一种基于改进制造技术

本发明专利技术公开了一种基于改进

【技术实现步骤摘要】
一种基于改进YOLOv5模型的螺栓检测方法及系统


[0001]本专利技术涉及计算机视觉
，具体涉及一种基于改进
YOLOv5
模型的螺栓检测方法及系统
。

技术介绍

[0002]铁路轨枕螺栓是铁路轨道扣件的重要组成部分之一，由于其长期暴露在大气中，经受风吹雨淋，霜冻雪埋等循环性气候变化，容易出现氧化锈蚀
。
螺栓锈蚀轻则使螺栓锈死，影响轨距调整和轨道水平找正等养路作业，重则使螺栓根部腐蚀折断，影响行车安全
。
因此，为了保证运输安全，应有计划的对轨枕螺栓进行防锈蚀处理
。
近年来，在对轨枕螺栓进行长效防腐脂涂覆作业时，逐渐开始使用简单机具或智能装置进行螺栓自动识别和涂覆，然而，由于在识别中会出现遮挡
、
翻转以及平移等问题，
[0003]现有的钢轨螺栓识别方法往往使用计算机视觉技术，将图像处理技术用于钢轨螺栓的识别，可用于钢轨螺栓的自动涂覆，有效提高钢轨螺栓涂油保养的效率，减轻作业人员的工作负担
。
然而，由于钢轨螺栓图像中包含大量冗杂信息，往往还出现阴影
、
光照不均衡
、
复杂背景等情况，在识别中螺栓图像会出现遮挡
、
翻转以及平移等问题，造成误检和漏检的情况，的拓扑结构和形态差异较大，容易导致对其局部的误判和漏检
。
因此，如何快速
、
准确的识别钢轨螺栓，对提高铁路养路机械化水平，做好轨道零件日常性保养具有重要意义
。

技术实现思路

[0004]为了解决上述问题，本专利技术提出了一种基于改进
YOLOv5
模型的钢轨螺栓检测方法，提高了识别效果，还减少了模型复杂度，提高了检测速度，能够快速的应对大规模的目标检测任务
。
[0005]本专利技术解决其技术问题采取的技术方案是：
[0006]本专利技术实施例提供的一种基于改进
YOLOv5
模型的螺栓检测方法，包括以下步骤：
[0007]采集钢轨螺栓图像进行预处理，建立目标数据集；
[0008]构建结合
CARAFE
和
NWD
‑
IOU
损失函数的改进
YOLOv5
模型；
[0009]利用目标数据集，对所述改进
YOLOv5
模型进行训练并评估；
[0010]使用评估完成的改进
YOLOv5
模型进行钢轨螺栓检测
。
[0011]进一步的，采集钢轨螺栓图像进行预处理，建立目标数据集，包括：
[0012]使用
LabelImg
标注工具对采集的螺栓图像中螺栓位置进行标注，获得每张图像对应的
xml
文件；
[0013]对每张螺栓图像及其对应的
xml
格式文件进行数据增强操作；
[0014]将螺栓图像及其
xml
文件按照
VOC
格式进行存储，建立目标数据集
。
[0015]进一步的，构建结合
CARAFE
和
NWD
‑
IOU
损失函数的改进
YOLOv5
模型，包括：
[0016]建立基础
YOLOv5
模型；
[0017]将传统上采样模块替换为
CARAFE
上采样模块；
[0018]使用
NWD
‑
IOU
损失函数作为模型的回归损失函数
。
[0019]进一步的，
CARAFE
上采样模块进行上采样，包括：
[0020]输入形状为
H
×
W
×
C
的特征图，用1×1×1卷积将它的通道数压缩到
H
×
W
×
C
m
，其中
H、W、C
分别为图片高度
、
图片长度和图片通道数；
[0021]设上采样倍率为
σ
，利用
K
encoder
×
K
encoder
的卷积层，输入通道数为
C
m
，输出通道数为将通道数在空间维展开，得到形状为的上采样核；
[0022]将所述上采样核利用
Softmax
进行归一化，使卷积核权重和为
1。
[0023]进一步的，所述
NWD
‑
EIOU
损失函数的公式，包括：
[0024]L
Bbox
＝
(1
‑
IOU
r
)
×
(1
‑
NWD)+IOU
r
×
(1
‑
IOU)
[0025]其中，
IOU
为预测边界框与真实边界框的重叠面积，
IOU
为使用
IOU
度量方法的阈值设定值，
NWD
为使用
NWD
度量方法的基础设定值
。
[0026]进一步的，将所述目标数据集划分为训练集
、
验证集和测试集，其中训练集
、
验证集与测试集的比例为
7:2:1。
[0027]进一步的，对改进
YOLOv5
模型进行评估，包括：
[0028]计算召回率
Recall、
精确率
Precision
和
F1
分数：
[0029]Recall
＝
TP/(TP+FN)
[0030]Precision
＝
TP/(TP+FP)
[0031]F1
‑
Score
＝2×
(Precision
×
Recall)/(Precision+Recall)
[0032]其中，
TP
为将正类预测为正类的样本个数，
FN
为将正类预测为负类的样本个数，
FP
为将负类预测为正类的样本个数，
TN
为将负类预测为负类的样本个数
。
[0033]本专利技术实施例提供的一种基于改进
YOLOv5
模型的螺栓检测系统，其特征在于，包括：
[0034]图像处理模块，用于采集钢轨螺栓图像进行预处理，建立目标数据集；
[0035]模型建立模块，用于构建结合
CARAFE
和
NWD
‑
IOU
损失函数的
YOLOv5
模型；...

