【技术实现步骤摘要】
本专利技术涉及工业缺陷检测领域，具体涉及一种基于改进yolov5s网络的带钢表面缺陷检测方法。
技术介绍
1、钢材在工业中起着非常重要的作用，是机械制造、造船、航空航天等领域中不可缺少的原材料。随着我国工业水平的发展，生活质量的提高，对材料质量的要求也越来越高，但是钢材在生产制造的过程中会受到生产环境、制造设备、质量损耗等因素影响，表面会出现裂纹、划痕、斑块等缺陷，轻则影响产品的美观，重则影响建筑物的建设安全，带来安全隐患，造成事故。
2、传统的缺陷检测主要以人工检测为主，依靠专业检测工人的经验，劳动强度大且需要大量时间，也容易因视觉疲惫造成漏检和误检，不能满足工业现有缺陷检测需求。随着深度学习的发展，由于卷积神经网络有强大的图片特征提取能力，许多研究者提出了基于深度学习的带钢表面缺陷检测模型。尽管现有的带钢表面缺陷检测模型有很多，但大多存在着模型体积大、参数量多、运行时间过长等问题。
3、深度学习将物体检测分为one stage和two stage两类，two stage算法分为两步先观察后思考，而one stage算法可以直接识别出位置和类别，无需对感兴趣区域提取。yolov5就是one stage算法，网络结构分主要为3部分为backbone、neck、head。由于带钢表面背景比较复杂，且带钢表面缺陷种类多，表现形式也有不同，难以很好的特征提取，使得准确率一般。而yolov5算法具有速度快、准确率高、易于使用等优点。
技术实现思路
1、本专利技术提供
2、本专利技术采取的技术方案为：
3、基于改进yolov5s网络的带钢表面缺陷检测方法，包括以下步骤：
4、步骤1：收集带钢表面缺陷图像，对其筛选和预处理；
5、步骤2：对步骤1处理后的图像进行标注，标记出缺陷区域，并划分为训练集、验证集、测试集；
6、步骤3：改进yolov5s网络模型；
7、步骤4：将训练集图像输入步骤3中改进yolov5s网络模型进行训练，使用训练后的改进yolov5s网络模型对测试集进行检测。
8、所述步骤1中，采用neu-det带钢表面缺陷数据集，包含六种缺陷即划痕、斑点、麻点、杂物夹、裂纹和轧入氧化皮，对图像进行筛选和预处理，除去无效图像。
9、所述步骤2中，使用labelme工具，对步骤1处理后的图像进行标注，标记出缺陷区域，并输入缺陷名称，并按照8：1：1的比例划分为训练集、验证集、测试集，以保证模型训练时得到可靠的数据。
10、所述步骤3中，
11、yolov5s网络模型包括：
12、backbone部分,对输入图像进行多次下采样，来提取图像特征；
13、neck部分，进行多尺度融合，将图像深层的图像特征信息与浅层的信息相互传递融合；
14、head部分，进行网络预测，采用非极大值抑制方法，筛选边界框，输出预测框类别、置信度和位置向量；
15、对yolov5s网络模型进行改进，包括：
16、将yolov5网络结构的backbone部分中的c3模块改成c3se模块；
17、在yolov5网络结构的head部分中嵌入se通道注意力机制，将head部分中的detect模块更改为asff_detect模块，加入asff自适应空间特征融合方法；
18、在conv模块的激活函数部分采用mish激活函数。
19、进一步地，加入se通道注意力机制，可以学习每个特征通道的重要程度，从重要程度来增强有用特征，抑制不重要特征，实现特征权重更好的调整，增强了带钢表面缺陷特征的表达能力。
20、se通道注意力机制主要包transformation(ftr)、squeeze(fsq)、excitation(fex)和scale(fscale)四步操作。先对输入的图像特征全部平均池化的处理，再将特征经过两个全连接层，其中，第二个全连接层神经元个数与输入特征层相同，使得图像通道数不改变。最后采用sigmod函数控制输出范围将其归一化处理，产生的权重与原特征图相乘，最后得到经过se注意力机制提取的特征图。由图3可得，输入图像经过四个步骤，第一步中，特征图x经过经过ftr操作生成特征图u；第二步中，将特征图u全局平均池化，生成1*1*c的向量；第三步中，将向量通过两个全连接层w1、w2得到通道权重值s，s中不同值代表不同通道的权重信息；第四步中，将第三步生成权重向量s对第一步中的特征图u进行权重赋值，这就得到了目标特征图，其尺寸大小与u完全一样。
21、进一步地，c3se模块，是将c3模块与se通道注意力机制结合起来，将残差特征进行的调整，获得更高级别的特征信息，增强模型的感受野，提高检测的准确性。
