一种基于改进YOLOv5的金属表面缺陷检测方法
本发明涉及图像处理相关，具体是涉及一种基于改进yolov5的金属表面缺陷检测方法。
背景技术：
1、金属作为工业的重要原料，被广泛应用于机械、航空航天、汽车、国防、轻工等生产领域。然而，受原材料质量、生产环境、设备、人工错误等因素的影响，导致生产出的金属表面可能会出现各种问题，金属表面缺陷的产生容易导致钢材表面损坏，使其质量降低，从而影响金属的使用效果和寿命。因此，开展金属表面缺陷检测在生产过程中被广泛认为是至关重要的一环。
2、目前，以卷积神经网络为代表的深度算法在计算机视觉领域取得了显著的进展，其在金属表面缺陷的目标检测领域得到了广泛的应用。现阶段目标检测算法分为俩种类别:一种以yolo系列、ssd等为代表的将候选区域划分和物体检测合并的一阶段目标检测算法，这种算法的检测速度快，都是在但是在检测的精度上还有很大的提升空间，对小目标的检测能力较弱；另一种是以mask r-cnn、faster r-cnn等为代表的两阶段目标检测算法，俩阶段目标检测算法虽然识别精度相对较高，但其检测过程分两步进行，检测速度较慢，无法很好的进行实时性检测。因此，现阶段主流目标算法无法做到平衡检测的准确性和实时性，在金属表面缺陷检测应用中还有很大的局限性。
技术实现思路
1、本发明旨在解决目前金属表面缺陷检测算法缺陷特征提取能力不足、检测精度低，检测时间长等问题，在原始yolov5的模型的基础上做出改进，提出了一种基于改进yolov5的金属表面缺陷检测方法，改进后的模型不仅提高了检测精度，而且有效地减小了模型的参数量，提高了缺陷的检测效率。
2、为了实现上述目的，本发明提供一种基于改进yolov5的金属表面缺陷检测方法，包括如下步骤：
3、包括如下步骤：
4、s10.采集金属表面缺陷图像，制作构建金属表面缺陷的数据集；
5、s20.将金属表面的数据集进行预处理，并对数据集进行划分；
6、s30.构建基于改进的yolov5金属表面缺陷模型，在yolov5网络的backbone层中sppf之前添加cbam注意力机制，将neck层中普通卷积conv修改为gsconv，采用边框回归损失函数eiou loss代替原始yolov5的ciou loss；
7、s40.对改进yolov5模型进行训练，实现识别；
8、s50.对完成训练后的yolov5金属表面缺陷检测模型进行评估。
9、在本发明第一方面的一些变更实施方式中，数据集的缺陷类别统计包括裂纹、斑块、夹杂、压入氧化皮、划痕和点蚀表面，每一种缺陷类别的样本图像
10、在本发明第一方面的一些变更实施方式中，在步骤s20中，将金属表面的数据集按照9:1划分训练集、测试集，对金属表面缺陷数据集图片及其对应的标签文件进行划分。
11、在本发明第一方面的一些变更实施方式中，在步骤s30中，cbam注意力机制包括通道注意模块和空间注意模块，
12、通道注意力机制对输入特征图进行全局最大池化和全局平均池化描述每个通道的特征，然后把结果传入多层感知器处理，最后通过sigmiod函数形成通道注意力权重与输入特征图f相乘得到加权特征图mc，表达式为：
13、
14、其中，mc(f)表示通道注意力机制模块的输出；δ表示sigmiod函数；mlp表示多层感知器；avgpool表示平均池化；maxpool表示最大池化；w1和w0表示mlp权重矩阵；和表示分别表示通道的平均池化后特征向量和最大池化后的特征向量；
15、空间注意力机制以通道注意力机制输出特征图mc为输入特征，进行通道间的全局最大池化和全局平均池化，在通道拼接后通过7×7的卷积处理，最后通过sigmoid函数生成空间注意力权重与输入特征图相乘得到加权特征图ms，其表达式为：
16、
17、其中，ms(f)表示空间注意力机制模块的输出；δ表示sigmiod函数；f7×7表示7×7卷积运算；avgpool表示平均池化；maxpool表示最大池化；和表示分别表示空间的平均池化后特征向量和最大池化后的特征向量。
18、在本发明第一方面的一些变更实施方式中，在s30中，在原始yolov5网络的neck层中普通卷积conv修改为gsconv时，将普通卷积层sc、深度可分离卷积层dsc的输出进行拼接，拼接后的特征图进行shuffle混洗操作。
19、在本发明第一方面的一些变更实施方式中，在步骤30中，采用边框回归损失函数eiou loss代替原始yolov5的ciou loss，其表达式为：
20、
21、其中，iou为真实框与预测框的交并比；ρ(b,bgt)为两个中心点之间的欧式距离；b和bgt为预测框和真实框的中心点；c为预测框与真实框的最小外接矩阵的对角线距离；w和h分别为分别代表预测框的宽度和高度；wgt和hgt分别为真实框的宽度和高度。cw和ch分别为预测框与真实框的最小外接矩阵的宽度和高度。
