CN114638784B 一种基于fe-yolo的铜管表面缺陷检测方法及装置 （中南大学）

一种基于FE-YOLO的铜管表面缺陷检测方法本发明公开了一种基于FE-YOLO的铜管表面+聚类方法确定铜管表面缺陷数据集的先验锚项的研究选择设计优化的边界回归框损失函数根据铜管表面缺陷数据集训练得到基于FE-YOLO的高效和高精度的检测实现了对工业表面缺陷2S1：根据工业现场获取的铜管次品管件，采集多S6：将待检测的铜管表面图像数据输入已经训练好的基于FE-YOLO的铜管表面缺陷检2.如权利要求1所述的一种基于FE-YOLO的S2中基于统计的K-means++方法为：按检测层的层数将真实标签信息通过设定阈值划分为3.如权利要求1所述的一种基于FE-YOLO4.如权利要求1所述的一种基于FE-YOLO的铜管表面缺S3中网络的骨干特征提取部分分为第一BaseBlock模块和第二BaseBlock模块，所述第一35.如权利要求1所述的一种基于FE-YOLO强多尺度检测层的空间位置相关性以提高检测精度；所述检测头部分由三个yolo_head构6.如权利要求1所述的一种基于FE-YOLO的铜管S7-3：针对不同噪声场景下，每次迭代过程从若干个尺度中随机抽取尺度对基于FE-铜管表面缺陷检测模型构建模块：用于根据先验框获取模铜管表面缺陷检测模型训练模块：用于根据构建的铜管表面缺陷数铜管表面缺陷图像采集模块：用于对输入的铜管进行多角度采集并进行预铜管表面缺陷检测及显示模块：用于将图像采集模块获取的缺陷图4[0001]本发明涉及机器视觉检测技术领域，涉及一种基于FE-YOLO的铜管表面缺陷检测经在工业界逐渐展开应用。Fuetal.提出了一种端到端卷积神经网络来实现带钢表面缺陷宽比被筛选和过滤掉，然而这在真实的检测任务和待解决的检测问题中往往是非常重要[0005]本发明的目的是提供一种基于FE-YOLO的铜管表面缺陷检测方法，用于提高铜管5[0012]S6：将待检测的铜管表面图像数据输入已经训练好的基于FE-YOLO的铜管表面缺框在相邻特征层均可被识别，因此最终的阈值区间为[0,40x40],[32x32,96x96],[90x90,[0018]进一步地，所述S3中网络的骨干特征提取部分分为第一BaseBlock模块和第二模块用于深化网络的提取特征，每个BaseBlock模块的主路径经过三层不同大小的卷积核6[0024]进一步地，所述对基于FE-YOLO的铜管表面缺陷检测模型进行多场景和多尺度训[0034]铜管表面缺陷图像采集模块：用于对输入的铜管进行多数据特点根据基于统计的K-means++聚类方法确定了铜管表面缺陷数据集的先验锚框，提7means++聚类方法得到铜管表面缺陷数据集的锚框；对惩罚项的研究选择设计了网络模型的边界回归框损失函数[0060]S6：将待检测的铜管表面图像数据输入已经训练好的基于FE-YOLO的铜管表面缺[0061]在本发明中，步骤1依据传统图像处理方法对采集的铜管表面缺陷图像进行数据8[0064]具体实施时，YOLOV4中使用K-means聚类算法对COCO数据集进行统计得到9个标签信息通过设定阈值划分为三部分，再对每一部分通过K-means++聚类方法得到对应特[0069]本发明利用基于统计的K-means++聚类方法在铜管表面缺陷数据集上按多尺度特9更好地保留全局特征而不增加计算量，我们在第一和第二阶段的设计中将卷积核增加到5的输出按照密集连接的方式将每个Baseblock的输出堆叠在里面，以保证层间信息的最大尺度检测。FPN的缺点是不同尺度特征之间不一致。当一个目标被认为是某一层的正样本[0078]在步骤4中，根据对惩罚项的研究选择设计了网络模型的边界框回归损失函数目标框相交矩形的对角线长r与最小外包矩形的对角线长c的距离比。由图7可看出，目前[0084]此外基于对已有IoU损失函数的研究，我们还需从模型预测值与目标值误差较大[0088]依照图像数据的多种场景，对基于FE-YOLO的铜管表面缺陷检测模型进行多场景[0090]最后步骤6将待检测的铜管表面图像数据输入已经训练好的基于FE-YOLO的铜管[0094]本具体实施中，数据集采用的是目标检测领域标准的VOC数据集格式，利用为Intel(R)Core(TM)I9-9900KCPU@3.60GHz。我们使用两种GPU显卡，即NVIDIAGeForce[0099]首先，整个网络模型基于开源深度学习框架pytorch,将FE-YOLO网络模型在数据[0104]本具体实例选用模型评估指标为各类平均准确度的平均值mAP。平均精度的位置，一般认为IoU＞0.5的预测目标是成功预测到了目标位置，此时mAP等同于mAP[0105]在本具体实例中，FE-YOLO与现有的YOLOV4对比测试结果算法对于小目标缺陷黑斑类提升效果最为明显，提高了13增强了模型对于小目标缺陷[0106]为了验证对同一数据集的检测效果，本具体实例对SSD、Faster-RCNN、YOLOX、[0109]从表4可以看出，上表比较的5种模型中，本发明的FE-YOLO算法的识别准确度最[0110]基于同一发明构思，本发明实施例中还提供了一种基于FE-YOLO算法的铜管表面的原理与基于FE-YOLO算法的铜管表面缺陷检测方法相似，因此装置的实施可以参见方法[0111]图12为本发明实施例中基于FE-YOLO算法的铜管表面缺陷检测装置结构的示意处理器上运行的计算机程序，处理器执行计算机程序时实现上述基于FE-YOLO的铜管表面签，依据数据特点根据基于统计的K-means++聚类方法确定了铜管表面缺陷数据集的先验现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0125]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一