一种基于改进的YOLOv9神经网络模型的导光板缺陷检测方法

本发明涉及一种导光板缺陷检测方法，具体涉及一种基于改进的yolov9神经网络模型的导光板缺陷检测方法，属于机器视觉检测。

背景技术：

1、导光板的生产过程中，由于原材料、工艺、环境等因素的影响，导光板表面可能会出现各种缺陷。为了提高检测精度和自动化水平，近年来，机器视觉技术被广泛应用于导光板缺陷检测领域，多种机器学习算法也随之被引入导光板缺陷分类中。yolov9作yolo系列中最新的基本网络，虽然适于检测多尺度目标的类别和位置，但直接将其应用于导光板缺陷检测，无法充分提取部分中、浅层纹理和轮廓信息，背景纹理较为复杂，漏检、误检的情况较为严重，对多尺度目标的适应程度较差，并且，需要相当大的模型参数量。因此，如何在导光板缺陷检测中，增强网络模型对多尺度目标的检测能力，扩大网络模型的感受野以充分提取中、浅层纹理和轮廓信息，减小网络模型参数量，是本领域亟需解决的技术问题。

技术实现思路

1、基于以上背景，本发明的目的在于提供一种基于改进的yolov9神经网络模型的导光板缺陷检测方法，解决背景技术中所述的问题。

2、为了实现上述发明目的，本发明提供以下技术方案：

3、一种基于改进的yolov9神经网络模型的导光板缺陷检测方法，该方法包括以下步骤：

4、基于yolov9神经网络模型，构建改进的yolov9神经网络模型，所述改进的yolov9神经网络模型包括主干网络和与主干网络连接的头颈网络，所述主干网络具有两条分支网络，第一条分支网络包括一个conv模块、一个rfaconv模块、四个repncspelan4模块、三个adown模块、以及一个pkinet模块，第二条分支网络包括一个rfaconv模块、一个conv模块、一个repncspelan4模块和一个adown模块；其中，所述rfaconv模块进行感受野注意力卷积运算，所述pkinet模块使用无扩展的多尺度卷积核提取不同尺度的目标特征并捕获局部上下文信息，且能够捕获远程上下文信息；

5、获取导光板表面缺陷数据集，按照缺陷类型对所述数据集进行分类，并将所述数据集划分为训练集、验证集和测试集，基于所述数据集，对改进的yolov9神经网络模型进行训练；

6、训练完毕后，将采集的导光板图像输入至训练好的改进的yolov9神经网络模型进行缺陷检测。

7、作为优选，所述第一条分支网络的连接方式为，conv模块、rfaconv模块、第一个repncspelan4模块、第一个adown模块、第二个repncspelan4模块、第二个adown模块、第三个repncspelan4模块、第三个adown模块、第四个repncspelan4模块、pkinet模块依次连接；所述第二条分支网络的连接方式为，rfaconv模块、conv模块、repncspelan4模块和adown模块依次连接；其中，第一条分支网络中pkinet模块的输出连接头颈网络，第一条分支网络中第一个repncspelan4模块的分支输出、第二个repncspelan4模块的分支输出、第三个repncspelan4模块的分支输出还与第二条分支网络的输出在头颈网络进行特征融合。

8、作为优选，所述pkinet模块包括四个串行连接的特征提取模块，在每个特征提取模块中，输入先经过下采样模块和conv模块，然后在通道维度上分成两部分，一部分经过fnn模块运算得到第一输出，另一部分通过pki block模块运算得到第二输出，第一输出和第二输出在通道维度上合并后，再通过conv模块得到最终输出；其中，pki block模块中具有用于提取多尺度局部特征的pki模块和用于捕获远程上下文信息的caa模块，caa模块的输出注意力权重与pki模块的输出特征相乘后，再与pki模块的输出特征相加，通过1×1卷积，得到pki block模块的输出。

9、作为优选，所述pki模块通过3×3深度可分离卷积提取局部特征，然后并行应用5×5深度可分离卷积、7×7深度可分离卷积、9×9深度可分离卷积和11×11深度可分离卷积提取上下文特征，之后将恒等映射的局部特征和所有的上下文特征相加，再通过1×1卷积进行融合，得到输出。

10、作为优选，所述caa模块通过全局平均池化、1×1卷积、两个串行连接的深度可分离卷积后，再通过1×1卷积和sigmoid激活函数，得到注意力权重。

11、作为优选，所述rfaconv模块通过3×3分组卷积提取感受野特征，对感受野特征进行平均池化以聚合每个感受野特征的全局信息，通过1×1分组卷积进行感受野特征的信息交互，通过softmax函数运算强调感受野内每个特征的重要性，生成感受野注意力图，将感受野注意力图与经过relu函数运算和归一化处理的感受野特征相乘得到输出，经过调整形状，再通过3×3卷积得到最终输出。

12、作为优选，所述改进的yolov9神经网络模型的损失函数的数学表达式为：

13、loss＝λconflconf+λboxlbox+λclslcls

14、式中，λconf表示置信度损失权重，λbox表示定位损失权重，λcls表示分类损失权重，lconf表示置信度损失函数，采用二元交叉熵损失函数，lcls表示分类函数，采用二元交叉熵损失函数，lbox表示定位损失函数，采用ciou损失函数。

