一种基于改进YOLOv3的金属表面缺陷检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113920400A(43)申请公布日2022.01.11(21)申请号202111199291.8(22)申请日2021.10.14(71)申请人辽宁工程技术大学地址123000辽宁省阜新市中华路47号(72)发明人齐向明司松林(74)专利代理机构大连东方专利代理有限责任公司21212代理人陈丽李洪福(51)Int.Cl.G06V10/774(2022.01)G06V10/762(2022.01)G06V10/44(2022.01)G06T7/00(2017.01)权利要求书1页说明书10页附图5页(54)发明名称一种基于改进YOLOv3的金属表面缺陷检测方法(57)摘要本发明公开了一种基于改进YOLOv3的金属表面缺陷检测方法。首先采用K‑means++聚类算法，对真实框参数聚类处理，获得和真实框有着更高平均交并比的先验框以提高算法的收敛速度；然后改进YOLOv3算法中的特征金字塔(FPN)结构，在FPN结构中引入路径聚合网络并提出一种ResBlock结构来替换FPN中的卷积结构，增强算法的特征提取能力，提升对小目标和特征不明显目标的检测能力；最后使用DIOU损失函数优化边界框回归，提高边界框的定位准确度，进一步提升YOLOv3模型的检测效果。通过在NEU‑DET数据集上的实验结果表明，提出的算法可以有效提升金属表面缺陷检测精度，mAP达到72.83％，相比单一的YOLOv3算法提升了8.00％，且优于其他主流的目标检测模型。CN113920400ACN113920400A权利要求书1/1页1.一种基于改进YOLOv3的金属表面缺陷检测方法，其特征在于，所述方法包括：S1、获取待检测金属表面缺陷的图像；S2、对所述待检测金属表面缺陷的图像进行图像预处理；S3：将图像预处理之后的图像输入至训练好的金属表面缺陷检测模型，得到金属表面缺陷检测结果；所述金属表面缺陷检测模型基于改进YOLOv3模型；改进YOLOv3模型中，特征金字塔网络自顶向下将深层特征信息用上采样方式进行传递融合后，引入路径聚合网络，在特征金字塔网络层的后面添加一个自底向上的特征金字塔结构，将融合后的特征图除了用于预测外，添加下采样分支，再次将浅层特征图和深层特征图相融合；将特征金字塔网络中5个连续的CBL结构使用残差结构、Add操作和Concat操作重新进行整合，首先通过Add操作叠加信息，增加描述图像特征的信息量而不改变图像的维度，然后通过Concat操作将Add操作得到的特征图和跳跃连接的特征图相堆叠，通过维度的堆叠来增加描述图像本身的特征，最后将经过一个CBL结构的特征图作为残差结构的输出。2.根据权利要求1所述的一种基于改进YOLOv3的金属表面缺陷检测方法，其特征在于，所述图像预处理包括：调整图像尺寸，以适配金属表面缺陷检测模型的输入图像尺寸。3.根据权利要求2所述的一种基于改进YOLOv3的金属表面缺陷检测方法，其特征在于，所述图像预处理还包括：将图像以0.5的概率随机进行翻转和色域变换操作。4.根据权利要求1所述的一种基于改进YOLOv3的金属表面缺陷检测方法，其特征在于，所述改进YOLOv3中采用DIOU损失函数优化边界框回归。5.根据权利要求2所述的一种基于改进YOLOv3的金属表面缺陷检测方法，其特征在于，所述改进YOLOv3中采用K‑means++聚类算法，对真实框参数聚类处理，获得和真实框有着更高平均交并比的先验框。2CN113920400A说明书1/10页一种基于改进YOLOv3的金属表面缺陷检测方法技术领域[0001]本发明涉及机械加工技术领域，特别是涉及一种基于改进YOLOv3的金属表面缺陷检测方法。背景技术[0002]在机械加工过程中，由于加工工具或操作的影响，难免会对金属表面造成损伤，形成开裂、斑块等一系列缺陷。金属的表面缺陷会使相关产品的质量、外观受到严重影响，从而损害企业利益，所以有效检测出金属表面的缺陷可以及时发现缺陷产品，提高产品利用率，保证产品质量，对于企业发展有着重要作用。传统的人工目测易受人的主观判断影响，存在检测精度不稳定，效率低等问题，因此如何精确、高效的检测金属表面缺陷成为近年来热门的研究问题之一。[0003]早期金属表面缺陷检测方法主要分为传统的图像处理方法和基于人工提取特征的机器学习方法。传统的图像处理方法通过使用局部异常反映出的属性来进行缺陷检测和分割，如边缘检测、模板匹配等算法；基于机器学习的方法首先以LBP、HOG等方法提取输入图像特征，设计描述缺陷信息的特征向量，然后将特征向量输入预训练好的分类器模型中以确定输入图像是否含有缺陷。虽然这些方法推动了缺陷检测技术的发展，但是这些方法通常仅适用于特定场景，对于环境变化缺乏适