CN116645328B 一种高精度轴承套圈表面缺陷智能检测方法 （浙江理工大学）

司XuH,PanH,LiJSurfaceDefectImprovedYOLOv5Net一种高精度轴承套圈表面缺陷智能检测方法本发明提供一种高精度轴承套圈表面缺陷YOLOv5目标检测网络构建轴承套圈表面缺陷检下采样单元包括CBS模块，其它四个下采样单元下采样单元后均设置C2f模块，SPD模块采用SPD层替代YOLOv5目标检测网络中的步长卷积，C2f2基于改进YOLOv5目标检测网络构建轴承套圈表面缺陷检测模型归一化层和激活函数层，所述SPD模块采用SPD层替代YOLOv5目标检测网络中的步长卷积，所述C2f模块用于实现分离卷积和拼接操作，所述颈部网络设有CARAFE轻量级通用上采样设置所述轴承套圈表面缺陷检测模型的损失函数，采集数据集并将其划分为训练集、将被测轴承套圈图像输入到训练完成的轴承套圈表面缺陷检测模型所述SPD层用于将输入的特征图的高度和宽度减半，并且将输入的特征图的通道数增若干Bottleneck模块输出，每个Bottleneck模块输出的子特征图与Split模块拆分的另一LOSS＝wboxLbox+wobjLobj式中，IOU为预测框B与真实框A的交并比，ρ为真实框A与预测框345[0012]作为优选，所述C2f模块包括两个CBS模块、一个Split模块和若干Bottleneck模[0020]作为优选，所述分类损失函数和所述置信度损失函数均采用二元交叉熵损失函6圈表面缺陷智能检测方法基于上述轴承套圈表面缺陷检测模型实现对于轴承套圈表面缺[0036]图8是本发明中轴承套圈表面缺陷检测模型训练过程中的训练损失、验证损失、[0038]图10是本发明轴承套圈表面缺陷检测模型与YOLOv5模型在布料数据集的测试结晓的部件，其结构和原理都为本技术人员均可通过技术手册得知或通过常规实验方法获7[0042]S1.基于改进YOLOv5目标检[0043]S2.设置轴承套圈表面缺陷检[0044]S3.将被测轴承套圈图像输入到训[0046]传统的YOLOv5目标检测网络包括主干网络、颈部网络和目标检测头模块，使用基于网格的anchor在不同尺度的特征图上进[0048]该高精度轴承套圈表面缺陷智能检测方法基于传统的YOLOv5目标检测网络进行[0050]主干网络从输入图像中提取不同大小的特征图，输入图像大小是640×640像素，8络中的一个concat模块连接主干网络的第三个C2f模块，颈部网络中的另一个concat模块PAN结构将深层语义信息自底向上传递。FPN结构和PAN结构共同增强颈部网络的特征融合[0053]相比传统的YOLOv5目标检测网络，该轴承套圈表面缺陷检测模型利用SPD模块代[0056]通过引入SPD模块，解决传统的卷积步长或池化层在处理低分辨率图像和小物体-1:S:scale]9网络时，Bottlenneck模块不使用shortcut。输入的特征图进入两条分支，一条通过多个Bottleneck模块堆叠和1个标准卷积层拼接得到一个子特征图，另一条仅经过一个标准卷为h×w×cin，通过CBS模块后输出尺寸为h×w×cout。输入第一个CBS模块的特征图通过Split模块拆分为两个子特征图，其中，Split模块拆分的一个子特征图通过若干Bottleneck模块输出，每个Bottleneck模块输出的子特征图与Split模块拆分的另一个子特征图拼接后，通过第二个CBS模块输出分离卷积和拼接操作后的特征图。C2f模块中的的基础上在像素点之间采用合适的插值算法插入新的元素。传统的YOLOv5目标检测网络[0067]CARAFE轻量级通用上采样模块利用一个小型卷积网络来生成一个自适应的上采轻量级通用上采样模块包括核预测模块(KernelPredictionModule)和内容感知重组模块(Content_awareReassemblyModule)，核预测模块用于生成用于重组计算的核上的权H×W的特征图X通过CARAFE轻量级通用上采样模块被上采样了σ倍。对于每个位置l＝(i，后基于压缩后特征图的尺寸，使用大小为kencoder的卷积层生成用于重组特征的上采样核kernel，使用更大的kencoder将会扩大感受野将其重组为的特征图，并对每一个位置的所有通道使用softmax函数归一)l[0087]该高精度轴承套圈表面缺陷智能检测方法中的数据集通过工业相机在轴承套圈值0.010.11.0[0104]表5中，TP(TruePositive)表示是正样本并且预测正确的数量，FP(FalsePositive)表示是负样本但是预测为正样本的数量；FN(FalseNegative)表示是正样本但mAP0.010.010.010.10.0180.010.180.01[0121]通过表7可知，YOLOv5模型的mAP为95.8加入C2f模块的改进YOLOv5模型的mAPmAP为96.2加入SPD模块的改进YOLOv5模型的mAP为96.5同时使用C2f、CARAFE后的改合三种模块后的改进YOLOv5模型的mAP高达97.3三者结合不仅提高了主干网络对特征[0122]为了进一步验证改进的YOLOV5缺陷检测模型的有效性，本发明将其与YOLOV3、mAP磕碰的精度提高了4极大的改善了黑斑和磕碰的缺陷检测精度，仅仅在FPS方面稍微有废缺陷，检测划伤缺陷时的置信度只有0.45，说明YOLOv3_tiny检测模型的精度较低。轴承套圈表面缺陷检测的实验方法相同，先对采集到的布料数据集进行了数据集的扩充。式将数据集扩充到3317张，然后按照6:2:2的比例将数据集划分为训练集、验证集和测试mAP