一种基于YOLOv5的钢卷端面缺陷检测方法、装置和介质与流程

本发明涉及一种基于yolov5的钢卷端面缺陷检测方法、装置和介质，属于钢卷端面质量检测。

背景技术：

1、随着科技的发展，以深度学习为代表的人工智能算法借助超强的算力和大量的训练样本得以脱颖而出。并且深度学习在图像分类、目标检测、图像分割等领域得到了充分应用并表现出优异的性能。在目标检测领域，近年来涌现出了许多检测精度高并且速度快的算法。但是当处理具体的任务时，这些算法会出现很多的问题。比如对于产线出口处的钢卷端面进行塔形、溢出边、边损、边裂缺陷检测。由于钢卷端面的尺寸为2m但缺陷的尺寸为毫米级，两者差异较大。虽然yolov5的多尺度特征融合部分将不同感受野的特征进行融合以增强网络对于各个尺度物体的检测能力，但融合后的信息依然不足以使模型对小目标的检测结果表现出优异的效果，使得模型对于钢卷端面的检测会产生漏检、误检等现象。并且由于yolov5的检测头是用于常规物体下的检测环境，输入检测头的特征图尺寸较毫米级的缺陷而言太小，小尺寸的特征图所对应的感受野太大，所以也会产生上述的漏检、误检的错误。

技术实现思路

1、本发明目的是提供了一种基于yolov5的钢卷端面缺陷检测方法、装置和介质，解决产线钢卷端面缺陷检测能力不足。

2、本发明为实现上述目的，通过以下技术方案实现：

3、将钢卷固定，并通过工业相机采集钢卷端面图像，通过图像质量评估算法提升图像质量，再将图像进行预处理，将预处理完成的图像分为测试集和训练集；

4、构建改进yolov5的小目标检测模型，并通过训练集训练改进yolov5的小目标检测模型；所述改进yolov5的小目标检测模型包括主干网络、neck模块和head模块；

5、所述neck模块包括fpn模块和pan模块，所述neck模块中主干网络提取的特征信息通过concat拼接后输入全局上下文信息提取模块，所述neck模块还增加一个针对钢卷缺陷检测的细粒度信息提取模块，

6、所述细粒度信息提取模块具体操作如下：特征图上采样8倍后与主干网络中下采样4倍特征图通过concat拼接后经过全局上下文信息提取模块处理，输入到pan模块的csp模块，将结果输出到head模块；

7、将测试集输入到训练完成的改进yolov5的小目标检测模型中，通过主干网络进行特征提取，将提取的特征图通过全局上下文信息提取模块进行多尺度特征提取；

8、将提取到的多尺度特征在neck模块进行筛选融合，并将融合后的特征图通过细粒度信息提取模块进行缺陷信息提取；

9、将提取到的信息通过通道加权后进行预测，得到钢卷缺陷检测结果。

10、优选的，所述全局上下文信息提取模块包括3路卷积，卷积核尺寸分别为3×3、5×5、7×7，步长为1，全零填充值分别为1、2、3，所述卷积通过concat方式融合后经过通道注意力机制模块加权然后输出。

11、优选的，所述head模块包括4个检测头，分别为下采样32倍检测头、下采样16倍检测头、下采样8倍检测头、下采样4倍检测头。

12、优选的，所述下采样4倍检测头输入特征具体如下：

13、将主干网络中的下采样32倍特征图经过第一cbs模块、上采样后与主干网络中下采样16倍特征图通过concat拼接和全局上下文信息提取模块处理，再经过第一csp模块、第二cbs模块和上采样后与主干网络中下采样8倍特征图通过concat拼接和全局上下文信息提取模块处理，在经过第二csp模块、第三cbs模块和上采样后与主干网络中下采样4倍特征图拼接和全局上下文信息提取模块处理，再经过第三csp模块处理作为下采样4倍检测头输入特征。

