欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202211619637X
申请人: 淮阴工学院
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于改进YOLOv5s的钢材缺陷检测方法,其特征在于,包括以下步骤:

S1:获取钢材表面缺陷图片数据集;

S2:对步骤1中的钢材表面缺陷数据集进行预处理及标注后,将钢材表面缺陷数据集划分为用于训练的训练集、用于测试的测试集;

S3:搭建基于改进YOLOv5s的网络结构模型,用轻量级Ghost Bottleneck模块替换YOLOv5骨干网络的Bottleneck模块,在YOLOv5网络的头部增加一个小尺度检测头,用深度可分离卷积替换YOLOv5网络的常规卷积,并在上采样后引入重影模块,对其特征提取网络结构进行轻量化改进;

S4:使用步骤2中的训练集对步骤3中的搭建的改进YOLOv5s的网络结构模型进行训练,得到钢材表面缺陷检测模型;

S5:使用训练完成的改进YOLOv5的网络结构模型对测试集进行检测,对测试结果的精度进行评价。

2.根据权利要求1所述的一种基于改进YOLOv5s的钢材表面缺陷检测方法,其特征在于,所述步骤S2的具体方法如下:S2.1:对数据集采用线性对比度增强的方法进行预处理,该方法适用于图像的灰度值范围较小,导致部分输入图像整体或暗或亮的情况,其计算公式如下所示:其中, 图像的大小为m×n;

S2.2:使用Mosaic数据增强,将4张图象进行随机缩放和裁剪并乱序组合成一张新的图像,变相增大训练时的批量大小,优化训练效果;

S2.3:采用图像标注工具Labeling对预处理之后的钢材表面缺陷数据中的每张图像的缺陷进行标注,标注格式为关键点的横向、纵向坐标值;

S2.4:将标注好的钢材表面缺陷数据集划分为训练集和测试集,比例设置为4∶1。

3.根据权利要求1所述的一种基于改进YOLOv5s的钢材表面缺陷检测方法,其特征在于,所述步骤S3中用轻量级Ghost Bottleneck模块替换YOLOv5骨干网络的Bottleneck模块的具体方法为:S3.1:用Ghost Bottleneck模块替换YOLOv5骨干网络的Bottleneck模块,Ghost Bottleneck由两个Ghost模块堆叠而成,基于一组内在特征映射,采用一系列简单的线性变化来生成更多Ghost特征映射,映射充分揭示内在特征的信息,具体过程如下:Y′=X*f+b    (2)

式中,X为输入特征图,*为卷积操作,f为当前层的卷积核,Y′为m个通道的本征特征图,b为偏置项,对Y特征图的每一个通道进行线性运算输出t通道数位n的特征图,有:Yij=θij(yi′),i=1,...,m,j=1,...,s    (3)

式中,yi是Y′的第i个通道特,θij是yi′生成的第j个Ghost feature map的线性运算;每个Y′可以生成s个Ghost feature map,最后得到Ghost模块的输出特征图。

4.根据权利要求1所述的一种基于改进YOLOv5s的钢材表面缺陷检测方法,其特征在于,所述步骤3中在YOLOv5s网络的头部增添一个新的小尺度检测头,该头部通过4倍下采样得到,可以生成一个大小为304×304的特征图,所述小尺度检测头利用浅层中1200×1200像素分辨率的特征图来捕获钢材表更精细的缺陷特征信息,改进的头部部分具有3个不同尺度的检测头,分别用于检测304×304、152×152和38×38目标。

5.根据权利要求1所述的一种基于改进YOLOv5s的钢材表面缺陷检测方法,其特征在于,所述步骤3中改进YOLOv5s的网络结构模型包括用于特征提取的骨干网络部分、用于特征融合的颈部部分和用于目标检测的头部部分;

所述骨干网络部分:样本经过Focus切片、卷积操作得到特征图,在第3层开始连续经过

3个Ghost Bottleneck模块处理,输出目标尺度特征图,在第5层引入新型多注意力机制模块CBAM‑ECA模块,随后再次利用3个Ghost Bottleneck模块进行特征下采样,通道数变为原来的两倍,随后再次添加注意力机制CBAM‑ECA模块,最终完成缺陷特征提取;

所述新型多注意力机制模块由卷积注意力模块CBAM和高效注意力通道ECA融合实现,其中高效注意力通道ECA实现通道注意,空间注意力来自原来的卷积注意力模块CBAM。

6.根据权利要求1所述的一种基于改进YOLOv5s的钢材表面缺陷检测方法,其特征在于,所述步骤3中改进YOLOv5s的网络结构模型的改进还包括:在颈部特征融合层中也增加新型多注意力机制模块,新型多注意力机制模块由卷积注意力模块CBAM和高效注意力通道ECA融合实现,其中高效注意力通道ECA实现通道注意,空间注意力来自原来的卷积注意力模块CBAM;

高效注意力通道ECA首先通过一维卷积学习全局平均池化处理过的特征,然后与更新后的通道权重与输入特征图相乘,生成新的特征图,然后,CBAM模块中的空间注意力模块SAM将高效注意力通道ECA生成的特征映射作为输入,生成空间注意特征映射,并将其添加到原始特征映射中,模拟残差结构,最后对求和后的特征映射使用Relu激活函数,生成具有双重注意机制的特征映射。

7.根据权利要求6所述的一种基于改进YOLOv5s的钢材表面缺陷检测方法,其特征在于,所述高效注意力通道ECA采用自适应方法确定k,公式如下:

8.据权利要求1所述的一种基于改进YOLOv5s的钢材表面缺陷检测方法其特征在于,所述步骤S5中用下列公式分别计算评价参数:其中,RP为精确率,RP为召回率,TP为正样本被正确预测为正的数量,FP为负样本被错误预测为正样本的数量,FN为正样本被错误预测为负的数量,RP(t)表示交并比阈值取t时的精确率,N为物体类别的数量,n为第n个类别,APn表示算法对第n个类别的物体的检测精度。