一种带钢表面微小缺陷检测方法技术

本发明专利技术公开了一种带钢表面微小缺陷检测方法，包括：获取带钢表面缺陷图像集，并对其标注；对YOLOv5模型调整改进；基于标注后的带钢表面缺陷图像集，对改进后的YOLOv5模型进行训练，得到带钢表面微小缺陷检测模型；利用所述带钢表面微小缺陷检测模型对待检测的带钢表面缺陷图像进行检测，得到检测结果；可对工业摄像机采集的视频实时检测，检测后可输出每帧图像上的微小缺陷个数，并对缺陷面积进行统计。本发明专利技术方法具有更好的检测效果，有助于带钢生产过程中进行故障溯源、带钢表面缺陷的细粒度检测分类，具有一定的实用价值。具有一定的实用价值。具有一定的实用价值。

【技术实现步骤摘要】
一种带钢表面微小缺陷检测方法


[0001]本专利技术涉及带钢表面质量检测与分类
，主要是一种带钢表面微小缺陷检测方法。

技术介绍

[0002]在钢铁制造应用行业，目前主要是对带钢表面缺陷进行粗糙检测分类，只检测缺陷图像中最明显的一处大缺陷，而忽略了微小缺陷。这不仅无法满足带钢多样化的生产与使用需求，且有碍于对带钢生产过程中进行故障溯源。其中以“锈斑麻点”这类缺陷为代表的典型微小缺陷，是带钢表面缺陷检测的难点。因此，对带钢表面微小缺陷的检测具有重要的理论意义和应用价值。
[0003]传统目标检测算法通常由人工提取目标的特征，检测精度低。随着深度学习的发展和硬件设备算力的提升，开始运用CNN(Convolutional Neural Network，卷积神经网络)自动提取图像特征，极大提升了目标检测效果。目前通用的两个方法是以R
‑
CNN(Region
‑
based CNN)系列为代表的基于候选框的两阶段深度学习算法和以YOLO(You Only Look Once)系列为代表的基于回归的单阶段深度学习算法。R
‑
CNN模型使用CNN提取图像特征，并采用大样本的有监督预训练与小样本微调的方式解决模型过拟合问题，使模型检测性能有了较大提升，但R
‑
CNN需对每个候选区域的CNN特征进行大量重复计算。SPP
‑
Net(Spatial Pyramid Pooling Network，空间金字塔池化网络)能产生固定大小的输出，而与输入图像大小无关，使SPP
‑
Net能提取多个尺度下的特征，在很大程度上节省了计算量。在SPP
‑
Net基础上，诞生了Fast R
‑
CNN和Faster R
‑
CNN模型。虽然两阶段目标检测算法检测精度不断增强，但检测速度不如单阶段目标检测算法。
[0004]单阶段目标检测算法直接通过密集网络得到目标类别和位置信息，只需经过一次处理，因此检测速度快，能满足实时性要求较高的场景需求。但目前的目标检测算法针对带钢表面微小缺陷的检测，检测效果还不够理想，需要改进。