15、作为优选，所述缺陷类型包括白点缺陷、黑点缺陷、亮线缺陷、暗线缺陷和区域缺陷。

16、与现有技术相比，本发明具有以下优点：

17、本发明的一种基于改进的yolov9神经网络模型的导光板缺陷检测方法，将yolov9作为基线网络模型，结合pkinet模块以及rfaconv模块，使网络模型获得更强的特征提取能力，有效减少网络模型参数量，增强特征的网络表示，显著提高网络模型对于导光板缺陷的检测精度。

技术特征：

1.一种基于改进的yolov9神经网络模型的导光板缺陷检测方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的一种基于改进的yolov9神经网络模型的导光板缺陷检测方法，其特征在于：所述第一条分支网络的连接方式为，conv模块、rfaconv模块、第一个repncspelan4模块、第一个adown模块、第二个repncspelan4模块、第二个adown模块、第三个repncspelan4模块、第三个adown模块、第四个repncspelan4模块、pkinet模块依次连接；所述第二条分支网络的连接方式为，rfaconv模块、conv模块、repncspelan4模块和adown模块依次连接；其中，第一条分支网络中pkinet模块的输出连接头颈网络，第一条分支网络中第一个repncspelan4模块的分支输出、第二个repncspelan4模块的分支输出、第三个repncspelan4模块的分支输出还与第二条分支网络的输出在头颈网络进行特征融合。

3.根据权利要求1所述的一种基于改进的yolov9神经网络模型的导光板缺陷检测方法，其特征在于：所述pkinet模块包括四个串行连接的特征提取模块，在每个特征提取模块中，输入先经过下采样模块和conv模块，然后在通道维度上分成两部分，一部分经过fnn模块运算得到第一输出，另一部分通过pki block模块运算得到第二输出，第一输出和第二输出在通道维度上合并后，再通过conv模块得到最终输出；其中，pki block模块中具有用于提取多尺度局部特征的pki模块和用于捕获远程上下文信息的caa模块，caa模块的输出注意力权重与pki模块的输出特征相乘后，再与pki模块的输出特征相加，通过1×1卷积，得到pki block模块的输出。

4.根据权利要求3所述的一种基于改进的yolov9神经网络模型的导光板缺陷检测方法，其特征在于：所述pki模块通过3×3深度可分离卷积提取局部特征，然后并行应用5×5深度可分离卷积、7×7深度可分离卷积、9×9深度可分离卷积和11×11深度可分离卷积提取上下文特征，之后将恒等映射的局部特征和所有的上下文特征相加，再通过1×1卷积进行融合，得到输出。

5.根据权利要求3所述的一种基于改进的yolov9神经网络模型的导光板缺陷检测方法，其特征在于：所述caa模块通过全局平均池化、1×1卷积、两个串行连接的深度可分离卷积后，再通过1×1卷积和sigmoid激活函数，得到注意力权重。

6.根据权利要求1所述的一种基于改进的yolov9神经网络模型的导光板缺陷检测方法，其特征在于：所述rfaconv模块通过3×3分组卷积提取感受野特征，对感受野特征进行平均池化以聚合每个感受野特征的全局信息，通过1×1分组卷积进行感受野特征的信息交互，通过softmax函数运算强调感受野内每个特征的重要性，生成感受野注意力图，将感受野注意力图与经过relu函数运算和归一化处理的感受野特征相乘得到输出，经过调整形状，再通过3×3卷积得到最终输出。

7.根据权利要求1所述的一种基于改进的yolov9神经网络模型的导光板缺陷检测方法，其特征在于：所述改进的yolov9神经网络模型的损失函数的数学表达式为：

8.根据权利要求1所述的一种基于改进的yolov9神经网络模型的导光板缺陷检测方法，其特征在于：所述缺陷类型包括白点缺陷、黑点缺陷、亮线缺陷、暗线缺陷和区域缺陷。

技术总结
本发明提供一种基于改进的YOLOv9神经网络模型的导光板缺陷检测方法，该方法包括以下步骤：基于YOLOv9神经网络模型，构建改进的YOLOv9神经网络模型，改进的YOLOv9神经网络模型包括主干网络和与主干网络连接的头颈网络，主干网络具有两条分支网络，第一条分支网络包括一个Conv模块、一个RFAConv模块、四个RepNCSPELAN4模块、三个ADown模块、以及一个PKINet模块，第二条分支网络包括一个RFAConv模块、一个Conv模块、一个RepNCSPELAN4模块和一个ADown模块；获取导光板表面缺陷数据集，按照缺陷类型对所述数据集进行分类，对改进的YOLOv9神经网络模型进行训练；将采集的导光板图像输入至训练好的改进的YOLOv9神经网络模型进行缺陷检测。本发明显著提高网络模型对于导光板缺陷的检测精度。

技术研发人员：刘存凌,刘双宁,万岩,李俊峰
受保护的技术使用者：浙江理工大学
技术研发日：
技术公布日：2024/11/28