CN116740013B 基于YOLOv5改进网络的曳引钢丝绳缺陷检测方法 （哈尔滨工程大学）

US2021407062A1,2021.12.30基于YOLOv5改进网络的曳引钢丝绳缺陷检基于YOLOv5改进网络的曳引钢丝绳缺陷检器视觉的方法不能对所有缺陷都具有鲁棒性的字塔网络；所述YOLOv5改进网络的损失函数为β_CIoU损失函数。本发明适用于曳引钢丝绳缺2所述主干网络中的C3模块为LW_C3模块，所述LW_C3模块包括两个DSC_B连接主分支梯度模块的输入端，主分支梯度模块的输出端连接Concat模块的另一个输入1x1卷积层的输出端连接1x3卷积层的输入端，1x3卷积层的输出端连接3x1卷积层的输所述YOLOv5改进网络的损失函数为β_C2.根据权利要求1所述的基于YOLOv5改进网络的曳引钢丝绳缺陷检测方法，其特征在被测曳引钢丝绳的图像作为跨层级加权特征金字塔下采样模块对被测曳引钢丝绳的图像进行两次下采样获特征图P5经过LW_C3模块和SPPF模块进行卷积获得特征图P51，特征图P第一双特征卷积模块对特征图P4和P51分别乘以对应权重后进行加权融合获得特征图三特征上采样卷积模块对特征图P3、P41和P51分别乘以对应权重第二双特征卷积模块对特征图P32和P4分别乘以对应权重后进行加权融合获得特征图三特征下采样卷积模块对特征图P51、P42和P32分别乘以对应权重后进行加权融合获3.根据权利要求2所述的基于YOLOv5改进网络的曳引钢丝绳缺陷检测方法，其特征在4.根据权利要求3所述的基于YOLOv5改进网络的曳引钢丝绳缺陷检测方法，其特征在36.根据权利要求5所述的基于YOLOv5改进网络的曳引钢丝绳缺陷检测方法，其特征在述主分支梯度模块的输入依次通过3x3卷积层及拼接层，第三条7.根据权利要求1所述的基于YOLOv5改进网络的曳引钢丝绳缺陷检测方法，其特征在采集被测曳引钢丝绳的图像以及实验曳引钢丝绳的图像，所述实8.根据权利要求7所述的基于YOLOv5改进网络的曳引钢丝绳缺陷检测方法，其特征在4[0002]曳引钢丝绳作为一种承载构件，在大型工业起重设备中发挥着越来越重要的作5[0017]第一双特征卷积模块对特征图P4和P51分别乘以对应权重后进行加权融合获得特[0019]第二双特征卷积模块对特征图P32和P4分别乘以对应权重后进行加权融合获得特[0020]三特征下采样卷积模块对特征图P51、P42和P32分别乘以对应权重后进行加权融6被执行时实现如上述基于YOLOv5改进网络的曳引钢丝绳[0040]图1为具体实施方式所述基于YOLOv5改进网络的曳引钢丝绳缺陷检测方法的流程7[0049]通过工业摄像机对现场曳引钢丝绳存在的缺陷以及实验室自制的曳引钢丝绳缺[0052]S3：在现有的YOLOv5网络结构基础之上进行改进，构建了YOLOv5改进网络，即一化、Swish激活)模块，两个DSC_BS模块的输入端均作为所述LW_C3模块的输入端，一个[0054]上述LW_C3模块与C3模块一样，同样利用CSPNet(跨阶段局部网络)提取分流的思8入端，融合层的输出端作为所述主分支梯度模块的输出端。其中三条梯度分支表示为积核目的是为了保持参数量与模型精度的平衡。由于LW_BottleNeck结构采用了轻量化结[0057]步骤二：为了进一步提升YOLOv5改进网络对不显著的曳引钢丝绳缺陷的定位能了进一步改进，设计了跨层级加权特征金字塔网络(Cross_levelweightedfeature[0061]第一双特征卷积模块对特征图P4和P51分别乘以对应权重后进行加权融合获得特[0063]第二双特征卷积模块对特征图P32和P4分别乘以对应权重后进行加权融合获得特[0064]三特征下采样卷积模块对特征图P51、P42和P32分别乘以对应权重后进行加权融9[0076]方案B与方案A对比，B方案是使用LW_C3模块替换了原YOLOv5_s(A方案)模型中主干网络与瓶颈网络中的C3模块，从实验结果可以看出，LW_C3模块替换C3模块之后，虽然mAP@.95下降了0.3但是参数量减少了12浮点运算数降低了高达30并且在LW_所述计算机程序被执行时实现如上述具体实施方式一所述基于YOLOv5改进网络的曳引钢施方式一所述基于YOLOv5改进网络的曳引钢丝绳