【技术保护点】

【技术特征摘要】
1.
一种基于改进
YOLOv5
模型的螺栓检测方法，其特征在于，包括以下步骤：采集钢轨螺栓图像进行预处理，建立目标数据集；构建结合
CARAFE
和
NWD
‑
IOU
损失函数的改进
YOLOv5
模型；利用目标数据集，对所述改进
YOLOv5
模型进行训练并评估；使用评估完成的改进
YOLOv5
模型进行钢轨螺栓检测
。2.
根据权利要求1所述的一种基于改进
YOLOv5
模型的螺栓检测方法，其特征在于，采集钢轨螺栓图像进行预处理，建立目标数据集，包括：使用
LabelImg
标注工具对采集的螺栓图像中螺栓位置进行标注，获得每张图像对应的
xml
文件；对每张螺栓图像及其对应的
xml
格式文件进行数据增强操作；将螺栓图像及其
xml
文件按照
VOC
格式进行存储，建立目标数据集
。3.
根据权利要求1所述的一种基于改进
YOLOv5
模型的螺栓检测方法，其特征在于，构建结合
CARAFE
和
NWD
‑
IOU
损失函数的改进
YOLOv5
模型，包括：建立基础
YOLOv5
模型；将传统上采样模块替换为
CARAFE
上采样模块；使用
NWD
‑
IOU
损失函数作为模型的回归损失函数
。4.
根据权利要求3所述的一种基于改进
YOLOv5
模型的螺栓检测方法，其特征在于，
CARAFE
上采样模块进行上采样，包括：输入形状为
H
×
W
×
C
的特征图，用1×1×1卷积将它的通道数压缩到
H
×
W
×
C
m
，其中
H、W、C
分别为图片高度
、
图片长度和图片通道数；设上采样倍率为
σ
，利用
K
encoder
×
K
encoder
的卷积层，输入通道数为
C
m
，输出通道数为将通道数在空间维展开，得到形状为的上采样核；将所述上采样核利用
Softmax
进行归一化，使卷积核权重和为
1。5.
根据权利要求3所述的一种基于改进
YOLOv5
模型的螺栓检测方法，其特征在于，所述
NWD
‑
EIOU
损失函数的公式，包括：
L
Bbox
＝
(1
‑
IOU
...

【专利技术属性】
技术研发人员：潘广源，宋华建，白志远，苗志军，王新聪，
申请(专利权)人：山东华盛中天工程机械有限责任公司，
类型：发明
国别省市：