[发明专利]一种基于深度学习的长尾夹缺陷检测方法及系统

说明书

本发明公开了一种基于深度学习的长尾夹缺陷检测方法及系统，属于图像处理技术领域，包括以下步骤：S1：构建样本数据集；S2：获取预训练模型；S3：构建长尾夹缺陷检测识别模型；S4：进行检测识别。本发明以YOLOv4‑Tiny网络作为基础网络，通过迁移学习共享预训练网络中的权值参数，并添加全局空间注意力机制模块，提高特征表征能力，能够较为准确的对长尾夹缺陷图像实现检测识别，在进行图像缺陷检测效果对比实验中，表现出了较好的检测效果，其中mAP值指标达到了91.66％，实现了长尾夹缺陷图像的检测识别，为后续实现长尾夹检验及反馈系统打下基础，值得被推广使用。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于深度学习的长尾夹缺陷检测方法及系统。

背景技术

长尾夹制造过程中大批量同时淬火后出现不对称易变形问题，开展智能长尾夹淬火炉质量检验及反馈系统的研发，实现长尾夹缺陷的自动检测与识别，在长尾夹高效、高质量生产中具有重要意义。

此前对于长尾夹缺陷检测主要以人工检查方式为主，传统的人工视检对工人的视力损伤较大，也存在检测的一致性较差、可靠性低的问题。上述问题亟待解决，为此，提出一种基于深度学习的长尾夹缺陷检测方法及系统。

发明内容

本发明所要解决的技术问题在于：如何解决长尾夹大批同时淬火后出现不对称及变形次品检测的问题，提供了一种基于深度学习的长尾夹缺陷检测方法。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：构建样本数据集

采集长尾夹缺陷样本，构建长尾夹缺陷图像数据集，并对图像数据集进行数据增强，完成数据集缺陷标注工作；

S2：获取预训练模型

获取经大型图像数据集训练过的基于卷积神经网络的YOLOv4-Tiny预训练模型；

S3：构建长尾夹缺陷检测识别模型

将步骤S2中的预训练模型迁移至原始YOLOv4-Tiny模型中，并在YOLOv4-Tiny网络中加入全局注意力机制模块，构建适用于长尾夹缺陷检测的神经网络模型；

S4：进行检测识别

利用步骤S3中的长尾夹缺陷检测神经网络模型对长尾夹缺陷图像数据集进行检测识别。

更进一步地，在所述步骤S1中，构建样本数据集的过程如下：

S11：采集用于实验的数据样本，然后将图片分为训练集和测试集；

S12：对训练集中的图像进行翻转、旋转、平移、添加噪声的处理实现数据扩充；

S13：使用LabelImg工具对长尾夹缝隙图像进行标记，生成与图像样本一一对应的xml文件，记录标记框的坐标位置以及缝隙的种类，用于后期网络模型的训练。

更进一步地，在所述步骤S11中，所述训练集和所述测试集中图像样本包括两种根据不同视角标记的缺陷类别，分别为Gap1、Gap2。

更进一步地，在所述步骤S3中，构建长尾夹缺陷检测识别模型的过程如下：

S31：以YOLOv4-Tiny网络模型为基础框架，将经大型图像数据集上训练完成的权值参数迁移至YOLOv4-Tiny网络模型上；

S32：在YOLOv4-Tiny网络模型中添加全局注意力机制模块；

S33：将训练集图像输入到经步骤S32改进后的YOLOv4-Tiny网络模型中，设置合适的超参数进行训练并保存模型，该模型即长尾夹缺陷检测识别模型。