金属表面缺陷检测方法、可读介质、装置制造方法及图纸

本发明专利技术公开了一种金属表面缺陷检测方法、可读介质、装置，涉及图像检测的技术领域，本发明专利技术旨在解决金属表面缺陷检测精度差的问题，本发明专利技术设计改SPPF模块并引入Neck部分，同时引入SE模块增加了注意力机制，将C3TR模块替换Backbone部分中末位的C3模块、将SPD模块引入Backbone部分中。Backbone部分中。Backbone部分中。

【技术实现步骤摘要】
金属表面缺陷检测方法、可读介质、装置


[0001]本专利技术涉及图像检测的
，具体涉及一种金属表面缺陷检测方法、可读介质、装置。

技术介绍

[0002]金属表面缺陷即可发生于生产阶段，也可以发生于使用阶段。这类缺陷不仅影响外观，而且还会影响性能，所以对金属金属表面进行缺陷检测成为了把控质量的关键环节之一。
[0003]基于图像识别缺陷的检测方法因其能够胜任繁重的工作量，所以相关技术得到了长足的发展。最为常用手段的便是借助YOLO网络结构进行缺陷检测。
[0004]YOLO网络结构可以分为Input、Backbone、Neck以及Head四部分，其内部又有若干个不同的处理模块。处理过程可以大致划分为图像特征提取、边界框预测以及损失回归处理。
[0005]现有技术存在检测精度差的问题，原因包括金属缺陷与金属表面的对比通常并不十分明显，例如缺陷很小或是颜色差距不大，还会受到图像经裁切放大后分辨率下降的影响，所以，在检测过程中，图像中的特征并不能够充分准确的提取，也就是最终导致部分缺陷无法检测出来，造成检测精度差的问题。

