1.一种基于改进YOLOX‑S算法的金属铸件表面缺陷检测方法,其特征在于,具体步骤如下:
1)数据采集:采集数据库中若干金属铸件表面图像,构建金属铸件表面数据集;
2)数据预处理:对金属铸件表面数据集中的数据进行预处理,并将处理后数据集按比例划分训练集和测试集;
3)构建模型:搭建基于改进YOLOX‑S网络的金属铸件表面缺陷检测模型;
4)模型训练:利用数据集训练基于改进YOLOX‑S算法的金属铸件表面缺陷检测模型;
5)缺陷检测:将待检测的金属铸件表面图像输入训练好的改进YOLOX‑S网络中,获得含有缺陷类别和缺陷位置的结果图。
2.如权利要求1所述的一种基于改进YOLOX‑S算法的金属铸件表面缺陷检测方法,其特征在于,步骤2)中数据预处理的具体步骤为:
2‑1)对金属铸件表面数据集的数据进行增强操作,所述增强操作包括但不限于翻转、剪裁;
2‑2)用LabelImg软件对增强操作的数据集进行标注,构建VOC格式的数据集,并按照8:
2的比例将构建的VOC格式的数据集划分训练集和测试集。
3.如权利要求1所述的一种基于改进YOLOX‑S算法的金属铸件表面缺陷检测方法,其特征在于,步骤3)中改进YOLOX‑S网络包括骨干网络,颈部网络,头部网络;
所述骨干网络为由CSPDarknet网络构成的特征提取网络,所述颈部网络为由改进的PAFPN网络—ES‑PAFPN网络构成的特征融合网络,所述头部网络为由3个YOLO Head网络构成的分类预测网络;
所述ES‑PAFPN网络采用擦除和加强机制来进行间接特征融合。
4.如权利要求3所述的一种基于改进YOLOX‑S算法的金属铸件表面缺陷检测方法,其特征在于,所述特征提取网络由CSPDarknet网络构成包括串联的用于对输入图像一层层的进行特征提取的4个Resblock body块;
每一个Resblock body块用于将图像尺寸缩小一半,通道数加倍;串联网络最后一个Resblock body块中包括用于提高网络的感受野SPP网络结构;
所述特征提取网络会提取出三个特征Feature0、Feature1和Feature2。
5.如权利要求3所述的一种基于改进YOLOX‑S算法的金属铸件表面缺陷检测方法,其特征在于,所述特征融合网络由ES‑PAFPN网络构成,所述ES‑PAFPN网络构成包括bottom‑up和up‑bottom两个部分,所述bottom‑up部分利用擦除和加强机制处理特征提取网络提取的特征,并将结果输入up‑bottom部分来再次加强特征;
所述特征融合网络ES‑PAFPN输入为特征提取网络提取的三层特征Feature0、Feature1和Feature2;Feature0经过CU2单元调整成和Feature1相同的尺寸,同时利用注意力机制CBAM找出Feature1子特征中隐含的Feature0子特征信息,再通过擦除和增强机制获得Erased feature1和Strengthened feature0,同时引入门控单元,使用tanh激活函数来反映子特征之间的相互影响程度;依照上述方法,通过Feature1和Feature2获得Erased feature2和Strengthened feature0;
bottom‑up部分仅使用加强机制并输出Erased feature2、Erased feature1和Strengthened feature0;bottom‑up部分输出Erased feature2、Erased feature1和Strengthened feature0;所述bottom‑up部分表示:F2Erased=Era(Slice(F2),Slice(CU1(F1)))F1Erased=Str(Slice(F2),Slice(CU1(F1)))+Era(Slice(F1),Slice(CU2(F0)))
F0Strengthened=Str(Slice(F1),Slice(CU2(F0)))式中,F1、F2、F3为输入特征,Era代表擦除机制,Str代表加强机制,Slice代表特征切片操作,CU1,CU2代表卷积模块;
up‑bottom部分的输入是bottom‑up部分的输出,up‑bottom部分仅通过加强机制来再次加强特征,所述up‑bottom部分可用如下公式表示:F1Final=Str(Slice(F1Erased),Slice(DC1(F2Erased)))F0Final=Str(Slice(F0Strengthened),Slice(DC2(F1Final)))式中,F1Erased,F2Erased,F0Strengthened,F1Fional为输入特征,Str代表加强机制,Slice代表特征切片操作,DC1,DC2代表卷积模块;
所述ES‑PAFPN的输出为Erased feature2、Final feature 1和Final feature 0。
6.如权利要求3所述的一种基于改进YOLOX‑S算法的金属铸件表面缺陷检测方法,其特征在于,所述分类预测网络由3个YOLO Head网络构成,所述YOLO Head网络采用解耦头结构,所述YOLO Head网络包括Reg部分、Obj部分、Cls部分共三部分;
所述Reg部分用于表示预测框中心点的偏移和预测框的宽高信息,所述Obj部分用于表示预测框内包含物体的概率,所述Cls部分用于表示预测框对应某一类缺陷的概率。
7.如权利要求1所述的一种基于改进YOLOX‑S算法的金属铸件表面缺陷检测方法,其特征在于,步骤4)中模型训练的具体方法为:
4‑1)使用了迁移学习的方法,在VOC数据集的训练集上进行预训练,然后将预训练权重用于此金属表面铸件缺陷检测网络中;
4‑2)将测试集数据输入步骤4‑1)中获得的金属表面铸件缺陷检测网络中,取测试集准确率最高的权重作为训练好的改进YOLOX‑S网络的权重。