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: 2025105189906
申请人: 华东交通大学
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YOLO11n改进的钢材表面缺陷检测方法,其特征在于,所述方法包括:获取图像采集装置采集到的待检测的钢材表面图像;

将待检测的钢材表面图像输入至由改进的YOLO11n模型架构训练得到的缺陷检测模型当中,以得到待检测的钢材表面图像的表面缺陷检测信息;

其中,改进的YOLO11n模型架构包括主干网络、检测头以及设置在主干网络与检测头之间的Neck网络,主干网络包括融入有NAM动态注意力机制的C3k2模块形成的C3k2_NAM模块,以根据输入图像的特征自适应地调整通道和空间权重,Neck网络引入NCB卷积块、MSDA注意力机制以及CoT Attention模块,NCB卷积块用于通过非局部操作增强小目标特征的全局关联性,MSDA注意力机制用于结合多膨胀率卷积以丰富上下文信息,提高目标与背景的区分能力,CoT Attention模块用于通过上下文感知建模目标与背景的关系。

2.根据权利要求1所述的基于YOLO11n改进的钢材表面缺陷检测方法,其特征在于,C3k2模块中的颈部模块以及C3k2模块中的C3k模块的颈部模块替换为NAM颈部模块形成包含C3k_NAM的C3k2_NAM模块;

当C3k_NAM为True时,C3k2_NAM模块接收到的输入特征经过1×1卷积和3×3卷积,提取局部特征并进行初步降维或通道变换;

经过卷积处理的输入特征被划分成多个分支且每个分支都输入到C3k_NAM模块,在C3k_NAM模块中划分后的特征经过1×1卷积和3×3卷积,提取局部特征并进行初步降维或通道变换;

经过卷积处理的输入特征分别经过多个NAM颈部模块递归处理以及直接进行1×1卷积和3×3卷积;

将递归处理和再次卷积的输入特征进行特征拼接后经过1×1卷积和3×3卷积得到C3k_NAM模块处理后的特征;

将所有C3k_NAM模块处理后的特征进行特征拼接后再经过1×1卷积和3×3卷积得到C3k2_NAM模块最终处理后的特征;

当C3k_NAM为False时,C3k2_NAM模块接收到的输入特征经过1×1卷积和3×3卷积,提取局部特征并进行初步降维或通道变换;

经过卷积处理的输入特征被划分成多个分支且每个分支都输入到NAM颈部模块,将所有NAM颈部模块处理后的特征进行特征拼接后再经过1×1卷积和3×3卷积得到C3k2_NAM模块最终处理后的特征。

3.根据权利要求1所述的基于YOLO11n改进的钢材表面缺陷检测方法,其特征在于,NCB卷积块设置在Neck网络的P3分支中,NCB卷积块引入有多头卷积注意力机制和多层感知机;

当NCB卷积块接收到对应的来自主干网络的多尺度特征图,先进行归一化处理;

后利用多头卷积注意力机制当中的组卷积提取局部特征,并通过逐点卷积进行通道维度的信息融合;

利用多层感知机包含的两层全连接层,进行非线性变换;

采用Batch Normalization进行归一化,并结合ReLU激活函数进行非线性激活;

最终输出对应的特征图,传递至检测头进行目标识别。

4.根据权利要求3所述的基于YOLO11n改进的钢材表面缺陷检测方法,其特征在于,在Neck网络的P4分支中,引入MSDA注意力机制;

MSDA注意力机制用于在滑动窗口内进行稀疏的自注意力计算,其中,自注意力计算公式为:其中,分别表示第i个注意力头的查询向量、键向量和值向量的特征矩阵,是扩张率,控制感受野大小;

通过线性层进行多头聚合:

其中,h1,h2,...,hn分别表示第1个到第n个注意力头输出的特征向量,Concat表示拼接操作,Linear表示经过线性层融合多个注意力头的信息。

5.根据权利要求4所述的基于YOLO11n改进的钢材表面缺陷检测方法,其特征在于,在Neck网络的P4分支中,引入CoT Attention模块;

CoT Attention模块采用3×3卷积捕获接收到的输入特征中key之间的局部关系:其中,K1表示静态上下文中的key,K是原始的key输入,表示3×3卷积,key表示输入特征中经过局部卷积提取的上下文结构信息;

将静态上下文的K1与输入的Q进行拼接,通过两个1×1卷积计算注意力矩阵:其中,[K1,Q]表示静态上下文的key和query的拼接,是1×1卷积核,用于生成注意力矩阵A,Q表示输入中每个位置自身的信息编码;

通过注意力矩阵A,CoT Attention模块对输入的value 𝑉进行加权聚合,得到动态上下文表示:CoT Attention模块将静态上下文K1和动态上下文K2融合,通过加法操作生成最终的输出特征Y。

6.根据权利要求1所述的基于YOLO11n改进的钢材表面缺陷检测方法,其特征在于,所述缺陷检测模型的训练过程包括:选用公共数据集,依次进行数据清洗、图像增强、标注处理后得到对应的训练数据集;

将训练数据集按预设比例划分为训练集、验证集和测试集;

定义损失函数,在训练集上对改进的YOLO11n模型架构进行训练,直至满足训练停止条件得到缺陷检测模型。

7.根据权利要求6所述的基于YOLO11n改进的钢材表面缺陷检测方法,其特征在于,损失函数采用交叉熵损失结合Inner-IoU损失、回归损失结合Inner-IoU损失中的一种。

8.一种基于YOLO11n改进的钢材表面缺陷检测装置,其特征在于,所述装置包括:获取模块,用于获取图像采集装置采集到的待检测的钢材表面图像;

检测模块,用于将待检测的钢材表面图像输入至由改进的YOLO11n模型架构训练得到的缺陷检测模型当中,以得到待检测的钢材表面图像的表面缺陷检测信息;

其中,改进的YOLO11n模型架构包括主干网络、检测头以及设置在主干网络与检测头之间的Neck网络,主干网络包括融入有NAM动态注意力机制的C3k2模块形成的C3k2_NAM模块,以根据输入图像的特征自适应地调整通道和空间权重,Neck网络引入NCB卷积块、MSDA注意力机制以及CoT Attention模块,NCB卷积块用于通过非局部操作增强小目标特征的全局关联性,MSDA注意力机制用于结合多膨胀率卷积以丰富上下文信息,提高目标与背景的区分能力,CoT Attention模块用于通过上下文感知建模目标与背景的关系。

9.一种可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至7中任意一项所述的方法的步骤。

10.一种电子设备,其特征在于,包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至7中任意一项所述的方法的步骤。