22、在本发明第一方面的一些变更实施方式中，在步骤s40中，将训练模型时得到了五种金属表面缺陷模型消融实验对比；分别为原始yolov5模型训练实验，yolov5+cbam模型实验、yolov5+gsconv模型实验、yolov5+eiou和改进的yolov5模型实验，每一个模型都进行200轮为200轮训练，图片大小为640×640。
23、在本发明第一方面的一些变更实施方式中，在步骤s50中，对于改进的yolov5模型评价指标主要包括精确率precision、召回率recall、平均精度均值map、检测速率fps；精准率p用来评价该金属表面缺陷检测的准确程度；召回率r用来评价模型金属表面缺陷检测的全面性；map是综合指标，用于评估目标检测模型的性能，它是所有类别平均精度的平均值；fps代表每秒帧数；表达式如下：
24、
25、其中，tp表示金属表面缺陷检测模型成功识别真正的阳性样本；fp表示将金属表面缺陷检测模型将实际阴性的样本误判为阳性；fn表示金属表面缺陷模型错误地将阳性样本误分类为阴性；
26、
27、其中，ap表示r-p曲线的面积；n表示检测类别数。
28、本发明的有益效果如下：
29、本发明针对现有金属表面缺陷检测存在缺陷特征提取能力不足、检测精度低，检测时间长等问题，提出了一种基于改进的yolov5算法金属表面缺陷检测模型。首先，在sppf模块之前添加cbam注意力机制，优化网络结构，提取更加丰富的目标特征。其次，将neck层中普通卷积conv修改为gsconv进行训练，减少模型参数，提升训练速度。最后引入边框回归损失函数eiou loss代替原始yolov5的ciou loss来加快网络收敛，增加小目标检测能力。本发明实现了检测精度的显著提升，并成功缩短了检测所需的时间，提升了金属表面缺陷检测的整体效率和准确性。
技术特征：
1.一种基于改进yolov5的金属表面缺陷检测方法，其特征在于，包括如下步骤：
2.根据权利要求书1所述的基于改进yolov5的金属表面缺陷检测方法，其特征在于，在s10中，数据集的缺陷类别统计包括裂纹、斑块、夹杂、压入氧化皮、划痕和点蚀表面，每一种缺陷类别的样本图像为300个样本。
3.根据权利要求书1所述的基于改进yolov5的金属表面缺陷检测方法，其特征在于，在步骤s20中，将金属表面的数据集按照9:1划分训练集、测试集，对金属表面缺陷数据集图片及其对应的标签文件进行划分。
4.根据权利要求书1所述的基于改进yolov5的金属表面缺陷检测方法，其特征在于，在步骤s30中，cbam注意力机制包括通道注意模块和空间注意模块，
5.根据权利要求书4所述的基于改进yolov5的金属表面缺陷检测方法，其特征在于，在s30中，在原始yolov5网络的neck层中普通卷积conv修改为gsconv时，将普通卷积层sc、深度可分离卷积层dsc的输出进行拼接，拼接后的特征图进行shuffle混洗操作。
6.根据权利要求书1所述的基于改进yolov5的金属表面缺陷检测方法，其特征在于，在步骤30中，采用边框回归损失函数eiou loss代替原始yolov5的ciou loss，其表达式为：
7.根据权利要求书1所述的基于改进yolov5的金属表面缺陷检测方法，其特征在于，在步骤s40中，将训练模型时得到了五种金属表面缺陷模型消融实验对比；分别为原始yolov5模型训练实验，yolov5+cbam模型实验、yolov5+gsconv模型实验、yolov5+eiou和改进的yolov5模型实验，每一个模型都进行200轮为200轮训练，图片大小为640×640。
8.根据权利要求书1所述的基于改进yolov5的金属表面缺陷检测方法，其特征在于，在步骤s50中，对于改进的yolov5模型评价指标主要包括精确率precision、召回率recall、平均精度均值map、检测速率fps；精准率p用来评价该金属表面缺陷检测的准确程度；召回率r用来评价模型金属表面缺陷检测的全面性；map是综合指标，用于评估目标检测模型的性能，它是所有类别平均精度的平均值；fps代表每秒帧数；表达式如下：
技术总结
本发明公开了一种基于改进YOLOv5的金属表面缺陷检测方法，针对现有金属表面缺陷检测存在缺陷特征提取能力不足、检测精度低，检测时间长等问题，提出了一种基于改进的YOLOv5算法金属表面缺陷检测模型；首先，在SPPF模块之前添加CBAM注意力机制，优化网络结构，提取更加丰富的目标特征；其次，将Neck层中普通卷积Conv修改为GSConv进行训练，减少模型参数，提升训练速度；最后引入边框回归损失函数EIoU Loss代替原始YOLOv5的CIoU Loss来加快网络收敛，增加小目标检测能力。本发明实现了检测精度的显著提升，并成功缩短了检测所需的时间，提升了金属表面缺陷检测的整体效率和准确性。
技术研发人员：佟维妍,杨喻丘,石越洋,杨德春,于芬
受保护的技术使用者：沈阳工业大学
技术研发日：
技术公布日：2024/12/5