[发明专利]一种基于改进YOLOv5模型的丝饼缺陷检测方法

说明书

本发明涉及一种基于YOLOv5神经网络的丝饼缺陷检测方法。包括：获取丝饼图像缺陷数据集，并对丝饼图像缺陷数据集进行数据处理得到样本集；基于YOLOv5算法构建改进型YOLOv5神经网络结构，得到改进YOLOv5算法；利用样本集对改进YOLOv5算法进行训练，将训练后最佳的权重文件加载至改进YOLOv5算法得到目标检测模型；针对获取的待分类图像，采用所述目标检测模型输出对应的丝饼缺陷定位及分类。本发明的方法相较于原YOLOv5算法具有较高的检测速度和小目标检测精度，从而有效提高生产效率，降低了丝饼缺陷检测的错误率。

技术领域

本发明涉及深度学习、计算机视觉领域，具体的说是一种基于改进YOLOv5模型的丝饼缺陷检测方法。

背景技术

我国作为最大的氨纶生产国，随着制造业的不断发展，智能装配系统被广泛应用到自动化生产线上。在生产丝饼的生产流水线上，丝饼要经过卷丝、落筒、输送、储存、检测分类、包装等多个流程，因此，丝饼不可避免的会出现一些缺陷。目前，对丝饼缺陷的检测主要采用人工方式，人为因素影响较大，且工作劳动强度大，生产效率和精确度十分低下，无法满足大规模自动化生产的需求，氨纶丝饼的产量和质量受到严重制约。因此，为了提高生产效率，降低人力成本投入，研发出能够适应工厂环境中光线等不稳定因素，同时确保精度和速度的智能丝饼检缺陷测方法势在必行。

随着深度学习的飞速发展，计算机视觉技术取得了令人瞩目的成果，尤其是物体检测这一基础又核心的需求，诞生了众多经典算法，在自动驾驶、智能安防以及智能装配等多个领域都得到了广泛应用。其中，YOLO因为其较快的检测速度，在工业界应用极为广泛，尤其是在不追求预测框高精度的场景下，与其他检测算法精度相同时，可以达到3到4倍的前向速度，是一个十分适合实际应用的检测框架。YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。

以上算法虽然自动化程度较高，但是对于丝饼缺陷中目标较小时仍然会很大程度上影响算法的检测精度。因此，需要有一种能准确识别和定位丝饼缺陷的检测方法，以适用于各种复杂条件下的缺陷检测。

发明内容

针对上述技术不足，对丝饼检测的研究需要提高目标检测精度，同时，保证较高的检测速度。本发明解决其技术问题所采用的技术方案是：

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，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。

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；