技术实现思路

[0005]本专利技术提供了一种带钢表面微小缺陷检测方法，以解决目前的目标检测算法针对带钢表面微小缺陷的检测，效果不理想的技术问题。
[0006]为解决上述技术问题，本专利技术提供了如下技术方案：
[0007]一方面，本专利技术提供了一种带钢表面微小缺陷检测方法，包括：
[0008]获取带钢表面缺陷图像集，并使用预设的图像标注工具对所述带钢表面缺陷图像集中的带钢表面缺陷图像进行标注，得到标注后的带钢表面缺陷图像集；
[0009]对YOLOv5模型进行调整改进，得到改进后的YOLOv5模型；
[0010]基于标注后的带钢表面缺陷图像集，对改进后的YOLOv5模型进行训练，将训练好的改进后的YOLOv5模型作为带钢表面微小缺陷检测模型；
[0011]利用所述带钢表面微小缺陷检测模型对待检测的带钢表面缺陷图像进行检测，得
到所述待检测的带钢表面缺陷图像中的带钢表面微小缺陷的检测结果。
[0012]进一步地，所述对YOLOv5模型进行调整改进，包括：
[0013]通过预设的图像标注工具对几千张带钢表面缺陷图像进行标注；
[0014]对标注框的面积进行统计，将YOLOv5模型的3组9个大先验框替换为2组6个小先验框，得以缩小YOLOv5模型的先验框，使其更擅长感知微小目标。
[0015]进一步地，所述对YOLOv5模型进行调整改进，还包括：
[0016]在YOLOv5模型中引入CBAM(Convolutional Block Attention Module，卷积块注意力模块)，以使网络关注特征图的缺陷区域；
[0017]将YOLOv5模型中的CBL
‑
3替换为Bottleneck CSP。
[0018]进一步地，所述对YOLOv5模型进行调整改进，还包括：
[0019]为提取并融入更多浅层特征，首先提取更多浅层特征图，然后将不同层次的多个浅层特征图进行多次融合，以融入更多浅层特征用于缺陷检测。
[0020]进一步地，所述对YOLOv5模型进行调整改进，还包括：
[0021]将BiFPN(Bidirectional Feature Pyramid Network，双向特征金字塔网络)融入YOLOv5模型，多次提取浅层特征和深层特征，以加强深浅层的特征融合；其中，改进后的YOLOv5模型包含Add和Cat两种特征融合方式。
[0022]进一步地，所述改进后的YOLOv5模型在训练阶段，通过预设的定量评价指标对模型进行初步评估；在微调阶段，通过预设的定性评价指标分析检测效果，对模型进行优化。
[0023]进一步地，所述定量评价指标包括平均精度、平均精度均值以及每秒检测图片的帧数。
[0024]进一步地，通过预设的定性评价指标分析检测效果，对模型进行优化，包括
[0025]将原始缺陷图、原始YOLOv5模型的检测效果图、改进后的YOLOv5模型的检测效果图，进行对比分析，用于评价模型检测效果，对模型进行优化。
[0026]再一方面，本专利技术还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0027]又一方面，本专利技术还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0028]本专利技术提供的技术方案带来的有益效果至少包括：
[0029]本专利技术以YOLOv5目标检测模型为基础进行调整，针对带钢表面缺陷图像中的微小缺陷尺寸小、随机分布等特点，提出优化复杂背景下微小目标检测精度的缺陷检测方法。优化了模型对带钢表面微小缺陷的检测效果。在模型训练阶段，通过平均精度、平均精度均值、精确率、召回率这些定量评价指标对模型初步评估；在模型微调阶段，通过定性指标分析检测效果，将模型优化。调整后的模型，明显提高了检测精度和缺陷召回率。实验结果表明，本专利技术提出的改进后的模型具有更好的检测效果。利用本专利技术的方法，有助于带钢生产过程中进行故障溯源、带钢表面缺陷的细粒度检测分类，具有一定的实用价值。
附图说明
[0030]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于
本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0031]图1是本专利技术实施例提供的带钢表面微小缺陷检测方法的执行流程示意图；
[0032]图2是本专利技术实施例提供的改进后的YOLOv5模型结构图；
[0033]图3是本专利技术实施例提供的缺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带钢表面微小缺陷检测方法，其特征在于，包括：获取带钢表面缺陷图像集，并使用预设的图像标注工具对所述带钢表面缺陷图像集中的带钢表面缺陷图像进行标注，得到标注后的带钢表面缺陷图像集；对YOLOv5模型进行调整改进，得到改进后的YOLOv5模型；基于标注后的带钢表面缺陷图像集，对改进后的YOLOv5模型进行训练，将训练好的改进后的YOLOv5模型作为带钢表面微小缺陷检测模型；利用所述带钢表面微小缺陷检测模型对待检测的带钢表面缺陷图像进行检测，得到所述待检测的带钢表面缺陷图像中的带钢表面微小缺陷的检测结果。2.如权利要求1所述的带钢表面微小缺陷检测方法，其特征在于，所述对YOLOv5模型进行调整改进，包括：通过预设的图像标注工具对多张带钢表面缺陷图像进行标注；对标注框的面积进行统计，将YOLOv5模型的3组9个大先验框替换为2组6个小先验框，得以缩小YOLOv5模型的先验框，使其更擅长感知微小目标。3.如权利要求2所述的带钢表面微小缺陷检测方法，其特征在于，所述对YOLOv5模型进行调整改进，还包括：在YOLOv5模型中引入CBAM(Convolutional Block Attention Module，卷积块注意力模块)，以使网络关注特征图的缺陷区域；将YOLOv5模型中的CBL
‑
3替换为Bottleneck CSP。4.如权...

【专利技术属性】
技术研发人员：张凯，李志沛，张学艺，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：