一种基于改进YOLOv5金属焊缝缺陷检测方法技术

本发明专利技术涉及金属焊缝缺陷检测技术领域，提供一种基于改进YOLOv5金属焊缝缺陷检测方法，包括：步骤一，获取超声相控阵扫查图像的数据集；步骤二，建立改进YOLOv5缺陷检测网络；步骤三，利用K

【技术实现步骤摘要】
一种基于改进YOLOv5金属焊缝缺陷检测方法


[0001]本专利技术涉及金属焊缝缺陷检测
，尤其涉及一种基于改进YOLOv5金属焊缝缺陷检测方法。

技术介绍

[0002]金属构件在焊接的过程中会出现各种缺陷，这些缺陷会影响构件的性能，造成产品损坏甚至人员伤亡。所以，对金属焊缝进行无损检测是保障工业生产正常进行的重要手段。超声相控阵无损检测技术因其检测速度快、检测灵敏度高和对人体无害等优点，在无损检测领域应用广泛。然而，当前超声相控阵缺陷仍然主要依赖人工识别，该方法存在诸多弊端：人工评判依赖于操作者的工作经验对缺陷进行评估，缺乏经验的操作者容易出现错检、漏检的情况；当操作人员疲劳时，也可能导致误评判；鉴于人工操作的各种因素对评估结果的主观干扰较大，导致缺陷评判结果缺乏客观性，因此在追求可靠性和稳定性的基础上，使用机器视觉和深度学习技术对超声相控阵图像的缺陷进行检测具有重要的意义。
[0003]近几年研究成果表明，深度学习在图像检测领域取得了显著的进展，其技术不断成熟。超声相控阵检测技术正朝着高精度、实时化和智能化的方向迅速发展。将超声相控阵技术与深度学习相结合，将缺陷扫查的数据转换为图像形式，后续通过深度学习智能识别缺陷，做到精确的检测出缺陷并确定其大小和位置，降低人工评判中不稳定因素的干扰，从而可以提高超声相控阵图像缺陷的检测准确率，进一步提高金属构件在使用过程中的可靠性。在深度学习网络结构中YOLOv5算法是当前比较流行的目标检测算法，该算法对物体的类别概率和位置坐标值进行预测，通过输入端到输出端的模型结构直接得到最终的输出结果。与其他算法相比YOLOv5算法有更快的检测速度。

