【技术实现步骤摘要】
本专利技术涉及工业自动化检测和计算机视觉，特别涉及一种基于rac-yolo算法的带钢表面缺陷检测方法。
技术介绍
1、随着现代工业制造技术的飞速发展，钢铁行业对产品质量的要求日益提高。带钢作为一种重要的金属材料，其表面质量直接影响到下游产品的性能和使用寿命。因此，对带钢表面缺陷进行准确、快速的检测和分类是提高生产效率和产品质量的关键环节。
2、近年来，随着深度学习技术的发展，基于卷积神经网络(cnn)的目标检测算法逐渐应用于带钢表面缺陷检测中。这些算法能够自动提取图像特征，并进行缺陷的分类和定位，极大地提高了检测精度和效率。其中，yolo算法因其快速检测和端到端训练的特点，得到了广泛应用和关注。但也存在一些显著缺点，卷积神经网络因其复杂的网络结构导致计算量大，处理速度较慢，难以满足实时检测的需求。其次，yolov8算法虽然速度较快，但在检测小尺寸和形态复杂的缺陷时表现不佳，易出现漏检和误检问题，尤其是对于带钢表面复杂背景和光照变化较大的情况，鲁棒性不足。
技术实现思路
1、针对现有技术的缺陷，本专利技术采用上下文锚点注意力特征提取融合、尺度内特征交互以及内容感知特征重组上采样来改进yolov8网络，能够在高速生产线上快速而准确地检测带钢表面的各种缺陷，有效地提升了生产效率和产品质量，为工业制造提供更可靠的质量控制解决方案。
2、为了达到上述目的，本专利技术提供了一种基于rac-yolo算法的带钢表面缺陷检测方法，包括如下步骤：
3、(1)获取图像
4、(2)构建基于yolov8的rac-yolo网络，包括backbone模块、neck模块和head模块；
5、在所述backbone模块，使用尺度内特征交互模块aifi替换原有特征金字塔模块sppf；同时在所述aifi模块后引入注意力机制模块se；
6、在所述neck模块，使用轻量级上采样算子carafe替换原有上采样模型；
7、在所述backbone模块和neck模块中，使用上下文锚点注意力特征提取融合模块替换原有的c2f模块；
8、同时将网络损失函数更换为的mpdiou损失函数，用于改善边界框回归的训练效果；
9、(3)利用预处理后的所述图像数据集对所述rac-yolo网络进行训练，采用训练好的所述rac-yolo网络进行带钢表面缺陷检测。
10、进一步的，所述预处理包括：
11、使用直方图均衡化方法对所图像数据集图像进行处理；
12、将均衡后的所述图像数据集图像进行对比度以及图像亮度分布的调整，使得不同灰度级别的像素分布更加均匀；
13、将调整后的所述图像数据集按照7:3的比例划分为训练集和测试集。
14、进一步的，所述backbone模块包括两个卷积模块、四个上下文锚点注意力特征提取融合模块、三个下采样模块adown、一个aifi模块和一个se模块；
15、主干网络中两个卷积模块分别为第0、1层；四个上下文锚点注意力特征提取融合模块分别为第2、4、6、8层；三个下采样模块adown为第3、5、7层；aifi模块为第9层；se模块为第10层；其中，第4、6层上下文锚点注意力特征提取融合模块和第9层aifi模块所提取到的特征信息输出到所述neck模块。
16、进一步的，所述aifi模块具体为：
17、将输入的二维图像转换为一维矢量，针对所述一维矢量采用多头注意处理，处理后的序列与原始一维矢量进行残差连接并归一化后，通过前馈网络进行非线性学习并归一化处理，最后将归一化后的一维向量转换回二维图像；
18、用公式表示为：
19、q＝k＝v＝flatten(input)
20、output＝reshape(ffn(multihead(q，k，v)))
21、其中：multihead为多头注意力函数；ffn为前馈网络。
22、进一步的，所述上下文锚点注意力特征提取融合模块repncspelan4_caa为特征提取模块repncspelan4融合上下文锚点注意力机制caattention而成的网络模块；所述repncspelan4通过结合两种神经网络结构cspnet和elan，使用cspnet的分割和重组，并在每一部分引入elan的层级卷积；将分割后的两部分特征图分别经过不同卷积处理后重组成新的特征图，然后输入到所述caattention模块进行上下文锚点注意力处理，再经过最后一层卷积得到最终输出结果。
23、进一步的，所述轻量级上采样算子carafe包括核预测模块和内容感知重组模块；