22、进一步地，asff自适应空间特征融合方法，asff将高层与底层的特征信息融合起来，对于尺度不同的特征充分利用。总共包含3层asff-1、asff-2、asff-3，每一层都是将特征进行融合，以asff-3为例，将level1、level2、level3中不同特征x1、x2、x3与不同层的权重参数相乘并相加，就得到了asff-3,其中asff-1、asff-2都是一样。最后得到预测。
23、经过学习权重参数，使得不同特征很好的融合到一起，学习空间过滤冲突信息的办法来控制梯度反传的不一致性，改善特征比例的不变性，提高了对特征提取能力。
24、进一步地，mish激活函数有无上界有下界，防止因为封顶而造成饱和，理论上对负值轻微允许有更好梯度流，有助于正则化效果实现。mish激活函数很光滑，有较好的泛化能力，且不是单调函数，有助于保持小的负值，允许轻微的负值稳定梯度。其计算公式如下所示：
25、f(x)＝x*tanh(ln(1+e))
26、mish激活函数对输入x经过上述公式输出。
27、本专利技术一种基于改进yolov5s网络的带钢表面缺陷检测方法，技术效果如下：
28、1)本专利技术提出的基于改进yolov5s网络算法的带钢表面缺陷检测方法，针对工业中常产生的裂斑、斑块等表面缺陷问题，可以直接进行检测，在保证低参数和检测速度快的情况下，检测的准确度也有所提升。
29、2)本专利技术通过在neck网络结构部分中引入squeeze-and-excitation networks，对重要的特征通道进行增强，提高对带钢表面缺陷特征的表达能力。
30、3)本专利技术通过在backbone网络结构中用c3se模块取代c3模块，增强对重要特征通道的提取，提高了模型对于背景复杂、缺陷特征模糊难以分别之类缺陷的提取能力。
31、4)本专利技术本专利技术通过在backbone网络结构中本文档来自技高网...
【技术保护点】
1.基于改进Yolov5s网络的带钢表面缺陷检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于改进Yolov5s网络的带钢表面缺陷检测方法，其特征在于：所述步骤1中，采用NEU-DET带钢表面缺陷数据集，包含六种缺陷即划痕、斑点、麻点、杂物夹、裂纹和轧入氧化皮，对图像进行筛选和预处理，除去无效图像。
3.根据权利要求1所述基于改进Yolov5s网络的带钢表面缺陷检测方法，其特征在于：所述步骤2中，使用Labelme工具，对步骤1处理后的图像进行标注，标记出缺陷区域，并输入缺陷名称，并按照8：1：1的比例划分为训练集、验证集、测试集，以保证模型训练时得到可靠的数据。
4.根据权利要求1所述基于改进Yolov5s网络的带钢表面缺陷检测方法，其特征在于：
5.根据权利要求4所述基于改进Yolov5s网络的带钢表面缺陷检测方法，其特征在于：加入SE通道注意力机制，先对输入的图像特征全部平均池化的处理，再将特征经过两个全连接层，其中，第二个全连接层神经元个数与输入特征层相同，使得图像通道数不改变；最后采用Sigmod函数控制输出范
6.根据权利要求4所述基于改进Yolov5s网络的带钢表面缺陷检测方法，其特征在于：C3SE模块，是将C3模块与SE通道注意力机制结合起来，将残差特征进行的调整，获得更高级别的特征信息。
7.根据权利要求4所述基于改进Yolov5s网络的带钢表面缺陷检测方法，其特征在于：Mish激活函数其计算公式如下所示：
...【技术特征摘要】
1.基于改进yolov5s网络的带钢表面缺陷检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于改进yolov5s网络的带钢表面缺陷检测方法，其特征在于：所述步骤1中，采用neu-det带钢表面缺陷数据集，包含六种缺陷即划痕、斑点、麻点、杂物夹、裂纹和轧入氧化皮，对图像进行筛选和预处理，除去无效图像。
3.根据权利要求1所述基于改进yolov5s网络的带钢表面缺陷检测方法，其特征在于：所述步骤2中，使用labelme工具，对步骤1处理后的图像进行标注，标记出缺陷区域，并输入缺陷名称，并按照8：1：1的比例划分为训练集、验证集、测试集，以保证模型训练时得到可靠的数据。
4.根据权利要求1所述基于改进yolov5s网络的带钢表面缺陷检测方法，其特征在于：<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。