基于改进制造技术

本发明专利技术公开了一种基于改进

【技术实现步骤摘要】
基于改进YOLOv5的手套缺陷检测方法


[0001]本专利技术属于缺陷检测
，尤其涉及一种基于改进
YOLOv5
的手套缺陷检测方法
。

技术介绍

[0002]在全球制造业加快数字化进程下，全球丁腈手套需求量呈逐年上升趋势
。
随着丁腈手套生产规模的不断扩大，其生产过程中存在的表面缺陷问题时有发生，缺陷检测成为生产环节中的一大难点
。
这对丁腈手套质量检测精度和速度提出更高的要求
。
丁腈手套常见的表面缺陷有撕裂
、
划痕等
。
[0003]目前，对丁腈手套生产的缺陷检测工作主要使用人工方式进行，但人工检测存在效率低
、
误检率高和漏检率高等问题，难以满足日益扩大的丁腈手套生产规模需求
。
为了在保障丁腈手套生产质量的同时降低人工成本，手套缺陷检测模式亟待完成由人工检测向自动化检测的转型
。
[0004]随着深度学习的广泛应用，物体检测的准确性和效率大大提高，未来丁腈医用手套的缺陷检测将主要集中在缺陷目标的检测上
。
在大量文献的基础上，将目标检测算法大致分为两类
:
两阶段目标检测算法和单阶段目标检测算法
。
两阶段目标检测的经典算法有
R
‑
CNN、SPP
‑
Net、Fast R
‑
CNN、Faster R
‑
CNN
等r/>。
针对双阶段目标检测算法的低效问题，提出了
YOLO
，舍去了算法中的候选框提取分支，直接将特征提取
、
候选框分类和回归在同一个无分支的深度卷积网络中实现，使得网络结构变得简单，使得基于深度学习的目标检测算法在当时的计算能力下开始能够满足实时检测任务的需求
。
[0005]YOLO
算法自其提出以来不断融合各种网络结构，提高检测性能，但是针对丁腈医务手套的缺陷检测问题鲜有研究，大多数还是将缺陷检测方法停留在物理检测和简单的卷积神经网络实现的目标检测上，存在处理过程繁琐
、
对硬件和环境要求较高
、
不便部署
、
误检漏检等问题
。

技术实现思路

[0006]为解决上述技术问题，本专利技术提出了一种基于改进
YOLOv5
的手套缺陷检测方法，以解决现有技术中存在处理过程繁琐
、
对硬件和环境要求较高
、
不便部署
、
误检漏检的问题
。
[0007]为实现上述目的，本专利技术提供的基于改进
YOLOv5
的手套缺陷检测方法，包括以下步骤：
[0008]采集手套图片，构建手套数据集；
[0009]构建
YOLOv5
模型，并对
YOLOv5
模型进行优化，获得改进的
YOLOv5
手套检测模型；
[0010]基于所述手套数据集对改进的
YOLOv5
手套检测模型进行训练，得到手套缺陷检测模型；
[0011]通过所述手套缺陷检测模型对手套进行缺陷检测
。
[0012]优选地，所述对
YOLOv5
模型进行优化的方法包括：改进
YOLOv5
模型的小目标检测层；添加
CCA
注意力机制模块；改进
YOLOv5
模型的损失函数
。
[0013]优选地，所述改进
YOLOv5
模型的小目标检测层的方法包括：在
YOLOv5
模型的小目标检测层第
17
层后，对特征图进行上采样处理；在第
20
层时，将获取到的大小为
160X160
的特征图与骨干网络中第2层特征图通过
concat
进行特征图组合；在第
31
层，增加分割检测模块
。
[0014]优选地，
CCA
注意力机制模块的处理方法包括：将特征图像进行全局平均池化处理，获得两个一维特征，将所述两个一维特征在
W
维度上进行拼接，再经过一个卷积以及非线性激活函数，将特征在通道维度进行拆分，得到两个带有特定空间方向长程依赖的特征图，将两个带有特定空间方向长程依赖的特征图与原特征进行特征融合，得到在宽度与高度方向上带有注意力权重的特征图
。
[0015]优选地，所述改进
YOLOv5
模型的损失函数的方法包括：将
EIOU
损失函数添加到
YOLOv5
模型的损失函数中，再通过
Alpha
‑
IoU
对
YOLOv5
模型的损失函数进行改进
。
[0016]优选地，所述
EIOU
损失函数包括重叠损失
、
距离损失和宽高损失
。
[0017]优选地，所述通过
Alpha
‑
IoU
对
YOLOv5
模型的损失函数进行改进的方法包括：通过
Box
‑
Cox
变换将
YOLOv5
模型中普通
IOU
损失归纳为
α
‑
IoU
损失
。
[0018]优选地，所述缺陷检测包括水平撕裂检测
、
垂直撕裂检测和划痕检测
。
[0019]与现有技术相比，本专利技术具有如下优点和技术效果：
[0020]本专利技术所述的一种基于改进
YOLOv5
的手套缺陷检测方法
。
为增强对手套划痕等小目标的检测性能，对
YOLOv5
模型进行了改进，在实验设备不变的情况下，算法与原
YOLOv5
相比，水平撕裂检测
、
垂直撕裂检测
、
划痕检测这三大类缺陷检测模型的检测精度得到了大幅提升
。
附图说明
[0021]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定
。
在附图中：
[0022]图1为本专利技术实施例的手套缺陷检测方法流程图；
[0023]图2为本专利技术实施例的改进后的
YOLOv5
整体网络结构图；
[0024]图3为本专利技术实施例的
CCA
注意力机制架构图；
[0025]图4为本专利技术实施例的全局平均池化架构图
。
具体实施方式
[0026]需要说明的是，在不冲突的情况下，本申请中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于改进
YOLOv5
的手套缺陷检测方法，其特征在于，包括以下步骤：采集手套图片，构建手套数据集；构建
YOLOv5
模型，并对
YOLOv5
模型进行优化，获得改进的
YOLOv5
手套检测模型；基于所述手套数据集对改进的
YOLOv5
手套检测模型进行训练，得到手套缺陷检测模型；通过所述手套缺陷检测模型对手套进行缺陷检测
。2.
根据权利要求1所述的基于改进
YOLOv5
的手套缺陷检测方法，其特征在于，所述对
YOLOv5
模型进行优化的方法包括：改进
YOLOv5
模型的小目标检测层；添加
CCA
注意力机制模块；改进
YOLOv5
模型的损失函数
。3.
根据权利要求2所述的基于改进
YOLOv5
的手套缺陷检测方法，其特征在于，所述改进
YOLOv5
模型的小目标检测层的方法包括：在
YOLOv5
模型的小目标检测层第
17
层后，对特征图进行上采样处理；在第
20
层时，将获取到的大小为
160X160
的特征图与骨干网络中第2层特征图通过
concat
进行特征图组合；在第
31
层，增加分割检测模块
。4.
根据权利要求2所述的基于改进
YOLOv5
的手套缺陷检测方法，其特征在于，
CCA
注意力机制模块的处理方法包括：将特征图像进行全局平均池化处理，获得两个一维特征，将所述两个一维特征在
W<...

【专利技术属性】
技术研发人员：张双，靳慧龙，杜瑞炎，乔立永，赵佳，刘万明，曹玲茹，
申请(专利权)人：河北师范大学，
类型：发明
国别省市：