技术实现思路

[0004]本专利技术主要解决现有技术的金属焊缝缺陷检测精度低、小目标检测性能差等技术问题，提出一种基于改进YOLOv5金属焊缝缺陷检测方法，使网络有选择性的增强信息特征，进而提升对小目标的检测能力，增强网络的特征提取能力。
[0005]本专利技术提供一种基于改进YOLOv5金属焊缝缺陷检测方法，包括以下过程：步骤一，获取金属焊缝超声相控阵扫查图像的数据集；步骤二，建立改进YOLOv5缺陷检测网络；步骤三，利用K
‑
means++算法，调整改进YOLOv5缺陷检测网络的先验框；步骤四，利用金属焊缝超声相控阵扫查图像的数据集，对调整先验框后的改进YOLOv5缺陷检测网络进行训练，得到缺陷检测模型；步骤五，将待检测扫查图像输入到缺陷检测模型中，检测出焊缝扫查图像的缺陷。
[0006]进一步的，所述改进YOLOv5缺陷检测网络，包括：特征提取单元、特征融合单元和检测单元；所述特征提取单元，包括：输入模块、卷积模块、SENet注意力机制、CBAM
‑
Net注意
力机制；所述特征融合单元，包括：卷积模块、最大池化模块、拼接模块、上采样模块、下采样模块；所述检测单元，包括：检测头模块。
[0007]进一步的，在步骤三中，所述K
‑
means++算法的过程如下：步骤301，随机选取聚类中心：所有真实框作为聚类对象，从全部样本点集合中随机选择一个样本点作为新的聚类中心；步骤302，根据距离选择K个初始聚类中心：计算集合中其他样本点与之间的欧式平方距离，并计算其他样本点可以被选为下一个聚类中心的概率选出概率最大值对应的样本点作为下一个聚类中心，重复此步骤，最终选出K个初始聚类中心；其中，概率度量公式：;步骤303，根据距离进行分簇：计算聚类中心与所有真实框的交并比IOU，那么根据真实框和聚类中心得距离为1
‑
IOU，将每个真实框分给距离最近的聚类中心，形成K个簇；其中，距离度量公式：;步骤304，更新聚类中心：计算簇中所有聚类对象宽和高的均值，得到新的聚类中心；步骤305，重复步骤303、步骤304：当聚类中心不变或达到最大迭代次数时停止，最终得出缺陷真实框的聚类结果。
[0008]进一步的，训练的硬件平台配置参数如下：Intel(R) Xeon(R) Silver 4210R CPU @ 2.40GHz 2.39 GHz，NVIDIA RTX A5000的显卡，DELL PERC H750 Adp SCSI Disk Device；软件配置：基于64位的windows11操作系统，基于pytorch1.9.1的框架，基于CUDA11.1，OpenCV2库及PyCharm集成开发环境。
[0009]本专利技术提供了一种基于改进YOLOv5金属焊缝缺陷检测方法，首先，在骨干网络中结合SE注意力模块和CBAM注意力模块，使网络有选择性的增强信息特征，进而提升对小目标的检测能力；其次，在YOLOv5颈部增加一个小缺陷检测模块，增强网络对小缺陷的特征提取能力；最后，采用K
‑
means++聚类算法针对金属焊缝超声相控阵图像数据样本重新计算出适用性强的先验框，加强网络对复杂缺陷的检出能力。
附图说明
[0010]图1是本专利技术提供的基于改进YOLOv5金属焊缝超声相控阵扫查图像缺陷检测方法的实现流程图；图2是本专利技术提供的属焊缝超声相控阵扫查图像数据集经过Mosaic数据增强的结果示意图；
图3是本专利技术提供的SENet的结构示意图；图4是本专利技术提供的CBAM
‑
Net通道注意力模块的结构示意图；图5是本专利技术提供的CBAM
‑
Net空间注意力模块的结构示意图；图6是本专利技术提供的CBAM
‑
Net结构示意图；图7是本专利技术提供的改进YOLOv5缺陷检测网络的结构示意图；图8是本专利技术方法对金属焊缝超声相控阵扫查图像缺陷检测的效果图。
具体实施方式
[0011]为使本专利技术解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部内容。
[0012]本专利技术提供的基于改进YOLOv5（You Only Look Once v5）金属焊缝超声相控阵扫查图像缺陷检测方法的实现流程，如图1所示。基于改进YOLOv5金属焊缝缺陷检测方法，包括以下过程：步骤一，获取金属焊缝超声相控阵扫查缺陷图像的数据集。
[0013]LabelImg是一个图形图像注释工具。注释被按照ImageNet所使用的YOLO格式存成TXT文件。利用LabelImg制作好金属焊缝超声相控阵扫查图像缺陷数据集后，将缺陷数据集输入网络，让网络学习数据集缺陷并检测出缺陷。通过输入端输入的图片，改进缺陷检测网络的输入图像大小为1280*1280，通常包含图片预处理阶段，即将输入图像缩放到网络的输入大小并进行归一化等，在网络训练阶段，改进YOLOv5缺陷检测网络使用Mosaic数据增强提升了模型的训练速度和网络精度。
[0014]Mosaic数据增强：这种数据增强的基本思想是将四张图像按照固定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5金属焊缝缺陷检测方法，其特征在于，包括以下过程：步骤一，获取金属焊缝超声相控阵扫查图像的数据集；步骤二，建立改进YOLOv5缺陷检测网络；步骤三，利用K
‑
means++算法，调整改进YOLOv5缺陷检测网络的先验框；步骤四，利用金属焊缝超声相控阵扫查图像的数据集，对调整先验框后的改进YOLOv5缺陷检测网络进行训练，得到缺陷检测模型；步骤五，将待检测扫查图像输入到缺陷检测模型中，检测出焊缝扫查图像的缺陷。2.根据权利要求1所述的基于改进YOLOv5金属焊缝缺陷检测方法，其特征在于，所述改进YOLOv5缺陷检测网络，包括：特征提取单元、特征融合单元和检测单元；所述特征提取单元，包括：输入模块、卷积模块、SENet注意力机制、CBAM
‑
Net注意力机制；所述特征融合单元，包括：卷积模块、最大池化模块、拼接模块、上采样模块、下采样模块；所述检测单元，包括：检测头模块。3.根据权利要求2所述的基于改进YOLOv5金属焊缝缺陷检测方法，其特征在于，在步骤三中，所述K
‑
means++算法的过程如下：步骤301，随机选取聚类中心：所有真实框作为聚类对象，从全部样本点集合中随机选择一个样本点作为新的聚类中心；步骤...

【专利技术属性】
技术研发人员：张庆刚，刘驰，张健，孙圣辉，唐创基，李松松，陈晓明，韩兆龙，黄奔驰，寇晨，邓林峰，
申请(专利权)人：大连海洋大学中远海运散货运输有限公司中远海运重工有限公司，
类型：发明
国别省市：