24、所述核预测模块由信道压缩器、内容编码器和核归一化器三个子模块组成；首先，利用所述信道压缩子模块对输入的特征信道进行压缩，其次，所述内容编码器子模块对压缩特征映射的内容进行编码，生成重组核，最后，所述核归一化器子模块对每个重组内核应用一个softmax函数。
25、进一步的，所述mpdiou损失函数利用最小点距直接预测边界框左上角和右下角与真实框之间的距离，从而提高边界框回归的效率和精度；具体为：
26、
27、
28、其中：代表预测框边界框坐标，代表真实框边界框坐标；d1代表预测框左上角坐标和真实框左上角坐标间的距离，d2代表预测框右上角坐标和真实框右上角坐标间的距离，w和h分别表示输入图片的宽和高。
29、本专利技术的有益效果：
30、本专利技术提出的rac-yolo网络，采用repncspelan4_caa模块进行替换原始backbone中的c2f模块，增强了网络对带钢表面缺陷特征的提取能力；采用aifi模块替换原始backbone中的金字塔池化层sppf模块，进一步优化多尺度特征融合过程；采用轻量化上采样carafe算子替换neck中的传统上采样方式，提高了模型的精度、降低了计算量并增强了泛化能力；采用边界框回归损失函数mpdiou替换原有损失函数ciou，加快模型收敛速度，提高回归的准确性。本专利技术能够在高速生产线上快速而准确地检测带钢表面的各种缺陷，有效地提升了生产效率和产品质量，为工业制造提供更可靠的质量控制解决方案。
本文档来自技高网...【技术保护点】
1.一种基于RAC-YOLO算法的带钢表面缺陷检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于RAC-YOLO算法的带钢表面缺陷检测方法，其特征在于，所述预处理包括：
3.根据权利要求1所述的基于RAC-YOLO算法的带钢表面缺陷检测方法，其特征在于，所述Backbone模块包括两个卷积模块、四个上下文锚点注意力特征提取融合模块、三个下采样模块Adown、一个AIFI模块和一个SE模块；
4.根据权利要求1所述的基于RAC-YOLO算法的带钢表面缺陷检测方法，其特征在于，所述AIFI模块具体为：
5.根据权利要求1所述的基于RAC-YOLO算法的带钢表面缺陷检测方法，其特征在于：所述上下文锚点注意力特征提取融合模块RepNCSPELAN4_CAA为特征提取模块RepNCSPELAN4融合上下文锚点注意力机制CAAttention而成的网络模块；所述RepNCSPELAN4通过结合两种神经网络结构CSPNet和ELAN，使用CSPNet的分割和重组，并在每一部分引入ELAN的层级卷积；将分割后的两部分特征图分别经过不
6.根据权利要求1所述的基于RAC-YOLO算法的带钢表面缺陷检测方法，其特征在于：所述轻量级上采样算子CARAFE包括核预测模块和内容感知重组模块；
7.根据权利要求1所述的基于RAC-YOLO算法的带钢表面缺陷检测方法，其特征在于：所述MPDIoU损失函数利用最小点距直接预测边界框左上角和右下角与真实框之间的距离，从而提高边界框回归的效率和精度；具体为：
...【技术特征摘要】
1.一种基于rac-yolo算法的带钢表面缺陷检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于rac-yolo算法的带钢表面缺陷检测方法，其特征在于，所述预处理包括：
3.根据权利要求1所述的基于rac-yolo算法的带钢表面缺陷检测方法，其特征在于，所述backbone模块包括两个卷积模块、四个上下文锚点注意力特征提取融合模块、三个下采样模块adown、一个aifi模块和一个se模块；
4.根据权利要求1所述的基于rac-yolo算法的带钢表面缺陷检测方法，其特征在于，所述aifi模块具体为：
5.根据权利要求1所述的基于rac-yolo算法的带钢表面缺陷检测方法，其特征在于：所述上下文锚点注意力特征提取融合模块repncspelan4_caa为特征提取模块repncspelan...
【专利技术属性】
技术研发人员：李媛媛，袁世豪，刘文豪，伊宏基，高泽伟，
申请(专利权)人：上海工程技术大学，
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。