技术实现思路

[0006]本专利技术提出了一种金属表面缺陷检测方法，其包括以下步骤：
[0007]S1、获取金属表面的初始图像；
[0008]S2、建立YOLO网络结构；
[0009]S3、将所述初始图像输入YOLO网络结构，对所述初始图像中金属表面的缺陷进行识别和定位；
[0010]所述YOLO网络结构包括Input部分、Backbone部分、Neck部分以及Head部分；
[0011]将SPPF模块改进为改SPPF模块，将所述改SPPF模块引入所述Neck部分，设置于所述Neck部分中至少一个所述Concat模块的后侧，用于对所述Concat模块的输出进行处理。
[0012]本专利技术的进一步设置为：所述改SPPF模块包括GhostConv模块、MAXP00L模块、Concat模块、SE模块；
[0013]所述ChostConv模块设置两个，其中一个用于接收外部输入并生成第一结果；
[0014]所述MAXPOOL模块设置有三个，分别用于获取所述第一结果并生成第二结果、获取所述第二结果并生成第三结果、获取所述第三结果并生成第四结果；
[0015]Concat模块获取所述第一结果、所述第二结果、所述第三结果以及所述第四结果，并生成第五结果；
[0016]所述第五结果顺次经过另一个所述GhostConv模块以及所述SE模块处理。
[0017]本专利技术的进一步设置为：包括SE模块，所述SE模块至少设置于所述Backbone和/或
Neck部分中的一个C3模块的后侧，用于对所述C3模块的输出进行处理。
[0018]本专利技术的进一步设置为：所述SE模块执行以下步骤：A、对输入进行卷积以得到特征图；B、依式(1)对所述特征图进行压缩操作，以提取出所述特征图中各通道的权重式中：H
×
W为通道空间大小；X
c
为输入特征图；(i，j)为X
c
上横坐标i、纵坐标j的点；F
sq
(X
c
)表示对特征图进行压缩操作；Z为经过压缩后得到的全局特征；C、依式(2)进行激励操作，S
c
＝F
ex
(Z，Q)＝Sigmoid[Q2×
ReLU(Q1，Z)]ꢀꢀꢀꢀꢀꢀꢀ
式(2)式中：S
C
为目标参数，即经过激励操作后的注意力权重；F
ex
()是获取注意力权重的函数，其中需要用Z和Q两个参数；Q为全连接层的权重矩阵，是经神经网络学习得到的参数，其中又包括Q1和Q2两个参数；Q1是降维参数；Q2是升维参数；Q1与Z相乘表示全连接层的降维操作，经过ReLU激活函数处理后，与Q2相乘进行升维操作，最后进行Sigmoid激活，可得到S
C
。激励操作的最终目的是为每个特征通道生成权重，即学习到各个通道的激活值(Sigmoid激活，值在0
‑
1之间)；D、依式(3)进行重定权重操作，将各通道各自权重相乘，将权重重新分配式中：F
scale
代表重定权重操作；为经过SE通道注意力得出的结果。
[0019]本专利技术的进一步设置为：所述Backbone部分中最后一个C3模块替换为C3TR模块。
[0020]本专利技术的进一步设置为：将GhostConv模块替代普通Conv模块。
[0021]本专利技术的进一步设置为：在所述Backbone部分中，加入SPD模块，设置于至少一个ConvBNSIL模块的后侧，用于对所述ConvBNSIL模块的输出进行处理。
[0022]本专利技术提出一种可读介质，其存储有计算机程序，所述计算机程序用于执行如上述所述的方法。
[0023]本专利技术提出一种装置，配置有图像采集装置、存储装置、处理器，所述图像采集装用于采集金属表面的初始图像；所述存储装置存储有一个或多个程序，所述处理器用于执行所述程序以实现如上述所述的方法。
[0024]本专利技术的有益效果为：
[0025]在改SPPF模块中，经卷积，以及三处最大池化处理后，会得到四种不同尺寸的特征图从而得到不同的感受野，然后在Concat模块进行特征图的融合，得到了一个特征更加丰富的特征图，随后再次卷积，这种方式保证了输入与输出的特征图大小相同，提高了模型对不同尺度物体的感知能力，有利于后续的检测任务。
[0026]由于金属表面缺陷信息模糊以及缺陷形状不规律，所以将改SPPF模块引入Neck部分后，提升了网络结构对多尺度目标的感知能力以及网络结构对特征信息的提取与融合能力，提高了网络结构的检测精度。
附图说明
[0027]图1是本专利技术中YOLO网络结构的系统框图；
[0028]图2是本专利技术中SPPF模块的系统框图；
[0029]图3是现有技术中YOLO网络结构的系统框图；
[0030]图4是本专利技术中实施例1的检测效果图；
[0031]图5是现有技术中原始YOLOv5算法的检测效果图；
[0032]图6是本专利技术中对比例1的检测效果图。
具体实施方式
[0033]为了更进一步阐述本专利技术为达到预定专利技术目的所采取的技术手段及功效，以下结合附图及实施例，对依据本专利技术提出的方法和/或系统，详细说明如下。
[0034]实施例1
[0035]本实施例提出一种金属表面缺陷检测方法，包括以下步骤：
[0036]S1、获取金属表面的初始图像；
[0037]S2、建立YOLO网络结构；
[0038]S3、将初始图像输入YOLO网络结构，对初始图像的金属表面进行识别和定位。
[0039]YOLO网络结构基于YOLOv5建立，包括Input部分、Backbone部分、Neck部分以及Head部分。各部分中又有各种不同的模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种金属表面缺陷检测方法，其特征在于：包括以下步骤：S1、获取金属表面的初始图像；S2、建立YOLO网络结构；S3、将所述初始图像输入YOLO网络结构，对所述初始图像中金属表面的缺陷进行识别和定位；所述YOLO网络结构包括Input部分、Backbone部分、Neck部分以及Head部分；将SPPF模块改进为改SPPF模块，将所述改SPPF模块引入所述Neck部分，设置于所述Neck部分中至少一个所述Concat模块的后侧，用于对所述Concat模块的输出进行处理。2.根据权利要求1所述的金属表面缺陷检测方法，其特征在于：所述改SPPF模块包括GhostConv模块、MAXPOOL模块、Concat模块、SE模块；所述ChostConv模块设置两个，其中一个用于接收外部输入并生成第一结果；所述MAXPOOL模块设置有三个，分别用于获取所述第一结果并生成第二结果、获取所述第二结果并生成第三结果、获取所述第三结果并生成第四结果；Concat模块获取所述第一结果、所述第二结果、所述第三结果以及所述第四结果，并生成第五结果；所述第五结果顺次经过另一个所述GhostConv模块以及所述SE模块处理。3.根据权利要求1所述的金属表面缺陷检测方法，其特征在于：包括SE模块，所述SE模块至少设置于所述Backbone和/或Neck部分中的一个C3模块的后侧，用于对所述C3模块的输出进行处理。4.根据权利要求3所述的金属表面缺陷检测方法，其特征在于：所述SE模块执行以下步骤：A、对输入进行卷积以得到特征图；B、依式(1)对所述特征图进行压缩操作，以提取出所述特征图中各通道的权重式中：H
×
W为通道空间大小；X
c
为输入特征图；(i,j)为X
c
上横坐标i、纵坐标j的点；F
sq
(X
c
)表示对特征图进行压缩操作；Z为经过压缩后得到的全局特征。C、依式(2)进行激励操作，S
...

【专利技术属性】
技术研发人员：刘业峰，余龙飞，何增鹏，马祎航，刘晶晶，
申请(专利权)人：沈阳工学院，
类型：发明
国别省市：