【技术实现步骤摘要】
本专利技术涉及缺陷检测，特别涉及一种基于改进yolov7的带钢表面缺陷检测方法及系统。
技术介绍
1、带钢是现代钢铁产业的重要产品，带钢生产量大、传送速度快，对带刚表面缺陷检测的准确性和快速性提出了更高的要求，生产现场的复杂环境和各种干扰因素也要求检测方法具有较好的鲁棒性和泛化性。传统的涡流检测、漏磁检测、红外线检测等方法难以满足快速、准确的检测要求。近年来快速发展的深度学习成为带钢表面缺陷图像检测的研究热点。基于深度学习的目标检测算法取代了传统的目标检测算法成为目标检测算法的主流。
2、现有的深度学习目标检测算法主要分为两类，一类是以faster r-cnn、mask r-cnn为代表的two-stage检测算法；另一类是以yolo、ssd为代表的one-stage检测算法。yolo系列模型在检测精度与检测速度之间较为平衡，且不断推出新的基准模型，目前经历几代的发展，吸取了大量其它模型的先进经验，检测精度不断提升且保持了不错的检测速度。目前yolov7算法在检测速度和检测精度上相较之前的版本都有较大提升，是目前最优秀的检测算法之一。但是，包括yolov7的一系列目标检测算法中都使用的是anchor-based方法，此方法针对不同的数据集，都会有初始设定的anchor box，并且在网络训练过程中，网络在初始anchor box的基础上输出预测框，进而和真实框(grounding truth)进行对比，再反向更新，迭代网络参数。但是这种方法存在弊端。anchor的设置需要手动设计(长宽比，尺寸大小以及anchor的数
技术实现思路
1、本专利技术目的之一在于提供了一种基于改进yolov7的带钢表面缺陷检测方法及系统，采用eiou l oss作为回归损失函数，其尺度不变，可以直接优化边框回归的评价指标加快模型拟合速度，convnext网络提升yolov7模型对小目标的检测精度。
2、本专利技术实施例提供的一种基于改进yolov7的带钢表面缺陷检测方法，包括：
3、将现场采集的带钢表面图像输入改进的yolov7模型，得到检测结果；
4、其中，改进的yolov7模型的主干网络为convnext网络；改进的yolov7模型在训练时采用eiou l oss作为回归损失函数指导训练。
5、优选的，eiou损失函数的公式如下：
6、
7、式中，leiou表示eiou损失；liou表示iou损失；ldis表示距离损失；lasp表示边长损失；ρ2(b,bgt)表示真实框和预测框长度的欧式距离；ρ2(ω,ωgt)表示真实框和预测框宽度的欧式距离；ρ2(h,hgt)表示真实框和预测框高度的欧式距离；c表示同时包含真实框和预测框的最短长度；cω表示同时包含真实框和预测框的最短宽度；ch表示同时包含真实框和预测框的最短高度。
8、优选的，改进的yolov7模型在训练时的最终损失函数如下：
9、laf＝leiou(box)+lfl(objectness)+lce(class)
10、式中，laf表示最终损失函数；leiou(box)为目标框选取损失，
11、lfl(objectness)为客观性损失，lce(class)为目标分类损失。
12、优选的，改进的yolov7模型采用gelu作为激活函数。
13、优选的，现场采集的带钢表面图像遵循以下规则：
14、获取带钢的生产设备的运行监测数据；
15、采用异常分析库，对运行监测数据进行分析，以分析结果为基础，控制图像采集设备动作，对采集分析结果对应于带钢上的位置进行图像采集。
16、本专利技术还提供一种基于改进yolov7的带钢表面缺陷检测系统，包括：
17、监测单元，用于将现场采集的带钢表面图像输入改进的yolov7模型，得到检测结果；
18、其中，改进的yolov7模型的主干网络为convnext网络；改进的yolov7模型在训练时采用eiou l oss作为回归损失函数指导训练。
19、优选的，eiou损失函数的公式如下：
20、
21、式中，leiou表示eiou损失；liou表示iou损失；ldis表示距离损失；lasp表示边长损失；ρ2(b,bgt)表示真实框和预测框长度的欧式距离；ρ2(ω,ωgt)表示真实框和预测框宽度的欧式距离；ρ2(h,hgt)表示真实框和预测框高度的欧式距离；c表示同时包含真实框和预测框的最短长度；cω表示同时包含真实框和预测框的最短宽度；ch表示同时包含真实框和预测框的最短高度。
22、优选的，改进的yolov7模型在训练时的最终损失函数如下：
23、laf＝leiou(box)+lfl(objectness)+lce(class)
24、式中，laf表示最终损失函数；leiou(box)为目标框选取损失，
25、lfl(objectness)为客观性损失，lce(class)为目标分类损失。
26、优选的，改进的yolov7模型采用gelu作为激活函数。
27、优选的，基于改进yolov7的带钢表面缺陷检测系统，还包括：采集单元，用于现场采集带钢表面图像；
28、采集单元现场采集的带钢表面图像，执行如下操作：
29、获取带钢的生产设备的运行监测数据；
30、采用异常分析库，对运行监测数据进行分析，以分析结果为基础，控制图像采集设备动作，对采集分析结果对应于带钢上的位置进行图像采集。
31、本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
32、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv7的带钢表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于改进YOLOv7的带钢表面缺陷检测方法，其特征在于，EIOU损失函数的公式如下：
3.根据权利要求1所述的基于改进YOLOv7的带钢表面缺陷检测方法，其特征在于，改进的YOLOv7模型在训练时的最终损失函数如下：
4.根据权利要求1所述的基于改进YOLOv7的带钢表面缺陷检测方法，其特征在于，改进的YOLOv7模型采用GELU作为激活函数。
5.根据权利要求1所述的基于改进YOLOv7的带钢表面缺陷检测方法，其特征在于，现场采集的带钢表面图像遵循以下规则：
6.一种基于改进YOLOv7的带钢表面缺陷检测系统，其特征在于，包括：
7.根据权利要求6所述的基于改进YOLOv7的带钢表面缺陷检测系统，其特征在于，EIOU损失函数的公式如下：
8.根据权利要求6所述的基于改进YOLOv7的带钢表面缺陷检测系统，其特征在于，改进的YOLOv7模型在训练时的最终损失函数如下：
9.根据权利要求6所述
10.根据权利要求6所述的基于改进YOLOv7的带钢表面缺陷检测系统，其特征在于，还包括：采集单元，用于现场采集带钢表面图像；
...【技术特征摘要】
1.一种基于改进yolov7的带钢表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于改进yolov7的带钢表面缺陷检测方法，其特征在于，eiou损失函数的公式如下：
3.根据权利要求1所述的基于改进yolov7的带钢表面缺陷检测方法，其特征在于，改进的yolov7模型在训练时的最终损失函数如下：
4.根据权利要求1所述的基于改进yolov7的带钢表面缺陷检测方法，其特征在于，改进的yolov7模型采用gelu作为激活函数。
5.根据权利要求1所述的基于改进yolov7的带钢表面缺陷检测方法，其特征在于，现场采集的带钢表面图像遵循以下规则：
【专利技术属性】
技术研发人员：胡毅，张永平，徐森，陈朝峰，郭乃瑄，刘燕，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：
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。