[发明专利]一种基于改进YOLOv5模型的丝饼缺陷检测方法

权利要求书

1.一种基于改进YOLOv5算法的目标检测方法，建立基于YOLOv5算法构建改进型YOLOv5神经网络结构并训练优化模型，用于丝饼缺陷的实时检测，其特征在于，所述该方法包括：

步骤1、获取包含缺陷的丝饼检测图像数据，并进行数据预处理得到缺陷图像数据样本集；

步骤2、基于YOLOv5算法构建改进型YOLOv5神经网络结构，得到改进YOLOv5算法；

步骤3、利用所述样本集数据对所述改进YOLOv5算法进行训练，将训练后最佳的权重参数加载至改进YOLOv5算法得到优化的丝饼缺陷目标检测模型；

步骤4、现场采集待检测图像并进行图像预处理，然后输入优化的丝饼缺陷目标检测模型，自动输出对应的缺陷目标检测结果；所述目标检测结果包括待检测图像中缺陷目标区域的位置以及每个目标区域对应的类别，其中目标区域的缺陷类别为绊丝、油污、成型不良。

2.如权利要求1所述的基于改进YOLOv5算法的目标检测方法，其特征在于，所述改进型YOLOv5网络结构包括特征提取骨干网络Backbone模块、用于预测分类和目标边界框Head模块；所述特征提取骨干网络Backbone模块输出3个不同尺度的特征图；其中所述Backbone模块包括Focus子模块、Conv子模块、C3SE子模块、SPP子模块，所述Head模块包括BiFPN子模块、Detect子模块；

所述Focus模块对输入的图像进行切片操作，用于特征提取；

所述C3SE结构是在通道维度引入注意力机制，用于提取不同尺度的特征图；

所述SPP模块用于融合多尺度的特征；

所述BiFPN模块，在FPN模块基础上进一步上采样C3SE的输出特征进行融合，用于加强网络特征融合能力；

所述Detect子模块，包括3个分类器，用于将融合特征图输入多分类器进行丝饼缺陷定位及分类，给出缺陷目标预测框。

3.如权利要求1所述的基于改进YOLOv5算法的目标检测方法，其特征在于，所述步骤1的数据预处理包括：将大小为640×640的4张丝饼缺陷的图片采用Mosaic数据增强方法进行随机缩放、随机裁剪、随机排布，用于丰富缺陷样本数据集；所述丝饼缺陷包括绊丝、油污、成型不良的图片。

4.如权利要求1所述的基于改进YOLOv5算法的目标检测方法，其特征在于，所述对图片进行切片操作，是将W、H信息进行分割，用于扩充通道空间，将原先的RGB三通道模式变成了12个通道，然后将得到的新图片再经过3×3卷积操作提取特征；W、H分别为宽、高。

5.如权利要求1所述的基于改进YOLOv5算法的目标检测方法，其特征在于，所述C3模块包括两个分支：y1和y2，其中分支y1由依次连接的Conv模块、X个添加shortcut分支的Bottleneck模块、conv组成，分支y2由conv组成，最后将2个分支进行concat操作，并依次经过BN层、LeakyRelu激活函数、Conv模块；所述Conv模块由conv、BN、SiLU激活函数三者组成。

6.如权利要求1所述的基于改进YOLOv5算法的目标检测方法，其特征在于，所述C3SE模块包括C3模块并在通道维度引入注意力机制SE模块，通过在Feature Map层上执行全局平均池化，把原本H×W×C的特征，压缩为1×1×C，得到当前Feature Map的全局压缩特征量，每个通道用一个数值表示；通过两个全连接层的Bottleneck结构去建模通道间的相关性，得到Feature Map中每个通道的权值，并将加权后的Feature Map作为下一层网络的输入；将上一步得到的归一化权重加权到每个通道的特征上，与原始特征图相乘，得到最终特征图输出，完成在通道维度上引入注意力机制。

7.如权利要求1所述的基于改进YOLOv5算法的目标检测方法，其特征在于，所述SPP模块采用5×5、9×9、13×13的最大池化尺寸进行多尺度融合，对输入的特征图分别利用三个最大池化层进行处理，并将不同尺度的特征图与输入进行Concat操作，得到池化特征图输出。