CN119516172A 一种基于改进YOLOv5算法的目标缺陷检测训练模型、方法及系统 （广州发展电力科技有限公司）

道办珠电路165号广州发展南沙管理一种基于改进YOLOv5算法的目标缺陷检测本发明提供一种基于改进YOLOv5算法的目度可切换空洞卷积操作对目标处理图像进行特融合极化自注意力机制对第一特征图进行特征通过坐标注意力机制对第二特征图进行坐标注过金字塔池化对第三特征图进行多尺度的目标用于输出反馈缺陷检测结果。本发明通过对2所述SAConv模块用于通过多尺度可切换空洞卷积操作对目标处理图像进行特征提取，所述PSA模块用于通过融合极化自注意力机制对第一特征图进行特征融合，获取第二所述CoordAtt模块用于通过坐标注意力机制对第二特征图进行坐标注所述PPM模块用于通过金字塔池化对第三特征图进行多尺度的目标检测与识别，获取2.根据权利要求1所述的一种基于改进YOLOv5算法的目标缺陷检测训练模型，其特征所述多尺度卷积子模块用于基于若干种预设空洞率并结合预设所述缩减优化子模块用于通过concat操作对多尺度特征图进行融合3.根据权利要求1所述的一种基于改进YOLOv5算法的目标缺陷检测训练模型，其特征所述通道自注意力子模块用于通过全局平均池化处理第一特征图，所述空间子注意力子模块用于通过全局平均池化处理第一特征图，并所述融合子模块用于将通道注意力信息和空间注意力信息进行加权融4.根据权利要求1所述的一种基于改进YOLOv5算法的目标缺陷检测训练模型，其特征所述坐标信息嵌入子模块用于使用2D全局池化，将输入的第二特征图分所述坐标注意力生成子模块用于通过concat操作将水平聚合特征图和垂直聚合特征所述注意力加权子模块用于使用两个独立的预设卷积操作分别处理水平特征张量和5.根据权利要求1所述的一种基于改进YOLOv5算法的目标缺陷检测训练模型，其特征3所述池化子模块用于分别基于若干不同尺寸的池化核对第三特征图以自适应平均池所述融合子模块用于对若干池化特征图通过预设缩减卷积进行通道6.一种基于改进YOLOv5算法的目标缺陷检测方法，其特征要求1～5任一项所述的一种基于改进YOLOv5算法的目标缺陷检测训练模型，包括以下步基于风机叶片图像构建数据集，以将数据集输入所述目标缺陷检测基于SAConv模块通过多尺度可切换空洞卷积操作对当前检测图像进基于PSA模块通过融合极化自注意力机制对第一特征图进行特征融合，获取第二特征基于CoordAtt模块通过坐标注意力机制对第二特征图进行坐标注意基于PPM模块通过金字塔池化对第三特征图进行多尺度的目标检测与识别，获取缺陷~5任一项所述的一种基于改进YOLOv5算法的目标缺陷检测训练模型，数据预处理单元，用于基于风机叶片图像构建数据集，以410.根据权利要求9所述的一种基于改进YOLOv5算法的目标缺陷检测系统，其特征在特征提取子单元，用于基于SAConv模块通过多尺度可切换空特征融合子单元，用于基于PSA模块通过融合极化自注意力机制对第一特征图进行特注意力加权子单元，用于基于CoordAtt模块通过坐标注意力检测识别子单元，用于基于PPM模块通过金字塔池化对第三特征图进行多尺度的目标5神经网络(R_CNN)等深度学习模型已被广泛应用于风机叶片的缺陷检测，但这些模型在处[0004]本发明旨在提供一种基于改进YOLOv5算法的目标缺陷检测训练模型、方法及系[0007]所述SAConv模块用于通过多尺度可切换空洞卷积操作对目标处理图像进行特征6[0008]所述PSA模块用于通过融合极化自注意力机制对第一特征图进行特征融合，获取[0009]所述CoordAtt模块用于通过坐标注意力机制对第二特征[0010]所述PPM模块用于通过金字塔池化对第三特征图进行多尺度的目标检测与识别，[0015]上述方案通过采用PSA模块融合极化注意力机制，以通过通道和空间分支精确捕力权重和垂直注意力权重，并基于水平注意力权重和垂直注意力权重获取坐标注意力权7于分别基于若干不同尺寸的池化核对第三特征图以自适应平均池化的方式进行池化操作，[0019]上述方案通过PPM模块引入金字塔池化，进一步增强模型对多尺度目标的检测能包括：基于CLAHE算法对采集到的风机叶片图像进行图像预处理，并基于预设几何变换方[0026]上述方案通过使用CLAHE算法对采集到的风机叶片图像进行处理和数据增强，以增强局部对比度并突出缺陷特征以及确保数8[0032]目标缺陷检测单元，用于基于训练后的YOLOv5模型对当前检测图像进行缺陷检测训练模型进行训练，并通过目标缺陷检测单元基于训练后的YOLOv5模型进行缺陷检测，9[0037]图1为本发明一实施例提供的一种基于改进YOLOv5算法的目标缺陷检测训练模型[0042]图6为本发明一实施例提供的一种基于改进YOLOv5算法的目标缺陷检测流程示意[0048]所述SAConv模块用于通过多尺度可切换空洞卷积操作对目标处理图像进行特征[0049]所述PSA模块用于通过融合极化自注意力机制对第一特征图进行特征融合，获取[0050]所述CoordAtt模块用于通过坐标注意力机制对第二特征[0051]所述PPM模块用于通过金字塔池化对第三特征图进行多尺度的目标检测与识别，提取能力。接着，将YOLOv5原有的MPConv(Max_PoolingConvolution)层替换为设计好的理图像经过Pre_GlobalContext进行全局平局池化(GlobalAvgPool)及卷积操作，再由：：ppGP权重和垂直注意力权重，并基于水平注意力权重和垂直注意力权重获取坐标注意力权重，[0070](1)坐标信息嵌入，即坐标信息嵌入子模块捕捉长距离依赖关系并保留精确的位[0077](2)坐标注意力生成，即坐标注意力生成子模块将水平和垂直方向上的聚合特征[0080](3)特征重映射，即注意力加权子模块使用两个独立的1×1卷积操作分别处理水yc(i,)=xc(i,j)xg(i)xg"(i)知能力，主要用于处理复杂场景中的小目标缺陷和细微纹理缺陷。接着，将设计好的CoordAtt模块在复杂场景下的表现达到YOLOv5网络中，确保新加入的模块与原有架构无缝连接，并对PPM模块的参数进行精细调方图均衡化算法(CLAHE)对采集到的风机叶片图像数据进行预处理，以提高缺陷的可见性设几何变换方式、预设图像调整方式和预设噪声处理方式对预先处理图像进行数据增强，照条件，亮度调整范围为原始亮度的±20对比度则在原始基础上调整±15这一步骤算资源有限的情况下可以提供一种较为经济的解决方[0109]目标缺陷检测单元，用于基于训练后的YOLOv5模型对当前检测图像进行缺陷检[0110]本实施例提供的系统通过数据预处理单元构建数据集对经过改进得到的目标缺[0112]在具体实施过程中，本实施例中的目标缺陷检测单元即为训练[0113]本实施例提供的一种基于改进YOLOv5算法的目标缺陷检[0122]目标检测与识别：在YOLOv5的主干网络中嵌入PPM模块以通过金字塔池化对第三过嵌入PPM(金字塔池