[发明专利]铝材表面缺陷检测方法、设备和存储介质

说明书

本发明公开了一种铝材表面缺陷检测方法、设备和存储介质，涉及图像识别技术领域，本发明的方法，包括：获取铝材表面的铝材缺陷数据集；将铝材缺陷数据集输入到K‑means聚类算法中，得到铝材缺陷目标数据集；将铝材缺陷目标数据集输入到YOLOv4模型中进行分类识别，得到铝材表面缺陷分类结果；其中，YOLOv4模型包括主干网络结构和PANet模块，在PANet模块中将第一特征图集与第二特征图集进行特征拼接，以使第一特征图集与第二特征图集位于同一特征层。本发明的技术方案通过对PANet模块的这种改进，通过特征拼接得到更多的输入特征信息，提升了对铝材表面小目标缺陷的检测能力。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种铝材表面缺陷检测方法、设备和存储介质。

背景技术

无论是在工业领域的机械设备，还是日常生活中的工艺产品，铝材是常用的材料之一。但在生产加工过程中，由于受设备及工艺的影响，铝材表面往往会出现不同种类的缺陷，比如脏点、擦花等常见缺陷。这极大程度的影响铝材的外观和使用性能，所以在铝材生产过程中，对其表面有效地进行缺陷检测是至关重要的。

目前，通常采用YOLOv3作为基础网络对铝材表面缺陷进行检测，但由于铝材表面个别类别缺陷尺寸较小，故在使用YOLOv3算法检测时，存在漏检率高，检测精度低的问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种铝材表面缺陷检测方法、设备和存储介质，提升了对铝材表面小目标缺陷的检测能力。

根据本发明第一方面实施例的铝材表面缺陷检测方法，包括：

获取铝材表面的铝材缺陷数据集；

将所述铝材缺陷数据集输入到K-means聚类算法中，得到铝材缺陷目标数据集，其中，所述铝材缺陷目标数据集为设有先验框的所述铝材缺陷数据集；

将所述铝材缺陷目标数据集输入到YOLOv4模型中进行分类识别，得到铝材表面缺陷分类结果；

其中，所述YOLOv4模型包括主干网络结构和PANet模块，在所述PANet模块中将第一特征图集与第二特征图集进行特征拼接，以使所述第一特征图集与所述第二特征图集位于同一特征层；所述第一特征图集为所述主干网络结构输出的特征图集，所述第二特征图集为在所述PANet模块中对所述第一特征图集进行融合处理得到的特征图集。

根据本发明实施例中提供的一个或多个技术方案，至少具有如下有益效果：本发明根据YOLOv4模型，得到铝材表面缺陷分类结果，在YOLOv4模型的PANet模块中将第一特征图集与第二特征图集进行特征拼接，以使第一特征图集与第二特征图集位于同一特征层。本发明的技术方案对PANet模块的这种改进，通过特征拼接得到更多的输入特征信息，提升了对铝材表面小目标缺陷的检测能力。

根据本发明的一些实施例，所述获取铝材表面的铝材缺陷数据集，包括：

获取铝材表面的待处理缺陷图像；

对所述待处理缺陷图像进行图像预处理，得到铝材缺陷数据集，其中，所述图像预处理包括水平翻转操作和/或垂直翻转操作。

根据本发明的一些实施例，所述待处理缺陷图像的缺陷包括擦花、角位漏底、桔皮、漏底、喷流、漆泡、起坑、不导电、杂色和脏点中的至少两种。

根据本发明的一些实施例，所述先验框包括小尺寸目标检测先验框、中等尺寸目标检测先验框和大尺寸目标检测先验框，所述小尺寸目标检测先验框的尺寸包括4×4、10×9和52×23，所述中等尺寸目标检测先验框的尺寸包括256×8、256×16和256×26，所述大尺寸目标检测先验框的尺寸包括256×48、256×76和256×123。