBS与CSP结构构建Resblockbody结构，SPP模块由CBS与4个大小为1×1、5×5、9×9以及13×13的池化核所构成；S2.3：使用一种偏重于纹理信息的BT‑FPN双向特征融合网络，此网络中增加了自下而2CN115880223A权利要求书2/2页上的信息流，并在P4层和