[发明专利]一种改进型YOLO-V3的金属加工表面缺陷检测方法

说明书

本发明公开了一种改进型YOLO‑V3的金属加工表面缺陷检测方法，包括：获取金属表面加工图像；特征提取骨干网络提取不同尺度的特征图，特征提取骨干网络无池化层且降采样因子小于Darknet‑53的降采样因子，且卷积层数少于Darknet‑53的卷积层数；将特征图输入多尺度融合模块进行局部特征融合得到融合特征图；将融合特征图输入多分类器模块进行金属加工表面缺陷定位及分类。本发明省去了池化层并且减小了降采样因子，避免了池化操作进行降采样过程通常会导致低级特征丢失的问题，保证了深层特征较高分辨率的结构特点，通过局部特征融合，将低层特征的高分辨率特点与深层特征的高语义信息特点的结合，最终实现了金属加工表面小目标缺陷的精准检测。

技术领域

本发明涉及缺陷检测领域，具体地说，涉及一种改进型YOLO-V3的金属加工表面缺陷检测方法。

背景技术

金属加工表面缺陷检测是金属零件制造的重要工序。金属表面常见缺陷包括划伤、压伤、碰伤。在精密机械装备中，上述缺陷可能导致工况恶化等潜在问题，影响设备传动精度、产生噪音、甚至导致设备损坏，带来巨大损失。受工装铁屑残留、工件装夹不当、物理碰撞等影响，金属加工表面缺陷问题经常发生，且容易出现批量性问题。当前，制造企业对金属加工表面缺陷的检测主要采用人工抽检方式，存在依赖人工经验、误检漏检、耗时长等问题，难以及时有效的开展检测

针对上述问题，申请号CN2019109448552的中国专利公开了《一种基于深度学习的工业元器件外观缺陷检测方法》，所述方法包括以下步骤：S1、图像获取步骤：将待测工件置于检测平台上，在稳定、均匀的照明环境下，通过检测平台上的相机获取待测工件外表面的图像数据；S2、图像处理步骤：对获取的图像数据进行图像前期处理，得到待诊断图像；S3、图像分析和识别步骤：获取基于深度学习构建的卷积神经网络模型对待诊断图像进行判断，将判断结果输出分析待测图像上外观缺陷的纹理、形状信息，并自动判别缺陷类型和参数指标，最终输出待测图像的识别结果。上述发明能够提高工业元器件缺陷的检测效率，降低人力劳动成本。申请号为CA3056498A的加拿大专利公开了《基于机器学习算法的结构缺陷检测》，采用了神经网络形式的机器学习算法，使用形成的图像数据库来训练卷积神经网络，该图像被形成为优化卷积神经网络的准确性以检测表面中的裂缝。在卷积神经网络的前述布置中并入了分别执行测试图像的多次扫描的两阶段扫描过程，该两阶段形成重叠的捕获区域，以减少位于各个扫描边界上的裂纹被漏检的可能性。

上述方法通过传统的神经网络可以检测工业器件外观上的常规缺陷，但是在对金属表面的加工缺陷进行检测时，由于金属表面压伤与碰伤等缺陷通常尺寸较小，因此在输入图像中的像素区域也非常小，若采用传统的神经网络，由于其特征提取骨干网络感受野通常较大，虽然便于图像分类，却会折中空间分辨率，导致无法精确识别小物体，即卷积层变深后导致感受野变大，例如，YOLO-V3原有的特征提取骨干网络Darknet-53在对图像32倍降采样后，最后输出的特征等同于一个点，这会导致该类缺陷目标的检测效果较差，不利于小目标缺陷的检测，会带来检测位置精准性差和召回率低的问题。

综上所述，如何实现小目标缺陷的精准检测成为了本领域技术人员急需解决的问题。

发明内容

针对上述现有技术的不足，本发明实际需要解决的问题是如何实现小目标缺陷的精准检测。

为了解决现有技术中的问题，本发明采用了如下的技术方案：

一种改进型YOLO-V3的金属加工表面缺陷检测方法，所述改进型YOLO-V3包括特征提取骨干网络、多尺度融合模块及多分类器模块，所述金属加工表面缺陷检测方法包括：

S1、获取金属表面加工图像；

S2、将金属表面加工图像输入特征提取骨干网络提取不同尺度的特征图，所述特征提取骨干网络无池化层且降采样因子小于Darknet-53的降采样因子，且卷积层数少于Darknet-53的卷积层数；