一种基于改进YOLOv5s的钢材表面缺陷检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115829991A(43)申请公布日2023.03.21(21)申请号202211619637.XG06N3/0464(2023.01)(22)申请日2022.12.15(71)申请人淮阴工学院地址223000江苏省淮安市经济技术开发区枚乘东路1号(72)发明人于金玉邱军林邵鹤帅高丽蒋晓玲陈礼青李敏叶德阳周健马志鹏(74)专利代理机构淮安市科文知识产权事务所32223专利代理师吴晶晶(51)Int.Cl.G06T7/00(2017.01)G06T5/50(2006.01)G06N3/08(2023.01)权利要求书3页说明书5页附图6页(54)发明名称一种基于改进YOLOv5s的钢材表面缺陷检测方法(57)摘要本发明公开了一种基于改进YOLOv5s的钢材表面缺陷检测方法，获取钢材表面缺陷检测图像；将数据集进行预处理以及缺陷类型和缺陷位置的标注；使用线性对比度增强的方式对图像进行增强，基于YOLOv5s网络模型进行改进，使用GhostBottleneck模块替换YOLOv5骨干网络中的Bottleneck模块，在Yolov5网络的头部增加一个新的小尺度预测头；把卷积注意力模块CBAM跟高效注意力通道ECA融合成的新型多注意力机制模块集成到网络颈部的特征融合层中；使用DWConv替换YOLOv5的常规卷积并在上采样后引入重影模块；最后得到钢材表面缺陷检测模型。本发明可以用于对各种类型的钢材表面缺陷进行检测定位，提升不同类别和相似结构缺陷的准确率，在保持一定检测精度的前提下大大降低网络的复杂度，具有一定的工程应用价值。CN115829991ACN115829991A权利要求书1/3页1.一种基于改进YOLOv5s的钢材缺陷检测方法，其特征在于，包括以下步骤：S1：获取钢材表面缺陷图片数据集；S2：对步骤1中的钢材表面缺陷数据集进行预处理及标注后，将钢材表面缺陷数据集划分为用于训练的训练集、用于测试的测试集；S3：搭建基于改进YOLOv5s的网络结构模型，用轻量级GhostBottleneck模块替换YOLOv5骨干网络的Bottleneck模块，在YOLOv5网络的头部增加一个小尺度检测头，用深度可分离卷积替换YOLOv5网络的常规卷积，并在上采样后引入重影模块，对其特征提取网络结构进行轻量化改进；S4：使用步骤2中的训练集对步骤3中的搭建的改进YOLOv5s的网络结构模型进行训练，得到钢材表面缺陷检测模型；S5：使用训练完成的改进YOLOv5的网络结构模型对测试集进行检测，对测试结果的精度进行评价。2.根据权利要求1所述的一种基于改进YOLOv5s的钢材表面缺陷检测方法，其特征在于，所述步骤S2的具体方法如下：S2.1：对数据集采用线性对比度增强的方法进行预处理，该方法适用于图像的灰度值范围较小，导致部分输入图像整体或暗或亮的情况，其计算公式如下所示：其中，图像的大小为m×n；S2.2：使用Mosaic数据增强，将4张图象进行随机缩放和裁剪并乱序组合成一张新的图像，变相增大训练时的批量大小，优化训练效果；S2.3：采用图像标注工具Labeling对预处理之后的钢材表面缺陷数据中的每张图像的缺陷进行标注，标注格式为关键点的横向、纵向坐标值；S2.4：将标注好的钢材表面缺陷数据集划分为训练集和测试集，比例设置为4∶1。3.根据权利要求1所述的一种基于改进YOLOv5s的钢材表面缺陷检测方法，其特征在于，所述步骤S3中用轻量级GhostBottleneck模块替换YOLOv5骨干网络的Bottleneck模块的具体方法为：S3.1：用GhostBottleneck模块替换YOLOv5骨干网络的Bottleneck模块，GhostBottleneck由两个Ghost模块堆叠而成，基于一组内在特征映射，采用一系列简单的线性变化来生成更多Ghost特征映射，映射充分揭示内在特征的信息，具体过程如下：Y′＝X*f+b(2)式中，X为输入特征图，*为卷积操作，f为当前层的卷积核，Y′为m个通道的本征特征图，b为偏置项，对Y特征图的每一个通道进行线性运算输出t通道数位n的特征图，有：Yij＝θij(yi′)，i＝1，...，m，j＝1，...，s(3)式中，yi是Y′的第i个通道特，θij是yi′生成的第j个Ghostfeaturemap的线性运算；每个Y′可以生成s个Ghostfeaturemap，最后得到Ghost模块的输出特征图。4.根据权利要求1所述的一种基于改进YOLOv5s的钢材表面缺陷检测方法，其特征在2CN115829991A权利要求书2/3页于，所述步骤3中在YOLOv5s网络的头部增添一个新的小尺度检测头，该头部通过4倍下采样得到，可以生成一个大小为304×304