基于改进YOLOv5网络的齿轮缺陷视觉检测方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114677597A(43)申请公布日2022.06.28(21)申请号202210580509.2G06V10/20(2022.01)(22)申请日2022.05.26G06V10/774(2022.01)G06V10/80(2022.01)(71)申请人武汉理工大学G06V10/82(2022.01)地址430070湖北省武汉市洪山区珞狮路G06K9/62(2022.01)122号G06N3/04(2006.01)申请人湖北众智未来智能装备制造有限公G06N3/08(2006.01)司B07C5/34(2006.01)(72)发明人朱大虎贺敏琦张曙文华林B07C5/36(2006.01)梁耀赵凯(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙)42222专利代理师杨宏伟(51)Int.Cl.G06V20/10(2022.01)G06V10/10(2022.01)权利要求书2页说明书8页附图6页(54)发明名称基于改进YOLOv5网络的齿轮缺陷视觉检测方法及系统(57)摘要本发明公开了一种基于改进YOLOv5网络的齿轮缺陷视觉检测方法及系统，系统包括内置改进YOLOv5网络模型的控制器、由第一传送带和第二传送带组成输送系统、搭建于输送系统上的图像采集模块和剔除机构；改进方式为通过样本数据集训练未改进的YOLOv5网络获取权重参数，在YOLOv5网络模型加入卷积注意力机制模块和重复加权双向特征金字塔网络，权重参数迁移到改进YOLOv5网络模型；通过本数据集训练改进YOLOv5网络模型，完成齿轮缺陷检测模型构建，通过图像采集模块采集图像输入齿轮缺陷检测模型进行识别，根据识别结果剔除相应的缺陷齿轮，本发明实现了针对齿轮特征缺陷的准确识别以及齿轮多面缺陷的自动化检测及分拣，提高了检测效率。CN114677597ACN114677597A权利要求书1/2页1.一种基于改进YOLOv5网络的齿轮缺陷视觉检测方法，其特征在于，包括以下步骤：S1、采集图像数据：采集缺陷齿轮表面图像，并对图像进行预处理，得到缺陷齿轮图像；S2、构建样本数据集：对缺陷齿轮图像中的缺陷类型进行标注并作为标签，以缺陷齿轮图像以及对应的标签构建缺陷齿轮的样本数据集；S3、获取预训练模型：利用步骤S2中获得的样本数据集训练YOLOv5网络模型，获取YOLOv5网络模型的权重参数；S4、检测模型改进：对YOLOv5网络模型改进，加入卷积注意力机制模块和重复加权双向特征金字塔网络，得到改进YOLOv5网络模型；S5、模型构建，将步骤S3获得的权重参数迁移到改进YOLOv5网络模型中，之后利用步骤S2中获得的样本数据集对改进YOLOv5网络模型进行训练，获得适用于齿轮缺陷检测的权重参数，完成齿轮缺陷检测模型构建；S6、缺陷检测，采集待检测的齿轮图像，并按照步骤S1的预处理方式进行预处理，得到待检测齿轮图像，将待检测齿轮图像输入到齿轮缺陷检测模型中进行缺陷检测识别。2.根据权利要求1所述基于改进YOLOv5网络的齿轮缺陷视觉检测方法，其特征在于：步骤S2中，样本数据集构建方法如下：S2.1、步骤S1中得到的所有缺陷齿轮图像构成数据集，对数据集中所有图像进行随机操作获得新图像，扩大数据集；随机操作类型包括翻转、旋转、平移、添加噪声及缩放中的任意一种或者多种组合；S2.2、对扩大后数据集中图像的缺陷类型进行标注，形成标签，构建样本数据集；S2.3、将样本数据集分为训练集和测试集。3.根据权利要求2所述基于改进YOLOv5网络的齿轮缺陷视觉检测方法，其特征在于：步骤S2.3中，使用LabelImg工具对齿轮缺陷图像进行标记，获得与图像样本一一对应的xml文件，作为样本。4.根据权利要求1所述基于改进YOLOv5网络的齿轮缺陷视觉检测方法，其特征在于：步骤S2中，所述齿轮的缺陷类别包括崩角、碰伤和划伤。5.根据权利要求1所述基于改进YOLOv5网络的齿轮缺陷视觉检测方法，其特征在于：步骤S4中，对YOLOv5网络模型改进的具体方式如下：（1）将YOLOv5网络模型的C3模块中的最后一个标准卷积模块Conv换成CBAM模块形成CBAMC3模块；（2）将重复BiFPN结构添加到YOLOv5网络模型中，与Concat方法结合形成Concat_BiFPN模块。6.根据权利要求5所述基于改进YOLOv5网络的齿轮缺陷视觉检测方法，其特征在于：步骤S4中，所述CBAM模块包含两个独立的子模块，分别为通道注意力模块CAM和空间注意力模块SAM，其中CAM模块对输入的特征图进行通道上的处理，SAM模块对输入的特征图进行空间上的处理。7.根据权利要求5所述基于改进YOLOv5网络的齿轮缺陷视觉检测方法，其特征在于：步骤S4中，