14、优选的，所述下采样8倍检测头输入特征具体如下：

15、将第三csp模块输出特征经过第四cbs模块后与第三cbs模块输出特征通过concat拼接，再经过第四csp模块处理作为下采样8倍检测头输入特征。

16、优选的，所述下采样16倍检测头输入特征具体如下：

17、将第四csp模块的输出特征经过第五cbs模块处理后与第二cbs模块输出特征通过concat拼接，再经过第五csp模块处理作为下采样16倍检测头输入特征。

18、优选的，所述下采样32倍检测头输入特征具体如下：

19、将第五csp模块的输出特征经过第六cbs模块处理后与第一cbs模块输出特征通过concat拼接，再经过第六csp模块处理作为下采样32倍检测头输入特征。

20、本发明的优点在于：本发明增加全局上下文信息提取模块，通过多尺度特征融合和特征注意力模块对上下文信息进行特征增强，丰富网络提取的特征信息，以此增加网络对钢卷小尺寸缺陷的检测能力。还增加了细粒度特征增强模块，通过增加专用于小目标检测的检测头，以及特征注意力机制重要通道加权的方式，对细粒度信息进行加强，提升网络对钢卷小尺寸缺陷的检测能力。解决了当前检测中容易出现漏检误检等情况

技术特征：

1.一种基于yolov5的钢卷端面缺陷检测方法，其特征在于，包括：

2.根据权利要求1所述的基于yolov5的钢卷端面缺陷检测方法，其特征在于，所述全局上下文信息提取模块包括3路卷积，卷积核尺寸分别为3×3、5×5、7×7，步长为1，全零填充值分别为1、2、3，所述卷积通过concat方式融合后经过通道注意力机制模块加权然后输出。

3.根据权利要求1所述的基于yolov5的钢卷端面缺陷检测方法，其特征在于，所述head模块包括4个检测头，分别为下采样32倍检测头、下采样16倍检测头、下采样8倍检测头、下采样4倍检测头。

4.根据权利要求3所述的基于yolov5的钢卷端面缺陷检测方法，其特征在于，所述下采样4倍检测头输入特征具体如下：

5.根据权利要求4所述的基于yolov5的钢卷端面缺陷检测方法，其特征在于，所述下采样8倍检测头输入特征具体如下：

6.根据权利要求5所述的基于yolov5的钢卷端面缺陷检测方法，其特征在于，所述下采样16倍检测头输入特征具体如下：

7.根据权利要求6所述的基于yolov5的钢卷端面缺陷检测方法，其特征在于，所述下采样32倍检测头输入特征具体如下：

8.一种基于yolov5的钢卷端面缺陷检测装置，工业相机、处理器和存储有程序指令的存储器，其特征在于，所述工业相机采集钢卷端面图像，所述处理器被配置为在运行所述程序指令时，执行如权利要求1至7任一项所述的基于yolov5的钢卷端面缺陷检测方法。

9.一种存储介质，存储有程序指令，其特征在于，所述程序指令在运行时，执行如权利要求1至7任一项所述的基于yolov5的钢卷端面缺陷检测方法。

技术总结
本发明提供了一种基于YOLOv5的钢卷端面缺陷检测方法、装置和介质，属于钢卷端面质量检测技术领域。通过以下技术方案实现：采集钢卷端面图像，构建改进YOLOv5的小目标检测模型，并通过训练集训练改进YOLOv5的小目标检测模型；将测试集输入到训练完成的改进YOLOv5的小目标检测模型中，通过主干网络进行特征提取，将提取的特征图通过全局上下文信息提取模块进行多尺度特征提取；将提取到的多尺度特征通过Neck模块进行筛选融合，并将融合后的特征图通过细粒度信息提取模块进行缺陷信息提取；将提取到的信息通过通道加权后进行预测，得到钢卷缺陷检测结果。本发明解决产线钢卷端面缺陷检测能力不足。

技术研发人员：钱钧,褚厚锋,邹伯昌
受保护的技术使用者：山东未来网络研究院（紫金山实验室工业互联网创新应用基地）
技术研发日：
技术公布日：2024/1/15