一种工件表面缺陷检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114972321A(43)申请公布日2022.08.30(21)申请号202210720865.X(22)申请日2022.06.24(71)申请人西南科技大学地址621010四川省绵阳市涪城区青龙大道中段59号(72)发明人李自胜王露明肖晓萍(51)Int.Cl.G06T7/00(2017.01)G06V10/762(2022.01)G06V10/25(2022.01)G06V10/40(2022.01)G06V10/80(2022.01)G06V10/82(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书4页附图3页(54)发明名称一种工件表面缺陷检测方法(57)摘要本发明提供了一种工件表面缺陷检测方法。所述工件表面缺陷检测方法：通过改进YOLOv3‑tiny网络，得到适用于工件表面缺陷检测的网络Defect‑YOLOv3‑tiny，利用K‑Means算法生成工件表面缺陷的锚框，运用Defect‑YOLOv3‑tiny提取工件表面缺陷特征，检测工件表面缺陷。本发明的有益效果可包括：该方法有效提高了目标检测精度，减少漏检率。CN114972321ACN114972321A权利要求书1/3页1.YOLOv3‑tiny网络改进方法，其特征在于：在YOLOv3‑tiny骨干网络的卷积层conv6后添加SPP模块，在conv8后增加卷积核通道数，在YOLOv3‑tiny颈部网络的每个concat层之后增加SE模块，将颈部网络输出的特征图与浅层特征图融合，并增加检测分支，得到工件表面缺陷检测网络Defect‑YOLOv3‑tiny；所述YOLOv3‑tiny是一种轻量级目标检测网络；所述骨干网络是YOLOv3‑tiny用于提取目标特征的子网络；所述conv6是YOLOv3‑tiny骨干网络第6个卷积层；所述SPP模块，空间金字塔池化（SpatialPyramidPooling，SPP）模块，是采用不同大小池化核，对输入特征图进行池化，并在通道方向上拼接的模块；所述conv8是YOLOv3‑tiny骨干网络第8个卷积层；所述卷积核是对图像进行卷积运算以提取图像特征的一组模板参数；所述卷积核通道数是卷积核个数，一个3x3x6的卷积核，3x3卷积核大小，6是卷积核通道数，卷积运算会生成6张特征图，便于6张二维图像进行堆叠；所述在conv8后增加卷积核通道数是将conv8的卷积核通道数，从512个增加到1024个，即将卷积核3×3x512改变为卷积核3×3x1024；所述concat层，concat即堆叠，是对相同大小特征图进行特征拼接层，即进行通道合并的层；所述SE模块，通道注意力模块（Squeeze‑and‑ExcitationBlocks，SE），是为不同通道特征图赋予不同权重的网络模块；所述颈部网络是YOLOv3‑tiny用于处理特征信息的子网络；所述浅层是YOLOv3‑tiny骨干网络的第二和第三卷积层；所述将颈部网络特征图与浅层特征图融合是将颈部网络输出的特征图与骨干网络浅层的特征图在相同通道上逐元相加，得到融合特征图；所述检测分支是用于输出待检目标预测信息的模块；所述Defect‑YOLOv3‑tiny是对网络YOLOv3‑tiny经改进后，并用于工件表面缺陷检测的卷积网络；根据权利要求1所述YOLOv3‑tiny改进方法包括以下步骤：S11、在YOLOv3‑tiny骨干网络的卷积层conv6后添加SPP模块；S12、在YOLOv3‑tiny骨干网络的卷积层conv8后增加卷积核通道数；S13、在YOLOv3‑tiny颈部网络的每个concat层之后增加SE模块；S14、将YOLOv3‑tiny颈部网络输出的特征图与浅层特征图融合；S15、增加检测分支。2.工件表面缺陷检测方法，其特征在于：利用K‑Means算法生成工件表面缺陷的锚框，运用卷积网络Defect‑YOLOv3‑tiny提取工件表面缺陷特征，检测工件表面缺陷。所述工件表面缺陷是指工件表面存在影响工件外观或质量的划痕、油污和凹痕；所述锚框是人为预设、包围缺陷的边界预选框，锚框由一组参数表达，包括预选框中心横坐标，预选框中心纵坐标，预选框的宽，预选框的高；所述利用K‑Means算法生成工件表面缺陷的锚框是利用K‑Means算法对工件表面缺陷2CN114972321A权利要求书2/3页数据集标注的标签进行聚类，得到一组用于预测划痕、油污和脏污缺陷目标的参数；所述运用Defect‑YOLOv3‑tiny卷积网络提取工件表面缺陷特征，是用Python语言将Defect‑YOLOv3‑tiny网络编写为软件，将工件表面缺陷图像数据集输入软件，提取工件表面缺陷图